[논문]SNS 기반 여론 감성 분석

하상현; 노태협

doi:10.17703/jcct.2020.6.1.111

SNS 기반 여론 감성 분석
Sentiment Analysis for Public Opinion in the Social Network Service 원문보기

Journal of the convergence on culture technology : JCCT = 문화기술의 융합, v.6 no.1, 2020년, pp.111 - 120

초록
AI-Helper

본 연구는 소셜네트워크서비스(SNS)상의 빅데이터를 이용한 텍스트 분석기법의 응용으로서 설문 조사 기반의 여론 조사 방법론과 달리 비정형적 언어 기반의 감성 여론 조사 방법론을 제안한다. 기존의 설문 기반 여론 분석모형에 대한 대안적 방법으로 주관성에 기초한 감성 분류 모형을 이용하였다. 이를 위하여, 제20대 국회의원 선거운동 기간 중 선거 관련 실시간 트위터 자료를 수집하여 속성 기반 감성 분석을 이용한 여론의 극성과 강도에 대한 실증 분석을 수행하였다. 개별 SNS에서 사용된 단어의 극성을 분류하기 위해 Lasso 및 Ridge 회귀 모형을 이용하여 극성에 영향력이 큰 변수를 추출하였다. 추출된 변수가 극성에 미치는 긍정 및 부정에 대한 영향을 구분하고, 영향력의 강도를 분석하였다. 대중들이 소셜네트워크상에서 표현한 내용을 바탕으로 한 여론에 대한 긍정 및 부정의 감성 분석을 통해 여론의 향방을 예측하고 극성분석 모형의 정확도를 측정하여, 여론 조사 분야에서 감성 분석 방법론의 적용가능성을 확인하였다.

Abstract ▼ AI-Helper

As an application of big data and artificial intelligence techniques, this study proposes an atypical language-based sentimental opinion poll methodology, unlike conventional opinion poll methodology. An alternative method for the sentimental classification model based on existing statistical analysis was to collect real-time Twitter data related to parliamentary elections and perform empirical analyses on the Polarity and Intensity of public opinion using attribute-based sensitivity analysis. In order to classify the polarity of words used on individual SNS, the polarity of the new Twitter data was estimated using the learned Lasso and Ridge regression models while extracting independent variables that greatly affect the polarity variables. A social network analysis of the relationships of people with friends on SNS suggested a way to identify peer group sensitivity. Based on what voters expressed on social media, political opinion sensitivity analysis was used to predict party approval rating and measure the accuracy of the predictive model polarity analysis, confirming the applicability of the sensitivity analysis methodology in the political field.

주제어

표/그림 (11)

그림 그림 1. 연구 실험 과정 Figure 1. Process of the research experiment
그림 그림 2. 트위터 API를 이용한 데이터 수집 Figure 2. Data collection using Twitter API
그림 그림 3. 트위터 데이터 형태소 분리 Figure 3. Twitter data morphology detachment
그림 그림 4. 트위터 데이터의 극성 태깅 Figure 4. Polarity tagging of Twitter data
그림 그림 5. 트위터 데이터의 행렬화 Figure 5. Matrix of Twitter data
그림 그림 6. Lasso 및 Ridge 회귀 수행코드 Figure 6. Lasso and Ridge regression code
그림 그림 7. 정당별 트위터 데이터 극성 분포 Figure 7. Polarity distribution by party
표 표 1. 정당 모형별 감성 분석 정확도 결과 Table 1. Model accuracy of sentiment analysis by party
표 표 2. 새누리당 Lasso 분석 결과 주요 영향 단어 Table 2. Key affecting words to the Saenuri party
표 표 3 더불어민주당 Lasso 분석 결과 주요 영향 단어 Table 3 Key affecting words to the Minju party
표 표 4. 국민의당 Lasso 분석 결과 주요 영향 단어 Table 4. Key affecting words to the Kookmin party

