5
правок
Изменения
Нет описания правки
<b>Извлечение эмоций</b> (англ. Emotion Analysis) {{---}} это исследование человеческих эмоций, который которое пытается идентифицировать правильные эмоции из контекста и проанализировать их согласно предопределенным классовым моделям эмоций. Часто вместе с эмоциями извлекается настрой (англ. Sentiment analysis) для определения отношения человека к той или иной теме. Источником данных могут служить речь, текст, видео или изображение человека. Данные методы можно применить ко многим аспектам нашей жизни, например, оценивание отзывов людей о товарах или услугах для улучшения бизнес-стратегий или отслеживании реакции на события с целью анализа настроя общества и его отношения.
Множество усилий сейчас направлено на создание алгоритмов извлечения эмоций из текста, так как, хотя это является достаточно трудоемкой задачей по сравнению с остальными, но многие люди предпочитают делиться своим мнением и отношениям к событиям или явлениям в виде текстовых сообщений: статусов, постов, комментариев, что позволяет охватывать больше данных.
<h3>Эмоциональные модели</h3>
Эмоциональная модель {{---}} структурированная форма или способ определения множества человеческих эмоций согласно некоторым баллам, рангам или измерениям. Бывают категориальными или пространственными. Категориальная модель (англ. categorical) {{---}} определяет список категорий эмоций, которые отделены друг от друга. Пространственная модель (англ. Dimensional) {{---}} определяет некоторое количество измерений с несколькими параметрами и идентифицирует эмоцию по значениям этих измерениямизмерений.
{| class="wikitable"
<h3>Эмоции и текст</h3>
Эмоциональные модели используются для обработки речи или видео/картинок. Извлечение эмоций из текста, как уже было замечено, является более трудной задачей, а потому требует других подходов. Эта задача является очень популярной в мире, многие ученые создают свои [[Извлечение эмоций#Описание некоторых работ по извлечению эмоций|решения. Эти решения позволяют распознавать такие эмоции, как: злость, счастье, грусть, страх, насилие, забывчивость, вина, обвинение, радость, надежда, безнадежность, любовь, гордость, благодорность, наслаждение, удивление, волнение, ожидание, ненависть, скорбь, отвращение, спокойствие, вдохновение, ностальгия, одиночество, страсть, влюбленность, проникновенность, расслабленность, тоска, безэмоциональная передача информации, приказной тон текста]].
<h2>Подходы к извлечению эмоций из текста</h2>
! style="font-weight:bold;" | Недостатки
|-
| Ядоллахи и другие (Yadollahi et al., 2017)<ref>Ali Yadollahi, Ameneh Gholipour Shahraki, and Osmar R. Zaiane. Current State of Text Sentiment Analysis from Opinion to Emotion Mining. ACM Computing Surveys (CSUR), 50(2):25:1-25:33, 2017.</ref>
| Исследование
| -
| -
|-
| Бинали и другие (Binali et al., 2010)<ref>Haji Binali, Chen Wu, and Vidyasagar Potdar. Computational Approaches for Emotion Detection in Text. Digital Ecosystems and Technologies (DEST), 2010 4th IEEE International Conference on, pages 172-177, 2010.</ref>
| Исследование и предложение подхода
| Комбинация методов, основанных на ключевых словах и обучении
| -
|-
| Каналес и другие (Canales et al., 2014)<ref>Lea Canales, and Patricio Martinez-Barco. Emotion Detection from Text: A Survey. Processing in the 5th Information Systems Research Working Days (JISIC 2014), pages 37-43, 2014.</ref>
| Исследование
| -
| Предложено новое направление в глубоком анализе, но не объяснено в деталях
