초록

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

현재 인터넷 환경에서 텍스트는 다루기 쉽고 부하가 적어 가장 많이 사용되는 통신 수단이다. 그러나 화상 채팅과는 달리 자신의 표정이나 체스춰를 전달할 수 있는 방법이 없기 때문에 표현상의 한계가 있다. 이 글은 일상 대화를 텍스트로 입력받아, naive Bayes 알고리즘을 사용해 미리 정의된 감정 범주, 즉 울기, 웃기, 화내기 등으로 분류해 주는 방법에 관해 다루고 있다. 채팅사이트에서 수집된 학습데이터는 사람에 의해 해당 감정 범주로 태깅되고, 이렇게 태깅된 데이터가 학습엔진에 의해 통계 정보로 구축되면, 실제 채팅사이트에서 감정인식 엔진은 입력된 데이터를 분석해 해당 감정으로 분류한다. 연령별로 5개의 그룹으로 나눈 대화방에서 각각 1000문장씩 테스트해본 결과 평균 91.6%의 정확도를 얻을 수 있었다.

현재 인터넷 환경에서 텍스트는 다루기 쉽고 부하가 적어 가장 많이 사용되는 통신 수단이다. 그러나 화상 채팅과는 달리 자신의 표정이나 체스춰를 전달할 수 있는 방법이 없기 때문에 표현상의 한계가 있다. 이 글은 일상 대화를 텍스트로 입력받아, naive Bayes 알고리즘을 사용해 미리 정의된 감정 범주, 즉 울기, 웃기, 화내기 등으로 분류해 주는 방법에 관해 다루고 있다. 채팅사이트에서 수집된 학습데이터는 사람에 의해 해당 감정 범주로 태깅되고, 이렇게 태깅된 데이터가 학습엔진에 의해 통계 정보로 구축되면, 실제 채팅사이트에서 감정인식 엔진은 입력된 데이터를 분석해 해당 감정으로 분류한다. 연령별로 5개의 그룹으로 나눈 대화방에서 각각 1000문장씩 테스트해본 결과 평균 91.6%의 정확도를 얻을 수 있었다.

AI 본문요약

엑셀 다운로드 AI-Helper

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

• 연구 주제
• 연구 방법
• 연구 결과

문제 정의

• 뽄 논문에서는 입력된 문장을 해당 감성으로 분류하는 시스템인 TexMo의 원리와 실험 결과에 대해 다루고 있다. TexMo는 일상어를 입력받아 미리 정의된 범주 코드를 출력한다.
• 지금까지 감정인식 엔진이 채팅 사이트에서 감정 상태를 학습하는 방법과, 실제 실험 결과에 대해 알아보았다. naive Bayes 방법에 덧붙여 전처리 과정에서 몇 가지 처리를 추가한 결과, 입력 데이터의 회소성으로 인해 결과가 좋지 않을 것이라는 우려와 달리, 높은 정확도를 얻을 수 있었다.

제안 방법

• 이러한 데이터를 형태소 분석을 하는 등의 자연언어 처리 방식으로 집근 하게 되면 비어나 속어에 대한 특별한 사전을 구성하시 않는 한 정확도가 떨어질 수밖에 없다. 따라서 우리는 입력된 문장을 자연언어로서의 처리가 아닌, 어절 단위 각각을 통계 정보로 분석하는 것을 원칙으로 했다.
• 즉 "하하하"와 ”하하하하 하"는 같은 뜻으로 사용됨에도 불구하고 다른 통계 정 보가 구축된다. 이의 해결을 위해 분석기에 별로로 이러한 의성어의 연속을 찾아내서 같은 내용의 감정으로 인식하도록 하였다. 이러한 처리들은 naive Bayes 알고리즘을 적용하는데 문제시되는 데이터의 회소성에 대한 좋은 해결책이 될 수 있다.
• 그밖에 필요한 처리로는 하나의 문장에 상반되는 범주의 두 가지 그림문자가 검출되었거나, 문장이 너무 길 어 여러 가지 감정 범주로 분류되는 경우의 범주 선택 원칙이 있다. 첫 번째 문제의 경우 TexMo는 가장 나중에 나온 그림문자를 선택하는 것을 원칙으로 했으며, 두 번째 문제의 경우 문장의 길이가 어느 징도 이상이 되면 25번 범주인 '무 상태'를 선택하도록 하였다. 문장의 길이가 길어지는 것은 감정 표현이라기보다는 그냥 일반적인, 서술'이라고 보기 때문이다.

대상 데이터

• 학습을 위한 데이터는 인터넷의 채팅 사이트 4곳을 골라 골고루 수집하였다. 분석 결과 전체 모아진 30만 문장 중 표 2에서 언급된 24개의 감정으로 분류되는 문장은 약 30% 정도였다.

이론/모형

• 분석기에서는 위에서 언급한 naive Bayes 알고리즘을 기초로 하여 가장 높은 확률의 감정 범주를 선택한다. 이때 문제가 되는 부분은 실제 입력 데이터의 길이가 너무 짧은 즉, 학습데이터의 희소성으로 인해 계산된 확률의 결과값이 0인 경우가 많다는 것이다.

성능/효과

• 지금까지 감정인식 엔진이 채팅 사이트에서 감정 상태를 학습하는 방법과, 실제 실험 결과에 대해 알아보았다. naive Bayes 방법에 덧붙여 전처리 과정에서 몇 가지 처리를 추가한 결과, 입력 데이터의 회소성으로 인해 결과가 좋지 않을 것이라는 우려와 달리, 높은 정확도를 얻을 수 있었다. 이는 영어보다는 한국어가 하나의 단어로 분석하기 편하다는 특징 때문이기도 하다.
• 학습을 위한 데이터는 인터넷의 채팅 사이트 4곳을 골라 골고루 수집하였다. 분석 결과 전체 모아진 30만 문장 중 표 2에서 언급된 24개의 감정으로 분류되는 문장은 약 30% 정도였다. 즉 입력 데이터를 모두 무 동작 상태로 처리하면 정확도가 70% 정도 나온다는 뜻이다.
• 실험에서 나타나는 에러들을 분석해 본 결과, 에러의 50% 정도가 말뭉치의 부족 때문으로 나타났으며, 30%는 태깅을 잘못해서 노이즈가 생긴 경우, 그리고 나머지는 단어가 여러 가지 뜻을 내포해서 분석이 불가능한 경우이다. 실제로 채팅 사이트에 적용했을 땐 캐릭터에 니메이션의 중의적인 표현으로 채감 정확도가 더 늘어나는 것을 감안한다면 만족할 만한 성과라 할 수 있다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기