감정 분석(opinion mining이라고도 함)은 자연어 처리, 텍스트 분석, 전산 언어학, 생체 인식을 사용하여 정서 상태와 주관적 정보를 체계적으로 식별, 추출, 정량화하고 연구하는 것이다. 이는 리뷰와 설문 응답 같은 고객의 목소리 자료, 온라인 및 소셜 미디어, 의료 자료에 널리 적용되며, 마케팅에서 고객 서비스, 임상 의학에 이르는 다양한 분야에 활용된다. RoBERTa와 같은 심층 언어 모델의 등장으로, 저자가 일반적으로 자신의 의견이나 감정을 덜 명시적으로 표현하는 뉴스 텍스트와 같은 더 어려운 데이터 영역도 분석할 수 있게 되었다.
감정 분석의 유형
감정 분석의 기본 작업은 주어진 텍스트의 극성을 문서, 문장, 또는 특징/측면 수준에서 분류하는 것이다 - 표현된 의견이 긍정적인지, 부정적인지, 중립적인지. 고급 "극성 너머" 감정 분류는 즐거움, 분노, 혐오, 슬픔, 두려움, 놀라움과 같은 정서 상태를 살펴본다.
감정 분석의 선구자로는 텍스트의 패턴 정량화에 대한 단서를 제공한 General Inquirer와, 언어 행동 분석을 기반으로 개인의 심리 상태를 조사한 심리학 연구가 있다. 이후 Volcani와 Fogel의 특허에 설명된 방법은 감정에 특히 초점을 맞추어 다양한 감정 척도에 따라 개별 단어와 구를 식별했다. 그들의 작업을 기반으로 한 현재 시스템인 EffectCheck는 각 척도에서 유발된 감정 수준을 높이거나 낮추는 데 사용할 수 있는 동의어를 제시한다.
이후의 많은 노력은 덜 정교했으며, Turney와 Pang의 작업처럼 긍정에서 부정으로의 단순한 극성 관점을 사용했다. 그들은 각각 제품 리뷰와 영화 리뷰의 극성을 감지하는 데 다른 방법을 적용했다. 이 작업은 문서 수준에서 이루어진다. 또한 Pang과 Snyder를 포함한 연구자들이 시도한 것처럼 문서의 극성을 다중 척도로 분류할 수도 있다: Pang과 Lee는 영화 리뷰를 긍정 또는 부정으로 분류하는 기본 작업을 3점 또는 4점 척도의 별점 예측으로 확장했고, Snyder는 레스토랑 리뷰에 대한 심층 분석을 수행하여 음식과 분위기 같은 다양한 측면에 대한 평점(5점 척도)을 예측했다.
학습, 어휘, 지식 기반 접근법을 포함한 다양한 방법을 통합하는 첫 단계는 2004년 AAAI 봄 심포지엄에서 이루어졌으며, 언어학자, 컴퓨터 과학자 및 기타 연구자들이 처음으로 관심사를 맞추고 텍스트의 정서, 호소, 주관성, 감정에 대한 체계적인 전산 연구를 위한 공동 작업과 벤치마크 데이터 세트를 제안했다.
중립 클래스와 척도 시스템
대부분의 통계적 분류 방법에서 중립 클래스는 중립 텍스트가 이진 분류기의 경계 근처에 있다는 가정 하에 무시되지만, 여러 연구자는 세 가지 범주를 식별해야 한다고 제안한다. Max Entropy와 SVM과 같은 특정 분류기는 중립 클래스의 도입으로 이점을 얻고 전체 정확도를 향상시킬 수 있음이 입증될 수 있다. 중립 클래스를 운영하는 방법은 두 가지가 있다: 알고리즘이 먼저 중립 언어를 식별하고 필터링한 다음 나머지를 긍정 및 부정 감정 측면에서 평가하거나, 한 단계로 3방향 분류를 구축하는 것이다. 두 번째 접근 방식은 종종 모든 범주에 대한 확률 분포를 추정하는 것을 포함한다(예: NLTK가 구현한 naive Bayes 분류기). 중립 클래스를 사용할지 여부와 방법은 데이터에 따라 다르다: 데이터가 중립, 부정, 긍정 언어로 명확히 클러스터링된 경우 중립 언어를 필터링하는 것이 합리적이다; 데이터가 대부분 중립적이고 작은 편차만 있는 경우 이 전략은 두 극을 구별하기 더 어렵게 만든다.
