인터넷과 스마트폰의 발달로 디지털 음원은 쉽게 접근이 가능해졌고 이에 따라 음악 검색 및 추천에 대한 관심이 높아지고 있다. 음악 추천 방법으로는 장르나 감정을 분류하기 위해 음정, 템포, 박자 등의 멜로디를 사용한 연구가 진행되고 있다. 하지만 음악에서 가사는 인간의 감정을 표현하는 수단 중의 하나로 역할 비중이 점점 높아지고 있기 때문에 가사를 기반으로 한 감정 분류 연구가 필요하다. 이에 본 논문에서는 가사를 기반으로 이별 감정을 세분화하기 위해 이별 가사의 감정을 분석한다. 이별 가사에 나타나는 단어 간 유사도를 Word2Vec 학습을 통해 벡터화하여 감정 사전을 구축 한 후 LSTM을 활용하여 가사를 학습시켜 유사한 감정으로 가사를 분류해주는 Word2Vec과 LSTM을 활용한 이별 가사 감정 분류 방법을 제안한다.
인터넷과 스마트폰의 발달로 디지털 음원은 쉽게 접근이 가능해졌고 이에 따라 음악 검색 및 추천에 대한 관심이 높아지고 있다. 음악 추천 방법으로는 장르나 감정을 분류하기 위해 음정, 템포, 박자 등의 멜로디를 사용한 연구가 진행되고 있다. 하지만 음악에서 가사는 인간의 감정을 표현하는 수단 중의 하나로 역할 비중이 점점 높아지고 있기 때문에 가사를 기반으로 한 감정 분류 연구가 필요하다. 이에 본 논문에서는 가사를 기반으로 이별 감정을 세분화하기 위해 이별 가사의 감정을 분석한다. 이별 가사에 나타나는 단어 간 유사도를 Word2Vec 학습을 통해 벡터화하여 감정 사전을 구축 한 후 LSTM을 활용하여 가사를 학습시켜 유사한 감정으로 가사를 분류해주는 Word2Vec과 LSTM을 활용한 이별 가사 감정 분류 방법을 제안한다.
With the development of the Internet and smartphones, digital sound sources are easily accessible, and accordingly, interest in music search and recommendation is increasing. As a method of recommending music, research using melodies such as pitch, tempo, and beat to classify genres or emotions is b...
With the development of the Internet and smartphones, digital sound sources are easily accessible, and accordingly, interest in music search and recommendation is increasing. As a method of recommending music, research using melodies such as pitch, tempo, and beat to classify genres or emotions is being conducted. However, since lyrics are becoming one of the means of expressing human emotions in music, the role of the lyrics is increasing, so a study of emotion classification based on lyrics is needed. Therefore, in this thesis, we analyze the emotions of the farewell lyrics in order to subdivide the farewell emotions based on the lyrics. After constructing an emotion dictionary by vectoriziong the similarity between words appearing in the parting lyrics through Word2Vec learning, we propose a method of classifying parting lyrics emotions using Word2Vec and LSTM, which classify lyrics by similar emotions by learning lyrics using LSTM.
With the development of the Internet and smartphones, digital sound sources are easily accessible, and accordingly, interest in music search and recommendation is increasing. As a method of recommending music, research using melodies such as pitch, tempo, and beat to classify genres or emotions is being conducted. However, since lyrics are becoming one of the means of expressing human emotions in music, the role of the lyrics is increasing, so a study of emotion classification based on lyrics is needed. Therefore, in this thesis, we analyze the emotions of the farewell lyrics in order to subdivide the farewell emotions based on the lyrics. After constructing an emotion dictionary by vectoriziong the similarity between words appearing in the parting lyrics through Word2Vec learning, we propose a method of classifying parting lyrics emotions using Word2Vec and LSTM, which classify lyrics by similar emotions by learning lyrics using LSTM.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
그 이유로는 '자신의 감정 상태를 이해해주는 느낌을 받아 오히려 마음이 편안해지는 느낌을 받았다는 연구 결과가 있으며 부정적인 감정을 완화하기 위해 오히려 슬픈 음악을 들으라고 권한다[이. 따라서 본 논문에서는 슬픈 음악 중 대중가요에서 많은 비중을 차지하는 이별 가사의 감정을 분류하고자 한다. 이별의 감정을 세분화하기 위해 이별에 나타나는 감정을 분석하고 이별 가사의 단어 간 유사도를 Word2Vec 학습을 통해 벡터화하여 감정 사전을 구축 한 후 LSTM을 사용하여 가사를 학습 시켜 유사한 감정으로 가사를 분류해주는 이별 가사 감정 분류 모델을 제안한다.
