전자 상거래 사이트의 상품 리뷰는 구매 예정자들에게 유용한 정보로 활용될 수 있지만, 방대한 양으로 인해 사용자가 모든 리뷰를 읽는 것은 불가능에 가깝다. 이를 보완하고자 전자 상거래 사이트들은 상품이나 그 특징에 대한 별점 통계, 유용한 리뷰 분류 등을 사용자의 참여나 수작업을 통해 제공하고 있다. 오피니언 마이닝(opinion mining) 혹은 감성 분석(sentiment analysis)은 이러한 일련의 과정을 자동화하는 연구로서, 상품 리뷰의 사용자 의견을 대상으로 그 의견이 긍정적인지, 부정적인지 판단한 후 요약하여 제공한다. 하지만 기존의 감성 분석은 구매예정자에게 유용한 정보, 즉 상품평의 극성을 판별하거나, 상품 특징별 평가 요약 등에만 초점을 맞추고 있어, 상대적으로 의견 정보의 활용도가 낮아지는 문제가 있다. 실제 상품 리뷰에는 상품의 평가 외에도 제품이 가지고 있는 문제점, 고객의 불만 등이 제시되어 있으며, 이를 관리자가 효과적으로 분석하여 의사 결정에 지원에 활용하고자 하는 요구가 늘어나고 있다. 이에 본 논문은 다양한 종류의 의견 정보를 파악하여 데이터 웨어하우스에 저장한 후, 의견 정보를 온라인에서 동적으로 분석하고 통합 처리하는 모델링 방안을 제시한다. 또한 이를 활용하여 실제 전자 상거래 사이트의 한 종류인 어플리케이션 판매 사이트의 리뷰에 대한 분석을 수행하였다.
전자 상거래 사이트의 상품 리뷰는 구매 예정자들에게 유용한 정보로 활용될 수 있지만, 방대한 양으로 인해 사용자가 모든 리뷰를 읽는 것은 불가능에 가깝다. 이를 보완하고자 전자 상거래 사이트들은 상품이나 그 특징에 대한 별점 통계, 유용한 리뷰 분류 등을 사용자의 참여나 수작업을 통해 제공하고 있다. 오피니언 마이닝(opinion mining) 혹은 감성 분석(sentiment analysis)은 이러한 일련의 과정을 자동화하는 연구로서, 상품 리뷰의 사용자 의견을 대상으로 그 의견이 긍정적인지, 부정적인지 판단한 후 요약하여 제공한다. 하지만 기존의 감성 분석은 구매예정자에게 유용한 정보, 즉 상품평의 극성을 판별하거나, 상품 특징별 평가 요약 등에만 초점을 맞추고 있어, 상대적으로 의견 정보의 활용도가 낮아지는 문제가 있다. 실제 상품 리뷰에는 상품의 평가 외에도 제품이 가지고 있는 문제점, 고객의 불만 등이 제시되어 있으며, 이를 관리자가 효과적으로 분석하여 의사 결정에 지원에 활용하고자 하는 요구가 늘어나고 있다. 이에 본 논문은 다양한 종류의 의견 정보를 파악하여 데이터 웨어하우스에 저장한 후, 의견 정보를 온라인에서 동적으로 분석하고 통합 처리하는 모델링 방안을 제시한다. 또한 이를 활용하여 실제 전자 상거래 사이트의 한 종류인 어플리케이션 판매 사이트의 리뷰에 대한 분석을 수행하였다.
Product reviews in online shopping sites can serve as a useful guideline to buying decisions of customers. However, due to the massive amount of such reviews, it is almost impossible for users to read all the product reviews. For this reason, e-commerce sites provide users with useful reviews or sta...
