다양한 분야에서 인터넷 상의 방대한 양의 문서 혹은 리뷰로부터 유용한 정보를 얻고자 하는 노력이 높아짐에 따라 문서 혹은 리뷰 상의 생각 및 의견에 대한 자동 분류 연구의 필요성이 대두되었다. 이러한 자동분류를 감성 분류라 하며, 감성 분류 연구는 크게 세 가지 단계를 가지는데, 첫 번째로 주관적인 생각이나 느낌을 표현하는 문장을 추출하기 위한 주관성 분류 연구, 두 번째로 문서 또는 문장을 긍정, 부정으로 나누는 극성 분류 연구, 그리고 세 번째로 문서 또는 문장이 어느 정도의 주관성 및 극성을 갖는지 그 강도를 구하는 강도 분류 연구이다. 최근 의견 분류에 대한 연구들을 살펴보면, 분류를 위해 자질(Feature)로서 단일어(Single word)가 아닌 2개 이상의 N-gram 단어, 어휘 구문 패턴 및 통사 구문 패턴 등을 사용하는 것을 확인할 수 있다. 특히, 패턴은 단일어나 N-gram 단어에 비해 유연하고, 언어학적으로 풍부한 정보를 표현할 수 있기 때문에 이를 이용한 많은 연구가 이루어져 왔다. 그럼에도 불구하고, 이러한 연구들은 주로 영어에 대한 연구들이었으며, 한국어에 패턴을 적용하여 주관성을 갖는 문장을 분류하거나, 극성을 분류하는 연구들은 아직 미비하다. 한편, 한국어는 용언의 활용이 발달되어 있어, 어미의 변화가 다양하며, 그 변화에 따라 의미가 미묘하게 변화한다. 그러나 기존 한국어에 대한 의견 분류 연구들은 단어의 핵심 의미만을 파악하기 위해 어미부분을 제거하고 어간만을 취해서 처리하여 어미에 대한 의미변화를 고려하지 못하였다. 그래서 본 연구는 영어에 적용된 패턴을 이용한 기존 방법들을 정리하고, 그 방법들 중에서 극성을 지닌 문장성분 패턴을 한국어에 적용하였다. 그리고 어미의 변화에 대한 패턴을 추출하여 이 변화가 의견 분류의 성능에 미치는 영향을 분석하였다.
다양한 분야에서 인터넷 상의 방대한 양의 문서 혹은 리뷰로부터 유용한 정보를 얻고자 하는 노력이 높아짐에 따라 문서 혹은 리뷰 상의 생각 및 의견에 대한 자동 분류 연구의 필요성이 대두되었다. 이러한 자동분류를 감성 분류라 하며, 감성 분류 연구는 크게 세 가지 단계를 가지는데, 첫 번째로 주관적인 생각이나 느낌을 표현하는 문장을 추출하기 위한 주관성 분류 연구, 두 번째로 문서 또는 문장을 긍정, 부정으로 나누는 극성 분류 연구, 그리고 세 번째로 문서 또는 문장이 어느 정도의 주관성 및 극성을 갖는지 그 강도를 구하는 강도 분류 연구이다. 최근 의견 분류에 대한 연구들을 살펴보면, 분류를 위해 자질(Feature)로서 단일어(Single word)가 아닌 2개 이상의 N-gram 단어, 어휘 구문 패턴 및 통사 구문 패턴 등을 사용하는 것을 확인할 수 있다. 특히, 패턴은 단일어나 N-gram 단어에 비해 유연하고, 언어학적으로 풍부한 정보를 표현할 수 있기 때문에 이를 이용한 많은 연구가 이루어져 왔다. 그럼에도 불구하고, 이러한 연구들은 주로 영어에 대한 연구들이었으며, 한국어에 패턴을 적용하여 주관성을 갖는 문장을 분류하거나, 극성을 분류하는 연구들은 아직 미비하다. 한편, 한국어는 용언의 활용이 발달되어 있어, 어미의 변화가 다양하며, 그 변화에 따라 의미가 미묘하게 변화한다. 그러나 기존 한국어에 대한 의견 분류 연구들은 단어의 핵심 의미만을 파악하기 위해 어미부분을 제거하고 어간만을 취해서 처리하여 어미에 대한 의미변화를 고려하지 못하였다. 그래서 본 연구는 영어에 적용된 패턴을 이용한 기존 방법들을 정리하고, 그 방법들 중에서 극성을 지닌 문장성분 패턴을 한국어에 적용하였다. 그리고 어미의 변화에 대한 패턴을 추출하여 이 변화가 의견 분류의 성능에 미치는 영향을 분석하였다.
