Document-level Sentiment Inference with Social, Faction, and Discourse Context

Eunsol Choi, Hannah Rashkin, Luke Zettlemoyer, Yejin Choi

UW-Seattle

Introduction

文档级别的感情推导。

Document-level Sentiment Model

给定一个文档$$d$$，和一系列已知的实体$$e_1,...,e_n$$。

使用了两个基本的模型：一个是pairwise sentiment classifier，一个是pattern-based faction extractor。ILP解决的目标是最大化：

$$F=\psi{social} + \psi{fact} + \sumi \sum_j \psi{ij}$$。

其中$$\psi{ij}$$是pairwise potentials。$$\psi{ij} = \phi{pos{ij}} \cdot pos{ij} + \phi{neg{ij}} \cdot neg{ij} + \phi{neu{ij}} \cdot neu_{ij}$$。

包含了情感分类器的结果$$(\phi{pos}, \phi{neg}, \phi{neu})$$，和binary变量$$pos{ij}, neu{ij}, neg{ij}$$。比如，$$neg_{ij}=1$$就表示i对j有负面态度。

Inference with factions

soft ILP限制$$\psi_{fact}$$是模拟一般互相支持的实体会对其他实体有类似的情感。公式定义：

$$\psi{fact} = \sum_i \sum_j ( \alpha{iteself} \cdot itself{ij} + \sum_k (\alpha{fact} \cdot ( tie_same{ijk} - tie_diff{ijk}) ) )$$

这个公式可以预测不明显的情感分析，通过联合考虑了事实和情感关系。

Inference with sentiment relations

根据Social balance theory，动态的情感分析是一个人际之间的网络。尤其是在平衡的状态下，在一个positive term中的实体会对其他实体有类似的观点，而在negative term中的实体就会有相反的观点。引入一系列变量来获取这类关系：

假设$$e_i$$对$$e_j$$是pos的：

• $$pos_same{ijk} = pos{ij} \bigwedge pos{ik} \bigwedge pos{jk} + neg{ij} \bigwedge neg{ik} \bigwedge neg_{jk}$$
• $$pos_diff{ijk} = pos{ij} \bigwedge neg{ik} \bigwedge pos{jk} + neg{ij} \bigwedge pos{ik} \bigwedge neg_{jk}$$

那么就有:

$$\psi{bl} = \sum_i \sum_j \sum_k ( \alpha{bl} \cdot (pos_same{ijk} + neg_diff{ijk} ) + \alpha{bad{bl}} \cdot (pos_diff{ijk} + neg_same{ijk}) )$$

最后将$$\psi{bl}$$加到$$\psi{social}$$上。

再考虑一个相互作用的限制：

$$ r_same{ij} = pos{ij} \bigwedge pos{ji} + neg{ij} \bigwedge neg{ji}\ r_diff{ij} = pos{ij} \bigwedge neg{ji} + neg{ij} \bigwedge pos{ji}\ \psir = \sum_i \sum_j \alpha_r(r_same{ij}) + \alpha{bad_r}(r_diff{ij})

$$

再把$$\psi{r}$$加到$$\psi{social}$$上。

Appendix

有一个很有意思的展示。