[논문]앙상블 기법을 활용한 온라인 음식 상품 리뷰 감성 분석

김한민; 박경보

doi:10.14400/jdc.2019.17.4.115

앙상블 기법을 활용한 온라인 음식 상품 리뷰 감성 분석
Sentiment analysis of online food product review using ensemble technique 원문보기

디지털융복합연구 = Journal of digital convergence, v.17 no.4, 2019년, pp.115 - 122

초록
AI-Helper

온라인 마켓에서 소비자는 다양한 상품을 접하고 이에 대한 의견을 자유롭게 기술한다. 소비자의 상품 리뷰가 다른 소비자와 온라인 마켓의 성공에 큰 영향을 주는 만큼 온라인 마켓은 판매 상품에 대한 소비자의 감성을 정확하게 분석할 필요가 있다. 데이터 분석 기법 중 하나인 텍스트 마이닝은 상품에 대한 소비자 리뷰를 분석하여 상품을 효율적으로 관리할 수 있게 해준다. 선행 연구들은 데이터 도메인과 사이즈에 따라 분석 결과의 정확도가 다르게 나타남에도 불구하고 특정 도메인과 2만개 미만의 데이터를 분석해왔다. 또한, 분석의 정확도를 향상 시킬 수 있는 추가 요인에 대한 연구는 거의 수행하지 않았다. 본 연구는 앙상블 기법을 활용하여 기존 연구에서 주로 다루지 않은 음식 상품 도메인의 72,530개 리뷰 데이터를 분석하였다. 또한, 분석 정확도 향상과 관련하여 요약 리뷰의 영향력을 살펴보았다. 연구 결과, 본 연구는 기존 연구와 다르게 부스팅 앙상블 기법이 가장 높은 분석 정확도를 보인다는 사실을 발견하였다. 또한, 요약 리뷰는 분석의 정확도 향상에 기여하는 것으로 나타났다.

Abstract ▼ AI-Helper

In the online marketplace, consumers are exposed to various products and freely express opinions. As consumer product reviews have a important effect on the success of online markets and other consumers, online market needs to accurately analyze the consumers' emotions about their products. Text mining, which is one of the data analysis techniques, can analyze the consumer's reviews on the products and efficiently manage the products. Previous studies have analyzed specific domains and less than 20,000 data, despite the different accuracy of the analysis results depending on the data domain and size. Further, there are few studies on additional factors that can improve the accuracy of analysis. This study analyzed 72,530 review data of food product domain that was not mainly covered in previous studies by using ensemble technique. We also examined the influence of summary review on improving accuracy of analysis. As a result of the study, this study found that Boosting ensemble technique has the highest accuracy of analysis. In addition, the summary review contributed to improving accuracy of the analysis.

주제어

표/그림 (3)

표 Table 1. The study of sentiment analysis using ensemble technique
표 Table 2. Analysis result of Normal review
표 Table 3. Analysis result of Normal review + Summary review

