प्रतिक्रिया जीआईएफ भावना पहचान में एक नया मार्ग प्रदान करते हैं

ताइवान से नए शोध में प्राकृतिक भाषा प्रसंस्करण (एनएलपी) के लिए एक नए तरीके का प्रस्ताव किया गया है जो सोशल मीडिया फोरम और भाषा अनुसंधान डेटासेट पर भावना विश्लेषण करने के लिए – प्रतिक्रिया जीआईएफ को वर्गीकृत और लेबल करके जो पाठ घोषणाओं के जवाब में पोस्ट किए जाते हैं।

शोधकर्ताओं ने, जिनका नेतृत्व नेशनल त्सिंग हुआ विश्वविद्यालय के बोआज़ श्मुएली ने किया है, ट्विटर के निर्मित डेटाबेस का उपयोग प्रतिक्रिया जीआईएफ के रूप में एक सूचकांक के रूप में किया है जो एक उपयोगकर्ता की प्रतिक्रिया की भावनात्मक स्थिति को मापता है, जो कई भाषाओं की प्रतिक्रियाओं को नेविगेट करने की आवश्यकता को समाप्त करता है, व्यंग्य का पता लगाने की चुनौती, या अस्पष्ट या अत्यधिक संक्षिप्त प्रतिक्रियाओं से मूल भावनात्मक तापमान की पहचान करने की कठिनाई।

ट्विटर पोस्ट बनाते समय ‘जीआईएफ’ बटन पर क्लिक करने से एक मानक सेट के लेबल वाले एनिमेटेड जीआईएफ मिलते हैं जो प्लेन-टेक्स्ट भाषा की तुलना में एनएलपी के लिए व्याख्या करने में आसान होते हैं।

इस पेपर में प्रतिक्रिया जीआईएफ के इस तरह के उपयोग को ‘एक नए प्रकार के लेबल के रूप में वर्णित किया गया है, जो एनएलपी भावना डेटासेट में अभी तक उपलब्ध नहीं है’, और यह ध्यान दिलाया गया है कि मौजूदा डेटासेट या तो आयामी मॉडल का उपयोग करते हैं या विचार भावना मॉडल का उपयोग करते हैं, जो इस प्रकार के अंतर्दृष्टि प्रदान नहीं करते हैं।

एक उपयोगकर्ता पोस्ट के लिए एक एनिमेटेड जीआईएफ प्रतिक्रिया। ट्विटर द्वारा आपूर्ति की गई जीआईएफ को अब भावनात्मक स्थिति के संदर्भ में संकेत दिया गया है, जिससे भावना विश्लेषण के संदर्भ में इरादे की अस्पष्टता लगभग समाप्त हो जाती है। स्रोत: https://arxiv.org/pdf/2105.09967.pdf

शोधकर्ताओं ने 30,000 व्यंग्य ट्वीट्स के साथ एक डेटासेट जारी किया है जिसमें जीआईएफ प्रतिक्रियाएं हैं। यह दृष्टिकोण एनएलपी को एक ऐसा अंतर प्रदान करता है जो अन्य साहित्य में अनुपस्थित है: प्रतिक्रिया भावना (भावनाएं जो एक पाठक पाठ से पहचानता है) और उत्पादित भावना (एक भावना जो पाठक को पाठ के प्रति प्रतिक्रिया के रूप में अनुभव होती है) के बीच अंतर करने का एक तरीका।

प्रतिक्रिया जीआईएफ कम करने वाले संकेतक

एक पोस्ट के लिए एक सहायक प्रतिक्रिया के रूप में जो एक परेशान करने वाली भावनात्मक स्थिति को साझा कर रहा है, एक उपयुक्त जीआईएफ उपयोगी रूप से कम करने वाला और स्पष्ट होता है जब यह समर्थन पाठ के बिना पोस्ट किया जाता है (और यह उन प्रकार की जीआईएफ प्रतिक्रियाओं पर केंद्रित है जिन पर अध्ययन किया गया है)।

उदाहरण के लिए, प्रतिक्रियाएं जैसे ‘वह क्रूर है, आदमी’, ‘वह दुर्भाग्य है’, या ‘आव’ में संभावित रूप से इरादे की अस्पष्टता हो सकती है, एक निश्चित ‘क्लिनिकल’ और अप्रभावित दृष्टिकोण से लेकर व्यंग्य की संभावना तक; लेकिन ट्विटर के सैकड़ों ‘गले लगाने’ श्रेणी के जीआईएफ में से एक को पोस्ट करने से कमरा छोड़ दिया जाता है:

एक जीआईएफ प्रतिक्रिया के उप-arithms में गहराई

हालांकि, किसी एक प्रतिक्रिया श्रेणी के भीतर, जैसे कि ‘गले लगाने’, कई अतिरिक्त संकेतक हैं जो मूड या दृष्टिकोण को शामिल करते हैं जो कई प्रभावित स्थितियों की श्रेणी में हैं, जिसमें उत्तरदाता और मूल पोस्टर के बीच संबंध की रोमांटिक या पारिवारिक धारणाएं शामिल हैं।

ट्विटर के उपलब्ध ‘गले लगाने’ जीआईएफ श्रेणी में विभिन्न प्रकार के संबंधों का चित्रण। विभिन्न शैलियों, ट्रोप्स, लिंग चित्रण और अन्य कारकों का उपयोग इस भावना के लिए जीआईएफ चुनने की संभावित व्याख्या में सूक्ष्मता जोड़ता है।

