초록
본 논문에서는 감성 분석을 위한 순환 신경망(RNN) 기반 캡슐 모델인 RNN-Capsule을 제안한다. 주어진 문제에 대해 각 감성 카테고리(예: ‘긍정적’, ‘부정적’)마다 하나의 캡슐을 구성한다. 각 캡슐은 속성(attribute), 상태(state), 그리고 세 가지 모듈(표현 모듈, 확률 모듈, 재구성 모듈)을 갖는다. 캡슐의 속성은 할당된 감성 카테고리이다. 일반적인 RNN에 의해 은닉 벡터로 인코딩된 입력 예시에 대해, 표현 모듈은 어텐션 메커니즘을 활용하여 캡슐의 표현을 생성한다. 캡슐 표현을 기반으로 확률 모듈은 캡슐의 상태 확률을 계산한다. 주어진 입력 예시에 대해 모든 캡슐 중에서 상태 확률이 가장 높은 경우 캡슐의 상태는 활성화되고, 그렇지 않으면 비활성화된다. 두 개의 벤치마크 데이터셋(Movie Review 및 Stanford Sentiment Treebank)과 하나의 사내 데이터셋(Hospital Feedback)을 대상으로 실험한 결과, RNN-Capsule이 감성 분류에서 최신 기술 수준(SOTA)의 성능을 달성함을 보였다. 더 중요한 점은, 언어학적 지식을 사용하지 않음에도 불구하고 RNN-Capsule이 캡슐의 속성에 반영된 감성 경향을 보여주는 단어들을 출력할 수 있다는 점이다. 이러한 단어들은 데이터셋의 도메인 특수성을 잘 반영하고 있다.