대용량 소셜 미디어 감성분석을 위한 반감독 학습 기법 (Semi-supervised learning for sentiment analysis in mass social media)

대표적인 소셜 네트워크 서비스(SNS)인 트위터의 내용을 분석하여 자동으로 트윗에 나타난 사용자의 감성을 분석하고자한다. 기계학습 기법을 사용해서 감성 분석 모델을 생성하기 위해서는 각각의 트윗에 긍정 또는 부정을 나타내는 감성 레이블이 필요하다. 그러나 사람이 모든 트윗에 감성 레이블을 붙이는 것은 비용이 많이 소요되고, 실질적으로 불가능하다.
그래서 본 연구에서는 “감성 레이블이 있는 데이터”왿� 함께 “감성 레이블이 없는 데이터”도 활용하기 위해서 반감독 학습기법인 self-training 알고리즘을 적용하여 감성분석 모델을 생성한다. Self-training 알고리즘은 “레이블이 있는 데이터”의레이블이 있는 데이터를 활용하여 “레이블이 없는 데이터”의 레이블을 확정하여 “레이블이 있는 데이터”를 확장하는 방식으로, 분류모델을 점진적으로 개선시키는 방식이다. 그러나 데이터의 레이블이 한번 확정되면 향후 학습에서 계속 사용되므로, 초기의 오류가 계속적으로 학습에 영향을 미치게 된다. 그러므로 조금 더 신중하게 “레이블이 없는 데이터”의 레이블을 결정할 필요가 있다. 본 논��에서는 self-training 알고리즘을 이용하여 보다 높은 정확도의 감성 분석 모델을 생성하기 위하여, self-training 중 “감성 레이블이 없는 데이터”의 레이블을 결정하여 “감성 레이블이 있는 데이터”로 확장하기위한 3가지 정책을 제시하고, 각각의 성능을 비교 분석한다. 첫 번째 정책은 임계치를 고려하는 것이다. 분류 경계로부터일정거리 이상 떨어져 있는 데이터를 선택하고자 하는 것이다. 두 번째 정책은 같은 개수의 긍/부정 데이터를 추가하는 것이다. 한쪽 감성에 해당하는 데이터에만 국한된 학습을 하는 것을 방지하기 위한 것이다. 세 번째 정책은 최대 개수를 고려하는 것이다. 한 번에 많은 양의 데이터가 “감성 레이블이 있는 데이터”에 추가되는 것을 방지하고 상위 몇%만 선택하기 위해서, 선택되는 데이터의 개수의 상한선을 정한 것이다. 실험은 긍정과 부정으로 분류되어 있는 트위터 데이터 셋인Stanford data set에 적용하여 실험하였다. 그 결과 학습된 모델은 “감성 레이블이 있는 데이터” 만을 가지고 모델을 생성한 것보다 감성분석의 성능을 향상 시킬 수 있었고 3가지 정책을 적용한 방법의 효과를 입증하였다

This paper aims to analyze user's emotion automatically by analyzing Twitter, a representative social network service(SNS). In order to create sentiment analysis models by using machine learning techniques, sentiment labels thatrepresent positive/negative emotions are required. However it is very expensive to obtain sentiment labels of tweets.
So, in this paper, we propose a sentiment analysis model by using self-training technique in order to utilize "datawithout sentiment labels" as well as "data with sentiment labels". Self-training technique is that labels of "datawithout sentiment labels" is determined by utilizing "data with sentiment labels", and then updates models usingtogether with "data with sentiment labels" and newly labeled data. This technique improves the sentiment analysisperformance gradually. However, it has a problem that misclassifications of unlabeled data in an early stage affect themodel updating through the whole learning process because labels of unlabeled data never changes once those aredetermined. Thus, labels of "data without sentiment labels" needs to be carefully determined. In this paper, in order toget high performance using self-training technique, we propose 3 policies for updating "data with sentiment labels"and conduct a comparative analysis. The first policy is to select data of which confidence is higher than a giventhreshold among newly labeled data. The second policy is to choose the same number of the positive and negativedata in the newly labeled data in order to avoid the imbalanced class learning problem. The third policy is to choosenewly labeled data less than a given maximum number in order to avoid the updates of large amount of data at atime for gradual model updates. Experiments are conducted using Stanford data set and the data set is classified intopositive and negative. As a result, the learned model has a high performance than the learned models by using "datawith sentiment labels" only and the self-training with a regular model update policy.