소셜미디어상의 온라인 리뷰 데이터들은 사용자의 주관적인 의견을 가장 정확하게 분석할 수 있는 마케팅 지표로 주목받고 있다. 이러한 소셜미디어의 정보들은 사용자가 리뷰를 통해 긍정과 부정을 느끼고 이를 분석해 주는 감성분석은 여러 분야에서 활용되고 있다. 감성분석이란, 텍스트에 표현된 개체와 그 속성에 대한 의견, 감성, 성향, 태도 등과 같은 주관적인 데이터를 분석한 것이다. 그래서 감성분석은 자연어 처리 기술로 감성 마이닝, 오피니언 마이닝이라고 하고, 총 3단계로 진행된다. 첫 번째는 인터넷의 자료를 수집하는 데이터 수집 단계이다. 두 번째는 수집된 데이터를 정제해주는 주관성 탐지 단계이다. 마지막 세 번째 단계는 추출한 데이터가 긍정인지 부정인지 분류하는 극성탐지 단계이다. 감성분석은 대부분 온라인 리뷰를 이용하기 때문에 일반적으로 대용량 데이터로 실험한다. 작은 기관에서 진행하는 설문조사 같은 경우 리뷰가 그다지 많지 않기 때문에 소규모 데이터에 대한 감성분석이 필요하다. 본 논문에서는 소규모 데이터에 대한 성능을 향상 시키는 감성분석 모델을 제안한다. 실험에 사용한 ...
소셜미디어상의 온라인 리뷰 데이터들은 사용자의 주관적인 의견을 가장 정확하게 분석할 수 있는 마케팅 지표로 주목받고 있다. 이러한 소셜미디어의 정보들은 사용자가 리뷰를 통해 긍정과 부정을 느끼고 이를 분석해 주는 감성분석은 여러 분야에서 활용되고 있다. 감성분석이란, 텍스트에 표현된 개체와 그 속성에 대한 의견, 감성, 성향, 태도 등과 같은 주관적인 데이터를 분석한 것이다. 그래서 감성분석은 자연어 처리 기술로 감성 마이닝, 오피니언 마이닝이라고 하고, 총 3단계로 진행된다. 첫 번째는 인터넷의 자료를 수집하는 데이터 수집 단계이다. 두 번째는 수집된 데이터를 정제해주는 주관성 탐지 단계이다. 마지막 세 번째 단계는 추출한 데이터가 긍정인지 부정인지 분류하는 극성탐지 단계이다. 감성분석은 대부분 온라인 리뷰를 이용하기 때문에 일반적으로 대용량 데이터로 실험한다. 작은 기관에서 진행하는 설문조사 같은 경우 리뷰가 그다지 많지 않기 때문에 소규모 데이터에 대한 감성분석이 필요하다. 본 논문에서는 소규모 데이터에 대한 성능을 향상 시키는 감성분석 모델을 제안한다. 실험에 사용한 데이터셋은 소규모 영화 리뷰 데이터, 대규모 영화 리뷰 데이터, 일반 리뷰 데이터로 총 3가지이다. 첫 번째 실험 데이터셋은 크롤링한 네이버 영화 리뷰 15,000개, 두 번째 실험 데이터셋은 NSMC 데이터 200,000개, 세 번째 실험 데이터셋은 네이버 쇼핑 리뷰 데이터 200,000개를 사용한다. 이는 감성분석의 3단계 중 데이터 수집 단계이다. 수집한 데이터셋 중 레이블링을 해줘야 하는 첫 번째 실험 데이터와 세 번째 실험 데이터는 별점을 통계적 분석에 따라 긍정과 부정 레이블로 치환한다. 레이블링한 데이터셋의 중복 데이터, 한글 외의 특수문자, 이모티콘, Null 값을 제거하는 정제 작업을 한다. 이 단계가 감성분석의 주관성 탐지 단계이다. 정제된 데이터셋을 이용하여 긍정과 부정을 판단하는 극성탐지를 한다. 이 단계가 감성분석의 극성탐지 단계이다. 본 논문에서는 소규모 데이터에 대한 감성분석 모델을 제안하고, 실험을 통하여 검증한다. 이를 위하여 순차적인 데이터에서 뛰어난 성능을 갖는 LSTM의 변형인 GRU를 양방향으로 학습하는 Bi-GRU와 앙상블 학습 방법 중 하나인 배깅(Bagging) 기법을 결합한 Bagging-Bi- GRU를 제안한다. 제안된 모델의 성능을 검증하기 위하여, 소규모 데이터와 대규모 데이터에 적용한다. 그리고 기존의 기계학습 알고리즘인 Bi-GRU와 비교 분석하여, 제안 모델이 소규모 데이터뿐만 아니라, 대규모 데이터에 대해서도 성능이 향상되었음을 보여주고 있다.
