【论文笔记】Social Role-Aware Emotion Contagion in Image Social Networks

Social Role-Aware Emotion Contagion in Image Social Networks

社会角色意识情绪在形象社交网络中的传染

1、摘要:

心理学理论认为,情绪代表了一个人的认知系统(1927年)的精神状态和本能反应。

情绪是一种复杂的情绪状态,它会导致影响我们行为的生理和心理变化。

本文研究了社交网络中情绪感染的一个有趣问题。

特别地,通过使用图像社交网络(Flickr)作为我们研究的基础,我们试图揭示用户的情绪状态如何影响彼此,以及用户在社交网络中的位置如何影响他们在情感上的影响力。

我们开发了一个概率框架来将问题形式化,形成一个角色感知的传染模型。

该模型能够根据用户的历史情绪状态和社会结构来预测用户的情绪状态。

在一个大的Flickr数据集上进行的实验表明,该模型在预测用户的情绪状态时显著优于(+ 31%)的几种替代方法。

我们还发现了一些有趣的现象。

例如,用户感到快乐的概率跟朋友也快乐的概率是粗糙线性相关,但仔细一看,才发现幸福概率是超线性的快乐朋友在网络充当意见领袖(页面et al . 1999年)和数量的次线性快乐朋友跨越结构洞(伯特2001年)。

这提供了一个新的机会来理解在线社交网络中情绪感染的潜在机制。

问题:

一个人的情感状态会影响周围的人吗?

例如,当你感到快乐时,快乐会通过你的社交网络传播吗?

情绪传染是一个人或群体影响另一个人或群体的情绪或行为

三个问题:

1、Besides text-based communications, will emotion contagion occur in image social networks? This is the first question we aim to justify in this work.

除了基于文本的交流,情绪感染还会发生在图像社交网络中吗?这是我们的第一个问题。

2、Comparing with propagating a piece of information, will these users have different patterns when propagating emotional status? This is the second question we aim to answer.

与传播一段信息相比,这些用户在传播情绪状态时会有不同的模式吗?这是我们要回答的第二个问题。

3、How to better infer the emotional status of users in social networks by considering emotion contagion, or more precisely, the social-role aware emotion contagion, is our final goal in this work.

如何更好地推断社交网络用户的情绪状态,通过考虑情绪传染,或者更准确地说,社会角色意识情绪传染,这是我们工作的最终目标吗?

第一个发现:当一个用户的朋友的数量增加的时候,她也会快乐的几率会增加,这意味着一个用户的情绪状态会受到她朋友的影响。

第二个发现:结构领袖和结构洞用户比普通用户有更强的影响力。

Based on the two findings, we propose the problem of social role-aware emotion contagion and seek to infer the dynamics of users’ emotional status in a given online social network.

  • 基于这两个发现,我们提出了社会角色感知情绪传染的问题,并试图从一个给定的网络社交网络中推断用户情感状态的动态。

The problem is non-trivial and holds several challenges.

  • 这个问题并不简单,也存在一些挑战。

The first challenge is how to uncover the social roles that users play in emotional contagion.

  • 第一个挑战是如何发现用户在情感感染中扮演的社会角色。

Then, within emotional contagion, users with different social roles may function in different ways.

  • 然后,在情感感染中,具有不同社会角色的用户可能会以不同的方式运作。

Distinguishing the patterns corresponding to each social role is the second challenge.

  • 区分对应于每个社会角色的模式是第二个挑战。

The last and greatest challenge is computational complexity.

  • 最后一个也是最大的挑战是计算复杂度。

Emotional status may be propagated through any pair of users, which causes the hypothesis space of diffusion paths to grow exponentially with the number of users.

  • 情感状态可以通过任何一对用户传播,这导致了扩散路径的假设空间与用户数量成指数增长。

At the same time, traditional influence models aim to learn the strength between each pair of users in a given network, which is impractical, as real networks include large numbers of users.