As occasion demands to obtain efficient information from many documents and reviews on the Internet in many kinds of fields, automatic classification of opinion or thought is required. These automatic classification is called sentiment classification, which can be divided into three steps, such as s...
As occasion demands to obtain efficient information from many documents and reviews on the Internet in many kinds of fields, automatic classification of opinion or thought is required. These automatic classification is called sentiment classification, which can be divided into three steps, such as subjective expression classification to extract subjective sentences from documents, sentiment classification to classify whether the polarity of documents is positive or negative, and strength classification to classify whether the documents have weak polarity or strong polarity. The latest studies in Opinion Mining have used N-gram words, lexical phrase pattern, and syntactic phrase pattern, etc. They have not used single word as feature for classification. Especially, patterns have been used frequently as feature because they are more flexible than N-gram words and are also more deterministic than single word. Theses studies are mainly concerned with English, other studies using patterns for Korean are still at an early stage. Although Korean has a slight difference in the meaning between predicates by the change of endings, which is 'Eomi' in Korean, of declinable words, the earlier studies about Korean opinion classification removed endings from predicates only to extract stems. Finally, this study introduces the earlier studies and methods using pattern for English, uses extracted sentimental patterns from Korean documents, and classifies polarities of these documents. In this paper, it also analyses the influence of the change of endings on performances of opinion classification.
As occasion demands to obtain efficient information from many documents and reviews on the Internet in many kinds of fields, automatic classification of opinion or thought is required. These automatic classification is called sentiment classification, which can be divided into three steps, such as subjective expression classification to extract subjective sentences from documents, sentiment classification to classify whether the polarity of documents is positive or negative, and strength classification to classify whether the documents have weak polarity or strong polarity. The latest studies in Opinion Mining have used N-gram words, lexical phrase pattern, and syntactic phrase pattern, etc. They have not used single word as feature for classification. Especially, patterns have been used frequently as feature because they are more flexible than N-gram words and are also more deterministic than single word. Theses studies are mainly concerned with English, other studies using patterns for Korean are still at an early stage. Although Korean has a slight difference in the meaning between predicates by the change of endings, which is 'Eomi' in Korean, of declinable words, the earlier studies about Korean opinion classification removed endings from predicates only to extract stems. Finally, this study introduces the earlier studies and methods using pattern for English, uses extracted sentimental patterns from Korean documents, and classifies polarities of these documents. In this paper, it also analyses the influence of the change of endings on performances of opinion classification.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
한편, 분류 기법에서 사용하는 자질의 선택에 있어서는 단일어, N-gram 내용어, 패턴 등을 사용해 왔으나 의견 데이터들의 특성상 단일어로는 충분히 그 의미를 표현할 수 없기 때문에 N-gram 내용어나 구문 패턴을 자질로 사용하는 연구들이 활발하게 이루어졌다. 그래서 본 연구는 구문 및 문장 패턴에 중점을 두고, 다음으로 이러한 패턴을 사용한 관련 연구들을 소개하고자 한다.
이러한 이유들로 본 연구는 자질 선택에 있어 언어학적으로 풍부한 의미를 반영할 수 있고 모호성을 방지할 수 있는 통사적 구문 패턴을 이용하며, 어미의 변화가 극성에 미치는 영향을 고려하기 위해, 이러한 극성 변화를 시키는 어미를 따로 추출하여 패턴에서 구별할 수 있도록 하였다. 그렇게 함으로써 본 연구는 자질로서 패턴을 사용한 경우와 어미의 변화를 고려한 경우가 한국어에 대한 의견 분류의 성능에 미치는 영향을 보여주는데 그 목적이 있다.
