[논문 리뷰] Opinion mining using Double Channel CNN for Recommender System

Minoo Sayyadpour, Ali Nazarizadeh|arXiv (Cornell University)|2023. 07. 15.

Sentiment Analysis and Opinion MiningComputer Science인용 수 3

한 줄 요약

이 논문은 추천 시스템에서 목적기반 감성 분석을 위한 이중 채널 CNN 모델을 제안하며, SMOTE 기반 데이터 균형 조정과 텐서 분해를 통한 목적어 클러스터링 가중치 부여를 통해 성능을 향상시킨다. 이 방법은 91.6%의 정확도를 달성하여 이전의 목적기반 접근 방식을 크게 능가한다.

ABSTRACT

Much unstructured data has been produced with the growth of the Internet and social media. A significant volume of textual data includes users' opinions about products in online stores and social media. By exploring and categorizing them, helpful information can be acquired, including customer satisfaction, user feedback about a particular event, predicting the sale of a specific product, and other similar cases. In this paper, we present an approach for sentiment analysis with a deep learning model and use it to recommend products. A two-channel convolutional neural network model has been used for opinion mining, which has five layers and extracts essential features from the data. We increased the number of comments by applying the SMOTE algorithm to the initial dataset and balanced the data. Then we proceed to cluster the aspects. We also assign a weight to each cluster using tensor decomposition algorithms that improve the recommender system's performance. Our proposed method has reached 91.6% accuracy, significantly improved compared to previous aspect-based approaches.

연구 동기 및 목표

• 비정형 의견 텍스트를 대상으로 딥러닝을 활용해 추천 시스템 내 감성 분석 정확도를 향상시키기.
• SMOTE 기반 오버샘플링을 통해 사용자 리뷰 데이터셋의 데이터 불균형 문제를 해결하기.
• 목적어를 클러스터링하고 텐서 분해를 통해 동적 가중치를 할당하여 추천 성능을 향상시키기.
• 다양한 텍스트 특징을 캡처할 수 있는 이중 채널 CNN 아키텍처를 개발하여 목적어 수준의 감성 분류를 수행하기.
• 실제 리뷰 데이터에서 기존의 목적기반 감성 분석 방법에 비해 정확도와 강인성 면에서 뛰어난 성능을 내기.

제안 방법

• 사용자 리뷰에서 국소적이고 전역적인 특징을 추출하기 위해 다섯 층으로 구성된 이중 채널 컨볼루션 신경망을 설계한다.
• 훈련 데이터의 균형을 맞추고 소수 클래스 댓글 수를 늘리기 위해 SMOTE(Synthetic Minority Over-sampling Technique)를 적용한다.
• 비지도 기법을 사용하여 리뷰에서 관련된 의견 어휘를 그룹화하는 목적어 클러스터링을 수행한다.
• 텐서 분해 알고리즘을 사용하여 각 목적어 클러스터에 적응형 가중치를 할당함으로써 모델의 해석 가능성과 추천의 관련성 향상.
• 입력 텍스트가 두 개의 병렬 CNN 브랜치를 거쳐 각각 다른 n-gram 특징 표현을 집중적으로 처리한 후 최종 분류를 위해 통합된다.
• 최종 출력 레이어는 목적어 수준에서 감성 분류(예: 긍정/부정)를 수행하여 세밀한 추천 결정을 가능하게 한다.

실험 결과

연구 질문

• RQ1 이중 채널 CNN 아키텍처는 의견 마이닝에서 목적어 수준의 감성 분류 정확도를 어떻게 향상시킬 수 있는가?
• RQ2 SMOTE 기반 데이터 증강은 불균형 리뷰 데이터셋에서 모델 성능을 얼마나 향상시키는가?
• RQ3 클러스터링된 목적어에 대한 텐서 분해 기반 가중치 부여는 추천 시스템의 성능을 향상시킬 수 있는가?
• RQ4 제안된 방법은 기존의 목적기반 감성 분석 모델에 비해 정확도와 강인성 측면에서 어떻게 비교되는가?
• RQ5 다중 채널 특징 추출은 제품 리뷰에서 미묘한 사용자 의견을 포착하는 데 어떤 영향을 미치는가?

주요 결과

• 제안된 방법은 감성 분류 정확도 91.6%를 달성하여 이전의 목적기반 접근 방식에 비해 뚜렷한 향상을 보였다.
• SMOTE 기반 데이터 균형 조정은 소수 클래스 댓글 수를 효과적으로 증가시켜 불균형 데이터셋에서의 모델 일반화 능력을 향상시켰다.
• 목적어 클러스터링과 텐서 분해를 조합함으로써 사용자 의견의 더 의미 있는 표현과 가중치 할당이 가능해져 추천의 관련성 향상에 기여했다.
• 이중 채널 CNN 아키텍처는 국소적이고 전역적인 텍스트 패턴을 성공적으로 캡처하여 더 높은 특징 구분 능력을 기여했다.
• 가중치가 부여된 목적어 클러스터를 추천 파이프라인에 통합함으로써 더 정확하고 개인화된 제품 추천이 가능해졌다.
• 모델은 실제 리뷰 데이터에서 뛰어난 성능을 보이며 실생활 추천 시스템 응용 분야에서의 효과성을 입증했다.