독일어 감정사전을 활용한 감성분석

Abstract

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.