속도와 정확성을 겸비한 구문 주입 감성 분석

초록

본 논문은 의존 구문 분석을 시퀀스 라벨링 형태로 변환한 SELSP 모델을 활용해, 규칙 기반 감성 분석 파이프라인에 통합함으로써 전통적인 파서보다 빠르고 정확하게 삼중 극성(긍정·중립·부정) 분류를 수행한다. 영·스페인어 데이터에서 Stanza와 VADER, 최신 RoBERTa 기반 모델과 비교했을 때 처리 속도와 정확도 모두 우수함을 입증한다. 또한, 다양한 감성 사전과의 조합 실험을 통해 사전 선택이 성능에 미치는 영향을 분석한다.

상세 분석

본 연구는 구문 기반 감성 분석이 높은 정확도와 설명 가능성을 제공하지만, 기존 의존 구문 파서가 연산 비용이 높아 실시간 서비스에 제약이 된다는 문제점을 인식한다. 이를 해결하기 위해 의존 구문 분석을 시퀀스 라벨링(Sequence Labeling) 문제로 재정의한 SELSP(Sequence‑Labeling Syntactic Parser)를 설계하였다. SELSP는 토큰 수준에서 각 단어의 헤드와 관계 레이블을 예측하도록 학습되며, 선형 시간 복잡도를 갖는 BiLSTM‑CRF 혹은 Transformer 기반 토크나이저와 결합해 빠른 추론을 가능하게 한다.

학습 단계에서는 UD(Universal Dependencies) 코퍼스를 활용해 영어와 스페인어 두 언어에 대해 동일한 아키텍처를 적용했으며, 파싱 정확도(UAS/LAS)는 Stanza와 비교해 1~2% 정도 낮지만, 감성 분석 최종 단계에서 요구되는 “충분히 좋은” 정확도 임계치를 넘는다. 논문은 감성 단어와 변형 요소(부정, 강조 등)의 범위 결정에 구문 트리 구조가 필수적임을 강조하고, 기존의 고정 윈도우 방식이 장거리 의존 관계를 놓치는 사례를 구체적으로 제시한다.

감성 분석 파이프라인은 먼저 선택된 감성 사전(예: SO‑CAL, VADER, SentiWordNet 등)에서 감성 단어를 추출하고, SELSP가 제공하는 의존 트리를 기반으로 규칙 엔진이 부정·강조·접속 등 구문 현상을 탐지한다. 규칙은 트리의 하위 노드부터 상위 노드로 전파되는 방식으로 설계되어, 복합 구문에서도 정확한 스코프 계산이 가능하다. 실험에서는 동일 규칙 집합을 Stanza와 SELSP에 적용했을 때, SELSP가 평균 3.5배 빠른 처리 속도를 보이며, 정확도는 Stanza 대비 0.4%~1.2% 향상된 결과를 얻었다.

또한, VADER와 같은 비구문 기반 사전식 방법과 최신 RoBERTa 기반 다중 라벨 분류 모델과도 비교하였다. VADER는 속도에서는 SELSP와 비슷하지만, 구문 정보를 활용하지 못해 복잡한 부정 구조에서 오류율이 높았다. RoBERTa 모델은 5‑라벨(긍정, 약간 긍정, 중립, 약간 부정, 부정) 분류에서 높은 F1 점수를 기록했지만, 추론 시간은 SELSP보다 4~5배 느렸다.

사전 선택 실험에서는 “Polarity‑Variation‑Aware” 사전(예: VADER‑Extended)이 단순 극성 점수만 제공하는 사전보다 일관된 성능 향상을 보였으며, 다중 사전 결합 전략이 가장 높은 정확도를 달성했다. 이는 감성 단어의 다중 의미와 문맥적 변화를 반영할 수 있기 때문이다.

전체적으로 본 논문은 구문 파싱의 속도‑정확도 트레이드오프를 시퀀스 라벨링 기반 파서로 완화하고, 규칙 기반 감성 분석에 적용함으로써 실시간 산업 현장에서도 활용 가능한 효율적인 솔루션을 제시한다.