ReactionGIF डेटासेट ट्विटर पर उपलब्ध प्रत्येक प्रतिक्रिया श्रेणी के पहले 100 जीआईएफ से व्युत्पन्न किया गया था, जिससे 4300 एनिमेटेड छवियों का डेटाबेस बना। जहां एक जीआईएफ एक से अधिक श्रेणी में दिखाई देता है, जीयूआई में उच्च स्थान पर रखा गया श्रेणी को अधिक भार दिया जाता है। एक से अधिक श्रेणियों में दिखाई देने वाली छवियों को प्रतिक्रिया समानता कारक सौंपा जाता है – एक मीट्रिक जिसे इस अध्ययन के लिए आविष्कृत किया गया था।

संबंधों को तब हायरार्किकल क्लस्टरिंग और औसत लिंकेज का उपयोग करके खोजा जाता है।

प्रतिक्रिया जीआईएफ डेटा को बढ़ाना

डेटासेट 30,000 ट्वीट्स के खिलाफ विधि को लागू करके उत्पन्न किया गया था। प्रतिक्रिया श्रेणी के समृद्ध भावनात्मक संकेत ने शोधकर्ताओं को डेटासेट को अतिरिक्त भावनात्मक लेबल के साथ बढ़ाने की अनुमति दी, जो सकारात्मक और नकारात्मक प्रतिक्रिया श्रेणी समूहों पर आधारित थे, और एक समर्पित प्रतिक्रिया-भावना मानचित्र योजना के आधार पर भावना लेबल जोड़ने के लिए, जो नमूना ट्वीट्स पर तीन मानव मूल्यांकनकर्ताओं के बहुमत के निर्णय पर आधारित थी।

पूर्व काम याहू और रोचेस्टर विश्वविद्यालय से जो जीआईएफ के लेबलिंग से संबंधित है, में इस प्रकार का लाइसेंस प्राप्त पाठ नहीं है, न ही कोई प्रतिक्रिया श्रेणियां हैं, लेकिन यह केवल सेमेंटिक है।

शोधकर्ताओं ने डेटासेट का मूल्यांकन चार दृष्टिकोणों पर किया: RoBERTa, कॉन्वोल्यूशनल न्यूरल नेटवर्क (सीएनएन) GloVe, एक लॉजिस्टिक रिग्रेशन क्लासिफायर, और एक सरल बहुसंख्यक वर्ग क्लासिफायर। प्रत्येक श्रेणी के लिए उत्साह का भार परिणामों में स्पष्ट रूप से उभरकर आता है, जिसमें अनुमोदन, सहमति और संवेदनशीलता सबसे आसानी से पहचानी जा सकती हैं (और सबसे अधिक प्रतिनिधित्व किया जा सकता है), और माफी सबसे कठिन मूल्यांकन है, शायद क्योंकि इसमें व्यंग्य की संभावना शामिल है।

RoBERTa मॉडल ने तीन मूल्यांकन तरीकों में से प्रत्येक में सबसे उच्च परीक्षण औसत रैंकिंग उत्पन्न की, जिसमें भावनात्मक प्रतिक्रिया भविष्यवाणी, प्रेरित भावना भविष्यवाणी और प्रेरित भावना भविष्यवाणी शामिल थी।

प्रतिक्रिया जीआईएफ से उपयोगकर्ता भावना को समझना

शोधकर्ताओं का观察 है कि प्रेरित भावना की पहचान एनएलपी-आधारित भावना और भावना विश्लेषण में सबसे चुनौतीपूर्ण कार्यों में से एक है, और प्रतिक्रिया जीआईएफ को एक प्रॉक्सी के रूप में उपयोग करने से बाद के परियोजनाओं के लिए बड़ी मात्रा में सस्ते, प्राकृतिक रूप से होने वाले, उच्च गुणवत्ता वाले भावनात्मक लेबल एकत्र करने की संभावना प्रदान करता है।

इसके बावजूद कि यह अध्ययन ट्विटर उपयोगकर्ता अनुभव में निहित जीआईएफ के एक बहुत ही विशिष्ट स्थान पर केंद्रित है, यह अध्ययन यह तर्क देता है कि यह विधि अन्य सोशल मीडिया प्लेटफ़ॉर्म, साथ ही इंस्टेंट मैसेजिंग प्लेटफ़ॉर्म के लिए सामान्यीकृत की जा सकती है, और संभावित रूप से भावना पहचान और बहुस्तरीय भावना पहचान जैसे क्षेत्रों में उपयोगी हो सकती है।

लोकप्रियता एक मुख्य सूचकांक के रूप में

यह दृष्टिकोण लगता है कि यह एक निश्चित ‘वायरल’ पर निर्भर करता है जो प्रत्येक जीआईएफ के लिए होता है, जैसे कि जब एक जीआईएफ वास्तव में ट्विटर के अपने तंत्र के माध्यम से उपलब्ध कराया जाता है। संभवतः, नए उपयोगकर्ता-निर्मित जीआईएफ इस इकोसिस्टम में प्रवेश नहीं कर सकते हैं, सिवाय इसके कि वे एक मीम के रूप में लोकप्रियता और अपनाने में वृद्धि के माध्यम से।

प्रतिक्रिया जीआईएफ ने पुनरुद्धार किया है 1987 के प्राचीन एनिमेटेड जीआईएफ प्रारूप का उपयोग पिछले दस वर्षों में इंटरनेट वी 1 प्री-ब्रॉडबैंड युग में बैंडविड्थ हॉग (मुख्य रूप से परेशान करने वाले बैनर विज्ञापनों के लिए उपयोग किया जाता है) के रूप में वर्षों के अपमान के बाद।