KR101739538B1 - 기계 학습 및 규칙에 기반한 감성 분석 시스템 및 방법 - Google Patents

기계 학습 및 규칙에 기반한 감성 분석 시스템 및 방법 Download PDF

Info

Publication number
KR101739538B1
KR101739538B1 KR1020160008897A KR20160008897A KR101739538B1 KR 101739538 B1 KR101739538 B1 KR 101739538B1 KR 1020160008897 A KR1020160008897 A KR 1020160008897A KR 20160008897 A KR20160008897 A KR 20160008897A KR 101739538 B1 KR101739538 B1 KR 101739538B1
Authority
KR
South Korea
Prior art keywords
data
rule
analysis
input data
emotional
Prior art date
Application number
KR1020160008897A
Other languages
English (en)
Inventor
양승원
이반 베를로셰
이경일
Original Assignee
주식회사 솔트룩스
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 솔트룩스 filed Critical 주식회사 솔트룩스
Priority to KR1020160008897A priority Critical patent/KR101739538B1/ko
Application granted granted Critical
Publication of KR101739538B1 publication Critical patent/KR101739538B1/ko

Links

Images

Classifications

    • G06F17/2705—
    • G06F15/18—
    • G06F17/20—
    • G06F17/2755—
    • G06F17/2785—

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Machine Translation (AREA)

Abstract

감성 분석 시스템 및 방법이 개시된다. 본 발명의 예시적 실시예에 따른 감성 분석 시스템은, 미리 정의된 규칙들을 사용함으로써 입력 데이터에 포함된 감성을 추출하는 규칙 기반 감성 분석 모듈로부터 제1 분석 결과 데이터를 수신하는 제1 인터페이스부, 훈련 데이터를 학습하여 생성된 학습 모델을 적용함으로써 입력 데이터에 포함된 감성을 추출하는 기계 학습 기반 감성 분석 모듈로부터 제2 분석 결과 데이터를 수신하는 제2 인터페이스부 및 제1 및 제2 분석 결과 데이터에 기초하여 입력 데이터에 포함된 감성의 극성(polarity)을 결정하는 분석 결과 결합부를 포함할 수 있다.

