텍스트 감성 분석을 위한 딥러닝 아키텍처 성능 분석 = Trends Analysis of Deep Learning-based Sentimental Analysis Model

국문 초록 (Abstract)

본 연구는 딥러닝 기반 감성 분석 모델을 분석한다. 감성 분석은 텍스트에서 감성 정보를 추출하고 분류하는 핵심 자연어 처리 기술로 딥러닝의 등장과 함께 빠르게 발전하고 있다. 딥러닝 기반 감성 분석은 기존의 전통적 어휘 기반 분석 방법을 시작으로 RNN, CNN, 트랜스포머, GNNs, GNNs으로 진화하며 텍스트 이해 능력을 향상 시켜오고 있다. 특히 사전 학습 모델과 전이 학습, 다중 모달 분석이 성능을 크게 높였으며, 이후 다양한 형태의 데이터에 따른 특징화된 연구개발이 진행되고 있다. 본 논문에서는 주요 벤치마크 데이터셋으로 딥러닝 아키텍처 모델을 평가하며, 데이터 불균형, 계산 비용 등 도전 과제를 다룬다. 또한 모델 경량화, 설명 가능한 AI, 편향 완화 등을 연구 방향의 기반을 다지기 위해 딥러닝 모델의 성능 분석을 제시한다. 주요 벤치마크 데이터셋인 SST-2, IMDb, SST-5, GLUE, SemEval, Yelp 등을 활용하여 모델 성능은 정확도, 정밀도, 재현율, F1-점수와 같은 표준 분류 지표를 비교 평가한다.

다국어 초록 (Multilingual Abstract)

This study investigates deep learning-based sentiment analysis models, a core natural language processing (NLP) technique for extracting and classifying sentiment from text. The field has rapidly evolved from traditional lexicon-based approaches to advanced architectures such as RNNs, CNNs, Transformers, and GNNs, significantly enhancing text comprehension. Recent advances—particularly pre-trained models, transfer learning, and multimodal analysis—have further improved performance, while research has increasingly focused on domain-specific adaptations. In this work, we evaluate multiple deep learning architectures on major benchmark datasets, including SST-2, IMDb, SST-5, GLUE, SemEval, and Yelp. Performance is assessed using standard classification metrics such as accuracy, precision, recall, and F1-score, addressing key challenges such as data imbalance and computational cost. The findings provide a foundation for future research directions, including model lightweighting, explainable AI, and bias mitigation.