Product reviews in online shopping sites can serve as a useful guideline to buying decisions of customers. However, due to the massive amount of such reviews, it is almost impossible for users to read all the product reviews. For this reason, e-commerce sites provide users with useful reviews or statistics of ratings on products that are manually chosen or calculated. Opinion mining or sentiment analysis is a study on automating above process that involves firstly analyzing users' reviews on a product to tell if a review contains positive or negative feedback, and secondly, providing a summarized report of users' opinions. Previous researches focus on either providing polarity of a user's opinion or summarizing user's opinion on a feature of a product that result in relatively low usage of information that a user review contains. Actual user reviews contains not only mere assessment of a product, but also dissatisfaction and flaws of a product that a user experiences. There are increasing needs for effective analysis on such criteria to help users on their decision-making process. This paper proposes a model that stores various types of user reviews in a data warehouse, and analyzes integrated reviews dynamically. Also, we analyze reviews of an online application shopping site with the proposed model.
Product reviews in online shopping sites can serve as a useful guideline to buying decisions of customers. However, due to the massive amount of such reviews, it is almost impossible for users to read all the product reviews. For this reason, e-commerce sites provide users with useful reviews or statistics of ratings on products that are manually chosen or calculated. Opinion mining or sentiment analysis is a study on automating above process that involves firstly analyzing users' reviews on a product to tell if a review contains positive or negative feedback, and secondly, providing a summarized report of users' opinions. Previous researches focus on either providing polarity of a user's opinion or summarizing user's opinion on a feature of a product that result in relatively low usage of information that a user review contains. Actual user reviews contains not only mere assessment of a product, but also dissatisfaction and flaws of a product that a user experiences. There are increasing needs for effective analysis on such criteria to help users on their decision-making process. This paper proposes a model that stores various types of user reviews in a data warehouse, and analyzes integrated reviews dynamically. Also, we analyze reviews of an online application shopping site with the proposed model.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
하지만 추출되는 정보들은 결과적으로 “빠르다”, “재미없다”, “별로다”와 같이 의견 표현이 반드시 포함된다고 볼 수 있다. 그러므로 이를 기 준으로 한 표준화된 형태의 의견 데이터의 모델링 방법을 고려해보고자 한다.
따라서, 본 논문에서는 의견 정보를 의사 결정 지원에 활용하기 위한 처리 기법으로 온라인 감성 분석 처리(On-Line Sentiment Analytical Processing, OLSAP) 방안을 제시 하고자 한다. 기존의 감성 분석은 주로 상품 평가에 해당하는 텍스트를 특징 단위로 요약 하거나 특정 키워드에 연관된 의견의 극성을 판단하는 것에 주로 초점을 맞춰 왔기 때문에 의견 데이터의 저장에 적합한 모델링, 유연한 활용을 위한 처리 방안에 대한 고려가 많은 부분 부족하였다.
본 장에서는 스마트폰용 어플리케이션 판 매 사이트의 평가 글을 대상으로 이들의 특 성을 밝힌 후, 실제 의견 데이터의 추출을 수 행하여 OLSAP에서의 활용 가능성에 대하여 논의한다.
구매 예정자나 관리자에게 의견 데이터는 매우 유용한 정보이지만, 상대적으로 이를 효과적으로 활용하고자 하는 시도는 부족하였다. 이에 본 논문에서는 비구조적인 텍스트에서 추출한 의견 데이터를 다루기 위한 데이터 모델과, 축적된 의견 정보를 다각도로 분석하기 위한 처리기법인 OLSAP를 제안하였다. 이러한 방법으로 분석된 의견 정보는 제품의 평가뿐만 아니라, 향후 전자 상거래 시스템과 결합하여 마케팅 등 다양한 목적으로 활용 할 수 있을 것으로 기대된다.
제안 방법
Red Opal[19] 시스템은 별점으로 표현된 상품의 점수를 활용하여 의견의 극성 및 강도를 계산한다. 대용량의 리뷰문서를 요약하기 위해 자연언어기법보다는 어휘의 빈도수와 상품에 대한 상품점수를 이용한 통계적 분석을 활용한다. 이를 통해 리뷰 요약 결과를 의견 표현 대상에 대한 점수의 형태로 제공한다.
