KR20130103249A - 컨텍스트 정보를 이용한 다중 문장으로부터의 감정 분류 방법 - Google Patents

컨텍스트 정보를 이용한 다중 문장으로부터의 감정 분류 방법 Download PDF

Info

Publication number
KR20130103249A
KR20130103249A KR1020120024733A KR20120024733A KR20130103249A KR 20130103249 A KR20130103249 A KR 20130103249A KR 1020120024733 A KR1020120024733 A KR 1020120024733A KR 20120024733 A KR20120024733 A KR 20120024733A KR 20130103249 A KR20130103249 A KR 20130103249A
Authority
KR
South Korea
Prior art keywords
sentences
emotion
context information
sentence
emotions
Prior art date
Application number
KR1020120024733A
Other languages
English (en)
Other versions
KR101326313B1 (ko
Inventor
강행봉
조상현
Original Assignee
가톨릭대학교 산학협력단
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 가톨릭대학교 산학협력단 filed Critical 가톨릭대학교 산학협력단
Priority to KR1020120024733A priority Critical patent/KR101326313B1/ko
Priority to PCT/KR2012/002295 priority patent/WO2012134180A2/ko
Publication of KR20130103249A publication Critical patent/KR20130103249A/ko
Application granted granted Critical
Publication of KR101326313B1 publication Critical patent/KR101326313B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic 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
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/268—Morphological analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 발명은 컨텍스트 정보를 이용한 다중 문장으로부터의 감정 분류 방법에 관한 것으로서, 보다 구체적으로는 (1) 텍스트를 구성하는 다중 문장 각각에 대하여 컨텍스트 정보를 추출하는 단계, (2) 추출된 컨텍스트 정보를 이용하여 다중 문장으로부터 복수 개의 주요 문장을 추출하는 단계, (3) 추출된 주요 문장 각각에 대하여 감정 특징을 추출하는 단계, 및 (4) 추출된 감정 특징을 이용하여 감정 분류기를 통해 각각의 주요 문장의 감정을 분류하는 단계를 포함하는 것을 그 구성상의 특징으로 한다.
본 발명에서 제안하고 있는 컨텍스트 정보를 이용한 다중 문장으로부터의 감정 분류 방법에 따르면, 컨텍스트 정보를 이용하여 텍스트를 구성하는 다중 문장으로부터 주요 문장을 추출하고, 추출된 주요 문장에 대하여 감정을 분류하고, 분류된 감정을 결합함으로써 온라인 상에서 수집할 수 있는 다중 문장으로부터 감정을 정확하게 분류하여, 마케팅 전략에 활용할 수 있다.

