Journal of the Korean Data and Information Science Society

The Korean Data and Information Science Society (한국데이터정보과학회)
권호 표지
DOI QR코드

DOI QR Code

Study on the social issue sentiment classification using text mining

텍스트마이닝을 이용한 사회 이슈 찬반 분류에 관한 연구

  • Kang, Sun-A (Department of MIS, Chungbuk National University) ;
  • Kim, Yoo Sin (Department of MIS, Chungbuk National University) ;
  • Choi, Sang Hyun (Department of MIS, Chungbuk National University)
  • 강선아 (충북대학교 경영정보학과, BK21+BSO사업팀) ;
  • 김유신 (충북대학교 경영정보학과, BK21+BSO사업팀) ;
  • 최상현 (충북대학교 경영정보학과, BK21+BSO사업팀)
  • Received : 2015.08.05
  • Accepted : 2015.09.22
  • Published : 2015.09.30
Download PDF
⟨ Previous Next ⟩

Abstract

The development of information and communication technology like SNS, blogs, and bulletin boards, was provided a variety of places where you can express your thoughts and comments and allowing Big Data to grow, many people reveal the opinion of the social issues in SNS such as Twitter. In this study, we would like to pre-built sentimental dictionary about social issues and conduct a sentimental analysis with structured dictionary, to gather opinions on social issues that are created on twitter. The data that I used is "bikini", "nakkomsu" including tweet. As the result of analysis, precision is 61% and F1- score is 74%. This study expect to suggest the standard of dictionary construction allowing you to classify positive/negative opinion on specific social issues.

정보통신기술의 발전은 SNS, 블로그, 게시판 등 자신의 생각이나 의견을 표출할 수 있는 장소의 다양성을 제공하였고 이는 빅데이터 성장을 가능케 하였다. 특히 매순간마다 엄청난 수의 사용자가 이용가능하고 다양한 이슈에 대한 의견을 작성할 수 있는 SNS의 특징으로 인해 많은 사람들이 트위터 등에 사회적 이슈에 대한 자신의 의견을 드러낸다. 따라서 본 연구에서는 트위터에서 작성되는 사회 이슈에 대한 의견을 수집하여 사회이슈를 주제로 하는 감성사전을 구축하고 구축된 감성사전을 통해 감성 분석을 실시하고자 한다. 사용된 데이터는 '비키니', '나꼼수'를 포함하는 트윗 글이다. 사회이슈에 특화된 주제지향 감성사전을 구축하고 구축된 감성사전을 통해 긍부정 의견을 분석한 결과 Precision은 61%로 나타났으며 F1-score는 74%의 성능을 보여주었다. 본 연구는 정치적 색을 띄고 있는 특정 사회 이슈에 대한 트윗 작성자의 의견이 긍정인지 부정인지 자동으로 분류할 수 있도록 하는 사전 구축의 하나의 기준을 제시할 것이라 기대한다.

Keywords

References

  1. Kim, Y. D. and Cho, K. H. (2013). Big data and statistics. Journal of the Korean Data & Information Science Society, 24, 959-974. https://doi.org/10.7465/jkdi.2013.24.5.959
  2. Park, K. M., Park, H. G., Kim, H. G. and Ko, H. D. (2011). The opinion mining study in SNS. Communications of the Korean Institute of Information Scientists and Engineer, 29, 54-60.
  3. Hur, S. H. and Choi K. S. (2012). A study on characteristics and types of tweet in twitter. Hanminjok Emunhak, 61, 455-494.
  4. Bae, J. H., Son, J. E. and Song, M. (2013). Analysis of twitter for 2012 south korea presidential election by text mining techniques. Journal of Intelligent and Information System, 19, 141-156.
  5. Jang, G. E., Park, S. H. and Kim, W. J. (2015). Automatic construction of a negative/positive corpus and emotional classification using the internet emotional sign. Journal of KIISE, 42, 512-521. https://doi.org/10.5626/JOK.2015.42.4.512
  6. Yu, E. J., Kim Y. S., Kim, N. G. and Jeong, S. R. (2013). Predicting the direction of the stock index by using a domain-specific sentiment dictionary. Journal of Intelligent and Information System, 19, 95-110. https://doi.org/10.13088/jiis.2013.19.1.095
  7. Cho, W. S., Cho, A., Kwon, K. E. and Yoo, K. H. (2015). Implementation of smart chungbuk tourism based on SNS data analysis. Journal of the Korean Data & Information Science Society , 26, 409-418. https://doi.org/10.7465/jkdi.2015.26.2.409
  8. Kang, B. U., Huh, M. K. and Choi, S. B. (2015). Performance analysis of volleyball games using the social network and text mining techniques. Journal of the Korean Data & Information Science Society, 26, 619-630. https://doi.org/10.7465/jkdi.2015.26.3.619
  9. Yoon, D. M. and Kim, K. J. (2011). Prediction of rating score from short comments on movies using word-rating correlation analysis, The HCI Society of Korea, Korea.
  10. Aue, A. and Gamon, M. (2005). Customizing sentiment classifiers to new domains: A case study. In Proceedings of Recent Advances in Natural Language Processing, Borovets, Bulgaria.
  11. Owsley, S., Sood, S., and Hammond, K. J. (2006). Domain Specific Affective Classification of Documents. In AAAI Spring Symposium: Computational Approaches to Analyzing Weblogs, USA.
  12. Shamma, D. A., Kennedy, L. and Churchill, E. F. (2009). Tweet the debates: Understanding community annotation of uncollected source. Advancing Computing as a Science & Profession(ACM), USA.
  13. Choi, H. S., Park, H. W. and Park, C. Y. (2013). Support vector machines for big data analysis. Journal of the Korean Data & Information Science Society, 24, 989-998. https://doi.org/10.7465/jkdi.2013.24.5.989

Cited by

  1. Public Sentiment Analysis of Korean Top-10 Companies: Big Data Approach Using Multi-categorical Sentiment Lexicon vol.22, pp.3, 2016, https://doi.org/10.13088/jiis.2016.22.3.045
  2. A SNS Data-driven Comparative Analysis on Changes of Attitudes toward Artificial Intelligence vol.14, pp.12, 2016, https://doi.org/10.14400/JDC.2016.14.12.173
  3. 비정형 농업기상자료를 활용한 배추 도매가격 예측모형 연구 vol.28, pp.3, 2017, https://doi.org/10.7465/jkdi.2017.28.3.617
  4. 소셜 미디어 데이터 분석을 활용한 빅데이터에 대한 인식 변화 비교 분석 vol.6, pp.7, 2017, https://doi.org/10.3745/ktsde.2017.6.7.371
  5. 비정형데이터 수집을 통한 드라마 시청률 연관어 분석 vol.21, pp.8, 2015, https://doi.org/10.6109/jkiice.2017.21.8.1567
  6. Developing the Maritime News Index using News Big Data Analysis vol.33, pp.1, 2015, https://doi.org/10.35372/kmiopr.2018.33.1.011
  7. 장비점검 일지의 비정형 데이터분석을 통한 고장 대응 효율화 사례 연구 vol.21, pp.1, 2015, https://doi.org/10.7472/jksii.2020.21.1.127
  8. 미 연준 통화정책방향 의결문의 시그널링 효과 분석 vol.33, pp.3, 2020, https://doi.org/10.5351/kjas.2020.33.3.321
  9. 랜덤 투영 앙상블 기법을 활용한 적응 최근접 이웃 판별분류기법 vol.34, pp.3, 2015, https://doi.org/10.5351/kjas.2021.34.3.401