선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 연구에서는 논쟁적 글을 분류하는데 있어 CNN기반의 새로운 모형을 제안하였다. 그리고 제안하는 모형을 검증하기 위해, 대학생들의 페이스북 소통공간인 대나무숲에서 코퍼스를 수집하고, 댓글이나 대댓글 정보를 이용하여 자동으로 논쟁 여부에 대한 학습 데이터를 구축 하였다.
가설 설정
- 또한, 긴 글은 서두에서 논쟁에 대해 언급을 하는 경우가 많다. 이런 특성을 고려할 때, 먼저 출현한 500 단어만을 보고도 이 글이 충분히 SNS 상에서 논쟁이 될지 안 될지 판단할 수 있어야 한다고 가정하였다. CNN 의 입력 크기가 고정되어 있어야 하므로, 단어 개수가 500개 미만인 글은 임의의 단어 [PAD]를 붙여서 500개가 되도록 하였다.
제안 방법
- 우리는 논쟁 유발성 판단을 위해서는 보다 추상화된 자질이 학습될 수 있어야 하는 가정하에 기존 [5]의 CNN을 확장한 2-phase CNN 모델을 제안한다. 그리고 이를 학습하기 위해 한국어 SNS 데이터의 메타 정보를 이용하여 자동으로 학습데이터를 구축하고, [5]와 제안하는 모델을 비교 실험하였다. 2장에서는 제안하는 모델을 자세히 설명하고, 3장에서는 SNS에서 수집한 데이터를 바탕으로 실험한 결과를 분석한다.
- 본 연구에서는 논쟁적 글을 분류하는데 있어 CNN기반의 새로운 모형을 제안하였다. 그리고 제안하는 모형을 검증하기 위해, 대학생들의 페이스북 소통공간인 대나무숲에서 코퍼스를 수집하고, 댓글이나 대댓글 정보를 이용하여 자동으로 논쟁 여부에 대한 학습 데이터를 구축 하였다. 제안하는 모델은 SVM 기반의 기존 문서 분류 모델과 성능 비교를 하였을 때 상당한 성능향상이 있었고 기존의 단순한 CNN에 비해서도 성능향상을 보였다.
- 91만개 글 중 댓글 10개 이상, 좋아요 100개 이상, 댓글의 좋아요 수가 10 이상인 글을 논쟁이 나타난 글로 간주하여 논쟁 글 학습 말뭉치 (8135개)를 구성하였다. 논쟁 아닌 글 말뭉치는 논쟁 글 8,135개를 제외한 나머지 글에 대해 임의로 과소 표본추출(Random Under. Sampling)을 적용하여 15,000개를 추출하였다.
- 본 논문이 제안한 CNN 모형의 입력은 문장의 각 단어를 one-hot 벡터로 표현한다. 단어 w의 one-hot 벡터 vw는 그 단어를 나타내는 특정 위치의 값만 1이고 나머지가 모두 0인 1차원 벡터를 의미한다.
- 예를 들어, SNS 글이 n개의 단어로 구성되어 있고 단어를 k 차원으로 임베딩 시켰을 때, 입력 층은 n×k의 행렬로 구성할 수 있다. 본 연구에서는 3개의 단어 단위로 SNS 글이 추상화 될 수 있도록 Convolution 층을 구성하며, 이를 다시 한 번 추상화시키기 위해 3-Max Pooling 층으로 통과시킨다. 2단계 CNN는 1단계 CNN의 출력을 입력으로 넣어 같은 과정을 반복하도록 한다.
- 본 연구에서는 복수의 문장이 들어간 경우에 대해서 분류하는 모델이 필요하기 때문에 [5]과 달리 CNN을 2단계로 구성하였다. [5]에서는 100글자 내로 구성 된 문장에 대해 감정 분류하는 CNN 분류 모형을 제안하였는데 본 연구에서는 다수의 문장으로 구성 된 글에 대해 논쟁 여부를 분류하는 모형이기 때문에 2단계로 구성하였다.
- 본 연구에서는 하이퍼파라미터에 해당하는 learning rate를 1e-5, dropout rate를 0.5, batch size는 128로 구성하였다. epoch은 15까지 진행하였다.