하지만 이별의 대표적인 감정 구별에 있어 8가지 감정 분류는 4가지로 분류하였을 때보다 세분화 작업에서 현저하게 떨어지는 것을 확인 할 수 있다. 본 논문에서 제안하는 감정 분류 모델은 사용자에게 보다 정확한 이별 노래 추천을 위한 모델이다. 심리적으로 비슷한 '역설', '탄식', '욕망', '원망 4개의 감정의 분류에 있어 오히려 사용자 추천에 방해되며 대표적인 감정 구별은 4 가지가 가장 효율적 인 것을 보여준다.
이에 명사, 형용사 중심의 감정 분석을 하는 기존 연구들로는 장미꽃이나 심장의 의미를 파악하기 어렵다. 본 논문에서는 Word2Vec 모델을 사용하여 이별 가사의 문장 속단어가 의미하고 있는 은유적인 표현을 파악했다.
사용하여 처리한다. 본 논문에서는 노래 한 곡 단위로 수집한 노래 가사의 단어를 불러와 리스트 형태로 구현하기 위해 토큰화를 진행한다.
본 논문에서는 음악의 감정을 세분화하기 위해 가장 많은 비율을 차지하고 있는 이별 가사를 수집하여 이별 가사의 감정을 세분화 방법을 제시하였고 감정의 세분화를 통해 구축된 사전으로 가사의 한 문장에 감정을 부여하고 새로운 곡이 추가 되었을 때 감정이 자동 분류되는 모델을 제안하였다.
본 논문에서는 이별 가사의 감정 모델을 사용하여 가사의 감정 단어를 분류하고 감정 사전을 구축한 후 감정을 검증하여 분류하는 방법을 제안한다. 제안하는 방법은 이별 노래 데이터 수집 및 학습데이터 전처리 단계, 이별 가사 감정 사전 구축 단계, 이별 가사 감정 분류 단계로 구성된다.
본 절에서는 노래 가사에 사용되는 단어들의 의미를 파악하고자 한다. 노래 가사는 작사가가 감정을 효과적으로 나타내기 위해 비유, 은유적인 표현을 많이 사용한다 예를 들어 장미꽃과 심장이란 단어는 '장미는 가시를 가지고 있다.
본 절에서는 이별 가사에 특화된 감정을 분류하기 위해 이별 노래를 수집하고 전처리하는 과정에 관해 기술한다. 먼저 이별 노래는 국내 최대 플랫폼인 멜론(https://www.
가설 설정
sg는。으로설정하였다[17]. 이별 노래의 가사를 학습한 Word2Vec 모델을 사용하여 본 논문에서 제안한 4가지 대표 감정인 '슬픔', '부정', '분노', '무관심'과 유사도를 벡터화하였다.
제안 방법
지정한다. LSTM 모델의 하이퍼 파라미터는 단어의 개수인 Time Step은 30, 사용된 차원①imension)의 개수인 특성은 150으로 지정하고 신경망층 Dense의 하이퍼 파라미터로 활성화 함수는 Relu 함수로 설정하여 지도학습을 진행하여 이별 가사 감정 분류 모델을 구축하였다.
활용하여 지도학습을 진행한다. POS 태깅으로 태그화된 단어들을 바탕으로 본 논문에서 구축한 감정 사전을 이용하여 각 문장의 감정 단어들을 파악하고 유사도를 계산하여 유사도가 가장 높은 감정을 바탕으로 하나의 문장에 감정을 부여 하였다. LSTM을 활용한 지도학습을 위해서는 학습시킬 데이터와 정답 데이터가 필요하다.
