트위터 감성 분석은 트윗글의 감성을 긍정과 부정으로 분류하는 작업이다. 이 연구에서는 SentiWordNet(SWN) 감성 사전에 기반한 트윗글 감성 분석을 다룬다. SWN은 전체 영어 단어에 대해 단어의 의미별로 긍정, 부정의 감성 강도를 저장해 둔 감성 사전이다. 기존 SWN 기반 감성 분석 연구들은 문서에 출현하는 각 용어의 감성을 SWN으로부터 결정한 다음 이를 바탕으로 문서 전체의 감성을 결정하였는데, 그 방법들이 매우 다양하다. 예를 들어, 한 용어의 감성 결정 시 해당 용어의 SWN 내 의미별 긍정, 부정 감성 강도 차이들의 평균을 계산하거나 긍정과 부정 각각의 감성 강도 평균 혹은 최대값을 구하기도 하며, 문서 전체의 감성을 결정하는 경우에도 문서 내 용어들의 감성 값들에 대해 평균 혹은 최대값을 취하기도 하였다. 또한 SWN 내 형용사, 동사, 명사, 부사의 품사 집합 전체 혹은 특정 부분집합에 대해 위의 감성 결정 작업을 적용하기도 한다. 이처럼 기존 연구에서는 SWN 기반의 다양한 감성 자질 추출 절차가 시도되고 있으나 이들 자질 추출 기법 전반에 대한 성능 비교 연구는 찾기 힘들다. 이 연구에서는 SWN을 트위터 감성 분석에 활용하는 다양한 방법들을 일반화하는 절차들을 소개하고 각 방법들의 성능 비교 및 분석 결과를 제시한다.
트위터 감성 분석은 트윗글의 감성을 긍정과 부정으로 분류하는 작업이다. 이 연구에서는 SentiWordNet(SWN) 감성 사전에 기반한 트윗글 감성 분석을 다룬다. SWN은 전체 영어 단어에 대해 단어의 의미별로 긍정, 부정의 감성 강도를 저장해 둔 감성 사전이다. 기존 SWN 기반 감성 분석 연구들은 문서에 출현하는 각 용어의 감성을 SWN으로부터 결정한 다음 이를 바탕으로 문서 전체의 감성을 결정하였는데, 그 방법들이 매우 다양하다. 예를 들어, 한 용어의 감성 결정 시 해당 용어의 SWN 내 의미별 긍정, 부정 감성 강도 차이들의 평균을 계산하거나 긍정과 부정 각각의 감성 강도 평균 혹은 최대값을 구하기도 하며, 문서 전체의 감성을 결정하는 경우에도 문서 내 용어들의 감성 값들에 대해 평균 혹은 최대값을 취하기도 하였다. 또한 SWN 내 형용사, 동사, 명사, 부사의 품사 집합 전체 혹은 특정 부분집합에 대해 위의 감성 결정 작업을 적용하기도 한다. 이처럼 기존 연구에서는 SWN 기반의 다양한 감성 자질 추출 절차가 시도되고 있으나 이들 자질 추출 기법 전반에 대한 성능 비교 연구는 찾기 힘들다. 이 연구에서는 SWN을 트위터 감성 분석에 활용하는 다양한 방법들을 일반화하는 절차들을 소개하고 각 방법들의 성능 비교 및 분석 결과를 제시한다.
Twitter sentiment analysis is to classify a tweet (message) into positive and negative sentiment class. This study deals with SentiWordNet(SWN)-based twitter sentiment analysis. SWN is a sentiment dictionary in which each sense of an English word has a positive and negative sentimental strength. The...
Twitter sentiment analysis is to classify a tweet (message) into positive and negative sentiment class. This study deals with SentiWordNet(SWN)-based twitter sentiment analysis. SWN is a sentiment dictionary in which each sense of an English word has a positive and negative sentimental strength. There has been a variety of SWN-based sentiment feature extraction methods which typically first determine the sentiment orientation (SO) of a term in a document and then decide SO of the document from such terms' SO values. For example, for SO of a term, some calculated the maximum or average of sentiment scores of its senses, and others computed the average of the difference of positive and negative sentiment scores. For SO of a document, many researchers employ the maximum or average of terms' SO values. In addition, the above procedure may be applied to the whole set (adjective, adverb, noun, and verb) of parts-of-speech or its subset. This work provides a comparative study on SWN-based sentiment feature extraction schemes with performance evaluation on a well-known twitter dataset.
