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
- 감정 분석은 사람이 어떤 생각을 하는지, 특정 물건, 사람에 대해 어떤 감정을 느끼는지를 알고자 한다. 사용자의 리뷰, 댓글 등을 통해 마케팅에 이용하거나 더 나은 서비스, 추천 시스템에 이용되고 있다[3, 4].
- 또한 사용자가 최근 감상한 음악 목록들의 감정 범주가 일정하지 않기 때문에 최근 감상한 음악 목록의 기준을 감정의 범주가 변하지 않는 음악들의 목록으로 정의하였다. 감정 범주가 같은 사용자가 최근 감상한 음악 목록을 이용하여 음악을 추천할 때 유사한 음악들을 추천하도록 고려하였다.
- 본 연구에서는 음악 추천 시스템에 적용하기 위해 음악을 감정별로 분류하려 감정 모델을 만들었다. 감정 모델은 총 15가지의 감정을 가지고 있으며 음악과 사용자의 감정이 15가지 감정중 하나로 분류 된다.
- 사용자는 가수, 앨범, 음악에 태그를 활용해 자신의 의사를 표현할 수 있으며 가수와 음악, 앨범과 음악 간의 포함관계, 사용자간의 친구관계를 비롯해 그룹에 속해있는 관계 등 활용할 수 있는 관계들이 여러 가지 존재한다. 우리는 사용자가 음악에 태그를 활용해 표현한 정보를 활용하여 추천시스템에 적용하고자한다.
- 대중적으로 추천되는 음악보다 사용자에게 맞는 음악을 찾기 위해서는 검색을 하거나, 주변사람을 통해 음악을 추천 받아야한다. 우리는 사용자들의 추천에 대한 만족도를 높이기위해 음악이 어떤 감정을 내포하고 있는지 분석하고 사용자들의 현재 감정 상태를 분석하여 음악 추천 시스템에 적용하고자 한다.
- fm에서는 사용자들이 각 음악을 비롯해 가수, 앨범 등에 태그를 작성할 수있다. 우리는 이 태그를 이용해 사용자들이 각 음악에 대해 어떤 생각을 가지고 있는지, 어떤 감정을 느끼고 있는지 알아내고자한다.
- 또한 사람이 음악을 들을 때 느끼는 감정을 분석하고 사용자의 최근 관심사나 상황, 기분에 대해 분석하여 추천에 이용한다면 효과가 좋을 것이다. 이 논문에서는 음악과 사람의 감정을 분석하여 추천 시스템에 이용하고자 한다.
제안 방법
- 총3가지 모듈로 나뉘며 첫 번째 모듈은 음악의 감정을 추출하는모듈이다. Emotion Extractor를 통해 음악의 가사와 태그를 이용하여 음악의 감정을 추출해낸다. 두 번째 모듈은 last.
- fm의 음악 정보와 twitter의 정보를 얻어왔다. Last.fm의 음악 정보는 사용자가 어떤 음악을 듣는지에 대한 정보를 얻어왔고, twitter를 분석하여 사용자의 감정 상태를 분석하였다. 그림5의 Keywords Extractor와 Emotion Extractor를 이용하여 사용자가 업로드한 트윗들을 분석하여 사용자의 현재 감정 상태를 알아내었다.
- 그림4는 Thayer의 감정 모델과 Plutchik의 감정모델을 병합하여 만든 감정 모델이다. Plutchik의 감정 모델 중 Thayer가 제안한 감정 모델의 감정과 중복되는 감정들을 제거하고 Anticipation, Joy, Distress, Surprise 총 4가지의 감정을 Thayer의 감정 모델에 추가하였다. Arousal은 감정의 세기를 나타내는 것으로 큰 값을 가질수록 활기찬 기분을 말하며 낮을수록 조용한 기분을 나타낸다.
- 또한 사용자가 최근 감상한 음악 목록들의 감정 범주가 일정하지 않기 때문에 최근 감상한 음악 목록의 기준을 감정의 범주가 변하지 않는 음악들의 목록으로 정의하였다. 감정 범주가 같은 사용자가 최근 감상한 음악 목록을 이용하여 음악을 추천할 때 유사한 음악들을 추천하도록 고려하였다.
- 감정 모델은 총 15가지의 감정을 가지고 있으며 음악과 사용자의 감정이 15가지 감정중 하나로 분류 된다. 그 다음 음악의 가사와 last.fm의 태그 정보에서 각 단어가 가지는 감정 수치를 이용하여 음악을 분류할 것이다. 음악을 분류하고 사용자의 감정에 맞는 음악을 추천하기 위해 사용자의 감정 상태를 알아야 한다.
