KR102032091B1 - 인공지능 기반의 댓글 감성 분석 방법 및 그 시스템 - Google Patents

인공지능 기반의 댓글 감성 분석 방법 및 그 시스템

Info

Publication number
KR102032091B1
KR102032091B1 KR1020190029725A KR20190029725A KR102032091B1 KR 102032091 B1 KR102032091 B1 KR 102032091B1 KR 1020190029725 A KR1020190029725 A KR 1020190029725A KR 20190029725 A KR20190029725 A KR 20190029725A KR 102032091 B1 KR102032091 B1 KR 102032091B1
Authority
KR
South Korea
Prior art keywords
emotion
analysis model
comment
emotion analysis
morphemes
Prior art date
Application number
KR1020190029725A
Other languages
English (en)
Inventor
배준철
Original Assignee
배준철
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 배준철 filed Critical 배준철
Priority to KR1020190029725A priority Critical patent/KR102032091B1/ko
Application granted granted Critical
Publication of KR102032091B1 publication Critical patent/KR102032091B1/ko

Links

Classifications

    • G06F17/2785—
    • G06F17/2755—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q50/01—Social networking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Machine Translation (AREA)

Abstract

이하의 실시예는 댓글 감성 분석 방법에 관한 것이다. 실시예에 따른 댓글 감성 분석 방법은 게시글에 포함되는 댓글을 수집하는 단계; 댓글의 텍스트를 정제하여 형태소들을 추출하는 단계; 미리 정해진 기준에 따라 형태소들 중 적어도 하나를 감정 분석 모델로 입력하는 단계; 및 감정 분석 모델로부터 감정 분석 결과를 획득하는 단계를 포함할 수 있다.

