[논문]감정점수의 전파를 통한 한국어 감정사전 생성

박호민; 김창현; 김재훈

doi:10.3745/ktsde.2020.9.2.53

감정점수의 전파를 통한 한국어 감정사전 생성
Generating a Korean Sentiment Lexicon Through Sentiment Score Propagation 원문보기

정보처리학회논문지. KIPS transactions on software and data engineering. 소프트웨어 및 데이터 공학, v.9 no.2, 2020년, pp.53 - 60

박호민 (한국해양대학교 컴퓨터공학과) , 김창현 (한국전자통신연구원 인공지능연구소) , 김재훈 (한국해양대학교 컴퓨터공학과)

초록
AI-Helper

감정분석은 문서 또는 대화상에서 주어진 주제에 대한 태도와 의견을 이해하는 과정이다. 감정분석에는 다양한 접근법이 있다. 그 중 하나는 감정사전을 이용하는 사전 기반 접근법이다. 본 논문에서는 널리 알려진 영어 감정사전인 VADER를 활용하여 한국어 감정사전을 자동으로 생성하는 방법을 제안한다. 제안된 방법은 세 단계로 구성된다. 첫 번째 단계는 한영 병렬 말뭉치를 사용하여 한영 이중언어 사전을 제작한다. 제작된 이중언어 사전은 VADER 감정어와 한국어 형태소 쌍들의 집합이다. 두 번째 단계는 그 이중언어 사전을 사용하여 한영 단어 그래프를 생성한다. 세 번째 단계는 생성된 단어 그래프 상에서 레이블 전파 알고리즘을 실행하여 새로운 감정사전을 구축한다. 이와 같은 과정으로 생성된 한국어 감정사전을 유용성을 보이려고 몇 가지 실험을 수행하였다. 본 논문에서 생성된 감정사전을 이용한 감정 분류기가 기존의 기계학습 기반 감정분류기보다 좋은 성능을 보였다. 앞으로 본 논문에서 제안된 방법을 적용하여 여러 언어의 감정사전을 생성하려고 한다.

Abstract ▼ AI-Helper

Sentiment analysis is the automated process of understanding attitudes and opinions about a given topic from written or spoken text. One of the sentiment analysis approaches is a dictionary-based approach, in which a sentiment dictionary plays an much important role. In this paper, we propose a method to automatically generate Korean sentiment lexicon from the well-known English sentiment lexicon called VADER (Valence Aware Dictionary and sEntiment Reasoner). The proposed method consists of three steps. The first step is to build a Korean-English bilingual lexicon using a Korean-English parallel corpus. The bilingual lexicon is a set of pairs between VADER sentiment words and Korean morphemes as candidates of Korean sentiment words. The second step is to construct a bilingual words graph using the bilingual lexicon. The third step is to run the label propagation algorithm throughout the bilingual graph. Finally a new Korean sentiment lexicon is generated by repeatedly applying the propagation algorithm until the values of all vertices converge. Empirically, the dictionary-based sentiment classifier using the Korean sentiment lexicon outperforms machine learning-based approaches on the KMU sentiment corpus and the Naver sentiment corpus. In the future, we will apply the proposed approach to generate multilingual sentiment lexica.

주제어

표/그림 (8)

그림 Fig. 1. The Processing of Generating a Sentiment Lexicon using a Lexicon-based Method
그림 Fig. 2. An Example of Generating a Korean-English Bilingual Lexicon
그림 Fig. 3. An example of Initializing a Korean-English Bilingual Graph
표 Table 1. The Number of Words in the Generated Korean Sentiment Lexicon
표 Table 2. The Distribution of Parts-of-speech of Words in the Generated Korean Sentiment Lexicon
표 Table 3. Statistics of the Two Korean Sentiment Corpus
표 Table. 5 Comparison of Korean Sentiment Dictionaries
표 Table 4. Comparison of Classification Performance between the Proposed Sentiment Analysis System (KorVADER) and Other Machine Learning-based Models

