```
- 고객이 남긴 텍스트(리뷰, 설문, 상담 내용, SNS 댓글 등)에서 긍정/부정/중립 같은 감정 상태를 자동으로 분류하는 기술
- 클릭이나 구매보다 더 빠르고 섬세하게 고객 상태를 보여주는 신호
- 감정 점수 변화나 긍/부정 비율 추이를 시각화하면 고객 만족도 모니터링, 서비스 개선, 위기 감지에 활용 가능
- 프로세스는 데이터 수집 → 데이터 전처리 → 학습 데이터 구축 → 감정 분석 모델 적용 순으로 이어짐
데이터 전처리 : 형태소 분석으로 "좋았어요"를 “좋다”, "느렸지만"을 "느리다"처럼 기본형으로 변환. 토큰화로 단어 단위로 분리하고, 불용어 제거로 핵심 단어만 남김. 이모지/특수기호 제거 등 문장 정제까지 포함
학습 데이터 구축 : AI Hub 공개 데이터셋이나 네이버 쇼핑/영화 리뷰 같은 감정 라벨이 붙은 데이터를 활용하거나 자체 VOC/리뷰 데이터를 직접 라벨링. 라벨이 없을 때는 NPS 점수(0~10점)를 기준으로 긍정/부정을 추정하는 방법도 활용
감정 분석 방법
- 머신러닝/딥러닝 기반 : 짧은 문장 분류에는 Naive Bayes/SVM 같은 전통 모델이 적합. 뉘앙스가 복잡한 문장은 BERT/GPT 같은 딥러닝 언어 모델이 맥락까지 파악. 한국어는 KoBERT 같은 한국어 특화 모델 활용
- 감정 사전 기반 : 긍정/부정 단어 목록을 기준으로 문장 내 단어 개수를 세어 감정을 추정하는 규칙 기반 방식. 학습 데이터 없이도 빠르게 분류 가능하지만 맥락/뉘앙스를 놓치는 한계가 있어 빠른 모니터링 용도에 적합
감정 분류 유형 : 이진 분류(긍정/부정), 3단계 분류(긍정/중립/부정), 다단계 분류(매우 긍정~매우 부정), 감정 유형 분류(짜증/감동/혼란/무관심) 등 분석 목적에 따라 다르게 설정