1    Overview

In this assignment, you will develop and critically analyse models for predicting the sentiment of Tweets. That is, given a tweet, your model(s) will predict whether the sentiment of the message is positive or negative. You will be provided with a data set of tweets that have been labelled with their sentiment. In addition, each Tweet is labelled with the variety of English in which it is written: African American English or Standard American English. You may use this additional information allows you to investigate whether your models work equally well across different social groups of English speakers. The assessment provides you with an opportunity to reflect on concepts in machine learning in the context of an open-ended research problem, and to strengthen your skills in data analysis and problem solving.

The goal of this assignment is to critically assess the effectiveness of various Machine Learning algorithms on the problem of determining a tweet’s sentiment, and to express the knowledge that you have gained in a technical report. The technical side of this project will involve applying appropriate machine learning algo- rithms to the data to solve the task. There will be a Kaggle in-class competition where you can compare the performance of your algorithms against your classmates.

The focus of the project will be the report, formatted as a short research paper. In the report, you will demon- strate the knowledge that you have gained, in a manner that is accessible to a reasonably informed reader.

2    Deliverables

Stage I: Model development and testing and report writing (due May 13):

1. One or more programs, written in Python, including all the code necessary to reproduce the results in your report (including model implementation, label prediction, and evaluation). You should also include a README file that briefly details your implementation. Submitted through Canvas.

2. An anonymous written report, of 2000 words (土10%) excluding reference list. Your name and student ID should not appear anywhere in the report, including the metadata (filename, etc.). Submitted through Canvas/Turnitin.

3. Predictions for the test set of tweets submitted to the Kaggle1in-class competition described in Sec 6. Stage II: Peer reviews (due May 18th):

1. Reviews of two reports written by your classmates, of 200-400 words each. Submitted through Canvas.

3    Data Sets

You will be provided with a training set of Tweets, labeled with a sentiment (target label) and English variety (demographic label); a development set with the same labels which you should use for model selection and tuning; a test set with no target (but demographic) labels, which will be used for final evaluation in the Kaggle in-class competition; and an unlabelled data set providing additional Tweets with no labels at all, which you may use for semi- or unsupervised learning approaches.

Data format    All data sets are provided as pickled Pandas DataFrames.  Each row in the DataFame corre- sponds to one instance.  It contains the tweet content, its target sentiment label (train and dev only) and its demographic label (train, dev and test only).

Target Labels

These are the labels that your model should predict (y). In the provided data set, each tweet is labelled with one of two possible sentiment values:

• Positive

• Negative

Demographic Labels

Demographic labels provide additional meta information about the Tweet. They should only be used to evaluate models on specific subgroups of Twitter users, but not be predicted (and probably not used as features, although you can discuss this in your report). In the provided data set, each tweet is labelled with one of two possible demographic labels indicating the language variety of the tweet:

• AAE (African American English)

•  SAE (Standard American English)

3.1    Features

To aid in your initial experiments, we have created different feature representations from the raw tweets. You may use any subset of the representations described below in your experiments, and you may also engineer your own features from the raw tweets if you wish. The provided representations are

1. Raw    The raw tweets represented as a single string, e.g.,

“ill explain everything in a bit ill explain you everything”

2. TFIDF    We applied term frequency - inverse document frequency pre-processing to the Tweets for feature selection.  In particular, we (1) removed all stopwords and (2) only retained the 1000 words in the full raw Tweet data set with highest TFIDF values. As a result, each Tweet is now represented as a 1000 dimensional feature vector, each dimension corresponding to one of the 1000 words. The value is 0 if the word did not occur in the Tweet, and the word’s TFIDF score if the word occurs in the Tweet. Note that most values will be 0.0 as

Tweets are short. E.g.,

[0.0, 0.0, 0.0, 0.0, . . . 0.998, . . . 0.0]

A 1000-dimensional

list of numbers

TFIDF score of word in Tweet

Word not in Tweet

The Feature Selection lecture and associated Code (in week 5) provides more information on TFIDF, as well as Sch              tzeetal. (2008).

