KR102538774B1

KR102538774B1 - 인공지능 기반 리뷰 분석을 활용하는 방법 및 장치

Info

Publication number: KR102538774B1
Application number: KR1020220137900A
Authority: KR
Inventors: 황지인
Original assignee: 황지인
Priority date: 2022-10-25
Filing date: 2022-10-25
Publication date: 2023-06-01

Abstract

본 개시는 인공지능 기반 리뷰 분석을 수행하는 방법 및 장치에 관한 것이다. 일 실시 예에 의하면 전자 장치가 인공지능 기반 리뷰 분석을 수행하는 방법은 리뷰 분석 대상이 되는 상품의 출시 여부를 판단하는 단계; 상기 상품 출시 여부 판단에 기반하여 리뷰 데이터를 획득하는 단계; 상기 획득된 리뷰 데이터를 분석하는 단계; 및 상기 리뷰 데이터 분석 결과를 제공하는 단계를 포함하는, 방법을 포함할 수 있다.

Description

인공지능 기반 리뷰 분석을 활용하는 방법 및 장치 {METHOD AND APPARATUS FOR USING REVIEW ANALYSIS BASED ON ARTIFICIAL INTELLIGENCE MODEL}

본 개시는 온라인 리뷰를 분석하는 방법 및 이를 수행하는 장치에 관한 것이다. 보다 상세하게는 인공지능 모델을 기반으로 온라인 리뷰를 분석하고 이를 활용하여 상품 개선점 도출과 상품 발굴을 수행하는 방법 및 장치에 관한 것이다.

인터넷 웹 서비스의 발달로 인해 전자상거래의 규모가 증가하게 되었고, 이에 따라서 판매자의 수와 상품의 수도 증가 하게 되었다. 구매자들이 요구하는 상품은 시대와 문화를 반영하여 변화하고 있으며 그에 따라서 판매자도 새로운 상품을 발굴해야 할 필요성이 커져가고 있다.

판매자들은 고객의 수요에 맞는 상품을 물색하기 위하여 시장 분석 전문가를 고용하거나 경쟁 상품의 리뷰를 분석하여 고객이 느끼는 문제점을 해결하는 상품을 발굴하는 방식으로 새로운 상품을 판매하고 있다. 하지만 이러한 방식은 많은 시간이 소요될 뿐 아니라, 많은 비용을 필요로 한다는 문제점이 존재한다.

한국등록특허 제2225212호는 딥러닝 기법을 활용하여 고객의 검색, 구매, 반품 내역, 클릭 내역, 관심 상품 내역 등에 대한 분석 결과를 기반으로 상품 페이지를 구성하는 방법을 개시하고 있으나, 고객의 검색 또는 구매가 이루어진 후에만 데이터 분석이 가능하므로, 상품 출시 전에 판매자가 미리 구매자의 불만 사항을 파악하고 이를 반영하여 개선된 상품을 발굴해내는 것이 불가능하다는 한계가 존재한다. 뿐만 아니라, 고객의 검색, 구매, 반품 내역, 클릭 내역, 관심 상품 내역 등에 대한 분석만으로는 구매자들의 다양한 의견들을 구체적으로 반영하지 못한다는 한계가 있다.

따라서, 구매자들의 의견을 구체적으로 반영할 수 있으면서도 객관적이고 정확한 분석 결과를 도출함에 따라 판매자가 적은 시간과 적은 비용에 의해서도 유용한 상품을 발굴할 수 있도록 하는 분석 기술이 요구되고 있다.

한국등록특허 제2225212호

일 실시 예에 의하면, 인공지능 기반 리뷰 분석을 활용하는 방법 및 이를 수행하는 전자 장치가 제공될 수 있다.

보다 상세하게는, BERT 모델을 이용한 리뷰 데이터를 분석을 통해 상품에 대한 문제점 또는 개선점을 도출하는 방법 및 이를 수행하는 전자 장치가 제공될 수 있다.

상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 일 실시 예에 따른 전자 장치가 인공지능 기반 리뷰 분석을 수행하는 방법에 있어서, 리뷰 분석 대상이 되는 상품의 출시 여부를 판단하는 단계; 상기 상품 출시 여부 판단에 기반하여 리뷰 데이터를 획득하는 단계; 상기 획득된 리뷰 데이터를 분석하는 단계; 및 상기 리뷰 데이터 분석 결과를 제공하는 단계를 포함하는, 방법이 제공될 수 있다.

일 실시 예에 따른 전자 장치가 상기 상품 출시 여부 판단에 따라 상기 리뷰 데이터의 획득 방법을 결정하는 단계를 더 포함하는, 방법이 제공될 수 있다.

일 실시 예에 따른 전자 장치가 상기 리뷰 데이터 획득 방법을 결정하는 단계는 상기 상품 출시 여부 판단 결과가 출시 전인 경우에는 크롤링(crawling) 또는 스크래핑(web scraping) 중 적어도 하나를 포함하도록 상기 리뷰 데이터 획득 방법을 결정하고, 상기 상품 출시 여부 판단 결과가 출시된 후인 경우에는 API(Application Program Interface) 기능을 이용하도록 상기 리뷰 데이터 획득 방법을 결정하는 것을 특징으로 하는, 방법이 제공될 수 있다.

일 실시 예에 따른 전자 장치가 상기 리뷰 데이터를 획득하는 단계는 상기 상품 출시 여부 판단 결과가 출시 전인 경우에는 경쟁 상품에 대한 리뷰 데이터를 획득하고, 상기 상품 출시 여부 판단 결과가 출시된 후인 경우에는 상기 출시된 상품에 대한 리뷰 데이터를 획득하는 것을 특징으로 하는, 방법이 제공될 수 있다.