AI 본문요약
AI-Helper

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

문제 정의

한영 이중언어 사전은 한국어 형태소와 영어 감정어 쌍의 집합이며, 영어 감정어의 의미에 부합하는 한국어 감정어 후 보를 찾기 위한 목적으로 사용된다. 공개된 한영 이중언어 사전이 존재하지 않으므로 본 논문에서는 자체적으로 한영 이 중언어 사전을 구축하여 사용할 것이다. Fig.
대표적인 영어 감정사전으로는 VADER[6]가 있으며, 이 사전은 집단지성으로 구축되었으며 다른 기계학습 모델들과 의 다섯 가지 분야에서의 감정분석을 통해 그 신뢰성이 검증 되었다. 그러므로 본 논문에서는 VADER를 활용하여 한국어 감정사전을 자동으로 생성하는 방법을 제안한다. 제안된 방 법은 세 단계로 구성된다.
두 방법의 장점을 계승하고 단점은 최대한 줄이기 위하여 본 논문에서는 신뢰성이 어느 정도 검증된 영어 감정사전으 로부터 한국어 감정사전을 자동으로 생성하는 방법을 제안한다. 대표적인 영어 감정사전으로는 VADER[6]가 있으며, 이 사전은 집단지성으로 구축되었으며 다른 기계학습 모델들과 의 다섯 가지 분야에서의 감정분석을 통해 그 신뢰성이 검증 되었다.
본 논문에서는 한영 단어 그래프를 기반으로 영어 감정 점 수를 한국어 감정어 후보로 전파하여 한국어 감정사전을 구 축하는 방법을 제안한다. 제안된 방법은 세 단계로 구성된다.
감정분석 방법에는 기계학습 기반 접근법[4, 5], 사전 기반 접근법[6, 7], 심층학습 기반 접근법[9] 등 다양한 방법이 있다[2, 3]. 본 논문은 사전 기반 접근법에 필수적인 감정 사전에 대해 다룬다.
이러한 데 이터 사이에서 의미있는 정보를 빠르고 정확하게 찾고 분석 하는 일은 대단히 중요하다. 본 논문은 이러한 데이터에서 생 산자(producer or author)의 감정을 분석하는 일을 다룬다. 이를 감정분석(sentiment analysis)이라고 하며, 감정분석은 문서 또는 대화상에서 주어진 주제에 대한 태도와 의견을 이해하는 과정이다²⁾.
본 절에서는 한국어 감정사전 생성 방법을 비교하고 분석하고자 한다. 2장에서 언급했듯이 감정사전 생성 방법은 사전 기반 생성 방법(dictionary-based approach), 말뭉치 기반 생성 방법(corpus-based approach)과 집단지성 기반 생성 방법(collective intelligence-based approach)으로 나뉜다.
집단지성 기반 감정사전 생성 방법은 전문가에 의해서 초 기 감정어가 정해지는 것은 여느 방법과 다르지 않으나 감정 어의 확장보다는 극성의 정확성을 높이는 것이 그 목적이다 [17]. 감정어의 극성은 전문가의 투표를 통하여 부여되며 극 성과 동시에 극성의 강도도 함께 부여되는 것이 일반적이다.