상품 리뷰는 비구조적 텍스트 데이터이기 때문에 의견 문서나 문장이 포함하고 있는 의견 정보를 활용하기 위해서는 의견 표현의 추출 및 극성 판단의 과정이 반드시 선행되 어야 한다. 이 장에서는 이 과정에서 활용할 수 있는 비교적 단순하고 명확한 방법을 기술하며, 이렇게 추출된 의견 데이터를 OLSAP 에 적합한 형태로 모델링 하는 방안을 제시한다. 본 논문은 추출된 의견 데이터의 활용 에 초점을 맞추고 있으므로, 의견 추출 및 극성 판단 과정에 활용할 수 있는 다양한 방법은 앞서 설명한 관련연구로 대신한다.
OPINE[18] 시스템은 사전에 정의된 문장 구조 패턴을 사용하여 의견 대상 어휘를 추 출한다. 이때 문장 구조와 어휘 사이의 PMI 값을 계산하여 의견 대상 어휘를 선택하며, 구문 분석으로 이와 연관된 의견 어휘를 결정한다.
대상 데이터
데이터는 LG U+의 OZ 스토어에서 크롤하여 수집하였다. 데이터는 총 1,404개의 어플리케이션에 대해서 2010년 7월 29일부터 2011년 4월 26일까지 작성된 46,166개 평가글을 포함한다.
데이터는 LG U+의 OZ 스토어에서 크롤하여 수집하였다. 데이터는 총 1,404개의 어플리케이션에 대해서 2010년 7월 29일부터 2011년 4월 26일까지 작성된 46,166개 평가글을 포함한다. 평가글을 작성한 총 사용자는 7306명이며, 이중 가장 많은 글을 작성한 사람은 480개의 상품평을 작성하였고, 1개의 상품평만을 작성한 사람은 657명이었다.
이론/모형
여러 형태소 분석기와 구분 분석기가 개발 되어 있으나, 본 논문에서는 오픈소스 형태로 공개된 형태소 분석기를 사용하였다[5, 2].
후속연구
이 장에서는 이 과정에서 활용할 수 있는 비교적 단순하고 명확한 방법을 기술하며, 이렇게 추출된 의견 데이터를 OLSAP 에 적합한 형태로 모델링 하는 방안을 제시한다. 본 논문은 추출된 의견 데이터의 활용 에 초점을 맞추고 있으므로, 의견 추출 및 극성 판단 과정에 활용할 수 있는 다양한 방법은 앞서 설명한 관련연구로 대신한다.
이에 본 논문에서는 비구조적인 텍스트에서 추출한 의견 데이터를 다루기 위한 데이터 모델과, 축적된 의견 정보를 다각도로 분석하기 위한 처리기법인 OLSAP를 제안하였다. 이러한 방법으로 분석된 의견 정보는 제품의 평가뿐만 아니라, 향후 전자 상거래 시스템과 결합하여 마케팅 등 다양한 목적으로 활용 할 수 있을 것으로 기대된다.
질의응답
핵심어
질문
논문에서 추출한 답변
감성 분석의 마지막 단계는 무엇인가?
감성 분석의 마지막 단계인 요약 및 시각 화는 문서 내에서 추출된 의견 정보를 종합 하여 긍정적, 부정적 표현들의 분포를 시각적 으로 표현하여 사용자들에게 제공한다. 이들 은 주로 요약된 정보와 구현된 시스템에 따 라 다른 형태를 보인다.
극성 판단 단계란 무엇인가?
극성 판단 단계는 추출된 의견 어휘가 문서나 문장 내에서 가지는 의미를 긍정적/부 정적/중립적 등으로 판단하는 단계이다. 자연 언어처리 기반의 방법은 워드넷(WordNet) [21] 또는 센티워드넷(SentiWordNet)[7] 등의 사전이 포함하는 의미 정보 등을 활용한다.
Red Opal은 어떤 방법을 활용하는가?
Red Opal[19] 시스템은 별점으로 표현된 상품의 점수를 활용하여 의견의 극성 및 강도 를 계산한다. 대용량의 리뷰문서를 요약하기 위해 자연언어기법보다는 어휘의 빈도수와 상 품에 대한 상품점수를 이용한 통계적 분석을 활용한다. 이를 통해 리뷰 요약 결과를 의견 표현 대상에 대한 점수의 형태로 제공한다.
