[논문]영어 리뷰데이터를 이용한 딥러닝 기반 다국어 감성분석

성재경; 김영복; 김용국

doi:10.7236/jiibc.2019.19.3.9

영어 리뷰데이터를 이용한 딥러닝 기반 다국어 감성분석
Deep learning-based Multilingual Sentimental Analysis using English Review Data 원문보기

The journal of the institute of internet, broadcasting and communication : JIIBC, v.19 no.3, 2019년, pp.9 - 15

성재경 (세종대학교) , 김영복 (세종대학교 컴퓨터공학과) , 김용국 (세종대학교 컴퓨터공학과)

초록
AI-Helper

영어로 된 아마존과 같은 대형 글로벌 온라인 쇼핑몰은 전 세계를 대상으로 영어 또는 판매 해당국가 언어로 서비스를 하고 있다. 온라인 쇼핑몰 이용자 중, 많은 고객은 상품 리뷰평가를 참조하여 상품을 구매하고 있다. 그래서 고객들이 작성한 대량의 리뷰데이터를 이용하여 구매 상품에 대해 긍정과 부정을 판정하는 감성분석을 영어를 중심으로 활발히 연구되고 분석 결과는 고객의 타켓 마케팅에 활용되고 있다. 하지만 이와 같은 영어 중심의 감성분석 시스템을 전 세계의 다양한 언어에 그대로 적용하기는 어렵다. 따라서 본 연구에서는 영어로 된 50만개 이상의 아마존 푸드 상품 리뷰데이터를 학습과 테스트 데이터로 분리하여 딥러닝 기술 기반의 감성분석 시스템을 구현하였다. 먼저 영어 테스트데이터의 3가지 모델에 대한 감성분석 평가 실험을 한 후에, 같은 데이터를 자동번역기로 7개국(한국어, 일본어, 중국어, 베트남어, 불어, 독어, 영어) 언어로 번역 후에 다시 영어로 번역하여 실험 결과를 얻었다. 감성분석 정확성은 영어(94.35%)에 비해 각 7개국 언어의 평균(91.59%)보다 정확도가 2.77% 정도 낮게 나왔으나 번역 성능 수준에서 실용 가능성을 확인하였다.

Abstract ▼ AI-Helper

Large global online shopping malls, such as Amazon, offer services in English or in the language of a country when their products are sold. Since many customers purchase products based on the product reviews, the shopping malls actively utilize the sentimental analysis technique in judging preference of each product using the large amount of review data that the customer has written. And the result of such analysis can be used for the marketing to look the potential shoppers. However, it is difficult to apply this English-based semantic analysis system to different languages used around the world. In this study, more than 500,000 data from Amazon fine food reviews was used for training a deep learning based system. First, sentiment analysis evaluation experiments were carried out with three models of English test data. Secondly, the same data was translated into seven languages (Korean, Japanese, Chinese, Vietnamese, French, German and English) and then the similar experiments were done. The result suggests that although the accuracy of the sentimental analysis was 2.77% lower than the average of the seven countries (91.59%) compared to the English (94.35%), it is believed that the results of the experiment can be used for practical applications.

주제어

표/그림 (6)

그림 그림 1. 감성분석 시스템 구조도 Fig. 1. sentimental analysis system structure diagram
표 표 1. 3모델 실험데이터(feature / record) Table 1. 3model experimental data (feature / record)
그림 그림 2. 3가지 모델 감성분석 정확도 Fig. 2. 3models sentimental analysis accuracy
그림 그림 3. word count 감성분석 정확도 Fig. 3. word count sentimental analysis accuracy
그림 그림 4. TFIDF 감성분석 정확도 Fig. 4. TFIDF sentimental analysis accuracy
그림 그림 5. TFIDF+ngram 감성분석 정확도 Fig. 5. TFIDF sentimental analysis accuracy

