KR102505204B1

KR102505204B1 - 사용자 후기 분석 장치 및 방법

Info

Publication number: KR102505204B1
Application number: KR1020220040877A
Authority: KR
Inventors: 정민성; 윤창오; 지성영; 이시윤; 이원빈; 임준규; 민지웅; 보아동
Original assignee: 주식회사 애자일소다
Priority date: 2022-04-01
Filing date: 2022-04-01
Publication date: 2023-03-03

Abstract

사용자 후기 분석 장치 및 방법을 개시한다. 본 발명은 하나 이상의 사용자 후기를 감성 분석하여 구체적인 감성과 그에 따른 세부 감성 예측과 정량화를 통해 사용자의 의사결정 판단 정보로 사용될 수 있고, 다수의 서비스 사용자 후기에 대한 요약, 감성 정보, 세부 감정 빈도 시각화, 속성 별 빈도 시각화를 통해 사용자에게 직관적이고 효과적인 정보 전달을 제공할 수 있다.

Description

사용자 후기 분석 장치 및 방법{APPARATUS AND METHOD FOR ANALYZING USER REVIEWS}

본 발명은 사용자 후기 분석 장치 및 방법에 관한 발명으로서, 더욱 상세하게는 하나 이상의 사용자 후기를 감성 분석하여 구체적인 감성과 그에 따른 세부 감성 예측과 정량화를 통해 사용자의 의사결정 판단 정보로 사용될 수 있는 사용자 후기 분석 장치 및 방법에 관한 것이다.

최근 IT 기술의 발전을 통해 다양한 모바일 기기가 보급됨에 따라, 상품 구매 또는 서비스 제공에 대한 정보를 쉽게 공유하고 획득할 수 있는 환경이 조성되었다.

구체적으로 소셜 네트워크 서비스(Social Network Service)나 블로그, 개인 홈페이지 등에서 누구나 쉽게 상품 구매 또는 서비스 제공에 대한 경험을 글로 작성하여 공유하고 있으며, 전문적으로 특정 상품 구매 또는 서비스 제공의 정보만을 종합하여 제공하는 사이트도 다수 출현하였다.

심지어 잡지나 신문 등의 매체에 자신의 평점과 평론을 게시하던 영화 평론가, 소설 평론가 등의 전문가들도 이러한 상품 구매 또는 서비스 제공 정보 사이트에서 전문적으로 상품 또는 서비스에 대해 평점을 부여하고 후기를 작성하기 시작했으며, 일반 사용자들은 이러한 전문가의 후기뿐만 아니라 같은 상품 구매 또는 서비스를 즐기는 다른 일반 사용자의 후기도 함께 참고하여 더 나은 상품 구매와 서비스 제공을 누리기 위한 의사결정에 도움을 받고 있다.

이러한 현상은 특정 분야에 국한되지 않고, 다양한 분야 전반에 걸쳐 활발하게 이루어지고 있다.

예를 들어, 여행에 대한 종합 정보를 제공하거나, 여행 관련 정보 중에서도 숙박에 대한 정보만을 특화시켜 제공하는 여행 전문 사이트, 여행 이외에도 영화 정보가 활발하게 공유되는 영화 정보 사이트, 해외 드라마, 음악 정보 전문 사이트 등의 서비스 정보를 다루는 다양한 분야로 점차 확대되고 있다.

이처럼 다양한 분야의 상품 구매 또는 서비스 제공 정보 사이트들은 각각의 목적 및 관점에 따라 다양한 형태의 정보를 제공하고 있으나, 일반적으로 각 상품에 대한 전체 평점과 함께 해당 상품을 구매한 기존 고객들의 상세 후기를 제공하고 있다.

이들 사이트 대부분은 별도의 평가기준 없이 각 상품에 대한 통합 후기를 제공하고 있기 때문에, 사용자가 특정 기준에 대한 후기를 선택적으로 조회하는 것이 어려운 문제점이 있다.

또한, 서비스 이용시 작성되는 후기들은 매우 중요한 요소이지만, 후기를 구성하는 요소 중 하나인 평점은 객관성이 떨어지며, 후기에 대한 구체적인 내용을 반영할 수 없는 문제점이 있다.

한국 공개특허공보 공개번호 제10-2021-0044017호(상품 리뷰 다차원 분석 방법 및 그 장치)

이러한 문제점을 해결하기 위하여, 본 발명은 하나 이상의 사용자 후기를 감성 분석하여 구체적인 감성과 그에 따른 세부 감성 예측과 정량화를 통해 사용자의 의사결정 판단 정보로 사용될 수 있는 사용자 후기 분석 장치 및 방법을 제공하는 것을 목적으로 한다.

상기한 목적을 달성하기 위하여 본 발명의 일 실시 예는 사용자 후기 분석 장치로서, 특정 도메인에 맞는 감성 분석 데이터에 내재된 주관적 태도, 긍정 및 부정에 대한 감성 판별을 사전 학습(Pre-Training)한 감성 분석 모델의 감성 분석을 통해 하나 이상의 사용자 후기 데이터에 내재된 사용자의 태도, 감성을 판별하여 세부 감정 예측 정보를 수치 및 등급으로 정량화하되, 상기 정량화는 미리 설정된 세부 감정에 기반하여 세부 감정을 분류하고, 상기 분류된 세부 감정에서 버트(BERT) 모델의 어텐션(Attention) 값을 이용하여 추출한 키워드와, 상기 세부 감정과 관련된 감성어 및 상기 감성어에 대한 극성 및 강도를 정의한 감성 어휘 사전의 평가 정보를 기반으로 세부 감정 예측 정보를 정량화하며, 상기 사용자 후기 데이터를 문장 전체에 대한 분류가 아닌 세부화된 속성값들을 기반으로 감성 분석한 속성별 평가 결과와 상기 정량화된 세부 감정 예측 정보를 이용한 감성 분석 평가 결과를 산출하여 시각화 정보로 출력하고, 상기 사용자 후기 데이터에 대하여 직관적으로 인식하고 의사결정을 신속하게 판단할 수 있도록 상기 극성, 세부 감정, 키워드 및 속성값 중 하나 이상을 포함한 사용자 의사결정 판단용 요약 데이터를 생성하여 출력하는 감성 모델링부;를 포함한다.