일 실시 예에 따른 전자 장치가 상기 상품의 출시 여부 판단 결과에 따라 상기 리뷰 데이터 분석 결과를 제공하는 방법을 결정하는 단계를 더 포함하는, 방법이 제공될 수 있다.

일 실시 예에 따른 전자 장치가 상기 상품의 출시 여부 판단 결과에 따라 상기 리뷰 데이터 분석 결과를 제공하는 방법을 결정하는 단계는 상기 상품 출시 여부 판단 결과가 출시 전인 경우에는 추천 상품을 제공하고, 상기 상품 출시 여부 판단 결과가 출시된 후인 경우에는 출시 상품에 대한 문제점 및 개선 방안을 제공하는 것을 특징으로 하는, 방법이 제공될 수 있다.

일 실시 예에 따른 전자 장치가 사전 학습(pre-training) 또는 파인 튜닝(fine tuning) 중 적어도 하나를 수행하는 단계를 더 포함하는, 방법이 제공될 수 있다.

일 실시 예에 따른 전자 장치가 상기 상품의 카테고리에 기반하여 상기 파인 튜닝을 수행하는 것을 특징으로 하는, 방법이 제공될 수 있다.

일 실시 예에 따른 전자 장치가 감정 정보 또는 평점 정보에 대한 라벨링(labeling)을 수행하는 단계를 더 포함하는, 방법이 제공될 수 있다.

일 실시 예에 따른 전자 장치가 상기 상품의 카테고리 또는 상기 감정 정보에 대한 판단 기준을 세분화하여 상기 라벨링을 수행하는 것을 특징으로 하는, 방법이 제공될 수 있다.

일 실시 예에 따른 전자 장치가 상기 사전 학습 또는 파인 튜닝 결과에 기반하여 상기 획득된 리뷰 데이터에 대한 감정 분석 또는 평점 분석을 수행하는 단계를 더 포함하는, 방법이 제공될 수 있다.

일 실시 예에 따른 전자 장치가 상기 상품의 카테고리를 세분화하여 상기 감정 분석을 수행하는 것을 특징으로 하는, 방법이 제공될 수 있다.

일 실시 예에 따른 전자 장치가 판단 기준을 세분화하여 상기 감정 분석을 수행하는 것을 특징으로 하는, 방법이 제공될 수 있다.

일 실시 예에 따른 전자 장치가 상기 감정 분석 또는 평점 분석 결과에 대한 부정 요소를 추출하는 단계를 더 포함하는, 방법이 제공될 수 있다.

일 실시 예에 따른 전자 장치가 상기 부정 요소를 추출하는 단계는 상기 상품의 브랜드 라벨의 박음질에 관한 감정 정보를 기반으로 상기 리뷰 데이터의 감정 분석 결과에 대한 부정 요소를 추출하는 단계를 포함하고, 상기 리뷰 데이터 분석 결과를 제공하는 단계는 상기 상품이 진품인지 가품인지 여부를 판단한 결과를 제공하는 단계를 포함하는, 방법이 제공될 수 있다.

일 실시 예에 따른 전자 장치가 상기 감정 정보 또는 평점 정보에 대한 라벨링 결과를 기반으로 상기 획득된 리뷰 데이터에 대한 라벨링 값을 산출하는 단계를 더 포함하는, 방법이 제공될 수 있다.

일 실시 예에 따른 전자 장치가 상기 라벨링 값을 산출하는 단계는 상기 획득된 리뷰 데이터에 대한 감정 분석 라벨링 값 및 평점 분석 라벨링 값을 산출하는 것을 특징으로 하는, 방법이 제공될 수 있다.

일 실시 예에 따른 전자 장치가 상기 산출된 감정 분석 라벨링 값 및 평점 분석 라벨링 값을 기반으로 상기 획득된 리뷰 데이터에 대한 부정 요소 점수를 산출하는 단계를 더 포함하는, 방법이 제공될 수 있다.

일 실시 예에 따른 전자 장치가 상기 산출된 부정 요소 점수를 기반으로 상기 리뷰 데이터에 대한 우선순위를 판단하는 단계를 더 포함하는, 방법이 제공될 수 있다.

일 실시 예에 따른 전자 장치가 상기 부정 요소를 기준으로 상기 감정 분석 라벨링 값과 상기 평점 분석 라벨링 값을 산정하고, 상기 감정 분석 라벨링 값과 상기 평점 분석 라벨링 값의 곱으로 상기 부정 요소 점수를 산출하고, 상기 부정 요소 점수가 높은 값을 가질수록 상기 리뷰 데이터에 대한 우선순위를 선순위로 판단하는 것을 특징으로 하는, 방법이 제공될 수 있다.

일 실시 예에 따른 전자 장치가 상기 리뷰 데이터 분석은 상기 리뷰 데이터에 대한 우선순위를 판단하는 것을 특징으로 하고, 상기 분석 결과 제공은 상기 우선순위에 따라 상기 분석 결과 도출에 반영되는 상기 리뷰 데이터의 가중치(weight)를 결정하는 것을 특징으로 하는, 방법이 제공될 수 있다.

일 실시 예에 따른 전자 장치가 상기 리뷰 데이터를 주기적으로 업데이트하는 단계를 더 포함하고, 상기 리뷰 데이터 분석 결과를 제공하는 단계는 상기 주기적으로 업데이트된 리뷰 데이터를 기반으로 개선되기 전의 상품과 개선 이후의 상품에 대한 비교 분석 결과를 제공하는 단계를 포함하는, 방법이 제공될 수 있다.

상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 또 다른 실시 예에 의하면, 인공지능 기반 리뷰 분석을 수행하는 전자 장치에 있어서, 네트워크 인터페이스; 하나 이상의 인스트럭션을 저장하는 메모리; 및 상기 하나 이상의 인스트럭션을 실행하는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 리뷰 분석 대상이 되는 상품의 출시 여부를 판단하고, 상기 상품 출시 여부 판단에 기반하여 리뷰 데이터를 획득하고, 상기 획득된 리뷰 데이터를 분석하고, 상기 리뷰 데이터 분석 결과를 제공하는, 전자 장치가 제공될 수 있다.

