Deep learning model trained by weak supervision for emotion classification from textual content

Emocije su neodvojiva pojava od čovječanstva. Utječu na socijalnu povezanost, etičnost, odlučivanje i ophođenje. Emocionalan sadržaj nekog materijala može utjecati na naše ponašanje prema našoj okolini ili bližnjima. Zbog toga je bitno biti svjestan moguće emocionalne reakcije koju potiče neki sadržaj. Ovaj rad planira riješiti taj problem treniranjem modela za klasifikaciju emocija iz teksta. Model je utreniran finim podešavanjem nad BERT modelom uz pomoć transformera, koristeći označen skup podataka. Taj skup podataka nastao je slabo-nadziranim učenjem iz izvornog skupa kratkih izreka i citata koji su označeni kratkim fragmentima teksta (eng. \textit{tags}). Četvero nezavisnih analitičara stvorilo je funkcije označavanja mapiranjem fragmenata teksta u emocije. Označavanje je obavljeno uz pomoć biblioteke Snorkel. Utrenirani model klasificira 28 emocija, a moguće ga je koristiti preko REST servisa.Emotions are an inseparable phenomenon from humanity. They affect social cohesion, ethics, decision-making, and behavior. Emotions in content can affect our behavior towards our environment or our loved ones. Therefore, it is important to be aware of the possible emotional reaction stimulated by content. This paper plans to solve this problem by training a model for classifying emotions from a text. The model was trained by fine-tuning over the BERT model with the help of transformers, using a labeled data set. This set of data was created by weakly-supervised learning from the original data set of quotes labeled with short fragments of text (tags). Four independent analysts have created labeling functions by mapping tags into emotions. Labeling was done with the help of the Snorkel library. The trained model classifies 28 emotions, and it can be used via the REST service