Być może znasz Word2Vec (W2V), który jak Wikipedia opisuje 1 „przechwytuje konteksty językowe słów” za pomocą arytmetyki wektorowej. Na przykład odejmij „Paryż” od „Francja” i dodaj „Włochy”, a otrzymasz „Rzym”.
Potrzebujesz czegoś takiego jak Sentiment2Vec (S2V), który uchwyci podobieństwa między przejściami emocjonalnymi. Coś w stylu: odejmij „strach” od „smutku”, dodaj „radość”, a otrzymasz „nadzieję”. Lub: odejmij „żądło” od „wycinanki”, dodaj „rozbite”, a otrzymasz „pulsowanie”.
Chodzi o to, że nie masz łatwo dostępnego korpusu kontekstów emocjonalnych, z którymi możesz trenować, tak jak ze słowami. Jeśli miałeś milion godzin fMRI - odwzorowując przejścia między emocjami u setek badanych - możesz użyć tych danych do zbudowania S2V. Prawdopodobnie nie masz tych danych.
W międzyczasie możesz po prostu zbudować W2V, który specjalizuje się w sentymentach. Możesz nawet spróbować użyć obecnego silnika analizy sentymentów, aby go uruchomić. Być może, jeśli przeczytasz wystarczającą ilość tekstu z napisem „Mam wycinankę i kłuje” oraz „Roztrzaskałem palec i pulsuje”, możesz w końcu wyprodukować S2V. Książki dla dzieci często używają wyraźnego języka w kontekście emocjonalnym („to sprawiło, że chłopiec poczuł smutek”).
Ale słowa wciąż są dalekie od kontekstu empirycznego, który zapewnia mapa connectome. Aby sprawdzić, czy masz coś pożytecznego, czy nie, możesz zaimplementować S2V w symulacji żerowania myszy - sprawdź, czy wywołuje to typowe zachowanie i czy jakaś dynamika kooperacyjna lub konkurencyjna może organicznie wyrosnąć z S2V.
Kilka dalszych informacji na ten temat:
W 2014 roku Glasgow University stwierdził 2, że istnieją cztery podstawowe emocje: szczęście, smutek, strach i gniew.
Ta strona 3 zapewnia ładny (choć nieco krótki) hierarchiczny podział emocji wtórnych i trzeciorzędnych na emocje pierwotne.
Referencje
1 : en.wikipedia.org/wiki/Word2vec
2 : www.bbc.com/news/uk-scotland-glasgow-west-26019586
3 : changeminds.org/explanations/emotions/basic%20emotions.htm