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 Simple Commonsense Stories
Search
Yuto Kamiwaki
January 29, 2019
Research
1
190
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
99
Using millions of emoji occurrences to learn any-domain representations for detecting sentiment, emotion and sarcasm
yuto_kamiwaki
0
96
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
190
Sentiment Analysis: It’s Complicated!
yuto_kamiwaki
0
70
ADAPT at IJCNLP-2017 Task 4: A Multinomial Naive Bayes Classification Approach for Customer Feedback Analysis task
yuto_kamiwaki
0
120
EmoWordNet: Automatic Expansion of Emotion Lexicon Using English WordNet
yuto_kamiwaki
0
94
ATTENTION-BASED LSTM FOR PSYCHOLOGICAL STRESS DETECTION FROM SPOKEN LANGUAGE USING DISTANT SUPERVISION
yuto_kamiwaki
0
140
BB_twtr at SemEval-2017 Task 4: Twitter Sentiment Analysis with CNNs and LSTMs
yuto_kamiwaki
0
230
Other Decks in Research
See All in Research
論文紹介 DISN: Deep Implicit Surface Network for High quality Single-view 3D Reconstruction / DISN: Deep Implicit Surface Network for High quality Single-view 3D Reconstruction
nttcom
0
110
20240209 データを肴に熊本の交通を考える会「車1割削減、渋滞半減、公共交通2倍」をめざし世界に学ぼう
trafficbrain
0
820
10-ot-generic-bio.pdf
gpeyre
0
140
Deep State Space Models 101 / Mamba
kurita
9
3.5k
SSII2023 医療支援における画像処理研究の動向と展望
moda0
0
110
一般化ランダムフォレストの理論と統計的因果推論への応用
tomoshige_n
10
1.8k
Discovering Universal Geometry in Embeddings with ICA
momoseoyama
1
340
Combating Misinformation in the age of LLMs
teacherpeterpan
0
130
第4回ナレッジグラフ勉強会:ISWC2023論文読み会
kg_wakate
1
210
[ICLR'24] Towards Assessing and Benchmarking Risk-Return Tradeoff of OPE
harukakiyohara_
0
200
動物倫理学ことはじめ:人間以外の動物との倫理的な付き合い方を考える
takeshit_m
0
290
説明可能AI:代表的手法と最近の動向
yuyay
1
590
Featured
See All Featured
Statistics for Hackers
jakevdp
789
220k
Why Our Code Smells
bkeepers
PRO
331
56k
It's Worth the Effort
3n
180
27k
Principles of Awesome APIs and How to Build Them.
keavy
121
16k
Happy Clients
brianwarren
92
6.4k
StorybookのUI Testing Handbookを読んだ
zakiyama
13
4.6k
The Mythical Team-Month
searls
216
42k
Side Projects
sachag
451
41k
How To Stay Up To Date on Web Technology
chriscoyier
782
250k
Ruby is Unlike a Banana
tanoku
96
10k
Making Projects Easy
brettharned
108
5.5k
Atom: Resistance is Futile
akmur
259
25k
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