대용량 소셜 미디어 감성분석을 위한 반감독 학습 기법

홍소라; 정연오; 이지형

추천

검색

질문

자료유형: 학술저널

저자정보: 홍소라 (성균관대학교) 정연오 (성균관대학교) 이지형 (성균관대학교)

저널정보: 한국지능시스템학회 한국지능시스템학회 논문지 한국지능시스템학회 논문지 제24권 제5호

발행연도: 2014.10

수록면: 482 - 488 (7page)

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

이 논문의 연구 히스토리 (3)

2015

대용량 소셜 미디어 감성분석을 위한 경쟁 self-training 기법

홍소라 전자전기컴퓨터공 2015.01 학위논문

2014

대용량 소셜 미디어 감성분석을 위한 반감독 학습 기법

홍소라 , 정연오 , 이지형 한국지능시스템학회 논문지 2014.10 학술저널

대용량 소셜 미디어 감성분석을 위한 반감독 학습 기법

홍소라 , 정연오 , 이지형 한국지능시스템학회 학술발표 논문집 2014.04 학술대회자료

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

대표적인 소셜 네트워크 서비스(SNS)인 트위터의 내용을 분석하여 자동으로 트윗에 나타난 사용자의 감성을 분석하고자 한다. 기계학습 기법을 사용해서 감성 분석 모델을 생성하기 위해서는 각각의 트윗에 긍정 또는 부정을 나타내는 감성 레이블이 필요하다. 그러나 사람이 모든 트윗에 감성 레이블을 붙이는 것은 비용이 많이 소요되고, 실질적으로 불가능하다. 그래서 본 연구에서는 “감성 레이블이 있는 데이터”와 함께 “감성 레이블이 없는 데이터”도 활용하기 위해서 반감독 학습기법인 self=training 알고리즘을 적용하여 감성분석 모델을 생성한다. Self-training 알고리즘은 “레이블이 있는 데이터”의 레이블이 있는 데이터를 활용하여 “레이블이 없는 데이터”의 레이블을 확정하여 “레이블이 있는 데이터”를 확장하는 방식으로, 분류모델을 점진적으로 개선시키는 방식이다. 그러나 데이터의 레이블이 한번 확정되면 향후 학습에서 계속 사용되므로, 초기의 오류가 계속적으로 학습에 영향을 미치게 된다. 그러므로 조금 더 신중하게 “레이블이 없는 데이터”의 레이블을 결정할 필요가 있다. 본 논문에서는 self-training 알고리즘을 이용하여 보다 높은 정확도의 감성 분석 모델을 생성하기 위하여, self-training 중 “감성 레이블이 없는 데이터”의 레이블을 결정하여 “감성 레이블이 있는 데이터”로 확장하기 위한 3가지 정책을 제시하고, 각각의 성능을 비교 분석한다. 첫 번째 정책은 임계치를 고려하는 것이다. 분류 경계로부터 일정거리 이상 떨어져 있는 데이터를 선택하고자 하는 것이다. 두 번째 정책은 같은 개수의 긍/부정 데이터를 추가하는 것이다. 한쪽 감성에 해당하는 데이터에만 국한된 학습을 하는 것을 방지하기 위한 것이다. 세 번째 정책은 최대 개수를 고려하는 것이다. 한 번에 많은 양의 데이터가 “감성 레이블이 있는 데이터”에 추가되는 것을 방지하고 상위 몇%만 선택하기 위해서, 선택되는 데이터의 개수의 상한선을 정한 것이다. 실험은 긍정과 부정으로 분류되어 있는 트위터 데이터 셋인 Stanford data set에 적용하여 실험하였다. 그 결과 학습된 모델은 “감성 레이블이 있는 데이터” 만을 가지고 모델을 생성한 것보다 감성분석의 성능을 향상 시킬 수 있었고 3가지 정책을 적용한 방법의 효과를 입증하였다.

