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 여러 영역에서 일반적으로 사용할 수 있는 세분화된 감정 범주를 결정하고 기계 학습 방법을 사용하여 자동으로 범주를 할당하는 방법을 제안한다. 감정 범주를 결정하기 위해 심리학 분야에서 접근한 연구(Plutchik at al.
- 본 절에서는 감정 분류에 관한 기존 연구를 소개하고, 체계적인 감정 범주를 위한 Plutchik의 감정 모델에 대하여 설명한다.
- 본 연구는 대화 시스템을 위한 감정 분석을 목적으로 하기 때문에 사용자 발화에 해당하는 문장에 대해 감정 분류를 하는 것을 목적으로 다룬다. 대부분의 대화 시스템에서 사용하는 담화 모델은 사용자의 발화에서 1개의 사용자의 의도(화행이나 행위)을 기준으로 처리하므로 감정 또한 한 문장에서 나타나는 두드러진 1개의 감정을 대상으로 한다.
- 이와 같은 접근은 대화 시스템으로부터 보다 다양한 지능적인 반응을 기대할 수 있다. 본 논문에서는 대화 시스템을 위한 사용자 발화 문장에서 자동 감정 분류 방법을 제안하였다. 일반적으로 사용할 수 있는 감정 범주를 위해 심리학 분야에서 접근한 기본 범주를 대화 시스템에 적합하게 9개 범주로 재 정의하였다.
제안 방법
- 대화형 학습시스템에서 인간-컴퓨터 상호작용을 높이기 위해 인간의 감정을 예측하는 연구(Litman and Forbes-Riley, 2004)에서는 인식된 인간의 음성에서 4가지 감정 상태(중립, 긍정, 부정, 복합)를 파악하기 위해 적합한 음성과 어휘 자질에 관하여 논의하였다. 이 연구에서는 감정을 예측할 수 있는 음성과 어휘 자질을 찾기 위해 감정 상태를 위한 표지 부착 데이터를 활용하여 기계 학습에 적용하였다. 그러나 문맥을 고려하지 않고 어휘 자질만을 사용하였기 때문에 학습자의 반응이 동일할 때 항상 같은 감정을 예측한다는 한계를 가진다.
- 본 논문에서는 여러 영역에서 일반적으로 사용할 수 있는 세분화된 감정 범주를 결정하고 기계 학습 방법을 사용하여 자동으로 범주를 할당하는 방법을 제안한다. 감정 범주를 결정하기 위해 심리학 분야에서 접근한 연구(Plutchik at al. 1980; Plutchik and Conte, 1997; Plutchik, 2001)를 바탕으로 감정 범주를 정의하고 기계 학습을 위해 감정 분류에 필요한 자질 집합을 문장 자질, 선험적 자질 그리고 문맥 자질로 구분하여 최적의 자질 집합을 제안한다. 그리고 사용자 발화로부터 제안한 자질을 사용하여 감정을 자동 분류하기 위해 대표적 기계 학습 방법 중 하나인 SVM(support vector machine)을 사용한다(Vapnik, 1995).
- 2003). 또한 음성 대화 시스템을 위한 연구에서는 음운과 문장 그리고 문맥을 자질로 사용하였고, Boosting 알고리즘에 기반한 분류기를 사용하여 감정을 분류하였다. 감정 범주로는 7개의 범주를 제안하였지만 감정 분포가 크게 치우침에 따라 실제로는 긍정과 부정적인 감정, 2가지로 분류하였다(Liscombe at al.
- 발화 문장을 기계 학습을 통하여 각 범주로 자동 분류하기 위해서는 발화 문장으로부터 범주를 구분하기 위한 자질을 추출해야 한다. 본 절에서는 감정 분류에 사용할 자질 집합을 문장 자질, 선험적 자질, 문맥 자질로 구분하여 설명한다.
- 따라서 형태소-품사의 조합과 문장 길이 등 다양한 조합 자질을 적용한다. 문장 자질을 선별하기 위해서 최근 한국어 문장 분석 분야에서 포괄적인 자질 선택 문제를 다루는 연구(김민정 외, 2008)에서 사용된 17개의 자질들을 본 연구에서 사용하는 말뭉치에 각각 한 개씩 사용하여 기여도가 있는 7개 문장 자질만을 선별하였고 실험을 통해 각 자질에 대한 감정 분류 성능과 감정 분류의 성능 향상에 어느 정도 기여할 수 있는 지를 평가한다. <표 2>와 같이 형태소-품사 쌍은 문장에 출현하는 어휘들을 대표하는 자질로 사용되며, 마지막 어절, 마지막 용언, 마지막 부사 그리고 마지막 어미 자질의 경우 한국어의 경우 중심 내용이 문장의 뒤에 위치하므로 마지막으로 나온 품사의 자질들에 가중치를 부여한다.
