[논문]효과적 이모션마이닝을 위한 속성선택 방법에 관한 연구

어균선; 이건창

doi:10.14400/jdc.2019.17.3.107

효과적 이모션마이닝을 위한 속성선택 방법에 관한 연구
Exploring Feature Selection Methods for Effective Emotion Mining 원문보기

디지털융복합연구 = Journal of digital convergence, v.17 no.3, 2019년, pp.107 - 117

어균선 (성균관대학교 경영대학) , 이건창 (성균관대학교 글로벌경영학과)

초록
AI-Helper

블로그, 소셜 미디어 등의 발달로 인해 점점 더 많은 사람들이 본인의 의견이나 감정을 표현하기 위해 온라인상에서 텍스트 문장을 작성한다. 그리고 이같은 온라인 텍스트 문장속에 숨겨져 있는 긍정 또는 부정등의 감성을 찾아내는 연구분야를 감성분석 이라고 한다. 그중에서도 이모션 마이닝은 사람들의 구체적인 이모션을 찾아내는데 초점을 맞춘 연구분야이다. 본 연구에서는 속성선택 방법과 단일 및 앙상블 분류기를 조합하여 효과적인 이모션 마이닝 예측모델을 제시하고자 한다. 이를 위해 두가지 대표적인 오픈 데이터인 Tweet와 SemEval2007 데이터를 이용하여 TF-IDF를 계산하고 백 오브 워즈(BOW: bag-of-words) 형태로 속성 셋을 구성하였다. 그리고 효과적인 이모션 마이닝이 될 수 있는 최적의 속성을 선택하기 위하여 상관관계 기반 속성선택(CFS), 정보획득 속성선택 (IG), 그리고 ReliefF 등 세가지 속성선택 방법을 적용하였다. 선택된 속성을 이용하여 아홉가지 분류기 모델로 이모션 마이닝의 정확도를 비교하였다. 실험 결과, Tweet 데이터는 의사결정나무(DT)가 CFS, IG, ReliefF에 의한 속성을 이용할 경우 정확도가 상승했고, 랜덤서브스페이스(RS)는 CFS, IG에 선택된 속성을 사용할 경우 정확도가 상승했다. SemEval2007 데이터는 ReliefF에 의해 선택된 속성으로 로지스틱 회귀분석(LR)을 적용하였을 때 정확도가 상승했고, 나이브 베이지안 네트워크(NBN)은 CFS, IG에 의한 속성을 사용할 경우 정확도가 상승하였다.

Abstract ▼ AI-Helper

In the era of SNS, many people relies on it to express their emotions about various kinds of products and services. Therefore, for the companies eagerly seeking to investigate how their products and services are perceived in the market, emotion mining tasks using dataset from SNSs become important much more than ever. Basically, emotion mining is a branch of sentiment analysis which is based on BOW (bag-of-words) and TF-IDF. However, there are few studies on the emotion mining which adopt feature selection (FS) methods to look for optimal set of features ensuring better results. In this sense, this study aims to propose FS methods to conduct emotion mining tasks more effectively with better outcomes. This study uses Twitter and SemEval2007 dataset for the sake of emotion mining experiments. We applied three FS methods such as CFS (Correlation based FS), IG (Information Gain), and ReliefF. Emotion mining results were obtained from applying the selected features to nine classifiers. When applying DT (decision tree) to Tweet dataset, accuracy increases with CFS, IG, and ReliefF methods. When applying LR (logistic regression) to SemEval2007 dataset, accuracy increases with ReliefF method.

주제어

표/그림 (7)

표 Table 1. Emotion mining studies
그림 Fig. 1. Procedure of this study
표 Table 2. Confusion matrix
표 Table 3. The number of selected features
표 Table 4. Tweet results
표 Table 5. SemEval 2007 results
표 Table 6. T-test Result of Accuracy

질의응답

핵심어	질문	논문에서 추출한 답변
	Neural Network의 학습과정은 어떻게 진행되는가?	학습과정은 다음과 같이 진행된다[14]. 입력층은 주어진 학습자료를 구성하는 변수를 나타내는 노드로 구성되어 있으며 해당 입력층으로부터 학습자료가 입력된다. 은닉층은 입력층에서 들어오는 학습자료를 연결가중치로 처리하고 이를 다시 시그모이드 함수와 같은 전이함수로 출력값을 만들어 이를 출력층으로 전달한다. 출력층에서는 주어진 입력자료에 대한 최종적인 출력값을 계산하고 이를 실제값과 비교한 후 그 차이인 오차가 정해진 임계치보다 작은지 여부를 계산한다. 오차가 임계치 보다 클 경우 출력층으로부터 은닉층, 그리고 입력층까지 단계적으로 내려가면서 연결가중치를 순차적으로 수정하므로써 주어진 학습자료를 학습한다.
	감성분석은 무엇인가?	소셜 미디어상에서 표출되는 소비자들의 다양한 이모션과 의견은 곧 해당 기업에 대한 여론을 형성하고 그 여론은 기업의 재무성과에 많은 영향을 주기 때문이다. 이같이 온라인상에서 일반 소비자들이 표출하는 다양한 리뷰데이터에서 소비자의 숨어있는 이모션과 의견등을 분석하여 그 내용이 긍정적인지 부정적인지를 알아내고자 하는 분야를 감성분석 (sentiment analysis)라고 한다[1].
	CFS의 한계는 무엇인가?	반면 관련도가 적은 속성은 클래스와의 상관관계 또한 낮을 것으로 전제하여 배제된다[10]. 하지만 CFS는 속성간의 상호작용에 대해서는 이렇다할 통제 메커니즘이 없다는 한계가 있다.