Description

인공지능 기반의 댓글 감성 분석 방법 및 그 시스템{Method And System of Comment Emotion Analysis based on Artificial Intelligence}
이하의 실시예는 인공지능 기반의 댓글 감성 분석 방법 및 그 시스템에 관한 것이다.
소셜 네트워크 서비스(SNS)는 온라인상에서 개인의 일상생활을 비롯한 관심사 및 특정 주제에 대한 토론 등 다양한 정보를 상호 공유하면서 인적 네트워크를 형성할 수 있도록 하는 1인 커뮤니티이다. 그리고 SNS 이외에도 모바일 메신저 등 데이터 기반의 공유 서비스는 사용자가 사진, 영상, 글 등의 게시물을 등록하면 사용자와 관계망을 구축한 친구, 선배, 가족 등의 지인들은 게시물 하단에 댓글이나 간단한 이모티콘을 남김으로써 안부나 자신의 의견을 교류할 수 있다.
이러한 의견을 분석하기 위한 일례로 댓글이나 게시물의 감정을 분석할 수 있다. 기존의 감정 분석 방법에 의하면, 대부분 SNS에서 일어나는 불특정 다수의 내용 중 메시지 내용을 질의어 사전 등을 활용한 내용에서 어휘와 텍스트를 추출한 후 해당 어휘의 추출 빈도를 분석하여 핵심 토픽을 바탕으로 데이터베이스에 기록된 어휘와의 출현 빈도를 비교하여 하는 방식으로 이루어졌다.
이와 관련하여 한국공개특허 제2014-0101906호에서는 소셜 데이터 분석 장치 및 방법이 개시된다.
실시예에서, 인공지능 기반의 댓글 감성 분석 방법을 제공하기 위한 것으로, 소셜 네트워크를 포함한 다양한 사이트 내 특정 게시글의 댓글을 추출, 분석한 내용을 딥러닝(Deep-learning) 방식으로 감정 분석 모델을 생성하고 해당 모델을 통해 신규 게시글의 데이터에 대한 긍정 및 부정 등을 포함하는 감성 정보를 확인함으로써 게시글의 반응을 살펴볼 수 있도록 한다.
게시글에 포함되는 댓글을 수집하는 단계; 상기 댓글의 텍스트를 정제하여 형태소들을 추출하는 단계; 미리 정해진 기준에 따라 상기 형태소들 중 적어도 하나를 감정 분석 모델로 입력하는 단계; 및 상기 감정 분석 모델로부터 감정 분석 결과를 획득하는 단계를 포함하는, 댓글 감성 분석 방법이 개시될 수 있다.
상기 감정 분석 결과를 획득하는 단계는, 상기 감정 분석 모델의 출력 값을 미리 정해진 하나 이상의 기준 값과 비교하는 단계; 및 상기 기준 값을 기준으로 상기 댓글의 감정의 종류를 분류하는 단계를 포함할 수 있다.
상기 감정 분석 결과를 획득하는 단계는, 상기 게시글의 카테고리를 분류하는 단계; 및 상기 카테고리에 대응하여 상기 감정 분석 모델에 기 저장된 가중치를 적용하여 상기 댓글의 감정 분석 결과를 획득하는 단계를 포함할 수 있다.
상기 감정 분석 결과를 획득하는 단계는, 상기 게시글의 서비스 분야 정보를 획득하는 단계; 및 상기 서비스 분야 정보에 대응하여 상기 감정 분석 모델에 기 저장된 가중치를 적용하여 상기 댓글의 감정 분석 결과를 획득하는 단계를 포함할 수 있다.
상기 감정 분석 결과를 획득하는 단계는, 상기 댓글의 감정의 종류 각각에 대응하는 확률을 계산하는 단계; 및 상기 확률에 기초하여 상기 댓글의 감정 점수를 계산하는 단계를 포함할 수 있다.
상기 형태소들 중 적어도 하나를 감정 분석 모델로 입력하는 단계는, 상기 형태소들 중 추출된 명사; 및 상기 형태소들 중 추출된 조사, 동사, 형용사, 특수 문자, 알파벳 대문자, 소문자 및 이모티콘 중 적어도 하나를 감정 분석 모델로 입력하는 단계를 포함하고, 상기 감정 분석 결과를 획득하는 단계는, 상기 명사; 및 상기 추출된 조사, 동사, 형용사, 특수 문자, 알파벳 대문자, 소문자 및 이모티콘 중 적어도 하나를 이용하여 상기 댓글의 감성을 분류하는 단계를 포함할 수 있다.
상기 형태소들 중 적어도 하나를 감정 분석 모델로 입력하는 단계는, 상기 형태소들 중 추출된 명사를 제1 감정 분석 모델로 입력하는 단계를 포함하고, 상기 감정 분석 결과를 획득하는 단계는, 상기 제1 감정 분석 모델의 출력으로 상기 댓글의 감정을 획득하는 단계를 포함하고, 상기 댓글 감성 분석 방법은, 상기 댓글의 감정 및 상기 형태소들 중 추출된 조사, 동사, 형용사, 특수 문자, 알파벳 대문자, 소문자 및 이모티콘 중 적어도 하나를 제2 감정 분석 모델로 입력하는 단계; 및 상기 제2 감정 분석 모델의 출력으로 상기 댓글의 감정 점수를 획득하는 단계를 더 포함할 수 있다.
