[논문]소비자 감성 분석 기반의 음악 추천 알고리즘 개발

이승준; 서봉군; 박도형

doi:10.13088/jiis.2018.24.4.197

소비자 감성 분석 기반의 음악 추천 알고리즘 개발
Development of Music Recommendation System based on Customer Sentiment Analysis 원문보기

지능정보연구 = Journal of intelligence and information systems, v.24 no.4, 2018년, pp.197 - 217

이승준 (닐슨 코리아 CPS Input Operation) , 서봉군 (국민대학교 비즈니스 IT 전문대학원) , 박도형 (국민대학교 경영정보학부)

초록
AI-Helper

음악은 인간의 감성을 소리로 표현하는 창조적 예술 행위이다. 음악은 사람들의 기분을 우울하게 혹은 기쁘게 변화시킬 수 있다. 따라서 음악을 감상하는 데 있어 감성은 소비자에게 적합한 음악을 찾고 들려주는 데 매우 중요한 요소인데, 다양한 음원 서비스에서 제공하는 추천 알고리즘은 사용자의 기본적인 정보(성별, 나이, 감상 횟수 등)와 사용자의 플레이 기록에 기반한 음악 추천 방식을 주로 사용하고 있다. 본 연구에서는 음악을 감상하는 개인의 감성을 고려하여 각 음원이 가지는 고유의 감성을 기본으로 한 음악 추천 알고리즘을 제안해 보고자 한다. 구체적으로, 사용자들이 자주 듣는 음악과 그렇지 않은 음악을 기준으로 '감정 패턴'을 추출 후 상관관계를 확인하고자 하며, 앞선 결과를 기반으로 사용자들이 원하는 노래에 대한 검색과 사용자 감성 기반 추천 방법을 도출해내보고자 한다. 이를 위해 본 연구에서는 사례기반추론 기법을 이용하여 사람들이 주로 듣는 음악과 비슷한 '감성 패턴'을 갖는 특정한 곡을 추천해주는 알고리즘을 개발하였다. 먼저, 분석에 필요한 감정 형용사를 정리하여 변수화 시키고, 의미 있는 것끼리 묶어 음악 감성지수를 개발하였고, 분석의 대상이 될 음원에 대해 고유의 감성지수 점수를 측정하였다. 마지막으로 도출된 점수의 결과를 통해 유사한 감정 패턴이 나오는 곡들을 유사 곡 리스트로 분류하고 사용자들에게 추천하는 과정을 거친다. 앞선 일련의 과정을 거처 도출된 결과는 음원 추천 시스템뿐만 아니라, 인기 있는 곡과 아닌 곡에 영향을 미치는 변수 도출 및 음원 출시 전, 해당 곡의 스트리밍 수 예측 모형 구축 등 다양한 용도로 사용될 수 있을 것으로 기대한다.

Abstract ▼ AI-Helper

Music is one of the most creative act that can express human sentiment with sound. Also, since music invoke people's sentiment to get empathized with it easily, it can either encourage or discourage people's sentiment with music what they are listening. Thus, sentiment is the primary factor when it comes to searching or recommending music to people. Regard to the music recommendation system, there are still lack of recommendation systems that are based on customer sentiment. An algorithm's that were used in previous music recommendation systems are mostly user based, for example, user's play history and playlists etc. Based on play history or playlists between multiple users, distance between music were calculated refer to basic information such as genre, singer, beat etc. It can filter out similar music to the users as a recommendation system. However those methodology have limitations like filter bubble. For example, if user listen to rock music only, it would be hard to get hip-hop or R&B music which have similar sentiment as a recommendation. In this study, we have focused on sentiment of music itself, and finally developed methodology of defining new index for music recommendation system. Concretely, we are proposing "SWEMS" index and using this index, we also extracted "Sentiment Pattern" for each music which was used for this research. Using this "SWEMS" index and "Sentiment Pattern", we expect that it can be used for a variety of purposes not only the music recommendation system but also as an algorithm which used for buildup predicting model etc. In this study, we had to develop the music recommendation system based on emotional adjectives which people generally feel when they listening to music. For that reason, it was necessary to collect a large amount of emotional adjectives as we can. Emotional adjectives were collected via previous study which is related to them. Also more emotional adjectives has collected via social metrics and qualitative interview. Finally, we could collect 134 individual adjectives. Through several steps, the collected adjectives were selected as the final 60 adjectives. Based on the final adjectives, music survey has taken as each item to evaluated the sentiment of a song. Surveys were taken by expert panels who like to listen to music. During the survey, all survey questions were based on emotional adjectives, no other information were collected. The music which evaluated from the previous step is divided into popular and unpopular songs, and the most relevant variables were derived from the popularity of music. The derived variables were reclassified through factor analysis and assigned a weight to the adjectives which belongs to the factor. We define the extracted factors as "SWEMS" index, which describes sentiment score of music in numeric value. In this study, we attempted to apply Case Based Reasoning method to implement an algorithm. Compare to other methodology, we used Case Based Reasoning because it shows similar problem solving method as what human do. Using "SWEMS" index of each music, an algorithm will be implemented based on the Euclidean distance to recommend a song similar to the emotion value which given by the factor for each music. Also, using "SWEMS" index, we can also draw "Sentiment Pattern" for each song. In this study, we found that the song which gives a similar emotion shows similar "Sentiment Pattern" each other. Through "Sentiment Pattern", we could also suggest a new group of music, which is different from the previous format of genre. This research would help people to quantify qualitative data. Also the algorithms can be used to quantify the content itself, which would help users to search the similar content more quickly.