일 실시 예에 의하면, 상기 적어도 하나의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 상기 상품의 출시 여부 판단 결과에 따라 상기 리뷰 데이터 분석 결과를 제공하는 방법을 결정하는, 전자 장치가 제공될 수 있다.

일 실시 예에 의하면, 상기 적어도 하나의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 상기 상품 출시 여부 판단 결과가 출시 전인 경우에는 추천 상품을 제공하고, 상기 상품 출시 여부 판단 결과가 출시된 후인 경우에는 출시 상품에 대한 문제점 및 개선 방안을 제공하는, 전자 장치가 제공될 수 있다.

일 실시 예에 의하면, 상기 적어도 하나의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 상기 상품의 카테고리에 기반하여 파인 튜닝을 수행하는, 전자 장치가 제공될 수 있다.

일 실시 예에 의하면, 상기 적어도 하나의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 상기 상품의 카테고리 또는 감정 정보에 대한 판단 기준을 세분화하여 라벨링을 수행하는, 전자 장치가 제공될 수 있다.

일 실시 예에 의하면, 상기 적어도 하나의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 상기 상품의 브랜드 라벨의 박음질에 관한 감정 정보를 기반으로 상기 리뷰 데이터의 감정 분석 결과에 대한 부정 요소를 추출하고, 상기 상품이 진품인지 가품인지 여부를 판단한 결과를 제공하는, 전자 장치가 제공될 수 있다.

일 실시 예에 의하면, 상기 적어도 하나의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 부정 요소를 기준으로 감정 분석 라벨링 값과 평점 분석 라벨링 값을 산정하고, 상기 감정 분석 라벨링 값과 상기 평점 분석 라벨링 값의 곱으로 상기 부정 요소에 대한 점수를 산출하고, 상기 부정 요소에 대한 점수가 높은 값을 가질수록 상기 리뷰 데이터에 대한 우선순위를 선순위로 판단하는, 전자 장치가 제공될 수 있다.

일 실시 예에 의하면, 상기 적어도 하나의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 상기 리뷰 데이터를 주기적으로 업데이트하고, 상기 주기적으로 업데이트된 리뷰 데이터를 기반으로 개선되기 전의 상품과 개선 이후의 상품에 대한 비교 분석 결과를 제공하는, 전자 장치가 제공될 수 있다.

일 실시 예에 의하면 상품에 대한 문제점 또는 개선 방안을 객관적으로 파악할 수 있다.

일 실시 예에 의하면 상품의 출시 전/후 시점에 따라 효율적인 분석 방법을 활용함으로써 유용한 결과를 도출할 수 있다.

도 1은 일 실시 예에 따른 인공지능 기반 리뷰 분석을 활용하는 과정을 개략적으로 나타내는 도면이다.
도 2는 일 실시 예에 따른 인공지능 기반 리뷰 분석을 활용하는 전자 장치의 블록도이다.
도 3은 일 실시 예에 따른 인공지능 기반 리뷰 분석을 활용하는 전자 장치의 데이터 분석부를 도시한 블록도이다.
도 4는 일 실시 예에 따른 인공지능 기반 리뷰 분석을 활용하는 전자 장치의 라벨링 분석부를 도시한 블록도이다.
도 5는 일 실시 예에 따른 전자 장치가 감정 라벨링 분석을 수행하는 방법을 설명하기 위한 도면이다.
도 6은 일 실시 예에 따른 인공지능 기반 리뷰 분석을 활용하는 전자 장치의 데이터 처리부를 도시한 블록도이다.
도 7은 일 실시 예에 따른 리뷰 분석을 위해 상품에 대한 판단 기준을 설정하는 방법의 예시를 설명하기 위한 도면이다.
도 8은 일 실시 예에 따른 리뷰 분석을 위해 상품에 대한 카테고리를 설정하는 방법의 예시를 설명하기 위한 도면이다.
도 9는 일 실시 예에 따른 리뷰 분석에서 리뷰 데이터의 부정 요소에 대한 점수 판단 및 우선순위 판단 방법의 예시를 설명하기 위한 도면이다.
도 10은 일 실시 예에 따른 인공지능 기반 리뷰 분석을 활용하는 전자 장치의 결과 제공부를 도시한 블록도이다.
도 11은 일 실시 예에 따른 전자 장치가 인공지능 기반 리뷰 분석을 수행하는 과정을 나타내는 흐름도이다.
도 12는 일 실시 예에 따른 전자 장치가 상품 출시 여부에 따라 리뷰 분석을 수행하는 방법의 흐름도이다.
도 13은 일 실시 예에 따른 전자 장치가 상품의 카테고리에 따라 인공 지능 기반 리뷰 분석을 수행하는 방법을 설명하는 도면이다.
도 14는 일 실시 예에 따른 전자 장치의 구성을 도시하는 블록도이다.

본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 개시에 대해 구체적으로 설명하기로 한다.

본 개시에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.

명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.

본 개시에 따른 인공지능과 관련된 기능은 프로세서와 메모리를 통해 동작된다. 프로세서는 하나 또는 복수의 프로세서로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서는 CPU, AP, DSP(Digital Signal Processor) 등과 같은 범용 프로세서, GPU, VPU(Vision Processing Unit)와 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공지능 전용 프로세서일 수 있다. 하나 또는 복수의 프로세서는, 메모리에 저장된 기 정의된 동작 규칙 또는 인공지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 또는, 하나 또는 복수의 프로세서가 인공지능 전용 프로세서인 경우, 인공지능 전용 프로세서는, 특정 인공지능 모델의 처리에 특화된 하드웨어 구조로 설계될 수 있다.

