문학 작품 정량적 감정 구조화 프레임워크

문장 단위 감정 분류 모델과 키워드 감정 귀속 분석을 결합하여 문학 텍스트의 정서 구조를 정량적으로 해석하는 프로젝트입니다. 작품 내 주요 키워드가 어떤 감정과 어떤 비율로 연결되어 사용되는지를 수치적으로 & 정량적으로 분석하는 프레임워크를 제안합니다. 프로젝트를 마치고 명세화하는 과정에서 지도 교수님으로부터 학술적 가치를 인정받아 논문으로 출간하였으며, 학술발표회에서 프로시딩 심사를 받고 있습니다.(2025/05/19 작성)

Keywords : #Deep Learning #NLP # Emotion Analysis

---

Project Workflow

1. 작품 원문 수집 및 전처리

   • 웹 기반 아카이브에서 「운수 좋은 날」 원문 수집
   • 줄바꿈 및 특수문자 제거 후 문장 단위로 분할 (마침표 기준)

2. TF-IDF 기반 주요 키워드 추출

   • 형태소 분석(KLT2023)을 통해 명사/고유명사 추출
   • 불용어 제거 후 TF-IDF 점수로 상위 10개 키워드 선정

3. 감정 분류 모델 학습

   • emotion_korTran 데이터셋(41만 문장)으로 Transformer 모델 학습 - 6가지 감정 범주 분류 (joy, sadness, anger, fear, surprise, love)

4. 문장 단위 감정 예측

   • 학습된 모델로 「운수 좋은 날」 각 문장의 감정을 예측

5. 감정 결과의 키워드 귀속

   • 예측된 감정 레이블을 해당 문장에 포함된 키워드([2번] - TF-IDF기반으로 추출한 키워드)에 귀속
   • 키워드별로 감정 분포 비율을 계산하여 6차원 벡터 생성

6. 정량 분석 및 시각화

   • 감정 벡터를 통해 각 키워드의 정서적 기능 분석
   • 키워드-감정 분포 테이블 및 시각화 결과 출력

---

프로젝트 개요

• 분석 대상: 현진건의 단편소설 「운수 좋은 날」
• 분석 목적: 간접적이고 주체가 모호한 문학 감정 표현을 문맥 기반 Transformer 모델로 분류하고, 키워드 단위로 감정 분포를 정량화
• 감정 분류: joy, sadness, anger, fear, surprise, love (총 6개 범주)

---

데이터 구성

• 원문 문장 수: 약 200문장
• 학습 데이터: emotion_korTran (41만 개 문장, 감정 레이블 포함)
• 키워드 추출: 형태소 분석(KLT2023) 후 명사 기반 TF-IDF 계산
• 상위 키워드 예시: 김첨지, 소리, 설렁탕, 인력거 등

---

모델 및 학습 정보

• Transformer 기반 감정 분류 모델
• From-scratch 학습 (사전학습 미사용)
• 손실 함수: CrossEntropyLoss
• 옵티마이저: Adam
• 최종 정확도: 86.3%

---

결과 요약

키워드별 감정 분포 벡터

    anger      fear       joy      love   sadness  surprise

키워드	anger	fear	joy	love	sadness	surprise
김첨지	0.1489	0.0638	0.5532	0.0000	0.1915	0.0426
소리	0.2381	0.0476	0.3810	0.0000	0.2857	0.0476
사람	0.1818	0.3636	0.2727	0.0000	0.0909	0.0909
치삼	0.3333	0.1667	0.5000	0.0000	0.0000	0.0000
얼굴	0.0909	0.1818	0.2727	0.0000	0.4545	0.0000
인력거	0.0769	0.3077	0.5385	0.0000	0.0000	0.0769
정거장	0.1000	0.3000	0.4000	0.0000	0.2000	0.0000
다리	0.2000	0.0000	0.6000	0.0000	0.2000	0.0000
설렁탕	0.2857	0.0000	0.1429	0.2857	0.2857	0.0000
곱배기	0.0000	0.0000	0.8000	0.0000	0.2000	0.0000

• 감정 분포는 해당 키워드가 사용된 문장에서의 감정 비율을 의미함
• 키워드와 감정 간의 연결 관계를 수치적으로 파악 가능

---

주요 의의

• 문맥 기반 감정 분류로 감성 사전 방식의 한계 보완
• 문장 감정을 키워드에 귀속하여 감정-키워드 관계를 정량적으로 분석
• 서사 내 감정 흐름, 인물 간 감정 관계 등 확장 가능성 존재

---

🛠️ 기술 스택

• Python 3.10+
• PyTorch, Hugging Face Transformers
• scikit-learn (TF-IDF)
• KoNLPy / konlp.kma.klt2023

---

프로젝트 구조

.
├── check_sentiment_labels.ipynb
├── emotion_korTran
│   ├── about_dataset.ipynb
│   ├── emotion_korTran.data
│   └── README.txt
├── emotion_mapping_results.py
├── KnuSentiLex
│   ├── data
│   │   └── SentiWord_info.json
│   ├── KnuSentiLex
│   │   ├── data
│   │   │   └── SentiWord_info.json
│   │   ├── knusl.py
│   │   ├── neg_pol_word.txt
│   │   ├── obj_unknown_pol_word.txt
│   │   ├── pos_pol_word.txt
│   │   ├── README.md
│   │   ├── ReadMe.txt
│   │   ├── SentiWord_Dict.txt
│   │   └── src
│   │       └── knusl.py
│   ├── knusl.py
│   ├── neg_pol_word.txt
│   ├── obj_unknown_pol_word.txt
│   ├── pos_pol_word.txt
│   ├── README.md
│   ├── ReadMe.txt
│   └── SentiWord_Dict.txt
├── README.md
├── tf-idf.py
├── train.py
├── 운수좋은날_감정예측결과.csv
└── 운수좋은날.txt