  • 与此同时,传统的影响模型旨在了解给定网络中每一对用户之间的强度,这是不切实际的,因为真实的网络包括大量的用户。

Given these circumstances, designing an effective model to trace emotional contagion is a challenging issue of this work

  • 考虑到这些情况,设计一个有效的模型来追踪情绪感染是一个具有挑战性的问题

To address the above challenges, we propose a probabilistic graphical model, social role-aware contagion model, and summarize our technical contributions as follows:

  • 为了解决上述挑战,我们提出了一个概率图形模型、社会角色意识传染模型,并总结了我们的技术贡献如下:

We design three kinds of factor functions in the proposed model, based on the discoveries in our empirical analysis.

  • 1、在实证分析的基础上,设计了三种因子函数。

The functions capture underlying mechanism of how social roles of users influence emotion contagion and make our model to describe the contagion process more precisely.

  • 该功能捕捉了用户的社会角色如何影响情绪感染的潜在机制,并使我们的模型更准确地描述了传染过程。

We reduce the model complexity by projecting parameters into a lower-dimensional space, supported by our discovery that users with the same social role share similar parameters in emotion contagion.

  • 2、我们通过将参数投射到一个更低维度的空间来降低模型的复杂性,我们发现,具有相同社会角色的用户在情感传染上有着相似的参数。

Thus, different from traditional contagion/influence models, the learning process of our model becomes practical

  • 因此,与传统的传染病/影响模型不同,我们模型的学习过程变得更加实际

We conduct extensive experiments to validate the proposed model over several baselines.

  • 3、我们在几个基线上进行了大量的实验以验证所提出的模型。

Experimental results show that the proposed model achieves a +31.7% improvement, on average, over other approaches

  • 实验结果表明,该模型优于其他方法,平均提高了31.7%

2、问题定义

We are given a social network that represents the relationships between users, in which users can post images.

  • 我们得到了一个社交网络,它代表用户之间的关系,用户可以在其中发布图像。

We formally define the set of images as M

  • 我们正式定义图像集合为M

For each image m ∈ M, we have the user vm who has posted m

  • 对于每个图像m∈m,我们有用户vm发布m

the timestamp tm when m is posted

  • 当m被发布时,时间戳tm

and a K dimensional vector xm =< xm1, · · · , mmK > (∀k, xmk ∈ R)

  • K维空间向量, xm =< xm1, · · · , mmK > (∀k, xmk ∈ R)

where xmk indicates the k-th visual feature (e.g., e.g., saturation, cool color ratio, etc.) of m

  • 在xmk表示k - th视觉特性的地方(例如:,如。、饱和度、冷色比等

More precisely, we incorporate images and social network information in an image social network.

  • 更确切地说,我们将图像和社交网络信息融入到一个图像社交网络中。

Definition 1 :An image social network is a directed graph G =< V, M, E, R >.

  • 定义1图像社交网络是一个有向图G = < V,M,E,R >。

There are two vertex sets: V , a set of users, and M, a set of images.

  • 有两个顶点集:一组用户V,一组图像M。

Edges in E represent user-user relations {(u, v)|u ∈ V, v ∈ V }, indicating that u follows v, and user-image relations {(v, m)|v ∈ V, m ∈ M}, indicating that v posts m. R denotes social roles of users, where rv is the social role of user v.

  • 边E代表用户-用户关系{(u,v)| u∈v,v∈},表明u是v的粉丝,和用户-头像关系{ | v∈v(v,m),m∈m },表明用户v发布了帖子m。R表示用户的社会角色,rv表示用户v的社会角色是r。

In this work, we aim to study emotion contagion in a given image social network G. We use a T ×V matrix Y to denote users’ emotional status, where yvt indicates v’s emotion at time t (∀t, t ≤ T). For users’ emotional status, in this work, we mainly consider Ekman’s six emotions (Ekman 1992):

  • 在这项工作中,我们的目标是研究在给定图像的社交网络G中的情绪感染。我们使用T×V矩阵Y来表示用户的情绪状态,yvt表示用户v在时间T(∀T,T≤T)的情感状态,在这个工作中,我们主要考虑埃克曼的六个情绪(埃克曼1992):

{happiness, surprise, anger, disgust, fear, sadness}.

