초록

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

본 논문은 온라인 교육매칭 플랫폼의 교육자에 대한 신뢰도 파악을 위한 리뷰분석 자동화 시스템을 설계한 논문이다. 웹 크롤링을 통해 비정형 데이터인 교육자에 대한 리뷰를 수집 및 파싱을 통해 데이터 베이스화 한다. 수집한 리뷰 데이터와 SO-PMI를 이용해 온라인 교육자 신뢰도 파악을 위한 맞춤형 감성사전을 구축하고자 한다. 구축한 감성사전을 이용해 리뷰를 수치화해 교육자와 피교육자 매칭 시신뢰성 향상에 도움을 주고자 한다.

본 논문은 온라인 교육매칭 플랫폼의 교육자에 대한 신뢰도 파악을 위한 리뷰분석 자동화 시스템을 설계한 논문이다. 웹 크롤링을 통해 비정형 데이터인 교육자에 대한 리뷰를 수집 및 파싱을 통해 데이터 베이스화 한다. 수집한 리뷰 데이터와 SO-PMI를 이용해 온라인 교육자 신뢰도 파악을 위한 맞춤형 감성사전을 구축하고자 한다. 구축한 감성사전을 이용해 리뷰를 수치화해 교육자와 피교육자 매칭 시신뢰성 향상에 도움을 주고자 한다.

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

• 본 논문에서 훈련데이터를 활용한 맞춤형 감성사전 구축 시 수집하는 리뷰 중 단어의 극성이 뚜렷하다고 예상되는 형용사만을 한정하여 사용하려고 했다. 그러나 동사, 부사등 다른 여러 품사의 단어도 감성분석에 활용 가능할 것으로 예상되며 여러 품사를 포함한 감성사전 구축에 대한 연구가 진행되어야할 것으로 생각한다.
• 본 논문에서는 SO-PMI를 사용한 단어의 극성 판별을 통해 감성사전 구축하는 시스템을 설계하고자 했다. 또한 감성사전을 이용해 온라인 교육 매칭플랫폼 이용 시 튜터에 대한 신뢰도 파악을 위한 자동화시스템을 설계했다.
• 본 논문에서는 온라인 교육매칭에서 튜터에 대한 신뢰성을 비정형 데이터인 튜터에 대한 리뷰데이터를 SO-PMI를 이용한 감성사전을 구축, 감성사전을 이용해 수치화해주는 시스템을 제안할 것이다[4-5]. 이를 통해 튜터에 대한 신뢰성 파악에 도움이 되고, 자동화와 수치화를 통해 원활한 매칭을 돕고자 한다.
• SO - PMI(x)는 단어 x와 긍정단어집합의 PMI합에서 부정단어집합과의 PMI합을 뺀 결과값을 의미한다. 본 논문에서는 온라인교육 플랫폼에 등록되어있는 튜터 개개인에 대한 리뷰를 수치화해서 제공하고자 한다.
• 본 연구는 SO-PMI를 활용하여 튜터 리뷰글에 대한 극성을 새로 정의했으며, 이를 감성사전 구축에 사용해 감성 분석의 성능 향상을 도모하고자 했다. 그러나 각 분야별 감성분석에 필요한 맞춤형감성사전 구축을 위해 본 연구가 갖는 연구 한계점은 다음과 같으며 이후 추가적인 연구가 필요하다.
• 본 논문에서는 온라인 교육매칭에서 튜터에 대한 신뢰성을 비정형 데이터인 튜터에 대한 리뷰데이터를 SO-PMI를 이용한 감성사전을 구축, 감성사전을 이용해 수치화해주는 시스템을 제안할 것이다[4-5]. 이를 통해 튜터에 대한 신뢰성 파악에 도움이 되고, 자동화와 수치화를 통해 원활한 매칭을 돕고자 한다.

