你有多正面？
或許你比你想像的更正面一些。
2006 年秋，我以大四專題生的身分加入臺灣大學自然語言處理實驗室，開始跟隨陳信希老師工作──來美國以後，我有意識地改口稱「work with」指導教授而非「work for」，但陳老師確是領我進門的老師，日後我與朋友提及「老師」多半是指陳老師。除了用「跟隨」以外我想不出更適切的字眼──
此後的四五年間，直到我 2011 年赴美為止，我主要的研究工作都集中在中文的情感分析（sentiment analysis）技術上，並幸運地發表了幾篇論文。
總的來說，「情感分析」是一門自動分析文章裡「意見或情感傾向」的技術（故又名「意見探勘」，opinion mining）。例如你寫了一篇文章，其中的情緒是什麼？評論的對象是誰？而你對這評論主題的意見是支持還是反對？在這大題目下有許多小題目可做：例如情緒（emotion）和意見（opinion）並不是同一回事，如何定義他們、如何預測、兩者是否有關？例如如何抽取一篇文章正在談論的主題、如何測量該作者對這主題的評價？又例如，每個使用者的表達水平（express level）不同，有人很容易高興、有人則很嚴苛，在同一組資料中（例如，來自同一購物網站的「所有使用者」的評論），如何模擬這種差異性？
我的其中一項工作，是中文文本的「意見極性預測」（polarity prediction）。
其實很簡單，就是給定一段文字，我們將這段文字的意見傾向分為三種極性：正面（positive）、中性（neutral）、負面（negative），施以各種神奇的數學模型、根據已知的資訊（像是，這篇文章用了什麼字）之後，設法預測文章的意見極性。
2006 年前後，我剛進實驗室時，差不多是情感分析發展到頂峰的時期。Lillian Lee 與 Bo Pang 合寫的集大成文章「意見探勘與情感分析」（Opinion mining and sentiment analysis）在 2008 年出版（至今引用數已經有兩千多次），Jan Wiebe 最重要的幾篇文章也都是在這前後發的。
而我要說的卻是我在實驗室的最後一年，2010 年開始的故事。
2010 年我替代役退伍，決定赴美讀書，便先回到陳老師的實驗室擔任研究助理。
其時老師收了一位在職專班的碩士生Ｕ，是在某大電信公司工作的工程師。Ｕ長得挺高，人非常老實、實作能力很強（大家苦不堪言的程式課他也只笑笑地說「學長，這個課有一點麻煩」），但沒有什麼作研究的經驗。
老師竟決定讓我帶著Ｕ做研究。
我也不知道哪來的自信，一口答應了。（仔細想想我也才進學術圈沒幾年、論文都沒發幾篇，根本只是新手村的等級，到底憑什麼帶人作研究。）
大抵初生之犢不畏虎（此刻要我再帶人我是決計不敢的），湊合著也就開始了。我們找了一些中文的材料來作情感分析：房地產新聞、標準新聞語料庫、還有美食網站上的使用者評論等等。由於Ｕ對這個領域很陌生，我們一步一步慢慢做，從整理數據（這比想像中更花時間，我想大概有三分之一的時間在做這個）、標 data、抽 feature、跑實驗，從簡單的 language model、cosine similarity 一路做到 libSVM，整份研究也慢慢有了點基礎。
其中，我們自然也嘗試了一個非常
中文的情緒辭典早有人建好，我們拿來用即可。
在實驗的過程中我們發現一件事：正面詞的出現頻率比負面詞多太多了。
我們總共統計了四個不同的中文資料庫，無論在哪一種文件上，正面詞出現的頻率都是負面詞的兩到五倍。
兩到五倍──換句話說，你平均講一次「討厭」，就會講三次「喜歡」（或者更多）。
作為一個有文學學位的偽理工人，我興奮極了，立刻開始著手蒐集文獻。
這一現象原來不是什麼新發現，是早在 1969 就有人寫成論文的「波莉安娜效應」（或稱波莉安娜假說，"The Pollyanna hypothesis"）。論文裡開宗明義，說在溝通時，比起負面詞，人類傾向於更為頻繁而多樣地（ more frequently and diversely ）使用等價的正面詞（evaluatively positive words）。
我又繼續往下鑽，發現不僅是英文，包括中文、西班牙文、德文、甚至橫跨 20 種語言的研究都反映了類似的現象。於是我接著又想：那是不是能夠利用這個現象改善情緒分析呢？
與Ｕ和老師討論過後，我們決定從這個小題目著手，試著尋找改善情感分析技術的方法。
