- λ€μ(Daum) λ΄μ€ ν¬νμμ μμ§ν λκΈ λ°μ΄ν° 2,393,070κ°μ λν 6κ°μ§ κ°μ λΆμ
- 2018λ KHCI νν Best Poster Award
- 2018λ νκ΅μ°¨μΈλμ»΄ν¨ν νν μ΅μ°μ λ Όλ¬Έ μ μ
- tensorflow 2.4.1
- keras 2.4.0
- gensim 3.8.1
- konlpy 0.5.2
- λ΄μ€ λ°μ΄ν° ν¬λ‘€λ§
- λ΄μ€μ λκΈ λ°μ΄ν°λ‘ word embedding model λ§λ€κΈ°
- λκΈ ν ν°ν and νΉμ νμ¬λ§ μΆμΆ
- konlpy Twitter (Okt) ν¨ν€μ§ κΈ°μ€ ['Noun', "Verb", 'Adjective', "Adverb", "Determiner", "Exclamation", "Emotion"]
- λμΌν λ°μ΄ν°λ‘ word2vec νμ΅
- [Code]
μ΄κΈ° λ²μ μ μ°κ΅¬μμλ ν¬λΌμ°λ μμ±μ ν΅ν κ°μ λ μ΄λΈ μμ μ νμμ§λ§, ν¬λΌμ°λμμ± λ°©λ²μ μ°κ΅¬λ₯Ό νμ₯μν€κΈ°μ μ΄λ €μμ΄ μ»€μ μ΄ν κ°μ μ¬μ μ ν΅ν λ μ΄λΈ λ°©λ²μ μ΄μ©.
-
(μ°Έκ³ μ©) ν¬λΌμ°λ μμ±μ μ¬μ©λ κ°μ λΌλ²¨ κΈ°μ€
-
κ°μ λμ¬ 434κ°μ λͺ©λ‘μ 19κ°μ§μ κ°μ μΌλ‘ λΆλ₯ν λ Όλ¬Έκ³Ό Word2Vecμ λ°νμΌλ‘ μ°λ¦¬λ§μ labeling λΆλ₯ κΈ°μ€μ λ§λ€μλ€.
-
[κΈ°μ¨, μ¬ν, λλ, 곡ν¬, νμ€, λΆλ Έ] 6κ°μ§ κ°μ μ λν κΈ°μ€ νμ μ νμ΄μ§μ λ§λ€μ΄ λμκ³ , μ κΈ°μ€ νμ λ°νμΌλ‘ λκΈμ 6κ°μ§ κ°μ μΌλ‘ labeling νλ€.
-
One labelλ‘ annotation νλ€. (ν λκΈμμ λ€μμ κ°μ λκ»΄μ Έλ ν κ°μ§ κ°μ μΌλ‘ annotate)
-
μ΅λν 6κ°μ§ κ°μ μΌλ‘ λΆλ₯νλ€. (κΈ°μ¨μ΄λ νμ€λ‘ label λͺ°λ¦¬μ§ μκ²)
-
κ·Έλ¬λ κ°μ label annotation μ νλ€ λ³΄λ©΄ 6κ°μ§μ κ°μ μΌλ‘ λλ ·νκ² λΆλ₯ν μ μλ κ²½μ°κ° μ‘΄μ¬νλ€.
-
λ€μμ κ°μ μ΄ λκ»΄μ§ κ²½μ°/ νΉμ ν ν κ°μ§ κ°μ μΌλ‘ λΆλ₯νκΈ° νλ κ²½μ°
- λΆλ Έμ νμ€κ° μΈμ΄μ νΉμ±μμ λ§μ΄ κ²ΉμΉκΈ° λλ¬Έμ, labelingμ νλ€ λ³΄λ©΄ λͺ ννκ² λ κ°μ μ΄ κ΅¬λΆμ΄ λμ§ μλ κ²½μ°κ° λ€μ μ‘΄μ¬. λ°λΌμ λΆλ Έμ νμ€μ ꡬλΆμ λͺ νν νκΈ° μν΄ λκΈμμ {μ, 과격ν λ¨μ΄, 곡격μ μΈ λ¨μ΄, λΉμμ΄}κ° λνλ μμλ λΆλ Έ κ·Έ μΈμλ νμ€λ‘ labelingνλ€.
- λΉκ΅μ νλ³Έ κ°μκ° λ§μ [κΈ°μ¨, λΆλ Έ, νμ€]μ [μ¬ν, λλ, 곡ν¬]μ΄ λμμ λκ»΄μ§ κ²½μ° [μ¬ν, λλ, 곡ν¬]μ κ°μ μΌλ‘ labeling νλ€. ([μ¬ν, λλ, 곡ν¬]μ νλ³Έ κ°μκ° μλμ μΌλ‘ λΆμ‘±)
-
6 κ°μ§ κ°μ μΌλ‘ labelingν μ μλ, κ°μ μ νλ¨νκΈ° λΆκ°λ₯ν λκΈμ λ°λ‘ β7βμΌλ‘ labelingνλ€.