- fm의 API를 이용하여 twitter를 같이 이용하는 200여명의 사용자들에 대한 정보를 얻어왔고, 사용자들이 들었던 음악들을 중심으로 2700여개의 음악들의 정보를 얻어왔다. 그리고 사용자들의 last.fm 이용내역과 twitter 타임라인을 분석하여 사용자들의 감정 상태를 분석하였다. Twitter의 타임 라인을 분석하여 제일 많이 추출된 감정에 해당하는 음악이 얼마나 추천 되는지를 실험하였고 200여명의 사용자들에 대한 추천 결과 평균 70%의 적중률을 보였다.
- fm의 태그 정보를 수집하여 분석하였다. 또한 음악의 가사로부터 감정을 추출하기 위해 음악의 가사로부터 키워드를 추출하여 감정단어사전과 각 단어의 중요도를 계산하여 적용하였다. 각 가사는 불용어가 처리되고 어근을 찾아주는 작업을 거쳐 키워드가 추출된다.
- 사람들이 음악을 들을 때 느끼는 감정을 추출하기 위해 음악의 가사와 last.fm의 태그 정보를 수집하여 분석하였다. 또한 음악의 가사로부터 감정을 추출하기 위해 음악의 가사로부터 키워드를 추출하여 감정단어사전과 각 단어의 중요도를 계산하여 적용하였다.
- 사용자가 최근 감상한 음악 목록을 분석하여 감상한 음악들의 감정 범주와 비슷한 음악들을 추천하기 위해 음악의 유사도를 측정하였다. 음악의 감정 범주를 추출하기 위해 우리는 사용자들이 직접 태깅한 태그들과 가사를 이용하여 3.
- LR은 거주지, LRS는 거주지의 유사함이며 Au는 곡의 정보, AuS는 곡의 정보의 유사도이다. 사용자의 ID와 곡의 ID, 그리고 곡의 정보와 감정을 추출하여 음악을 추천하는 우리의 연구와 비교하기 위해 위 표2의 마지막에 있는 U+S+Au+AuS 특징들을 이용하여 추천 한 결과와 비교하였다.
- fm의 태그정보와 음악의 가사를 이용하여 음악을 감정에 따라 분류하였다. 사용자의 소셜 네트워크 정보에서 사용자의 감정 상태를 추출하기 위해 Last.fm 이용 내역과 twitter의 타임라인을 분석하여 사용자의 감정 상태를 추출하였다. 추출한 감정 상태에 따라 음악을 추천한 결과 평균 63%의 적중률을 보였다.
- 사용자의 소셜 네트워크를 분석하여 음악을 추천하는데 이용하기 위해 last.fm과 twitter를 분석하였다. Last.
- 비교 실험에서는음악 자체에 포함된 정보들을 이용하였지만 사용자와 음악에 내포된 감정에 대한 특성을 이용하지 않았다. 우리가 제안하는 방법에서는 비교 실험과는 다르게 음악 자체에 포함된 정보들을 이용하지 않고 사용자의 감정과 음악에 내포된 감정을 분석하여 사용자에 감정 상태에 맞는 음악을 추천 해주었다. 표 3의 결과를 봤을 때 우리가 제안하는 방법이 비교실험보다 Recall은 낮지만 Precision은 높은 결과를 보이고 있다.
- 추출된 음악의 감정은 감정 범주로 나타낼 수 있지만 또한 2차원 감정 모델상의 좌표(x,y)로 나타낼 수 있다. 우리는 2차원 감정 모델상의 좌표값을 Euclidean distance를 이용하여 유사도를 측정하였다. 추출된 두 음악의 감정 좌표를 각각 T1 = (x1,y1), T 우리는 음악을 감정에 따라 분류하고 사용자의 소셜네트워크 정보를 이용하여 감정 상태를 알아내기 위해 Thayer의 감정모델과 Plutchik의 감정 모델을 병합하여 총 15개의 감정으로 이루어진 감정 모델을 통해 음악의 감정을 분류하였다. 음악을 분류하기 위해 ANEW 감정사전과 WordNet을 이용하여 감정사전을 확장하였고, Last.
- 우리는 음악을 감정에 따라 분류하고 사용자의 소셜네트워크 정보를 이용하여 감정 상태를 알아내기 위해 Thayer의 감정모델과 Plutchik의 감정 모델을 병합하여 총 15개의 감정으로 이루어진 감정 모델을 통해 음악의 감정을 분류하였다. 음악을 분류하기 위해 ANEW 감정사전과 WordNet을 이용하여 감정사전을 확장하였고, Last.fm의 태그정보와 음악의 가사를 이용하여 음악을 감정에 따라 분류하였다. 사용자의 소셜 네트워크 정보에서 사용자의 감정 상태를 추출하기 위해 Last.
