[논문]자연어처리와 기계학습을 통한 우울 감정 분석과 인식

김규리; 문지현; 오유란

doi:10.17703/jcct.2020.6.2.449

자연어처리와 기계학습을 통한 우울 감정 분석과 인식
Analysis and Recognition of Depressive Emotion through NLP and Machine Learning 원문보기

Journal of the convergence on culture technology : JCCT = 문화기술의 융합, v.6 no.2, 2020년, pp.449 - 454

김규리 (이화여자대학교 컴퓨터공학과) , 문지현 (이화여자대학교 컴퓨터공학과) , 오유란 (이화여자대학교 컴퓨터공학과)

초록
AI-Helper

본 논문에서는 SNS에 게시된 글의 내용을 통해 사용자의 우울함을 검출하는 기계학습 기반 감성 분석 시스템을 제안한다. 게시한 글의 작성자가 기분을 파악하는 시스템을 구현하기 위해 먼저 감정 사전에서 우울한 감정의 단어와 그렇지 않은 감정과 관련된 단어를 목록화하였다. 그 후, SNS를 대표하는 서비스 중 하나인 트위터의 텍스트 자료에서 검색 키워드를 선정하고 크롤링을 시행하여 우울한 감정을 띤 문장 1297개와 그렇지 않은 문장 1032개로 이뤄진 학습 데이터셋을 구축하였다. 마지막으로 텍스트 기반 우울감 검출 목적에 가정 적합한 기계학습 모델을 찾기 위해 수집한 데이터셋을 바탕으로 순환신경망, 장단기메모리, 그리고 게이트 순환 유닛을 비교 평가하였고, 그 결과 GRU 모델이 다른 모델들보다 2~4%가량의 높은 92.2%의 정확도를 보임을 확인하였다. 이 연구 결과는 SNS상의 게시글을 토대로 사용자의 우울증을 예방하거나 치료를 유도하는 데 활용될 수 있을 것이다.

Abstract ▼ AI-Helper

This paper proposes a machine learning-based emotion analysis system that detects a user's depression through their SNS posts. We first made a list of keywords related to depression in Korean, then used these to create a training data by crawling Twitter data - 1,297 positive and 1,032 negative tweets in total. Lastly, to identify the best machine learning model for text-based depression detection purposes, we compared RNN, LSTM, and GRU in terms of performance. Our experiment results verified that the GRU model had the accuracy of 92.2%, which is 2~4% higher than other models. We expect that the finding of this paper can be used to prevent depression by analyzing the users' SNS posts.

주제어

표/그림 (13)

그림 그림 1. 우울, 슬픔을 표현하는 단어 구름 Figure 1. Word cloud of depression and sadness
그림 그림 2. 우울, 슬픔이 아닌 경우의 단어 구름 Figure 2. Word cloud of non-depression
표 표 1. 슬픔과 기쁨 범주의 상위 다섯 단어 [4] Table 1. Top 5 words of sadness and joy [4]
표 표 2. 종결어미를 제거한 슬픔과 기쁨 범주의 단어 Table 2. Refined words of sadness and joy
그림 그림 3. LSTM과 GRU의 구조적 차이 [8] Figure 3. Structural difference of LSTM and GRU [8]
그림 그림 4. RNN의 경우 정확도 Figure 4. RNN training and validation accuracy
그림 그림 5. LSTM의 경우 정확도 Figure 5. LSTM training and validation accuracy
그림 그림 6. GRU의 경우 정확도 Figure 6. GRU training and validation accuracy
그림 그림 7. RNN의 경우 데이터 레이블에 따른 손실 Figure 7. RNN training and validation loss
그림 그림 8. LSTM의 경우 데이터 레이블에 따른 손실 Figure 8. LSTM training and validation loss
그림 그림 9. GRU의 경우 데이터 레이블에 따른 손실 Figure 9. GRU training and validation loss
표 표 3. 실험 환경 Table 3. Simulation Environment
표 표 4. 3가지 모델의 정확도 비교 Table 4. Accuracy Comparison of 3 models

