초록
우리는 문맥 수준의 감성 분류를 위한 새로운 다중 입자 주의망(MGAN) 모델을 제안한다. 기존의 접근 방식은 대부분 거시적(granularity) 주의 메커니즘을 사용하고 있는데, 이는 특정 주제가 다수의 단어로 구성되거나 더 큰 문맥을 포함할 경우 정보 손실을 초래할 수 있다. 본 연구에서는 주제와 문맥 간의 단어 수준 상호작용을 포착할 수 있는 미세한 주의 메커니즘을 제안한다. 이후 이러한 미세한 주의와 거시적인 주의 메커니즘을 결합하여 MGAN 아키텍처를 구성한다. 또한, 기존 연구들이 각 주제를 그에 해당하는 문맥과 별도로 학습하는 반면, 동일한 문맥을 공유하는 다양한 주제 간의 문맥 수준 상호작용을 정량화하기 위해 주제 정렬 손실(Aspect Alignment Loss)을 설계하였다. 제안된 방법은 SemEval 2014에서 제공하는 노트북 및 레스토랑 데이터셋과 트위터 데이터셋 총 세 가지 데이터셋에서 평가되었다. 실험 결과, 다중 입자 주의망은 모든 데이터셋에서 최신 기술(SOTA) 방법들을 일관되게 상회함을 확인하였다. 또한 주제 정렬 손실의 효과를 검증하기 위한 추가 실험을 수행한 결과, 문맥 수준의 주제 간 상호작용이 추가적인 유용한 정보를 제공하며 성능 향상에 기여함을 입증하였다.