AI 본문요약
AI-Helper

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

문제 정의

본 연구는 빅데이터 및 인공지능 기법의 응용으로서 기존의 여론 조사 방법론과 달리 비정형적 언어 기반의 감성 여론 조사 방법론을 사용하고자 한다. 기존의 통계적 분석 기반의 감성 분류 모형에 대한 대안적 방법 으로 주관성에 기초한 감성 분류 모형을 제시한다.
본 연구에서는 소셜 미디어에서 실시간으로 생성되는 대량의 데이터를 통해 사람들의 감정, 태도, 평가, 의견 등을 분석하는 감성 분석(Sentiment Analysis) 방법론을 통하여 정치 여론 조사 분야에서의 빅데이터 적용 가능성을 확인해 보고자 한다. 감성 분석이란 상품 및 서비스, 기관이나 단체, 사회적 이슈, 사건 등에 관하여 블로그 또는 트위터, 페이스북과 같은 소셜 미디어 등에 남긴 의견을 수집하고 분석하여 사람들의 감정의 상태 및 태도에 대한 변화, 의견과 평가, 선호 등을 파악하는 빅데이터 분석 기술을 말한다[1].
본 연구에서는 수집된 20대 국회의원 선거 관련 트위터 데이터에서 “새누리당”, “더불어민주당”, “국민의당”에 관하여 트위터 데이터의 극성을 태깅하였다.