- 본 연구에서 제안한 모델의 성능을 검증해보기 위해 SVM과 [5]의 연구에서 쓰인 non-static CNN-rand 모델을 비교 실험하였다. 비교 실험에 쓰인 SVM은 N-gram 기반으로 단어를 추출하고 TF-IDF를 계산한 값을 입력으로 사용하여 Linear Support Vector Machine에 돌렸다. SVM 모형에선 10-겹 교차 검증을 통해 76.
- 우리는 논쟁 유발성 판단을 위해서는 보다 추상화된 자질이 학습될 수 있어야 하는 가정하에 기존 [5]의 CNN을 확장한 2-phase CNN 모델을 제안한다. 그리고 이를 학습하기 위해 한국어 SNS 데이터의 메타 정보를 이용하여 자동으로 학습데이터를 구축하고, [5]와 제안하는 모델을 비교 실험하였다.
- 그림 2는 본 논문이 제안하는 2-Phase CNN 모형을 보여준다. 제안 모형은 SNS의 글을 입력으로 받아, 2 단계로 구성된 CNN 층을 거친다. 2단계의 CNN을 통과한 이후에 입력된 글은 주제, 문체, 뉘앙스 등 추상화된 자질이 추출된다.
- 2단계의 CNN을 통과한 이후에 입력된 글은 주제, 문체, 뉘앙스 등 추상화된 자질이 추출된다. 추상화 된 자질을 바탕으로 글의 논쟁 유발성을 판별하기 위해 3번의 FCNN(Fully Connected Neural Network) 층을 거치도록 한다. 이때, 마지막 FCNN은 softmax 층으로 구성하여 입력된 글이 논쟁 유발 글인지 아닌지를 판별할 수 있도록 한다.
- 추출한 글에 대해 내용의 HTML 태그를 제거한 후 KoNLPy mecab 형태소 분석을 수행하였다. CNN의 입력으로 들어갈 때는 각 단어마다 품사태그가 붙어서 입력되도록 하였다.
- 대표적인 연구로는 트위터(twitter)에서 트윗(tweet)의 감정을 분류하는 연구를를 들 수 있다[1]. 해당 연구에서는 트윗에서 정형어휘(formal vocabulary) 추출하였으며, 사전 기반의 분류기를 통해 감정을 구분하였다. 이보다 확장된 개념으로 트윗에서 정형어휘(formal vocabulary) 뿐만 아니라 비정형어휘(informal vocabulary)도 함께 사용하여 특징 (feature)을 추출한 연구[2]도 진행되었는데, 그 연구에서는 SVM(support vector machine)을 통해 문서의 감정 분류를 수행하였다.
대상 데이터
- 수집 된 글은 페이지 생성 시점부터 작성 된 모든 글을 포함하고 있다. 91만개 글 중 댓글 10개 이상, 좋아요 100개 이상, 댓글의 좋아요 수가 10 이상인 글을 논쟁이 나타난 글로 간주하여 논쟁 글 학습 말뭉치 (8135개)를 구성하였다. 논쟁 아닌 글 말뭉치는 논쟁 글 8,135개를 제외한 나머지 글에 대해 임의로 과소 표본추출(Random Under.
- SNS 논쟁 유발 글 말뭉치는 페이스북으로부터 수집하였다. 페이스북을 선택한 이유는, 페이스북에는 대학교 별로 학생들이 자신의 고민을 익명으로 털어놓을 수 있는 ‘대나무숲’이라는 소통 공간이 존재한다.
- 이로 인해 경쟁 업체와 소송을 진행하는 등 SNS 내에서는 다양한 주제로 논쟁이 진행되고 있다. 다양하면서도 대학생 또는 대학교 주변 사람들 관련 논쟁으로만 구성되어있는 대나무숲 페이지 글을 수집하여 논쟁 유발 글, 논쟁을 유발하지 않는 글을 구성하였다. 본 연구에서는 논쟁 유발성 SNS 글은 그 글에 대해서 다양한 의견이 오가는 것으로 삼았으며, 이와 같은 글은 댓글 및 공감(예: 좋아요, 싫어요)이 많은 특징을 보인다.
- 본 연구에서는 각 글의 최대 길이를 단어 500개로 하였다. 논쟁 유발 글은 많은 사람들의 눈길을 끌고, 좋아요 클릭, 댓글 입력 등의 활동을 유도하는 글이다.
