정보통신기술의 발전은 SNS, 블로그, 게시판 등 자신의 생각이나 의견을 표출할 수 있는 장소의 다양성을 제공하였고 이는 빅데이터 성장을 가능케 하였다. 특히 매순간마다 엄청난 수의 사용자가 이용가능하고 다양한 이슈에 대한 의견을 작성할 수 있는 SNS의 특징으로 인해 많은 사람들이 트위터 등에 사회적 이슈에 대한 자신의 의견을 드러낸다. 따라서 본 연구에서는 트위터에서 작성되는 사회 이슈에 대한 의견을 수집하여 사회이슈를 주제로 하는 감성사전을 구축하고 구축된 감성사전을 통해 감성 분석을 실시하고자 한다. 사용된 데이터는 '비키니', '나꼼수'를 포함하는 트윗 글이다. 사회이슈에 특화된 주제지향 감성사전을 구축하고 구축된 감성사전을 통해 긍부정 의견을 분석한 결과 Precision은 61%로 나타났으며 F1-score는 74%의 성능을 보여주었다. 본 연구는 정치적 색을 띄고 있는 특정 사회 이슈에 대한 트윗 작성자의 의견이 긍정인지 부정인지 자동으로 분류할 수 있도록 하는 사전 구축의 하나의 기준을 제시할 것이라 기대한다.
정보통신기술의 발전은 SNS, 블로그, 게시판 등 자신의 생각이나 의견을 표출할 수 있는 장소의 다양성을 제공하였고 이는 빅데이터 성장을 가능케 하였다. 특히 매순간마다 엄청난 수의 사용자가 이용가능하고 다양한 이슈에 대한 의견을 작성할 수 있는 SNS의 특징으로 인해 많은 사람들이 트위터 등에 사회적 이슈에 대한 자신의 의견을 드러낸다. 따라서 본 연구에서는 트위터에서 작성되는 사회 이슈에 대한 의견을 수집하여 사회이슈를 주제로 하는 감성사전을 구축하고 구축된 감성사전을 통해 감성 분석을 실시하고자 한다. 사용된 데이터는 '비키니', '나꼼수'를 포함하는 트윗 글이다. 사회이슈에 특화된 주제지향 감성사전을 구축하고 구축된 감성사전을 통해 긍부정 의견을 분석한 결과 Precision은 61%로 나타났으며 F1-score는 74%의 성능을 보여주었다. 본 연구는 정치적 색을 띄고 있는 특정 사회 이슈에 대한 트윗 작성자의 의견이 긍정인지 부정인지 자동으로 분류할 수 있도록 하는 사전 구축의 하나의 기준을 제시할 것이라 기대한다.
The development of information and communication technology like SNS, blogs, and bulletin boards, was provided a variety of places where you can express your thoughts and comments and allowing Big Data to grow, many people reveal the opinion of the social issues in SNS such as Twitter. In this study...
The development of information and communication technology like SNS, blogs, and bulletin boards, was provided a variety of places where you can express your thoughts and comments and allowing Big Data to grow, many people reveal the opinion of the social issues in SNS such as Twitter. In this study, we would like to pre-built sentimental dictionary about social issues and conduct a sentimental analysis with structured dictionary, to gather opinions on social issues that are created on twitter. The data that I used is "bikini", "nakkomsu" including tweet. As the result of analysis, precision is 61% and F1- score is 74%. This study expect to suggest the standard of dictionary construction allowing you to classify positive/negative opinion on specific social issues.
The development of information and communication technology like SNS, blogs, and bulletin boards, was provided a variety of places where you can express your thoughts and comments and allowing Big Data to grow, many people reveal the opinion of the social issues in SNS such as Twitter. In this study, we would like to pre-built sentimental dictionary about social issues and conduct a sentimental analysis with structured dictionary, to gather opinions on social issues that are created on twitter. The data that I used is "bikini", "nakkomsu" including tweet. As the result of analysis, precision is 61% and F1- score is 74%. This study expect to suggest the standard of dictionary construction allowing you to classify positive/negative opinion on specific social issues.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 정치적 색을 띄고 있는 특정 사회 이슈에 대한 트윗 작성자의 의견이 긍정인지 부정인지 자동으로 분류할 수 있는 사전을 구축하고자 한다. 논문에서 다룬 사회이슈는 비키니 시위 사건이다.