AI 본문요약
AI-Helper

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

문제 정의

다시 말해서, 음식 상품에 대한 소비자의 리뷰를 보다 정확하게 분석할 수 방안에 대한 연구는 아직 해소해야할 학문적 과제라고 볼 수 있다. 따라서 본 연구는 아직까지 크게 고려되지 않았던 음식 상품 도메인을 대상으로 72,530 개의 리뷰 데이터를 분석하고자 한다. 추가적으로, 소비자의 요약리뷰가 분석 정확도 향상에 미치는 영향력을 발견하고자 한다.
하지만 이모티콘 이외에 분석의 정확도를 향상시킬 수 있는 추가 요인 발견에 대한 연구는 거의 진행되고 있지 않다. 본 연구는 상품 리뷰에 대한 요약 리뷰가 상품 평가에 대한 핵심 단어들을 포함하고 있기 때문에 감성분석에서 소비자의 감성을 분류하는데 큰 기여를 할 수 있다고 판단한다. 하지만 아직까지 상품의 요약 리뷰에 대한 영향력을 검토한 연구는 거의 진행되지 않았다.
두 번째, 음식 상품 리뷰 도메인과 72,530개의 데이터를 활용하여 도메인과 데이터 크기에서 올 수 있는 분류 기법의 정확도 차이를 선행 연구결과와 비교하고자 한다. 세 번째, 상품 요약 리뷰를 포함한 데이터가 소비자의 감성을 정확히 분류하는데 기여하는 영향력을 검증하고자 한다. 이를 통해 감성분석의 정확도를 향상시킬 수 있는 방안을 강구하고자 한다.
본 연구는 분석 결과를 검증하기 위해 Accuracy, Precision, Recall, F-measure, Area Under Curve (AUC)를 활용하였다. 여러 측정 기준을 통해 보다 정확한 최적의 분석 결과를 판단하고자 하였다. 첫 번째 음식 상품에 대한 일반 리뷰 감성 분석결과, 단일 분류기법을 적용했을 때보다 앙상블 기법을 적용했을 때 상대적으로 감성분석의 정확도가 향상된 것을 볼 수 있었다.
세 번째, 상품 요약 리뷰를 포함한 데이터가 소비자의 감성을 정확히 분류하는데 기여하는 영향력을 검증하고자 한다. 이를 통해 감성분석의 정확도를 향상시킬 수 있는 방안을 강구하고자 한다.
첫 번째, Bayes Net, Naive Bayes, Logistic, Artificial Neural Network (ANN), Support Vector Machine (SVM), Decision Tree (DT) 와 같은 단일 분류 기법들과 Boosting, Bagging, Random Subspace, Random Forest의 앙상블 기법들의 분류 정확도 차이를 비교하고자 한다. 이를 통해 앙상블 기법이 단일 분류 기법을 활용하였을 때 보다 분석의 정확도를 향상시킬 수 있는지 확인하고자 한다. 두 번째, 음식 상품 리뷰 도메인과 72,530개의 데이터를 활용하여 도메인과 데이터 크기에서 올 수 있는 분류 기법의 정확도 차이를 선행 연구결과와 비교하고자 한다.
하지만 이모티콘 이외에 분석 결과를 향상시킬 수 있는 요약 리뷰의 역할에 대한 연구는 거의 이루어지지 않았다. 이에 본 연구는 소비자의 요약 리뷰가 상품에 대한 감성 분석의 정확도 향상에 기여 할 수 있는지 분석하였다. 그 결과, 소비자의 요약 리뷰는 감성분석의 분류 정확도를 향상 시킨다는 사실을 발견하였다.
따라서 본 연구는 아직까지 크게 고려되지 않았던 음식 상품 도메인을 대상으로 72,530 개의 리뷰 데이터를 분석하고자 한다. 추가적으로, 소비자의 요약리뷰가 분석 정확도 향상에 미치는 영향력을 발견하고자 한다. 앙상블 기법을 활용한 감성 분석 연구의 흐름을 아래 Table 1에 기술하였다.