또한, 상기 실시 예에 따른 사용자 후기 분석 장치는 사용자 후기 데이터를 수집하는 데이터 수집부; 및 상기 감성 모델링부의 시각화 정보를 수신하여 디스플레이하는 디스플레이부;를 더 포함하는 것을 특징으로 한다.

또한, 상기 실시 예에 따른 감성 모델링부는 분석된 세부 감정 예측 정보, 정량화 정보 및 속성별 결과를 기반으로 사용자 의사결정 판단용 요약 데이터를 추가 생성하여 출력하는 것을 특징으로 한다.

또한, 상기 실시 예에 따른 감성 모델링부는 특정 도메인에 맞는 감성 분석 데이터에 내재된 주관적 태도, 긍정 및 부정에 대한 감성 판별을 사전 학습(Pre-Training)한 감성 분석 모델의 감성 분석을 통해 사용자 후기 데이터에 내재된 사용자의 태도, 감성을 판별하여 세부 감정에 기반한 세부 감정을 분류하고, 상기 분류된 세부 감정에서 버트(BERT) 모델의 어텐션(Attention) 값을 이용하여 추출한 키워드와 상기 세부 감정과 관련된 감성 어휘 사전의 극성 및 강도를 기반으로 세부 감정 예측 정보를 추출하여 수치 및 등급으로 정량화하며, 상기 정량화된 세부 감정 예측 정보와 감성 분석된 속성별 결과를 기반으로 산출한 감성 분석 평가 결과를 시각화 정보로 출력하는 감성 분석부; 상기 세부 감정과 관련된 감성어 및 상기 감성어에 대한 극성 및 강도를 정의한 감성 어휘 정보를 저장한 감성 어휘 사전부; 세부 감정 분류 모델을 이용하여 상기 세부 감정을 분류하고 상기 분류된 세부 감정의 키워드를 어텐션(Attention) 값을 이용하여 추출하는 세부 감정 분석부; 속성 기반 분류 모델을 이용하여 상기 사용자 후기 데이터를 문장 전체에 대한 분류가 아닌 세부화된 속성값들을 기반으로 감성 분석하고 상기 분석된 속성값들에 기반한 속성별 평가 결과를 산출하는 속성 분석부; 및 상기 사용자 후기 데이터에 대하여 직관적으로 인식하고 의사결정을 신속하게 판단할 수 있도록 상기 극성, 세부 감정 예측 정보, 정량화 정보, 속성별 결과를 기반으로 극성, 세부 감정, 키워드 및 속성값 중 하나 이상을 포함한 사용자 의사결정 판단용 요약 데이터를 생성하는 요약 생성부;를 포함하는 것을 특징으로 한다.

또한, 상기 실시 예에 따른 감성 분석부는 버트(BERT) 기반의 감성 분석 모델로 이루어지고, 상기 감성 분석 모델을 공개된 감성 분석 데이터 세트에 기반하여 감성 분석 데이터에 내재된 주관적 태도, 긍정 및 부정에 대한 감성 판별을 통해 감성 분석을 학습하는 감성 분석 모델 생성부; 및 상기 학습된 감성 분석 모델을 지식 증류(Knowledge Distillation) 학습, 적응적 추론(Adaptive Inference) 학습 및 양자화(Quantization) 학습 중 적어도 하나를 이용한 경량화 학습을 수행하여 감성 분석 모델을 생성하는 모델 경량화부;를 더 포함하고, 상기 경량화 학습은 지식 증류 학습, 적응적 추론 학습 및 양자화 학습을 학습 비율에 따라 수행하고, 학습별 비율에 따라 미리 설정된 하이퍼파라미터가 자동으로 반영되는 것을 특징으로 한다.

또한, 본 발명의 일 실시 예는 사용자 후기 분석 방법으로서, a) 감성 모델링부(200)가 하나 이상의 사용자 후기 데이터를 수집하는 단계; b) 상기 감성 모델링부가 특정 도메인에 맞는 감성 분석 데이터에 내재된 주관적 태도, 긍정 및 부정에 대한 감성 판별을 사전 학습(Pre-Training)한 감성 분석 모델의 감성 분석을 통해 수집된 사용자 후기 데이터에 내재된 사용자의 태도, 감성을 판별하는 단계; c) 상기 감성 모델링부가 미리 설정된 세부 감정에 기반하여 세부 감정을 분류하고, 상기 분류된 세부 감정에서 버트(BERT) 모델의 어텐션(Attention) 값을 이용한 키워드를 추출하여 상기 세부 감정과 관련된 감성어 및 상기 감성어에 대한 극성 및 강도를 정의한 감성 어휘 사전의 평가 정보를 기반으로 세부 감정 예측 정보를 정량화하여 세부 감정을 예측하는 단계; d) 상기 감성 모델링부가 사용자 후기 데이터를 문장 전체에 대한 분류가 아닌 세부화된 속성값들을 기반으로 감성 분석한 속성별 평가 결과를 산출하는 단계; 및 e) 상기 감성 모델링부가 정량화된 세부 감정 예측 정보와 속성별 결과를 이용한 감성 분석 평가 결과를 산출하여 시각화 정보로 출력하고, 상기 사용자 후기 데이터에 대하여 직관적으로 인식하고 의사결정을 신속하게 판단할 수 있도록 상기 극성, 세부 감정, 키워드 및 속성값 중 하나 이상을 포함한 사용자 의사결정 판단용 요약 데이터를 생성하여 출력하는 단계;를 포함한다.

