KR101552608B1 - 메신저 대화 기반 감정분석 방법 - Google Patents
메신저 대화 기반 감정분석 방법 Download PDFInfo
- Publication number
- KR101552608B1 KR101552608B1 KR1020130167127A KR20130167127A KR101552608B1 KR 101552608 B1 KR101552608 B1 KR 101552608B1 KR 1020130167127 A KR1020130167127 A KR 1020130167127A KR 20130167127 A KR20130167127 A KR 20130167127A KR 101552608 B1 KR101552608 B1 KR 101552608B1
- Authority
- KR
- South Korea
- Prior art keywords
- type
- pattern
- conversation
- context
- user
- Prior art date
Links
- 230000008451 emotion Effects 0.000 title claims abstract description 66
- 238000004458 analytical method Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000010801 machine learning Methods 0.000 claims description 5
- 125000000524 functional group Chemical group 0.000 claims description 2
- 230000002996 emotional effect Effects 0.000 description 22
- 230000006870 function Effects 0.000 description 6
- 230000002354 daily effect Effects 0.000 description 4
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 244000000626 Daucus carota Species 0.000 description 2
- 235000002767 Daucus carota Nutrition 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000013467 fragmentation Methods 0.000 description 2
- 238000006062 fragmentation reaction Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 235000016623 Fragaria vesca Nutrition 0.000 description 1
- 240000009088 Fragaria x ananassa Species 0.000 description 1
- 235000011363 Fragaria x ananassa Nutrition 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 240000008790 Musa x paradisiaca Species 0.000 description 1
- 235000018290 Musa x paradisiaca Nutrition 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 208000027499 body ache Diseases 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000009223 counseling Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/253—Grammatical analysis; Style critique
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Machine Translation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
메신저 대화 기반 감정분석 방법이 제시된다. 일 측면에 있어서, 본 발명에서 제안하는 메신저 대화 기반 감정분석 방법은 감정분석을 하고자 하는 특정 상대방에 대한 사용자의 설문 정보를 저장하는 단계, 상기 특정 상대방과 상기 사용자의 대화 내용을 불러오는 단계, 상기 설문 정보와 상기 대화 내용을 분석하여 상기 사용자와 상기 특정 상대방과의 감정분석을 하는 단계, 상기 감정분석을 사용자에게 보여주는 단계를 포함할 수 있다.
Description
본 발명은 텍스트를 기반으로 어떤 사람이나 사물에 대한 생각 혹은 의견을 분석 하는 방법에 관한 것이다.
통상적으로 글이란 단어가 모여서 문장을 이루고, 문장이 모여서 한 덩이의 완성된 글이 되는데, 글을 이루는 문장의 기초 단위인 단어는 하나의 단어가 다른 단어와 어떤 관계를 맺는가의 문제와 글을 쓰기 위해서 내용상으로 어떠한 단어를 선정하는가의 문제를 내포하고 있다. 이 두 가지의 문제를 해결하는 과정이 통상적으로 글을 집필하는 과정에 일어나는 현상이라고 볼 수 있으며, 이 두 가지의 과정 중에서 두 번째의 문제, 즉 어떠한 단어를 선정하느냐의 문제를 집중적으로 분석하면, 이로부터 글쓴이의 감정을 도출할 수 있다. 각각의 단어는 문장에서 변용되고 상황에 따라 다른 뜻을 함축하기도 하지만, 기본적으로 내재하고 있는 단어자체의 성향이 있다는 것을 알 수 있다. 따라서 글을 쓴 이가 어떤 성향이 내재된 단어를 집중적으로 사용할 수 있으며, 문학적, 인지언어학적, 정신분석학적으로 접근했을 때, 인간 보편의 성향에 맞춘 단어의 분석을 통해 단어를 분류할 수 있는 기준을 설정할 수 있고, 그 기준에 따라 단어를 분류하여 글쓴이의 감정을 분류할 수 있게 된다.
종래에 텍스트를 기반으로 감정을 분석하는 기술들은 주로 SNS(트위터, 페이스북)을 대상으로 어떤 사람이나 사물에 대한 생각 혹은 의견을 분석하는데 집중하고 있다. 이런 방법들은 해당 사물이나 사람에 대한 직접적인 의견을 표시해야만 분석이 가능하다는 한계가 있다. 예를 들어, '나 너 좋아해' 라는 문장에서 상대방에 대한 긍정적인 감정은 알아낼 수 있지만, '나 배고파' 라는 문장에서 상대방에 대한 긍정적인 감정을 알아낼 수는 없다는 말이다. 연인이 아닐 경우 메신저 대화에서 직접적으로 상대방에게 호감을 표현하는 경우는 거의 없다. 연인이라도 사람에 따라 매일 애정표현을 안 할 수도 있다. 이런 경우, 종래의 기술로는 서로에 대한 감정을 알아보는데 문제점이 있다.
본 발명이 이루고자 하는 기술적 과제는 감정이 직접적으로 드러나지 않는 일상적인 메신저 대화 속에서 사용자와 특정 상대방에 대한 감정을 분석할 수 있는 방법을 제공하는데 있다.