Description

기계 학습 및 규칙에 기반한 감성 분석 시스템 및 방법{SYSTEM AND METHOD FOR ANALYZING SENTIMENT BASED ON MACHINE LEARNING AND RULE}
본 발명의 기술적 사상은 감성 분석 시스템 및 방법에 관한 것으로서, 자세하게는 기계 학습 및 규칙에 기반한 감성 분석 시스템 및 방법에 관한 것이다.
본 발명은 미래창조과학부 SW컴퓨팅산업원천기술개발사업(SW)의 일환으로 (주)솔트룩스가 주관하고 연구하여 수행된 연구로부터 도출된 것이다. [연구기간: 2015.03.01~2016.02.29, 연구관리 전문기관: 정보통신기술연구진흥센터, 연구과제명: WiseKB: 빅데이터 이해 기반 자가학습형 지식베이스 및 추론 기술 개발, 과제 고유번호: R0101-15-0054]
감성 분석(sentiment analysis 또는 opinion mining)은 텍스트에 표현된 사람들의 태도, 의견, 성향과 같은 주관적인 데이터를 분석하는 자연어 처리 기술을 지칭할 수 있다. 예를 들면, 감성 분석은 데이터에 포함된 텍스트를 분석함으로써 대상에 대한 긍정/부정(또는 긍정/부정/중립)으로 데이터를 분류할 수 있다. 이처럼 감성 분석에 의해서 분류된 데이터는 다양한 분야, 예컨대 마케팅, 선거 등에 중요한 자료로써 활용될 수 있다. 이에 따라, SNS 등을 통해서 수많은 사람들이 인터넷을 통해 자신의 의견을 표현하고 다른 사람의 의견을 확인할 수 있는 환경에서, 정확한 결과를 도출하는 감성 분석은 현저한 파급 효과를 가질 수 있다.
본 발명의 기술적 사상은, 기계 학습 및 규칙에 기반한 하이브리드 감성 분석 시스템 및 방법을 제공한다.
상기와 같은 목적을 달성하기 위하여, 본 발명의 기술적 사상의 일측면에 따른 감성 분석 시스템은, 텍스트를 포함하는 입력 데이터를 감성 분석(sentiment analysis)하기 위한 시스템으로서, 미리 정의된 규칙들을 사용함으로써 입력 데이터에 포함된 감성을 추출하는 규칙 기반 감성 분석 모듈로부터 제1 분석 결과 데이터를 수신하는 제1 인터페이스부, 훈련 데이터를 학습하여 생성된 학습 모델을 적용함으로써 입력 데이터에 포함된 감성을 추출하는 기계 학습 기반 감성 분석 모듈로부터 제2 분석 결과 데이터를 수신하는 제2 인터페이스부 및 제1 및 제2 분석 결과 데이터에 기초하여 입력 데이터에 포함된 감성의 극성(polarity)을 결정하는 분석 결과 결합부를 포함할 수 있다.
본 발명의 예시적 실시예에 따라, 제1 인터페이스부는 제1 분석 결과 데이터에 포함된 규칙 기반 가중치(WR)을 추출할 수 있고, 미리 정의된 규칙들의 집합이 R이고, Wr은 규칙 r이 입력 데이터에 매칭되는 경우 규칙 r의 가중치 값을 가지고, 매칭되지 아니하는 경우 0을 가지는 변수일 때, 규칙 기반 가중치(WR)는 WR = (∑r∈R Wr) / (∑r∈R │Wr│)에 의해서 계산될 수 있다.
본 발명의 예시적 실시예에 따라, 감성 분석 시스템은 0보다 크고 1보다 작은 값을 가지는 λ를 저장하는 파라미터 저장부를 더 포함할 수 있고, 제2 인터페이스부는 제2 분석 결과 데이터에 포함되고, -1, 0 및 1 중 하나의 값을 가지는 기계 학습 기반 가중치(WM)를 추출할 수 있고, 분석 결과 결합부는 규칙 기반 가중치(WR) 및 기계 학습 기반 가중치(WM)에 기초하여 입력 데이터에 포함된 감성의 극성을 결정하고 WX = λ(WR) + (1 - λ)WM에 의해서 통합 가중치(WX)를 계산할 수 있다.
본 발명의 예시적 실시예에 따라, 파라미터 저장부는 0보다 크고 1보다 작은 값을 가지는 α를 더 저장할 수 있고, 분석 결과 결합부는, 통합 가중치(Wx)가 -α 이하인 경우, -α 초과 α미만인 경우 및 α 이상인 경우에서, 입력 데이터에 포함된 극성을 부정, 중립 및 긍정으로서 각각 결정할 수 있다.
본 발명의 예시적 실시예에 따라, 감성 분석 시스템은 외부 입력 신호에 기초하여 파라미터 저장부에 엑세스함으로써 λ 및 α의 값을 변경하는 파라미터 설정부를 더 포함할 수 있다.
본 발명의 예시적 실시예에 따라, 감성 분석 시스템은 규칙 기반 감성 분석 모듈 및 기계 학습 기반 감성 분석 모듈을 더 포함할 수 있다.
본 발명의 예시적 실시예에 따라, 입력 데이터의 형태소 분석 데이터에 기초하여 적어도 하나의 대상(object) 및 적어도 하나의 대상에 대한 의견(opinion)을 추출하는 감성 정보 생성부를 더 포함할 수 있다.
본 발명의 예시적 실시예에 따라, 감성 정보 생성부는, 형태소 분석 데이터에 포함된 체언구, 용언구 및 긍정지정사구 중 하나를 헤드(head)로서 추출하고, 헤드 단위로 대상 및 의견을 추출할 수 있다.
본 발명의 예시적 실시예에 따라, 감성 정보 생성부는 추출된 의견의 원형을 복원함으로써 정규화할 수 있다.
본 발명의 예시적 실시예에 따라, 감성 분석 시스템은 극성, 적어도 하나의 대상 및 의견을 포함하는 출력 데이터를 생성하는 출력 데이터 생성부를 더 포함할 수 있다.
본 발명의 기술적 사상에 따른 감성 분석 시스템 및 방법은, 기계 학습 기반 분석 및 규칙 기반 분석의 장점을 활용함으로써 보다 정확한 분석 결과를 도출할 수 있다.
또한, 본 발명의 기술적 사상에 따른 감성 분석 시스템 및 방법은, 감성의 대상 및 의견을 추출함으로써, 분석 결과의 정확도를 향상시킬 수 있다.
도 1은 본 발명의 예시적 실시예에 다른 감성 분석 시스템을 포함하는 감성 분석 환경의 예시를 도시하는 블록도이다.
도 2는 본 발명의 예시적 실시예에 따라 도 1의 감성 분석 시스템의 예시를 나타내는 블록도이다.
도 3은 본 발명의 예시적 실시예에 따라 도 1의 감성 분석 시스템의 예시를 나타내는 블록도이다.
도 4는 도 3의 감성 정보 생성부의 동작을 설명하기 위한 도면이다.
도 5는 본 발명의 예시적 실시예에 따른 감성 분석 방법을 나타내는 순서도이다.
도 6은 본 발명의 예시적 실시예에 따라 도 5의 단계 S18의 예시를 나타내는 도면이다.
도 7은 본 개시의 예시적 실시예에 따라 입력 데이터로부터 감성 정보를 생성하는 방법을 나타내는 순서도이다.
이하, 첨부한 도면을 참조하여 본 발명의 실시 예에 대해 상세히 설명한다. 본 발명의 실시 예는 당 업계에서 평균적인 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위하여 제공되는 것이다. 본 발명은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용한다. 첨부된 도면에 있어서, 구조물들의 치수는 본 발명의 명확성을 기하기 위하여 실제보다 확대하거나 축소하여 도시한 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수개의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 갖는다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하 도면 및 설명에서, 하나의 블록으로 표시 또는 설명되는 구성요소는 하드웨어 블록 또는 소프트웨어 블록일 수 있다. 예를 들면, 구성요소들 각각은 서로 신호를 주고 받는 독립적인 하드웨어 블록일 수도 있고, 또는 하나의 프로세서에서 실행되는 소프트웨어 블록일 수도 있다.
