$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

텍스트 마이닝을 이용한 감정 유발 요인 'Emotion Trigger'에 관한 연구

A Study of 'Emotion Trigger' by Text Mining Techniques

지능정보연구 = Journal of intelligence and information systems, v.21 no.2, 2015년, pp.69 - 92  

안주영 (연세대학교 문과대학 문헌정보학과) ,  배정환 (연세대학교 문과대학 문헌정보학과) ,  한남기 (연세대학교 문과대학 문헌정보학과) ,  송민 (연세대학교 문과대학 문헌정보학과)

초록
AI-Helper 아이콘AI-Helper

최근 소셜 미디어의 사용이 폭발적으로 증가함에 따라 이용자가 직접 생성하는 방대한 데이터를 분석하기 위한 다양한 텍스트 마이닝(text mining) 기법들에 대한 연구가 활발히 이루어지고 있다. 이에 따라 텍스트 분석을 위한 알고리듬(algorithm)의 정확도와 수준 역시 높아지고 있으나, 특히 감성 분석(sentimental analysis)의 영역에서 언어의 문법적 요소만을 적용하는데 그쳐 화용론적 의미론적 요소를 고려하지 못한다는 한계를 지닌다. 본 연구는 이러한 한계를 보완하기 위해 기존의 알고리듬 보다 의미 자질을 폭 넓게 고려할 수 있는 Word2Vec 기법을 적용하였다. 또한 한국어 품사 중 형용사를 감정을 표현하는 '감정어휘'로 분류하고, Word2Vec 모델을 통해 추출된 감정어휘의 연관어 중 명사를 해당 감정을 유발하는 요인이라고 정의하여 이 전체 과정을 'Emotion Trigger'라 명명하였다. 본 연구는 사례 연구(case study)로 사회적 이슈가 된 세 직업군(교수, 검사, 의사)의 특정 사건들을 연구 대상으로 선정하고, 이 사건들에 대한 대중들의 인식에 대해 분석하고자 한다. 특정 사건들에 대한 일반 여론과 직접적으로 표출된 개인 의견 모두를 고려하기 위하여 뉴스(news), 블로그(blog), 트위터(twitter)를 데이터 수집 대상으로 선정하였고, 수집된 데이터는 유의미한 연구 결과를 보여줄 수 있을 정도로 그 규모가 크며, 추후 다양한 연구가 가능한 시계열(time series) 데이터이다. 본 연구의 의의는 키워드(keyword)간의 관계를 밝힘에 있어, 기존 감성 분석의 한계를 극복하기 위해 Word2Vec 기법을 적용하여 의미론적 요소를 결합했다는 점이다. 그 과정에서 감정을 유발하는 Emotion Trigger를 찾아낼 수 있었으며, 이는 사회적 이슈에 대한 일반 대중의 반응을 파악하고, 그 원인을 찾아 사회적 문제를 해결하는데 도움이 될 수 있을 것이다.

Abstract AI-Helper 아이콘AI-Helper

The explosion of social media data has led to apply text-mining techniques to analyze big social media data in a more rigorous manner. Even if social media text analysis algorithms were improved, previous approaches to social media text analysis have some limitations. In the field of sentiment analy...