일 측면에 있어서, 본 발명에서 제안하는 메신저 대화 기반 감정분석 방법은 감정분석을 하고자 하는 특정 상대방에 대한 사용자의 설문 정보를 저장하는 단계, 상기 특정 상대방과 상기 사용자의 대화 내용을 불러오는 단계, 상기 설문 정보와 상기 대화 내용을 분석하여 상기 사용자와 상기 특정 상대방과의 감정분석을 하는 단계, 상기 감정분석을 사용자에게 보여주는 단계를 포함할 수 있다.
사용자의 설문 정보를 저장하는 단계는 상기 설문 정보를 이용하여 상기 특정 상대방과 사용자의 대화 내용의 유형을 결정할 수 있다.
상기 감정분석을 사용자에계 보여주는 단계는 복수의 감정 파라미터들에 대한 수치를 보여주고, 특정 감정 파라미터에 대해서는 가상 코인을 요구할 수 있다.
또 다른 일 측면에 있어서, 본 발명에서 제안하는 메신저 대화 기반 감정분석 방법은 특정 상대방과 사용자의 대화 내용의 패턴의 종류를 축소하는 단계, 상기 대화 내용의 맥락을 파악하여 맥락의 종류를 축소하는 단계, 상기 패턴의 종류가 축소되고, 상기 맥락의 종류가 축소된 대화 내용의 패턴을 인식하는 단계를 포함할 수 있다.
상기 특정 상대방과의 대화 내용의 패턴의 종류를 축소하는 단계는 상기 대화 내용을 문법적 및 의미적 기능별로 그룹화하는 단계, 상기 대화 내용에서 감정과 관계없이 특성이나 상황에 따라 결정되는 요소들을 추상적인 단어로 변환하는 단계를 포함할 수 있다.
상기 패턴의 종류를 축소하는 단계는 감정과 관계없는 패턴 정보는 유실시키고, 상기 감정과 관계 있는 패턴의 종류를 줄여줄 수 있다.
특정 맥락의 종류에 해당하는 패턴이 대화 내용에서 미리 설정된 횟수 연속으로 등장하지 않을 때까지를 하나의 맥락의 종류로 구별할 수 있다.
상기 패턴의 종류를 축소하고, 상기 맥락의 종류를 축소한 대화 내용의 패턴을 인식하는 단계는 상기 패턴의 종류를 축소하고, 상기 맥락의 종류를 축소한 대화 내용에서 패턴을 추출할 수 있다.
상기 추출된 패턴을 이용하여 상기 특정 상대방의 사용자에 대한 감정을 대상으로 기계 학습을 실시할 수 있다.
상기 맥락의 종류별로 모델이 생성되고, 상기 대화 내용의 형태에 해당하는 패턴과 상기 대화 내용에 해당하는 패턴을 구분할 수 있다.
본 발명의 실시예들에 따르면 종래 기술과 달리 직접적인 감정의 표현이 아니라 일상적인 메신저 대화에서 서로에 대한 감정을 분석할 수 있다. 해당 사물이나 사람에 대한 직접적인 의견을 표시하지 않아도 일상적인 메신저 대화 속에서 사용자와 특정 상대방에 대한 감정을 분석할 수 있다.
도 1은 본 발명의 일 실시예에 따른 어플리케이션의 수행과정을 설명하기 위한 흐름도이다.
도 2는 본 발명의 일 실시예에 따른 사용자의 설문 정보를 저장하는 방법을 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따른 복수의 감정 파라미터들에 대한 수치 보여주는 방법을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 메신저 대화 기반 감정분석 방법을 설명하기 위한 흐름도이다.
도 5는 본 발명의 일 실시예에 따른 대화 내용을 그룹화 하는 단계를 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 대화 내용을 추상화 하는 단계를 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시예에 따른 맥락의 종류를 축소하는 단계를 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 사용자의 설문 정보를 저장하는 방법을 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따른 복수의 감정 파라미터들에 대한 수치 보여주는 방법을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 메신저 대화 기반 감정분석 방법을 설명하기 위한 흐름도이다.
도 5는 본 발명의 일 실시예에 따른 대화 내용을 그룹화 하는 단계를 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 대화 내용을 추상화 하는 단계를 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시예에 따른 맥락의 종류를 축소하는 단계를 설명하기 위한 도면이다.
이하, 본 발명의 실시 예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 어플리케이션의 수행과정을 설명하기 위한 흐름도이다.
일 실시예에 따른 어플리케이션의 수행과정은 감정분석을 하고자 하는 특정 상대방에 대한 사용자의 설문 정보를 저장하는 단계(110), 특정 상대방과 대화 내용을 불러오는 단계(120), 설문 정보와 대화 내용을 분석하여 사용자와 특정 상대방과의 감정분석을 하는 단계(130), 감정분석을 사용자에게 보여주는 단계(140)를 포함할 수 있다.
