很可惜 T 。T 您現(xiàn)在還不是作者身份，不能自主發(fā)稿哦～
如有投稿需求，請把文章發(fā)送到郵箱tougao@appcpx.com，一經(jīng)錄用會有專人和您聯(lián)系
咨詢?nèi)绾纬蔀榇河鹱髡哒埪?lián)系：鳥哥筆記小羽毛（ngbjxym）
編輯：LRS
互聯(lián)網(wǎng)文化的興起，讓NLP研究員也是壓力山大，不光要搜集傳統(tǒng)的語料，新興的各種梗表達的微妙情緒也只能讓機器學(xué)習(xí)模型直呼看不懂。
情緒的表達在社交軟件上十分關(guān)鍵，影響著人們的交流方式和社交關(guān)系的塑造，在語言方面尤其如此，只要幾個詞就能表達各種各樣的微妙和復(fù)雜的情感。
因此，使機器能夠理解上下文和情感一直是研究界的一個長期目標(biāo)，這反過來又將支持各種應(yīng)用，包括情感聊天機器人、檢測負面情緒的網(wǎng)絡(luò)行為模型以及改善消費者的互動反饋。
在過去的十年里，NLP 研究界已經(jīng)為基于語言的情感分類提供了一些數(shù)據(jù)，大多數(shù)都是人工標(biāo)注的，涵蓋了多個目標(biāo)領(lǐng)域，如新聞標(biāo)題、電影字幕、甚至童話故事，但規(guī)模往往相對較小，或者只關(guān)注于1992 年提出的六種基本情緒：憤怒（anger）、驚訝（surprise）、沮喪（disgust）、快樂（joy）、恐懼（fear）和悲傷（sadness）。
雖然這些情緒數(shù)據(jù)能夠?qū)η榫w進行初步、粗糙的分類，但這些數(shù)據(jù)集在建立時也強調(diào)需要在更廣泛的情緒集上建立一個大規(guī)模的數(shù)據(jù)集，以在更廣泛范圍促進未來潛在應(yīng)用。
Google 最近就帶來了一個全新的情緒數(shù)據(jù)集GoEmotion，包含了58000個人工標(biāo)注的Reddit 評論，并且將情緒分為28個類別。作為迄今為止標(biāo)注最詳細的英語情感數(shù)據(jù)集，Google從心理學(xué)和數(shù)據(jù)適用性上設(shè)計了一個GoEmotion情感分類法。
和只有一種積極情緒（joy）的六種基本情緒相比，新的分類包括12種積極情緒、11種消極情緒、4種模棱兩可的情緒類別和1種中立情緒，能夠廣泛適用于需要微妙區(qū)分情緒表達的對話理解任務(wù)。
數(shù)據(jù)集的初衷是建立一個以對話數(shù)據(jù)為重點的大型數(shù)據(jù)集，其中情感是交流的關(guān)鍵組成部分。由于Reddit平臺提供了大量公開的內(nèi)容，包括用戶與用戶之間的直接對話，因此它也成為了情緒分析的絕佳場景和資源。
為了建立具有廣泛代表性的情感模型，研究人員采用了數(shù)據(jù)修復(fù)措施以確保數(shù)據(jù)集沒有改變通用性、情感特定性和語言偏見。
這一點尤其重要，因為Reddit的平臺也具有用戶群體的偏差，年輕的男性使用者居多，其中的評論也無法反映全球不同的人口的情緒表達。
并且Reddit 還有一些攻擊性的語言，為了解決這些問題，需要使用預(yù)先定義的攻擊性、少兒不宜、粗俗內(nèi)容以及宗教的術(shù)語來識別和過濾劣質(zhì)評論。
除此之外，Google還對數(shù)據(jù)進行了額外的過濾，如限制文本長度，并對數(shù)據(jù)集中所表達的情感和感受進行平衡，防止過度某些情感占比過多。
