Finding the Sources and Targets of Subjective Expressions

Transkript

1 Finding the Sources and Targets of Subjective Expressions Ruppenhofer, Josef Somasundaran, Swapna Wiebe, Janyce University of Pittsburgh Seminar: Selected Topic in Sentiment Analysis Referent: Simon Schmiedel

2 ÜBERSICHT Thematik Ziel Automatic Semantic Role Labeling (ASRL) Wie kann ASRL helfen? Wo scheitert ASRL? Weitere Ideen Zusammenfassung Simon Schmiedel - Selected Topics of Sentiment Analysis 2

3 THEMATIK QA-Systeme Bei Fakten solide Simon Schmiedel - Selected Topics of Sentiment Analysis 3

4 THEMATIK QA-Systeme Probleme bei Fragen zu Meinungen Wer sagt was über wen? Simon Schmiedel - Selected Topics of Sentiment Analysis 4

5 ZIEL Erkennung von Meinungen, deren Quellen (Sources) und Zielen (Targets) Fragen Woran erkennt man Meinungen, Sources und Targets sprachlich? Was erfordert das Finden von Source und Target einer Meinung? Was muss für eine vollständige Arbeit angegangen werden? Es geht nicht um die technische Lösung und deren Umsetzung! Simon Schmiedel - Selected Topics of Sentiment Analysis 5

6 ANNOTATIONSSCHEMA Erweiterung des MPQA-Korpus Direct Subjective Expression (DSE) [Er] s kochte vor Wut. [Der Richter] s verurteilt [den Mörder] T Expressive Subjective Element (ESE) [Dr. Quack Salber] T ist ein Quacksalber. Legende: [Source] S Meinung [Target] T Grundsätzlich gilt: Source immer vorhanden Explizit, indirekt, undefiniert Target kann abwesend sein Simon Schmiedel - Selected Topics of Sentiment Analysis 6

7 AUTOMATIC Semantic Role Labeling Source und Target = pragmatische Rollen Wenn Worte und Phrasen benutzt werden Semantische oder Argumentrollen beschreiben Rahmen und Wortsinn lexikalisch Simon Schmiedel - Selected Topics of Sentiment Analysis 7

8 AUTOMATIC Semantic Role Labeling semantisches Parsen Erkennung der semantische Argumente eines Verbs Semantische Rollen unabhängig Satzstruktur Hans S liebt V Maria O. 2 Verbargumente S = Agens (Arg0) O = Patiens (Arg1) Maria S wird v von Hans O geliebt V. 2 Verbargumente S = Patiens (Arg1) O = Agens (Arg0) Simon Schmiedel - Selected Topics of Sentiment Analysis 8

9 AUTOMATIC Semantic Role Labeling Ich mag Züge. Katzen erfreuen Peter. 2 Verbargumente 2 Verbargumente S = Arg0 = Ich S = Arg0 = Katzen Source Source (?) O = Arg1 = Züge Target Target O = Arg1 = Peter Target (?) Source Korrekter Sinn der Meinungsäußerung notwendig Source und Target hängen vom Sinn ab Simon Schmiedel - Selected Topics of Sentiment Analysis 9

10 AUTOMATIC Semantic Role Labeling Herausforderungen für ASRL: 1. Nicht explizit erwähnte Quellen 2. Referenzen 3. Rückschlüsse durch den Kontext 4. Beziehungen zwischen mehreren Targets Simon Schmiedel - Selected Topics of Sentiment Analysis 10

11 NICHT EXPLIZIT ERWÄHNTE QUELLEN Verurteilen (DSE) [Der Richter] s verurteilt [den Mörder] T Source [und Target] syntaktisch vom Sentiment abhängig Quacksalber (ESE) [Dr. Quack Salber] T ist ein Quacksalber. Source syntaktisch vom Sentiment unabhängig ASRL kann Source nicht finden Simon Schmiedel - Selected Topics of Sentiment Analysis 11

12 NICHT EXPLIZIT ERWÄHNTE QUELLEN: NICHT ZITIERTE INHALTE [Es] T ist schön! Keine explizite Source Sprecher = Guter Kandidat Simon Schmiedel - Selected Topics of Sentiment Analysis 12

13 NICHT EXPLIZIT ERWÄHNTE QUELLEN: ZITIERTE INHALTE [Es] T ist schön!, sagt [Peter] s, Sabrinas Ehemann. explizit zitierte Person direkt auflösbar Zitierte Person = Guter Kandidat [Es] T ist schön!, sagt [Peter] s, Sabrinas Ehemann. [Die Sonne] T ist so angenehm. Keine explizit zitierte Person Durch orthographische Konventionen auflösbar Zitierte Person = Guter Kandidat Simon Schmiedel - Selected Topics of Sentiment Analysis 13

14 AMBIGUITÄTEN [Der Student] s schleimt sich bei [seinem Dozenten] T ein. DSE Source schleimt sich bei Target ein [Der Student] T schleimt sich bei seinem Dozenten ein. ESE Keine explizite Source Sprecher äußerst sich über Target DSE und ESE können gleichzeitig existieren Getrennt erfassen Getrennt halten Aber: Schließen sich nicht gegenseitig aus Simon Schmiedel - Selected Topics of Sentiment Analysis 14