단계(110)에서, 감정분석을 하고자 하는 특정 상대방에 대한 사용자의 설문 정보를 저장할 수 있다. 예를 들어, 특정 상대방을 감정 분석의 대상으로 추가하기 위해 사용자가 특정 상대방에 대해 잘 알고 있는지, 특정 상대방과 사용자가 비슷한 점이 많은지 등의 설문 정보를 사용자로부터 입력 받아 저장할 수 있다. 감정분석을 하고자 하는 특정 상대방을 추가할 때, 설문조사를 통해 다양한 분석 모델 중에 어떤 모델로 분석할지 선택할 수 있다. 예를 들어, 같은 내용의 대화라도 친분 정도에 따라 감정과의 연관관계가 전혀 다를 수 있다. 따라서, 설문조사를 통해 관계를 어느 정도 규정하고 그 관계에 맞는 패턴을 사용하여 분석할 수 있다. 이때 설문 정보는 그 정도에 따른 수치로 입력될 수 있다. 이러한 설문 정보를 이용하여 특정 상대방과 사용자의 대화 내용의 유형을 결정할 수 있다. 대화 내용의 유형은 미리 결정된 복수의 유형이 어플리케이션에 저장되어 있을 수 있다.
단계(120)에서, 특정 상대방과 상기 사용자의 대화 내용을 불러올 수 있다. 메신저 또는 SNS 등에서 특정 상대방과 나눈 대화 내용을 불러올 수 있다. 예를 들어, 메신저 또는 SNS에서 대화 내용을 SD카드에 저장할 수 있다. 그러면, 어플리케이션을 실행할 때 SD카드에 저장되어 있는 대화 내용을 이용하여 감정분석을 수행할 수 있다. 특정 상대방과 사용자의 대화 내용을 불러오는 방법은 SD 카드에 저장하는 방법 이외에도 메일로 전송하는 방법 등 이와 유사한 방법을 이용할 수 있다.
단계(130)에서, 설문 정보와 대화 내용을 분석하여 사용자와 특정 상대방과의 감정분석을 할 수 있다. 대화 내용에서 어떠한 단어를 선정하느냐의 문제를 집중적으로 분석하면, 이로부터 글쓴이의 감정을 도출할 수 있다. 이때, 같은 의미의 메시지라도 다른 단어를 선택해서 표현할 수 있다. 예를 들어, 밥을 먹었다는 메시지를 전할 때, 특정 상대방과의 친분에 따라 "응! 밥 먹었엉" 이라고 할 수도 있고, "ㅇㅇ 밥먹음"이라고 할 수 있다. 감정분석을 하는 단계는 특정 상대방과 사용자의 대화 내용을 패턴의 종류를 축소하고, 맥락의 종류를 축소하고, 패턴을 인식하는 순서로 이루어질 수 있다. 예를 들어, 대화 내용을 문법적 및 의미적 기능별로 그룹화하고, 대화 내용에서 감정과 관계없이 특성이나 상황에 따라 결정되는 요소들을 추상적인 단어로 변환하여 패턴의 종류를 축소할 수 있다. 이후, 대화 내용의 맥락을 파악하여 맥락의 종류를 축소할 수 있다. 이때, 맥락의 종류에 해당하는 패턴이 대화 내용에서 미리 설정된 횟수 연속으로 등장하지 않을 때까지를 하나의 맥락의 종류로 구별할 수 있다. 그리고, 패턴의 종류가 축소되고, 상기 맥락의 종류가 축소된 대화 내용의 패턴을 인식할 수 있다. 이때, 패턴을 추출하고, 추출된 패턴을 이용하여 상기 특정 상대방의 사용자에 대한 감정을 대상으로 기계 학습을 실시할 수 있다. 그러면, 맥락의 종류별로 모델이 생성되고, 대화 내용의 형태에 해당하는 패턴과 대화 내용에 해당하는 패턴을 구분할 수 있다.
단계(140)에서, 감정분석을 사용자에게 보여줄 수 있다. 이때, 복수의 감정 파라미터들에 대한 수치를 보여주고, 특정 감정 파라미터에 대해서는 가상 코인을 요구할 수 있다. 예를 들어, 특정 감정 파라미터는 애정도 분석, 호감도 분석, 친밀도 분석 등을 포함할 수 있다. 이러한 특정 감정 파라미터는 퍼센트, 그래프 등으로 나타낼 수 있다.
도 2는 본 발명의 일 실시예에 따른 사용자의 설문 정보를 저장하는 방법을 설명하기 위한 도면이다.
도 2 (a)를 참조하면, 어플리케이션 실행 시, 감정분석을 하고자 하는 특정 상대방에 대한 사용자의 설문 정보를 입력하는 과정을 보여준다. 예를 들어, 복수의 설문 정보 질문(210a, 220a, 230a, 240a, ...) 을 표시할 수 있다. 사용자로부터 이러한 설문 정보에 대한 답변을 입력 받아 감정분석을 수행하기 위한 대화 내용의 유형을 결정할 수 있다. 이때 설문 정보는 그 정도에 따른 수치(250a)로 입력될 수 있다. 예를 들어, '특정 상대방과 사용자가 비슷한 점이 많은지' 의 질문 대해 그 정도에 따라 전혀 그렇지 않다: 1점 ~ 매우 그렇다: 7점의 수치로 입력할 수 있다.
