감성어휘는 텍스트로 감성을 표현하거나, 반대로 텍스트로부터 감성을 인식하기 위한 특징으로써 감성분류 연구에 필수요소이다. 본 연구는 감성어휘의 집합인 감성사전을 자동으로 구축하는 그래프 기반 준지도 학습 방법을 제안한다. 특히 감성어휘가 사용되어지는 분야에 따라 그 감성이 변하는 중의성 문제를 고려하여 분야 별 감성사전을 구축하고자 한다. 제안하는 방법은 어휘와 어휘들 간의 밀접도를 토대로 그래프를 구성하고, 사전에 학습 된 일부 소량의 감성어휘들의 감성을 구성된 그래프 전체에 전파하는 방식으로 모든 어휘의 감성을 추론한다. 감성어휘는 대표적으로 감성단어와 감성구문이 있으며, 본 연구에서는 이들 각각에 대한 그래프를 구성하고 감성을 추론하여 전체 감성사전을 구축하였다. 제안하는 방법의 성능을 검증하기 위해 영화평 분야의 감성사전을 구축하고, 이를 이용한 영화평 감성분류 실험을 수행하였다. 그 결과 기존 범용 감성사전의 어휘들을 이용한 감성분류보다 더 높은 분류 성능을 확인하였다.
감성어휘는 텍스트로 감성을 표현하거나, 반대로 텍스트로부터 감성을 인식하기 위한 특징으로써 감성분류 연구에 필수요소이다. 본 연구는 감성어휘의 집합인 감성사전을 자동으로 구축하는 그래프 기반 준지도 학습 방법을 제안한다. 특히 감성어휘가 사용되어지는 분야에 따라 그 감성이 변하는 중의성 문제를 고려하여 분야 별 감성사전을 구축하고자 한다. 제안하는 방법은 어휘와 어휘들 간의 밀접도를 토대로 그래프를 구성하고, 사전에 학습 된 일부 소량의 감성어휘들의 감성을 구성된 그래프 전체에 전파하는 방식으로 모든 어휘의 감성을 추론한다. 감성어휘는 대표적으로 감성단어와 감성구문이 있으며, 본 연구에서는 이들 각각에 대한 그래프를 구성하고 감성을 추론하여 전체 감성사전을 구축하였다. 제안하는 방법의 성능을 검증하기 위해 영화평 분야의 감성사전을 구축하고, 이를 이용한 영화평 감성분류 실험을 수행하였다. 그 결과 기존 범용 감성사전의 어휘들을 이용한 감성분류보다 더 높은 분류 성능을 확인하였다.
Sentiment lexicon is an essential element for expressing sentiment on a text or recognizing sentiment from a text. We propose a graph-based semi-supervised learning method to construct a sentiment dictionary as sentiment lexicon set. In particular, we focus on the construction of domain-specific sen...
Sentiment lexicon is an essential element for expressing sentiment on a text or recognizing sentiment from a text. We propose a graph-based semi-supervised learning method to construct a sentiment dictionary as sentiment lexicon set. In particular, we focus on the construction of domain-specific sentiment dictionary. The proposed method makes up a graph according to lexicons and proximity among lexicons, and sentiments of some lexicons which already know their sentiment values are propagated throughout all of the lexicons on the graph. There are two typical types of the sentiment lexicon, sentiment words and sentiment phrase, and we construct a sentiment dictionary by creating each graph of them and infer sentiment of all sentiment lexicons. In order to verify our proposed method, we constructed a sentiment dictionary specific to the movie domain, and conducted sentiment classification experiments with it. As a result, it have been shown that the classification performance using the sentiment dictionary is better than the other using typical general-purpose sentiment dictionary.
Sentiment lexicon is an essential element for expressing sentiment on a text or recognizing sentiment from a text. We propose a graph-based semi-supervised learning method to construct a sentiment dictionary as sentiment lexicon set. In particular, we focus on the construction of domain-specific sentiment dictionary. The proposed method makes up a graph according to lexicons and proximity among lexicons, and sentiments of some lexicons which already know their sentiment values are propagated throughout all of the lexicons on the graph. There are two typical types of the sentiment lexicon, sentiment words and sentiment phrase, and we construct a sentiment dictionary by creating each graph of them and infer sentiment of all sentiment lexicons. In order to verify our proposed method, we constructed a sentiment dictionary specific to the movie domain, and conducted sentiment classification experiments with it. As a result, it have been shown that the classification performance using the sentiment dictionary is better than the other using typical general-purpose sentiment dictionary.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구는 보다 정확한 감성분석을 수행하기 위해 필요한 감성사전을 구축하는 방법을 제안하였다. 제안하는 방법은 분야별로 어휘가 가지는 의미와 감성이 변하는 중의성 문제를 해결하고, 제한적인 학습 데이터 내에서 각 분야의 특성을 살린 감성사전을 구축하는 준지도적 학습 방법이다.
