맨위로가기 타임라인 바로가기

감정 분석

"오늘의AI위키"는 AI 기술로 일관성 있고 체계적인 최신 지식을 제공하는 혁신 플랫폼입니다.
"오늘의AI위키"의 AI를 통해 더욱 풍부하고 폭넓은 지식 경험을 누리세요.
타임라인 바로가기
목차

1. 개요

감정 분석은 텍스트에 나타난 의견이나 감정을 분석하는 기술로, 극성 분류, 주관성/객관성 식별, 특징/측면 기반 분석, 강도 분석 등 다양한 종류가 있다. 지식 기반, 통계적 방법(머신 러닝), 하이브리드 방식을 활용하며, 기업의 마케팅, 정치/사회 여론 파악, 추천 시스템 등 다양한 분야에서 활용된다. 그러나 비꼬는 표현, 부정, 중의성, 언어적 뉘앙스 등 기술적 과제와 윤리적 문제에 직면하며, 웹 2.0 시대의 소셜 미디어와 온라인 리뷰 분석에서 중요성이 커지고 있다. 감정 분석 시스템의 정확성은 인간의 판단과 얼마나 일치하는지에 따라 평가된다.

더 읽어볼만한 페이지

  • 감성 컴퓨팅 - 친절한 인공지능
    친절한 인공지능은 사용자에게 친절하고 공감적인 방식으로 상호 작용하며 긍정적이고 효과적인 사용자 경험을 제공하는 것을 목표로 하는 인공지능 기술의 한 분야이다.
  • 여론 조사 - 유고브
    유고브는 2000년 영국에서 설립된 온라인 여론조사 및 시장조사 기관으로, 런던 증권거래소에 상장되어 있으며 정교한 방법론으로 정확도 높은 여론조사 결과를 발표하는 것으로 알려졌으나, 여론조작 의혹 등 논란도 있다.
  • 여론 조사 - 청중 응답 시스템
    청중 응답 시스템은 발표자가 청중의 의견을 실시간으로 수집하고 분석하는 시스템으로, 아날로그 방식에서 스마트폰 앱 기반으로 발전하여 교육, 정치, 기업 등 다양한 분야에서 활용되며 특히 교육 분야에서 학생 참여 유도 및 학습 효과 증진에 기여한다.
  • 소셜 미디어 - 유튜브
    유튜브는 2005년 설립되어 다양한 비디오 콘텐츠를 공유하는 세계 최대 온라인 동영상 플랫폼으로 성장, 구글에 인수된 후 다양한 서비스를 출시하고 기술적 발전을 이루었으나, 저작권 문제, 극단주의 콘텐츠 확산, 개인정보보호 논란 등 사회적 문제에 직면해 광고 차단 프로그램 단속 강화 정책을 시행하고 있다.
  • 소셜 미디어 - 소셜 미디어 마케팅
    소셜 미디어 마케팅은 소셜 네트워크 서비스를 이용해 고객과의 관계를 구축하고 브랜드 이미지를 제고하며, 계획된 콘텐츠와 입소문 효과를 통해 충성도를 높이는 마케팅 전략이다.
감정 분석
감정 분석
웃는 얼굴 이모티콘
웃는 얼굴을 나타내는 이모티콘
분야전산 언어학, 자연어 처리
다른 이름의견 채굴 (Opinion mining), 감성 AI (Emotion AI)
정의텍스트에 표현된 의견, 감정, 평가, 태도 등을 분석하는 자연어 처리 기술
기술
감정 인식텍스트에서 감정을 자동으로 식별하는 기술
주관성 탐지텍스트가 주관적인지 객관적인지를 판단하는 기술
극성 분류텍스트가 긍정적인지 부정적인지 중립적인지 판단하는 기술
특징 추출텍스트에서 감정 분석에 유용한 특징을 추출하는 기술
방법론
어휘 기반 접근 방식감정 어휘 사전을 사용하여 텍스트의 감성을 분석
기계 학습 기반 접근 방식지도 학습: 미리 정의된 감성 레이블이 있는 데이터로 학습된 모델 사용
비지도 학습: 레이블이 없는 데이터에서 패턴을 찾아 감성을 분석
딥러닝 기반 접근 방식심층 신경망을 사용하여 텍스트의 감성을 분석
응용 분야
고객 피드백 분석고객 리뷰, 소셜 미디어 게시물 등에서 고객 만족도 및 불만 사항 파악
시장 조사제품 또는 서비스에 대한 대중의 의견 분석
평판 관리온라인에서 브랜드 이미지 모니터링 및 관리
정치 분석여론 조사, 선거 결과 예측 등
챗봇사용자 감정에 반응하는 챗봇 개발
의료환자 감정 분석을 통한 정신 건강 관리
도전 과제
다의성단어가 문맥에 따라 다른 의미를 가질 수 있음
아이러니표현과 실제 의미가 반대인 경우
문화적 차이감정 표현 방식이 문화에 따라 다를 수 있음
언어 자원 부족특정 언어에 대한 감정 분석 도구 및 데이터 부족
관련 기술
자연어 처리컴퓨터가 인간의 언어를 이해하고 처리할 수 있도록 하는 기술
기계 학습데이터에서 학습하여 예측 또는 의사 결정을 수행하는 알고리즘 개발
텍스트 마이닝텍스트 데이터에서 유용한 정보를 추출하는 기술
의견 채굴텍스트에 표현된 의견을 식별하고 분석하는 기술
감성 인식텍스트에서 감정을 자동으로 식별하는 기술
생체 인식얼굴 표정, 목소리 등을 통해 감정을 인식하는 기술

2. 감정 분석의 종류

감정 분석은 분석 대상과 방법에 따라 다양한 종류로 나뉜다.


  • 극성 분류: 문서, 문장, 특징/측면 등 주어진 텍스트의 극성(긍정, 부정, 중립)을 분류한다. 예를 들어, "이 영화 정말 재밌다!"는 긍정, "이 식당 서비스는 최악이다"는 부정으로 분류된다. 고급 감성 분류는 즐거움, 분노, 슬픔 등 더 세부적인 감정 상태를 파악하기도 한다.[81]
  • 주관성/객관성 식별: 텍스트가 객관적인 사실을 담고 있는지, 아니면 주관적인 의견, 판단, 예측 등을 담고 있는지를 구별한다.[16] 예를 들어, "대한민국의 수도는 서울이다"는 객관적인 문장이고, "나는 서울이 가장 아름다운 도시라고 생각한다"는 주관적인 문장이다.
  • 특징/측면 기반 분석: 제품이나 서비스의 특정 기능/측면에 대한 의견을 분석한다. 예를 들어, "이 휴대폰은 배터리가 오래가지만, 카메라는 별로다"와 같이 특정 기능에 대한 긍정/부정 의견을 추출한다.[33]
  • 강도 분석: 감정의 강도를 파악한다. 예를 들어, "좋다"와 "굉장하다"는 모두 긍정적인 감정이지만, "굉장하다"가 더 강한 긍정을 나타낸다. 이러한 강도 분석은 딥 러닝 모델 등을 활용하여 이루어진다.[41]


감성을 결정하는 또 다른 방법은 -10에서 +10 척도(가장 부정에서 가장 긍정까지) 또는 0에서 +4와 같은 양의 상한 척도를 사용하는 것이다. 이 척도에서 부정적, 중립적, 긍정적 감성과 연관된 단어에 숫자를 부여한다. 이를 통해 주어진 용어의 감성을 문맥에 따라 조정할 수 있다(보통 문장 수준). 자연어 처리를 사용하여 비정형 텍스트를 분석할 때, 각 개념에 점수를 부여한다.[13][14] 텍스트의 전체 극성 및 강도가 아닌 감성을 결정하려는 경우, 텍스트에 긍정 및 부정 감성 강도 점수를 부여할 수 있다.[15]

이 외에도 측면 기반 감성 분석, 채점 감성 분석(긍정, 부정, 중립), 다국어 감성 분석, 감정 감지 등 다양한 유형의 감성 분석이 존재한다.