(a) μμ μ μ견 μμ 1) μ‘°λ§κ° Bada tv μμ λ΄ μλ€. μμ 2) ν¬ν μ ν΄μΌμ§ μμ 3) μ¨μμ λΏλ ΈμΌλ©΄ μΉμ΄ λκ³ κ½μ΄ νΌκ³ μ΄λ§€λ₯Ό λ§Ίλ 건 μ리μ΄κ³ μ§λ¦¬μ΄λ€ μμ 4) 50λ 6070 λλ λ§μ°¬κ°μ§ (b) μ μ± μ μ μμ 1) μ£Όκ±°μ©μΌλ‘ νμ§ μμ ν μ¬λμ μ¬μ°μΈ λ΄λ¦¬κ³ λ μ± μ΄μ μμ ν μ¬λμ μΈκΈ λ λ΄κ² νμκΈΈ.... λμ± λ κ°ν λ²μ λ§λ€μ΄μΌ ν©λλ€, μμ 2) μ€μ₯κΈ°μ μΌλ‘λ (보μ μΈ μΈμ)μΌλ‘ κ° μλ°μ μμ κ²μ΄λ€. λΆλμ° μ κ³μμλ μλμΈ μ€κ³ΌμΈκ° μ μ©λλ λ΄λ 4μ μ΄νκ° λ κ°λ₯μ±μ΄ λλ€λ μ λ§μ΄ λμ¨λ€. μλμΈ μ€κ³ΌμΈ λ°©μΉ¨μλ λΆκ΅¬νκ³ λ€μ£Όν보μ μλ€μ΄ μ§μ λ΄λμ§ μμ κ²½μ° (보μ μΈ μΈμ) μΉ΄λλ₯Ό κΊΌλΌ κ°λ₯μ±μ΄ λλ€κ³ 보λ κ²μ΄λ€." λ€μ£Όν ν¬κΈ°κ΅°μ λν (μ’ λΆμΈ μΈμ)μ΄ μκΈνλ€. μμ 3) λΆλμ° μμ λμ± μ 2μ±μ΄μ 보μ νλ©΄ 보μ μΈ κ³ΌμΈν΄μΌν¨ 무쑰건 μ΄μ λΆλ¬Έ κ΅λ―Όλ€ 90% μ΄μ μ΄μ λμλ μ°¬μ±ν κ²μ (c) μ무 μλ―Έ μμ΄ μ μ λκΈ μμ 1) κ²½μ°° μ¬μ μμ 2) ννΈ?
-
ν λκΈμ κ·Ήλ¨μ μΈ λ κ°μ§ κ°μ μ΄ λκ»΄μ§λ λκΈ (λΆλ Έ, κΈ°μ¨)
μμ 1) λλ μλμΌλ©΄ μ’κ² λ€. μ μ¬μλ³΄λ€ λ λ Έλ ₯νλ©° μ΄κΈ°λνλ μ νλ¬λ€μ μμ 2) λ°±λ κ·Έλ° μ리 ν΄λ΄μΌ μμ©μμ΅λλ€. μ§λ 2012λ μ°λ¦¬ μ§μκ³Ό λκ°μ μΌμ΄ κ·Έμͺ½μμ λ²μ΄μ‘λ€μ. κ·Έλ μλ μ λλ‘ λμ λͺ»νλ€λ κ², κ·Έλμ μΈμ¬λΌλ κ² μλ―Ό λ€ μλλ° κ·Έλμ μμ² μν΄λ₯Ό μ μλλ° λ²μ νΈμν΄ λ΄€μ§λ§ λ²μμμλ μ²μ¬μ§λ³μ΄λΌκ³ κ²°λ‘ λκ³ μλ μν΄λ₯Ό μ¬νκ² λΉν΄ κ³ ν΅λ°λ μ¬λμκ² μμ‘λΉμ©μ΄ λ°μνμΌλ λΉμ© λ¬Όμ΄λ΄λΌκ³ μ²μ΄λ°±λ§μ μΈκ° λ°μκ°μ΅λλ€. μ λ§ μνκΉμ΄ μΌμ΄μ§λ§ μ μ΄κ²¨ λκ°μκΈΈ λ°λλλ€.
-
-
-
κ°μ μ¬μ
- μ°Έκ³ λ¬Έν : νμ’ μ , μ μ°μ£Ό. (2009). κ°μ λμ¬μ λ²μ£Ό κ·μ κ³Ό μ ν λΆλ₯. νκ΅μ΄ν, 45(), 387-420.
- κ°μ λμ¬λ₯Ό Ekman μ 6κ°μ§ κ°μ (βκΈ°μ¨β, βμ¬νβ, βνμ€β, βλλβ, β곡ν¬β, βλΆλ Έβ) μΌλ‘ λΆλ₯νμ¬ κ°μ±μ¬μ κ΅¬μΆ 6 emotion : happy, sad, disgust, angry, surprised, fear
- [Code]
- κΉμ€ κ΅μλμ λ Όλ¬Έμ μ°Έκ³ νμ¬ κ΅¬ν
- max_sequence_legnth: 20
- num_classes: 6, [happy, sad, disgust, angry, surprised, fear]
- vocab_size: 30000
- embedding_size: 300 (= dimension of word2vec)
- filter_sizes: [3, 4, 5]
- num_filters: 100
- epoch 50
- νΉμ μμ μ΄νλ‘ val_acc λ μΌμ νκ³ val_loss λ§ λ¨μ΄μ§κ³ μμΌλ―λ‘ early stopping κ±Έμ΄ μ€λ²ν λ°©μ§