Tepki GIF’leri NLP’de Duygu Tanıma için Yeni Bir Anahtar Sunuyor

Tayvan’dan yapılan yeni bir araştırma, sosyal medya forumlarında ve dil araştırma veri setlerinde doğal dil işleme (NLP) için sentiment analizi gerçekleştirmek amacıyla animasyonlu GIF’leri kategorilere ayırma ve etiketleme yoluyla yeni bir yöntem sunuyor.

Araştırmacılar, Tayvan’daki National Tsing Hua Üniversitesi’nden Boaz Shmueli’nin liderliğinde, Twitter’ın yerleşik veri tabanındaki tepki GIF’lerini bir kullanıcının yanıtının duygusal durumunu nicelendirme için bir endeks olarak kullandılar, böylece çoklu dil yanıtlarıyla müzakere etme, sarkazm tespiti veya belirsiz veya aşırı kısa yanıtlardan temel duygusal sıcaklığı belirleme ihtiyacını ortadan kaldırdılar.

Twitter gönderisi oluştururken ‘GIF’ düğmesine tıklamak, düz metin dilinin potansiyel olarak belirsiz kullanımından daha kolay yorumlanabilen standart bir animasyonlu GIF kümesi sunar.

Makale, bu şekilde tepki GIF’lerinin kullanımını ‘NLP duygu veri setlerinde henüz mevcut olmayan yeni bir etiket türü’ olarak karakterize ediyor ve mevcut veri setlerinin ya boyutsal model ya da ayrılmış duygular modeli kullandığını ve bunlardan hiçbirinin bu tür bir içgörü sunmadığını belirtiyor.

Kullanıcı gönderisine animasyonlu GIF yanıtı. Twitter tarafından sağlanan GIF artık duygusal durum açısından kodlandığından, sentiment analizi açısından niyet belirsizliği几乎 ortadan kalkar. Kaynak: https://arxiv.org/pdf/2105.09967.pdf

Araştırmacılar, 30.000 alaycı tweet içeren GIF tepkileri içeren bir veri seti yayınladılar. Bu yaklaşım, NLP’ye diğer mevcut literatürden farklı olarak algılanan duygu (metinden tanımlanan duygular) ile indüklenen duygu (metne tepki olarak okuyucu tarafından deneyimlenen duygu) arasında ayrım yapma yöntemi sunuyor.

Tepki GIF’leri Azaltıcı Göstergeler Olarak

Bir posta paylaşılan rahatsız edici duygusal durumu destekleyici bir yanıttaki uygun bir GIF, metin olmadan paylaşıldığında (ve bu tür GIF yanıtları çalışmada yoğunlaşıldı) niyet açısından faydalı bir şekilde indirgeyici ve belirsizliktir.

Örneğin, ‘Bu çok brutaldır’, ‘Bu çok yazık’ veya ‘Awww’ gibi tepkiler, belirli bir ‘klinik’ ve etkisiz bakış açısı olasılığından sarkazm olasılığına kadar niyet belirsizlikleri içerebilir; ancak Twitter’ın yüzlerce ‘kucaklama’ kategorisindeki GIF’lerden birinin paylaşılması daha az yorumlama alanı bırakır:

Tepki GIF’lerinin Alt Anlamlarına İniş

Ancak, ‘kucaklama’ gibi tek bir tepki kategorisi içinde, romantik veya ailevi varsayımlar arasındaki ilişki açısından birden fazla etkilenme durumu, multiple cinsiyet betimlemeleri ve diğer faktörleri içeren birden fazla türde duygusal durum göstergeleri vardır.

Twitter’ın mevcut ‘kucaklama’ GIF kategorisindeki çeşitli ilişki türleri. Çeşitli türler, kalıplar, cinsiyet betimlemeleri ve diğer faktörlerin kullanımı, bu sentiment için bir GIF seçiminin potansiyel yorumlanabilirliğini artırır.