한다. Word2Vec 학습을 통해 가사에서 단어의 의미를 파악하여 감정 사전을 구축하고 LSTM을 활용한 감정 분류 모델을 구축하여 이별 가사의 감정을 분류한다.
두 번째 단계로 단어별 품사를 파악하기 위해 POS 태깅을 진행한다. POS 태깅은 한국어와 관련된 연구를 수행할 때, 말뭉치를 다양한 용도로 활용할 수 있도록 구조화 하여 데이터베이스에 저장하고, 저장된 말뭉치로부터 다양한 통계 데이터를 생성하고 조회할 수 있다[13].
또한 LSTM을 활용하여 모델을 구축하고 문장별 감정을 부여하여 새로운 곡에도 감정을 자동 분류하는 작업을 실행하였다. 따라서 이별 가사의 감정 세분화에 따른 사용자 맞춤형 가사 감정별 음악 검색이나 추천이 가능해진다.
또한 본 논문에서 사용된 감정 4가지의 단어와 유사한 단어로 슬픔은 괴로움, 부정은 긍정, 분노는 격노, 무관심은 사생활로 추출이 되었다. 명사는 명사만 추출하는 기본 모델은 감정을 분류하는 모델로 사용하기엔 적합하지 않으며 이별 감정과는 관련 없는 단어들의 유사함을 보여주기 때문에 이별 가사의 가사를 학습시킨 새로운 모델을 구축하였다.
작업이 진행된다. 모든 가사를 대상으로 빈도를 측정 한 후 빈도 기반으로 단어를 숫자로 바꾸는 작업을 진행한다. 숫자로 바뀐 3차원 데이터는 Embedding Layer에 들어가는 150 개 차원을 밀집 벡터로 바꾼 후 Decoding 층에서 LSTM 모델을 통해 학습한다.
POS 태깅을 통해 모든 단어의 품사를 파악하여 마침표, 기호 등 감정 분류에는 큰 영향을 미치지 않는 품사를 제거한다. 본 논문에서 단어의 감정과 단어 간의 유사도를 판별하기 위해서 모든 태그를 사용한다.
POS 태깅 중 말뭉치 통계 정보 조회 기능은 구축된 말뭉치에서 품사, 형태소, 문어 및 구어 등의 다양한 기준에 의한 출현 빈도를 추출하여 조회할 수 있게 하는 기능이다. 본 논문에서 말뭉치 검색은 형태소를 기준으로 형태소가 쓰인 문장을 조회하고 이에 대한 품사 부착, 의미 분석, 구문 분석 결과를 확인하는 기능을 가진 Kkma 한국어 형태소 분석기를 사용하였다. POS 태깅을 통해 모든 단어의 품사를 파악하여 마침표, 기호 등 감정 분류에는 큰 영향을 미치지 않는 품사를 제거한다.
본 논문에서 제안하는 Word2Vec은 이별 가사의 가사를 사용해 단어 사전 구축함에 있어서 이별 가사 간 비교를 통해 문맥에 따라 사전이 구축된다. 그림 7은 본 논문에 사용된 데이터 셋에서 같은 '헤어지다라는 단어를 포함한 문장이 문맥에 따라 감정을 다르게 분류되는 것을 나타낸다.
하지만 Konlpy를 포함한 NLTK 등 자연어 처 리 라이브러리에서는 한국어 불용어를 별도로 지원하고 있지 않아서 별도의 처리가 필요하다. 본 논문에서는 단어들 간의 의미 파악을 하기 위해 SF(마침표, 물음표, 느낌표), SP(쉼표, 가운뎃점, 콜론, 빗금) 등 의미 파악에는 전혀 관련이 없는 태그를 불용어 처리 하였다. 감정 분류에 있어 의미 없는 단어들은 불용어로 처리하고 결과를 리스트에 저장하여 제거한다.
본 논문은 이러한 텍스트의 특성을 바탕으로 이별을 대상화하였으며 한국대중가요에 나타난 이별의 정서를 슬픔, 현실 부정, 분노 관조 4가지로 유형화한 모델을 사용하여 감정을 분류하였다.