Twitter sentiment analysis is to classify a tweet (message) into positive and negative sentiment class. This study deals with SentiWordNet(SWN)-based twitter sentiment analysis. SWN is a sentiment dictionary in which each sense of an English word has a positive and negative sentimental strength. There has been a variety of SWN-based sentiment feature extraction methods which typically first determine the sentiment orientation (SO) of a term in a document and then decide SO of the document from such terms' SO values. For example, for SO of a term, some calculated the maximum or average of sentiment scores of its senses, and others computed the average of the difference of positive and negative sentiment scores. For SO of a document, many researchers employ the maximum or average of terms' SO values. In addition, the above procedure may be applied to the whole set (adjective, adverb, noun, and verb) of parts-of-speech or its subset. This work provides a comparative study on SWN-based sentiment feature extraction schemes with performance evaluation on a well-known twitter dataset.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
그러나 이들 자질 추출 기법 전반에 대한 성능 비교 연구는 찾기 힘들다. 이 연구에서는 SWN을 트위터 감성 분석에 활용하는 다양한 방법을 일반화된 절차로 제시하고, 성능 비교 및 분석 결과를 기술한다. 실험에서는 총 720가지 SWN 기반 감성 자질 추출법에 대해 SVM 기계학습을 적용한다.
제안 방법
실험에서는 4장에서 소개된 SWN 기반 감성 자질 추출 기법이 트윗글 감성 분석 성능에 미치는 영향을 평가한다. 이를 위해 가장 잘 알려진 트윗글 감성 분석 데이터 집합[1]인 스탠포드 트위터 데이터셋3)(Stanford Twitter Dataset)을 사용한다.
이 연구에서는 SWN을 트위터 감성 분석에 활용하는 다양한 방법을 일반화된 절차로 제시하고, 성능 비교 및 분석 결과를 기술한다. 실험에서는 총 720가지 SWN 기반 감성 자질 추출법에 대해 SVM 기계학습을 적용한다.
이 연구는 리뷰 문서의 감성 분석을 위해 기존에 시도되 었던 SentiWordNet 기반의 감성 자질 추출 방법들이 트윗글의 감성 분석에 미치는 효과들을 실험적으로 비교하고 분석하였다. 그 결과 SWN 감성 자질 중 긍정과 부정의 감성 강도 차이를 정량화하는 방법이, 순수 SWN 자질 기반의 감성 분류와 SWN 자질이 BOW 어휘자질과 결합된 감성 분류의 두 경우 모두에 있어 트윗글 감성 분석에 효과적이 었다.
이 연구에서는 트윗글 감성 자질 추출 절차로 의미 수준에서의 긍정-부정 극성 차 적용 여부와 품사 구분 자질 생성 여부에 따라 다음의 네 가지로 구분하였다. 각 절차는 용어 수준의 감성을 결정하는 함수 Ft와 문장(트윗글) 수준의 감성을 결정하는 함수 Fs를 순차 적용하는 과정을 거친다.
대상 데이터
이를 위해 가장 잘 알려진 트윗글 감성 분석 데이터 집합[1]인 스탠포드 트위터 데이터셋3)(Stanford Twitter Dataset)을 사용한다. 이 데이터셋은 회사명, 인명, 제품명, 영화명 등의 질의로 트위터를 검색하여 얻어진 총 359개 트윗글을 긍정 및 부정 감성을 갖는 트윗글로 수작업 분류한 것이며, 긍정 트윗글 182개, 부정 트윗글 177개로 구성되어 있다.
실험에서는 4장에서 소개된 SWN 기반 감성 자질 추출 기법이 트윗글 감성 분석 성능에 미치는 영향을 평가한다. 이를 위해 가장 잘 알려진 트윗글 감성 분석 데이터 집합[1]인 스탠포드 트위터 데이터셋3)(Stanford Twitter Dataset)을 사용한다. 이 데이터셋은 회사명, 인명, 제품명, 영화명 등의 질의로 트위터를 검색하여 얻어진 총 359개 트윗글을 긍정 및 부정 감성을 갖는 트윗글로 수작업 분류한 것이며, 긍정 트윗글 182개, 부정 트윗글 177개로 구성되어 있다.
