My Words Imply Your Opinion: Reader Agent-Based Propagation Enhancement for Personalized Implicit Emotion Analysis

要約

暗黙的感情分析 (IEA) では、感情表現が繊細であるため、ユーザー固有の特性に特に敏感になります。
既存の研究では、感情的なテキストの作者的な側面に焦点を当て、分析に個人化を導入することがよくあります。
しかし、これらの方法では、暗黙の感情の反応に対する対象読者の潜在的な影響が見落とされています。
このペーパーでは、IEA タスクを Personalized Implicit Emotion Analysis (PIEA) に改良し、このタスク内でのユーザー情報の欠落の問題に対処するために設計された新しいフレームワークである RAPPIE モデルを紹介します。
特に、1) 大規模言語モデルに基づいてリーダー エージェントを作成し、読者の反応をシミュレートし、読者のフィードバック情報を取得するときに遭遇する沈黙のスパイラルとデータの不完全性の課題に対処します。
2) 読者伝播役割システムを確立し、伝播役割の分布を利用することで読者情報の希薄性に効果的に対処する、役割を意識した感情伝播多視点グラフ学習モデルを開発します。
3) 2 つの中国の PIEA データセットに詳細なユーザー メタデータで注釈を付け、主にテキスト コンテンツの注釈に焦点を当てていた以前のデータセットの制限に対処します。
これらのデータセットに対する広範な実験により、RAPPIE モデルが現在の最先端のベースラインを上回るパフォーマンスが示され、読者のフィードバックを PIEA プロセスに組み込むことの重要性と有効性が強調されています。

要約(オリジナル)

In implicit emotion analysis (IEA), the subtlety of emotional expressions makes it particularly sensitive to user-specific characteristics. Existing studies often inject personalization into the analysis by focusing on the authorial dimension of the emotional text. However, these methods overlook the potential influence of the intended reader on the reaction of implicit emotions. In this paper, we refine the IEA task to Personalized Implicit Emotion Analysis (PIEA) and introduce the RAPPIE model, a novel framework designed to address the issue of missing user information within this task. In particular, 1) we create reader agents based on the Large Language Model to simulate reader reactions, to address challenges of the spiral of silence and data incompleteness encountered when acquiring reader feedback information. 2) We establish a reader propagation role system and develop a role-aware emotion propagation multi-view graph learning model, which effectively deals with the sparsity of reader information by utilizing the distribution of propagation roles. 3) We annotate two Chinese PIEA datasets with detailed user metadata, thereby addressing the limitation of prior datasets that primarily focus on textual content annotation. Extensive experiments on these datasets indicate that the RAPPIE model outperforms current state-of-the-art baselines, highlighting the significance and efficacy of incorporating reader feedback into the PIEA process.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google