  • {幸福,惊讶,愤怒,厌恶,恐惧,悲伤。

We define the prediction task addressed in this paper as below:

  • 我们在本文中定义的预测任务如下:

Definition 2: Emotion contagion inference.

  • 定义2情绪传染推理。

Given an image social network G, a specific time t, and emotional status of users within time [1, t − 1], our goal is to learn a function

  • 给定一个图像社交网络G,一个特定的时间t,和在时间为[1,t-1]用户集的情感状态,我们的目标是学习一个函数:
  • f : G = (V, M, E, R), t, Y1···t-1Yt
  • (即预测用户在t时刻的情感状态)

3、探索分析

Goal.

  • 目标。

In this section, we present several exploratory analyses to uncover the underlying mechanism of the influence between social roles and emotion contagion.

  • 在本节中,我们提出了几个探索性的分析,以揭示社会角色和情感感染之间的潜在作用机制。

More specifically, how users with different social roles influence their friends with different emotional contagions.

  • 更具体地说,拥有不同社会角色的用户如何影响他们的朋友,他们的情绪会受到不同程度的影响。

We conduct all experiments in this paper based on Flickr4.

  • 本论文以Flickr为基础,进行了所有实验。

See more details of our dataset in Section 5

  • 请参阅第5节中数据集的更多细节

 

Setting.

  • 设置。

We first need to identify social roles of users.

  • 我们首先需要识别用户的社会角色。

Inspired by the work in (Yang et al. 2015), we categorize users into three roles, namely opinion leaders, structural hole spanners, and ordinary users, based on their network properties.

  • 根据(Yang et al . 2015)的工作,我们将用户基于他们的网络属性。分为三个角色,即意见领袖、结构洞用户和普通用户。

Specifically, we consider 20% of users with the highest PageRank scores (Page et al. 1999) to be opinion leaders, 20% of users with the lowest Burt’s network constraint scores (Burt 2001) to be structural hole spanners, and the remaining as ordinary users.

  • 具体地说,我们认为20%的用户拥有最高的PageRank分数(Page et al . 1999)是意见领袖,20%的用户使用最低的Burt网络约束得分(Burt 2001)是结构洞用户,剩下的是普通用户。

Notice that the percentage of users defined as each social role will influence the experimental results.

  • 请注意,定义为每个社会角色的用户百分比将影响实验结果。

We examine this influence in detail in Section 5.

  • 我们在第5节中详细研究了这种影响。

We then define infection probability as the probability that a user has a particular emotional status.

  • 然后我们将感染概率定义为一个用户具有特定情绪状态的概率。

We are interested in how users’ infection probabilities are influenced by their friends with different social roles.

  • 我们感兴趣的是,用户的感染概率如何受到不同社会角色的朋友的影响。

Specifically, Figure 2 depicts the probability of a user being happy (a-b), or in a state of fear (c-d), when she is influenced by different numbers of her friends, with different social roles, who are happy (a,c), angry (b), or fear (d).

  • 具体来说,图2描述了一个用户快乐的概率(a - b),或处于恐惧状态(c - d),当她受到不同数量的朋友的影响时,不同的社会角色,他们是快乐的(a,c),愤怒(b),或恐惧(d)。

 

Results.

  • 结果。

Generally, we find the following results from Figure 2: 1) from (a) and (b), we see that positive emotion tends to delight friends, making them be more happy and less angry; 2) from (c) and (d), we see that when there are 1-2 friends of a user being negative emotion (e.g. , fear), that user will tend to be less happy and more fear; 3) however, when the number of infected friends continue increasing (more than 3), the user will be more happy and less fear.