또한, 상기 실시 예에 따른 b) 단계는 감성 모델링부가 버트(BERT) 기반의 감성 분석 모델을 공개된 감성 분석 데이터 세트를 기반으로 감성 분석 데이터에 내재된 주관적 태도, 긍정 및 부정에 대한 감성을 판별하는 감성 분석 학습 단계;를 더 포함하는 것을 특징으로 한다.

또한, 상기 실시 예에 따른 감성 모델링부는 감성 분석 학습을 통해 학습된 감성 분석 모델을 지식 증류(Knowledge Distillation) 학습, 적응적 추론(Adaptive Inference) 학습 및 양자화(Quantization) 학습 중 적어도 하나를 이용한 경량화 학습을 추가 수행하여 감성 분석 모델을 생성하는 단계;를 더 포함하고, 상기 경량화 학습은 지식 증류 학습, 적응적 추론 학습 및 양자화 학습을 학습 비율에 따라 수행하고, 학습별 비율에 따라 미리 설정된 하이퍼파라미터가 자동으로 반영되는 것을 특징으로 한다.

본 발명은 하나 이상의 사용자 후기를 감성 분석하여 구체적인 감성과 그에 따른 세부 감성 예측과 정량화를 통해 사용자의 의사결정 판단 정보로 사용될 수 있는 장점이 있다.

또한, 본 발명은 다수의 사용자 후기에 대한 요약, 감성 정보, 세부 감정 빈도 시각화, 속성별 빈도 시각화를 통해 사용자에게 직관적이고 효과적인 정보 전달을 제공할 수 있는 장점이 있다.

도1은 본 발명의 일 실시 예에 따른 사용자 후기 분석 장치를 나타낸 블록도.
도2는 도1의 실시 예에 따른 사용자 후기 분석 장치의 감성 모델링부 구성을 나타낸 블록도.
도3은 도2의 감성 분석부 구성을 나타낸 블록도.
도4는 본 발명의 일 실시 예에 따른 사용자 후기 분석 방법을 설명하기 위해 나타낸 흐름도.
도5는 도4의 실시 예에 따른 사용자 후기 분석 방법의 세부 감성 분석 과정을 설명하기 위해 나타낸 흐름도.
도6은 도4의 실시 예에 따른 사용자 후기 분석 방법의 감성 분석 정보를 시각화하여 나타낸 예시도.
도7은 도4의 실시 예에 따른 사용자 후기 분석 방법의 세부 감성 예측을 설명하기 위해 나타낸 예시도.
도8은 도4의 실시 예에 따른 사용자 후기 분석 방법의 속성 기반 분석을 설명하기 위해 나타낸 예시도.
도9는 도4의 실시 예에 따른 사용자 후기 분석 방법의 요약 정보 제공을 설명하기 위해 나타낸 예시도.

이하에서는 본 발명의 바람직한 실시 예 및 첨부하는 도면을 참조하여 본 발명을 상세히 설명하되, 도면의 동일한 참조부호는 동일한 구성요소를 지칭함을 전제하여 설명하기로 한다.

본 발명의 실시를 위한 구체적인 내용을 설명하기에 앞서, 본 발명의 기술적 요지와 직접적 관련이 없는 구성에 대해서는 본 발명의 기술적 요지를 흩뜨리지 않는 범위 내에서 생략하였음에 유의하여야 할 것이다.

또한, 본 명세서 및 청구범위에 사용된 용어 또는 단어는 발명자가 자신의 발명을 최선의 방법으로 설명하기 위해 적절한 용어의 개념을 정의할 수 있다는 원칙에 입각하여 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야 할 것이다.

본 명세서에서 어떤 부분이 어떤 구성요소를 "포함"한다는 표현은 다른 구성요소를 배제하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.

또한, "‥부", "‥기", "‥모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어, 또는 그 둘의 결합으로 구분될 수 있다.

또한, "적어도 하나의" 라는 용어는 단수 및 복수를 포함하는 용어로 정의되고, 적어도 하나의 라는 용어가 존재하지 않더라도 각 구성요소가 단수 또는 복수로 존재할 수 있고, 단수 또는 복수를 의미할 수 있음은 자명하다 할 것이다.

또한, 각 구성요소가 단수 또는 복수로 구비되는 것은, 실시 예에 따라 변경가능하다 할 것이다.

이하, 첨부된 도면을 참조하여 본 발명의 일 실시 예에 따른 사용자 후기 분석 장치 및 방법의 바람직한 실시예를 상세하게 설명한다.

도1은 본 발명의 일 실시 예에 따른 사용자 후기 분석 장치를 나타낸 블록도이고, 도2는 도1의 실시 예에 따른 사용자 후기 분석 장치의 감성 모델링부 구성을 나타낸 블록도이며, 도3은 도2의 감성 분석부 구성을 나타낸 블록도이다.

도1 내지 도3을 참조하면, 본 발명의 일 실시 예에 따른 사용자 후기 분석 장치는 임의의 서비스에 대한 사용자 후기를 감성 분석하여 구체적인 감성과, 그에 따른 세부 감성 예측과 정량화를 통해 사용자의 의사결정 판단 정보로 사용될 수 있도록 데이터 수집부(100)와, 감성 모델링부(200)와, 디스플레이부(300)를 포함하여 구성될 수 있다.

데이터 수집부(100)는 임의의 서비스를 제공하는 서버 시스템으로부터 서비스를 제공하는 서비스 제공자 또는 특정 서비스에 대한 사용자 후기 데이터를 하나 이상 수집할 수 있다.