제안 방법

본 논문에서는 영어 감정 점수를 이용하여 한국어 감정사전을 자동생성 방법을 제안했다.
3장에서 생성된 한국어 감정사전의 유용성을 보이기 위해 서 영어 VADER 감정분석 시스템[6]을 수정하여 한국어 감정 분석 시스템(KorVADER)을 구현하였다. KorVADER는 먼저 입력된 문서를 Utagger[26]를 이용하여 형태소로 분리한다.
4.3에서 구현한 KorVADER 외에도 다양한 기계학습 모델들 [27](Naïve Bayes(NB), Maximum Entropy(ME), Support Vector Machine-Classification(SVM-C), bi-Long ShortTerm Memory(bi-LSTM))을 구현하여 성능을 비교하고 분 석하였다.
본 논문에서는 영어 감정 점수를 이용하여 한국어 감정사전을 자동생성 방법을 제안했다. VADER 감정사전과 한영 병렬 말뭉치를 활용하여 한영 이중언어 사전, 이중언어 단어 그래프를 생성하였고, 생성된 이중언어 단어 그래프 상에서 레이블 전파 알고리즘을 수렴할 때까지 반복 수행하여 한국 어 감정사전을 생성하였다.
다섯 번째도 말뭉치 기반 생성 방법으로 제작된 범용 감정 사전, 표준국어대사전의 명사, 형용사, 동사, 부사들의 뜻풀이(gloss)를 추출하여 연구자 세 명이 각 뜻풀이의 긍정 및 부정 여부를 사전에 정의하였다[30]. 그렇게 정의된 뜻풀이 데이터를 Bi-LSTM 모델에 학습데이터로 활용하여 감정 어휘 추출을 수행했다.
두 번째 역시 집단지성 기반 생성 방법으로 제작된 감정사전[17]으로 표준국어대사전⁵⁾에 수록된 단어 중 명사, 형용사, 동사, 부사를 우선순위로 소셜네트워크 사이트 상에서 투표를 받아 단어에 감정 극성을 부여하였다. 극성은 부정, 중립, 긍정의 세 가지를 사용하며 강도는 부여되지 않았다.
0으로 고정한다. 둘째, 한국어 형태소 사이의 간선은 FastText[24] 로 단어표상을 구하여 단어표상 간의 코사인 유사도를 연결강도로 사용한다. Fig.
따라서 분석 대상이 되는 문서의 감정 극성과 강도를 가장 세부적으로 정확하게 분석이 가능하다. 또한 특정 분야에 특화된 네 번째 감정사전과 달리 범용적으로 사용이 가능하며 네 번째 감정사전은 소규모의 임의로 정의된 초기 감정어에서 다른 감정어 후보 단어들로 감정 극성을 전파한 반면 본 논문에 서는 7,517개의 검증된 감정어에서 감정 점수를 전파하였다.
생성 된 한국어 감정사전에 대해서 살펴보고, 실험 환경으로 감정 말뭉치와 평가 척도에 대하여 기술한다. 마지막으로 객관적인 평가를 위해서 동일한 실험 환경에서 다른 기계학습, 심층 학습 모델들과의 평가를 수행한다.
알고리즘[11]은 그래프 상에서 레이블이 존재 하지 않는 정점에 레이블을 부여하는 알고리즘이다. 본 논문 에서는 레이블 전파 알고리즘의 마지막 단계인 레이블 할당 단계를 수행하지 않고 전파 단계를 통하여 모든 정점의 감정 점수가 수렴할 때까지 전파를 진행한다. 수렴된 각 정점의 감정점수가 한국어 형태소의 감정점수로 부여되며 이를 한국어 감정사전으로 사용한다.
본 논문에서 제작한 감정사전은 다른 방법과 다르게 사전 기반 생성 방법을 수행했으며, 감정 강도를 수치로 부여하였다. 따라서 분석 대상이 되는 문서의 감정 극성과 강도를 가장 세부적으로 정확하게 분석이 가능하다.
본 논문에서는 이렇듯 검증된 감정사전인 VADER를 활용하여, 영어 감정어의 감정 점수를 한국어 감정어 후보에 전파 하여 한국어 감정사전을 자동으로 생성한다.
이 장에서는 생성된 한국어 감정사전의 유용성을 평가하기 위하여 외부평가 방법인 감정분석 시스템을 이용한다. 생성 된 한국어 감정사전에 대해서 살펴보고, 실험 환경으로 감정 말뭉치와 평가 척도에 대하여 기술한다. 마지막으로 객관적인 평가를 위해서 동일한 실험 환경에서 다른 기계학습, 심층 학습 모델들과의 평가를 수행한다.
생성된 한국어 감정사전을 기반으로 새로운 감정분석 시스템(KorVADER)을 구현하여 감정분석 시스템의 성능을 통해 서 생성한 감정사전을 유용성을 평가하였다. 또한 다양한 기계학습 모델(NB, ME, SVM-C, bi-LSTM-CRFs)과 성능을 비교함으로써 생성된 한국어 감정사전의 유용성을 더욱 확실히 볼 수 있었다.
두 번째 단계는 그 이중언어 사전을 사용하여 한영 단어 그래프를 생성한다. 세 번째 단계는 생성된 단어 그래프 상에서 레이블 전파 알고리즘을 실행 하여 새로운 감정사전을 구축한다.
세 번째는 집단지성 기반 생성 방법으로 제작된 감정사전 [29]으로 국문학 전공자와 감정연구자 12명을 통해 총 504 개의 감정어 후보들을 선정하고 80명의 대학생을 대상으로 11개(슬픔, 분노, 기쁨, 놀람, 공포, 역겨움, 지루함, 관심, 고통, 중립, 기타)의 극성으로 투표하게 했다. 각 감정어별로 투표수가 가장 많은 극성이 부여되었고 해당 극성의 투표 비율에 따라 최소 2.
1에서 초기 감정어는 전문가에 의해서 미리 정해진 최소한의 감정어를 의미한다. 이와 같은 초기 감정어와 WordNet[12]을 이용하여 동의어와 반의어를 추출하여 감정 어를 확장한다. 이렇게 확장된 감정어에서 동의어는 같은 극 성을 부여하고 반의어는 반대 극성을 부여하여 감정사전에 추 가한다.
제안된 방 법은 세 단계로 구성된다. 첫 번째 단계는 한영 병렬 말뭉치 를 사용하여 한영 이중언어 사전을 제작한다. 제작된 이중언 어 사전은 VADER 감정어와 한국어 형태소 쌍들의 집합이다.
각 단어 사이의 간선(edge)은 두 종류로 나눌 수 있다. 첫째, 영어 감정어와 한국어 형태소 사이의 간선은 3.1절에서 구한 한영 이중언어 사전에 포함된 쌍에 대해서만 연결하고 연결강도를 1.0으로 고정한다. 둘째, 한국어 형태소 사이의 간선은 FastText[24] 로 단어표상을 구하여 단어표상 간의 코사인 유사도를 연결강도로 사용한다.