도 1은 본 발명의 예시적 실시예에 다른 감성 분석 시스템(500)을 포함하는 감성 분석 환경의 예시를 도시하는 블록도이다.
감성 분석의 방법은 규칙(rule) 기반 감성 분석 방법 및 기계 학습(machine learning) 기반 감성 분석 방법을 포함할 수 있다. 규칙 기반 감성 분석 방법은 분석의 대상이 되는 데이터에 미리 정의된 복수의 규칙들을 적용함으로써 데이터에 표현된 감성(또는 감성 정보)을 추출할 수 있다. 예를 들면, 규칙 기반 감성 분석 방법은 미리 준비된 복수의 규칙들을 사용할 수 있고, 복수의 규칙들 각각은 분석의 대상이 되는 데이터의 유형에 따라 감성을 추출하는 방식을 정의할 수 있다. 규칙 기반 감성 분석 방법은 데이터에 매칭되는 규칙을 선택하고, 선택된 규칙에서 정의하는 방식에 따라, 데이터를 분석함으로써 감성을 추출할 수 있다. 이러한 규칙 기반 감성 분석 방법은 사용자가 이해하기에 직관적이고 속도가 빠른 장점을 가질 수 있으나, 미리 정해진 규칙들에 의해서 분석이 제한되는 단점을 가질 수 있다.
기계 학습 기반 감성 분석 방법은 학습 단계 및 수행 단계를 포함할 수 있다. 학습 단계는 훈련 데이터를 학습함으로써 학습 모델을 생성할 수 있고, 수행 단계는 생성된 학습 모델을 사용하여 데이터에 표현된 감성을 분석할 수 있다. 기계 학습 기반 감성 분석 방법은 분석에 필요한 데이터를 자동으로 습득하기 때문에, 상대적을 많은 수의 예외들나 오류들을 포함하는 데이터에 대하여 높은 적응성을 제공할 수 있다. 다만, 분석 결과의 정확도가 규칙 기반 감성 분석에 비해서 상대적으로 낮을 수 있다.
본 발명의 예시적 실시예에 따른 감성 분석 시스템(500)은 규칙 기반 감성 분석 방법 및 기계 학습 기반 감성 분석 방법을 통합함으로써 양 방법들의 단점들을 보완하고 장점들을 취함으로써 정확한 분석을 가능하게 한다. 즉, 감성 분석 시스템(500)은 입력 데이터(5)를 분석함으로써 규칙 기반 감성 분석 모듈(100) 및 기계 학습 기반 감성 분석 모듈(300)이 각각 생성하는 제1 및 제2 분석 결과 데이터(10, 30)를 수신할 수 있고, 수신된 데이터(10, 30)를 처리함으로써 출력 데이터(50)를 생성할 수 있다.
입력 데이터(5)는 텍스트를 포함하는 임의의 데이터일 수 있다. 예를 들면 입력 데이터(5)는 인터넷을 통해서 엑세스 가능한 UCC(user created contents)로서, 예컨대 블로그, 게시판 제품 리뷰, 소셜 네트워크 등에 게재된 데이터를 포함할 수 있다. 또한, 입력 데이터(5)는 문서 파일과 같이 로컬 저장 매체에 저장되어 있는 로컬 데이터를 포함할 수도 있다.
감성 분석 시스템(500)이 생성하는 출력 데이터(50)는 입력 데이터(5)의 텍스트에 포함된 대상에 대한 긍정/부정(또는 긍정/부정/중립) 정보를 포함할 수 있다. 이와 같이, 긍정/부정/중립 정보는 데이터의 극성(polarity) 정보로서 지칭될 수 있고, 극성 정보를 추출하는 것은 극성 분석으로 지칭될 수 있다. 또한, 출력 데이터(50)는 입력 데이터(5)의 극성 정보뿐만 아니라, 대상(object) 및 대상에 대한 의견(opinion)을 포함할 수 있다. 즉, 감성 분석 시스템(500)은 입력 데이터(5)의 극성을 분석함과 동시에, 입력 데이터(5)의 세부 사항을 확인할 수 있는 대상 및 대상에 대한 의견을 추출함으로써 보다 정확하고 가치 있는 정보를 제공할 수 있다.
비록 도시되지 아니하였으나, 도 1에서 규칙 기반 감성 모듈(100), 기계 학습 기반 감성 분석 모듈(300) 및 감성 분석 시스템(500)은 감성 사전 모듈(700) 및 언어 분석 모듈(900)에 엑세스할 수 있고, 감성 사전 모듈(700) 및 언어 분석 모듈(900)이 저장하거나 생성한 데이터를 수신할 수 있다.
도 1을 참조하면, 규칙 기반 감성 분석 모듈(100)은 규칙 저장부(120) 및 규칙 탐색부(140)를 포함할 수 있다. 규칙 저장부(120)는 복수의 규칙들을 저장할 수 있다. 예를 들면, 복수의 규칙들 각각은 자신이 적용되는 형태소의 배치 정보를 가질 수 있고, 자신의 형태소 배치에 매칭되는 입력 데이터에 대하여 극성을 판단하기 위한 방식(예컨대, 수학식)을 가질 수 있다. 또한, 규칙 저장부(120)는 각각의 규칙들에 대응하는 가중치들을 더 저장할 수 있다. 규칙의 가중치는 입력 데이터(5)의 극성, 즉 긍정/부정/중립을 판단하는데 기여도를 나타낼 수 있다. 예를 들면, 감성 어휘는 양의 값을 가지는 긍정 강도 또는 음의 값을 가지는 부정 강도를 가질 수 있고, 복수의 규칙들 중 하나로서 제1 규칙은 복수의 규칙들 중 긍정의 감성 어휘 및 부정의 감성 어휘를 모두 포함하는 텍스트에 적용 가능하고, 입력 데이터에 포함된 감성 어휘의 긍정/부정 강도의 값을 합하는 것을 규정할 수 있다. 즉, 제1 규칙에 따르면, 입력 데이터(5)가 긍정 강도의 값이 0.00454인 "좋다" 및 부정 강도의 값이 -0.00497인 "아깝다"를 포함하는 경우, 입력 데이터(5)에 대한 제1 규칙의 가중치는 -0.00043일 수 있다. 복수의 규칙들 중 제1 규칙과 상이한 제2 규칙은 제1 규칙과 상이한 방식으로 입력 데이터(5)를 분석할 수 있고, 그에 따라 제2 규칙의 가중치가 계산될 수 있다.
규칙 탐색부(140)는 규칙 저장부(120)에 저장된 복수의 규칙들 각각을 입력 데이터(5)에 대응시킬 수 있고, 복수의 규칙들 중 입력 데이터(5)에 매칭되는 규칙을 찾을 수 있다. 예를 들면, 규칙 탐색부(140)는 입력 데이터(5)에 대한 언어 분석 모듈(900)의 처리 결과를 수신할 수 있고, 감성 사전 모듈(700)을 참조하여 입력 데이터(5)에 포함된 감성 어휘들을 추출할 수 있다. 추출된 감성 어휘들의 배치 등에 기초하여, 규칙 탐색부(140)는 규칙 저장부(120)에 저장된 복수의 규칙들 중 입력 데이터(5)에 매칭되는 규칙을 탐색한 후, 매칭되는 규칙들의 가중치를 합산한 결과를 출력할 수 있다.
도 1을 참조하면, 기계 학습 기반 감성 분석 모듈(300)은 감성 학습부(320) 및 극성 학습부(340)를 포함할 수 있다. 감성 학습부(320)는 훈련 데이터로부터 감성 모델을 생성할 수 있고, 입력 데이터(5)에 감성 모델을 적용함으로써 입력 데이터(5)에서 대상에 대한 감성의 포함 여부를 판단할 수 있고, 감성 정보를 생성할 수 있다. 극성 학습부(340)는 훈련 데이터로부터 극성 모델을 생성할 수 있고, 감성 학습부(320)에서 생성한 감성 정보에 기초하여, 감성을 가지는 대상에 대하여 극성 정보를 생성할 수 있다.