기 정의된 동작 규칙 또는 인공지능 모델은 학습을 통해 만들어진 것을 특징으로 한다. 여기서, 학습을 통해 만들어진다는 것은, 기본 인공지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버 및/또는 시스템을 통해 이루어 질 수도 있다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으나, 전술한 예에 한정되지 않는다.

인공지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 노드들과 가중치들(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경망 연산을 수행한다. 복수의 신경망 레이어들이 갖고 있는 복수의 가중치들은 인공지능 모델의 학습 결과에 의해 최적화될 수 있다. 예를 들어, 학습 과정 동안 인공지능 모델에서 획득한 로스(loss) 값 또는 코스트(cost) 값이 감소 또는 최소화되도록 복수의 가중치들이 갱신될 수 있다. 또한, 손실값 또는 코스트 값을 최소화하기 위해, 손실값 또는 코스트값과 관련된 그래디언트를 최소화하는 방향으로 복수의 가중치들이 갱신될 수 있다. 인공 신경망은 심층 신경망(DNN:Deep Neural Network)를 포함할 수 있으며, 예를 들어, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 또는 심층 Q-네트워크 (Deep Q-Networks) 등이 있으나, 전술한 예에 한정되지 않는다.

한편, 본 개시에서, 사용자라는 용어는 전자 장치를 사용하는 사람 또는 전자 장치를 사용하는 장치(예: 인공지능 전자 장치)를 지칭할 수 있다.

아래에서는 첨부한 도면을 참고하여 본 개시의 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

도 1은 일 실시 예에 따른 인공지능 기반 리뷰 분석을 활용하는 과정을 개략적으로 나타내는 도면이다.

일 실시 예에 따른 전자 장치(200)는 인공 지능 기술을 기반으로 한 리뷰 분석을 이용하여 다양한 동작을 수행하는 장치로서, 다양한 형태로 구현될 수 있다. 예를 들어, 본 명세서에서 기술되는 전자 장치(200)는, 디지털 카메라, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 태블릿 PC, 전자북 단말기, 디지털방송용 단말기, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 네비게이션, MP3 플레이어, 인공지능 스피커, 로봇 청소기, 가전 기기(home appliance) 등이 있을 수 있으나, 이에 한정되는 것은 아니다.

또한, 본 명세서에서 기술되는 전자 장치(200)는 사용자에 의해 착용될 수 있는 장치(wearable device)일 수 있다. 웨어러블 디바이스는 액세서리 형 장치(예컨대, 시계, 반지, 팔목 밴드, 발목 밴드, 목걸이, 안경, 콘택트 렌즈), 머리 착용형 장치(head-mounted-device(HMD)), 직물 또는 의류 일체형 장치(예: 전자 의복), 신체 부착형 장치(예컨대, 스킨 패드(skin pad)), 또는 생체 이식형 장치(예: implantable circuit) 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다.

본 개시의 따른 전자 장치(200)는 외부 단말(100, 300 또는 400)과 연동하여 인공지능 기반 리뷰 분석을 수행할 수 있다.

일 실시예에 따른 전자 장치(200)는 스마트 폰(100), 다른 전자 장치(300) 또는 서버(400)와 연동함으로써 데이터를 송신 및 수신할 수 있다.

도 2는 일 실시 예에 따른 인공지능 기반 리뷰 분석을 활용하는 전자 장치(200)의 블록도이다.

일 실시 예에 의하면 전자 장치(200)는 데이터 분석부(210), 데이터 처리부(220) 및 결과 제공부(230)를 포함할 수 있다. 그러나 상술한 예에 한정되는 것은 아니며, 전자 장치(200)는 상술한 구성 외 더 많은 구성 요소를 포함하거나, 더 적은 구성 요소로 마련될 수 있음은 물론이다.

본 개시의 일 실시예에 따른 전자 장치(200)는 딥 러닝(deep learning) 기반의 자연어 처리(Natural Language Processing; NLP)를 이용하여 사용자의 리뷰 분석을 수행하고 분석 결과를 바탕으로 상품의 문제점 또는 개선점을 도출하거나, 개선점이 반영된 상품을 추천할 수 있다. 예를 들어, 전자 장치(200)는 BERT(Bidirectional Encoder Representations from Transformers) 모델을 이용한 리뷰 분석을 수행할 수 있는데, BERT는 사전 학습된 대용량의 라벨링 되지 않는(unlabeled) 데이터를 이용하여 언어 모델(Language Model)을 학습하고 이를 토대로 특정 작업(예컨대, 문서 분류, 질의응답, 번역 등)을 위한 신경망을 추가하는 전이 학습 방법이다.

일 실시예에 따른 BERT 모델을 이용한 자연어 처리는 사전 학습(pre-training) 또는 파인 튜닝(fine tuning)을 활용함으로써 수행될 수 있으며, 상술한 사전 학습 및 파인 튜닝의 2단계를 모두 활용하여 수행될 수도 있다. 사전 학습(pre-training)은 어떠한 문제를 해결하기 위한 학습을 하기 전에 미리 일반적인 사항을 사전에 학습시켜서 범용적으로 활용할 수 있는 모델을 미리 만들어 놓는 학습 방법이며, 파인 튜닝(fine tuning)은 사전 학습된 모델을 기반으로 새로운 목적(예컨대, 질의응답, 번역 등)을 위한 학습을 수행하는 과정을 말한다. 일 실시예에 따르면, 파인 튜닝은 사전에 학습된 모델을 새로운 목적에 맞게 재정의 하기 위해서 상기 사전 학습된 모델에 있던 분류 기준 또는 비중(weight)을 새로운 목적에 맞는 새로운 분류 기준 또는 비중으로 조정함으로써 수행될 수 있다.

