반응 GIF는 NLP에서 감정 인식을 위한 새로운 열쇠를 제공합니다

대만의 새로운 연구는 소셜 미디어 포럼과 언어 연구 데이터셋에서 감정 분석을 수행하는 자연어 처리(NLP)에서 감정 분석을 수행하기 위한 새로운 방법을 제공하고 있습니다. 이는 텍스트 발표에 대한 반응으로 게시된 애니메이션 GIF를 분류하고 레이블링하는 것입니다.

국립 清華 대학교의 Boaz Shmueli가 이끄는 연구진은 트위터의 내장된 반응 GIF 데이터베이스를 사용하여 사용자의 반응의 감정 상태를 양적으로 측정했습니다. 이는 다중 언어 응답을 처리하거나, 비꼬임을 감지하거나, 모호하거나 너무 짧은 응답에서 핵심 감정을 식별할 필요가 없습니다.

트위터 포스트를 작성할 때 ‘GIF’ 버튼을 클릭하면 레이블이 붙은 애니메이션 GIF가 표시됩니다. 이는 평문 언어보다 NLP가 해석하기 쉽습니다.

이 논문은 이러한 방식의 반응 GIF 사용을 ‘NLP 감정 데이터셋에서 아직 사용되지 않은 새로운 유형의 레이블’로 설명합니다. 또한 기존 데이터셋은 감정의 차원 모델 또는 이산 감정 모델을 사용하지만, 이러한 모델은 이러한 종류의 통찰력을 제공하지 않는다고 지적합니다.

사용자 포스트에 대한 애니메이션 GIF 반응. 트위터에서 제공하는 GIF는 감정 상태를 코드화하여 의도 모호성을 제거합니다. 출처: https://arxiv.org/pdf/2105.09967.pdf

연구진은 30,000개의 비꼬임 트윗이 포함된 데이터셋을 공개했습니다. 이 접근법은 현재 문헌에서 부족한 구별을 제공합니다. 즉, 인식된 감정(텍스트에서 감지된 감정)과 유도된 감정(텍스트에 대한 반응으로 경험되는 감정)을 구별하는 방법입니다.

반응 GIF는 감정의 축소 지표

고통스러운 감정을 공유하는 포스트에 대한 지지적인 반응으로, 적절한 GIF는 의도에 모호성이 없으며 축소主义적입니다. 이러한 유형의 GIF 반응은 연구에서 집중했습니다.

예를 들어, ‘그것은 잔인하다, 남자’, ‘그것은 부끄럽다’, 또는 ‘아우’와 같은 반응은 의도에 모호성이 있을 수 있습니다. 그러나 트위터의 ‘허그’ 카테고리 GIF 중 하나를 게시하면 해석의 여지가 줄어듭니다.

GIF 반응의 하위 의미를 분석

그러나 단일 카테고리 내에서, 예를 들어 ‘허그’와 같은 경우, 여러 가지 추가적인 감정이나 관점의 지표가 포함되어 있습니다. 이는 원래 포스터와 응답자 간의 관계에 대한 낭만적 또는 가족적 가정을 포함하여 다양한 감정 상태를 포함합니다.

트위터에서 사용 가능한 ‘허그’ GIF 카테고리의 다양한 관계 유형. 장르, 트로프, 성별 묘사 및 기타 요소는 감정의 해석 가능성을 세분화합니다.

ReactionGIF 데이터셋은 트위터의 모든 사용 가능한 반응 카테고리에서 첫 100개의 GIF에서 파생되었습니다. 이는 4300개의 애니메이션 이미지 데이터베이스를 생성했습니다. 한 GIF가 여러 카테고리에 나타나면 GUI에서 더 높은 위치에 있는 카테고리가 더 높은 가중치를 받습니다. 여러 카테고리에 나타나는 이미지에는 반응 유사성 요인이 할당됩니다. 이는 연구를 위해 발명된 메트릭입니다.

유사성은 계층적 클러스터링과 평균 연결을 사용하여 발견됩니다.

반응 GIF 데이터增强

데이터셋은 30,000개의 트윗에 대해 생성되고 레이블이 지정되었습니다. 반응 카테고리의 ‘풍부한 감정 信号’를 사용하여 연구진은 데이터셋을 추가적인 감정 레이블로增强하고, 반응-감정 매핑 스키마를 사용하여 감정 레이블을 추가했습니다. 이는 세 명의 인간 평가자가 샘플 트윗에 대한 다수결 판단을 기반으로 합니다.

이전 연구, 예를 들어 Yahoo와 로체스터 대학교의 연구,는 GIF의 주석을 다룹니다. 그러나 이 연구는 이와 같은 텍스트를 포함하지 않으며, 반응 카테고리도 없습니다. 이는 순수하게 의미론적입니다.

연구진은 RoBERTa, CNN, GloVe, 로지스틱 회귀 분류기 및 단순 다수결 분류기를 사용하여 데이터셋을 평가했습니다. 각 카테고리의 확신의 무게는 결과에서 명확하게 나타납니다.赞同, 동의 및 위로가 가장 쉽게 식별되며, 사과는 가장 어려운 것으로 나타났습니다. 이는 비꼬임의 가능성을 포함하기 때문입니다.

RoBERTa 모델은 세 가지 평가 방법 모두에서最高의 평균 순위를 달성했습니다. 이는 감정 반응 예측, 유도된 감정 예측 및 유도된 감정 예측을 포함합니다.

사용자 감정의 추출

연구진은 유도된 감정을 식별하는 것이 NLP 기반 감정 및 감정 분석에서 가장 어려운 작업 중 하나라고 지적합니다. 반응 GIF를 대리자로 사용하면 향후 프로젝트에서 ‘大量의 저렴한, 자연스럽게 발생하는, 고품질의 감정 레이블’을 수집할 수 있는 가능성을 제공합니다.

이 연구는 트위터 사용자 경험에 내장된 GIF에만 집중했지만, 이 방법은 다른 소셜 미디어 플랫폼, 즉시 메시지 플랫폼 및 감정 인식 및 다중 모달 감정 감지와 같은 분야에서 유용할 수 있다고 주장합니다.

인기作为关键索引

이 접근법은 각 GIF의某种 ‘바이러스성’에 의존하는 것으로 보입니다. 즉, 트위터의 메커니즘을 통해 실제로 GIF가 제공되는 경우입니다. 새로운 사용자 생성 GIF는 인기와 메임으로의 채택을 통해이 생태계에 들어갈 수 없습니다.

반응 GIF는 지난 10년 동안 1987年的 원시 애니메이션 GIF 형식을 다시 사용하고 있습니다. 이는 이전의 초고속 인터넷 이전의 인터넷 V1 시대에 주로烦恼스러운 배너 광고를 위해 사용되었습니다.