• 비교문화연구
• /
• 제51권
• /
• pp.329-356
• /
• 2018

감정표현의 종류에는 감정을 묘사하는 어휘, 감탄문 수사의문 등의 감정표현을 위한 문 구성, 간투사 표현, 발상태도의 부사, 문체 등이 제시되고 있다. 본고는 이러한 감정표현 가운데서 감정을 묘사하는 어휘를 중심으로, "こころ"에 나타난 '경(驚)'의 감정 표현의 번역 양상을 분석했다. 그 결과 '경(驚)'에 관한 번역 양상을 보면 사전에 제시한 대로의 어휘로 번역되는 경우도 있었지만 꼭 그렇지만은 아니라는 것을 알 수 있었다. 일본어 문에서 사용된 '경(驚)'의 감정 어휘에 대해, 한국어 역에서는 대체로 '동사⇨동사, 형용사', '부사+동사⇨동사' '부사⇨부사'로 번역되었지만, 감정표현을 강조하기 위해 다른 어휘가 더해진 경우가 있었다. 일부 '명사'는 용언을 이용해 번역되기도 했다. 상황에 따라 번역어휘는 'Surprise류(類)' 뿐 아니라 'Fear류(類)'과 'Sadness류(類)'의 어휘까지도 다양하게 사용되었다. 영어 역의 경우, 한국어 역에서 보였던 것과 다른 양상을 보였다. 주로 '동사⇨be+동사의 과거분사', '부사+동사⇨be+동사의 과거분사' '부사⇨be+동사의 과거분사'로 번역되었으며, 'Surprise류(類)', 'Fear류(類)' 등의 감정을 표현하는 동사 외에 감정 주체의 상태를 대체 표현할 수 있는 동사로 까지도 이용되는 등 매우 다양했다. 문중에 감정주체가 있는 경우의 한국어 역은 대체로 일본어 문과 일 대 일 대응 방식을 보였다. 문중에 감정주체가 없는 경우도 유사한 성향을 보이면서도, 3인칭인 경우에는 생략된 요소가 복원 가능하도록 유도한 번역이 보였다. 영어 역을 보면, 문중에 감정주체가 있는 경우에서만 아니라, 문중에 감정주체가 없는 경우도 생략된 감정주체 및 이를 판단하는 판단주체까지도 복원시켜 번역했다. 일본어와 한국어와 달리 주어는 감정을 느끼는 사람만 온 것이 아니라, 사건, 행위, 감정을 일으키는 원인이 제시되기도 했다.

• 한국정보과학회 언어공학연구회:학술대회논문집(한글 및 한국어 정보처리)
• /
• 한국정보과학회언어공학연구회 2014년도 제26회 한글 및 한국어 정보처리 학술대회
• /
• pp.211-214
• /
• 2014

본 연구에서는 질의를 기반으로 사용자의 감정상태를 예측하는 방법을 제안한다. 제안방법은 자극-감정 규칙베이스 구축, 규칙확률 값 기반 질의 랭킹, 질의 랭킹 기반 사용자 감정예측의 단계로 구성된다. 방법의 적절성을 검증하기 위하여 힘들다와 심심하다에 대한 결과로 사용자평가를 실시하였다. 힘들다의 결과에서는 힘들다 정도에 대한 점수가 높은 질의들을 지속적으로 검색하는 사용자들을 힘들다라고 판단할 수 있다고 분석되었다. 심심하다의 결과에서는 방법 간 유의미한 차이를 보이지 않았으나, 특정 개별질의의 지속적인 패턴을 분석하는 것이 좀 더 높은 점수를 얻은 것으로 평가되었다.

• 지능정보연구
• /
• 제24권4호
• /
• pp.219-240
• /
• 2018

감성사전은 감성 어휘에 대한 사전으로 감성 분석(Sentiment Analysis)을 위한 기초 자료로 활용된다. 이와 같은 감성사전을 구성하는 감성 어휘는 특정 도메인에 따라 감성의 종류나 정도가 달라질 수 있다. 예를 들면, '슬프다'라는 감성 어휘는 일반적으로 부정의 의미를 나타내지만 영화 도메인에 적용되었을 경우 부정의 의미를 나타내지 않는다. 그렇기 때문에 정확한 감성 분석을 수행하기 위해서는 특정 도메인에 알맞은 감성사전을 구축하는 것이 중요하다. 최근 특정 도메인에 알맞은 감성사전을 구축하기 위해 범용 감성 사전인 오픈한글, SentiWordNet 등을 활용한 연구가 진행되어 왔으나 오픈한글은 현재 서비스가 종료되어 활용이 불가능하며, SentiWordNet은 번역 간에 한국 감성 어휘들의 특징이 잘 반영되지 않는다는 문제점으로 인해 특정 도메인의 감성사전 구축을 위한 기초 자료로써 제약이 존재한다. 이 논문에서는 기존의 범용 감성사전의 문제점을 해결하기 위해 한국어 기반의 새로운 범용 감성사전을 구축하고 이를 KNU 한국어 감성사전이라 명명한다. KNU 한국어 감성사전은 표준국어대사전의 뜻풀이의 감성을 Bi-LSTM을 활용하여 89.45%의 정확도로 분류하였으며 긍정으로 분류된 뜻풀이에서는 긍정에 대한 감성 어휘를, 부정으로 분류된 뜻풀이에서는 부정에 대한 감성 어휘를 1-gram, 2-gram, 어구 그리고 문형 등 다양한 형태로 추출한다. 또한 다양한 외부 소스(SentiWordNet, SenticNet, 감정동사, 감성사전0603)를 활용하여 감성 어휘를 확장하였으며 온라인 텍스트 데이터에서 사용되는 신조어, 이모티콘에 대한 감성 어휘도 포함하고 있다. 이 논문에서 구축한 KNU 한국어 감성사전은 특정 도메인에 영향을 받지 않는 14,843개의 감성 어휘로 구성되어 있으며 특정 도메인에 대한 감성사전을 효율적이고 빠르게 구축하기 위한 기초 자료로 활용될 수 있다. 또한 딥러닝의 성능을 높이기 위한 입력 자질로써 활용될 수 있으며, 기본적인 감성 분석의 수행이나 기계 학습을 위한 대량의 학습 데이터 세트를 빠르게 구축에 활용될 수 있다.

