본 연구는 신문기사로부터 수집한 웨어러블 관련 텍스트를 대상으로 텍스트마이닝을 수행하여 웨어러블 관련 키워드의 트렌드를 분석하였다. 이를 위해 1992년부터 2019년까지 신문기사 11,952건을 수집하여 빈도분석과 바이그램 분석을 적용하였다. 빈도분석 결과 삼성전자, LG전자, 애플이 최상위 빈도어로 추출되었으며 스마트워치, 스마트밴드가 기기 측면에서 지속적으로 등장하였음을 알 수 있었다. 또한 IT전시회가 매년 고빈도어로 나타났으며 차세대 기술 관련 키워드와 융합된 내용이 기사화되는 것을 볼 수 있었다. 바이그램 분석 결과, 세계-최초, 세계-최대 같은 단어 묶음이 지속적으로 등장하였으며 이슈나 이벤트가 발생할 때마다 관련된 새로운 단어 묶음이 도출됨을 확인할 수 있었다. 이러한 웨어러블 관련 키워드의 트렌드 추이 파악은 웨어러블 동향과 향후 방향성을 이해하는데 유용할 것이다.
본 연구는 신문기사로부터 수집한 웨어러블 관련 텍스트를 대상으로 텍스트마이닝을 수행하여 웨어러블 관련 키워드의 트렌드를 분석하였다. 이를 위해 1992년부터 2019년까지 신문기사 11,952건을 수집하여 빈도분석과 바이그램 분석을 적용하였다. 빈도분석 결과 삼성전자, LG전자, 애플이 최상위 빈도어로 추출되었으며 스마트워치, 스마트밴드가 기기 측면에서 지속적으로 등장하였음을 알 수 있었다. 또한 IT전시회가 매년 고빈도어로 나타났으며 차세대 기술 관련 키워드와 융합된 내용이 기사화되는 것을 볼 수 있었다. 바이그램 분석 결과, 세계-최초, 세계-최대 같은 단어 묶음이 지속적으로 등장하였으며 이슈나 이벤트가 발생할 때마다 관련된 새로운 단어 묶음이 도출됨을 확인할 수 있었다. 이러한 웨어러블 관련 키워드의 트렌드 추이 파악은 웨어러블 동향과 향후 방향성을 이해하는데 유용할 것이다.
The purpose of this study is to analyze the trends of wearable keywords using text mining methodology. To this end, 11,952 newspaper articles were collected from 1992 to 2019, and frequency analysis and bi-gram analysis were applied. The frequency analysis showed that Samsung Electronics, LG Electro...
The purpose of this study is to analyze the trends of wearable keywords using text mining methodology. To this end, 11,952 newspaper articles were collected from 1992 to 2019, and frequency analysis and bi-gram analysis were applied. The frequency analysis showed that Samsung Electronics, LG Electronics, and Apple were extracted as the highest frequency words, and smart watches and smart bands continued to emerge as higher frequency in terms of devices. As a result of the analysis of the bi-gram, it was confirmed that the sequence of two adjacent words such as world-first and world-largest appeared continuously, and related new bi-gram words were derived whenever issues or events occurred. This trend of wearable keywords will be useful for understanding the wearable trend and future direction.
