데이터 증강 기법을 통해 학습된 감성 분류 모델의 성능 비교에 관한 연구 = A study on comparing the performance of sentiment classification models trained with data augmentation techniques

국문 초록 (Abstract)

자연어 처리에서 딥러닝이 적용되면서 모델을 구축하기 위해 많은 양의 데이터가 필요해졌다. 그러나 한국어 데이터의 경우 영어 데이터에 비해 질적인면과 양적인면 모두 부족하다. 이러한 데이터 부족 문제를 해결하기 위해 데이터 증강이 필요하다. 따라서 본 연구에서는 규칙 기반의 데이터 증강 기법과 생성적 적대 신경망을 이용하여 레이블링된 감성분석 데이터셋의 확장 모델을 제안한다. 데이터 증강을 통해 증강된 데이터셋들을 BERT모델에 입력하여 감성분석을 진행한다. 그 결과, 데이터셋 증강 후 감성분석에 대한 성능이 약 3~5% 증가하는 개선점을 보였다.

향후 영화 리뷰 데이터뿐만 아니라 쇼핑몰 데이터 리뷰, SNS 대화데이터 등 다양한 데이터과 자연어 처리 연구에서 높은 성능을 보여준 다른 딥러닝 모델을 함께 훈련시켜 성능개선이 가장 큰 기법과 모델을 계속 연구하고자 한다.

다국어 초록 (Multilingual Abstract)

With the application of deep learning in natural language processing, a large amount of data is required to build a model. However, Korean data is lacking in both quality and quantity compared to English data. To solve this problem, data augmentation is needed. Therefore, this study proposes an extension model for labeled sentiment analysis dataset using rule-based data augmentation technique and generative adversarial neural network. The datasets augmented by data augmentation are input to the BERT model for sentiment analysis. As a result, the performance of sentiment analysis is improved by about 3~5% after dataset augmentation.

In the future, I will continue to study the techniques and models with the greatest performance improvement by training not only movie review data, but also various data such as shopping mall data reviews and SNS conversation data, and other deep learning models that have shown high performance in natural language processing research.

목차 (Table of Contents)

• 제1장 서론 1
• 제2장 관련 연구 7
• 2.1 Transformer 7
• 2.2 BERT 14
• 2.3 GAN 21
• 2.4 데이터 증강 기법 26
• 2.5 감성 분석 27
• 제3장 학습데이터 구축 30
• 제4장 실험 및 결과 33
• 4.1 실험 환경 33
• 4.2 실험 기법 33
• 4.3 실험 결과 35
• 제5장 결론 38
• 5.1 결론 및 시사점 38
• 5.2 향후 계획 39
• 참고 문헌 40
• 영문 초록 44