도 2 (b)를 참조하면, 설문 정보에 대한 답변에 따른 대화 유형을 나타내었다. 대화 내용의 유형은 미리 결정된 복수의 유형이 어플리케이션에 저장되어 있을 수 있다. 사용자로부터 입력 받은 설문 정보를 이용하여 특정 상대방과 사용자의 대화 내용의 유형을 결정할 수 있다. 다시 말해, 설문 정보를 입력 과정에서는 감정분석을 하고자 하는 특정 상대방을 추가할 때, 설문조사를 통해 다양한 분석 모델 중에 어떤 모델로 분석할지 선택할 수 있다. 예를 들어, 같은 내용의 대화라도 친분 정도에 따라 감정과의 연관관계가 전혀 다를 수 있다. 따라서, 설문조사를 통해 관계를 어느 정도 규정하고 그 관계에 맞는 패턴을 사용하여 분석할 수 있다. 예를 들어, 도 2 (b)에는 IVO 타입(210b)을 나타내었다. IVO 타입(210b)은 독립언, 동사, 대명사를 많이 사용하는 유형일 수 있다. 설문 정보 입력 단계를 마치면, 완료(220b)를 눌러 다음 단계로 이동할 수 있고, IVO 타입(210b)에 기반하여 감정분석을 수행할 수 있다.
이후에는, 감정분석을 하고자 하는 특정 상대방과 사용자의 대화 내용을 불러올 수 있다. 예를 들어, 대화 내용을 불러오고자 하는 메신저에서 특정 상대방과 사용자의 대화 내용을 SD카드에 저장할 수 있다. 그러면, SD카드에 저장되어 있는 대화 내용을 이용하여 감정분석을 수행할 수 있다. 특정 상대방과 사용자의 대화 내용을 불러오는 방법은 SD 카드에 저장하는 방법 이외에도 메일로 전송하는 방법 등 이와 유사한 방법을 이용할 수 있다.
도 3은 본 발명의 일 실시예에 따른 복수의 감정 파라미터들에 대한 수치 보여주는 방법을 설명하기 위한 도면이다. 특정 상대방과 사용자의 대화 내용을 이용하여 감정분석을 수행할 수 있다. 감정분석을 하는 단계는 특정 상대방과 사용자의 내화 내용을 패턴의 종류를 축소하고, 맥락의 종류를 축소하고, 패턴을 인식하는 순서로 이루어질 수 있다. 예를 들어, 대화 내용을 문법적 및 의미적 기능별로 그룹화하고, 대화 내용에서 감정과 관계없이 특성이나 상황에 따라 결정되는 요소들을 추상적인 단어로 변환하여 패턴의 종류를 축소할 수 있다. 이후, 대화 내용의 맥락을 파악하여 맥락의 종류를 축소할 수 있다. 이때, 맥락의 종류에 해당하는 패턴이 대화 내용에서 미리 설정된 횟수 연속으로 등장하지 않을 때까지를 하나의 맥락의 종류로 구별할 수 있다. 그리고, 패턴의 종류가 축소되고, 상기 맥락의 종류가 축소된 대화 내용의 패턴을 인식할 수 있다. 이때, 패턴을 추출하고, 추출된 패턴을 이용하여 상기 특정 상대방의 사용자에 대한 감정을 대상으로 기계 학습을 실시할 수 있다. 그러면, 맥락의 종류별로 모델이 생성되고, 대화 내용의 형태에 해당하는 패턴과 대화 내용에 해당하는 패턴을 구분할 수 있다. 이러한 과정을 통해 감정분석을 수행한 후, 복수의 감정 파라미터들에 대한 수치를 사용자에게 보여줄 수 있다.
도 3a (a)를 참조하면, 감정분석(310a)에 대한 복수의 파라미터를 퍼센트(314a) 및 그래프로 나타낸 것을 볼 수 있다. 감정 분석(310a)의 파라미터는 애정도 분석(311a), 호감도 분석(312a), 친밀도 분석(313a) 등을 포함할 수 있다. 이러한 파라미터에 대한 값은 퍼센트(314a)로 나타낼 수 있다. 또한 도 3a (b)와 같이 감정추이를 일별, 주별, 월별로 구분하여 그래프(310b)로 나타낼 수 있다.
도 3a (c)를 참조하면, 감정분석을 수행한 후, 관계배지(310c)를 나타낼 수 있다. 특정 상대방과 사용자의 대화 내용에 기반하여 서로 어떤 관계인지, 또는 어떠한 감정을 가지고 있는지 분석하여 나타낼 수 있다.
도 3b (d)를 참조하면, 감정분석을 수행한 후, 특정 상대방과 사용자의 대화 내용분석(310d) 결과를 나타낼 수 있다. 예를 들어, 도 3b (d)와 같이 대화 내용의 주제(311d)별로 퍼센트를 나타낼 수 있다. 대화 내용의 주제(311d)는 장난, 연락/관계, 스케쥴, 이동/위치, 감정, 컨디션, 회사/직업, 기타 등을 포함할 수 있다. 대화 내용의 주제별로 퍼센트를 분석하여 그래프로(312d)로 나타낼 수 있다.
도 3b (d)를 참조하면, 감정분석을 수행한 후, 상담분석(310e)을 나타낼 수 있다. 복수의 상담분석들(311e, 312e, 313e, ...)을 나타내고, 이에 대한 결과를 보기 위해서는 가상 코인이 요구(314e)될 수 있다. 예를 들어, '상대방님이 당신을 잠재적 연애상대로 여기고 있을까요?'(311e)라는 상담분석을 나타낼 수 있다. 이러한 분석의 결과란에는 '터치하면 당근 1개를 사용해 상담결과를 열어봅니다!'(314e)라는 안내문구가 표시되고, 여기에서, 당근은 가상 코인일 수 있다. 이러한 가상 코인을 결제하면, 상담분석의 결과를 확인할 수 있다.