TepkiGIF veri seti, Twitter’daki her available tepki kategorisinin ilk 100 GIF’inden türetilmiştir, bu da 4300 animasyonlu görüntü veritabanına yol açmıştır. Bir GIF birden fazla kategoride görünürse, GUI’de daha yüksek yerleştirilen kategori daha yüksek ağırlıklıdır. Birden fazla kategoride görünen GIF’ler tepki benzerliği faktörüne atanır – bu çalışma için icat edilen bir ölçüt.

Akrabalıklar, hiyerarşik kümeleme ve ortalama bağlantı kullanılarak keşfedilir.

Tepki GIF Verilerini Artırma

Veri seti, 30.000 tweet karşıtı tepkileri kullanarak oluşturuldu ve etiketlendi. Bir tepki kategorisinin ‘zengin duygusal sinyali’, araştırmacılara pozitif ve negatif tepki kategorisi kümelerine dayalı olarak ek duygusal etiketler eklemelerine ve üç insan değerlendiricisinin örnek tweet’lerdeki çoğunluk görüşüne dayalı özel tepkilerden duygulara bir eşleme şeması kullanarak duygu etiketleri eklemelerine olanak tanıdı.

Önceki çalışma, Yahoo ve Rochester Üniversitesi’nden, GIF’lerin anotasyonunu ele alır, ancak bu katmanın çıkarılan metni içermez ve yalnızca semantiktir.

Araştırmacılar, veri setini dört yaklaşım üzerinden değerlendirdi: RoBERTa, Konvolüsyonel Sinir Ağı (CNN) GloVe, lojistik regresyon sınıflandırıcı ve basit bir çoğunluk sınıfı sınıflandırıcı. Her kategorinin inandırıcılık ağırlığı sonuçlarda net bir şekilde ortaya çıkıyor; onay, anlaşma ve taziye en kolay tanımlanabilen (ve en çok temsil edilen) duygulardır ve özür en zor değerlendirilen duygu, belki de sarkazm olasılığı nedeniyle.

RoBERTa modeli, üç değerlendirme yönteminin tümü boyunca en yüksek test edilmiş ortalama sıralamayı üretti; bunlar Duygusal Tepki Tahmini, İndüklenen Sentiment Tahmini ve İndüklenen Duygu Tahminini içeriyordu.

Kullanıcı Duygusunu Tepki GIF’lerinden Elde Etme

Araştırmacılar, indüklenen duygunun tanımlanmasının NLP tabanlı sentiment ve duygu analizindeki en zor görevlerden biri olduğunu ve tepki GIF’lerini bir vekil olarak kullanmanın, gelecekteki projelerin ‘büyük miktarda, ucuz, doğal olarak oluşan, yüksek kaliteli duygusal etiketler’ toplama olanağı sunduğunu gözlemliyorlar.

Twitter kullanıcı deneyimi içine gömülü rất específik bir GIF odağına odaklanmasına rağmen, çalışma bu yöntemin diğer sosyal medya platformlarına, anlık mesajlaşma platformlarına ve duygu tanıma ve çok modlu duygu algılama gibi sektörlere de genelleştirilebileceğini iddia ediyor.

Popülerlik Anahtar Bir İndeks Olarak

Yaklaşım, her GIF’in bir tür ‘virality’ ye dayanıyormuş gibi görünüyor; örneğin, bir GIF Twitter’ın kendi mekanizmaları aracılığıyla gerçekten mevcutsa. Yeni kullanıcı tarafından oluşturulan GIF’ler, bu ekosisteme yalnızca artan popülerlik ve benimseme yoluyla bir mimi olarak girebilirler.

Tepki GIF’leri, son on yılda canlandırdı 1987’nin ilkel animasyonlu GIF formatının kullanımını, geniş bant öncesi İnternet V1 döneminde (çoğunlukla sinir bozucu banner reklamlar için kullanıldığından) bant genişliği hırsızı olarak kötü şöhretten sonra.