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 연구에서는 영화평에 대응하는 문장 점수를 추론하기 위해 감성 문장 집합을 구축하는 실험을 진행하였다. 감성 어휘 사전은 임의로 선정한 영화들의 공통된 극성을 갖는 서술어를 초기 샘플 데이터로 설정하고, 샘플 데이터를 통해 새로운 서술어들과 서술어의 극성을 갱신하도록 하였다.
- 13과 –1이며, 영화평의 평점은 이들의 평균(소수점 이하 버림)인 4점이 된다. 이처럼 감성 문장 구조로 추론한 영화 평점과 네티즌들이 임의로 매긴 평점을 비교하여 얼마나 다른지 확인하는 작업을 진행한다.
제안 방법
- 감성 문장들을 이용하여 영화평의 문장 점수를 측정한다. 아래 식 (3)에서처럼 영화평에 존재하는 감성 문장들의 점수를 통해 영화평에 대응하는 문장 점수를 구한다.
- 본 연구에서는 영화평에 대응하는 문장 점수를 추론하기 위해 감성 문장 집합을 구축하는 실험을 진행하였다. 감성 어휘 사전은 임의로 선정한 영화들의 공통된 극성을 갖는 서술어를 초기 샘플 데이터로 설정하고, 샘플 데이터를 통해 새로운 서술어들과 서술어의 극성을 갱신하도록 하였다. 감성 어휘 사전은 영화들의 공통 서술어가 많을수록 어휘의 극성 측정의 정확도가 높아진다.
- 그러나 본 연구는 영화평의 의미방향을 구하는데서 그치지 않고 영화평에 대응하는 점수까지 구하는 실험으로 확장하였다. 또한 기존의 실험은 복잡한 언어학적 지식을 알아야만 문장의 극성을 측정할 수 있었지만 본 연구는 단어 수준에서 문장 점수를 측정할 수 있다.
- 영화평에서 주로 쓰이는 극성을 설정하여 실험자가 관여하지 않고 어휘를 갱신할 수 있는 자동 업데이트형 감성 사전을 구축하였다. 또한 영화와 관련된 명사와 사전의 단어를 통한 감성 문장을 만들어서 문장들의 영화에 대한 의견 반영 정도를 측정할 수 있도록 하였다.
- 사전 초기에 수록할 샘플 데이터 집합을 만든다. 샘플데이터를 수집하기 위한 영화 세 편을 골라 각 영화에서 감성 관련 서술어와 서술어의 극성을 구한다. 서술어는 형용사 중에서 극성을 띠는 감정 형용사와 평가 형용사로 지정한다.
- 본 논문에서는 이 두 가지 문제점을 모두 해결한다. 영화평에서 주로 쓰이는 극성을 설정하여 실험자가 관여하지 않고 어휘를 갱신할 수 있는 자동 업데이트형 감성 사전을 구축하였다. 또한 영화와 관련된 명사와 사전의 단어를 통한 감성 문장을 만들어서 문장들의 영화에 대한 의견 반영 정도를 측정할 수 있도록 하였다.
- 이 과정을 반복하여 사전 업데이트를 완료하면 사전 어휘들을 바탕으로 Sentiment Sentence Set을 만든다. 이 Set을 통해 영화평의 문장 점수를 측정하고 네티즌들이 부여한 평점과 비교한다.
- 이에 본 연구에서는 영화의 의견과 평가에 관련된 감성 문장들의 집합을 만들고 영화평에 적용하여 영화평에 대응하는 평점을 추론을 하였다. 감성 문장들의 집합은 감성 어휘 사전을 구축하는 단계와 감성 평가를 위한 감성 문장을 만드는 단계로 이루어진다.
- 오피니언 마이닝은 텍스트의 주관성 분석을 통해 텍스트에 나타난 글쓴이의 감성이 주관적인지 객관적인지를 판단한다. 주관성을 띠는 텍스트는 극성 분석을 통해 텍스트의 긍정/부정으로 나누어 극성 분석을 진행한다[1].
- 샘플 데이터 집합을 사전의 초기 어휘들로 설정한다. 초기 상태의 사전을 서술어가 두 개 이상 쓰인 영화평에 적용하여 새로운 감성 어휘의 극성을 구한다. 이 때, 하나의 서술어는 사전에 수록된 단어이어야 한다.
- 한 영화에서 1점부터 10점까지 서술어를 갖는 영화평 100개 이상을 고르며, 고른 영화평의 개수가 10,000개 이하가 되도록 영화평과 평점을 추출한다. 추출한 세 편의 영화에서 공통 극성을 갖는 사전을 사전에 수록하며, 이를 영화에 다시 적용해 사전을 갱신한다.
- 한 영화에서 1점부터 10점까지 서술어를 갖는 영화평 100개 이상을 고르며, 고른 영화평의 개수가 10,000개 이하가 되도록 영화평과 평점을 추출한다. 추출한 세 편의 영화에서 공통 극성을 갖는 사전을 사전에 수록하며, 이를 영화에 다시 적용해 사전을 갱신한다.