도 4는 본 발명의 일 실시예에 따른 메신저 대화 기반 감정분석 방법을 설명하기 위한 흐름도이다.
메신저 대화 기반 감정분석 방법은, 특정 상대방과 사용자의 대화 내용의 패턴의 종류를 축소하는 단계(410), 대화 내용의 맥락을 파악하여 맥락의 종류를 축소하는 단계(420), 패턴의 종류가 축소되고, 맥락의 종류가 축소된 대화 내용의 패턴을 인식하는 단계(430)를 포함할 수 있다.
단계(410)에서, 특정 상대방과 사용자의 대화 내용의 패턴의 종류를 축소할 수 있다. 패턴의 종류의 축소는 대화 내용에서 등장할 수 있는 패턴의 종류를 줄여 주는 과정이다. 언어의 조합으로 만들 수 있는 메시지의 종류는 무한하다고 봐도 무방할 정도로 다양하다. 언어의 조합이 무한해지면, 그 속에서 찾아낼 수 있는 패턴과 습관의 수도 무한해질 수 있다. 그렇게 무한하고 파편화(segmented)된 패턴 속에서 모든 사람의 대화에 일반적으로 적용할 수 있는 변수를 찾아내는 것은 어려우며, 설사 찾아낸다고 해도 과적합(overfitting) 등의 문제를 야기할 수 있다. 따라서 가능한 패턴 조합의 양을 줄여주는 것이 효과적으로 패턴을 찾아내고 분석모델의 성능을 높이는데 필수적이다. 패턴의 종류의 축소를 통해 감정과 관계없는 패턴 정보를 유실시키고, 가능한 패턴의 종류를 줄여줄 수 있다. 이러한 과정을 통해 감정이 높은 사람에게 보내는 대화 내용의 특성과 패턴을 보다 효과적으로 찾아낼 수 있다.
이러한 대화 내용의 패턴의 종류를 축소하는 단계는 대화 내용을 문법적 및 의미적 기능별로 그룹화하는 단계, 대화 내용에서 감정과 관계없이 특성이나 상황에 따라 결정되는 요소들을 추상적인 단어로 변환하는 단계를 포함할 수 있다.
그룹화하는 단계에서, 대화 내용을 문법적 및 의미적 기능별로 그룹화할 수 있다. 그룹화는 완벽하게 동일한 혹은 유사한 문법적 및 의미적 기능을 하지만 형태는 다른 형태소들을 하나의 그룹으로 묶어주는 과정이다. 이러한 과정을 통해 자주 쓰이는 형태소들의 파편화 현상을 현격히 줄일 수 있다. 예를 들어, "가시겠어요?"와 "접으시겠어요?"에 각각 들어가있는 높임형 선어말어미 '시'와 '으시'는 문법적인 기능이 동일하지만 앞의 동사에 따라 형태가 바뀔 수 있다. 이를 높임형 선어말어미라는 하나의 그룹으로 묶어주면 파편화를 줄일 수 있다.
도 5는 본 발명의 일 실시예에 따른 대화 내용을 그룹화 하는 단계를 설명하기 위한 도면이다. 도 5를 참조하면, 원형과 그룹화 리스트를 나타내었다. 그룹화는 <HIGH=EPH>(510), <TOWARD=JKM>(520), <WITH=JC>(530), <OR=JC>(540), <WITHWHOM=JC>(550), <FUTUREGGA=EFN>(560), <SPC04=MUN>(570), <SML02=EMO>(580) 등을 포함할 수 있다. 예를 들어, 대화 내용에 '~시' 또는 '~으시'가 포함되어 있을 경우, 이는 높임형 선어말어미라는 하나의 그룹 <HIGH=EPH>(510)으로 그룹화될 수 있다.
추상적인 단어로 변환하는 단계는 대화 내용에서 감정과 관계없이 특성이나 상황에 따라 결정되는 요소들을 추상적인 단어로 변환함으로써 패턴의 종류를 줄여주는 과정이다. 예를 들어, '감기', '몸살', '두통', '독감', '배탈' 등의 단어는 개인적인 상황에 따라 선택되어 대화 내용에 등장하는 단어들이다. 이러한 단어들 중 어떤 질병에 걸렸는지는 감정분석에서 중요하지 않을 수 있다. 단지, 질병과 관련된 패턴이 대화 속에 등장했었다는 것이 중요할 수 있다. 그래서 이런 단어들을 '질병'이라는 단어로 추상화 시켜주면 전체적인 패턴의 종류를 줄여줄 수 있다.
도 6은 본 발명의 일 실시예에 따른 대화 내용을 추상화 하는 단계를 설명하기 위한 도면이다. 도 6을 참조하면, 원형과 추상화 리스트를 나타내었다. 추상화는 <DISEASE=NNG>(610), <FRUIT=NNG>(620), <YOIL=NNG>(630) 등을 포함할 수 있다. . 예를 들어, 대화 내용에 '딸기' 또는 '바나나'가 포함되어 있을 경우, 이는 <FRUIT=NNG>(620)로 추상화될 수 있다. 이러한 그룹화 및 추상화 단계를 통해 패턴의 종류를 축소할 수 있다.
