소셜네트워크서비스에서 추출된 감정의 핫스팟 분석 : 한국어 트위터와 하둡에코시스템을 중심으로 :Hotspots Analysis of Emotions Extrated from Social Network Service: Focusing on Korean Twitter and Hadoop Ecosystem

김진만

추천

검색

자료유형: 학위논문

저자정보: 김진만 (상명대학교, 상명대학교 대학원)

지도교수: 임좌상

발행연도: 2015

저작권: 상명대학교 논문은 저작권에 의해 보호받습니다.

이용수3

초록· 키워드

오류제보하기

날씨 예보를 듣고 우산을 준비하는 것처럼, 사람들의 감정을 알 수 있다면 우리는 자신의 생각과 행동뿐만 아니라 타인의 감정에 대한 자신의 반응을 조절할 수 있다. 최근에는 온라인에서 서로 만나지 않고도 상호작용이 늘고 있다. 이런 경우 그들이 남긴 글에서 감정을 유추하게 된다. 소셜네트워크서비스 중 하나인 트위터가 그 한 예이다. 이와 같은 서비스를 많은 연구에서는 기업 브랜드 이미지와 상품에 대한 반응을 살펴보고 국가 정책이나 사회적 이슈에 대한 의견을 분석하고 있다. 하지만 국내에서는 교착어인 한국어의 특성으로 온라인에 작성된 사용자들의 글에서 감정을 추출하기가 어렵다. 따라서 본 연구에서는 한국어 트위터를 대상으로 자질 추출에 형태소와 음절 방식을 사용하고 기계학습법에 Support Vector Machine (SVM)이 Naive Bayes (NB)을 사용하여 한국어 분석에 효과적인 방법들을 찾는데 노력했다. 그 결과 한국어 트위터의 분류에 있어서 SVM이 NB보다 정확했고, 형태소가 음절 자질에 비해 높은 정확성을 보이지 않은 것을 확인했다. 핫스팟은 공간의 속성이나 사건이 특정한 곳에 밀집되어 나타나는 패턴을 뜻한다. 모바일 기기의 사용이 늘어나면서 공간정보는 비교적 쉽게 수집되지만, 공간에서 느끼는 사람의 감정은 설문을 통하지 않고서는 어렵다. 트위터는 그러한 공간감정을 분석할 수 있는 기반을 제공함에도 불구하고 관련 연구는 적다. 따라서 본 연구에서는 트윗에 포함된 경/위도 및 감정을 이용하여 공간자기상관분석을 통해 특정 공간의 감정 핫스팟을 찾아내었다. 트위터 감정 분류에 SVM을 사용하였으며 공간자기상관분석은 전역적 측정에 Moran’s I, 국지적 측정에 Getis-Ord Gi *를 사용하였다. 10,142개의 서울지역 트윗을 대상으로 핫스팟을 분석한 결과 서울시행정구역지도에 긍정 감정의 핫스팟을 시각화 하였다.

Like you take your umbrella accordingly to weather forecasts, if we know the feelings of the people, we can control the response to others' emotions as well as our thoughts and actions. Recently, the online interactions are increasing without meeting offline. In these cases, we can infer emotion of a person from his/her text message. Twitter is a good example. Many studies use these social network services to observe reaction of potential customers to the corporate brand image and product or analyze social opinion about national policies and social issues. But because of its agglutinative language characteristics, it is difficult to infer emotion from Korean text. The current study focused on finding optimal sentimental feature by comparing morphological features and n-grams using two machine learning methods, Support Vector Machine (SVM) and Naive Bayes (NB), based on Korean Twitter sentiment. As a result of the two methods compared in this study, SVM were found more accurate than Naive Bayes. Morphological features did not show statistical advantage
over the n-grams in sentimental analysis.
A hotspot is a spatial pattern that arise when spatial properties or events are densely concentrated in a particular area. Whereas location information is easily captured with increasing use of mobile devices, emotional information of user is hard to access without asking directly
through a survey. Although Tweet provides a good platform for analyzing such spatial sentiment, relevant research has not been conducted thoroughly yet. Therefore, we analyzed hotspots of emotion in the twitter using spatial autocorrelation. 10,142 tweets and related GPS data were extracted for the analysis. Sentiment of tweets was classified using support vector machine algorithm. Moran’s I and Getis-Ord Gi* were used for global and local spatial autocorrelation respectively. Some hotspots were found significant and drawn on Seoul metropolitan area map.

#비데이터 #기계학습 #핫스팟 #공간분석 #하둡

1. 서론 1
1.1 연구 배경 1
1.1.1 소셜네트워크서비스의 감정 분석 1
1.1.2 소셜네트워크서비스에서의 한국어 2
1.1.3 공간 분석의 의의 4
1.1.4 소셜네트워크서비스의 공간 분석 6
1.1.5 연구 목적 9
1.2 논문의 구성 10
2. 관련 연구 12
2.1 트위터 감정 분류 방법 12
2.2 트위터 분석 연구 15
2.3 기계 학습 (Machine Learning) 21
2.3.1 Decision Tree 21
2.3.2 Naive Bayes 23
2.3.3 Support Vector Machines 25
2.4 탐색적 공간 데이터 분석 (ESDA) 30
2.4.1 공간적 자기상관 31
2.4.2 공간 가중치 32
3. 연구방법 47
3.1 트위터 감정 분류 47
3.1.1 연구 설계 47
3.1.2 데이터 수집 48
3.1.3 전처리 49
3.1.4 학습 데이터 선정 50
3.1.5 트윗 자질 추출 51
3.1.6 분류 모델과 정확도 52
3.2 트위터 감정 공간 분석 54
3.2.1 전역적 공간 감성 분석 56
3.2.2 국지적 공간 감성 분석 57
3.3 트위터 분석을 위한 하둡에코시스템 구현 59
3.3.1 하둡 (Hadoop) 60
3.3.2 Couchbase 62
3.3.3 Apache Flume 63
3.3.4 Apache Mahout
4. 분석 사례 66
4.1 트위터 감정 분류 66
4.1.1 실험 준비 66
4.1.2 실험 결과와 분석 68
4.2 트위터 감정 핫스팟 분석 69
4.2.1 서울지역 트위터 감정 분류 69
4.2.2 트위터 감정 핫스팟 분석 70
4.2.3 서울지역 행복지수와 비교 74
5. 결 론 76

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

초록· 키워드

목차

최근 본 자료

댓글(0)