제안 방법

각 후보였던 “박원순”, “정몽준” 키워드로 자료를 수집하여 수집된 데이터에 대하여 기계 학습의 일종인 SVM 알고리즘을 통한 극성예측모형을 도출하였다.
극성 태깅된 트위터 데이터에 대하여 각각의 단어를 하나의 독립변수로, 극성변수인 “새누리당”, “더불어민 주당”, “국민의당”을 종속변수로 하는 데이터 행렬을 구성하였다. 각각의 트위터에 포함되는 단어는 1, 포함 되지 않는 단어는 0을 부여하였으며, 정당별로 극성변수를 변경해가며 총 세 종류의 데이터 행렬을 생성하였다. <그림 5.
송은지는 온라인 웹사이트에서 수집한 데이터는 띄어쓰기와 철자 등에 오류가 많아 기존의 사용하던 형태소 분석기로 분석할 수 없는 문제점을 해결하기 위해서 초성과 중성, 어절 패턴 사전을 이용해서 보정할 수 있는 감성 분석 모듈을 제안하였다. 감성 분석 모듈 구성에 있어 학습으로 누적된 속성 DB를 사용하여 SVM 알고리즘을 통한 긍정과 부정의 글들을 분류하는 모형을 제시하였다[10].
<그림 6>과 같이 트위터 데이터의 극성분석을 위한 Lasso 및 Ridge 회귀 모형 수행코드를 작성하였다.
극성 태깅된 트위터 데이터에 대하여 각각의 단어를 하나의 독립변수로, 극성변수인 “새누리당”, “더불어민 주당”, “국민의당”을 종속변수로 하는 데이터 행렬을 구성하였다.
본 연구에서는 개별 트위터의 극성을 분류하기 위해 Lasso 및 Ridge 회귀 모형을 이용한 감성 분석을 수행하였다. 극성변수에 큰 영향을 미치는 독립변수를 추출함과 동시에 주요 독립변수가 극성변수에 미치는 극성을 평가하고 학습된 Lasso 및 Ridge 회귀 모형을 이용해 새로운 트위터 데이터의 극성을 예측하였다. 주요 독립변수인 트위터 내의 단어의 추출 및 극성분석을 위한 Lasso 및 Ridge 회귀 모형에 대해 식 (3)과 (4)의 목적 함수를 만족하는 회귀계수를 각각 추정한다.
극성분석을 위하여 한국어 감성 사전의 구축이 요구되었기에, “SentiWordNet” 이라는 영어 감성 사전의 데이터를 추출하여 제시한 알고리즘에 맞게 재구성하고 경량화한 뒤 한국어로 번역하여 특정 분야에 특화되지 않은 범용적인 한국어 감성 사전을 구축하였다.
김동균 등은 트위터 사용자의 감정을 나타내는 트위터 데이터를 구성하는 단어들을 사용하여 사람의 다양한 감정을 분류하는 방법으로 SVM 알고리즘을 적용하였 다[8]. 기계학습 후 트위터 데이터의 감정 표현 여부를 분류하고, 감정이 있는 트위터 데이터의 경우 4가지의 감정으로 분류하였다. 그 결과 평균적으로 약 75%의 적중률로 실제 감정 파악 문제에 의미 있는 결과를 확인하였다.
본 연구는 빅데이터 및 인공지능 기법의 응용으로서 기존의 여론 조사 방법론과 달리 비정형적 언어 기반의 감성 여론 조사 방법론을 사용하고자 한다. 기존의 통계적 분석 기반의 감성 분류 모형에 대한 대안적 방법 으로 주관성에 기초한 감성 분류 모형을 제시한다. 분석을 위한 실제 적용 분야를 국회의원 선거 관련 실시간 트위터 데이터 수집하여 속성 기반 감성 분석을 이용한 여론의 극성(Polarity)과 강도(Intensity)에 실증 분석을 하고자 한다.
이렇게 추출된 독립변수와 극성변수에 대하여 Lasso 및 Ridge 회귀 분석을 통하여 개별 트위터 데이터 감성 분석을 진행하여 극성 예측모형 생성하고 예측정확도를 분석한다. 또한, 예측정확도를 기반으로 하여 모형의 정당성 및 한계점 분석하고 문제점이 있는 경우에는 문제점에 대한 고찰을 진행한다.
본 연구에서는 20대 국회의원 선거 관련 트위터 데이터를 실시간으로 수집하고 Lasso 및 Ridge 회귀 분석 알고리즘을 통해 각 정당에 대한 트위터 데이터의 감성 분석결과 및 예측정확도 그리고 도출된 결과에 대해 분석하고자 하였고, 실제 정당 지지율과 트위터 데이터 감성 분석결과로 예측된 정당 지지율을 비교 분석하였다.