다음으로 단계(420)에서, 대화 내용의 맥락을 파악하여 맥락의 종류를 축소할 수 있다. 이것은 두 사람간의 일련의 대화에서 맥락을 파악하여 맥락별로 대화를 구별하는 과정이다. 대화 내용에서는 여러 가지 맥락과 주제가 존재할 수 있다. 예를 들어, 처음에는 날씨이야기로 대화를 시작해서 그 다음에는 야구 이야기를 하고, 그 이후에는 시험과 관련된 이야기를 할 수도 있다. 이러한 각 대화의 맥락들에서는 등장할 수 있는 패턴의 영역들이 다를 수 있다. 특정한 맥락에서는 등장할 수 있는 패턴이 한계가 있으며, 그 이외의 패턴들은 아예 맥락 측면에서 등장할 수가 없다. 예를 들어, "오늘 날씨 어때?"라고 묻는 날씨의 맥락에서는 "그렇게 춥지 않은 것 같아"라는 답은 할 수 있어도 "시험공부하는 중이야"라는 답은 할 수가 없다. 날씨의 맥락 안에서는 답하는 사람이 여러 가지 단어 중에서 선택해서 보낼 수 있지만, 날씨의 맥락 밖에 있는 단어는 아예 선택의 대상이 아니다. 이와 같이 대화에 등장하지 않은 패턴이라고 하더라도 이렇게 '선택할 수 있는 대상이지만 선택하지 않은 패턴' ('춥다', '덥다', '따뜻하다' 등)과 '맥락상으로 아예 선택할 수 없는 패턴'('시험공부', '피곤하다' 등)을 구분해줄 필요가 있기 때문에 맥락의 종류 축소를 통해 대화 내용들을 맥락별로 구분할 수 있다. 이때, 각 맥락에 해당하는 패턴들을 사전(dictionary)에 미리 저장할 수 있다. 그리고, 특정 맥락의 종류에 해당하는 패턴이 대화 내용에서 미리 설정된 횟수 연속으로 등장하지 않을 때까지를 하나의 맥락의 종류로 구별할 수 있다.
도 7은 본 발명의 일 실시예에 따른 맥락의 종류를 축소하는 단계를 설명하기 위한 도면이다. 도 7을 참조하면, 맥락과 패턴 리스트를 나타내었다. 맥락은 '스케쥴(710)', '날씨(720)', '외모(730)' 등을 포함할 수 있다. 예를 들어, 대화 내용에 <바쁘=VA> 또는 <여유로운=VA>의 패턴이 포함되어 있을 경우, 이는 '스케쥴(710)'의 맥락으로 구별할 수 있다.
단계(430)에서, 패턴의 종류가 축소되고, 맥락의 종류가 축소된 대화 내용의 패턴을 인식할 수 있다. 패턴의 종류가 축소된 맥락의 종류가 축소된 대화 내용에서 패턴을 추출할 수 있다. 그리고, 추출된 패턴과 설문 정보를 바탕으로 하여 특정 상대방의 사용자에 대한 감정을 대상으로 기계 학습을 실시할 수 있다. 그러면, 맥락의 종류별로 모델이 생성되고, 대화 내용의 형태에 해당하는 패턴과 대화 내용에 해당하는 패턴을 구분할 수 있다.
예를 들어, 형태 패턴의 종류 추출은 아래와 같을 수 있다.
1) 띄어쓰기 비율: 대화 내용에서 정확한 띄어쓰기의 비율이 어느 정도인지
2) 비표준어 유형패턴
- 오타: 자판을 잘못쳐서 나오는 패턴 (예: 하갰어, 간가야?)
- 고의적 비표준어: 특정한 어감이나 효과를 주기 위해 사용한 비표준어 (예: 할꼬야, 해써?)
- 기타 비표준어: 표준어를 몰라서 쓴 비표준어 (예: 않할래)
3) 답장시간: 질문형태에 메시지에 평균적으로 몇 분 안에 답을 했는지
4) 빠른 답장 비율: 빠른 답장(3분 이내)의 비율이 전체 답장 중 몇 %에 해당하는지
5) 선문자, 마지막 문자 비율: 대화를 시작하는 문자와 마무리하는 문자를 보낸 비율
6) 대화시간: 대화를 시작한 시간과 대화를 마무리한 시간
7) 메시지 평균 길이
8) 단답형/장문 메시지의 비율
9) 형태소 비율: 각 형태소 종류들이 메시지에서 각각 몇 %를 차지하는지
또한, 내용 패턴의 종류의 추출은 각 맥락별로 데이터베이스에서 일반화 가능한 수준(100회) 이상으로 등장한 패턴을 기준으로 가장 길이가 긴 패턴부터 우선적으로 패턴으로 인식할 수 있다. 이것은 패턴의 길이가 길수록 특정한 감정과 상황에서 사용이 한정될 가능성이 높기 때문이다.