  • 一般来说,从图2中我们发现以下结果:1)从(a)和(b),我们看到积极情绪倾向于快乐的朋友,让他们更快乐,更少的愤怒;2)(c)和(d),我们看到,当有1 - 2用户被负面情绪(如恐惧) ,用户会倾向于更少的幸福和更多的恐惧;3)然而,当感染朋友的数量继续增加(超过3),用户将更多的快乐和更少的恐惧

This phenomena suggests the existence of “emotional comfort”: when a user is surrounded by a few friends with negative emotions, the user and her friends will comfort each other and get better mood

  • 这一现象说明了“情感安慰”的存在:当一个用户被一些消极的情绪包围时,用户和她的朋友会互相安慰,心情变好
  •  

From the figure, we further compare how different social roles behave in emotion contagion.

  • 从图中,我们进一步比较不同社会角色在情感感染中的表现。

We first see that opinion leaders are most influential when they are happy, while ordinary users have more influence when they have negative emotional status (eg, fear).

  • 我们首先看到意见领袖在快乐时最有影响力,而普通用户在消极情绪状态(如恐惧)时更有影响力。

Intuitively, opinion leaders and structural hole spanners are not necessarily as close to their friends as ordinary users.

  • 直觉上,意见领袖和结构洞的人并不一定像普通用户那样亲近他们的朋友。

Secondly, we observe that, as the number of infected friends grows, infection probabilities of opinion leaders and structural hole spanners change faster than ordinary users.

  • 其次,我们观察到,随着受感染的朋友数量的增加,意见领袖的感染概率和结构洞比普通用户的变化要快。

 

As a conclusion, we find that users with different social roles influence their friends with different influential strengths.

  • 作为一个结论,我们发现具有不同社会角色的用户对他们的朋友有不同的影响力。

Moreover, different with information diffusion, in which case opinion leaders and structural hole spanners tend to have stronger influence than ordinary users (Yang et al. 2015), in emotion contagion, opinion leaders and structural hole spanners may be less influential than ordinary users.

  • 此外,与信息传播不同的是,在这种情况下,意见领袖和结构洞的人往往比普通用户具有更强的影响力(Yang et al . 2015),在情感传染上,意见领袖和结构空洞的人可能不如普通用户有影响力。

Specifically, users with these two social roles are more influential on positive emotion contagion, while ordinary users have more influence on negative emotion contagion.

  • 具体而言,具有这两个社会角色的用户对积极情绪感染的影响更大,而普通用户对负面情绪感染的影响更大。

4、提出模型

We propose a graphical model, social role-aware contagion model, to describe the emotion contagion in a given social network.

  • 我们提出了一个图形化模型,社会角色感知传染模型,描述了一个给定社交网络中的情绪感染。

Intuitively, given a time t, the emotional status of a user v, yvt, will be influenced by the emotional status of her friends at t−1.

  • 直观地说,给定一个时间t,用户v的情感状态yvt,,会被她处于t-1时刻的朋友影响。

According to our discoveries in Section 3, the influence strength will be determined by the social roles of v’s friends.

  • 根据我们在第3部分的发现,影响力将由v的朋友的社会角色决定。

Besides, yvt also depends on v’s own emotional status at time t − 1.

  • 此外,yvt还取决于v的情感状态在时间t−1。

At last, the images posted by user v at time t is able to express her current emotional status.

  • 最后,用户v在t时刻发布的图像能够表达她当前的情绪状态。

 

Thus, the general idea of the proposed model is to 1) learn the influence strength between friends by considering their social roles; (2) learn the dependency between emotions of the same user at adjacent time stamps; (3) learn how images posted by users reflect users’ emotions.