본 절에서는 감정을 학습시키는 3가지 지도학습 모델을 학습시킨 후 정확도를 기준으로 비교 실험을 진행한다. 고차원 속성을 효율적으로 학습하는 SVM 모델 확률 기반으로 구성된 LogisticRegression 모델 마지막으로 순환 신경망 구조를 가지는 LSTM 모델 3가지 모델을 사용하였다.
본 절에서는 이별 가사의 감정을 정확하게 분류하기 위해 앞에서 구축 된 감정 사전을 바탕으로 순환신경망 모델인 LSTM 모델을 활용하여 지도학습을 진행한다. POS 태깅으로 태그화된 단어들을 바탕으로 본 논문에서 구축한 감정 사전을 이용하여 각 문장의 감정 단어들을 파악하고 유사도를 계산하여 유사도가 가장 높은 감정을 바탕으로 하나의 문장에 감정을 부여 하였다.
본 절에서는 전처리한 결과를 바탕으로 Word2Vec을 사용하여 노래 가사를 학습하고 감정 사전을 구축한다. 학습을 된위해사용 된 매개변수로는 등장 횟수 1 이하인 단어 제거를 위해 min_count> 1로 설정하고, 150차원의 벡터스페이스를 설정하기 위해 size를 150, 모델 학습 시 앞뒤로 읽을 단어의 수를 설정하기 위해 window는 5를 설정하였고, CBOW의 sg는。으로설정하였다[17].
본 절에서는 제안하는 방법을 통해 이별 가사의 감정에 대한 효율성을 입증하기 위한 실험 결과 및 성능 평가를 진행한다. 본 논문에서 제안한 사전 구축 방법인 Word2Vec 모델과 기존모델의 비교 하여 제안한 모델이 문맥에 따라 감정을 달리 부여하는 것을 확인한다.
모든 가사를 대상으로 빈도를 측정 한 후 빈도 기반으로 단어를 숫자로 바꾸는 작업을 진행한다. 숫자로 바뀐 3차원 데이터는 Embedding Layer에 들어가는 150 개 차원을 밀집 벡터로 바꾼 후 Decoding 층에서 LSTM 모델을 통해 학습한다. 학습된 LSTM 모델은 본 논문에서 제안하는 4가지의 이별 감정을 분류한다.
학습을 된위해사용 된 매개변수로는 등장 횟수 1 이하인 단어 제거를 위해 min_count> 1로 설정하고, 150차원의 벡터스페이스를 설정하기 위해 size를 150, 모델 학습 시 앞뒤로 읽을 단어의 수를 설정하기 위해 window는 5를 설정하였고, CBOW의 sg는。으로설정하였다[17]. 이별 노래의 가사를 학습한 Word2Vec 모델을 사용하여 본 논문에서 제안한 4가지 대표 감정인 '슬픔', '부정', '분노', '무관심'과 유사도를 벡터화하였다. 표 3은 4가지 감정에 대한 유사도가 가장 높은 5개 단어를 추출한 결과이다.
따라서 본 논문에서는 슬픈 음악 중 대중가요에서 많은 비중을 차지하는 이별 가사의 감정을 분류하고자 한다. 이별의 감정을 세분화하기 위해 이별에 나타나는 감정을 분석하고 이별 가사의 단어 간 유사도를 Word2Vec 학습을 통해 벡터화하여 감정 사전을 구축 한 후 LSTM을 사용하여 가사를 학습 시켜 유사한 감정으로 가사를 분류해주는 이별 가사 감정 분류 모델을 제안한다.
박민수의 '현대 시의 사회 시 학적 연구'[12] 에서는 한국 대중가요 808곡 중 450곡의 이별 곡을 가사 속에 나타난 서정자아를 기준으로 유형화하여 분석하였다. 이별의 정서를 4가지의 유형으로 유형화하고 각 감정에 대한 사례를 들어 살펴보았다. 상대가 부재하는 이별 상황에서 적응해야만 하는 현실인 '슬픔과 탄식', 이별을 인정하지 못하고 과거의 상태로 되돌리고 싶어 하는 간절한 열망인 '욕망과 현실 부정', 이별의 모든 잘못을 상대에게 돌리고자 하는 열정인 '원망과 분노', 이별한 과거를 잊고 현실을 인정하고자 하는 의지인 '관조와 역설' 총 4가지 이별의 정서를 유형별로 나눈 결과는 그림 3과 같다.
