[논문]온라인 고객 리뷰를 활용한 제품 효과 분석 기법

임영서; 이소영; 이지나; 류보경; 김현희

doi:10.3745/ktsde.2020.9.9.259

온라인 고객 리뷰를 활용한 제품 효과 분석 기법
A Technique for Product Effect Analysis Using Online Customer Reviews 원문보기

정보처리학회논문지. KIPS transactions on software and data engineering. 소프트웨어 및 데이터 공학, v.9 no.9, 2020년, pp.259 - 266

임영서 (동덕여자대학교 정보통계학과) , 이소영 (동덕여자대학교 정보통계학과) , 이지나 (동덕여자대학교 문헌정보학과) , 류보경 (동덕여자대학교 정보통계학과) , 김현희 (동덕여자대학교 정보통계학과)

초록
AI-Helper

본 논문에서는 온라인 고객 리뷰를 활용하여 건강 보조제, 화장품 등 현재의 상태를 개선하기 위해 사용되는 제품을 대상으로 그 효과를 알아보기 위한 제품 효과 분석 기법을 제시하였다. 제안하는 제품 효과 분석 기법은 블로그 포스팅에 존재하는 광고를 자동 제거하고, 효과 분석을 위한 증상, 효과, 증가, 및 감소로 이루어진 단어 사전을 구축하며, 제안하는 알고리즘을 통해 제품의 효과를 측정한다. 제품 효과 분석 기법을 검증하기 위해 정답 레이블이 존재하는 네이버 쇼핑 리뷰 데이터셋을 대상으로 성능평가를 실시하였으며, 전통적인 긍부정 사전과 RNN 모델과 성능을 비교하였다. 실험 결과, 본 논문에서 제안하는 효과 분석 기법이 다른 두가지 방법보다 정확도가 뛰어남을 보여주었다. 또한, 아토피 피부염, 여드름 치료제에 제안하는 기법을 적용하여 소셜 미디어에 나타난 효과적인 치료법을 소개하였다. 본 논문에서 제시한 알고리즘은 블로그를 포함한 여러 매체의 리뷰로부터 제품의 효과를 점수화할 수 있으므로 다양한 제품군과 소셜 미디어에 적용될 수 있을 것으로 보인다.

Abstract ▼ AI-Helper

In this paper, we propose a novel scheme for product effect analysis, termed PEM, to find out the effectiveness of products used for improving the current condition, such as health supplements and cosmetics, by utilizing online customer reviews. The proposed technique preprocesses online customer reviews to remove advertisements automatically, constructs the word dictionary composed of symptoms, effects, increases, and decreases, and measures products' effects from online customer reviews. Using Naver Shopping Review datasets collected through crawling, we evaluated the performance of PEM compared to those of two methods using traditional sentiment dictionary and an RNN model, respectively. Our experimental results shows that the proposed technique outperforms the other two methods. In addition, by applying the proposed technique to the online customer reviews of atopic dermatitis and acne, effective treatments for them were found appeared on online social media. The proposed product effect analysis technique presented in this paper can be applied to various products and social media because it can score the effect of products from reviews of various media including blogs.

주제어

표/그림 (6)

표 Table 1. Examples of the Weight Dictionary
표 Table 2. Product Effectiveness Measurement Algorithm
그림 Fig. 1. Accuracy Graph for Performance Tests
표 Table 3. Crawling Result
그림 Fig. 2. Boxplot of Results of the PEM Algorithm
그림 Fig. 3. Boxplot of Results of the PEM Algorithm

AI 본문요약
AI-Helper

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

문제 정의

상품 리뷰를 분석할 때 다수의 글이 광고성 글들이므로 이러한 광고글을 찾아내 제거한 뒤 분석하는 것이 필수적이다. 따라서 본 논문에서는 html 태그, 정규 표현식 등을 이용하여 광고를 자동으로 삭제할 수 있는 광고 제거 알고리즘을 개발하여 분석의 정확도를 낮추는 광고를 사전에 제거하였다.
본 논문에서는 기존의 감성 분석과는 달리 상품의 후기에 담긴 효과를 정확히 판단하기 위해 증상, 효과, 증가, 감소로 구성된 단어 사전을 구축하고 이를 기반으로 효과 점수를 측정하는 알고리즘을 개발하였다. 또한, 광고가 섞여 있는 경우에는 분석 결과에 대한 신뢰도가 떨어지게 되므로 이를 제거하기 위한 광고 제거 작업도 수행하였다.
본 논문에서는 길이가 긴 텍스트의 감성 분석과 동시에 다양한 주제 중 ‘효과’라는 속성에 대해 특화된 주제에 대해 성능평가를 실시하였다.
본 논문에서는 소셜 미디어상의 무분별한 광고를 제외한 아토피 치료법의 실제 효과를 판단하기 위해 광고를 제거하는 전처리와 효과 분석을 위한 사전 구축, 그리고 사용자 반응을 평가하는 PEM을 활용하는 소셜 미디어를 활용한 감성 분석모델을 제안하였다.
본 논문의 공헌은 적용 사례로 든 아토피 치료, 여드름 치료와 같이 효과를 알고자 하는 여러 제품군의 효과를 분석하는 데에 있어 효율적인 감성 분석모델을 제안한 것이다. 이를 위해 네이버 블로그 포스팅 중 분석 대상과 관련된 정보를 수집하였고, 광고를 제거함으로써 신뢰도를 높일 수 있었다.
제4장에서 실시한 성능 평가의 결과를 보면 알 수 있듯이 PEM 알고리즘은 텍스트의 효과를 분석하는데 적합한 알고리즘이다. 이를 알고리즘의 구축 배경이었던 네이버 블로그에 적용해보고, 더불어 성능 평가와 달리 제품이 아닌 대상에 대한 후기에서도 효과를 분석해보고자 하였다.

