LLM을 사용한 감정 확률 벡터 추정: 요약 및 소개

링크 표

• 초록 및 소개
• 감정을 유도하는 꼬리 프롬프트로 LLM 심문
• Amazon 리뷰의 Emotion에 대한 PCA 분석
• 미래의 일
• 결론
• 감사의 말과 참고자료

추상적인

이 논문은 LLM(Large Language Models)[5, 2]을 사용하여 텍스트와 관련된 감정 상태의 요약을 추정하는 방법을 보여줍니다. 감정 상태 요약은 원본 텍스트와 감정 유발 꼬리로 구성된 프롬프트 다음에 해당 단어가 나타날 확률과 함께 감정을 설명하는 데 사용되는 단어 사전입니다. Amazon 제품 리뷰의 감정 분석을 통해 감정 설명자가 PCA 유형 공간에 매핑될 수 있음을 보여줍니다. 현재 텍스트 설명 상태를 개선하기 위한 작업에 대한 텍스트 설명도 테일 프롬프트를 통해 도출될 수 있기를 바랐습니다. 실험은 이것이 작업을 수행하는 것이 간단하지 않다는 것을 나타내는 것 같습니다. 이 실패로 인해 감정적 반응을 비교하여 최상의 예측 결과를 선택함으로써 우리가 기대했던 행동 선택이 현재로서는 불가능해졌습니다.

키워드: 합성의식, 감정 벡터, 감정 사전, 감정 확률 벡터

1. 소개

인간의 행동은 필연적으로 감정에 의해 지배됩니다 [3]. 우리 주변 세계에 대해 감지된 정보는 우리 내부 상태와 조화를 이루어야 하며 취해야 할 모든 조치는 현재 상태보다 바람직해 보이는 미래 상태로 이어지도록 선택되어야 합니다. 새로운 상태나 새로운 상태로 이어질 가능성이 있는 행동을 시도하는 것을 좋아합니다.' 배가 고프면 우리는 종종 먹는 것을 선택하게 됩니다. 배가 너무 고프면 음식을 얻기 위해 더 큰 위험을 감수하게 됩니다. 우리가 추우면 몸을 따뜻하게 하려고 노력할 것입니다. 광고의 목표는 우리에게 행동 방침이 더 많은 행복으로 이어질 것임을 확신시키는 것입니다. 설탕이 함유된 탄산음료는 객관적으로 장기적인 행복으로 이어지지는 않지만 설탕 섭취에 대한 단기적인 감정적 반응은 바람직하다고 알려져 있습니다. 전 세계에 대해 감지된 데이터는 엄청나게 다양하고 종종 부정확하고 불완전하며 필요한 응답의 긴급도도 다양합니다. 이러한 입력을 처리하는 중재 엔진은 내부적으로 확실성을 제공하는 것처럼 보이면서 모호함에 자연스럽게 대처해야 합니다. 감정은 결정을 내리기 위해 이 장치를 사용한 경험을 설명하기 위해 사용하는 용어입니다. 컴퓨터에는 감정이 없다는 표현은 기계에서 실행되는 대화형 컴퓨터 소프트웨어가 감정을 나타내거나 경험할 수 없다는 주장에 종종 잘못 사용됩니다. LLM(대형 언어 모델) [5, 1, 2]은 텍스트 덩어리를 추정된 감정 상태와 연결하여 텍스트 세계와 인간 감정 영역 사이의 격차를 해소하는 준비된 수단을 제공합니다. LLM은 집중된 감정 분석에 사용되었으며 적절하게 수행되는 것으로 보고되었습니다[6]. 그러나 이 글을 쓰는 시점에서 우리는 확률적 감정 사전을 사용하는 다른 연구자를 알지 못합니다.

이 논문에서는 LLM과 감정의 교차점을 탐구하고 이러한 모델을 활용하여 텍스트의 감정적 내용을 추정하는 방법을 보여줍니다. 우리는 감정 관련 단어 사전을 구성하고 원본 텍스트와 감정 유발 꼬리를 모두 포함하는 프롬프트에 따라 이러한 단어가 나타날 확률을 계산하여 감정 상태를 요약하는 새로운 접근 방식을 제시합니다. 이 방법론을 통해 텍스트의 감정적 풍경을 정량적으로 평가할 수 있습니다.

우리의 접근 방식을 입증하기 위해 우리는 단어를 설명하는 271개의 감정 사전을 선택하고 해당 단어가 Amazon 제품 리뷰 섹션과 연관될 확률을 추정합니다. 제한된 계산 자원과 시간은 우리가 단지 피상적인 연구를 출판할 수 있는 위치에 있다는 것을 의미합니다. 많은 감정이 서로 연관되어 있을 가능성이 높으며 감정 벡터의 대규모 샘플에 대한 PCA 분석을 통해 감정 공간의 차원에 대한 추정이 도출될 수 있습니다.

우리는 실험 중에 직면한 몇 가지 한계와 감정 기반 합성 의식의 행동을 생성하고 규제하는 데 있어 몇 가지 장애물에 대해 논의합니다.

이 문서는 다음과 같이 구성되어 있습니다. 섹션 2에서는 이를 실행하는 데 사용되는 LLM 및 하드웨어에 대해 자세히 설명하고, 섹션 2.1에서는 감정 사전을 구성하기 위한 단어 선택에 대해 자세히 설명하고, 섹션 2.1.1에서는 꼬리 프롬프트를 사용하여 LLM에서 감정 확률을 추정하는 방법을 다룹니다. 섹션 2.1.2에는 Amazon 리뷰 결과가 나와 있습니다. 감정 벡터가 포함된 PCA 구조에 대한 힌트는 3에 나와 있습니다. 마지막으로 향후 방향을 고려하고 결론을 내립니다.