제안 방법

첫 번째 단계에서는 음식 상품 리뷰 본문만을 텍스트 분석하여 소비자의 감성을 분류 하였다. 두 번째 단계에서는 음식 상품 리뷰 본문에 리뷰 요약문을 추가하여 텍스트 분석하였다.
923). 두 번째 분석에서는 일반 상품리뷰에 요약 리뷰를 추가한 분석을 진행하였다. 분석 결과, 일반적인 리뷰만을 분석하는 것보다 요약 리뷰를 추가하여 분석하는 것이 소비자의 감성을 보다 정확하게 분류하는 것으로 나타났다.
예를 들어 컴퓨터 분석 능력이 충분히 확보한 기업에서는 앙상블 기법을 적극 활용하여 상품 관리 및 판매 전략을 보다 명확하게 수립할 수 있을 것이다. 두 번째, 본 연구는 7만개 이상의 데이터 크기에서 음식 상품 도메인의 감성 분석 결과를 제공하였다. 감성 분석에서 데이터 크기와 도메인에 따라 최적의 분석결과를 도출하는 분석 방법이 달라질 수 있지만 대부분의 선행 연구들은 음식 상품 도메인을 크게 고려하지 않고 비교적 적은 2만개 미만의 데이터를 분석에 사용해왔다[10-17].
이를 통해 앙상블 기법이 단일 분류 기법을 활용하였을 때 보다 분석의 정확도를 향상시킬 수 있는지 확인하고자 한다. 두 번째, 음식 상품 리뷰 도메인과 72,530개의 데이터를 활용하여 도메인과 데이터 크기에서 올 수 있는 분류 기법의 정확도 차이를 선행 연구결과와 비교하고자 한다. 세 번째, 상품 요약 리뷰를 포함한 데이터가 소비자의 감성을 정확히 분류하는데 기여하는 영향력을 검증하고자 한다.
또한, 10-fold 교차 검증(10-fold cross validation)을 기반으로 분석 결과의 신뢰성을 확보하고 단일 분류 기법과 앙상블 기법 분석을 실시하였다. 본 연구는 총 2번의 분석을 실시하였다. 첫 번째 단계에서는 음식 상품 리뷰 본문만을 텍스트 분석하여 소비자의 감성을 분류 하였다.
본 연구는 총 2번의 분석을 실시하였다. 첫 번째 단계에서는 음식 상품 리뷰 본문만을 텍스트 분석하여 소비자의 감성을 분류 하였다. 두 번째 단계에서는 음식 상품 리뷰 본문에 리뷰 요약문을 추가하여 텍스트 분석하였다.
이러한 인식을 기반으로 본 연구는 다음과 같은 연구목표를 설정하였다. 첫 번째, Bayes Net, Naive Bayes, Logistic, Artificial Neural Network (ANN), Support Vector Machine (SVM), Decision Tree (DT) 와 같은 단일 분류 기법들과 Boosting, Bagging, Random Subspace, Random Forest의 앙상블 기법들의 분류 정확도 차이를 비교하고자 한다. 이를 통해 앙상블 기법이 단일 분류 기법을 활용하였을 때 보다 분석의 정확도를 향상시킬 수 있는지 확인하고자 한다.

대상 데이터

전 처리는 엑셀을 활용하여 중복 리뷰 데이터, 일부 항목이 누락된 결측 데이터 및 !,@,~ 등의 특수 문자를 제거하였다. 데이터 전처리 이후 본 연구는 분석에 사용할 72,530개의 데이터를 확보하였으며, 목표 변수는 음식상품에 대한 평가 1점을 부정적 감성(36,265개)으로 5점을 긍정적 감성(36,265개)으로 설정하였다. 아래에 음식 상품에 대한 실제 리뷰와 요약 리뷰를 예시로 기술 하였다.
본 연구에서 활용한 음식상품 리뷰 Raw 데이터는 https://www.kaggle.com/ 사이트에서 제공 받았으며, 제공받은 데이터는 아마존에서 음식 상품을 구매하고 작성한 텍스트 리뷰, 평점, 작성자의 정보 등이 포함되어 있다. 분석에 앞서 본 연구는 아마존 사이트의 음식 상품리뷰 데이터 568,455개를 전 처리하였다.
com/ 사이트에서 제공 받았으며, 제공받은 데이터는 아마존에서 음식 상품을 구매하고 작성한 텍스트 리뷰, 평점, 작성자의 정보 등이 포함되어 있다. 분석에 앞서 본 연구는 아마존 사이트의 음식 상품리뷰 데이터 568,455개를 전 처리하였다. 전 처리는 엑셀을 활용하여 중복 리뷰 데이터, 일부 항목이 누락된 결측 데이터 및 !,@,~ 등의 특수 문자를 제거하였다.

데이터처리

722를 활용하였으며, 변수 선택 방법(Feature selection)으로 Info gain-ranker 와 Term FrequencyInverse Document Frequency(TF-IDF)을 적용하였다. 또한, 10-fold 교차 검증(10-fold cross validation)을 기반으로 분석 결과의 신뢰성을 확보하고 단일 분류 기법과 앙상블 기법 분석을 실시하였다. 본 연구는 총 2번의 분석을 실시하였다.