주제어

표/그림 (15)

그림 Basic structure of fingerprinting system
표 Selection of emotional adjectives through previous research
표 Melon weekly chart Top 20 (March 21, 2016 - March 27, 2016)
표 Selection of emotional adjectives through social traffic
표 List of music charts by genre (Rank: 1~4)
표 Selection of emotional adjectives through qualitative interview
그림 Categorization of collected emotional adjectives
표 List of categorized final emotional adjectives
표 Result of factor analysis
표 Matrix with principal component formula
표 Distance Matrix by Euclidian Value
그림 SWEMS Pattern by song genre - Dance
표 Comparison hit-ratio nearby songs
그림 SWEMS Pattern by song genre - Dance
그림 SWEMS Pattern by song genre – Girl’s POP

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

구체적으로 본 연구는 사례 기반 추론(Case Based Reasoning) 기법을 이용하여 사람들이 주로 듣는 음악과 비슷한 ‘감성 패턴’을 갖는 특정한 곡을 추천해주는 알고리즘을 구축하는 것을 목표로 한다.
이는 전문가 패널이 평가한 60가지 변수 중에 나머지 34가지는 곡의 인기여부와는 무관하다고 판단할 수 있다. 따라서 분석 결과 도출된 26가지 변수에 대해서 연구를 진행하기로 하였다.
또한 이를 통해 ‘감성’을 기반으로 특정 노래를 검색할 수 있게 도와주거나, 관련 노래를 추천하는 알고리즘을 개발하고자 한다.
본 연구는 소비자 감성을 중심으로 기존의 추천 알고리즘과 차별화된 알고리즘을 제안하고자 한다. 즉, 사용자들이 특정 음원에 대하여 느끼는 ‘감성 패턴’을 추출하여 인기가 많은 음원과 적은 음원에 대하여 사람들이 느끼는 ‘감성 패턴’의 유의미한 결과를 도출하려고 한다.
과거 전문가에 의하여 구축되던 분류 체계의 Taxonomy와 달리 제한이 없고 자유로운 태그 선택이 가능하며, 실시간으로 이용자의 관심사가 반영된다는 장점이 있다(Ha and Hwang, 2016). 본 연구에서는 Folksonomy 기법을 활용하여 사용자들이 느낄수 있는 다양한 감정을 수집 및 추천 알고리즘을 개발하고자 한다.
본 연구에서는 감성형용사를 기반으로 음악을 평가하고, 이를 기반으로 추천 알고리즘을 개발해보았다. 음악을 분석함에 있어서 감성형용사를 이용하는 것이 어느 정도 유의한 것을 확인하였고, 이를 토대로 음악을 감상하는데 느낄 수 있는 감성을 크게 5가지 지수로 도출하였다.
본 연구에서는 사람들이 음악을 들을 때 일반적으로 느낄 수 있는 감정 형용사들을 바탕으로 유사한 음악을 추천하는 알고리즘 개발을 수행한다. 감성 기반의 음원 분류 모형과 감성을 바탕으로 한 새로운 음원 추천 시스템을 구축하는 일련의 과정은 다음과 같다.
Kim and Park (2013)에서는 소비자의 감성 네트워크가 어떻게 조직화될 수 있는지의 방법을 제시하고 있다. 본 연구에서는 선행연구에서 제시한 SNS를 통한 소비자 감성 수집 방법을 참조하고, 더불어 실제 소비자의 감성을 확인하기 위해 정성적 인터뷰를 추가하여 타당성 있는 소비자 감성 데이터를 구조화 해보고자 한다.
일반적으로 신나는 곡은 대체로 열광적인 성격을 가지고, 유사하게 열광적인 분위기의 곡은 신나는 기분이 들기 때문이다. 본 연구에서는 유의성 검정으로 도출된 26가지의 변수에 대해서 요인분석을 통해 서로 관련 있는 변수들을 요인분석을 통해 축소하고자 하였다. 먼저 추출된 변수들간 관련성을 파악하기 위해 KMO (Keiser-Meyer-Olkin)검정과 Bartlett의 구형성 검정을 수행하였다.
수집된 데이터 셋을 분석에 맞게 전처리 한 후 파악하고자 하는 변수(Streaming수 ~ 음원 기본 정보) 사이에 유의미한 결과를 보이는지 파악해 보았다. 먼저 유의미한 변수를 파악하기 위해 Streaming 수가 1000만건이 넘는 데이터는 popularity(인기여부)를 1로, 70만건 미만 데이터에 대해서는 popularity를 0으로 변환하여 이산형 변수로 만들었다.
마지막으로 이러한 데이터를 통해 유사한 감성 패턴이 나오는 곡들을 비슷한 곡으로 묶는다. 위의 일련의 과정으로 도출된 결과는 음원 추천 시스템뿐만 아니라, 인기 있는 곡과 아닌 곡에 영향을 미치는 변수 도출 및 음원 출시 전, 해당 곡의 스트리밍 수 예측 모형 구축 등 다양한 용도로 사용되는 것을 목표로 하고 있다.
즉, 사용자들이 특정 음원에 대하여 느끼는 ‘감성 패턴’을 추출하여 인기가 많은 음원과 적은 음원에 대하여 사람들이 느끼는 ‘감성 패턴’의 유의미한 결과를 도출하려고 한다.
이 후 popularity 변수를 종속변 수로 하고 이와 관련 있는 유의미한 변수를 파악 하기 위해 카이제곱 검정, 독립표본 T검정 등을 통해 유의미한 변수를 도출하고자 하였다. 카이제곱 검정을 통해 popularity변수와 음원 기본정보를 담고 있는 변수 간 유의성을 파악하고자 하였다. 기본 정보 변수 중 데이터 셋이 부족한 변수들(데이터 20건 미만)은 분석에서 제외하였다.

