최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기감성과학 = Science of emotion & sensibility, v.13 no.3, 2010년, pp.449 - 458
김정호 (한국항공대학교 컴퓨터공학과) , 김명규 (한국항공대학교 컴퓨터공학과) , 차명훈 (한국항공대학교 컴퓨터공학과) , 인주호 (한국항공대학교 컴퓨터공학과) , 채수환 (한국항공대학교 항공전자정보통신공학부)
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...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
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. |
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.
Yahoo 쇼핑 사이트, http://kr.product.shopping.yahoo.com/.
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.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.