타임라인의 감정추출을 통한 트위터 사용자의 정치적 성향 분석 :Analyzing political attitudes of Twitter users by extracting sentiment from user timeline

김석중

추천

검색

자료유형: 학위논문

저자정보: 김석중 (가톨릭대학교, 가톨릭대학교 대학원)

지도교수: 황병연

발행연도: 2013

저작권: 가톨릭대학교 논문은 저작권에 의해 보호받습니다.

이용수3

이 논문의 연구 히스토리 (2)

2014

타임라인의 감정추출을 통한 트위터 사용자의 정치적 성향 분석

김석중 , 황병연 멀티미디어학회논문지 2014.01 학술저널

2013

타임라인의 감정추출을 통한 트위터 사용자의 정치적 성향 분석

김석중 컴퓨터공학과 2013.01 학위논문

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

최근 소셜 네트워크 서비스의 영향력이 증대되면서 이에 대한 효과적인 분석법에 대한 관심이 높아지고 있다. 그중에서도 정치, 특히 선거 분석은 소셜 네트워크 기반 연구들 중 가장 활발하고 분석 요구가 높은 분야로 기존의 종이나 전화 여론조사를 대체할 충분한 잠재력을 가지고 있다. 그러나 한편으로는 아직까지 낮은 분석 정확도와 부족한 연구 성과들로 최근까지도 분석에 어려움을 겪고 있는 분야이기도 하다. 이에 본 논문에서는 항구성을 띄는 인간의 정치적 성향에 착안하여 이를 분석 설계에 적용할 경우 정확도 향상에 기여할 수 있음을 가정하고 실험을 통해 증명하였다.
본 논문에서는 정치적 성향을 개별 트윗에 의존하여 분석하는 기존의 방법들 대신 전체 타임라인을 통해 사용자 별로 분석하는 방법을 제안한다. 이를 위해 2012년 4월 11일 제19대 국회의원선거 기간 동안 발생한 트윗을 이용하여 트윗 코퍼스를 구성하였다. 실험에 앞서, 트윗 코퍼스에서 선거 도메인을 대표하는 검색 키워드들과 긍정 및 부정을 의미하는 극성 키워드들을 추출하고 레이블을 구성한다. 다음으로 각 계정의 타임라인에 존재하는 모든 트윗에 레이블을 적용하여 극성을 분류하고 사용자의 정치 성향을 도출한다. 마지막으로 분석 성능을 살펴보기 위해 개별 트윗 분석과 타임라인 분석의 정확도와 재현율을 도출하고 사용자 타임라인 분석의 정확도 향상을 확인한다.
실험 결과, 보수와 진보 성향으로 분류된 계정은 각각 295개, 293개였고 양쪽 성향이 동등하게 나타나 상쇄된 계정은 1,026개였으며, 실제 선거 결과와 비교했을 때 상당히 유사함을 확인할 수 있었다. 성능평가는 개별 트윗 분석과 계정별 성향 분석으로 나누어 평가하였는데, 개별 트윗 분석의 경우 75.4%의 정확도와 34.8%의 재현율을 보였다. 반면 계정별 성향 분석의 경우 85.7%의 정확도를 보여 약 10%의 성능 향상을 보였다. 다음으로 사용자의 성향과 일치하는 트윗 비율을 알아본 결과, 계정의 성향과 같은 극성을 따르는 트윗은 80.9%, 반대의 극성을 따르는 트윗은 19.1%였다. 이를 통해 트위터에서도 항구성을 띄는 인간의 정치적 성향이 그대로 반영된다는 사실을 증명할 수 있었으며 개별 트윗 수집을 통한 코퍼스 분석보다 사용자 계정 단위의 분석이 정치적 성향 분석의 정확성을 향상시킬 수 있음을 확인하였다.

The interest in the effective methods for analysis of social network services has increased due to the rapid growth of influence of social media. Among them, politics, especially election analysis is a field that is most active among social network-based studies and the demand for analysis is high and has an enough potential to replace existing paper or telephone poll. However meanwhile, it is a field going through difficulty in analyzing even lately due to low accuracy rate of analysis and insufficient study results. With this, this thesis paid its attention to human''s political attitudes showing permanence and assumed that if applying it to the analytic design, it would contribute to the increase of precision and demonstrated it through the experiment.
This thesis suggested a way to analyze the political attitude by users through entire Timeline rather than existing ways to analyzing by relying on the individual Tweet. For this, it composed Tweet corpus using Tweet that happened during the 19th National Assembly election on April 11, 2012. Prior to the experiment, it extracts search keywords representing election domain and polarity keywords meaning positiveness and negativeness in Tweet corpus and composes label. Next, polarity is classified by applying label to all Tweets existing in Timeline of each account and deduces user''s political attitude. Finally, it deduces analyzed political attitudes of users, precision and recall of individual Tweet analysis and Timeline analysis and the increase of precision of user Timeline analysis is confirmed.
As a result of experiment, the number of accounts classified into conservative attitude and progressive attitude was each 295, 293, and the number of accounts offset as both attitude appear similarly was 1,026 and it could be known to be considerably similar compared to actual election result. Performance evaluation was accomplished by dividing into individual Tweet analysis and by-accounts attitude analysis, the precision of 75.4% and recall of 34.8% was shown in case of individual Tweet analysis. On the other hand, the precision of 85.7% was shown in by-accounts attitude analysis so the performance improvement of approximately 10% was shown. As a result of examining the ratio of Tweet corresponding to user''s political attitude, the Tweet following the same polarity as account''s political attitude was 80.9%, the Tweet following the opposite polarity was 19.1%. Through this, the fact that human''s political attitudes bearing permanence is reflected to Twitter as it was could be demonstrated, and the fact that the analysis of user account unit could improve the precision of political attitude analysis better than corpus analysis through individual Tweet collection was confirmed.

#타임라인 #감정추출 #트위터 사용자 #정치적 성향

감사의 글 ······················································································ iv
초록 ································································································ x
1. 서론 ···························································································· 1
2. 관련연구 ···················································································· 6
2.1 정치 성향 연구 ··································································· 6
2.2 선거 예측 연구 ··································································· 6
2.3 자연어 처리 기법 ······························································· 7
3. 데이터 수집 및 구성 ································································ 9
3.1 트윗 수집 및 구성 전략 수립 ··········································· 9
3.2 검색 키워드 정의 및 갱신 ·············································· 13
3.3 검색 키워드의 레이블 구성 ············································ 16
3.4 극성 키워드 정의 ····························································· 17
3.5 극성 키워드의 레이블 구성 ············································ 21
4. 성향 분석 ················································································ 22
4.1 사용자 타임라인 취득 ····················································· 22
4.2 트윗의 극성 분석 ····························································· 23
4.2.1 검색 키워드 적용 및 후보 키워드 선정 ················ 24
4.2.2 극성 키워드 적용 및 극성 분류 ······························ 24
4.3 계정별 성향 분석 ····························································· 26
5. 성능 평가 ················································································ 28
5.1 개별 트윗 분석 평가 ························································ 28
5.2 계정별 트윗 분석 평가 ···················································· 30
6. 결론 ·························································································· 32
참고문헌 ······················································································ 34
영문논문제출서 ·········································································· 36
영문인준서 ·················································································· 37
ABSTRACT ················································································· 38

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)