Affective Natural Language Generation of Event Descriptions through Fine-grained Appraisal Conditions

要約

感情的なテキスト生成のモデルは目覚ましい進歩を示していますが、通常、条件として基本的な感情理論またはバランス/覚醒値のみに依存しています。
これは、明示的な感情表現 (「子供は幸せです。」) を作成することが目的の場合に適しています。
ただし、感情は暗黙的に伝えられるのが一般的です。
たとえば、出来事 (「飼い犬が死んだ」) を感情的に解釈する場合、多くの場合、明示的な感情表現は必要ありません。
心理学では、評価理論により、出来事の認知的評価と潜在的に発達する感情との関係が説明されます。
彼らは、たとえば起こったことに対する自分自身のコントロールや責任など、状況をその場で評価します。
私たちは仮説を立て、生成フレームワークに条件として評価変数を含めることには 2 つの利点があることを示します。
(1) 生成モデルには、特定の感情が何によって形成され、どのような特性があるかについてより詳細に情報が与えられます。
これにより、条件をよりよく満たすテキストが生成されます。
(2) 評価の変数を使用すると、感情カテゴリを提供するだけでなく、状況のプロパティを記述することによって、ユーザーが生成されたテキストをよりきめ細かく制御できるようになります。
7 つの感情 (怒り、嫌悪、恐怖、罪悪感、喜び、悲しみ、恥) と 7 つの評価 (注意、責任、制御、状況、楽しさ、努力、確実性) を用いた Bart と T5 ベースの実験では、(1) を追加することが示されています。
トレーニング中の評価により、生成されたテキストの精度が F1 で 10 pp 向上します。
さらに、(2) 評価変数を含むテキストは長くなり、より詳細な内容が含まれます。
これは、ユーザーにとってより優れた制御を示す例です。

要約(オリジナル)

Models for affective text generation have shown a remarkable progress, but they commonly rely only on basic emotion theories or valance/arousal values as conditions. This is appropriate when the goal is to create explicit emotion statements (‘The kid is happy.’). Emotions are, however, commonly communicated implicitly. For instance, the emotional interpretation of an event (‘Their dog died.’) does often not require an explicit emotion statement. In psychology, appraisal theories explain the link between a cognitive evaluation of an event and the potentially developed emotion. They put the assessment of the situation on the spot, for instance regarding the own control or the responsibility for what happens. We hypothesize and subsequently show that including appraisal variables as conditions in a generation framework comes with two advantages. (1) The generation model is informed in greater detail about what makes a specific emotion and what properties it has. This leads to text generation that better fulfills the condition. (2) The variables of appraisal allow a user to perform a more fine-grained control of the generated text, by stating properties of a situation instead of only providing the emotion category. Our Bart and T5-based experiments with 7 emotions (Anger, Disgust, Fear, Guilt, Joy, Sadness, Shame), and 7 appraisals (Attention, Responsibility, Control, Circumstance, Pleasantness, Effort, Certainty) show that (1) adding appraisals during training improves the accurateness of the generated texts by 10 pp in F1. Further, (2) the texts with appraisal variables are longer and contain more details. This exemplifies the greater control for users.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google