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 웹툰이 성공하는 요소 중 하나인 작가파워가 없는 신인 작가들이 어떻게 하면 성공할 수 있을지에 대한 성공 지표를 제공하였다. 특히, 이전 선행 연구에서는 다루지 않았던 독자들의 직접적인 반응이라고 할 수 있는 댓글 반응을 딥러닝을 통해 성공 요인 중 하나로 다루었다는 점에서 의의를 가진다.
가설 설정
- 장르의 경우 스릴러, 액션, 일상, 개그, 판타지, 순정 등 6가지로 재분류하였다. 한 웹툰이 다수의 장르에 해당할 경우, 웹툰에 흥행을 미치는 영향력이 높은 순으로 재설정하였다. 이 순서는 앞서 언급한 순서와 같다.
제안 방법
- 그 중 커널 서포트 벡터 머신은 강력한 모델이며 다양한 데이터 셋에서 잘 작동하기 때문에 본 논문에서는 커널 서포트 벡터 머신을 이용하였다. 그중 모든 차수의 모든 다항식을 고려하는 가우시안 커널을 사용하였다.[2] 서포트 벡터 머신을 이용한 모델의 정확도는 약 0.
- 댓글 반응을 포함한 6개의 독립 변수를 사용하여 모델을 생성하였다.
- 댓글 반응을 활용한 모델과 그렇지 않은 모델을 비교하기 위해 먼저 독자 반응을 독립변수로 사용하지 않은 모델을 생성하였다. 각 모델은 5개의 독립 변수를 입력하였다.
- 독자들의 반응을 알 수 있는 댓글 반응을 딥러닝을 활용하여 점수화하였다. 그리고 해당 변수를 독립 변수로 사용한 모델과 사용하지 않은 기존 모델의 정확도에서 차이가 발생하는 것을 알 수 있다.
- 독자들의 반응을 직접적으로 알 수 있는 댓글 점수를 이용하여 웹툰 성공 예측 모델을 생성하였다. 이 모델은 독자의 반응을 고려하지 않은 모델에 비해 더 높은 정확도를 가진다.
- 그 결과 128개와 64개가 여섯 번의 훈련 만에 손실도가 최소화되는 것을 확인 할 수 있다. 따라서 64개의 은닉 개수를 갖도록 하고 여섯 번의 에포크 동안만 훈련하도록 설정하였다.
- 이러한 변수가 높은 영향력을 미친다는 것은 신인 작가들이 성공하기 어렵다는 것을 말한다. 따라서 본 논문은 작가파워를 가지지 않는 신인 작가들의 웹툰 데뷔작 성공 예측 모델을 만들고, 이를 통해 흥행에 미치는 요인의 순서를 재정립하였다.
- 세 모델 모두 댓글 반응을 활용할 경우에 정확도가 높은 것을 확인할 수 있다. 따라서 정확도 외에 모델의 성능을 평가할 수 있는 방법인 ROC 커브(Receiver Operating Characteristic Curve)와 AUC 면적(Area Under Curve)을 비교해보았다.
- 이를 통해 일반적으로 독자들이 생각하는 웹툰의 성공 여부는 조회 수로 결정된다는 것을 알 수 있다. 또한, 웹툰의 성공 여부에 관한 선행 연구를 참조하여 조회 수를 종속 변수로 설정하였다.[1]
- 로지스틱 회귀모형에서 6가지 독립변수의 변수 중요도를 알아보았다. 각 변수는 순서대로 좋아요 수(x1), 평점(x2), 5화까지의 평균 댓글 수(x3), 1화 댓글 수(x4), 댓글 반응(x5)이며 변수 x6부터는 범주형 변수인 장르를 나타낸다.
- 본 논문은 선행 연구를 기반으로 하여 좋아요 수, 작품의 전체 평점, 장르, 첫 화 댓글 수, 5화까지의 댓글 수 평균, 독자 반응의 긍정 점수 등 6가지 요소를 웹툰의 성공 요소로 두었다.
- 그로 인해 긍정 점수와 부정 점수의 차가 비정상적으로 커지는 경우가 있었다. 이 문제를 해결하기 위해 점수가 0.7보다 클 경우는 긍정 점수에 1점을, 0.5보다 크고 0.7보다 작을 경우는 긍정 점수에 0.5점을 부여하는 방식으로 계산하였다.