  • 因此,提出的模型的总体思路是
    • (1)通过考虑他们的社会角色来了解朋友之间的影响强度;
    • (2)学习同一用户在相邻时间戳中情感的相关性;
    • (3)了解用户如何在用户发布的图像中反映用户的情绪。

We then will be able to predict the emotional status of users

  • 然后我们将能够预测用户的情绪状态

 

       Description. The goal of the proposed model is to maximize the conditional probability of users’ emotional status over time, given an image social network, i.e., P (Y|G). More precisely, we regard a particular emotion contagion log (v, t, yvt) as an instance, which represents that user v has emotional status yvt at time t. We then learn the model to find a configuration of parameters, which maximizes the joint conditional probability of all instances. When applying the learned model to predict the complete emotion contagion, it tries to find a setting of emotion contagion logs Y·t+1 at time t + 1 to maximize the conditional probability Pθ(Y·t+1|G) based on the learned parameters.

描述:该模型的目标是将用户情绪状态的条件概率最大化,给定一个图像社交网络,即。P(Y | G)。更准确地说,我们把一种特殊的情感传染log(v,t,yvt)看作是一个实例,它表示用户v在t时刻有情绪状态,然后我们学习模型来寻找参数的配置,它最大限度地增加了所有实例的联合条件概率。应用学习模型来预测时完整的情绪感染,它尝试找到情绪感染的logs Y·t + 1在时间t + 1条件概率最大化Pθ(Y·t + 1 | G)基于学习参数。

 

The inference of conditional probability P (Y|G) is often intractable.

  • 条件概率P(Y | G)的推理通常是难以处理的。

Factor graph factorizes the “global” probability as a product of “local” factor functions, each of which depends on a subset of variables in the graph (Kschischang, Frey, and Loeliger 2001).

  • 因子图将“全局”概率分解为“局部”因子函数的乘积,每个因子函数依赖于图中的变量子集(Kschischang、Frey和Loeliger 2001)。

In the proposed model, inspired by the observation results, we try to capture three kinds of information, image features, self-contagion, and pairwise contagion.

  • 在所提出的模型中,通过观察结果的启发,我们尝试捕捉三种信息,图像特征,自我传染,以及成对传染。

Specifically, we represent them by using three factor functions, respectively

  • 具体地说,我们分别用三个因子函数来表示它们

Pairwise-contagion factor: l(yvt−1, yvt) represents how user v’s emotional status at time t is influenced by her friend u ’s emotional status at time t − 1, where evu ∈ E

  • 1、Pairwise-contagion因素:l(yvt−1,yvt)表示用户v在时间t 的情绪状态是被她的朋友u 在时间t−1情感状态影响的,evu∈E

Self-contagion factor: h(yvt−Δt, yvt) represents the correlation between user v’s emotional status at time t and time t − Δt.

  • 2、Self-contagion因素:h(yvt−Δt,yvt)v代表用户v的情绪状态在时间t,和t−Δt之间的关联。

It seeks to model how one’s emotional status changes over time

  • 它试图塑造一个人的情绪状态随时间的变化

Attribute factor: g(xvt, yvt) represents the correlation between user v’s emotional status at time t (ie, yvt ) and the visual features of the image she posts at the same time (ie, xvt)

  • 3、属性因子:g(xvt,yvt)表示用户v在t(ie,yvt)时的情感状态与她同时发布的图像的可见特征(即xvt)之间的相关性。

 

  • We introduce the graphical structure of our model as illustrated in Figure 3.

我们将介绍模型的图形结构,如图3所示。

  • The observed data contains three layers: social roles of users, users and their relationships, also the images posted by users.

所观察到的数据包含三层:用户的社会角色、用户和他们的关系,以及用户发布的图像。

  • We extract the visual features from images and represent the features as x. We model v1’s emotional status at time 2 as y12, which depends on her emotional status at preceding time (y11), and the emotional status of her friend v2 at time 1 (y21)

我们从图像中提取视觉特征,并将其作为x的特征来表示。在第2时,我们将v1的情绪状态作为y12,这取决于她在之前的情绪状态(y11),以及她的朋友v2在时间1(y21)的情绪状态

  • We then formally define each factor.