• 비교문화연구
• /
• 제41권
• /
• pp.113-140
• /
• 2015

본 연구를 통해 필자는 러시아어와 한국어에서 인간의 가장 원초적이고 본원적인 감정 중 하나인 "기쁨"이 어떻게 언어적으로 구현되는지를 살펴보고자 하였다. 그 과정에서 특히 "기쁨"이라는 개념이 러시아와 한국어에서 어떻게 기술되는지, 그리고 그러한 기술이 문화적 맥락과 어떤 관련을 맺고 있는지 살펴봄으로써, 러시아어와 한국어에서 "기쁨"이 가지는 의미적, 화용적 특징들을 규명해 보고자 하였다. 기쁨은 러시아어에서 주로 радость [기쁨]과 удовольствие [즐거움(만족)] 으로 기술되며, 전자가 보다 넓은 종교적, 정신적, 지속적, 문화적 맥락과 후자는 보다 구체적, 육체적, 순간적 맥락과 관련된다. 전자가 보다 거시적 맥락에서 의미와 투영대상을 찾는다면 후자는 보다 일상적인 맥락에서 욕망이 구체적으로 투영될 대상을 찾는다는 것이 전통적인 설명방식이었다. 하지만 오늘날 이러한 대립관계는 점차 약화되고, 기쁨의 대상이 되는 존재에 보다 초점을 맞추고, 그 존재의 실존적 관계에 보다 집중하는지 아니면 일상의 디테일에서 즉각적으로 느끼는 기쁨에 보다 초점을 맞추는지의 대립으로 전환되어 감을 알 수 있었다. 반면에 한국어에서 기쁨은 주로 "기쁨"과 "즐거움"이라는 두 개의 어휘로 구현되는데, 전자가 보다 정신적인 작용과 관련을 가지며, 그 유발하는 원인과 그 결과 사이의 논리적 관계에 대한 추론이 기저에 깔려있는 반면, 후자는 화자가 참여자로서 해당 상황에 개입하는 과정에서 즉각적으로 느끼는 감정과 연관된다. "기쁨"이 화자가 사전에 가졌던 기대와 계획, 예상과의 부합 혹은 충족으로 인한 흡족함에서 오는 것이라면 "즐거움"은 상황속에서 적극적으로 참여하고 활동하는 화자에게서 즉각적으로 느껴지는 감정이다. 따라서 러시아어의 기쁨의 부차적인 개념 "즐거움(만족)(удовольствие)"과 한국어의 "즐거움"은 매우 중요한 의미적 자질을 공유하고 있다고 할 수 있다. 결국 두 언어 모두 화자가 대상에 대하여 어떠한 태도와 입장을 취하는지에 따라 기쁨에 대한 2개의 변별적인 선택지를 가지고 있다고 볼 수 있다.

• 인터넷정보학회논문지
• /
• 제21권3호
• /
• pp.123-131
• /
• 2020

인공지능 기술의 비약적 발전과 함께 사람의 언어를 다루는 자연어 처리 분야 역시 활발하게 연구가 진행되고 있다. 특히 최근에는 구글에서 공개한 언어 모델인 BERT는 대량의 코퍼스를 활용해 미리 학습시킨 모델을 제공함으로써 자연어 처리의 여러 분야에서 좋은 성능을 보이고 있다. BERT에서 다국어 모델을 지원하고 있지만 한국어에 바로 적용했을 때는 한계점이 존재하기 때문에 대량의 한국어 코퍼스를 이용해 학습시킨 모델을 사용해야 한다. 또한 텍스트는 어휘, 문법적인 의미만 담고 있는 것이 아니라 전후 관계, 상황과 같은 문맥적인 의미도 담고 있다. 기존의 자연어 처리 분야에서는 어휘나 문법적인 의미를 중심으로 연구가 주로 이루어졌다. 텍스트에 내재되어 있는 문맥 정보의 정확한 파악은 맥락을 이해하는 데에 있어 중요한 역할을 한다. 단어들의 관계를 이용해 연결한 지식그래프는 컴퓨터에게 쉽게 문맥을 학습시킬 수 있는 장점이 있다. 본 논문에서는 한국어 코퍼스를 이용해 사전 학습된 BERT 모델과 지식 그래프를 이용해 한국어 문맥 정보를 추출하는 시스템을 제안하고자 한다. 텍스트에서 중요한 요소가 되는 인물, 관계, 감정, 공간, 시간 정보를 추출할 수 있는 모델을 구축하고 제안한 시스템을 실험을 통해 검증한다.