텍스트 데이터는 단순한 문자들의 나열이 아니라, 사람들의 감정, 감성, 그리고 의견을 담고 있는 중요한 정보입니다. 하지만 이러한 것들을 정량적으로 분석하는 것은 쉽지 않습니다. 감성/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

감성/센티멘트 분석(Sentiment Analysis)은 텍스트 데이터를 분석하여 그 속에 담긴 감성을 판별하는 자연어 처리(NLP) 기술입니다. 감성/센티멘트 분석을 통해 특정 문장이 긍정적인지, 부정적인지, 혹은 중립적인지를 자동으로 판단할 수 있습니다.

이러한 분석은 다양한 분야에서 활용됩니다. 기업에서는 고객 리뷰를 분석하여 제품이나 서비스에 대한 피드백을 얻을 수 있고, 정치 분석에서는 SNS 데이터를 기반으로 대중의 의견을 분석하는 데 사용됩니다. 또한, 금융 시장에서는 뉴스 기사의 감성을 분석하여 주식 시장의 변화를 예측하는 데 활용되기도 합니다.

<aside> 📌

여기서 잠깐!

'Sentiment Analysis'를 번역할 때 '감성 분석'과 '감정 분석'이라는 용어가 혼용되고 있습니다. 사전적 정의를 살펴보면, '감정(emotion)'은 어떤 현상이나 일에 대하여 일어나는 마음을 의미하며, '감성(sensibility)'은 자극이나 자극의 변화를 느끼는 성질을 뜻합니다. 'Sentiment'를 '감성'으로 번역하는 것이 적합해 보이지만, 실제로는 '감정 분석'이라는 용어도 널리 사용되고 있습니다. 그러나 'Sentiment Analysis'를 '감정 분석'으로 번역하면 'Emotion Analysis'와의 구분이 모호해질 수 있습니다. 'Sentiment Analysis'는 텍스트의 긍정, 부정, 중립과 같은 극성(polarity)을 분석하는 데 초점을 맞추는 반면, 'Emotion Analysis'는 기쁨, 슬픔, 분노 등 다양한 감정 상태를 세분화하여 분석합니다.

이러한 이유로 '긍부정 분석'이라는 용어도 제시되고 있으나, 여기에서는 '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