2. 1. 극성 분류

감정 분석의 기본적인 과제는 문서, 문장 또는 특징/측면 수준에서 주어진 텍스트의 "극성"을 분류하는 것이다. 즉, 문서, 문장 또는 개체 특징/측면에 표현된 의견이 긍정적인지, 부정적인지, 중립적인지 여부를 분류하는 것이다.[81] 고급 "극성 이상" 감성 분류는 예를 들어 즐거움, 분노, 혐오감, 슬픔, 두려움, 놀라움과 같은 감정 상태를 살펴본다.[81]

많은 통계적 분류 방법에서 중립 클래스는 중립 텍스트가 이진 분류기의 경계 근처에 있다는 가정하에 무시되지만, 여러 연구자들은 모든 극성 문제에서와 마찬가지로 세 가지 범주를 식별해야 한다고 제안한다. 또한 최대 엔트로피[89] 및 서포트 벡터 머신[90]과 같은 특정 분류기가 중립 클래스를 도입함으로써 이점을 얻고 전반적인 분류 정확도를 향상시킬 수 있다는 것을 증명할 수 있다. 원칙적으로 중립 클래스를 사용하는 두 가지 방법이 있다. 즉, 알고리즘이 먼저 중립 언어를 식별하고, 이를 필터링한 다음 나머지를 긍정 및 부정 감성의 관점에서 평가하거나, 한 단계로 세 가지 분류를 구축한다.[91] 두 번째 접근 방식에는 종종 모든 범주에 대한 확률 분포를 추정하는 작업이 포함된다(예: 자연어 툴킷에 의해 구현된 나이브 베이즈 분류기). 중립 클래스를 사용할지 여부와 방법은 데이터의 특성에 따라 다릅니다. 데이터가 중립, 부정, 긍정 언어로 명확하게 클러스터링된 경우, 중립 언어를 필터링하고 긍정 및 부정 감성 간의 극성에 집중하는 것이 합리적이다. 반대로 데이터가 긍정 및 부정 감정으로 약간의 편차를 보이며 대부분 중립적인 경우, 이 전략은 두 극 사이를 명확하게 구별하기 어렵게 만들 것이다.

2. 2. 주관성/객관성 식별

주어진 텍스트(일반적으로 문장)를 객관적 또는 주관적 클래스로 분류한다.[16] 객관적인 문장은 사실 정보를 담고 있는 반면,[20] 주관적인 문장은 개인적인 의견, 판단, 예측 등 비사실 정보를 포함한다.[21] 예를 들어, "미국 대통령으로 선출되려면 후보자는 35세 이상이어야 한다."는 객관적인 문장이고, "우리 미국인들은 성숙하고 현명한 결정을 내릴 수 있는 대통령을 선출해야 한다."는 주관적인 문장이다.

이러한 분류는 극성 분류보다 더 어려울 수 있다.[17] 단어와 구문의 주관성은 맥락에 따라 달라질 수 있으며, 객관적인 문서(예: 뉴스 기사)도 주관적인 문장을 포함할 수 있다.[18] Su는[18] 결과가 텍스트 주석 시 사용되는 주관성의 정의에 크게 의존한다고 언급했다. 그러나 Pang은[19] 문서에서 극성을 분류하기 전에 객관적인 문장을 제거하면 성능이 향상된다는 것을 보여주었다.

주관성/객관성 식별은 수동 또는 자동화된 특징 학습을 통해 이루어질 수 있다. 자동화된 학습 방법은 지도 학습과 비지도 기계 학습으로 나눌 수 있다. 기계 학습을 이용한 패턴 추출은 주석이 달린 텍스트와 주석이 없는 텍스트 모두에 대해 광범위하게 탐구되었다.

그러나 표현에 대한 고정된 규칙 집합을 개발하는 데에는 다음과 같은 어려움이 있다.

# 은유적 표현: 텍스트에 은유적 표현이 있으면 추출 성능에 영향을 줄 수 있다.[23]

# 글쓰기 불일치: 인터넷 텍스트의 경우, 글쓰기 스타일의 불일치가 뚜렷하게 나타난다.

# 맥락 의존성: 분류는 이전 문장과 다음 문장의 주관성/객관성에 따라 달라질 수 있다.[24]

# 시간 민감성: 뉴스 기사의 사실 확인은 시간이 오래 걸릴 수 있으며, 그 사이 뉴스는 오래된 정보가 될 수 있다.

# 사용량이 적은 단어 큐.

# 끊임없이 증가하는 볼륨: 텍스트 데이터의 양이 방대하여 작업 완료가 어렵다.

이러한 문제를 해결하기 위해, 연구자들은 분류기의 효율성이 학습된 패턴의 정밀도에 달려 있다고 결론 내렸다. 방대한 양의 주석 처리된 훈련 데이터를 사용한 학습자는 덜 포괄적인 주관적 특징으로 훈련된 학습자보다 더 나은 성능을 보였다. 그러나 수동 주석은 다음과 같은 이유로 자동 학습보다 덜 선호된다.

# 이해의 다양성: 언어의 모호성으로 인해 주석자 간 불일치가 발생할 수 있다.

# 인적 오류: 수동 주석 작업은 집중적인 주의가 필요하다.

# 시간 소모적: Riloff (1996)는 160개의 텍스트를 한 명의 주석자가 완료하는 데 8시간이 걸린다고 밝혔다.[25]

이러한 이유로 주석이 없는 텍스트 데이터에서 언어 패턴을 학습하기 위해 부트스트래핑 방법이 사용된다.

  • 1999년 Riloff와 Jones의 Meta-Bootstrapping.[26]
  • Thelen과 Riloff의 Basilisk.[27]


이러한 알고리즘은 자동 패턴 인식 및 추출의 필요성을 강조한다.

주관적/객관적 분류기는 다음과 같은 자연어 처리 응용 프로그램을 향상시킬 수 있다.