- 감정 어휘 열 사전은 실험 말뭉치와는 별도로 구성된 데이터로서 한국어 감정표현 관용어에 대한 연구(김향숙, 2001)에서 사전, 관련 논저, 신문, 문학 작품 등에서 선정된 2,456개의 감정에 대한 관용적 표현들을 수집하여 재가공한 것으로 본 연구 범위에 해당하는 1,301개의 감정 어휘 열을 선별하여 각 감정 범주의 자질로 사용하였다. 또한 교착어인 한국어의 특성에 따라 다양한 형태론적 변형이 나타나므로 정규화 과정을 추가하였다. 형태소 분석 결과의 품사에 따라 조사, 어미를 제거하였고, 감정의 강도를 주로 표현하는 관형사를 제외한 나머지 품사에 대해서 어휘 열을 생성하였다.
- 또한 교착어인 한국어의 특성에 따라 다양한 형태론적 변형이 나타나므로 정규화 과정을 추가하였다. 형태소 분석 결과의 품사에 따라 조사, 어미를 제거하였고, 감정의 강도를 주로 표현하는 관형사를 제외한 나머지 품사에 대해서 어휘 열을 생성하였다.<표 3>에서는 ‘화남’의 감정을 갖는 관용적 표현들과 이것을 정규화 과정을 거쳐 감정 어휘 열로 작성된 예를 보여준다.
- 따라서 현재 발화의 정보만으로는 감정을 분류할 수 없는 현상들을 위해 이전 발화들로부터 현재 발화의 감정 분석에 필요한 문맥 자질들을 사용한다. 본 논문에서는 문맥 자질로서 사용자의 이전 감정과 이전 화행 그리고 시스템의 이전 감정을 문맥 자질로 사용한다.
- 감정 분류를 위한 문장 자질을 위해 7개의 자질(형태소-품사 쌍, 마지막 어절, 마지막 용언, 형식 형태소 열, 마지막 부사, 마지막 어미, 발화의 길이)을 실험을 통해 비교하였다. <표 5>에서는 7가지 문장 자질을 각각 단독으로 사용했을 때의 성능을 보여준다.
- <그림 3>은 자질들의 다양한 조합들이 감정 분류에 어떻게 기여하는지 보여준다. 자질 조합 중 형태소-품사 쌍 자질 만으로도 최종 성능에 근접한 결과를 보이므로 나머지 자질들의 추가가 얼마나 성능에 보완이 되는지를 알아보기 위해 전체 문장 자질 7개를 모두 사용하였을 때를 기본으로 하고 나머지 자질 중에 한 가지씩 제외하면서 각 6개의 자질로 실험했을 때를 비교하였다. 실험 결과로 <표 5>에서 실험한 것과 동일하게 형태소-품사 쌍이 감정 분류에 가장 큰 영향을 끼치는 것을 볼 수 있었다.
- 실험 결과로 <표 5>에서 실험한 것과 동일하게 형태소-품사 쌍이 감정 분류에 가장 큰 영향을 끼치는 것을 볼 수 있었다. 또한 형태소-품사 쌍 자질을 포함한 자질 조합들은 그 차이가 미미하여 본 실험에서는 성능 하락에 영향을 미치는 자질들만을 제외하는 방법을 사용하였다. 따라서 마지막 부사와 마지막 어미, 발화의 길이의 자질의 경우에는 자질로 사용하지 않는 것이 오히려 성능이 증가하기 때문에 감정 분류를 위한 문장 자질로는 형태소-품사 쌍, 마지막 어절, 마지막 용언 그리고 형식 형태소 열을 선택하였다.
- 감정에 대한 관용적 표현의 정보를 나타내기 위한 선험적 자질로서 감정 어휘 열 사전을 구축하였다. 실험에 의하여 선택된 문장 자질들과 추가적으로 감정 어휘 열을 포함한 경우와 그렇지 않은 경우를 비교하여 선험적 자질에 대해 평가하였다.
- 감정에 대한 관용적 표현의 정보를 나타내기 위한 선험적 자질로서 감정 어휘 열 사전을 구축하였다. 실험에 의하여 선택된 문장 자질들과 추가적으로 감정 어휘 열을 포함한 경우와 그렇지 않은 경우를 비교하여 선험적 자질에 대해 평가하였다. 감정 어휘 열을 포함하였을 경우 추가적인 자질로 인해 ‘감정 없음’ 범주에서 각 감정 범주로 분류되는 경우가 증가한다.
