Like you take your umbrella accordingly to weather forecasts, if we know the feelings of the people, we can control the response to others' emotions as well as our thoughts and actions. Recently, the online interactions are increasing without meeting ...

Like you take your umbrella accordingly to weather forecasts, if we know the feelings of the people, we can control the response to others' emotions as well as our thoughts and actions. Recently, the online interactions are increasing without meeting offline. In these cases, we can infer emotion of a person from his/her text message. Twitter is a good example. Many studies use these social network services to observe reaction of potential customers to the corporate brand image and product or analyze social opinion about national policies and social issues. But because of its agglutinative language characteristics, it is difficult to infer emotion from Korean text. The current study focused on finding optimal sentimental feature by comparing morphological features and n-grams using two machine learning methods, Support Vector Machine (SVM) and Naïve Bayes (NB), based on Korean Twitter sentiment. As a result of the two methods compared in this study, SVM were found more accurate than Naive Bayes. Morphological features did not show statistical advantage
over the n-grams in sentimental analysis.
A hotspot is a spatial pattern that arise when spatial properties or events are densely concentrated in a particular area. Whereas location information is easily captured with increasing use of mobile devices, emotional information of user is hard to access without asking directly
through a survey. Although Tweet provides a good platform for analyzing such spatial sentiment, relevant research has not been conducted thoroughly yet. Therefore, we analyzed hotspots of emotion in the twitter using spatial autocorrelation. 10,142 tweets and related GPS data were extracted for the analysis. Sentiment of tweets was classified using support vector machine algorithm. Moran’s I and Getis-Ord Gi* were used for global and local spatial autocorrelation respectively. Some hotspots were found significant and drawn on Seoul metropolitan area map.

날씨 예보를 듣고 우산을 준비하는 것처럼, 사람들의 감정을 알 수 있다면 우리는 자신의 생각과 행동뿐만 아니라 타인의 감정에 대한 자신의 반응을 조절할 수 있다. 최근에는 온라인에서 ...

날씨 예보를 듣고 우산을 준비하는 것처럼, 사람들의 감정을 알 수 있다면 우리는 자신의 생각과 행동뿐만 아니라 타인의 감정에 대한 자신의 반응을 조절할 수 있다. 최근에는 온라인에서 서로 만나지 않고도 상호작용이 늘고 있다. 이런 경우 그들이 남긴 글에서 감정을 유추하게 된다. 소셜네트워크서비스 중 하나인 트위터가 그 한 예이다. 이와 같은 서비스를 많은 연구에서는 기업 브랜드 이미지와 상품에 대한 반응을 살펴보고 국가 정책이나 사회적 이슈에 대한 의견을 분석하고 있다. 하지만 국내에서는 교착어인 한국어의 특성으로 온라인에 작성된 사용자들의 글에서 감정을 추출하기가 어렵다. 따라서 본 연구에서는 한국어 트위터를 대상으로 자질 추출에 형태소와 음절 방식을 사용하고 기계학습법에 Support Vector Machine (SVM)이 Naive Bayes (NB)을 사용하여 한국어 분석에 효과적인 방법들을 찾는데 노력했다. 그 결과 한국어 트위터의 분류에 있어서 SVM이 NB보다 정확했고, 형태소가 음절 자질에 비해 높은 정확성을 보이지 않은 것을 확인했다. 핫스팟은 공간의 속성이나 사건이 특정한 곳에 밀집되어 나타나는 패턴을 뜻한다. 모바일 기기의 사용이 늘어나면서 공간정보는 비교적 쉽게 수집되지만, 공간에서 느끼는 사람의 감정은 설문을 통하지 않고서는 어렵다. 트위터는 그러한 공간감정을 분석할 수 있는 기반을 제공함에도 불구하고 관련 연구는 적다. 따라서 본 연구에서는 트윗에 포함된 경/위도 및 감정을 이용하여 공간자기상관분석을 통해 특정 공간의 감정 핫스팟을 찾아내었다. 트위터 감정 분류에 SVM을 사용하였으며 공간자기상관분석은 전역적 측정에 Moran’s I, 국지적 측정에 Getis-Ord Gi *를 사용하였다. 10,142개의 서울지역 트윗을 대상으로 핫스팟을 분석한 결과 서울시행정구역지도에 긍정 감정의 핫스팟을 시각화 하였다.

•   高职院校韩语系建设的几点思考

•   영어 문장구조에 대한 이해가 읽기와 듣

•   형태 초점 접근법을 활용한 한국어 대조

•   한국과 독일의 중등교육단계에서의 진로

•  韩国电影剧本中会话含义的略论探讨

•   깔뱅의 기도론 연구

•   중국인 학습자를 위한 한국어 거절 화행

•   모야모야 환아의 수술 후 자기효능감,

•  韩国跆拳道运动的文化价值观探讨

•   영어권 학습자를 위한 한국어 교재 구성

•   TV 포맷의 새로운 유형화 : 이야기, 놀이

•   항공사의 지각된 서비스품질이 실용적

•   한·중 사동 표현의 대조 연구

•  汉韩常用颜色词对比探讨

•   도시지역 여성결혼이민자의 재사회화