제안 방법

• 계산한 PMI값은 SO-PMI계산에 활용한다. SO-PMI 적용에 앞서 분석 데이터의 긍정기준단어 집합과 부정기준단어 집합을 설정한 후 분석대상 단어와 긍정기준단어와 PMI 합에서 부정기준단어와의 PMI합을 뺀 점수인 SO-PMI 점수를 계산한다. SO-PMI점수가 높으면 긍정기준단어 집합과 유사성이 높으며 반대로 부정기준단어 집합과 유사성이 낮으므로 긍정단어로 해석할 수 있다.
• SO-PMI를 통해 단어별 극성점수를 판단한 후 이를 토대로 감성사전을 구축한다. 감성사전에서 각 단어는 긍부정의 단계별로 ‘강한 긍정’, ‘약한 긍정’, ‘강한 부정’, ‘약한 부정,’ ‘평균’ 5개로 구분한다.
• x와 y가 독립적으로 발생했다 가정했을 때 동시에 발생할 확률과, 측정된 x, y의 동시발생 확률을 비교함으로써 두 변수가 얼마만큼의 상관관계를 가지고 있는지 판단한다. SO-PMI를 계산하시는 식은 다음 식 2와 같다.
• 감성사전을 구축하기 위해 본 연구에서는 수집된 리뷰에서 단어 간의 극성이 명확하게 구분되는 ‘형용사’ 만을 활용하였다.
• 본 논문에서는 SO-PMI를 사용한 단어의 극성 판별을 통해 감성사전 구축하는 시스템을 설계하고자 했다. 또한 감성사전을 이용해 온라인 교육 매칭플랫폼 이용 시 튜터에 대한 신뢰도 파악을 위한 자동화시스템을 설계했다.
• SO-PMI 값은 기준단어집합에 영향을 받으므로 기준단어집합을 적절하게 설정하는 것이 중요하다. 본 연구에서 기준단어집합을 만들기 위해 훈련데이터의 별점평균과 리뷰수를 이용해 상위 30%를 긍정단어집합, 하위 30%를 부정단어집합으로 설정하고자 한다. 두 집합에서 생성된 단어의 빈도수를 비교하여 해당 단어의 빈도수가 더 높은 집합에 귀속시킨다.
• 형용사 추출에 앞서 웹 크롤링 과정에서 발생한 불필요한 단어와 의미를 알 수 없는 단어를 제거하였으며 숫자, 특수기호 등의 불용어를 제거한다. 최종적으로 추출된 형용사들의 SO-PMI 점수를 계산해 단어의 극성을 판단한다. PMI는 두 단어 간의 유사성을 나타내는 점수로 PMI값이 높으면 두 단어 사이의 유사성이 높다는 것을 의미한다.

이론/모형

• PMI는 두 단어 간의 유사성을 나타내는 점수로 PMI값이 높으면 두 단어 사이의 유사성이 높다는 것을 의미한다. 계산한 PMI값은 SO-PMI계산에 활용한다. SO-PMI 적용에 앞서 분석 데이터의 긍정기준단어 집합과 부정기준단어 집합을 설정한 후 분석대상 단어와 긍정기준단어와 PMI 합에서 부정기준단어와의 PMI합을 뺀 점수인 SO-PMI 점수를 계산한다.
• 마지막 단계에서는 형용사단위로 처리된 ReviewDB를 SO-PMI기법을 이용해 감성사전을 구축한다. 구축된 감성 사전을 이용해 리뷰데이터를 수치화 하는 시스템이다.

후속연구

• 본 연구는 SO-PMI를 활용하여 튜터 리뷰글에 대한 극성을 새로 정의했으며, 이를 감성사전 구축에 사용해 감성 분석의 성능 향상을 도모하고자 했다. 그러나 각 분야별 감성분석에 필요한 맞춤형감성사전 구축을 위해 본 연구가 갖는 연구 한계점은 다음과 같으며 이후 추가적인 연구가 필요하다.
• 본 논문에서 훈련데이터를 활용한 맞춤형 감성사전 구축 시 수집하는 리뷰 중 단어의 극성이 뚜렷하다고 예상되는 형용사만을 한정하여 사용하려고 했다. 그러나 동사, 부사등 다른 여러 품사의 단어도 감성분석에 활용 가능할 것으로 예상되며 여러 품사를 포함한 감성사전 구축에 대한 연구가 진행되어야할 것으로 생각한다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기