  • 온라인 리뷰 분류
  • 실행 가능한 통찰력 제공[29]
  • 주가 예측[30]
  • 소셜 미디어 분석
  • 학생들의 피드백 분류[31]
  • 문서 요약
  • 복잡한 질문 응답[32]
  • 도메인별 응용 프로그램
  • 이메일 분석 (스팸 감지)

2. 3. 특징/측면 기반 분석

특정 개체(예: 휴대폰, 디지털 카메라, 은행)의 다양한 기능 또는 측면에 대해 표현된 의견이나 감정을 분석하는 것을 의미한다.[33] 기능 또는 측면은 개체의 속성 또는 구성 요소를 말하며, 예를 들어 휴대폰의 화면, 식당의 서비스, 카메라의 화질 등이 이에 해당한다. 기능 기반 감성 분석의 장점은 관심 대상에 대한 미묘한 차이를 포착할 수 있다는 것이다. 서로 다른 기능은 서로 다른 감성 반응을 생성할 수 있는데, 예를 들어 호텔의 경우 위치는 편리하지만 음식은 평범할 수 있다.[34]

이러한 분석에는 관련된 개체를 식별하고, 해당 기능/측면을 추출하며, 각 기능/측면에 대해 표현된 의견이 긍정적인지, 부정적인지, 중립적인지를 결정하는 등의 여러 하위 문제가 포함된다.[35] 기능의 자동 식별은 구문론적 방법, 토픽 모델링,[36][37] 또는 딥 러닝을 사용하여 수행할 수 있다.[38][39]

2. 4. 강도 분석

감정과 정서는 본질적으로 주관적이다.[41] 문서, 문장 또는 개체의 의견에 어느 정도의 강도가 표현되는지는 경우에 따라 다르다. 그러나 감정과 정서만 예측하는 것은 항상 완전한 정보를 전달하지 못한다. 감정과 정서의 정도 또는 수준은 종종 단일 클래스 내에서 정확한 감정을 이해하는 데 중요한 역할을 한다(예: '좋음' 대 '굉장함').[41]

이러한 점에 대응하기 위해 일부 기법에서는 앙상블 방법을 채택하여, 합성곱 신경망 기반의 심층 학습 모델, 장단기 기억 네트워크, 게이트 순환 유닛을 통합하여 감정과 감정의 강도를 예측한다.[42][43][44]

3. 감정 분석의 방법

감정 분석은 주어진 텍스트의 극성(polarity)을 분류하는 것을 기본 과제로 한다. 여기서 극성이란 텍스트에 표현된 의견이 긍정적인지, 부정적인지, 혹은 중립적인지를 의미한다. 고급 감정 분류에서는 즐거움, 분노, 혐오, 슬픔, 두려움, 놀라움과 같은 감정 상태까지도 분석 대상으로 삼는다.[3]

초기 감정 분석 연구는 텍스트 패턴을 정량화하는 힌트를 제공하는 General Inquirer[3]나 개인의 심리 상태를 조사하는 심리학 연구[4]를 선구자로 볼 수 있다. 이후 Volcani와 Fogel은 텍스트에서 감정 척도와 관련된 단어 및 구를 식별하는 방법을 특허로 제시하였다.[5] 이들의 연구를 기반으로 한 EffectCheck 시스템은 특정 감정의 수준을 조절하는 데 사용 가능한 동의어를 제공한다.

이후 연구들은 감성을 단순한 극성(긍정/부정) 관점에서 다루는 경향을 보였다. 예를 들어 Turney[2]와 Pang[6]은 제품 리뷰와 영화 리뷰의 극성을 탐지하는 방법을 연구했고, Pang과 Lee[2]는 영화 리뷰를 긍정/부정으로 분류하는 것을 넘어 별점 예측으로 확장하기도 했다.

2004년 AAAI 봄 심포지엄에서는 감정 분석의 다양한 접근 방식(학습, 어휘, 지식 기반 등)을 통합하기 위한 논의가 이루어졌다.[9]

데이터의 특성에 따라 중립 클래스를 포함할지 여부와 그 방법이 결정된다. 데이터가 중립, 부정, 긍정으로 명확하게 구분될 경우 중립 언어를 제외하고 긍정/부정 감정의 극성에 집중하는 것이 합리적이다. 반면, 데이터 대부분이 중립적이고 긍정/부정 감정이 약간의 편차를 보일 경우, 두 극성을 명확히 구분하기 어려워진다.

감정을 결정하는 또 다른 방법은 척도 시스템을 사용하는 것이다. 일반적으로 부정적, 중립적, 긍정적 감정과 관련된 단어에 -10에서 +10 사이의 수치를 부여하여 특정 용어의 감성을 문맥에 따라 조정할 수 있다.[13][14]

감정 분석에는 측면 기반 감정 분석, 채점 감성 분석(긍정, 부정, 중립), 다국어 감정 분석, 감정 감지 등 다양한 유형이 있다.

3. 1. 지식 기반 방법

지식 기반 방법은 텍스트를 행복, 슬픔, 두려움, 지루함 등과 같이 명확한 감정을 나타내는 단어의 존재 여부에 따라 감정 범주로 분류한다.[46] 이러한 방식은 감정 단어 목록을 활용한다.[45]

일부 지식 기반 시스템은 명확한 감정 단어 외에도 임의의 단어에 특정 감정과의 "친화성"을 부여하기도 한다.[47] 예를 들어, 특정 단어가 긍정적 감정과 얼마나 관련이 있는지 점수를 매기는 방식이다.

지식 기반 시스템은 일반적으로 공개된 리소스를 활용하여 자연어 개념과 관련된 의미 및 감정 정보를 추출한다. 이를 통해 감정적인 상식 추론을 수행할 수 있다.[54]

3. 2. 통계적 방법 (기계 학습)

대량의 텍스트 데이터를 이용하여 감정 분류 모델을 학습시킨다. 잠재 의미 분석, 서포트 벡터 머신, 나이브 베이즈 분류 등 다양한 기계 학습 알고리즘이 활용된다.[45] 최근에는 딥 러닝 기술, 특히 순환 신경망(RNN), 합성곱 신경망(CNN) 등이 높은 성능을 보이면서 널리 사용되고 있다.

3. 3. 하이브리드 방법

하이브리드 접근 방식은 지식 표현의 요소(예: 온톨로지 및 의미 네트워크)와 머신 러닝을 모두 활용한다.[52] 이러한 요소들은 명시적으로 관련 정보를 전달하지 않지만, 그렇게 하는 다른 개념에 암묵적으로 연결된 개념의 분석을 통해 의미론을 감지하는 데 도움을 준다.[52] 하이브리드 방법은 기계 학습과 온톨로지나 의미 네트워크 등 지식 표현 요소를 모두 조합하여 다른 개념에 암묵적으로 링크되는 개념 등 의미의 미묘한 표현을 검출한다.[131]

4. 감정 분석의 활용

감정 분석은 텍스트에 나타난 감정을 파악하여 다양한 분야에 활용하는 기술이다.


  • 온라인 리뷰 분류: 기업은 제품에 대한 고객의 피드백과 리뷰를 분석하여 제품 및 서비스를 개선한다.
  • 소셜 미디어 분석: 소셜 미디어 상의 텍스트에서 여론이나 감정을 파악한다.
  • 주가 예측: 금융 업계에서는 소셜 미디어나 인터넷 텍스트 정보를 분석하여 주가 예측 모델의 정확도를 높인다.[30]
  • 학생 피드백 분류: 학생들의 피드백을 분석하여 교육 과정을 개선한다.[31]
  • 문서 요약: 특정 대상에 대한 댓글을 추출하고, 의견을 수집하여 문서를 요약한다.
  • 복잡한 질문 응답: 복잡한 질문을 분석하고, 언어 주제를 객관적 또는 주관적으로 분류하여 답변의 정확도를 높인다.
  • 이메일 분석: 특정 단어를 사용하여 언어 패턴을 추적하여 스팸 메일을 감지한다.


이 외에도 감정 분석은 기업, 정치/사회, 추천 시스템 등 다양한 분야에서 활용된다.

4. 1. 기업

기업은 감정 분석을 통해 다양한 분야에서 의사 결정을 내리고 전략을 수립하는 데 활용한다.