제안하는 방법으로는 명사, 형용사로 감정 분류된 기존연구의 감정 분류 모델을 사용하지 않고 한국 대중가요 이별 가사의 감정 단어들을 이용하여 새로운 분류 모델을 기준으로 '슬픔', '분노', '부정', 관조 4가지 감정으로 분류하였고 Word2Vec을 사용하여 이별 가사 간 사용된 단어의 의미를 부여하는 방법을 사용하였다. 또한 LSTM을 활용하여 모델을 구축하고 문장별 감정을 부여하여 새로운 곡에도 감정을 자동 분류하는 작업을 실행하였다.
방법을 제안한다. 제안하는 방법은 이별 노래 데이터 수집 및 학습데이터 전처리 단계, 이별 가사 감정 사전 구축 단계, 이별 가사 감정 분류 단계로 구성된다. 그림 4는 본 논문에서 제안하는 이별 가사 감정 분류 모델의 시스템 구성도이다.
제한한 모델을 기존 모델과 비교 분석하기 위해 가사를 활용해 어휘를 바탕으로 18가지 감정을 분류하는 모델인 Hu와 Downie 모델[2이, 모든 곡을 바탕으로 8가지 감정으로 분류한 PNU 모델[21]과 본 논문에서 제안한 모델을 비교하였다. 표 7은 성능 비교 결과이다.
첫 번째 단계로 토큰화란 문장 내에 존재하는 단어들을 기준으로 구분하는 것으로 Konlpy에 존재하는 Kkma 라이브러리를 사용하여 처리한다. 본 논문에서는 노래 한 곡 단위로 수집한 노래 가사의 단어를 불러와 리스트 형태로 구현하기 위해 토큰화를 진행한다.
표 3와 같이 추출된 감정 키워드의 유사도를 기준으로 '슬픔', '부정', '분노', '무관심에 대한 감정 사전을 구축하였다. 감정 사전 구축에 사용된 기준은 유사도 값이 거리기반으로 0.
숫자로 바뀐 3차원 데이터는 Embedding Layer에 들어가는 150 개 차원을 밀집 벡터로 바꾼 후 Decoding 층에서 LSTM 모델을 통해 학습한다. 학습된 LSTM 모델은 본 논문에서 제안하는 4가지의 이별 감정을 분류한다.
대상 데이터
수집하고 전처리하는 과정에 관해 기술한다. 먼저 이별 노래는 국내 최대 플랫폼인 멜론(https://www.melon.com/) 사이트의 낚테마장르'에서 '이별'이라는 키워드로 분류된 곡 중 팝송을 제외한 1648곡을 수집하였다. 감정의 유사도를 판별하여 각 단어들의 위치를 파악하기 위해서 Python의 자연어 처리인 Konlpy를 이용하여 전처리한다.
LSTM을 활용한 지도학습을 위해서는 학습시킬 데이터와 정답 데이터가 필요하다. 학습시킬 데이터는 감정 사전을 사용하고 정답 데이터는 감정 단어의 라벨링 된 데이터를 사용한다. 표 4는 감정 단어의 라벨링 작업을 나타낸다.
이론/모형
com/) 사이트의 낚테마장르'에서 '이별'이라는 키워드로 분류된 곡 중 팝송을 제외한 1648곡을 수집하였다. 감정의 유사도를 판별하여 각 단어들의 위치를 파악하기 위해서 Python의 자연어 처리인 Konlpy를 이용하여 전처리한다. 전처리는 토큰화, POS 태킹, 불용어 처리 순으로 처리한다.
후 정확도를 기준으로 비교 실험을 진행한다. 고차원 속성을 효율적으로 학습하는 SVM 모델 확률 기반으로 구성된 LogisticRegression 모델 마지막으로 순환 신경망 구조를 가지는 LSTM 모델 3가지 모델을 사용하였다. 학습시킨 모델에 대한 정확도를 표 6과 같이 비교 실험하였다.