도 1을 참조하면, 감성 분석 시스템(500)은 규칙 기반 감성 분석 모듈(100)이 생성한 제1 분석 결과 데이터(10) 및 기계 학습 기반 감성 분석 모듈(300)이 생성한 제2 분석 결과 데이터(30)를 수신할 수 있고, 제1 및 제2 분석 결과 데이터(10, 30)를 처리함으로써 출력 데이터(50)를 생성할 수 있다. 출력 데이터(50)는 입력 데이터(5)에 대한 감성 분석 결과 정보를 포함할 수 있다. 감성 분석 시스템(500)에 대한 상세한 내용은 도 2 및 도 3을 참조하여 후술될 것이다.
도 1의 예시에서, 데이터(예컨대, 입력 데이터(5), 제1 및 제2 분석 데이터(10, 30), 출력 데이터(50), 감성 사전 모듈(700) 및 언어 분석 모듈(900)의 출력 데이터)는 LAN(local area network) 또는 WAN(wide area network)와 같은 네트워크를 통해서 이동할 수도 있고, 양자간 직접 통신을 통해서 이동할 수도 있다. 또한, 규칙 기반 감성 분석 모듈(100), 기계 학습 기반 감성 분석 모듈(300), 감성 분석 시스템(500), 감성 사전 모듈(700), 언어 분석 모듈(900) 중 2개 이상이 단일 컴퓨팅 시스템에 구성될 수도 있다. 예를 들면, 감성 분석 시스템(500)은 규칙 기반 감성 분석 모듈(10) 및/또는 기계 학습 기반 감성 분석 모듈(300)을 포함할 수도 있고, 감성 사전 모듈(700) 및/또는 언어 분석 모듈(900)을 포함할 수도 있다.
또한, 도 1에 도시되지 아니하였으나, 입력 데이터(5)는 수집된 데이터로부터 필터링된 데이터일 수 있다. 예를 들면, 규칙 기반 감성 분석 모듈(100) 및 기계 학습 기반 감성 분석(300)의 전단에 데이터 필터링 모듈(미도시)이 제공될 수 있고, 데이터 필터링 모듈은 감성 사전 모듈(700)을 참조하여 수집된 데이터 중 감성 용어를 포함하는 데이터를 입력 데이터(5)로서 출력할 수 있다.
도 2는 본 발명의 예시적 실시예에 따라 도 1의 감성 분석 시스템(500)의 예시(500a)를 나타내는 블록도이다. 도 1을 참조하여 전술된 바와 같이, 감성 분석 시스템(500a)은 도 1의 규칙 기반 감성 분석 모듈(100)이 생성한 제1 분석 결과 데이터(10) 및 도 1의 기계 학습 기반 감성 분석 모듈(300)이 생성한 제2 분석 결과 데이터(30)를 처리함으로써 출력 데이터(50a)를 생성할 수 있다. 도 2에 도시된 바와 같이, 감성 분석 시스템(500a)은 제1 인터페이스부(510a), 제2 인터페이스부(520a), 분석 결과 결합부(530a), 파라미터 저장부(540a), 파라미터 설정부(550a) 및 출력 데이터 생성부(560a)를 포함할 수 있다.
본 개시의 예시적 실시예에 따라, 도 1의 규칙 기반 감성 분석 모듈(100)이 생성하고 감성 분석 시스템(500a)이 수신하는 제1 분석 결과 데이터(10)는 가중치(또는 규칙 기반 가중치)(WR)를 포함할 수 있고, 규칙 기반 가중치(WR)는 아래 수학식1에 의해서 계산될 수 있다.
[수학식 1]
WR = (∑r∈R Wr) / (∑r∈R │Wr│)
수학식1에서, r은 규칙이고, R은 규칙 저장부(120)에 저장된 규칙들의 집합이고, Wr은 규칙 r이 입력 데이터(5)에 매칭되는 경우 규칙 r의 가중치 값을 가지고, 그렇지 아니하는 경우 0을 가지는 변수이다. 규칙 r의 가중치 값은 긍정인 경우 양의 값을 가지고, 부정인 경우 음의 값을 가지며, 중립인 경우 0을 가질 수 있다. 규칙 기반 가중치(WR)를 계산하기 위한 수학식1은 예시에 불과하며, 수학식1과 상이한 방법으로 규칙 기반 가중치(WR)가 계산될 수도 있다.
또한, 본 개시의 예시적 실시예에 따라, 도 1의 기계 학습 기반 감성 분석 모듈(300)이 생성하고 감성 분석 시스템(500a)이 수신하는 제2 분석 결과 데이터(30)는 가중치(또는 기계 학습 기반 가중치)(WM)을 포함할 수 있고, 기계 학습 기반 가중치(WM)는 기계 학습 기반 감성 분석 모듈(300)의 극성 학습부(340)가 생성한 극성 정보가, 긍정인 경우 1을 가지고, 부정인 경우 -1을 가지며, 중립인 경우 0을 가질 수 있다. 이와 같은 기계 학습 기반 가중치(WM)의 값은 예시에 불과하며, 기계 학습 기반 가중치(WM)은 극성 정보에 따라 상이한 값을 가질 수 있다.
도 2를 참조하면 제1 인터페이스부(510a)는 제1 분석 결과 데이터(10)를 수신할 수 있다. 제1 인터페이스부(510a)는 제1 분석 결과 데이터(10)에 포함된 규칙 기반 가중치(WR)를 추출할 수 있고, 추출된 규칙 기반 가중치(WR)를 분석 결과 결합부(530a)에 전달할 수 있다.
제1 인터페이스부(510a)와 유사하게, 제2 인터페이스부(520a)는 제2 분석 결과 데이터(20)를 수신할 수 있다. 제2 인터페이스부(520a)는 제2 분석 결과 데이터(30)에 포함된 기계 학습 기반 가중치(WM)를 추출할 수 있고, 추출된 기계 학습 기반 가중치(WM)를 분석 결과 결합부(530a)에 전달할 수 있다.
분석 결과 결합부(530a)는 제1 및 제2 인터페이스부(510a, 520a)를 통해서 수신된 제1 및 제2 분석 결과 데이터(10, 30)에 기초하여 입력 데이터(5)에 포함된 감성의 극성을 결정할 수 있다. 또한, 분석 결과 결합부(530a)는 파라미터 저장부(540a)에 엑세스할 수 있고 파라미터 저장부(540a)에 저장된 적어도 하나의 파라미터를 참조함으로써 입력 데이터(5)에 포함된 감성의 극성을 결정할 수 있다. 예를 들면, 분석 결과 결합부(530a)는 제1 및 제2 분석 결과 데이터(10, 30)에 각각 포함된 규칙 기반 가중치(WR) 및 기계 학습 기반 가중치(WM)의 가중합을 계산할 수 있고, 파라미터 저장부(540a)에 저장된 파라미터 값에 따라 규칙 기반 가중치(WR) 및 기계 학습 기반 가중치(WM) 각각의 비중을 조절할 수 있다. 예를 들면, 분석 결과 결합부(530a)는 통합 가중치(WX)를 아래 수학식 2에 의해서 계산할 수 있다.
[수학식2]
WX = λ(WR) + (1 - λ)WM
수학식2에서, λ(제1 파라미터)는 파라미터 저장부(540a)에 저장된 파라미터들 중 하나로서, 0보다 크고 1보다 작은 값을 가질 수 있다. 후술되는 바와 같이, λ(제1 파라미터)는 파라미터 설정부(550a)에 의해서 값이 설정될 수 있으며, 실험적으로 결정된 값일 수 있다.