이러한 메신저 대화 기반 감정분석 방법을 이용하여 겉으로, 의미적으로 드러나지 않는 함의와 감정을 텍스트에서 분석해낼 수 있다. 또한, 감정뿐만 아니라 텍스트에 직접적으로 명시되지 않는 요소를 예측하고자 할 때 사용할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
Claims (10)
- 삭제
- 삭제
- 감정분석을 하고자 하는 특정 상대방에 대한 사용자의 설문 정보를 저장하는 단계;
상기 특정 상대방과 상기 사용자의 대화 내용을 불러오는 단계;
상기 설문 정보와 상기 대화 내용을 분석하여 상기 사용자와 상기 특정 상대방과의 감정분석을 하는 단계; 및
상기 감정분석을 사용자에게 보여주는 단계
를 포함하고,
상기 감정분석을 사용자에계 보여주는 단계는,
복수의 감정 파라미터들에 대한 수치를 보여주고, 특정 감정 파라미터에 대해서는 가상 코인을 요구하는
메신저 대화 기반 감정분석 방법. - 삭제
- 특정 상대방과 사용자의 대화 내용의 패턴의 종류를 축소하는 단계;
상기 대화 내용의 맥락을 파악하여 맥락의 종류를 축소하는 단계; 및
상기 패턴의 종류가 축소되고, 상기 맥락의 종류가 축소된 대화 내용의 패턴을 인식하는 단계
를 포함하고,
상기 특정 상대방과의 대화 내용의 패턴의 종류를 축소하는 단계는,
상기 대화 내용을 문법적 및 의미적 기능별로 그룹화하는 단계; 및
상기 대화 내용에서 감정과 관계없이 특성이나 상황에 따라 결정되는 요소들을 추상적인 단어로 변환하는 단계
를 포함하는 메신저 대화 기반 감정분석 방법. - 제5항에 있어서,
상기 패턴의 종류를 축소하는 단계는,
감정과 관계없는 패턴 정보는 유실시키고, 상기 감정과 관계 있는 패턴의 종류를 줄여주는
메신저 대화 기반 감정분석 방법. - 특정 상대방과 사용자의 대화 내용의 패턴의 종류를 축소하는 단계;
상기 대화 내용의 맥락을 파악하여 맥락의 종류를 축소하는 단계; 및
상기 패턴의 종류가 축소되고, 상기 맥락의 종류가 축소된 대화 내용의 패턴을 인식하는 단계
를 포함하고,
상기 대화 내용의 맥락을 파악하여 맥락의 종류를 축소하는 단계는,
특정 맥락의 종류에 해당하는 패턴이 상기 대화 내용에서 미리 설정된 횟수 연속으로 등장하지 않을 때까지를 하나의 맥락의 종류로 구별하는
메신저 대화 기반 감정분석 방법. - 특정 상대방과 사용자의 대화 내용의 패턴의 종류를 축소하는 단계;
상기 대화 내용의 맥락을 파악하여 맥락의 종류를 축소하는 단계; 및
상기 패턴의 종류가 축소되고, 상기 맥락의 종류가 축소된 대화 내용의 패턴을 인식하는 단계
를 포함하고,
상기 패턴의 종류를 축소하고, 상기 맥락의 종류를 축소한 대화 내용의 패턴을 인식하는 단계는,
상기 패턴의 종류를 축소하고, 상기 맥락의 종류를 축소한 대화 내용에서 패턴을 추출하는
메신저 대화 기반 감정분석 방법. - 제8항에 있어서,
상기 추출된 패턴을 이용하여 상기 특정 상대방의 사용자에 대한 감정을 대상으로 기계 학습을 실시하는
메신저 대화 기반 감정분석 방법. - 제9항에 있어서,
상기 맥락의 종류별로 모델이 생성되고, 상기 대화 내용의 형태에 해당하는 패턴과 상기 대화 내용에 해당하는 패턴을 구분하는
메신저 대화 기반 감정분석 방법.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020130167127A KR101552608B1 (ko) | 2013-12-30 | 2013-12-30 | 메신저 대화 기반 감정분석 방법 |
| JP2014003551A JP2015127932A (ja) | 2013-12-30 | 2014-01-10 | メッセンジャー対話に基づく感情分析方法 |
| US14/153,358 US9298690B2 (en) | 2013-12-30 | 2014-01-13 | Method for analyzing emotion based on messenger conversation |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020130167127A KR101552608B1 (ko) | 2013-12-30 | 2013-12-30 | 메신저 대화 기반 감정분석 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20150080112A KR20150080112A (ko) | 2015-07-09 |
| KR101552608B1 true KR101552608B1 (ko) | 2015-09-14 |
Family
ID=53481955
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020130167127A KR101552608B1 (ko) | 2013-12-30 | 2013-12-30 | 메신저 대화 기반 감정분석 방법 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US9298690B2 (ko) |
| JP (1) | JP2015127932A (ko) |
| KR (1) | KR101552608B1 (ko) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015103695A1 (en) * | 2014-01-10 | 2015-07-16 | Cluep Inc. | Systems, devices, and methods for automatic detection of feelings in text |
| US9722965B2 (en) * | 2015-01-29 | 2017-08-01 | International Business Machines Corporation | Smartphone indicator for conversation nonproductivity |
| KR101594500B1 (ko) * | 2015-08-12 | 2016-02-16 | 주식회사 스캐터랩 | 채팅내용에 기반하여 필요정보를 제공하는 인공지능 채팅 방법 |
| US9992148B2 (en) * | 2015-10-19 | 2018-06-05 | International Business Machines Corporation | Notifying a user about a previous conversation |
| US10484535B2 (en) * | 2017-04-18 | 2019-11-19 | Dean Garfinkel | Method and system for text enablement of landline telephone number with thread and group chat enablement |
| KR102106671B1 (ko) * | 2017-12-12 | 2020-05-04 | 한국과학기술원 | 우울증 진단을 위한 다중 설문 분석 시스템 및 그 방법 |
| US10831797B2 (en) * | 2018-03-23 | 2020-11-10 | International Business Machines Corporation | Query recognition resiliency determination in virtual agent systems |
| KR102315830B1 (ko) | 2019-12-27 | 2021-10-22 | 한국과학기술원 | 반지도 학습 기반 단어 단위 감정 임베딩과 lstm 모델을 이용한 대화 내에서 발화의 감정 분류 방법 |
