[논문 리뷰] Emotion Detection in Twitter Messages Using Combination of Long Short-Term Memory and Convolutional Deep Neural Networks

Bahareh Golchin, Noushin Riahi|ArXiv.org|2025. 03. 26.

Sentiment Analysis and Opinion Mining인용 수 4

한 줄 요약

본 논문은 Bidirectional LSTM과 CNN을 결합한 감독 학습 심층 학습 프레임워크를 제시하여 트위터 메시지를 네 가지 감정 클래스로 분류하고 약 93%의 정확도를 달성한다.

ABSTRACT

One of the most significant issues as attended a lot in recent years is that of recognizing the sentiments and emotions in social media texts. The analysis of sentiments and emotions is intended to recognize the conceptual information such as the opinions, feelings, attitudes and emotions of people towards the products, services, organizations, people, topics, events and features in the written text. These indicate the greatness of the problem space. In the real world, businesses and organizations are always looking for tools to gather ideas, emotions, and directions of people about their products, services, or events related to their own. This article uses the Twitter social network, one of the most popular social networks with about 420 million active users, to extract data. Using this social network, users can share their information and opinions about personal issues, policies, products, events, etc. It can be used with appropriate classification of emotional states due to the availability of its data. In this study, supervised learning and deep neural network algorithms are used to classify the emotional states of Twitter users. The use of deep learning methods to increase the learning capacity of the model is an advantage due to the large amount of available data. Tweets collected on various topics are classified into four classes using a combination of two Bidirectional Long Short Term Memory network and a Convolutional network. The results obtained from this study with an average accuracy of 93%, show good results extracted from the proposed framework and improved accuracy compared to previous work.

연구 동기 및 목표

• 비즈니스 및 조직 인사이트를 위한 소셜 미디어 데이터의 자동화된 감정 및 감정 분석의 필요성을 제시한다.
• 대규모 트위터 데이터를 활용해 주제와 이벤트 전반에 걸쳐 감정 상태를 분류한다.
• 양방향 LSTM과 CNN을 결합한 심층 학습 프레임워크를 제안해 감정 분류 성능을 향상시킨다.

제안 방법

• 라벨이 된 감정 상태 데이터를 만들기 위해 다양한 주제의 트위터 데이터를 수집한다.
• tweet에 Bidirectional Long Short-Term Memory (BiLSTM)과 Convolutional Neural Network (CNN)의 조합을 적용한다.
• 다중 클래스 감정 분류를 위해 하이브리드 모델을 감독 학습으로 학습시킨다.
• 모델을 평가하고 이전 연구와의 성능을 비교한다; 평균 정확도를 보고한다.
• 딥 러닝 접근법은 대규모 데이터로부터 학습 능력을 향상시킨다는 점을 설명한다.

실험 결과

연구 질문

• RQ1 하이브리드 BiLSTM-CNN 모델이 트위터 메시지를 네 가지 감정 클래스로 효과적으로 분류할 수 있는가?
• RQ2 제안된 프레임워크가 트위터 데이터에서의 감정 분류에서 이전 방법보다 성능이 우수한가?
• RQ3 사용된 데이터세트에서 BiLSTM-CNN 접근법으로 달성 가능한 정확도는 어느 수준인가?
• RQ4 깊은 학습을 활용해 전통적 방법보다 감정 탐지를 어떻게 개선하는가?

주요 결과

• 제안된 프레임워크는 네 가지 감정 클래스로 트윗을 분류하며 평균 정확도는 93%이다.
• 결과는 저자들이 주장한 대로 이전 연구와 비교하여 정확도가 향상되었다는 것을 보여준다.
• 딥 러닝 방법은 대규모 트위터 데이터 세트를 활용해 감정 탐지를 위한 학습 능력을 향상시킨다.