The purpose of this study is to analyze the trends of wearable keywords using text mining methodology. To this end, 11,952 newspaper articles were collected from 1992 to 2019, and frequency analysis and bi-gram analysis were applied. The frequency analysis showed that Samsung Electronics, LG Electronics, and Apple were extracted as the highest frequency words, and smart watches and smart bands continued to emerge as higher frequency in terms of devices. As a result of the analysis of the bi-gram, it was confirmed that the sequence of two adjacent words such as world-first and world-largest appeared continuously, and related new bi-gram words were derived whenever issues or events occurred. This trend of wearable keywords will be useful for understanding the wearable trend and future direction.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
이렇게 웨어러블 기기의 향후 전망은 주로 소비자의 수용 의사를 분석하거나[9,10] 관련 기술들의 동향을 분석한 것이기[4-6] 때문에 소비자의 응답편향 효과[12]나 연구자의 주관적 가치가 반영될 위험성이 있다는 단점이 있다. 그러므로 본 연구는 기존의 차세대 기술 전망에 관련한 연구가 갖는 단점을 보완하기 위해서 텍스트마이닝 방법을 사용하여 비정형 텍스트 자료에 근거한 정량적 분석을 수행하고자 한다. 이에 신문기사가 최신 IT 관련 기술 및 동향에 관한 정보들을 지속적으로 기사화하기 때문에 IT 관련 변화를 알 수 있는 의미있는 자료이고 언론 보도가 사회적 주제 외에도 다양한 전문적 지식들을 포함하여 이루어진다[13]는 가정에서 출발하여 신문기사로 보도된 ‘웨어러블’ 관련 기사를 통해 관련 동향을 파악하는 것을 목적으로 하였다.
본 논문에서는 1992년부터 2013년까지 기사수가 많지 않기 때문에 1992년부터 2013년까지의 기사는 한꺼번에 모은 것을, 그 이후는 연도별 기사를 대상으로 하여 빈도분석, 바이그램 분석을 적용해보고자 한다.
본 연구는 지금까지 웨어러블 관련 기사들에서 어떤 키워드들이 주로 다뤄졌는지 확인하는데 있어 텍스트마이닝 방법을 활용하여 다량의 데이터를 분석하였다는 데에 의의가 있다. 이는 기존의 일반적인 내용분석 방법과는 달리 텍스트마이닝 방법을 사용하여 단어의 통계량을 계산함으로써 웨어러블 관련 키워드의 변화를 파악한 실험적인 연구이다.
N그램은 문자열의 연쇄, 즉 텍스트에서 연속적으로 나타나는 언어 단위의 집합을 가리키는 것으로 N그램을 분석한다는 것은 한 언어에 나타난 N개의 연속된 단위를 계량적으로 추출하는 확률적 언어 연구 모델이다[35]. 본 연구에서는 바이그램으로 텍스트에서 2개의 연속된 명사 단위의 집합을 추출하여 웨어러블 관련 기사에서 고빈도 표현 문형을 살펴보고자 한다.
이에 신문기사가 최신 IT 관련 기술 및 동향에 관한 정보들을 지속적으로 기사화하기 때문에 IT 관련 변화를 알 수 있는 의미있는 자료이고 언론 보도가 사회적 주제 외에도 다양한 전문적 지식들을 포함하여 이루어진다[13]는 가정에서 출발하여 신문기사로 보도된 ‘웨어러블’ 관련 기사를 통해 관련 동향을 파악하는 것을 목적으로 하였다.
제안 방법
이때 N개의 연속된 요소는 문자 단위 또는 단어 단위로도 추출할 수 있으며 N값이 2일 때 바이그램이라고 부른다. 그러므로 우리는 바이그램 알고리즘을 사용하여 웨어러블 관련 기사에는 시간이 변함에 따라서 어떤 단어들이 연속해서 등장하며 연속해서 등장하는 단어들의 변화가 있는지 살펴보았다.
예를 들어, ‘웨어러블’ 관련기사에는 관련 기술에 대해서 한글 및 영문용어가 혼재되어 있는데(플렉서블, flexible, 사물인터넷, IoT, 인공 지능, AI 등) 이와 같이 같은 의미의 한글 및 영문용어는 한글용어로 변환하는 작업을 수행하였다. 다음으로 1차 추출된 키워드에서 누락된 키워드들을 사용자 사전에 포함시키는 작업을 수행하였다. 웨어러블 관련 기사에서는 세계적인 IT 전시회에 관한 영문용어들이 다수 포함되어 있었는데 이러한 용어들을 사전에 추가하는 작업을 수행하였다.