분석 결과 결합부(530a)는 계산된 통합 가중치(WX)에 기초하여 입력 데이터(5)에 포함된 감성의 극성을 결정할 수 있다. 예를 들면, 분석 결과 결합부(530a)는 파라미터 저장부(540a)에 저장되고 0보다 크고 1보다 작은 값을 가지는 α(제2 파라미터)를 참조함으로써, 통합 가중치(WX)가 -α 이하인 경우 입력 데이터(5)의 극성을 부정으로 결정할 수 있고, 통합 가중치(WX)가 α 이상인 경우 입력 데이터(5)의 극성을 긍정으로 결정할 수 있으며, 그 외의 경우, 즉 통합 가중치(WX)가 -α 초과 α 미만인 경우 입력 데이터(5)의 극성을 중립으로 결정할 수 있다. 후술되는 바와 같이, 파라미터 α는 파라미터 설정부(550a)에 의해서 값이 설정될 수 있으며, 실험적으로 결정된 값일 수 있다.
파라미터 저장부(540a)는 복수의 파라미터들, 예컨대 λ, α를 저장할 수 있고, 분석 결과 결합부(530a)에 저장된 파라미터들을 제공할 수 있다. 파라미터 저장부(540a)에 저장된 파라미터들은 파라미터 설정부(550a)에 의해서 값이 변경될 수 있다.
파라미터 설정부(550a)는 감성 분석 시스템(500a)의 외부로부터 수신되는 설정 신호(SET_SIG)에 응답하여 파라미터 저장부(540a)에 저장된 파라미터들의 값을 변경할 수 있다. 예를 들면, 파라미터 설정부(550a)는 설정 신호(SET_SIG)에 기초하여 파라미터 저장부(540a)에 저장된 λ, α의 값을 변경할 수 있다. 전술된 바와 같이, λ, α의 값은 실험적으로 결정될 수 있고, 출력 데이터(50a)에 포함된 극성 정보를 분석함으로써 관리자는 λ, α의 값을 변경하기 위하여 파라미터 설정부(550a)에 설정 신호(SET_SIG)를 제공할 수 있다. 설정 신호(SET_SIG)는 사용자 인터페이스 기기, 예컨대 키보드, 마우스 등을 통해서 관리자가 입력하는 신호일 수도 있고, 네트워크를 통해서 수신되는 신호 또는 로컬 데이터에 저장된 값에 따른 신호일 수도 있다.
출력 데이터 생성부(560a)는 분석 결과 결합부(530a)로부터 수신된 극성 정보를 포함하는 출력 데이터(50a)를 생성할 수 있다. 예를 들면, 출력 데이터(50a)는 입력 데이터(5)에서 감성 어휘들이 표시된 데이터를 포함할 수 있고, 분석 결과 결합부(530a)에서 수신된 극성 정보를 나태내는 값, 예컨대 -1/0/1을 포함할 수 있다. 관리자 또는 다른 시스템은 출력 데이터(50a)를 수신함으로써 입력 데이터(5)의 극성을 판별할 수 있다.
도 3은 본 발명의 예시적 실시예에 따라 도 1의 감성 분석 시스템(500)의 예시(500b)를 나타내는 블록도이다. 도 1을 참조하여 전술된 바와 같이, 전술한 바와 같이, 감성 분석 시스템(500b)은 도 1의 규칙 기반 감성 분석 모듈(100)이 생성한 제1 분석 결과 데이터(10) 및 도 1의 기계 학습 기반 감성 분석 모듈(300)이 생성한 제2 분석 결과 데이터(30)를 처리함으로써 출력 데이터(50b)를 생성할 수 있다.
도 3에 도시된 바와 같이, 감성 분석 시스템(500b)은 제1 인터페이스부(510b), 제2 인터페이스부(520b), 분석 결과 결합부(530a), 파라미터 저장부(540b), 파라미터 설정부(550b), 출력 데이터 생성부(560b) 및 감성 정보 생성부(570b)를 포함할 수 있다. 도 2에 도시된 예시와 비교할 때, 도 3의 감성 분석 시스템(500b)는 감성 분석 시스템(500b)의 외부로부터 형태소 분석 데이터(90)를 수신하는 감성 정보 생성부(570b)를 더 포함할 수 있다. 이하의 도 3의 예시에 대한 설명에서, 도 2와 중복되는 내용은 생략된다.
본 발명의 예시적 실시예에 따라, 감성 분석 시스템(500b)은 감성 정보 생성부(570b)를 포함할 수 있다. 감성 정보 생성부(570b)는 입력 데이터(5)의 형태소 분석 데이터(90)를 감성 분석 시스템(500b)의 외부(예컨대, 도 1의 언어 분석 모듈(900))로부터 수신할 수 있고, 입력 데이터(5)에서 적어도 하나의 대상(object) 및 대상에 대한 의견(opinion)을 추출할 수 있다. 입력 데이터(5)에 대하여 극성 정보만을 추출하는 경우, 즉 입력 데이터(5)의 긍정/부정/중립 감성에 대한 분류만을 수행하는 경우, 추출된 감성에 대한 대상 및 원인을 파악하는데 한계가 있을 수 있다. 감성 정보 생성부(570b)는 입력 데이터(5)의 형태소 분석 데이터(90)에 기초하여, 입력 데이터(5)에 포함된 대상 및 대상에 대한 의견을 추출함으로써 어떠한 항목에 대하여 왜 긍정/부정/중립인지를 확인하는 것을 가능하게 할 수 있다. 감성 정보 생성부(570b)의 동작에 대한 상세한 내용은 도 4를 참조하여 후술될 것이다.
도 3을 참조하면, 출력 데이터 생성부(560b)는 감성 정보 생성부(570b)에 의해서 생성된 적어도 하나의 대상 및 적어도 하나의 대상에 대한 의견을 포함하는 출력 데이터(50b)를 생성할 수 있다. 또한, 출력 데이터(50b)는 분석 결과 결합부(530b)에 의해서 생성된 입력 데이터(5)의 극성 정보를 포함할 수 있다. 이에 따라, 관리자 또는 다른 시스템은 출력 데이터(50b)를 확인함으로써, 입력 데이터(5)의 극성을 판별할 수 있을 뿐만 아니라, 감성의 대상 및 그 원인을 용이하게 판별할 수 있다.
도 4는 도 3의 감성 정보 생성부(570b)의 동작을 설명하기 위한 도면이다. 도 3을 참조하여 전술된 바와 같이, 감성 정보 생성부(570b)는 입력 데이터(5)의 형태소 분석 데이터(90)에 기초하여, 입력 데이터(5)에 포함된 대상 및 대상에 대한 의견을 추출할 수 있다. 이하에서, 도 4는 도 3을 참조하여 설명될 것이다.
감성 정보 생성부(570b)는 체언구, 용언구, 긍정지정사구 중 하나를 헤드(head)로서 추출할 수 있고, 헤드 단위로 대상 및 의견을 추출할 수 있다. 예를 들면, 도 4에 도시된 바와 같이 입력 데이터(5)가 "배터리 용량 크고 속도도 정말 빠르지"라는 텍스트를 포함하는 경우, 형태소 분석 데이터(90)에 의해서 단어들이 체언구(NP, NP_SBJ, NP_AJT), 용언구(VP) 등으로 분류될 수 있다. 도 4의 예시에서, 감성 정보 생성부(570b)는 용언구(VP)를 헤드로서 추출할 수 있고, 이에 따라, 2개의 섹션들(SEC, SEC2)을 인식할 수 있다.
감성 정보 생성부(570b)는 헤드에 의해서 인식된 섹션마다 대상 및 의견을 추출할 수 있다. 예를 들면, 도 4에 도시된 바와 같이, 감성 정보 생성부(570b)는 제1 섹션(SEC1)에 대하여, 극성이 긍정이고, 대상은 "배터리 용량"이며, 의견은 "크다"라는 정보를 생성할 수 있다. 또한, 감성 정보 생성부(570b)는 제2 섹션(SEC2)에 대하여, 극성이 긍정이고, 대상은 "속도"이며, 의견은 "빠르다"라는 정보를 생성할 수 있다.
일 실시예에서, 감성 정보 생성부(570b)는 입력 데이터(5)로부터 추출된 의견의 원형을 복원함으로써 정규화할 수 있다. 예를 들면, 도 4에 도시된 바와 같이, 제1 섹션(SEC1)의 용언구(VP)인 "크고"는 감성 정보 생성부(570b)에 의해서 정규화되어 "크다"로서 복원될 수 있다. 유사하게, 제2 섹션(SEC2)의 용언구(VP)인 "빠르지"는 감성 정보 생성부(570b)에 의해서 정규화되어 "빠르다"로서 복원될 수 있다.