본 논문에서는 단어 간 거리 유사도를 판별하여 단어 간 의미를 파악하기 위해 Word2Vec 임 베딩 모델을 사용하였다. '아주 많이 사랑했던 나의 그대를 이젠 떠나 보내려 해', "다른 사랑 못할 거 같아요', '미안했어 다신 사랑 안 한단 거짓말의 문장에 대한 '사랑이란 단어에 대한 유사도를 추출한 결과 '미안 과 '이별'이라는 단어가 의미적으로 유사도가 높게 나타났다.
CBOW 모델은 주변 단어, 즉 타겟 단어의 직전 몇 단어와 직후 몇 단어로 맥락으로 타겟 단어를 예측하고 유사하다고 판단한다. 본 논문에서는 단어를 통해 문맥을 파악하기 위해 CBOW 모델을 사용하였다. 그림 1은 CBOW 모델을 나타낸다.
LSTM은 전체 3개의 게이트 (Input gate, Forget gate, Output gate) 연산 과정을 통해 동작하는데 시계열적인 특징과 연관이 있다[이. 본 논문에서는 문장의 흐름을 확인하기 위해 LSTM 모델을 사용한다. 그림 2는 LSTM의 구조를 나타낸다.
성능/효과
'아주 많이 사랑했던 나의 그대를 이젠 떠나 보내려 해', "다른 사랑 못할 거 같아요', '미안했어 다신 사랑 안 한단 거짓말의 문장에 대한 '사랑이란 단어에 대한 유사도를 추출한 결과 '미안 과 '이별'이라는 단어가 의미적으로 유사도가 높게 나타났다.
낮은 성능을 보여주었다. 가사의 특성상 문맥(가사)의 흐름을 파악해야 했고 3가지 모델 중 순환 신경망 구조로 문맥파악에 많이 사용이 되는 모델인 LSTM이 79.2% 로 가장 높은 정확도를 보여준다.
또한 본 논문에서 사용된 감정 4가지의 단어와 유사한 단어로 슬픔은 괴로움, 부정은 긍정, 분노는 격노, 무관심은 사생활로 추출이 되었다. 명사는 명사만 추출하는 기본 모델은 감정을 분류하는 모델로 사용하기엔 적합하지 않으며 이별 감정과는 관련 없는 단어들의 유사함을 보여주기 때문에 이별 가사의 가사를 학습시킨 새로운 모델을 구축하였다.
2%라는 비교적 높은 성능을 보였다. 또한 본 논문에서 제시한 이별 감정의 모델에서 '역설', '탄식', 요망, '원망'의 감정도 추가하여 8가지 감정에 대한 정확도를 비교해보았을 때 67.9%로 타 모델과 비교하면 정확도는 높았다. 하지만 이별의 대표적인 감정 구별에 있어 8가지 감정 분류는 4가지로 분류하였을 때보다 세분화 작업에서 현저하게 떨어지는 것을 확인 할 수 있다.
1996년도의 749곡 가운데 469곡 (약 66%)이 이별과 그리움을 주제로 한 곡이라고 분석되었다 [5]. 또한 우울증 진단을 받은 환자들을 대상으로 슬픈 음악, 즐거운 음악, 영화 OST를 들려준 후 선호도를 조사한 결과 슬픈 음악을 선택하였다. 그 이유로는 '자신의 감정 상태를 이해해주는 느낌을 받아 오히려 마음이 편안해지는 느낌을 받았다는 연구 결과가 있으며 부정적인 감정을 완화하기 위해 오히려 슬픈 음악을 들으라고 권한다[이.
PNU 모델에서는 425곡이라는 적은 데이터로 모든 가사의 감정을 8가지로 분류하여 낮은 정확도를 보여준다. 반면 본 논문에서 제안한 모델은 이별 가사의 1, 648곡 데이터를 이용하고 학습자질은 이별 감정으로 하여 이별에 특화된 감정 분류수 4개의 감정을 79.2%라는 비교적 높은 성능을 보였다. 또한 본 논문에서 제시한 이별 감정의 모델에서 '역설', '탄식', 요망, '원망'의 감정도 추가하여 8가지 감정에 대한 정확도를 비교해보았을 때 67.