제안 방법
세 번째 단계에서는 감성사전을 구축하기 위해 형태소가 분리된 긍정과 부정 어휘의 빈도를 도출하여 어휘의 긍부정을 판단하였다. 구축된 감성 사전의 정확도를 파악하기 위해 긍정 트윗 글에서 무작위로 1000개를 부정 트윗 글에서 무작위로 1,000개를 뽑아 감성 사전으로 문장의 긍부정 여부를 판별하여 정확도와 F1-score로 사전의 예측 정확성을 증명하였다.
먼저 데이터를 수집한 후, 수집된 데이터로부터 자연어 처리 프로세싱을 통해 긍부정 어휘를 추출하여 감성 사전을 구축한다. 또한 구축된 감성 사전을 토대로 트윗 의견의 긍/부정을 분류하여 사전의 유효성을 검증한다. 따라서 본 연구 내용을 활용하면 사회 이슈에 대한 대중의 의견이 긍정인지 부정인지 자동으로 분류가 될 것이라고 기대한다.
본 논문에서는 사회 이슈에 대한 트위터를 수집하여 감성 사전을 구축한 후 감성 분석을 수행하여 도메인에 특화된 감성 사전 구축을 목표로 하였다. 분석 수행과정은 수집 데이터에 대해 자연어 처리를 하고, 감성 사전을 구축하여 1037개의 긍정 어휘와 905개의 부정 어휘를 도출하였다.
본 연구는 정치적 색을 띈 사회 이슈라는 특정 도메인 안에서 긍정과 부정 어휘를 추출하여 감성 사전을 구축하고 구축된 감성 사전으로 문장의 긍/부정을 정확하게 분류하고자 한다.
본 연구에서 감성 어휘를 결정하기 위해 긍정과 부정이 태깅된 글을 분리하여 따로 형태소 분석을 진행하였다. 형태소 분석 후 어휘의 빈도를 계산하여 최다 빈도 1,500개의 어휘를 추출하였다.
대상 데이터
데이터 수집 기간은 논쟁이 진행 중이던 2012년 1월 26일부터 2012년 2월 7일까지 13일이며 총 수집된 데이터는 4,363건이다. 각 트윗 글에 긍정과 부정, 중립을 태깅한 후 중립인 글과 중복으로 수집된 글을 제거하여 2,797건으로 축소시켰다.
본 연구에서는 ‘나꼼수’, ‘비키니’를 포함하는 트윗 글을 수집하였다. 비키니 시위 사건은 제 1절에서 언급하였듯이 허위사실 유포 혐의로 구속 수감된 정봉주 전 의원 석방을 요구하는 시위이다.
데이터처리
분류 성능을 평가하기 위해 precision과 F1- score를 이용하기로 하였다.
성능/효과
분석 수행과정은 수집 데이터에 대해 자연어 처리를 하고, 감성 사전을 구축하여 1037개의 긍정 어휘와 905개의 부정 어휘를 도출하였다. 구축된 감성사전으로 2000개의 트윗 글을 샘플링하여 감성 분석을 실시한 결과 61%의 정확도와 74%의 F1-score에 성능을 보였다.
후속연구
또한 구축된 감성 사전을 토대로 트윗 의견의 긍/부정을 분류하여 사전의 유효성을 검증한다. 따라서 본 연구 내용을 활용하면 사회 이슈에 대한 대중의 의견이 긍정인지 부정인지 자동으로 분류가 될 것이라고 기대한다.
본 연구의 한계점은 사회 이슈를 ‘비키니 사건’으로 한정지어 3,000건의 트윗 글로 감성 사전을 구축하여 감성분석의 예측 정확도가 높지 않다는 점이다. 따라서 향후 연구에서는 예측 정확도를 높이기 위해 사회 이슈의 사건을 늘리고 감성 사전을 확장하여 사회 이슈 도메인 감성사전을 보완하여야 한다.