The file tfidf_words.txt contains the 1000 words with highest TFIDF value, as well as their index in the vector representations. You may use this information for model/error analysis.

3.  Embedding    We mapped each Tweet to a 384-dimensional embedding computed with a pre-trained lan- guage model, called the Sentence Transformer (Reimers and Gurevych, 2019).2   These vectors capture the “meaning” of each Tweet so that similar Tweets will be located closely together in the 384-dimensional space. E.g.,

[2.05549970e-02 8.67250003e-02 8.83460036e-02 -1.26217505e-01 1.31394998e-02 . . .]

a 384-dimensional list of numbers

4    Project Stage I

You should formulate a research question (two examples provided below), and develop machine learning algo- rithms and appropriate evaluation strategies to address the research question.

You should minimally implement and analyse in your report one baseline, and at least two different machine learning models.  N.B. We are more interested in your critical analysis of methods and results, than the raw performance of your models. You may not be able to solve the research question, which is perfectly fine, but you should analyse and discuss your (possibly negative) results in depth.

1. Research Question

You should address one research question in your project.  We propose two research questions below, for inspiration but you may propose your own. Your report should clearly state your research question. Addressing more than one research question does not lead to higher marks. We are more interested in your critical analysis of methods and results, than the coverage of more content or materials.

Research Question 1: Does Unlabelled data improve Twitter sentiment classification?

Various machine learning techniques have been (or will be) discussed in this subject (Naive Bayes, 0-R, clus- tering, semi-supervised learning); many more exist. These algorithms require different levels of supervisions: some are supervised, some unsupervised and some combine both strategies. Develop machine learning models that leverage different amounts of supervision, using the train and unsupervised data sets.  You may also want to experiment with different feature representations (Sec 3.1). You are strongly encouraged to make use of machine learning software and/or existing libraries in your attempts at this project (such as sklearn or scipy).  What are the strengths and weaknesses of the different machine learning paradigms?  Can you effectively combine labelled and unlabelled training data?

Research Question 2: Exploring Bias in Twitter sentiment classification

Compare different models and/or feature representations in their performance of on the two different demo- graphic groups in the data set (SAE vs AAE) separately. You will find that most models do not work equally well for both groups.  Critically analyse the gap, and try to explain it in the context of the concepts covered in this subject. Can you adapt your models to close the performance gap? How? Note:   your grade does not depend on your success in closing the performance gap. Interesting, failed attempts with in-depth analyses are perfectly acceptable.

2. Feature Engineering (optional)

We have discussed three types of attributes in this subject: categorical, ordinal, and numerical. All three types can be constructed for the given data. Some machine learning architectures prefer numerical attributes (e.g. k- NN); some work better with categorical attributes (e.g. multivariate Naive Bayes) – you will probably observe this through your experiments.

It is optional for you to engineer some attributes based on the raw Tweets dataset (and possibly use them instead of – or along with – the feature representations provided by us).  Or, you may simply select features from the ones we generated for you (tfidf, and embedding).

3. Evaluation

The objective of your learners will be to predict the classes of unseen data. We will use a holdout strategy: the

data collection has been split into three parts: a training set, a development set, and a test set. This data will be available on the LMS.

To give you the possibility of evaluating your models on the test set, we will be setting up a Kaggle In- Class competition. You can submit results on the test set there, and get immediate feedback on your system’s performance. There is a Leaderboard, that will allow you to see how well you are doing as compared to other classmates participating on-line.

4. Report

You will submit an anonymised report of 2000 words in length (土10%), excluding reference list. The report should follow the structure of a short research paper, as discussed in the guest lecture on Academic Writing.

It should describe your approach and observations, both in engineering (optional) features, and the machine learning algorithms you tried.  Its main aim is to provide the reader with knowledge about the problem, in particular, critical analysis of your results and discoveries.  The internal structure of well-known machine learning models should only be discussed if it is important for connecting the theory to your practical observa- tions.