도 5는 본 발명의 예시적 실시예에 따른 감성 분석 방법을 나타내는 순서도이다. 도 5에 도시된 바와 같이, 감성 분석 방법은 단계들(S12, S14, S16, S18)을 포함할 수 있다. 이하에서 도 5는 도 1 및 도 2를 참조하여 설명될 것이다.
단계 S12에서, 제1 및 제2 분석 결과 데이터를 수신하는 동작이 수행될 수 있다. 예를 들면, 제1 및 제2 분석 결과 데이터는 도 1의 규칙 기반 감성 분석 모듈(100) 및 기계 학습 기반 분석 모듈(300)이 각각 생성하는 데이터일 수 있다. 전술된 바와 같이, 본 발명의 예시적 실시예에 따른 감성 분석 방법은, 규칙 기반 감성 분석의 결과 및 기계 학습 기반 감성 분석의 결과를 통합함으로써 양 방식의 단점들을 보완할 수 있다.
단계 S14에서, 규칙 기반 가중치(WR) 및 기계 학습 기반 가중치(WM)을 추출하는 동작이 수행될 수 있다. 예를 들면, 도 2의 감성 분석 시스템(500a)의 제1 인터페이스부(510a)는 제1 분석 결과 데이터(10)로부터 규칙 기반 가중치(WR)를 추출할 수 있고, 제2 인터페이스부(520a)는 제2 분석 결과 데이터(30)로부터 기계 학습 기반 가중치(WM)를 추출할 수 있다. 일 실시예에서, 규칙 기반 가중치(WR)는 복수의 규칙들에 대응하는 가중치들로부터 계산된 값일 수 있고, 기계 학습 기반 가중치(WM)는 부정/긍정/중립에 따라 -1/1/0의 값을 가질 수 있다.
단계 S16에서, 가중치들(WR, WM) 및 제1 파라미터(λ)에 기초하여 통합 가중치(WX)를 계산하는 동작이 수행될 수 있다. 예를 들면, 도 2를 참조하여 전술된 바와 같이, 통합 가중치(WX)는 수학식1에 의해서 계산되는 가중치들(WR, WM)의 가중합일 수 있다. 제1 파라미터(λ)는 가중합에서 가중치들(WR, WM) 각각의 비중을 결정할 수 있고, 실험적으로 계산된 값을 가질 수 있으며, 변경될 수 있다.
단계 S18에서, 통합 가중치(WX) 및 제2 파라미터(α)에 기초하여 극성을 결정하는 동작이 수행될 수 있다. 예를 들면, 도 2를 참조하여 전술된 바와 같이, 입력 데이터(5)의 극성은 통합 가중치(WX) 및 제2 파라미터(α)를 비교함으로써, 긍정, 부정 또는 중립 중 하나로 결정될 수 있다. 단계 S18에서 결정된 극성(또는 극성 정보)은 규칙 기반 분석 및 기계 학습 기반 분석을 모두 반영함으로써 보다 정확한 정보를 포함할 수 있다. 단계 S18에 대한 상세한 내용은 도 6을 참조하여 후술될 것이다.
도 6은 본 발명의 예시적 실시예에 따라 도 5의 단계 S18의 예시(S18')를 나타내는 도면이다. 도 5를 참조하여 전술된 바와 같이, 단계 S18'에서 통합 가중치(WX) 및 제2 파라미터(α)에 기초하여 극성을 결정하는 동작이 수행될 수 있다.
본 예시에서 도 5의 단계 S14에서 추출된 규칙 기반 가중치(WR) 및 기계 학습 기반 가중치(WM)은 -1 이상 1 이하의 값을 각각 가질 수 있다. 예를 들면, 규칙 기반 가중치(WR)이 수학식1에 의해서 계산되는 경우, 규칙 기반 가중치(WR)은 -1 이상 1이하의 값을 가질 수 있고, 기계 학습 기반 가중치(WM)은 부정/중립/긍정에 따라 -1/0/1의 값을 가질 수 있다. 이와 같이, 규칙 기반 가중치(WR) 및 기계 학습 기반 가중치(WM)은 -1 이상 1 이하의 값을 각각 가지는 경우, 수학식 2에 의해서 계산되는 통합 가중치(WX) 또한 -1 이상 1이하의 값을 가질 수 있다.
도 6을 참조하면, 통합 가중치(WX) 및 제2 파라미터(α)를 포함하는 데이터(541)가 제공될 수 있다. 단계 S18_1에서 WX 가 -α가 비교될 수 있고, WX가 -α 이하인 경우, 단계 S18_5에서 입력 데이터의 극성은 부정인 것으로 결정될 수 있다. 다른 한편으로, 단계 S18_1에서 WX가 -α 이하가 아닌 경우(즉, WX가 -α를 초과하는 경우), 단계 S18_2에서 WX가 α와 비교될 수 있다. 단계 S18_2에서 WX가 α 초과인 경우, 단계 S18_7에서 입력 데이터의 극성은 긍정인 것으로 결정될 수 있다. 다른 한편으로, 단계 S18_3에서 WX가 α 초과가 아닌 경우(즉, WX가 α 이하인 경우), 단계 S18_9에서 입력 데이터의 극성은 중립으로 결정될 수 있다.
도 7은 본 개시의 예시적 실시예에 따라 입력 데이터로부터 감성 정보를 생성하는 방법을 나타내는 순서도이다. 도 7에 도시된 바와 같이, 감성 정보를 생성하는 방법은 단계들(S22, S24, S26, S28)을 포함할 수 있다. 본 발명의 예시적 실시예에 따라, 도 7의 감성 정보를 생성하는 방법은 도 3의 감성 정보 생성부(560b)에 의해서 수행될 수 있으며, 이하에서 도 7은 도 3을 참조하여 설명될 것이다.
단계 S22에서, 입력 데이터의 형태소 분석 데이터를 수신하는 동작이 수행될 수 있다. 예를 들면, 형태소 분석 데이터는 도 1의 언어 분석 모듈(900)(또는 언어 분석 모듈(900)의 형태소 분석부(920))이 입력 데이터(5)를 분석함으로써 생성된 데이터일 수 있고, 입력 데이터(5)의 형태소 정보를 포함할 수 있다.
단계 S24에서, 체언구, 용언구 및 긍정지정사구 중 하나를 헤드로서 추출하는 동작이 수행될 수 있다. 예를 들면, 도 4를 참조하여 전술된 바와 같이, 도 3의 감성 정보 생성부(560b)는 입력 데이터(5)의 형태소 분석 데이터에 기초하여, 용언구(VP)를 헤드로서 추출할 수 있다.
단계 S26에서, 헤드 단위로 대상 및 의견을 추출하는 동작이 수행될 수 있다. 예를 들면, 단계 S24에서 추출된 헤드에 따라 입력 데이터는 하나 이상의 섹션들로서 구분될 수 있다. 도 3의 감성 정보 생성부(560b)는 섹션마다 그 형태소에 기초하여 대상 및 의견을 추출할 수 있다. 이에 따라, 입력 데이터에서 하나 이상의 대상 및 그에 대응하는 의견이 추출될 수 있다.
단계 S28에서, 의견의 정규화 동작이 수행될 수 있다. 즉, 입력 데이터의섹션별로 추출된 의견은 원형으로 복원됨으로써 정규화 될 수 있다. 예를 들면, 도 3의 감성 정보 생성부(560b)는 도 4에 도시된 바와 같이, "크고" 및 "빠르지"를 "크다" 및 "빠르다"로 정규화할 수 있다.
이상에서와 같이 도면과 명세서에서 예시적인 실시예들이 개시되었다. 본 명세서에서 특정한 용어를 사용하여 실시예들을 설명되었으나, 이는 단지 본 발명의 기술적 사상을 설명하기 위한 목적에서 사용된 것이지 의미 한정이나 특허청구범위에 기재된 본 발명의 범위를 제한하기 위하여 사용된 것은 아니다. 그러므로 본 기술분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.