진행한다. 본 논문에서 제안한 사전 구축 방법인 Word2Vec 모델과 기존모델의 비교 하여 제안한 모델이 문맥에 따라 감정을 달리 부여하는 것을 확인한다.
제시한 3가지 지도학습 모델 중에서 SVM과 Logistic Regression모델은 낮은 성능을 보여주었다. 가사의 특성상 문맥(가사)의 흐름을 파악해야 했고 3가지 모델 중 순환 신경망 구조로 문맥파악에 많이 사용이 되는 모델인 LSTM이 79.
9%로 타 모델과 비교하면 정확도는 높았다. 하지만 이별의 대표적인 감정 구별에 있어 8가지 감정 분류는 4가지로 분류하였을 때보다 세분화 작업에서 현저하게 떨어지는 것을 확인 할 수 있다. 본 논문에서 제안하는 감정 분류 모델은 사용자에게 보다 정확한 이별 노래 추천을 위한 모델이다.
후속연구
분야별 가사를 수집하여 감정들을 분석한다면 본 논문에서 제안하는 방법을 통해 이별 가사뿐만 아니라 다양한 분야에서의 감정 분석이 가능할 것으로 기대된다. 또한 리듬기반으로 추천하고 있는 음악시장의 기존 시스템에 자연어 처리를 통한 음악 추천 모델을 적용한다면 사용자의 감정에 따른 사용자 맞춤형 감정별 음악검색 또는 추천 서비스로 활용될 것으로 기대된다.
본 논문은 이별 감정 사전의 키워드를 선정함에 있어 '슬픔', '분노', '부정', 관조의 4개의 키워드와 확장 단어를 포함한 8개의 키워드를 제시하였지만 비슷한 감정으로 크게 차이를 보이지 않아 향후에는 이별에 맞는 더욱 세분화된 감정들을 추가 선정하여 확장하게 된다면 보다 더 세밀하게 이별 감정을 분석할 수 있는 연구가 될 것이라고 생각한다.
맞지 않은 감정의 분류이다. 분야별 가사를 수집하여 감정들을 분석한다면 본 논문에서 제안하는 방법을 통해 이별 가사뿐만 아니라 다양한 분야에서의 감정 분석이 가능할 것으로 기대된다. 또한 리듬기반으로 추천하고 있는 음악시장의 기존 시스템에 자연어 처리를 통한 음악 추천 모델을 적용한다면 사용자의 감정에 따른 사용자 맞춤형 감정별 음악검색 또는 추천 서비스로 활용될 것으로 기대된다.
참고문헌 (21)
Rainer Typke, Frans Wieing, Remco C. Veltkamp, "A survey of music information retrieval systems," Multimedia Information Retrieval, pp. 153-160, 2005.
박상준, "기계 학습을 이용한 내용 기반의 음악 장르 분류", 서울대학교 석사학위 논문, 2002. 8
유민준, 김현주, 이인권, "감성모델을 이용한 음악탐색 인터페이스," 한글 및 한국어 정보처리 학술대회 발표집, 707-710쪽, 2009년 2월
홍택은, 김정인, 신주현, "인스타그램 이미지와 텍스트 분석을 통한 사용자 감정 분류," 스마트미디어저널, 제5권, 제1호, 61-68쪽, 2016년 3월
박원호, "LSTM을 활용한 이별 가사 감정 분류 모델 연구", 조선대학교 석사학위 논문, 2020. 8
"한국어 Word2vec", Korean Word2Vec, https://word2vec.kr/search/ (accessed May. 10, 2020)
Xiao Hu, J. Stephen Downie, Andreas F. Ehmann, "Lyric Text Mining in Music Mood Classification," Proceeding of International Society for Music Information Retrieval, 2009.
신기원, "감정 온톨로지를 활용한 노래 가사의 감정 분류", 부산대학교 석사학위 논문, 2011. 2
※ AI-Helper는 부적절한 답변을 할 수 있습니다.