이론/모형

본 연구는 감성 분석을 위한 단일 분류 기법으로 Bayes Net, Naive Bayes, Logistic, Artificial Neural Network (ANN), Support Vector Machine (SVM), Decision Tree (DT)을 사용하였으며, 앙상블 기법으로는 Boosting, Bagging, Random Subspace, Random Forest를 사용하였다. 분석 프로그램은 무료 소프트웨어인 WEKA 3.
본 연구는 분석 결과를 검증하기 위해 Accuracy, Precision, Recall, F-measure, Area Under Curve (AUC)를 활용하였다. 여러 측정 기준을 통해 보다 정확한 최적의 분석 결과를 판단하고자 하였다.
본 연구는 감성 분석을 위한 단일 분류 기법으로 Bayes Net, Naive Bayes, Logistic, Artificial Neural Network (ANN), Support Vector Machine (SVM), Decision Tree (DT)을 사용하였으며, 앙상블 기법으로는 Boosting, Bagging, Random Subspace, Random Forest를 사용하였다. 분석 프로그램은 무료 소프트웨어인 WEKA 3.722를 활용하였으며, 변수 선택 방법(Feature selection)으로 Info gain-ranker 와 Term FrequencyInverse Document Frequency(TF-IDF)을 적용하였다. 또한, 10-fold 교차 검증(10-fold cross validation)을 기반으로 분석 결과의 신뢰성을 확보하고 단일 분류 기법과 앙상블 기법 분석을 실시하였다.