|-
| Чопаде и другие (Chopade at al., 2015)<ref>Chetan R. Chopade. Text Based Emotion Recognition: A Survey. International Journal of Science and Research (IJSR), 4(6):409-414, 2015.</ref>
| Исследование
| -
| -
|-
| Трипати и другие (Tripathi et al., 2016)<ref>Vaibhav Tripathi, Aditya Joshi, and Pushpak Bhattacharyya. Emotion Analysis from Text: A Survey. http://www.cfilt.iitb.ac.in/resources/surveys/emotion-analysissurvey-2016-vaibhav.pdf.</ref>
| Исследование
| -
| -
|-
| Као и другие (Kao et al., 2009)<ref>Edward Chao-Chun Kao, Chun-Chieh Liu, Ting-Hao Yang, Chang-Tai Hsieh, and Von-Wun Soo. Towards Text-Based Emotion Detection a Survey and Possible Improvements. Information Management and Engineering, 2009. ICIME’09. International Conference on, IEEE, pages 70-74, 2009.</ref>
| Исследование и предложение подхода
| Метод логического обоснования
| Предложенный метод не был реализован
|-
| Шивхаре и другие (Shivhare et al., 2012)<ref>Shiv Naresh Shivhare, and Saritha Khethawat. Emotion Detection from Text. 2012.</ref>
| Исследование и предложение подхода
| Алгоритм детектора эмоций, основанный на эмоциональной онтологии
| Предложенный метод не был реализован
|-
| Гупта и другие (Gupta et al., 2017)<ref>Umang Gupta, Ankush Chatterjee, Radhakrishnan Srikanth, and Puneet Agrawal. A Sentiment-and-Semantics-Based Approach for Emotion Detection in Textual Conversations. Neu-IR: Workshop on Neural Information Retrieval, SIGIR 2017, ACM, arXiv preprint arXiv:1707.06996., 2017.</ref>
| Новый подход
| Модель глубого обучения, основанная на [[Долгая краткосрочная память|LSTM]]
| Невозможность учитывания контекста
|-
| Десмет и другие (Desmet et al., 2013)<ref>Bart Desmet, and VeRonique Hoste. Emotion Detection in Suicide Notes. Expert Systems with Applications, 40(16):6351-6358, 2013.</ref>
| Новый подход
| Обработка естественного языка и анализ настроения
| [[Метод опорных векторов (SVM)|Метод опорных векторов]]
| Насилие, гнев, обвинение, страх, прощение, вина, счастье, оптимизм, безнадежность, сообщение инофрмации, инструкции, любовь, гордость, скорбь, благодарность
| Использование машинного обучения для распознавания эмоций в записках самоубийц; использование семантических и лексических элементов таких как [[Векторное представление слов#word2vec|"сумка мешок слов"]], маркирование частями речи и триграм
| Недостаточно данных; невозможно определить редкие эмоции; не содержит отрицаний
|-
| Дини и другие (Dini et al., 2016)<ref>Luca Dini, and Andre Bittar. Emotion Analysis on Twitter: The Hidden Challenge. Language Resources and Evaluation Conference (LREC), 2016.</ref>
| Новый подход
| Символьный подход и машинное обучение
| Проверка качества нуждается в двух новых корпусах
|-
| Мохаммад и другие (Mohammad et al., 2017)<ref>Saif M. Mohammad, and Felipe Bravo-Marquez. Emotion Intensities in Tweets. Proceedings of the Sixth Joint Conference on Lexical and Computational Semantics (*Sem), 2017.</ref>
| Новый подход
| Лучшее худшее масштабирование (англ. Best Worst Scaling)
| Точность не проверена
|-
| Сумма и другие (Summa et al., 2016)<ref>Anja Summa, Bernd Resch, Geoinformatics-Z. GIS, and Michael Strube. Microblog Emotion Classification by Computing Similarity in Text, Time, and Space. Proceedings of the Workshop on Computational Modeling of People’s Opinions, Personality, and Emotions in Social Media, pages 153-162, 2016.</ref>
| Новый подход
| Междисциплинарный подход