다음으로 확률적 언어모형인 N그램 알고리즘 중 바이그램 모형을 사용하여 2개의 연속된 단어 묶음을 추출하였다. N그램 알고리즘은 N개의 문자열 크기만큼의 창을 만들어 문자열을 왼쪽에서 오른쪽으로 한 단위씩 움직이며 추출되는 시퀀스(sequence) 집합의 출현 빈도수를 기록하여 공통적으로 자주 나오는 연속된 문자를 추출하는 방법이다[31].
본 연구는 웨어러블에 관련한 핵심 용어의 분석을 위해 1992년부터 2019년까지 보도된 신문기사 11,952건을 수집하고 해당 기사들에 대해 텍스트마이닝 방법론 중 빈도분석과 바이그램 분석을 통해 핵심 키워드를 추출하는 분석을 수행하였다. 주요 결과들을 살펴보면 다음과 같다.
이를 위해 텍스트마이닝 방법론 중 빈도분석과 바이그램 분석을 이용한다. 빈도분석을 통해서는 신문기사에서 가장 많이 등장한 키워드를 분야별로 선별하고 바이그램 분석으로 연속적으로 등장하는 키워드의 묶음을 통해 웨어러블 관련 주제들의 변화를 살펴보았다. 웨어러블 관련 주제와 동향은 앞으로의 웨어러블 산업의 변화를 조망하는데 기초자료로 활용될 수 있을 것이다.
또한 이러한 용어들을 추출하기 위해서 1차 키워드 추출 시 명사만 추출했다면 이번에는 외국어 키워드도 포함하여 빈도분석을 수행하였다. 이러한 빈도분석을 연도별로 수행함으로써 웨어러블 관련 어떤 키워드들이 자주 나타나고 있는지와 함께 연도별 변화를 파악하였다.
이렇게 1차로 추출된 키워드에 대해서 추가적인 수정작업을 수행하여 최종적으로 상위 500개의 키워드를 추출하였다. 추가적인 수정 작업은 우선 1차 추출된 키워드를 점검하여 키워드를 변환하는 작업을 수행하였다. 예를 들어, ‘웨어러블’ 관련기사에는 관련 기술에 대해서 한글 및 영문용어가 혼재되어 있는데(플렉서블, flexible, 사물인터넷, IoT, 인공 지능, AI 등) 이와 같이 같은 의미의 한글 및 영문용어는 한글용어로 변환하는 작업을 수행하였다.
우선 빈도분석은 TF(Term Frequency) 기반으로 도출하였다. 한글 빈도분석을 위해서는 한글사전에 등록된 품사 중에서 명사 단위의 키워드를 추출하는 함수를 사용하여 1차 키워드를 추출하였다. 이렇게 1차로 추출된 키워드에 대해서 추가적인 수정작업을 수행하여 최종적으로 상위 500개의 키워드를 추출하였다.
대상 데이터
본 연구에서는 뉴스빅데이터 분석시스템인 빅카인즈(https://www.bigkinds.or.kr/)를 통해 ‘웨어러블’ 또는 ‘wearable’ 키워드가 포함된 기사를 1990년 1월1일부터 2019년 12월 31일까지 11개 중앙지(경향신문, 국민일보, 내일신문, 동아일보, 문화일보, 서울신문, 세계일보, 조선일보, 중앙일보, 한겨레, 한국일보) 및 2개 전문지(디지털타임스, 전자신문)를 대상으로 검색하였다.
본 연구의 데이터는 1992년부터 2019년까지 발행된 신문기사들 중에서 ‘웨어러블’ 또는 ‘wearable’을 키워드로 하여 추출한 신문기사들을 최종 분석 대상으로 선정하였다.
한글 빈도분석을 위해서는 한글사전에 등록된 품사 중에서 명사 단위의 키워드를 추출하는 함수를 사용하여 1차 키워드를 추출하였다. 이렇게 1차로 추출된 키워드에 대해서 추가적인 수정작업을 수행하여 최종적으로 상위 500개의 키워드를 추출하였다. 추가적인 수정 작업은 우선 1차 추출된 키워드를 점검하여 키워드를 변환하는 작업을 수행하였다.
