[论文解读] Estimation of Inter-Sentiment Correlations Employing Deep Neural Network Models

Xinzhi Wang, Shengcheng Yuan+2 more|arXiv (Cornell University)|Nov 24, 2018

Sentiment Analysis and Opinion Mining参考文献 23被引用 5

一句话总结

本文提出两种深度神经网络模型，用于估计新闻内容中跨句子的情感相关性，分析标题、正文和评论中六种情绪——爱、喜悦、愤怒、悲伤、恐惧和惊讶——的表现。研究揭示了一种矛盾的情感转变：客观新闻内容常引发爱（gd）而非预期情绪，而主观内容则常被误分类为愤怒（fn），凸显媒体话语中情感反应的不可预测性。

ABSTRACT

This paper focuses on sentiment mining and sentiment correlation analysis of web events. Although neural network models have contributed a lot to mining text information, little attention is paid to analysis of the inter-sentiment correlations. This paper fills the gap between sentiment calculation and inter-sentiment correlations. In this paper, the social emotion is divided into six categories: love, joy, anger, sadness, fear, and surprise. Two deep neural network models are presented for sentiment calculation. Three datasets - the titles, the bodies, the comments of news articles - are collected, covering both objective and subjective texts in varying lengths (long and short). From each dataset, three kinds of features are extracted: explicit expression, implicit expression, and alphabet characters. The performance of the two models are analyzed, with respect to each of the three kinds of the features. There is controversial phenomenon on the interpretation of anger (fn) and love (gd). In subjective text, other emotions are easily to be considered as anger. By contrast, in objective news bodies and titles, it is easy to regard text as caused love (gd). It means, journalist may want to arouse emotion love by writing news, but cause anger after the news is published. This result reflects the sentiment complexity and unpredictability.

研究动机与目标

• 解决尽管在基于神经网络的文本分析方面取得进展，但在情感挖掘中对跨情感相关性分析关注不足的问题。
• 建模并量化新闻文章标题、正文和评论等不同文本类型之间的情感相关性。
• 探究显性、隐性及字母特征如何影响不同情感类别的情感分类。
• 探讨新闻写作中预期情感与实际感知情感反应之间的差异，特别是将爱误判为愤怒的现象。

提出的方法

• 训练两种深度神经网络模型，用于分类六种情感类别：爱、喜悦、愤怒、悲伤、恐惧和惊讶。
• 收集三类文本数据集——标题、正文和评论——涵盖不同长度的客观与主观文本。
• 从每段文本中提取三类特征：显性表达（直接情感线索）、隐性表达（上下文情感指示）和字母字符（字符级嵌入）。
• 按特征类型和文本类别评估模型性能，重点关注分类准确率及情感误判模式。
• 通过分析不同文本模态和情感类别间预测情感的变化，估算跨情感相关性。
• 研究采用多分类框架，使用交叉熵损失函数，并通过标准分类指标评估模型性能。

实验结果

研究问题

• RQ1 深度神经网络在分类不同类型新闻内容（标题、正文、评论）中的跨情感相关性方面表现如何？
• RQ2 显性、隐性和字母特征在主观与客观文本中对情感分类准确性的贡献程度如何？
• RQ3 为何在新闻内容中频繁将爱（gd）误判为愤怒（fn）？这揭示了媒体中情感感知的何种特征？
• RQ4 新闻写作的意图（如引发爱）与受众实际的情感反应（如感知为愤怒）之间存在何种冲突？
• RQ5 在比较短篇（标题）与长篇（正文）新闻内容时，情感相关性呈现出何种模式？

主要发现

• 在主观文本中，其他情绪常被误判为愤怒（fn），表明人们倾向于将情感表达解读为敌意。
• 在客观新闻的正文和标题中，内容常被误判为爱（gd），表明新闻的框架可能无意中引发亲昵反应。
• 模型性能在不同特征类型间存在显著差异，显性表达在情感分类中的准确率高于隐性或字母特征。
• 观察到一种矛盾的情感转变：本意引发爱（gd）的新闻常被感知为愤怒（fn），揭示媒体传播中情感反应的不可预测性。
• 跨情感相关性分析表明，情感感知高度依赖于语境，并受文本模态和语言框架的影响。
• 本研究表明，深度神经网络能够检测文本类型间细微的情感转变，但由于误判模式的存在，模型解释仍具挑战性。