然后我们正式定义每个因子。

  • We begin with the attribute factor g(xvt, yvt).

我们从属性因子g(xvt,yvt)开始。

  • The intuition behind this factor is, image is able to express one’s emotions.

这个因素背后的直觉是,图像能够表达一个人的情感。

  • For example, according to existing work (Yang et al. 2014), an image with higher saturation and bright contrast was probably posted by a happy user.

例如,根据现有的工作(Yang et al . 2014),一个具有更高饱和度和鲜明对比的图像很可能是由一个快乐的用户发布的。

  • Specifically, given an image’s feature vector xvt, we define g(xvt, yvt) as

具体地说,给定一个图像的特征向量xvt,我们定义了g(xvt,yvt)

 

  • where α is a vector of real valued parameters; and Z1 is a normalization term to ensure that the distribution is normalized so that the sum of the probabilities equals to 1

α是一个向量的实值的参数,和Z1标准化术语,以确保分布归一化,这样概率之和等于1

  • We next define self-contagion factor function by capture how one’s emotional status changes over time as

我们接下来定义self-contagion function因子函数:通过记录一个人的情绪状态如何随时间变化

 

  • where βΔt is a decay weight with respective to time interval Δt; I(·) is defined as a vector of indicator functions; and Z2 is a normalization term.

βΔt是衰变的权重与各自的时间间隔Δt;I(·)被定义为一个向量的指标函数;和Z2正则项。

  • In practice, we consider Δt is ranged within a predefined interval, such as [1, 5], to reduce the computational complexity of the proposed model.

在实践中,我们考虑Δt范围内是一个预定义的时间间隔,比如[1,5],减少模型的计算复杂度

 

  • As the analysis conducted in Section 3 suggests, a user’s emotional status will be influence by her friends.

正如第3节所做的分析表明,一个用户的情绪状态将会受到她的朋友的影响。

  • Also, social roles affects the influence strength.

同时,社会角色也影响着影响力。

  • To capture this information, we define the pairwise-contagion factor as

为了获取这些信息,我们定义了pairwise传染因子

 

  • where γ is a matrix indicating the influence strength between different social roles, γrr denotes the influence strength between a user with social role r and another user with social role r, Z3 is a normalization term.

γ是一个矩阵表示的影响强度之间不同的社会角色,γrr表示社会角色为r的用户与社会角色为r’的用户之间的影响强度,Z3是一个正则项。

  • By integrating all the factor functions together, and according to the Hammersley-Clifford theorem (Hammersley and Clifford 1971) we obtain the following log-likehood objective function.

通过将所有因子函数结合在一起,根据Hammersley - Clifford定理(Hammersley and Clifford 1971),我们得到了如下的loglike目标函数。

 

  • where θ = {α, β, γ} is a parameter configuration of the proposed model; and Z is a normalization term.

θ= {α、β、γ}是一个参数的配置模型,和Z是一个正则项。

  • Traditional influence models, eg, (Goyal, Bonchi, and Lakshmanan 2010) (Kimura et al. 2011) (Kempe, Kleinberg, and Tardos 2003), which aim to learn the strength between each pair of users in a given network, have O(E) parameters to learn, where E is the number of edges.

传统的影响模型(如Goyal、Bonchi和Lakshmanan 2010)(Kimura et al . 2011)(Kempe,Kleinberg,and Tardos 2003),目的是了解给定网络中每一对用户之间的强度,有O(E)参数来学习,其中E为边数。

  • We reduce model complexity to O(|R|) (|R| is the total number of social roles), by letting users with same social roles share same parameters, and make it practical to learn the model.