- 음악의 가사로부터 추출된 감정을 이용하여 보다 더 정확하게 음악의 감정을 판별하기 위해 음악 소셜 커뮤니티인 last.fm의 태그정보들을 이용 하였다. Last.
- 사용자가 최근 감상한 음악 목록을 분석하여 감상한 음악들의 감정 범주와 비슷한 음악들을 추천하기 위해 음악의 유사도를 측정하였다. 음악의 감정 범주를 추출하기 위해 우리는 사용자들이 직접 태깅한 태그들과 가사를 이용하여 3.2와 같이 음악의 감정을 추출하였다. 추출된 음악의 감정은 감정 범주로 나타낼 수 있지만 또한 2차원 감정 모델상의 좌표(x,y)로 나타낼 수 있다.
- 음악의 감정을 분석하고 사용자의 소셜 네트워크를 분석하여 추천하기 위해 시스템을 설계하였다. 총3가지 모듈로 나뉘며 첫 번째 모듈은 음악의 감정을 추출하는모듈이다.
- 음악을 감정에 따라 분류하기 위해 음악이 어떤 감정을 내포하는지 분석해야한다. 음악자체에 포함된 데이터들을 직접 분석하거나 사용자들이 음악에 대해 평가하거나 리뷰를 남긴 정보를 이용하여 음악을 분석한다. 음악을 감정에 따라 분류하기 위해 [9]은 음악의 리듬, 멜로디, 음색등 음악에 직접 드러나는 성질을 분석하여 음악을 분류한다.
- fm에서 제공하고 있는 API를 이용하여 음악에 태깅된 태그와 태깅된 횟수를 가져와 감정 단어 사전에 감정 수치가 기록되어 있지 않은 단어들을 제거하고 마찬가지로 불용어 처리와 어근을 찾아주는 작업을 거쳐 키워드들을 남기게된다. 이후에 last.fm에서 가져온 태그 정보의 중요도를 올려서 이용하기 위해 앞서 가사를 이용하여 추출한 감정을 빈도수가 제일 높은 태그와 같은 가중치를 가지게하여 최종적으로 음악을 분류하였다.
- 음악의 가사들을 수집해 가중치를 계산하는 방법은 위에서와 마찬가지로 각 가사로부터 키워드를 추출하여 각 단어의 빈도수를 계산한다. 전체 수집한 가사의 Document Frequency를 계산해 놓은 뒤 각 가사의 TF-IDF를 이용하여 계산한다.
- 세 번째 모듈은 트위터 API를 통해 사용자의 트위터에 게시된 글들을 불러와 Emotion Extractor를 통해 사용자의 현재 감정 상태를 추출하는 모듈이다. 제안하는 시스템은 음악의 감정을 분류하고 사용자의 소셜 네트워크를 정보를 활용하여 추천하는데 이용되며 MusicRecommend System는 사용자의 소셜 네트워크정보를 이용하여 음악을 추천 해 줄 때 추천 해 줄 음악의 순위를 결정한다. 그림3은 시스템의 구조도이다.
- 그림5의 Keywords Extractor와 Emotion Extractor를 이용하여 사용자가 업로드한 트윗들을 분석하여 사용자의 현재 감정 상태를 알아내었다. 추출한 사용자의 현재 감정 상태와 last.fm에서 추출한 사용자의 음악 정보를 통하여 사용자의 감정에 맞는 음악을 추천하는데 이용하였다.
대상 데이터
- Last.fm의 API를 이용하여 twitter를 같이 이용하는 200여명의 사용자들에 대한 정보를 얻어왔고, 사용자들이 들었던 음악들을 중심으로 2700여개의 음악들의 정보를 얻어왔다. 그리고 사용자들의 last.
- 최근 감상한 음악들과 최근 게시한 트윗들의 오른쪽 하단에는 시스템에서 추출한 음악들의 감정과 트윗들의 감정이다. 이 사용자는 최근 Calm, Pleased 감정 범주에 속한 음악들을 감상 하였으며, Happy, Calm 감정 범주에 속한 트윗들을 게시하였다. 그림에 나타난 사용자가 최근 감상한 음악들은 Calm, Pleased 감정 범주에 속해 있지만 그림에 나타나지 않은 최근 감상한 음악들을 고려했을 때 이 사용자는 최근 Happy, Pleased, Calm 감정 범주에 속하는 음악들을 감상하였다.