이론/모형
감성 분류 방법으로는 자질 벡터에 유클리디언 길이 정규화를 적용한 후 SVM4) 기계학습을 사용하였다. 평가 척도로는 전술한 데이터셋에 대해 3-fold 교차 검증(Cross validation)을 100회 반복 적용한 평균 성능을 긍정 및 부정 분류 정확률(Precision), 재현율(Recall), F1, 그리고 Accuracy에 대해 적용하여 사용한다.
기계학습을 사용하였다. 평가 척도로는 전술한 데이터셋에 대해 3-fold 교차 검증(Cross validation)을 100회 반복 적용한 평균 성능을 긍정 및 부정 분류 정확률(Precision), 재현율(Recall), F1, 그리고 Accuracy에 대해 적용하여 사용한다.
성능/효과
이 연구는 리뷰 문서의 감성 분석을 위해 기존에 시도되 었던 SentiWordNet 기반의 감성 자질 추출 방법들이 트윗글의 감성 분석에 미치는 효과들을 실험적으로 비교하고 분석하였다. 그 결과 SWN 감성 자질 중 긍정과 부정의 감성 강도 차이를 정량화하는 방법이, 순수 SWN 자질 기반의 감성 분류와 SWN 자질이 BOW 어휘자질과 결합된 감성 분류의 두 경우 모두에 있어 트윗글 감성 분석에 효과적이 었다. 추가적으로 순수 SWN 자질만을 사용하는 경우는 품사별 자질을 구분하는 방법이 좋았고, BOW+SWN의 결합에 있어서는 품사 구분을 무시하는 방법이 감성 분류에 도움이 되었다.
그 결과 SWN 감성 자질 중 긍정과 부정의 감성 강도 차이를 정량화하는 방법이, 순수 SWN 자질 기반의 감성 분류와 SWN 자질이 BOW 어휘자질과 결합된 감성 분류의 두 경우 모두에 있어 트윗글 감성 분석에 효과적이 었다. 추가적으로 순수 SWN 자질만을 사용하는 경우는 품사별 자질을 구분하는 방법이 좋았고, BOW+SWN의 결합에 있어서는 품사 구분을 무시하는 방법이 감성 분류에 도움이 되었다.
표 2를 통해 서로 다른 SWN 감성 자질 추출 방법들은 감성 분류 성능에서 20% 이상 차이가 벌어짐을 알 수 있으며, 품사별 감성 자질을 구별하는 것(PoSy)과 긍정과 부정 감성 강도의 차이(diffavg, diffmax, DI)를 자질로 추출하는 것이 효과적임을 보인다. 또한 용어의 전체 의미(SWN_All) 대신 대표의미(SWN_FirstSense)의 감성 수치만 사용하는 것이 상대적으로 높은 감성 분류 성능을 얻을 수 있음을 보인다.
2절에 사용된 SWN 감성 자질 벡터를 결합하여 SVM 학습을 통해 감성 분류기로 만든 것이다. 표를 통해 SWN 감성 자질의 추가는 기존 용어 기반 감성 분류 성능을 전체 F1 및 Accuracy 기준으로 약 2% 향상시킴을 알 수 있다. 이는 SWN에 내재된 단어 의미별 긍정 부정 감성 강도로부터 얻어진 단어의 사전(prior) 감성 자질 값들이, 트윗글 학습 데이터로부터 추출되는 용어 기반의 자질들을 보완하는 효과가 있음을 의미한다.
한편 논문에서 시도된 총 720개 감성 자질 추출 절차들 중 약 20% 정도만 BOW와의 결합을 통해 BOW 자질만 사용한 경우의 감성 분류 성능을 향상시켰으며, 순수 SWN 자질만 사용한 경우에도 그 성능의 범위가 최저 47%에서 최고 70%로 상당한 격차가 발생함을 확인하였다. 이는 SWN 기반 감성 분석에서 적절한 SWN 감성 자질의 선택이 주의 깊게 고려되어야 함을 의미한다.
후속연구
이를 위해 영어 워드넷과 연결된 한국어 워드넷을 통해 한국어 어휘에 대한 영어 SentiWordNet 정보의 활용이 가능할 것이다. 또한 한국어 트윗의 경우 형태소 분석의 어려움에서 발생하는 BOW 자질 표현의 불충분함을 보완하기 위해 문자열 커널을 한국어에 적용한 음절 커널[18] 기반 분류 기법을 동시 고려할 필요가 있을 것이다.