소셜미디어상의 온라인 리뷰 데이터들은 사용자의 주관적인 의견을 가장 정확하게 분석할 수 있는 마케팅 지표로 주목받고 있다. 이러한 소셜미디어의 정보들은 사용자가 리뷰를 통해 긍정과 부정을 느끼고 이를 분석해 주는 감성분석은 여러 분야에서 활용되고 있다. 감성분석이란, 텍스트에 표현된 개체와 그 속성에 대한 의견, 감성, 성향, 태도 등과 같은 주관적인 데이터를 분석한 것이다. 그래서 감성분석은 자연어 처리 기술로 감성 마이닝, 오피니언 마이닝이라고 하고, 총 3단계로 진행된다. 첫 번째는 인터넷의 자료를 수집하는 데이터 수집 단계이다. 두 번째는 수집된 데이터를 정제해주는 주관성 탐지 단계이다. 마지막 세 번째 단계는 추출한 데이터가 긍정인지 부정인지 분류하는 극성탐지 단계이다. 감성분석은 대부분 온라인 리뷰를 이용하기 때문에 일반적으로 대용량 데이터로 실험한다. 작은 기관에서 진행하는 설문조사 같은 경우 리뷰가 그다지 많지 않기 때문에 소규모 데이터에 대한 감성분석이 필요하다. 본 논문에서는 소규모 데이터에 대한 성능을 향상 시키는 감성분석 모델을 제안한다. 실험에 사용한 데이터셋은 소규모 영화 리뷰 데이터, 대규모 영화 리뷰 데이터, 일반 리뷰 데이터로 총 3가지이다. 첫 번째 실험 데이터셋은 크롤링한 네이버 영화 리뷰 15,000개, 두 번째 실험 데이터셋은 NSMC 데이터 200,000개, 세 번째 실험 데이터셋은 네이버 쇼핑 리뷰 데이터 200,000개를 사용한다. 이는 감성분석의 3단계 중 데이터 수집 단계이다. 수집한 데이터셋 중 레이블링을 해줘야 하는 첫 번째 실험 데이터와 세 번째 실험 데이터는 별점을 통계적 분석에 따라 긍정과 부정 레이블로 치환한다. 레이블링한 데이터셋의 중복 데이터, 한글 외의 특수문자, 이모티콘, Null 값을 제거하는 정제 작업을 한다. 이 단계가 감성분석의 주관성 탐지 단계이다. 정제된 데이터셋을 이용하여 긍정과 부정을 판단하는 극성탐지를 한다. 이 단계가 감성분석의 극성탐지 단계이다. 본 논문에서는 소규모 데이터에 대한 감성분석 모델을 제안하고, 실험을 통하여 검증한다. 이를 위하여 순차적인 데이터에서 뛰어난 성능을 갖는 LSTM의 변형인 GRU를 양방향으로 학습하는 Bi-GRU와 앙상블 학습 방법 중 하나인 배깅(Bagging) 기법을 결합한 Bagging-Bi- GRU를 제안한다. 제안된 모델의 성능을 검증하기 위하여, 소규모 데이터와 대규모 데이터에 적용한다. 그리고 기존의 기계학습 알고리즘인 Bi-GRU와 비교 분석하여, 제안 모델이 소규모 데이터뿐만 아니라, 대규모 데이터에 대해서도 성능이 향상되었음을 보여주고 있다.
Online review data on social media is attracting attention as a marketing indicator that can analyze users' subjective opinions most accurately. Sentiment analysis, in which users feel positive and negative about the target and analyze the reason, is drawing attention in many fields....
