earticle

영어

Recent Large Language Models (LLMs) have demonstrated strong performance in natural language processing (NLP). However, they face limitations in accurately capturing contextual meaning and sentiment variations across specific domains. This study proposes a sentiment analysis approach that integrates ontology to enhance contextual accuracy and systematically structure sentiment tagging for different domains. A sentiment dataset was constructed through crowdsourcing, and ontology-based sentiment tagging was applied to refine sentiment classification. To evaluate the effectiveness of the proposed method, performance comparisons were conducted with existing sentiment analysis models, including lexicon-based models, machine learning models (SVM, Naïve Bayes), deep learning-based models (BERT), and open-source LLM-based sentiment analysis (Zero-shot, Few-shot). Experimental results indicate that the ontology-enhanced sentiment analysis model outperforms conventional methods, particularly in domain-specific sentiment classification. This study demonstrates that ontology-based sentiment analysis effectively refines sentiment relationships and reduces domain-specific sentiment bias. These findings suggest that the proposed approach can contribute to more reliable sentiment analysis across diverse domains.

한국어

최근 LLM(Large Language Model)은 자연어 처리(NLP)에서 강력한 성능을 보이지만, 특정 도메인의 문맥적 의미 와 감성 차이를 정밀하게 반영하지 못하는 한계를 가진다. 본 연구에서는 온톨로지를 활용하여 감성 분석 모델의 정밀도를 향 상시키고, 도메인별 감성 태깅을 체계적으로 수행하는 방법을 제안한다. 이를 위해 크라우드소싱을 활용한 감성 데이터셋을 구축하고, 온톨로지를 적용한 감성 태깅을 수행하여 감성 정보의 구조화를 강화하였다. 온톨로지 기반 감성 분석 모델의 성능 을 기존 감성 분석 기법과 비교하기 위해 감성 어휘 사전 기반 모델, 기계 학습 모델(SVM, Naïve Bayes), 딥러닝 기반 감성 분석 모델(BERT 기반), 그리고 오픈소스 LLM 기반 감성 분석(Zero-shot, Few-shot)과 성능을 평가하였다. 실험 결과, 온톨 로지를 적용한 감성 분석 모델은 기존 방법보다 높은 정확도를 보였으며, 특히 특정 도메인에서 감성 분석의 정밀도를 향상시 키는 데 효과적인 것으로 나타났다. 본 연구는 온톨로지 기반 감성 분석이 감성 간 관계를 보다 정교하게 반영하고, 감성적 편 향을 줄이는 데 기여할 수 있음을 실험적으로 검증하였다. 이를 통해 향후 다양한 도메인에서 보다 신뢰성 높은 감성 분석이 가능할 것으로 기대된다.