[论文解读] Representation Mapping: A Novel Approach to Generate High-Quality Multi-Lingual Emotion Lexicons

Sven Buechel, Udo Hahn|arXiv (Cornell University)|Jul 2, 2018

Sentiment Analysis and Opinion Mining参考文献 38被引用 10

一句话总结

本文提出表示映射（EmoMap），一种监督方法，用于在不同表示格式之间转换情感词典，如基本情绪（BE5）和效价-唤醒-主导性（VAD）格式，以实现跨语言互操作性。该方法通过利用现有的心理学派生词典，并展示与人工标注数据的强相关性，实现了八种语言（包括低资源语言）的金标准或接近金标准质量的情感词典。

ABSTRACT

In the past years, sentiment analysis has increasingly shifted attention to representational frameworks more expressive than semantic polarity (being positive, negative or neutral). However, these richer formats (like Basic Emotions or Valence-Arousal-Dominance, and variants therefrom), rooted in psychological research, tend to proliferate the number of representation schemes for emotion encoding. Thus, a large amount of representationally incompatible emotion lexicons has been developed by various research groups adopting one or the other emotion representation format. As a consequence, the reusability of these resources decreases as does the comparability of systems using them. In this paper, we propose to solve this dilemma by methods and tools which map different representation formats onto each other for the sake of mutual compatibility and interoperability of language resources. We present the first large-scale investigation of such representation mappings for four typologically diverse languages and find evidence that our approach produces (near-)gold quality emotion lexicons, even in cross-lingual settings. Finally, we use our models to create new lexicons for eight typologically diverse languages.

研究动机与目标

• 为解决 NLP 中情感表示格式不兼容的问题，这些格式限制了资源的可重用性和系统间的可比性。
• 开发一种自动映射情感表示方案（如 VAD 和 BE5）的方法，以增强情感词典的互操作性。
• 在单语和跨语言设置下，评估自动生成的词典与人工标注的金标准之间的质量。
• 利用所提出的映射框架，为八种语言（包括低资源语言）构建新的高质量情感词典。
• 公开发布所构建的词典和源代码，以支持 NLP 研究中的可重现性和可重用性。

提出的方法

• 该方法采用监督学习方法，利用心理学派生词典中的对齐训练数据，将一种表示格式（如 VAD）的情感评分映射到另一种格式（如 BE5）。
• 在单语映射中，模型在现有心理学资源中语言特定的人工标注情感评分上进行训练。
• 在跨语言映射中，模型利用多语言平行数据和迁移学习，在不同语言间实现泛化。
• 该方法依赖于统计相关性分析和回归模型，基于源格式评分预测目标格式的情感值。
• 通过预测值与金标准评分之间的相关性度量（如皮尔逊相关系数 r）对框架进行评估，并以人工标注者间的一致性作为基准。
• 最终词典通过将训练好的模型应用于未标注的词汇项，大规模生成新的情感评分。

实验结果

研究问题

• RQ1 在情感格式之间进行表示映射（如 VAD 和 BE5）是否能生成金标准或接近金标准质量的情感词典？
• RQ2 在单语和跨语言设置下，自动表示映射的性能与人工标注的金标准相比如何？
• RQ3 所提出的方法在多大程度上提升了不同表示方案之间情感词典的互操作性和可重用性？
• RQ4 该映射模型是否能有效泛化到低资源语言，生成可靠的情感评分？
• RQ5 自动生成的情感评分与心理学研究中经验确立的情感值之间的相关性如何？

主要发现

• 单语表示映射方法的表现优于人工标注者间的一致性，表明生成的词典达到了金标准质量。
• 在跨语言设置中，该方法生成了接近金标准质量的情感词典，性能略低于单语设置，但仍与人工标注相当。
• 预测值与金标准情感评分之间的相关性很强（例如，喜悦与效价之间的 r > 0.8），验证了模型的预测准确性。
• 自动生成的英语 BE5 词典具有高度的表面效度，顶级评分词汇与各情绪类别直观相符（如 'happy' 对应喜悦）。
• 在情感维度的准确性和一致性方面，该方法显著优于当前最先进的情感预测模型。
• 该方法成功为八种语言（包括低资源语言如荷兰语和印尼语）生成了高质量的情感词典，并提供了公开可获取的资源和代码。