Νέα Τεχνητή Νοημοσύνη Αναγνωρίζει Σαρκασμό στα Κοινωνικά Μέσα

Ερευνητές στο Πανεπιστήμιο της Κεντρικής Φλόριντα έχουν αναπτύξει ένα νέο εργαλείο τεχνητής νοημοσύνης (AI) που είναι ικανό να ανιχνεύει σαρκασμό στα κοινωνικά μέσα. Σύμφωνα με την ομάδα, αυτό το είδος εργαλείου είναι εξαιρετικά χρήσιμο για τις εταιρείες που επιθυμούν να κατανοήσουν και να απαντήσουν καλύτερα στα σχόλια των πελατών τους στα κορυφαία κοινωνικά μέσα όπως το Twitter και το Facebook. Είναι εξαιρετικά δύσκολο να διατηρήσουμε αυτό το proceso χειροκίνητα.

Ένας από τους κύριους ασπούς του εργαλείου είναι η ανάλυση συναισθήματος, η οποία είναι η αυτοματοποιημένη διαδικασία ταυτοποίησης θετικών, αρνητικών και ουδέτερων συναισθημάτων εντός του κειμένου. Η ανάλυση συναισθήματος επικεντρώνεται στην ταυτοποίηση επικοινωνίας συναισθήματος, ενώ η AI επικεντρώνεται στην λογική ανάλυση και απάντηση.

Η νέα έρευνα δημοσιεύθηκε στο περιοδικό Entropy.

Διδάσκοντας το Μοντέλο να Αναγνωρίζει Σαρκασμό

Το μοντέλο υπολογιστή διδάχθηκε να αναγνωρίζει μοτίβα που υποδηλώνουν σαρκασμό και να αναγνωρίζει συγκεκριμένες λέξεις-κλειδιά σε μια πρόταση που υποδηλώνουν σαρκασμό. Αυτό επιτεύχθηκε από την ομάδα με την τροφοδοσία του μοντέλου με μεγάλες συνόλους δεδομένων και τη βελτίωση της ακρίβειάς του.

Ο Ivan Garibay είναι βοηθός καθηγητής στο Τμήμα Βιομηχανικής Μηχανικής και Συστημάτων Διαχείρισης. Κάνει πτυχία που περιλαμβάνουν διδακτορικό στη επιστήμη των υπολογιστών από το UCF και είναι διευθυντής της Πρωτοβουλίας Τεχνητής Νοημοσύνης και Μεγάλων Δεδομένων του CASL και ενός μεταπτυχιακού προγράμματος στη ανάλυση δεδομένων.

“Η παρουσία σαρκασμού στο κείμενο είναι το κύριο εμπόδιο στην απόδοση της ανάλυσης συναισθήματος,” λέει ο Garibay. “Ο σαρκασμός δεν είναι πάντα εύκολο να αναγνωριστεί σε συζήτηση, οπότε μπορείτε να φανταστείτε ότι είναι αρκετά δύσκολο για ένα πρόγραμμα υπολογιστή να το κάνει και να το κάνει καλά. Αναπτύξαμε ένα ερμηνεύσιμο μοντέλο βαθιάς μάθησης χρησιμοποιώντας multi-head self-attention και gated recurrent units. Το μοντέλο multi-head self-attention βοηθά στην αναγνώριση κρίσιμων λέξεων-κλειδιών από την είσοδο και οι μονάδες ανακατεύθυνσης μαθαίνουν μακροπρόθεσμες εξαρτήσεις μεταξύ αυτών των λέξεων-κλειδιών για να ταξινομήσουν καλύτερα το κείμενο.”

Ο Garibay συνεργάστηκε με τον φοιτητή διδακτορικού προγράμματος Ramya Akula και τον Brian Kettler, διευθυντή προγράμματος στο Γραφείο Καινοτομίας Πληροφοριών του DARPA (I2O).

Προκλήσεις του Κειμένου

“Ο σαρκασμός έχει sido ένα σημαντικό εμπόδιο στην αύξηση της ακρίβειας της ανάλυσης συναισθήματος, ιδιαίτερα στα κοινωνικά μέσα,既然 ο σαρκασμός βασίζεται σε μεγάλο βαθμό σε φωνητικούς τόνους, εκφράσεις προσώπου και χειρονομίες που δεν μπορούν να αναπαρασταθούν στο κείμενο,” λέει ο Kettler. “Η αναγνώριση σαρκασμού στην κειμενική επικοινωνία online δεν είναι μια εύκολη εργασία,既然 κανένας από αυτούς τους δείκτες δεν είναι εύκολα διαθέσιμος.”

Οι επιστήμονες από το Εργαστήριο Συμπλεγμάτων Συστημάτων του Garibay (CASL) βασίζονται στην επιστήμη δεδομένων, την επιστήμη δικτύων, την επιστήμη συμπλοκής, την επιστήμη γνωστικής, την μηχανική μάθηση, τη βαθιά μάθηση, τις κοινωνικές επιστήμες, την ομαδική γνωστική και άλλες προσεγγίσεις για να αντιμετωπίσουν αυτές τις προκλήσεις.

Η Akula είναι βοηθός ερευνήτριας στο CASL και διδακτορική υπότροφος. Κάνει πτυχίο master στη επιστήμη των υπολογιστών από το Τεχνικό Πανεπιστήμιο του Kaiserslautern στη Γερμανία και πτυχίο bachelor στη επιστήμη των υπολογιστών από το Πανεπιστήμιο Jawaharlal Nehru στην Ινδία.

“Σε πρόσωπο με πρόσωπο συζήτηση, ο σαρκασμός μπορεί να αναγνωριστεί εύκολα χρησιμοποιώντας εκφράσεις προσώπου, χειρονομίες και τον τόνο της ομιλίας,” λέει η Akula. “Η ανίχνευση σαρκασμού στην κειμενική επικοινωνία δεν είναι μια εύκολη εργασία,既然 κανένας από αυτούς τους δείκτες δεν είναι εύκολα διαθέσιμος. Ιδιαίτερα με την έκρηξη της χρήσης του διαδικτύου, η ανίχνευση σαρκασμού στις online επικοινωνίες από τις πλατφόρμες κοινωνικών μέσων είναι πολύ πιο δύσκολη.”