예를 들어, 영화 또는 책이라는 카테고리에서는 '슬픔'이라는 감정에 대하여 영화 또는 책의 내용이 슬프다는 의미로 학습될 수도 있고, 영화 또는 책이 마음에 들지 않아서 슬프다는 의미로 학습될 수도 있다. 그러나, 동일한 '슬픔'이라는 감정에 대하여 운동화라는 새로운 카테고리가 설정되는 경우에는 제품이 마음에 들지 않아서 슬프다는 의미로만 해석될 것이므로 사전 학습된 모델에 대하여 파인 튜닝을 수행함으로써 카테고리에 따라 올바른 감정 분석을 수행하도록 할 수 있다.

본 개시에 따른 전자 장치(200)의 데이터 분석부(210)는 상품을 구매하는 사용자(이하, '구매자'라고 칭하기로 한다)의 리뷰를 획득하여 분석할 수 있다. 예를 들어, 데이터 분석부(210)는 상품을 판매하는 사용자(이하, '판매자'라고 칭하기로 한다)의 상품과 연관된 상품에 대한 구매자들의 리뷰 데이터들을 수집 또는 저장하여 수집 또는 저장된 데이터들을 카테고리화하고 판단할 수 있다.

일 실시예에 의하면 리뷰 데이터들은 크롤링(crawling) 또는 웹 스크래핑(web scraping)/데이터 스크래핑(data scraping) 등의 정보 수집 기술을 활용하여 수집될 수 있으며, 판매자의 계정과 연동되어 데이터가 제공됨으로써 수집될 수도 있다.

크롤링은 웹사이트(website), 하이퍼링크(hyperlink), 데이터(data) 및 정보 자원을 자동화된 방법으로 수집, 분류 및 저장하는 기술로서, 관련 URL(uniform resource locator)을 찾아내고, 찾은 URL들 속에서 또 다른 하이퍼링크(hyperlink)들을 찾아 분류하고 저장하는 작업을 반복함에 따라 여러 웹 페이지를 돌아다니며 어떤 데이터가 어디에 있는지 색인(index)을 만들어 저장할 수 있다.

또한, 웹 스크래핑 또는 데이터 스크래핑은 크롤링과 유사 개념으로 소프트웨어를 통해 대상 웹사이트와 같은 데이터 소스에서 데이터 자체를 추출하여 특정 형태로 저장할 수 있다.

일 실시예에 의하면, 빅데이터 분석 시에는 크롤링을 통해 필요한 데이터가 어디 있는지 알아내고, 웹 스크래핑 또는 데이터 스크래핑을 통해 수집 또는 저장 하여 리뷰 분석에 사용할 수 있다.

본 개시에 따른 전자 장치(200)의 데이터 분석부(210)는 수집된 리뷰 데이터들을 직접 저장할 수 있으며, 상기 수집된 리뷰 데이터들이 저장된 서버 또는 다른 전자 장치로부터 수신하여 획득할 수도 있다.

일 실시예에 따른 데이터 분석부(210)는 판매자가 현재 출시하여 판매 중인 자신의 상품 또는 경쟁 상품에 대하여 쇼핑몰의 API(Application Program Interface) 기능을 통해 제공되는 리뷰를 저장할 수도 있다. API란 라이브러리에 접근하기 위한 규칙으로서, 특정 프로그램을 만들기 위해 제공되는 모듈 또는 함수 등을 말하는데, 프로그래밍 상 반복되는 부분을 함수로 만들고 이러한 함수 또한 반복적으로 사용하는 경우 위 함수를 다시 만들 필요 없이 원하는 기능의 라이브러리 함수를 사용함으로써 보다 효율적인 프로그래밍을 하기 위한 것이다. 상기 라이브러리에 접근하기 위한 규칙들을 정의한 것을 API라고 하는데, 라이브러리가 제공하는 여러 함수를 이용하여 프로그램을 작성할 때 해당 함수의 내부 구조는 알 필요 없이 단순히 API에 정의된 입력 값을 주고 결과 값을 사용할 수 있게 해주는 것을 말한다.

일 실시예에 의하면, 데이터 분석부(210)는 상술한 바와 같이 수집 또는 저장된 리뷰 데이터에 포함될 수 있는 구매자의 감정 분석 또는 평점 분석을 수행하고, 이에 따른 데이터 라벨링(Data labeling)을 수행할 수 있다. 본 개시에 따른 데이터 라벨링은 인공지능 기반 전자 장치(200)가 많은 양의 데이터들을 학습할 수 있도록 데이터를 가공하는 것을 말한다.

일 실시예에 의하면, 전자 장치(200)의 데이터 처리부(220)는 데이터 분석부(210)에서 분석한 데이터에서 부정 요소를 추출하고, 해당 부정 요소에 대한 점수를 산정할 수 있다. 본 개시에서 부정 요소란, 각 리뷰 데이터에서 상품에 대한 부정적인 내용을 의미하는 요소를 말한다.

본 개시에 따른 데이터 처리부(220)는 인공지능을 기반으로 데이터 분석부(210)에서 분석한 정보들 중에서 부정 요소를 추출해 낼 수 있다. 일 실시예에 따르면, 데이터 처리부(220)는 상품의 카테고리화를 통해 부정 요소를 추출할 수 있는데, 동일한 리뷰 데이터 정보를 포함한다 하더라도 어떤 상품에 대해서는 부정적인 요소의 리뷰 데이터에 해당할 수 있으나, 다른 카테고리의 상품에 대해서는 긍정적인 요소의 리뷰데이터에 해당할 수 있기 때문이다. 따라서, 본 개시의 일 실시예에 따른 데이터 처리부(220)는 상품의 카테고리에 따라서 속성을 파악 및 학습하고, 이를 기반으로 부정 요소를 추출할 수 있다.