이러한 이유로 기업에서는 자사의 이미지를 파악하고, 타 회사의 제품 및 서비스에 대한 벤치마킹을 위해 인터넷 상에 있는 의견 데이터들을 빨리 파악하길 원한다. 또한 개인들은 자신들의 관심 있는 분야에 대해 다른 사람들의 견해를 알고 싶어 하며, 자신이 물건을 구매하기 전에 다른 사람들의 사용 후기를 통해서 해당 제품에 대한 정보를 구하길 원한다. 이러한 요구로 인해, 정보 검색의 한 하위 분야로 문서 및 문장의 의견 분류(감성 분류)에 대한 연구가 활발히 진행되고 있다.
본 연구에서는 어미의 변화가 일으키는 여러 영향 중 특히 역접의 의미를 갖는 어미로 인해 발생하는 극성의 변화에 대해 중점을 둔다. 극성 분류 측면에서만 볼 때, 단어의 형태나 의미의 변화보다 긍정, 부정의 극성의 변화가 중요한 관심사이기 때문이다.
제안 방법
이 시스템은 우선 학습 문장에 대해 형태소 분석, 구문 분석 등의 전처리 작업을 하고, 패턴 추출기와 감성사전을 통해 의견을 표현하는 구문 패턴을 추출한 후, 패턴 사전에 저장한다. 그 후 임의의 입력 문장에 대해 똑같이 전처리 작업 후, 추출되는 패턴 후보의 극성을 사전에서 검색하여, 문장의 극성을 판별한다.
실험을 위해 3000개의 문서에 있는 문장들을 학습 데이터(Training Data)로 사용하였고, 520개의 문장을 실험 데이터(Test Data)로 사용하였다. 그 후, 감성 사전에 저장되어 있는 단일어를 자질로 사용하는 경우, 극성 구문 패턴을 자질로 사용하는 경우, 어미를 고려한 극성 구문 패턴을 자질로 사용하는 경우에 대해, 각각 같은 학습 데이터와 실험 데이터를 적용하여 분류 성능을 비교하였다.
데이터를 얻기 위해 Yahoo 쇼핑 사이트에서 MP3P/PMP에 관한 문서를 Crawler를 통해 추출하였다. Yahoo 쇼핑 사이트는 다른 여러 쇼핑몰 사이트에서 제공하는 댓글들을 한 곳에 모아 제공하기 때문에 댓글 데이터를 수집하기 용이하다.
또한 본 실험에서 사용한 패턴은 어미 표시를 제외하고는, 극성을 지니는 문장성분들로만 이루어진 통사적 패턴(Syntactic Pattern)이었다. 그러나 이러한 순수 통사적 패턴은 극성을 지니지 않는 단어들로 구성된 구문이나 문장에 대해서는 그 의미를 파악하는데 모호성이 존재한다.
본 논문에서는 문장의 극성 분류를 위해 자질로서 통사적 품사패턴을 사용하였으며, 어미의 변화가 극성 분류에 어떠한 영향을 미치는지 분석하였다. 그 결과 어미의 변화를 고려한 경우, 분류 정확도의 성능이 향상됨을 확인할 수 있었다.
성능의 평가 방법으로는 정보 검색 분야에서 일반적으로 사용되는 정확률(Precision)과 재현율(Recall)을 사용하였다. 이 때, 분류 결과 패턴이 발견되지 않아 분석이 안 된 문장들은 제외하고, 패턴이 발견된 문장들에 대해서 분류의 성능을 계산하였다. 이는 본 연구가 의견 데이터의 인식률 향상에 목적을 두는 것이 아니라, 자질 선택에 따른 극성 분류 성능의 변화에 관심을 두기 때문이다.
이러한 극성 품사 태그를 이용하여, 개체를 주어로 하고, 극성 품사 태그를 적어도 하나 반드시 포함하는 패턴을 추출하여, 문장의 극성을 판별하였다. 아래 표 3는 Fei 등(2004)이 50개의 긍정 문서와 50개의 부정 문서에서 추출한 패턴을 나타내고 있으며, 이 패턴들의 긍정 문서에서 나타나는 빈도수와 부정 문서에서 나타나는 빈도수를 이용하여 계산된 극성 강도를 보여주고 있다.
