Bi-LSTM 기반의 한국어 감성사전 구축 방안

박상민; 나철원; 최민성; 이다희; 온병원

추천

검색

질문

자료유형: 학술저널

저자정보: 박상민 (군산대학교) 나철원 (군산대학교) 최민성 (군산대학교) 이다희 (군산대학교) 온병원 (군산대학교)

저널정보: 한국지능정보시스템학회 지능정보연구 지능정보연구 제24권 제4호

발행연도: 2018.12

수록면: 219 - 240 (22page)

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

초록· 키워드

오류제보하기

감성사전은 감성 어휘에 대한 사전으로 감성 분석(Sentiment Analysis)을 위한 기초 자료로 활용된다. 이와 같은 감성사전을 구성하는 감성 어휘는 특정 도메인에 따라 감성의 종류나 정도가 달라질 수 있다. 예를 들면, ‘슬프다’라는 감성 어휘는 일반적으로 부정의 의미를 나타내지만 영화 도메인에 적용되었을 경우 부정의 의미를 나타내지 않는다. 그렇기 때문에 정확한 감성 분석을 수행하기 위해서는 특정 도메인에 알맞은 감성사전을 구축하는 것이 중요하다. 최근 특정 도메인에 알맞은 감성사전을 구축하기 위해 범용 감성 사전인 오픈한글, SentiWordNet 등을 활용한 연구가 진행되어 왔으나 오픈한글은 현재 서비스가 종료되어 활용이 불가능하며, SentiWordNet은 번역 간에 한국 감성 어휘들의 특징이 잘 반영되지 않는다는 문제점으로 인해 특정 도메인의 감성사전 구축을 위한 기초 자료로써 제약이 존재한다. 이 논문에서는 기존의 범용 감성사전의 문제점을 해결하기 위해 한국어 기반의 새로운 범용 감성사전을 구축하고 이를 KNU 한국어 감성사전이라 명명한다. KNU 한국어 감성사전은 표준국어대사전의 뜻풀이의 감성을 Bi-LSTM을 활용하여 89.45%의 정확도로 분류하였으며 긍정으로 분류된 뜻풀이에서는 긍정에 대한 감성 어휘를, 부정으로 분류된 뜻풀이에서는 부정에 대한 감성 어휘를 1-gram, 2-gram, 어구 그리고 문형 등 다양한 형태로 추출한다. 또한 다양한 외부 소스(SentiWordNet, SenticNet, 감정동사, 감성사전0603)를 활용하여 감성 어휘를 확장하였으며 온라인 텍스트 데이터에서 사용되는 신조어, 이모티콘에 대한 감성 어휘도 포함하고 있다. 이 논문에서 구축한 KNU 한국어 감성사전은 특정 도메인에 영향을 받지 않는 14,843개의 감성 어휘로 구성되어 있으며 특정 도메인에 대한 감성사전을 효율적이고 빠르게 구축하기 위한 기초 자료로 활용될 수 있다. 또한 딥러닝의 성능을 높이기 위한 입력 자질로써 활용될 수 있으며, 기본적인 감성 분석의 수행이나 기계 학습을 위한 대량의 학습 데이터 세트를 빠르게 구축에 활용될 수 있다.