Description

컨텍스트 정보를 이용한 다중 문장으로부터의 감정 분류 방법{METHOD OF CLASSIFYING EMOTION FROM MULTI SENTENCE USING CONTEXT INFORMATION}
본 발명은 감정 분류 방법에 관한 것으로서, 보다 구체적으로는 컨텍스트 정보를 이용한 다중 문장으로부터의 감정 분류 방법에 관한 것이다.
스마트폰의 대중적인 보급으로 인해 트위터, 페이스북과 같은 소셜 네트워크 서비스(Social Network Service; SNS)가 보편화됨에 따라 다양한 주제에 대하여 수많은 의견들이 실시간으로 개진되고 있다. SNS는 기존의 인맥을 강화하고 새로운 인맥을 형성하여 폭넓은 인적 네트워크를 형성할 수 있도록 해주는 서비스로서, 많은 사람은 이와 같은 서비스를 통해 서로에게 댓글을 달아주는 형태로 막대한 양의 텍스트 정보를 생성하고 있다.
최근에는, 상품에 대한 리뷰(review), 영화 감상평, 음식 평가 등의 주요 이슈에 대하여 바이럴 마케팅(viral marketing), 즉 입소문을 통한 마케팅 전략이 많이 이용되고 있는바, 이와 같은 SNS 정보로부터 소비자들의 의견을 정확히 판단하는 것이 마케팅 전략에 매우 중요한 것으로 인식되고 있는 실정이다.
따라서 SNS 사용자들에 의해 작성된 막대한 텍스트들로부터 의미 있는 정보를 찾기 위한 연구가 관심의 대상이 되고 있고, 특히, 문장에 담겨 있는 감정은 활용 범위가 매우 넓은 정보인바, 문장으로부터 감정을 분류 또는 인식하는 연구가 이루어지고 있지만(공개번호 제10-2002-0042248호 참조), 매우 미약한 실정이다.
본 발명은 기존에 제안된 방법들의 상기와 같은 문제점들을 해결하기 위해 제안된 것으로서, 컨텍스트 정보를 이용하여 텍스트를 구성하는 다중 문장으로부터 주요 문장을 추출하고, 추출된 주요 문장에 대하여 감정을 분류하고, 분류된 감정을 결합함으로써 온라인 상에서 수집할 수 있는 다중 문장으로부터 감정을 정확하게 분류하여, 마케팅 전략에 활용할 수 있는, 컨텍스트 정보를 이용한 다중 문장으로부터의 감정 분류 방법을 제공하는 것을 그 목적으로 한다.
상기한 목적을 달성하기 위한 본 발명의 특징에 따른, 컨텍스트 정보를 이용한 다중 문장으로부터의 감정 분류 방법은,
(1) 텍스트를 구성하는 다중 문장 각각에 대하여 컨텍스트 정보를 추출하는 단계;
(2) 추출된 상기 컨텍스트 정보를 이용하여 다중 문장으로부터 복수 개의 주요 문장을 추출하는 단계;
(3) 추출된 상기 주요 문장 각각에 대하여 감정 특징을 추출하는 단계; 및
(4) 추출된 상기 감정 특징을 이용하여 감정 분류기를 통해 각각의 상기 주요 문장의 감정을 분류하는 단계를 포함하는 것을 그 구성상의 특징으로 한다.
바람직하게는,
(5) 분류된 각각의 상기 주요 문장의 감정을 결합하는 단계를 더 포함할 수 있다.
바람직하게는, 상기 단계 (1)은,
(1-1) 하기의 수학식을 이용하여 문장에 포함된 키워드 정보를 산출하는 단계;
Figure pat00001
(여기서, S는 입력문장이고, ki는 입력문장 S에 포함되어 있는 i번째 키워드, ωi∈R는 키워드 가중치이며, K는 입력문장 S에 포함되어 있는 키워드 개수이다.)
(1-2) 하기의 수학식을 이용하여 상기 텍스트 내에서 문장의 위치에 대한 가중치를 산출하는 단계;
Figure pat00002
(여기서, index(Si)는 주요문장 Si의 인덱스이고, T는 텍스트 안의 문장의 수이다.)
(1-3) 하기의 수학식을 이용하여 문장 간의 감정 변화도를 산출하는 단계; 및
Figure pat00003
(여기서, n(Sps)은 동일한 감정을 가지는 앞 문장의 수이다.)
(1-4) 산출된 상기 키워드 정보, 문장의 위치에 대한 가중치 및 문장 간의 변화도를 이용하여 하기의 수학식에 의해 문장의 컨텍스트 정보를 산출하는 단계
Figure pat00004
를 포함할 수 있다.
바람직하게는, 상기 단계 (3)은,
(3-1) 형태소 분석기를 이용하여 문장에 포함된 단어를 품사별로 분류하는 단계; 및