• Introduction: a short description of the problem and data set, and the research question addressed

• Literature review: a short summary of some related literature, including the data set reference and at least two additional relevant research papers of your choice. Other options are provided in the Reference list of this document. You are encouraged to search for other references, for example among the articles cited within the papers referenced in this document.

• Method: Identify the newly engineered feature(s), and the rationale behind including them (Optional). Explain the methods and evaluation metric(s) you have used (and why you have used them)

• Results: Present the results, in terms of evaluation metric(s) and, ideally, illustrative examples

• Discussion / Critical Analysis: Contextualise** the system’s behavior, based on the understanding from the subject materials as well as in the context of the research question.

• Conclusion: Clearly demonstrate your identified knowledge about the problem

• A bibliography, which includes Blodgett et al.(2016), as well as references to any other related work you used in your project. You are encouraged to use the APA 7 citation style, but may use different styles as long as you are consistent throughout your report.

** Contextualise implies that we are more interested in seeing evidence of you having thought about the task and determined reasons for the relative performance of different methods, rather than the raw scores of the different methods you select. This is not to say that you should ignore the relative performance of different runs over the data, but rather that you should think beyond simple numbers to the reasons that underlie them.

We will provide LATEXand RTF style files that we would prefer that you use in writing the report. Reports are to be submitted in the form of a single PDF file. If a report is submitted in any format other than PDF, we reserve the right to return the report with a mark of 0.

Your name and student ID should not appear anywhere in the report, including any metadata (filename, etc.). If we find any such information, we reserve the right to return the report with a mark of 0.

Project Stage II

During the reviewing process, you will read two anonymous submissions by your classmates. This is to help you contemplate some other ways of approaching the Project, and to ensure that every student receives some extra feedback. You should aim to write 150-300 words total per review, responding to three ’questions’:

• Briefly summarise what the author has done in one paragraph (50-100 words)

• Indicate what you think that the author has done well, and why in one paragraph (50-100 words)

• Indicate what you think could have been improved, and why in one paragraph (50-100 words)

5    Assessment Criteria

The Project will be marked out of 30, and is worth 30% of your overall mark for the subject. The mark break- down will be:

Report Quality: (26/30 marks)

You can consult the marking rubric on the Canvas/Assignment 3 page which indicates in detailed categories what we will be looking for in the report.

Kaggle: (2/30 marks)

For submitting (at least) one set of model predictions to the Kaggle competition.

Reviews: (2/30 marks)

You will write a review for each of two reports written by other students; you will follow the guidelines stated above.

6     Using Kaggle

The Kaggle in-class competition URL will be announced on LMS shortly. To participate do the following:

• Each student should create a Kaggle account (unless they have one already) using your Student-ID

• You may make up to 8 submissions per day. An example submission file can be found on the Kaggle site.

•  Submissions will be evaluated by Kaggle for accuracy, against just 30% of the test data, forming the public leaderboard.

• Prior to competition close, you may select a final submission out of the ones submitted previously – by default the submission with highest public leaderboard score is selected by Kaggle.

• After competition close, public 30% test scores will be replaced with the private leaderboard 100% test scores.

7    Assignment Policies

7.1    Terms of Data Use

The data set is derived from the resource published in Blodgett et al. (2016):

Su Lin Blodgett, Lisa Green, and Brendan O’Connor.  2016.  Demographic Dialectal Variation in Social Media: A Case Study of African-American English.  In Proceedings of the 2016 Con- ference on Empirical Methods in Natural Language Processing, pages 1119–1130, Austin, Texas. Association for Computational Linguistics.

This reference must be cited in the bibliography.  We reserve the right mark of any submission lacking this

reference with a 0, due to violation of the Terms of Use.

Please note that the dataset is a sample of actual data posted to the World Wide Web.   As such, it may contain information that is in poor taste, or that could be construed as offensive.  We would ask you, as much as possible, to look beyond this to the task at hand.  If you object to these terms, please contact us ([email protected]) as soon as possible.