대상 데이터

이와 같은 방법으로 구해진 두 문 맥벡터의 코사인 유사도(cosine similarity)를 이용해서 대 역어를 선정한다. 본 논문에서는 가장 높은 10개의 단어를 대역어로 선정한다[20, 21].
본 논문에서는 객관적인 평가를 위해 공개된 KMU 감정 말 뭉치(KMU/SC)³⁾[4]와 네이버 영화 감정 말뭉치(NAVER/SC)4) 를 사용하며, 전자는 뉴스 댓글이며 후자는 영화평이다. Table 3은 감정 말뭉치에 포함된 문서 수를 보인다.

이론/모형

이 장에서는 생성된 한국어 감정사전의 유용성을 평가하기 위하여 외부평가 방법인 감정분석 시스템을 이용한다. 생성 된 한국어 감정사전에 대해서 살펴보고, 실험 환경으로 감정 말뭉치와 평가 척도에 대하여 기술한다.
2에서처럼 일반적인 이중언어 사전 구축 방법은 원시언어(source language)의 문맥벡터와 목적 언어(target language)의 유사도를 이용해서 구축된다[20, 21]. 이와 같은 문맥벡터를 구축하기 위해서 본 논문에서는 한영 병렬 말뭉치[22]를 이용한다. 영어 감정어의 문맥벡터는 한영 병렬 말뭉치에서 영어 부분을 이용하여 영어 단어 사이 의 PMI(Point-wise Mutual Information) 점수[23]를 구하여 문맥벡터로 사용하고, 한국어 형태소의 문맥벡터는 한영 병렬 말뭉치 전체를 이용해서 영어 단어와의 PMI 점수를 구 하여 문맥벡터로 사용한다.
5를 초과하면 같은 극성, 미만이면 다른 극성으로 판단하여 각 정점 별로 레이블을 부여한다. 이와 같이 초기화된 그래프에 레이블 전파 알고리즘을 사용하여 감정사전을 생성한다. 감정사전 내의 감정어들은 긍정과 부 정의 두 가지 중 하나의 극성만 부여받는다.

