최근 COVID-19로 인한 코로나 블루로 상담의 중요성이 높아지고 있다. 또한 비대면 서비스의 증가로 상담 매체에 변화를 준 챗봇에 관한 연구들이 활발하게 진행되고 있다. 챗봇을 통한 비대면 상담에서는 내담자의 감정을 정확하게 파악하는 것이 가장 중요하다. 하지만 내담자가 작성한 문장만으로 감정을 인식하는 데는 한계가 있으므로 더 정확한 감정 인식을 위해서는 문장에 내제되어있는 차원 감정을 인식하는 것이 필요하다. 따라서 본 논문에서는 상담 챗봇의 감정 인식 개선을 위해 원본 데이터를 데이터의 특성에 맞게 보정한 후 Word2Vec 모델을 학습하여 생성된 벡터와 문장 VAD(Valence, Arousal, Dominance)를 딥러닝 알고리즘으로 학습한 다차원 감정 인식 모델을 제안한다. 제안한 모델의 유용성 검증 방법으로 3가지 딥러닝 모델을 비교 실험한 결과로 Attention 모델을 사용했을 때 R-squared가 0.8484로 가장 좋은 성능을 보인다.
최근 COVID-19로 인한 코로나 블루로 상담의 중요성이 높아지고 있다. 또한 비대면 서비스의 증가로 상담 매체에 변화를 준 챗봇에 관한 연구들이 활발하게 진행되고 있다. 챗봇을 통한 비대면 상담에서는 내담자의 감정을 정확하게 파악하는 것이 가장 중요하다. 하지만 내담자가 작성한 문장만으로 감정을 인식하는 데는 한계가 있으므로 더 정확한 감정 인식을 위해서는 문장에 내제되어있는 차원 감정을 인식하는 것이 필요하다. 따라서 본 논문에서는 상담 챗봇의 감정 인식 개선을 위해 원본 데이터를 데이터의 특성에 맞게 보정한 후 Word2Vec 모델을 학습하여 생성된 벡터와 문장 VAD(Valence, Arousal, Dominance)를 딥러닝 알고리즘으로 학습한 다차원 감정 인식 모델을 제안한다. 제안한 모델의 유용성 검증 방법으로 3가지 딥러닝 모델을 비교 실험한 결과로 Attention 모델을 사용했을 때 R-squared가 0.8484로 가장 좋은 성능을 보인다.
Recently, the importance of counseling is increasing due to the Corona Blue caused by COVID-19. Also, with the increase of non-face-to-face services, researches on chatbots that have changed the counseling media are being actively conducted. In non-face-to-face counseling through chatbot, it is most...
Recently, the importance of counseling is increasing due to the Corona Blue caused by COVID-19. Also, with the increase of non-face-to-face services, researches on chatbots that have changed the counseling media are being actively conducted. In non-face-to-face counseling through chatbot, it is most important to accurately understand the client's emotions. However, since there is a limit to recognizing emotions only in sentences written by the client, it is necessary to recognize the dimensional emotions embedded in the sentences for more accurate emotion recognition. Therefore, in this paper, the vector and sentence VAD (Valence, Arousal, Dominance) generated by learning the Word2Vec model after correcting the original data according to the characteristics of the data are learned using a deep learning algorithm to learn the multi-dimensional We propose an emotion recognition model. As a result of comparing three deep learning models as a method to verify the usefulness of the proposed model, R-squared showed the best performance with 0.8484 when the attention model is used.
Recently, the importance of counseling is increasing due to the Corona Blue caused by COVID-19. Also, with the increase of non-face-to-face services, researches on chatbots that have changed the counseling media are being actively conducted. In non-face-to-face counseling through chatbot, it is most important to accurately understand the client's emotions. However, since there is a limit to recognizing emotions only in sentences written by the client, it is necessary to recognize the dimensional emotions embedded in the sentences for more accurate emotion recognition. Therefore, in this paper, the vector and sentence VAD (Valence, Arousal, Dominance) generated by learning the Word2Vec model after correcting the original data according to the characteristics of the data are learned using a deep learning algorithm to learn the multi-dimensional We propose an emotion recognition model. As a result of comparing three deep learning models as a method to verify the usefulness of the proposed model, R-squared showed the best performance with 0.8484 when the attention model is used.
이신영, 함준석, 고일주, "사용자의 정서 단어 분류에 기반한 정서 분류와 선택 방법", 한국감성과학회, 제15권, 제1호, 97-104쪽, 2012년 3월
"감정의 경계를 넘어 -1-." Brunch. 2020년 6월 17일 수정, https://brunch.co.kr/@learning/18 (accessed Mar., 15, 2021)
Russell, J.A.; Mehrabian, "A. Evidence for a three-factor theory of emotions." J. Res. Personal. pp. 273-294, Nov., 1977.
한의환, 차형태, "러셀 모델의 확장을 통한 감정차원 모델링 방법 연구", 한국감성과학회, 제20권, 제1호, 75-82쪽, 2017년 3월
Aman, Saima, and Stan Szpakowicz, "Identifying expressions of emotion in text." International Conference on Text, Speech and Dialogue. Springer, Berlin, Heidelberg, pp. 196-205, 2007.
Purver, Matthew, and Stuart Battersby, "Experimenting with distant supervision for emotion classification." Proceedings of the 13th Conference of the European Chapter of the Association for Computational Linguistics. pp. 482-491, 2012.
Y. Kim, "Convolutional Neural Networks for Sentence Classification", Conference on Empirical Methods in Natural Language Processing(EMNLP), pp. 1746-1751, 2014.
Hochreiter, S., and J. Schmidhuber. "Long short-term memory." Neural computation, pp. 1735-1780, 1997.
신동원, "CNN-LSTM 복합 모델을 이용한 대화의 사용자 발화 감정 분류", 고려대학교 석사학위 논문, 2017년 2월
Zhu, S., Li, S., & Zhou, G, "Adversarial attention modeling for multi-dimensional emotion regression." In Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics, pp. 471-480, Jul., 2019.
서혜진, 신정아, "딥러닝을 활용한 감정 분석 과정에서 필요한 데이터 전처리 및 형태 변형", 한국영어학회, 제20권, 42-63쪽, 2020년 3월
임명진, 신주현, 김판구, "리뷰의 의미적 토픽 분류를 적용한 감성 분석 모델", 스마트미디어저널, 제9권, 제2호, 69-77쪽, 2020년 6월
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.