상기 댓글을 수집하는 단계는, 상기 게시글에 포함되는 복수 개의 댓글을 획득하는 단계를 포함하고, 상기 형태소들을 추출하는 단계는, 상기 복수 개의 댓글 전체에 대해서 형태소들을 추출하는 단계를 포함하고, 상기 감정 분석 결과는, 상기 게시글의 평균적인 감정을 포함할 수 있다.
본 발명의 실시예를 통해, 인공지능 기반의 댓글 감성 분석 방법을 제공함으로써 소셜 네트워크를 포함한 다양한 사이트에서 특정 게시글의 댓글을 추출, 분석한 내용을 딥러닝(Deep-learning) 방식으로 감정 분석 모델을 생성하고 해당 모델을 통해 신규 게시글의 데이터에 대한 긍정 및 부정 등을 포함하는 감성 정보를 확인함으로써 게시글의 반응을 살펴볼 수 있다.
도 1은 일실시예에 있어서, 댓글 감성 분석 방법의 흐름도이다.
도 2는 일실시예에 있어서, 감정 분석 모델을 생성하는 방법을 설명하기 위한 도면이다.
도 3은 일실시예에 있어서, 감정 분석 모델을 이용하는 일례이다.
도 4는 일실시예에 있어서, 감정 분석 모델을 이용하는 제2 일례이다.
도 5는 일실시예에 있어서, 감정 분석 모델을 이용하는 제3 일례이다.
이하, 본 발명의 실시예에 대해서 첨부된 도면을 참조하여 자세히 설명하도록 한다.
본 명세서에서 개시되어 있는 특정한 구조적 또는 기능적 설명들은 단지 기술적 개념에 따른 실시예들을 설명하기 위한 목적으로 예시된 것으로서, 실시예들은 다양한 다른 형태로 실시될 수 있으며 본 명세서에 설명된 실시예들에 한정되지 않는다.
제1 또는 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 이해되어야 한다. 예를 들어 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 표현들, 예를 들어 "~간의에"와 "바로~간의에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 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 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
도 1은 일실시예에 있어서, 댓글 감성 분석 방법의 흐름도이다.
실시예에 따른 방법은 댓글 감성 분석 방법에 대해 프로그래밍된 메모리를 포함하는 장치를 통해 수행될 수 있다.
단계(110)에서 댓글을 수집한다.
실시예에서, 다양한 사이트의 게시글에 대한 댓글을 수집할 수 있다. 예를 들어, 소셜 네트워크 서비스(SNS), 뉴스 기사, 블로그, 예약 사이트, 쇼핑몰 등의 사이트 내에 게시된 특정 게시글에 달린 하나 혹은 그 이상의 댓글을 수집할 수 있다.
댓글을 수집할 시, 게시글이 게시된 사이트에 대한 정보를 함께 수집할 수 있는데 예를 들어, SNS, 뉴스 사이트, 블로그, 예약 사이트, 쇼핑몰 등 중 게시글의 출처에 대한 정보가 수집될 수 있다. 게시글의 주제 또는 카테고리에 대한 정보, 예를 들어, 정치, 시사, 영화, 연예, 스포츠, 게임, 여행 등의 카테고리에 대한 정보도 수집될 수 있다. 게시글의 컨텐츠 유형에 대한 정보, 텍스트, 사진, 동영상 등의 정보가 수집될 수도 있다.
단계(120)에서 댓글의 텍스트를 정제하여 형태소들을 추출한다.
실시예에서, 댓글은 텍스트 이외의 이모티콘의 형태가 포함되어 수집될 수 있다.
실시예에서, 수집된 댓글은 미리 정해진 방법으로 정제될 수 있다. 텍스트가 정제되면서 명사, 조사, 동사, 형용사, 특수 문자, 알파벳의 대소문자 등 중 적어도 하나 이상으로 분류될 수 있다.
단계(130)에서, 미리 정해진 기준에 따라 형태소들 중 적어도 하나를 감정 분석 모델로 입력한다.
실시예에 따른 감정 분석 모델은 게시글의 내용을 추출하여 게시글의 분석을 위해 로지스틱 회귀 분석을 통한 지도 학습 방법을 수행하여 해당 댓글의 내용을 학습하고 딥 러닝 등의 기계 학습의 학습 모델을 기반으로 신규 댓글의 내용의 감정을 회귀식의 결과를 기준으로 댓글이 긍정인지 부정인지 또는 그 이외의 감정을 가지는지를 판단하기 위한 모델이다.