제안 방법

‘아토피 치료’와 관련된 새로운 키워드와 기존에 자주 언급되는 키워드를 선정하기 위해 파이썬의 BeautifulSoup 라이브러리와 request 패키지를 활용하여 뉴스 크롤링을 진행하였다.
성능평가를 시행하기 위해 한국어 감성 분석 사전인 KNU 사전 기반 감성 분석과 텍스트 분류에 유용한 RNN을 선정하여 비교하였다. 3개의 제품 리뷰 데이터의 분석을 위해 파이썬의 Tensorflow 패키지를 활용하여 드롭아웃 0.2, 이진 분류에 해당하므로 출력층의 활성화 함수로 Sigmoid, 최적화 함수 Rmsprop, 손실함수 Binary_Crossentropy를 부여하여 RNN 모델을 제작하였다. 전체 데이터의 70%를 훈련데이터로 동시에 학습시켜 정확도 64.
이후 PEM 알고리즘의 성능을 향상하고자 사전의 확장을 진행하였다. Gensim의 Word2Vec 패키지를 활용하여 수집한 데이터에서 기존 사전에 포함된 단어들과 유사한 단어들을 추출하였다. 사전이 효과, 증상, 증가, 감소 등 데이터 내에 중심이 되는 단어들로 구성이 되어있어 주변 단어들로 중심단어를 예측하는 Continuous Bag of Words (CBOW) 방식을 활용하였다.
이러한 특징을 이용하여 5가지 형태소를 사용함으로써 다양한 문장 구조를 고려할 수 있도록 하였다. 각 형태소는 한국어 형태소 분석기인 Okt 패키지를 사용하여 정규화시킨 뒤, 이들을 활용하여 사전을 구축하였다.
분석 대상이 되는 제품으로는 아토피성 피부와 같이 손상된 피부를 개선하기 위해 사용하는 기능성 화장품(Functional Cosmetics), 건강보조식품으로 제일 많이 섭취하는 멀티비타민(Multi Vitamin), 유산균(Lactobacillus)을 이용하였다. 각각의 카테고리에서 리뷰 수가 많은 제품에 대해 리뷰 데이터를 크롤링하였다. 크롤링한 리뷰 데이터의 개수는 기능성 기초화장품에 대해서는 1,523개, 유산균은 3,090개, 멀티비타민은 2,617개이다.
4%에 해당하는 포스팅이 광고로 분류되어 제거되었다. 광고 제거와 더불어 불필요한 문자의 전처리가 완료된 데이터에 4가지의 사전을 활용하여 PEM을 적용하였다. 그 결과, 각각의 키워드의 이상치를 포함한 포스팅의 효과 점수 분포는 다음 Fig.
광고를 제거한 데이터는 분석이 원활하게 이루어질 수 있게 정규식을 활용하여 ‘ㅋㅋㅋ’, ‘ㅎㅎㅎ’ 과 같이 반복되는 단일문자와 ‘^^’, ‘~’과 같은 문장기호, 이모티콘, 과도한 공백 등 불필요한 문자를 제거하였다.
그리고 실제 데이터 적용 예시로 ‘아토피’ 외에 사춘기에 피지분비 증가로 나타나는 비염증성 또는 염증성 피부 발진인 ‘여드름 치료’[13]에 대해 같이 분석하였다.
마지막으로 [8]은 네이버 영화 후기 문장을 수집해서 감성 분석을 수행한 연구이다. 기존 감성 분석과는 다르게 감성 사전을 구축하지 않고 말뭉치로만 감성을 예측하고 음소와 형태소, 어절 단위 모형을 구축해 입력 단위에 따른 모형성능을 비교하였다. 하지만 이로 인해 긍·부정을 나누는 기준이 모호하다고 판단하여 본 연구에서는 이 점을 보완하여 정확성을 위해 한 문장 단위로 효과를 분석하는 작업이 필요할 것으로 보인다.
본 연구에서는 [6]과 [7]의 연구 방법을 빌려 유사한 방식으로 효과의 정도를 분석하기 위해 효과, 증가, 증상, 감소의 네 가지 특성을 가진 사전을 구성하였다. 더불어 이를 구성하기 위해 5가지의 형태소를 사용함으로써 단어의 문맥을 고려하여 효과를 긍정, 부정의 두 가지 감정으로 나타내고자 하였다.
