선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 한국어의 감정자질을 이용해서 문장 및 문서의 감정을 분류하는 감정 분류 시스템을 제안하였다. 실험결과에서 보는 바와 같이, 제안된 시스템은 문장과 문서 분류에서 기준시스템보다 더 나은 성능을 보였다.
제안 방법
- 실험에 사용된 문장 데이타는 총 53, 762개의 문장이며, 3개의 분야를 나누어 수집하여 아래의 표 3과 같이 신문기사 13, 733개, 제품리뷰 9, 935개, 영화리뷰 30, 094개의 문장으로 실험하였다. 모든 문장 및 문서를 사람이 직접 읽고 감정 여부를 판단하여 테스트 말뭉치를 구축하였다.
- 문서 분류는 긍정과 부정으로 분류하는 실험을 하였다. 문서 분류 실험의 성능은 아래의 표 5와 같다.
- 문장 및 문서 분류의 성능을 비교하기 위한 기준 시스템은 일반적얀 정보검색에서 사용하는 내용어(명사, 동사, 형용사, 부사)를 사용하였고[2], 본 논문에서 제안한 시스템은 감정 자질을 사용하여 실험을 하였다.
- 감정 분류는 긍정과 부정의 감정에 초점을 두기 때문에 먼저 이를 가장 잘 표현하는 기본적인 자질의 생성이 중요하다. 본 연구에서는 영어 단어 시소러스의 유의어정보를 이용하여 단어를 확장하고 이를 한영사전을 통해 번역하여 감정 자질을 생성하였다. 생성된 감정 자질을 이용하여 문서 감정 분류에 적용하고 감정은 문서 전체가 아닌 특정부분에 나타난다는 점을 고려하여 생성된 감정 자질이 자질의 수가 문서에 비해 적은 문장을 대상으로 평가하였다.
- 부정 감정 자질(1, 834개)이 긍정 감정 자질(861개)에 비해 약 2.1 배 많이 생성되었기 때문에 영한번역 작업 시에 출현한 한국어 단어의 횟수를 사용하여 자질들의 수를 조정하였다. 2번 이상 출현한 자질들을 선정했을 때 부정 자질의 수가 844개로 긍정 자질(861개)의 수와 거의 균형을 이루었기 때문에 부정자질들은 2번 이상 출현한 자질들로 제한하였다.
- 본 연구에서는 영어 단어 시소러스의 유의어정보를 이용하여 단어를 확장하고 이를 한영사전을 통해 번역하여 감정 자질을 생성하였다. 생성된 감정 자질을 이용하여 문서 감정 분류에 적용하고 감정은 문서 전체가 아닌 특정부분에 나타난다는 점을 고려하여 생성된 감정 자질이 자질의 수가 문서에 비해 적은 문장을 대상으로 평가하였다.
- 한국어 감정 자질 추출을 위하여 본 논문에서는 한국어에서 긍정과 부정을 나타내는 대표 어휘를 영어권 선행 연구 결과U2]를 바탕으로 대표 어휘를 선정하여 확장을 하였다. 본 논문에서 사용된 감정 자질의 내용은 아래와 같다.
대상 데이터
- 실험에 사용된 문서 데이타는 총 2, 479개의 문서이며, 3개의 분야를 나누어 수집하여 아래의 표 2와 같이 신문 기사 729개, 제품리뷰 395개, 영화리뷰 1, 355개의 문서로 실험하였다. 실험에 사용된 문장 데이타는 총 53, 762개의 문장이며, 3개의 분야를 나누어 수집하여 아래의 표 3과 같이 신문기사 13, 733개, 제품리뷰 9, 935개, 영화리뷰 30, 094개의 문장으로 실험하였다.
- 실험하였다. 실험에 사용된 문장 데이타는 총 53, 762개의 문장이며, 3개의 분야를 나누어 수집하여 아래의 표 3과 같이 신문기사 13, 733개, 제품리뷰 9, 935개, 영화리뷰 30, 094개의 문장으로 실험하였다. 모든 문장 및 문서를 사람이 직접 읽고 감정 여부를 판단하여 테스트 말뭉치를 구축하였다.
- 실험은 카테고리, 신문 기사, 제품 리뷰, 영화 리뷰의 3개의 카테고리로 나누어서 실험하였으며, 문장과 문서를 대상으로 실험을 하였다.
- 한국어의 감정 자질들의 확장을 위하여 한국어 사전을 파싱한 후 DBCData Base)를 구축하여 동의어, 반의어 정보를 획득하고자 하였으나, 부정(13개), 긍정(12개)의 감정 자질만 획득하여, 원하는 결과를 얻을 수가 없었다. 한국어 사전에서는 어휘의 동의어와 반의어의 비중이 낮다고 판단하고 영어단어 시소러스 정보[15]를 이용하였다.
이론/모형
- 문제도 해결 할 수 있다. 본 논문에서는 Weka[16] 에 제공된 SVM Toolldt을 사용하였다.
- 본 논문에서는 다양한 자질 단어와 가중치 책정 방법을 사용하여 10-fold cross validation 방법으로 실험을 하였으며, 인터넷 사이트상에서 수집된 문서 집합의 평가 방법으로는 정보 검색 분야에서 일반적으로 사용되는 정확율(precision)과 재현을(recall)올 사용하였다. 정확율은 다음 식 (8)과 같이 표현된다.
- 입력 문서를 형태소 분석 후, 앞 단계에서 선택된 자질을 기준으로 아래식의 TF-IDF 가중치 기법과 TF- ISF 가중치 기법을 적용한다.
- 자질은 감정 자질을 사용하고 문서는 TF-IDF 가중치 기법을 사용했으며, 문장은 TF-ISF 가중치 기법을 적용하여 벡터로 표현하고 카테고리별로 분류를 수행하였다.
성능/효과
- 실험결과에서 보는 바와 같이, 제안된 시스템은 문장과 문서 분류에서 기준시스템보다 더 나은 성능을 보였다.
- 이 같은 실험결과를 통해 감정 자질이 내용어에 비해 감정 분류에 더 유용하다는 것을 알 수 있다.
- 실험의 성능은 아래의 표 4와 같다. 주관적 문장의 분류에서는 내용어에 비해 성능이 31.6% 향상되었고, 객관적 문장의 분류에서는 내용어에 비해 성능이 1.3% 하락하였다. 하지만 전체적으로 15.
- 표 5에서 보는 바와 같이 내용어에 비해 감정 자질을 사용한 결과, 부정에서는 4.6% 긍정에서는 4%의 성능향상을 얻었으며, 전체적으로 4.3%의 성능향상을 얻을 수 있었다. 표 4와 표 5의 성능은 Fl-Measure의 값을 표시하였다.
후속연구
- 수행할 것이다. 그리고 감정이 내포된 주관적 문장만을 대상으로 문서 분류를 하는 연구도 수행할 것이다.
- 향후 연구로는 감정 자질과 그 주변의 단어와의 관계를 통해 자질을 확장하여 문장 분류에 적용할 것이고, TF-ISF 가중치 기법과 TF-IDF 가중치 기법과는 다른 방식으로 자질에 대한 가중치 부여 방법에 관해서도 연구를 수행할 것이다. 그리고 감정이 내포된 주관적 문장만을 대상으로 문서 분류를 하는 연구도 수행할 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.