GoEmotion分類法在設(shè)計的時候主要考慮同時最大化三個目標(biāo)：
1、最大限度地涵蓋Reddit數(shù)據(jù)中表達的情緒；
2、提供覆蓋最廣泛的情緒表達類型；
3、限制情緒類別的總體數(shù)量，并且不能互相重疊。
這種分類法能夠有效地理解數(shù)據(jù)驅(qū)動的精細情緒，同時也解決了某些情緒的潛在數(shù)據(jù)稀疏性。
建立整個分類體系是迭代過程，包含定義和細化情緒標(biāo)簽。在數(shù)據(jù)標(biāo)記階段，研究人員實際總共考慮了56種情緒類別。從這些樣本中，消除了那些被標(biāo)注人員（rater）選擇得很少、與其他情緒相似并且相互作用程度較低的情緒、難以從文本中檢測到的情緒。
并且還額外增加了rater在數(shù)據(jù)標(biāo)注過程中建議新增的情緒，這些情緒能夠很好地描述在評論數(shù)據(jù)中的情緒。
最后，研究人員對情感類別名稱進行了細化，以最大限度地提高可解釋性和相互關(guān)聯(lián)的一致性，在標(biāo)簽的設(shè)置上，94%的樣本需要至少有兩個rater 同意至少一個情感標(biāo)簽。
在實驗過程中可以發(fā)現(xiàn)，GoEmotion 的分類方法產(chǎn)生的情緒在數(shù)據(jù)中的分布并不是均勻的。正向情緒的出現(xiàn)頻率更高，這也讓研究人員意識到僅有六個基礎(chǔ)情緒類別是遠遠不夠的。
為了驗證分類的選擇是否與數(shù)據(jù)相匹配，研究人員進行了主保留成分分析（principal preserved component analysis, PPCA），這是一種通過提取情感判斷的線性組合來比較兩個數(shù)據(jù)集的方法，在兩組rater 之間顯示出最高的聯(lián)合可變性（joint variability）。它有助于發(fā)現(xiàn)rater 之間的情感維度是否高度一致。PPCA常被用來理解視頻和語音中情感識別的主要維度，也可以用它來理解文本中情感的主要維度。
通過實驗可以發(fā)現(xiàn)每個成分都是顯著的（所有維度的p值<1.5e-6），表明每個情緒都捕捉到數(shù)據(jù)的獨特部分。這可以說是一個巨大的提升，因為在以前的語言情感識別工作中，30個維度中大約只有12個維度被認為是有意義的。
研究人員還根據(jù)rater 的情緒判斷之間的相關(guān)性來研究定義情緒的聚類。采用這種方法，當(dāng)兩種情緒經(jīng)常被rater 共同選擇時，這兩種情緒可以被聚類在一起。
研究結(jié)果發(fā)現(xiàn)，盡管GoEmotion 分類法中沒有預(yù)先定義情感（sentiment）的概念，但在情感（消極、積極和模棱兩可）方面相關(guān)的情緒能夠聚合在一起，表明了rater 的數(shù)據(jù)標(biāo)注質(zhì)量很高，和數(shù)據(jù)標(biāo)注的一致性。
例如，如果一個rater 選擇給一個評論的標(biāo)簽是興奮（excited），那么另一個rater 也更有可能選擇一種相關(guān)的情緒，比如快樂（joy），而不是說選擇恐懼（fear）。
一個比較意外的情況是所有模棱兩可的情緒都能夠聚集在一起，并且它們與積極的情緒更緊密地結(jié)合在一起。
