[논문 리뷰] A Comprehensive Review on Sentiment Analysis: Tasks, Approaches and Applications

Sudhanshu Kumar, Partha Pratim Roy외 2명|arXiv (Cornell University)|2023. 11. 19.

Sentiment Analysis and Opinion Mining인용 수 5

한 줄 요약

이 종합적 서베이에서는 텍스트, 음성, 이미지 및 비디오 전반에 걸친 감성 분석(SA)을 다루며, 작업(문서, 문장, 요소 수준), 접근 방식(어휘 기반, 기계 학습, 딥 러닝), 그리고 소셜 미디어, 헬스케어, 정치, 금융 분야의 응용을 포함한다. 비유, 관용구, 다국어성, 논의 구조와 같은 주요 과제를 밝히며, BERT와 사전 훈련된 임베딩을 최첨단 솔루션으로 강조하며, NLP 및 기계 학습 분야의 연구자들에게 체계적인 길라잡이를 제공한다.

ABSTRACT

Sentiment analysis (SA) is an emerging field in text mining. It is the process of computationally identifying and categorizing opinions expressed in a piece of text over different social media platforms. Social media plays an essential role in knowing the customer mindset towards a product, services, and the latest market trends. Most organizations depend on the customer's response and feedback to upgrade their offered products and services. SA or opinion mining seems to be a promising research area for various domains. It plays a vital role in analyzing big data generated daily in structured and unstructured formats over the internet. This survey paper defines sentiment and its recent research and development in different domains, including voice, images, videos, and text. The challenges and opportunities of sentiment analysis are also discussed in the paper. \keywords{Sentiment Analysis, Machine Learning, Lexicon-based approach, Deep Learning, Natural Language Processing}

연구 동기 및 목표

• 텍스트, 음성, 이미지 및 비디오 전반에 걸친 감성 분석 작업에 대한 체계적인 리뷰를 제공하기 위해.
• 감성 분석에서 어휘 기반, 기계 학습 및 딥 러닝 접근 방식을 분석하고 비교하기 위해.
• 비유, 관용구, 다국어성 및 논의 구조와 같은 감성 분류에서의 주요 과제를 식별하기 위해.
• BERT 및 사전 훈련된 임베딩과 같은 최첨단 모델의 성능과 다양한 도메인에서의 적용 가능성을 평가하기 위해.
• NLP 및 감성 분석 분야의 신규 연구자들을 위해 최다 인용 논문, 열린 과제 및 향후 연구 방향을 요약하여 안내하기 위해.

제안 방법

• 2000년에서 2020년까지 감성 분석에 관한 종합적 문헌 리뷰를 수행하였으며, 주로 2311.11250 및 관련 연구를 중심으로 한다.
• 감성 분석을 세 가지 수준으로 분류한다: 문서 수준, 문장 수준, 요소 수준으로, 각각 다른 분류 목표를 가진다.
• 감성 분석 기법을 두 가지 주요 범주로 분류한다: 어휘 기반(사전 기반, 코퍼스 기반) 및 기계 학습(지도 학습, 비지도 학습, 준지도 학습).
• 양방향 트랜스포머 아키텍처를 사용하여 문맥 기반 단어 표현을 제공하는 BERT와 같은 딥 러닝 모델을 평가한다.
• 사전 훈련된 임베딩(예: Google News 및 IMDB 데이터셋에서 유래)을 사용하여 성능을 분석하고, 도메인 특화 효과를 평가한다.
• 저자원 또는 소규모 감성 분류 작업을 처리하는 데서 VADER 및 기타 규칙 기반 도구의 역할을 논의한다.

실험 결과

연구 질문

• RQ1 감성 분석의 주요 작업 및 수준는 무엇이며, 응용 및 복잡성 측면에서 어떻게 다릅니까?
• RQ2 어휘 기반, 기계 학습 및 딥 러닝 접근 방식은 다양한 데이터 유형에서 성능과 적응성 측면에서 어떻게 비교됩니까?
• RQ3 감성 분석에서 주요 과제로 작용하는 비유, 관용구, 다국어성 및 논의 구조는 무엇입니까?
• RQ4 BERT 및 단어 임베딩과 같은 사전 훈련된 모델은 도메인 특화 및 저자원 감성 분류에 얼마나 효과적으로 작용합니까?
• RQ5 감성 분석의 주요 응용 분야는 무엇이며, 각 분야에 가장 적합한 모델은 무엇입니까?

주요 결과

• 2011년에서 2020년 사이에 감성 분석 연구 논문 수가 크게 증가하였으며, 이는 인더스트리 4.0과 소셜 미디어의 부상 반영한다.
• 요소 수준 감성 분석은 예를 들어 레스토랑 리뷰에서 '음식'과 같은 특정 제품 기능에 의견을 연결함으로써 더 세분화된 통찰을 제공한다.
• BERT 및 기타 트랜스포머 기반 모델은 양방향 문맥을 포착함으로써 전통적 방법을 능가하지만, 계산 비용이 높은 편이다.
• 대규모 코퍼스(예: 1000억 단어)에서 훈련된 사전 훈련된 단어 임베딩은 도메인 일치 데이터에서는 뛰어난 성능을 보이지만, 도메인 외부 또는 저자원 텍스트에서는 성능이 저하된다.
• 비유와 관용구는 여전히 주요 과제로 남아 있으며, 전통적 모델이 올바르게 해석하지 못하는 맥락과 비유어적 언어에 의존한다.
• 다국어 감성 분석은 언어 다양성, 표준화된 도구 부족, 감성 표현에 대한 완벽한 번역이 불가능하기 때문에 특히 어려움을 겪는다.