실시예에서, 감정 분석 모델을 생성하는 방식에 대해서는 이후 도 2를 통해 설명하도록 한다.
실시예에서, 분류된 형태소들 중 명사만 입력될 수 있고, 또는 명사를 비롯한 조사, 동사, 형용사, 특수 문자, 알파벳의 대소문자 및 이모티콘 중 적어도 하나가 입력될 수도 있다.
단계(140)에서 감정 분석 모델로부터 감정 분석 결과를 획득한다.
실시예에서, 감정 분석 결과를 감정의 종류 및 감정 점수 중 적어도 하나를 포함할 수 있다. 감정의 종류로는 긍정, 부정의 감정을 포함하되 치우치지 않은 중립의 감정이 포함될 수 있고, 긍정 및 부정의 감정이 세분화된 감정 분석 결과를 획득할 수 있다. 감정 분석 모델은 감정 분석 결과를 수치로 출력할 수 있다. 예를 들어, 긍정 75%, 부정 25%의 수치가 출력된 경우, 상기 수치에 의해 감정 종류를 긍정으로 출력할 수 있고, 감정 점수로 75점이 출력될 수 있고 또는 별점이나 미리 정해진 기준에 따라 상, 중, 하로 표시될 수도 있다.
실시예에서, 명사가 감정 분석 모델에 입력되면, 감정 분석 모델은 댓글에 포함되어 있는 명사들을 기준으로 댓글의 내용이 긍정인지 부정인지 또는 다른 감정을 포함하는지 판단할 수 있으며, 추가적으로, 감정의 종류에 대응하는 정도를 수치적으로 점수화하여 나타낼 수도 있다.
이하 다른 도면을 통해 감정 분석 모델에서 감정 분석 결과를 도출하는 실시예에 대해 자세히 설명하도록 한다.
도 2는 실시예에서, 감정 분석 모델을 생성하는 방법을 설명하기 위한 도면이다.
실시예에 따른 감정 분석 모델은 앞서 설명한 바와 같이 로지스틱 회귀 분석을 통한 지도 학습 방법을 수행하여 댓글의 내용을 학습함으로써 생성될 수 있다.
이를 위해 다양한 사이트에 게시된 게시글 각각으로부터 댓글을 수집하고, 각 댓글을 이용하여 다양한 학습 데이터(210)들을 생성할 수 있다. 학습 데이터(210)는 댓글 및 댓글의 출처(게시글 및 사이트)에 대한 정보, 댓글 게시자의 정보 등을 포함하되, 감정 분석 모델의 학습 데이터(210)에 대응하는 학습 결과물(220)이 출력되는 학습 데이터(210)가 선별적으로 입력될 수 있다.
실시예에서, 학습 데이터(210)는 선형회귀의 기계 학습(201)을 통해 학습 결과물(220)을 출력하고, 이러한 학습 결과는 딥 러닝 기반의 감정 분석 모델(230)로 생성될 수 있다. 학습 결과물(220)은 댓글에 대응하는 감정 종류 및/또는 감정 점수를 포함할 수 있다. 실시예와 같이, 특정 시점마다 댓글을 추출하여 저장하고 해당 댓글에 대한 기계 학습을 통해 감정 분석 모델(230)로 생성할 수 있다.
실시예에 따른 감정 분석 모델(230)은 학습 시 댓글의 게시글을 게시하는 사이트를 소비하는 사용자의 성향에 기초하여 또는 주 사용자의 연령대, 성별 등을 고려하여 특정 단어 또는 특정 품사에 대해서 가중치를 적용하여 학습될 수 있다.
예를 들어, 뉴스 기사를 소비하는 주 연령대에 따라 또는 쇼핑몰을 이용하는 성별에 따라 가중치가 달리 적용되어 학습될 수 있다.
또는, 감정 분석 모델로 입력될 입력이 결정될 시, 입력하고자 하는 형태소들에 대해서 가중치가 설정될 수 있다.
이하에서는 딥 러닝 기반의 감정 분석 모델을 이용하는 실시예에 대해 설명하도록 한다. 실시예에서, 감정 분석 모델이 학습된 입력에 따라 감정 분석 모델은 달리 생성될 수 있다.
도 3은 실시예에서, 감정 분석 모델을 이용하는 일례이다.
실시예에 따라 수집된 댓글은 앞서 설명한 바와 같이 특정 시점에 사이트에 게시된 게시글에 달린 댓글들이 수집된 것으로 감정 분석 모델로 입력되기 위한 사이트 정보, 게시글 정보 등을 포함할 수 있다.
실시예에 따른 감정 분석 모델은 댓글의 게시글을 게시하는 사이트를 소비하는 사용자의 성향에 기초하여 또는 주 사용자의 연령대, 성별 등을 고려하여 특정 단어 또는 특정 품사에 대해서 가중치를 적용하여 기계 학습된 모델에 해당할 수 있다.
실시예에서, 감정 분석 모델은 댓글의 전처리를 통해 정제된 명사들을 입력으로 받을 수 있다. 이에 더불어, 명사 이외의 조사, 동사, 형용사, 특수 문자 알파벳 대소문자 및 이모티콘 등 중 적어도 하나의 키워드를 명사와 더불어 입력으로 받을 수 있다. 실시예에서, 게시글에 대한 정보가 감정 분석 모델로 입력될 수 있다.