본 연구에서는 개별 트위터의 극성을 분류하기 위해 Lasso 및 Ridge 회귀 모형을 이용한 감성 분석을 수행하였다. 극성변수에 큰 영향을 미치는 독립변수를 추출함과 동시에 주요 독립변수가 극성변수에 미치는 극성을 평가하고 학습된 Lasso 및 Ridge 회귀 모형을 이용해 새로운 트위터 데이터의 극성을 예측하였다.
기존의 통계적 분석 기반의 감성 분류 모형에 대한 대안적 방법 으로 주관성에 기초한 감성 분류 모형을 제시한다. 분석을 위한 실제 적용 분야를 국회의원 선거 관련 실시간 트위터 데이터 수집하여 속성 기반 감성 분석을 이용한 여론의 극성(Polarity)과 강도(Intensity)에 실증 분석을 하고자 한다. 유권자들이 국회의원 선거에 즈음하여 소셜 미디어에서 표현한 내용을 바탕으로 한 정치 여론 감성 분석을 통해 정당 지지율을 예측하고 예측모형의 극성분석 정확도를 측정하여, 정치 분야에서의 감성 분석 방법론의 적용 가능성을 확인할 수 있다.
이 연구를 통하여, 선거 데이터와 같은 극성분석이 명확한 데이터는 SVM 알고리즘과 같은 기계 모형을 통하여 자동으로 새로운 트위터의 극성을 판단 할 수 있는 것으로 보여주었다. 송은지는 온라인 웹사이트에서 수집한 데이터는 띄어쓰기와 철자 등에 오류가 많아 기존의 사용하던 형태소 분석기로 분석할 수 없는 문제점을 해결하기 위해서 초성과 중성, 어절 패턴 사전을 이용해서 보정할 수 있는 감성 분석 모듈을 제안하였다. 감성 분석 모듈 구성에 있어 학습으로 누적된 속성 DB를 사용하여 SVM 알고리즘을 통한 긍정과 부정의 글들을 분류하는 모형을 제시하였다[10].
수집된 트위터 데이터를 한나눔 형태소 분석기 (Java)를 활용하여 관사, 전치사, 조사, 접속사와 같은 불용어를 제거하고 트위터 데이터의 원문을 각각 형태소 단위로 분리하였다. 형태소 단위로 분리된 개별 단어를 독립변수로 설정하였다(참고.
박성건, 원규식, 이수원은 Web Crawler를 통해 2014년 브라질 월드컵과 관련 소식에 대한 댓글을 수집하고 형태소 분석기에 기반을 둔 한국어 감성 사전을 구축하였다[7]. 이를 바탕으로 브라질월드컵 관련 감성단어를 추가하여 구축한 스포츠 감성 사전으로 브라질월드컵의 주요 이슈를 탐지하고, 한국 축구 국가대표팀 주요 선수들에 대한 감성을 분석하였다.
이러한 선행연구의 배경에서 본 감성 분석 여론 조사 연구는 다음과 같은 연구목적을 가진다. 첫째, SNS 사용자의 비정형적인 문자언어 데이터를 바탕으로 사회 여론의 방향과 강도를 감성 분석으로 파악하고자 한다. 지금까지 여론 조사 대부분은 정량적으로 측정 가능한 외적 상황 정보와 설문 조사에 기반을 둔 결과를 통계분석을 통하여 제시하였으나, 내부 감성을 바탕으로 한 숨겨진 마음을 파악하여 여론의 향방을 제시한다는 점에서 차별점을 가진다.
형태소 단위로 분리된 개별 단어를 독립변수로 설정하였다(참고. ).
형태소 단위로 분리된 트위터 데이터의 개별의견에 극성변수를 추가하는 극성 태깅을 하였다. 본 연구에서는 수집된 20대 국회의원 선거 관련 트위터 데이터에서 “새누리당”, “더불어민주당”, “국민의당”에 관하여 트위터 데이터의 극성을 태깅하였다.
형태소로 분리된 트위터 데이터 개별의견에 극성변수를 추가하는 극성 태깅을 시행하고 각 단어를 독립변수, 종속변수로 처리하는 데이터 행렬의 구성하였다. 이렇게 추출된 독립변수와 극성변수에 대하여 Lasso 및 Ridge 회귀 분석을 통하여 개별 트위터 데이터 감성 분석을 진행하여 극성 예측모형 생성하고 예측정확도를 분석한다.