(3-2) 감정 사전을 이용하여 상기 단어에 대한 감정 특징을 추출하는 단계를 포함할 수 있다.
더욱 바람직하게는, 상기 단계 (3-2)에서,
상기 감정 사전은 어휘 사전 기반의 형식적 감정 사전에 도메인 기반 감정 사전을 추가하여 구축될 수 있다.
더욱 바람직하게는, 상기 감정 사전은,
명사, 동사, 형용사, 부사 및 이모티콘별 감정 특징을 포함할 수 있다.
더욱더 바람직하게는, 상기 이모티콘은,
불규칙적으로 자주 사용되는 이모티콘 중 가장 간단한 이모티콘 형태인 참조 이모티콘일 수 있다.
더욱더 바람직하게는,
문장에 포함된 불규칙적인 이모티콘은 베이지안 프레임워크를 이용하여 상기 참조 이모티콘으로 변환하여 감정 특징을 추출할 수 있다.
본 발명에서 제안하고 있는 컨텍스트 정보를 이용한 다중 문장으로부터의 감정 분류 방법에 따르면, 컨텍스트 정보를 이용하여 텍스트를 구성하는 다중 문장으로부터 주요 문장을 추출하고, 추출된 주요 문장에 대하여 감정을 분류하고, 분류된 감정을 결합함으로써 온라인 상에서 수집할 수 있는 다중 문장으로부터 감정을 정확하게 분류하여, 마케팅 전략에 활용할 수 있다.
도 1은 본 발명의 일실시예에 따른 컨텍스트 정보를 이용한 다중 문장으로부터의 감정 분류 방법의 순서도.
도 2는 본 발명의 일실시예에 따른 컨텍스트 정보를 이용한 다중 문장으로부터의 감정 분류 방법의 단계 S100에 대한 세부 순서도.
도 3은 본 발명의 일실시예에 따른 컨텍스트 정보를 이용한 다중 문장으로부터의 감정 분류 방법의 단계 S300에 대한 세부 순서도.
도 4는 본 발명의 일실시예에 따른 컨텍스트 정보를 이용한 다중 문장으로부터의 감정 분류 방법에서, 베이지안 프레임워크를 이용하여 불규칙 이모티콘을 처리하는 세부 흐름을 도시한 도면.
도 5는 본 발명의 일실시예에 따른 컨텍스트 정보를 이용한 다중 문장으로부터의 감정 분류 방법에서, 문장의 감정 분류 성능 실험 결과를 도시한 도면.
이하, 첨부된 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 바람직한 실시예를 상세히 설명한다. 다만, 본 발명의 바람직한 실시예를 상세하게 설명함에 있어, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다. 또한, 유사한 기능 및 작용을 하는 부분에 대해서는 도면 전체에 걸쳐 동일한 부호를 사용한다.
덧붙여, 명세서 전체에서, 어떤 부분이 다른 부분과 ‘연결’ 되어 있다고 할 때, 이는 ‘직접적으로 연결’ 되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고 ‘간접적으로 연결’ 되어 있는 경우도 포함한다. 또한, 어떤 구성요소를 ‘포함’ 한다는 것은, 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.
도 1은 본 발명의 일실시예에 따른 컨텍스트 정보를 이용한 다중 문장으로부터의 감정 분류 방법의 순서도이다. 도 1에 도시된 바와 같이, 본 발명의 일실시예에 따른 컨텍스트 정보를 이용한 다중 문장으로부터의 감정 분류 방법은, 텍스트를 구성하는 다중 문장 각각에 대하여 컨텍스트 정보를 추출하는 단계(S100), 추출된 컨텍스트 정보를 이용하여 다중 문장으로부터 복수 개의 주요 문장을 추출하는 단계(S200), 추출된 주요 문장 각각에 대하여 감정 특징을 추출하는 단계(S300) 및 추출된 감정 특징을 이용하여 감정 분류기를 통해 각각의 주요 문장의 감정을 분류하는 단계(S400)를 포함하여 구성될 수 있고, 분류된 각각의 주요 문장의 감정을 결합하는 단계(S500)를 더 포함할 수 있다.
단계 S100에서는, 텍스트를 구성하는 다중 문장 각각에 대하여 컨텍스트 정보를 추출하며, 단계 S100의 세부적인 흐름에 대하여는 도 2를 참조하여 상세히 설명하도록 한다.