- 이 계산식을 요약하면 수식(1)과 같다. 이러한 과정을 통해 각 작품이 긍정적인 반응을 보일 확률을 계산하여 점수화하였다.
- 뿐만 아니라 감성분석 사전에 존재하지 않는 ‘베도(베스트도전)’나 ‘최강자전’과 같은 단어들도 웹툰 댓글에서는 긍정의 의미로 자주 사용된다. 이러한 문제를 해결하기 위해 웹툰 댓글을 직접 수집하여 새로운 감성 분석 사전을 생성하였다. 이를 기반으로 딥러닝을 활용해 독자들의 반응을 수치화하였다.
- 이러한 문제를 해결하기 위해 웹툰 댓글을 직접 수집하여 새로운 감성 분석 사전을 생성하였다. 이를 기반으로 딥러닝을 활용해 독자들의 반응을 수치화하였다.
- 연재 중인 작품 또한 각 요일별로 4개의 집단으로 구성하여 등급을 부여하였다. 이를 토대로 1등급과 2등급은 성공(1)을, 3등급과 4등급은 실패(0)라는 레이블을 부여하고 이를 종속 변수로 설정하였다.
- 장르의 경우 스릴러, 액션, 일상, 개그, 판타지, 순정 등 6가지로 재분류하였다. 한 웹툰이 다수의 장르에 해당할 경우, 웹툰에 흥행을 미치는 영향력이 높은 순으로 재설정하였다.
- 은닉 유닛을 늘리면 신경망이 더욱 복잡한 표현을 학습할 수 있다는 장점이 있지만 동시에 계산 비용이 커지고 원하지 않는 패턴을 학습할 수도 있다. 적당한 은닉 유닛 개수를 찾기 위해 각각의 은닉 개수에 따른 훈련과 검증 손실 그래프를 그려보았다 <그림 1>. 그 결과 128개와 64개가 여섯 번의 훈련 만에 손실도가 최소화되는 것을 확인 할 수 있다.
- 제안하는 모델을 실제 훈련 데이터나 테스트 데이터로 사용하지 않은 5화 미만 신작 웹툰에 적용해 보았다. 7월 30일 17:00 기준 11개의 작품 중 3개의 작품이 성공할 것으로 예측하였다.
- 819의 정확도를 갖는 모델을 생성하였다. 토큰화한 댓글을 예측하여 작품들의 각 댓글이 긍정 댓글인지 부정 댓글인지를 점수화하였다. 예측 점수를 기준으로 0.
대상 데이터
- 댓글은 각 편의 댓글이 1,000개 미만일 경우 모든 댓글을, 1,000개 이상일 경우 약 1,000개의 댓글을 시간 순으로 수집하였다. 8월 7일 13:00을 기준으로 하여 웹툰 당 5편씩, 즉 작품별로 최대 5,000개의 댓글을 수집 하였다. 크롤링에는 파이썬의 BeautifulSoup 라이브러리를 사용하였다.
- 국내 최대 웹툰 플랫폼인 ‘네이버 웹툰’에서 324개의 웹툰에 대한 데이터를 수집했다. 다른 플랫폼에서 정식으로 연재한 적이 없는 그림 작가들의 데뷔작을 기준으로 웹툰을 선정했다.
- 국내 최대 웹툰 플랫폼인 ‘네이버 웹툰’에서 324개의 웹툰에 대한 데이터를 수집했다. 다른 플랫폼에서 정식으로 연재한 적이 없는 그림 작가들의 데뷔작을 기준으로 웹툰을 선정했다. 네이버 웹툰은 조회 수를 공개하지 않기 때문에 7월 30일 17:00을 기준으로 그에 해당하는 순위와 작품 ‘좋아요’ 수, 작품의 전체 평점, 장르, 첫 화 댓글 수, 5화까지의 댓글 수 평균을 수집했다.