- 감정 분류를 위한 문맥 자질을 위해 사용자의 이전 감정과 이전 사용자 발화의 화행 그리고 이전 시스템 발화의 화행을 문맥 자질로 선택하였다. 각 문맥 자질들을 평가하고 최적의 자질 집합을 찾기 위해 본 실험에서 선택한 문장 자질과 선험적 자질과의 조합들을 구성하여 실험하였다.
- 감정 분류를 위한 문맥 자질을 위해 사용자의 이전 감정과 이전 사용자 발화의 화행 그리고 이전 시스템 발화의 화행을 문맥 자질로 선택하였다. 각 문맥 자질들을 평가하고 최적의 자질 집합을 찾기 위해 본 실험에서 선택한 문장 자질과 선험적 자질과의 조합들을 구성하여 실험하였다. <그림 4>는 각 자질들의 다양한 조합을 실험한 결과이다.
- <표 8>에서 비교 시스템 1은 어절 자질과 Naive Bayes 분류기를 고 비교 시스템 2는 단순한 분류기의 성능 차이를 알아보기 위해 어절 자질과 SVM 분류기를 사용한 비교 시스템이다. 본 논문에서는 정확률과 재현율 그리고 F1-평가치를 평가 지표로 사용하지만 비교 시스템에서는 정확도(accuracy)를 평가지표로 사용함에 따라 이를 같이 표시하였다. 실험 결과 비교 시스템1에 비해 제안 시스템이 F1-평가치에서 15%의 성능 향상을 보인다.
- 본 논문에서는 대화 시스템을 위한 사용자 발화 문장에서 자동 감정 분류 방법을 제안하였다. 일반적으로 사용할 수 있는 감정 범주를 위해 심리학 분야에서 접근한 기본 범주를 대화 시스템에 적합하게 9개 범주로 재 정의하였다. 또한 감정 분류를 위한 자질 집합으로서 문장 자질과 선험적 자질 그리고 문맥 자질로 구분하여 최적 자질 집합의 조합을 실험을 통하여 구성하였다.
- 일반적으로 사용할 수 있는 감정 범주를 위해 심리학 분야에서 접근한 기본 범주를 대화 시스템에 적합하게 9개 범주로 재 정의하였다. 또한 감정 분류를 위한 자질 집합으로서 문장 자질과 선험적 자질 그리고 문맥 자질로 구분하여 최적 자질 집합의 조합을 실험을 통하여 구성하였다. 문장 자질로서 형태소-품사 쌍, 마지막 어절, 마지막 용언 그리고 형식형태소 열을 문장 자질로 사용하였고 선험적 자질로는 감정 분류를 위한 관용어 표현들을 이용하여 감정 어휘 열 사전을 구축하고 학습된 자질 집합에 포함하여 사용하였다.
- 문장 자질로서 형태소-품사 쌍, 마지막 어절, 마지막 용언 그리고 형식형태소 열을 문장 자질로 사용하였고 선험적 자질로는 감정 분류를 위한 관용어 표현들을 이용하여 감정 어휘 열 사전을 구축하고 학습된 자질 집합에 포함하여 사용하였다. 마지막으로 문맥 자질로서 사용자의 이전 감정, 이전 사용자 발화의 화행, 이전 시스템 발화의 화행을 사용하였다. 최적 자질 집합과 SVM 분류기를 사용한 제안 시스템의 성능은 비교 시스템에 비해 15% 높은 62.
대상 데이터
- 그러나 문장 자질 선택 과정에서 모든 n-gram을 고려할 수 없기 때문에 별도로 구축된 감정 어휘 열 사전을 사용하는 것이 보다 효율적이다. 감정 어휘 열 사전은 실험 말뭉치와는 별도로 구성된 데이터로서 한국어 감정표현 관용어에 대한 연구(김향숙, 2001)에서 사전, 관련 논저, 신문, 문학 작품 등에서 선정된 2,456개의 감정에 대한 관용적 표현들을 수집하여 재가공한 것으로 본 연구 범위에 해당하는 1,301개의 감정 어휘 열을 선별하여 각 감정 범주의 자질로 사용하였다. 또한 교착어인 한국어의 특성에 따라 다양한 형태론적 변형이 나타나므로 정규화 과정을 추가하였다.
- 본 논문에서 사용한 실험 말뭉치는 7,102개 문장으로 구성된 채팅 말뭉치를 사용하였다. 이 말뭉치는 3개의 주제(음식(3,009개 발화), 사랑(3,092개 발화), 음악(1,001개 발화))를 갖고 있으며 한 발화 당 평균 8.