대상 데이터

20대 국회의원 선거 정당 지지율 예측을 위한 트위터 감성 분석을 위하여 공식선거운동 기간 내에 선거 관련 수집 데이터 1,048,574건 중 5,934건의 데이터를 추출하였다. 새누리당의 경우 총 1,126개, 더불어민주당의 경우 총 4,061개, 국민의당의 경우에는 747개의 트위터 데이터에 대해서 각각 극성이 부여되었다.
본 연구에서는 20대 국회의원 선거의 트위터 테이터 감성 분석을 위하여 트위터 API인 Twitter4J의 Java Wrapper를 사용하여 20대 국회의원 선거의 공식 선거 운동 기간인 2016년 3월 31일부터 2016년 4월 12일까지 "총선", "국회의원", "선거", "413", "새누리당", "더불어 민주당", "더민주", "새누리", "국민의당", "공천" 등 10개의 키워드로 총 1,048,574건의 트위터 자료를 수집하였다(참고, ).
감성 분석에 관한 기본적인 연구 수행 과정은 소셜 미디어와 같은 매체/미디어에서 생성된 정보를 수집하는 “데이터수집”, 수집된 정보에서 언어로 표현되는 문맥에서 작성자의 주관이 드러나는 부분을 추출하는 “주관성 탐색”, 마지막으로 “주관성의 극성 및 강도 파악” 하는 과정으로 단계를 나눌 수 있다(참고, <그림 1>). 분석을 위하여, 20대 국회의원 선거 관련 실시간 트위터 데이터를 대상으로 한다.

데이터처리

형태소로 분리된 트위터 데이터 개별의견에 극성변수를 추가하는 극성 태깅을 시행하고 각 단어를 독립변수, 종속변수로 처리하는 데이터 행렬의 구성하였다. 이렇게 추출된 독립변수와 극성변수에 대하여 Lasso 및 Ridge 회귀 분석을 통하여 개별 트위터 데이터 감성 분석을 진행하여 극성 예측모형 생성하고 예측정확도를 분석한다. 또한, 예측정확도를 기반으로 하여 모형의 정당성 및 한계점 분석하고 문제점이 있는 경우에는 문제점에 대한 고찰을 진행한다.

이론/모형

감성 분석의 기초 틀이 되는 감성 사전 구축에 한 연구로, 이상훈, 최정, 김종우는 감성 분석의 기초 작업으로 구축하는 감성 사전을 데이터의 특성별로 변형하여 구축하는 방법을 제안하였다[5]. 영화정보를 제공해 주는 IMDB에서 제공되는 2년여간의 영화 감상평가 데이터를 대상으로 맞춤형 감성 사전 구축을 위한 핵심 기법으로 SO-PMI(Semantic Orientation from Point-wise Mutual Information)를 이용하였다. 특히, 극성 구분이 명확한 형용사에 한정한 맞춤형 사전을 활용한 감성 분석 예측정확도는 기존의 범용 감성 사전 대비 맞춤형 감성 사전의 예측정확도가 통계적으로 유의한 수준의 성능 향상을 보였다.