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 기계학습을 기반으로 SNS상의 텍스트 데이터에서 우울한 감정이 포함되어있는지 판단하는 시스템을 제안하였다.
본 논문에서는 자연어 텍스트에서 우울이라는 특정감정이 포함되어 있는지를 확인하려고 한다. 이는 특정주제에 대하여 사람들이 표현하는 감정, 인상, 의견 등의 주관적 정보들을 모아 객관적으로 통계, 수치화하는감성 분석(Sentimental Analysis)에 해당하는 연구이다.
이러한 배경을 바탕으로 본 논문에서는 SNS상에서 일상적으로 표현되는 우울한 감정을 기계학습을 통해알아내고, 우울증과 관련된 사회적 문제를 해결하는 데 이바지하고자 한다. 사람들이 SNS상에 작성한 글은 충분히 자신의 감정을 나타내고 있다[2].
우울증은 사회적으로 다양한 문제를 일으킬 수도 있는 정신질환이다. 이에 최근SNS가 우울증이 의심되는 사용자를 조기에 발견하고, 상담 및 치료 현장으로 이끌기 위한 접근성을 높이는 중요한 매체가 될 수 있다고 제안된다. 실제로 페이스북(Facebook)은 인공지능 기술을 사용하여 자살 방지 시스템을 도입하였다고 한다.

제안 방법

텍스트에서 감정표현과 동떨어진 불필요한 단어와 관련 없는 문장들은 필터링 후 삭제하였다. 그후 순환신경망(RNN), 장단기메모리(LSTM), 그리고 게이트 순환 유닛(GRU) 총 세 가지 기계학습 모델을 이용하여 우울 감정 판단 모델을 만들었다. 평균 교차 검증오차를 내어 세 모델의 차이를 비교한 결과 GRU가 가장 높은 정확도를 나타냈으며 최종적으로 GRU 모델을 선택하였다.
기계학습에 필요한 텍스트 데이터셋을 구축하기 위해 트위터의 트윗 데이터를 일정 기간 간격으로 크롤링하였다. 그리고 데이터 정제를 통해 내용에 우울함이포함된 문장 총 1297개와 그렇지 않은 경우의 문장 총1032개를 확보하였다.
마지막으로 트위터의 특성상 리트윗으로 중복되는 문장들도 모두 삭제하였다. 또한, 감정 단어를 통해 추출한 문장 속에서 단어 구름을 만들어 시각화하고 겹쳐 더욱 확실한 문장만을 선택하였다. 생성된 단어 구름은 [그림1, 2] 와 같다.
우울 감정 분석을 위한 우울과 슬픔에 대한 감성 사전을 조사한 뒤, 검색 키워드를 설정하고 트위터에서 텍스트 자료들을 추출하였다.또한, 우울하지 않은 경우도 학습하기 위해 그 밖의 다른 감정들에 대한 검색 키워드를 설정하고 자료를 추출하였다. 추출한 수집 데이터들을 바탕으로 트위터 SNS의 특성을 함께 반영하여 고빈도 추출 단어들을 단어 구름으로 시각화하였고 여러 요인을 바꿔가며 분석을 진행하였다.
본 논문에서는 소셜 미디어 중에서도 한 문장씩 빠르게 자신의 글을 올릴 수 있다는 점에서 트위터(Twitter)를 연구대상으로 선정하였다. 우울 감정 분석을 위한 우울과 슬픔에 대한 감성 사전을 조사한 뒤, 검색 키워드를 설정하고 트위터에서 텍스트 자료들을 추출하였다.또한, 우울하지 않은 경우도 학습하기 위해 그 밖의 다른 감정들에 대한 검색 키워드를 설정하고 자료를 추출하였다.
텍스트 자료는 우울한 감정을 나타내는 문장과 우울하지 않은 감정의 문장 총 두 종류를 모았다. 우울하지않은 감정으로 슬픔, 분노, 절망 등 일부 감정은 우울과 겹치는 부분도 있어 완전히 분리된 감정인 기쁨을 선정하였다.
또한, 자연어 텍스트를 다루는 연구이기에 자연어 처리(Natural Language Processing, NLP) 기술과도 관련있다[6]. 정확한 감성 분석을 위하여 기계학습(MachineLearning)을 통한 데이터 학습을 진행한다.
또한, 우울하지 않은 경우도 학습하기 위해 그 밖의 다른 감정들에 대한 검색 키워드를 설정하고 자료를 추출하였다. 추출한 수집 데이터들을 바탕으로 트위터 SNS의 특성을 함께 반영하여 고빈도 추출 단어들을 단어 구름으로 시각화하였고 여러 요인을 바꿔가며 분석을 진행하였다. 텍스트에서 감정표현과 동떨어진 불필요한 단어와 관련 없는 문장들은 필터링 후 삭제하였다.
본 논문에서는 트위터의 텍스트 자료를 수집하였다. 텍스트 자료는 우울한 감정을 나타내는 문장과 우울하지 않은 감정의 문장 총 두 종류를 모았다. 우울하지않은 감정으로 슬픔, 분노, 절망 등 일부 감정은 우울과 겹치는 부분도 있어 완전히 분리된 감정인 기쁨을 선정하였다.
텍스트 자료를 수집하기에 앞서 알맞은 찾으려는 감정과 단어의 기준을 잡기 위해 한국어 감정표현 단어의추출과 범주화[4]에 나와 있는 ‘슬픔’과 ‘기쁨’ 범주의단어중 상위 다섯 단어를 선택하였다.
트위터에서의 자료수집은 GetOldTweet3 패키지를 이용하였다. 패키지의 수집기준에서 기간과 검색 키워드를 선택하였고 트윗 내용만 추출하였다. 수집한 내용의 기간은 2019년 3월부터 6월까지 3개월간 일주일 간격으로2.
학습 단계에서는 RNN, LSTM, GRU 총 3가지 알고리즘을 사용하여 학습하였으며, 실험 단계에서 각각의정확도를 비교하였다. 본 논문에서는 GRU 알고리즘이약 92%로 가장 높은 정확도를 보였다.