성능/효과

VADER[6]는 이러한 집단지성 방법으로 구축된 영어 감정 사전이며, 당시 기존의 집단지성 방법으로 제작된 감정사전 [18-19]에 포함된 감정어들을 감정어 후보로 사용하여 10명 의 평가자, 2명의 전문가가 감정 점수를 부여하여 감정사전을 구축했다. VADER 감정사전을 통해 4,200개의 트윗을 사용한 소셜 미디어 분야, 10,605개의 영화평을 사용한 영화평 론 분야, 3,708개의 상품평을 사용한 상품평론 분야, 5,190 개의 뉴스 기사를 사용한 사설 분야의 네 가지 분야에서 실험을 진행하였고 소셜 미디어 분야에서는 0.96의 F1 점수를 받 아 사람보다도 높은 정확도를 보였다.
세 번째는 집단지성 기반 생성 방법으로 제작된 감정사전 [29]으로 국문학 전공자와 감정연구자 12명을 통해 총 504 개의 감정어 후보들을 선정하고 80명의 대학생을 대상으로 11개(슬픔, 분노, 기쁨, 놀람, 공포, 역겨움, 지루함, 관심, 고통, 중립, 기타)의 극성으로 투표하게 했다. 각 감정어별로 투표수가 가장 많은 극성이 부여되었고 해당 극성의 투표 비율에 따라 최소 2.80점에서 최대 10.0점까지 강도가 책정되었다.
본 논문에서 제작한 감정사전은 다른 방법과 다르게 사전 기반 생성 방법을 수행했으며, 감정 강도를 수치로 부여하였다. 따라서 분석 대상이 되는 문서의 감정 극성과 강도를 가장 세부적으로 정확하게 분석이 가능하다. 또한 특정 분야에 특화된 네 번째 감정사전과 달리 범용적으로 사용이 가능하며 네 번째 감정사전은 소규모의 임의로 정의된 초기 감정어에서 다른 감정어 후보 단어들로 감정 극성을 전파한 반면 본 논문에 서는 7,517개의 검증된 감정어에서 감정 점수를 전파하였다.
세 번째 단계는 생성된 단어 그래프 상에 서 레이블 전파 알고리즘[11]을 실행하여 새로운 감정사전을 생성한다. 본 논문에서는 이와 같은 과정으로 생성된 한국어 감정사전의 유용성을 보이기 위해 몇 가지 실험을 수행하였 으며 기존의 기계학습 기반 방법보다 우수한 성능을 보였다.

후속연구

향후에 KorVADER에 한국어 특성을 고려한 언어적 규칙을 추가한다면 좀 더 좋은 성능을 기대할 수 있을 것이다. 감정사전이나 감정분석 시스템에서 다루는 감정 극성의 종류, 점수의 범위 등도 역시 추가적인 연구가 필요할 것이다. 본 논문에서는 긍정과 부정의 두 가지 극성에 대해서만 감정사전을 제작하였으나 인간의 다양한 감정 종류 모형에 따른 다각적인 분석을 위한 감정사전도 필요할 것이다.
감정사전이나 감정분석 시스템에서 다루는 감정 극성의 종류, 점수의 범위 등도 역시 추가적인 연구가 필요할 것이다. 본 논문에서는 긍정과 부정의 두 가지 극성에 대해서만 감정사전을 제작하였으나 인간의 다양한 감정 종류 모형에 따른 다각적인 분석을 위한 감정사전도 필요할 것이다.
향후에 KorVADER에 한국어 특성을 고려한 언어적 규칙을 추가한다면 좀 더 좋은 성능을 기대할 수 있을 것이다. 감정사전이나 감정분석 시스템에서 다루는 감정 극성의 종류, 점수의 범위 등도 역시 추가적인 연구가 필요할 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	본논문에서 제작된 이중언어 사전이란 무엇인가?	첫 번째 단계는 한영 병렬 말뭉치를 사용하여 한영 이중언어 사전을 제작한다. 제작된 이중언어 사전은 VADER 감정어와 한국어 형태소 쌍들의 집합이다. 두 번째 단계는 그 이중언어 사전을 사용하여 한영 단어 그래프를 생성한다.
	감정분석이란?	감정분석은 문서 또는 대화상에서 주어진 주제에 대한 태도와 의견을 이해하는 과정이다. 감정분석에는 다양한 접근법이 있다.
	영어 감정사전인 VADER를 활용하여 한국어 감정사전을 자동으로 생성하는 방법은 어떤 단계로 구성되는가?	제안된 방법은 세 단계로 구성된다. 첫 번째 단계는 한영 병렬 말뭉치를 사용하여 한영 이중언어 사전을 제작한다. 제작된 이중언어 사전은 VADER 감정어와 한국어 형태소 쌍들의 집합이다. 두 번째 단계는 그 이중언어 사전을 사용하여 한영 단어 그래프를 생성한다. 세 번째 단계는 생성된 단어 그래프 상에서 레이블 전파 알고리즘을 실행하여 새로운 감정사전을 구축한다. 이와 같은 과정으로 생성된 한국어 감정사전을 유용성을 보이려고 몇 가지 실험을 수행하였다.