Claims (10)

  1. 텍스트를 포함하는 입력 데이터를 감성 분석(sentiment analysis)하기 위한 시스템으로서,
    미리 정의된 규칙들을 사용함으로써 상기 입력 데이터에 포함된 감성을 추출하는 규칙 기반 감성 분석 모듈로부터 제1 분석 결과 데이터를 수신하는 제1 인터페이스부;
    훈련 데이터를 학습하여 생성된 학습 모델을 적용함으로써 상기 입력 데이터에 포함된 감성을 추출하는 기계 학습 기반 감성 분석 모듈로부터 제2 분석 결과 데이터를 수신하는 제2 인터페이스부; 및
    상기 제1 및 제2 분석 결과 데이터에 기초하여 상기 입력 데이터에 포함된 감성의 극성(polarity)을 결정하는 분석 결과 결합부를 포함하고,
    상기 제1 인터페이스부는 상기 제1 분석 결과 데이터에 포함된 규칙 기반 가중치(WR)를 추출하고,
    상기 미리 정의된 규칙들의 집합이 R이고, Wr은 규칙 r이 입력 데이터에 매칭되는 경우 규칙 r의 가중치 값을 가지고, 매칭되지 아니하는 경우 0을 가지는 변수일 때,
    상기 규칙 기반 가중치(WR)는 다음 식에 의해서 계산되는 것을 특징으로 하는 감성 분석 시스템.
    WR = (∑r∈R Wr) / (∑r∈R │Wr│)
  2. 삭제
  3. 제1항에 있어서,
    0보다 크고 1보다 작은 값을 가지는 λ를 저장하는 파라미터 저장부를 더 포함하고,
    상기 제2 인터페이스부는 상기 제2 분석 결과 데이터에 포함되고, -1, 0 및 1 중 하나의 값을 가지는 기계 학습 기반 가중치(WM)를 추출하고,
    상기 분석 결과 결합부는, 상기 규칙 기반 가중치(WR) 및 상기 기계 학습 기반 가중치(WM)에 기초하여 상기 입력 데이터에 포함된 감성의 극성을 결정하고, 다음 식에 의해서 통합 가중치(WX)를 계산하는 것을 특징으로 하는 감성 분석 시스템.
    WX = λ(WR) + (1 - λ)WM
  4. 제3항에 있어서,
    상기 파라미터 저장부는 0보다 크고 1보다 작은 값을 가지는 α를 더 저장하고,
    상기 분석 결과 결합부는, 상기 통합 가중치(Wx)가 -α 이하인 경우, -α 초과 α미만인 경우 및 α 이상인 경우에서, 상기 입력 데이터에 포함된 극성을 부정, 중립 및 긍정으로서 각각 결정하는 것을 특징으로 하는 감성 분석 시스템.
  5. 제4항에 있어서,
    외부 입력 신호에 기초하여 상기 파라미터 저장부에 엑세스함으로써 상기 λ 및 α의 값을 변경하는 파라미터 설정부를 더 포함하는 감성 분석 시스템.
  6. 제1항에 있어서,
    상기 규칙 기반 감성 분석 모듈 및 상기 기계 학습 기반 감성 분석 모듈을 더 포함하는 감성 분석 시스템.
  7. 제1항에 있어서,
    상기 입력 데이터의 형태소 분석 데이터에 기초하여 적어도 하나의 대상(object) 및 상기 적어도 하나의 대상에 대한 의견(opinion)을 추출하는 감성 정보 생성부를 더 포함하는 감성 분석 시스템.
  8. 제7항에 있어서,
    상기 감성 정보 생성부는, 상기 형태소 분석 데이터에 포함된 체언구, 용언구 및 긍정지정사구 중 하나를 헤드(head)로서 추출하고, 헤드 단위로 대상 및 의견을 추출하는 것을 특징으로 하는 감성 분석 시스템.
  9. 제8항에 있어서,
    상기 감성 정보 생성부는 추출된 상기 의견의 원형을 복원함으로써 정규화하는 것을 특징으로 하는 감성 분석 시스템.
  10. 제7항에 있어서,
    상기 극성, 상기 적어도 하나의 대상 및 의견을 포함하는 출력 데이터를 생성하는 출력 데이터 생성부를 더 포함하는 감성 분석 시스템.
KR1020160008897A 2016-01-25 2016-01-25 기계 학습 및 규칙에 기반한 감성 분석 시스템 및 방법 KR101739538B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160008897A KR101739538B1 (ko) 2016-01-25 2016-01-25 기계 학습 및 규칙에 기반한 감성 분석 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160008897A KR101739538B1 (ko) 2016-01-25 2016-01-25 기계 학습 및 규칙에 기반한 감성 분석 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR101739538B1 true KR101739538B1 (ko) 2017-05-25

