Beyond a Single Sentiment Score: Topical and Affective Dimensions of Emoji Meaning on Twitter
作者: Rohan James, Ioannis Christofilogiannis, Yuuv Jauhari, Shreya Shah, Gauri Pethkar
分类: cs.CL, cs.AI, cs.SI
发布日期: 2026-10-20
备注: 12 pages, 4 figures, 8 tables
💡 一句话要点
提出多维度表情符号分析方法以解决情感评分不足问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 表情符号分析 情感极化 社交媒体 情感计算 自然语言处理 讽刺分类 多维度情感
📋 核心要点
- 现有研究通常将表情符号的意义简化为单一情感评分，忽视其在不同主题上下文中的多样性和复杂性。
- 本文提出通过分析表情符号在特定主题中的使用情况，来揭示其情感极化特征，采用稳定性增量作为度量标准。
- 实验结果显示，表情符号在聚类主题中的情感极化显著，且在讽刺分类任务中表现出色，验证了数据集的有效性。
📝 摘要（中文）
表情符号通常被视为情感的紧凑标记，其意义由单一情感评分概括。本文认为这一观点不够全面。通过分析16,575条英文推文及一种称为稳定性增量的度量，研究表明在紧密聚类的主题上下文中使用的表情符号展现出更极化的众包情感。与Kralj Novak等（2015）的情感词典验证结果一致，Spearman相关系数为ρ= +0.361，且经过多种统计检验，结果依然显著。此外，研究还通过五折交叉验证对讽刺分类进行了下游检查，所有基线模型的宏观F1分数均超过0.97，表明数据集具有饱和的表情符号标签线索。
🔬 方法详解
问题定义：本文旨在解决表情符号意义分析中仅依赖单一情感评分的不足，现有方法未能充分考虑表情符号在不同主题中的多样性和情感极化特征。
核心思路：通过引入稳定性增量这一度量，分析表情符号在特定主题上下文中的使用情况，揭示其情感极化特征，提供更全面的情感分析视角。
技术框架：研究首先构建了一个包含16,575条推文的语料库，计算每个表情符号的稳定性增量，并通过与情感词典的对比验证其有效性。随后，进行讽刺分类的五折交叉验证，评估模型性能。
关键创新：本研究的创新在于提出了稳定性增量这一新度量，强调了表情符号在聚类主题中的情感极化特征，与传统单一情感评分方法形成鲜明对比。
关键设计：在实验中，采用了多种统计检验方法（如置换检验、BCa自助法等）来验证结果的稳健性，并使用了多种基线模型（如门控多模态架构、微调的BERTweet和RoBERTa特征）进行讽刺分类，确保了实验的全面性和可靠性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，表情符号在聚类主题中的情感极化显著，Spearman相关系数达到ρ= +0.361，且在讽刺分类任务中，所有基线模型的宏观F1分数均超过0.97，表明数据集具有饱和的表情符号标签线索，验证了研究的有效性。
🎯 应用场景
该研究的潜在应用领域包括社交媒体情感分析、市场情报、用户反馈分析等。通过更准确地理解表情符号的多维度意义，企业和研究者可以更有效地捕捉用户情感，优化产品和服务。未来，该方法还可以扩展到其他语言和文化背景下的表情符号分析。
📄 摘要（原文）
Emoji are widely treated as compact affective tokens whose meaning is summarised by a single sentiment score. We argue that this picture is incomplete. From a corpus of 16{,}575 English tweets and a per-emoji metric we call \emph{stability delta} (within-class minus between-class cosine similarity of sentence embeddings), we show that emojis used in tightly clustered topical contexts also exhibit \emph{more} polarised crowd-sourced sentiment, not less. Validated against the Kralj Novak et al.\ (2015) sentiment lexicon, the central correlation is Spearman $ρ= +0.361$ (Holm $p = 0.015$, 95\% bootstrap CI $[+0.10, +0.59]$); against the independent Ferré et al.\ (2025) Spanish 13-emotion ratings, $ρ= +0.509$ ($p = 0.0003$). The result survives permutation testing, BCa bootstrap, leave-one-out jackknife, partial correlation controlling for emoji frequency, and Holm correction across a four-test family. Topical coherence and affective dispersion are distinct dimensions of emoji meaning. As a downstream check we report leakage-free five-fold cross-validation results for sarcasm classification on the Emoji Sarcasm Dataset; all three baselines (a gated multimodal architecture, fine-tuned BERTweet features, and fine-tuned RoBERTa features) score above 0.97 macro F1, indicating the dataset has saturating emoji-label cues. We frame the classifier as supporting evidence rather than the contribution.