데이터 수집 결과 확인된 다수의 광고 포스팅을 제거하기 위해 본 논문의 제3장에서 언급한 광고 제거 알고리즘을 사용하였다. 광고 제거 알고리즘을 적용한 결과 수집한 데이터에서 광고 포스팅이 제거되었다.
이를 위해 네이버 블로그 포스팅 중 분석 대상과 관련된 정보를 수집하였고, 광고를 제거함으로써 신뢰도를 높일 수 있었다. 또한, PEM 알고리즘을 아토피 치료법과 여드름 치료법에 적용하여 효과가 뛰어난 치료법을 제시하였다.
본 논문에서는 기존의 감성 분석과는 달리 상품의 후기에 담긴 효과를 정확히 판단하기 위해 증상, 효과, 증가, 감소로 구성된 단어 사전을 구축하고 이를 기반으로 효과 점수를 측정하는 알고리즘을 개발하였다. 또한, 광고가 섞여 있는 경우에는 분석 결과에 대한 신뢰도가 떨어지게 되므로 이를 제거하기 위한 광고 제거 작업도 수행하였다.
또한, 중첩 if 문과 과거 형태소의 사전종류를 알기 위한 p_pos, 현재 형태소의 사전종류를 알기 위한 c_pos 변수를 이용하여 증상(효과) * 증가(감소)조합 이외의 조합에 대해서도 계산될 수 있도록 하였다. 다양한 형태소를 활용함으로써 발생할 수 있는 같은 사전의 반복, 증상 * 효과와 증가 * 감소와 같이 서로 대조되는 조합까지 고려함으로써 더욱 다양한 문장 구조에 대해 계산할 수 있다.
마지막으로 구축된 사전을 기반으로 각 리뷰의 효과 점수를 측정하는 제품 효과 측정 알고리즘(Product Effectiveness Measurement Algorithm, 이하 PEM)을 제안하였다. 본 논문에서 제안하는 PEM 알고리즘은 앞에서 언급한 네 가지 단어특성을 고려하여 문장에서 사전이 조합되는 경우의 수에 따른 점수를 계산하고, 이를 본문 전체의 점수로 확장하는 알고리즘이다.
먼저, 효과 측정을 위해 기존의 긍정 및 부정어를 정의하는 기존의 한국어 감성 사전[4]과는 달리 증상, 효과, 증가 및 감소로 구성된 단어 사전을 구축하였다. 제품의 효과에 대한 리뷰들은 긍정 및 부정을 나타내는 단어가 증상과 함께 사용될 경우 및 효과와 함께 사용될 경우 그 의미가 달라지므로 4개의 범주로 확장하여 단어 사전을 구축하였다.
본 논문에서 제안하는 효과 분석 기법은 자료 수집 시 포함된 광고를 제거하는 광고 글 제거 전처리, 증상, 효과, 증가, 감소의 표현으로 구성된 사전 구축, 그리고 효율적으로 각 문장의 효과 점수를 계산하는 PEM 알고리즘으로 구성되어 있다. 3.
본 연구에서는 [6]과 [7]의 연구 방법을 빌려 유사한 방식으로 효과의 정도를 분석하기 위해 효과, 증가, 증상, 감소의 네 가지 특성을 가진 사전을 구성하였다. 더불어 이를 구성하기 위해 5가지의 형태소를 사용함으로써 단어의 문맥을 고려하여 효과를 긍정, 부정의 두 가지 감정으로 나타내고자 하였다.
본 연구에서는 효과의 긍정, 부정을 가리기 위해 기존 감성 사전과 달리 증상(symptom), 효과(effect), 증가(up), 감소(down)로 구성된 새로운 사전을 구축하였으며 [10]에서 정의된 사전을 확장하였다. 사전에 들어가는 형태소의 종류는 명사, 동사, 형용사, 관형사, 부사이다.
5411을 기록하였다. 성능 비교를 위해 각각의 분석모델에 3가지 제품의 남은 30%의 시험데이터를 적용하였으며, KNU 한국어 감성 사전과 PEM 알고리즘의 경우 분석 결과가 점수로 제시되므로 레이블을 같이 부여하기 위해 0점 이상인 리뷰에 대해서는 긍정, 0점 미만인 리뷰에 대해서는 부정을 부여하였다.