성능/효과

(2014)은 카메라, 캠프, 약물, 라디오, TV 등 8개의 다양한 데이터 도메인을 감성 분석하여 앙상블 기법이 높은 분석 정확도를 보여준다는 것을 확인하였으며, 데이터 도메인에 따라서 최적의 분석 정확도를 갖는 분석 방법이 다르게 나타난다는 사실을 발견하였다. 구체적으로 의료, 라디오, 영화 등의 도메인에서 대부분 SVM 기반 Random Subspace 앙상블기법이 가장 높은 분석 정확도를 나타낸 반면 카메라, 노트북의 도메인은 Bagging 앙상블 기법이 가장 높은 분석 정확도를 보이는 것으로 나타났다.
이에 본 연구는 소비자의 요약 리뷰가 상품에 대한 감성 분석의 정확도 향상에 기여 할 수 있는지 분석하였다. 그 결과, 소비자의 요약 리뷰는 감성분석의 분류 정확도를 향상 시킨다는 사실을 발견하였다. 이러한 결과는 소비자가 요약 리뷰에 자신의 생각을 보다 명확하게 나타낼 수 있는 핵심단어를 포함시키기 때문에 발생하는 결과라고 할 수 있다.
분석 결과, 일반적인 리뷰만을 분석하는 것보다 요약 리뷰를 추가하여 분석하는 것이 소비자의 감성을 보다 정확하게 분류하는 것으로 나타났다. 또한, 단일 분류기법을 적용하였을 때 보다 Boosting, Bagging, Random Subspace, Random Forest의 앙상블 기법이 향상된 분류 정확도를 제공한다는 사실을 확인하였다. 앙상블 기법에서는 Boosting with DT (LMT)이 상품에 대한 감성을 가장 정확하게 분류하는 것으로 나타났다(Accuracy: 0.
(2014)는 트위터의 3,785개 데이터와 이모티콘을 활용한 앙상블 기법이 단일 분류 기법보다 향상된 분석 결과를 제공한다는 사실을 발견하였다. 또한, 데이터 크기에 따라서 최적의 분석정확도를 제공하는 분석 방법의 차이가 존재한다는 사실을 발견하였다. Wang et al.
첫 번째 음식 상품에 대한 일반 리뷰 감성 분석결과, 단일 분류기법을 적용했을 때보다 앙상블 기법을 적용했을 때 상대적으로 감성분석의 정확도가 향상된 것을 볼 수 있었다. 또한, 앙상블 기법 중 Boosting with DT (LMT)이 소비자의 음식 상품 리뷰를 가장 잘 정확하게 분류하는 것을 확인 할 수 있었다(Accuracy: 0.827, Precision: 0.827, Recall: 0.827, F-measure: 0.827, AUC: 0.923). 두 번째 분석에서는 일반 상품리뷰에 요약 리뷰를 추가한 분석을 진행하였다.
감성 분석에서 데이터 크기와 도메인에 따라 최적의 분석결과를 도출하는 분석 방법이 달라질 수 있지만 대부분의 선행 연구들은 음식 상품 도메인을 크게 고려하지 않고 비교적 적은 2만개 미만의 데이터를 분석에 사용해왔다[10-17]. 본 연구는 72,530 개의 음식 상품 리뷰 데이터를 사용하여 분석하였으며, 그 결과 Boosting with DT(LMT) 앙상블 기법이 가장 높은 분류 정확도를 보인다는 사실을 발견하였다. 한편, SVM 기반의 랜덤 서브스 페이스(Random Subspace) 앙상블 기법은 선행 연구에서 가장 우수한 성능을 보인 것[8] 과는 다르게 본 연구에서 가장 낮은 정확도를 보였다.
두 번째 분석에서는 일반 상품리뷰에 요약 리뷰를 추가한 분석을 진행하였다. 분석 결과, 일반적인 리뷰만을 분석하는 것보다 요약 리뷰를 추가하여 분석하는 것이 소비자의 감성을 보다 정확하게 분류하는 것으로 나타났다. 또한, 단일 분류기법을 적용하였을 때 보다 Boosting, Bagging, Random Subspace, Random Forest의 앙상블 기법이 향상된 분류 정확도를 제공한다는 사실을 확인하였다.
향후 연구에서는 데이터의 크기와 도메인에 따라서 분석방법에 대한 다양한 시도와 이론적 고찰이 이루어져야 할 것이다. 세 번째, 본 연구는 감성 분석에 있어 요약 리뷰가 분석의 정확도를 향상 시킨다는 사실을 발견하였다. 기존 연구에서는 개인의 일반적인 리뷰를 토대로 분류 분석을 실시해왔으며 추가적으로 분석의 정확도를 향상시킬 수 있는 방법으로 이모티콘의 활용을 제시하고 있었다[9].
또한, 단일 분류기법을 적용하였을 때 보다 Boosting, Bagging, Random Subspace, Random Forest의 앙상블 기법이 향상된 분류 정확도를 제공한다는 사실을 확인하였다. 앙상블 기법에서는 Boosting with DT (LMT)이 상품에 대한 감성을 가장 정확하게 분류하는 것으로 나타났다(Accuracy: 0.856, Precision: 0.856, Recall: 0.856, F-measure: 0.856, AUC: 0.945). 본 연구의 결과를 아래 Table 2와 Table 3에 구체적으로 기술 하였다.
여러 측정 기준을 통해 보다 정확한 최적의 분석 결과를 판단하고자 하였다. 첫 번째 음식 상품에 대한 일반 리뷰 감성 분석결과, 단일 분류기법을 적용했을 때보다 앙상블 기법을 적용했을 때 상대적으로 감성분석의 정확도가 향상된 것을 볼 수 있었다. 또한, 앙상블 기법 중 Boosting with DT (LMT)이 소비자의 음식 상품 리뷰를 가장 잘 정확하게 분류하는 것을 확인 할 수 있었다(Accuracy: 0.
본 연구의 기여 사항은 다음과 같다. 첫째, 본 연구는 단일 분류기법보다 앙상블기법을 적용했을 때 감성분석 정확도가 향상된다는 사실을 확인하였다. 선행 연구에서 앙상블 기법이 단일 분류 기법들의 다양한 알고리즘을 활용하기 때문에 최적의 값을 쉽게 도출 할 수 있다는 관점을 지지하는 결과이다[10-17].