참고문헌 (21)
명재석, 이동주, 이상구, "반자동으로 구축된 의미 사전을 이용한 한국어 상품평 분석 시스템", 정보과학회논문지 : 소프트웨어 및 응용, 제35권, 제6호, pp. 392-403, 2008.
이동주, 연종흠, 이상구, "한국어 문장의 띄어 쓰기 오류 교정과 최적 형태소 분석을 위한 통합 확률 모델", 한국컴퓨터종합학술대회논문집, 제38권, 제1A호, pp. 237-240, 2011.
이현자, 심준호, "관계형 데이터베이스 상품 정보 질의 처리를 위한 인덱싱", 한국전자거래학회지, 제13권, 제4호, pp. 209-222, 2008.
Denecke, K., "Using SentiWordNet for Multilingual Sentiment Analysis," In Proceedings of the International Conference on Data Engineering : ICDE, Workshop on Data Engineering for Blogs, Social Media, and Web 2.0, 2008.
Ding, X., Liu, B., and Yu, P. S., "A holistic lexicon-based approach to opinion mining," In Proceedings of the international conference on Web search and web data mining, pp. 231-240, 2008.
Esuli, A. and Sebastiani, F., "Determining Term Subjectivity and Term Orientation for Opinion Mining," In Proceedings of 11th conference of the European chapter of the Association for Computational Linguistics : EACL, pp. 193-200, 2006.
Gray, J., Bosworth, A., Layman, A., Reichart D., and Hamid Pirahesh, "Data cube : A relational aggregation operator generalizing group-by, cross-tab, and sub-totals," Data Mining and Knowledge Discovery, Vol. 1, , No. 1, pp. 29-53, 1997.
Hu, M. and Liu, B., "Mining and summarizing customer reviews," In Proceedings of the 10th ACM SIGKDD international conference on Knowledge Discovery and Data mining, pp. 168-177, 2004.
Jin, W., Ho, H., and Srihari, R., "Opinion-Miner : a novel machine learning system for web opinion mining and extraction," In Proceedings of the 15th ACM SIGKDD international conference on Knowledge Discovery and Data mining, pp. 1195-1204, 2009.
Jindal, N. and Liu, B., "Mining Comparative Sentences and Relations," In Proceedings of the 21st national conference on Artificial intelligence, pp. 1331-1336, 2006.
Liu, B., Hu, M., and Cheng, J., "Opinion observer : analyzing and comparing opinions on the Web," In Proceedings of the 14th international conference on World Wide Web, pp. 342-351, 2005.
Miller, G., Beckwith, R., Fellbaum, C., Gross, D., and Miler, K., "Introduction to WordNet : An on-line lexical database," International Journal of Lexicography, pp. 235-244, 1990.
Morinaga, S., Yamanishi, K., Tateishi, K., and Fukushima, T., "Mining Product Reputations on the Web," In Proceedings of the 8th SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 341-349, 2002.
Myung, J., Yang, J., and Lee, S., "PicAChoo : A Tool for Customizable Feature Extraction Utilizing Characteristics of Textual Data," In Proceedings of the 3rd International Conference on Ubiquitous Information Management and Communication : ICUIMC, pp. 650-655, 2009.
Popescu, A. and Etzioni, O., "OPINE : Extracting product features and opinions from reviews," In Proceedings of the conference on Human Language Technology/Empirical Methods in Natural Language Processing : HLT/EMNLP, pp. 339-346, 2005.
Scaffidi, C., Bierhoff, K., Chang, E., Felker, M., Ng, H., and Jin, C., "Red Opal : Product-Feature Scoring from Reviews," In Proceedings of the 8th ACM conference on Electronic Commerce, pp. 182-191, 2007.
Turney, P. and Littman, M., "Unsupervised learning of semantic orientation from a hundred-billion-word corpus," Technical Report ERC-1094 (NRC 44929), National Research Council of Canada, 2002.
Turney, P. and Littman, M., "Measuring praise and criticism : Inference of semantic orientation from association," ACM Transactions on Information Systems, Vol. 21, pp. 315-346, 2003.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.