초록

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

인터넷 블로그를 이용한 맛집 마케팅은 외식 산업에서 상당한 영향력을 발휘하고 있다. 사람들은 블로그를 이용해 많은 맛집 리뷰를 작성 및 검색하고 있다. 그런데 사람들이 맛집 리뷰를 검색하면, 검색 엔진에서는 검색어에 대한 정확도 및 시간순으로 검색 결과를 정렬해 주기 때문에 같은 식당에 대한 포스트들이 분산되어 검색된다. 따라서 사람들은 수많은 맛집 리뷰가 섞여있는 검색 결과를 보고 그중 한 식당을 선택하는 것에 어려움을 느낄 수 있다. 이때, 같은 식당에 대한 리뷰를 모아서 보여준다면 어떤 식당에 대한 리뷰가 존재하는지 일목요연하게 볼 수 있으며, 한 식당에 대한 다양한 의견을 참고하여 가고자 하는 식당을 선택하는데 도움이 된다. 따라서 본 논문에서는 블로그의 맛집 포스트를 클러스터링 하는 시스템을 제안하였다. 시스템을 통해 생성된 클러스터의 평가 결과, 정확률, 난수 색인, 순수도는 90% 이상의 높은 값을 보였다.

인터넷 블로그를 이용한 맛집 마케팅은 외식 산업에서 상당한 영향력을 발휘하고 있다. 사람들은 블로그를 이용해 많은 맛집 리뷰를 작성 및 검색하고 있다. 그런데 사람들이 맛집 리뷰를 검색하면, 검색 엔진에서는 검색어에 대한 정확도 및 시간순으로 검색 결과를 정렬해 주기 때문에 같은 식당에 대한 포스트들이 분산되어 검색된다. 따라서 사람들은 수많은 맛집 리뷰가 섞여있는 검색 결과를 보고 그중 한 식당을 선택하는 것에 어려움을 느낄 수 있다. 이때, 같은 식당에 대한 리뷰를 모아서 보여준다면 어떤 식당에 대한 리뷰가 존재하는지 일목요연하게 볼 수 있으며, 한 식당에 대한 다양한 의견을 참고하여 가고자 하는 식당을 선택하는데 도움이 된다. 따라서 본 논문에서는 블로그의 맛집 포스트를 클러스터링 하는 시스템을 제안하였다. 시스템을 통해 생성된 클러스터의 평가 결과, 정확률, 난수 색인, 순수도는 90% 이상의 높은 값을 보였다.

AI 본문요약

엑셀 다운로드 AI-Helper

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

• 연구 주제
• 연구 방법
• 연구 결과

문제 정의

• 본 논문에서는 이러한 점을 고려하여 블로그 내의 맛집 포스트 클러스터링 시스템을 제안한다. 제안 시스템은 같은 식당을 방문한 각각 다른 포스트를 클러스터링하여 하나로 모아 보여준다.
• 서로 비교하는 시스템을 제안하였다[5]. 이 시스템은 맛, 서비스, 가격에 대해 언급한 정보를 맛집 리뷰에서 추출하여 비교한 후 그 맛집에 대한 객관적인 평가에 도움이 되는 데이터를 얻고자 한다.