이러한 이유들로 본 연구는 자질 선택에 있어 언어학적으로 풍부한 의미를 반영할 수 있고 모호성을 방지할 수 있는 통사적 구문 패턴을 이용하며, 어미의 변화가 극성에 미치는 영향을 고려하기 위해, 이러한 극성 변화를 시키는 어미를 따로 추출하여 패턴에서 구별할 수 있도록 하였다. 그렇게 함으로써 본 연구는 자질로서 패턴을 사용한 경우와 어미의 변화를 고려한 경우가 한국어에 대한 의견 분류의 성능에 미치는 영향을 보여주는데 그 목적이 있다.
여기서 각 품사 태그를 살펴보면, JJ는 형용사, RB는 부사, NN은 명사, VB는 동사를 나타낸다. 이렇게 품사 태그를 통해 형용사와 부사를 포함한 구문 패턴을 추출하고, 이 패턴과, 긍정 문서에서 많이 나타나는 단어에 대한 PMI에서 부정 문서에서 많이 나타나는 단어에 대한 PMI를 빼서 극성 강도를 계산한다. 극성 강도가 양의 값을 가지면 구문 패턴은 긍정의 의미를 지니고, 음의 값을 가지면 부정의 의미를 지닌다.
대상 데이터
위 표 8은 지금까지 언급한 패턴의 추출 방법 및 극성 강도 계산 방법에 의해 구해진 패턴의 일부와 이러한 패턴에 의해 추출된 구문 예제를 나타낸다. MP3P 관련 댓글 3000개의 문서로부터 학습된 패턴의 수는 총 1429개이며, 이 중 긍정 극성을 갖는 패턴의 수는 753개이고, 부정의 극성을 갖는 패턴의 수는 676 개이다.
Yahoo 쇼핑 사이트는 다른 여러 쇼핑몰 사이트에서 제공하는 댓글들을 한 곳에 모아 제공하기 때문에 댓글 데이터를 수집하기 용이하다. 실험을 위해 3000개의 문서에 있는 문장들을 학습 데이터(Training Data)로 사용하였고, 520개의 문장을 실험 데이터(Test Data)로 사용하였다. 그 후, 감성 사전에 저장되어 있는 단일어를 자질로 사용하는 경우, 극성 구문 패턴을 자질로 사용하는 경우, 어미를 고려한 극성 구문 패턴을 자질로 사용하는 경우에 대해, 각각 같은 학습 데이터와 실험 데이터를 적용하여 분류 성능을 비교하였다.
이론/모형
본 연구는 분류에 사용할 자질로서, 의견을 표현하는 통사적 구문 패턴(Syntactic Phrase Pattern)을 사용한다. 이 구문 패턴은 문장의 주관성을 판단하는데 유용하고, 극성을 판별하는데 좋은 성능을 보여주기 때문이다.
성능의 평가 방법으로는 정보 검색 분야에서 일반적으로 사용되는 정확률(Precision)과 재현율(Recall)을 사용하였다. 이 때, 분류 결과 패턴이 발견되지 않아 분석이 안 된 문장들은 제외하고, 패턴이 발견된 문장들에 대해서 분류의 성능을 계산하였다.
패턴의 극성 강도를 직접 사람이 부여할 수도 있지만 이는 그 기준이 주관적이어서 같은 패턴에 대해서 다르게 해석하여 극성을 부여할 수 있기 때문에 본 연구에서는 Fei 등(2004)이 사용한 기계학습 방법을 이용한다. 이 방법은 패턴의 긍정문서와 부정문서에 나타나는 각 빈도수를 구하고, 이를 아래 공식을 통해 계산하여 구한다.
성능/효과
가령, 감성 단어 ‘망설이-’, ‘부족하-’는 각각 부정, 긍정의 극성을 지니지만, 이러한 단어들과 어미 ‘-는데’, ‘-지만’과 함께 이루어진 문장의 극성은 반대의 극성을 나타냄을 확인할 수 있다.