예를 들어, 댓글에 포함되는 명사 각각과 명사에 연결된 조사를 포함하여 문법적 관계를 입력으로 받는 실시예, 명사들과 댓글 전체의 동사를 받는 실시예, 명사들과 댓글에 포함된 특수 문자들을 받는 실시예 등이 가능하며, 각각의 실시예를 위한 감정 분석 모델은 달리 생성될 수 있다.
실시예에 따른 감정 분석 모델의 출력으로 감정 종류 및/또는 감정 점수가 포함될 수 있다.
예를 들어, 감정 분석 모델은 입력에 대응하는 감정들에 대한 확률을 수치적으로 출력할 수 있다. '긍정' 및 '부정'의 두 극단적인 감정 종류에 대한 확률을 각각 계산하거나, '희', '로', '애', '락' 등의 감정들 각각에 대한 확률을 계산할 수 있으며, 각각의 출력을 위해 감정 분석 모델은 다른 형태로 학습될 수 있다.
실시예에서, 감정 종류는 감정 분석 모델에 미리 정해진 기준 값에 따라 회귀선을 기준으로 긍정 및 부정으로 분리될 수 있다. 일례로, 특정 댓글에 대한 감정 분석 모델의 학습 결과가 '긍정' 72%, '부정' 25%으로 나타난 경우, 감정 종류는 '긍정'으로 판단될 가능성이 높다. 더불어, 감정 분석 모델에서 학습된 확률에 따라서 감정 점수가 결정될 수 있으며, 상기의 일례의 경우, '긍정 72점'의 점수가 결정되거나, '긍정'의 확률과 '부정'의 확률의 차이 또는 다른 계산법에 의해 점수가 계산될 수도 있다.
도 4은 실시예에서, 감정 분석 모델을 이용하는 다른 일례이다.
실시예에 따른 감정 분석 모델은 두 가지로 학습되어 이용될 수 있다. 실시예에서, 댓글로부터 형태소들을 정제하는 방법에 대해서는 도 3의 실시예와 동일하게 적용될 수 있다.
실시예에 따른 제1 감정 분석 모델은 댓글에서 정제된 명사들을 입력으로 받을 수 있다. 제1 감정 분석 모델은 댓글로부터 명사들을 학습하여 댓글의 내용이 긍정인지 부정인지 또는 다른 감정을 포함하는지 판단할 수 있다.
실시예에서, 감정 종류는 감정 분석 모델에 미리 정해진 기준 값에 따라 회귀선을 기준으로 긍정 및 부정으로 분리될 수 있다.
실시예에 따른 방법에 의하면, 제2 감정 분석 모델은 댓글로부터 정제된 명사와 이외의 다른 형태소들 중 적어도 하나 및/또는 제1 감정 분석 모델의 출력을 입력으로 받을 수 있고, 입력들을 학습함으로써 감정 점수를, 예를 들어 수치, 별점 등의 형태로 출력할 수 있다.
실시예에서, 제1 감정 분석 모델 및 제2 감정 분석 모델 중 적어도 하나는 수집된 댓글에 대한 게시글 정보, 및/또는 사이트 정보 중 적어도 하나를 입력으로 받을 수 있다.
도 5는 실시예에서, 감정 분석 모델을 이용하는 다른 일례이다.
실시예에 따른 감정 분석 방법은 하나의 게시글에 포함되는 하나 이상의 댓글을 군집적으로 수집하여 각 댓글을 정제하여 형태소들을 추출하고, 수집된 모든 댓글에 대해 추출된 형태소들을 이용하여 미리 정해진 형태로 감정 분석 모델에 입력할 수 있다.
이를 위해 감정 분석 모델은 방대한 양의 입력 키워드를 처리하기 위해 학습될 수 있다.
해당 실시예는 게시글에 포함된 댓글의 전체적인 감정 정보를 판단하기 위한 일례로 적용될 수 있다.
예를 들어, 특정 뉴스 기사에 달린 댓글들의 전반적인 감정 정보를 판단할 수 있고, 쇼핑몰의 특정 상품에 대한 전반적인 감정 정보를 판단할 수 있다. 예를 들어, 감정 분석 모델은 입력에 대응하는 감정들에 대한 확률을 수치적으로 출력할 수 있다. 해당 수치는 감정 종류 및/또는 감정 점수를 표현하기 위해 가공될 수 있다.
실시예에서, 감정 분석 모델은 수집된 댓글에 대한 게시글 정보 및/또는 게시글이 게시된 사이트 정보 중 적어도 하나를 댓글과 함께 입력으로 받을 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate 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 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 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.