  • 고객 반응 파악 및 마케팅 전략 수립: 소셜 미디어나 온라인 리뷰를 분석하여 자사의 제품이나 서비스에 대한 고객의 반응을 실시간으로 파악한다. 이를 바탕으로 마케팅 전략을 수립하거나 제품을 개선하는 데 활용한다.[28]
  • 고객 서비스 품질 개선: 고객센터 상담 내용을 분석하여 고객의 불만 사항을 파악하고, 이를 통해 서비스 품질을 개선한다.[29]
  • 기업 평판 관리 및 위기 대응: 뉴스 기사나 소셜 미디어 게시글 등을 분석하여 기업의 평판을 관리하고, 위기 상황 발생 시 신속하게 대응한다.[28]
  • 주가 예측: 금융 업계에서는 소셜 미디어나 인터넷의 텍스트 정보를 분석하여 주가 예측 모델의 정확도를 높이는 데 활용하기도 한다.[30] 예를 들어, 일본 주가에 대한 연구에 따르면 감정 분석을 활용한 모델이 그렇지 않은 모델보다 더 나은 예측 성능을 보였다.[30]

4. 2. 정치/사회

감정 분석은 소셜 미디어나 뉴스 댓글 등에서 나타나는 여론을 파악하여 정책 수립이나 선거 전략 등에 활용한다. 특히, 한국 사회처럼 정치적 양극화가 심한 경우, 감정 분석을 통해 갈등의 원인을 찾고 사회 통합 방안을 모색하는 데 활용할 수 있다.[16][17][18][19]

4. 3. 추천 시스템

추천 시스템에서 감정 분석은 사용자의 선호도를 파악하고 맞춤형 상품이나 서비스를 추천하는 데 중요한 역할을 한다. 사용자가 작성한 리뷰, 평점 등의 텍스트 데이터는 사용자의 감정을 파악할 수 있는 풍부한 정보를 제공한다.[74]

이러한 텍스트 데이터는 상품의 특징과 각 특징에 대한 사용자의 감정을 모두 나타낼 수 있다.[74] 예를 들어, 사용자는 호텔의 위치에 대해서는 긍정적이지만 음식에 대해서는 부정적인 감정을 표현할 수 있다. 이러한 특징 기반 감정 분석은 콘텐츠 기반 필터링에서 메타데이터와 유사한 역할을 하지만, 사용자가 직접 작성한 내용이므로 더 가치 있게 활용될 수 있다. 사용자가 중요하게 생각하는 특징을 파악하고, 각 특징에 대한 긍정적/부정적 감정을 분석하여 사용자의 선호도를 더 정확하게 예측할 수 있기 때문이다.

감정 분석을 통해 추출된 정보는 하이브리드 추천 시스템을 구축하는 데 사용될 수 있다.[75] 사용자에게 상품을 추천하는 데에는 두 가지 주요 동기가 있다. 첫째, 사용자가 선호하는 상품과 유사한 특징을 가진 상품을 추천하는 것이다.[76] 둘째, 특정 특징에 대해 높은 감정 점수를 받은 상품을 추천하는 것이다.[75] 이 두 가지 동기를 결합하여 사용자에게 가장 적합한 상품을 추천할 수 있다.

하지만 감정 분석을 추천 시스템에 적용할 때는 스팸이나 편향된 리뷰를 주의해야 한다.[77] 악의적인 목적으로 작성된 리뷰는 추천 시스템의 정확도를 떨어뜨릴 수 있기 때문이다. 따라서 리뷰의 유용성을 평가하고, 신뢰할 수 있는 정보만을 활용하는 것이 중요하다.[77]

또한, 짧은 리뷰와 긴 리뷰를 다르게 처리해야 할 필요성도 제기된다. 짧은 리뷰는 관련 없는 정보를 제거하기 쉬워 때로는 긴 리뷰보다 더 유용할 수 있다.[78]

4. 4. 기타

감정 분석은 다양한 분야에서 활용될 수 있다.

  • 금융 시장 분석 및 주가 예측: 금융 분야에서 감정 분석은 소셜 미디어나 인터넷 텍스트 정보를 분석하여 주가 예측 모델의 정확도를 높이는 데 사용된다. 일본 주가에 대한 연구에 따르면, 주관적 및 객관적 정보를 모두 활용하는 모델이 그렇지 않은 모델보다 더 나은 예측 성능을 보였다.[30]
  • 학생 피드백 분석 및 교육 개선: 교육 분야에서는 학생들의 피드백을 분석하여 교육 과정을 개선하는 데 활용될 수 있다.[31]
  • 스팸 메일 및 악성 댓글 필터링: 이메일 분석에서 감정 분석은 특정 단어와 언어 패턴을 추적하여 스팸 메일을 걸러내는 데 사용된다. 또한, 악성 댓글을 필터링하는 데에도 활용될 수 있다.
  • 온라인 리뷰 분류: 기업은 제품에 대한 고객의 피드백과 리뷰에 담긴 의견을 파악하여 제품 및 서비스 개선에 활용한다.
  • 소셜 미디어 분석: 소셜 미디어 상의 텍스트로부터 여론이나 감정을 분석하는 데 사용된다.
  • 문서 요약: 특정 대상에 대한 댓글을 추출하고, 의견을 수집하여 문서를 요약하는 데 활용된다.
  • 복잡한 질문 응답: 복잡한 질문을 분석하고, 언어 주제를 객관적 또는 주관적으로 분류하여 답변의 정확도를 높인다.

5. 감정 분석의 과제 및 윤리적 문제

감정 분석은 주어진 텍스트를 객관 또는 주관으로 분류하는 작업으로, 극성 분류보다 더 어려운 과제이다.[16][17] 텍스트의 주관성은 맥락에 따라 달라질 수 있으며, 객관적인 문서도 주관적인 문장을 포함할 수 있다.[18] 예를 들어, 뉴스 기사는 객관적인 사실을 전달하는 것을 목표로 하지만, 사람들의 의견을 인용하는 경우 주관적인 문장이 포함될 수 있다.

이러한 주관적 및 객관적 식별은 문장이나 문서에 사실 또는 의견이 포함되어 있는지 식별하는 감정 분석의 새로운 하위 작업이다. 객관적인 문장은 사실 정보를 담고 있는 반면,[20] 주관적인 문장은 개인적인 의견, 판단, 예측과 같은 비사실 정보를 포함한다.[21]

분류의 정확도를 높이기 위해, 연구자들은 다양한 방법을 시도해왔다. 그중 하나는 문서에서 극성을 분류하기 전에 객관적인 문장을 제거하는 것이다. 이렇게 하면 주관적인 문장에 집중하여 분석의 정확도를 높일 수 있다.[19]

자동화된 특징 학습 방법은 지도 학습과 비지도 기계 학습으로 나눌 수 있으며, 기계 학습 프로세스를 사용한 패턴 추출은 주석이 달린 텍스트와 주석이 없는 텍스트 모두에 대해 광범위하게 탐구되었다.

그러나 표현에 대한 고정된 규칙 집합을 개발하는 데는 여러 가지 어려움이 따른다. 이러한 어려움은 텍스트 정보의 특성에서 비롯되는데, 연구자들은 은유적 표현, 글쓰기 불일치, 맥락 의존성, 사용량이 적은 단어 표현, 시간 민감성, 끊임없이 증가하는 데이터 양 등을 주요 문제점으로 인식했다.

이러한 문제를 극복하기 위해 Riloff와 Jones의 Meta-Bootstrapping(1999),[26] Thelen과 Riloff의 Basilisk[27]와 같은 자동 패턴 인식 및 추출 알고리즘이 개발되었다. 이러한 알고리즘은 주관적 및 객관적 작업에서 자동 패턴 인식 및 추출의 필요성을 보여준다.