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 영어로 된 리뷰 상품 데이터를 기반으로 3개의 딥러닝 알고리즘 모델(Word Count, TFIDF(Term Frequency Inverse Document Frequency), TFIDF+ngram))의 구현과 감성분석 성능 평가 실험을 하였다. 그런 후 비영어권 7개국(한국어 일본어, 중국어, 베트남어, 불어, 독일어, 러시아어)언어에 대해서도 같은 실험을 통해 성능 비교 분석을 하였다.
본 연구에서는 상품 리뷰데이터를 기반으로 Word Count, TFIDF, TFIDF+ngram 3가지 모델에 대해 로지스틱 회귀 모델을 사용하여 긍정과 부정을 판정하는 감성분석 시스템을 제안한다.
본 장에서는 인터넷 상품 리뷰데이터의 감성분석 비교평가를 위해서 텍스트마이닝과 감성분석 딥러닝 기술에 대해서 살펴본다.

제안 방법

2,000개의 8개국어 테스트데이터를 이용하여 3가지 모델에 대해 긍정과 부정에 대한 감성분석 정확도 실험을 하였다. 약 50만개의 리뷰 실험데이터에서 분리한 2,000개의 8개국 테스트데이터는 동일한 데이터를 사용하여 실험을 하였다.
실험 결과를 그림 2에서와 같이 4개의 그룹(영어, 7개국 평균, 한국어 일본어 평균, 불어, 독어, 러시아어 평균)으로 나눠 비교 분석을 하였다. 8개국의 언어를 영어와 영어를 제외한 7개국 언어의 평균으로 나누고, 영어 어순과 다른 한국어와 일본어를 평균으로 영어와 어순이 비슷한 영어권 구조의 언어인 불어 독어 러시아어 3개국 평균통계를 그림3에 도표화를 하였다. 그러나 중국어와 베트남 언어는 그룹 없이 실험 결과만 그림 3에 표시하였다.
Word Count와 TFIDF는 벡터화 되어 있는 단어를 기준으로 카운트하였고, ngram도 입력한 단어를 n개의 기준 단위로 절단하여 최대 2-gram 까지를 사용하였다. 그리고 너무 빈번하여 유용하지 않은 단어와 의미 없는 단어를 제거하기 위한 방법으로 언어별 불용어(stopword) 목록을 사용하여 너무 자주 나타나는 단어를 제외하였다.
본 시스템은 영어로 된 약 50만 건 이상의 아마존 푸드 상품 리뷰를 학습데이터와 테스트데이터로 분리하여 사용하였다. 구현 기술은 딥러닝 방법을 이용한 단어 임베딩 학습 모델인 Word2vec 알고리즘 기반 Word Count, TFIDF, TFIDF+ngram 3가지 모델로 구현하였다. 감성분류 로지스틱 회귀(logistic regression) 모델을 사용하여 영어와 7개국 언어에 대해 긍정 부정평가하였다.
그 다음 동일한 영어 테스트데이터를 2차례 구글 자동번역기를 통해서 생성한 영어(영어->한국어와 한국어 ->영어)데이터를 Word Count, TFIDF, TFIDF+ngram 모델에 대해서 감성분석 실험을 하였다.
본 논문에서는 영어로 된 리뷰 상품 데이터를 기반으로 3개의 딥러닝 알고리즘 모델(Word Count, TFIDF(Term Frequency Inverse Document Frequency), TFIDF+ngram))의 구현과 감성분석 성능 평가 실험을 하였다. 그런 후 비영어권 7개국(한국어 일본어, 중국어, 베트남어, 불어, 독일어, 러시아어)언어에 대해서도 같은 실험을 통해 성능 비교 분석을 하였다. 실험데이터는 영어로 된 약 50만개인 아마존 상품 푸드 리뷰데이터(amazon fine food reviews)를 사용하고 이 중에 2,000개를 분리하여 영어와 7개국 언어를 테스트데이터로 생성하여 실험을 하였다.
본 장에서는 구현한 감성 분류 평가 시스템과 자동번역기를 이용하여 생성한 실험데이터로 고객 리뷰 감성분석을 실험을 하였다. 먼저 실험환경 및 방법에 대해서 설명하였고 8개국 언어(영어를 포함한 7개국어) 테스터데이터 언어로 감성분석 정확도를 비교 분석하였다.
본 장에서는 구현한 감성 분류 평가 시스템과 자동번역기를 이용하여 생성한 실험데이터로 고객 리뷰 감성분석을 실험을 하였다. 먼저 실험환경 및 방법에 대해서 설명하였고 8개국 언어(영어를 포함한 7개국어) 테스터데이터 언어로 감성분석 정확도를 비교 분석하였다.
상품 리뷰 분석 시스템은 온라인 쇼핑몰에 있는 구매상품 리뷰데이터와 딥러닝 기술을 기반으로 고객의 리뷰에 대해 긍정과 부정을 판단하는 감성분석 시스템을 구현하였다. 본 시스템은 영어로 된 약 50만 건 이상의 아마존 푸드 상품 리뷰를 학습데이터와 테스트데이터로 분리하여 사용하였다.
실험데이터는 영어로 된 약 50만개인 아마존 상품 푸드 리뷰데이터(amazon fine food reviews)를 사용하고 이 중에 2,000개를 분리하여 영어와 7개국 언어를 테스트데이터로 생성하여 실험을 하였다. 영어와 생성한 7개국 언어를 자동번역기를 통해서 번역 후에 다시 영어로 번역한 하여 감성분석 성능 비교 평가 실험을 하였다.

