[논문 리뷰] Estimation of Inter-Sentiment Correlations Employing Deep Neural Network Models

Xinzhi Wang, Shengcheng Yuan외 2명|arXiv (Cornell University)|2018. 11. 24.

Sentiment Analysis and Opinion Mining참고 문헌 23인용 수 5

한 줄 요약

이 논문은 뉴스 콘텐츠 간의 문장 간 감정 상관관계를 추정하기 위해 두 가지 딥 네ural 네트워크 모델을 제안하며, 제목, 본문, 댓글에서 애정, 기쁨, 분노, 슬픔, 두려움, 놀라움의 여섯 감정을 분석한다. 연구는 역설적인 감정 이동을 드러내는데, 객관적인 뉴스 콘텐츠는 의도한 감정이 아닌 애정(gd)을 유도하는 경우가 많고, 주관적인 콘텐츠는 자주 분노(fn)로 잘못 분류되는 경향이 있어 미디어 논의에서 감정의 예측 불가능성을 보여준다.

ABSTRACT

This paper focuses on sentiment mining and sentiment correlation analysis of web events. Although neural network models have contributed a lot to mining text information, little attention is paid to analysis of the inter-sentiment correlations. This paper fills the gap between sentiment calculation and inter-sentiment correlations. In this paper, the social emotion is divided into six categories: love, joy, anger, sadness, fear, and surprise. Two deep neural network models are presented for sentiment calculation. Three datasets - the titles, the bodies, the comments of news articles - are collected, covering both objective and subjective texts in varying lengths (long and short). From each dataset, three kinds of features are extracted: explicit expression, implicit expression, and alphabet characters. The performance of the two models are analyzed, with respect to each of the three kinds of the features. There is controversial phenomenon on the interpretation of anger (fn) and love (gd). In subjective text, other emotions are easily to be considered as anger. By contrast, in objective news bodies and titles, it is easy to regard text as caused love (gd). It means, journalist may want to arouse emotion love by writing news, but cause anger after the news is published. This result reflects the sentiment complexity and unpredictability.

연구 동기 및 목표

• 신경망 기반 텍스트 분석의 발전에도 불구하고 감성 마이닝 분야에서 상호 감정 상관관계 분석에 대한 관심이 부족한 데 대비하여 이를 해결하고자 한다.
• 뉴스 기사의 제목, 본문, 댓글과 같은 다양한 텍스트 유형 간 감성 상관관계를 모델링하고 정량화하고자 한다.
• 명시적, 암시적, 알파벳 기반 특징이 다양한 감정 카테고리에서 감성 분류에 어떻게 영향을 미치는지 조사하고자 한다.
• 저널리즘 작문에서 의도된 감정 반응과 실제 청중의 감정 반응 간 격차를 탐구하고자 하며, 특히 애정이 분노로 잘못 인식되는 현상에 초점을 맞춘다.

제안 방법

• 애정, 기쁨, 분노, 슬픔, 두려움, 놀라움의 여섯 감성 카테고리를 분류하기 위해 두 가지 딥 네럴 네트워크 모델을 훈련시켰다.
• 제목, 본문, 댓글의 세 가지 텍스트 데이터셋을 수집하여 길이가 다른 객관적이고 주관적인 텍스트를 포함시켰다.
• 각 텍스트에서 세 가지 유형의 특징을 추출하였다: 명시적 표현(직접적인 감성 신호), 암시적 표현(맥락적 감성 지표), 알파벳 문자(문자 수준 임베딩).
• 모델 성능은 특징 유형과 텍스트 카테고리별로 평가되었으며, 분류 정확도와 감정 오해 해석 패턴에 중점을 두었다.
• 다양한 텍스트 모odal리티와 감정 카테고리 간 예측된 감성의 변화를 분석하여 상호 감성 상관관계를 추정하였다.
• 다중 클래스 분류 프레임워크를 사용하며 교차 엔트로피 손실을 적용하고, 표준 분류 지표를 통해 모델 성능을 평가하였다.

실험 결과

연구 질문

• RQ1 딥 네럴 네트워크는 뉴스 콘텐츠 유형(제목, 본문, 댓글) 간의 상호 감성 상관관계 분류에 어떻게 성능을 발휘하는가?
• RQ2 명시적, 암시적, 알파벳 기반 특징이 주관적 텍스트와 객관적 텍스트에서 감성 분류 정확도에 얼마나 기여하는가?
• RQ3 왜 뉴스 콘텐츠에서 애정(gd)이 자주 분노(fn)로 잘못 분류되는가? 이는 미디어에서 감정 인식에 대해 무엇을 드러내는가?
• RQ4 저널리즘의 의도(예: 애정을 유도하기 위해)와 실제 청중의 감성 반응(예: 분노로 인식하기 위해) 사이의 갈등은 어떻게 발생하는가?
• RQ5 짧은 형식(제목)과 긴 형식(본문)의 뉴스 콘텐츠를 비교했을 때 감성 상관관계에서 드러나는 패턴은 무엇인가?

주요 결과

• 주관적인 텍스트에서는 다른 감정이 자주 분노(fn)로 잘못 분류되며, 감정 표현을 적대적으로 해석하는 경향이 있음을 시사한다.
• 객관적인 뉴스 본문과 제목에서는 콘텐츠가 자주 애정(gd)으로 잘못 분류되며, 저널리즘의 프레임이 의도치 않게 애정 어린 반응을 유도할 수 있음을 시사한다.
• 특징 유형에 따라 모델 성능이 크게 달라지며, 암시적 또는 알파벳 기반 특징보다 명시적 표현에서 더 높은 정확도를 보였다.
• 역설적인 감성 이동이 관찰되었다: 애정(gd)을 유도하고자 한 뉴스는 종종 분노(fn)로 인식되며, 이는 미디어 커뮤니케이션에서 감정의 예측 불가능성을 드러낸다.
• 상호 감성 상관관계 분석 결과, 감성 인식은 매우 맥락 의존적이며 텍스트 모달리티와 언어적 프레임에 영향을 받는다는 점을 확인하였다.
• 이 연구는 딥 네럴 네트워크가 텍스트 유형 간 미묘한 감성 이동을 감지할 수 있음을 입증하지만, 오분류 패턴으로 인해 모델의 해석은 여전히 도전 과제로 남아 있다.