감성 분석

감성 분석이 성립하려면 무엇이 필요한가요?

무엇에 대한 감성을 어떤 단위와 라벨로 분류할지 정해야 분석이 성립합니다. Stanford의 자연어 처리 교재는 감성 분석을 대상에 대한 긍정·부정 방향을 추출하는 텍스트 분류로 설명하고 Stanza 문서는 문장 단위 분류와 언어별 학습 모델 의존성을 보여 줍니다. 게시물 전체가 긍정이어도 배송 부분은 부정일 수 있어 대상 단위를 먼저 고릅니다.

실제 질문과 표본은 어떻게 정하나요?

"화면은 예쁘지만 결제가 세 번 실패했다"를 글 전체 긍정·부정으로만 분류하지 않고 디자인과 결제 속성을 나눌 수 있습니다. 사람 검토 지침에는 풍자, 부정어, 혼합 감정과 이모티콘 처리 예를 넣습니다.

다음 성능 수치는 가상 검증 예시입니다. 사람이 라벨한 한국어 문장 1,000개에서 모델이 820개를 맞혔다면 전체 정확도는 82%입니다. 긍정 문장이 800개인 불균형 자료에서 모두 긍정이라고 답해도 80%가 되므로 범주별 정밀도와 재현율을 같이 봅니다.

부정 문장 200개 중 120개만 부정으로 찾았다면 부정 재현율은 60%입니다. 위기 탐지가 목적이라면 전체 정확도 82%보다 놓친 부정 80건이 더 중요한 운영 지표일 수 있습니다.

설계 확인 순서

1. 분석 대상·텍스트 단위·라벨을 정의합니다.
2. 실제 채널 표본을 사람이 라벨해 검증 세트를 만듭니다.
3. 전체 정확도와 중요 범주의 오류를 함께 봅니다.

인접 개념과 무엇이 다른가요?

감성 분석은 표현 방향을 분류하고 주제 분석은 무엇을 말하는지 묶습니다. 만족도 조사는 사람이 질문에 직접 답한 자기보고 자료이며 소셜 리스닝은 자료를 수집하고 추세를 해석하는 더 넓은 활동입니다. 세 결과는 단위와 분모가 달라 서로 같은 비율로 비교할 수 없습니다.

결과를 해석할 때 무엇을 조심해야 하나요?

풍자, 반어, 지역 표현과 문맥 밖 인용은 모델이 틀리기 쉽습니다. 학습 자료와 실제 채널의 언어가 다르면 성능이 낮아지고 번역 뒤 분류하면 의미가 달라질 수 있습니다. 새 도메인에서 사람이 만든 검증 세트로 다시 평가하며 자동 라벨을 사실 판정으로 쓰지 않습니다.

자주 묻는 질문

감성 분석 결과가 부정이면 고객이 불만족한 건가요?

텍스트의 표현을 분류한 결과입니다. 실제 만족 상태나 이탈 의도는 다른 자료로 확인해야 합니다.

정확도가 높으면 실무에 바로 써도 되나요?

범주 불균형과 중요한 오류를 확인해야 합니다. 운영 목적에 따라 부정 재현율이나 오탐 비용이 더 중요할 수 있습니다.

출처와 확인 범위

1. Naive Bayes and Sentiment Classification · Stanford University · 확인 2026-10-27

   Sentiment analysis is text classification of expressed orientation; performance depends on labels, features, training data and evaluation, and contextual phenomena can cause errors.

   확인 범위: 표시한 절과 페이지에서 직접 확인한 정의·설계 조건·한계만 사용했습니다. 제공사의 제품 홍보, 벤치마크와 성과 주장은 보편적 효과의 근거로 사용하지 않았습니다.

2. Sentiment Analysis · Stanford NLP Group · 확인 2026-10-27

   Stanza adds sentence-level sentiment labels with a trained classifier, and accuracy depends on language-specific models and the type and length of text used for training.

   확인 범위: 표시한 절과 페이지에서 직접 확인한 정의·설계 조건·한계만 사용했습니다. 제공사의 제품 홍보, 벤치마크와 성과 주장은 보편적 효과의 근거로 사용하지 않았습니다.

함께 이해할 용어