Tepkisel GIF’ler NLP’de Duygu Tanıma için Yeni Bir Anahtar Sunuyor

Tayvan’dan yapılan yeni bir araştırmada, sosyal medya forumlarında ve dil araştırma veri setlerinde doğal dil işleme (NLP) için sentiment analizi gerçekleştirmek amacıyla bir yöntem önerilmektedir – paylaşılan metinlere verilen tepkisel GIF’leri kategorize ederek ve etiketleyerek.

Araştırmayı yürüten Ulusal Tsing Hua Üniversitesi’nden Boaz Shmueli, Twitter’ın内建 veri tabanındaki tepkisel GIF’leri bir kullanıcının tepkisinin duygusal durumunu ölçmek için bir endeks olarak kullanmıştır. Bu, çoklu dil tepkilerini müzakere etme, sarkazm tespiti veya belirsiz ya da çok kısa tepkilerden temel duygusal sıcaklığı belirleme zorluğunu bertaraf etmektedir.

Twitter gönderisi oluştururken ‘GIF’ düğmesine tıklayarak, NLP için daha kolay yorumlanabilecek etiketli animasyonlu GIF’ler sunulmaktadır.

Makale, bu tür tepkisel GIF’lerin kullanımını ‘NLP duygu veri setlerinde henüz mevcut olmayan yeni bir etiket türü’ olarak karakterize etmektedir. Mevcut veri setlerinin ya boyutsal duygu modeli ya da ayrılmış duygular modeli kullandığını, ancak bunlardan hiçbiri bu tür bir içgörü sunmadığını belirtmektedir.

Kullanıcı gönderisine verilen animasyonlu GIF tepkisi. Twitter tarafından sağlanan GIF, duygusal durum açısından kodlandığından, niyet belirsizliği neredeyse ortadan kalkmaktadır. Kaynak: https://arxiv.org/pdf/2105.09967.pdf

Araştırmacılar, 30.000 alaycı tweet içeren 30.000 GIF tepkisi veri setini yayınladılar. Bu yaklaşım, NLP’ye diğer mevcut literatürde bulunmayan bir ayrım sunmaktadır: algılanan duygu (metinden algılanan duygular) ile uyandırılan duygu (metne verilen tepki olarak deneyimlenen duygu) arasında ayrım yapma yöntemi.

Tepkisel GIF’ler Azaltıcı Göstergeler Olarak

Bir gönderiye verilen destekleyici tepki olarak, bir GIF uygun ve belirsizlikten uzak bir şekilde azaltıcıdır, özellikle de destekleyici metin olmadan paylaşıldığında (ve bu tür GIF tepkilerine araştırmacılar odaklanmıştır).

Örneğin, ‘Bu çok brutal, adam’, ‘Bu çok üzücü’ veya ‘Aww’ gibi tepkiler, certain bir ‘klinik’ ve etkisiz bakış açısı ile alaycılık olasılığı arasında belirsizlikler içerebilir; ancak Twitter’ın ‘kucaklama’ kategorisindeki yüzlerce GIF’ten birinin paylaşıldığında, yorum için daha az alan bırakmaktadır:

Bir GIF Tepkisinin Alt Anlamlarına Derinlemesine Bakmak

Ancak, bir tepki kategorisi içinde, örneğin ‘kucaklama’ kategorisinde, birçok ek duygusal durum veya bakış açısı göstergesi bulunmaktadır. Bunlar, romantik veya ailevi ilişki varsayımları gibi çeşitli ilişki türlerini içermektedir.

Twitter’ın ‘kucaklama’ GIF kategorisindeki çeşitli ilişki türleri. Farklı türler, üsluplar, cinsiyet betimlemeleri ve diğer faktörler, bir GIF seçiminin bu duygu için yorumlanabilirliğini artırmaktadır.

ReactionGIF veri seti, Twitter’daki heravailable tepki kategorisinin ilk 100 GIF’inden türetilmiştir, bu da 4300 animasyonlu görsel veritabanına yol açmıştır. Bir GIF birden fazla kategoride görünürse, GUI’deki daha yüksek konumlandırılan kategori daha yüksek ağırlığa sahiptir. Birden fazla kategoride görünen görsellere tepki benzerliği faktörü atanmıştır – bu çalışma için oluşturulmuş bir ölçüttür.

Affiniteler, hiyerarşik kümeleme ve ortalama bağlantıyla keşfedilmektedir.

Tepkisel GIF Verilerini Artırmak

Veri seti, 30.000 tweet kullanarak oluşturulmuştur. Bir tepki kategorisinin ‘zengin duygusal sinyali’, araştırmacılara veri setini pozitif ve negatif tepki kategorisi kümelerine dayalı ek duygusal etiketler ile zenginleştirmelerine ve üç insan değerlendirmecisinin çoğunluk kararına dayalı bir tepkilerden duygulara eşleme şemasıyla emotion etiketlerini eklemelerine olanak sağlamıştır.

Önceki çalışma, Yahoo ve Rochester Üniversitesi’nden, GIF’lerin anotasyonuna odaklanmaktadır, ancak bu çalışmada bulunan bu tür bir metin veya tepki kategorileri bulunmamaktadır, sadece anlamsaldır.

Araştırmacılar, veri setini dört farklı approach ile değerlendirmişlerdir: RoBERTa, Evrişimli Sinir Ağı (CNN) GloVe, lojistik regresyon sınıflandırıcı ve basit bir çoğunluk sınıfı sınıflandırıcı. Her kategorinin inancının ağırlığı sonuçlarda açıkça ortaya çıkmaktadır; onay, anlaşma ve başsağlığı en kolay tanımlanabilenlerdir (ve en çok temsil edilenlerdir), özür ise en zor değerlendirilenlerdir, belki de alaycılık olasılığı nedeniyle.

RoBERTa modeli, üç değerlendirme yönteminin tümünde en yüksek ortalama sıralamayı üretmiştir; bunlar Duygusal Tepki Tahmini, Uyandırılan Duygu Tahmini ve Duygusal Durum Tahminini içermektedir.

Kullanıcı Duygusunu Tepkisel GIF’lerden Anlamak

Araştırmacılar, uyandırılan duyguyu tanımlamanın NLP tabanlı sentiment ve duygu analizindeki en zor görevlerden biri olduğunu gözlemlemektedir ve tepkisel GIF’leri bir proxy olarak kullanmanın, gelecekte büyük miktarda, ucuz, doğal olarak oluşan, yüksek kaliteli duygusal etiketler toplama olanağı sunabileceğini belirtmektedir.

Twitter kullanıcı deneyimi içine gömülmüş çok özel bir GIF odağına odaklanmalarına rağmen, bu yöntemin diğer sosyal medya platformlarına, anlık mesajlaşma platformlarına ve potentially emotion recognition ve multimodal emotion detection gibi sektörlere genelleştirilebileceğini iddia etmektedirler.

Popülerlik Anahtar Bir İndeks Olarak

Bu yaklaşım, her GIF’in bir çeşit ‘virality’ye dayanmaktadır, örneğin Twitter’ın kendi mekanizmalarıyla sunulduğunda. Yeni kullanıcı tarafından oluşturulan GIF’ler, bu ecostructure’a yalnızca popülerlik ve benimsenme yoluyla girebilirler.

Tepkisel GIF’ler, son on yılda canlı 1987’nin ilkel animasyonlu GIF formatının kullanımını canlandırmıştır, bu previously years of disrepute olarak bilinmektedir (öncelikle rahatsız edici banner reklamları için kullanılmıştır) Internet V1 pre-broadband döneminde bir bant genişliği hırsızı olarak.