소프트웨어학과

구분

내용

추진 배경

□ 디지털 메신저 중심 소통에서 텍스트만으로는 감정의 미묘한 뉘앙스를 이해하기 어려움.
□ 기존 AI 감정 분석은 단일 문장 분류에 그쳐 감정 발생 원인과 대화 흐름 간 인과관계를 파악하지 못함.
□ 대화 속 감정의 원인과 변화를 심층적으로 분석해 관계 개선에 실질적 도움을 줄 시스템이 필요함.

목표 및 내용

□ 다차원적 감정 분석 모델을 구축해 24개의 세분화된 감정, 강도, 복합성을 동시에 예측하도록 함.
□ 도메인 적응(Self-training + DANN) 기법을 적용해 실생활 대화체에 강인한 모델로 학습하도록 설계함.
□ 감정 원인 추출(EFE) 모델과 LLM 기반 인과추론 파이프라인을 통합해 원인·인과관계·조언까지 자동 생성하도록 구현함.

• 수행결과

□ Optuna 최적화된 베이스라인 모델로 KEmoFact 데이터셋에서 F1 64.5% 성능을 확보함.
□ Domain Adaptation 후 ‘자기 학습’으로 69,088개 의사 레이블 학습, 도메인 적응 손실 0.0945 달성함.
□ EFE 모델은 IoU 기준 원인 추출 61.2% 정확도 달성했으며 최종 통합 시스템이 대화별 감정 인과 분석 리포트를 생성함.