독일어 감정사전을 활용한 감성분석
Automatische Sentimentanalyse der deutschen Texte anhand eines Sentiment-Lexikons
0
조회
0
다운로드
5
인용
0
참고문헌
키워드
초록
본 논문은 학습코퍼스에서 자질을 추출하여 기계학습을 시도하는 기존의 감성분석 방법론의 문제를 해결하기 위해 사전기반 감성분석 방법론을 제안하였다. 기존 감성분석 방법론의 문제는 도메인별로 큰 규모의 학습코퍼스가 필요하므로 분석방법을 다양한 도메인에 적용하기가 현실적으로 어렵다는 점이었다. 본 연구에서 제안한 사전기반 감성분석 방법론은 ‘GPC’와 ‘ SentiWS’와 같은 감정사전의 엔트리를 기계학습을 위한 자질로 삼아 학습하는 방법이다. 이 방법론은 도메인에 상관없이 공통적으로 출현하는 감정관련 어휘들이 수록된 감정사전을 활용하므로 도메인 변화에 따른 성능의 변화를 최소화할 수 있을 것이라는 점이 예상되었다. 이 가설의 검증을 위해 스마트폰 분야와 호텔 분야의 텍스트에 대해 실험을 수행하였다. 실험결과 각 도메인별 학습코퍼스에서 자질을 추출하여 학습한 분석기가 가장 높은 성능을 보였지만, 감정사전을 기반으로 학습된 분석기도 학습코퍼스 기반 분석기에 비해 크게 뒤지지 않는 성능을 보였다. 감정사전 중 ‘GPC’와 ‘SentiWS’는 서로 매우 큰 성능의 차이를 보였는데, 이는 부정어의 처리에 기인한 것으로 분석되었다. ‘GPC’가 ‘nicht’ 및 ‘nicht’와 자주 공기하는 가치판단 형용사 (예를 들어 ‘nicht schlecht’) 등을 하나의 엔트리로 등록하였기 때문에 이러한 표현들에 대한 감성분석이 ‘SentiWS’와 비교하여 더욱 정확했던 것으로 판단된다. 본 연구를 통한 또 하나의 발견은 학습자질의 도메인 의존성이었다. 당초 본 연구의 가설은 학습자질이 학습도메인에 크게 의존할 것이기 때문에 어떤 도메인에서 추출된 학습자질들은 다른 도메인에 적용될 경우 분석 정확률이 크게 낮아질 것이라는 것이었다. 그러나 실험결과 호텔분야의 학습자질들을 사용하여 스마트폰 분야의 텍스트에 대해 감성분석을 수행했을 경우 성능의 차이가 예상했던 것보다는 크지 않았다는 점이다. 심지어는 ‘SentiWS’ 사전을 사용했을 때보다도 오히려 정확률이 높았다. 이것에 대한 분석결과 도메인의 변화에도 불구하고 공통적으로 적용되는 자질들이 많이 존재한다는 것을 알게 되었다. 이 점은 본 연구의 후속작업을 위해 시사하는 점이 많다고 본다. 도메인에 상관없이 공통적으로 적용되는 자질들이 많다는 점은 범도메인적인 성격을 지닌 감정사전의 유용성을 보여준다. 감정사전의 엔트리를 확장하고 감정정보 가중치의 직관적 타당성을 높이면 그 유용성은 더 높아질 수 있을 것으로 예상된다.
Abstract
Die vorliegende Arbeit stellt eine neue Methode für die Sentimentanalyse deutscher Texte vor. Die meisten bisherigen Ansätze für die Sentimentanalyse oder Stimmungsanalyse sind von Pang et al. (2002) stark beeinflusst. In dieser Arbeit wurde ein statistisches Verfahren vorgeschlagen, das auf annotierten Lernkorpora angelernt wurde. Ein Problem dieser Methode liegt darin, dass eine große Menge der Lernkorpora für jede Domäne benötigt wird, um einen Klassifizierer für verschiedene Domänen zu implementieren. Generell wird angenommen, dass ein Klassifizierer, der auf Lernkorpora bestimmter Domäne angelernt wurde, eine schlechte Performanz für eine andere Domäne aufweisen würde. Die neue Methode zieht ein Sentiment-Lexikon statt der Lernkorpora für das maschinelle Lernen heran. Einträge im Sentiment-Lexikon haben Informationen über die Positivität oder Negativität in ihren konnotativen Bedeutungen. Z.B. ist ‘schön’ ein Wort mit einer positiven konnotativen Bedeutung. Dagegen weist z.B. ‘Debakel’ eine negative konnotative Bedeutung auf. In dieser Arbeit wurden ‘German Polarity Clues (GPC)’ von Waltinger (2010) und ‘Senti Wortschatz (SentiWS)’ von Remus et al. (2010) benutzt. Das Experiment zeigte, dass die Einträge eines Sentimentlexikons gute Merkmale für das maschinelle Lernen unabhängig von verschiedenen Domänen aufweisen können. Jedoch gab es Unterschiede in der Performanz zwischen ‘GPC’ und ‘SentiWS’. ‘SentiWS’ unterliegt ‘GPC’ für fast 5 bis 10 % in der Accuracy der Sentimentklassifizierung. Unsere Analyse zeigt, dass der Unterschied in der Behandlungsweise der negativen Wörter liegen könnte.
참고문헌 (14)
- 홍문표, "독일어 텍스트 논조자동분석", 독어학, (28), pp.361~383 (2013), 한국독어학회
- 홍문표, "바이그램을 활용한 텍스트 논조자동분석", 독일언어문학, (65), pp.27~46 (2014), 한국독일언어문학회
- Cortes, C, "Support-Vector Networks", pp.273~297 (1995), Machine Learning
- Esuli, A., "SentiWordNet: A Publicly Available Lexical Resource for Opinion Mining", Proceedings of LREC-06. 5th Conference of Language Resources and Evaluation, pp.417~422 (2006)
- Murphy, K. P., "Machine Learning – A probabilistic Perspective" (2012), The MIT Press
- Pang, B., "Thumbs up? Sentiment classification using machine learning techniques", Proceedings of the ACL-02 conference on Empirical methods in natural language processing, 10 (2002)
- Pang, B., "A Sentimental Education: Sentiment Analysis Using Subjectivity Summarization Based on Minimum Cuts", Proceedings of the 42nd Annual Meeting of the Association for Computational Linguistics (ACL'04), pp.271~278 (2004)
- Quasthoff, U., "Deutsches Kollokationswörterbuch" (2010), de Gruyter
- Remus, R, "SentiWS - a Publicly Available German-language Resource for Sentiment Analysis", Proceedings of the 7th International Language Ressources and Evaluation (LREC'10), pp.1168~1171 (2010)
- Strapparava, C, "WordNet-Affect: an affective extension of WordNet", Proceedings of the 4th International Conference on Language Resources and Evaluation (LREC 2004), pp.1083~1086 (2004)
- Taboada, M., "Lexicon-based methods for sentiment analysis", Computational linguistics, 37(2), pp.267~307 (2011)
- Waltinger, U., "German Polarity Clues: A Lexical Resource for German Sentiment Analysis", Proceedings of the Seventh International Conference on Language Resources and Evaluation (LREC), pp.1638~1642 (2010)
- Wiebe, J., "Annotating Expressions of Opinions and Emotions in Language", Language Resources and Evaluation, 39(2, pp.3) (2005), 164~210
- Wilson, T., "Recognizing Contextual Polarity in Phrase-Level Sentiment Analysis", Proceedings of HLT, 2005, 347~354