후속연구

실무적으로는 상품 리뷰 작성 시 요약 리뷰를 작성할 수 있게 하는 기능을 추가해야 할 것이다. 또한, 요약 리뷰 작성에 따른 할인 포인트나 베스트 상품리뷰 등록 자격을 제공하는 방안을 강구해야 할 것이다.
본 연구는 데이터 수집의 한계로 인해 온라인 마켓 한 곳의 리뷰만을 다루었으므로 다양한 온라인 마켓의 리뷰들을 활용하지 못했다. 온라인 마켓은 사이트마다 제공하는 상품, 가격, 이벤트, 사이트 디자인에 차이가 존재하므로 소비자의 리뷰도 사이트 별로 차이가 존재할 수 있다.
선행 연구에서 앙상블 기법이 단일 분류 기법들의 다양한 알고리즘을 활용하기 때문에 최적의 값을 쉽게 도출 할 수 있다는 관점을 지지하는 결과이다[10-17]. 텍스트를 기반으로 한 감성분석 시 보다 높은 분석 정확도를 얻고자 한다면 앙상블 기법을 적극적으로 활용할 가치가 있다고 할 수 있다. 하지만 앙상블 기법은 분석에 있어 단일 분석 기법보다 높은 컴퓨터 분석능력을 필요로 하고 많은 시간을 소모하기 때문에 이에 대한 손익을 고려하여 실무에서 적용되어야 할 것이다.
이러한 결과는 소비자가 요약 리뷰에 자신의 생각을 보다 명확하게 나타낼 수 있는 핵심단어를 포함시키기 때문에 발생하는 결과라고 할 수 있다. 향후 연구에서는 감성분석을 진행할 때 의견을 보다 정확하게 분류할 수 있게 해주는 요약 리뷰에 주목해야할 것이다. 실무적으로는 상품 리뷰 작성 시 요약 리뷰를 작성할 수 있게 하는 기능을 추가해야 할 것이다.
온라인 마켓은 사이트마다 제공하는 상품, 가격, 이벤트, 사이트 디자인에 차이가 존재하므로 소비자의 리뷰도 사이트 별로 차이가 존재할 수 있다. 향후 연구에서는 다양한 온라인 마켓 사이트의 리뷰데이터를 활용하여 감성분석을 실시해야 할 것이다. 예를 들어 이베이(eBay) 사이트의 리뷰를 분석하여 아마존의 리뷰 분석 결과와 차이점을 발견할 수 있을 것이다.
이러한 결과는 데이터 크기와 도메인에 따라 감성분석을 정확하게 실시할 수 있는 분석방법이 다르게 나타날 수 있다는 시사점을 제공한다. 향후 연구에서는 데이터의 크기와 도메인에 따라서 분석방법에 대한 다양한 시도와 이론적 고찰이 이루어져야 할 것이다. 세 번째, 본 연구는 감성 분석에 있어 요약 리뷰가 분석의 정확도를 향상 시킨다는 사실을 발견하였다.

질의응답

핵심어	질문	논문에서 추출한 답변
	텍스트 마이닝이란?	텍스트 마이닝(Text mining)은 자연어 처리 기술을 활용하여 텍스트 데이터로부터 정보를 찾아내는 기술로써 분석방법으로는 감성분석, 정보추출, 텍스트분류 등이 존재한다[3]. 이러한 텍스트 분석은 소셜 네트워크에서 선거와 같은 특정 이벤트에 대한 개인들의 감성을 분석하거나 온라인마켓의 상품 의견을 분석하는 등 다양한 분야에서 적용되어 왔다[4-8].
	앙상블 기법의 장점은 무엇인가?	감성 분석을 위한 분류 기법에는 단일 분류 기법과 앙상블 기법이 존재한다. 앙상블 기법은 여러 단일 분류기법을 조합해서 분석하는 기법으로 여러 단일 분류기법들의 알고리즘을 조합해서 분석을 실시하기 때문에 최적의 분석결과 값을 단일 분류 기법보다 쉽게 도출해낼 수 있다는 장점을 가지고 있다[9]. 감성분석에 앙상블 기법을 적용한 선행 연구들은 앙상블 기법이 단일 분류 기법보다 우수한 분류 정확도를 제공한다는 사실을 확인해왔다[10,11].
	아마존 사이트의 음식 상품리뷰 데이터에 포함된 정보는 무엇인가?	kaggle.com/ 사이트에서 제공 받았으며, 제공받은 데이터는 아마존에서 음식 상품을 구매하고 작성한 텍스트 리뷰, 평점, 작성자의 정보 등이 포함되어 있다. 분석에 앞서 본 연구는 아마존 사이트의 음식 상품리뷰 데이터 568,455개를 전 처리하였다.