대상 데이터
- 본 연구의 실험을 위해 “네이버 영화”에서 임의의 영화 세 편의 영화평과 평점을 수집하였다.
- 각 영화에서 감성 어휘와 극성을 계산하고 세 편의 영화에서 모두 같은 극성을 띠는 어휘들을 고른다. 선별된 어휘 중 어휘가 존재하는 리뷰의 수가 가장 높은 순서대로 30개의 어휘들을 샘플 데이터로 정한다.
이론/모형
- 감성 어휘 사전과 감성 문장을 만들기 위한 문장 성분 분석은 서울대학교에서 제공하는 ‘꼬꼬마 형태소 분석기’를 사용하였다.
성능/효과
- 실험 결과, 영화평의 문장 점수는 6점에서 7점 사이에 분포해 대부분 1점과 10점을 매기는 네티즌들의 평점과는 상당한 차이가 있음을 보여준다. 본 연구를 통해 온라인영화 사이트의 영화평에 대응하는 평점 측정과 평점을 통한 영화 순위 측정을 할 수 있는 것을 알 수 있다.
- 이들은 감성 어휘의 개수와 상관없이 어휘의 극성들이 비슷한 정확도를 갖는다. 실험 결과, 영화평의 문장 점수는 6점에서 7점 사이에 분포해 대부분 1점과 10점을 매기는 네티즌들의 평점과는 상당한 차이가 있음을 보여준다. 본 연구를 통해 온라인영화 사이트의 영화평에 대응하는 평점 측정과 평점을 통한 영화 순위 측정을 할 수 있는 것을 알 수 있다.
- 그림 2의 (a)와 (b)는 첫 번째 실험에서 네티즌들이 매긴 영화평점 1점과 10점에 대한 영화평 대응 문장 점수의 분포도를 나타낸 것이다. 전체 영화평 개수에 대한 영화평 대응 문장 점수와 영화 평점이 일치하는 영화평 개수의 비율은 각각 2.84%(=56/1969)와 4.50%(=240/5326)으로나타나 네티즌들이 영화평과 평점을 서로 대응하지 않게 부여하는 사실을 알 수 있다. 네티즌들은 1점과 10점을 부여했지만 실제로는 영화평들이 대체로 4점에서 9점의 문장 점수를 갖는다는 것을 알 수 있다.
후속연구
- 또한 기본 감성 문장 구조에 수식어를 추가하여 수식어구의 문장 점수에서의 영향력을 측정할 것이다. 더 나아가 이모티콘 사용 패턴과 문법에 어긋나는 문장 구조들의 패턴 규칙을 알아내 이들이 영화 평점에 미치는 영향을 알아보는 연구도 진행할 예정이다.
- 부사구와 같은 수식어의 영향을 고려하지 못하여 ‘영화가 재미있다’와 ‘영화가 매우 재미있다’가 모두 같은 문장 점수를 가지며, 감성 극성을 갖는 동사나 명사가 포함된 영화평을 측정하지 않아 영화에 대한 평가가 완전히 이루어지지 못하였다. 따라서 보다 정확한 영화의 평점과 순위를 측정하기 위해서는 문장에서의 수식어의 영향력과 형용사 이외의 품사에 대한 극성 연구가 이루어져야 한다. 이로써 온라인 영화 사이트에서의 정확한 영화들의 평점과 순위를 측정하여 영화에 대한 인터넷 사용자들의 정확한 의견반영을 가능하게 할 것이다.
- 앞으로의 연구에서는 중립 의미를 갖는 명사와 동사들을 처리하는 연구를 통해 감성 서술어의 범위를 확장할 것이다. 또한 기본 감성 문장 구조에 수식어를 추가하여 수식어구의 문장 점수에서의 영향력을 측정할 것이다. 더 나아가 이모티콘 사용 패턴과 문법에 어긋나는 문장 구조들의 패턴 규칙을 알아내 이들이 영화 평점에 미치는 영향을 알아보는 연구도 진행할 예정이다.
- 앞으로의 연구에서는 중립 의미를 갖는 명사와 동사들을 처리하는 연구를 통해 감성 서술어의 범위를 확장할 것이다. 또한 기본 감성 문장 구조에 수식어를 추가하여 수식어구의 문장 점수에서의 영향력을 측정할 것이다.
- 따라서 보다 정확한 영화의 평점과 순위를 측정하기 위해서는 문장에서의 수식어의 영향력과 형용사 이외의 품사에 대한 극성 연구가 이루어져야 한다. 이로써 온라인 영화 사이트에서의 정확한 영화들의 평점과 순위를 측정하여 영화에 대한 인터넷 사용자들의 정확한 의견반영을 가능하게 할 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.