본 연구는 어휘들이 가지는 사전적 의미와 유의어 관계가 아닌 특정 분야에서의 어휘들 사이의 밀접도를 고려하여 감성어휘를 학습하고 감성사전을 구축하는 그래프 기반 준지도적 학습 방법을 제안한다. 제안하는 방법은 사전과 학습 데이터로부터 추출한 어휘들과 어휘들 간의 밀접도를 이용하여 그래프를 구성하고, 사전에 정의한 소수의 감성어휘들의 감성을 어휘들 간의 밀접도를 통해 전파하는 레이블 전파(label propagation)방법에 기반 한다.
본 연구에서는 분야에 따른 어휘의 보다 정확한 감성을 파악하기 위해, 특정 분야에서 모든 어휘들 사이의 관계를 말뭉치로부터 추측하고 이를 그래프로 표현하였다. 그리고 그 위에서 어휘들이 가지는 감성을 인접한 어휘들로 전달하여 감성을 추론함으로써 단편적인 감성 추론이 아닌 전체적인 어휘들 사이의 관계를 고려한 감성 추론을 수행하였다.
감성이 없는 중립 단어와 구문은 실제로 감성이 없는 어휘여서 다른 감성어휘와 연결이 없거나 학습 데이터가 충분하지 않아 다른 감성어휘들과의 관계를 발견하지 못한 경우이다. 본 연구에서는 이러한 중립어휘들을 제외하고 나머지 감성어휘들로 감성사전을 구축하였다.
분야에 따라 감성어휘가 가지는 감성을 보다 정확히 추론하기 위해, 본 연구는 특정 분야에서 어휘들간의 관계를 구하고, 구한 관계를 통해 모든 어휘의 감성을 추론하는 방법을 제안하였다. 제안하는 방법을 검증하기 위해 영화평 분야의 감성사전을 구축하고, 구축한 감성사전을 이용해 영화평 감성 분석 실험을 수행하였다.
제안 방법
본 연구에서는 영화평의 감성을 인식하고 분류하기 위해 대표적인 기계학습 방법인 SVM(Support Vector Machine)과 RF(Random Forest), 그리고 NNet(Neural Network)을 사용하였다. 감성사전의 감성어휘들을 특징으로 학습과 실험 데이터를 표현하였다. 그리고 학습 데이터를 통해 각 분류기의 모델을 학습하고, 이를 이용하여 실험 데이터의 영화평의 감성을 분류하였다.
본 장은 자동으로 감성사전을 구축하기 위해 제안하는 그래프 기반 준지도적 학습 방법을 소개한다. 감성어휘인 감성단어와 감성구문 각각에 대한 그래프를 구성하고, 이들 위에서 특정 감성어휘의 감성을 다른 어휘들로 전파하여 모든 감성어휘들의 감성을 추론한다.
사전에 정의한 소수의 감성단어가 가지는 감성 값 s을 인접한 다른 단어들로 전파하는 것을 시작으로 각 단어가 가지는 감성을 반복적으로 전파하여 모든 단어의 감성을 추론하였다. 구문도 마찬가지로 소수의 감성구문의 감성을 다른 연관된 구문으로 전파하여 모든 구문의 감성을 추론하였다. 제안하는 방법을 이용한 감성단어와 감성구문의 집합인 감성사전의 구축 실험 결과는 다음 표 4와 표 5에서 제시한다.
구성한 단어 그래프와 구문 그래프로부터 제안하는 감성 전파 방법에 따라 모든 단어와 구문의 감성을 추론하였다. 사전에 정의한 소수의 감성단어가 가지는 감성 값 s을 인접한 다른 단어들로 전파하는 것을 시작으로 각 단어가 가지는 감성을 반복적으로 전파하여 모든 단어의 감성을 추론하였다.
소수의 감성어휘를 기준으로, WordNet으로부터 이들의 유의어를 추출하여 새로운 감성어휘를 정의하였다. 그 외의 사전기반 방법은 사전에 정의한 감성어휘와 WordNet으로부터 구한 이들의 유의어로 그래프를 구성한 후 다양한 그래프 기반 방법들로 감성어휘를 구하였다.(Blair-Goldensohn et al.