我们将模型复杂度降低到O(| R |)(| R |是社会角色的总数),让具有相同社会角色的用户共享相同的参数,并使学习模型变得实用。

  • Feature definition.

功能的定义。

  • We utilize the visual features proposed by Wang et al. (Wang et al. 2013), which are mainly aesthetics-based and include saturation, saturation contrast, bright contrast, cool color ratio, figure-ground color difference, figure-ground area difference, foreground texture complexity, and background texture complexity.

我们利用Wang等人提出的视觉特征(Wang et al . 2013),主要以美学为基础,包括饱和度、饱和度对比度、对比度、冷色比、图形背景色差、图形地面区差异、前景纹理复杂性、背景纹理复杂性等。

 

  • Model learning.

学习模型。

  • Learning the proposed model is to find a configuration for the free parameters θ = {α, β, γ} that maximizes the log-likelihood objective function O(θ).

学习该模型是找到参数θ= {α、β、γ},最大化目标函数对数似O(θ)。

  • We introduce gradient descent method to solve the function,The gradient for each parameter μ is calculated as:

我们引入梯度下降法来解决函数,每个参数μ的梯度计算为:

 

  • where YU are the unknown labels.

YU 是未知的标签。

  • One challenge here is to directly calculate the two expectations.

这里的一个挑战是直接计算两点期望。

  • The graphical structure of our model may be arbitrary and contain cycles.

我们的模型的图形结构可能是任意的和包含循环。

  • Thus,we adopt Loopy Belief Propagation (LBP) (Murphy, Weiss,and Jordan 1999) approximate algorithm to compute the marginal probabilities of Y and YU. We are then able to obtain the gradient by summing over all the label nodes.

因此,我们采用圈信仰传播 (LBP) 近似算法(墨菲,维斯和约旦 1999年) 来计算 Y 和 YU 边际概率,然后我们可以通过对所有标签节点的求和来获得梯度。

  • An important point here is that the LBP process needs to be proceeded twice during the learning procedure, one for estimating P (Y |G, θ) and again for p(Y U|G, θ).

这里很重要的一点是,LBP过程在学习中需要进行两次,一个用于估计P(Y | G,θ),再次为计算P(Y U | G,θ)。

  • We update each parameter with a learning rate λ with the gradient.

我们用学习速率更新每个参数λ的梯度。

5、实验结果

数据集。我们在这个基于Flickr的论文中进行了所有的实验。具体地说,我们随机下载了2,060,353张图片和1,255,478名用户,他们将这些图片和他们的个人资料一起发布在Flickr上。如何衡量情感是情感计算中的一个关键问题。面对巨大的社会图像,手工标注无能为力。相反,我们使用标签和评论自动图像标签,这是以前工作中常见的方法(Xie 2013)(Hwang 2013)。我们使用WordNet5和HowNet6字典来为每个情绪类别获取200多个同义词,并手动验证它们。对于每一幅图像,我们将其标签和评论中的每个情感同义词类别进行计数,并选择最频繁的情感状态(如果存在)作为真实的情感。

通过这种方式,我们获得了用户在Flickr上的情感状态的分布:46.2%的快乐,9.7%的惊讶,8.0%的愤怒,5.3%的厌恶,17.3%的恐惧,13.5%的悲伤

任务和评价指标。给定输入网络G和情绪感染历史Y,我们构造一个训练数据集{(xvt yvt)} v∈v,t = 1···t,xvt表示和用户v和时间t的特征向量,和 yvt表示用户在时间t的情绪状态。我们的实验任务是预测用户的情绪状态在未来(t + 1)。评估,我们认为以下性能指标:准确度,召回率,和F1-评分。

比较的方法:SVM、LR、CRF、Role-aware

 

预测性能。

表1列出了在Flickr数据集上不同方法的情绪状态预测性能,我们的方法始终比比较方法获得更好的性能。在F1评分方面,与不考虑相关特征的方法相比,该模型的平均改进达到了44.3%。,SVM,LR,BN,和RBF。

