रिएक्शन जीआईएफ एनएलपी में भावना पहचान के लिए एक नई कुंजी प्रदान करते हैं

ताइवान का नया शोध सोशल मीडिया मंचों और भाषा अनुसंधान डेटासेट पर भावना विश्लेषण करने के लिए प्राकृतिक भाषा प्रसंस्करण (एनएलपी) के लिए एक उपन्यास विधि की पेशकश कर रहा है - पाठ घोषणाओं के जवाब में पोस्ट किए गए एनिमेटेड जीआईएफ को वर्गीकृत और लेबल करके।

ताइवान में नेशनल त्सिंग हुआ विश्वविद्यालय के बोअज़ शमुएली के नेतृत्व में शोधकर्ताओं ने उपयोगकर्ता की प्रतिक्रिया की भावनात्मक स्थिति को मापने के लिए एक सूचकांक के रूप में ट्विटर के प्रतिक्रिया जीआईएफ के इन-बिल्ट डेटाबेस का उपयोग किया है, जिससे कई भाषा प्रतिक्रियाओं पर बातचीत करने की आवश्यकता समाप्त हो गई है। चुनौती व्यंग्य का पता लगाना, या अस्पष्ट या अत्यधिक संक्षिप्त प्रतिक्रियाओं से मूल भावनात्मक तापमान की पहचान करना।

ट्विटर पोस्ट लिखते समय 'जीआईएफ' बटन पर क्लिक करने से लेबल किए गए एनिमेटेड जीआईएफ का एक मानक सेट मिलता है जो एनएलपी के लिए सादे-पाठ भाषा की तुलना में 'पहचान की गई' भावनाओं में पार्स करना संभावित रूप से आसान होता है।

RSI काग़ज़ प्रतिक्रिया GIFs के उपयोग को इस प्रकार चित्रित करता है 'एक नए प्रकार का लेबल, अभी तक एनएलपी इमोशन डेटासेट में उपलब्ध नहीं है', और ध्यान दें कि मौजूदा डेटासेट या तो इसका उपयोग करते हैं आयामी मॉडल भावना का या असतत भावना मॉडल, इनमें से कोई भी इस प्रकार की अंतर्दृष्टि प्रदान नहीं करता है।

किसी उपयोगकर्ता पोस्ट पर एनिमेटेड GIF प्रतिक्रिया। ट्विटर द्वारा प्रदत्त जीआईएफ को अब भावात्मक स्थिति के संदर्भ में संहिताबद्ध करने के साथ, इरादे की अस्पष्टता लगभग दूर हो गई है। स्रोत: https://arxiv.org/pdf/2105.09967.pdf

शोधकर्ताओं ने एक जारी किया है डाटासेट GIF प्रतिक्रियाओं वाले 30,000 व्यंग्यात्मक ट्वीट्स में से। यह दृष्टिकोण एनएलपी को एक ऐसा अंतर प्रदान करता है जो अन्य मौजूदा साहित्य में अनुपस्थित है: अंतर करने की एक विधि माना जाता है भावना (वे भावनाएँ जिन्हें पाठक पाठ से पहचानता है)। प्रेरित किया भावना (एक भावना जो पाठक पाठ की प्रतिक्रिया के रूप में अनुभव करता है)।

रिडक्टिव संकेतक के रूप में प्रतिक्रिया GIFs

एक तनावपूर्ण भावनात्मक स्थिति को साझा करने वाले पोस्ट के लिए एक सहायक प्रतिक्रिया के संदर्भ में, एक उपयुक्त जीआईएफ उपयोगी रूप से कम करने वाला और इरादे में स्पष्ट होता है, जब इसे सहायक पाठ के बिना पोस्ट किया जाता है (और ये जीआईएफ प्रतिक्रिया के प्रकार हैं जिन पर अध्ययन केंद्रित है)।

उदाहरण के लिए, जैसी प्रतिक्रियाएँ 'यह क्रूर है, यार', 'कि एक शर्म की बात है'या, 'ओह' एक निश्चित 'नैदानिक' और अप्रभावित दृष्टिकोण की संभावना से लेकर व्यंग्य की संभावना तक, इरादे की संभावित अस्पष्टताएं शामिल हैं; लेकिन ट्विटर के सैकड़ों 'हग'-श्रेणी GIFs में से एक की पोस्टिंग से व्याख्या के लिए कम जगह बचती है:

GIF प्रतिक्रिया के उप-अर्थों का गहन अध्ययन

फिर भी, प्रतिक्रिया की किसी एक श्रेणी में, जैसे 'आलिंगन', मूड या दृष्टिकोण के कई अतिरिक्त संकेतक होते हैं, जो प्रभावित स्थिति की कई शैलियों को शामिल करते हैं, जिसमें उत्तरदाता और मूल पोस्टर के बीच संबंधों की रोमांटिक या पारिवारिक धारणाओं का दृष्टिकोण भी शामिल है।

ट्विटर की उपलब्ध 'हग' GIF श्रेणी में विभिन्न प्रकार के संबंधों का चित्रण। विविध शैलियों, ट्रॉप्स, लिंग चित्रण और अन्य कारकों का उपयोग इस भावना के लिए जीआईएफ विकल्प की संभावित व्याख्या में ग्रैन्युलैरिटी जोड़ता है।