하지만, 말뭉치 보다는 여전히 사전에 많이 의존하였기 때문에, 한글을 포함한 다른 많은 언어에 대해서 WordNet과 같이 공개된 유의어 사전이 없는 경우 사용하기 어렵다. 그리고 구문을 고려하지 않은 단어에 국한된 방식으로 보다 정확한 감성분석에 제한적인 감성사전을 구축하였다.
본 연구에서는 분야에 따른 어휘의 보다 정확한 감성을 파악하기 위해, 특정 분야에서 모든 어휘들 사이의 관계를 말뭉치로부터 추측하고 이를 그래프로 표현하였다. 그리고 그 위에서 어휘들이 가지는 감성을 인접한 어휘들로 전달하여 감성을 추론함으로써 단편적인 감성 추론이 아닌 전체적인 어휘들 사이의 관계를 고려한 감성 추론을 수행하였다.
감성사전의 감성어휘들을 특징으로 학습과 실험 데이터를 표현하였다. 그리고 학습 데이터를 통해 각 분류기의 모델을 학습하고, 이를 이용하여 실험 데이터의 영화평의 감성을 분류하였다. 커널 함수가 가우시안(gaussian) 함수인 비선형 SVM, 트리의 수가 500개, 변수의 수가 10개인 RF, 은닉 층(hidden layer)의 수가 10개인 NNet을 각각 사용하였다.
본 연구에서는 평점이 1~2인 영화평을 부정 영화평으로, 평점 9~10인 영화평을 긍정 영화평으로 사용하였다. 긍정 영화평 1,000개와 부정 영화평 1,000개, 총 2,000개의 영화평 중 특정 감성으로의 치우침(bias)을 방지하기 위해 각각 500개씩의 긍정, 부정 영화평을 학습 데이터로 사용하여 감성사전을 구축하였으며, 나머지 1,000개의 영화평 중 임의의 500개 영화평으로 감성분석을 수행하였다. 감성사전 구축 및 감성분석 실험의 구성 및 과정은 다음 그림 1과 같다.
범용 감성사전이 가지는 한계를 극복하기 위해 특정 분야에 맞춘 감성사전을 구축하는 많은 연구가 수행되어졌다. 대부분 전통적인 기계학습 방법을 이용하여 일반 사전과 양질의 학습 데이터로부터 어휘들을 수집하고, 어휘들 사이의 관계로부터 각 어휘의 감성을 추측하여 감성어휘를 학습하였다. 하지만 이들은 단어가 가지는 사전적 의미와 유의어 관계를 바탕으로 감성어휘를 학습하기 때문에 정작 특정 분야에서 어휘들이 가지는 서로간의 관계를 고려할 수 없다.
그리고 기존 그래프 기반 방법들이 사용하는 어휘들 간의 사전적 의미관계가 아닌 사용되는 분야에서의 밀접도를 고려하기 때문에 특정 분야에 더욱 적합한 감성어휘들을 학습할 수 있다. 본 연구는 제안하는 방법을 이용하여 영화평 분야의 감성사전을 구축하고 감성분석을 실험을 수행해 봄으로써 그 성능을 검증하였다.
본 연구에서 제안하는 방법은 특정 분야에서 어휘들 간의 관계를 기반으로 서로 밀접한 어휘들은 유사한 감성을 가지도록 한다. 하지만 어휘들 간의 관계를 파악하기 위해 단순히 어휘들의 공기 정보만을 고려한다.
영화평 분야의 감성사전을 구축하기 위해 학습 데이터로부터 단어와 구문을 추출하였다. 본 연구에서는 감성을 직접 표현할 수 있는 형용사, 동사, 명사 품사의 단어만 학습 데이터로부터 추출하여 단어 그래프 및 구문 그래프를 구성하였다. 추출한 단어와 구문 중 자명한 감성을 가지는 일부 단어와 구문을 감성단어와 감성구문으로 정의하였다.
본 연구에서는 제안하는 방법의 성능을 검증하기 위해 영화평 분야의 감성사전을 구축하고, 이를 이용한 영화평의 감성분석을 수행하였다. 실험데이터로 네이버 랩(lab.