가설 설정

100곡의 데이터에 위와 같은 기본 정보들의 데이터가 충분하지 않아서 모두 유의하지 않은 결과를 보여줬을 가능 성도 있다. 하지만 어느 정도 규모가 있는 데이터 셋에 대해서 위와 같은 분석 결과가 나왔기 때문에 본 연구에서는 popularity와 음원 기본 정보에 대한 상관관계를 고려하지 않기로 하였다.

제안 방법

조사 방법은 다음과 같다. 4명의 연구자들이 각각 일반인 4명에게 멜론차트의 각 장르음악의 1~4위곡의 1절을 들려준 후, 한 곡당 떠오르는 감정 형용사를 5개씩 수집하였다. 한 설문자 당 두 곡의 음원을 들려주고 떠오르는 5가지 형용사를 각각 기입하게 하는 방식을 취했다(Table 4).
총 100곡의 음원을 평가하였으며, 평가 방식은 특정 곡을 듣고 느껴지는 감성 60가지에 대하여 1~7까지 리커트 척도로 점수 감성 평가를 하였다. 4명의 전문가 패널이 점수를 매기고, 평균하여 점수화를 하였다. 평가 완료된 데이터는 분석을 위해 따로 엑셀로 정리하였다.
60가지 형용사에 대한 거리 매트릭스를 ‘정답’이라고 가정했을 때 추천 알고리즘을 통하여 얼마나 효율적으로 가까운 곡을 추천 할 수 있는지를 검증 방안으로 세웠다.
먼저 추천 알고리즘을 통해 찾은 가까운 곡 10가지와 기존에 있던 60가지 형용사에 대한 가까운 곡 10가지를 뽑아내었다. 그리고 이 두 가지 Dataset을 비교하여 두 가지 샘플이 얼마나 일치하는지 hit-ratio를 계산하였다(Table 10).
도출된 변수는 요인 분석을 통해 재 분류 하고, 요인에 속하는 형용사들에 일정한 가중치를 부여하는 작업을 수행한다. 도출된 요인들은 음악이 나타내는 감성을 평가하는 새로운 지표로 선정하고, 각 음악에 대하여 요인이 주는 감성 수치와 유사한 곡을 추천하는 알고리즘을 유클리디안 거리를 기반으로 도출할 것이다.
따라서 보다 다양한 감정 형용사의 수집을 위해 총 9가지의 장르음악(발라드, 댄스, 랩/힙합, R&B/Soul, 록, 일렉트로니카, 트로트, 포크, 인디음악)에 대한 정성조사를 실시하였다.
계산된 점수는 곡 별 고유 점수가 될 수 있으며, 이는 곡간의 거리를 구하는 매트릭스에 사용되었다. 또한, 가중치가 부여된 변수들의 유클리디언 거리를 계산하여 음원 간 거리를 확인하였다. 결과적으로 특정 곡과 가까이 있는 곡은 서로 성격이 유사하다는 것을 확인할 수 있었으며, 이를 음원 추천 알고리즘에 활용할 수 있을 것으로 판단하 였다(Table 8, 9).
수집된 데이터 셋을 분석에 맞게 전처리 한 후 파악하고자 하는 변수(Streaming수 ~ 음원 기본 정보) 사이에 유의미한 결과를 보이는지 파악해 보았다. 먼저 유의미한 변수를 파악하기 위해 Streaming 수가 1000만건이 넘는 데이터는 popularity(인기여부)를 1로, 70만건 미만 데이터에 대해서는 popularity를 0으로 변환하여 이산형 변수로 만들었다. 이 후 popularity 변수를 종속변 수로 하고 이와 관련 있는 유의미한 변수를 파악 하기 위해 카이제곱 검정, 독립표본 T검정 등을 통해 유의미한 변수를 도출하고자 하였다.
60가지 형용사에 대한 거리 매트릭스를 ‘정답’이라고 가정했을 때 추천 알고리즘을 통하여 얼마나 효율적으로 가까운 곡을 추천 할 수 있는지를 검증 방안으로 세웠다. 먼저 추천 알고리즘을 통해 찾은 가까운 곡 10가지와 기존에 있던 60가지 형용사에 대한 가까운 곡 10가지를 뽑아내었다. 그리고 이 두 가지 Dataset을 비교하여 두 가지 샘플이 얼마나 일치하는지 hit-ratio를 계산하였다(Table 10).
사례 기반 추론 기법의 경우 본 연구에서는 다음과 같이 이용된다. 먼저, 분석에 필요한 감정 형용사를 정리하여 변수화 하고, 분석의 대상이 될 음원을 수집한다. 이후, 각 음원에 대해 감정 형용사별로 점수를 매겨 평가한다.
감성 기반의 음원 분류 모형과 감성을 바탕으로 한 새로운 음원 추천 시스템을 구축하는 일련의 과정은 다음과 같다. 먼저, 선행 연구, 소셜 데이터, 정성적 인터뷰를 통해 음악과 관련하여 사람들이 느끼는 보편적인 감정 형용사들을 선정한다. 감정 형용사는 노래가 가진 감성을 평가하는 하나의 항목으로써 전문가 패널이 음악을 듣고 각 선정된 감정 형용사들을 기반으로 노래를 평가한다.
Choi et al(2010)의 연구에서는 63개의 형용사를 MPEG-7 Part의 AffectiveCS와 관련 연구들을 바탕으로 형용사들을 재정립하여 제시하고 있다. 본 연구에서는 앞선 연구에서 소리 정보를 쉽게 검색할 수 있게 수립된 표준인 MPEG-7와감성 형용사 분류에 관한 연구들을 기반으로 형용사를 수집하였기 때문에 신뢰성이 높다고 판단하고, 제시된 형용사들을 참조하고, 추가하여 분석 자료로 선정하였다(Table 1).
Kim and Park(2017; 2018)의 연구에서는 소비자에게 제품 디자인(Product Design)과 이모티콘(Emoticon)을추천함에 있어서 소비자 감성을 기반한 추천 시스템을 제시하였다. 비정형 데이터인 이모티콘을 구조화시키기 위해 소비자 감성을 기반으로 이모티콘에 대해 메타데이터화 작업을 수행하고, 객관적 지표를 추출하는 작업을 수행하였다. 결과적으로, 이모티콘 간의 유클리디안 거리를 통해 사용자에게 적절한 이모티콘을 추천하는 시스템을 제시하였다.