일 실시예에 의하면, 데이터 처리부(220)는 상기 추출된 부정 요소에 대한 점수를 산정하여 각 리뷰 데이터의 부정적 요소에 대한 강도(strength)를 판단할 수 있다.

또한, 데이터 처리부(220)는 리뷰 데이터들의 부정 요소들에 대한 우선순위를 판단할 수도 있다. 구체적으로, 부정 요소를 포함하는 복수의 리뷰 데이터들에 있어서, 어떤 리뷰 데이터의 부정 요소를 더 우선적으로 고려하여 결과를 제공할지를 판단하기 위해 각 리뷰 데이터들에 대한 부정 요소에 대하여 가중치(weight)를 산정할 수 있다.

일 실시예에 의하면, 전자 장치(200)의 결과 제공부(230)는 데이터 처리부(220)에서 산정된 부정 요소 점수 또는 우선순위를 기반으로 판매자에게 유용한 결과를 제공할 수 있다.

예를 들면, 결과 제공부(230)에서는 구매자의 리뷰 데이터를 통해 분석 및 산출된 결과들을 토대로 관련 상품의 개선점을 제공할 수 있으며, 추천 상품을 제공할 수도 있다.

본 개시의 일 실시예에 따른 전자 장치(200)는 가품 또는 진품에 대한 분석 결과를 제공할 수도 있다. 예를 들면, 데이터 분석부(210)는 가품 또는 진품을 구별하기 위한 데이터 세트를 구축할 수 있는데, 상기 가품 또는 진품을 구별하기 위한 데이터 세트에는 상품의 브랜드를 표시하는 라벨(이하, '브랜드 라벨'이라고 칭하기로 한다)의 박음질에 대한 정보가 포함될 수 있다. 예를 들어, 브랜드 라벨의 박음질 정보가 '손박음질'에 해당하면 긍정적인 요소서 진품에 대한 데이터로 판단할 수 있고, '오버로크'에 해당하면 부정적인 요소로서 가품에 대한 데이터로 판단할 수 있다. 데이터 처리부(220)는 데이터 분석부(210)에서 획득된 리뷰 데이터에 대하여 가품 또는 진품을 구별하기 위한 정보들을 분석하고, 부정 요소를 추출할 수 있으며, 결과 제공부(230)는 리뷰 데이터와 관련된 상품이 가품인지 진품인지에 대한 분석 결과를 제공할 수 있다.

도 3은 일 실시 예에 따른 인공지능 기반 리뷰 분석을 활용하는 전자 장치(200)의 데이터 분석부(210)를 도시한 블록도이다.

일 실시 예에 의하면 전자 장치(200)의 데이터 분석부(210)는 리뷰 획득부(211), 사전 학습부(212), 토큰 저장부(213) 및 라벨링 분석부(214)를 포함할 수 있다. 그러나 상술한 예에 한정되는 것은 아니며, 상술한 구성 외 더 많은 구성 요소를 포함하거나, 더 적은 구성 요소로 마련될 수 있음은 물론이다.

본 개시의 일 실시예에 따른 리뷰 획득부(211)는 판매자가 출시하고자 하는 상품 또는 판매자가 출시한 상품과 관련된 상품들에 대한 구매자의 리뷰들을 수집할 수 있다. 예를 들어, 리뷰 획득부(211)는 판매자의 상품과 동일 또는 유사한 상품이거나, 판매자의 상품과 동일한 카테고리에 속하는 상품 등과 같이 판매자의 상품과 관련된 상품들에 대한 리뷰들을 수집할 수 있다.

본 개시에서 판매자의 상품이란, 판매자가 출시하고자 하는 상품으로서 출시 전의 상품일 수도 있고, 판매자가 출시하여 판매 중인 상품일 수도 있다.

일 실시예에 의하면, 리뷰 획득부(211)는 판매자의 상품과 관련된 경쟁 상품들에 대한 리뷰들을 크롤링 또는 웹 스크래핑을 이용하여 수집할 수 있다. 리뷰 획득부(211)는 상술한 크롤링 및 웹 스크래핑 기술을 모두 활용하여 리뷰를 수집할 수도 있다. 예를 들면, 리뷰 획득부(211)는 판매자의 상품과 관련된 경쟁 상품들 중에서 제품 판매량은 많지만 평점이 낮은 경쟁 상품들에 대한 리뷰들을 크롤링 및 웹 스크래핑을 통해 수집함으로써, 구매자들의 불만 사항을 분석하고 판매자의 상품과 관련된 상품들에 대한 부정적 요소 또는 문제점을 분석하여 보완점 및 개선 방안을 도출하여 판매자의 상품에 반영할 수 있다.

일 실시예에 의하면, 리뷰 획득부(211)는 API 기능을 통해 제공되는 리뷰들을 수집할 수 있다. 구체적으로, 리뷰 획득부(211)는 API 기능을 통해 판매자 쇼핑몰의 상품들에 대한 리뷰들을 수집할 수 있으며, 판매자의 상품과 연관된 경쟁 상품들에 대한 리뷰들도 수집할 수 있다. 일 실시예에 따르면, 판매자의 상품과 연관된 경쟁 상품들에 대한 리뷰들은 판매자의 계정과 연동되어 제공되는 리뷰 데이터일 수 있다.

일 실시예에 의하면, 리뷰 획득부(211)는 수집된 리뷰 데이터들을 저장할 수 있다. 또한, 리뷰 획득부(211)는 수집된 리뷰 데이터들을 업데이트할 수도 있다. 리뷰 획득부(211)에서 지속적으로 수집 및 업데이트된 리뷰 데이터들은 상품 출시 전부터 상품 출시 후까지 활용될 수 있으며, 상품 출시 후에도 구매자의 요구 사항에 부합하는 개발품을 생산할 수 있도록 한다. 일 실시예에 따르면, 리뷰 획득부(211)가 리뷰 데이터를 업데이트함에 따라 개선 전의 상품에 대한 리뷰 데이터와, 리뷰 데이터 분석을 통해 개선된 이후의 상품에 대한 리뷰 데이터를 비교 분석함으로써, 고객만족도 개선에 대한 기여도를 파악할 수도 있다.