도 2는 본 발명의 일실시예에 따른 컨텍스트 정보를 이용한 다중 문장으로부터의 감정 분류 방법의 단계 S100에 대한 세부 순서도이다. 도 2에 도시된 바와 같이, 본 발명의 일실시예에 따른 컨텍스트 정보를 이용한 다중 문장으로부터의 감정 분류 방법의 단계 S100은, 문장에 포함된 키워드 정보를 산출하는 단계(S110), 텍스트 내에서 문장의 위치에 대한 가중치를 산출하는 단계(S120), 문장 간의 감정 변화도를 산출하는 단계(S130) 및 산출된 키워드 정보, 문장의 위치에 대한 가중치 및 문장 간의 변화도를 이용하여 문장의 컨텍스트 정보를 산출하는 단계(S140)를 포함할 수 있다.
단계 S110에서는, 하기의 수학식 1을 이용하여 문장에 포함된 키워드 정보를 산출한다.
Figure pat00005
여기서, S는 입력문장이고, ki는 입력문장 S에 포함되어 있는 i번째 키워드, ωi∈R는 키워드 가중치이며, K는 입력문장 S에 포함되어 있는 키워드 개수를 나타낸다. 키워드는 도메인별로 미리 수집된 문장을 통해 해당 어휘의 빈도를 측정하여 이 빈도를 가중치(0~1)로 부여한다.
단계 S120에서는, 텍스트 내에서 문장의 위치에 대한 가중치를 산출한다. 보다 구체적으로, 텍스트를 작성하는 사람은 일반적으로 자신의 의견을 텍스트의 첫 문장이나 끝 문장을 통해 표현하는 경우가 많기 때문에, 텍스트 내에서 문장의 위치는 텍스트의 전체 감정을 추정하는데 매우 중요한 정보인바, 하기의 수학식 2를 이용하여 텍스트 내에서 문장의 위치에 대한 가중치를 산출한다.
Figure pat00006
여기서, index(Si)는 주요문장 Si의 인덱스이고, T는 텍스트 안의 문장의 수를 나타낸다.
단계 S130에서는, 문장 간의 감정 변화도를 산출한다. 보다 구체적으로, 문장의 감정이 유지되다가 갑자기 감정의 변화가 생기는 경우 문장 전체의 감정이 변하는 경우가 많기 때문에, 문장 간의 감정 변화도 또한 전체 문장의 감정을 추정하는데 매우 중요한 정보인바, 하기의 수학식 3을 이용하여 문장 간의 감정 변화도를 산출한다.
Figure pat00007
여기서, n(Sps)은 동일한 감정을 가지는 앞 문장의 수를 나타낸다.
단계 S140에서는, 단계 S110 내지 단계 S130에 의해 산출된 키워드 정보, 문장의 위치에 대한 가중치 및 문장 간의 변화도를 이용하여 하기의 수학식 4에 의해 문장의 컨텍스트 정보를 산출한다.
Figure pat00008
단계 S200에서는, 단계 S100에 의해 추출된 컨텍스트 정보를 이용하여 다중 문장으로부터 주요 문장을 추출한다. 즉, 단계 S200을 통해 텍스트 전체의 감정을 추정하는데 중요한 주요 문장을 추출하며, 추출되는 주요 문장은 복수 개로 추출될 수 있다.
단계 S300에서는, 단계 S200에 의해 추출된 주요 문장 각각에 대하여 감정 특징을 추출하며, 단계 S300의 세부적인 흐름에 대하여는 도 3을 참조하여 상세히 설명하도록 한다.
도 3은 본 발명의 일실시예에 따른 컨텍스트 정보를 이용한 다중 문장으로부터의 감정 분류 방법의 단계 S300에 대한 세부 순서도이다. 도 3에 도시된 바와 같이, 본 발명의 일실시예에 따른 컨텍스트 정보를 이용한 다중 문장으로부터의 감정 분류 방법의 단계 S300은, 형태소 분석기를 이용하여 문장에 포함된 단어를 품사별로 분류하는 단계(S310) 및 감정 사전을 이용하여 단어에 대한 감정 특징을 추출하는 단계(320)를 포함할 수 있다.
단계 S310에서는, 형태소 분석기를 이용하여 문장에 포함된 단어를 품사별로 분류한다. 단어를 형태소 분석을 하게 되면, 다양한 활용을 하는 용언도 일치하는 어간으로부터 동일 단어 여부를 판단할 수 있고, 이러한 과정을 거처 단어를 품사별로 분류할 수 있다.
단계 S320에서는, 감정 사전을 이용하여 단계 S310에 의해 분류된 단어에 대한 감정 특징을 추출한다. 보다 구체적으로, 감정 사전은 각 품사별로 감정에 따른 단어와 그 단어의 감정 세기를 포함할 수 있고, 단어에 대한 감정의 종류와 감정의 세기를 감정 특징으로 추출할 수 있다. 이때, 감정 사전은 명사, 동사, 형용사, 부사 및 이모티콘별 감정 특징을 포함할 수 있다.
