지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 김학수
- 발행연도
- 2013
- 저작권
- 강원대학교 논문은 저작권에 의해 보호받습니다.
이용수1
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
최근 스마트 폰 보급과 함께 소셜 네트워크 서비스(Social Network Service) 사용이 증가하고 있다. 사용자는 짧은 메시지를 통하여 자신의 소식을 실시간으로 게시한다. 이 메시지는 사회 현상, 특정 상품에 대한 감정을 감고 있기 때문에 기업 마케팅, 광고, 캠페인 등 다양한 분야에 활용되고 있다. 따라서 이를 분석하기 위한 감정 분류 연구가 활발하다. 이러한 연구의 대부분은 일반 문서에 대한 기존의 감정 분류 방법을 소셜 네트워크 데이터 감정 분류에 그대로 적용하고 있다. 그러나 이러한 연구들은 소셜 네트워크 데이터의 구조, 이모티콘, 철자 오류 그리고 신조어와 같은 특징을 고려하지 않아 좋은 성능을 보이지 못하고 있다.
본 논문에서는 소셜 네트워크 서비스 중 트위터(Twitter) 데이터에 대한 감정 분류 성능 향상을 위하여 다양한 자질을(이모티콘 극성, 리트윗 극성, 사용자 극성, 대체 어휘) 적용하여 트위터 감정 분류 성능의 영향을 확인하였다. 기계 학습기 SVM(Support Vector Machine) 기반의 감정 분류 실험으로 이모티콘 극성 자질과 사용자 극성 자질이 트윗 감정 분류 모델의 성능 향상에 기여 하는 것을 알 수 있었다. 이와 비교하여 리트윗 극성과 대체 어휘 자질을 트윗 감정 분류 모델에 큰 영향이 없는 것을 알 수 있었다.
본 논문에서는 소셜 네트워크 서비스 중 트위터(Twitter) 데이터에 대한 감정 분류 성능 향상을 위하여 다양한 자질을(이모티콘 극성, 리트윗 극성, 사용자 극성, 대체 어휘) 적용하여 트위터 감정 분류 성능의 영향을 확인하였다. 기계 학습기 SVM(Support Vector Machine) 기반의 감정 분류 실험으로 이모티콘 극성 자질과 사용자 극성 자질이 트윗 감정 분류 모델의 성능 향상에 기여 하는 것을 알 수 있었다. 이와 비교하여 리트윗 극성과 대체 어휘 자질을 트윗 감정 분류 모델에 큰 영향이 없는 것을 알 수 있었다.
목차
I.서 론 1II.관련연구 31. 자질 추출 연구 32. 기계 학습 방법 43. 트위터 데이터 기반 연구 5III.트위터 감정 분류 시스템 81. 트위터 데이터 특징 및 정제 82. 자질 추출 10IV.실험 및 결과 분석 171. 실험 데이터 172. 실험 평가 방법 173. 실험 결과 18Ⅴ.결론 및 향후 과제 22
최근 본 자료
댓글(0)
0