본 개시의 일 실시예에 따른 리뷰 획득부(211)는 판매자의 상품이 출시 전의 상품인 경우와 출시된 상품인 경우를 판단하여 리뷰 데이터 수집 방법을 결정할 수도 있다.

일 실시예에 의하면, 리뷰 획득부(211)는 판매자의 상품이 출시 전의 상품으로 판단된 경우, 판매자의 상품과 관련된 경쟁 상품들에 대한 리뷰 데이터들을 수집할 수 있다. 이 경우, 리뷰 획득부(211)는 크롤링 또는/및 웹 스크래핑을 활용하여 경쟁 상품들에 대한 리뷰 데이터들을 수집할 수 있다.

다른 실시예에 의하면, 리뷰 획득부(211)는 판매자의 상품이 출시된 상품으로 판단된 경우, 출시 상품에 대한 리뷰 데이터들을 수집할 수 있다. 또한, 리뷰 획득부(211)는 출시 상품에 대한 리뷰 데이터에 더불어 경쟁 상품들에 대한 리뷰 데이터들도 추가적으로 수집할 수도 있다. 이 경우, 리뷰 획득부(211)는 쇼핑몰의 API 기능을 통해 판매자의 출시 상품에 대한 리뷰 데이터 또는 경쟁 상품들에 대한 리뷰 데이터를 수집할 수 있다. 뿐만 아니라, 리뷰 획득부(211)는 판매자 계정과의 연동으로 제공되는 경쟁 상품 리뷰 데이터들을 수집할 수도 있으며, 출시 전 수집된 리뷰 데이터들과 출시 이후 수집된 리뷰 데이터들을 주기적으로 업데이트할 수도 있다. 일 실시예에 따른 경쟁 상품 리뷰 데이터들은 크롤링 또는/및 웹 스크래핑을 통해 수집될 수 있다.

본 개시의 일 실시예에 따른 사전 학습부(212)는 BERT 모델을 이용하여 사전 학습(pre-training) 또는/및 파인 튜닝(fine tuning)을 수행할 수 있다. 일 실시예에 의하면, 사전 학습부(212)는 사전 학습된 데이터들을 저장할 수도 있다. 예를 들어, 사전 학습부(212)는 구매자의 감정 분석에 관한 말뭉치 또는 코퍼스(corpus) 데이터들을 사전 학습할 수 있으며, 학습된 말뭉치 또는 코퍼스 데이터들을 저장할 수 있다. 말뭉치 또는 코퍼스란 자연어 연구를 위해 언어의 표본을 추출한 집합으로, 일 실시예에 따른 인공지능 기반 리뷰 분석은 자연어를 단어 또는 형태소로 분석하여 분석의 정확도를 향상시킬 수 있다.

일 실시예에 따른 사전 학습부(212)는 상품의 부정적 요소에 관한 코퍼스 데이터들을 사전 학습할 수 있으며, 학습된 데이터들을 저장할 수도 있다.

일 실시예에 따른 사전 학습부(212)는 사전 학습된 감정 분석 또는 부정적 요소 분석 데이터들을 상품의 카테고리에 따라 파인 튜닝할 수 있다. 예를 들어, '신발 끈이 풀려요' 라는 코퍼스에 대한 부정 요소 데이터를 파인 튜닝한다면 '운동화 끈이 잘 풀려요'라는 코퍼스에 대하여 BERT 알고리즘이 '신발 끈'과 '운동화 끈'이 유사한 카테고리임을 판단할 수 있고, 이에 따라, '운동화 끈이 잘 풀려요'라는 코퍼스에 대해서도 부정 요소를 판단할 수 있다.

본 개시의 일 실시예에 따른 토큰 저장부(213)는 문장 단위의 리뷰를 단어 또는 형태소 단위로 토큰화하여 저장할 수 있다. BERT 모델에서의 토큰화의 수행 결과로 토큰화된 데이터들이 토큰 저장부(213)에 저장될 수 있다.

일 실시예에 의하면, 토큰이 사전 학습부(212)에서 학습된 데이터 집합에 존재할 경우 해당 토큰을 분리하지 않고, 해당 토근이 사전 학습부(212)에서 학습된 데이터 집합에 존재하지 않을 경우 해당 토큰을 하위 단어(서브워드; subword)로 분리하여 해당 토큰의 첫 번째 하위 단어를 제외한 나머지 하위 단어들에는 '##'를 붙여 토큰화할 수 있다.

본 개시의 일 실시예에 따른 라벨링 분석부(214)는 리뷰 데이터들에 포함되는 정보들에 대하여 감정 분석 또는 평점 분석을 수행하여 해당 데이터들을 라벨링(labeling)할 수 있다. 구체적으로, 라벨링 분석부(214)는 리뷰 데이터들과 관련된 감정 정보 또는 평점 정보에 대하여 라벨(label)을 붙여 데이터를 가공할 수 있으며, 라벨링 결과를 저장할 수도 있다.

본 개시에 따른 전자 장치(200)는 인공지능 기술을 기반으로 인간의 감정에 대한 정보를 분석하고 이를 학습할 수 있다. 일 실시예에 의하면, 감정 분석이란 리뷰 데이터로부터 사용자의 감정 정보를 추출하고 리뷰 데이터에 포함된 감정 정보가 긍정적인 감정에 해당하는 것인지 부정적인 감정에 해당하는 것인지를 분석하는 것일 수 있다.