대상 데이터

상품 리뷰 분석 시스템은 온라인 쇼핑몰에 있는 구매상품 리뷰데이터와 딥러닝 기술을 기반으로 고객의 리뷰에 대해 긍정과 부정을 판단하는 감성분석 시스템을 구현하였다. 본 시스템은 영어로 된 약 50만 건 이상의 아마존 푸드 상품 리뷰를 학습데이터와 테스트데이터로 분리하여 사용하였다. 구현 기술은 딥러닝 방법을 이용한 단어 임베딩 학습 모델인 Word2vec 알고리즘 기반 Word Count, TFIDF, TFIDF+ngram 3가지 모델로 구현하였다.
본 연구의 감성분석을 위한 실험환경은 Intel Core i7 GPU 2.80GHz GPU, 6.0GB RAM과 NVIDIA GeForce GTS 250 비디오 카드를 사용하였다. 8개국 데스트데이터 언어를 3개(Word Count, TFIDF, TFIDF+ngram)의 모델로 벡터화하고 로지스틱 회귀(logistic regression)를 사용하여 긍정과 부정에 대해서 감성 성능 평가 실험을 하였다.
실험에 사용한 데이타는 영어로 된 아마존 푸드 상품 리뷰데이터 568,455개중에서 566,455개는 학습데이터로 2,000개는 테스트데이터로 분리하였다. 분리한 2,000개의 테스트데이터는 랜덤(random)하게 선택하지 않고 분리 작업의 편리성을 위해 리뷰데이터 뒤 부분에서 선택하였다. 약 50만개의 리뷰 실험데이터는 구매 고객이 평가한 1부터 5까지의 점수로 구성되었는데 이중에서 중립점수인 3을 제외하고 1,2는 부정, 4,5는 긍정으로 분류하여 실험데이터를 생성하였다.
그런 후 비영어권 7개국(한국어 일본어, 중국어, 베트남어, 불어, 독일어, 러시아어)언어에 대해서도 같은 실험을 통해 성능 비교 분석을 하였다. 실험데이터는 영어로 된 약 50만개인 아마존 상품 푸드 리뷰데이터(amazon fine food reviews)를 사용하고 이 중에 2,000개를 분리하여 영어와 7개국 언어를 테스트데이터로 생성하여 실험을 하였다. 영어와 생성한 7개국 언어를 자동번역기를 통해서 번역 후에 다시 영어로 번역한 하여 감성분석 성능 비교 평가 실험을 하였다.
실험에 사용한 데이타는 영어로 된 아마존 푸드 상품 리뷰데이터 568,455개중에서 566,455개는 학습데이터로 2,000개는 테스트데이터로 분리하였다. 분리한 2,000개의 테스트데이터는 랜덤(random)하게 선택하지 않고 분리 작업의 편리성을 위해 리뷰데이터 뒤 부분에서 선택하였다.
이유는 동일 조건에서 실험하여 결과를 비교 분석하기 위해서다. 실험은 먼저 2,000개 영어 테스트데이터를 통해서 영어 성능에 대한 실험을 하였다. 그 다음 동일한 영어 테스트데이터를 2차례 구글 자동번역기를 통해서 생성한 영어(영어->한국어와 한국어 ->영어)데이터를 Word Count, TFIDF, TFIDF+ngram 모델에 대해서 감성분석 실험을 하였다.