감성 모델링부(200)는 감성 분석 모델에 기반한 감성 분석을 통해 임의의 서비스에 대한 하나 이상의 사용자 후기 데이터에 내재된 사용자의 태도, 감성을 판별하여 세부 감정 예측 정보를 수치 및 등급으로 정량화할 수 있다.

또한, 감성 모델링부(200)는 미리 설정된 세부 감정에 기반하여 세부 감정을 분류하고, 분류된 세부 감정의 키워드와 세부 감정과 관련된 감성어 및 감성어에 대한 극성 및 강도를 정의한 감성 어휘 사전의 평가 정보를 기반으로 세부 감정 예측 정보를 정량화할 수 있다.

또한, 감성 모델링부(200)는 사용자 후기 데이터를 임의의 속성값들을 기반으로 감성 분석한 속성별 결과와, 정량화된 세부 감정 예측 정보를 이용한 감성 분석 평가 결과를 산출하고, 산출된 감성 분석 평가 결과를 임의의 시각화 정보로 출력할 수 있다.

또한, 감성 모델링부(200)는 분석된 세부 감정 예측 정보, 정량화 정보 및 속성별 결과를 기반으로 사용자 의사결정 판단용 요약 데이터를 생성하여 출력할 수도 있다.

이를 위해, 감성 모델링부(200)는 감성 분석부(210)와, 감성 어휘 사전부(220)와, 세부 감성 분석부(230)와, 속성 분석부(240)와, 요약 생성부(250)를 포함하여 구성될 수 있다.

감성 분석부(210)는 감성 분석 모델에 기반한 감성 분석을 통해 사용자 후기 데이터에 내재된 사용자의 태도, 긍정 또는 부정과 같은 극성을 갖는 감성을 판별할 수 있다.

또한, 감성 분석부(210)는 세부 감성 분석부(230)에서 분류되는 세부 감정과, 분류된 세부 감정과 관련된 키워드와, 감성 어휘 사전부(220)에서 추출되는 세부 감정과 관련된 어휘의 극성 및 강도를 기반으로 세부 감정 예측 정보에 대한 수치 및 등급으로 정량화시켜 출력할 수 있다.

여기서, 극성은 긍정, 부정과 같은 감성일 수 있고, 강도는 예를 들어 "+5, +4, ‥, 0, -1, -2, ‥, -5"와 같이, 수치 또는 등급일 수 있다.

또한, 감성 분석부(210)는 정량화된 세부 감정 예측 정보와, 속성 분석부(240)에서 감성 분석된 속성별 결과를 기반으로 감성 분석 평가 결과를 산출하고, 산출된 감성 분석 평가 결과를 미리 설정된 포맷에 따라 변환한 시각화 정보로 출력할 수 있다.

또한, 감성 분석부(210)는 감성 분석 모델을 학습하기 위한 감성 분석 모델 생성부(211)를 포함하여 구성될 수 있다.

감성 분석 모델 생성부(211)는 버트(BERT) 기반의 모델로 이루어진 감성 분석 모델을 학습하는 구성으로서, 감성 분석 모델은 공개된 감성 분석 데이터 세트에 대해 State-Of-The-Art(SOTA) 성능을 보이고, 감성 분석 데이터를 이용한 감성 (긍정/부정)의 예측이 가능하며, 어텐션(Attention)값을 통해 키워드를 추출할 수도 있다.

또한, 감성 분석 모델 생성부(211)의 감성 분석 모델은 다양한 정보를 사전 학습(Pre-Training)함으로써, 감성 분석 데이터에 내재된 주관적 태도, 긍정 및 부정에 대한 감성 판별을 통해 감성 분석을 학습할 수도 있다.

또한, 감성 분석 모델은 텍스트 데이터를 전처리할 경우, BPE(byte pair encoding) 알고리즘 기반의 토크나이저(Tokenizer)를 이용하여 학습 데이터에 존재하지 않는 모르는 단어로 인해 발생되는 OOV(Out-Of-Vocabulary) 문제를 해결할 수 있어서 다양한 어휘적 특성을 활용할 수도 있다.

또한, 감성 분석부(210)는 최적화된 감성 분석 모델을 생성할 수 있도록 모델 경량화부(212)를 포함하여 구성될 수 있다.

일반적인 버트(BERT) 모델은 우수한 성능을 위해 모델의 크기가 매우 크고 많은 메모리를 사용하며, 학습을 위해 많은 GPU가 필요하고, 모형 운영시에도 운영계 리소스의 과부하와 추론 속도의 저하가 발생될 수 있다.

본 발명에 따른 실시 예는 모델 경량화부(212)를 통해 성능은 유지하면서 모델 크기를 압축시킨 최적화된 감성 분석 모델을 생성할 수 있다.

이를 위해, 모델 경량화부(212)는 감성 분석 학습을 통해 학습된 버트 기반의 감성 분석 모델을 지식 증류(Knowledge Distillation) 학습, 적응적 추론(Adaptive Inference) 학습 및 양자화(Quantization) 학습 중 적어도 하나를 이용한 경량화 학습을 수행하여 최적화된 감성 분석 모델을 생성할 수 있다.

즉, 모델 경량화부(212)는 지식 증류 학습을 통해 모델의 인코더 레이어(Encoder layer) 수를 감소시키는 인코더 레이어 압축과, 모델의 차원을 감소시키는 차원 압축을 통해 추론 속도를 개선한 모델을 생성할 수 있다.

또한, 모델 경량화부(212)는 적응적 추론 학습을 통해 인코더 레이어에서 결론을 도출할 수 있도록 파인 튜닝 레이어(Fine-tuning layer)를 추가하고, 추론의 진행 시 각 인코더 레이어의 문제 난이도 분석을 통해 미리 설정된 문제 난이도 이하의 인코더 레이어에서 결론을 도출하는 계산량 감소에 기반한 모델을 생성할 수도 있다.

