독일어 트위터 문장의 규칙기반 논조분석 방안 연구
Regelbasierte Sentimentanalyse von Twitter anhand eines Sentiment-Lexikons
0
조회
0
다운로드
2
인용
0
참고문헌
키워드
초록
본 연구에서는 트위터와 같은 사회관계망 텍스트 레지스터의 언어학적 특성을 반영한 논조분석 방법론을 제안하였다. 기존의 기계학습기반의 논조분석방법론은 높은 분류 정확도를 보이지만 대용량의 학습코퍼스를 필요로 하고도메인별로 서로 다른 학습코퍼스가 필요하다는 단점이 있다. 또한 입력문이트위터에서와 같이 매우 짧은 경우에는 분류 정확도가 일반 텍스트와 비교하여 현저하게 낮아진다는 단점이 있다. 이를 극복하기 위해 본 연구에서는 감정사전과 논조분석규칙을 활용한 방법론을 제안하였다. 본 연구에서 활용한 독일어 감정사전은 ‘GPC’이지만, 이 사전 또한 트위터와 같은 사회관계망 텍스트 레지스터의 특성을 반영하기에는 한계가 있음을보였다. 이를 위해 박신혜 (2012) 등의 연구에서 밝혀낸 독일어 트위터 텍스트의 언어학적 특성을 반영하여 ‘GPC’사전을 확장하였다. 확장한 사전의 긍정, 부정 정보를 보다 효율적으로 반영하기 위해 논조분석규칙 및 각 규칙을 적용하기 위한 패턴을 제안하였다. 제안한 방법론은 기존의 기계학습기반의 논조분석 방법론과 거의 대등한성능을 보였다. 기계학습기반의 방법론이 도메인 의존적이라는 점을 감안할때, 이 방법론을 기계학습기반 방법론의 대안으로 충분히 고려할 수 있다는점을 제시한 것이 본 연구의 성과라고 볼 수 있겠다. 마지막으로 향후에는 얕은 구조분석 방법을 도입하여 패턴적용과정을 좀 더 체계화하고 분석규칙 및패턴을 추가하고자 한다.
Abstract
In der vorliegenden Arbeit wird eine Methode für die Sentimentanalyse von Twitter vorgestellt. Diese Methode stützt sich auf die Regeln für die Sentimentanalyse und ein Sentimentlexikon. Das Sentimentlexikon, das in dieser Arbeit herangezogen ist, ist das sogenannte ‘German Polarity Clues (GPC)’ Lexikon von Waltinger (2010). Das GPC Lexikon führt positiv und negativ konnotierte Wörter auf. Die meisten Methoden für die Sentimentanalyse ziehen ein statistisches Verfahren heran, so dass dafür immer große Lerndaten benötigt werden. Diese Methoden zeigen zwar die beste Performanz in der Sentimentanalyse aber sind zu domänen-abhängig. Das heißt, für jede neue Domäne werden neue Lerndaten benötigt, was sehr zeit- und kosten-intensiv ist, da die Lerndaten meistens handannotiert sind. Ein anderes Problem dieses Ansatzes ist, dass wenn ein Eingabesatz zu kurz ist, ein maschineller Lern-Algorithmus nicht so erfolgreich funktioniert. Ein Textregister wie Twitter zeigt andere Charakteristiken als normale Textsorten wie Zeitungen oder wissenschaftliche Arbeiten. Er beinhaltet z.B. viele umgangssprachliche Ausdrücke oder Emoticons und Schimpfwörter oder sogar ungrammatische Satzstrukturen. Im GPC Lexikon werden solche Termini allerdings nicht aufgelistet. Der vorgeschlagene Ansatz für die Sentimentanalyse ist regelbasiert. In einem Eingabesatz wird nach polaren Wörtern gesucht und Modifikatoren wie Negationen, Abschwächungen und Verstärkungen werden in die Analyse einbezogen. Das Experiment zeigte, dass der vorgeschlagene Ansatz fast so gut wie der auf maschinelles Lernen basierte Ansatz in der Korrektheit der Klassifizierung (67.85% vs. 70.83%) sein kann. Aber dieser Ansatz kann anders als der auf maschinelles Lernen basierte Ansatz für jede Domäne generell angewendet werden.
참고문헌 (19)
- 박신혜, "독일어 트위터 메시지의 논조분석을 위한 언어학적 특징 연구", 석사, 독어독문학과, pp.2012
- 이민행, "빅데이터 시대의 언어연구 - 내 손안의 검색엔진" (2015), 21세기북스
- 홍문표, "독일어 텍스트 논조자동분석", 독어학, (28), pp.361~383 (2013), 한국독어학회
- 홍문표, "바이그램을 활용한 텍스트 논조자동분석", 독일언어문학, (65), pp.27~46 (2014), 한국독일언어문학회
- 홍문표, "독일어 감정사전을 활용한 감성분석", 독어학, (30), pp.173~195 (2014), 한국독어학회
- Joshi, M., "Generalizing dependency features for opinion mining", Proceedings of the ACL-IJCNLP 2009 Conference Short Papers, pp.313~316 (2009), Association for Computational Linguistics
- Kouloumpis, E., "Twitter sentiment analysis: The good the bad and the omg!", Icwsm, 11, pp.538~541 (2011)
- Klenner, M., "PolArt: A robust tool for sentiment analysis", Proceedings of the 17th Nordic Conference on Computational Linguistics (NODALIDA 2009), pp.235~238 (2009)
- Moilanen, K., "Sentiment composition", Proceedings of RANLP, pp.378~382 (2007)
- Pak, A., "Twitter as a Corpus for Sentiment Analysis and Opinion Mining", LREC, pp.1320~1326 (2010)
- 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)
- Read, J., "Using emoticons to reduce dependency in machine learning techniques for sentiment classification", Proceedings of the ACL Student Research Workshop, pp.43~48 (2005)
- Remus, R., "SentiWS - a Publicly Available German-language Resource for Sentiment Analysis", Proceedings of the 7th International Language Resources and Evaluation (LREC'10), pp.1168~1171 (2010)
- Tagg, Cl., "A Corpus Linguistics Study of SMS Text Messaging", 박사, pp.2009
- 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.164~210 (2005)
- Wilson, T., "Recognizing Contextual Polarity in Phrase-Level Sentiment Analysis", Proceedings of HLT, 2005, 347~354