異なるコミュニティにおいて誤解されやすい表現の感性的言語変換に関する研究

本年度は，提案した感性言語モデルの実装および評価，また，実際の応用を行った。まず，Twitterから感性キーワード（感情を表す語彙集合）に基づき収集したツイートテキストに対して，不要な語を取り除いたコーパス（Tweetコーパス）を作成し，このコーパスに対して単語分散表現を学習させた。この単語分散表現に対して，感情の表現に高く寄与していると思われる次元を，分散表現の重みベースおよび感情分類ニューラルネットワーク（予測モデル）ベースの2通りの手法を用いて抽出し，感情ベクトルを作成した。このベクトルを用いた類似語抽出による主観的な評価を行った。評価の際には，感情ベクトル間のコサイン類似度の上位単語を類義語として，その類似語と入力語との感性（感情）の差異及び類似性をもとに評価し，感性的意味の検討を行った。結果として，提案手法において抽出した感情ベクトルは，元の単語分散表現ベクトルよりも感情を表現する性能が高いことが分かった。さらに，感性言語モデルの作成と並行して，感情語や感情イディオムをBERTを蒸留してパラメータ数を少なくしたDistilBERTという言語モデルを用いて分散表現に変換し，200次元の意味ベクトル（Wikipediaベースの単語分散表現）と感情ベクトル（感情ラベル25次元（Neutral除く））を出力するDNN（深層ニューラルネットワーク）のモデルを構築し，中間層から抽出した特徴ベクトルを特徴量として用い，意味と感性を組み合わせた感情推定モデルを構築した。このモデルにより，感情ラベルをあらかじめ付与した日本語コーパス（Webコーパスと，対訳例文の和文を主に収集したコーパス）に対する感情推定実験を行い，意味特徴量と感性特徴量の組合せの有効性を確認した。

本年度は，提案した感性言語モデルの実装および評価，また，実際の応用を行った。まず，Twitterから感性キーワード（感情を表す語彙集合）に基づき収集したツイートテキストに対して，不要な語を取り除いたコーパス（Tweetコーパス）を作成し，このコーパスに対して単語分散表現を学習させた。この単語分散表現に対して，感情の表現に高く寄与していると思われる次元を，分散表現の重みベースおよび感情分類ニューラルネットワーク（予測モデル）ベースの2通りの手法を用いて抽出し，感情ベクトルを作成した。このベクトルを用いた類似語抽出による主観的な評価を行った。評価の際には，感情ベクトル間のコサイン類似度の上位単語を類義語として，その類似語と入力語との感性（感情）の差異及び類似性をもとに評価し，感性的意味の検討を行った。結果として，提案手法において抽出した感情ベクトルは，元の単語分散表現ベクトルよりも感情を表現する性能が高いことが分かった。さらに，感性言語モデルの作成と並行して，感情語や感情イディオムをBERTを蒸留してパラメータ数を少なくしたDistilBERTという言語モデルを用いて分散表現に変換し，200次元の意味ベクトル（Wikipediaベースの単語分散表現）と感情ベクトル（感情ラベル25次元（Neutral除く））を出力するDNN（深層ニューラルネットワーク）のモデルを構築し，中間層から抽出した特徴ベクトルを特徴量として用い，意味と感性を組み合わせた感情推定モデルを構築した。このモデルにより，感情ラベルをあらかじめ付与した日本語コーパス（Webコーパスと，対訳例文の和文を主に収集したコーパス）に対する感情推定実験を行い，意味特徴量と感性特徴量の組合せの有効性を確認した。