CRF还考虑了一些相关特性(用户和时间戳的影响),从而提高了预测性能。然而,它不能包含社会角色信息,因此在f1评分中,比我们的方法要低19.1%。

我们对每个结果都进行了签名测试,这证实了我们在5种方法上的所有改进都具有统计学意义(p <<0.01)。

 

因子分析。在模型中,我们定义了三种类型的因素:pairwise传染因子、自传染因子和属性因子。我们在这里展示了这些因素是如何影响预测任务的。具体来说,我们首先使用属性因子来训练模型(称为Base)。然后,我们逐步增加了自传染因子(称为Base + Self)和pairwise传染因子(也称为All),并评估它们在预测性能上的改进,而只使用基本特性。图4(a)显示了结果。我们看到不同的因素在不同的情绪中有不同的贡献。例如,在预测“恐惧”时,自我传染因素非常有用,但在预测“厌恶”时则没有那么有用。从直觉上看,“厌恶”是一种持续了很短时间的情感,它对时间的依赖比“恐惧”少。另一方面,pairwise传染因子提高了对所有情绪的预测能力。

 

社会角色的影响。我们研究了不同比例的用户扮演社会角色会影响情绪预测的表现。具体来说,在建模之前,我们ρ%的用户定义为意见领袖和结构洞。我们现在检查不同的ρ如何影响预测性能。图4(b)显示了结果。我们可以看到,所有的情绪, 当ρ在10到20可以实现最佳的性能。当ρ小于10, 社会角色的数量太少,无法对预测有利。另一方面,太多的用户被认为是意见领袖和结构洞用户,这对性能造成了伤害

 

案例研究。我们最后用一个案例研究来证明在我们的预测任务中不同的社会角色的行为。图5显示了不同国家用户的情感分布和幸福程度。具体来说,从左到右的每个数字都显示了所有用户的真实情感分布和幸福度,分别是随机抽样的用户、意见领袖和结构漏洞。我们发现,在大多数国家,结构洞的幸福度和意见领袖的幸福度都高于真实分布。这可以用一个事实来解释,即结构洞和意见领袖是社交网络上的公众人物,他们非常重视积极情绪的传播,而普通用户则倾向于分享他们的日常生活。

 

    6、结论

  • In this paper, we study the interplay between users’ social roles and emotion contagion.

本文研究了用户社会角色与情绪感染之间的相互作用。

  • We find users with social roles of opinion leaders and structural hole spanners tend to be more influential than ordinary users in positive emotion contagion while be less influential in negative emotion contagion.

我们发现,具有社会角色的意见领袖和结构空洞型的用户往往比普通用户具有更大的影响力,在积极情绪的传染中,消极情绪感染的影响较小。

  • Our discoveries inspire us to propose a role-aware contagion model to predict users’ emotional status, which is evaluated on a real social media dataset.

我们的发现启发我们提出一个角色感知的传染模型来预测用户的情绪状态,在真实的社交媒体数据集上进行评估。

 

 

 

Emotions in Argumentation: an Empirical Evaluation

辩论中的情绪:经验评价

摘要:

论证通常被视为一种机制来支持不同形式的推理,例如决策和说服,但是所有这些方法都假设参与者是一个纯粹理性的行为。

然而,事实证明,人类的行为方式不同,混合了理性和情感的态度来指导他们的行为,人们声称,论证过程和参与这类过程的人所感受到的情绪之间存在着强烈的联系。

在本文中,我们通过一个实验来评估这一观点:在一些辩论中,人们用简单的英语进行辩论,并与参与者的情绪自动进行比较。

我们的研究结果显示了情绪和论证要素之间的对应关系。

在争论中,两种对立的观点相互矛盾,这反映在辩论家情绪的消极方面。

你可能感兴趣的:(数据结构与算法,测试,开发工具)