데이터수집은 분석프로그래밍 툴인 R Studio를 이용하여 수집하였으며, 806곡의 데이터는 엑셀에 따로 스트리밍 수, 다운로드 수와 함께 정리하였다. 수집된 806곡의 데이터 중 Streaming 수가 1000만건 이상인 곡은 인기 있는 음원, 70만건 미만인 음원은 인기 없는 음원으로 분류하였다. 그 결과 인기 있는 음원은 218곡, 인기 없는 음원은 100곡으로 조사되었다.
감정 형용사는 노래가 가진 감성을 평가하는 하나의 항목으로써 전문가 패널이 음악을 듣고 각 선정된 감정 형용사들을 기반으로 노래를 평가한다. 앞선 과정을 통해 평가된 음악은 대중적으로 인기 있는 노래와 인기 없는 노래로 나누어 분석을 진행하며, 음악의 인기도와 가장 관련이 높은 변수를 도출한다. 도출된 변수는 요인 분석을 통해 재 분류 하고, 요인에 속하는 형용사들에 일정한 가중치를 부여하는 작업을 수행한다.
음원 평가는 4명의 전문가 패널이 곡을 듣고 감성형용사 60가지에 대하여 곡을 평가하는 방식으로 진행되었다. 총 100곡의 음원을 평가하였으며, 평가 방식은 특정 곡을 듣고 느껴지는 감성 60가지에 대하여 1~7까지 리커트 척도로 점수 감성 평가를 하였다.
이들 중사람이 느끼는 ‘감정’과 관련된 단어들을 형용사로 표현하여 ‘사랑하는’, ‘놀라운’, ‘떠오르는’, ‘정확한’, ‘떨리는’ 이라는 5개의 감정 형용사를 추출했다.
먼저, 분석에 필요한 감정 형용사를 정리하여 변수화 하고, 분석의 대상이 될 음원을 수집한다. 이후, 각 음원에 대해 감정 형용사별로 점수를 매겨 평가한다. 마지막으로 이러한 데이터를 통해 유사한 감성 패턴이 나오는 곡들을 비슷한 곡으로 묶는다.
장르를 고르거나 노래 제목을 입력하면 비슷한 분위기, 시대, 가수의 곡을 보여준 후 ‘좋아요’, ‘싫어요’ 단추를 통해 사용자 음악 취향을 파악한다.
popularity와 감정형용사가 서로 유의미한지 알아보기 위해 독립표본 T검정을 이용하여 두 변수 간 상관관계를 파악해보았다. 종속변수는 popularity이며 총 60개의 감정형용사에 대하여 서로 유의미한 값을 띄는지 살펴보았다. 독립표본 T검정을 통해 파악된 유의미한 변수는 다음과 같다: Exciting, Passionate, Strong, Enthusiastic, Regrettable, Awkward, Sorrow, Missing, Agony, Lonely, Sad, Warm, Unusual, Flutter, Obvious, Sensible, Addictive, Reversal, Pure, Elegant, Miserable, Harmonious, Sophisticated, Rhythmical, Bright, Comfortable.
최종적으로 23가지의 변수를 가지고 분석을 수행하였다. 주성분 분석을 이용하여 요인 추출을 하였으며, 베리맥스 방식을 적용하여 요인 회전을 수행하였다. 요인분석 수행 결과 총 5개의 요인이 도출되었으며, 각각의 요인들은 ‘Sorrow’, ‘Sweet’, ‘Modern’, ‘Enthusiastic’, ‘Warm’ 으로 명명하였다.
음원 평가는 4명의 전문가 패널이 곡을 듣고 감성형용사 60가지에 대하여 곡을 평가하는 방식으로 진행되었다. 총 100곡의 음원을 평가하였으며, 평가 방식은 특정 곡을 듣고 느껴지는 감성 60가지에 대하여 1~7까지 리커트 척도로 점수 감성 평가를 하였다. 4명의 전문가 패널이 점수를 매기고, 평균하여 점수화를 하였다.
5미만의 수치를 가지는 변수(Elegant, Reversal, Obvious)은 분석에서 배제하였다. 최종적으로 23가지의 변수를 가지고 분석을 수행하였다. 주성분 분석을 이용하여 요인 추출을 하였으며, 베리맥스 방식을 적용하여 요인 회전을 수행하였다.
추천 알고리즘을 평가할 때 주관적일 수 있는 부분을 보완하기 위하여 기존에 있던 60가지 형용사에 대한 곡의 거리 매트릭스와 비교를 하여 hit-ratio를 도출해보았다. 60가지 형용사에 대한 거리 매트릭스를 ‘정답’이라고 가정했을 때 추천 알고리즘을 통하여 얼마나 효율적으로 가까운 곡을 추천 할 수 있는지를 검증 방안으로 세웠다.
4명의 연구자들이 각각 일반인 4명에게 멜론차트의 각 장르음악의 1~4위곡의 1절을 들려준 후, 한 곡당 떠오르는 감정 형용사를 5개씩 수집하였다. 한 설문자 당 두 곡의 음원을 들려주고 떠오르는 5가지 형용사를 각각 기입하게 하는 방식을 취했다(Table 4).
Yoo et al(2018)연구에서는 온라인상의 소비자들의 태도, 의견, 성향 등을 정량적으로 수치화하여 상권의 매출액에 대한 관계를 확인하고 있다. 해당 연구에서는 SNS(Social Network Service)를 통해서 서울시 25개 지역구에 해당하는 연관 감성 어휘를 수집하였고, 소셜 네트워크분석을 통해 상권과 감성 어휘를 이들간의 관계를 제시하고 있다. Kim and Park(2017; 2018)의 연구에서는 소비자에게 제품 디자인(Product Design)과 이모티콘(Emoticon)을추천함에 있어서 소비자 감성을 기반한 추천 시스템을 제시하였다.

