[논문 리뷰] Sentiment Analysis : A Literature Survey

Subhabrata Mukherjee, Pushpak Bhattacharyya|arXiv (Cornell University)|2013. 04. 16.

Sentiment Analysis and Opinion Mining참고 문헌 73인용 수 46

한 줄 요약

이 문헌 조사에서는 감성 분석(SA) 기법에 대한 종합적인 개요를 제공하며, 나이브 베이즈, 서포트 벡터 머신(SVM), 최대 엔트로피와 같은 지도 학습 기법과 인지 심리학에 기반한 주관성 및 시각 탐지 기법을 포함한다. 이는 의견 마이닝 분야의 핵심 과제, 적용 분야 및 연구 방향을 규명하여 자연어 처리와 계산 언어학 분야의 연구자들에게 기초가 되는 참고 자료를 제공한다.

ABSTRACT

Our day-to-day life has always been influenced by what people think. Ideas and opinions of others have always affected our own opinions. The explosion of Web 2.0 has led to increased activity in Podcasting, Blogging, Tagging, Contributing to RSS, Social Bookmarking, and Social Networking. As a result there has been an eruption of interest in people to mine these vast resources of data for opinions. Sentiment Analysis or Opinion Mining is the computational treatment of opinions, sentiments and subjectivity of text. In this report, we take a look at the various challenges and applications of Sentiment Analysis. We will discuss in details various approaches to perform a computational treatment of sentiments and opinions. Various supervised or data-driven techniques to SA like Naïve Byes, Maximum Entropy, SVM, and Voted Perceptrons will be discussed and their strengths and drawbacks will be touched upon. We will also see a new dimension of analyzing sentiments by Cognitive Psychology mainly through the work of Janyce Wiebe, where we will see ways to detect subjectivity, perspective in narrative and understanding the discourse structure. We will also study some specific topics in Sentiment Analysis and the contemporary works in those areas.

연구 동기 및 목표

• 2013년 기준 감성 분석 분야의 최신 기술을 체계적으로 검토하기 위해.
• 텍스트 내 의견, 감성 및 주관성의 계산적 처리에서 발생하는 주요 과제를 규명하고 분석하기 위해.
• 나이브 베이즈, SVM, 최대 엔트로피와 같은 다양한 지도 학습 및 데이터 기반 접근 방식의 강점과 한계를 평가하기 위해.
• 특히 재니스 위브의 연구에서 유래한 인지 심리학적 통찰을 감성 분석에 통합하여 주관성 및 논의 구조 탐지의 정확도를 향상시키기 위해.
• 현재 연구 트렌드를 맵핑하고 감성 분석 분야에서 미처 다루지 않은 또는 새로운 주제를 도출하기 위해.

제안 방법

• 나이브 베이즈, 최대 엔트로피, SVM, 투표 기반 퍼셉트론을 포함한 지도 학습 기법으로 기존 감성 분석 기법을 조사하고 분류하기 위해.
• 특징 공학 및 분류 모델이 의견 분류 작업에서 수행하는 역할 분석하기 위해.
• 주관성, 시각, 서사적 텍스트 내 논의 구조 모델링을 위해 인지 심리학적 통찰 통합하기 위해.
• 문헌에서 보고된 결과를 바탕으로 각 방법의 성능 및 한계 평가하기 위해.
• 의견 탐지, 주관성 분류, 감성 분류와 같은 핵심 주제를 중심으로 조사 구성하기 위해.
• 다양한 응용 분야 및 데이터 유형 간의 방법론을 비교하기 위해 구조화된 리뷰 프레임워크 사용하기 위해.

실험 결과

연구 질문

• RQ1 비구조화된 텍스트에서 감성과 의견을 정확하게 식별하고 분류하는 데 있어 주요 과제는 무엇인가?
• RQ2 감성 분류에 있어 서포트 벡터 머신(SVM)과 최대 엔트로피와 같은 지도 학습 기법의 성능 및 확장성은 어떻게 비교되는가?
• RQ3 인지 심리학 모델이 텍스트 내 주관성 및 시각 탐지에 얼마나 기여할 수 있는가?
• RQ4 기존 감성 분석 기법이 미묘하거나 맥락 의존적인 의견을 다루는 데에서 나타나는 주요 한계는 무엇인가?
• RQ5 최근 웹 2.0 기술의 발전이 감성 분석 연구의 성장과 복잡성에 어떤 영향을 미쳤는가?

주요 결과

• SVM과 최대 엔트로피와 같은 지도 학습 기법은 특징 간 상호작용를 더 잘 처리함에 따라 감성 분류 과제에서 나이브 베이즈보다 끊임없이 뛰어난 성능을 보인다.
• 특히 재니스 위브의 연구에서 유래한 인지 심리학 원리 통합은 주관적 표현 및 논의 수준의 감성 구조 탐지에 상당한 향상을 이룬다.
• 주관성 탐지는 감성 분류의 핵심 전제 조건이며, 구조화된 언어학적 및 심리학적 모델을 사용할 경우 뚜렷한 향상이 이루어진다.
• 진전이 있었음에도 불구하고, 풍자, 맥락 의존적 의견, 다국어 감성 표현을 다루는 데 여전히 과제가 남아 있다.
• 문헌은 기계 학습과 언어학적, 심리학적 통찰을 융합한 하이브리드 접근 방식으로의 추세가 뚜렷하게 나타나고 있음을 보여준다.
• 이 조사에서는 다국어 감성 분석에 대한 연구 격차를 규명하고 더 강력하고 맥락 인식 능력을 갖춘 모델 개발의 필요성을 제기한다.