同樣地，在強度上相關(guān)的情緒，如joy和excitment、nervousness和fear、sadness和grief、annoyance和anger，也密切相關(guān)。
雖然GoEmotions提供了一組人類注釋的情感數(shù)據(jù)，但也存在一些額外的情感數(shù)據(jù)沒有包含在內(nèi)，其他數(shù)據(jù)集一般使用啟發(fā)式的方法來自動標(biāo)記弱類型的情緒。
主流的啟發(fā)式方法使用與情緒相關(guān)的Twitter標(biāo)簽作為情緒類別，無需人工參與就可以生成大量數(shù)據(jù)。但這種方法也受到多種限制：
1、Twitter上使用的語言與許多其他語言領(lǐng)域明顯不同，從而限制了數(shù)據(jù)的適用性；
2、標(biāo)簽是人類產(chǎn)生的，直接使用時容易重復(fù)、重疊和其他分類不一致；
3、這種Twitter方法的特殊性限制了它在其他語言群體中的應(yīng)用。
GoEmotion 提供了一種替代的、更容易使用的啟發(fā)式方法，將Emoji嵌入到用戶對話中，作為情感類別的代理（proxy）。這種方法可以應(yīng)用于任何包含合理的Emoji的對話中，因為Emoji比Twitter標(biāo)簽更標(biāo)準(zhǔn)化，更少稀疏，所以它們的不一致性更少。
需要注意的是兩種方法，無論是使用Twitter標(biāo)簽還是emoj，都不是直接針對情感理解，而是針對對話的變體。
例如，在下面的對話中，雖然許多表情符號都與情緒相關(guān)的表達相關(guān)聯(lián)，但情緒是微妙的、多方面的，在許多情況下，沒有一個表情符號能夠真正捕捉情緒的全部復(fù)雜性。
此外，表情符號捕捉的是情緒以外的各種表情。由于這些原因，研究人員還是將它們看作是表情而不是情感。
這種類型的數(shù)據(jù)對于構(gòu)建表達性對話代理以及建議上下文表情都是有價值的，是未來工作的一個特別有趣的領(lǐng)域。
但不同人群對于emoj的理解也肯定存在偏差，一個典型的例子就是微信中的[微笑]表情。
總之，GoEmotions數(shù)據(jù)集為精細的情緒預(yù)測提供了一個大的、人工標(biāo)注的數(shù)據(jù)集，分析結(jié)果也證明了標(biāo)注的可靠性和Reddit評論中表達的情感的高覆蓋率。
參考資料：
https://ai.googleblog.com/2021/10/goemotions-dataset-for-fine-grained.html
-END-
本文為作者獨立觀點，不代表鳥哥筆記立場，未經(jīng)允許不得轉(zhuǎn)載。
《鳥哥筆記版權(quán)及免責(zé)申明》 如對文章、圖片、字體等版權(quán)有疑問，請點擊 反饋舉報
我們致力于提供一個高質(zhì)量內(nèi)容的交流平臺。為落實國家互聯(lián)網(wǎng)信息辦公室“依法管網(wǎng)、依法辦網(wǎng)、依法上網(wǎng)”的要求，為完善跟帖評論自律管理，為了保護用戶創(chuàng)造的內(nèi)容、維護開放、真實、專業(yè)的平臺氛圍，我們團隊將依據(jù)本公約中的條款對注冊用戶和發(fā)布在本平臺的內(nèi)容進行管理。平臺鼓勵用戶創(chuàng)作、發(fā)布優(yōu)質(zhì)內(nèi)容，同時也將采取必要措施管理違法、侵權(quán)或有其他不良影響的網(wǎng)絡(luò)信息。