Sentiment analysis, which is one of the text mining techniques, is a method for extracting subjective content embedded in text documents. Recently, the sentiment analysis methods have been widely used in many fields. As good examples, data-driven surveys are based on analyzing the subjectivity of text data posted by users and market researches are conducted by analyzing users’ review posts to quantify users’ reputation on a target product. The basic method of sentiment analysis is to use sentiment dictionary (or lexicon), a list of sentiment vocabularies with positive, neutral, or negative semantics. In general, the meaning of many sentiment words is likely to be different across domains. For example, a sentiment word, ‘sad’ indicates negative meaning in many fields but a movie.
In order to perform accurate sentiment analysis, we need to build the sentiment dictionary for a given domain. However, such a method of building the sentiment lexicon is time-consuming and various sentiment vocabularies are not included without the use of general-purpose sentiment lexicon. In order to address this problem, several studies have been carried out to construct the sentiment lexicon suitable for a specific domain based on ‘OPEN HANGUL’ and ‘SentiWordNet’, which are general-purpose sentiment lexicons. However, OPEN HANGUL is no longer being serviced and SentiWordNet does not work well because of language difference in the process of converting Korean word into English word. There are restrictions on the use of such general-purpose sentiment lexicons as seed data for building the sentiment lexicon for a specific domain.
In this article, we construct ‘KNU Korean Sentiment Lexicon (KNU-KSL)’, a new general-purpose Korean sentiment dictionary that is more advanced than existing general-purpose lexicons. The proposed dictionary, which is a list of domain-independent sentiment words such as ‘thank you’, ‘worthy’, and ‘impressed’, is built to quickly construct the sentiment dictionary for a target domain. Especially, it constructs sentiment vocabularies by analyzing the glosses contained in Standard Korean Language Dictionary (SKLD) by the following procedures:
First, we propose a sentiment classification model based on Bidirectional Long Short-Term Memory (Bi-LSTM).
Second, the proposed deep learning model automatically classifies each of glosses to either positive or negative meaning.
Third, positive words and phrases are extracted from the glosses classified as positive meaning, while negative words and phrases are extracted from the glosses classified as negative meaning.
Our experimental results show that the average accuracy of the proposed sentiment classification model is up to 89.45%. In addition, the sentiment dictionary is more extended using various external sources including SentiWordNet, SenticNet, Emotional Verbs, and Sentiment Lexicon 0603. Furthermore, we add sentiment information about frequently used coined words and emoticons that are used mainly on the Web. The KNU-KSL contains a total of 14,843 sentiment vocabularies, each of which is one of 1-grams, 2-grams, phrases, and sentence patterns. Unlike existing sentiment dictionaries, it is composed of words that are not affected by particular domains.
The recent trend on sentiment analysis is to use deep learning technique without sentiment dictionaries. The importance of developing sentiment dictionaries is declined gradually. However, one of recent studies shows that the words in the sentiment dictionary can be used as features of deep learning models, resulting in the sentiment analysis performed with higher accuracy (Teng, Z., 2016). This result indicates that the sentiment dictionary is used not only for sentiment analysis but also as features of deep learning models for improving accuracy. The proposed dictionary can be used as a basic data for constructing the sentiment lexicon of a particular domain and as features of deep learning models. It is also useful to automatically and quickly build large training sets for deep learning models.

#Sentiment Lexicon #Sentiment Analysis #Deep Learning #Text Mining #Bi-LSTM

참고문헌 (33)

참고문헌 신청

An, J. K. and H. W. Kim, Building a Korean Sentiment Lexicon Using Collective Intelligence, Journal of Intelligence and Information Systems, Vol. 21, No. 2(2015), 49~67 Yoo, I.-J., B.-G. Seo, and D.-H. Park, Smart Store in Smart City: The Development of Smart Trade Area Analysis System Based on Consumer Sentiments, Journal of Intelligence and Information Systems, Vol.24, No.1(2018), 25~52. Baccianella, S., A. Esuli, and F. Sebastiani, SentiWordNet 3.0: An enhanced lexical resource for sentiment analysis and opinion mining, Proceedings of the International Conference on Language Resources and Evaluation, LREC(2010), 2200-2204 Cambria, E., S. Poria, D. Hazarika, and K. Kwok, SenticNet 5: Discovering Conceptual Primitives for Sentiment Analysis by Means of Context Embeddings, AAAI(2018) Choi, S. J. and O. B. Kwon, The Study of Developing Korean SentiWordNet for Big Data Analytics - Focusing on Anger Emotion -, The Jounal of Society for e-Business Studies, Vol. 19, No. 4(2014), 1~19

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

박상민

소속기관 군산대학교

주요연구분야 공학 > 산업공학 공학 > 전기전자공학 > 정보통신공학

논문수 6 이용수 2,851

나철원

소속기관 군산대학교

주요연구분야 공학 > 산업공학 공학 > 컴퓨터학

논문수 2 이용수 1,471

최민성

소속기관 숭실대학교

주요연구분야 공학 > 산업공학 공학 > 컴퓨터학

논문수 5 이용수 2,251

이다희

소속기관 솔트룩스

주요연구분야 공학 > 산업공학 공학 > 전기전자공학 > 정보통신공학

논문수 7 이용수 2,569

온병원

소속기관 군산대학교

주요연구분야 공학 > 전기전자공학 > 정보통신공학 TOP 0.1% 공학 > 컴퓨터학

논문수 85 이용수 25,402

이 논문과 함께 이용한 논문

LSTM 모델을 통한 국문 기사 감성 분류 시스템

유은조 , 이지현 , 박소영 한국정보과학회 학술발표논문집 2018 .12

신조어 감성사전 기반의 소셜미디어 감성분석 시스템

신판섭 한국컴퓨터정보학회논문지 2020 .04

온라인 뉴스 데이터를 활용한 AR-KNU 감성사전 기반의 대학 평판도 평가

박상민 , 엄창민 , 온병원 외 1명 한국정보기술학회논문지 2019 .03

Doc2Vec을 활용한 자연어처리 기반 블로그 글 주제 분류

김태식 , 이계민 한국방송미디어공학회 학술발표대회 논문집 2018 .11

최적화된 기계학습 모형을 이용한 환경 텍스트 분류 성능 비교 연구

김정진 , 정한석 대한환경공학회 학술발표논문집 2022 .11

최근 본 자료

전체보기

UCI(KEPA) : I410-ECN-0101-2019-003-000295590

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

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (33)

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)