데이터처리
구체적으로 사용된 R 프로그램의 패키지를 살펴보면, 한글 텍스트마이닝을 위해 ‘KoNLP’가 사용되었으며 빈도분석, 바이그램 분석을 위한 데이터구조를 만들기 위해 ‘tidyverse’와 ‘dplyr’ 패키지를 이용하였고 바이그램 그래프 작성을 위해서 ‘ggraph’ 패키지를 이용하였다.
웨어러블 관련 기사에서는 세계적인 IT 전시회에 관한 영문용어들이 다수 포함되어 있었는데 이러한 용어들을 사전에 추가하는 작업을 수행하였다. 또한 이러한 용어들을 추출하기 위해서 1차 키워드 추출 시 명사만 추출했다면 이번에는 외국어 키워드도 포함하여 빈도분석을 수행하였다. 이러한 빈도분석을 연도별로 수행함으로써 웨어러블 관련 어떤 키워드들이 자주 나타나고 있는지와 함께 연도별 변화를 파악하였다.
수집된 텍스트 자료는 오픈소스 프로그램인 R-3.6.2버전을 사용하여 분석하였다. 구체적으로 사용된 R 프로그램의 패키지를 살펴보면, 한글 텍스트마이닝을 위해 ‘KoNLP’가 사용되었으며 빈도분석, 바이그램 분석을 위한 데이터구조를 만들기 위해 ‘tidyverse’와 ‘dplyr’ 패키지를 이용하였고 바이그램 그래프 작성을 위해서 ‘ggraph’ 패키지를 이용하였다.
이에 신문기사가 최신 IT 관련 기술 및 동향에 관한 정보들을 지속적으로 기사화하기 때문에 IT 관련 변화를 알 수 있는 의미있는 자료이고 언론 보도가 사회적 주제 외에도 다양한 전문적 지식들을 포함하여 이루어진다[13]는 가정에서 출발하여 신문기사로 보도된 ‘웨어러블’ 관련 기사를 통해 관련 동향을 파악하는 것을 목적으로 하였다. 이를 위해 텍스트마이닝 방법론 중 빈도분석과 바이그램 분석을 이용한다. 빈도분석을 통해서는 신문기사에서 가장 많이 등장한 키워드를 분야별로 선별하고 바이그램 분석으로 연속적으로 등장하는 키워드의 묶음을 통해 웨어러블 관련 주제들의 변화를 살펴보았다.
이론/모형
우선 빈도분석은 TF(Term Frequency) 기반으로 도출하였다. 한글 빈도분석을 위해서는 한글사전에 등록된 품사 중에서 명사 단위의 키워드를 추출하는 함수를 사용하여 1차 키워드를 추출하였다.
성능/효과
kr/)를 통해 ‘웨어러블’ 또는 ‘wearable’ 키워드가 포함된 기사를 1990년 1월1일부터 2019년 12월 31일까지 11개 중앙지(경향신문, 국민일보, 내일신문, 동아일보, 문화일보, 서울신문, 세계일보, 조선일보, 중앙일보, 한겨레, 한국일보) 및 2개 전문지(디지털타임스, 전자신문)를 대상으로 검색하였다. 그 결과, 1990년과 1991년에는 한 건의 기사도 없었고 1992년부터 2019년까지 총 11,952건의 기사가 검색되었다. 2개의 전문지인 디지털타임스와 전자신문을 포함시킨 이유는 ‘웨어러블’ 키워드가 IT 관련 용어이다 보니 IT 관련 전문지에서 다루는 기사수(7,068건)가 중앙지의 기사수(4,884건)보다 많기 때문이다.
2018년부터 로봇과 단어 묶음들이 등장하기 시작하였는데 웨어러블 관련 제품이 일반 소비자용에서 산업용으로 다양화되어가는 과정으로 읽혀진다. 또한 빈도분석 결과에서 나온 것처럼 차세대 기술 관련 이슈(4차 산업혁명)나 이벤트(평창 동계올림픽, SBS 드라마, 알파고 이세돌 바둑 대결 등)가 발생할 때마다 관련한 새로운 단어 묶음이 도출됨을 확인할 수 있었다. 그러나 소비자와 관련된 단어묶음은 모든 연도에서 등장하지 않았다.