본 논문에서는 문장의 극성 분류를 위해 자질로서 통사적 품사패턴을 사용하였으며, 어미의 변화가 극성 분류에 어떠한 영향을 미치는지 분석하였다. 그 결과 어미의 변화를 고려한 경우, 분류 정확도의 성능이 향상됨을 확인할 수 있었다. 비록, 성능 향상이 두드러지게 나타나지는 않았지만, 이는 본 연구에서 극성을 반전시키는 어미들인 ‘-는데’, ‘-지만’, ‘-나’ 등의 몇몇 어미들만을 가지고 실험을 하였기 때문이며, 이러한 극성을 반전시키는 어미들의 데이터 수를 늘리고 의미를 강조시키거나 변화시키는 어미들도 고려한다면 좀 더 좋은 성능 향상을 기대할 수 있을 것이다.
이들은 대용량의 문서로부터 1-gram부터 6-gram까지의 데이터를 추출하고 X2 가중치 기법을 적용하여 정제된 N-gram 어절을 자질로 사용하였다. 그리고 여러 분류 기법을 사용하여 그 성능들을 비교하였으며, 최대 90%의 분류 성능을 보여 주었다.
이러한 패턴들은 각각의 특징이 있는데, 위 그림 1에서 보이는 바와 같이 N-gram 어절 패턴은 단어들이 모여서 이룬 전체 의미를 명확히 표현하지만 변형 및 조합 수가 너무 많다는 것이고, 반대로, 극성 통사적 패턴은 그 구성 요소가 품사들로만 이루어져 있기 때문에 패턴 조합의 수는 적지만 극성을 나타내지 않는 감성 단어들로 이루어진 극성 구문에 대해서 명확히 표현하지 못한다는 것이다. 마지막으로 어휘-통사적 패턴은 이 두 패턴을 절충하여 데이터 표현을 명확하게 하되 그 패턴의 변형 및 조합 수도 줄였다.
“에 대해서 일반 구문 패턴을 사용한 경우, 패턴 [S PFP]에 문장을 긍정으로 인식하였지만, 어미를 고려한 구문 패턴을 사용한 경우, 패턴 [SPFP_지만]에 의해 문장을 부정으로 인식하였다. 이 결과로 한국어에 대해 자질로서 단일어보다 구문 패턴이 더욱 풍부한 언어 정보를 반영하여 모호성을 줄일 수 있다는 것과 어미 또한 무시해서는 안 될 중요한 요소라는 것을 알 수 있다.
후속연구
”라는 문장의 경우 긍정의 극성을 갖지만, 그 문장을 구성하는 단어들 중 감성 단어는 존재하지 않기 때문에 순수 통사적 패턴으로는 극성을 분류하기 어렵다. 그래서 추후 연구에서는 어휘-통사적 패턴(Lexical Syntactic Pattern)을 이용하고자 한다. 이러한 패턴을 이용한다면, 부정극어 및 ‘않-’, ‘못하-’ 등과 같은 보조용언과 상대적 극성을 갖는 단어들, 그리고 여러 어미의 변화를 좀 더 명확히 표현할 수 있을 것이다.
비록, 성능 향상이 두드러지게 나타나지는 않았지만, 이는 본 연구에서 극성을 반전시키는 어미들인 ‘-는데’, ‘-지만’, ‘-나’ 등의 몇몇 어미들만을 가지고 실험을 하였기 때문이며, 이러한 극성을 반전시키는 어미들의 데이터 수를 늘리고 의미를 강조시키거나 변화시키는 어미들도 고려한다면 좀 더 좋은 성능 향상을 기대할 수 있을 것이다.
이러한 패턴을 이용한다면, 부정극어 및 ‘않-’, ‘못하-’ 등과 같은 보조용언과 상대적 극성을 갖는 단어들, 그리고 여러 어미의 변화를 좀 더 명확히 표현할 수 있을 것이다.
즉, 문장 단위에 대해서 주관성 분류를 한 후, 이러한 문장들을 기반으로 문서의 극성을 분류하는 것이 일반적인 흐름이라는 것이다. 현재 본 실험에서는 문장의 극성을 분류하는 것으로 끝냈지만, 앞으로 더 나아가 각 문장의 극성들을 어떻게 조합하여 문서의 극성 분류할지 고려해야 할 것이다. 이를 위해서 문장 간의 순접, 역접 등의 관계를 고려하는 연구가 필요하다.