감정을 결정하는 또 다른 방법은 척도 시스템을 사용하는 것으로, 부정, 중립 또는 긍정 감정과 일반적으로 연관된 단어에 -10에서 +10(가장 부정적에서 가장 긍정적) 또는 0에서 +4와 같은 긍정적 상한까지의 숫자를 부여한다. 이는 감정을 환경(보통 문장 수준)에 상대적으로 조정할 수 있게 한다. 비구조화 텍스트가 자연어 처리를 사용하여 분석될 때, 각 개념은 감정 단어가 어떻게 관련되는지에 따라 점수가 부여된다. 감정을 강화, 완화 또는 부정하는 단어는 점수에 영향을 줄 수 있다. 대안으로, 전체 극성보다는 텍스트의 감정을 결정하는 것이 목표라면 텍스트에 긍정 및 부정 감정 강도 점수를 부여할 수 있다.
다른 유형에는 측면 기반 감정 분석, 등급 감정 분석(긍정, 부정, 중립), 다국어 감정 분석, 감정 감지가 포함된다.
주관성과 객관성 식별
이 작업은 일반적으로 주어진 텍스트(보통 문장)를 객관적 또는 주관적 두 클래스 중 하나로 분류하는 것으로 정의된다. 이 문제는 때때로 극성 분류보다 더 어려울 수 있다. 단어와 구의 주관성은 맥락에 의존할 수 있으며, 객관적 문서는 주관적 문장을 포함할 수 있다(예: 사람들의 의견을 인용하는 뉴스 기사). Su가 언급했듯이, 결과는 텍스트를 주석 처리할 때 사용된 주관성 정의에 크게 의존한다. 그러나 Pang은 문서의 극성을 분류하기 전에 객관적 문장을 제거하면 성능이 향상된다는 것을 보여주었다.
주관성 및 객관성 식별은 구문적, 의미적 특징과 기계 학습 지식을 사용하여 문장이나 문서가 사실 또는 의견을 포함하는지 식별하는 새로운 하위 작업이다. 사실과 의견을 인식하는 것에 대한 인식은 최근의 것이 아니며, 1979년 예일 대학의 Carbonell이 처음 제시했을 가능성이 있다.
객관적이라는 용어는 사실 정보를 전달하는 사건을 의미한다. 예: "미국 대통령으로 선출되려면 후보자는 최소 35세 이상이어야 한다." 주관적이라는 용어는 개인 의견, 판단, 예측과 같은 다양한 형태의 비사실적 정보를 포함하는 사건을 설명한다.
응용 및 과제
감정 분석은 브랜드 평판 모니터링, 고객 피드백 분석, 제품 개발 정보 제공을 위해 비즈니스에서 널리 사용된다. 의료에서는 환자 보고 결과나 소셜 미디어를 분석하여 공중 보건 모니터링에 활용할 수 있다. 정치에서는 후보자나 정책에 대한 여론을 측정할 수 있다.
과제에는 풍자, 아이러니, 맥락 의존적 감정 처리가 포함된다. 특히 트랜스포머와 대규모 언어 모델 같은 심층 학습 모델은 복잡한 영역에서 성능을 향상시켰다. 그러나 고급 모델도 미묘한 표현에 어려움을 겪는다. 연구자들은 종종 기계 학습과 심층 학습 기술을 활용하여 측면 기반 감정 분석과 감정 감지 방법을 계속 개발하고 있다.
미래 방향
인공 지능이 발전함에 따라 감정 분석은 오디오, 시각, 텍스트 신호를 통합한 더 세밀하고 다중 모달 분석으로 이동하고 있다. 신경망과 생성형 AI 모델의 통합은 인간 정서에 대한 이해를 향상시킬 것을 약속한다. 프라이버시와 편향 같은 윤리적 고려 사항은 중요한 관심 영역으로 남아 있다. 이 분야는 MIT CSAIL과 스탠포드 AI 랩 같은 학술 기관과 Google DeepMind 및 OpenAI 같은 산업 연구소의 기여로 계속 진화하고 있다.