This paper aims to analyze user`s emotion automatically by analyzing Twitter, a representative social network service (SNS). In order to create sentiment analysis models by using machine learning techniques, sentiment labels that represent positive/negative emotions are required. However it is very expensive to obtain sentiment labels of tweets. So, in this paper, we propose a sentiment analysis model by using self-training technique in order to utilize “data without sentiment labels” as well as “data with sentiment labels”. Self-training technique is that labels of “data without sentiment labels” is determined by utilizing “data with sentiment labels”, and then updates models using together with “data with sentiment labels” and newly labeled data. This technique improves the sentiment analysis performance gradually. However, it has a problem that misclassifications of unlabeled data in an early stage affect the model updating through the whole learning process because labels of unlabeled data never changes once those are determined. Thus, labels of “data without sentiment labels” needs to be carefully determined. In this paper, in order to get high performance using self-training technique, we propose 3 policies for updating “data with sentiment labels” and conduct a comparative analysis. The first policy is to select data of which confidence is higher than a given threshold among newly labeled data. The second policy is to choose the same number of the positive and negative data in the newly labeled data in order to avoid the imbalanced class learning problem. The third policy is to choose newly labeled data less than a given maximum number in order to avoid the updates of large amount of data at a time for gradual model updates. Experiments are conducted using Stanford data set and the data set is classified into positive and negative. As a result, the learned model has a high performance than the learned models by using “data with sentiment labels” only and the self-training with a regular model update policy.

#트위터 #감성분석 #반감독 학습 기법 #Self-training #SVM #Twitter #Sentiment analysis #Semi-supervised learning

참고문헌 (14)

참고문헌 신청

1. [학술대회논문] - B. Pang / 2002 / Thumbs up? Sentiment classification using machine learning techniques / Proceeding of the ACL-02 conference on Empirical methods in natural language processing 10 : 79 ~ 86

2. [학술대회논문] - H. H. Kang / 2009 / Design and Implementation of System for Classifying Review of Product Attribute to Positive/Negative / proceeding of The 36th KIISE Fall Conference 36 (2) : 1 ~ 6

3. [학술대회논문] - A. Agarwal / 2011 / Sentiment analysis of twitter data / Proceeding of the Workshop on Languages in Social Media. Association for Computational Linguistics : 30 ~ 38

4. [학술지(정기간행물)] - 강인수 / 2013 / 영어 트위터 감성 분석을 위한 SentiWordNet 활용 기법 비교 / 한국지능시스템학회 논문지 23 (4) : 317 ~ 324

5. [학술대회논문] - A. Hogenboom / 2013 / Exploiting Emoticons in Sentiment Analysis / Proceeding of the 28th Annual ACM Symposium on Applied Computing ACM : 703 ~ 710

이 논문의 저자 정보

홍소라

소속기관 성균관대학교

주요연구분야 공학 > 전기전자공학 > 정보통신공학 복합학 > 학제간연구

논문수 4 이용수 906

정연오

소속기관 Brown University

주요연구분야 공학 > 전기전자공학 > 정보통신공학 복합학 > 학제간연구

논문수 7 이용수 2,911

이지형

소속기관 한국전자통신연구원

주요연구분야 공학 > 전기전자공학 > 정보통신공학 TOP 5% 공학 > 컴퓨터학 TOP 10%

논문수 258 이용수 44,684

이 논문과 함께 이용한 논문

소셜 데이터의 주된 감성분석에 대한 연구

장필식 한국컴퓨터정보학회논문지 2014 .12

한글 마이크로블로그 텍스트의 감정 분류 및 분석

이철성 , 최동희 , 김성순 외 1명 정보과학회논문지 : 데이타베이스 2013 .06

소셜 미디어 상 고객피드백을 위한 감성분석

송은지 한국정보통신학회논문지 2015 .04

Automatic Construction of a Negative/positive Corpus and Emotional Classification using the Internet Emotional Sign

장경애 , 박상현 , 김우제 Journal of KIISE 2015 .04

한국어 트위터의 감정 분류를 위한 기계학습의 실증적 비교

임좌상 , 김진만 멀티미디어학회논문지 2014 .02

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (3)

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (14)

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)