[论文解读] Emotion Recognition under Consideration of the Emotion Component Process Model

Felix Casel, Amelie Heindl+1 more|arXiv (Cornell University)|Jul 27, 2021

Sentiment Analysis and Opinion Mining被引用 6

一句话总结

本文提出了一种基于情绪成分过程模型（CPM）的文本情绪表达标注方案，并将其应用于推特和文学语料库。结果表明，将CPM成分整合进多任务学习框架可使情绪分类性能提升最多4个F1分数，证明了成分级信息能增强模型在社交媒体和文学等不同领域间的泛化能力。

ABSTRACT

Emotion classification in text is typically performed with neural network models which learn to associate linguistic units with emotions. While this often leads to good predictive performance, it does only help to a limited degree to understand how emotions are communicated in various domains. The emotion component process model (CPM) by Scherer (2005) is an interesting approach to explain emotion communication. It states that emotions are a coordinated process of various subcomponents, in reaction to an event, namely the subjective feeling, the cognitive appraisal, the expression, a physiological bodily reaction, and a motivational action tendency. We hypothesize that these components are associated with linguistic realizations: an emotion can be expressed by describing a physiological bodily reaction ("he was trembling"), or the expression ("she smiled"), etc. We annotate existing literature and Twitter emotion corpora with emotion component classes and find that emotions on Twitter are predominantly expressed by event descriptions or subjective reports of the feeling, while in literature, authors prefer to describe what characters do, and leave the interpretation to the reader. We further include the CPM in a multitask learning model and find that this supports the emotion categorization. The annotated corpora are available at https://www.ims.uni-stuttgart.de/data/emotion.

研究动机与目标

• 探究Scherer的情绪成分过程模型（CPM）所定义的不同成分（如生理、表达、认知等）中情绪的语言表达方式。
• 开发并发布一个新的情绪成分标注语料库，涵盖推特（TEC）和文学（REMAN）语料，以供自然语言处理研究使用。
• 评估在情绪分类模型中引入情绪成分信息是否可通过多任务学习提升性能。
• 比较不同领域（社交媒体与文学）及情绪类别中情绪成分的分布差异。
• 探讨使用超越基本情绪类别的心理学理论，是否有助于提升计算情绪识别的效果。

提出的方法

• 对推特情绪语料库（TEC）和REMAN文学语料库中的3,041个实例，使用五种类别的情绪成分进行标注：主观感受、认知评价、表达、生理反应和动机行动倾向。
• 采用交叉缝合多任务学习（MTL）架构，联合预测情绪类别和情绪成分，实现两个任务之间的参数共享。
• 训练一个神经网络模型（Emo-Cpm-NN-Gold），使用标准情绪成分标注数据，以评估成分信息所能带来的性能上限。
• 在真实的交叉缝合MTL设置（MTL-XS）中评估模型性能，即在推理阶段不访问标准情绪成分标签，联合预测成分和情绪标签。
• 以标准神经分类器（BiLSTM）作为基线，比较不同设置下的性能表现：仅情绪分类、基于成分信息的模型，以及基于标准成分信息的模型。
• 使用F1分数在TEC和REMAN数据集上评估性能，并通过消融研究分离出成分信息的独立贡献。

实验结果

研究问题

• RQ1 在社交媒体（推特）与文学文本中，情绪在情绪成分过程模型（CPM）的五个成分中如何通过语言表达？
• RQ2 情绪成分在不同情绪类别（如愤怒、喜悦、悲伤）和不同领域（推特与文学）中的分布是否存在差异？
• RQ3 在多任务学习框架中引入情绪成分预测，是否能提升情绪分类模型的性能？
• RQ4 与缺乏此类监督的模型相比，成分级信息对情绪分类的相对贡献有多大？
• RQ5 在文学中，成分级信息在区分细微或隐含情绪表达方面能提供多大帮助？

主要发现

• 推特中的情绪主要通过事件描述或主观感受报告来表达，而在文学中，作者更倾向于描述人物行为，将情绪解读留白给读者。
• 交叉缝合多任务学习模型（MTL-XS）在REMAN语料库上相比无成分监督的基线模型提升了4个F1分数（F1=0.47），在TEC语料库上也提升了4个F1分数（F1=0.61）。
• 使用标准成分标签的模型（Emo-Cpm-NN-Gold）在REMAN上达到0.45 F1，在TEC上达到0.62 F1，表明成分信息能显著提升性能。
• MTL-XS模型在两个数据集上均优于仅情绪分类的基线模型，最佳性能通过联合学习实现，表明情绪与成分预测相互促进。
• 除在REMAN中对“惊讶”类别和在TEC中对“愤怒”类别外，成分信息在所有情绪类别中均提升了分类性能，表明成分显著性存在领域和情绪类别特异性。
• 人工检查确认，基于CPM的成分与情绪表达的直观语言模式一致，验证了标注方案的可解释性与实用性。