PromotionGo at SemEval-2025 Task 11: A Feature-Centric Framework for Cross-Lingual Multi-Emotion Detection in Short Texts

あなたは、28もの異なる言語を話す人々で満たされた部屋の「ムード」を理解しようとしているところだと想像してください。ささやいている人もいれば、叫んでいる人もいます。そして多くの人が、「嬉しい」と同時に「驚いている」といった、複数の感情が混ざり合った状態にあります。これが、PromotionGoチームがSemثال-2025 Task 11コンペティションで取り組んだ課題です。彼らの目標は、これらの多種多様な言語による短いテキストメッセージを読み取り、たとえ複数の感情が混ざり合っていたとしても、どの感情が存在するのかを正しく識別できるコンピュータシステムを構築することでした。

以下に、その手法を簡単な比喩を用いて説明します。

1. 核となる問題：一つのラベルでは足りない

従来の感情検出器は、厳格な教師のようなものです。その教師は、生徒に対して一日の感情を一つだけ選ぶよう強制します。「今日は幸せ？それとも悲しい？あるいは怒っている？」と。しかし、現実の世界はもっと複雑です。昇進して「嬉しい」と感じる一方で、新しい責任に対して「怖い」と感じることもあります。チームのシステムは、この「混ざり合った感情の袋」を扱うように設計されており、一つの文章が同時にいくつかの感情を抱きうることを認識しています。

2. 3ステップのレシピ

チームは「特徴量中心のフレームワーク（feature-centric framework）」を構築しました。これは、単に「おしゃれな名前」ですが、要するに、各言語にとって最高の料理を作るために、材料を入れ替えることができる「モジュール式のキッチン」を作ったということを意味します。彼らのレシピは、主に3つのステップで構成されています。

ステップA：言葉を数字に変換する（ドキュメント表現）

コンピュータは言葉を読むことはできません。数字しか理解できないのです。チームは、テキストを数字に変換するために3つの異なる方法を試しました。

• 「単語カウント」法 (TF-IDF): テキストの中に特定の単語が何回現れるかを数える方法ですが、「the」や「and」のような、感情をほとんど運ばない一般的な単語は無視します。これは、単純な集計表を使っているようなものです。チームは、これが特に学習データが少ない言語（低リソース言語）において、驚くほど効果的であることを発見しました。大量のライブラリ（例）がなくてもうまく機能する、信頼できる「古き良き道具」なのです。
• 「文脈辞書」法 (FastText & BPE): これは、コンピュータに単なる単語の意味だけでなく、そのパーツがどのように組み合わさっているかを知る辞書を与えるようなものです。未知の単語に出会っても、その小さな断片を見ることで意味を推測できます（例えば、「happy」を知っていれば、「unhappiness」という言葉も認識できるようなものです）。
• 「深い理解」法 (Sentence-BERT): これが最も「賢い」ツールです。文全体を読み、個々の単なる単語ではなく、その「雰囲気」や文脈を理解するポリグロット（多言語話者）のようなものです。これを使えば、「叫びたいほど嬉しい！」と「叫びたいほど腹が立つ！」の違いを、言葉が似ていても判別できます。ただし、このツールは重く、特定の学習が行われていない言語には苦戦することがあります。

驚きの事実: 研究対象となった多くの言語において、実はこのシンプルな「単語カウント」法（TF-IDF）が、超スマートな「深い理解」法よりも優れた結果を出しました。ある種の言語においては、深い文脈を推測しようとするよりも、単語を数える方が信頼性が高いことが判明したのです。

ステップB：混乱を整理する（次元削減）

時には、コンピュータが情報過多で圧倒されてしまうことがあります。図書館の中で、すべての本が巨大で混沌とした山のように積み重なっている中で、特定の1冊を探し出そうとする状況を想像してみてください。
チームは、**PCA（主成分分析）**という手法を用いました。これは、重複しているものや重要でないものを素早く仕分け、必要なものだけを残してくれる「賢い司書」のようなものです。

• 結果: これによってコンピュータが必ずしも「賢くなった」わけではありませんが、**「非常に速くなった」**のです。精度を損なうことなく、特に複雑なモデルの学習時間を大幅に短縮できました。

ステップC：最終判定（モデルのトレーニング）

テキストが変換され、整理された後、チームは感情を判断するための「審判」を必要としました。彼らはいくつかの異なる審判を試しました。

• 「ソロ・アクト」 (決定木): フローチャートに基づいて素早く決断を下すシンプルな審判です。速いですが、微妙なニュアレット（ニュアンス）を見逃すことがあります。
• 「合議制」 (投票分類器): 決定木、ランダムフォレスト、K近傍法といった異なる種類の審判たちが、答えに対して投票を行う仕組みです。単独の審判よりも安定しており、信頼できます。
• 「深く考える者」 (MLP): 複雑なパターンを学習するニューラルネットワークです。これが**「チャンピオン」**でした。微妙に混ざり合った感情を見つけ出すことに最も長けていましたが、その分「勉強（学習）」に最も時間がかかりました。

3. 彼らが見つけた大きな課題

• 「不均衡」の問題: データの中には、「怒っていない」といった感情が、「恐怖」などの他の感情よりも圧倒的に多く出現するという現象がありました。これは、クラスの生徒の90%が静かで、わずか10%しか叫んでいない教室のようなものです。コンピュータは静かな生徒を特定することには非常に長けていましたが、叫んでいる生徒を見つけるのは苦手でした。これにより、一般的な感情については高い精度が出ましたが、珍しい感情については精度が低くなってしまいました。
• 「未知の言語」のトリック: コンピュータが一度も見たことがない言語（オロモ語など）に対して、彼らは巧妙なハックを用いました。大規模なAIモデルに、コンピュータがすでに知っている「親戚」の言語を見つけさせ、その親戚の辞書を使って新しい言語を理解させるという方法です。これは、ポルトガル語の単語の意味を推測するために、スペイン語の辞書を使うようなものです。

4. 結論

PromotionGoのシステムは、「感情検出に万能な解決策（ワンサイズ・フィッツ・オール）は存在しない」ということを証明しました。

• ある言語にとっては、シンプルで速いツール（TF-IDF）が勝者となります。
• またある言語にとっては、複雑で深いツール（Sentence-BERT + MLP）が必要です。
• スピードか、賢さか: あなたは選択しなければなりません。即時の結果が必要ならシンプルなツールを、最高レベルの精度が必要で、コンピュータが「考える」のを待てるならディープラーニングモデルを選びます。

彼らのフレームワークは、スイスアーミーナイフのようなものです。単一の刃に頼るのではなく、それぞれの言語に合わせて、最適な道具（表現形式）、整理された作業スペース（次元削減）、そして最高の審判（モデル）を動的に選び出し、多様でグローバルな聴衆に対して優れた成果を保証します。