주관적 및 객관적 분류기는 자연어 처리의 여러 응용 프로그램을 향상시킬 수 있다. 분류기는 다양한 산업에서 데이터 기반 의사 결정 프로세스를 지원하며, 비즈니스, 광고, 스포츠, 사회 과학 분야 등에서 활용된다.[28]

5. 1. 기술적 과제

감정 분석에는 다음과 같은 기술적 과제가 있다.

  • 은유적 표현: 비꼬는 표현, 반어법 등 은유적 표현은 감정 분석의 정확도에 영향을 미칠 수 있다.[23]
  • 글쓰기 불일치: 신조어, 유행어, 축약어 등 다양한 글쓰기 스타일은 분석을 어렵게 한다.
  • 맥락 의존성: 문장의 감정은 이전 문장과 다음 문장의 주관성 또는 객관성에 따라 달라질 수 있다.[24]
  • 시간 민감성: 뉴스 기사처럼 시간에 따라 정보의 가치가 변하는 텍스트 데이터는 분석이 어렵다.
  • 희소 단어: 사용 빈도가 낮은 단어는 분석에 필요한 정보를 충분히 제공하지 못할 수 있다.
  • 데이터 양: 방대한 양의 텍스트 데이터는 분석에 많은 시간과 자원을 필요로 한다.


이러한 문제를 해결하기 위해 학습된 패턴의 정확도가 분류기 효율성에 영향을 미친다는 연구 결과가 있다. 방대한 훈련 데이터를 사용하면 성능을 높일 수 있지만, 수동 주석 생성은 시간과 비용이 많이 소요된다. 따라서 자동 학습 방법이 선호되지만, 다음과 같은 어려움이 있다.

  • 이해의 다양성: 언어의 모호성 때문에 주석자 간 의견 불일치가 발생할 수 있다.
  • 인적 오류: 수동 주석 작업은 집중력이 필요하여 오류가 발생하기 쉽다.
  • 시간 소모성: 수동 주석 작업은 많은 시간이 걸린다.[25]


이러한 이유로 자동 패턴 인식 및 추출 알고리즘이 필요하다.

특히 한국어는 교착어이므로, 형태소 분석, 구문 분석 등 자연어 처리 기술의 정확도가 감정 분석 결과에 큰 영향을 미친다.

5. 2. 윤리적 문제

감정 분석은 텍스트에 나타난 감정을 분석하는 기술이지만, 이 과정에서 윤리적인 문제가 발생할 수 있다.
개인 정보 침해소셜 미디어, 온라인 커뮤니티 등 공개된 정보라도, 개인의 감정 정보를 수집하고 분석하는 것은 개인 정보 침해의 소지가 있다. 예를 들어, 특정인이 어떤 감정을 느끼는지, 어떤 대상에 대해 긍정적 또는 부정적 의견을 가지고 있는지 등의 정보는 민감한 개인 정보에 해당할 수 있다.
여론 조작감정 분석 결과를 이용하여 특정 여론을 형성하거나, 반대 의견을 억압하는 등 여론 조작에 악용될 수 있다. 특히, 정치적인 목적으로 감정 분석이 사용될 경우 민주주의를 위협하는 심각한 문제가 발생할 수 있다.
한국 사회의 논쟁한국 사회에서도 감정 분석의 윤리적 문제에 대한 논쟁이 활발하게 진행되고 있다. 더불어민주당 등 진보 진영에서는 감정 분석을 통해 사회적 약자의 목소리를 듣고, 불평등 해소에 기여할 수 있다고 보는 반면, 국민의힘 등 보수 진영에서는 개인 정보 침해, 여론 조작 가능성 등 윤리적 문제에 대한 우려를 제기하고 있다.

이처럼 감정 분석은 유용한 기술이지만, 개인 정보 침해 및 여론 조작과 같은 윤리적 문제를 야기할 수 있다. 따라서 감정 분석 기술을 사용할 때는 이러한 문제점들을 충분히 고려하고, 윤리적인 가이드라인을 마련하는 것이 중요하다.

6. Web 2.0과 감정 분석

블로그, 소셜 네트워크 등 웹 2.0 환경의 발전은 감정 분석의 중요성을 더욱 증대시켰다. 웹 2.0이 출판의 민주화를 가져왔다면, 웹의 다음 단계는 출판되는 모든 콘텐츠의 데이터 마이닝 민주화에 기반을 둘 수 있다.[68]

이러한 목표를 달성하기 위한 연구가 전 세계 여러 대학에서 진행되고 있으며, 가상 커뮤니티의 감정 역학을 이해하는 데 초점을 맞추고 있다.[69]

그러나 대부분의 감정 분석 알고리즘은 단순한 용어를 사용하므로, 문화적 요인, 언어적 뉘앙스, 다양한 맥락을 고려하여 텍스트의 감정을 정확하게 파악하는 것은 매우 어렵다.[66] 특히 짧은 텍스트 문자열의 경우 더욱 그렇다.

그럼에도 불구하고 마이크로블로깅 내 감정 분석은 트위터가 정치적 감정의 유효한 온라인 지표가 될 수 있음을 보여주었다.[70] 또한, 트위터 감정 분석은 전 세계적으로 인간 생식 주기의 배후에 있는 대중의 분위기를 포착하는 것으로 나타났으며,[71] 부작용과 같은 공중 보건 관련 문제도 포착하는 것으로 나타났다.[72]

감정 분석은 소셜 미디어 및 제품 리뷰와 같이 작성자가 자신의 의견을 명시적으로 표현하는 도메인에서 인기가 있었지만, 감정이 강하게 암시적이거나 간접적인 다른 도메인(예: 뉴스 기사)에 대한 강력한 방법은 최근에 개발되었다.[1]

6. 1. 소셜 미디어 분석

블로그, 소셜 네트워크 등 소셜 미디어의 부상은 감정 분석에 대한 관심을 증폭시켰다. 온라인 여론은 기업에게 일종의 가상 화폐가 되었고, 이에 따라 많은 기업들이 감정 분석을 통해 소셜 미디어 상의 대화를 이해하고 적절히 대응하려 한다.[66] 특히 트위터의 정치적 감정은 정당 및 정치인의 입장과 밀접하게 연관되어, 트위터 메시지가 오프라인 정치 지형을 반영함을 보여준다.[70]

한국 사회에서는 트위터, 페이스북, 인스타그램뿐만 아니라, 카카오톡, 네이버 카페, 블라인드 등 국내 플랫폼에 대한 감정 분석 역시 활발하게 이루어지고 있다.