대상 데이터

빈도가 높은 단어일수록 단어의 크기와 단어 수를 늘려단어 구름을 형성하였고, 선택된 빈도 높은 단어들이 포함된 문장들을 중심으로 한 번 더 걸러 내었다. 그 결과 우울 감정이 표현된 문장 1,297개와 그렇지 않은 문장1,032개를 확보하였다.
기계학습에 필요한 텍스트 데이터셋을 구축하기 위해 트위터의 트윗 데이터를 일정 기간 간격으로 크롤링하였다. 그리고 데이터 정제를 통해 내용에 우울함이포함된 문장 총 1297개와 그렇지 않은 경우의 문장 총1032개를 확보하였다.
본 논문에서는 소셜 미디어 중에서도 한 문장씩 빠르게 자신의 글을 올릴 수 있다는 점에서 트위터(Twitter)를 연구대상으로 선정하였다. 우울 감정 분석을 위한 우울과 슬픔에 대한 감성 사전을 조사한 뒤, 검색 키워드를 설정하고 트위터에서 텍스트 자료들을 추출하였다.
본 논문에서는 순서대로 RNN, LSTM, 그리고 GRU 모델을 통해 데이터를 학습시켰다. 모든 경우 epoch 값은 100, batch size는 32로 설정되었다.
본 논문에서는 트위터의 텍스트 자료를 수집하였다. 텍스트 자료는 우울한 감정을 나타내는 문장과 우울하지 않은 감정의 문장 총 두 종류를 모았다.
패키지의 수집기준에서 기간과 검색 키워드를 선택하였고 트윗 내용만 추출하였다. 수집한 내용의 기간은 2019년 3월부터 6월까지 3개월간 일주일 간격으로2.1에서 선정한 키워드를 순서대로 사용하여 크롤링하였다. 그 결과 우울함을 표현한 문장은 총 77,064개, 그렇지않은 문장은 98,563개 추출되었다.
트위터에서의 자료수집은 GetOldTweet3 패키지를 이용하였다. 패키지의 수집기준에서 기간과 검색 키워드를 선택하였고 트윗 내용만 추출하였다.
6을 기반으로 구현되었다. 형태소 분석 단계에는 은전한닢 프로젝트에서 제작한 mecab-ko(0.9.2 ver) 모듈을 사용하였다. 모델 학습에는 tensor- flow(1.

이론/모형

단어 구름 형성은 wordCloud 패키지를 이용하였다. 빈도가 높은 단어일수록 단어의 크기와 단어 수를 늘려단어 구름을 형성하였고, 선택된 빈도 높은 단어들이 포함된 문장들을 중심으로 한 번 더 걸러 내었다.