한편, 같은 어휘라 하더라도 특정 도메인에 따라 다른 감정을 나타내는 경우가 발생할 수 있다. 예컨대, “가볍다”라는 어휘는 “인물” 도메인에서는 부정적인 의미를 나타내는 반면, “통신” 도메인에서는 긍정적 의미를 나타낸다. 즉, 같은 어휘가 특정 도메인에 따라 감정이 달라질 수 있는바, 감정 사전은 어휘 사전에 기반한 기존의 형식적 감정 사전에 도메인 기반 감정 사전을 추가하여 구축하는 것이 바람직하고, 이를 통해 다중 문장에 대한 보다 정확한 감정 분류를 할 수 있다.
더욱이, 단계 S320에서, 문장에 포함된 이모티콘은 문장의 감정을 분류하는데 매우 중요한 요소임에도 불구하고, 사용자의 취향이나 오타, 그리고 기타 여러 가지 요인으로 인해 같은 의미를 가짐에도 매우 불규칙하게 쓰여서 그 자체를 감정 특징으로 사용하는 것이 어려운 문제가 있다. 예컨대, “^_^”과 “^_________^”은 같은 의미이지만 개인에 따라 “_”의 개수를 다르게 사용할 수 있으며, 이러한 불규칙 이모티콘을 그대로 사용하는 것은 정확한 감정 분류를 어렵게 하는 요인 중 하나이다.
이를 위해, 문장에 포함된 불규칙적인 이모티콘을 감정 사전에 포함된 참조 이모티콘으로 변환하여 이로부터 감정 특징을 추출하는 것이 바람직하다. 여기서 "참조 이모티콘"이란 감정 사전에 포함된 이모티콘으로서, 불규칙적으로 자주 사용되는 이모티콘 중 가장 간단한 이모티콘 형태를 말한다. 즉, 불규칙적으로 사용하는 이모티콘을 이러한 참조 이모티콘으로 변환함으로써 문장에 포함된 불규칙 이모티콘으로부터 정확한 감정 분류를 수행할 수 있다.
보다 구체적으로, 문장에 포함된 불규칙한 이모티콘은 베이지안 프레임워크를 이용하여 참조 이모티콘으로 변환할 수 있으며, 도 4는 본 발명의 일실시예에 따른 컨텍스트 정보를 이용한 다중 문장으로부터의 감정 분류 방법에서, 베이지안 프레임워크를 이용하여 불규칙 이모티콘을 처리하는 세부 흐름을 도시한 도면이다. 도 4에 도시된 바와 같이, 이모티콘을 분해한 후 히스토그램을 이용한 정규화 과정을 거쳐 확률분포 모델을 구성하고, 불규칙 이모티콘과 참조 이모티콘 간의 유사도(likelihood)를 산출하여 최적의 참조 이모티콘을 추출함으로써 불규칙 이모티콘을 처리할 수 있다.
단계 S400에서는, 단계 S300에 의해 추출된 감정 특징을 이용하여 감정 분류기를 통해 각각의 주요 문장의 감정을 분류한다. 즉, 단계 S300에 의해 추출된 감정 특징을 특징 벡터로 구성하여 감정 분류기를 통해 문장의 감정을 분류하며, 이때 문장 감정 분류를 위한 감정 분류기는 SVM(Support Vector Machine)을 이용할 수 있다.
단계 S500에서는, 단계 S400에 의해 분류된 각각의 주요 문장의 감정을 결합하고, 이를 통해 다중 문장의 감정을 분류하여 최종적으로 텍스트의 전체 감정을 추정할 수 있다.
[실험예]
문장의 감정 분류 성능 실험
트위터, 페이스북, 미투데이와 같은 소셜 네트워크 서비스(SNS)에서 사용자가 작성한 글들을 일반, 제품리뷰, 여행, 음식 및 영화 도메인별로 무작위로 수집한 후, 수집된 텍스트를 각각 네 가지 방법을 사용하여 감정 분류를 수행하였다.
즉, 기존의 형식적 사전만을 이용한 방법(case 1), 도메인 기반 감정 사전을 추가하여 구축한 감정 사전만을 이용한 방법(case 2), 컨텍스트 정보와 기존의 형식적 사전을 이용한 방법(case 3) 및 컨텍스트 정보와 도메인 기반 감정 사전을 추가하여 구축한 감정 사전을 이용한 방법(case 4)을 사용하여 감정 분류를 수행하였다. 수행된 각각의 방법에 따른 문장의 감정 분류 성능은 하기의 수학식 5 내지 수학식 7에 의한 정확률(precision, “p”) 및 재현율(recall, “r”)을 이용한 F1-measure를 사용하여 평가하였고, 그 결과를 표 1 및 도 5에 나타내었다.
Figure pat00009
Figure pat00010
Figure pat00011
도메인 Case 감정 p r F1