실험에서는 BOW 어휘 자질과 SWN 감성 자질 같은 상이한 특성의 자질 집합을 결합하는 적절한 방법의 연구 필요성이 제기되었다. 이와 관련하여 향후 Gehler[17] 등의 이미지 처리 분야에서 그 효과가 보고된 MKL(Multiple Kernel Learning), Boosting 방법 등을 시도할 계획이다.
현재 연구에서 다룬 트윗 감성 분석 방법은 영어에 대한 것으로 이후 한국어 트윗글에서 재확인되고 개선될 필요가 있다. 이를 위해 영어 워드넷과 연결된 한국어 워드넷을 통해 한국어 어휘에 대한 영어 SentiWordNet 정보의 활용이 가능할 것이다. 또한 한국어 트윗의 경우 형태소 분석의 어려움에서 발생하는 BOW 자질 표현의 불충분함을 보완하기 위해 문자열 커널을 한국어에 적용한 음절 커널[18] 기반 분류 기법을 동시 고려할 필요가 있을 것이다.
순수 SWN 자질 기반 감성 분류기의 경우 감성 자질을 가능한 한 다양화하는 것이 트윗글 극성 판단에 도움이 되겠지만, BOW+SWN 감성 분류의 경우에는 기본이 되는 어휘 자질 집합에서 결여된 소량의 감성 판단 자질들만을 SWN으로 보완하는 것이 효과적이기 때문일 것이다. 이와 관련하여 향후 BOW와 SWN 자질들의 적절한 결합 방법을 탐구하고 전술한 SWN 자질 표현에서의 자질 개수의 영향을 좀 더 고찰할 필요가 있다.
실험에서는 BOW 어휘 자질과 SWN 감성 자질 같은 상이한 특성의 자질 집합을 결합하는 적절한 방법의 연구 필요성이 제기되었다. 이와 관련하여 향후 Gehler[17] 등의 이미지 처리 분야에서 그 효과가 보고된 MKL(Multiple Kernel Learning), Boosting 방법 등을 시도할 계획이다.
현재 연구에서 다룬 트윗 감성 분석 방법은 영어에 대한 것으로 이후 한국어 트윗글에서 재확인되고 개선될 필요가 있다. 이를 위해 영어 워드넷과 연결된 한국어 워드넷을 통해 한국어 어휘에 대한 영어 SentiWordNet 정보의 활용이 가능할 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
영어 트위터 감성 분석을 위한 기존 연구에서는 어떠한 방법들이 시도되었는가?
영어 트위터 감성 분석을 위한 기존 연구에서는 n-gram 형식의 용어 자질을 사용한 기계학습법[1]으로 시작하여, 품사(POS, Part-of-speech) 자질[2,3], 감성 사전에서 추출된 자질[2,4], 그리고 전술한 이모티콘, 해쉬태그, 유저태그 등의 마이크로블로깅(microblogging) 자질을 활용하는 방법들[4,5]이 시도되었다. 최근에는 트윗글에 출현하는 용어에 내재된 PERSON, COMPANY, PRODUCT 등의 개념 자질들을 활용하여 감성 분석의 성능 향상이 시도되고 있다[6].
트위터(Twitter) 감성 분석이 기존의 텍스트 유형의 의견 분석과는 다른 특징은 무엇인가?
트위터(Twitter) 감성 분석(Sentiment Analysis)은 하나의 트윗글(Tweet Message)을 입력으로 받아 그 트윗글을 통해 전달되는 감성의 극성(Polarity)을 긍정(Positive)과 부정(Negative)으로 분류하는 작업이다. 기존 의견 분석(Opinion Mining)이 시도되었던 영화평, 도서평, 상품평 등의 텍스트 유형과 달리, 트윗글은 최대 140자 길이 제약과 함께 이모티콘(Emoticon), 해쉬태그(Hash Tag), 유저태그(Username), 리트윗(RT), URL 등의 독특한 용어/구문적 특성을 갖고 있어, 새로운 복잡도를 갖는 감성 분석 대상으로 인식되고 있다.
트위터 감성 분석이란?