रिएक्शनजीआईएफ डेटासेट ट्विटर पर प्रत्येक उपलब्ध प्रतिक्रिया श्रेणी में पहले 100 जीआईएफ से प्राप्त किया गया था, जिससे 4300 एनिमेटेड छवियों का डेटाबेस तैयार हुआ। जहां GIF एक से अधिक श्रेणियों में दिखाई देता है, वहां GUI में उच्च प्लेसमेंट वाली श्रेणी को अधिक महत्व दिया जाता है। एकाधिक श्रेणियों में दिखाई देने वाली छवियों को एक असाइन किया गया है प्रतिक्रिया समानता कारक - अध्ययन के लिए आविष्कार किया गया एक मीट्रिक।

फिर पदानुक्रमिक क्लस्टरिंग और औसत लिंकेज का उपयोग करके समानताएं खोजी जाती हैं।

प्रतिक्रिया GIF डेटा को बढ़ाना

30,000 ट्वीट्स के विरुद्ध विधि लागू करके डेटासेट तैयार किया गया और लेबल किया गया। एक प्रतिक्रिया श्रेणी के 'समृद्ध भावात्मक संकेत' ने शोधकर्ताओं को सकारात्मक और नकारात्मक प्रतिक्रिया श्रेणी समूहों के आधार पर अतिरिक्त भावात्मक लेबल के साथ डेटासेट को बढ़ाने और एक समर्पित प्रतिक्रिया-से-भावनाओं मैपिंग स्कीमा के साथ भावना लेबल जोड़ने की अनुमति दी। नमूना ट्वीट्स पर तीन मानव मूल्यांकनकर्ताओं का बहुमत का फैसला।

पूर्व काम याहू और रोचेस्टर विश्वविद्यालय से, जो जीआईएफ के एनोटेशन से संबंधित है, इसमें प्राप्त पाठ की यह परत नहीं है, न ही कोई प्रतिक्रिया श्रेणियां हैं, लेकिन यह पूरी तरह से अर्थपूर्ण है।

शोधकर्ताओं ने चार दृष्टिकोणों से डेटासेट का मूल्यांकन किया: RoberTaकन्वेन्शनल न्यूरल नेटवर्क (सीएनएन) दस्ताना, एक लॉजिस्टिक रिग्रेशन क्लासिफायरियर, और एक साधारण बहुमत वर्ग क्लासिफायरियर। प्रत्येक श्रेणी के लिए दृढ़ विश्वास का महत्व परिणामों में काफी स्पष्ट रूप से उभरता है, अनुमोदन, सहमति और सहानुभूति को पहचानना सबसे आसान है (और सबसे अधिक प्रतिनिधित्व), और माफी का मूल्यांकन करना सबसे कठिन है, शायद क्योंकि इसमें व्यंग्य की संभावना शामिल है।

रॉबर्टा मॉडल ने मूल्यांकन के सभी तीन तरीकों में उच्चतम परीक्षण रैंकिंग औसत उत्पन्न किया, जिसमें प्रभावशाली प्रतिक्रिया भविष्यवाणी, प्रेरित भावना भविष्यवाणी, और प्रेरित भावना भविष्यवाणी शामिल थी।

प्रतिक्रिया GIFs से उपयोगकर्ता की भावनाएँ एकत्र करना

शोधकर्ताओं का मानना ​​है कि एनएलपी-आधारित भावना और भावना विश्लेषण में प्रेरित भावना की पहचान करना सबसे चुनौतीपूर्ण कार्यों में से एक है, और प्रॉक्सी के रूप में प्रतिक्रिया जीआईएफ का उपयोग बाद की परियोजनाओं को इकट्ठा करने की संभावना प्रदान करता है। 'बड़ी मात्रा में सस्ते, प्राकृतिक रूप से पाए जाने वाले, उच्च गुणवत्ता वाले प्रभावशाली लेबल'.

ट्विटर उपयोगकर्ता अनुभव में एम्बेडेड जीआईएफ के एक बहुत ही विशिष्ट स्थान पर ध्यान केंद्रित करने के बावजूद, अध्ययन का तर्क है कि यह विधि अन्य सोशल मीडिया प्लेटफार्मों, साथ ही त्वरित मैसेजिंग प्लेटफार्मों के लिए सामान्यीकृत हो सकती है, और संभावित रूप से भावना पहचान और मल्टीमॉडल जैसे क्षेत्रों में उपयोग की जा सकती है। भावना का पता लगाना.

एक प्रमुख सूचकांक के रूप में लोकप्रियता

ऐसा लगता है कि यह दृष्टिकोण प्रत्येक जीआईएफ के लिए एक निश्चित 'वायरलिटी' पर निर्भर करता है, जैसे कि जब जीआईएफ वास्तव में ट्विटर के अपने तंत्र के माध्यम से उपलब्ध कराया जाता है। संभवतः, बढ़ी हुई लोकप्रियता और मेम के रूप में अपनाए जाने के अलावा नए उपयोगकर्ता-जनित जीआईएफ इस इकोस्ट्रक्चर में प्रवेश नहीं कर सके।

प्रतिक्रिया GIFs है पुनर्जीवित का उपयोग 1987 का आदिम एनिमेटेड GIF पिछले दस वर्षों में प्रारूप, इंटरनेट V1 प्री-ब्रॉडबैंड युग में बैंडविड्थ हॉग (मुख्य रूप से कष्टप्रद बैनर विज्ञापनों के लिए उपयोग किया जाता है) के रूप में वर्षों की बदनामी के बाद।