[논문 리뷰] Leveraging Sentiment to Compute Word Similarity

A. Balamurali, Subhabrata Mukherjee외 2명|arXiv (Cornell University)|2012. 09. 11.

Sentiment Analysis and Opinion Mining참고 문헌 19인용 수 3

한 줄 요약

이 논문은 감성 정보를 통합하여 단어를 그들의 WordNet 의미에서의 설명문(sentences)의 감성 점수 벡터로 표현하고, 코사인 유사도를 계산함으로써 감성 기반 WordNet 유사도 측정법인 SenSim을 제안한다. 이 방법은 감성 맥락을 활용하여 평가자 간 일致도를 향상시키고, 내재적 및 외재적 평가에서 기존 측정법을 능가한다.

ABSTRACT

In this paper, we introduce a new WordNet based similarity metric, SenSim, which incorporates sentiment content (i.e., degree of positive or negative sentiment) of the words being compared to measure the similarity between them. The proposed metric is based on the hypothesis that knowing the sentiment is beneficial in measuring the similarity. To verify this hypothesis, we measure and compare the annotator agreement for 2 annotation strategies: 1) sentiment information of a pair of words is considered while annotating and 2) sentiment information of a pair of words is not considered while annotating. Inter-annotator correlation scores show that the agreement is better when the two annotators consider sentiment information while assigning a similarity score to a pair of words. We use this hypothesis to measure the similarity between a pair of words. Specifically, we represent each word as a vector containing sentiment scores of all the content words in the WordNet gloss of the sense of that word. These sentiment scores are derived from a sentiment lexicon. We then measure the cosine similarity between the two vectors. We perform both intrinsic and extrinsic evaluation of SenSim and compare the performance with other widely usedWordNet similarity metrics.

연구 동기 및 목표

• 감성 정보를 WordNet 기반 유사도 측정법에 통합할 경우 단어 유사도 측정이 향상되는지 조사하기 위해.
• 기존의 유사도 측정법이 단어 정의에 포함된 정서적 요소를 忽略하는 한계를 해결하기 위해.
• 유사도 레이블링에 감성 요소를 고려함으로써 평가자 간 일치도를 향상시키기 위해.
• WordNet 설명문에 감성 어휘사전을 적용하여 감성 인식 벡터 표현을 개발하기 위해.
• 제안된 측정법인 SenSim을 내재적 및 외재적 과제에서 기존의 WordNet 기반 유사도 측정법과 비교 평가하기 위해.

제안 방법

• 각 단어는 그의 WordNet 의미의 설명문에 포함된 내용어 각각에 대응하는 감성 점수를 차원으로 하는 벡터로 표현된다.
• 감성 점수는 설명문에 포함된 모든 내용어에 사전에 확보된 감성 어휘사전을 적용하여 유도된다.
• 두 단어의 감성 벡터 간 코사인 유사도를 계산하여 유사도를 결정한다.
• 이 방법은 정의에서 유사한 감성 프로파일을 가진 단어들이 더 의미적으로 유사하다고 가정한다.
• 감성 고려 여부에 따라 두 조건에서 평가자 간 일치도를 측정한다.
• 측정법은 내재적 벤치마크(예: 단어 유사도 데이터셋)와 외재적 과제(예: 하류 NLP 응용)를 모두 사용하여 평가된다.

실험 결과

연구 질문

• RQ1 유사도 레이블링 시 감성 정보를 고려할 경우 평가자 간 일치도가 높아지는가?
• RQ2 WordNet 설명문에서 추출한 감성 점수는 단어 유사도 계산을 향상시킬 수 있는가?
• RQ3 SenSim은 내재적 평가에서 기존의 WordNet 기반 유사도 측정법보다 어떻게 비교되는가?
• RQ4 SenSim은 기준 측정법 대비 외재적 과제에서 어느 정도 성능을 보이는가?
• RQ5 감성 콘텐츠 통합은 단어 유사도 측정 향상에 중요한 요소인가?

주요 결과

• 감성 정보를 레이블링 과정에서 고려할 경우 평가자 간 일치도가 유의미하게 향상된다.
• 제안된 SenSim 측정법은 내재적 평가에서 기준 WordNet 유사도 측정법보다 높은 성능을 달성한다.
• 단어 정의에 감성 맥락을 통합함으로써 SenSim은 유사도 판단의 일관성 향상을 보였다.
• 설명문에서 유도된 감성 점수의 사용은 유사도 계산을 위한 벡터 표현 품질을 향상시킨다.
• 이 방법은 다양한 평가 설정에서 뛰어난 안정성을 보이며, 실제 NLP 응용 분야에서의 잠재력을 보여준다.
• 결과는 감성 콘텐츠가 단어 유사도 평가에 의미적으로 기여한다는 가설을 검증한다.