대상 데이터

기존 논문, 소셜 네트워크, 정성적 인터뷰를 통해 수집된 총 134개의 감정 형용사 중 비슷한 느낌의 어휘들은 대표적인 하나의 어휘로 묶었다. 예를 들면, ‘우울한’, ‘음울한’, ‘울적함’, ‘흐린’은 모두 <우울한>이라는 하나의 어휘로 생각하였다.
수집된 데이터는 2015년도 1주차 Streaming Chart부터 52주차 Streaming Chart까지를 기준으로 총 806곡의 데이터를 수집하였다. 데이터수집은 분석프로그래밍 툴인 R Studio를 이용하여 수집하였으며, 806곡의 데이터는 엑셀에 따로 스트리밍 수, 다운로드 수와 함께 정리하였다. 수집된 806곡의 데이터 중 Streaming 수가 1000만건 이상인 곡은 인기 있는 음원, 70만건 미만인 음원은 인기 없는 음원으로 분류하였다.
결과적으로 결과 도출된 총 60가지의 감정 형용사는 다음과 같다. 본 연구는 위의 절차를 거쳐 선정된 60개의 감정 형용사를 바탕으로 진행했다(Table 6).
수집된 데이터는 2015년도 1주차 Streaming Chart부터 52주차 Streaming Chart까지를 기준으로 총 806곡의 데이터를 수집하였다. 데이터수집은 분석프로그래밍 툴인 R Studio를 이용하여 수집하였으며, 806곡의 데이터는 엑셀에 따로 스트리밍 수, 다운로드 수와 함께 정리하였다.
일반적으로 사람들이 음악을 들을 때 느끼는 감정을 주로 어떤 형용사로 표현하는지 파악하기 위해 SNS의 키워드 기반으로 감정 형용사들을 수집하였다. 약 일주일(2016년 3월 21일 ~ 3 월 27일)동안 블로그, 트위터를 중심으로 데이터를 수집하였으며, 멜론차트 주간 Top100의 상위 20위 노래 제목들의 연관어들 중 사용자 심리 속성과 관련된 48개의 감정 형용사들을 도출하였다(Table 2).
최근 인기리에 방송중인 복면가왕 등 음악 경연 프로그램 또는 드라마 OST의 경우곡 자체뿐만 아니라 인기 있는 영상매체의 영향을 받기 때문에 Streaming 수에 영향을 줄 수 있다고 판단하여 제외하였다. 인기 있는 곡은 218곡중에 무작위로 60곡을 선정하였고, 인기 없는 곡은 꼴지 순위부터 40곡을 선정하여 총 100곡의 음원을 선정하였다.
정성적 조사 결과 선정된 형용사 중 선행 연구와 소셜 네트워크에서 중복으로 나타난 형용사를 제외하고 총 23개의 단어를 최종 선정하였다(Table 5).