성능/효과

국민의당의 Lasso 회귀 모형은 전체 정분류율 0.99, 긍정 트윗정 분류율 1, 부정 트윗 정분류율 0.98이며, Ridge 회귀 모형의 경우 전체 정분류율 0.98, 긍정 트윗 정분류율 0.95, 부정 트윗 정분류율 0.99을 나타냈으며, 일관적으로 Lasso 회귀 모형이 Ridge 회귀 모형보다 트위터 감성 분석의 정확도가 높다는 것을 나타낸다. 국민의당의 경우 긍정 트윗 수와 부정 트윗 수가 비슷한 것은 당시 민심이 새로운 제3정당에 대한 기대감으로 전반적인 여론이 우호적이었던 것으로 판단된다.
정당별로 독립적으로 수행하였으며, 트위터의 의견이 해당 정당에 긍정적인 영향을 미칠 것으로 예상하는 경우에는 1, 부정적인 영향을 미칠 것으로 예상하는 경우에는 0으로 총 5,934개의 트위터에 대하여 극성을 표시하였다. 그 결과 새누리당의 경우 총 1,126개, 더불어민주당의 경우 총 4,056 개, 국민의당의 경우에는 747개의 트위터 데이터에 대해서 각각 극성이 부여되었다. <그림 4>는 트위터 데이터의 극성 태깅한 결과를 보여준다.
기계학습 후 트위터 데이터의 감정 표현 여부를 분류하고, 감정이 있는 트위터 데이터의 경우 4가지의 감정으로 분류하였다. 그 결과 평균적으로 약 75%의 적중률로 실제 감정 파악 문제에 의미 있는 결과를 확인하였다. 박종호는 2014년 서울시장 선거에서 수집된 약 17만 건의 트위터 데이터 중, 3121건의 샘플 데이터로 극성 예측모형을 생성하고, 이 예측모형을 통하여 새로운 트위터 데이터의 극성을 자동으로 예측하는 연 구를 진행하였다[9].
더불어민주당의 경우, Lasso 회귀 모형의 전체 정분류율은 0.98, 긍정 트윗 정분류율 1, 부정 트윗 정분류 율 0.98이며, Ridge 회귀 모형의 경우 전체 정분류율 0.83, 긍정 트윗 정분류율 0.21, 부정 트윗 정분류율 1로써 Lasso 회귀 모형이 Ridge 회귀 모형보다 트위터 감성 분석의 정확도가 높다는 것을 나타낸다.
새누리당의 경우 총 1,126개, 더불어민주당의 경우 총 4,061개, 국민의당의 경우에는 747개의 트위터 데이터에 대해서 각각 극성이 부여되었다. 데이터 전처리 및 극성 태깅을 한 결과 트위터의 극성 분포는 전반적으로 각 정당에 대한 부정적인 트위터 데이터가 긍정적인 트위터 데이터보다 많은 것을 보여주었다. 새누리당의 경우 추출된 1,126건의 트위터 데이터 중 긍정적 성향의 트위터 데이터는 18.
분석결과, 우선 SNS상에서 대화로 표현되는 메시지 상에서의 주요 단어 형태소 분석을 통하여 긍정 및 부정의 메시지를 분석할 수 있다는 것을 제시하였다. 둘째, 정당별로 유권자 마음을 파악할 수 있는 여론 조사의 한 방향으로 감성 분석이 적용될 수 있음을 알 수 있었다. 셋째, 분석결과에서 부정 트윗 분류율은 높고 긍정 트윗 분류율이 낮게 나오는 클래스 불균형 현상은 감정의 표현 빈도상 SNS에 제시되는 부정적 의견 수가 긍정 의견보다 많음으로 인한 것으로 판단된다.
특히, 극성 구분이 명확한 형용사에 한정한 맞춤형 사전을 활용한 감성 분석 예측정확도는 기존의 범용 감성 사전 대비 맞춤형 감성 사전의 예측정확도가 통계적으로 유의한 수준의 성능 향상을 보였다. 맞춤형 사전 구축 단계에서 데이터 특성별 극성분석법 적용을 통해 감성 분석의 예측 성능 향상을 확인하였다. 윤한중은 감성 분석 알고리즘에 관한 연구가 부족하고 감성 사전의 구축이 미비하여 대부분 기계학습을 통한 감성 분석에 치중 하고 있어서 한국어 문법에 기초한 감성 분석 알고리즘의 연구는 미흡하고 부족한 실정을 고려하여 트위터 데 이터의 활용과 한국어 감성 분석을 위한 알고리즘 및 감성 분석 시스템을 제안하였다[6].
분석결과, 우선 SNS상에서 대화로 표현되는 메시지 상에서의 주요 단어 형태소 분석을 통하여 긍정 및 부정의 메시지를 분석할 수 있다는 것을 제시하였다. 둘째, 정당별로 유권자 마음을 파악할 수 있는 여론 조사의 한 방향으로 감성 분석이 적용될 수 있음을 알 수 있었다.
세월호 사건이 20대 국회의원 선거에도 새누리당에 부정적인 영향을 준 것으로 보이며, 당시 공천과정에서 문제가 되었던 “진박”은 새누리당에 부정적인 영향을 준 것으로 보인다.
둘째, 정당별로 유권자 마음을 파악할 수 있는 여론 조사의 한 방향으로 감성 분석이 적용될 수 있음을 알 수 있었다. 셋째, 분석결과에서 부정 트윗 분류율은 높고 긍정 트윗 분류율이 낮게 나오는 클래스 불균형 현상은 감정의 표현 빈도상 SNS에 제시되는 부정적 의견 수가 긍정 의견보다 많음으로 인한 것으로 판단된다.
각 후보였던 “박원순”, “정몽준” 키워드로 자료를 수집하여 수집된 데이터에 대하여 기계 학습의 일종인 SVM 알고리즘을 통한 극성예측모형을 도출하였다. 이 연구를 통하여, 선거 데이터와 같은 극성분석이 명확한 데이터는 SVM 알고리즘과 같은 기계 모형을 통하여 자동으로 새로운 트위터의 극성을 판단 할 수 있는 것으로 보여주었다. 송은지는 온라인 웹사이트에서 수집한 데이터는 띄어쓰기와 철자 등에 오류가 많아 기존의 사용하던 형태소 분석기로 분석할 수 없는 문제점을 해결하기 위해서 초성과 중성, 어절 패턴 사전을 이용해서 보정할 수 있는 감성 분석 모듈을 제안하였다.
본 연구에서는 수집된 20대 국회의원 선거 관련 트위터 데이터에서 “새누리당”, “더불어민주당”, “국민의당”에 관하여 트위터 데이터의 극성을 태깅하였다. 정당별로 독립적으로 수행하였으며, 트위터의 의견이 해당 정당에 긍정적인 영향을 미칠 것으로 예상하는 경우에는 1, 부정적인 영향을 미칠 것으로 예상하는 경우에는 0으로 총 5,934개의 트위터에 대하여 극성을 표시하였다. 그 결과 새누리당의 경우 총 1,126개, 더불어민주당의 경우 총 4,056 개, 국민의당의 경우에는 747개의 트위터 데이터에 대해서 각각 극성이 부여되었다.
9%(402개)는 부정적 성향을 띠는 것으로 분류되었다. 추출된 실험 표본 트위터 데이터의 분포를 분석한 결과 20대 국회의원 선거 관련 트위터 데이터는 각 정당에 긍정적인 감성 표현보다는 부정적인 감성 표현이 더 많은 것으로 나타났다. <그림 7>은 정당별 트위터 데이터의 긍정과 부정 감성의 분포를 보여준다.
영화정보를 제공해 주는 IMDB에서 제공되는 2년여간의 영화 감상평가 데이터를 대상으로 맞춤형 감성 사전 구축을 위한 핵심 기법으로 SO-PMI(Semantic Orientation from Point-wise Mutual Information)를 이용하였다. 특히, 극성 구분이 명확한 형용사에 한정한 맞춤형 사전을 활용한 감성 분석 예측정확도는 기존의 범용 감성 사전 대비 맞춤형 감성 사전의 예측정확도가 통계적으로 유의한 수준의 성능 향상을 보였다. 맞춤형 사전 구축 단계에서 데이터 특성별 극성분석법 적용을 통해 감성 분석의 예측 성능 향상을 확인하였다.

