paper study 02 - 텍스트마이닝 기반 사용자 경험 분석 및 관리: 스마트 스피커 사례

Today's Paper

텍스트마이닝 기반 사용자 경험 분석 및 관리: 스마트 스피커 사례 - 연다인, 박가연, 김희웅 (2020)

Information Systems Review, 2020.

 

 

1. Abstract

인공지능을 활용하여 다양한 콘텐츠를 검색, 이용할 수 있는 대화형 음성 기반 서비스를 제공하는 기기

데이터를 축적할수록 정교하고 최적화된 서비스 제공 가능

따라서 공격적 마케팅을 통해 플랫폼 구축 노력

 

But, 스마트 스피커 사용 빈도는 월 1회 미만이 전체의 3분의 1을 차지함 (출처: 미국 VoiceBot(2018))

→ 지속적 이용활성화와 만족도 증진을 위해 사용자 경험 강화 필요

 

본 연구는 사용자가 직접 작성한 실제 리뷰데이터를 수집하여 텍스트마이닝 분석 후 결과를 해석함

 

2. 평가 기준

스마트스피커 사용자 경험 차원 개발(재정의): HCI의 이론 3요소는 IS Success Model의 일부 요인에 해당하므로 매칭시켜 재정의

HCI 이론의 경우 기존 사용자 경험(UX) 연구에서 많이 사용되었으나, 스마트 스피커 경험 차원에 대해 국한적 설명 제공

 

	IS Success Model	HCI 이론 3요소
	정보시스템 성공 모델 System Quality, Information Quality, Service Quality, User Satisfaction, Impact, Use	System Quality > 유용성, 사용성에 해당 Satisfactoin > 감성에 해당

 

3. 절차

① 온라인 리뷰 수집 → ② LDA 토픽 모델링 → ③ JST(Joint Sentiment/Topic Model) → ④ 감성분석

 

① 온라인 리뷰 수집

네이버 쇼핑몰 리뷰를 통해 국내 오픈마켓(11번가, G마켓, 인터파크, 옥션 등) 스마트 스피커 관련 사용자 리뷰 수집

기간: 출시일 ~ 2019년 3월 10일

종류: 일반형과 포터블형 스피커(SKT, KT, Naver, KAKAO(동일))

-> 총 14,168건

 

② LDA 토픽 모델링

연구대상으로 설정한 7개의 스마트스피커에서 스마트 스피커 특징 도출

(문헌의 주제분포, 주제의 단어분포 확인 후 최종적으로 단어 선정)

k : 토픽의 개수

α(Diriclet parameter) > θ(문서 i에 대한 토픽분포) > Z(문서 i에서의 j번째 토픽) > W(이루는 단어들)

β(Topic parameter) > φ(토픽의 단어분포) > W(이루는 단어들)

W: 우리가 보는 결과 값

 

(토픽당 가장 확률값이 높은 단어를 보여줌, 토픽1 이런 형식으로 출력되며 각 단어를 보고 토픽 이름을 사용자가 정해야함)

 

 

https://www.youtube.com/watch?v=GGpnpsd5Keo 

https://www.youtube.com/watch?v=noWKlkdcY6A 

 

 

 

③ JST(Joint Sentiment/Topic Model) 

스마트스피커의 주요 긍정/부정 토픽 도출 > 긍정적 사용자 경험 요인과 부정적 사용자 경험 요인 탐색

(LDA에서의 주제분포가 감성*주제분포로 늘어나고, 감성을 선택하는 과정이 추가됨)

 

기존 LDA 절차

문헌의 주제분포 > 주제의 단어분포 > 최종 단어 선택

JST 절차

문헌의 감성분포 > 문헌의 감성별 주제분포 > 감성별 주제의 단어분포 > 최종 단어 선택

 

출처: https://bab2min.tistory.com/588

 

대게 감성의 개수는 3(긍정, 부정, 중립)으로 두고 주제의 개수(토픽개수, k)는 분석자에 따라 다양한 값으로 줄 수 있음(5, 10, 20 등)

만약 주제 개수가 10, 감성개수를 3으로 두면 10*3 = 30가지의 주제를 가지고 LDA를 수행하는 것과 같은 학습 과정을 거친다.

 

장점: 1) 비지도학습이기에 학습 데이터 없이도 충분한 크기의 문헌 집합만 있으면 감성분석 실시 가능하고,

2) 감성과 주제를 동시에 추출하여 특정 주제에 대한 감성을 알기 쉬움

 

※ JST에 약간의 힌트를 제공하여 성능을 크게 향상시킴

: 사전확률 조작, 디리클레 분포 φ(토픽별 단어분포)의 하이퍼 파라미터를 대게 대칭으로 주는데 이를 비대칭으로 줌

 

 

 

 

https://yngie-c.github.io/nlp/2020/07/31/sentiment_analysis/

감성 분석 (Sentiment Analysis) · Data Science

감성분석 종류

최근엔 BERT 기반 트랜스포머 모델을 많이 씀