성능평가를 위한 실험은 파이썬 언어를 사용하여 윈도우 10 환경에서 실행되었다. 성능평가를 시행하기 위해 한국어 감성 분석 사전인 KNU 사전 기반 감성 분석과 텍스트 분류에 유용한 RNN을 선정하여 비교하였다. 3개의 제품 리뷰 데이터의 분석을 위해 파이썬의 Tensorflow 패키지를 활용하여 드롭아웃 0.
사전이 효과, 증상, 증가, 감소 등 데이터 내에 중심이 되는 단어들로 구성이 되어있어 주변 단어들로 중심단어를 예측하는 Continuous Bag of Words (CBOW) 방식을 활용하였다. 수집한 데이터에서 각 사전의 단어들과 유사도가 높은 단어들을 찾아 점수와 함께 각 사전에 추가하였다.
위의 방법을 이용하기 위해 Counter 패키지를 사용하여 출현빈도가 2회 이상인 단어들을 추출한 뒤, Term Document Matrix(TDM)를 생성하였다. 이후, TDM을 TF-IDF로 변환하였고 이를 가중치의 내림차순으로 정렬하였다.
일부 형용사, 관형사, 부사는 증가, 감소의 정도를 의미하며 주성분을 수식하는 부속성분에 해당한다. 이러한 특징을 이용하여 5가지 형태소를 사용함으로써 다양한 문장 구조를 고려할 수 있도록 하였다. 각 형태소는 한국어 형태소 분석기인 Okt 패키지를 사용하여 정규화시킨 뒤, 이들을 활용하여 사전을 구축하였다.
본 논문의 공헌은 적용 사례로 든 아토피 치료, 여드름 치료와 같이 효과를 알고자 하는 여러 제품군의 효과를 분석하는 데에 있어 효율적인 감성 분석모델을 제안한 것이다. 이를 위해 네이버 블로그 포스팅 중 분석 대상과 관련된 정보를 수집하였고, 광고를 제거함으로써 신뢰도를 높일 수 있었다. 또한, PEM 알고리즘을 아토피 치료법과 여드름 치료법에 적용하여 효과가 뛰어난 치료법을 제시하였다.
이후 PEM 알고리즘의 성능을 향상하고자 사전의 확장을 진행하였다. Gensim의 Word2Vec 패키지를 활용하여 수집한 데이터에서 기존 사전에 포함된 단어들과 유사한 단어들을 추출하였다.
위의 방법을 이용하기 위해 Counter 패키지를 사용하여 출현빈도가 2회 이상인 단어들을 추출한 뒤, Term Document Matrix(TDM)를 생성하였다. 이후, TDM을 TF-IDF로 변환하였고 이를 가중치의 내림차순으로 정렬하였다. 이렇게 정렬된 단어는 점수와 함께 네 가지 특성으로 구성된 사전을 구축하는 데 활용되었다.
API를 활용해 선정된 키워드에 따라 네이버 블로그의 ‘아토피 치료’, ‘여드름 치료’를 주제로 분석할 데이터를 수집하였다. 이후, 전처리 과정을 거친 블로그 데이터를 본 연구에서 제안한 감성 분석모델에 적용하였다.
먼저, 효과 측정을 위해 기존의 긍정 및 부정어를 정의하는 기존의 한국어 감성 사전[4]과는 달리 증상, 효과, 증가 및 감소로 구성된 단어 사전을 구축하였다. 제품의 효과에 대한 리뷰들은 긍정 및 부정을 나타내는 단어가 증상과 함께 사용될 경우 및 효과와 함께 사용될 경우 그 의미가 달라지므로 4개의 범주로 확장하여 단어 사전을 구축하였다. 사전에 등록될 단어는 TF-IDF를 활용하여 핵심이 되는 단어를 찾아내고, 핵심 단어로부터 Word2Vec을 활용하여 기존 사전의 단어들과 유사한 단어들을 찾아 사전 확장에 활용했다.
기준). 형태소 분석기 Okt를 활용해 수집된 데이터에서 한국어 명사를 추출하고, Counter 패키지를 이용하여 아토피 치료성분과 치료법에 관련된 상위 20개의 단어를 선별하였다. 이들 중 충분한 데이터가 존재하는 최종적으로 ‘락토바실러스’, ‘항히스타민’, ‘플라즈마’ 등 6개의 키워드가 선정되었다.