이는 웨어러블 기술이 차세대 IT 기술이므로 주로 관련 기사가 기술 개발에 관한 내용이나 전시회에서 신제품 공개나 시연 같은 내용에 대해 다루기 때문이다. 또한 웨어러블과 관련 없어 보이는 단어 묶음들이 때로 등장하는 것을 볼 수 있는데 이는 차세대 기술 관련 이슈나 이벤트가 발생할 때마다 웨어러블과 연관되어 기사가 나왔음을 확인할 수 있었다.
마지막으로 2019년 결과에서는 ‘360-카메라’와 함께 ‘KT-5G’가 웨어러블과 함께 묶음으로 표현되었는데 이는 KT가 5G기반 넥밴드형 카메라를 출시함으로써 이에 대한 기사가 많이 나온 것으로 보인다.
분석을 통해 나타난 결과의 의미를 보면 본 연구가 1992년부터 2019년까지 신문기사의 분석이라지만 실제 웨어러블 관련 기사는 2010년 이후부터 비로소 본격적으로 시작되었다고 할 수 있다. 즉, 웨어러블 기술의 역사는 길지만 실제 대중매체가 웨어러블 기술을 다루기 시작한 시점은 그리 오래되지 않았다.
이와 같이 1992년부터 2019년까지 웨어러블 관련 기사에서 나온 상위 키워드들의 변화를 살펴보면 삼성전자, LG전자, 애플이 지속적으로 최상위 빈도어로 추출되었으며 구글은 초기에는 구글글래스로 인해 많이 등장하다가 구글글래스가 출시가 지연되면서 2015년부터는 최상위 빈도어로 추출되지 않았다. 기기 측면에서는 스마트워치, 스마트밴드가 가장 많이 등장하였으며 그 외의 대중적인 기기의 다양화는 많이 이루어지지 않다가 2019년 도에 이어폰이 상위 키워드로 추출되었다.
미국의 IT 자문회사인 가트너(Gartner) 자료에 따르면 전 세계 소비자들이 웨어러블 기기 구입에 지출한 비용은 2019년 410억 달러로 예상되고, 2020년에는 이보다 27% 상승한 520억 달러에 이를 것이라고 전망했다[6]. 특히, 소비자들은 웨어러블 기기 중에서도 스마트워치와 스마트 의류에 가장 많은 지출을 할 것으로 내다봤으며, 두 기기의 지출은 2020년에 각각 34%, 52% 증가할 것으로 예측했다. 반면, 웨어러블 기기 중 판매량의 1/3, 매출의 2/3를 차지하는 스마트워치의 경우, 전 세계에서 스마트워치를 가장 많이 판매한 Apple이 정확한 수치는 발표하지 않았지만 기대치보다 낮은 판매량을 기록하였고 태블릿 등 다른 기기보다 판매율이 뒤처지고 있다고 인정하였다[7].
후속연구
빈도분석을 통해서는 신문기사에서 가장 많이 등장한 키워드를 분야별로 선별하고 바이그램 분석으로 연속적으로 등장하는 키워드의 묶음을 통해 웨어러블 관련 주제들의 변화를 살펴보았다. 웨어러블 관련 주제와 동향은 앞으로의 웨어러블 산업의 변화를 조망하는데 기초자료로 활용될 수 있을 것이다.
이는 기존의 일반적인 내용분석 방법과는 달리 텍스트마이닝 방법을 사용하여 단어의 통계량을 계산함으로써 웨어러블 관련 키워드의 변화를 파악한 실험적인 연구이다. 이러한 웨어러블 관련 키워드의 트렌드 추이 파악은 웨어러블 관련 동향과 향후 방향성을 이해하는데 유용할 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
MIT 미디어랩이란 무엇인가?