각 영화평은 1~10의 평점을 가진다. 본 연구에서는 평점이 1~2인 영화평을 부정 영화평으로, 평점 9~10인 영화평을 긍정 영화평으로 사용하였다. 긍정 영화평 1,000개와 부정 영화평 1,000개, 총 2,000개의 영화평 중 특정 감성으로의 치우침(bias)을 방지하기 위해 각각 500개씩의 긍정, 부정 영화평을 학습 데이터로 사용하여 감성사전을 구축하였으며, 나머지 1,000개의 영화평 중 임의의 500개 영화평으로 감성분석을 수행하였다.
Tai와 Kao(2013)는 사전 기반과 말뭉치 기반 방법을 혼합한 하이브리드 방식으로 감성사전을 구축하였다. 사전과 말뭉치로부터 각각 구한 단어 간의 유사도를 모두 고려하여 그래프를 생성하고, 레이블 전파 방법을 이용해 단어의 감성을 추론하였다. 하지만, 말뭉치 보다는 여전히 사전에 많이 의존하였기 때문에, 한글을 포함한 다른 많은 언어에 대해서 WordNet과 같이 공개된 유의어 사전이 없는 경우 사용하기 어렵다.
구성한 단어 그래프와 구문 그래프로부터 제안하는 감성 전파 방법에 따라 모든 단어와 구문의 감성을 추론하였다. 사전에 정의한 소수의 감성단어가 가지는 감성 값 s을 인접한 다른 단어들로 전파하는 것을 시작으로 각 단어가 가지는 감성을 반복적으로 전파하여 모든 단어의 감성을 추론하였다. 구문도 마찬가지로 소수의 감성구문의 감성을 다른 연관된 구문으로 전파하여 모든 구문의 감성을 추론하였다.
사전기반 방법의 대표적인 사례는 (Hu & Liu, 2004)에서 보인다. 소수의 감성어휘를 기준으로, WordNet으로부터 이들의 유의어를 추출하여 새로운 감성어휘를 정의하였다. 그 외의 사전기반 방법은 사전에 정의한 감성어휘와 WordNet으로부터 구한 이들의 유의어로 그래프를 구성한 후 다양한 그래프 기반 방법들로 감성어휘를 구하였다.
영화평 분야의 감성사전을 구축하기 위해 학습 데이터로부터 단어와 구문을 추출하였다. 본 연구에서는 감성을 직접 표현할 수 있는 형용사, 동사, 명사 품사의 단어만 학습 데이터로부터 추출하여 단어 그래프 및 구문 그래프를 구성하였다.
본 연구는 보다 정확한 감성분석을 수행하기 위해 필요한 감성사전을 구축하는 방법을 제안하였다. 제안하는 방법은 분야별로 어휘가 가지는 의미와 감성이 변하는 중의성 문제를 해결하고, 제한적인 학습 데이터 내에서 각 분야의 특성을 살린 감성사전을 구축하는 준지도적 학습 방법이다.
본 연구는 어휘들이 가지는 사전적 의미와 유의어 관계가 아닌 특정 분야에서의 어휘들 사이의 밀접도를 고려하여 감성어휘를 학습하고 감성사전을 구축하는 그래프 기반 준지도적 학습 방법을 제안한다. 제안하는 방법은 사전과 학습 데이터로부터 추출한 어휘들과 어휘들 간의 밀접도를 이용하여 그래프를 구성하고, 사전에 정의한 소수의 감성어휘들의 감성을 어휘들 간의 밀접도를 통해 전파하는 레이블 전파(label propagation)방법에 기반 한다.(Zhu & Ghahramani, 2002) 다양한 분야에서 사전에 잘 지도 된 양질의 학습 데이터를 얻기 힘들기 때문에 제안하는 준지도적 학습방법이 분야별 감성사전을 만드는데 효율적이다.
분야에 따라 감성어휘가 가지는 감성을 보다 정확히 추론하기 위해, 본 연구는 특정 분야에서 어휘들간의 관계를 구하고, 구한 관계를 통해 모든 어휘의 감성을 추론하는 방법을 제안하였다. 제안하는 방법을 검증하기 위해 영화평 분야의 감성사전을 구축하고, 구축한 감성사전을 이용해 영화평 감성 분석 실험을 수행하였다. 그 결과 기존 범용 감성사전의 감성어휘를 사용하였을 때보다 더욱 안정적이고 정확히 영화평의 감성을 분석하였다.
대상 데이터
본 연구에서는 제안하는 방법의 성능을 검증하기 위해 영화평 분야의 감성사전을 구축하고, 이를 이용한 영화평의 감성분석을 수행하였다. 실험데이터로 네이버 랩(lab.naver.com/research)에서 제공하는 오피니언 마이닝 연구 데이터인 영화평을 사용하였다. 각 영화평은 1~10의 평점을 가진다.