6. 2. 온라인 리뷰 분석

소셜 미디어 및 블로그, 소셜 네트워크와 같은 다양한 온라인 플랫폼의 발전은 감정 분석에 대한 관심을 증폭시켰다. 온라인 리뷰, 평점, 추천 등 다양한 형태의 온라인 표현이 확산되면서, 온라인 여론은 기업에게 제품 마케팅, 새로운 기회 식별, 평판 관리에 활용될 수 있는 일종의 가상 통화가 되었다. 기업들은 방대한 온라인 데이터에서 유의미한 정보를 추출하고, 대화를 이해하며, 관련 콘텐츠를 식별하고, 적절하게 대응하기 위해 감정 분석 기술을 활용하고 있다.[66] 특히 웹 2.0이 출판의 민주화를 이끌었다면, 웹의 다음 단계는 출판되는 모든 콘텐츠의 데이터 마이닝 민주화를 기반으로 할 수 있다.[68]

하지만 4chan, Reddit과 같은 익명 소셜 미디어 플랫폼의 등장은 감정 분석을 더욱 복잡하게 만들고 있다.[67] 또한, 대부분의 감정 분석 알고리즘은 단순한 용어를 사용하여 감정을 표현하기 때문에, 문화적 요인, 언어적 뉘앙스, 다양한 맥락을 고려하여 텍스트의 감정을 정확하게 파악하는 것은 매우 어려운 과제이다.[66]

7. 감정 분석 평가

감정 분석 시스템의 정확성은 인간의 판단과 얼마나 일치하는지에 달려 있다. 이는 일반적으로 정밀도와 재현율을 기반으로 하는 다양한 척도로 측정된다.[59] 그러나 연구에 따르면 인간 평가자들은 일반적으로 약 80%[59]만 일치한다(평가자 간 신뢰도 참조). 따라서 감성 분류에서 70%의 정확도를 달성하는 프로그램은 인간만큼이나 잘 수행하고 있는 것이며, 비록 그러한 정확도가 인상적으로 들리지 않을 수 있지만, 프로그램이 100% "정확"하다면 인간은 여전히 약 20%의 시간에 대해 동의하지 않을 것이다.

반면에, 컴퓨터 시스템은 인간 평가자와 매우 다른 오류를 범할 것이므로, 수치는 완전히 비교할 수 없다. 예를 들어, 컴퓨터 시스템은 부정, 과장, 농담, 또는 풍자에 어려움을 겪을 것이며, 이는 일반적으로 인간 독자에게 처리하기 쉬운 것들이다. 컴퓨터 시스템이 저지르는 일부 오류는 인간에게 지나치게 순진하게 보일 것이다. 일반적으로, 학술적 연구에서 정의된 감정 분석의 실질적인 상업적 작업에 대한 유용성은 의문시되어 왔으며, 이는 주로 부정에서 긍정으로의 간단한 1차원적 감정 모델이, 예를 들어 브랜드 또는 기업 평판에 대한 대중의 담론의 영향에 대해 걱정하는 고객에게 거의 실질적인 정보를 제공하지 않기 때문이다.[60][61][62]

시장 요구에 더 잘 맞추기 위해 감성 분석의 평가는 PR 대행사 및 시장 조사 전문가의 대표와 함께 공식화된, 보다 작업 기반의 측정으로 이동했다. 예를 들어 RepLab 평가 데이터 세트의 초점은 고려 중인 텍스트의 내용보다는 브랜드 평판에 대한 해당 텍스트의 영향에 더 맞춰져 있다.[63][64][65]

감성 분석의 평가가 점점 더 작업 기반이 됨에 따라, 각 구현은 주어진 데이터 세트에 대한 감성을 보다 정확하게 표현하기 위해 별도의 훈련 모델이 필요하다.

8. 참고 항목


  • 어펙티브 컴퓨팅 - 인간의 감정을 다룰 수 있는 시스템 및 장치의 연구 및 개발을 목표로 하는 학제적 분야이다.
  • 소비자 태도 지수 - 경제에 대한 소비자의 신뢰도를 정량화하기 위한 경제 지표이다.
  • 감정 인식 - 인간의 감정을 식별하는 과정, 그리고 그것을 연구하는 분야이다.
  • 우호적인 인공 지능 - 인간에게 긍정적인 영향을 미치거나, 그 이익에 부합하는 가설상의 인공 일반 지능이다.
  • 멀티모달 감성 분석 - 텍스트 외에, 음성이나 시각 데이터 등의 모달리티를 포함하는 감성 분석 기술이다.
  • 계량 서지학 - 문서군에 통계적 분석을 적용하여 특징이나 형식을 평가하는 언어학 분야이다.

