$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

[국내논문] 자연어 처리 딥러닝 모델 감정분석을 통한 감성 콘텐츠 개발 연구
A Study on the Development of Emotional Content through Natural Language Processing Deep Learning Model Emotion Analysis 원문보기

Journal of the convergence on culture technology : JCCT = 문화기술의 융합, v.9 no.4, 2023년, pp.687 - 692  

이현수 (성결대학교 미디어소프트웨어학과) ,  김민하 (성결대학교 미디어소프트웨어학과) ,  서지원 (성결대학교 미디어소프트웨어학과) ,  김정이 (성결대학교 미디어소프트웨어학과)

초록
AI-Helper 아이콘AI-Helper

본 연구는 자연어 처리 딥러닝 모델의 감정분석 정확성을 확인해보고 이를 감성 콘텐츠 개발에 활용하도록 제안한다. GPT-3모델의 개요를 살펴본 후 Aihub에서 제공하는 희곡 대사 데이터 약 6000개를 입력하고 '기쁨', '슬픔', '공포', '분노', '혐오', '놀람', '흥미', '지루함', '통증' 총 9가지 감정 범주로 분류하였다. 이후 자연어 처리 모델 평가 방법인 정확도, 정밀도, 재현율, F1-score 의 평가지표를 활용하여 성능평가를 진행하였다. 감정분석 결과 91% 이상의 정확도를 보였으며 정밀도의 경우 '공포','통증'이 낮은 수치를 보였다. 재현도의 경우 '슬픔', '분노', '혐오'와 같은 부정적인 감정에서 낮은 수치가 나타났고 특히 '혐오'의 경우 데이터 양의 부족으로 인해 오차가 나타난 것으로 확인된다. 기존 연구의 경우 감정분석을 긍정, 부정, 중립으로 나누는 극성분석에만 주로 사용되어 그 특성상 피드백 단계에서만 사용되는 한계가 있었다. 본 연구는 감정분석을 9가지 범주로 확장하여 기획 단계에서부터 이를 고려한 개발을 통해 게임, 전시, 공연, 관광, 디자인, 에듀테크, 미디어 등에서 감성 콘텐츠 개발에 활용될 수 있음을 제안한다. 후속 연구를 통하여 더욱 다양한 일상 대화들을 추가로 수집하여 감정분석을 진행한다면 더욱 정확한 결과를 얻을 수 있을 것으로 기대된다.

Abstract ▼ AI-Helper 아이콘AI-Helper

We analyze the accuracy of emotion analysis of natural language processing deep learning model and propose to use it for emotional content development. After looking at the outline of the GPT-3 model, about 6,000 pieces of dialogue data provided by Aihub were input to 9 emotion categories: 'joy', 's...

주제어

#자연어 처리   #감정분석   #감성콘텐츠  

표/그림 (5)

참고문헌 (14)

  1. D, H. Jo, I. Jeon and M. K. Moon. "Scenario？Generation Assistance System Using GPT-3,"？Proceedings of the Korean Society of Computer？Information Conference(KSCI), Vol.30, No.2, pp.？503-504. July 2022. 

  2. W. S. Sim, Y. H. Moon and H. B. Seo,？"Improvement of Online-Shopping Mall Review？System using Natural Language Processing,"？Electrical Machinery & Energy Conversion？Systems Society Annual Spring Conference？(KIEE), pp.217-218, 2022. 

  3. J. Garten, K. Sagae and V. Ustun, "Combining？distributed vector representations for words," In？Proceedings of the 1st workshop on vector？space modeling for natural language processing？(NAACL-HLT), pp. 95-101, June 2015. DOI:？10.3115/v1/W15-1513 

    crossref

  4. A. Karpathy, J. Johnson and L. Fei-Fei,？"Visualizing and Understanding Recurrent？Networks," arXiv:1506.02078v2, 2015. DOI: 10.48550/arXiv.1506.02078 

    crossref

  5. K. H. Cho, B. van Merrienboer and C. Gulcehre,？"Learning phrase representations using RNN？encoder-decoder for statistical machine translation,"？Conference on Empirical Methods in Natural？Language Processing(EMNLP), pp.1724-1734,？2014. DOI: 10.3115/v1/D14-1179 

    crossref

  6. P. Ekman, "An argument for basic emotions.？Cognition and Emotion 6," Congnition and？Emotion, Vol. 3, No. 4, pp. 169-200, Oct 1992.？DOI: /10.1080/02699939208411068 

    상세보기 crossref

  7. A. Vaswani, N. Shazeer and N. Parmar,？"Attention is all you need," Advances in Neural？Information Processing Systems 30, pp. 6000-6010, Dec 2017. 

  8. Z. Hwang, "Understanding and Trends of a？Transformer Deep Learning Model in the Liberal？Arts Education," The Journal of Liberal Arts？(HILAS), Vol.9, No.2, pp. 145-156, 2022. DOI:？10.55450/hilas.2022.9.2.145 

    crossref

  9. T. Brown, "Language models are few-shot？learners," Advances in Neural Information？Processing Systems 3 (NeurlPS), pp. 1877-1901,？2020. DOI: 10.48550/arXiv.2005.14165 

    crossref

  10. H. G. Jeon, K. C. Jung and K. A. Kwon,？"Machine Learning Language Model Implementation？Using Literary Texts," The Journal of the？Convergence on Culture Technology(JCCT),？Vol.7 No.2, pp. 427-436, 2020. DOI : 10.17703/JCCT.2020.6.2.449 

    원문보기 상세보기 crossref

  11. Jae-Kyung Sung, Yung-Bok Kim and Yong-Guk Kim, "Deep learning-based Multilingual？Sentimental Analysis using English Review？Data," The Journal of the Institute of Internet？(JIIBC), Broadcasting and Communication, Vol.19, No.3, pp.9-15, 2019. DOI : 10.7236/JIIBC.2019.19.3.9 

    원문보기 상세보기 crossref

  12. Hyorim Shin, Junho Choi, "Analysis of User？Reviews for Webtoon Applications Using Text？Mining," The Journal of the Convergence on？Culture Technology(JCCT), Vol.8 No.4, pp.？457-468, 2022. DOI : 10.17703/JCCT.2022.8.4.457 

    원문보기 상세보기 crossref

  13. S. S. Na, J. Y. Kang and S. J. Rlee,？"Implementation of Age Prediction Model for？Elementary and Secondary Learners' Writings？Using Transformer Language Model," Journal of？CheongRam Korean Language Education, No.90,？pp. 51-96, 2022. DOI : 10.26589/jockle..90.202211.51 

    crossref

  14. S. I. Kim, D. S. Kim and J. W. Kim, "Public？Sentiment Analysis of Korean Top-10 Companies？: Big Data Approach Using Multi-categorical？Sentiment Lexicon," Journal of Intelligence and？Information System(JIIS), Vol.22, No.3, pp.45-69,？2016. DOI : 10.13088/jiis.2016.22.3.045 

    원문보기 상세보기 crossref

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로