Automatic Emotion Experiencer Recognition

要約

感情分析における最も重要なサブタスクは感情の分類です。
テキスト単位 (ソーシャル メディアの投稿など) にカテゴリを割り当てます。
しかし、社会科学からの多くの研究課題では、投稿の投稿者の感情の検出だけでなく、テキスト内の感情が誰に帰せられるかを理解することも必要とされています。
このタスクは、テキスト内で誰が感情を経験するのか、なぜ、誰に対して記述されているのかを抽出することを目的とした感情役割ラベル付けによって取り組みます。
ただし、答えるべき主な質問が誰がどの感情を感じるかである場合、これは過度に洗練されているとみなされる可能性があります。
このような設定に対する対象を絞ったアプローチは、感情体験者の言及 (別名「感情表現者」) を、おそらく知覚している感情に関して分類することです。
このタスクは、人の名前の固有表現認識に似ていますが、言及された固有表現のすべてが感情表現であるわけではない点が異なります。
つい最近、感情的な注釈を含むデータが利用可能になりましたが、そのような言及を検出する実験はまだ行われていません。
このペーパーでは、このタスクがどれほど難しいかを理解するためのベースライン実験を提供します。
さらに、ゴールドメンションが利用できない場合の、パイプラインにおける体験者固有の感情の分類と評価検出への影響を評価します。
テキスト内の体験者の検出は、精度が 0.82、再現率が 0.56 (F1 = 0.66) であり、困難なタスクであることを示します。
これらの結果は、感情のスパンと感情/評価の予測を共同でモデル化するという今後の作業の動機付けとなります。

要約(オリジナル)

The most prominent subtask in emotion analysis is emotion classification; to assign a category to a textual unit, for instance a social media post. Many research questions from the social sciences do, however, not only require the detection of the emotion of an author of a post but to understand who is ascribed an emotion in text. This task is tackled by emotion role labeling which aims at extracting who is described in text to experience an emotion, why, and towards whom. This could, however, be considered overly sophisticated if the main question to answer is who feels which emotion. A targeted approach for such setup is to classify emotion experiencer mentions (aka ‘emoters’) regarding the emotion they presumably perceive. This task is similar to named entity recognition of person names with the difference that not every mentioned entity name is an emoter. While, very recently, data with emoter annotations has been made available, no experiments have yet been performed to detect such mentions. With this paper, we provide baseline experiments to understand how challenging the task is. We further evaluate the impact on experiencer-specific emotion categorization and appraisal detection in a pipeline, when gold mentions are not available. We show that experiencer detection in text is a challenging task, with a precision of .82 and a recall of .56 (F1 =.66). These results motivate future work of jointly modeling emoter spans and emotion/appraisal predictions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google