참고문헌 (31)

TTA, Sentiment Ontology for Social Web, Telecommunications Technology Association Report TTAK.KO-10.0639/R1, 2013 (in Korean).
B. Liu, "Web Data Mining," Springer, 2007.
D. Hussein, "A survey on sentiment analysis challenges," Journal of King Saud University - Engineering Sciences, Vol.30, No.4, pp.330-338, 2018.

상세보기
K.-J. Lee, J.-H. Kim, H.-W. Seo, and K.-S. Ryoo, "Feature weighting for opinion classification of comments on news articles," Journal of the Korean Society of Marine Engineering, Vol.34, No.6, pp.871-879, 2010 (in Korean).

원문보기 상세보기
P. Turney, "Thumbs up or thumbs down? Semantic orientation applied to unsupervised classification of reviews," Proceedings of the Association for Computational Linguistics, pp.417-424, 2002.
E. Gilbert and C. J. Hutto, "VADER : A parsimonious rulebased model for sentiment analysis of social media text," Proceedings of the 8th International Conference on Weblogs and Social Media, pp.216-225, 2014.
M. Taboada and J. Brooke, "Lexicon-based methods for sentiment analysis," Computational Linguistics, Vol.37, No.2, pp.272-274, 2011.
L. Augustyniak, P. Szymanski, T. Kajdanowicz, and W. Tuliglowicz, "Comprehensive study on lexicon-based ensemble classification sentiment analysis," Entropy, Vol. 18, No.1, pp.1-29, 2015.
L. Zhang, S. Wang, and B. Liu, "Deep learning for sentiment analysis: A survey," arXiv:1801.07883, 2018.
C. Heo and S.-Y. Ohn, "A novel method for constructing sentiment dictionaries using word2vec and label propagation," The Journal of Korean Institute of Next Generation Computing, Vol.13, No.2, pp.93-101, 2017 (in Korean).
Z. Xiaojin and G. Zoubin, "Learning from Labeled and Unlabeled Data from Label Propagation," Technical Report CMU-CALD-02-107, Carnegie Mellon University, 2002.
G. A. Miller, R. Beckwith, C. D. Fellbaum, D. Gross, and K. Miller. "WordNet: An online lexical database," International Journal of Lexicograph, Vol.3, No.4, pp.235-244, 1990.

