Ett team av forskare vid UC Santa Cruz har nyligen utvecklat en ny maskininlärningsmetod för att karakterisera lycka, kallas CruzAffect. Deras tillvägagångssätt, presenteras i en tidning förpublicerad på arXiv, kan appliceras på olika modeller för affektiv innehållsklassificering, inklusive både traditionella klassificerare och deep learning convolutional neural networks (CNN).

Denna färska studie bygger på tidigare forskning som utforskade hur människor förmedlar förstapersonspåverkan och lycka. I en studie, samma forskare fann att människor tenderar att beskriva situationer, som "min vän köpte blommor till mig", eller "Jag har en parkeringsbot", från vilka andra människor lätt kan sluta sig till sina implicita affektiva reaktioner. De drog slutsatsen att kompositionssemantik kan ge starka bevis på känslan förknippad med en given händelse.

I en annan studie, forskarna försökte grunda människors språkliga beskrivningar av händelser på teorier om välbefinnande och lycka. Genom att analysera en samling privata mikrobloggar som extraherats från en applikation som heter Echo, de undersökte i vilken utsträckning olika teoretiska redogörelser kunde förklara variansen i lyckapoängen som Echo-användare gav till dagliga händelser i deras liv.

"Det är utmanande att generalisera en affektiv händelse och associera den med teorier om välmående, "Jiaqi Wu, en av forskarna som genomförde studien, berättade för TechXplore. "I vår tidigare forskning, vi märkte att det inte finns en enda teori som kan förutsäga känslan av alla affektiva händelser. Syftet med vårt senaste arbete var att identifiera specifik kompositionssemantik som kännetecknar händelsernas känslor och försöka modellera lycka på en högre generaliseringsnivå. Dock, Att hitta generiska egenskaper för att modellera välbefinnande är fortfarande en utmaning."

Det primära syftet med den nyligen genomförda studien som genomfördes av Wu och hennes kollegor var att undersöka effektiviteten hos funktionsrika traditionella maskininlärningsmetoder och metoder för djupinlärning för affektiv innehållsklassificering. För att uppnå detta, de identifierade en serie funktioner som kännetecknar lycka i känslomässigt innehåll och tillämpade dem på en traditionell klassificerare, XGBoostad skog, och en CNN.

"Vårt projekt, kallas CruzAffect, inkluderar utvecklingen av två olika modeller:en traditionell maskininlärningsmetod (d.v.s. XGBoosted forest) och en djupinlärnings-CNN med GloVe-inbäddning, " sa Wu. "Vi använder syntaktiska funktioner, känslomässiga egenskaper, och profilfunktioner, och deras prestanda är stabil för olika affektiva innehållsklassificeringsuppgifter."

Väsentligen, forskarna utvärderade prestandan hos två olika maskininlärningsmodeller för affektiv innehållsklassificering (XGBoosted forest och en CNN), som båda analyserade innehåll utifrån de funktioner som de tidigare hade identifierat. Dessa inkluderar:

• Syntaktiska egenskaper:del av tal, substantiv, verb, adjektiv och adverb, användning av frågor, spänning och aspektinformation.
• Känslomässiga egenskaper:Linguistic Inquiry and Word Count (LIWC) v2007, känslolexikon, subjektivitetslexikon, nivå av sakligt och känslomässigt språk.
• Ordinbäddning:GloVe 100 dimensions ordvektorer för ordrepresentation.
• Profilegenskaper:ålder, Land, kön, civilstånd, föräldraskap, etc.

Dessa egenskaper gjorde det möjligt för forskarna att avslöja viktiga indikatorer på socialt engagemang och kontroll som olika människor kan utöva under glada stunder. I deras studie, de tränade både XGBoosted och CNN-modellen med övervakad inlärning på en datauppsättning på 10, 000 märkta textutdrag. De tränade också modellerna för att generera pseudo-etiketter för 70, 000 omärkta utdrag med en bootstapped semi-övervakad metod, eftersom detta gjorde det möjligt för dem att bredda sin datauppsättning. Alla dessa textutdrag extraherades från HappyDB-databasen.

"De meningsfulla resultaten av vår studie inkluderar de intressanta syntaktiska mönstren som upprepas över olika domäner, " sade Wu. "Sådana språkliga mönster kommer sannolikt att förknippas med välbefinnande teorier. Vi finner också att de funktioner som inkluderar expertkunskap, såsom LIWC-ordbok kan förbättra prestandan för traditionell modell såväl som modellen för djupinlärning i de affektiva innehållsklassificeringsuppgifterna."

Forskarna utvärderade XGBoosted-skogen och CNN-modellerna på den binära klassificeringen av byrå- och sociala etiketter, såväl som på multi-klass förutsägelse av konceptetiketter. Deras utvärderingar gav lovande resultat, vilket tyder på att de egenskaper som identifieras av dem är särskilt effektiva för att klassificera affektiva innehåll. Även om den CNN-baserade modellen presterade bättre på klassificeringsuppgifter i flera klasser, den traditionella maskininlärningsmodellen uppnådde jämförbara resultat med de funktioner som de tidigare hade identifierat.

Studien som Wu och hennes kollegor genomförde avslöjade generella teman som är återkommande i människors beskrivningar av lyckliga stunder. I framtiden, deras resultat skulle kunna vara till hjälp för utvecklingen av nya modeller för affektiva klassificeringsuppgifter, gör det möjligt för forskare att effektivt förutsäga välbefinnande och lycka genom att analysera innehållet i textutdrag.

"Jag kommer nu att utforska den avfektiva händelseanalysen över flera domäner, och undersöka en bättre modell för att grunda de språkliga beskrivningarna av händelser som användare upplever i teorier om välbefinnande och lycka, " sa Wu. "Efter att ha förstått förhållandet mellan det affektiva innehållet och teorierna om välmående, vi kanske kan samla in allmänna affektiva händelser som är starkt relaterade till välbefinnandet."

© 2019 Science X Network