MIT 미디어랩 (MIT Media Lab)은 웨어러블 기기를 “신체에 부착하여 컴퓨팅 행위를 할 수 있는 모든 전자기기를 지칭하며, 일부 컴퓨팅 기능을 수행할 수 있는 어플리케이션까지 포함”하는 것으로 정의하고 있다[1]. 이에 웨어러블 기기는 단순히 액세서리처럼 전자기기를 몸에 착용하는 것이 아니라, 사용자 신체의 가장 가까운 위치에서 사용자와 소통할 수 있는 전자기기이다[2].
웨어러블 관련 기사가 2016년부터 감소하여 2019년까지 2000건 미만으로 기사가 나온 이유는 무엇인가?
1992년부터 2012년까지 웨어러블 관련 기사는 매해 100건 미만으로 검색되다가 2013년부터 본격적으로 기사수가 증가하기 시작하여 2014년과 2015년에 각각 2000건을 넘어서다가 다시 2016년부터 감소하여 2019년까지 2000건 미만으로 기사가 나왔다. 이는 웨어러블 관련 시장이 아직 소비자에게 확실한 믿음을 주지 못한채 틈새시장에 머물고 있기 때문인 것으로 보인다[20].
텍스트마이닝이란 무엇인가?
텍스트마이닝은 텍스트 형태로 이루어진 비정형 텍스트 데이터들을 자연어 처리 방식(Natural Language Processing)을 이용하여 가치와 의미가 있는 정보를 찾아내는 기술이라고 할 수 있다[21]. 사용자는 텍스트마이닝 방법을 통해 방대한 정보 뭉치에서 의미 있는 정보를 추출해 내고, 단어의 출현빈도, 단어 간 관계성 등 단순한 정보검색 그 이상의 결과를 얻어낼 수 있다[22].
참고문헌 (37)
J. O. Seo. (2018). Smart Wearable Technologies in Construction. Construction engineering and management, 19(4), 58-63.
D. G. Kim. (2013). Wearable Device Trends and Implications. KISDI Telecommunication Policy Research, 25(21), 1-26.
E. O. Thorp & E. O. Thorp Associates. (1998). The Invention of the First Wearable Computer. Digest of Papers. Second International Symposium on Wearable Computers (Cat. No.98EX215).
B. S. Choi. (2015). Wearable Device Technology and Market Status. S&T Market Report, 26, 1-22.
B. Y. Jung. (2018). Wearable Device Market Status and Prospect. KISDI Telecommunication Policy Research, 30(20), 1-7.
Gartner. (2019-10-30). Gartner Says Global End-User Spending on Wearable Devices to Total $52 Billion in 2020. https://www.gartner.com/en/newsroom/press-releases/2019-10-30-gartner-says-global-end-user-spending-on-wearable-dev
L. Larsen. (2016-12-2). 5 Signs That Smartwatches Are Nearly a Dead Product. https://www.pastemagazine.com/tech/smartwatch/5-signs-that-smartwatches-are-nearly-a-dead-product/.
S. W. Yoon, J. W. Lee, S. H. Kim & C. R. Yoo. (2019). Exploring the Chasm in Smart Watch Market : Q-Method Study of Non-Adopters. Journal of Information Technology Services, 18(1), 27-44.
K. J. Kim & D. H. Shin. (2015). An acceptance model for smart watches: Implications for the adoption of future wearable technology. Internet Research, 25(4), 527-541.
S. H. Chuah, P. A. Rauschnabel, N. Krey, B. Nguyen, T. Ramayah & S. Lade. (2016). Wearable technologies: The role of usefulness and visibility in smartwatch adoption. Computers in Human Behavior, 65, 276-284.
S. Ram. (1987). A model of innovation resistance. Advances in Consumer Research, 14, 208-212.
S. Kim, I. Shin & J. Jeong. (2011). Personality Traits and Response Styles. Survey Research, 12(2), 51-76.
J. Y. An, K. B. Ahn & M. Song. (2016). Text Mining Driven Content Analysis of Ebola on News Media and Scientific Publications. Journal of the Korean Library and Information Science Society, 50(2), 289-307.