- 77개의 단어로 이루어져 있다. 이 말뭉치는 두 명의 사용자가 SMS를 이용하여 특정 주제에 관하여 대화하는 내용을 수집하였다. 이 말뭉치는 화자 정보, 채팅 영역 정보, 감정 정보, 화행 정보, 발화의 목적, 발화의 대상, 주어 정보 등을 영역 당 한 명씩의 언어 분석에 능숙한 대학원생을 할당하여 수동으로 부착되었다.
- 또한 감정 분류를 위한 자질 집합으로서 문장 자질과 선험적 자질 그리고 문맥 자질로 구분하여 최적 자질 집합의 조합을 실험을 통하여 구성하였다. 문장 자질로서 형태소-품사 쌍, 마지막 어절, 마지막 용언 그리고 형식형태소 열을 문장 자질로 사용하였고 선험적 자질로는 감정 분류를 위한 관용어 표현들을 이용하여 감정 어휘 열 사전을 구축하고 학습된 자질 집합에 포함하여 사용하였다. 마지막으로 문맥 자질로서 사용자의 이전 감정, 이전 사용자 발화의 화행, 이전 시스템 발화의 화행을 사용하였다.
데이터처리
- 본 절에서는 제안한 방법을 평가하기 위한 실험 환경과 결과를 설명한다. 실험에 사용한 데이터 설명과 최적의 자질 집합을 위한 문장 자질, 선험적 자질 그리고 문맥 자질에 대한 실험 결과를 분석하고 마지막으로 제안시스템의 최종 자질 집합에 대한 결과를 실험을 통하여 비교 시스템과 성능을 비교 평가한다.
- 1999). 실험에서 데이터가 편중되는 것을 방지하기 위해 5 fold cross validation을 사용하고 평가 지표로서 정확률1)(precision)과 재현율2)(recall)을 정의하여 사용하였으며 정확률과 재현율의 조화평균인 F1-평가치3)를 사용하였다.
- 제안한 방법을 이용한 감정 분류 시스템의 성능을 비교 평가하기 위해한 비교 시스템(문현구, 2002)과 성능을 비교하였다. 비교 시스템의 자질과 통계 모델을 제안한 감정 범주와 동일한 실험 데이터에 적용하여 제안 시스템과 비교하였다.
- 제안한 방법을 이용한 감정 분류 시스템의 성능을 비교 평가하기 위해한 비교 시스템(문현구, 2002)과 성능을 비교하였다. 비교 시스템의 자질과 통계 모델을 제안한 감정 범주와 동일한 실험 데이터에 적용하여 제안 시스템과 비교하였다.<표 8>에서 비교 시스템 1은 어절 자질과 Naive Bayes 분류기를 고 비교 시스템 2는 단순한 분류기의 성능 차이를 알아보기 위해 어절 자질과 SVM 분류기를 사용한 비교 시스템이다.
이론/모형
- 1980; Plutchik and Conte, 1997; Plutchik, 2001)를 바탕으로 감정 범주를 정의하고 기계 학습을 위해 감정 분류에 필요한 자질 집합을 문장 자질, 선험적 자질 그리고 문맥 자질로 구분하여 최적의 자질 집합을 제안한다. 그리고 사용자 발화로부터 제안한 자질을 사용하여 감정을 자동 분류하기 위해 대표적 기계 학습 방법 중 하나인 SVM(support vector machine)을 사용한다(Vapnik, 1995).
- 또한 감정 변화를 감정 분류에 적용하기 위하여 Naïve Bayes 알고리즘의 확률 값을 관측 확률 값으로 하는 HMM을 사용하였다.
- 본 연구에서는 체계적이고 영역 독립적인 감정 범주를 결정하기 위해 Plutchik의 감정 모델을 이용한다. Plutchik의 연구에서는 강도에 따른 변형과 조합 감정은 기본 감정 내에 포함되거나 기본 감정으로 설명할 수 있으므로, 일반적인 감정 범주로 적용하기 용이한 기본 감정을 기준으로 감정 범주를 결정한다.
- 감정 어휘 열은 다른 자질들처럼 분류기 학습 단계에서 데이터에 의해 학습되는 것이 아니라 다른 자질들을 학습한 후에 정규화된 1,301개의 감정 어휘 열들을 각 범주 별로 나누어 학습된 자질 집합에 포함시킨다. 분류 단계에서는 다른 자질들과 마찬가지로 이진 자질-가중치(binary feature-weighting) 기법을 사용하여 계산한다.