상세보기
A. Hassan, V. Qazvinian, and D. Radev, "What's with the attitude? identifying sentences with attitude in online discussion," Proceedings of the Conference on Empirical Methods in Natural Language Processing, pp.1245-1255, 2010.
E. C. Dragut, C. Yu, P. Sistla, and W. Meng, "Construction of a sentimental word dictionary," Proceedings of the 19th ACM International Conference on Information and Knowledge Management, pp.1761-1764, 2010.
S. Mohammed, C. Dunne, and B. Dorr, "Generating highcoverage semantic orientation lexicons from overtly marked words and a thesaurus," Proceedings of the Conference on Empirical Methods in Natural Language Processing, pp.599-608, 2009.
J.-H. Kim, "The Graph-based Method for Construction of Domain-oriented Sentiment Dictionary," MS. Thesis, Dept. of Computer Engineering, Korea Aerospace University, Seoul, Republic of Korea, 2015 (in Korean).
J. An and H.-W. Kim, "Building a Korean sentiment lexicon using collective intelligence," Journal of Intelligence System, Vol.21, No.2, pp.49-67, 2015 (in Korean).
J. W. Pennebaker, C. K. Chung, M. Ireland, A. Gonzales, and R. J. Booth, "The development and psychometric properties of LIWC2007," Austin, TX: LIWC net, 2007.
A. Esuli and F. Sebastiani, "SentiWordNet: A publicly available lexical resource for opinion mining," Proceedings of the 5th International Conference on Language Resources and Evaluation, pp. 417-422, 2006.
H.-W. Seo, H.-S. Kwon, and J.-H. Kim, "Extended pivotbased approach for bilingual lexicon extraction," Journal of the Korean Society of Marine Engineering, Vol.38, No. 5, pp.557-565, 2014.

원문보기 상세보기
J.-H. Kim, H.-S. Kwon, and H.-W. Seo, "Evaluating a pivotbased approach for bilingual lexicon extraction," Computational Intelligence and Neuroscience, Vol.2015, pp.1-13, 2015.
H.-W. Seo, H.-C. Kim, H.-Y. Cho, J.-H. Kim, and S.-I. Yang, "Automatically constructing Korean-English parallel corpus from Web documents," Proceedings of the 26th KIPS Fall Conference, Vol.13, No.2, pp.161-164, 2006 (in Korean).
K. W. Church and P. Hanks, "Word association norms, mutual information and lexicography," Computational Linguistics, Vol.16, No.1, pp.22-29, 1990.
P. Bojanowski, E. Grave, A. Joulin, and T. Mikolov, "Enriching word vectors with subword information," Transactions of the Association for Computational Linguistics, Vol.5, pp.135-146, 2017.

상세보기
T. Loughran, and B. McDonald, "When is a liability not a liability? Textual analysis, dictionaries and 10-Ks," The Journal of Finance, Vol.66, No.1, pp.35-66, 2011.

상세보기
J.-C. Shin and C.-Y. Ock, "A Korean morphological analyzer using a pre-analyzed partial word-phrase dictionary," Journal of The Korean Institute of Information Scientists and Engineers, Vol.39, No.5, pp.415-424, 2012 (in Korean).
A. Geron, "Hands-On Machine Learning with Scikit-Learn & TensorFlow," O'Reilly, 2017.
M.-H. Kim, Y.-M. Jo, H.-Y. Jang, and H.-P. Shin, "KOSAC: Korean Sentiment Analysis Corpus," Proceedings of the Korean Institute of Information Scientists and Engineers, pp.650-652, 2013 (in Korean).
S. Sohn, M.S. Park, J.-E. Park, J.-H. Sohn, "Korean emotion vocabulary: Extraction and categorization of feeling words," Korean Journal of the Science of Emotion & Sensibility, Vol.15, No.1, pp.105-120, 2012 (in Korean).
S.-M. Park, C.-W. Na, M.-S. Choi, D.-H. Lee, and B.-W. On, "KNU Korean sentiment lexicon: Bi-LSTM-based method for building a Korean sentiment lexicon," Journal. of the Intelligence Information Systtem, Vol.24, No.4, pp. 219-240, 2018 (in Korean).
I. J. Park and K. H. Min, "Making a list of Korean emotion terms and exploring dimensions underlying them," Korean Journal of Social and Personality Psychology, Vol.19, No. 1, pp.109-129, 2005 (in Korean).

저자의 다른 논문 :

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