데이터처리

popularity와 감정형용사가 서로 유의미한지 알아보기 위해 독립표본 T검정을 이용하여 두 변수 간 상관관계를 파악해보았다. 종속변수는 popularity이며 총 60개의 감정형용사에 대하여 서로 유의미한 값을 띄는지 살펴보았다.
본 연구에서는 유의성 검정으로 도출된 26가지의 변수에 대해서 요인분석을 통해 서로 관련 있는 변수들을 요인분석을 통해 축소하고자 하였다. 먼저 추출된 변수들간 관련성을 파악하기 위해 KMO (Keiser-Meyer-Olkin)검정과 Bartlett의 구형성 검정을 수행하였다. KMO 검정을 수행한 결과 계수값이 1에 가까운 0.
앞서 조사했던 100곡에 대한 형용사 평가를 기반으로 SWEMS 지수를 계산하였다. 계산된 점수는 곡 별 고유 점수가 될 수 있으며, 이는 곡간의 거리를 구하는 매트릭스에 사용되었다.
먼저 유의미한 변수를 파악하기 위해 Streaming 수가 1000만건이 넘는 데이터는 popularity(인기여부)를 1로, 70만건 미만 데이터에 대해서는 popularity를 0으로 변환하여 이산형 변수로 만들었다. 이 후 popularity 변수를 종속변 수로 하고 이와 관련 있는 유의미한 변수를 파악 하기 위해 카이제곱 검정, 독립표본 T검정 등을 통해 유의미한 변수를 도출하고자 하였다. 카이제곱 검정을 통해 popularity변수와 음원 기본정보를 담고 있는 변수 간 유의성을 파악하고자 하였다.

이론/모형

감성 평가를 위해 여러가지 음원에 대한 정보가 필요하였고, 본 연구에서는 대한민국 대중음악에 대한 공인 차트 정보를 제공해주는 ‘가온 차트’ 서비스를 활용하였다.
따라서 보다 다양한 감정 형용사의 수집을 위해 총 9가지의 장르음악(발라드, 댄스, 랩/힙합, R&B/Soul, 록, 일렉트로니카, 트로트, 포크, 인디음악)에 대한 정성조사를 실시하였다. 이와 같이 음악의 장르를 나누는 기준은 멜론 카테고리를 참조하였다. 조사 방법은 다음과 같다.

성능/효과

하지만 이외의 데이터에서는 유의미한 결과값을 찾을 수 없었다. 100곡의 데이터에 위와 같은 기본 정보들의 데이터가 충분하지 않아서 모두 유의하지 않은 결과를 보여줬을 가능 성도 있다. 하지만 어느 정도 규모가 있는 데이터 셋에 대해서 위와 같은 분석 결과가 나왔기 때문에 본 연구에서는 popularity와 음원 기본 정보에 대한 상관관계를 고려하지 않기로 하였다.
먼저 추출된 변수들간 관련성을 파악하기 위해 KMO (Keiser-Meyer-Olkin)검정과 Bartlett의 구형성 검정을 수행하였다. KMO 검정을 수행한 결과 계수값이 1에 가까운 0.87을 나타내고 있으며, Bartlett구형성 검정결과 유의 확률이 0.01 이하로 나타나 해당 변수들이 요인분석을 수행하기에 적합한 수준임을 확인되었다. 변수의 공통성을 확인한 결과 각 변수 사이의 공통성을 잘 설명하지 못하는 변수들은 분석에서 제외하였는데, 0.
음악을 분석함에 있어서 감성형용사를 이용하는 것이 어느 정도 유의한 것을 확인하였고, 이를 토대로 음악을 감상하는데 느낄 수 있는 감성을 크게 5가지 지수로 도출하였다. 각각은 Sweet, Warm, Enthusiastic, Modern, Sorrow 로 확인되었고, 이를 바탕으로 각 곡에 대한 고유 점수를 구할 수 있었다. 각 곡에 대한 점수는 곡 사이의 거리를 파악하는데 사용되었으며 이를 통해 도출된 곡 사이의 거리로 비슷한 패턴의 곡을 찾을 수 있었다.
또한, 가중치가 부여된 변수들의 유클리디언 거리를 계산하여 음원 간 거리를 확인하였다. 결과적으로 특정 곡과 가까이 있는 곡은 서로 성격이 유사하다는 것을 확인할 수 있었으며, 이를 음원 추천 알고리즘에 활용할 수 있을 것으로 판단하 였다(Table 8, 9).
즉, (1) 너무 큰 범주를 포함하는 단어, (2) 감정 형용사가 아닌 일반적인 형용사들은 배제하고 관련 형용사들을 도출하였다. 결과적으로, 선행 연구를 통해 선정했던 형용사와 소셜 트래픽을 통해 수집한 형용사의 중복된 단어를 배제하고 37가지의 감정 형용사를 도출하였다(Table 3).
비정형 데이터인 이모티콘을 구조화시키기 위해 소비자 감성을 기반으로 이모티콘에 대해 메타데이터화 작업을 수행하고, 객관적 지표를 추출하는 작업을 수행하였다. 결과적으로, 이모티콘 간의 유클리디안 거리를 통해 사용자에게 적절한 이모티콘을 추천하는 시스템을 제시하였다. 이러한 감성 기반의 연구 들은 소비자 감성을 지능형 시스템에 도입함으로써 소비자의 편의성 및 만족도 뿐만 아니라 관련 기업에서 전략적으로 활용 가능한 지적 자산으로 이용할 수 있다는 시사점을 보여주고 있다.
첫 번째로 Ballad장르가 있다. 발라드 장르의 네곡을 대표적으로 선정하고 패턴을 확인한 결과 SWEMS 지수 중 Warms지수와 Sorrow지수가 공통적으로 높게 나타나는 것으로 확인되었다. 즉, Ballad의 장르 특성상 조용하고 어느 정도 슬픔을 나타내고 있다는 것이 패턴에 드러났다(Figure 3).
기본 정보 변수 중 데이터 셋이 부족한 변수들(데이터 20건 미만)은 분석에서 제외하였다. 분석 결과 곡의 인기 여부와 음원 기본 정보들 사이 간에는 유의한 관계를 보이는 데이터가 없었다. 단측 검정으로 보았을 때 Ballad 정도가 곡의 인기 여부와 어느 정도 연관이 있다고 말 할 수 있겠다.
요인분석 수행 결과 총 5개의 요인이 도출되었으며, 각각의 요인들은 ‘Sorrow’, ‘Sweet’, ‘Modern’, ‘Enthusiastic’, ‘Warm’ 으로 명명하였다.
본 연구에서는 감성형용사를 기반으로 음악을 평가하고, 이를 기반으로 추천 알고리즘을 개발해보았다. 음악을 분석함에 있어서 감성형용사를 이용하는 것이 어느 정도 유의한 것을 확인하였고, 이를 토대로 음악을 감상하는데 느낄 수 있는 감성을 크게 5가지 지수로 도출하였다. 각각은 Sweet, Warm, Enthusiastic, Modern, Sorrow 로 확인되었고, 이를 바탕으로 각 곡에 대한 고유 점수를 구할 수 있었다.