그리고 학습 데이터를 통해 각 분류기의 모델을 학습하고, 이를 이용하여 실험 데이터의 영화평의 감성을 분류하였다. 커널 함수가 가우시안(gaussian) 함수인 비선형 SVM, 트리의 수가 500개, 변수의 수가 10개인 RF, 은닉 층(hidden layer)의 수가 10개인 NNet을 각각 사용하였다.
데이터처리
표 7은 영화평의 각 분류기 별 분류 성능을 보인다. 분류 성능은 5-겹 교차 검증(5-fold cross validation)으로 제시하였다. 각 분류기의 설정은 SVM은 대표적인 커널 함수 RBF(Radial Basis Function)을 사용하였으며, RF는 500개의 트리와 10개의 변수를 사용하였다.
제안하는 방법으로 구축한 감성사전의 성능을 검증하기 위해 기존 범용 감성사전과의 분류 성능을 비교하였다. 성능 평가 척도로는 재현율(recall), 정밀도(precision), 그리고 F-measure를 사용하였다.
이론/모형
분류 성능은 5-겹 교차 검증(5-fold cross validation)으로 제시하였다. 각 분류기의 설정은 SVM은 대표적인 커널 함수 RBF(Radial Basis Function)을 사용하였으며, RF는 500개의 트리와 10개의 변수를 사용하였다. 그리고 NNet은 히든 레이어 노드의 수를 10개로 설정하였다.
본 연구에서는 단어 그래프를 구성하는 모든 단어의 감성을 추론하기 위해 LP(Label Propagation) 방법을 이용한다.(Zhu & Ghahramani, 2002) 이는 서로 인접한 단어들은 서로 유사한 감성을 가질 것이라는 가정하에, 각 단어가 가지고 있는 감성을 인접한 다른 단어들로 전파함으로써 인접한 단어들이 유사한 감성을 가지도록 한다.
본 연구에서는 영화평의 감성을 인식하고 분류하기 위해 대표적인 기계학습 방법인 SVM(Support Vector Machine)과 RF(Random Forest), 그리고 NNet(Neural Network)을 사용하였다. 감성사전의 감성어휘들을 특징으로 학습과 실험 데이터를 표현하였다.
제안하는 방법으로 구축한 감성사전의 성능을 검증하기 위해 기존 범용 감성사전과의 분류 성능을 비교하였다. 성능 평가 척도로는 재현율(recall), 정밀도(precision), 그리고 F-measure를 사용하였다. 이들은 분류 정확도를 측정하는 대표적인 평가 척도이며 아래의 분류 행렬(confusion matrix)과 식5-7을 통해 계산된다.
성능/효과
제안하는 방법을 검증하기 위해 영화평 분야의 감성사전을 구축하고, 구축한 감성사전을 이용해 영화평 감성 분석 실험을 수행하였다. 그 결과 기존 범용 감성사전의 감성어휘를 사용하였을 때보다 더욱 안정적이고 정확히 영화평의 감성을 분석하였다.
하지만 재현율과 정밀도 사이의 차이가 범용사전보다 구축한 사전이 작고, 그러므로 더 높은 F값을 보였다. 이 결과로부터 영화평 분야에서 구축한 감성사전을 사용하였을 시 더욱 안정되고 정확한 감성 분석을 수행하였음을 확인할 수 있다.
후속연구
공기 정보만으로는 두 단어가 가지는 감성이 같은지 다른지를 명확히 알기 어렵다. 추후 연구에서 공기 정보뿐만 아니라 두 어휘가 가지는 감성의 같음과 다름도 고려한다면 더욱 정확한 어휘의 감성을 추론할 수 있을 것이라 기대한다.
질의응답
핵심어
질문
논문에서 추출한 답변
텍스트 감성 분석이란 무엇인가?
온라인 텍스트에 담긴 의견 정보는 점점 더 발전하는 정보화 시대에서 매우 가치 있는 지적 자원으로 여겨지고 있으며, 기업의 위기관리(risk management)나 소비자의 의사결정(decision making)과 같이 여러 분야에서 다양한 용도로 사용되어진다. 온라인 텍스트 데이터가 담고 있는 사람들의 의견을 인식하고 긍정과 부정 두 감성 범주로 분류하는 것을 텍스트 감성 분석이라 한다.
