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 논문에서 감정어를 이용한 등장인물의 감정 성향을 판단하는 방법론을 제안하고 실험을 통해 그 효율성을 보였다. 4개의 영화 속의 12명의 주요 등장인물들에 대해 감정 성향을 판단하는 실험을 진행하여 75%의 정확도로 평가되어지는 것을 보여주었다.
- 이를 위해 본 논문에서는 등장인물의 대화에 존재하는 감정어를 추출하기 위해 WordNet을 이용한 감정어 추출방법을 제안하고, 추출된 감정어들을 긍정, 부정, 중립의 3종류로 분류하여 등장인물이 사용한 감정 성향이 무엇인지 표현하고 추출하는 연구를 진행한다. WordNet은 단어 간에 상위어와 하위어, 유사어 등의 관계로 연결된 네트워크 구조의 유의어 사전이다.
제안 방법
- 추출된 감정어는 30차원의 감정벡터로 표현되고, 감정어를 사용한 등장인물 또는 인물들 간의 관계에 따라 누적 연산되어 인물 또는 관계의 특징 감정 벡터로 활용되게 된다. 30차원의 감정 벡터를 그대로 사용하여 인물의 감정 성향을 표현할 경우 시각적으로 이해되기 힘들기 때문에 대표적인 3가지 요소인 긍정적 요소, 부정적 요소, 중립적 요소로 분류하여 누적하여 표현하였다.
- 감정과 관련된 최상위의 용어는 ‘emotional state’, ‘emotion’, and ‘feeling’의 3개이다. 3개의 용어의 하위어들을 추출한 후, 유사한 용어들을 그룹으로 모아서 표 1과 같이 총 30개의 감정항목을 추출하였다. 이 30개의 감정 항목은 감정어가 가질 수 있는 독립적인 감정 차원이므로 감정어는 식 1처럼 30차원의 벡터로 표현할 수 있다.
- WordNet은 단어 간에 상위어와 하위어, 유사어 등의 관계로 연결된 네트워크 구조의 유의어 사전이다. WordNet에서 감정과 관련된 최상위의 감정 항목을 30개를 추출한 후에 네트워크 구조에서 최상위의 감정 항목과의 의미적 거리를 계산하여 단어별 감정량을 측정하게 된다. 추출된 감정어는 30차원의 감정벡터로 표현되고, 감정어를 사용한 등장인물 또는 인물들 간의 관계에 따라 누적 연산되어 인물 또는 관계의 특징 감정 벡터로 활용되게 된다.
- WordNet으로부터 얻어진 감정어 항목들을 표 2와 같이 긍정, 부정, 중립의 3개로 분류하였다. 이것을 등장인물의 대화에서 추출된 감정어들에 적용하여 등장인물의 성향이 긍정적인지 부정적인지 중립적인지를 분류하였다.
- 이것을 등장인물의 대화에서 추출된 감정어들에 적용하여 등장인물의 성향이 긍정적인지 부정적인지 중립적인지를 분류하였다. 감정 벡터로 표현된 감정어들을 등장인물에 대하여 합산한 후에 감정 벡터의 값들을 긍정, 부정, 중립의 3가지 항목으로 분류한 후 합산하였다.
- 제안된 방법의 성능을 평가하기 위해 표 3과 같이 4개의 영화에서 12명의 주요 등장인물을 선정하였다. 구현과 평가를 위한 소프트웨어는 마이크로 소프트 사의 윈도우 XP 운영 체제 하에서 Delphi (Delphi 7.0, Embarcadero) and JAVA (JAVA 1.7, Eclipse Indigo)를 사용하여 개발하였다. Delphi는 user interface와 Character-net 구축과 분석을 위해 사용되었으며 JAVA는 감정어 추출과 감정벡터 표현을 위해 사용되었다.
- 대본이나 자막을 이용하여 등장인물들 간의 대화를 누적하여 Character-net을 표현하는 연구를 진행하였다[10,11,12,13]. 영화 전체에 대해 대화 그래프들을 누적하여 Character-net을 구축하였다.
- 또한 영화의 등장인물 관계를 소셜 네트워크 모델인 Character-net으로 표현하고, 영화와 등장인물과 등장인물들간의 대화들에 대해 감정 벡터와 감정벡터의 변화그래프를 보여줄 수 있는 가시화 도구를 구현하였다. 이를 통해 사용자는 영화에서 감정이 집중되어 나타나거나 감정의 분포가 변화하는 부분들을 관측할 수 있을 것으로 판단된다.
- 대본이나 자막을 이용하여 등장인물들 간의 대화를 누적하여 Character-net을 표현하는 연구를 진행하였다[10,11,12,13]. 영화 전체에 대해 대화 그래프들을 누적하여 Character-net을 구축하였다. 대화를 기본 단위로 사용하여 인물 간의 관계를 표현하기 때문에 장면보다는 정확한 성능을 추출 성능을 나타내게 된다.