후속연구

때문에 이를 고려하여 일정한 ‘감성 패턴’을 발견하여 음악에 적용함으로써 사람들에게 더 나은 사용자 가치(User Value), 또는 사용자 경험(User Experience)을 제공할 수 있을 것이다.
이는 추후 발전시켜 나가야 할 과제라고 할 수 있다. 마지막으로, 본 연구에서는 소비자들의 감정에 따른 음악 추천 알고리즘을 제시하고, 추천시 스템의 성과를 측정함에 있어서 연구자의 주관적인 판단이 개입되는 한계점을 가지고 있다. 이러한 한계점을 보완하기 위해 본 연구가 소비자의 감성을 다루는 만큼 소비자의 심리적 성향이 고려된다면 조금 더 다양한 인사이트를 제공할수 있을 것이다.
이러한 한계점을 보완하기 위해 본 연구가 소비자의 감성을 다루는 만큼 소비자의 심리적 성향이 고려된다면 조금 더 다양한 인사이트를 제공할수 있을 것이다. 소비자의 심리적 거리, 조절초점 성향, 구매의사결정 단계, 심리적 소유감 등 소비자 경험 관련 요인이 고려된다면 한층 더 심도 깊은 연구로 발전할 수 있을 것이다(Park, 2017b; 2017c; Seo and Park, 2018).
마지막으로, 본 연구에서는 소비자들의 감정에 따른 음악 추천 알고리즘을 제시하고, 추천시 스템의 성과를 측정함에 있어서 연구자의 주관적인 판단이 개입되는 한계점을 가지고 있다. 이러한 한계점을 보완하기 위해 본 연구가 소비자의 감성을 다루는 만큼 소비자의 심리적 성향이 고려된다면 조금 더 다양한 인사이트를 제공할수 있을 것이다. 소비자의 심리적 거리, 조절초점 성향, 구매의사결정 단계, 심리적 소유감 등 소비자 경험 관련 요인이 고려된다면 한층 더 심도 깊은 연구로 발전할 수 있을 것이다(Park, 2017b; 2017c; Seo and Park, 2018).
마지막으로 창작 활동을 하는데 도움을 줄 수 있다. 작곡자, 미술가 등이 작품 활동에 어려움을 겪을 때, 해당 알고리즘 등을 통해 창작 활동에 방향성을 잡는데 도움이 될 수 있을 것으로 기대된다.
기존 정성적 데이터는 주로 컨텐츠에 대한 수치보다는 해당 컨텐츠를 창작한 사람, 종류, 길이 또는 크기 등 물리적인 것을 통해 검색 할 수 밖에 없었다. 해당 알고리즘을 통해 컨텐츠 내용 자체에 대해 수치화를 할 수 있게 됨으로써 사용자로 하여금 비슷한 감성을 주는 컨텐츠를 좀 더 빠르게 검색하는데 도움을 줄 수 있을 것이다. 두 번째로 다양한 분야에 적용 할 수 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	음악이란 어떠한 행위인가?	음악은 인간의 감성을 소리로 표현하는 창조적 예술 행위이다. 음악은 사람들의 기분을 우울하게 혹은 기쁘게 변화시킬 수 있다.
	감성이란?	여기서 감성이란, 외부의 물리적 자극에 의한 감각 혹은 지각으로부터 인간 내부에 야기되는 고도의 심리적인 체험으로 쾌적감, 고급감, 불쾌감 등의 복합적인 감정을 일컫는다. 때문에 이를 고려하여 일정한 ‘감성 패턴’을 발견하여 음악에 적용함으로써 사람들에게 더 나은 사용자 가치(User Value), 또는 사용자 경험(User Experience)을 제공할 수 있을 것이다.
	멜론에서 제공하는 추천 시스템 서비스는 무엇이 있는가?	추천 시스템의 경우에도 마찬가지이다. 멜론의 경우, ‘멜론 라디오 맞춤채널’에서 최근 3일 내의 최근 들은 곡과 유사한 곡을 재생해주는 ‘나를 아는 맞춤 채널’을 운영하고 있으며, 스타 DJ를 기반으로 채널을 제공 중이다. 벅스의 경우, ‘벅스 라디오’ 를 운영하고 있다.

