텍스트 데이터는 단순한 문자들의 나열이 아니라, 사람들의 감정, 감성, 그리고 의견을 담고 있는 중요한 정보입니다. 하지만 이러한 것들을 정량적으로 분석하는 것은 쉽지 않습니다. 센티멘트 분석(Sentiment Analysis)은 이런 문제를 해결하기 위해 개발된 기법으로, 대량의 텍스트 데이터를 분석하여 문서의 긍정적, 부정적, 또는 중립적 감성을 판단하는 데 도움을 줍니다.

11.1 감성/센티멘트 분석의 개념

센티멘트 분석(Sentiment Analysis)은 텍스트 데이터를 분석하여 그 속에 담긴 의견의 극성(polarity) — 즉, 긍정적인지, 부정적인지, 중립적인지를 판단하는 자연어 처리(NLP) 기술입니다. 이 분석은 기업의 고객 피드백, 소셜미디어의 여론 파악, 금융 뉴스 기반 투자 분석 등 다양한 분야에서 활용됩니다.

<aside> 📌

여기서 잠깐, 용어 정리가 필요합니다!

Sentiment Analysis를 한국어로 번역할 때 ‘감성 분석’, ‘감정 분석’, ‘긍부정 분석’ 등이 혼용됩니다.

• ‘감정 분석’은 영어로 Emotion Analysis에 더 가까운 개념으로, 기쁨·슬픔·분노 등 정서적 상태의 분류를 다루는 분석입니다.
• 반면, Sentiment Analysis는 찬반/호불호 같은 평가적 태도를 분석하는 작업으로, 감정 상태보다는 긍·부정 극성 판단에 초점을 둡니다. 이러한 이유로 '긍부정 분석'이라는 용어도 제시되고 있습니다.

그러나 여기에서는 혼란을 피하기 위해 'Sentiment Analysis'를 ‘센티멘트 분석'으로 음역하여 사용하겠습니다.

</aside>

11.2 센티멘트 분석 모델

센티멘트 분석을 수행하는 방법은 크게 세 가지로 나눌 수 있습니다.

11.2.1 사전 기반 센티멘트 분석

• 감성이 담긴 단어를 미리 정의된 센티멘트 사전에 따라 분석하는 방법입니다.
• 예를 들어, "좋아요", "훌륭해요" 등의 단어는 긍정적인 단어로, "싫어요", "최악이에요" 등의 단어는 부정적인 단어로 분류됩니다.
• 센티멘트 사전에 포함된 단어를 기준으로 텍스트의 감성을 분석합니다.
• 장점: 빠르고 직관적이며, 간단한 규칙으로 센티멘트 분석을 수행할 수 있습니다.
  • 예를 들어, 다음과 같은 단순한 규칙을 사용할 수 있습니다.
    1. 텍스트에서 단어를 추출합니다.
    2. 센티멘트 사전에서 해당 단어가 긍정적 단어인지, 부정적 단어인지 확인합니다.
    3. 긍정적인 단어가 많으면 긍정적인 문장, 부정적인 단어가 많으면 부정적인 문장으로 분류합니다.
• 단점: 문맥을 이해하지 못하고, 감성이 드러나지 않는 표현을 분석하기 어렵습니다.

11.2.2 기계 학습 기반 센티멘트 분석

• 지도 학습(Supervised Learning)을 이용하여 센티멘트 분석 모델을 학습하는 방법입니다.
• 기존에 라벨이 지정된(긍정/부정이 명확히 구분된) 데이터셋을 활용하여 머신러닝 모델을 학습시킵니다.
• 대표적인 알고리즘으로는 로지스틱 회귀(Logistic Regression), 서포트 벡터 머신(SVM), 랜덤 포레스트(Random Forest) 등이 있습니다.
• 장점: 사전 기반 방법보다 높은 정확도를 보이며, 데이터의 특성을 학습할 수 있습니다.
• 단점: 학습 데이터가 필요하며, 모델을 학습시키는 과정이 복잡할 수 있습니다.

11.2.3 딥러닝 기반 센티멘트 분석

• 심층 신경망(Deep Neural Networks)을 활용하여 센티멘트 분석을 수행하는 방법입니다.
• LSTM(Long Short-Term Memory), BERT(Bidirectional Encoder Representations from Transformers) 등의 최신 딥러닝 모델을 사용하여 높은 정확도의 센티멘트 분석이 가능합니다.
• 장점: 문맥을 이해하고, 보다 정밀한 센티멘트 분석이 가능합니다.
• 단점: 많은 데이터와 계산 자원이 필요하며, 모델 학습 시간이 오래 걸릴 수 있습니다.