대상 데이터

‘여드름 치료’의 경우에도 이전과 같은 방식으로 6,939개의 기사를 크롤링하여 키워드를 선정하였다.
‘여드름 치료’의 경우에도 이전과 같은 방식으로 자료 수집 및 전처리 과정과 PEM 적용을 거쳐 빈도수가 높은 단어인 ‘살리실산’, ‘이부프로펜피코놀’ 등 4개의 키워드를 선별하여 296~4728개의 블로그 데이터를 수집하였다.
API를 활용해 선정된 키워드에 따라 네이버 블로그의 ‘아토피 치료’, ‘여드름 치료’를 주제로 분석할 데이터를 수집하였다.
이들 중 충분한 데이터가 존재하는 최종적으로 ‘락토바실러스’, ‘항히스타민’, ‘플라즈마’ 등 6개의 키워드가 선정되었다. 네이버 API와 파이썬 BeautifulSoup 라이브러리를 이용하여 각각의 키워드를 기준으로 481~67,124개의 글에 대해 블로그 이름과 본문을 수집하였다(2020.03.29. 기준).
네이버 뉴스에서 ‘아토피 치료’를 검색한 뒤, 이에 해당하는 기사 51,648개의 본문 내용 전체를 수집하였다(2020.03.29. 기준).
분석 대상이 되는 제품으로는 아토피성 피부와 같이 손상된 피부를 개선하기 위해 사용하는 기능성 화장품(Functional Cosmetics), 건강보조식품으로 제일 많이 섭취하는 멀티비타민(Multi Vitamin), 유산균(Lactobacillus)을 이용하였다. 각각의 카테고리에서 리뷰 수가 많은 제품에 대해 리뷰 데이터를 크롤링하였다.
선정된 키워드의 블로그 데이터 수집 및 전처리 과정과 PEM 적용을 거쳐 빈도수가 높은 단어인 ‘살리실산’, ‘이부프로펜피코놀’ 등 4개의 키워드를 선별하여 296~4728개의 블로그 본문 데이터를 수집하였다.
성능평가를 위한 데이터로 길이가 다양하면서 동시에 사용자가 직접 매긴 점수가 존재하는 소셜커머스의 제품 리뷰 데이터를 활용하였다. 소셜커머스 매체로는 네이버의 쇼핑몰을 사용하였는데, 이는 네이버가 2019년 1/4분기 국내 소셜 미디어 상위 10위에 관련 매체 3개가 자리매김하였으며, 상품 후기 작성 시 작성된 리뷰의 길이, 형태에 따라 즉시 현금화가 가능한 포인트를 차등지급함으로써 정성 들인 리뷰가 타 소셜커머스보다 다수 존재한다고 성능평가를 위한 데이터로 적합하다고 판단하였기 때문이다.
이들 중 충분한 데이터가 존재하는 최종적으로 ‘락토바실러스’, ‘항히스타민’, ‘플라즈마’ 등 6개의 키워드가 선정되었다.

데이터처리

제안하는 제품 효과 분석 기법의 성능평가를 위해 네이버 쇼핑의 댓글 데이터를 활용하여 기존의 KNU 사전과 RNN을 적용한 결과를 비교하였다. 그 결과, 건강 보조 식품으로 사용하는 제품에 대해서는 타 분석 기법들과 유사한 성능을 보였으나, 특정 제품의 효능을 기대하고 구매하는 기능성 화장품에 대해서는 PEM 알고리즘이 더 나은 결과를 보였다.

이론/모형

본 연구에서 분석 대상으로 하는 특정 키워드의 효과에 대한 포스팅들은 작성되는 텍스트의 길이가 각기 다르고 그 안에 다루는 주제가 다양하므로 형태소의 빈도를 나열했을 때 효과와 관련된 단어는 빈도가 낮은 쪽에 속한다. 그러므로 단순 빈도로는 사전을 구성하기에 비효율적일 것으로 판단하여, 특정 단어가 해당 문서 내에 등장한 빈도인 TF 값과 그 단어가 등장한 문서 빈도의 역수 값인 IDF 값을 곱한 값인 TF-IDF [11]을 활용하였다. TF-IDF 값을 이용해 단어들을 정렬했을 때 단순 빈도를 사용하는 것보다 수월하게 핵심어를 찾아냄으로써 효율적으로 사전을 구성할 수 있었다.
사전 구성 전, 본 연구는 기존 감성 분석보다 더 많은 형태소를 고려하며, 모든 형태소가 효과와 정도의 의미를 지니고 있지 않으므로 보다 효율적으로 사전을 구성하기 위해 Term Frequency-Inverse Document Frequency (TF-IDF)를 활용하였다. 본 연구에서 분석 대상으로 하는 특정 키워드의 효과에 대한 포스팅들은 작성되는 텍스트의 길이가 각기 다르고 그 안에 다루는 주제가 다양하므로 형태소의 빈도를 나열했을 때 효과와 관련된 단어는 빈도가 낮은 쪽에 속한다.
Gensim의 Word2Vec 패키지를 활용하여 수집한 데이터에서 기존 사전에 포함된 단어들과 유사한 단어들을 추출하였다. 사전이 효과, 증상, 증가, 감소 등 데이터 내에 중심이 되는 단어들로 구성이 되어있어 주변 단어들로 중심단어를 예측하는 Continuous Bag of Words (CBOW) 방식을 활용하였다. 수집한 데이터에서 각 사전의 단어들과 유사도가 높은 단어들을 찾아 점수와 함께 각 사전에 추가하였다.
전처리가 완료된 데이터에 4가지의 사전을 활용하여 PEM 알고리즘을 적용하였다. 그 결과, 각각의 키워드의 이상치를 포함한 포스팅의 효과 점수 분포는 다음 Fig.
제5장에서는 실제 데이터를 PEM 알고리즘에 적용하여 분석해보고자 한다. 제4장에서 실시한 성능 평가의 결과를 보면 알 수 있듯이 PEM 알고리즘은 텍스트의 효과를 분석하는데 적합한 알고리즘이다.

