Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
Modeling Naive Psychology of Characters in Simp...
Search
Yuto Kamiwaki
January 29, 2019
Research
1
210
Modeling Naive Psychology of Characters in Simple Commonsense Stories
2019/01/30 文献紹介の発表内容
Yuto Kamiwaki
January 29, 2019
Tweet
Share
More Decks by Yuto Kamiwaki
See All by Yuto Kamiwaki
Emo2Vec: Learning Generalized Emotion Representation by Multi-task Training
yuto_kamiwaki
0
120
Using millions of emoji occurrences to learn any-domain representations for detecting sentiment, emotion and sarcasm
yuto_kamiwaki
0
110
Epita at SemEval-2018 Task 1: Sentiment Analysis Using Transfer Learning Approach
yuto_kamiwaki
0
130
Tensor Fusion Network for Multimodal Sentiment Analysis
yuto_kamiwaki
0
260
Sentiment Analysis: It’s Complicated!
yuto_kamiwaki
0
82
ADAPT at IJCNLP-2017 Task 4: A Multinomial Naive Bayes Classification Approach for Customer Feedback Analysis task
yuto_kamiwaki
0
160
EmoWordNet: Automatic Expansion of Emotion Lexicon Using English WordNet
yuto_kamiwaki
0
110
ATTENTION-BASED LSTM FOR PSYCHOLOGICAL STRESS DETECTION FROM SPOKEN LANGUAGE USING DISTANT SUPERVISION
yuto_kamiwaki
0
150
BB_twtr at SemEval-2017 Task 4: Twitter Sentiment Analysis with CNNs and LSTMs
yuto_kamiwaki
0
250
Other Decks in Research
See All in Research
IMC の細かすぎる話 2025
smly
2
690
A scalable, annual aboveground biomass product for monitoring carbon impacts of ecosystem restoration projects
satai
4
360
まずはここから:Overleaf共同執筆・CopilotでAIコーディング入門・Codespacesで独立環境
matsui_528
2
630
電通総研の生成AI・エージェントの取り組みエンジニアリング業務向けAI活用事例紹介
isidaitc
1
1.1k
スキマバイトサービスにおける現場起点でのデザインアプローチ
yoshioshingyouji
0
250
財務諸表監査のための逐次検定
masakat0
0
150
引力・斥力を制御可能なランダム部分集合の確率分布
wasyro
0
260
Hiding What from Whom? A Critical Review of the History of Programming languages for Music
tomoyanonymous
0
200
AWSで実現した大規模日本語VLM学習用データセット "MOMIJI" 構築パイプライン/buiding-momiji
studio_graph
2
760
2021年度-基盤研究B-研究計画調書
trycycle
PRO
0
360
Learning to (Learn at Test Time): RNNs with Expressive Hidden States
kurita
1
270
説明可能な機械学習と数理最適化
kelicht
0
200
Featured
See All Featured
Improving Core Web Vitals using Speculation Rules API
sergeychernyshev
21
1.2k
Easily Structure & Communicate Ideas using Wireframe
afnizarnur
194
16k
4 Signs Your Business is Dying
shpigford
185
22k
Building Better People: How to give real-time feedback that sticks.
wjessup
369
20k
Building a Modern Day E-commerce SEO Strategy
aleyda
44
7.8k
GraphQLとの向き合い方2022年版
quramy
49
14k
Writing Fast Ruby
sferik
629
62k
Making Projects Easy
brettharned
120
6.4k
The Pragmatic Product Professional
lauravandoore
36
6.9k
The Art of Programming - Codeland 2020
erikaheidi
56
14k
Agile that works and the tools we love
rasmusluckow
331
21k
Gamification - CAS2011
davidbonilla
81
5.5k
Transcript
Modeling Naive Psychology of Characters in Simple Commonsense Stories Nagaoka
University of Technology Yuto Kamiwaki Literature Review
Literature • Modeling Naive Psychology of Characters in Simple Commonsense
Stories • Hannah Rashkin , Antoine Bosselut , Maarten Sap , Kevin Knight and Yejin Choi • Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics (Long Papers) 2
Abstract • 機械が物語を理解するのは,容易ではない. ◦ 行間を読む,人の精神状態 • 動機と感情的反応に関して登場人物の精神状態を特定し, 物語中の心理変化を説明する新しいアノテーションフレーム ワークを提案. 3
Introduction • 物語の中の出来事と登場人物の精神状態との間の因果関 係についての推論が必要.(たとえ,それらの関係が明確に 述べられていなくても) • Mostafazadeh et al.,2017で示されているように,本推論は 統計学とニューラルマシンにとって非常に困難(人間にとって
は些細なこと) 4
Introduction • 登場人物の精神状態に関して,短編小説を密にラベル付け するための新しいアノテーション形式を構築した Mostafazadeh et al.,2016→(この文献はコーパス構築につ いての内容) ◦ 文献url
: http://www.aclweb.org/anthology/N16-1098 5
6
• 登場人物の精神状態のオープンテキストの説明も取得. ◦ 登場人物の精神状態を説明することができる計算モデル を学習することが可能に 7
8
9
10
11
12
Model • TF-IDF • GloVe • CNN • LSTM •
REN • NPN 13
14
15 • タスクが難しいのに全てのモデルは,ランダムよりもスコアが高い. • エンティティ固有のコンテキスト情報を追加したことによりパフォーマンスが向上. • 各タスクで最もパフォーマンスの高いモデルは, Maslowの生理学的ニーズ, Reiss の食欲,Plutchikの喜びの反応を予測するのに最も効果的.
• 食物に関連する動機(および一般に生理学的ニーズ)を予測することの相対的な容 易さは,それらが摂食または調理などのより限定された具体的な一連の行動を含む ためである.
16
17 • 単純なモデルがオープンテキスト応答をカテゴリにマッピングすることを学習できて いる. • 自由回答アノテーションの分類モデルを事前学習することが,カテゴリ予測のパ フォーマンス向上に役立つ可能性があるという私たちの仮説を支持している.
18 • 説明は感情や動機の状態に密接に関係しているので,ランダムなベースラインをか なり競争力のあるものにすることができる. • すべてのモデルが両方のメトリックで強力なベースラインよりも優れており,生成され た簡単な説明は意味的にリファレンスのアノテーションに近いことを示している.
Conclusion • 短い物語における登場人物の精神状態の情報で訓練し,評 価するためのリソースとして大規模データセットを構築した. • データセットには、登場人物の動機と感情的な反応に対する 30万以上の低レベルの注釈が含まれている. • 重要なのは、登場人物固有のコンテキストをモデリングし,フ リーレスポンスデータを事前トレーニングすることでラベリン
グパフォーマンスが向上することである. 19