[论文解读] Cross-Cultural Polarity and Emotion Detection Using Sentiment Analysis and Deep Learning -- a Case Study on COVID-19

Ali Shariq Imran, Sher Mohammad Doudpota+2 more|arXiv (Cornell University)|Aug 23, 2020

Sentiment Analysis and Opinion Mining参考文献 34被引用 8

一句话总结

本研究提出了一种基于深度学习的情感与情绪分析框架，利用双向LSTM网络对Twitter数据进行分析，以检测COVID-19大流行早期阶段的跨文化极性与情绪反应。该框架在Sentiment140数据集上实现了最先进准确率，并揭示了显著的文化差异，例如尽管瑞典与挪威文化相似，但其情感趋势呈现相反极性；而邻近国家如美国与加拿大、印度与巴基斯坦则表现出高度的情感相关性。

ABSTRACT

How different cultures react and respond given a crisis is predominant in a society's norms and political will to combat the situation. Often the decisions made are necessitated by events, social pressure, or the need of the hour, which may not represent the will of the nation. While some are pleased with it, others might show resentment. Coronavirus (COVID-19) brought a mix of similar emotions from the nations towards the decisions taken by their respective governments. Social media was bombarded with posts containing both positive and negative sentiments on the COVID-19, pandemic, lockdown, hashtags past couple of months. Despite geographically close, many neighboring countries reacted differently to one another. For instance, Denmark and Sweden, which share many similarities, stood poles apart on the decision taken by their respective governments. Yet, their nation's support was mostly unanimous, unlike the South Asian neighboring countries where people showed a lot of anxiety and resentment. This study tends to detect and analyze sentiment polarity and emotions demonstrated during the initial phase of the pandemic and the lockdown period employing natural language processing (NLP) and deep learning techniques on Twitter posts. Deep long short-term memory (LSTM) models used for estimating the sentiment polarity and emotions from extracted tweets have been trained to achieve state-of-the-art accuracy on the sentiment140 dataset. The use of emoticons showed a unique and novel way of validating the supervised deep learning models on tweets extracted from Twitter.

研究动机与目标

• 探究文化差异如何影响全球危机（特别是COVID-19大流行）期间的公众情感与情绪反应。
• 评估自然语言处理（NLP）与深度学习在从社交媒体数据中捕捉细微文化与情绪趋势方面的有效性。
• 分析政府政策（如封锁措施与群体免疫）如何影响地理与文化上相近国家的公众情感。
• 通过表情符号与现实世界健康数据验证情感检测模型的可靠性，实现交叉验证。
• 探索基于NLP的系统在将公众情感与现实世界事件关联方面，为政策决策提供支持的潜力，特别是在卫生危机期间。

提出的方法

• 采用两阶段深度学习架构：首先使用双向长短期记忆（LSTM）网络进行情感极性分类（正面/负面），随后使用第二个LSTM网络进行情绪分类，分为喜悦、惊讶、悲伤、厌恶、恐惧与愤怒六类。
• 在公开可用的Sentiment140数据集上训练情感极性模型，实现了该基准测试的最先进准确率。
• 在输入LSTM层之前，集成预训练词嵌入（如GloVe或类似方法），以增强推文的语义表征。
• 利用从推文中提取的表情符号作为新颖的外部信号，对模型性能进行情感一致性检查。
• 通过官方健康统计数据（如病例数）与已发表报告，对检测到的情感进行交叉验证，确保与现实世界事件保持一致。
• 通过Twitter API收集2020年2月与COVID-19相关的趋势话题推文，并补充使用Kaggle推文数据集以覆盖2020年3月至4月的数据。

实验结果

研究问题

• RQ1 NLP在理解全球危机（如COVID-19大流行）期间文化行为方面的辅助作用有多大？
• RQ2 从推文中检测到的情感与情绪模式在多大程度上反映了实际公众情感与政府政策响应？
• RQ3 在区域内部及跨区域之间，情感极性在多大程度上保持相似性，特别是在邻近国家之间？
• RQ4 封锁措施与国家政策在不同文化中被如何情感化与情绪化地感知？

主要发现

• 所提出的深度学习模型在Sentiment140数据集上实现了最先进准确率，证明了其在情感与情绪分类任务中的强大性能。
• 尽管瑞典与挪威在文化和语言上相似，但在大流行期间表现出相反的情感极性趋势，挪威在长期封锁后正面情感迅速下降。
• 美国与加拿大，以及印度与巴基斯坦，均表现出高度相关的情感极性趋势，表明公众情感在区域层面存在一致性。
• 在巴基斯坦、挪威与加拿大，初始大流行阶段的正面推文平均数量超过负面推文平均数量。
• 在所有六个分析国家中，2020年4月第一周与第二周的正面与负面推文数量均低于平均水平。
• 基于表情符号的验证确认了情感检测的一致性，支持了模型预测结果的可靠性。