또한, 모델 경량화부(212)는 양자화 학습을 통해 모델을 이용한 추론시 정보를 표현하는데 필요한 비트(bit) 수를 축소하거나, 부도의 소수점 값을 잘라내서 더 적은 비트만을 사용하여 계산량 감소에 기반한 모델을 생성할 수도 있다.

또한, 모델 경량화부(212)는 지식 증류 학습, 적응적 추론 학습 및 양자화 학습에 기반한 경량화 학습을 임의의 학습 비율에 따라 수행할 수 있고, 학습별 비율에 따라 미리 설정된 최적의 하이퍼파라미터가 자동으로 반영될 수도 있다.

감성 어휘 사전부(220)는 세부 감정과 관련된 감성어와, 해당 감성어에 대한 극성(긍정/부정) 및 강도를 정의한 감성 어휘 정보가 저장된 구성으로서, 감성 어휘 사전일 수 있다.

즉, 감성 어휘 사전부(220)는 부정적인 의미의 '슬프다' 이외에, 영화나 드라마와 같은 후기에서의 '슬프다'와 같이 반드시 부정적인 의미가 있는 것은 아닌 감성 어휘에 대하여 특정 도메인에 맞는 적절한 감성어의 극성과, '재미: +1', '충격적: -2'와 같은 정량화를 통해 감성 어휘 사전에 정의된 정보로 제공할 수 있다.

이를 위해, 감성 어휘 사전부(220)는 임의의 세부 감정과, 그 안의 키워드들을 정의한 후 등장하는 표현들을 모두 데이터베이스화하고 레이블링을 진행할 수 있다.

레이블링은 '호감'이라는 세부 감정과 그 안에 해당되는 키워드인 '즐겁다', '재미있다' 등을 정의한 뒤, 등장하는 모든 표현, 예를 들어 매우 재미있다: +3, 재미있다: +1 등에 대해 레이블링을 수행할 수 있다.

또한, 대량의 말뭉치(Corpus)에서 임의의 키워드가 포함된 문장과 그렇지 않은 문장들의 평균, 표준 편차를 활용하여 정량화를 수행할 수도 있다.

세부 감정 분석부(230)는 세부 감정 분류 모델을 이용하여 세부 감정, 예를 들어 기쁨, 좋음, 만족, 흥미, 나쁨, 분노, 불만, 불쾌, 실망, 슬픔, 호감, 싫음, 원망, 후회, 희망, 반감 등으로 분류하고, 분류된 세부 감정의 키워드를 어텐션(Attention) 값을 이용하여 추출할 수 있다.

또한, 세부 감정 분석부(230)에서 추출된 키워드는 감성 어휘 사전부(220)의 정보와 함께 정량화에 사용될 수 있다.

즉, 추출된 키워드가 예를 들어 '성실', '재미있다'인 경우, 감성 어휘 사전부(220)의 정보를 반영하여 '호감: 성실(+1)', '재미있다(+1)'와 같이 정량화할 수 있다.

속성 분석부(240)는 지정된 속성값들에 대한 감성 분석을 통해 기존의 감성 분석보다 섬세한 평가를 수행하는 구성으로서, 속성 기반 분류 모델을 이용하여 사용자 후기 데이터에 포함된 속성값들을 분석하고, 분석된 속성값들에 기반한 속성별 결과를 산출할 수 있다.

즉, 속성 분석부(240)는 문장 전체에 대한 분류보다 더욱 세부적으로 어떤 점에서 그렇게 평가했는지 속성(Aspect)에 대한 평가를 수행하는 것으로 예를 들어, '아이와 재밌게 놀아주시지만 시간 약속에 늦으시네요'라는 후기 데이터에서 '시간' 속성은 부정, '활동' 속성은 긍정으로 세분화하여 평가할 수 있다.

요약 생성부(250)는 수집된 사용자 후기 데이터에 대하여 세부 감정 예측 정보, 정량화 정보, 속성별 결과를 기반으로 사용자 의사 결정 판단용 요약 데이터를 생성할 수 있다.

즉, 요약 생성부(250)는 사용자들이 후기 데이터를 참고하여 필요한 정보를 획득할 수 있지만, 모든 후기를 살펴보기 어려운 점과 그래프 등의 시각화 정보로 제공되는 감성 분석 결과에 따른 극성, 세부 감정 예측 결과, 키워드 정보 및 속성별 정보를 직관적으로 인식하기 어려운 점을 해결하기 위해 요약 데이터(예를 들어, 요약문)를 생성하여 출력할 수 있다.

요약 데이터는 감성 분류 결과에 따른 '긍정' 또는 '부정', 세부 감정 예측 결과에 따른 극성, 세부감정, 키워드 및 속성 중 하나 이상을 포함한 구문으로 구성될 수 있다.

긍정인 경우 요약 생성부(250)는 다수의 사용자 후기 데이터에 대하여 감성 분석한 결과를 기반으로 " 긍정 요약 : 성실 하고 아이들과 잘 놀아줌 "과 같이 요약 데이터를 작성할 수 있다

또한, 부정인 경우 요약 생성부(250)는 다수의 사용자 후기 데이터에 대하여 감성 분석한 결과를 기반으로 " 부정 요약 : 경험 이 부족 하고 연락 하기 어려움 "과 같이 한 줄로 작성된 요약 데이터를 생성하여 출력함으로써, 사용자의 직관적인 인식이 가능하고, 신속한 판단을 통해 의사 결정할 수 있도록 한다.

디스플레이부(300)는 감성 모델링부(200)에서 출력되는 시각화 정보를 수신하여 디스플레이하는 구성으로서, 감성 분석을 요청한 사용자 단말일 수 있다.

즉, 도6(a)에 나타낸 바와 같이, 감성 모델링부(200)가 수집된 다수의 사용자 후기 데이터(400)를 분석하여 디스플레이부(300)를 통해 도6(b)의 시각화 분석 정보(410)와 같이 디스플레이되도록 한다.