분리한 2,000개의 테스트데이터는 랜덤(random)하게 선택하지 않고 분리 작업의 편리성을 위해 리뷰데이터 뒤 부분에서 선택하였다. 약 50만개의 리뷰 실험데이터는 구매 고객이 평가한 1부터 5까지의 점수로 구성되었는데 이중에서 중립점수인 3을 제외하고 1,2는 부정, 4,5는 긍정으로 분류하여 실험데이터를 생성하였다. 이 중에서 분리한 데이터 2,000개 영어 테스트데이터를 구글 자동번역기로 한국어로 변환 후에 다시 영어로 번역하여 한국어에 대한 영어데이터를 생성하였다.
2,000개의 8개국어 테스트데이터를 이용하여 3가지 모델에 대해 긍정과 부정에 대한 감성분석 정확도 실험을 하였다. 약 50만개의 리뷰 실험데이터에서 분리한 2,000개의 8개국 테스트데이터는 동일한 데이터를 사용하여 실험을 하였다. 동일한 테스트데이터는 반복 실험을 하여도 항상 모든 언어에서 같은 값의 정확도가 나왔다.
약 50만개의 리뷰 실험데이터에서 분리한 2,000개의 테스트데이터를 8개국 모든 언어에 동일한 테스트데이터를 사용하였다. 이유는 동일 조건에서 실험하여 결과를 비교 분석하기 위해서다.
약 50만개의 리뷰 실험데이터는 구매 고객이 평가한 1부터 5까지의 점수로 구성되었는데 이중에서 중립점수인 3을 제외하고 1,2는 부정, 4,5는 긍정으로 분류하여 실험데이터를 생성하였다. 이 중에서 분리한 데이터 2,000개 영어 테스트데이터를 구글 자동번역기로 한국어로 변환 후에 다시 영어로 번역하여 한국어에 대한 영어데이터를 생성하였다. 이와 같은 방법으로 영어와 7개국 언어(한국어, 일본어, 중국어, 베트남어, 불어, 독어, 영어)변환을 거친 8개국의 영어 테스터데이터 언어를 생성하였다.
이 중에서 분리한 데이터 2,000개 영어 테스트데이터를 구글 자동번역기로 한국어로 변환 후에 다시 영어로 번역하여 한국어에 대한 영어데이터를 생성하였다. 이와 같은 방법으로 영어와 7개국 언어(한국어, 일본어, 중국어, 베트남어, 불어, 독어, 영어)변환을 거친 8개국의 영어 테스터데이터 언어를 생성하였다.

데이터처리

0GB RAM과 NVIDIA GeForce GTS 250 비디오 카드를 사용하였다. 8개국 데스트데이터 언어를 3개(Word Count, TFIDF, TFIDF+ngram)의 모델로 벡터화하고 로지스틱 회귀(logistic regression)를 사용하여 긍정과 부정에 대해서 감성 성능 평가 실험을 하였다.
구현 기술은 딥러닝 방법을 이용한 단어 임베딩 학습 모델인 Word2vec 알고리즘 기반 Word Count, TFIDF, TFIDF+ngram 3가지 모델로 구현하였다. 감성분류 로지스틱 회귀(logistic regression) 모델을 사용하여 영어와 7개국 언어에 대해 긍정 부정평가하였다. 감성분석 시스템의 구조는 그림 1과 같다.
동일한 테스트데이터는 반복 실험을 하여도 항상 모든 언어에서 같은 값의 정확도가 나왔다. 실험 결과를 그림 2에서와 같이 4개의 그룹(영어, 7개국 평균, 한국어 일본어 평균, 불어, 독어, 러시아어 평균)으로 나눠 비교 분석을 하였다. 8개국의 언어를 영어와 영어를 제외한 7개국 언어의 평균으로 나누고, 영어 어순과 다른 한국어와 일본어를 평균으로 영어와 어순이 비슷한 영어권 구조의 언어인 불어 독어 러시아어 3개국 평균통계를 그림3에 도표화를 하였다.