| Точность не высока; выбор парметров случаен
|-
| Сен и другие (Sen et al., 2017)<ref>Anirban Sen, Manjira Sinha, Sandya Mannarswamy, and Shourya Roy. Multi-Task Representation Learning for Enhanced Emotion Categorization in Short Text. PacificAsia Conference on Knowledge Discovery and Data Mining, Springer, Cham, pages 324-336, 2017.</ref>
| Новый подход
| Совместно обучаемая модель для эмоций и настроения
| -
|-
| Джейн и другие (Jain et al., 2017)<ref>Vinay Kumar Jain, Shishir Kumar, and Steven Lawrence Fernandes. Extraction of Emotions from Multilingual Text using Intelligent Text Processing and Computational Linguistics. Journal of Computational Science, 2017.</ref>
| Исследование и предложение подхода
| Машинное обучение (метод опорных веторов, наивный байесовский классификатор)
| Предложенный фреймворк фокусируется только на темах, связанных с политикой, здоровьем или спортом
|-
| Канг и другие (Kang et al., 2017)<ref>Xin Kang, Fuji Ren, and Yunong Wu. Exploring Latent Semantic Information for Textual Emotion Recognition in Blog Articles. IEEE/CAA Journal of Automatica Sinica, 2017.</ref>
| Новый подход
| Байесовская модель
Чаще всего под основной эмоциональной теорией понимают теори Экмана, которой соответствует [[Извлечение эмоций#Эмоциональные модели|модели]] Экмана.
<h2>Пример: извлечение эмоций из твитов</h2> В работе Саилуназа и Кашифиа<ref>Emotion and Sentiment Analysis from Twitter Text Sailunaz, Kashfia, 2018, https://prism.ucalgary.ca/bitstream/handle/1880/107533/ucalgary_2018_sailunaz_kashfia.pdf;jsessionid=92537BF3ACE14E77D0D02CB537FA8B74?sequence=1</ref></h2>, посвященной извлечению эмоций и настроения из твитов, в третьей главе подробно рассмотрены все шаги алгоритма извлечения эмоций.
Процесс извлечение эмоций из твитов приминительно к полу и местоположению человека, написавшего пост, состоит из нескольких последовательных шагов. Перед использованием твитов для распознования эмоций их следует предобработать. После этого нужна маркировка частями речи для выбора слов, на которых нужно фокусироваться в дальнейшем. Эмоциональный словарь требуется в соответствие с выбором выбором эмоционального класса модели. После распознования эмоциональных униграм, их следует классифицировать соответствующими эмоциональными классами.
<h3>Результаты</h3>
[[Файл:Emotionalnetwork.jpg|500px|thumb|right|Эмоциональная сеть. Источник: <ref>https://prism.ucalgary.ca/bitstream/handle/1880/107533/ucalgary_2018_sailunaz_kashfia.pdf;jsessionid=92537BF3ACE14E77D0D02CB537FA8B74?sequence=1</ref>]]
Каждый шаг метода был выполнен на языке R, с использованием различных пакетов для сетей, графов, матриц, обработки естественного языка, слов, частей речи и синонимов. Несколько матриц и кадров данных были использованы для промежуточных вычислений.
*[[Общие понятия#Типы задач|Классификация]]
*[[Классификация текстов и анализ тональности#Задачи анализа тональности текста|Задачи анализа тональности текста]]
*[[Дерево решений и случайный лес#Дерево решений|Дерево решений]]
*[[Байесовская классификация#Наивный байесовский классификатор|Наивный байесовский классификатор]]
*[[Метрический классификатор и метод ближайших соседей|Метод ближайших соседей]]
*[[Метод опорных векторов (SVM)|Метод опорных векторов]]
<h2>Примечания</h2>
<references/>
<h2>источники Источники информации</h2>
* https://prism.ucalgary.ca/bitstream/handle/1880/107533/ucalgary_2018_sailunaz_kashfia.pdf;jsessionid=92537BF3ACE14E77D0D02CB537FA8B74?sequence=1
