[论文解读] Exploiting Social Network Structure for Person-to-Person Sentiment Analysis

Robert West, Hristo S. Paskov+2 more|arXiv (Cornell University)|Sep 8, 2014

Topic Modeling被引用 7

一句话总结

本文提出了一种联合图模型，将有向社交网络结构与文本情感分析相结合，以比单独使用任一方法更准确地预测人与人之间的情感。通过将问题表述为铰链损失马尔可夫随机场（HLMRF），该模型高效融合了语言线索与社交背景，在两个不同数据集（Wikipedia管理员申请请求和美国国会议员演讲）上显著优于仅使用文本或仅使用网络的基线模型。

ABSTRACT

Person-to-person evaluations are prevalent in all kinds of discourse and important for establishing reputations, building social bonds, and shaping public opinion. Such evaluations can be analyzed separately using signed social networks and textual sentiment analysis, but this misses the rich interactions between language and social context. To capture such interactions, we develop a model that predicts individual A's opinion of individual B by synthesizing information from the signed social network in which A and B are embedded with sentiment analysis of the evaluative texts relating A to B. We prove that this problem is NP-hard but can be relaxed to an efficiently solvable hinge-loss Markov random field, and we show that this implementation outperforms text-only and network-only versions in two very different datasets involving community-level decision-making: the Wikipedia Requests for Adminship corpus and the Convote U.S. Congressional speech corpus.

研究动机与目标

• 为解决孤立情感分析与有向网络分析的局限性，后者无法捕捉人际评估中语言线索与社交背景之间的相互作用。
• 开发一种统一模型，通过结合文本情感信号与有向社交网络的结构约束，联合推断情感极性。
• 证明联合建模在真实场景中可提升预测性能，尤其当文本或网络数据稀疏或噪声较多时。
• 展示模型能有效适应不同数据条件（如文本强但网络弱，或网络强但文本弱），通过从数据中学习最优信号融合方式。

提出的方法

• 该模型使用铰链损失马尔可夫随机场（HLMRF）将联合推理的NP难问题转化为可高效求解的形式。
• 它整合了两种证据来源：(1) 个体A对个体B的文本评价所得到的情感得分，以及(2) 有向社交网络中的结构模式，特别是三角平衡与地位理论。
• 该模型端到端训练，用于预测社交网络中个体之间有向边的情感极性（正向/负向）。
• 通过将双层自旋玻璃问题约化，证明了原始问题为NP难，从而合理化了采用HLMRF进行松弛的必要性。
• 该框架设计为自适应，能够根据数据特征学习情感与网络信号的加权方式。

实验结果

研究问题

• RQ1 结合文本情感与有向网络结构是否能比单独使用任一模态更有效地提升人与人之间的情感预测性能？
• RQ2 当某一模态（文本或网络）稀疏或噪声较多，而另一模态更可靠时，模型表现如何？
• RQ3 社交网络模式（如平衡理论与地位理论）在多大程度上有助于缓解文本情感中的模糊性？
• RQ4 联合模型能否在多样化的真实场景（如Wikipedia和国会议员演讲语料库）中自适应地结合信号？

主要发现

• 在Wikipedia管理员申请请求语料上，联合模型显著优于仅使用文本或仅使用网络的基线模型，该语料中文本情感信号较强但网络结构稀疏。
• 在Convote美国国会议员演讲语料上，网络结构完整可观察，但文本情感间接且噪声较多，联合模型再次展现出更优性能。
• 即使在较高召回率水平下，该模型仍保持高精确率，优于仅使用网络的模型，后者在召回率超过20%后因基于三角形的推理不确定性导致精确率急剧下降。
• 联合模型有效利用情感信号，在网络证据不完整时稳定预测结果，表现出对边标签稀疏性的鲁棒性。
• 该模型的自适应能力使其能从数据中学习最优融合权重，无需事先知晓信号可靠性，从而在多种数据环境下均表现有效。