전통적 머신러닝 알고리즘과 LSTM 기반 딥러닝 모델의 이메일 감성 분석 성능 비교
요약
본 연구는 이메일 감성 분석에 있어 전통적 머신러닝 알고리즘(SVM, 로지스틱 회귀 등)과 딥러닝 모델(LSTM)의 성능을 비교했습니다. Word2Vec 임베딩을 사용한 실험 결과, 선형 커널 SVM이 가장 높은 정확도와 효율성을 보여주었으며, 최고 성능은 98.74%에 달했습니다. LSTM은 스팸 감지에서 우수한 리콜 능력을 보였으나, 계산 비용 측면에서 전통적 분류기보다 불리하다는 결론을 내렸습니다.
핵심 포인트
- 이메일 감성 분석에는 SVM, 로지스틱 회귀 등 전통적 머신러닝 알고리즘과 LSTM 같은 딥러닝 모델이 비교되었습니다.
- Word2Vec 임베딩 기반 실험에서 선형 커널 SVM이 가장 높은 정확도(98.74%)와 효율성을 제공하여 최적의 균형을 이루었습니다.
- LSTM은 스팸 감지 시 우수한 리콜 능력을 보였으나, 계산 시간이 오래 걸리는 단점이 있습니다.
- 전통적 분류기들은 밀집 벡터 공간에서 여전히 매우 견고하고 실용적인 성능을 입증했습니다.
전자 통신의 급격한 성장으로 인해 이메일 분류 및 감성 감지 시스템에 더 강력한 체계가 필요해졌습니다. 본 연구는 전통적 머신러닝 알고리즘과 딥러닝 아키텍처 간의 비교 성능 분석을 제시하며, 특히 서포트 벡터 머신 (SVMs), 로지스틱 회귀, 나이브 베이즈, 그리고 롱 쇼트 터미널 메모리 (LSTM) 에 초점을 맞추었습니다. 워드 2벡 (Word2Vec) 임베딩을 활용하여 특징 표현을 수행했을 때, 실험 결과는 선형 커널을 가진 SVM 모델이 가장 높은 효율성과 정확도를 달성함을 나타냈으며, 최고 성능은 98.74% 에 도달했습니다. LSTM 모델은 스팸 관련 감성을 탐지하는 데 탁월한 리콜 (Recall) 능력을 보였으나, 판별적 통계 모델에 비해 훨씬 더 많은 계산 시간이 필요합니다. 혼동 행렬을 통한 상세한 평가는 전통적 분류기가 밀집 벡터 공간에서 여전히 매우 견고함을 입증했습니다. 이 연구는 이메일 감지 작업에서 SVM 이 예측 정밀도와 처리 속도의 가장 이상적인 균형을 제공함을 결론지었습니다. 이러한 발견은 전문 및 학술 환경에서 고성능 자동화된 이메일 필터링 시스템을 개발하는 데 중요한 통찰력을 제공합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.CL의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기