复杂情感叙事中词嵌入潜在情感的解纠缠
计算与语言
2019-08-22 v1 信息检索
机器学习
摘要
GloVe等词嵌入模型在自然语言处理（NLP）研究中被广泛用于将词转换为向量。在此，我们提供一个初步指南，通过GloVe词向量探查文本中的潜在情感。首先，我们训练了一个神经网络模型，以Stanford Emotional Narratives Dataset（SEND）的语言学输入来预测连续情感效价评分。在解释模型中的权重后，我们发现只有词向量的少数维度有助于表达文本中的情感，并且词根据其情感极性进行了聚类。此外，我们执行了线性变换，将高维嵌入向量投影到情感空间中。基于NRC Emotion Lexicon（EmoLex），我们使用投影和原始GloVe词向量可视化了词典中情感的交织。我们表明，在所提出的情感空间中，我们比单独使用原始GloVe向量能够更好地解纠缠情感。此外，我们发现不同情感词对的和向量成功捕捉了EmoLex中表达的人类感受。例如，表达Joy和Trust（表达Love）的两个嵌入词向量的和与表达Optimism的嵌入向量共享高相似性（相似度分数0.62）。相反，该和向量与表达Remorse的嵌入向量不相似（相似度分数-0.19）。在本文中，我们认为通过所提出的情感空间，情感的算术运算在词向量中得以保持。在情感向量空间中揭示的情感表示可为如何帮助机器解纠缠词嵌入中表达的情感提供一些启示。
引用
@article{arxiv.1908.07817,
title = {Disentangling Latent Emotions of Word Embeddings on Complex Emotional Narratives},
author = {Zhengxuan Wu and Yueyi Jiang},
journal= {arXiv preprint arXiv:1908.07817},
year = {2019}
}
备注
9 pages, submitted and accepted by NLP conference 2019