성능/효과

20%)의 결과가 나왔다. 3가지 모델과 4그룹 모두에서 정확도는 TFIDF+ngram, TFIDF와 Word Count순으로 결과가 나왔다. 가장 성능이 좋은 TFIDF+ngram모델의 정확도는 영어와 어순이 같은 영어권 구조가 비영어권 구조인 한국어 일본어 평균보다 2,88% 정도 높게 나왔다.
8개국어 테스트데이터의 감성분석 정확도는 3가지 모델에서 영어권 구조에서 약간의 성능 순위의 변화가 있었지만 거의 비슷한 순위로 도출 되었다. 특히 영어권과 비영어권의 성능차이는 분명하게 있었다.
본 연구에서는 8개국 언어 테스트데이터를 3가지 모델에서 실험한 결과는 TFIDF+ngram이 다른 두 모델에 비해 가장 높은 결과가 도출되었다. TFIDF+ ngram은 8개국 언어 중에 가장 높게 나온 영어와 7개국 언어의 평균 정확도와 차이는 약 2.77%로 결과가 나왔다. 영어 어순과 다른 한국어와 일본어의 평균은 영어와 5.
3가지 모델과 4그룹 모두에서 정확도는 TFIDF+ngram, TFIDF와 Word Count순으로 결과가 나왔다. 가장 성능이 좋은 TFIDF+ngram모델의 정확도는 영어와 어순이 같은 영어권 구조가 비영어권 구조인 한국어 일본어 평균보다 2,88% 정도 높게 나왔다.
92%)의 결과가 나왔다. 그리고 7개국 중에 영어 어순과 다른 그룹(한국어 일본어의 평균)TFIDF+ngram(88.60%), TFIDF(87.93%)와 Word Count(87.25%)과 어순이 같은 그룹(불어 독어 러시아의 평균)은 TFIDF+ngram(91.58%), TFIDF(91.17%)와 Word Count(90.20%)의 결과가 나왔다. 3가지 모델과 4그룹 모두에서 정확도는 TFIDF+ngram, TFIDF와 Word Count순으로 결과가 나왔다.
본 실험에서는 동일한 조건에서 비교평가를 위해 같은 영어 데이터를 2차례의 번역(영어->7개국언어, 7개국언어->영어)이 필요했지만 실제에서는 서비스 해당국가 사이트에 있는 리뷰데이터를 사용하므로 1차례 번역(7개국언어->영어)만으로도 가능하다. 그리고 본 실험에서 영어로 학습된 감성분석 평가 시스템은 데이터와 기술 부족의 7개국 외에 비영어권 국가의 언어도 감성분석 평가가 가능함을 확인하였다. 그리고 영어 어순과 같은 구조의 언어들이 다른 구조의 언어보다 더 좋은 성능의 결과가 있었다.
feature의 수는 성능평가 실험에 사용된 실험데이터는 문장을 각 단어별로 분리하여 벡터화한 단어의 수이다. 두 모델(Word Count와 TFIDF)에서 features의 수는 같은 데이터 문장이기 때문에 같게 1149,69개가 추출되었고, TFIDF+gram의 features 수는 3,933,179개로 두 모델에 비해 30배 이상 증가하였다. 이유는 gram 설정함에 있어서 여러 실험을 통해서 가장 성능이 좋았던 입력한 문자열을 2개의 기준 단위로 절단하는 방법으로 설정하여 실험한 결과이기 때문이다.
본 연구에서는 8개국 언어 테스트데이터를 3가지 모델에서 실험한 결과는 TFIDF+ngram이 다른 두 모델에 비해 가장 높은 결과가 도출되었다. TFIDF+ ngram은 8개국 언어 중에 가장 높게 나온 영어와 7개국 언어의 평균 정확도와 차이는 약 2.
영어의 감성분석은 3가지 모델에 대해 4가지의 언어 그룹에 대한 통계는 그림2와 같다. 영어의 정확도가 가장높은 순의 모델부터 살펴보면 TFIDF+ngram(94.35%), TFIDF(92.45%)와 Word Count(90.15%)의 정확도가, 7개국 언어의 평균은 TFIDF+ngram(90.21), TFIDF(89.69%)와 Word Count(88.92%)의 결과가 나왔다. 그리고 7개국 중에 영어 어순과 다른 그룹(한국어 일본어의 평균)TFIDF+ngram(88.