성능/효과

7%로 가장 낮은 정확도를 보였다. LSTM 모델은 약 89.6%를 기록했고, GRU 모델은 약 92.2%의 정확도로 3가지 모델 중에서 가장 높은 정확도를보였다. 각 모델의 손실 그래프는 [그림 7, 8, 9]와 같다.
1에서 선정한 키워드를 순서대로 사용하여 크롤링하였다. 그 결과 우울함을 표현한 문장은 총 77,064개, 그렇지않은 문장은 98,563개 추출되었다.
학습 단계에서는 RNN, LSTM, GRU 총 3가지 알고리즘을 사용하여 학습하였으며, 실험 단계에서 각각의정확도를 비교하였다. 본 논문에서는 GRU 알고리즘이약 92%로 가장 높은 정확도를 보였다.
그후 순환신경망(RNN), 장단기메모리(LSTM), 그리고 게이트 순환 유닛(GRU) 총 세 가지 기계학습 모델을 이용하여 우울 감정 판단 모델을 만들었다. 평균 교차 검증오차를 내어 세 모델의 차이를 비교한 결과 GRU가 가장 높은 정확도를 나타냈으며 최종적으로 GRU 모델을 선택하였다.

후속연구

해당 시스템의 정확도를 높이기 위해서는 이를 위한 부수적인 서비스 개발과 연구가 필요할 것이다.향후 보다 다양한 감정을 높은 정확도로 검출할 수 있는 새로운 기계학습 모델에 관한 연구를 계획 중이다.

참고문헌 (10)

Yoon Hyung Yang, "Relationships between depressive mood shown in Facebook status updates and comments, depressive symptoms and daily activities: using Ecological Mementary Assessment(EMA)", Graduate School, Kangwon National University, pp.1-10 , June 2018. http://dcollection.kangwon.ac.kr/public_resource/pdf/000000029790_20200515001120.pdf
Moreno, M. A., Jelenchick, L. A., Egan, K. G., Cox, E., Young, H., Gannon, K. E., Becker, T, "Feeling bad on facebook: Depression disclosures by college students on a social networking site. Depression and Anxiet" ,Published in Depression and anxiety 2011 Psychology, Medicine, pp.447-455, June 2011.
KimYun-suk, "Sentiment Classification of Korean Text Using Naive Bayesian Algorithms", Department of Computer Engineering Graduate School Chungbuk National University Cheongju in Korea, pp.2-13, February 2014. https://dcollection.chungbuk.ac.kr/public_resource/pdf/000000037574_20200515001741.pdf
Sunju Sohn, Mi-Sook Park, Ji-Eun Park, Jin-Hun Sohn, "Korean Emotion Vocabulary: Extraction and Categorization of Feeling Words", Korean Society for Emotion and Sensibility,Vol. 15, No. 1, pp. 105-120, March 2012.
Jeongyong Choi, "A Study on the Text-based Emotion Classification", Department of Data Science Graduate School, Inje University, pp.3-18, December 2016. http://inje.dcollection.net/public_resource/pdf/200000203337_20200515002517.pdf
Soowook Lee, "Deep Structured Learning: Architectures and Applications", International Journal of Advanced Culture Technology (IJACT) Vol.6, No.4, pp.262-265, June 4, 2018. https://doi.org/10.17703//IJACT2018.6.4.262
Jin-mo Im, Weol-Youg Kim, Woo-Jin Byoun, Seung-Jung Shin, "Fruit price prediction study using artificial intelligence" ,The Journal of the Convergence on Culture Technology (JCCT) Vol.4, No.2, pp. 197-204, May 31, 2018. https://doi.org/10.17703/JCCT.2018.4.2.197
Junyoung Chung, Caglar Gulcehre, KyungHyun Cho, Yoshua Bengio, "Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling", arXiv:1412.3555v1 [cs.NE] 11 Dec 2014.
Hyun Ju Kwon, "Depression, AI that senses or diagnoses in life.", Artificial Inteligence Times, [Last modified: 02-Sep-2018], [Accessed: 28-Mar-2020], http://www.aitimes.kr/news/articleView.html?idxno12301
Ji Hyung Jung, "Facebook's Anti-suicide AI Prog ram Enlarges.", SE Daily, [Last modified: 28-Nov-2017], [Accessed: 28-Mar-2020], https://www.sedaily.com/NewsVIew/1ONR614AL0

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