선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 감정 분석을 위해 감정사전을 구축했다. 감정사전은 Park[10] 등의 연구에서 작성된 한국어 감정단어 434개를 바탕으로 트윗에서 추출한 감정단어 100여 개를 추가 하여 구축했다.
- 이는 국외에서도 위치를 기반으로 한 서비스에 관련한 연구가 진행되고 있고 위치 기반 소셜 네트워크가 활용됨을 증명한다. 본 연구는 개별 사용자 패턴에 따른 추천 방식이 아닌 위치 정보를 기반으로 최근 장소 정보를 결과로 보여주는 방식으로 차이점을 볼 수 있다.
- 본 연구는 사용자가 원하는 장소에 대한 키워드를 입력받아 사용자 주변에 위치하는 장소 정보를 추천하는 시스템을 제안했다. ‘맛집’, ‘축제’, ‘공연’ 등의 키워드를 통한 성능 평가는 시스템의 발전가능성을 보여준다.
- 이에 본 논문에서는 사용자의 위치정보를 포함한 검색 질의 결과에 감정 분석을 더해 신뢰성 높은 장소를 추천하는 시스템을 제안한다. 시스템은 사용자로부터 입력받는 검색 키워드와 모바일의 위치정보 조합을 매개로 트위터 API를 이용해 질의하고, 수집된 트윗의 형태소 분석을 통해 추천할만한 트윗을 선별하여 구글 지도를 통해 현 위치로부터 근거리 순의 추천 리스트를 출력한다.
제안 방법
- 또한 ‘공연’은 ‘취미’의 분류에 속하고 ‘길거리 공연’, ‘라이브 공연’ 등 갑작스런 이벤트를 검색할 수 있는 키워드이므로 선정했다. [Table 7]은 구글 지도에서 상위 10개 지역 위도와 경도 좌표를 검색한 결과를 정리한 표로, 검색된 각 지역의 위도와 경도 좌표를 사용자의 현재위치로 설정하고 실험을 진행했다.
- 구축된 감정사전을 통해 트윗에서 추출된 감정단어들의 점수를 도출해 개별 트윗에 대한 추천 점수를 부여했다. 제안하는 시스템은 실시간을 지향하므로 사용자가 질의하는 당시의 데이터를 트위터에서 수집하고 형태소분석, 감정분석을 수행하는 동안의 상당 시간이 소요된다.
- 이를 위해서는 수집한 트윗에 대한 기계적인 분류가 선행되어야 형태소 분석을 통해 수집된 트윗을 품사단위로 구분하고, 시스템은 필요한 키워드들만 취사선택하여 장소 추천에 활용할 수 있다. 논문에서는 GPLv3 라이센스를 따르기 때문에 연구 목적으로 사용하는데 문제가 없고 자바 버전으로 배포되기 때문에 이용에 용이한 한나눔 형태소 분석기를 이용해 형태소를 분석한다. [Table 1]은 한나눔 형태소 분석기를 통해 형태소 별 태그가 부여된 결과의 예이다.
- 트윗의 위치정보는 트윗의 작성위치로서 실제 이벤트가 작성된 위치와는 다를 수 있다. 따라서, 제안하는 시스템은 트윗의 작성위치를 지도상에 마킹으로 표시하되 해당 트윗의 내용을 말풍선으로 표시하여 정보로서의 인식의 최종 판단은 사용자의 몫으로 남겨두었다.
- 시스템은 인근에서 발생한 축제와 관련된 트윗을 수집하여 사용자에게서 가깝고 추천점수가 높은 10개 트윗을 마커로 표시한다. 또한 infoWindow를 사용하여 트윗 내용과 해당 트윗에 대한 추천 점수를 출력한다. [Figure 4]는 동일한 방법으로 홍대입구역 인근에서 발생한 ‘공연’ 관련 트윗을 추천하는 결과이다.
- 이렇듯 서로 다른 기준 시점은 검색 조건의 차이를 가져온다. 본 논문에서는 Streaming API에 비해 정의할 수 있는 검색 조건의 종류가 다양하고 대상 범위가 넓은 Search API를 이용한다.
- 개발자는 이를 이용해 다중 마커, 위치간 거리, 경로 등 다양한 정보를 획득할 수 있으며 개발 중인 서비스에 활용할 수 있다. 본 논문은 국내와 해외를 별개 서비스로 제공하는 네이버와 다음 대신 하나의 서비스에서 세계 지도를 제공하는 구글 지도 API를 이용하였다. [Figure 1]은 구글 지도 API를 이용해 ‘서울 빛초롱축제’와 관련된 임의의 트윗에서 발췌한 위치정보를 구글 지도에 표시한 예이다.
