利用协同过滤从稀疏评分中恢复个体情绪状态
信息检索
2022-10-06 v2
摘要
情绪研究中的一个基本挑战是以高粒度和时间精度测量感受状态，同时不干扰情绪生成过程。在此我们引入并验证了一种新方法，该方法对响应进行稀疏采样，并使用称为协同过滤（collaborative filtering, CF）的计算技术恢复缺失数据。该方法利用个体经验间结构化的协变关系，可在开源 Python 工具箱 Neighbors 中使用。我们通过三个不同实验情境验证该方法，仅使用原始数据的一小部分即可恢复密集的个体评分。在数据集 1 中，参与者（n=316）对 112 张情绪图像分别在 6 种不同离散情绪上评分。在数据集 2 中，参与者（n=203）观看 8 个简短且情绪投入的自传体故事，同时对其情感体验强度提供时刻到时刻的评分。在数据集 3 中，具有不同社会偏好的参与者（n=60）就在隐藏乘数信任博弈中返还多少金钱做出 76 个决策。在所有实验情境中，CF 均能准确恢复缺失数据，且重要的是优于均值插补，尤其在个体变异性更大的情境中。该方法将通过使研究者能以对情绪生成过程最小干扰获取来自情绪体验的高维评分，为情感科学研究开辟新途径。
引用
@article{arxiv.2109.06906,
title = {Recovering individual emotional states from sparse ratings using collaborative filtering},
author = {Eshin Jolly and Max Farrens and Nathan Greenstein and Hedwig Eisenbarth and Marianne Reddan and Eric Andrews and Tor D. Wager and Luke J. Chang},
journal= {arXiv preprint arXiv:2109.06906},
year = {2022}
}
备注
21 pages, 8 figures