Online review data on social media is attracting attention as a marketing indicator that can analyze users' subjective opinions most accurately. Sentiment analysis, in which users feel positive and negative about the target and analyze the reason, is drawing attention in many fields. Sentiment analysis is an analysis of subjective data such as opinions, emotions, inclinations, and attitudes about entities expressed in texts and their properties. So, sentiment analysis is a natural language processing technology, called emotion mining and opinion mining, and it proceeds in three steps. The first is the data collection step to collect data from the Internet. The second is the subjectivity detection step that purifies the collected data. The third and final step is the polarity detection step, which classifies whether the extracted data is positive or negative. Since most of the sentiment analysis uses online reviews, it is generally experimented with large amounts of data. In the case of surveys conducted by small organizations, sentiment analysis on small-scaled data is needed though there are not many reviews. In this paper, we propose the sentiment analysis model that improves the performance of small data. The datasets used in the experiment were small-scale movie review data, large-scale movie review data, and shopping review data which is not movie review data. The first experimental dataset uses 15,000 crawled Naver movie reviews, the second experimental dataset uses 200,000 NSMC data, and the third experimental dataset uses 200,000 Naver shopping review data. This is the data collection stage among the three stages of sentiment analysis. Among the collected datasets, the first and third experimental data that need to be labeled are replaced with positive/negative labels according to statistical analysis. The duplicated data of labeled datasets, all other texts except korean and null values should be removed. This is the subjectivity detection step among the three stages of sentiment analysis. Polarity detection is performed to determine positivity/negative of purified data. This is the polarity detection stage among the three stages of sentiment analysis. Finally, we do experiments of the proposed model with purified datasets each. In this paper, we propose a model that can analyze polarity detection for small-scale data and verify it through experiments. We propose Bagging-Bi-GRU, which combines Bi-GRU, which is a variant of LSTM with excellent performance on sequential data, that learns GRU in both directions, and Bagging, which is one of the ensemble learning methods. Bi-GRU learns in both directions GRU, a variant of LSTM that produces outstanding performance on sequential data. Bagging trains each model in parallel, reducing individual differences between models and improving generalization errors. The experimental results of the proposed model are compared with that of the existing machine learning algorithm, Bi-GRU. As results of the experiments, they are showing that the proposed method has better performances than the existing Bi-GRU not only in small-scale data but also in large-scale data. And it had better performances with non-moving review data.
Online review data on social media is attracting attention as a marketing indicator that can analyze users' subjective opinions most accurately. Sentiment analysis, in which users feel positive and negative about the target and analyze the reason, is drawing attention in many fields. Sentiment analysis is an analysis of subjective data such as opinions, emotions, inclinations, and attitudes about entities expressed in texts and their properties. So, sentiment analysis is a natural language processing technology, called emotion mining and opinion mining, and it proceeds in three steps. The first is the data collection step to collect data from the Internet. The second is the subjectivity detection step that purifies the collected data. The third and final step is the polarity detection step, which classifies whether the extracted data is positive or negative. Since most of the sentiment analysis uses online reviews, it is generally experimented with large amounts of data. In the case of surveys conducted by small organizations, sentiment analysis on small-scaled data is needed though there are not many reviews. In this paper, we propose the sentiment analysis model that improves the performance of small data. The datasets used in the experiment were small-scale movie review data, large-scale movie review data, and shopping review data which is not movie review data. The first experimental dataset uses 15,000 crawled Naver movie reviews, the second experimental dataset uses 200,000 NSMC data, and the third experimental dataset uses 200,000 Naver shopping review data. This is the data collection stage among the three stages of sentiment analysis. Among the collected datasets, the first and third experimental data that need to be labeled are replaced with positive/negative labels according to statistical analysis. The duplicated data of labeled datasets, all other texts except korean and null values should be removed. This is the subjectivity detection step among the three stages of sentiment analysis. Polarity detection is performed to determine positivity/negative of purified data. This is the polarity detection stage among the three stages of sentiment analysis. Finally, we do experiments of the proposed model with purified datasets each. In this paper, we propose a model that can analyze polarity detection for small-scale data and verify it through experiments. We propose Bagging-Bi-GRU, which combines Bi-GRU, which is a variant of LSTM with excellent performance on sequential data, that learns GRU in both directions, and Bagging, which is one of the ensemble learning methods. Bi-GRU learns in both directions GRU, a variant of LSTM that produces outstanding performance on sequential data. Bagging trains each model in parallel, reducing individual differences between models and improving generalization errors. The experimental results of the proposed model are compared with that of the existing machine learning algorithm, Bi-GRU. As results of the experiments, they are showing that the proposed method has better performances than the existing Bi-GRU not only in small-scale data but also in large-scale data. And it had better performances with non-moving review data.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.