- 영화별로 주연과 중요한 조연을 추출하였다. 모든 등장인물들에 대해 분류작업을 진행하지 못한 것은 조연 이하의 등장인물의 대사가 많지 않아서 추출된 감정어량이 절대적으로 부족하였기 때문이다.
- WordNet으로부터 얻어진 감정어 항목들을 표 2와 같이 긍정, 부정, 중립의 3개로 분류하였다. 이것을 등장인물의 대화에서 추출된 감정어들에 적용하여 등장인물의 성향이 긍정적인지 부정적인지 중립적인지를 분류하였다. 감정 벡터로 표현된 감정어들을 등장인물에 대하여 합산한 후에 감정 벡터의 값들을 긍정, 부정, 중립의 3가지 항목으로 분류한 후 합산하였다.
- 이러한 방법을 통해 표현된 특징 감정 벡터를 이용하여 등장인물 또는 인물들 간의 관계에서 나타난 감정 성향을 표현하고 판단하였으며, 이의 효율성을 판단하기 위해 실험을 통해 감정 성향 판단 성능을 평가하였다.
- 또한 등장인물의 감정 성향을 판단 하게 될 경우 스토리의 중요한 요소인 인물에 대한 심층적인 분석이 가능해 질 것이다. 이를 위해 WordNet 기반의 감정어 추출 방법을 제안하고 감정어 기반의 등장인물 감정 성향 판단 방법과 표현방법에 대해 설명한다.
- 영화들에 대해 그림 10의 Character-net을 구축하였다[10]. 장면 내의 등장인물 명(character name)과 대사(dialog)을 이용하여대화 그래프를 표현하고, 대사의 글자수를 가중치로 사용하였다. 표현된 대화 그래프들은 누적되어 Character-net을 구축하게 된다.
- 등장인물 별로 사용되는 감정 벡터는 등장인물별 대사들에 대한 감정 벡터들을 누적한 값을 사용하였다. 즉 등장인물이 대사를 통해 갖는 모든 감정 성분을 통합하여 등장인물의 특징 벡터로 사용하였다.
대상 데이터
- 즉 직접적 감정어만을 감정어로써 취급하게 되는데, 기존의 연구들로부터 취급되어진 감정어의 개수는 대략적으로 700 단어 정도로 정리될 수 있다. Elliott는 198개의 감정어를 제안하여 연구에 활용하였고[6], Salway는 WordNet을 이용하여 627개의 감정어를 추출하는 연구를 진행하였다[7]. 이 기술들은 미리 정해진 감정어에 속하는 감정어만을 추출하는 방법론으로 명확한 감정을 표현한다는 면에서는 명료성을 띄어서 좋지만, 내재적인 감정을 표현하는 단어들을 추출하기에는 한계가 있는 방법이다.
- 제안된 방법의 성능을 평가하기 위해 표 3과 같이 4개의 영화에서 12명의 주요 등장인물을 선정하였다. 구현과 평가를 위한 소프트웨어는 마이크로 소프트 사의 윈도우 XP 운영 체제 하에서 Delphi (Delphi 7.
데이터처리
- 인물별로 감정어를 분석하여 면 <표 4>와 같은 결과를 얻게 된다. <표 4>의 제안된 방법론에 의해 자동측정된 결과와 전문가에 직접 평가한 수동측정의 결과를 비교하였다. 자동측정된 결과의 판정은 자동측정된 3가지 값들이 수동측정된 3가지 값들의 15% 범위 내에 있을 때 올바르게 판단(OK)된 것으로 결정하였다.
성능/효과
- 12명의 등장인물에 대해 감정 성향을 판단하는 방법론에 대한 실험 결과는 9명의 등장인물을 올바르게 판단하여 75%의 정확도를 나타내는 것으로 평가되었다. 7명에 대해서는 잘못된 감정 성향을 판단하는 것으로 나타났다.
- 본 논문에서 감정어를 이용한 등장인물의 감정 성향을 판단하는 방법론을 제안하고 실험을 통해 그 효율성을 보였다. 4개의 영화 속의 12명의 주요 등장인물들에 대해 감정 성향을 판단하는 실험을 진행하여 75%의 정확도로 평가되어지는 것을 보여주었다. 즉 제안하는 방법론이 효율적으로 등장인물들의 감정 성향을 표현하고 판단할 수 있다는 것을 증명하였다.
- 추가적으로 기존의 Salway의 방법과 비교를 진행하려고 하였으나, 627개의 감정어만을 미리 선정하여 대사에서 동일한 감정어만을 추출하는 Salway의 방법은 대사에서 발견되는 감정어의 수가 너무 희박하여 비교를 진행할 수가 없었다. M1과 M4의 경우 주인공인 Jake와 McClane의 경우 일정량 이상의 감정어가 추출되었으나 본 논문에서 제안된 방법에 의해 측정된 방법보다 현격히 적은 수가 발견되어 비교평가를 진행할 수가 없었다.