W. W. Kim & J. S. Kim. (2018). A Trends of Wearable Device & Healthcare Industries. Review of Korea Contents Association, 16(4), 14-19.
C. Harito, L. Utari, B. R. Putra, B. Yuliarto, S. Purwanto, S. Z. J. Zaidi, D. V. Bavykin, F. Marken & F. C. Walsh. (2020). Review-The Development of Wearable Polymer-Based Sensors: Perspectives. Journal of The Electrochemical Society, 167(3).
H. Shi, H. Zhao, Y. Liu, W. Gao & S. C. Dou. (2019). Systematic Analysis of a Military Wearable Device Based on a Multi-Level Fusion Framework: Research Directions. Sensors, 19(12),
B. H. Thomas & C. Sandor. (2009). What Wearable Augmented Reality can do for you. IEEE Pervasive Computing, 8(2), 8-11.
J. Pansiot, D. Stoyanov, D. Mcllwraith, B. P. L. Lo & G. Z. Yang. (2007). Ambient and Wearable Sensor Fusion for Activity Recognition in Healthcare Monitoring Systems. 4th International Workshop on Wearable and Implantable Body Sensor Networks (BSN 2007), 208-212.
ChosunBiz. (2017-3-22). Wearables that cooled too quickly. https://biz.chosun.com/site/data/html_dir/2017/03/22/2017032203290.html
J. H. Jo, Y. T. Chung, S. W. Choi & C. S. Ok. (2018). Unstructured Data Quantification Scheme Based on Text Mining for User Feedback Extraction. Journal of Society of Korea Industrial and Systems Engineering, 41(4), 131-137.
A. H. Tan. (1999). Text Mining: The state of the art and the challenges. Proceedings of the PAKDD 1999 Workshop on Knowledge Disocovery from Advanced Databases, 65-70.
J. Silge & D. Robinson. (2017). Text Mining with R: A Tidy Approach. O'Reilly. DOI: 10.18637/jss.v083.b01.
S. J. Lee, S. H. Lee, H. J. Seol & Y. T. Park. (2008). Using patent information for designing new product and technology: keyword based technology roadmapping. R&D Management, 38(2), 169-188.
N. K. Jang & M. J. Kim. (2017). Research Trend Analysis in Fashion Design Studies in Korea using Topic Modeling. Journal of Digital Convergence, 15(6), 415-423.
M. J. Kim & C. J. Kim. (2016). Trend Analysis of News Articles Regarding Sungnyemun Gate using Text Mining. The Journal of the Korea Contents Association, 17(3), 474-485.
Y. H. Kim. (2012). Analysis of Connection Centrality Degree of Hot Terminologies According to the Discourses of Privatization of Health Care. The Journal of the Korea Contents Association, 12(8), 207-214.
S. K. Kang, H. Yoo & Y. J. Lee. (2016). Analyzing Disaster Response Terminologies by Text Mining and Social Network Analysis. Information Systems Review, 18(1), 141-155.
K. A. Kim & J. H. Ku. (2017). A Study on the Change of the View of Love using Text Mining and Sentiment Analysis. Journal of Digital Convergence, 15(2), 285-294.
J. S. Hong & I. K. Oh. (2016). Image difference of before and after an incident using social big data analysis : Focusing on a ramp return of "K" airline. International Journal of Tourism and Hospitality Research, 30(6), 119-133.
D. Jurafsky & J. H. Martin. (2008). Speech and Language Processing. Prentice Hall. DOI: 10.1162/089120100750105975.
Digital daily. (2014-5-8). IoT basic plan confirmed...Expansion to 30 trillion market by 2020. http://m.ddaily.co.kr/m/m_article/?no118162.
J. S. Park & H. R. Hong. (2019). A study on the distribution of formulaic expressions for academic texts through corpus analysis. Bilingual Research, 77, 65-98.
K. I. Nam. (2013). A Study on Analysis Units of Korean Formulaic Expressions: Focused on the Comparison between Morpheme-Based Analysis and Ecel-Based Analysis. Discourse and Cognition, 20(1), 113-136.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.