時間過得很快， 我即將離開臺灣赴美讀書。我們的實驗做得很不順利，嘗試了各種方法都一一失敗，但我還是趕在離臺前催促Ｕ先把手上的成果整理整理，寫成論文，投了當年的 IJCNLP 會議。
那是 2011 年的七月。八月七號我就到了美國。
論文毫無懸念被拒了。畢竟實驗結果不太理想。
我人在美國，回信報告老師論文被拒的消息，也順便安慰了一下Ｕ（想我第一次論文被拒的時候也很受傷）。我說：既然這會是你碩士論文的一部份，我們再慢慢研究要怎麼補實驗、改投其他會議吧。
Ｕ依舊很有禮貌地回信說，謝謝學長。
美國的生活千頭萬緒，這件事一擱就是半年。2012 年初，在 CMU 找好老闆、生活也大致適應了，這篇文章又重新浮上心頭。我寄信與老師提議，把這篇文章改投 ACL 短文，Ｕ補做了一些實驗，我同時又多蒐集了一些資料。
「波莉安娜」一詞源於 1913 年出版的暢銷小說《波莉安娜》（Pollyanna）。故事中的女主角波莉安娜是一位極其樂觀的少女，總能以「玩遊戲」的正面心情面對生活中的各種苦難。該小說後來分別於 1920 和 1960 年代被翻拍成電影，紅極一時，「波莉安娜」也就此成為「樂觀者」的代名詞。
──寫是這麼寫，但我 1980 年代過到一半才出生吶。那是一本我出生前 70 年出版的書、我出生前 20 年紅的電影，我無論如何都不可能看過。
於是我上 Amazon 把這本小說買了下來。
只是 2012 年對我親愛的波莉安娜來說是很難樂觀的一年。
三月我們先投了 ACL 短文，被拒；
四月又投了 EMNLP 長文，被拒；
七月時 Ｕ口試通過、碩士畢業，八月我們決定最後一試，把論文投往不分長短、這年辦得亂七八糟的 COLING ──
還是被拒了。
這年 COLING 辦在印度，組織得亂七八糟，各種更改時間不說，連會議地點與旅遊的消息都亂成一團。
十一月，收到 COLING 拒絕信的當天，我在走廊上與Ｗ抱怨，說文章一直發不出去啊。真是好難。 此時波莉安娜已被拒過四次，雖然我們也自知是實驗效果不佳的緣故，但心裡總是有些不甘心。
這時Ｗ對我說：噢，COLING 不是還有 demo paper 可以投嗎？
Demo paper 是長文短文以外，水準再次一級的文章。通常是給系統導向、研究成份較少，但卻可以現場展示結果的作品──我回答他：但截稿日期不是過了嗎？
Ｗ笑笑回答我：今年 COLING 辦得這麼亂，況且又是 demo paper，我打賭你現在投都還可以。
我直接飛奔回辦公室，看了 demo paper 的格式：好，再減兩頁！於是立刻選定其中比較與主幹無關的兩個段落，大刀一砍，重新排版，好了。正好少兩頁。
打開系統，上傳。
竟然還真的上傳成功了。
而且上了。
我們的論文是 NLP 社群中第一篇在中文語料上針對「波莉安娜現象」作大規模分析的論文：
Ting-Hao (Kenneth) Huang, Ho-Cheng Yu and Hsin-Hsi Chen. (2012). Modeling Pollyanna Phenomena in Chinese Sentiment Analysis. Proceedings of the COLING 2012 as a demo paper.
（As a disclaimer）不是特別頂尖的會議、也不是特別有用的研究；後來我託Ｗ帶海報去印度的會議上交給陳老師，請老師幫我報告論文，但這件事也沒辦成── Demo paper 的會場根本不提供海報架──事後老師對我說，demo paper 的會場，人們三三兩兩的，根本就沒什麼人來聽；甚至連會議安排的旅遊行程都糟透了，帶大家搭幾個小時的車去看一處洞穴，到的時候竟已天黑了。
儘管這趟旅程如此荒謬而漫長，我仍非常欣慰波莉安娜終於還是找了個好人家。
關於為什麼正面詞出現頻率遠高於負面詞，至今心理學界都還沒有定說。有人認為是因那些詞彙「正面」所以「常用」、也有人說是因那些詞「常用」所以「正面」。（Adam A. Augustine 等人在 2011 年發表過一篇論文，裡頭簡短整理了各種解釋這現象的理論。）
至於我買的那本 1996 重出的新版《波莉安娜》，至今仍放在我的書櫃深處。
我只看到第五頁、主角的姑姑還是婆婆通知她有個親戚要來的那段，就默默放棄了。
20140422@書一百 (9)
沒有留言:
張貼留言