질의응답
핵심어
질문
논문에서 추출한 답변
감성 분류 연구의 세 가지 단계는?
다양한 분야에서 인터넷 상의 방대한 양의 문서 혹은 리뷰로부터 유용한 정보를 얻고자 하는 노력이 높아짐에 따라 문서 혹은 리뷰 상의 생각 및 의견에 대한 자동 분류 연구의 필요성이 대두되었다. 이러한 자동분류를 감성 분류라 하며, 감성 분류 연구는 크게 세 가지 단계를 가지는데, 첫 번째로 주관적인 생각이나 느낌을 표현하는 문장을 추출하기 위한 주관성 분류 연구, 두 번째로 문서 또는 문장을 긍정, 부정으로 나누는 극성 분류 연구, 그리고 세 번째로 문서 또는 문장이 어느 정도의 주관성 및 극성을 갖는지 그 강도를 구하는 강도 분류 연구이다. 최근 의견 분류에 대한 연구들을 살펴보면, 분류를 위해 자질(Feature)로서 단일어(Single word)가 아닌 2개 이상의 N-gram 단어, 어휘 구문 패턴 및 통사 구문 패턴 등을 사용하는 것을 확인할 수 있다.
어떠한 요구들로 인해 의견 분류(감성 분류)에 대한 연구가 활발히 진행되고 있는가?
0 시대를 맞아 작성자 및 그것을 읽는 사용자들이 각 기업 사이트, 블로그(blog), 포탈 게시판 등에 제품에 대한 평가 및 의견 등을 올려 서로의 생각을 공유할 수 있게 되었다. 이러한 이유로 기업에서는 자사의 이미지를 파악하고, 타 회사의 제품 및 서비스에 대한 벤치마킹을 위해 인터넷 상에 있는 의견 데이터들을 빨리 파악하길 원한다. 또한 개인들은 자신들의 관심 있는 분야에 대해 다른 사람들의 견해를 알고싶어 하며, 자신이 물건을 구매하기 전에 다른 사람들의 사용 후기를 통해서 해당 제품에 대한 정보를 구하길 원한다. 이러한 요구로 인해, 정보 검색의 한 하위 분야로 문서 및 문장의 의견 분류(감성 분류)에 대한 연구가 활발히 진행되고 있다.
의견 분류 연구에서 분류의 단서(Clue)가 되는 자질(Feature)의 선택이 중요한 이유는?
의견 분류 연구는 기본적으로 의견 표현에 사용된 단어나 절, 구문 등을 기반으로 하여 패턴을 추출하거나(정유철 등, 2008)(Ellen Riloff & Janyce Wiebe, 2003)(Ellen Riloff & Janyce Wiebe, 2004)(Kobayashi et al., 2006)(Peter D. Turney, 2002)(Zhongchao et al., 2004), 공기 관계를 계산하고(양정연 등, 2009)(Peter D. Turney, 2002), 또한 벡터 모델을 이용한 기계학습 방법(서형원 등, 2009)(황재원과 고영중, 2007)(황재원과 고영중, 2008)(Bo Pang & Lillian Lee, 2002)(Chui et al., 2006)을 이용한다. 그렇기 때문에 분류의 단서(Clue)가 되는 자질(Feature)의 선택이 매우 중요하다.
참고문헌 (28)
권혁철, 최준영 (1992). 단일화 기반 의존 문법을 이용한 한국어 분석기. 정보과학회논문지, 19(5), 467-476.
김진동, 임희석, 임해창 (1997). Twoply HMM : 한국어 특성을 고려한 형태소 단위의 품사 태깅 모델. 정보과학회논문지, 24(12), 1502-1512.
문화관광부, 국립국어원 (2007). 21세기 세종계획 : 최종 성과물 안내서.
서형원, 김형철, 김재훈 (2009). 기계학습 방법을 이용한 댓글의 감정 인식. 한국마린엔지니어링 학회 학술대회 논문집, 373-374.
이용훈, 이종혁 (2008). 기계학습 기법을 이용한 한국어 구문분석. 한국정보과학회, 35(1), 285-288.