- 댓글 반응을 분석하기 위한 훈련 데이터와 테스트 데이터는 완결 웹툰의 댓글에서 수집하였다. 웹툰의 처음 5편에서 임의로 댓글을 25개씩 수집한 후 8:2의 비율로 훈련 데이터와 테스트 데이터를 나누었다.
- 또한, 본 논문은 일반적으로 활용하는 수치 데이터가 아닌, 독자의 직접적인 반응이라고 할 수 있는 댓글 데이터를 수집하였다. 댓글은 각 편의 댓글이 1,000개 미만일 경우 모든 댓글을, 1,000개 이상일 경우 약 1,000개의 댓글을 시간 순으로 수집하였다. 8월 7일 13:00을 기준으로 하여 웹툰 당 5편씩, 즉 작품별로 최대 5,000개의 댓글을 수집 하였다.
- 그 이후의 댓글 수는 비슷한 숫자를 유지하고 있었다. 따라서 1화의 댓글 수가 유의미하다고 판단했기 때문에 1화 댓글 수를 따로 수집하였고, 댓글 수의 전체 평균이 아닌 5화까지의 댓글 수를 수집하였다.
- 또한, 본 논문은 일반적으로 활용하는 수치 데이터가 아닌, 독자의 직접적인 반응이라고 할 수 있는 댓글 데이터를 수집하였다. 댓글은 각 편의 댓글이 1,000개 미만일 경우 모든 댓글을, 1,000개 이상일 경우 약 1,000개의 댓글을 시간 순으로 수집하였다.
- 사이킷런은 SAMME라는 아다 부스트의 다중 클래스 버전을 사용한다. 본 논문에서는 30개의 결정 트리를 기반으로 하는 아다 부스트 분류기를 훈련시켰다.[2] 결정 트리는 최대 depth를 1로, 결정 노드 하나와 리프 노드 두 개로 이루어져 있다.
- 선행 연구에 따라 네이버 웹툰의 완결된 작품 602편을 조회 순으로 나열한 후 등수를 기준으로 4개의 집단으로 구성하였다. 연재 중인 작품 또한 각 요일별로 4개의 집단으로 구성하여 등급을 부여하였다.
- 댓글 반응을 분석하기 위한 훈련 데이터와 테스트 데이터는 완결 웹툰의 댓글에서 수집하였다. 웹툰의 처음 5편에서 임의로 댓글을 25개씩 수집한 후 8:2의 비율로 훈련 데이터와 테스트 데이터를 나누었다.
- 8월 7일 13:00을 기준으로 하여 웹툰 당 5편씩, 즉 작품별로 최대 5,000개의 댓글을 수집 하였다. 크롤링에는 파이썬의 BeautifulSoup 라이브러리를 사용하였다.
이론/모형
- 세 번째 모델인 서포트 벡터 머신(Support Vector Machine, SVM)은 선형, 비선형 분류, 회귀, 이상치 탐색에도 사용할 수 있는 다목적 모델이다. 그 중 커널 서포트 벡터 머신은 강력한 모델이며 다양한 데이터 셋에서 잘 작동하기 때문에 본 논문에서는 커널 서포트 벡터 머신을 이용하였다. 그중 모든 차수의 모든 다항식을 고려하는 가우시안 커널을 사용하였다.
- 따라서 신인 작가들의 웹툰 성공을 예측할 때에 독자들의 반응을 살펴보는 것이 필요함을 알 수 있다. 댓글 반응을 활용한 모델 중 가장 우수한 알고리즘으로 로지스틱 회귀모형이 선정되었다. 해당 알고리즘으로 모델을 구현한 결과, 웹툰의 성공에 가장 큰 영향을 미치는 요소로 좋아요 수, 독자 반응, 1화 댓글 수를 꼽을 수 있었다.
- 두 번째 모델로는 아다 부스트(Ada Boost)를 사용하였다. 아다 부스트는 모든 예측기의 예측을 계산하고 가중치를 더해 예측 결과를 만든다.
- 가중치의 합이 가장 큰 클래스가 예측 결과가 된다. 사이킷런은 SAMME라는 아다 부스트의 다중 클래스 버전을 사용한다. 본 논문에서는 30개의 결정 트리를 기반으로 하는 아다 부스트 분류기를 훈련시켰다.