- 성능평가는 ‘맛집’, ‘공연’ 두 개의 키워드를 시스템에 적용하여 나온 감정 분석 결과에 대한 정밀도와 재현율을 산출했다.
- 이에 본 논문에서는 사용자의 위치정보를 포함한 검색 질의 결과에 감정 분석을 더해 신뢰성 높은 장소를 추천하는 시스템을 제안한다. 시스템은 사용자로부터 입력받는 검색 키워드와 모바일의 위치정보 조합을 매개로 트위터 API를 이용해 질의하고, 수집된 트윗의 형태소 분석을 통해 추천할만한 트윗을 선별하여 구글 지도를 통해 현 위치로부터 근거리 순의 추천 리스트를 출력한다. 본 논문에서 제안하는 시스템과 기존 시스템의 차이점 및 의의는 다음과 같다.
- 시스템은 이클립스에 Spring IDE를 추가하여 MVC 패턴으로 구현했으며, ‘축제’, ‘공연’ 두개의 키워드를 시스템에 적용하여 트위터 API를 통해 수집한 트윗을 형태소 분석 한 후 감정 분석 과정을 거친 추천 트윗을 구글 지도 API에 마커로 표시하였다.
- 입력받은 데이터 중 사용자, 위치, 키워드는 데이터베이스에 저장하여 동적으로 시스템을 사용할 수 있도록 구현하였다. 시스템은 트윗 수집을 위해 사용자의 검색어와 위치 정보를 조합하여 질의를 구성한다.
- 실험은 수집-분석-분류 각각의 단계에서 산출된 산출물을 식 (2)와 식 (3)을 적용하여 개별 트윗 내의 감정단어로 구분된 긍정, 부정 성향의 트윗에 대한 정밀도(Precision)와 재현율(Recall)을 구했다. 식 (2)는 정밀도로 시스템에 의해 감정 분석된 트윗 개수 중 정확히 긍정, 부정으로 분류된 트윗 수를 의미한다.
- 이에 본 논문에서는 상위 10개 지역에 ‘맛집’과 ‘공연’ 두개의 키워드를 적용해 수집한 트윗을 이용해 시스템의 추천결과를 분석하였다.
- 트윗에 포함된 위치 정보는 구글 지도 API에 트윗의 위치를 결과로 보여줄 때 활용되며 이를 통해 사용자는 현재 위치로부터 추천된 위치를 확인할 수 있도록 한다. 입력받은 데이터 중 사용자, 위치, 키워드는 데이터베이스에 저장하여 동적으로 시스템을 사용할 수 있도록 구현하였다. 시스템은 트윗 수집을 위해 사용자의 검색어와 위치 정보를 조합하여 질의를 구성한다.
- 제3.4절을 통해 도출한 추천 점수를 가진 트윗을 거리 순으로 추천해 주기 위해 사용자의 현재 위치를 기준으로 트윗이 작성된 위도, 경도 좌표와의 거리를 계산했다. [Table 5]는 사용자의 현재 위치로부터 트윗이 작성된 위도, 경도 좌표에 대해 계산된 거리와 트윗의 추천 점수로 정렬된 예이다.
대상 데이터
- 본 논문에서는 감정 분석을 위해 감정사전을 구축했다. 감정사전은 Park[10] 등의 연구에서 작성된 한국어 감정단어 434개를 바탕으로 트윗에서 추출한 감정단어 100여 개를 추가 하여 구축했다. 사전은 형태소 분석된 형태에 극성의 태그를 추가하여 긍정을 나타내면 ‘P’, 부정을 나타내면 ‘N’을 태깅했다.
- [Figure 3]은 2015년 11월 6일부터 2015년 11월 22일까지 ‘서울 빛초롱축제’가 개최됐던 종로 인근에서 ‘축제’ 키워드로 추천된 결과 화면이다. 시스템은 인근에서 발생한 축제와 관련된 트윗을 수집하여 사용자에게서 가깝고 추천점수가 높은 10개 트윗을 마커로 표시한다. 또한 infoWindow를 사용하여 트윗 내용과 해당 트윗에 대한 추천 점수를 출력한다.