일반		 Case 1 긍정 0.5798 0.5644 0.5719
부정 0.6377 0.4891 0.5536
중립 0.6841 0.5991 0.6387
Case 2 긍정 0.6213 0.5891 0.6047
부정 0.6124 0.6401 0.6259
중립 0.7135 0.6787 0.6956




제품리뷰		 Case 1 긍정 0.6012 0.8181 0.6930
부정 0.6663 0.2513 0.3649
중립 0.5387 0.6578 0.5923
Case 2 긍정 0.6648 0.7273 0.6946
부정 0.6259 0.6211 0.6234
중립 0.9121 0.6806 0.7795
Case 3 긍정 0.8122 0.7301 0.7689
부정 0.6381 0.6114 0.6244
중립 0.7533 0.8101 0.7806
Case 4 긍정 0.8129 0.7013 0.7529
부정 0.6587 0.7759 0.7125
중립 0.8264 0.8585 0.8421




여행		 Case 1 긍정 0.7512 0.7598 0.7554
부정 0.6602 0.3289 0.4390
중립 0.4451 0.6654 0.5333
Case 2 긍정 0.7146 0.8336 0.7695
부정 0.6657 0.3328 0.4437
중립 0.4281 0.5045 0.4631
Case 3 긍정 0.7498 0.7592 0.7544
부정 0.5722 0.6687 0.6166
중립 0.8007 0.6618 0.7246
Case 4 긍정 0.6599 0.8304 0.7353
부정 0.5431 0.5007 0.5210
중립 0.8704 0.5011 0.6360




음식		 Case 1 긍정 0.7141 0.8401 0.7719
부정 0.506 0.1916 0.2779
중립 0.3754 0.4894 0.4248
Case 2 긍정 0.7271 0.8891 0.7999
부정 0.2035 0.2789 0.2353
중립 0.902 0.2531 0.3952
Case 3 긍정 0.8334 0.8136 0.8233
부정 0.5014 0.9042 0.6450
중립 0.8576 0.7234 0.7848
Case 4 긍정 0.7891 0.8341 0.8109
부정 0.5301 0.9012 0.6675
중립 0.8249 0.6402 0.7209




영화		 Case 1 긍정 0.6304 0.6681 0.6487
부정 0.7813 0.4285 0.5534
중립 0.2111 0.5131 0.2991
Case 2 긍정 0.6936 0.4462 0.5430
부정 0.7288 0.5898 0.6519
중립 0.3312 0.7366 0.4569
Case 3 긍정 0.5813 0.7777 0.6653
부정 0.6054 0.4284 0.5017
중립 0.8652 0.4809 0.6181
Case 4 긍정 0.6148 0.8876 0.7264
부정 0.9384 0.6278 0.7523
중립 0.5812 0.6857 0.6291
표 1 및 도 5에 나타낸 바와 같이, 감정 사전만을 이용한 경우에 비해 컨텍스트 정보와 감정 사전을 이용한 경우 감정 분류 성능 효과가 우수함을 확인하였다. 또한, 일반 감정 사전을 사용한 것에 비해 도메인 기반 감정 사전을 추가하여 구축한 감정 사전의 경우에 감정 분류 성능 효과가 보다 우수함을 확인하였다. 따라서 본 발명에 따른 방법은 텍스트를 구성하는 다중문장으로부터의 감정 분류 성능 효과가 우수함을 알 수 있다.
이상 설명한 본 발명은 본 발명이 속한 기술분야에서 통상의 지식을 가진 자에 의하여 다양한 변형이나 응용이 가능하며, 본 발명에 따른 기술적 사상의 범위는 아래의 특허청구범위에 의하여 정해져야 할 것이다.
S100: 텍스트를 구성하는 다중 문장 각각에 대하여 컨텍스트 정보를 추출하는 단계
S200: 추출된 컨텍스트 정보를 이용하여 다중 문장으로부터 복수 개의 주요 문장을 추출하는 단계
S300: 추출된 주요 문장 각각에 대하여 감정 특징을 추출하는 단계
S400: 추출된 감정 특징을 이용하여 감정 분류기를 통해 각각의 주요 문장의 감정을 분류하는 단계
S500: 분류된 각각의 주요 문장의 감정을 결합하는 단계

Claims (8)

  1. (1) 텍스트를 구성하는 다중 문장 각각에 대하여 컨텍스트 정보를 추출하는 단계;
    (2) 추출된 상기 컨텍스트 정보를 이용하여 다중 문장으로부터 복수 개의 주요 문장을 추출하는 단계;
    (3) 추출된 상기 주요 문장 각각에 대하여 감정 특징을 추출하는 단계; 및
    (4) 추출된 상기 감정 특징을 이용하여 감정 분류기를 통해 각각의 상기 주요 문장의 감정을 분류하는 단계를 포함하는 것을 특징으로 하는, 컨텍스트 정보를 이용한 다중 문장으로부터의 감정 분류 방법.
  2. 제1항에 있어서,
    (5) 분류된 각각의 상기 주요 문장의 감정을 결합하는 단계를 더 포함하는 것을 특징으로 하는, 컨텍스트 정보를 이용한 다중 문장으로부터의 감정 분류 방법.
  3. 제1항에 있어서, 상기 단계 (1)은,
    (1-1) 하기의 수학식을 이용하여 문장에 포함된 키워드 정보를 산출하는 단계;
    Figure pat00012

