상황과 감정 주체의 성격을 고려한 자연언어 텍스트로부터의 감정 인식 = Emotion Recognition from Natural Language Text Considering Context and Personality

국문 초록 (Abstract)

공학 분야에서 감정 인식은 기계가 인간의 감정을 인식하기 위한 방법을 연구하는 학문으로써 최근 로봇, 스마트폰과 같은 인간과 상호작용하는 기기들이 실생활 속에 가까이 다가옴에 따라 더욱더 관심을 받고 있다. 감정인식은 어떤 모달리티(정보의 소통 경로)를 대상으로 하는가에 따라 세분할 수 있는데 대표적인 모달리티로 음성, 얼굴 표정, 생체 신호, 텍스트 등이 있다. 본 논문에서는 이 중 인간의 주된 의사소통 방식인 자연 언어 정보를 전달할 수 있는 자연어 텍스트 모달리티로부터의 감정 인식을 다룬다.
기존의 자연어 텍스트 모달리티기반 감정 인식연구들은 자연어 처리나 인공지능 분야의 공학자들이 주도적으로 연구해왔다. 이들은 감정 인식이라는 문제를 자연어 텍스트의 처리 단위(단어, 문장, 문단, 문서 등)내에서 인식된 감정 자질 정보에 따라 분류하는 문제로 접근하였다. 대표적인 접근법이 핵심어 검출 알고리즘을 사용한 연구들이다. 핵심어 수준을 넘어서 자연어 문장의 통사 정보, 의미 정보나 기타 언어 정보들을 사용하고자 한 연구들도 있었다. 하지만 이러한 기존연구들이 공통적으로 갖는 특성은 언어 자질로 구성한 문제 공간에서 기존의 분류 모델들을 사용한 분류를 한다는 것이다.
감정 인식은 감정이라는 주제가 갖는 특성을 충분히 잘 활용해야 한다. 본 논문에서는 감정에 대하여 가장 심도 있게 연구해온 심리학 분야의 감정에 대한 분석 이론을 이해하고, 이를 바탕으로 도출된 심리학적 감정 인식 기법을 공학적으로 모델링하여 새로운 형태의 감정 인식 방법을 제안 한다. 연구의 동기가 된 심리학 이론은 Lazarus의 감정 이론으로, 감정이 생성되기 위해서는 감정 주체가 처한 주변 상황, 주어진 상황에 대한 개인적인 이해, 감정 생성 규칙이 필요하다는 내용이다. 본 논문에서는 감정 생성을 위한 필수요소로서 상황과 성격을 정의내리고, 이를 감정 인식에 사용할 수 있는 형태로 모델링한다. 또한 자연어 문장으로부터 감정 주체, 감정 정보, 감정 대상을 추출하기 위하여 의존 문법 구문 분석을 통한 의존 관계 패턴을 사용한다.
최종적으로 상황 모델과 성격 모델, 그리고 종합적인 감정 인식 시스템을 실험을 통해 평가하여 제안한 감정 인식 방법의 우수한 감정 인식 성능을 증명한다.

목차 (Table of Contents)

