NL-328, ARR 202601
Horses for Courses: Implicit Emotion Analysis with Contextual and Personalized Awareness ◼ Comment 요약 본 논문은 암묵적 감정 분석을 위해 독자(사용자)의 프로필과 과거 행동을 활용하여, LLM 기반 Reader Agent로 사용자별 감정 피드백과 감정 평점을 생성하는 프레임워크를 제안한다. 생성된 감정 표현은 팔로잉 관계와 댓글 관계에 기반한 다중-뷰 전파를 통해 사회적·맥락적 정보를 반영하도록 확장된다. 최종적으로 이러한 통합 감정 표현을 사용해 감정을 분류한다. 강점 사용자의 관점을 모델링하기 위해, 사회적 맥락 정보를 활용해 감정 분류의 성능을 향상시킨다. LLM을 supervision이 아닌 중간 신호 생성기로 사용하여, 암묵적 감정이라는 직접 라벨링이 어려운 문제를 연속적인 감정 평점과 자연어 피드백으로 우회적으로 모델링한다. 단점 독자 인식에 대한 동기와 학습 목표 간의 불일치 본 논문은 동일한 콘텐츠가 독자에 따라 다르게 인식될 수 있음을 핵심 동기로 제시하지만, 실제 학습에서는 독자와 무관한 고정된 감정 레이블을 예측하도록 설계되어 있다. 이로 인해 독자별 감정 차이를 모델링하려는 문제 설정과, 단일 감정 레이블 분류라는 학습 목표 사이에 개념적 불일치가 존재한다. LLM 의존도가 높은 전체 파이프라인 설계 제안한 방법은 LLM을 활용해 감정 평점과 감정 피드백을 생성함으로써 정보량을 확장하지만, 이로 인해 LLM에 의존하게 된다. 특히 추론 단계에서도 이러한 LLM 기반 과정이 요구된다면, 모델의 실용성과 안정성 측면에서 한계가 발생할 수 있다. LLM 생성 감정 신호의 신뢰성 검증 부족 섹션 3.2에서 사용되는 LLM 기반 감정 평점과 감정 레이블은 핵심 중간 신호임에도 불구하고, 이들의 정확성이나 일관성에 대한 정량적 검증이 충분히 제공되지 않는다. 과도하게 많은 비교 모델과 제한적인 설명 표 1에는 다양한 비교 모델들이 포함되어 있으나, 각 ...