주제어

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 734). 따라서 본 연구에서는 감성 분석을 위한 새로운 접근 방법을 제시한다.
  • 본 연구는 모든 텍스트 데이터를 대상으로 분석을 수행하는 것이 이상적인 연구 방법이나, 시간과 자원의 한계를 고려하여 특정 주제를 선정하고 이에 대한 사례 연구를 진행하였다. 데이터수집에서 가장 우선적으로 고려한 사항은, 대중들의 의견과 감정이 텍스트에 명확히 표현되는 주제여야 한다는 점이다.
  • 위의 [Figure 10]은 ‘대상어휘–감정어휘–감정유발요인’으로 연결되는 Emotion Trigger 과정을 도식화 한 결과이고, [Figure 11], [Figure 12],[Figure 13]은 각각 교수, 의사, 검사 대상어휘에 대한 Emotion Trigger 결과 중 유사도가 높고 부정적인 의미를 지닌 단어들을 일부 선정하여 시각화 한 결과이다. 시각화를 위한 단어 선정 시부정적인 단어들을 위주로 한 이유는 본 연구가 사회적으로 부정적인 사건들을 대상으로 한 사례 연구이기 때문에 해당 사건들에 대한 대중들의 부정적인 감정을 파악하기 위해서이다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
감정어휘는 어떤 어휘인가? 또한 이를 위해 한국어 품사 분류 체계를 활용하여 ‘감정어휘’를 추출하였다. 감정어휘란 어떤 대상이나 일 또는 현상에 대해 느끼게 되는 기분의 상태를 나타내는 어휘를 말하는데(Jang,2001), 본 연구에서는 이러한 감정어휘로 형용사를 선정하였다. 이후 Word2Vec 모델을 통해 추출된 감정어휘의 연관어 중 명사를 해당 감정을 유발하는 요소로 분류하고 이를 ‘Emotion Trigger'라 명명하였다.
텍스트를 이용한 감성 분석은 어떻게 나뉘는가? 텍스트를 이용한 감성 분석은 알고리듬, 기계학습 등을 이용한 언어학적 방식과 감성 사전 등을 활용한 의미 분석 방식으로 나뉜다. 국내에서는 언어학적 방식의 감성 분석 연구가 활발히 이루어져 왔다(Kim and Seo, 2013; Kim et al.
국내에서 활발히 연구되는 텍스트를 이용한 감성 분석 연구는? 텍스트를 이용한 감성 분석은 알고리듬, 기계학습 등을 이용한 언어학적 방식과 감성 사전 등을 활용한 의미 분석 방식으로 나뉜다. 국내에서는 언어학적 방식의 감성 분석 연구가 활발히 이루어져 왔다(Kim and Seo, 2013; Kim et al.,2011; Lee et al.
질의응답 정보가 도움이 되었나요?

참고문헌 (28)

  1. An, J. K. and H. W. Kim, "Building a Korean Sentiment Dictionary and Applications of Natural Language Processing," Korea Intelligent Information System Society, (2014), 177-182. 

  2. Choi, S. J., and O. B. Kwon, "The Study of Developing Korean SentiWordNet for Big Data Analytics - Focusing on Anger Emotion -", The Journal of Society for e-Business Studies, Vol. 19, No. 4(2014), 1-19. 

  3. Go, A., R. Bhayani, and L. Huang, "Twitter sentiment classification using distant supervision", CS224N Project Report, Stanford, 2009, 1-12. 

  4. Hamouda, A., and M. Rohaim, "Reviews classification using sentiwordnet lexicon," World Congress on Computer Science and Information Technology, 2011. 

  5. Harris, Zellig S., "Distributional structure," Word, 1954. 

  6. Hong, S. R., Y. O. Jeong, and J. H. Lee, "Semi-supervised learning for sentiment analysis in mass social media," Journal of Korean Institute of Intelligent Systems, Vol. 24, No. 5(2014), 482-488. 

  7. Hung, C. and H. K. Lin, "Using objective words in SentiWordNet to improve word-of-mouth sentiment classification," IEEE Intelligent Systems, Vol. 28, No. 2(2013), 47-54. 

  8. Jang, H. J., "Classification System for Emotional Verbs and Adjectives," Korea Society for Information Management, (2001), 29-34. 

  9. Jang, K. A., S. H. Park, and W. J. Kim, "Automatic Construction of a Negative/positive Corpus and Emotional Classification using the Internet Emotional Sign," Korean Institute of Information Scientists and Engineers, Vol. 42, No. 4(2015), 512-521. 