참조

[1] 논문 "NewsMTSC: A Dataset for (Multi-)Target-dependent Sentiment Classification in Political News Articles" https://aclanthology[...] "Proceedings of the 16th Conference of the European Chapter of the Association for Computational Linguistics: Main Volume"
[2] 간행물 "Emotion Recognition for Vietnamese Social Media Text" "Proceedings of the 2019 International Conference of the Pacific Association for Computational Linguistics (PACLING 2019), Hanoi, Vietnam"
[3] 서적 "The general inquirer: A computer approach to content analysis." MIT Press, Cambridge, MA
[4] 서적 The measurement of psychological states through the content analysis of verbal behavior. Univ of California Press
[5] 특허 System and method for determining and controlling the impact of text http://patft.uspto.g[...]
[6] conference Thumbs up? Sentiment Classification using Machine Learning Techniques http://www.cs.cornel[...]
[7] conference Seeing stars: Exploiting class relationships for sentiment categorization with respect to rating scales http://www.cs.cornel[...]
[8] conference Multiple Aspect Ranking using the Good Grief Algorithm http://people.csail.[...] 2009-06-16
[9] 간행물 "Exploring attitude and affect in text: Theories and applications." "AAAI Spring Symposium, Technical report SS-04-07. AAAI Press, Menlo Park, CA."
[10] conference The importance of Neutral Class in Sentiment Analysis http://blog.datumbox[...]
[11] conference The Importance of Neutral Examples for Learning Sentiment
[12] 저널 A Benchmark Comparison of State-of-the-Practice Sentiment Analysis Methods https://www.research[...] 2010
[13] 저널 Lexicon-based methods for sentiment analysis http://dl.acm.org/ci[...] 2011
[14] 저널 Comprehensive Study on Lexicon-based Ensemble Classification Sentiment Analysis 2015-12-25
[15] 저널 Sentiment strength detection in short informal text http://www.scit.wlv.[...]
[16] 서적 Opinion Mining and Sentiment Analysis Now Publishers Inc
[17] conference Learning Multilingual Subjective Language via Cross-Lingual Projections http://www.cse.unt.e[...]
[18] conference From Words to Senses: a Case Study in Subjectivity Recognition http://www.comp.leed[...]
[19] conference A Sentimental Education: Sentiment Analysis Using Subjectivity Summarization Based on Minimum Cuts http://www.cs.cornel[...]
[20] 서적 Computational Linguistics and Intelligent Text Processing Springer 2005
[21] 서적 A Comprehensive Grammar of the English Language (General Grammar) [[Longman]]
[22] 서적 Proceedings of the 2003 conference on Empirical methods in natural language processing - Association for Computational Linguistics 2003-07-11
[23] 저널 Finding Mutual Benefit between Subjectivity Analysis and Information Extraction https://ieeexplore.i[...] 2011-07
[24] 저널 Opinion Mining and Sentiment Analysis https://www.nowpubli[...] 2008-07-06
[25] 저널 An empirical study of automated dictionary construction for information extraction in three domains 1996-08-01
[26] 저널 Learning dictionaries for information extraction by multi-level bootstrapping https://aaai.org/Pap[...] 1999-07
[27] 서적 Proceedings of the ACL-02 conference on Empirical methods in natural language processing - EMNLP '02 Association for Computational Linguistics 2002-07-06
[28] 저널 Sentiment Analysis and Opinion Mining https://www.morgancl[...] 2020-12-09
[29] 웹사이트 How AI is Transforming Online Reviews into Actionable Business Intelligence https://www.widewail[...] 2024-05-17
[30] 서적 2011 IEEE Ninth International Conference on Dependable, Autonomic and Secure Computing IEEE 2011-12
[31] 서적 2018 10th International Conference on Knowledge and Systems Engineering (KSE) IEEE 2018-10-01
[32] 서적 Proceedings of the 2003 conference on Empirical methods in natural language processing - Association for Computational Linguistics 2003-07-11
[33] conference Mining and Summarizing Customer Reviews http://www.cs.uic.ed[...]
[34] 저널 Good location, terrible food: detecting feature sentiment in user-generated reviews 2013-06-22
[35] conference Opinion Observer: Analyzing and Comparing Opinions on the Web http://www.cs.uic.ed[...]
[36] 서적 Advances in Knowledge Discovery and Data Mining Springer Berlin Heidelberg 2011-01-01
[37] 서적 Proceedings of the 17th international conference on World Wide Web ACM 2008-01-01
[38] 간행물 Aspect-based sentiment analysis via affective knowledge enhanced graph convolutional networks
[39] conference Targeted aspect-based sentiment analysis via embedding commonsense knowledge into an attentive LSTM
[40] conference Sentiment Analysis and Subjectivity http://www.cs.uic.ed[...] 2010
[41] 간행물 Sentiment Intensity Ranking among Adjectives Using Sentiment Bearing Word Embeddings https://aclanthology[...] 2017
[42] 간행물 How Intense Are You? Predicting Intensities of Emotions and Sentiments using Stacked Ensemble [Application Notes] 2020-02
[43] conference Sentiment Analysis Using Convolutional Neural Network
[44] conference Sentiment Analysis Based on Gated Recurrent Unit
[45] 간행물 New avenues in opinion mining and sentiment analysis
[46] 서적 The Cognitive Structure of Emotions http://www.cogsci.no[...] Cambridge Univ. Press
[47] 간행물 Characterization of the Affective Norms for English Words by Discrete Emotional Categories
[48] conference Thumbs Up or Thumbs Down? Semantic Orientation Applied to Unsupervised Classification of Reviews
[49] conference Valence annotation based on seeds in word space
[50] conference Identifying and Analyzing Judgment Opinions. http://acl.ldc.upenn[...]
[51] conference Opinion Mining from Noisy Text Data http://portal.acm.or[...]
[52] 서적 Sentic Computing: A Common-Sense-Based Framework for Concept-Level Sentiment Analysis http://springer.com/[...] Springer
[53] conference Identifying breakpoints in public opinion http://portal.acm.or[...]
[54] conference SenticNet 7: A Commonsense-based Neurosymbolic AI Framework for Explainable Sentiment Analysis https://sentic.net/s[...]
[55] conference Large-scale Visual Sentiment Ontology and Detectors Using Adjective Noun Pairs https://visual-senti[...] 2017-11-02
[56] 간행물 Recursive deep models for semantic compositionality over a sentiment treebank 2013
[57] 웹사이트 Case Study: Advanced Sentiment Analysis http://paragonpoll.c[...] 2013-10-18
[58] 간행물 Multilingual Twitter Sentiment Classification: The Role of Human Annotators 2016-05-05
[59] 뉴스 How Companies Can Use Sentiment Analysis to Improve Their Business http://mashable.com/[...] Mashable 2012-12-13
[60] 문서 Usefulness of sentiment analysis Springer Berlin Heidelberg 2012
[61] 문서 The relation between author mood and affect to sentiment in text and text genre ACM 2011
[62] 문서 Affect, appeal, and sentiment as factors influencing interaction with multimedia information 2009
[63] 문서 Overview of RepLab 2012: Evaluating Online Reputation Management Systems 2012
[64] 문서 Overview of replab 2013: Evaluating online reputation monitoring systems Springer Berlin Heidelberg 2013
[65] 문서 Overview of replab 2014: author profiling and reputation dimensions for online reputation management Springer International Publishing 2014
[66] 뉴스 Mining the Web for Feelings, Not Facts https://www.nytimes.[...] New York Times 2009-08-23
[67] 웹사이트 Sentiment Analysis on Reddit http://news.humanele[...] 2014-09-30
[68] 문서 "" ReadWriteWeb 2009-04-15
[69] 뉴스 Flaming drives online social networks https://www.newscien[...] New Scientist 2010-12-07
[70] conference Predicting Elections with Twitter: What 140 Characters Reveal about Political Sentiment http://www.aaai.org/[...] 2010
[71] 논문 Human Sexual Cycles are Driven by Culture and Match Collective Moods
[72] 논문 Analysis of the effect of sentiment analysis on extracting adverse drug reactions from tweets and forum posts
[73] 논문 Public Opinion Mining on Construction Health and Safety: Latent Dirichlet Allocation Approach
[74] 논문 A survey on sentiment detection of reviews https://web.archive.[...]
[75] 논문 Beyond the stars: exploiting free-text user reviews to improve the accuracy of movie recommendations ACM
[76] 논문 Mining opinion features in customer reviews https://web.archive.[...]
[77] 서적 ICDM'08. Eighth IEEE international conference on Data mining IEEE
[78] 서적 Proceedings of the 19th ACM international conference on Information and knowledge management http://doras.dcu.ie/[...]
[79] 논문 Application of sentiment analysis in libraries to provide temporal information service: a case study on various facets of productivity
[80] 간행물 NewsMTSC: A Dataset for (Multi-)Target-dependent Sentiment Classification in Political News Articles https://aclanthology[...] 2021
[81] 간행물 Emotion Recognition for Vietnamese Social Media Text 2019