一、根據(jù)《網(wǎng)絡(luò)信息內(nèi)容生態(tài)治理規(guī)定》《中華人民共和國未成年人保護法》等法律法規(guī)，對以下違法、不良信息或存在危害的行為進行處理。
1. 違反法律法規(guī)的信息，主要表現(xiàn)為：
1)反對憲法所確定的基本原則；
2)危害國家安全，泄露國家秘密，顛覆國家政權(quán)，破壞國家統(tǒng)一，損害國家榮譽和利益；
3)侮辱、濫用英烈形象，歪曲、丑化、褻瀆、否定英雄烈士事跡和精神，以侮辱、誹謗或者其他方式侵害英雄烈士的姓名、肖像、名譽、榮譽；
4)宣揚恐怖主義、極端主義或者煽動實施恐怖活動、極端主義活動；
5)煽動民族仇恨、民族歧視，破壞民族團結(jié)；
6)破壞國家宗教政策，宣揚邪教和封建迷信；
7)散布謠言，擾亂社會秩序，破壞社會穩(wěn)定；
8)宣揚淫穢、色情、賭博、暴力、兇殺、恐怖或者教唆犯罪；
9)煽動非法集會、結(jié)社、游行、示威、聚眾擾亂社會秩序；
10)侮辱或者誹謗他人，侵害他人名譽、隱私和其他合法權(quán)益；
11)通過網(wǎng)絡(luò)以文字、圖片、音視頻等形式，對未成年人實施侮辱、誹謗、威脅或者惡意損害未成年人形象進行網(wǎng)絡(luò)欺凌的；
12)危害未成年人身心健康的；
13)含有法律、行政法規(guī)禁止的其他內(nèi)容；
2. 不友善：不尊重用戶及其所貢獻內(nèi)容的信息或行為。主要表現(xiàn)為：
1)輕蔑：貶低、輕視他人及其勞動成果；
2)誹謗：捏造、散布虛假事實，損害他人名譽；
3)嘲諷：以比喻、夸張、侮辱性的手法對他人或其行為進行揭露或描述，以此來激怒他人；
4)挑釁：以不友好的方式激怒他人，意圖使對方對自己的言論作出回應(yīng)，蓄意制造事端；
5)羞辱：貶低他人的能力、行為、生理或身份特征，讓對方難堪；
6)謾罵：以不文明的語言對他人進行負面評價；
7)歧視：煽動人群歧視、地域歧視等，針對他人的民族、種族、宗教、性取向、性別、年齡、地域、生理特征等身份或者歸類的攻擊；
8)威脅：許諾以不良的后果來迫使他人服從自己的意志；
3. 發(fā)布垃圾廣告信息：以推廣曝光為目的，發(fā)布影響用戶體驗、擾亂本網(wǎng)站秩序的內(nèi)容，或進行相關(guān)行為。主要表現(xiàn)為：
1)多次發(fā)布包含售賣產(chǎn)品、提供服務(wù)、宣傳推廣內(nèi)容的垃圾廣告。包括但不限于以下幾種形式：
2)單個帳號多次發(fā)布包含垃圾廣告的內(nèi)容；
3)多個廣告帳號互相配合發(fā)布、傳播包含垃圾廣告的內(nèi)容；
4)多次發(fā)布包含欺騙性外鏈的內(nèi)容，如未注明的淘寶客鏈接、跳轉(zhuǎn)網(wǎng)站等，誘騙用戶點擊鏈接
5)發(fā)布大量包含推廣鏈接、產(chǎn)品、品牌等內(nèi)容獲取搜索引擎中的不正當(dāng)曝光；
6)購買或出售帳號之間虛假地互動，發(fā)布干擾網(wǎng)站秩序的推廣內(nèi)容及相關(guān)交易。
7)發(fā)布包含欺騙性的惡意營銷內(nèi)容，如通過偽造經(jīng)歷、冒充他人等方式進行惡意營銷；
8)使用特殊符號、圖片等方式規(guī)避垃圾廣告內(nèi)容審核的廣告內(nèi)容。
4. 色情低俗信息，主要表現(xiàn)為：
1)包含自己或他人性經(jīng)驗的細節(jié)描述或露骨的感受描述；
2)涉及色情段子、兩性笑話的低俗內(nèi)容；