기계학습 방법을 이용하여 범용 감성사전이 가지는 한계를 극복한 연구의 문제점은 무엇인가?
대부분 전통적인 기계학습 방법을 이용하여 일반 사전과 양질의 학습 데이터로부터 어휘들을 수집하고, 어휘들 사이의 관계로부터 각 어휘의 감성을 추측하여 감성어휘를 학습하였다. 하지만 이들은 단어가 가지는 사전적 의미와 유의어 관계를 바탕으로 감성어휘를 학습하기 때문에 정작 특정 분야에서 어휘들이 가지는 서로간의 관계를 고려할 수 없다.
감성사전의 문제점은 무엇인가?
(Baccianella et al., 2010) 하지만 위 감성사전은 분야에 상관없이 범용으로 만들어진 사전으로, 감성어휘가 사용되어지는 분야에 따라 표현하는 감성이 변하는 언어의 중의성을 전혀 고려하지 않는다. 예를 들면, ‘슬프다’와 같은 단어는 상품 평에서는 주로 부정의 감성을 표현하지만 영화 평에서는 보통 긍정의 감성을 표현할 때 사용된다.
참고문헌 (16)
Baccianella, S., Esuli, A., & Sebastiani, F. (2010). SentiWordNet 3.0: An enhanced lexical resource for sentiment analysis and opinion mining. Paper presented at the Seventh conference on International Language Resources and Evaluation.
Hu, M. & Liu, B. (2004). Mining and summarizing customer reviews, Proceedings of the ACM SIGKDD Conference on Knowledge Discovery and Data Mining, 168-177.
Kim, S. M. & Hovy, E. (2004). Determining the sentiment of opinions, Proceedings of the International Conference on Computational Linguistics, 1367-1373.
Dragut, E. C., Yu, C., Sistla, P. & Meng, W. (2010). Construction of a sentimental word dictionary, In Proceedings of ACM International Conference on Information and Knowledge Management, 1761-1764.
Mohammad, S., Dunne, C. & Dorr, B. (2009). Generating highcoverage semantic orientation lexicons from overtly marked words and a thesaurus. in Proceedings of the 2009 Conference on Empirical Methods in Natural Language Processing, 599-608.
Blair-Goldensohn, S., Hannan, K., McDonald, R., Neylon, T., Reis, G. A. & Reynar, J. (2008). Building a sentiment summarizer for local service reviews. in Proceedings of WWW-2008 workshop on NLP in the Information Explosion Era.
Rao, D. & Ravichandran, D. (2009). Semi-supervised polarity lexicon induction. in Proceedings of the 12th Conference of the European Chapter of the ACL, 675-682.
Hassan, A., Qazvinian, V. & Radev, D. (2010). What's with the attitude?: identifying sentences with attitude in online discussions. in Proceedings of the 2010 Conference on Empirical Methods in Natural Language Processing, 1245-1255.
Hatzivassiloglou, V. & McKeown, K. R. (1997). Predicting the semantic orientation of adjectives, Proceedings of the Joint ACL/EACLConference, 174-181.
Qiu, G., Liu, B., Bu, J. & Chen, C. (2009). Expanding Domain Sentiment Lexicon through Double Propagation, International Joint Conference on Artificial Intelligence, 1199-1204.
Tai, Y. J. & Kao, H. Y. (2013). Automatic Domain-Specific Sentiment Lexicon Generation with Label Propagation. In Proceedings of International Conference on Information Integration and Web-based Applications & Services, 53-62.
Turney, P. (2002). Thumbs up or thumbs down? Semantic orientation applied to unsupervised classification of reviews, Proceedings of the Association for Computational Linguistics, 417-424.
Zhu, X. & Ghahramani, Z. (2002). Learning from labeled and unlabeled data with label propagation, School Comput. Sci., Carnegie Mellon Univ., Pittsburgh, PA, Tech. Rep. CMU-CALD-02-107.
Esuli, A. & Sebastiani, F. (2005). Determining the semantic orientation of terms through gloss analysis, Proceedings of the ACM Conference on Information and Knowledge Management, 617-624.
Kamps, J., Marx, M., Mokken, R. J. & Rijke, M. D. (2004). Using WordNet to measure semantic orientation of adjectives. In Proceeding of 4th International Conference on Language Resources and Evaluation, 1115-1118.
Andreevskaia, A. & Bergler, S. (2006). Mining WordNet for a fuzzy sentiment: Sentiment tag extraction from WordNet glosses, Proceedings of the European Chapter of the Association for Computational Linguistics, 209-216.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.