Claims (8)

  1. 장치에서 수행되는 댓글 감성 분석 방법에 있어서,
    게시글에 포함되는 댓글을 수집하는 단계;
    상기 댓글의 텍스트를 정제하여 형태소들을 추출하는 단계;
    미리 정해진 기준에 따라 상기 형태소들 중 적어도 하나를 감정 분석 모델로 입력하는 단계; 및
    상기 감정 분석 모델로부터 감정 분석 결과를 획득하는 단계
    를 포함하고,
    상기 감정 분석 모델은 감정 종류를 분석하기 위한 제1 감정 분석 모델 및 상기 분석된 감정 종류에 대응하는 감정 점수를 분석하기 위한 제2 감정 분석 모델을 포함하고,
    상기 제1 감정 분석 모델은,
    상기 형태소들 중 추출된 명사들에 기초하여 상기 댓글의 내용에 대응하는 감정 종류를 출력하고,
    상기 제2 감정 분석 모델은,
    상기 형태소들 중 추출된 명사들 이외의 다른 형태소들과 상기 제1 감정분석 모델로부터 출력된 감정 종류에 기초하여, 상기 출력된 감정 종류에 대응하는 감정 점수를 출력하고,
    상기 입력하는 단계는,
    상기 게시글을 게시하는 사이트를 주로 소비하는 사용자들의 특징에 기초하여, 상기 추출된 명사들에 가중치를 적용하여 상기 제1 감정 분석 모델에 입력하는 단계; 및
    상기 사이트를 주로 소비하는 상기 사용자들의 특징에 기초하여, 상기 다른 형태소들에 가중치를 적용하여 상기 제2 감정 분석 모델에 입력하는 단계
    를 포함하는,
    댓글 감성 분석 방법.
  2. 제1항에 있어서,
    상기 감정 분석 결과를 획득하는 단계는,
    상기 감정 분석 모델의 출력 값을 미리 정해진 하나 이상의 기준 값과 비교하는 단계; 및
    상기 기준 값을 기준으로 상기 댓글의 감정의 종류를 분류하는 단계
    를 포함하는,
    댓글 감성 분석 방법.
  3. 제1항에 있어서,
    상기 감정 분석 결과를 획득하는 단계는,
    상기 게시글의 카테고리를 분류하는 단계; 및
    상기 카테고리에 대응하여 상기 감정 분석 모델에 기 저장된 가중치를 적용하여 상기 댓글의 감정 분석 결과를 획득하는 단계
    를 포함하는,
    댓글 감성 분석 방법.
  4. 제1항에 있어서,
    상기 감정 분석 결과를 획득하는 단계는,
    상기 게시글의 서비스 분야 정보를 획득하는 단계; 및
    상기 서비스 분야 정보에 대응하여 상기 감정 분석 모델에 기 저장된 가중치를 적용하여 상기 댓글의 감정 분석 결과를 획득하는 단계
    를 포함하는,
    댓글 감성 분석 방법.
  5. 제1항에 있어서,
    상기 감정 분석 결과를 획득하는 단계는,
    상기 댓글의 감정의 종류 각각에 대응하는 확률을 계산하는 단계; 및
    상기 확률에 기초하여 상기 댓글의 감정 점수를 계산하는 단계
    를 포함하는,
    댓글 감성 분석 방법.
  6. 제1항에 있어서,
    상기 형태소들 중 적어도 하나를 감정 분석 모델로 입력하는 단계는,
    상기 형태소들 중 추출된 명사; 및
    상기 형태소들 중 추출된 조사, 동사, 형용사, 특수 문자, 알파벳 대문자, 소문자 및 이모티콘 중 적어도 하나를 감정 분석 모델로 입력하는 단계
    를 포함하고,
    상기 감정 분석 결과를 획득하는 단계는,
    상기 명사; 및
    상기 추출된 조사, 동사, 형용사, 특수 문자, 알파벳 대문자, 소문자 및 이모티콘 중 적어도 하나
    를 이용하여 상기 댓글의 감성을 분류하는 단계
    를 포함하는,
    댓글 감성 분석 방법.
  7. 삭제
  8. 제1항에 있어서,
    상기 댓글을 수집하는 단계는,
    상기 게시글에 포함되는 복수 개의 댓글을 획득하는 단계
    를 포함하고,
    상기 형태소들을 추출하는 단계는
    상기 복수 개의 댓글 전체에 대해서 형태소들을 추출하는 단계
    를 포함하고,
    상기 감정 분석 결과는, 상기 게시글의 평균적인 감정을 포함하는,
    댓글 감성 분석 방법.
KR1020190029725A 2019-03-15 2019-03-15 인공지능 기반의 댓글 감성 분석 방법 및 그 시스템 KR102032091B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190029725A KR102032091B1 (ko) 2019-03-15 2019-03-15 인공지능 기반의 댓글 감성 분석 방법 및 그 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190029725A KR102032091B1 (ko) 2019-03-15 2019-03-15 인공지능 기반의 댓글 감성 분석 방법 및 그 시스템