- 본 연구에서는 자동으로 감정을 분류하기 위해 커널 기반(kernal-based) 학습 알고리즘과 자질-가중치(feature-weighting) 방법을 사용하는 SVM 분류기를 사용한다(Vapnik, 1995). 한 발화 문장에서 각 자질들은 한 번 이상 관측되기 어렵기 때문에 이진 자질-가중치 기법은 본 연구에서 매우 효과적으로 동작하며 식 4와 같이 적용한다.
- 본 연구에서는 기계 학습을 위해 SVM을 사용한다. SVM은 이진 분류 기법을 사용하기 때문에 2개 이상의 범주를 분류하기 위해서 다중 SVM 분류기를 구성하였다(Weston at al.
성능/효과
- 참여 대학원생들은 정보 표지 부착을 위해 미리 각 정보의 정답 예제와 설명을 위한 교육을 받았다. 그리고 부착된 정보 표지의 신뢰도를 평가하기 위해 500개의 샘플 발화로부터 Kappa value(Fleiss, 1971) 를 측정하였고 모든 참여 대학원생으로부터 60.4% 의 일치율(agreement rate)을 보여주었다.
- 실험 결과로 에서 실험한 것과 동일하게 형태소-품사 쌍이 감정 분류에 가장 큰 영향을 끼치는 것을 볼 수 있었다.
- 따라서 정확률에서 약간의 성능 하락이 있지만 에서와 같이 재현율에서는 약 5% 성능 향상이 있고 최종적으로 F1-평가치에서는 3%의 성능 향상을 볼 수 있다.
- <그림 4>는 각 자질들의 다양한 조합을 실험한 결과이다. 모든 문맥 자질을 사용한 조합이 가장 높은 성능 향상을 보이며 정확률에서는 약 5%의 성능향상을 보이지만 최종적으로 F1-평가치에서 미세한 향상을 보이며 문장 자질과 선험적 자질 만을 사용했을 때에 비해 큰 차이를 보이지 못하고 있다. 이것은 실험 데이터가 본래 채팅을 위한 발화 쌍으로써 감정 표지를 부착하는 데 있어 문맥을 고려하지 않았기 때문에 문맥 자질이 감정 분류에 큰 기여를 하지 못한 것으로 추측된다.
- 본 논문에서는 정확률과 재현율 그리고 F1-평가치를 평가 지표로 사용하지만 비교 시스템에서는 정확도(accuracy)를 평가지표로 사용함에 따라 이를 같이 표시하였다. 실험 결과 비교 시스템1에 비해 제안 시스템이 F1-평가치에서 15%의 성능 향상을 보인다. 또한 단순히 SVM 분류기로 인한 성능 향상을 고려한 비교 시스템 2에서도 제안 시스템은 9.
- 실험 결과 비교 시스템1에 비해 제안 시스템이 F1-평가치에서 15%의 성능 향상을 보인다. 또한 단순히 SVM 분류기로 인한 성능 향상을 고려한 비교 시스템 2에서도 제안 시스템은 9.6%의 성능 향상을 보였다.
- 마지막으로 문맥 자질로서 사용자의 이전 감정, 이전 사용자 발화의 화행, 이전 시스템 발화의 화행을 사용하였다. 최적 자질 집합과 SVM 분류기를 사용한 제안 시스템의 성능은 비교 시스템에 비해 15% 높은 62.8%의 F1-평가치 성능을 보임으로서 제안된 방법이 감정 분류에 보다 효과적임을 증명하였다.
후속연구
- 따라서 사용자의 의도를 보다 다양한 방향으로 분석하기 위해서는 발화 문장의 사전적인 의미를 분석하는 것 뿐만 아니라 대화 도중에 변화되는 사용자의 감정 파악이 필요하다. 또한 대화 시스템에서 사용자의 감정을 파악할 수 있다면 보다 다양하고 지능적인 반응이 가능할 것이다. 예를 들어 음악을 추천하는 시스템에서 사용자의 감정에 따라 추천할 수 있는 장르가 달라진다면 보다 지능적인 시스템이 될 수 있을 것이다.
- 데이터의 상당 부분이 ‘감정 없음‘의 감정 범주에 속하기 때문에 감정이 있는 문장들을 감정이 없는 것으로 분류한 오류가 가장 많이 발생하였다. 이를 해결하기 위해서 발화 문장의 감정 분류이전에 감정의 유/뮤를 미리 판단할 수 있는 분석과정을 추가한다면 성능 향상에 도움이 될 것으로 기대한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.