다음은 본 발명의 일 실시 예에 따른 사용자 후기 분석 방법을 설명한다.

도4는 본 발명의 일 실시 예에 따른 사용자 후기 분석 방법을 설명하기 위해 나타낸 흐름도이고, 도5는 도4의 실시 예에 따른 사용자 후기 분석 방법의 세부 감성 분석 과정을 설명하기 위해 나타낸 흐름도이다.

도1 내지 도5를 참조하면, 본 발명의 일 실시 예에 따른 사용자 후기 분석 방법은 감성 모델링부(200)가 데이터 수집부(100)를 통해 임의의 서비스에 대한 하나 이상의 사용자 후기 데이터를 수집(S100)한다.

감성 모델링부(200)는 감성 분석 모델에 기반한 감성 분석을 통해 사용자 후기 데이터에 내재된 사용자의 태도, 긍정 또는 부정과 같은 감성을 판별(S200)한다.

또한, S200 단계에서 감성 모델링부(200)는 버트(BERT) 기반의 모델로 이루어진 감성 분석 모델을 학습하는 감성 분석 학습 과정을 수행할 수 있다.

즉, 감성 분석 모델은 다양한 정보를 사전 학습(Pre-Training)함으로써, 감성 분석 데이터에 내재된 주관적 태도, 긍정 및 부정에 대한 감성 판별을 수행할 수 있는 감성 분석을 학습할 수 있다.

또한, S200 단계에서 감성 모델링부(200)는 성능은 유지하면서 모델 크기를 압축시킨 최적화된 감성 분석 모델을 생성할 수 있다.

이를 위해, 감성 모델링부(200)는 감성 분석 학습을 통해 학습된 버트 기반의 감성 분석 모델을 지식 증류(Knowledge Distillation) 학습, 적응적 추론(Adaptive Inference) 학습 및 양자화(Quantization) 학습 중 적어도 하나를 이용한 경량화 학습을 수행하여 최적화된 감성 분석 모델을 생성할 수 있다.

또한, 감성 모델링부(200)는 지식 증류 학습, 적응적 추론 학습 및 양자화 학습에 기반한 경량화 학습을 임의의 학습 비율에 따라 수행할 수 있고, 학습별 비율에 따라 미리 설정된 최적의 하이퍼파라미터를 자동으로 반영할 수 있다.

계속해서, 감성 모델링부(200)는 세부 감정 분류 모델을 이용하여 미리 설정된 세부 감정으로 분류하고, 분류된 세부 감정의 키워드를 어텐션(Attention) 값을 이용하여 추출하는 세부 감성 분석을 수행(S300)할 수 있다.

S300 단계에서, 감성 모델링부(200)는 기쁨, 좋음, 만족, 흥미, 나쁨, 분노, 불만, 불쾌, 실망, 슬픔, 호감, 싫음, 원망, 후회, 희망, 반감 등에 기반하여 세부 감정을 분류(S310)하고, 분류된 세부 감정의 키워드를 추출(S320)하여 세부 감정과 관련된 감성어 및 해당 감성어에 대한 극성 및 강도를 정의한 감성 어휘 사전의 평가 정보를 기반으로 세부 감정 예측 정보를 정량화함으로써, 세부 감정을 예측(S330)할 수 있다.

즉, 도7(a)에 나타낸 바와 같이, 감성 분석을 통해 '호감', '흥미'의 '긍정'으로 분류된 감성 분석 정보(500)로부터 세부 감정의 키워드 정보(510)인 '잘놀아 주었어요'를 추출하고, 이를 통해 분석된 예를 들어 '세부 감정: 기쁨'과 그에 따른 '정량화 정보: +1.5'를 세부 감정 예측 정보(520)로 출력할 수 있다.

또한, 도7(b)에 나타낸 바와 같이, 감성 분석을 통해 '슬픔', '분노'의 '부정'으로 분류된 감정 분류 정보 1(500a)로부터 세부 감정의 키워드 정보 1(510a)인 '경험이 부족', '아쉽습니다' 등을 추출하고, 이를 통해 분석된 '세부 감정: 슬픔'과 그에 따른 '정량화 정보: -1.5'를 세부 감정 예측 정보 1(520a)로 출력할 수 있다.

또한, 감성 모델링부(200)는 지정된 속성값들에 대한 감성 분석을 통해 기존의 감성 분석보다 섬세한 평가를 수행할 수 있도록 속성 기반 분류 모델을 이용하여 사용자 후기 데이터에 포함된 속성값들을 분석하고, 분석된 속성값들에 기반한 속성별 결과를 산출(S400)할 수 있다.

즉, S400 단계를 통해 문장 전체에 대한 분류보다 더욱 세부적으로 어떤 점에서 그렇게 평가했는지 예를 들어, '아이와 재밌게 놀아주시지만 시간 약속에 늦으시네요'라는 후기 데이터에서 '시간' 속성은 부정, '활동' 속성은 긍정으로 세분화하여 평가할 수 있다.

도8은 속성 기반 분석을 설명하기 위해 나타낸 예시도로서, 사용자 후기 데이터(600)에서 다수의 키워드 정보(601), 키워드 정보 1(602), 키워드 정보 2(603)를 추출하고, 추출된 키워드 정보들을 분석하여 '시간', '능력' 등의 속성값을 추출하고, 추출된 속성값에 대응한 키워드의 정량화 정보를 포함한 속성별 결과 정보(610)를 출력(S500)할 수 있다.

또한, 감성 모델링부(200)는 S200 단계 내지 S400 단계를 통해 정량화된 세부 감정 예측 정보와 속성별 결과를 이용한 감성 분석 평가 결과를 산출하고, 산출된 감성 분석 평가 결과를 임의의 시각화 정보로 변환하여 사용자 단말 또는 디스플레이 장치와 같은 디스플레이부(300)를 통해 출력(S500)할 수 있다.