이론/모형
- 언어는 이러한 품사태깅 과정(Part-Of-Speech Tagging)을 거쳐 문장에 사용된 형태소들의 품사와 문장의 구조를 파악함으로써 기계적으로 분류되고 시스템에 활용될 수 있다. 본 논문에서는 KAIST의 한나눔 형태소 분석기[4]를 사용한다. 한나눔 형태소 분석기는 GPLv3 라이센스를 따르기 때문에 연구 목적으로 사용하는데 문제가 없고 자바 버전으로 개발되어 배포되기 때문에 이용이 편리하다.
성능/효과
- 1) 기존 시스템이 정확한 지명과 명칭을 포함한 질의에 대해서만 검색 결과를 보장하는 반면, 제안하는 시스템은 사용자의 모바일 위치정보를 활용해 ‘맛집’, ‘데이트코스’ 등의 단순검색으로도 가장 가까운 장소 정보를 제공한다.
- 10번의 실험결과 10개 지역에서 총 210개의 트윗을 수집했으며 그 중 실제 긍정, 부정의 단어를 포함한 트윗은 122개였고, 감정 분석을 통해 감정이 분류된 트윗의 개수는 65개, 그 중 정확히 분류된 트윗의 개수는 46개였다. 이를 통해 계산한 시스템의 정밀도와 재현율은 [Table 8]과 같다.
- 2) 사용자가 검색한 장소를 거리나 시간 순으로 단순 정렬하는 기존 시스템과 달리 제안하는 시스템은 감정 분석을 통해 추천할만한 신뢰성 높은 검색 결과를 제공한다.
- 이에 제안하는 시스템은 모바일 사용량이 늘어나고 그에 맞게 다양한 서비스들이 제공되는 가운데 공간 데이터를 활용한 검색 시스템으로써 의의가 있다. 또한 단순한 거리, 시간 계산으로 추천하는 시스템이 아닌 본 논문에서 구축한 감정사전으로 감정 분석된 점수를 통해 사용자에게 더 유용한 장소 정보를 추천했다는 차이점을 볼 수 있다. 앞으로 검색에 대한 질의결과 품질을 높이기 위해 트위터 데이터 외에 위치 정보를 제공하는 다른 소셜 네트워크 서비스인 페이스북, 인스타그램 등을 추가한다면 더욱 효율성 높은 시스템으로 활용될 수 있을 것이다.
- 한나눔 형태소 분석기는 GPLv3 라이센스를 따르기 때문에 연구 목적으로 사용하는데 문제가 없고 자바 버전으로 개발되어 배포되기 때문에 이용이 편리하다. 또한 플러그인 컴포넌트 아키텍처를 적용하여 사용자에게 보다 유연하게 사용될 수 있도록 개선되었다. 개발자는 한국어 처리 목적에 따라 개발된 Plug-in인 뿐만 아니라 필요한 기능을 개발하여 함께 Workflow를 구성하여 사용할 수 있다.
- 빅데이터 분석 전문조직인 제일기획의 DnA 센터가 2015년 하반기 6개월 동안 디지털 패널 3,200명이 입력한 ‘서울 시내 핫플레이스’ 관련 검색어 25만 8,000건을 분석한 결과 가장 많은 검색 횟수를 기록한 최고의 핫플레이스는 홍대인 것으로 조사됐다.
- 사용자가 모바일에서 장소를 검색할 때 현 위치에서 가까운 장소에 대한 정보를 원하는 경향은 ‘길거리 공연’, ‘깜짝 이벤트’ 등의 이벤트 장소까지 추천받을 수 있는 본 논문의 시스템의 타당성을 높인다.
- ‘맛집’, ‘축제’, ‘공연’ 등의 키워드를 통한 성능 평가는 시스템의 발전가능성을 보여준다. 성능 평가 결과 71% 정밀도와 38%의 재현율을 보였으며, 이는 추천된 결과가 실제 상황에서 추천 시스템으로 활용될 수 있음을 의미한다. 이에 제안하는 시스템은 모바일 사용량이 늘어나고 그에 맞게 다양한 서비스들이 제공되는 가운데 공간 데이터를 활용한 검색 시스템으로써 의의가 있다.
- 이를 통해 계산한 시스템의 정밀도와 재현율은 [Table 8]과 같다. 실험 결과, 정밀도는 46/65로 0.71이며, 재현율은 46/122로 0.38이다.