- 우리는 페이스북의 77개 대학 대나무숲 페이지로부터 91만개의 글(내용, 좋아요 수, 댓글)을 수집하였다. 수집 된 글은 페이지 생성 시점부터 작성 된 모든 글을 포함하고 있다.
데이터처리
- 본 연구에서 제안한 모델의 성능을 검증해보기 위해 SVM과 [5]의 연구에서 쓰인 non-static CNN-rand 모델을 비교 실험하였다. 비교 실험에 쓰인 SVM은 N-gram 기반으로 단어를 추출하고 TF-IDF를 계산한 값을 입력으로 사용하여 Linear Support Vector Machine에 돌렸다.
이론/모형
- 일반적으로 고급 경사 하강법에는 Adadelta, Adagrad. RMSProp, Adam 등이 있으며, 본 연구에서는 Adam 기법을 사용하였다[8].
- 이 식에서 f는 비선형 함수로써 tanh나 ReLU와 같은 함수들이 사용될 수 있으며. 본 연구에서는 ReLU를 사용한다. w는 가중치 행렬, b∈R은 bias에 해당하며, w와 b는 역전파 과정에서 결정된다.
- 표현 행렬 Wwrd를 오류 역전파 알고리즘(backpro -pagation algorithm)을 통해 학습할 수 있도록 한다.
성능/효과
- 비교 실험에 쓰인 SVM은 N-gram 기반으로 단어를 추출하고 TF-IDF를 계산한 값을 입력으로 사용하여 Linear Support Vector Machine에 돌렸다. SVM 모형에선 10-겹 교차 검증을 통해 76.30%의 Accuracy, 61.13%의 Recall, 68.17%의 Precision, F1 점수는 0.64가 나왔다. SVM에 비해 본 연구에서 제안한 2-Phase CNN 모형은 F1 점수가 0.
- 제안하는 모델은 SVM 기반의 기존 문서 분류 모델과 성능 비교를 하였을 때 상당한 성능향상이 있었고 기존의 단순한 CNN에 비해서도 성능향상을 보였다. 이를 통해 우리는 제안 모형을 바탕으로 사전에 SNS 내에서 논쟁을 일으키는 글을 사전에 탐지할 수 있음을 파악했다.
- 이 문장들은 구어체에 가까운 단어들이 들어가 있는 경우가 많았다. 이처럼 본 논문이 제안한 CNN 모형에서 문장의 완성도가 높은 문장 구성일수록, 구어체가 적게 들어간 문장일수록 더 잘 판단하는 현상을 볼 수 있었다.
- 그리고 제안하는 모형을 검증하기 위해, 대학생들의 페이스북 소통공간인 대나무숲에서 코퍼스를 수집하고, 댓글이나 대댓글 정보를 이용하여 자동으로 논쟁 여부에 대한 학습 데이터를 구축 하였다. 제안하는 모델은 SVM 기반의 기존 문서 분류 모델과 성능 비교를 하였을 때 상당한 성능향상이 있었고 기존의 단순한 CNN에 비해서도 성능향상을 보였다. 이를 통해 우리는 제안 모형을 바탕으로 사전에 SNS 내에서 논쟁을 일으키는 글을 사전에 탐지할 수 있음을 파악했다.
후속연구
- 추후에는 SNS 상에서는 대학생들의 소통 공간에서뿐만 아니라 다양한 공간에서 논쟁 데이터를 대상으로 실험하여 제안 논쟁 탐지 모형이 잘 작동하지는 검증해야 할필요가 있다. 또한 2-phase 이상의 다양한 CNN구조와 데이터의 길이가 매우 긴 경우 어떠한 구조가 적절한지에 대한 연구가 필요하다고 할 수 있다. 추가적으로 논쟁 유발성을 판별하는 것은 SNS의 글뿐만 아니라 각 글에 달린 댓글을 분석을 함께 고려할 필요가 있다.
- 추후에는 SNS 상에서는 대학생들의 소통 공간에서뿐만 아니라 다양한 공간에서 논쟁 데이터를 대상으로 실험하여 제안 논쟁 탐지 모형이 잘 작동하지는 검증해야 할필요가 있다. 또한 2-phase 이상의 다양한 CNN구조와 데이터의 길이가 매우 긴 경우 어떠한 구조가 적절한지에 대한 연구가 필요하다고 할 수 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.