또한, S500 단계에서 감성 모델링부(200)는 수집된 사용자 후기 데이터에 대하여 세부 감정 예측 정보, 정량화 정보, 속성별 결과를 기반으로 사용자 의사 결정 판단용 요약 데이터를 생성할 수 있다.

즉, 감성 모델링부(200)는 도9에 나타낸 바와 같이, 사용자들이 후기 데이터(700)로부터, 세부 감정 예측 정보, 정량화 정보, 속성별 결과를 추출하고, 이를 기반으로 예를 들어 '긍정 요약: 성실하고 아이들과 잘 놀아줌', 또는 '부정 요약: 경험이 부족하고 연락하기 어려움'과 같이 한 줄로 작성된 요약 데이터(710)를 생성하여 출력함으로써, 사용자가 신속한 판단을 통해 의사 결정할 수 있도록 한다.

또한, 감성 모델링부(200)는 속성별 결과를 기반으로 개별 속성에 대하여 긍정 및 부정에 대한 정량화 정보를 표시한 요약 데이터 1(720)을 생성하여 출력함으로써, 사용자가 요약 데이터를 통해 직관적으로 인식할 수 있고, 이를 통해 신속한 의사 결정을 내릴 수 있도록 한다.

한편, 본 발명은 돌봄 서비스를 실시 예로 설명하지만, 이에 한정되는 것은 아니고, 상품의 구입 및 사용, 방문, 상담, 교육, 배달, A/S, 여행 및 특정 서비스 등에 대한 사용자 후기를 모두 포함될 수 있다.

따라서, 서비스의 사용자 후기를 감성 분석하여 구체적인 감성과 그에 따른 세부 감성 예측과 정량화를 통해 사용자의 의사결정 판단 정보로 사용될 수 있고, 다수의 서비스 사용자 후기에 대한 요약, 감성 정보, 세부 감정 빈도 시각화, 속성별 빈도 시각화를 통해 사용자에게 직관적이고 효과적인 정보 전달을 제공할 수 있다.

상기와 같이, 본 발명의 바람직한 실시 예를 참조하여 설명하였지만 해당 기술 분야의 숙련된 당업자라면 하기의 특허청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

또한, 본 발명의 특허청구범위에 기재된 도면번호는 설명의 명료성과 편의를 위해 기재한 것일 뿐 이에 한정되는 것은 아니며, 실시예를 설명하는 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다.

또한, 상술된 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있으므로, 이러한 용어들에 대한 해석은 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.

또한, 명시적으로 도시되거나 설명되지 아니하였다 하여도 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기재사항으로부터 본 발명에 의한 기술적 사상을 포함하는 다양한 형태의 변형을 할 수 있음은 자명하며, 이는 여전히 본 발명의 권리범위에 속한다.

또한, 첨부하는 도면을 참조하여 설명된 상기의 실시예들은 본 발명을 설명하기 위한 목적으로 기술된 것이며 본 발명의 권리범위는 이러한 실시예에 국한되지 아니한다.

100 : 데이터 수집부 200 : 감성 모델링부
210 : 감성 분석부 211 : 감성 분석 모델 생성부
212 : 모델 경량화부 220 : 감성 어휘 사전부
230 : 세부 감정 분석부 240 : 속성 분석부
250 : 요약 생성부 300 : 디스플레이부
400 : 사용자 후기 데이터 410 : 시각화 분석 정보
500 : 감성 분석 정보 500a : 감성 분석 정보 1
510 : 키워드 정보 510a : 키워드 정보 1
520 : 세부 감정 예측 정보 520a : 세부 감정 예측 정보 1
600 : 사용자 후기 데이터 601 : 키워드 정보
602 : 키워드 정보 1 603 : 키워드 정보 2
610 : 속성 분석 정보 700 : 사용자 후기 데이터
710 : 요약 데이터 720 : 요약 데이터 1