참고문헌 (17)

G. Kim & H. Koo. (2016). The causal relationship between risk and trust in the online marketplace: A bidirectional perspective. Computers in Human Behavior, 55, 1020-1029. DOI : 10.1016/j.chb.2015.11.005

상세보기
P. A. Pavlou & D. Gefen. (2004). Building effective online marketplaces with institution-based trust. Information systems research, 15(1), 37-59. DOI : 10.1287/isre.1040.0015

상세보기
W. Fan, L. Wallace, S. Rich & Z. Zhang. (2006). Tapping the power of text mining. Communications of the ACM, 49(9), 76-82. DOI : 10.1145/1151030.1151032

상세보기
D. Paranyushkin. (2011). Identifying the pathways for meaning circulation using text network analysis. Berlin: Nodus Labs.
J. H. Ryu & Y. Y. You. (2018). The Fourth Industrial Revolution Core Technology Association Analysis Using Text Mining. Journal of Digital Convergence, 16(8), 129-136. DOI : 10.14400/JDC.2018.16.8.129
J. H. Bae, J. E. Son & M. Song. (2013). Analysis of twitter for 2012 South Korea presidential election by text mining techniques. Journal of Intelligence and Information Systems, 19, 141-156. DOI : 10.13088/jiis.2013.19.3.141
D. Y. Lee, J. C. Jo & H. S. Lim. (2017). User Sentiment Analysis on Amazon Fashion Product Review Using Word Embedding. Journal of the Korea Convergence Society, 8(1), 11. DOI : 10.15207/JKCS.2017.8.4.001
E. Y. Kim & E. J. Ko. (2018). Monitoring Mood Trends of Twitter Users using Multi-modal Anal ysis method of Texts and Images. Journal of the Korea Convergence Society, 9(1), 419-431. DOI : 10.15207/JKCS.2018.9.1.419
L. Rokach. (2010). Pattern classification using ensemble methods. World Scientific.
G. Wang, J. Sun, J. Ma, K. Xu & J. Gu. (2014). Sentiment classification: The contribution of ensemble learning. Decision support systems, 57, 77-93. DOI : 10.1016/j.dss.2013.08.002

상세보기
N. F. F. Da Silva, E. R. Hruschkaa & E. R. Hruschka. (2014). Tweet sentiment analysis with classifier ensembles. Decision Support Systems, 66, 170-179. DOI : 10.1016/j.dss.2014.07.003

상세보기
C. Catal & M. Nangir. (2017). A sentiment classification model based on multiple classifiers. Applied Soft Computing, 50, 135-141. DOI : 10.1016/j.asoc.2016.11.022

상세보기
T. Chalothom & J. Ellman. (2015). Simple approaches of sentiment analysis via ensemble learning. In information science and applications. (pp. 631-639). Berlin, Heidelberg.
E. Fersini, E. Messina & F. A. Pozzi. (2014). Sentiment analysis: Bayesian ensemble learning. Decision support systems, 68, 26-38. DOI : 10.1016/j.dss.2014.10.004

상세보기
A. Hassan, A. Abbasi & D. Zeng. (2013). Twitter sentiment analysis: A bootstrap ensemble framework. In Social Computing. (pp. 8-14). Alexandria. USA.
C. Rodriguez-Penagos, J. A. Batalla, J. Codina-Filba, D. Garcia-Narbona, J. Grivolla, P. Lambert & R. Sauri. (2013). FBM: Combining lexicon-based ML and heuristics for Social Media Polarities. In Second Joint Conference on Lexical and Computational Semantics (*SEM). Proceedings of the Seventh International Workshop on Semantic Evaluation. (pp. 483-489) Atlanta. Georgia.
Y. Su, Y. Zhang, D. Ji, Y. Wang & H. Wu. (2012). Ensemble learning for sentiment classification. In Workshop on Chinese Lexical Semantics. (pp. 84-93). July, Berlin, Heidelberg.

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