데이터처리
- 제안하는 음악 추천시스템에서 사용자의 소셜 네트워크 정보와 재생한 음악 정보 그리고 곡의 가사와 태그정보를 이용하는 것과 [15]에서 다양한 특징들을 이용하여 실험을 한 점에서 [15]의 실험과 비교를 하였다. 표1은 [15]의 실험 결과이고 표2는 [15]의 실험에 사용된 특징들이다.
- 그림8은 사용자들의 데이터를 얻어 와 그에 맞는 음악을 추천하는 과정이다. 추천된 음악들의 감정과 사용자의 데이터로부터 분석된 사용자의 감정이 일치하는 비율을 적중률로 계산하였다. 그림 9는 각 사용자들에게 음악을 추천한 적중률과 적중률의 최소값과 최대값을 나타낸 그래프이다.
이론/모형
- 각 가사는 불용어가 처리되고 어근을 찾아주는 작업을 거쳐 키워드가 추출된다. 감정단어 사전은 Affective Norms for English Words(ANEW)[13]를 WordNet[14]의 동의어를 이용하여 확장시켜 만들었고, 각 단어의 중요도를 계산하기위해 수집한 가사들을 TF-IDF방법을 이용하여 가중치를 주었다. 가중치를 주는 방법에 대해서는 3.
- 3에서 자세하게 설명한다. 감정을 수치로 나타내기 위해 Thayer가 제안 한 감정 모델인 Arousal-Valence 모델과 Plutchik의 감정 모델을 병합하여 만든 Thayer-Plutchik 감정 모델을 이용하였다. 총 15개의 감정을 2차원선상에 수치화하여 나타내었고 가사에서 추출된 감정은 이 모델의 15개 감정 중 하나로 판별된다.
- 사람의 감정을 표현하기 위해 감정 모델을 이용한다. 대표적인 모델로는 그림 1과 같이 Thayer가 제안한 Arousal-Valence 모델이 있다.
- 우리는 사람의 감정을 수치로 계산하여 저장하기 위해 R. E. Thayer가 제안한 모델인 arousal-valence 감정모델과 Plutchik의 감정 모델을 이용하여 감정 모델을 만들었다[12]. 그림4는 Thayer의 감정 모델과 Plutchik의 감정모델을 병합하여 만든 감정 모델이다.
성능/효과
- MAP는 비교실험보다 조금 높지만 전체 곡에서 알맞은 음악을 추천해주는 비율은 낮게 나왔다. F-score를 계산한 결과 비교실험에 비해 조금 좋은 결과를 보였다. 비교 실험에서는음악 자체에 포함된 정보들을 이용하였지만 사용자와 음악에 내포된 감정에 대한 특성을 이용하지 않았다.
- fm 이용내역과 twitter 타임라인을 분석하여 사용자들의 감정 상태를 분석하였다. Twitter의 타임 라인을 분석하여 제일 많이 추출된 감정에 해당하는 음악이 얼마나 추천 되는지를 실험하였고 200여명의 사용자들에 대한 추천 결과 평균 70%의 적중률을 보였다. 그림8은 사용자들의 데이터를 얻어 와 그에 맞는 음악을 추천하는 과정이다.
- Thayer가 제안한 Arousal-Valence 모델은 2차원 공간에 감정의 세기를 표현하는 Arousal, 긍정과 부정의 정도를 나타내는 Valence로 calm, excited, happy, pleased, relaxed, peaceful, sleepy, sad, bored, nervous, 그리고 angry, 총 11개의 감정을 표현하고있다. Valence와 Arousal값이 모두 높은, 긍정적이며 그 강도가 센 감정은 happy이며, Valence값이 높지만 Arousal값이 낮은, 부정적이며 강도가 센 감정은 Angry이다.
- 이 결과는 사용자에게 추천되는 음악들이 사용자를 만족스럽게 할 확률이 높다는 것을 나타낸다. 실험 결과를 보았을 때, 우리가 제안하는 방법이 사용자의 감정 변화에 따라 개인화된 음악 추천을 할 때 유용하다고 볼 수 있다.
- 음악의 음색, 비트 등과 같은 멀티미디어적인 특성을 이용하지 않고 가사와 사용자들이 음악에 직접 태깅한 태그들을 이용하여 음악의 감정을 분류하였지만 사용자의 현재 감정상태를 분석하여 음악 추천 시스템에 적용하여 좋은 결과를 보였다. 그러므로 제안하는 방법이 대중적인 음악 추천을 받기보다 사용자의 현재 상태에 맞추어 개인화된 추천을 받을 때 유용한 방법이 될 것이다.