참고문헌 (24)

J. A. Balazs & J. D. Velasquez. (2016). Opinion mining and information fusion: a survey. Information Fusion, 27, 95-110.

상세보기
H. L. Yang & Q. F. Lin. (2018). Opinion mining for multiple types of emotion-embedded products/services through evolutionary strategy. Expert Systems with Applications, 99, 44-55.

상세보기
M. V. Mantyla, D. Graziotin & M. Kuutila. (2018). The evolution of sentiment analysis-A review of research topics, venues, and top cited papers. Computer Science Review, 27, 16-32.

상세보기
Y. Liu, J. W. Bi & Z. P. Fan. (2017). Multi-class sentiment classification: The experimental comparisons of feature selection and machine learning algorithms. Expert Systems with Applications, 80, 323-339.

상세보기
T. Danisman & A. Alpkocak. (2008, April). Feeler: Emotion classification of text using vector space model. In AISB 2008 Convention Communication, Interaction and Social Intelligence (Vol. 1, p. 53).
C., Strapparava & R. Mihalcea. (2007). Semeval-2007 task 14: Affective text. In Proceedings of the 4th international workshop on semantic evaluations (pp. 70-74). Association for Computational Linguistics.
N. Gupta, M. Gilbert & G. D. Fabbrizio. (2013). Emotion detection in email customer care. Computational Intelligence, 29(3), 489-505.

상세보기
M. Hasan, E. Agu & E. Rundensteiner. (2014). Using hashtags as labels for supervised learning of emotions in twitter messages. In ACM SIGKDD Workshop on Health Informatics, New York, USA.
C. Quan & F. Ren. (2016). Weighted high-order hidden Markov models for compound emotions recognition in text. Information Sciences, 329, 581-596.

상세보기
M. A. Hall. (1999). Correlation-based feature selection for machine learning.
M. Robnik-Sikonja & I. Kononenko. (2003). Theoretical and empirical analysis of ReliefF and RReliefF. Machine learning, 53(1-2), 23-69.
D. R. Cox. (1958). The regression analysis of binary sequences. Journal of the Royal Statistical Society. Series B (Methodological), 215-242.
S. K. Murthy. (1998). Automatic construction of decision trees from data: A multi-disciplinary survey. Data mining and knowledge discovery, 2(4), 345-389.

상세보기
E. C. Bae & K. C. Lee. (2016). Predicting Stock Liquidity by Using Ensemble Data Mining Methods", Journal of The Korea Society of computer and Information, 21(6), 9-19,
S. Park, K. M. Yang & S. B. Cho. (2013). A Hierarchical CPV Solar Generation Tracking System based on Modular Bayesian Network. Journal of KIISE: Software and Applications, 41.
V. Vapnik. (2013). The nature of statistical learning theory. Springer science & business media.
M. H. Song, J. Lee, S. P. Cho & K. J. Lee. (2005). SVM Classifier for the Detection of Ventricular Fibrillation, The Institute of Electronics Engineers of Korea - System and Control, 42(5), 27-34.
M. Ballings, D. Van den Poel, N. Hespeels & R. Gryp. (2015). Evaluating multiple classifiers for stock price direction prediction. Expert Systems with Applications, 42(20), 7046-7056.

상세보기
D. H. Wolpert. (1992). Stacked generalization. Neural networks, 5(2), 241-259.

상세보기
J. H. Lee & J. G. Baek. (2018). RTC(Real-Time Contrast) Control Chart using Random Forest based Multi-Class Classifier, Journal of the Korean Institute of Industrial Engineers, 44(4), 306-315.

상세보기
T. K. Ho. (1998). The Random Subspace Method for Constructing Decision Forests, IEEE Trans. Pattern Analysis and Machine Intelligence, 20(8), 832-844.

상세보기
W. Wang, L. Chen, K. Thirunarayan & A. P. Sheth. (2012). Harnessing twitter big data for automatic emotion identification. In Privacy, Security, Risk and Trust (PASSAT), 2012 International Conference on and 2012 International Confernece on Social Computing (SocialCom), IEEE, 587-592.
A. Yadollahi, A. G. Shahraki & O. R. Zaiane. (2017). Current state of text sentiment analysis from opinion to emotion mining. ACM Computing Surveys (CSUR), 50(2), 25.
S. Arlot & A. Celisse. (2010). A survey of cross-validation procedures for model selection. Statistics surveys, 4, 40-79.

상세보기

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증