성능/효과
- 그중 모든 차수의 모든 다항식을 고려하는 가우시안 커널을 사용하였다.[2] 서포트 벡터 머신을 이용한 모델의 정확도는 약 0.653이다.
- 로지스틱은 0과 1 사이의 값을 출력하는 시그모이드 함수이다.[2] 예측한 결과, 정확도는 약 0.653이었다.
- 적당한 은닉 유닛 개수를 찾기 위해 각각의 은닉 개수에 따른 훈련과 검증 손실 그래프를 그려보았다 <그림 1>. 그 결과 128개와 64개가 여섯 번의 훈련 만에 손실도가 최소화되는 것을 확인 할 수 있다. 따라서 64개의 은닉 개수를 갖도록 하고 여섯 번의 에포크 동안만 훈련하도록 설정하였다.
- 독자들의 반응을 알 수 있는 댓글 반응을 딥러닝을 활용하여 점수화하였다. 그리고 해당 변수를 독립 변수로 사용한 모델과 사용하지 않은 기존 모델의 정확도에서 차이가 발생하는 것을 알 수 있다. 세 모델 모두 댓글 반응을 활용할 경우에 정확도가 높은 것을 확인할 수 있다.
- 네이버 완결 웹툰을 조회 순으로 정렬했을 때, 상위 100개의 웹툰 중 신인 작가의 데뷔작은 31개로 기존 작가들에 비해 2.2배 정도 적은 걸 확인 할 수 있었다. 선행연구에 따르면 웹툰 흥행에 미치는 영향력은 One Source Multi-Use(OSMU), 독자 평점, 작가파워 순으로 나타났다.
- 댓글 반응을 활용한 모델이 활용하지 않은 모델보다 정확도가 높은 것을 알 수 있었으며, ROC 커브 그래프, AUC 면적에 의해 그 중 로지스틱 회귀모형이 가장 최적의 모델이라고 할 수 있다.
- 733이다. 마지막으로 서포트 벡터 머신의 정확도는 약 0.673으로 댓글 반응을 활용하지 않은 기존 모델보다 정확도가 높은 것을 알 수 있다.
- 모델 검증 결과, 댓글 반응을 변수로 사용할 때 정확도가 높아지는 것을 볼 수 있다. 따라서 신인 작가들의 웹툰 성공을 예측할 때에 독자들의 반응을 살펴보는 것이 필요함을 알 수 있다.
- 그리고 해당 변수를 독립 변수로 사용한 모델과 사용하지 않은 기존 모델의 정확도에서 차이가 발생하는 것을 알 수 있다. 세 모델 모두 댓글 반응을 활용할 경우에 정확도가 높은 것을 확인할 수 있다. 따라서 정확도 외에 모델의 성능을 평가할 수 있는 방법인 ROC 커브(Receiver Operating Characteristic Curve)와 AUC 면적(Area Under Curve)을 비교해보았다.
- 첫 번째 모델인 로지스틱 회귀의 정확도는 약 0.693이며 아다 부스트를 이용한 모델의 정확도는 약 0.733이다. 마지막으로 서포트 벡터 머신의 정확도는 약 0.
- 댓글 반응을 활용한 모델 중 가장 우수한 알고리즘으로 로지스틱 회귀모형이 선정되었다. 해당 알고리즘으로 모델을 구현한 결과, 웹툰의 성공에 가장 큰 영향을 미치는 요소로 좋아요 수, 독자 반응, 1화 댓글 수를 꼽을 수 있었다. 세 가지 변수들이 높은 값을 갖는 웹툰은 초반에 긍정적인 이슈를 얻고 꾸준한 인기를 얻어 성공한 웹툰이 되리라 판단할 수 있다.
후속연구
- 특히, 이전 선행 연구에서는 다루지 않았던 독자들의 직접적인 반응이라고 할 수 있는 댓글 반응을 딥러닝을 통해 성공 요인 중 하나로 다루었다는 점에서 의의를 가진다. 향후 연구에서 더 많은 데이터를 수집하고 구체적인 지표를 제시함으로써 신인 웹툰 작가들에게는 성공의 방향을, 독자들에게는 다양한 작품을 볼 기회를 제공할 수 있을 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.