성능/효과

Fig. 1의 막대 그래프는 왼쪽부터 순서대로 기능성 화장품, 멀티비타민, 유산균을 가리키며, 각각의 정확도는 기능성 화장품의 경우 RNN에서 79%, PEM은 86%, KNU에서 46%를 나타내었으며, 멀티비타민에 대해서는 RNN 65%, PEM 67%, KNU 55%, 유산균에 대해서는 RNN 55%, PEM 58%, KUN 57%를 나타내었다.
6%의 광고성 글을 제거한 후기들을 PEM을 통해 분석한 결과는 다음과 같다. Fig. 2에서 보이는 것과 같이 다른 키워드에 비해 0점보다 낮은 점수가 많은 일반적인 치료제로 알려진 스테로이드와 항히스타민에 대해서는 장기간 사용에 따라 발생하는 부작용과 내성으로 인해 부정적인 글들이 많이 나타났으며[14], 반대로 비교적 높은 점수가 많이 분포한 달맞이꽃 기름의 성분인 감마리놀렌산, 물리적 치료기기의 물질인 플라즈마, 유산균의 성분인 락토바실러스는 이른 시일 안에 효과는 볼 수 없지만 염려되는 부작용이 적어 긍정적인 후기의 비율이 더 높은 것으로 나타났다. 하지만 ‘듀피젠트’의 경우 점수의 분포가 다른 키워드보다 훨씬 넓게 나타났음을 알 수 있다.
그러므로 단순 빈도로는 사전을 구성하기에 비효율적일 것으로 판단하여, 특정 단어가 해당 문서 내에 등장한 빈도인 TF 값과 그 단어가 등장한 문서 빈도의 역수 값인 IDF 값을 곱한 값인 TF-IDF [11]을 활용하였다. TF-IDF 값을 이용해 단어들을 정렬했을 때 단순 빈도를 사용하는 것보다 수월하게 핵심어를 찾아냄으로써 효율적으로 사전을 구성할 수 있었다.
TF-IDF를 활용하는 과정에서 중복적인 단어가 자동으로 제거되었고, 중요도가 낮은 불필요한 단어들을 한눈에 알아볼 수 있어 사전 제작의 효율성을 높일 수 있었다.
14. 기준) 광고 제거 알고리즘을 사용하여 수집한 데이터에서 키워드별로 살리실산 72.2%, 이부프로펜피코놀 89.9%, 스테로이드 96%, 플라즈마 82.4%에 해당하는 포스팅이 광고로 분류되어 제거되었다. 광고 제거와 더불어 불필요한 문자의 전처리가 완료된 데이터에 4가지의 사전을 활용하여 PEM을 적용하였다.
제안하는 제품 효과 분석 기법의 성능평가를 위해 네이버 쇼핑의 댓글 데이터를 활용하여 기존의 KNU 사전과 RNN을 적용한 결과를 비교하였다. 그 결과, 건강 보조 식품으로 사용하는 제품에 대해서는 타 분석 기법들과 유사한 성능을 보였으나, 특정 제품의 효능을 기대하고 구매하는 기능성 화장품에 대해서는 PEM 알고리즘이 더 나은 결과를 보였다.
그러므로 ‘아토피 치료’는 그 효과를 분석할 수 있는 키워드가 다양하여 본 연구에서 제안한 모델에 적합하다고 판단하였다[12].
이후 Word2Vec 방법을 활용하여 기존 사전에 포함된 단어와 유사한 단어를 데이터로부터 찾아내 사전 확장에 활용함으로써 사전 생성의 효율을 높일 수 있었고, 그 결과 알고리즘의 정확도가 향상되는 결과를 얻을 수 있었다. 또한, 네이버 쇼핑의 3가지 제품의 리뷰 데이터를 대상으로 기존 연구 방법과의 비교함으로써 PEM의 정확성을 확인하였고, 블로그 이외의 소셜 미디어 매체에서도 실제 반응을 파악할 수 있음에 대해 유용성을 입증하였다.