질의응답

핵심어	질문	논문에서 추출한 답변
	온라인 쇼핑몰 이용자들이 구매를 할 때 참조하는 것은 무엇인가?	영어로 된 아마존과 같은 대형 글로벌 온라인 쇼핑몰은 전 세계를 대상으로 영어 또는 판매 해당국가 언어로 서비스를 하고 있다. 온라인 쇼핑몰 이용자 중, 많은 고객은 상품 리뷰평가를 참조하여 상품을 구매하고 있다. 그래서 고객들이 작성한 대량의 리뷰데이터를 이용하여 구매 상품에 대해 긍정과 부정을 판정하는 감성분석을 영어를 중심으로 활발히 연구되고 분석 결과는 고객의 타켓 마케팅에 활용되고 있다.
	자연어처리의 주요 기술 중, 파싱, 형태소 분석, 품사 태깅, 관계추출, 의미 등을 추출하는 자연어처리와 언어모델링 이외의 기술은 무엇인가?	자연어처리 주요 기술로는 파싱, 형태소 분석, 품사 태깅, 관계추출, 의미 등을 추출하는 자연어처리가 있고 언어 감지, 규칙기반 개체명과 상용어를 인식하는 언어모델링 기술이 있다. 그 외에 반복훈련을 통하여 습득한 정보 사용능력을 개선하는 것은 기계학습 알고리즘 기술을 사용하고 각종 통계적 기법을 활용한 정보 분류 및 분석 기술의 기법으로 마이닝 기술을 사용한다. 텍스트마이닝의 주요 업은 정보검색, 정보추출, 텍스트 범주화, 텍스트 군집화, 텍스트 요약 등이 있다[8].
	자연어처리 텍스트마이닝이란 무엇인가?	자연어처리 텍스트마이닝은 언어학, 통계학, 기계 학습 등을 기반으로 자연어처리 기술을 활용하여 정형화되지 않은 데이터를 정형화하고, 특징을 추출하고 추출된 특징으로부터 의미 있는 정보를 찾는 기술이다. 자연어처리 주요 기술로는 파싱, 형태소 분석, 품사 태깅, 관계추출, 의미 등을 추출하는 자연어처리가 있고 언어 감지, 규칙기반 개체명과 상용어를 인식하는 언어모델링 기술이 있다.

참고문헌 (26)

https://blog.naver.com/richsik/221490572941
Jongheum Yeon, Dongjoo Lee, Junho Shim, Sang-goo Lee, "Product Review Data and Sentiment Analytical Processing Modeling" Journal of Society for e-Business Studies, 16(4),125-137. 2011.
Areum Lee, Jiseon Bang, Yoonhee Kim, "A Design of TV Advertisement Effectiveness Analysis System Using SNS Big-data," Journal of KIISE Transactions on Computing Practices, Vol. 21, No. 9, pp. 579- 586, Sept. 2015.

상세보기
Seoyeon Hur, Yoonhee Kim, "A Design of Analysis System on TV Advertising Effect of Social Networking Using Hadoop," Journal of Korean Society for Internet Information, Vol. 14, No. 6, pp. 49-57, Dec. 2013.
Gi young Kim, Haiin Lee, Suhwan Yook, Woojin Paik, "Customer Preference Identification System using Natural Language Processing-based Analysis and Automatic Classification of Product Reviews," Proc. of the Korea Society for Information Management 2009, pp. 65-70, 2009.
Jung-Yeon Yang, Jaeseok Myung, Sang-goo Lee, "A product review summarization system using a scoring of features," Proc. of the Society for e- Business Studies, pp. 339-347. 2008.
Jieun Choi, Hyejin Ryu, Dabeen Yu, Nara Kim, Yoonhee Kim, "System Design for Analysis and Evaluation of E-commerce Products Using Review Sentiment Word Analysis". KIISE Transactions on Computing Practices, 22(5),209- 217. 2016.