3)配圖、頭圖中包含庸俗或挑逗性圖片的內(nèi)容；
4)帶有性暗示、性挑逗等易使人產(chǎn)生性聯(lián)想；
5)展現(xiàn)血腥、驚悚、殘忍等致人身心不適；
6)炒作緋聞、丑聞、劣跡等；
7)宣揚低俗、庸俗、媚俗內(nèi)容。
5. 不實信息，主要表現(xiàn)為：
1)可能存在事實性錯誤或者造謠等內(nèi)容；
2)存在事實夸大、偽造虛假經(jīng)歷等誤導(dǎo)他人的內(nèi)容；
3)偽造身份、冒充他人，通過頭像、用戶名等個人信息暗示自己具有特定身份，或與特定機構(gòu)或個人存在關(guān)聯(lián)。
6. 傳播封建迷信，主要表現(xiàn)為：
1)找人算命、測字、占卜、解夢、化解厄運、使用迷信方式治?。?br /> 2)求推薦算命看相大師；
3)針對具體風(fēng)水等問題進行求助或咨詢；
4)問自己或他人的八字、六爻、星盤、手相、面相、五行缺失，包括通過占卜方法問婚姻、前程、運勢，東西寵物丟了能不能找回、取名改名等；
7. 文章標(biāo)題黨，主要表現(xiàn)為：
1)以各種夸張、獵奇、不合常理的表現(xiàn)手法等行為來誘導(dǎo)用戶；
2)內(nèi)容與標(biāo)題之間存在嚴重不實或者原意扭曲；
3)使用夸張標(biāo)題，內(nèi)容與標(biāo)題嚴重不符的。
8.「飯圈」亂象行為，主要表現(xiàn)為：
1)誘導(dǎo)未成年人應(yīng)援集資、高額消費、投票打榜
2)粉絲互撕謾罵、拉踩引戰(zhàn)、造謠攻擊、人肉搜索、侵犯隱私
3)鼓動「飯圈」粉絲攀比炫富、奢靡享樂等行為
4)以號召粉絲、雇用網(wǎng)絡(luò)水軍、「養(yǎng)號」形式刷量控評等行為
5)通過「蹭熱點」、制造話題等形式干擾輿論，影響傳播秩序
9. 其他危害行為或內(nèi)容，主要表現(xiàn)為：
1)可能引發(fā)未成年人模仿不安全行為和違反社會公德行為、誘導(dǎo)未成年人不良嗜好影響未成年人身心健康的；
2)不當(dāng)評述自然災(zāi)害、重大事故等災(zāi)難的；
3)美化、粉飾侵略戰(zhàn)爭行為的；
4)法律、行政法規(guī)禁止，或可能對網(wǎng)絡(luò)生態(tài)造成不良影響的其他內(nèi)容。
二、違規(guī)處罰
本網(wǎng)站通過主動發(fā)現(xiàn)和接受用戶舉報兩種方式收集違規(guī)行為信息。所有有意的降低內(nèi)容質(zhì)量、傷害平臺氛圍及欺凌未成年人或危害未成年人身心健康的行為都是不能容忍的。
當(dāng)一個用戶發(fā)布違規(guī)內(nèi)容時，本網(wǎng)站將依據(jù)相關(guān)用戶違規(guī)情節(jié)嚴重程度，對帳號進行禁言 1 天、7 天、15 天直至永久禁言或封停賬號的處罰。當(dāng)涉及欺凌未成年人、危害未成年人身心健康、通過作弊手段注冊、使用帳號，或者濫用多個帳號發(fā)布違規(guī)內(nèi)容時，本網(wǎng)站將加重處罰。
三、申訴
隨著平臺管理經(jīng)驗的不斷豐富，本網(wǎng)站出于維護本網(wǎng)站氛圍和秩序的目的，將不斷完善本公約。
如果本網(wǎng)站用戶對本網(wǎng)站基于本公約規(guī)定做出的處理有異議，可以通過「建議反饋」功能向本網(wǎng)站進行反饋。
(規(guī)則的最終解釋權(quán)歸屬本網(wǎng)站所有)