15 SOURCES IN VERSCHACHTELTEN ÄUßERUNGEN [Bill] S erzählt mir, dass [Anna] T1 [seinen Sohn] T2, den Idioten, heiratet. Heiraten: Target: Anna Äußerung: heiraten Source: Erzählen Bill Plausibel Idiot: Target: Sohn Äußerung: Idiot Source: Erzählen Bill (?) nicht plausibel Source: Sprecher Source der subjektiven Äußerung nicht zwingend Source der syntaktischen Struktur Simon Schmiedel - Selected Topics of Sentiment Analysis 15

16 REFERENZEN Manche sagen, dass der HSV absteigt, aber [ich] S bin nicht überzeugt. Manche sagen, dass der HSV absteigt, aber [mich] T überzeugen [sie] S nicht. Durch Lexikalische Eigenschaften kein explizites Target Target: nicht ausgedrückt Denk [darüber] T nach und dann gib mir Bescheid. [Peter] S sagte: Denk [darüber] T nach und dann gib mir Bescheid. Imperativ hat keine explizite Source Ausschließlich direkte Rede Source: Sprecher Es wird angenommen, dass [Klaus P.] T beteiligt gewesen ist. [Man] S nimmt an, dass [Klaus P.] T beteiligt gewesen ist. Source kann in Passivkonstruktionen wegfallen Source: undefinierte Entität Simon Schmiedel - Selected Topics of Sentiment Analysis 16

17 REFERENZEN C :: I was a little short on time, but B :: Uh. A :: Yeah, me too, so that s not No no no, I just fi first my B :: Yeah, same here. D :: Oh.Sorry. B :: Uh let s see. Which one was mine? Aus: AMI meeting corpus Wofür entschuldigt sich D? Gesten, Handlungen und Objekte nötig zur Referenzauflösung Simon Schmiedel - Selected Topics of Sentiment Analysis 17

18 RÜCKSCHLÜSSE DURCH DEN KONTEXT Ich bin froh, dass die Kansas City Chiefs die New England Patriots geschlagen haben. Source: Ich Meinung: froh sein Target: die Kansas City Chiefs haben gewonnen Ich bin kein Fan der Chiefs, ich bin Fan der Packers aus Green Bay, aber ich bin froh, dass die Chiefs die Patriots geschlagen haben. Source: Ich Meinung: froh sein Target: Kontexte können Meinung verschieben Fröhlichkeit wegen des Sieges der Chiefs Fröhlichkeit wegen Niederlage der Patriots die New England Patriots haben verloren Simon Schmiedel - Selected Topics of Sentiment Analysis 18

19 BEZIEHUNGEN ZWISCHEN MEHREREN TARGETS [Der Computer] T ist sehr gut und sehr einfach zu benutzen. [Er] T hat eine eingebaute Kamera, Bluetooth. Eine tolle Maschine. Liebe [ihn] T. Der einzige Makel ist, dass [das Mauspad] T nicht so ruckelfrei ist, wie bei meinem alten Notebook. Ein anderer Punkt ist, dass [Vista] T ein Alptraum ist. verschiedene Targets (Global und Lokal) Verschieden Meinungen: Gute und schlechte Computer: gut oder schlecht? Bei Filmen: Böser Charakter kann für einen guten Film stehen Nicht 1:1 abzählbar Targets zwingend Identifizieren (zb. Durch Taxonomien) Simon Schmiedel - Selected Topics of Sentiment Analysis 19

20 ZUSAMMENFASSUNG I Zitiert vs. Unzitiert: Zitiert: Source: wahrscheinlich zitierte Person Unzitiert: Source wahrscheinlich Sprecher Ambiguitäten: DSE und ESE können gleichzeitig existieren Getrennt erfassen Getrennt halten Aber: Schließen sich nicht gegenseitig aus Sources in verschachtelten Äußerungen Source im unmittelbaren Syntaktischen Skopus Müssen nicht gemeinsame Source teilen Source (Subjektive Äußerung) Source (Syntaktische Struktur) Source (äußere Schachtel): meist Sprecher Simon Schmiedel - Selected Topics of Sentiment Analysis 20

21 ZUSAMMENFASSUNG II Durch Lexikalische Eigenschaften kein direktes Target Target nicht zwingend nötig Imperativ hat keine explizite Source Nur direkte Rede Source: Sprecher Source kann in Passivkonstruktionen wegfallen Source: undefinierte Entität Gesprächsmitschriften Ohne Hintergrundinformationen sind Referenzen oft nicht auflösbar Source und Target sind vorhanden, aber nicht ausgedrückt. Simon Schmiedel - Selected Topics of Sentiment Analysis 21

22 ZUSAMMENFASSUNG III Kontexte können Meinung verschieben verschiedene Targets möglich (Global und Lokal) Zwingend identifizieren um Meinungen zuordnen zu können Simon Schmiedel - Selected Topics of Sentiment Analysis 22

23 Vielen Dank für Eure Aufmerksamkeit. Diskussion Simon Schmiedel - Selected Topics of Sentiment Analysis 23