[논문 리뷰] Sentiment Analysis: A Survey

Rahul Tejwani|arXiv (Cornell University)|2014. 05. 11.

Sentiment Analysis and Opinion Mining참고 문헌 5인용 수 15

한 줄 요약

이 종합 검토는 사용자 생성 콘텐츠인 제품 리뷰 및 소셜 미디어와 같은 의견을 분류하기 위한 자연어 처리 기법에 중점을 두고 감성 분석 기법에 대한 종합적인 개요를 제공한다. 지도 학습 및 비지도 학습, 어휘 사전, 주관성 탐지 방법을 사용하여 문서 수준, 문장 수준, 기능 기반 감성 분류를 검토하며, 최신 시스템에서는 최대 80%의 정확도를 달성한다.

ABSTRACT

Sentiment analysis (also known as opinion mining) refers to the use of natural language processing, text analysis and computational linguistics to identify and extract subjective information in source materials. Mining opinions expressed in the user generated content is a challenging yet practically very useful problem. This survey would cover various approaches and methodology used in Sentiment Analysis and Opinion Mining in general. The focus would be on Internet text like, Product review, tweets and other social media.

연구 동기 및 목표

• 사용자 생성 콘텐츠, 특히 소셜 미디어 및 전자상거래에서의 감성 분석 방법론에 대한 체계적인 검토를 제공한다.
• 비공식 텍스트에서의 비유, 否정, 다중 의견 표현과 같은 감성 분석의 주요 과제를 특정한다.
• 어휘 기반, 기계 학습, 주관성 분류 접근법의 효과성을 문서 수준, 문장 수준, 기능 수준의 감성 분류에서 검토한다.
• 비즈니스 인텔리전스, 고객 피드백 분석, 소셜 미디어 모니터링 분야에서 감성 분석의 실용적 응용 사례를 강조한다.
• 기존 연구의 한계, 특히 영어 및 중국어 외 다국어 지원의 부족을 평가한다.

제안 방법

• 감성 분석을 세 수준에서 수행: 문서 수준(전반적인 성향), 문장 수준(개별 문장의 감성), 기능 기반(특정 제품 특성에 대한 의견).
• 용어 빈도, 품사 태그, 의견 어휘, 否정어 등의 특징을 사용하여 나이브 베이즈, 서포트 벡터 머신, 최대 엔트로피와 같은 지도 학습 모델을 활용한 감성 분류.
• 지문 상호정보량을 사용하여 주관적 어휘를 식별하고, 레이블이 없는 텍스트에서 감성 정보를 추출하는 비지도 방법을 적용.
• SentiWordNet 3.0, LIWC, General Inquirer와 같은 어휘 자원을 활용하여 어휘 및 어구에 감성 점수를 할당.
• 주관성 분류를 통해 객관적 문장을 걸러내어 감성 분석에만 영향을 미치는 의견 기반 콘텐츠에 집중함으로써 처리 효율성을 향상시킨다.
• 훈련 및 평가를 위해 Cornell Movie Review Dataset, Multi-Domain Sentiment (MDS) Dataset, MPQA와 같은 벤치마크 데이터셋을 활용.

실험 결과

연구 질문

• RQ1 비공식적이고 다양한 텍스트 소스에서 문서 수준, 문장 수준, 기능 수준의 감성 분석을 정확하게 수행하는 방법은 무엇인가?
• RQ2 사용자 생성 콘텐츠의 감성 분류에 가장 효과적인 특징과 기계 학습 기법은 무엇인가?
• RQ3 부정, 비유, 다중 의견 문장과 같은 과제가 감성 분석 성능에 미치는 영향은 어떠한가?
• RQ4 비지도 및 어휘 기반 방법이 감성 분석에서 지도 학습 모델과 비슷한 정확도를 달성할 수 있는 정도는 어느 정도인가?
• RQ5 비즈니스 인텔리전스 및 소셜 미디어 모니터링 분야에서 감성 분석의 실용적 응용 사례와 한계는 무엇인가?

주요 결과

• 나이브 베이즈, 서포트 벡터 머신, 최대 엔트로피와 같은 지도 학습 방법은 표준 감성 분석 데이터셋에서 최대 80%의 정확도를 달성한다.
• SentiWordNet 및 LIWC를 포함한 어휘 및 사전 기반 접근법은 강력한 성능을 보이며, 일부는 벤치마크 데이터셋에서 70% 이상의 정확도를 기록한다.
• 주관성 분류 기법은 관련 없는 객관적 콘텐츠를 걸러내어 처리 오버헤드를 줄이고 감성 분석의 효율성을 향상시키는 데 필수적이다.
• 기능 기반 감성 분류 기법은 노트북 리뷰에서 화면 품질과 같은 특정 제품 특성에 대한 의견을 세밀하게 분석할 수 있도록 한다.
• MDS 데이터셋은 각 도메인(책, DVD, 전자기기, 주방용품)에 대해 1000개의 긍정 리뷰와 1000개의 부정 리뷰를 포함하고 있어 감성 분석 모델의 훈련 및 테스트에 널리 사용된다.
• 진전이 있었음에도 불구하고, 비유, 아이러니, 맥락에 따라 달라지는 감성 표현으로 인해 감성 분석은 여전히 도전 과제로 남아 있으며, 특히 트윗과 같은 짧은 텍스트에서 두드러진다.