Claims

특정 도메인에 맞는 감성 분석 데이터에 내재된 주관적 태도, 긍정 및 부정에 대한 감성 판별을 사전 학습(Pre-Training)한 감성 분석 모델의 감성 분석을 통해 사용자 후기 데이터에 내재된 사용자의 태도, 감성을 판별하여 세부 감정에 기반한 세부 감정을 분류하고, 상기 분류된 세부 감정에서 버트(BERT) 모델의 어텐션(Attention) 값을 이용하여 추출한 키워드와 상기 세부 감정과 관련된 감성 어휘 사전의 극성 및 강도를 기반으로 세부 감정 예측 정보를 추출하여 수치 및 등급으로 정량화하며, 상기 정량화된 세부 감정 예측 정보와 감성 분석된 속성별 결과를 기반으로 산출한 감성 분석 평가 결과를 시각화 정보로 출력하는 감성 분석부(210);
상기 세부 감정과 관련된 감성어 및 상기 감성어에 대한 극성 및 강도를 정의한 감성 어휘 정보를 저장한 감성 어휘 사전부(220);
세부 감정 분류 모델을 이용하여 상기 세부 감정을 분류하고 상기 분류된 세부 감정의 키워드를 어텐션(Attention) 값을 이용하여 추출하는 세부 감정 분석부(230);
속성 기반 분류 모델을 이용하여 상기 사용자 후기 데이터를 문장 전체에 대한 분류가 아닌 세부화된 속성값들을 기반으로 감성 분석하고 상기 분석된 속성값들에 기반한 속성별 평가 결과를 산출하는 속성 분석부(240); 및
상기 사용자 후기 데이터에 대하여 직관적으로 인식하고 의사결정을 신속하게 판단할 수 있도록 상기 극성, 세부 감정 예측 정보, 정량화 정보, 속성별 결과를 기반으로 극성, 세부 감정, 키워드 및 속성값 중 하나 이상을 포함한 사용자 의사결정 판단용 요약 데이터를 생성하는 요약 생성부(250);로 이루어진 감성 모델링부(200)를 포함하고,
상기 감성 분석부(210)는 버트(BERT) 기반의 감성 분석 모델로 이루어지고, 상기 감성 분석 모델을 공개된 감성 분석 데이터 세트에 기반하여 감성 분석 데이터에 내재된 주관적 태도, 긍정 및 부정에 대한 감성 판별을 통해 감성 분석을 학습하는 감성 분석 모델 생성부(211); 및
상기 학습된 감성 분석 모델을 모델의 인코더 레이어(Encoder layer) 수를 감소시키는 인코더 레이어 압축과, 모델의 차원을 감소시키는 차원 압축을 통해 추론 속도를 개선하는 지식 증류(Knowledge Distillation) 학습과, 인코더 레이어에서 결론을 도출할 수 있도록 파인 튜닝 레이어(Fine-tuning layer)를 추가하고, 추론의 진행 시 각 인코더 레이어의 문제 난이도 분석을 통해 미리 설정된 문제 난이도 이하의 인코더 레이어에서 결론을 도출하는 적응적 추론(Adaptive Inference) 학습과, 정보를 표현하는데 필요한 비트(bit) 수를 축소하거나, 부도의 소수점 값을 잘라내서 더 적은 비트만을 사용하여 계산량 감소하는 양자화(Quantization) 학습을 이용한 경량화 학습을 수행하여 감성 분석 모델을 생성하는 모델 경량화부(212);를 포함하고,
상기 경량화 학습은 지식 증류 학습, 적응적 추론 학습 및 양자화 학습을 학습 비율에 따라 수행하고, 학습별 비율에 따라 미리 설정된 하이퍼파라미터가 자동으로 반영되는 것을 특징으로 하는 사용자 후기 분석 장치.
제 1 항에 있어서,
상기 사용자 후기 분석 장치는 사용자 후기 데이터를 수집하는 데이터 수집부(100); 및
상기 감성 모델링부(200)의 시각화 정보를 수신하여 디스플레이하는 디스플레이부(300);를 더 포함하는 것을 특징으로 하는 사용자 후기 분석 장치.
삭제
삭제
a) 감성 모델링부(200)가 하나 이상의 사용자 후기 데이터를 수집하는 단계;
b) 상기 감성 모델링부(200)가 특정 도메인에 맞는 감성 분석 데이터에 내재된 주관적 태도, 긍정 및 부정에 대한 감성 판별을 사전 학습(Pre-Training)한 감성 분석 모델의 감성 분석을 통해 수집된 사용자 후기 데이터에 내재된 사용자의 태도, 감성을 판별하는 단계;
c) 상기 감성 모델링부(200)가 미리 설정된 세부 감정에 기반하여 세부 감정을 분류하고, 상기 분류된 세부 감정에서 버트(BERT) 모델의 어텐션(Attention) 값을 이용한 키워드를 추출하여 상기 세부 감정과 관련된 감성어 및 상기 감성어에 대한 극성 및 강도를 정의한 감성 어휘 사전의 평가 정보를 기반으로 세부 감정 예측 정보를 정량화하여 세부 감정을 예측하는 단계;
d) 상기 감성 모델링부(200)가 사용자 후기 데이터를 문장 전체에 대한 분류가 아닌 세부화된 속성값들을 기반으로 감성 분석한 속성별 평가 결과를 산출하는 단계; 및
e) 상기 감성 모델링부(200)가 정량화된 세부 감정 예측 정보와 속성별 결과를 이용한 감성 분석 평가 결과를 산출하여 시각화 정보로 출력하고, 상기 사용자 후기 데이터에 대하여 직관적으로 인식하고 의사결정을 신속하게 판단할 수 있도록 상기 극성, 세부 감정, 키워드 및 속성값 중 하나 이상을 포함한 사용자 의사결정 판단용 요약 데이터를 생성하여 출력하는 단계;를 포함하고,
상기 감성 모델링부(200)는 학습된 감성 분석 모델을 모델의 인코더 레이어(Encoder layer) 수를 감소시키는 인코더 레이어 압축과, 모델의 차원을 감소시키는 차원 압축을 통해 추론 속도를 개선하는 지식 증류(Knowledge Distillation) 학습과, 인코더 레이어에서 결론을 도출할 수 있도록 파인 튜닝 레이어(Fine-tuning layer)를 추가하고, 추론의 진행 시 각 인코더 레이어의 문제 난이도 분석을 통해 미리 설정된 문제 난이도 이하의 인코더 레이어에서 결론을 도출하는 적응적 추론(Adaptive Inference) 학습과, 정보를 표현하는데 필요한 비트(bit) 수를 축소하거나, 부도의 소수점 값을 잘라내서 더 적은 비트만을 사용하여 계산량 감소하는 양자화(Quantization) 학습을 이용한 경량화 학습을 수행하여 감성 분석 모델을 생성하고,
상기 경량화 학습은 지식 증류 학습, 적응적 추론 학습 및 양자화 학습을 학습 비율에 따라 수행하고, 학습별 비율에 따라 미리 설정된 하이퍼파라미터가 자동으로 반영되는 것을 특징으로 하는 사용자 후기 분석 방법.
제 5 항에 있어서,
상기 b) 단계는 감성 모델링부(200)가 버트(BERT) 기반의 감성 분석 모델을 공개된 감성 분석 데이터 세트를 기반으로 감성 분석 데이터에 내재된 주관적 태도, 긍정 및 부정에 대한 감성을 판별하는 감성 분석 학습 단계;를 더 포함하는 것을 특징으로 하는 사용자 후기 분석 방법.
삭제