구조적 범위에서 배우기: 하이브리드 그래프 컨볼루션 네트워크를 통한 어спект 수준 감성 분석 향상

문장 내 특정 대상에 대한 감성 극성(sentiment polarity)을 결정하는 것을 목표로 하는 아спект 수준 감성 분석(Aspect-level sentiment analysis)은, 관련 없는 대상에 대한 소음 있는 의견 표현을 효과적으로 제거하기 위해 대상과 감성 간의 관계를 잘 모델링하는 것이 주요 과제이다. 최근의 대부분의 연구들은 단어 수준 또는 어절 수준에서 대상-감성 쌍 또는 의견 구간(opinion spans)을 통해 이러한 관계를 포착하고 있다. 본 연구에서는 대상과 감성이 문장의 어구-절-문장 구조라는 문법적 계층 구조에 따라 본질적으로 관계를 형성한다는 관찰을 바탕으로, 보다 포괄적인 구문 정보를 활용하여 학습 과정을 효과적으로 안내할 수 있음을 기대할 수 있다. 이를 위해 특정 대상과 관련된 구조적 텍스트 영역을 정의하는 ‘범위(Scope)’라는 개념을 제안한다. 구조적 범위를 공동으로 학습하고 감성 극성을 예측하기 위해, 구성 트리(constituency tree)와 의존성 트리(dependency tree)로부터 정보를 통합하는 하이브리드 그래프 컨볼루션 네트워크(HGCN)를 제안한다. 이는 두 가지 구문 분석 방법을 연결함으로써 표현력을 풍부하게 하는 잠재력을 탐색한다. 네 개의 공개 데이터셋에서 수행한 실험 결과, 제안한 HGCN 모델이 기존 최상의 기준 모델들을 모두 상회함을 보여주었다.