상세보기
https://terms.naver.com/entry.nhn?docId3386330&cid58370&categoryId58370
MinJi Seo, JiHyun Yoon, JaeWon Kim, HuiBeom Kim, YuJin Ji, TaeWon Kang, "Value Judgement of Accommodation using Sentiment Analysis", Korean Institute of Information Technology, 280-282. 11. 2018.
Dang, Shilpa, and Peerzada Hamid Ahmad. "Text Mining: Techniques and its Application.", International Journal of Engineering & Technology Innovations,, ISSN (Online), 2348-0866, 2014.
Medhat, Walaa, Ahmed Hassan, and Hoda Korashy. "Sentiment analysis algorithms and applications: A survey.", Ain Shams Engineering Journal, 5.4, : 1093-1113. 2014.

상세보기
Gye-Sung Lee, In-Kook Kim. "A Study on Simplification of Machine Learning Model.", The Journal of The Institute of Internet, Broadcasting and Communication, VOL. 16 NO. 4, August 2016
Jieun Choi, Hyejin Ryu, Dabeen Yu, Nara Kim, Yoonhee Kim, "System Design for Analysis and Evaluation of E-commerce Products Using Review Sentiment Word Analysis", KIISE Transactions on Computing Practices 22(5)209-217, 2018.
Areum Lee, Jiseon Bang, Yoonhee Kim, "A Design of TV Advertisement Effectiveness Analysis System Using SNS Big-data," Journal of KIISE Transactions on Computing Practices, Vol. 21, No. 9, pp. 579- 586, Sept. 2015.

상세보기
Gi young Kim, Haiin Lee, Suhwan Yook, Woojin Paik, "Customer Preference Identification System using Natural Language Processing-based Analysis and Automatic Classification of Product Reviews," Proc. of the Korea Society for Information Management, pp. 65-70, 2009.
Il-Taeck Joo, Seung-Ho Choi, "Stock Prediction Model based on Bidirectional LSTM Recurrent Neural Network", jkiiect, 18-04, Vol.11 No.2, 2018. DOI : http://dx.doi.org/10.17661/jkiiect.2018.11.2.204

원문보기 상세보기
Dong-Hee Yun, Young-Ung Kim "Design and Implementation of Mobile Communication System for Hearing- impaired Person", The Journal of The Institute of Internet, Broadcasting and Communication, VOL. 16 NO. 5, October 2016
Deoras, Anoop, and Ruhi Sarikaya. "Deep belief network based semantic taggers for spoken language understanding.", INTERSPEECH, 2013.
https://terms.naver.com/entry.nhn?docId3578519&cid59088&categoryId59096
Zhou, Shusen, Qingcai Chen, and Xiaolong Wang. "Active deep learning method for semi-supervised sentiment classification.", Neurocomputing 120, 536-546, 2013.

상세보기
https://terms.naver.com/entry.nhn?docId3578519&cid59088&categoryId59096
https://ko.wikipedia.org/wiki/%EC%88%9C%ED%99%98_%EC%8B%A0%EA%B2%BD%EB%A7%9D
Cox, DR, "The regression analysis of binary sequences (with discussion)", J Roy Stat Soc B, 20: 215-242. 1958.
Jang Hwan-seok, Jang Eun-young, Jeong Kwang-yong, "The method of analyzing sentiment keywords using Word2Vec", Journal of KIISE 661 - 663(3 pages), 12 2017.
https://ko.wikipedia.org/wiki/Tf-idf
Kwang-Kyu Seo, Beum-Jun Ahn, "TCustomer Segmentation of a Home Study Company using a Hybrid Decision Tree and Artificial Neural Network Model", Journal of the Korea Academia-Industrial cooperation Society, v.7, no.3, 518-523, 2006.

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