본 연구의 한계점은 사회 이슈를 ‘비키니 사건’으로 한정지어 3,000건의 트윗 글로 감성 사전을 구축하여 감성분석의 예측 정확도가 높지 않다는 점이다. 따라서 향후 연구에서는 예측 정확도를 높이기 위해 사회 이슈의 사건을 늘리고 감성 사전을 확장하여 사회 이슈 도메인 감성사전을 보완하여야 한다.
질의응답
핵심어
질문
논문에서 추출한 답변
오피니언 마이닝의 목적은?
오피니언 마이닝은 텍스트 데이터에서 긍정, 부정의 의견을 판단하고 활용하는 목적으로 사용된다 (Jang 등, 2015). 오피니언 마이닝은 정치, 문화, 경영 등 다양한 분야에서 활용되므로 분야마다 긍정과 부정을 나타내는 감성 어휘가 상이할 수 있다.
본 연구에서 감성 어휘를 결정하기 위해 어떤 규칙에 따라 어휘를 정제하였는가?
1. 어휘 출현 빈도가 2이하인 어휘 제거
2. 작성자 아이디 등 의미 파악이 어려운 영어, 한자 제거
3. 접속사, ㅋ, ㅠ 단어 제거
4. 동의어 취합
5. 긍정어휘와 부정어휘에서 어휘가 중복될 경우 더 높은 빈도의 감성으로 판단
소셜 네트워크 서비스 중 트위터는 어떤 장소인가?
다양한 소셜 네트워크 서비스 중에 트위터는 개인의 사적인 내용을 포함하여 정치, 경제, 사회, 문화, 스포츠 등 다양한 분야에 대한 개인의 의견과 가치관을 표출할 수 있는 장소이다. 따라서 사고, 사건등 사회적 이슈가 발생할 경우 트위터를 통해 상황을 중계하기도 하고 트윗 작성자의 관심사, 가치관을 드러내기도 한다 (Hur와 Choi 2012).
참고문헌 (13)
Kim, Y. D. and Cho, K. H. (2013). Big data and statistics. Journal of the Korean Data & Information Science Society, 24, 959-974.
Park, K. M., Park, H. G., Kim, H. G. and Ko, H. D. (2011). The opinion mining study in SNS. Communications of the Korean Institute of Information Scientists and Engineer, 29, 54-60.
Hur, S. H. and Choi K. S. (2012). A study on characteristics and types of tweet in twitter. Hanminjok Emunhak, 61, 455-494.
Bae, J. H., Son, J. E. and Song, M. (2013). Analysis of twitter for 2012 south korea presidential election by text mining techniques. Journal of Intelligent and Information System, 19, 141-156.
Jang, G. E., Park, S. H. and Kim, W. J. (2015). Automatic construction of a negative/positive corpus and emotional classification using the internet emotional sign. Journal of KIISE, 42, 512-521.
Yu, E. J., Kim Y. S., Kim, N. G. and Jeong, S. R. (2013). Predicting the direction of the stock index by using a domain-specific sentiment dictionary. Journal of Intelligent and Information System, 19, 95-110.
Cho, W. S., Cho, A., Kwon, K. E. and Yoo, K. H. (2015). Implementation of smart chungbuk tourism based on SNS data analysis. Journal of the Korean Data & Information Science Society , 26, 409-418.
Kang, B. U., Huh, M. K. and Choi, S. B. (2015). Performance analysis of volleyball games using the social network and text mining techniques. Journal of the Korean Data & Information Science Society, 26, 619-630.
Yoon, D. M. and Kim, K. J. (2011). Prediction of rating score from short comments on movies using word-rating correlation analysis, The HCI Society of Korea, Korea.
Aue, A. and Gamon, M. (2005). Customizing sentiment classifiers to new domains: A case study. In Proceedings of Recent Advances in Natural Language Processing, Borovets, Bulgaria.
Owsley, S., Sood, S., and Hammond, K. J. (2006). Domain Specific Affective Classification of Documents. In AAAI Spring Symposium: Computational Approaches to Analyzing Weblogs, USA.
Shamma, D. A., Kennedy, L. and Churchill, E. F. (2009). Tweet the debates: Understanding community annotation of uncollected source. Advancing Computing as a Science & Profession(ACM), USA.
Choi, H. S., Park, H. W. and Park, C. Y. (2013). Support vector machines for big data analysis. Journal of the Korean Data & Information Science Society, 24, 989-998.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.