    (여기서, S는 입력문장이고, ki는 입력문장 S에 포함되어 있는 i번째 키워드, ωi∈R는 키워드 가중치이며, K는 입력문장 S에 포함되어 있는 키워드 개수이다.)
    (1-2) 하기의 수학식을 이용하여 상기 텍스트 내에서 문장의 위치에 대한 가중치를 산출하는 단계;
    Figure pat00013

    (여기서, index(Si)는 주요문장 Si의 인덱스이고, T는 텍스트 안의 문장의 수이다.)
    (1-3) 하기의 수학식을 이용하여 문장 간의 감정 변화도를 산출하는 단계; 및
    Figure pat00014

    (여기서, n(Sps)은 동일한 감정을 가지는 앞 문장의 수이다.)
    (1-4) 산출된 상기 키워드 정보, 문장의 위치에 대한 가중치 및 문장 간의 변화도를 이용하여 하기의 수학식에 의해 문장의 컨텍스트 정보를 산출하는 단계
    Figure pat00015

    를 포함하는 것을 특징으로 하는, 컨텍스트 정보를 이용한 다중 문장으로부터의 감정 분류 방법.
  4. 제1항에 있어서, 상기 단계 (3)은,
    (3-1) 형태소 분석기를 이용하여 문장에 포함된 단어를 품사별로 분류하는 단계; 및
    (3-2) 감정 사전을 이용하여 상기 단어에 대한 감정 특징을 추출하는 단계를 포함하는 것을 특징으로 하는, 컨텍스트 정보를 이용한 다중 문장으로부터의 감정 분류 방법.
  5. 제4항에 있어서, 상기 단계 (3-2)에서,
    상기 감정 사전은 어휘 사전 기반의 형식적 감정 사전에 도메인 기반 감정 사전을 추가하여 구축된 것을 특징으로 하는, 컨텍스트 정보를 이용한 다중 문장으로부터의 감정 분류 방법.
  6. 제4항에 있어서, 상기 감정 사전은,
    명사, 동사, 형용사, 부사 및 이모티콘별 감정 특징을 포함하는 것을 특징으로 하는, 컨텍스트 정보를 이용한 다중 문장으로부터의 감정 분류 방법.
  7. 제6항에 있어서, 상기 이모티콘은,
    불규칙적으로 자주 사용되는 이모티콘 중 가장 간단한 이모티콘 형태인 참조 이모티콘인 것을 특징으로 하는, 컨텍스트 정보를 이용한 다중 문장으로부터의 감정 분류 방법.
  8. 제7항에 있어서,
    문장에 포함된 불규칙적인 이모티콘은 베이지안 프레임워크를 이용하여 상기 참조 이모티콘으로 변환하여 감정 특징을 추출하는 것을 특징으로 하는, 컨텍스트 정보를 이용한 다중 문장으로부터의 감정 분류 방법.
KR1020120024733A 2011-03-28 2012-03-09 컨텍스트 정보를 이용한 다중 문장으로부터의 감정 분류 방법 KR101326313B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020120024733A KR101326313B1 (ko) 2012-03-09 2012-03-09 컨텍스트 정보를 이용한 다중 문장으로부터의 감정 분류 방법
PCT/KR2012/002295 WO2012134180A2 (ko) 2011-03-28 2012-03-28 문장에 내재한 감정 분석을 위한 감정 분류 방법 및 컨텍스트 정보를 이용한 다중 문장으로부터의 감정 분류 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020120024733A KR101326313B1 (ko) 2012-03-09 2012-03-09 컨텍스트 정보를 이용한 다중 문장으로부터의 감정 분류 방법

Publications (2)

Publication Number Publication Date
KR20130103249A true KR20130103249A (ko) 2013-09-23
KR101326313B1 KR101326313B1 (ko) 2013-11-11

Family

ID=49452703

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020120024733A KR101326313B1 (ko) 2011-03-28 2012-03-09 컨텍스트 정보를 이용한 다중 문장으로부터의 감정 분류 방법

Country Status (1)