Family

ID=59050732

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160008897A KR101739538B1 (ko) 2016-01-25 2016-01-25 기계 학습 및 규칙에 기반한 감성 분석 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR101739538B1 (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101894194B1 (ko) * 2017-08-23 2018-10-04 건국대학교 산학협력단 감성 기반의 사용자 관리 방법 및 이를 수행하는 장치들
KR102098255B1 (ko) * 2018-11-30 2020-04-07 주식회사 솔트룩스 지식 임베딩 기반 지식 보강 시스템 및 방법
US11170433B2 (en) 2018-01-09 2021-11-09 Intuit Inc. Method and system for using machine learning techniques to make highly relevant and de-duplicated offer recommendations
US11244340B1 (en) * 2018-01-19 2022-02-08 Intuit Inc. Method and system for using machine learning techniques to identify and recommend relevant offers
KR20220096383A (ko) * 2020-12-31 2022-07-07 숙명여자대학교산학협력단 영상 컨텐츠의 신뢰성 평가를 위한 언어와 비언어 통합 감성 분석 시스템 및 방법
KR20230140682A (ko) 2022-03-30 2023-10-10 이수진 리지회귀, 라소회귀 복합추정 딥러닝에 기반한 앱 사용 성향분석에 따른 사용자 예측 시스템 및 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010020390A (ja) * 2008-07-08 2010-01-28 Toyota Central R&D Labs Inc 感情推定装置及び感情推定プログラム

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010020390A (ja) * 2008-07-08 2010-01-28 Toyota Central R&D Labs Inc 感情推定装置及び感情推定プログラム

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101894194B1 (ko) * 2017-08-23 2018-10-04 건국대학교 산학협력단 감성 기반의 사용자 관리 방법 및 이를 수행하는 장치들
WO2019039659A1 (ko) * 2017-08-23 2019-02-28 건국대학교 산학협력단 감성 기반의 사용자 관리 방법 및 이를 수행하는 장치들
US11170433B2 (en) 2018-01-09 2021-11-09 Intuit Inc. Method and system for using machine learning techniques to make highly relevant and de-duplicated offer recommendations
US11244340B1 (en) * 2018-01-19 2022-02-08 Intuit Inc. Method and system for using machine learning techniques to identify and recommend relevant offers
US20220051282A1 (en) * 2018-01-19 2022-02-17 Intuit Inc. Method and system for using machine learning techniques to identify and recommend relevant offers
KR102098255B1 (ko) * 2018-11-30 2020-04-07 주식회사 솔트룩스 지식 임베딩 기반 지식 보강 시스템 및 방법
KR20220096383A (ko) * 2020-12-31 2022-07-07 숙명여자대학교산학협력단 영상 컨텐츠의 신뢰성 평가를 위한 언어와 비언어 통합 감성 분석 시스템 및 방법
KR102505780B1 (ko) * 2020-12-31 2023-03-06 숙명여자대학교산학협력단 영상 컨텐츠의 신뢰성 평가를 위한 언어와 비언어 통합 감성 분석 시스템 및 방법
KR20230140682A (ko) 2022-03-30 2023-10-10 이수진 리지회귀, 라소회귀 복합추정 딥러닝에 기반한 앱 사용 성향분석에 따른 사용자 예측 시스템 및 방법

Similar Documents

Publication Publication Date Title
KR101739538B1 (ko) 기계 학습 및 규칙에 기반한 감성 분석 시스템 및 방법
Christian et al. Text based personality prediction from multiple social media data sources using pre-trained language model and model averaging
Janda et al. Syntactic, semantic and sentiment analysis: The joint effect on automated essay evaluation
US11227120B2 (en) Open domain targeted sentiment classification using semisupervised dynamic generation of feature attributes
Huang et al. Lexicon-based sentiment convolutional neural networks for online review analysis
Nguyen et al. An ensemble method with sentiment features and clustering support
Chang et al. Research on detection methods based on Doc2vec abnormal comments
US10861064B2 (en) Method and system for generating contradiction scores for petroleum geoscience entities within text using associative topic sentiment analysis
Barahona et al. Exploiting sentence and context representations in deep neural models for spoken language understanding
Basha et al. Weighted fuzzy rule based sentiment prediction analysis on tweets
Syed Applying sentiment and emotion analysis on brand tweets for digital marketing
Onan Deep learning based sentiment analysis on product reviews on Twitter
KR20200048693A (ko) 감성 분석 시스템 및 그 방법
Sharma et al. Supervised machine learning method for ontology-based financial decisions in the stock market
Razek et al. Text-based intelligent learning emotion system
Thakur et al. A review on text based emotion recognition system
Gupta et al. A novel classification approach based on context connotative network (CCNet): A case of construction site accidents
Agrawal et al. Sentiment analysis of short informal text by tuning BERT-Bi-LSTM model
Shounak et al. Reddit comment toxicity score prediction through bert via transformer based architecture
WO2020263182A1 (en) Method and system for conducting a brainstorming session with a virtual expert
CN116719999A (zh) 文本相似度检测方法和装置、电子设备及存储介质
Shovon et al. The performance of graph neural network in detecting fake news from social media feeds
Shatnawi et al. MLEngineer at SemEval-2020 task 7: BERT-flair based humor detection model (BFHumor)
Juncal-Martínez et al. GTI at SemEval-2016 Task 4: Training a naive Bayes classifier using features of an unsupervised system
Abdullah et al. Text mining based sentiment analysis using a novel deep learning approach

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant