論文の概要: Frustratingly Easy Sentiment Analysis of Text Streams: Generating
High-Quality Emotion Arcs Using Emotion Lexicons
- arxiv url: http://arxiv.org/abs/2210.07381v1
- Date: Thu, 13 Oct 2022 21:50:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-17 16:16:18.717615
- Title: Frustratingly Easy Sentiment Analysis of Text Streams: Generating
High-Quality Emotion Arcs Using Emotion Lexicons
- Title（参考訳）: テキストストリームのフラストレーション的簡易感性分析:感情語彙を用いた高品質感情アークの生成
- Authors: Daniela Teodorescu, Saif M. Mohammad
- Abstract要約: 感情のレキシコンの質とそれを用いて生成できる感情の弧の質との関係について検討する。
事例レベルでは著しく劣っているにもかかわらず、LexO法は数百の事例から情報を集約することで感情弧を生成するのに極めて正確であることを示す。
- 参考スコア（独自算出の注目度）: 31.87319293259599
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Automatically generated emotion arcs -- that capture how an individual or a
population feels over time -- are widely used in industry and research.
However, there is little work on evaluating the generated arcs. This is in part
due to the difficulty of establishing the true (gold) emotion arc. Our work,
for the first time, systematically and quantitatively evaluates automatically
generated emotion arcs. We also compare two common ways of generating emotion
arcs: Machine-Learning (ML) models and Lexicon-Only (LexO) methods. Using a
number of diverse datasets, we systematically study the relationship between
the quality of an emotion lexicon and the quality of the emotion arc that can
be generated with it. We also study the relationship between the quality of an
instance-level emotion detection system (say from an ML model) and the quality
of emotion arcs that can be generated with it. We show that despite being
markedly poor at instance level, LexO methods are highly accurate at generating
emotion arcs by aggregating information from hundreds of instances. This has
wide-spread implications for commercial development, as well as research in
psychology, public health, digital humanities, etc. that values simple
interpretable methods and disprefers the need for domain-specific training
data, programming expertise, and high-carbon-footprint models.
- Abstract（参考訳）: 個人や人口が時間とともにどのように感じているかを捉える自動生成感情弧は、産業や研究で広く使われている。
しかし、生成したアークを評価する作業はほとんどない。
これは、真の(金色の)感情弧を確立するのが難しいためである。
私たちの研究は、初めて、系統的かつ定量的に自動生成された感情弧を評価しました。
また、機械学習(ML)モデルとLexicon-Only(LexO)手法の2つの感情弧を生成する一般的な方法を比較する。
多様なデータセットを用いて、感情の語彙の質とそれを用いて生成できる感情弧の質との関係を体系的に研究する。
また,インスタンスレベルの感情検出システム(mlモデルなど)の品質と,それを用いて生成可能な感情アークの品質との関係についても検討した。
事例レベルでは著しく劣っているにもかかわらず、LexO法は数百の事例から情報を集約することで感情弧を生成するのに極めて正確であることを示す。
これは商業開発や心理学、公衆衛生、デジタルヒューマニティなどの研究において、単純な解釈可能な方法を評価し、ドメイン固有のトレーニングデータ、プログラミングの専門知識、高炭素プリントモデルの必要性を軽視している。
関連論文リスト
- TONE: A 3-Tiered ONtology for Emotion analysis [9.227164881235947]
感情は心理学、医学、メンタルヘルス、コンピュータサイエンスなど、多くの分野で重要な役割を果たしてきた。
