트위터에서의 다중 클래스 감정 분석: 분류 성능 및 도전 과제

감정 분석은 온라인에서 수집된 데이터를 자동으로 수집, 집계 및 분류하여 다양한 감정 클래스로 나누는 것을 의미합니다. 텍스트의 감정 분석과 관련된 대부분의 작업은 이러한 데이터의 이진 및 삼진 분류에 초점을 맞추고 있지만, 다중 클래스 분류 작업은 덜 주목받고 있습니다. 자연어의 복잡성과 인간이 자신의 감정을 표현하는 방법을 이해하고 수학적으로 '정량화'하는 어려움으로 인해 다중 클래스 분류는 항상 도전적인 작업입니다. 본 논문에서는 트위터 사용자들의 온라인 게시물의 다중 클래스 분류 작업을 연구하고, 분류를 통해 얼마나 멀리 나아갈 수 있는지, 그리고 이 작업의 한계와 어려움을 보여줍니다. 제안된 다중 클래스 분류 접근법은 7개의 다양한 감정 클래스에 대해 60.2%의 정확도를 달성하며, 이는 이진 분류에 대한 81.3%의 정확도와 비교하여 여러 클래스가 분류 성능에 미치는 영향을 강조합니다. 그럼에도 불구하고, 우리는 다양한 감정을 표현할 수 있는 새로운 모델을 제안하고 이 모델이 감정 간의 관계를 이해하는 데 어떻게 도움이 되는지를 보여줍니다. 이 모델은 다중 클래스 분류가 제시하는 도전 과제를 분석하고 다중 클래스 분류 정확도를 향상시킬 수 있는 가능한 미래 개선 사항을 강조하는 데 사용됩니다.