트위터(Twitter) 감성 분석(Sentiment Analysis)은 하나의 트윗글(Tweet Message)을 입력으로 받아 그 트윗글을 통해 전달되는 감성의 극성(Polarity)을 긍정(Positive)과 부정(Negative)으로 분류하는 작업이다. 기존 의견 분석(Opinion Mining)이 시도되었던 영화평, 도서평, 상품평 등의 텍스트 유형과 달리, 트윗글은 최대 140자 길이 제약과 함께 이모티콘(Emoticon), 해쉬태그(Hash Tag), 유저태그(Username), 리트윗(RT), URL 등의 독특한 용어/구문적 특성을 갖고 있어, 새로운 복잡도를 갖는 감성 분석 대상으로 인식되고 있다.
참고문헌 (18)
A. Go, R. Bhayani, L. Huang, "Twitter Sentiment Classification using Distant Supervision," CS224N Project Report, Stanford, 2009.
A. Agarwal, B. Xie, I. Vovsha, O. Rambow, R. Passonneau, "Sentiment Analysis of Twitter Data," Proceedings of the Workshop on Languages in Social Media (LSM), 2011.
A. Pak, P. Paroubek, "Twitter as a Corpus for Sentiment Analysis and Opinion Mining," Proceedings of the International Conference on Language Resources and Evaluation (LREC), 2010.
L. Barbosa, J. Feng, "Robust Sentiment Detection on Twitter from Biased and Noisy Data," Proceedings of the 23rd International Conference on Computational Linguistics (COLING), 2010.
E. Kouloumpis, T. Wilson, J. Moore, "Twitter Sentiment Analysis: The Good the Bad and the OMG!," Proceedings of the Fifth International Conference on Weblogs and Social Media (ICWSM), 2011.
H. Saif, Y. He, H. Alani, "Semantic sentiment analysis of twitter," Proceedings of the 11th International Conference on The Semantic Web (ISWC), 2012.
S. Baccianella, A. Esuli, F. Sebastiani, "SentiWordNet 3.0: An Enhanced Lexical Resource for Sentiment Analysis and Opinion Mining," Proceedings of the International Conference on Language Resources and Evaluation (LREC), 2010.
K. Denecke, W. Nejdl, "How valuable is medical social media data? Content analysis of the medical web," Information Sciences, vol. 179, no. 12, pp. 1870-1880, 2009.
M. Taboada, J. Brooke, M. Tofiloski, K. Voll, "Lexicon-Based Methods for Sentiment Analysis," Computational Linguistics, vol. 37, no. 2, pp. 267-307, 2011.
A. Hamouda, M. Rohaim, "Reviews Classification Using SentiWordNet Lexicon," The Online Journal on Computer Science and Information Technology (OJCSIT), vol. 2, no. 1, pp. 120-123, 2011.
R. Dehkharghani, B. Yanikoglu, D. Tapucu, Y. Saygin, "Adaptation and Use of Subjectivity Lexicons for Domain Dependent Sentiment Classification," IEEE 12th International Conference on Data Mining Workshops (ICDMW), 2012.
Y. Lee, S. Na, J. Kim, S, Nam, H. Jung, J. Lee, "KLE at TREC 2008 Blog Track: Blog Post and Feed Retrieval," Proceedings of The Seventeenth Text REtrieval Conference (TREC), 2008.
B. Ohana, B. Tierney, "Sentiment classification of reviews using SentiWordNet," Proceedings of the 9th IT&T Conference, 2009.
R. Feldman, "Techniques and applications for sentiment analysis," Communications of the ACM, vol. 56, no. 4, pp. 82-89, 2013.
B. Liu, "Sentiment analysis and opinion mining," Synthesis Lectures on Human Language Technologies, Morgan & Claypool Publishers, 2012.
B. Pang, L. Lee, "Opinion mining and sentiment analysis," Foundations and Trends in Information Retrieval, vol. 2, no. 1-2, pp. 1-135, 2008.
P. Gehler, S. Nowozin, "On feature combination for multiclass object classification," Proceedings of IEEE 12th International Conference on Computer Vision (ICCV), 2009.
S. Kim, S. Park, S. Park, S. Lee, K. Kim, "A Syllable Kernel based Sentiment Classification for Movie Reviews," Journal of Korean Institute of Intelligent Systems, vol. 20, no. 2, pp. 202-207, 2010.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.