양정연, 명재석, 이상구 (2009). 상품 리뷰 요약에서의 문맥정보를 이용한 의견 분류 방법. 한국인지과학회, 36(4), 254-262.
정유철, 최윤정, 맹성현 (2008). 감정 기반 블로그 문서 분류를 위한 부정어 처리 및 단어 가중치 적용 기 법의 효과에 대한 연구. 한국인지과학회, 19(4), 477-497.
최선화, 박혁로 (2003). 한국어 확률 의존문법 학습. 한국정보과학회, 30(1), 513-515.
황명진, 강미영, 권혁철 (2006). 규칙과 어절 확률을 이용한 혼합 품사 태깅 모델. 한국정보과학학회, 33(2), 11-15.
황재원, 고영중 (2007). 효과적인 감정 자질을 이용한 한국어 문서 감정 분류 시스템. 한국정보과학회, 34(2), 60-61.
황재원, 고영중 (2008). 감정 자질을 이용한 한국어 문장 및 문서 분류 시스템. 한국정보과학회 논문지, 14(3), 336-340.
황재원, 고영중 (2008). 문장 감정 강도를 반영한 개선 된 자질 가중치 기법 기반의 문서 감정 분류 시스템. 한국정보과학회, 36(6), 491-497
Alina, A. & Sabine, B. (2006). Mining WordNet for fuzzy sentiment Sentiment tag extraction from WordNet glosses. 11th Conference of the European Chapter of the Association for Computational Linguistics, 209- 216.
Andrea, E. & Fabrisio, S. (2006). Determining Term Subjectivity and Term Orientation for Opinion Mining. the 11rd Conference of the European Chapter of the Association for Computational Linguistics, 193-200.
Bo, P. & Lillian, L. (2002). Thumbs up? Sentiment Classification using Machine Learning Techniques. The Conference on Empirical Methods on Natural Language Processing, 79-86.
Cui, H., Mittal, V. & Datar, M. (2006). Comparative Experiments on Sentiment Classification for Online Product Reviews. proceedings of the national conference on artificial intelligence, 21(2), 1265-1270.
Diana, I. & Graeme, H. (2006). Building and Using a Lexical Knowledge Base of Near-Synonym Differences. Computational linguistics - Association for Computational Linguistics, 32(2), 223-262.
Ellen, R. & Janyce, W. (2003). Learning Extraction Patterns for subjective Expressions.
Ellen, R. & Janyce, W. (2004). Exploiting Subjectivity Classification to Improve Information Extraction. In Proceedings of the 20th Proceedings of the AAAI Spring Symposium on Exploring Attitude and Affect in Text: Theories and Applications, 22-24.
Esuli, A. & Sebastiani, F. (2006). SentiWordNet: A Publicly Available Lexical Resource for Opinion Mining. In: Proc of LREC 2006 - 5th Conf on Language Resources and Evaluation, 417-422.
Hellwin, P. (1995). Dependency Unification Grammar. Computational linguistics, 21(1), 95-102.
Jonathon, R. (2004). Recognising Affect in Text using Pointwise-Mutual Information. University of Sussex.
Jung, H. S. (1987). Korean Phrase Structure Grammar. Proceeding of the First Natural Language Processing Workshop, SIGAI of Korean Information System Society, 3-37.
Kobayashi, N., Unui, K., Matsumoto, Y., Tateishi, K. & Fukusmia. (2004). Collecting Evaluative Expressions for Opinion Extraction. In Proceedings of the First International Joint Conference on Natural Language Processing, 584-589.
Peter, D. T. (2002). Thumbs Up or Thumbs Down? Semantic Orientation Applied to Unsupervised Classification of Reviews. Proceedings of the 40th Annual Meeting of the Association for Computational Linguistics (ACL'02), 417-424.
Theresa, W., Janyce, W. & Rebecca, H. (2004). Just how mad are you? finding strong and weak opinion clauses. Proceeding of the 19th national conference on Artifical intelligence, 761-767.
Zhongchao, F., Jian, L. & Gengfeng, W. (2004). Sentiment Classification Using Phrase Patterns. In The Fourth International Conference on Computer and Information Technology (CIT'04), 1147-1152.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.