- <표 4>의 제안된 방법론에 의해 자동측정된 결과와 전문가에 직접 평가한 수동측정의 결과를 비교하였다. 자동측정된 결과의 판정은 자동측정된 3가지 값들이 수동측정된 3가지 값들의 15% 범위 내에 있을 때 올바르게 판단(OK)된 것으로 결정하였다. 범위 밖에 있는경우에는 잘못되게 판단(NG)된 것으로 결정하였다.
- 4개의 영화 속의 12명의 주요 등장인물들에 대해 감정 성향을 판단하는 실험을 진행하여 75%의 정확도로 평가되어지는 것을 보여주었다. 즉 제안하는 방법론이 효율적으로 등장인물들의 감정 성향을 표현하고 판단할 수 있다는 것을 증명하였다.
후속연구
- 하지만 이에 비해 대화 문장에서 감정어를 추출하는 것은 현실적으로 활용될 수 있는 실현 가능한 접근 방법이다[2]. 대화 속에 존재하는 감정어들을 추출하면 등장인물이 드러내는 감정 상태를 파악할 수 있고, 스토리 정보로도 활용할 수 있을 것이다. 특히, 감정어를 이용하여 등장인물의 성향을 파악할 경우 스토리의 갈등 구조를 파악하는 데 많은 도움이 될 것이다.
- 이의 개선을 위해 WordNet 기반의 감정어의 추출 방법론의 성능을 개선하는 작업과 대사 이외의 감정을 판단하기 위한 추가적인 정보를 추출하는 연구를 진행할 필요가 있다. 따라서 향후에 WordNet의 감정어 추출 방법론의 개선과 지문이나 상대방의 감정의 반영과 같은 추가적인 연구를 진행할 것이다.
- 영화의 진행에 따른 등장인물들의 감정 변화 또는 누적량과, 등장인물들 간의 감정 변화를 보여주고 표현할 필요가 있다. 또한 등장인물의 감정 성향을 판단 하게 될 경우 스토리의 중요한 요소인 인물에 대한 심층적인 분석이 가능해 질 것이다. 이를 위해 WordNet 기반의 감정어 추출 방법을 제안하고 감정어 기반의 등장인물 감정 성향 판단 방법과 표현방법에 대해 설명한다.
- 또한 영화의 등장인물 관계를 소셜 네트워크 모델인 Character-net으로 표현하고, 영화와 등장인물과 등장인물들간의 대화들에 대해 감정 벡터와 감정벡터의 변화그래프를 보여줄 수 있는 가시화 도구를 구현하였다. 이를 통해 사용자는 영화에서 감정이 집중되어 나타나거나 감정의 분포가 변화하는 부분들을 관측할 수 있을 것으로 판단된다.
- 특히, 감정어를 이용하여 등장인물의 성향을 파악할 경우 스토리의 갈등 구조를 파악하는 데 많은 도움이 될 것이다. 이를 통해 영화 축약이나 브라우징과 같은 영화 정보 검색에 등장인물 정보를 활용할 수 있을 것이다.
- 또한 감정어 추출 시에 잘못된 경로를 추적하여 잘못된 감정어나 감정값이 측정되는 경우가 발생하였다. 이의 개선을 위해 WordNet 기반의 감정어의 추출 방법론의 성능을 개선하는 작업과 대사 이외의 감정을 판단하기 위한 추가적인 정보를 추출하는 연구를 진행할 필요가 있다.
- 대화 속에 존재하는 감정어들을 추출하면 등장인물이 드러내는 감정 상태를 파악할 수 있고, 스토리 정보로도 활용할 수 있을 것이다. 특히, 감정어를 이용하여 등장인물의 성향을 파악할 경우 스토리의 갈등 구조를 파악하는 데 많은 도움이 될 것이다. 이를 통해 영화 축약이나 브라우징과 같은 영화 정보 검색에 등장인물 정보를 활용할 수 있을 것이다.
- RoleNet은 영화 내에서 장면을 기본단위로 하여 동시에 등장한 인물들을 간선으로 연결하고, 이를 누적하여 소셜 네트워크로 표현하는 방법이고, Character-net은 영화 내에서 등장인물들을 노드로 하고 그들의 대화를 간선으로 하는 소셜 네트워크로 표현된다. 하지만 대사에서 감정어를 추출하여 등장인물과 인물 간의 관계에서 나타난 감정 성향을 판단하고 표현하는 연구에서는 장면을 기본 단위로 하는 것보다는 대사를 기본단위로 하는 것이 훨씬 정교하고 정확한 표현이 가능할 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.