• 제1장 서 론 1
• 제2장 연구 배경 4
• 2.1 감정 인식 4
• 2.2 모달리티와 멀티 모달 감정 인식 4
• 2.3 감정에 대한 연구 5
• 2.3.1 감정 5
• 2.3.2 감정 이론 6
• 2.3.3 감정의 판단 7
• 2.3.4 감정 표현 모델 7
• 2.4 텍스트로부터의 감정 인식 10
• 2.4.1 자연 언어 처리 10
• 2.4.1.1 자연 언어 처리의 단계 10
• 2.4.1.2 언어 처리 단위 11
• 2.4.1.3 형태소 분석 12
• 2.4.1.4 품사 태깅 13
• 2.4.1.5 구문 분석과 의존 문법 14
• 2.4.2 핵심어 검출 기법 15
• 2.4.3 자질 벡터 공간에서의 분류 기법을 사용한 감정 인식 15
• 2.4.3.1 자질 발견 16
• 2.4.3.2 자질 선택 17
• 2.4.3.3 분류기 17
• 2.4.3.3.1 선형 분류기 18
• 2.4.3.3.2 다층 신경망 18
• 2.4.3.3.3 지원 벡터 기계 19
• 제3장 관련 연구 20
• 3.1 자연어 텍스트로부터의 감정 인식 20
• 3.1.1 핵심어 검출 기법을 사용한 연구 20
• 3.1.2 언어 자질을 활용한 감정 분류 기법을 사용한 연구 22
• 3.2 Lazarus의 감정 이론 23
• 3.2.1 감정을 이루는 요소 23
• 3.2.1.1 개인적 목표들의 운명 23
• 3.2.1.2 자아 또는 에고 24
• 3.2.1.3 평가 25
• 3.2.1.4 개인적 의미 27
• 3.2.1.5 자극 27
• 3.2.1.6 행동 경향 28
• 3.2.2 감정의 정의와 감정 생성 28
• 3.2.3 개별적 감정들의 초상 29
• 3.3 KBANN 31
• 3.3.1 지식 기반 규칙과 경험 기반 학습 모델의 하이브리드 모델 31
• 3.3.2 KBANN의 수행 단계 33
• 3.3.2.1 규칙-네트워크 변환 33
• 3.3.2.2 네트워크 정련 37
• 제4장 상황과 성격을 고려한 감정 인식 39
• 4.1 본 연구에서 감정 인식의 정의 39
• 4.2 인식 대상 감정 41
• 4.3 감정 정보의 입력 43
• 4.4 심리학 이론을 고려한 감정 인식 방법의 제안 43
• 4.5 감정 인식 3요소의 모델화 45
• 4.6 자연어 처리를 통한 상황 정보의 추출 및 구조화 46
• 4.7 상황에 대한 개인적인 의미 47
• 4.8 감정 인식 개요도 및 모델 학습 48
• 제5장 상황 모델 50
• 5.1 상황의 개념적 정의 50
• 5.2 상황의 자료 구조적 정의 50
• 5.3 주어, 서술어, 목적어 찾기 53
• 5.3.1 의존 구문 분석 정보를 이용한 주어, 서술어, 목적어 찾기 53
• 5.3.2 제안된 방법의 유효성 검증 실험 56
• 5.4 감정 어휘 사전을 사용한 문제 공간 축소 57
• 5.5 시간에 따른 감정량 감소 특성의 반영 60
• 5.6 상황 추출기 61
• 5.6.1 효율적인 상황 추출을 위한 설계 요소 61
• 5.6.2 상황 추출 요청의 종류와 반환 구조 62
• 5.6.3 상황 추출 과정 63
• 5.6.4 감정 표현 구조로의 변환 64
• 제6장 성격 모델 65
• 6.1 개인화와 성격 65
• 6.2 개인화 속성과 감정 생성 규칙을 반영한 성격 모델 65
• 6.3 KBANN을 사용한 성격 모델의 설계 66
• 6.3.1 감정 생성 규칙의 정의 68
• 6.3.2 규칙-네트워크 변환 70
• 6.3.3 성격 모델의 학습 72
• 6.3.4 성격 모델의 테스트 74
• 제7장 실험과 평가 76
• 7.1 텍스트로부터의 감정 인식 연구 분야의 평가 특성 76
• 7.2 실험 개요 77
• 7.3 코퍼스 구축 77
• 7.4 평가 방법 및 결과 79
• 7.4.1 상황 모델의 평가 80
• 7.4.2 성격 모델의 평가 82
• 7.4.3 감정 인식 시스템 평가 85
• 7.4.3.1 개별적 및 종합적인 감정 인식 성능 평가 86
• 7.4.3.2 핵심어 검출 알고리즘과의 비교 평가 95
• 제8장 결론 및 향후 과제 98
• 참고문헌 100