感情を考慮したtwitter自動応答システムの提案 · 仕事でミスして...
TRANSCRIPT
背景
大丈夫?
どんまい
何かあったの?
こっちだってそれどころじゃないわ
ため息ついたら幸せ逃げるよー
ふーん
仕事でミスしていっぱい怒られた..
仕事でミスしちゃった,上司怖かった・・・(´・ω・`)
ツイート
リプライ
どんまい
ツイートに対してコメントをもらうことで承認欲求を満たすユーザも多い
適切なタイミングで適切な応答を得ることが可能になれば,
ユーザはより快適にツイッターを利用できる
ストレス発散 や承認欲求を満た
という目的でツイートを投稿
現状
背景
それらの欲求が満たせない
ストレス発散 承認欲求を満たす
目的
ネガティブなツイートに対して
ユーザの感情を考慮した適切な応答をすることで
ネガティブな感情を緩和させよう!
ユーザ 応答システム
傘忘れた…
ツイート
明日はいいことあるよ!
応答
Twitter自動応答システムを提案
目的
ネガティブなツイートに対して
ユーザの感情を考慮した適切な応答をすることで
ユーザ 応答システム
傘忘れた…
ツイート
明日はいいことあるよ!
応答
Twitter自動応答システムを提案
ネガティブな感情の緩和
本研究では
『ネガティブに偏った感情値が平常時に戻る』と定義
平常時の感情ユーザの過去のツイートの感情値の平均を用いて算出
システムフロー
ツイート
ツイートの感情値を算出
感情値の差分が閾値を超える
no
応答なし
ネガティブの軸の決定
応答内容・キャラクターの表情の決定
応答
yes
ツイッターID入力
直近200ツイートを収集
各ツイートの感情値を算出
200ツイートの感情値の平均を算出
日本語評価極性辞書
プロファイル
ネガティブ感情語辞書
プロファイル作成部
応答生成部
感情値算出
p:ポジティブ
n:ネガティブ
e:ニュートラル
今日はいい天気で嬉しいe ep p
p = 2 , n = 0 , e = 2より
極性単語 極性 評価極性の基準
元気 p □である・になる(評価・感情)主観
悩み n □がある・高まる(存在・性質)
徹夜 e □する(行為)
日本語評価極性辞書[1]
・名詞編・用言編
マッチングした単語の数を極性毎にカウント
分母が0のときは感情値 = 0 とする 感情値 s =2−0
2+0+2=
1
2
(例)
感情値 si =𝑝 − 𝑛
𝑝 + 𝑛 + 𝑒
[1]小林のぞみ,乾健太郎,松本裕治,立石健二,福島俊一.
意見抽出のための評価表現の収集.自然言語処理,Vol.12, No.3, pp.203-222, 2005.
システムフロー 応答生成部
ツイート
ツイートの感情値を算出
感情値の差分が閾値を超える
no
応答なし
ネガティブの軸の決定
応答内容・キャラクターの表情の決定
応答
yes
ネガティブ感情語辞書
プロファイル
応答を決めるにあたって
本システムでは『同調』を基に応答内容を作成
応援する
叱咤激励する
なだめる頑張れ!!
お前はそんなもんじゃない!!
まぁまぁ
同調する
それはつらいね
『同調』によって承認欲求を満たす効果が
期待できる
応答するツイートが持つネガティブの感情軸を
決定
何に対して同調するかを知る必要がある
ネガティブの軸の決定
単語 厭 哀 恥 怒 怖
涙ながらだ 0.23 0.88 0.3 0.1 0
泣き崩れる 0.25 0.98 0.42 0 0.12
恋する 0 0 0.33 0 0
嫌らしい 0.87 0.72 0.25 0
真っ赤だ 0.34 0.21 0.76 0.68 0.3
腹立つ 0.23 0.11 0.43 0.97 0.64
ネガティブ感情語辞書
ツイート
ツイートとのマッチングにより各軸毎の感情値を算出
感情値が最大の軸を応答の軸とする
決定したネガティブの感情軸に従って応答を生成
応答の決定
めっちゃ腹立つわー!
爆発タイプ<怒>で検知
怒
めっちゃ / 腹立つ / わー / !
n
単語 厭 哀 恥 怒 怖
腹立つ 0.2 0 0.12 0.98 0.1
怒
それは腹立つなぁ
評価実験 目的
目的
本システムで決定する応答のタイミングが,ユーザにとって適切であるかどうかを検証するため
ツイートが持つ感情が本システムで抽出する感情と一致するかを検証するため
1.
2.
データセット 被験者
200ツイート×2ユーザ感情的な投稿をよく行う大学生
8名男子大学生
方法
1.
2.
評価実験 実験方法
全ツイートを見てもらい,応答してほしいか否かを判断
応答してほしいツイートに関しては,そのツイートの持つ感情を5段階で評価してもらう
応答が必要であると答えた被験者が3人以上のツイートを正解データとし,適合率と再現率を算出した.
評価実験 結果
ユーザ名 適合率 再現率 F値
ユーザ1 0.33333 0.42857 0.374997
ユーザ2 0.25641 0.37037 0.30303
ユーザ1,2ともにF値は0.3程度
評価実験 結果・考察
(例2)応答が不要なツイートに応答してしまった
だらだら飲みたい
@Abe_An4
春合宿風邪ひいて帰ってきた。。。
@toroni95 @ktktltsmtgrss
かわいそう
ネガティブな単語を含むがポジティブな使い方
ネガティブな単語を含むリプライ
適切なタイミングで応答が困難
評価実験 結果・考察
(例3)応答すべきツイートに応答しなかった
はぁぁぁやってしまった
3日間連続で電車乗り過ごしたなんでなん
せっかく行ったのに休診とか…
のどとれそうや
口語表現『はぁぁぁ』関西弁『なんでなん』などが含まれる
適切なタイミングで応答が困難
今後の課題
まとめと今後の課題
ネガティブなツイートに対して
ユーザの感情を考慮した適切な応答をすることで
ネガティブな感情を緩和させよう!
Twitter自動応答システムを提案
まとめ
精度向上のために・口語表現への対応・応答内容のバリエーションの向上
その他・蓄積タイプの検知と応答の研究
提案手法の優位性
システム 適合率 再現率 F値
提案手法 0.33333 0.42857 0.374997
比較手法 0.24 0.22222 0.230769
データ : ユーザ1のツイート200件
システム 適合率 再現率 F値
提案手法 0.25641 0.37037 0.30303
比較手法 0.09523 0.13333 0.11111
データ : ユーザ2のツイート200件
応答の検知の段階でP,N,Eを用いた感情値ではなく
感情語辞書を用いた感情値を使用し,応答のタイミングをはかる
実験結果