Publications (1)

Publication Number Publication Date
KR102032091B1 true KR102032091B1 (ko) 2019-10-14

Family

ID=68171391

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190029725A KR102032091B1 (ko) 2019-03-15 2019-03-15 인공지능 기반의 댓글 감성 분석 방법 및 그 시스템

Country Status (1)

Country Link
KR (1) KR102032091B1 (ko)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102215584B1 (ko) * 2020-03-23 2021-02-10 최선희 문장 분석을 통한 사용자 심리 분석 방법 및 이를 실행하는 서버
CN112632377A (zh) * 2020-12-21 2021-04-09 西北大学 一种基于用户评论情感分析与矩阵分解的推荐方法
KR20210106884A (ko) * 2021-01-14 2021-08-31 아주대학교산학협력단 온라인 데이터에 대한 인공지능 기반의 감정 분류 장치 및 방법
KR20210107393A (ko) * 2020-02-24 2021-09-01 인제대학교 산학협력단 딥 메타데이터 기반 감성분석 방법 및 그 시스템
KR102325022B1 (ko) * 2020-09-22 2021-11-11 김백기 딥러닝 기반 하이브리드 분석법을 활용한 온라인 이미지 및 리뷰 통합 분석 방법 및 시스템
WO2022059854A1 (ko) * 2020-08-01 2022-03-24 주식회사 크리스피언 비디오 컨텐츠로부터 키워드를 추출하는 전자 장치 및 비디오 컨텐츠로부터 키워드를 추출하는 방법
KR20220142705A (ko) * 2021-04-15 2022-10-24 연세대학교 원주산학협력단 초고속 분석 인공지능을 이용한 실시간 댓글 판단 방법
KR20230015164A (ko) * 2021-07-22 2023-01-31 동명대학교산학협력단 콘텐츠에 대한 감성평가 방법
KR20230031027A (ko) * 2021-08-26 2023-03-07 청주대학교 산학협력단 딥러닝을 이용한 종교 감성 분석 장치 및 방법
KR102567931B1 (ko) * 2022-09-30 2023-08-18 주식회사 아리아스튜디오 시청자 반응을 기초로 인터랙티브 시나리오를 업데이트하는 콘텐츠 생성 플랫폼 장치

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110051678A (ko) * 2009-11-11 2011-05-18 김범진 댓글 평가를 이용한 사용자 그룹 형성 방법과 시스템 및 그 시스템을 이용하기 위한 장치
JP2011192103A (ja) * 2010-03-16 2011-09-29 Yahoo Japan Corp 評価装置、方法及びプログラム
KR20120109943A (ko) * 2011-03-28 2012-10-09 가톨릭대학교 산학협력단 문장에 내재한 감정 분석을 위한 감정 분류 방법
CN103020482A (zh) * 2013-01-05 2013-04-03 南京邮电大学 一种基于关系的垃圾评论检测方法
JP2014032442A (ja) * 2012-08-01 2014-02-20 Makura Co Ltd ネットショップ評価装置
KR101851788B1 (ko) * 2017-06-23 2018-04-24 주식회사 마인드셋 텍스트 감성 분석의 감정사전 업데이트 장치 및 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110051678A (ko) * 2009-11-11 2011-05-18 김범진 댓글 평가를 이용한 사용자 그룹 형성 방법과 시스템 및 그 시스템을 이용하기 위한 장치
JP2011192103A (ja) * 2010-03-16 2011-09-29 Yahoo Japan Corp 評価装置、方法及びプログラム
KR20120109943A (ko) * 2011-03-28 2012-10-09 가톨릭대학교 산학협력단 문장에 내재한 감정 분석을 위한 감정 분류 방법
JP2014032442A (ja) * 2012-08-01 2014-02-20 Makura Co Ltd ネットショップ評価装置
CN103020482A (zh) * 2013-01-05 2013-04-03 南京邮电大学 一种基于关系的垃圾评论检测方法
KR101851788B1 (ko) * 2017-06-23 2018-04-24 주식회사 마인드셋 텍스트 감성 분석의 감정사전 업데이트 장치 및 방법