Country Link
KR (1) KR101326313B1 (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016072772A1 (ko) * 2014-11-06 2016-05-12 아주대학교산학협력단 레퍼런스 의미 지도를 이용한 데이터 시각화 방법 및 시스템
KR101715118B1 (ko) * 2016-10-26 2017-03-10 가천대학교 산학협력단 문서 감정 분류용 딥러닝 인코딩 장치 및 방법.
KR20190021015A (ko) * 2017-08-22 2019-03-05 한국과학기술원 패러프레이징을 이용한 감정 사전 구축 및 이를 이용한 텍스트 상의 감정 구조 인식 시스템 및 방법
CN114495145A (zh) * 2022-02-16 2022-05-13 平安国际智慧城市科技股份有限公司 政策文号提取方法、装置、设备以及存储介质
KR20220063483A (ko) * 2020-11-10 2022-05-17 주식회사 데이터캐스트 머신 러닝 기반의 텍스트 데이터의 감성 분석 장치 및 방법
KR20220065980A (ko) * 2020-11-13 2022-05-23 한국방송통신대학교 산학협력단 감성 분석장치 및 그 제어 방법 그리고 신조어 및 이모티콘 추출 장치

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016072772A1 (ko) * 2014-11-06 2016-05-12 아주대학교산학협력단 레퍼런스 의미 지도를 이용한 데이터 시각화 방법 및 시스템
KR101715118B1 (ko) * 2016-10-26 2017-03-10 가천대학교 산학협력단 문서 감정 분류용 딥러닝 인코딩 장치 및 방법.
KR20190021015A (ko) * 2017-08-22 2019-03-05 한국과학기술원 패러프레이징을 이용한 감정 사전 구축 및 이를 이용한 텍스트 상의 감정 구조 인식 시스템 및 방법
KR20220063483A (ko) * 2020-11-10 2022-05-17 주식회사 데이터캐스트 머신 러닝 기반의 텍스트 데이터의 감성 분석 장치 및 방법
KR20220065980A (ko) * 2020-11-13 2022-05-23 한국방송통신대학교 산학협력단 감성 분석장치 및 그 제어 방법 그리고 신조어 및 이모티콘 추출 장치
CN114495145A (zh) * 2022-02-16 2022-05-13 平安国际智慧城市科技股份有限公司 政策文号提取方法、装置、设备以及存储介质
CN114495145B (zh) * 2022-02-16 2024-05-28 平安国际智慧城市科技股份有限公司 政策文号提取方法、装置、设备以及存储介质

Also Published As

Publication number Publication date
KR101326313B1 (ko) 2013-11-11

Similar Documents

Publication Publication Date Title
Asghar et al. T‐SAF: Twitter sentiment analysis framework using a hybrid classification scheme
Desai et al. Techniques for sentiment analysis of Twitter data: A comprehensive survey
Marchetti-Bowick et al. Learning for microblogs with distant supervision: political forecasting with Twitter
Alshamsi et al. Sentiment analysis in English texts
Nagy et al. Crowd sentiment detection during disasters and crises.
KR101536520B1 (ko) 토픽을 추출하고, 추출된 토픽의 적합성을 평가하는 방법 및 서버
CN110232149B (zh) 一种热点事件检测方法和系统
CN109376251A (zh) 一种基于词向量学习模型的微博中文情感词典构建方法
CN105183717B (zh) 一种基于随机森林和用户关系的osn用户情感分析方法
Ali et al. Aspect based sentiment analysis of ridesharing platform reviews for kansei engineering
KR101326313B1 (ko) 컨텍스트 정보를 이용한 다중 문장으로부터의 감정 분류 방법
KR20120109943A (ko) 문장에 내재한 감정 분석을 위한 감정 분류 방법
CN106202584A (zh) 一种基于标准词典和语义规则的微博情感分析方法
Rokade et al. Business intelligence analytics using sentiment analysis-a survey
CN107463703A (zh) 基于信息增益的英文社交媒体账号分类方法
Othman et al. Using NLP approach for opinion types classifier
Hussein et al. Gender identification of egyptian dialect in twitter
Biba et al. Sentiment analysis through machine learning: an experimental evaluation for Albanian
Ahuja et al. Pragmatic Analysis of Classification Techniques based on Hyper-parameter Tuning for Sentiment Analysis
Rathan et al. Every post matters: a survey on applications of sentiment analysis in social media
Hossein et al. Predicting motion picture box office performance using temporal tweet patterns
Simeon et al. Evaluating the Effectiveness of Hashtags as Predictors of the Sentiment of Tweets
Gunduz et al. Investigating sentimental relation between social media presence and academic success of Turkish universities
Devi et al. Twitter sentiment analysis using collaborative multi layer perceptron (MLP) classifier
Rokade et al. Business recommendation based on collaborative filtering and feature engineering–aproposed approach

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20161007

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20171030

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20191021

Year of fee payment: 7