후속연구

둘째, SNS상에서 표현한 대화를 통해 수집된 내용을 Lasso 및 Ridge 회귀 모형의 극성분석을 통하여 감성을 파악하는 방법을 제시한다는 점에서 의의가 있다. 셋째, 본 연구에서 제시하는 방법론을 통하여 대표적으로 여론 조사가 많이 사용되고 있는 선거 여론 조사 분야에서 정당, 후보, 이슈에 대한 여론 분석을 파악하고자 SNS상에서의 대화를 감성 분석을 통하여 실증 분석을 한다는 점에서 사회과학 분야의 여론 조사에서 현실 적용 가능성을 제시한다.
우리나라 정치문화 여건에 맞는 정교한 SNS 감성 분석 모델에 관한 연구 및 본 연구에서 제안된 방법이 정책 대안 제시와 같은 정치 분야 및 마케팅 분야에서 소비자 반응과 같은 감성 분석이 요구하는 다양한 다른 영역에 관한 적용 연구를 향후 과제로 제시한다.

참고문헌 (13)

B. Liu, Sentiment Analysis and Opinion Mining, Synthesis Lectures on Human Language Technologies, Chicago: Morgan & Claypool Publishers, 2012.
S. H. Seo, & J. T. Kim, "A Study on the Emotional Analysis Based on Deep Learning," The Journal of Multimedia Information System, vol. 20, No. 3, pp. 8-22, 2016.
Y. J. Choi, & S. H. Kwon, "A Semantic Network Analysis of the Newspaper Articles on Big Data," Journal of Cyber Communication Academic Society, vol. 31, No. 1, pp. 241-286, 2014.

상세보기
S. W. Park, K. H. Han, & W. Y. Jang, "CNN Deep Learning Acceleration Algorithm for Mobile System," Journal of Korean Institute of Information Technology, vol. 16, No. 10, pp. 1-9, 2018.

상세보기
S. H. Lee, J, Jung, & J. W. Kim, "Sentiment Analysis on Movie Review Through Building Modified Sentiment Dictionary by Movie Genre," Journal of Intelligence and Information Systems, vol. 22, No. 2, pp. 97-113, 2016.

원문보기 상세보기
H. J, Youn, J. H. Park, & S. K. Suk, "Social Network Data Mining for Products Preference Analysis," Journal of The Korea Society of Information Technology Policy & Management, vol. 8, No. 4, pp. 219-223, 2016.
S. G. Park, K. S. Won, & S. W. Lee, "Web News Comment-based Sentiment Analysis of the South Korean National Team Members in the 2014 Brazil World Cup," Korean Journal of Sports Management, vol. 20, No, 2, pp. 13-28, 2015.
D. K, Kim, J. Y. Heo, J. H. Cho, S. Y. Park, & Y. H. Kim, "Emotional Twitter Bot Based on Machine Learning," Journal of Academic Publication: Korea Information Science Society, Vol. 38, No. 2B, pp. 379-382, 2011.
J. H. Park, "Sentiment Analysis of Twitter Data by Using Support Vector Machine Learning," Master's Thesis. Yonsei University, Korea, 2015.
E. J. Song, "The Sensitivity Analysis for Customer Feedback on Social Media," vol. 19, No. 4, pp. 780-786, 2015.

원문보기 상세보기
S. K. Kang, B. K. Kwon, C. W. Kwon, S. M. Park, & I. S. Yoon, "Development of Incident Detection Algorithm Using Naive Bayes Classification," The Journal of The Korea Institute of Intelligent Transport Systems, vol. 17, No, 6, pp. 25-39, 2018.

원문보기 상세보기
S. H. Yoon, "A Study on Employment Strategy Based on Employment Information Filtering," The Journal of Convergence on Culture Technology (JCCT), vol. 5, No. 4, pp. 251-258, 2019.
S. H. Ha, "Investigation of Machine Learning for Predicting the Approval Rating of Parties in the South Korea's 20th Legislative Election," Master's Thesis, Yonsei Univ, 2017.

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