- 감정을 수치로 나타내기 위해 Thayer가 제안 한 감정 모델인 Arousal-Valence 모델과 Plutchik의 감정 모델을 병합하여 만든 Thayer-Plutchik 감정 모델을 이용하였다. 총 15개의 감정을 2차원선상에 수치화하여 나타내었고 가사에서 추출된 감정은 이 모델의 15개 감정 중 하나로 판별된다. 그림5는 last.
- fm의 음악 정보를 분석한 결과 Happy, Pleased 그리고 Calm 감정에 해당하는 음악들을 많이 듣는다. 추천 알고리즘을 적용하여 음악을 100개 추천한 결과로 Happy 감정에 해당하는 음악을 100개 중 63개, Calm 감정에 해당하는 음악을 100개 중 26개 추천이 되었다.
- fm 이용 내역과 twitter의 타임라인을 분석하여 사용자의 감정 상태를 추출하였다. 추출한 감정 상태에 따라 음악을 추천한 결과 평균 63%의 적중률을 보였다.
- 우리가 제안하는 방법에서는 비교 실험과는 다르게 음악 자체에 포함된 정보들을 이용하지 않고 사용자의 감정과 음악에 내포된 감정을 분석하여 사용자에 감정 상태에 맞는 음악을 추천 해주었다. 표 3의 결과를 봤을 때 우리가 제안하는 방법이 비교실험보다 Recall은 낮지만 Precision은 높은 결과를 보이고 있다. 이 결과는 사용자에게 추천되는 음악들이 사용자를 만족스럽게 할 확률이 높다는 것을 나타낸다.
후속연구
- 음악의 음색, 비트 등과 같은 멀티미디어적인 특성을 이용하지 않고 가사와 사용자들이 음악에 직접 태깅한 태그들을 이용하여 음악의 감정을 분류하였지만 사용자의 현재 감정상태를 분석하여 음악 추천 시스템에 적용하여 좋은 결과를 보였다. 그러므로 제안하는 방법이 대중적인 음악 추천을 받기보다 사용자의 현재 상태에 맞추어 개인화된 추천을 받을 때 유용한 방법이 될 것이다. 음악의 멀티미디어적인 특성을 비롯하여 다양한 특징들을 적용하여 음악의 감정 분류 및 사용자의 감정 상태를 추출하는 것의 정확도를 더 높인다면 더 유용한 방법이 될 것이다.
- 이외에도 감정 분석은 연구가 활발히 진행되고 있고 이용되고 있다. 또한 사람이 음악을 들을 때 느끼는 감정을 분석하고 사용자의 최근 관심사나 상황, 기분에 대해 분석하여 추천에 이용한다면 효과가 좋을 것이다. 이 논문에서는 음악과 사람의 감정을 분석하여 추천 시스템에 이용하고자 한다.
- 또한 다른 사용자나 페이지의 글, 사진, 동영상들을 좋아요라는 관계를 통해 흥미가 있다는 표현을 할 수 있다. 사용자가 좋아한 콘텐츠들을 가져와 추천시스템에 활용한다면 정확도가 높아질 것이다. Last.
- 음악을 분류하고 사용자의 감정에 맞는 음악을 추천하기 위해 사용자의 감정 상태를 알아야 한다. 사용자의 감정 상태를 알아내기 위해 사용자의 소셜 네트워크에 사용자가 업로드한 글들을 분석하여 사용자의 현재 감정 상태를 분석하고 그에 맞는 음악을 추천할 것이다. 제안하는 추천방법은 대중적인 음악추천을 받기보다 사용자의 현재 상태에 맞추어 개인화된 추천을 받을 때 유용하게 활용될 수 있을 것이다.
- 그러므로 제안하는 방법이 대중적인 음악 추천을 받기보다 사용자의 현재 상태에 맞추어 개인화된 추천을 받을 때 유용한 방법이 될 것이다. 음악의 멀티미디어적인 특성을 비롯하여 다양한 특징들을 적용하여 음악의 감정 분류 및 사용자의 감정 상태를 추출하는 것의 정확도를 더 높인다면 더 유용한 방법이 될 것이다.
- 사용자의 감정 상태를 알아내기 위해 사용자의 소셜 네트워크에 사용자가 업로드한 글들을 분석하여 사용자의 현재 감정 상태를 분석하고 그에 맞는 음악을 추천할 것이다. 제안하는 추천방법은 대중적인 음악추천을 받기보다 사용자의 현재 상태에 맞추어 개인화된 추천을 받을 때 유용하게 활용될 수 있을 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.