제안 방법

• 그리고 seed 데이터는 제목 데이터와 일치하는 순서의 단어 벡터를 넣는다. 그 다음 색인(i)를 증가시키면서 단어 벡터 데이터를 차례로 참조하여 seed 데이터와 단어 벡터 데이터 간의 코 사인 유사도를 측정한다. 두 단어 벡터 간의 코사인 유사도가 임계값 이상으로 측정된다면, 임시 클러스터에 해당 단어 벡터의 제목 데이터를 추가한다.
• 그리고 수작업을 통해 분류하여 정답 클러스터를 만들었다. 그 후, 정답 클러스터와 시스템이 생성한 클러스터를 비교하기 위해 난수 색인 방법을 이용하였다. 난수 색인 방법이 란, 클러스터링 대상 문서가 n개 있을 때, n개의 데이터로 생성할 수 있는 모든 페어를 만든 뒤, 페어 안의 문서두 개가 같은 클러스터에 들어 있는지 아닌지를 측정하는 방법이다.
• 포스트의 특징으로 제목에 포함된 단어를 H-그램으로 분리하여 단어 벡터를 생성하였다. 그리고 단어벡터에 이진 가중치를 두어 포스트 간의 유사도를 계산하였고 원패스 알고리즘을 이용하여 클러스터링하였다. 또한, 검색 및 클러스터링한 결과를 보여주는 UI를 제작하였다.
• 그리고 수작업을 통해 분류하여 정답 클러스터를 만들었다. 그 후, 정답 클러스터와 시스템이 생성한 클러스터를 비교하기 위해 난수 색인 방법을 이용하였다.
• 그리고 순수 도(Purity)를 계산하였다. 순수도는 기계가 생성한 클러스터 내에서 가장 등장 빈도가 높은 분류에 속하는 문서의 수와 전체 문서 수의 비율을 측정하는 방법이다[1 이.
• 결과를 웹으로 보여준다. 네이버 검색창에서 검색하였을 때의 네이버 검색화면은 시간 및 정확도만을 고려하여 검색결과를 정렬하는 반면, 본 논문에서 제안하는 시스템은 같은 맛집별로 포스트를 모아서 보여준다. 우선 네이버에서 '부산대 맛집'으로 검색한 검색 결과의 일부는 그림 3과 같다.
• 이 중 텍스트는 제목, 본문, 수정날짜 등의 정보로 구성되어 있으며, 제목에는 일반적으로 맛집을 식별하기 위한 핵심적인 정보인 지역명, 가게 이름이 적혀 있다. 따라서 본 시스템은 개별 포스트의 특징으로 제목을 추출하였다.
• 그리고 단어벡터에 이진 가중치를 두어 포스트 간의 유사도를 계산하였고 원패스 알고리즘을 이용하여 클러스터링하였다. 또한, 검색 및 클러스터링한 결과를 보여주는 UI를 제작하였다.
• 맛집 탐색시 이용자의 탐색 편의를 위하여 맛집 리뷰의 포스트를 클러스터링하는 시스템을 제안하였다. 포스트의 특징으로 제목에 포함된 단어를 H-그램으로 분리하여 단어 벡터를 생성하였다.
• 위치/ 선호 정보를 이용하여 맛집 추천을 해주는 시스템은 이용자의 위치 정보에 따라 특정 가게를 추천해주지만, 본 시스템은 직접 추천은 하지 않고 이용자의 검색 요구에 따라 검색엔진에서 제공하는 포스트들을 같은 맛집 별로 모아서 보여주는 과정을 거친다. 맵리듀스를 이용하여 맛집 데이터를 비교하고자 하는 시스템, 리뷰에 대한 감성 분석을 통한 긍정/부정 분류를 하는 시스템은 맛집에 대한 정보를 가공하여 맛집에 대한 의견을 직접 제공하지만, 본 시스템은 의견을 직접적으로는 제시하지는 않고, 같은 식당에 대한 포스트를 모아서 다양한 의견을 간접적으로 제시한다.
• 포스트의 특징으로 제목에 포함된 단어를 H-그램으로 분리하여 단어 벡터를 생성하였다. 그리고 단어벡터에 이진 가중치를 두어 포스트 간의 유사도를 계산하였고 원패스 알고리즘을 이용하여 클러스터링하였다.

대상 데이터

• 맛집 추천 서비스를 제안하였다[3-4]. 맛집 정보 데이터는 PC의 웹 브라우저를 통해 게시판의 정보를 수집하여 DB에 저장하였고, 개인의 위치, 상황, 선호 정보는 개인의 추천 정보 요청이 들어올 때만 수집하였다. 개인의 추천 요청이 시스템에 입력되면, 제안 시스템은 DB에 저장된 맛집 정보와 매칭을 수행하는 알고리즘을 수행하여 추천 결과를 보여준다.
• 제안한 클러스터링 시스템을 검증하기 위해 네이버 검색 API를 이용하여 총 1134개의 포스트를 수집하였다. 그리고 수작업을 통해 분류하여 정답 클러스터를 만들었다.

이론/모형

• 클러스터링 알고리즘으로는 원패스 알고리즘을 사용한다[8-9]. 원패스 알고리즘은 클러스터에 포함되지 않은 포스트 중 하나를 선택해 클러스터의 중심으로 보고, 그 포스트와 임계값 이상의 유사도를 가진 포스트를 그 클러스터에 계속 붙여나가는 방식으로 클러스터링을 수행하는 알고리즘이다.

성능/효과

• 3을 사용하였다. 검색 결과, 뉴 숯불 치킨, 솔밭집, 로지에 대한 포스트를 한 번에 모아서 보여주는 것을 확인할 수 있다.
• 시스템 검증 실험 결과 정확률, 난 수 색인, 순수도는 높은 값을 보였으나, 재현율과 F-척도는 임계값이 증가할수록 낮아지고 있다. 두 척도의 값이 낮아지는 이유는 임계 값이 올라갈수록 같은 클러스터에 속해야 할 문서들이 서로 다른 클러스터로 분리되기 때문이다.

후속연구

• 두 척도의 값이 낮아지는 이유는 임계 값이 올라갈수록 같은 클러스터에 속해야 할 문서들이 서로 다른 클러스터로 분리되기 때문이다. 향후 클러스터의 재현율을 높이기 위하여 언어분석을 이용해 블로그 포스트에서 식당 이름을 식별하여 유사도 분석을 하는 시스템을 작성할 예정이다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기