  10. Kang, H. H., S. J. Yoo, and D. H. Han, "Design and Implementation of System for Classifying Review of Product Attribute to Positive/ Negative," Korean Institute of Information Scientists and Engineers, 36(2C), (2009), 1-6. 

  11. Kang, H. H., S. J. Yoo, and D. H. Han, "Sentilexicon and improved Naive Bayes algorithms for sentiment analysis of restaurant reviews," Expert Systems with Applications, Vol. 39, No. 5(2012), 6000-6010. 

  12. Kim, J. O., S. S. Lee, and H. S. Yong, "Automatic Classification Scheme of Opinions Written in Korean," Korean Institute of Information Scientists and Engineers : Database, Vol. 38, No. 6(2011), 423-428. 

  13. Kim, K. M. and J. H. Lee, "Sentiment Analysis of Twitter using Lexical Functional Information," Korean Institute of Information Scientists and Engineers, (2014), 734-736. 

  14. Kim, S. W. and N. Kim, "A Study on the Effect of Using Sentiment Lexicon in Opinion Classification," Korea Intelligent Information System Society, (2013), 121-128. 

  15. Kim, Y. S. and Y. H. Seo, "Journal of Korea Entertainment Industry Association," Korea Entertainment Industry Association, (2013), 206-210. 

  16. Kouloumpis, E., T. Wilson, and J. Moore, "Twitter sentiment analysis: The good the bad and the omg!," ICWSM, Vol. 11(2011), 538-541. 

  17. Lee, C. S., D. H. Choi, S. S. Kim, and J. W. Kang, "Classification and Analysis of Emotion in Korean Microblog Texts," Korean Institute of Information Scientists and Engineers,: Database, Vol. 40, No. 3(2013), 159-167. 

  18. Liu, B., "Sentiment analysis and subjectivity," Handbook of natural language processing, Vol. 2(2010), 627-666. 

  19. Mikolov, T., K. Chen, G. Corrado, and J. Dean, "Efficient estimation of word representations in vector space," 2013, arXiv preprint arXiv:1301.3781. 

  20. Narayanan, R., B. Liu, and A. Choudhary, "Sentiment analysis of conditional sentences," Proceedings of the 2009 Conference on Empirical Methods in Natural Language Processing, Vol. 1(2009), 180-189. 

  21. Ohana, B. and B. Tierney, "Sentiment classification of reviews using SentiWordNet," 9th. IT & T Conference, (2009), 13. 

  22. Sadamitsu, K., S. Sekine, and M. Yamamoto, "Sentiment Analysis Based on Probabilistic Models Using Inter-Sentence Information," LREC, (2008). 

  23. Saggiona, H., and A. Funk, "Interpreting Senti WordNet for opinion classification," Proceedings of the seventh conference on international language resources and evaluation LREC10, (2010), 1129-1133. 

  24. Saif, H., Y. He, and H. Alani, "Alleviating data sparsity for twitter sentiment analysis," CEUR Workshop Proceedings (CEUR-WS. org), (2012), 2-9. 

  25. Saif, H., Y. He, and H. Alani, "Semantic sentiment analysis of twitter," The Semantic Web-ISWC 2012, 2012b, 508-524. 

  26. Seo, J. H., H. J. Cho, and J. T. Choi, "Design for Opinion Dictionary of Emotion Applying Rules for Antonym of the Korean Grammar," JKIIT, Vol. 13, No. 2( 2015), 109-117. 

  27. Seo, J. R. and C. Ko, "Big Data Analysis by Sensitivity Analysis," Journal of The Society of Convergence Knowledge, Vol. 2, No. 1(2014), 15-21. 

  28. Song, J. S., S. W. Lee, "Automatic Construction of Positive/Negative Feature-Predicate Dictionary for Polarity Classification of Product Reviews," Korean Institute of Information Scientists and Engineers : Software and Application, Vol. 38, No. 3(2011), 157-168. 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트