| CN117131182A (zh) * | 2023-10-26 | 2023-11-28 | 江西拓世智能科技股份有限公司 | 一种基于ai的对话回复生成方法及系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007272374A (ja) | 2006-03-30 | 2007-10-18 | Fuji Xerox Co Ltd | コミュニケーションスタイル分析方法および装置 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6598020B1 (en) * | 1999-09-10 | 2003-07-22 | International Business Machines Corporation | Adaptive emotion and initiative generator for conversational systems |
| JP2002301270A (ja) * | 2001-04-05 | 2002-10-15 | Namco Ltd | 情報提供システム、プログラムおよび情報記憶媒体 |
| JP3848154B2 (ja) * | 2001-12-21 | 2006-11-22 | アルゼ株式会社 | 相性診断システム及び相性診断方法 |
| JP2007219733A (ja) * | 2006-02-15 | 2007-08-30 | Item:Kk | メール文診断システム及びメール文診断プログラム |
| KR20120096187A (ko) | 2011-02-22 | 2012-08-30 | 김종윤 | 사적 텍스트를 이용한 감정분석 방법 |
| US9105042B2 (en) * | 2013-02-07 | 2015-08-11 | Verizon Patent And Licensing Inc. | Customer sentiment analysis using recorded conversation |
-
2013
- 2013-12-30 KR KR1020130167127A patent/KR101552608B1/ko active IP Right Grant
-
2014
- 2014-01-10 JP JP2014003551A patent/JP2015127932A/ja active Pending
- 2014-01-13 US US14/153,358 patent/US9298690B2/en active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007272374A (ja) | 2006-03-30 | 2007-10-18 | Fuji Xerox Co Ltd | コミュニケーションスタイル分析方法および装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| US9298690B2 (en) | 2016-03-29 |
| US20150186354A1 (en) | 2015-07-02 |
| JP2015127932A (ja) | 2015-07-09 |
| KR20150080112A (ko) | 2015-07-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101552608B1 (ko) | 메신저 대화 기반 감정분석 방법 | |
| Ghosh et al. | Sarcasm analysis using conversation context | |
| Farías et al. | Irony detection in twitter: The role of affective content | |
| Mohammad et al. | Sentiment, emotion, purpose, and style in electoral tweets | |
| Clarke et al. | Dimensions of abusive language on Twitter | |
| Handler et al. | Bag of what? simple noun phrase extraction for text analysis | |
| Rajput et al. | Lexicon‐Based Sentiment Analysis of Teachers’ Evaluation | |
| Figgou et al. | Social psychology: Research methods | |
| JP4129987B2 (ja) | テキスト・ドキュメントから表出されたオピニオンの分析方法、システム及びプログラム | |
| Pennebaker | Mind mapping: Using everyday language to explore social & psychological processes | |
| KR102032091B1 (ko) | 인공지능 기반의 댓글 감성 분석 방법 및 그 시스템 | |
| JP2019511036A (ja) | 複数レイヤの単語表現にわたる言語特徴生成のためのシステム及び方法 | |
| Boyd‐Graber et al. | Spoiler alert: Machine learning approaches to detect social media posts with revelatory information | |
| Schoene et al. | Hierarchical multiscale recurrent neural networks for detecting suicide notes | |
| Mehl et al. | Automatic text analysis. | |
| Glynn | Quantifying polysemy: Corpus methodology for prototype theory | |
| Alanazi | Toward identifying features for automatic gender detection: A corpus creation and analysis | |
| Levshina et al. | Just because: In search of objective criteria of subjectivity expressed by causal connectives | |
| Baker | Corpora and gender studies | |
| Bednarek | An astonishing season of destiny! | |
| Meyer | Machine learning to detect online grooming | |
| Isbister et al. | Gender classification with data independent features in multiple languages | |
| Warwick et al. | Taking the fifth amendment in Turing’s imitation game | |
| Otsuka et al. | Utterance selection using discourse relation filter for chat-oriented dialogue systems | |
| Gidhe et al. | Sarcasm detection of non# tagged statements using MLP-BP |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| GRNT | Written decision to grant | ||
| FPAY | Annual fee payment |
Payment date: 20180622 Year of fee payment: 4 |
|
| FPAY | Annual fee payment |
Payment date: 20190808 Year of fee payment: 5 |