IMDb 영화 리뷰 감성 분류를 위한 고전 머신러닝 및 딥러닝 접근 방식 비교 분석

요약

본 논문은 IMDb 영화 리뷰 데이터를 활용하여 감성 분류에 대한 고전 머신러닝과 딥러닝 접근 방식을 비교 분석했습니다. 연구 결과, TF-IDF 피처를 사용한 SVM 같은 고전 머신러닝 모델이 높은 정확도를 보여 딥러닝 모델보다 우수한 성능을 기록했습니다. 다만, BiLSTM with Attention 모델은 표준 BiLSTM 대비 개선된 문맥적 이해 능력을 입증하며, 효과적인 피처 엔지니어링과 결합된 전통적인 ML 방법의 강력한 유효성을 제시합니다.

핵심 포인트

• 감성 분류 비교 분석: IMDb 리뷰 데이터셋을 사용하여 고전 머신러닝(LR, NB, SVM)과 딥러닝(BiLSTM) 모델을 비교했습니다.
• SVM의 우수성 입증: TF-IDF 피처를 사용한 SVM이 높은 정확도(0.8530)로 가장 좋은 성능을 보여주었습니다.
• Attention 메커니즘의 효과: BiLSTM에 Attention을 적용했을 때 표준 모델 대비 개선된 문맥적 모델링 능력을 보였습니다.
• ML vs DL 결론: 데이터 및 자원 제약 환경에서, 효과적인 피처 엔지니어링과 결합된 고전 ML이 여전히 강력한 기준선(strong baseline)임을 시사합니다.