감정 분석 정확도 향상을 위한 솔루션의 제안

A Proposed Solution for Improving Emotion Classification Accuracy

최근 감정 분석 분야에서는 다양한 사전학습 언어 모델들이 활용되며 높은 성능을 보이고 있다. 그러나 동일한입력 문장에 대해 서로 다른 감정 예측 결과를 산출하는 경우가 많아 단일 모델에 의존한 분류에는 한계가 존재한다. 본 연구는 DistilRoBERTa, MiniLM, DeBERTa 세 가지 감정 분석 모델을 대상으로 감정 예측 결과의 편차를 정량 화하고, 이를 기반으로 최종 예측 모델을 선택하는 전략을 제안한다. 각 모델의 감정 점수로부터 감정별 평균값 (AoE: Average of Emotions)을 계산하고, 모델별 편차값(DoA : Deviation of AoE)을 도출하여 DoA가 가장 큰 모델의 예측을 최종 결과로 채택한다. KMRE 한국어 감정 데이터셋을 활용한 실험 결과, 본 전략은 기존 단일 모델 방식 대비 감정 분류 정확도를 향상시키는 것으로 나타났다. 본 연구는 다중 감정 분석 모델 활용 시 의사결정 기준을 제시하여 보다 정밀한 감정 인식 시스템 구축에 기여할 수 있다.

Recent advancements in emotion classification have leveraged various pretrained language models to achieve high performance. However, these models often yield inconsistent predictions for the same input, the limitations of relying on a single model. This study proposes a novel strategy to improve classification accuracy by quantifying the prediction variance of three models : DistilRoBERTa, MiniLM, and DeBERTa. The averageofemotions (AoE) was computed from each model’s emotion scores and the difference of the AoE (DoA) was calculated, and the prediction from the model with the highest DoA was selected as the final result. Experimental results using the KMRE Korean emotion dataset that this strategy outperformed single-model approaches in terms of classification accuracy. This study contributes to the development of more precise emotion recognition systems by providing a decision-making framework for multi-model integration.