1) 教師付き手法の効率は収集したデータのサイズと領域に強く依存する。
我々は、Gerrod Parrot博士の感情群に基づく感情階層を効果的に生成する感情ベースのオントロジーを作成する。
論文 参考訳（メタデータ） (2024-01-11T04:23:08Z) - Language Models (Mostly) Do Not Consider Emotion Triggers When Predicting Emotion [87.18073195745914]
人間の感情が感情の予測において有意であると考えられる特徴とどのように相関するかを検討する。
EmoTriggerを用いて、感情のトリガーを識別する大規模言語モデルの能力を評価する。
分析の結果、感情のトリガーは感情予測モデルにとって健全な特徴ではなく、様々な特徴と感情検出のタスクの間に複雑な相互作用があることが判明した。
論文 参考訳（メタデータ） (2023-11-16T06:20:13Z) - Evaluating Emotion Arcs Across Languages: Bridging the Global Divide in
Sentiment Analysis [36.1712123195025]
自動生成された感情弧を初めて評価した。
9言語で18の多様なデータセットで実験を行ないました。
英語の感情レキシコンの自動翻訳は、低リソース言語で高品質な感情弧を生成するのに有効であることを示す。
論文 参考訳（メタデータ） (2023-06-03T23:34:55Z) - A Circular-Structured Representation for Visual Emotion Distribution
Learning [82.89776298753661]
視覚的感情分布学習に先立つ知識を活用するために,身近な円形構造表現を提案する。
具体的には、まず感情圏を構築し、その内にある感情状態を統一する。
提案した感情圏では、各感情分布は3つの属性で定義される感情ベクトルで表される。
論文 参考訳（メタデータ） (2021-06-23T14:53:27Z) - Multi-Task Learning and Adapted Knowledge Models for Emotion-Cause
Extraction [18.68808042388714]
感情認識と感情原因検出の両方に共同で取り組むソリューションを提案する。
暗黙的に表現された感情を理解する上で,常識的知識が重要な役割を担っていることを考慮し,新しい手法を提案する。
共通センス推論とマルチタスクフレームワークを含む場合,両タスクのパフォーマンス改善を示す。
論文 参考訳（メタデータ） (2021-06-17T20:11:04Z) - Emotion-aware Chat Machine: Automatic Emotional Response Generation for
Human-like Emotional Interaction [55.47134146639492]
この記事では、投稿中のセマンティクスと感情を同時にエンコードできる、未定義のエンドツーエンドニューラルネットワークを提案する。
実世界のデータを用いた実験により,提案手法は,コンテンツコヒーレンスと感情の適切性の両方の観点から,最先端の手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2021-06-06T06:26:15Z) - Basic and Depression Specific Emotion Identification in Tweets:
Multi-label Classification Experiments [1.7699344561127386]
ツイートにおける基本的・抑うつ的マルチ感情マイニングに関する実証分析を行った。
我々は、感情の4つの高度に評価された心理モデルから、共通の感情からなるハイブリッド感情モデルから、基本的な感情を選択する。
我々は、うつ病の分析においてその重要性から、新たな感情カテゴリーによる感情モデルを強化した。
論文 参考訳（メタデータ） (2021-05-26T07:13:50Z) - Enhancing Cognitive Models of Emotions with Representation Learning [58.2386408470585]
本稿では,きめ細かな感情の埋め込み表現を生成するための,新しいディープラーニングフレームワークを提案する。
本フレームワークは,コンテキスト型埋め込みエンコーダとマルチヘッド探索モデルを統合する。
本モデルは共感対話データセット上で評価され,32種類の感情を分類する最新結果を示す。
論文 参考訳（メタデータ） (2021-04-20T16:55:15Z) - Knowledge Bridging for Empathetic Dialogue Generation [52.39868458154947]
外部知識の不足により、感情的な対話システムは暗黙の感情を知覚し、限られた対話履歴から感情的な対話を学ぶことが困難になる。
本研究では,情緒的対話生成における感情を明確に理解し,表現するために,常識的知識や情緒的語彙的知識などの外部知識を活用することを提案する。
論文 参考訳（メタデータ） (2020-09-21T09:21:52Z) - Modality-Transferable Emotion Embeddings for Low-Resource Multimodal
Emotion Recognition [55.44502358463217]
本稿では、上記の問題に対処するため、感情を埋め込んだモダリティ変換可能なモデルを提案する。
我々のモデルは感情カテゴリーのほとんどで最先端のパフォーマンスを達成する。
私たちのモデルは、目に見えない感情に対するゼロショットと少数ショットのシナリオにおいて、既存のベースラインよりも優れています。
論文 参考訳（メタデータ） (2020-09-21T06:10:39Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。