성능평가의 결과를 토대로 PEM 알고리즘을 실제 데이터에 적용해보기 위해 아토피, 여드름과 같이 증상 치료를 위해 처방받은 의약품 외에도 화장품, 영양제와 같은 다양한 수단을 보조적으로 사용하므로 분석할 수 있는 제품군이 다양하여 적합하다고 판단하였다. API를 활용해 선정된 키워드에 따라 네이버 블로그의 ‘아토피 치료’, ‘여드름 치료’를 주제로 분석할 데이터를 수집하였다.
이를 통해 더욱 정교하게 문장 구조를 파악할 수 있었다. 이후 Word2Vec 방법을 활용하여 기존 사전에 포함된 단어와 유사한 단어를 데이터로부터 찾아내 사전 확장에 활용함으로써 사전 생성의 효율을 높일 수 있었고, 그 결과 알고리즘의 정확도가 향상되는 결과를 얻을 수 있었다. 또한, 네이버 쇼핑의 3가지 제품의 리뷰 데이터를 대상으로 기존 연구 방법과의 비교함으로써 PEM의 정확성을 확인하였고, 블로그 이외의 소셜 미디어 매체에서도 실제 반응을 파악할 수 있음에 대해 유용성을 입증하였다.
2, 이진 분류에 해당하므로 출력층의 활성화 함수로 Sigmoid, 최적화 함수 Rmsprop, 손실함수 Binary_Crossentropy를 부여하여 RNN 모델을 제작하였다. 전체 데이터의 70%를 훈련데이터로 동시에 학습시켜 정확도 64.79%와 손실 함숫값 0.5411을 기록하였다. 성능 비교를 위해 각각의 분석모델에 3가지 제품의 남은 30%의 시험데이터를 적용하였으며, KNU 한국어 감성 사전과 PEM 알고리즘의 경우 분석 결과가 점수로 제시되므로 레이블을 같이 부여하기 위해 0점 이상인 리뷰에 대해서는 긍정, 0점 미만인 리뷰에 대해서는 부정을 부여하였다.
광고 제거 알고리즘을 적용한 결과 수집한 데이터에서 광고 포스팅이 제거되었다. 키워드별로 살펴보면 감마리놀렌산 77.2%, 듀피젠트 61.9%, 락토바실러스 87.2%, 스테로이드 78.2%, 플라즈마 79.6%, 항히스타민제 75.7%에 해당하는 포스팅이 광고로 분류되어 제거되었으며 이를 통해 더 객관적인 데이터를 얻을 수 있게 되었다. 광고를 제거한 데이터는 분석이 원활하게 이루어질 수 있게 정규식을 활용하여 ‘ㅋㅋㅋ’, ‘ㅎㅎㅎ’ 과 같이 반복되는 단일문자와 ‘^^’, ‘~’과 같은 문장기호, 이모티콘, 과도한 공백 등 불필요한 문자를 제거하였다.
하지만 유산균, 멀티비타민은 건강보조식품으로 체질 개선이나 건강을 위해 일부러 먹는 것이기 때문에 효과에 대한 후기가 비교적 적었다. 하지만 감성 분석의 최신 기법인 RNN, 본 논문과 같이 사전을 활용하여 감성을 분석하는 KNU 한국어 감성 사전보다는 높은 정확도를 나타낸 것을 보아, 효과를 분석하는 데에서는 본 논문의 알고리즘이 더 유용하다 판단된다.

