Arabic Sentiment Analysis with Noisy Deep Explainable Model

要約

感情分析 (SA) は、現実世界の多くのアプリケーションにとって不可欠なタスクです。
リソースが限られた言語 (つまり、アラビア語、ベンガル語) と比較して、SA に関する研究のほとんどは、リソースが豊富な言語 (つまり、英語、中国語) に対して行われています。
さらに、高度な人工知能 (AI) ベースのアプローチを活用したアラビアの感情分析手法の予測の背後にある理由はブラックボックスのようなもので、理解するのが非常に困難です。
この論文では、過学習問題を克服する双方向長短期記憶 (BiLSTM) および畳み込みニューラル ネットワーク (CNN)-BiLSTM モデルにノイズ層を導入することにより、アラビア語の説明可能な感情分類フレームワークを提案します。
提案されたフレームワークは、特定のセンチメント (肯定的または否定的) が予測される理由を理解するためにローカル代理説明可能モデルをトレーニングすることによって、特定の予測を説明できます。
私たちは公開ベンチマークのアラビア語 SA データセットに対して実験を実施しました。
その結果、ノイズ レイヤーを追加すると過剰適合が減少し、アラビア語のセンチメント分析のパフォーマンスが向上し、私たちの手法はいくつかの既知の最先端の手法を上回るパフォーマンスを示したと結論付けられました。
さらに、ノイズ レイヤーによる説明可能性の導入により、モデルの透明性と説明責任がさらに高まり、AI 対応システムの実際の導入に役立つ可能性があります。

要約(オリジナル)

Sentiment Analysis (SA) is an indispensable task for many real-world applications. Compared to limited resourced languages (i.e., Arabic, Bengali), most of the research on SA are conducted for high resourced languages (i.e., English, Chinese). Moreover, the reasons behind any prediction of the Arabic sentiment analysis methods exploiting advanced artificial intelligence (AI)-based approaches are like black-box – quite difficult to understand. This paper proposes an explainable sentiment classification framework for the Arabic language by introducing a noise layer on Bi-Directional Long Short-Term Memory (BiLSTM) and Convolutional Neural Networks (CNN)-BiLSTM models that overcome over-fitting problem. The proposed framework can explain specific predictions by training a local surrogate explainable model to understand why a particular sentiment (positive or negative) is being predicted. We carried out experiments on public benchmark Arabic SA datasets. The results concluded that adding noise layers improves the performance in sentiment analysis for the Arabic language by reducing overfitting and our method outperformed some known state-of-the-art methods. In addition, the introduced explainability with noise layer could make the model more transparent and accountable and hence help adopting AI-enabled system in practice.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google