앙상블 기법을 활용한 온라인 음식 상품 리뷰 감성 분석 = Sentiment analysis of online food product review using ensemble technique

다국어 초록 (Multilingual Abstract)

In the online marketplace, consumers are exposed to various products and freely express opinions. As consumer product reviews have a important effect on the success of online markets and other consumers, online market needs to accurately analyze the consumers' emotions about their products. Text mining, which is one of the data analysis techniques, can analyze the consumer's reviews on the products and efficiently manage the products. Previous studies have analyzed specific domains and less than 20,000 data, despite the different accuracy of the analysis results depending on the data domain and size. Further, there are few studies on additional factors that can improve the accuracy of analysis. This study analyzed 72,530 review data of food product domain that was not mainly covered in previous studies by using ensemble technique. We also examined the influence of summary review on improving accuracy of analysis. As a result of the study, this study found that Boosting ensemble technique has the highest accuracy of analysis. In addition, the summary review contributed to improving accuracy of the analysis.

국문 초록 (Abstract)

온라인 마켓에서 소비자는 다양한 상품을 접하고 이에 대한 의견을 자유롭게 기술한다. 소비자의 상품 리뷰가 다른 소비자와 온라인 마켓의 성공에 큰 영향을 주는 만큼 온라인 마켓은 판매 상품에 대한 소비자의 감성을 정확하게 분석할 필요가 있다. 데이터 분석 기법 중 하나인 텍스트 마이닝은 상품에 대한 소비자 리뷰를 분석하여 상품을 효율적으로 관리할 수 있게 해준다. 선행 연구들은 데이터 도메인과 사이즈에 따라 분석 결과의 정확도가 다르게 나타남에도 불구하고 특정 도메인과 2만개 미만의 데이터를 분석해왔다. 또한, 분석의 정확도를 향상 시킬 수 있는 추가 요인에 대한 연구는 거의 수행하지 않았다. 본 연구는 앙상블 기법을 활용하여 기존 연구에서 주로 다루지 않은 음식 상품 도메인의 72,530개 리뷰 데이터를 분석하였다. 또한, 분석 정확도 향상과 관련하여 요약 리뷰의 영향력을 살펴보았다. 연구 결과, 본 연구는 기존 연구와 다르게 부스팅 앙상블 기법이 가장 높은 분석 정확도를 보인다는 사실을 발견하였다. 또한, 요약 리뷰는 분석의 정확도 향상에 기여하는 것으로 나타났다.

참고문헌 (Reference)

1 김은이, "텍스트 및 영상의 멀티모달분석을 이용한 트위터 사용자의 감성 흐름 모니터링 기술" 한국융합학회 9 (9): 419-431, 2018

2 류재한, "텍스트 마이닝을 활용한 4차 산업혁명 핵심기술 연관분석" 한국디지털정책학회 16 (16): 129-136, 2018

3 배정환, "텍스트 마이닝을 이용한2012년 한국대선 관련 트위터 분석" 한국지능정보시스템학회 19 (19): 141-156, 2013

4 이동엽, "워드 임베딩을 이용한 아마존 패션 상품 리뷰의 사용자 감성 분석" 한국융합학회 8 (8): 1-8, 2017

5 T. Chalothom, "information science and applications" 631-639, 2015

6 A. Hassan, "Twitter sentiment analysis: A bootstrap ensemble framework" 8-14, 2013

7 Nádia F.F. da Silva, "Tweet sentiment analysis with classifier ensembles" Elsevier BV 66 : 170-179, 2014

8 Gimun Kim, "The causal relationship between risk and trust in the online marketplace: A bidirectional perspective" Elsevier BV 55 : 1020-1029, 2016

9 Weiguo Fan, "Tapping the power of text mining" Association for Computing Machinery (ACM) 49 (49): 76-82, 2006

10 Gang Wang, "Sentiment classification: The contribution of ensemble learning" Elsevier BV 57 : 77-93, 2014

11 E. Fersini, "Sentiment analysis: Bayesian Ensemble Learning" Elsevier BV 68 : 26-38, 2014

12 L. Rokach, "Pattern classification using ensemble methods" World Scientific 2010

13 D. Paranyushkin, "Identifying the pathways for meaning circulation using text network analysis" Nodus Labs 2011

14 C. Rodríguez-Penagos, "FBM: Combining lexicon-based ML and heuristics for Social Media Polarities" 483-489, 2013

15 Y. Su, "Ensemble learning for sentiment classification" 84-93, 2012

16 Paul A. Pavlou, "Building Effective Online Marketplaces with Institution-Based Trust" Institute for Operations Research and the Management Sciences (INFORMS) 15 (15): 37-59, 2004

17 Cagatay Catal, "A sentiment classification model based on multiple classifiers" Elsevier BV 50 : 135-141, 2017