후속연구

또한, ‘아토피 치료’와 ‘여드름 치료’라는 주제의 실제 데이터를 적용함으로써 화장품 제품군 이외의 대상에 대해서도 텍스트에 나타난 효과가 분석이 가능한 것을 보아, 본 논문에서 제안한 PEM은 효과를 알고자 하는 다양한 대상에 적용될 수 있을 것으로 보인다.
마지막으로 본 연구의 한계점으로 사전 구축 단계에서 네 가지 사전의 단어 개수에 편차가 존재한다는 점이 있으며 향후 연구를 통해 사전을 점차적으로 확장 및 보완해 나갈 예정이다.
하지만 이로 인해 긍·부정을 나누는 기준이 모호하다고 판단하여 본 연구에서는 이 점을 보완하여 정확성을 위해 한 문장 단위로 효과를 분석하는 작업이 필요할 것으로 보인다.

질의응답

핵심어	질문	논문에서 추출한 답변
	대부분의 온라인 고객 리뷰에 대한 감성 분석 연구들은 어떤 성과를 보이는가?	최근 온라인 상품 리뷰를 분석하여 마케팅에 활용하거나 고객 서비스에 적용하는 등 소셜 미디어에 대한 감성 분석이 활발히 연구 및 활용되고 있다[1]. 대부분의 온라인 고객 리뷰에 대한 감성 분석 연구들은 다양한 분야에서 자연어 처리 기술을 적용하여 좋은 성과를 보이고 있다[2, 3]. 하지만 건강보조제나 화장품 등 효과를 볼 수 있는 제품을 서술하는 리뷰는 사용되는 형용사가 증상과 함께 사용되었는지, 효과와 함께 사용되었는지에 따라 그 의미가 달라져 기존의 감성 분석 기법을 적용하는 데 어려움이 있다.
	건강보조제나 화장품 등의 제품에서 기존의 감성 분석 기법을 적용하는데 어려움이 있는 이유는?	대부분의 온라인 고객 리뷰에 대한 감성 분석 연구들은 다양한 분야에서 자연어 처리 기술을 적용하여 좋은 성과를 보이고 있다[2, 3]. 하지만 건강보조제나 화장품 등 효과를 볼 수 있는 제품을 서술하는 리뷰는 사용되는 형용사가 증상과 함께 사용되었는지, 효과와 함께 사용되었는지에 따라 그 의미가 달라져 기존의 감성 분석 기법을 적용하는 데 어려움이 있다. 또한, 한 개의 후기 내에 상품에 대한 다양한 측면의 평가가 서술되어 있으므로 문장 단위뿐만 아니라 한 문장 내의 관점 단위의 감성 분석이 필요하다.
	본 논문에서 제안하는 제품 효과 측정 알고리즘이란 무엇인가?	마지막으로 구축된 사전을 기반으로 각 리뷰의 효과 점수를 측정하는 제품 효과 측정 알고리즘(Product Effectiveness Measurement Algorithm, 이하 PEM)을 제안하였다. 본 논문에서 제안하는 PEM 알고리즘은 앞에서 언급한 네 가지 단어특성을 고려하여 문장에서 사전이 조합되는 경우의 수에 따른 점수를 계산하고, 이를 본문 전체의 점수로 확장하는 알고리즘이다.

참고문헌 (14)

B. H. Back and I. K. Ha, “Comparison of Sentiment Analysis from Large Twitter Data Sets by Naive Bayes and Natural Language Processing Methods,” Journal of information and Communication Convergence Engineering, Vol. 17, No. 4, pp. 239-245, 2019.

원문보기 상세보기
M, Ryan and S. Y. Han, "Web Scraping with Python," Hanbit Publishing Network, 2019.
C. Deepti, J. Nisheeth, I. Mathur, and Y. J. Yu, "Mastering Natural Language Processing with Python," Acorn Publishing, 2017.
S. M. Park, C. W. Na, M. S. Choi, D. H. Lee, and B. W. On, “KNU Korean Sentiment Lexicon - Bi-LSTM-based Method for Building a Korean Sentiment Lexicon,” Journal of Intelligence and Information Systems, Vol. 24, No. 4, pp. 219-240, 2018.
P. S. Jang, “Study on Principal Sentiment Analysis of Social Data,” Journal of the Korea Society of Computer and Information, Vol. 19, No. 12, pp. 49-56, 2014.

원문보기 상세보기
J. Y. Choi, "A Study on the Text-based Emotion Classification," Inje University Graduate School, pp. 1-41, 2017.
S. C. Choi, "A Study on Development of Korean Basketball League through Big Data Sentiment Analysis," Sookmyung Women's University Graduate School, pp. 1-121, 2018.
J. J. Lee, "Sentiment Analysis based on Korean using Recurrent Neural Network: focused on Online Movie Review," Kookmin University Graduate School Department of Data Science Data Science Major, pp. 1-54, 2018.
W. H. Kim, “Influencer, drug or bad?,” Korea Marketing Association, Vol. 53, No. 11, pp. 9-15, 2019.
Y. S. Lim, S. Y. Lee, J. N. Lee, and B. K. Ryu, "An Analytical Effect Model for Atopic Therapy Using Social Media," In Proceedings of the Korea Information Processing Society, Vol. 28, No. 2, pp. 742-745, 2019.
C. W. Jun, T. Y. Choi, and J. H. Cho, "Natural Language Processing Starts with TensorFlow and Machine Learning," Wikibook, 2019.
D. H. Lee, E. J. Do, J. Y. Lee, Y. Park, J. W. Oh, M. H. Lee, S. J. Hong, S. Y. Lee, J. S. Park, D. H. Nam, and H. Y. Yeom, “Multicenter questionnaires on the current management of atopic dermatitis in Korea,” Allergy Asthma & Respiratory Diseases, Vol. 4, No. 4, pp. 271-275, 2016.

상세보기
M. J. Kim, “Acne Prevention and Treatment Research,” The New Medical Journal, Vol. 42, No. 3, pp. 1-17, 1999.
D. H. Kim, G. H. Gang, G. W. Kim, and I. Y. Yoo, “Management of Children with Atopic Dermatitis,” Allergy Asthma & Respiratory Diseases, Vol. 18, No. 2, pp. 39-48, 2008.

저자의 다른 논문 :

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