- 실험 분석 결과, 모바일 사용자의 장소 검색 행동에 대한 이해를 기반으로 ‘장소 정보 검색 행동’ 모형을 구조화할 수 있었으며, 모바일 사용자가 어떻게 장소를 찾는지, 또 그 과정에서 어떤 부분들이 주목되어야 하는지를 언급함으로써 모바일 환경에서 그 중요성이 증대된 장소 정보라는 디지털 콘텐츠의 질적 이해를 높였다.
- 다만, 실험 과정 중 작성위치와 실제 언급된 장소가 달라 위치정보와 관계없는 트윗이 분석되는 사례가 발견되기도 하였다. 실험에서는 해당 트윗을 오류라고 판단했으며 전체 트윗 210개 중 23개에 대한 내용, 전체의 약 11%의 트윗이 사용자의 위치와 관련 없는 장소에 대한 내용을 언급하고 있었다. 이는 추후 감정 분석에 문맥 판단이 추가되어야 보다 정확한 결과를 얻을 수 있음을 말해준다.
- 제안하는 시스템은 소셜 데이터가 포함하고 있는 위치정보를 활용해 공간추천이 가능함을 보였다. 그러나 실험결과 감정사전 기반의 키워드 매칭만으로는 추천에 한계가 있음도 함께 보이고 있다.
- 무선인터넷 환경이 보편화되면서 언제 어디서나 인터넷에 접속할 수 있는 모바일은 현대인의 삶에서 가장 중요한 정보 검색 수단이 되었다. 특히 PC와 비견될 만큼의 성능 개선과 더불어 소형화 및 경량화를 실현함으로써 모바일은 PC 기반의 온라인 생태계를 위협하는 강력한 사용자 장악력을 보유하게 되었다. KT경제연구소의 발표 자료에 따르면 2015년 3월 기준 56개 국가의 평균 스마트폰 보급률은 60%에 달했으며, 우리나라는 83%로 상위권을 차지하고 있다[5].
후속연구
- 이에 향후 연구 과제로 분석 단위를 키워드에서 문맥으로 넓히고 이를 통해 분석 데이터 셋을 확보한 후, 패턴분석 알고리즘을 적용하여 분석의 정확도 향상을 꾀할 것이다. 또한 미리 입력한 키워드를 저장하고 이동하는 위치에 따라 장소를 추천하거나 사용자가 원하는 시간에 또는 주기적으로 결과를 푸쉬(Push) 하는 추천 시스템으로 발전시킬 것이다.
- 또한 단순한 거리, 시간 계산으로 추천하는 시스템이 아닌 본 논문에서 구축한 감정사전으로 감정 분석된 점수를 통해 사용자에게 더 유용한 장소 정보를 추천했다는 차이점을 볼 수 있다. 앞으로 검색에 대한 질의결과 품질을 높이기 위해 트위터 데이터 외에 위치 정보를 제공하는 다른 소셜 네트워크 서비스인 페이스북, 인스타그램 등을 추가한다면 더욱 효율성 높은 시스템으로 활용될 수 있을 것이다.
- 모바일은 사용자의 연락처, 메일, 메시지 등은 물론 경우에 따라 행정이나 금융 정보까지 보관하고 이용하며 위치정보, 이용패턴 등의 개인정보를 활용해 진보된 형태의 사용자 경험을 제공하고 있다. 이러한 모바일의 장점을 적절히 활용한 검색 서비스를 개발한다면 사용자들의 편리함을 더해줄 서비스로 성장할 것이다.
- 그러나 실험결과 감정사전 기반의 키워드 매칭만으로는 추천에 한계가 있음도 함께 보이고 있다. 이에 향후 연구 과제로 분석 단위를 키워드에서 문맥으로 넓히고 이를 통해 분석 데이터 셋을 확보한 후, 패턴분석 알고리즘을 적용하여 분석의 정확도 향상을 꾀할 것이다. 또한 미리 입력한 키워드를 저장하고 이동하는 위치에 따라 장소를 추천하거나 사용자가 원하는 시간에 또는 주기적으로 결과를 푸쉬(Push) 하는 추천 시스템으로 발전시킬 것이다.
- 78의 정밀도를 도출했다는 것은 분석 단위가 키워드만으로 이루어졌어도 일정수준의 장소추천이 가능함을 의미한다. 최근 사용되는 표제어를 포함하는 감정사전의 도입과 키워드에서 문맥으로 감정분석 단위 확대, 감정패턴을 갖는 데이터 셋 확보를 통한 패턴분석을 적용한다면 향상된 정밀도와 재현율을 기대할 수 있음을 본 실험을 통해 확인할 수 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.