211service.com
Neurale netwerk beoordeelt afbeeldingen voor geluksniveaus
Sentimentanalyse zorgt voor een revolutie in de studie van communicatie met een groot aantal bedrijven die het nu als een service aanbieden. Het idee is om de patronen van woorden in berichten zoals tweets en blogs te bestuderen om te bepalen in hoeverre ze positief of negatief zijn. Zo kunnen bedrijven, organisaties en politieke partijen automatisch meningen over hun merken volgen.
Maar hoewel deze technologie evolueert, is er weinig onderzoek gedaan naar het sentiment in foto's. Vandaag verandert dat dankzij het werk van Can Xu aan de Universiteit van Californië, San Diego, en een groep onderzoekers van Yahoo Labs in Sunnyvale. Deze mensen hebben een manier ontwikkeld om automatisch het sentiment in verband met een foto te beoordelen en te zeggen dat deze beter presteert dan andere geavanceerde technieken.
Xu en co beginnen niet vanaf nul. Hoewel sentiment in afbeeldingen grotendeels is genegeerd, is het probleem van objectherkenning in afbeeldingen een goed ontwikkeld gebied dat de afgelopen jaren met grote sprongen is verbeterd.
Dus Xu en co beginnen met een neuraal netwerk dat al is getraind op een dataset van afbeeldingen die objecten laten zien die zijn onderverdeeld in 1000 classificaties. Wanneer een afbeelding wordt getoond, geeft dit netwerk een distributie die laat zien hoe waarschijnlijk het is dat de afbeelding in elk van deze 1.000 classificaties valt.
Het is deze 1000-dimensionale output die Xu en co gebruiken in hun onderzoek. Ze nemen eerst twee datasets met afbeeldingen van Tumblr en Twitter die al zijn beoordeeld op sentiment op een vijfpuntsschaal van zeer negatief, negatief, neutraal, positief en zeer positief.
Vervolgens trainen ze een machine learning-algoritme om een correlatie te vinden tussen de uitvoer met 1000 dimensies en het sentiment. Nadat ze de machine hebben getraind, vergelijken ze deze met twee andere ultramoderne technieken voor sentimentanalyse, zoals een die vertrouwt op visuele kenmerken op een laag niveau zoals afbeeldingskleur en een andere genaamd SentiBank, die een bijvoeglijk naamwoord-beschrijving van een afbeelding genereert en geeft daardoor een gevoel van sentiment.
Xu en co zeggen dat hun techniek dramatisch beter presteert dan de bestaande benaderingen. Experimenten tonen aan dat onze voorgestelde modellen beter presteren dan de state-of-the-art methoden op zowel Twitter- als Tumblr-datasets, zeggen ze.
Dat is een nuttige start in het beginnende veld van beeldbewuste analyse. De resultaten suggereren voor het eerst dat convolutionele neurale netwerken veelbelovend zijn voor visuele sentimentanalyse, zeggen ze.
Toch staat er nog veel werk te gebeuren. Een berucht probleem met op woorden gebaseerde sentimentanalyse is dat het niet omgaat met subtiele culturele invloeden, zoals sarcasme en ironie. En dit soort uniek menselijk gedrag kan de betrouwbaarheid van sentimentanalyse ernstig verminderen.
Hoe belangrijk dit soort eigenaardigheden voor foto's zullen zijn, moet nog worden bepaald, maar beeldsentiment is misschien nog een ander gebied waarop menselijke prestaties binnenkort zullen worden gecontroleerd en misschien zelfs geëvenaard door machines.
Referentie: arxiv.org/abs/1411.5731 : Visuele sentimentvoorspelling met diepe convolutionele neurale netwerken