참고문헌 (23)

Bae, S.D., and D.-H. Park, "The Effect of Mobile Advertising Platform through Big Data Analytics: Focusing on Advertising, and Media Characteristics," Journal of Intelligence and Information Systems, Vol.24, No.2(2018), 37-57.
Choi, H., J., Lee, M.-U., Kim, J., Kim, H., Cho, H., Lee, and K., Yoon, "Music Recommendation System Based on User Emotion and Music Mood," Conference of The Korean Institute of Broadcast and Media Engineers, (2010), 142-145.
Choi, Y., and D.-H. Park, "Development of Youke Mining System with Youke's Travel Demand and Insight Based on Web Search Traffic Information," Journal of Intelligence and Information Systems, Vol.23, No.3(2017), 55-175.
Cohen, J. B., M. T., Pham, and E. B., Andrade, "The Nature and Role of Affect in Consumer Behavior," in Handbook of Consumer Psychology, C.P. Haugtvedt, P. Herr, and F. Kardes, eds. Mahwah, NJ: Lawrence Erlbaum Associates, 2007.
Ha, E., Y. Kim, and E. Hwang, "A Categorization Scheme Tag-based Folksonomy Images for Efficient Image Retrieval," KIISE Transaction on Computing Practices, Vol.22, No.6(2016), 290-295.

상세보기
Haitsma, J., and T., Kalker, "A highly robust audio fingerprinting system with an efficient search strategy," Journal of New Music Research, Vol.32, No.2(2003), 211-221.

상세보기
Jack, R. E., O. G. Garrod, H. Yu, R. Caldara, and P. G. Schyns, "Facial expressions of emotion are not culturally universal,". Proceedings of the National Academy of Sciences, Vol.109, No.19(2012), 7241-7244.

상세보기
Jang D. and S.-P. Lee "Audio Fingerprint Based on Combining Binary Fingerprints," Journal of broadcast engineering, Vol.17, No.4 (2012), 659-669.

원문보기 상세보기
Kang, T., and D.-H. Park, "The Effect of Expert Reviews on Consumer Product Evaluations: A Text Mining Approach," Journal of Intelligence and Information Systems, Vol.22, No.1(2016), 63-82.

원문보기 상세보기
Kang, T., D.-H. Park, and I. Han, "Beyond the numbers: The effect of 10-K tone on firms' performance predictions using text analytics," Telematics and Informatics, Vol.35, No.2 (2018), 370-381.

상세보기
Kim, K.-W., and D.-H. Park, "Design Evaluation Model Based on Consumer Values : Three-step Approach from Product Attributes, Perceived Attributes, to Consumer Values," Journal of Intelligence and Information Systems, Vol.23, No.4(2017), 57-76.
Kim, K.-W., and D.-H. Park, "Emoticon by Emotions: The Development of an Emoticon Recommendation System Based on Consumer Emotions," Journal of Intelligence and Information Systems, Vol.24, No.1(2018), 227-252.
Kim, S., "A Study on the expression aspect in emoticon," Korean Semantics, Vol.38(2012), 1-25.
Kim, Y., and D.-H. Park, "A Study on the Consumers' Knowledge Structure of Innovative Products through Product Category Concept Map: Focusing on 3D and Smart TV," Entrue Journal of Information Technology, Vol.12, No.3(2013), 181-197.
Kiu, C. C. and Tsui, E. "TaxoFolk: A hybrid taxonomy-folksonomy structure for knowledge classification and navigation," Expert Systems with Applications, Vol.38, No.5(2011), 6049-6058.

상세보기
Laniado, D., D. Eynard and M. Colombetti, "Using WordNet to turn a folksonomy into a hierarchy of concepts," In Semantic Web application and perspectives - fourth italian semantic Web workshop, (2007), 192-201.
Lee, D., T. Kang, and D.-H. Park, "The Research on PC-based Versus Mobile Device-based Shopping Behavior Depending on Consumer Purchase Decision Process: Focusing on Task-Technology Fit Theory," Entrue Journal of Information Technology, Vol.13, No.3(2014), 107-122.
Park, D.-H., "The Development of Travel Demand Nowcasting Model Based on Travelers' Attention: Focusing on Web Search Traffic Information," The Journal of Information Systems, Vol.26, No.3(2017a), 171-185.

원문보기 상세보기
Park, D.-H., "Virtuality as a Psychological Distance: The Strategy for Advertisement Message Appeal Depending on Virtuality," Journal of Information Technology Applications & Management, Vol.24, No.2 (2017b), 39-54.
Park, D.-H., "Virtuality as a Psychological Distance and Temporal Distance: Focusing on the Effect of Product Information Type on Product Attitude," Knowledge Management Research, Vol.18, No.3(2017c), 163-178.
Seo, B.-G., and D.-H. Park, "The Effect of Message Framing Depending on Psychological Ownership: Focusing on Information Security Behavior in Online Service," Knowledge Management Research, Vol.19, No.1(2018), 1-18.
Sinclair, J., and M., Cardew-Hall, "The folksonomy tag cloud: when is it useful?," Journal of Information Science, Vol.34, No.1(2008), 15-29.

상세보기
Yoo, I.-J., B.-G. Seo, and D.-H. Park, "Smart Store in Smart City: The Development of Smart Trade Area Analysis System Based on Consumer Sentiments," Journal of Intelligence and Information Systems, Vol.24, No.1(2018), 25-52.

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증