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102359466B1 (ko) * 2020-02-24 2022-02-08 인제대학교 산학협력단 딥 메타데이터 기반 감성분석 방법 및 그 시스템
KR20210107393A (ko) * 2020-02-24 2021-09-01 인제대학교 산학협력단 딥 메타데이터 기반 감성분석 방법 및 그 시스템
WO2021194171A1 (ko) * 2020-03-23 2021-09-30 최선희 문장 분석을 통한 사용자 심리 분석 방법 및 이를 실행하는 서버
KR102215584B1 (ko) * 2020-03-23 2021-02-10 최선희 문장 분석을 통한 사용자 심리 분석 방법 및 이를 실행하는 서버
WO2022059854A1 (ko) * 2020-08-01 2022-03-24 주식회사 크리스피언 비디오 컨텐츠로부터 키워드를 추출하는 전자 장치 및 비디오 컨텐츠로부터 키워드를 추출하는 방법
KR102325022B1 (ko) * 2020-09-22 2021-11-11 김백기 딥러닝 기반 하이브리드 분석법을 활용한 온라인 이미지 및 리뷰 통합 분석 방법 및 시스템
CN112632377A (zh) * 2020-12-21 2021-04-09 西北大学 一种基于用户评论情感分析与矩阵分解的推荐方法
CN112632377B (zh) * 2020-12-21 2023-06-27 西北大学 一种基于用户评论情感分析与矩阵分解的推荐方法
KR102360309B1 (ko) 2021-01-14 2022-02-08 아주대학교 산학협력단 온라인 데이터에 대한 인공지능 기반의 감정 분류 장치 및 방법
KR20210106884A (ko) * 2021-01-14 2021-08-31 아주대학교산학협력단 온라인 데이터에 대한 인공지능 기반의 감정 분류 장치 및 방법
KR20220142705A (ko) * 2021-04-15 2022-10-24 연세대학교 원주산학협력단 초고속 분석 인공지능을 이용한 실시간 댓글 판단 방법
KR102502454B1 (ko) * 2021-04-15 2023-02-21 연세대학교 원주산학협력단 초고속 분석 인공지능을 이용한 실시간 댓글 판단 방법
KR20230015164A (ko) * 2021-07-22 2023-01-31 동명대학교산학협력단 콘텐츠에 대한 감성평가 방법
KR102642711B1 (ko) * 2021-07-22 2024-03-04 동명대학교 산학협력단 콘텐츠에 대한 감성평가 방법
KR20230031027A (ko) * 2021-08-26 2023-03-07 청주대학교 산학협력단 딥러닝을 이용한 종교 감성 분석 장치 및 방법
KR102567896B1 (ko) * 2021-08-26 2023-08-17 청주대학교 산학협력단 딥러닝을 이용한 종교 감성 분석 장치 및 방법
KR102567931B1 (ko) * 2022-09-30 2023-08-18 주식회사 아리아스튜디오 시청자 반응을 기초로 인터랙티브 시나리오를 업데이트하는 콘텐츠 생성 플랫폼 장치

Similar Documents

Publication Publication Date Title
KR102032091B1 (ko) 인공지능 기반의 댓글 감성 분석 방법 및 그 시스템
Kursuncu et al. Predictive analysis on Twitter: Techniques and applications
Enayet et al. NileTMRG at SemEval-2017 task 8: Determining rumour and veracity support for rumours on Twitter.
Sharif et al. Sentiment analysis of Bengali texts on online restaurant reviews using multinomial Naïve Bayes
Gonçalves et al. Comparing and combining sentiment analysis methods
Kiilu et al. Using Naïve Bayes algorithm in detection of hate tweets
Abdulaziz et al. Topic based sentiment analysis for COVID-19 tweets
Cerón-Guzmán et al. A sentiment analysis system of Spanish tweets and its application in Colombia 2014 presidential election
Kausar et al. ProSOUL: a framework to identify propaganda from online Urdu content
KR20120108095A (ko) 소셜 데이터 분석 시스템
Mangal et al. Analysis of users’ interest based on tweets
Biradar et al. Machine learning tool for exploring sentiment analysis on twitter data
Nagra et al. Deep sentiments analysis for roman urdu dataset using faster recurrent convolutional neural network model
Pollacci et al. Sentiment spreading: an epidemic model for lexicon-based sentiment analysis on twitter
Vujičić Stanković et al. An approach to automatic classification of hate speech in sports domain on social media
Biswas et al. Drug Usage Analysis by VADER Sentiment Analysis on Leading Countries.
KR102502454B1 (ko) 초고속 분석 인공지능을 이용한 실시간 댓글 판단 방법
Zainuddin et al. Hate crime on twitter: Aspect-based sentiment analysis approach
Sun et al. Mining Multiplatform Opinions During Public Health Crisis: A Comparative Study
Saputra et al. C4. 5 and naive bayes for sentiment analysis Indonesian Tweet on E-Money user during pandemic
Vadesara et al. Corpus Building for Hate Speech Detection of Gujarati Language
Tiwary et al. Determination Of Category–Wise Influential Users Using Information Retrieval Technique from Twitter
Rodrigues et al. Aspect Based Sentiment Analysis on Product Reviews
Wang et al. Social media sentiment analysis based on domain ontology and semantic mining
US20230289377A1 (en) Multi-channel feedback analytics for presentation generation

Legal Events

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