[82] 서적 The general inquirer: A computer approach to content analysis MIT Press, Cambridge, MA 1966
[83] 서적 The measurement of psychological states through the content analysis of verbal behavior Univ of California Press 1969
[84] 특허 System and method for determining and controlling the impact of text http://patft.uspto.g[...]
[85] 학술회의 Thumbs up? Sentiment Classification using Machine Learning Techniques http://www.cs.cornel[...]
[86] 학술회의 Seeing stars: Exploiting class relationships for sentiment categorization with respect to rating scales http://www.cs.cornel[...]
[87] 학술회의 Multiple Aspect Ranking using the Good Grief Algorithm http://people.csail.[...]
[88] 간행물 Exploring attitude and affect in text: Theories and applications 2004
[89] 학술회의 The importance of Neutral Class in Sentiment Analysis http://blog.datumbox[...]
[90] 학술회의 The Importance of Neutral Examples for Learning Sentiment
[91] 논문 A Benchmark Comparison of State-of-the-Practice Sentiment Analysis Methods https://www.research[...] 2010
[92] 논문 Lexicon-based methods for sentiment analysis http://dl.acm.org/ci[...] 2011
[93] 논문 Comprehensive Study on Lexicon-based Ensemble Classification Sentiment Analysis 2015-12-25
[94] 논문 An enhanced lexicon-based approach for sentiment analysis: a case study on illegal immigration https://doi.org/10.1[...] 2020-01-01
[95] 논문 Sentiment strength detection in short informal text http://www.scit.wlv.[...]
[96] 서적 Opinion Mining and Sentiment Analysis Now Publishers Inc
[97] 학술회의 Learning Multilingual Subjective Language via Cross-Lingual Projections https://web.archive.[...]
[98] 학술회의 From Words to Senses: a Case Study in Subjectivity Recognition http://www.comp.leed[...]
[99] 학술회의 A Sentimental Education: Sentiment Analysis Using Subjectivity Summarization Based on Minimum Cuts http://www.cs.cornel[...]
[100] 논문 Creating Subjective and Objective Sentence Classifiers from Unannotated Texts https://link.springe[...] Springer 2005
[101] 서적 A Comprehensive Grammar of the English Language (General Grammar) Longman
[102] 논문 Learning extraction patterns for subjective expressions Association for Computational Linguistics 2003-07-11
[103] 논문 Finding Mutual Benefit between Subjectivity Analysis and Information Extraction https://ieeexplore.i[...] 2011-07
[104] 논문 Opinion Mining and Sentiment Analysis https://www.nowpubli[...] 2008-07-06
[105] 논문 An empirical study of automated dictionary construction for information extraction in three domains 1996-08-01
[106] 논문 Learning dictionaries for information extraction by multi-level bootstrapping https://aaai.org/Pap[...] 1999-07
[107] 논문 A bootstrapping method for learning semantic lexicons using extraction pattern contexts Association for Computational Linguistics 2002-07-06
[108] 논문 Sentiment Analysis and Opinion Mining https://www.morgancl[...] 2012-05-23
[109] 논문 Combining Technical Analysis with Sentiment Analysis for Stock Price Prediction https://doi.org/10.1[...] IEEE 2011-12
[110] 논문 UIT-VSFC: Vietnamese Students' Feedback Corpus for Sentiment Analysis https://ieeexplore.i[...] IEEE 2018-10-01
[111] 논문 Towards answering opinion questions: separating facts from opinions and identifying the polarity of opinion sentences Association for Computational Linguistics 2003-07-11
[112] conference Mining and Summarizing Customer Reviews http://www.cs.uic.ed[...]
[113] 논문 Good location, terrible food: detecting feature sentiment in user-generated reviews 2013-06-22
[114] conference Opinion Observer: Analyzing and Comparing Opinions on the Web http://www.cs.uic.ed[...]
[115] 서적 Constrained LDA for Grouping Product Features in Opinion Mining Springer Berlin Heidelberg 2011-01-01
[116] 서적 Modeling Online Reviews with Multi-grain Topic Models ACM 2008-01-01
[117] 논문 Aspect-based sentiment analysis via affective knowledge enhanced graph convolutional networks
[118] conference Targeted aspect-based sentiment analysis via embedding commonsense knowledge into an attentive LSTM
[119] conference Sentiment Analysis and Subjectivity http://www.cs.uic.ed[...] 2010
[120] 논문 Sentiment Intensity Ranking among Adjectives Using Sentiment Bearing Word Embeddings https://aclanthology[...] 2017
[121] 문서 Sentiment Analysis Using Convolutional Neural Network IEEE 2015
[122] 문서 Sentiment Analysis Based on Gated Recurrent Unit IEEE 2019
[123] 간행물 How Intense Are You? Predicting Intensities of Emotions and Sentiments using Stacked Ensemble [Application Notes] IEEE 2020-02
[124] 논문 New avenues in opinion mining and sentiment analysis
[125] 서적 The Cognitive Structure of Emotions http://www.cogsci.no[...] Cambridge Univ. Press
[126] 논문 Characterization of the Affective Norms for English Words by Discrete Emotional Categories http://indiana.edu/~[...]
[127] conference Thumbs Up or Thumbs Down? Semantic Orientation Applied to Unsupervised Classification of Reviews
[128] conference Valence annotation based on seeds in word space
[129] conference Identifying and Analyzing Judgment Opinions. http://acl.ldc.upenn[...]
[130] conference Opinion Mining from Noisy Text Data http://portal.acm.or[...]
[131] 서적 Sentic Computing: A Common-Sense-Based Framework for Concept-Level Sentiment Analysis http://springer.com/[...] Springer
[132] conference Identifying breakpoints in public opinion http://portal.acm.or[...]
[133] conference SenticNet 7: A Commonsense-based Neurosymbolic AI Framework for Explainable Sentiment Analysis https://sentic.net/s[...]
[134] conference Large-scale Visual Sentiment Ontology and Detectors Using Adjective Noun Pairs https://visual-senti[...]
[135] 논문 Recursive deep models for semantic compositionality over a sentiment treebank 2013
[136] 웹사이트 Case Study: Advanced Sentiment Analysis http://paragonpoll.c[...] http://www.paragonpoll.com/ 2013-10-18
[137] 논문 Multilingual Twitter Sentiment Classification: The Role of Human Annotators 2016-05-05
[138] 뉴스 How Companies Can Use Sentiment Analysis to Improve Their Business http://mashable.com/[...] Mashable 2012-12-13
[139] 서적 Sentiment Analysis: High-impact Strategies - What You Need to Know: Definitions, Adoptions, Impact, Benefits, Maturity, Vendors https://books.google[...] 2012-10-24
[140] 문서 Usefulness of sentiment analysis Springer Berlin Heidelberg 2012
[141] 논문 The relation between author mood and affect to sentiment in text and text genre. ACM
[142] 논문 Affect, appeal, and sentiment as factors influencing interaction with multimedia information. http://www.diva-port[...]
[143] 논문 Overview of RepLab 2012: Evaluating Online Reputation Management Systems.
[144] 논문 Overview of replab 2013: Evaluating online reputation monitoring systems. Springer Berlin Heidelberg
[145] 논문 Overview of replab 2014: author profiling and reputation dimensions for online reputation management. Springer International Publishing
[146] 뉴스 Mining the Web for Feelings, Not Facts https://www.nytimes.[...] New York Times 2009-08-23
[147] 웹사이트 Sentiment Analysis on Reddit http://news.humanele[...] 2014-10-10
[148] 간행물 "" ReadWriteWeb 2009-04-15
[149] 간행물 Collective emotions in cyberspace (CYBEREMOTIONS) http://cordis.europa[...] European Commission 2009-02-03
[150] 뉴스 Flaming drives online social networks https://www.newscien[...] New Scientist 2010-12-07
[151] 논문 Predicting Elections with Twitter: What 140 Characters Reveal about Political Sentiment http://www.aaai.org/[...]
[152] 논문 Human Sexual Cycles are Driven by Culture and Match Collective Moods
[153] 논문 Analysis of the effect of sentiment analysis on extracting adverse drug reactions from tweets and forum posts
[154] 논문 A survey on sentiment detection of reviews https://pdfs.semanti[...]
[155] 논문 Beyond the stars: exploiting free-text user reviews to improve the accuracy of movie recommendations ACM
[156] 논문 Mining opinion features in customer reviews https://pdfs.semanti[...]
[157] 서적 ICDM'08. Eighth IEEE international conference on Data mining IEEE
[158] 서적 Classifying sentiment in microblogs: is brevity an advantage? http://doras.dcu.ie/[...]
[159] 논문 Application of sentiment analysis in libraries to provide temporal information service: a case study on various facets of productivity
[160] 논문 NewsMTSC: A Dataset for (Multi-)Target-dependent Sentiment Classification in Political News Articles https://aclanthology[...]

관련 사건 타임라인

( 최근 20개의 뉴스만 표기 됩니다. )


본 사이트는 AI가 위키백과와 뉴스 기사,정부 간행물,학술 논문등을 바탕으로 정보를 가공하여 제공하는 백과사전형 서비스입니다.
모든 문서는 AI에 의해 자동 생성되며, CC BY-SA 4.0 라이선스에 따라 이용할 수 있습니다.
하지만, 위키백과나 뉴스 기사 자체에 오류, 부정확한 정보, 또는 가짜 뉴스가 포함될 수 있으며, AI는 이러한 내용을 완벽하게 걸러내지 못할 수 있습니다.
따라서 제공되는 정보에 일부 오류나 편향이 있을 수 있으므로, 중요한 정보는 반드시 다른 출처를 통해 교차 검증하시기 바랍니다.

문의하기 : help@durumis.com