일 실시예에 의하면, 라벨링 분석부(214)는 감정 정보가 긍정적 요소 또는 부정적 요소를 어느 정도 포함하는지에 대한 판단을 할 수 있다. 예를 들어, 리뷰 데이터에 '매우 불만족'이라는 정보가 포함되어 있는 경우 부정적 요소를 강하게 나타내는 감정 정보가 포함된다고 분석할 수 있고, 리뷰 데이터에 '불만족'이라는 정보만 포함되어 있는 경우에는 '매우 불만족'보다는 약한 정도의 부정적 요소를 나타낸다고 분석할 수 있다. 마찬가지로, 리뷰 데이터에 '매우 만족'이라는 정보가 포함되어 있는 경우 긍정적 요소를 강하게 나타내는 감정 정보가 포함된다고 분석할 수 있고, 리뷰 데이터에 '만족'이라는 정보만 포함되어 있는 경우에는 '매우 만족'보다는 약한 정도의 긍정적 요소를 나타낸다고 분석할 수 있다.

일 실시예에 의하면, 리뷰 데이터에 포함되는 감정 정보들은 다양한 말뭉치 또는 코퍼스들로 구성될 수 있으며, 각 코퍼스들이 내포하는 감정 정보는 사전 학습부(212)에 의해 사전에 학습된 것일 수 있다.

일 실시예에 따른 라벨링 분석부(214)는 사전 학습된 정보를 기반으로 리뷰 데이터에 포함되는 감정 정보들에 대하여 라벨을 붙일 수 있다. 일 실시예에 따르면, 특정 카테고리에 대한 말뭉치 또는 코퍼스 데이터가 부족할 경우, 감정 정보에 대해 파인 튜닝된 사전 학습 모델을 사용할 수도 있다.

본 개시의 일 실시예에 따른 라벨링 분석부(214)는 리뷰 데이터와 관련된 평점을 분석하고 라벨링을 수행할 수 있다. 예를 들어, 리뷰 데이터에 포함되는 상품에 대한 구매자들의 평가 수치(예컨대, 별점, 점수, 또는 온도 등)에 라벨을 붙여 평점 정보 데이터를 가공할 수 있다.

이하, 라벨링 분석부(214)에 대하여 도 4 및 도 5를 통해 구체적으로 설명하고자 한다.

도 4는 일 실시 예에 따른 인공지능 기반 리뷰 분석을 활용하는 전자 장치(200)의 라벨링 분석부(214)를 도시한 블록도이다.

일 실시 예에 의하면 전자 장치(200)의 라벨링 분석부(214)는 감정 라벨링 분석부(214-1) 및 평점 라벨링 분석부(214-2)를 포함할 수 있다. 그러나 상술한 예에 한정되는 것은 아니며, 상술한 구성 외 더 많은 구성 요소를 포함하거나, 더 적은 구성 요소로 마련될 수 있음은 물론이다.

일 실시예에 따른 감정 라벨링 분석부(214-1)는 리뷰 데이터에 포함된 감정 정보를 분석하여 라벨링할 수 있고, 평점 라벨링 분석부(214-2)는 리뷰 데이터에 포함된 평점 정보를 분석하여 라벨링할 수 있다.

도 5는 일 실시 예에 따른 전자 장치(200)가 감정 라벨링 분석을 수행하는 방법을 설명하기 위한 도면이다. 상술한 바와 같이, 전자 장치(200)의 감정 라벨링 분석부(214-1)는 리뷰 데이터에 포함되는 감정 정보를 분석하고 이를 라벨링할 수 있다.

예를 들면, 리뷰 데이터에 포함되는 감정 정보를 '매우 만족', '만족', '보통', '불만족', 또는 '매우 불만족'으로 구분하여 라벨링할 수 있고 '매우 만족'은 1, '만족'은 2, '보통'은 3, '불만족'은 4, '매우 불만족'은 5의 값을 부여함으로써 수치화된 값을 도출할 수도 있다. 상기 라벨링 분석 결과는 감정 라벨링 분석부(214-1)에 저장 또는 기록될 수 있다.

다른 실시예에 의하면, 리뷰 데이터에 '행복(joy; happy)', '긍정(optimism; positive)', '타협(Bargaining)', '슬픔(sadness)' 또는 '화남(anger)'과 같은 감정 정보가 포함된 경우 상기 감정 정보들을 '매우 만족', '만족', '보통', '불만족', 또는 '매우 불만족'으로 대체 분류함으로써 라벨링 분석을 수행할 수 있다. 이 경우, '행복'은 1, '긍정'은 2, '타협'은 3, '슬픔'은 4, '화남'은 5으로 수치화된 라벨링 값이 도출될 수 있다.

본 개시에 따르면, 리뷰 데이터에 포함되는 감정 정보들은 도 5에서 도시하는 단어 또는 코퍼스들에 한정되지 않으며, 감정을 나타내는 모든 단어 또는 코퍼스들이 포함될 수 있다.

일 실시예에 의하면, 전자 장치(200)는 리뷰 데이터에 포함되는 감정 정보들에 대하여 사전 학습을 수행할 수 있으며, 각 감정 정보들에 대한 카테고리별 파인 튜닝을 수행할 수도 있다. 사전 학습 또는/및 파인 튜닝된 감정 정보 데이터들을 기반으로 라벨링을 수행할 수 있다.

일 실시예에 의하면, 도 4의 평점 라벨링 분석부(214-2)는 리뷰 데이터에 포함된 구매자들의 상품에 대한 평점 정보를 분석하고 라벨링할 수 있다. 예를 들어, 구매자들의 상품에 대한 평점 정보는 리뷰 데이터에 포함된 별점, 점수, 또는 온도 등으로 표현될 수 있다.

일 실시예에 따른 라벨링 분석부(214-2)는 리뷰 데이터에 포함되는 평점의 총점을 고려하여 라벨링을 수행할 수 있다. 예를 들어, 리뷰 데이터의 별점이 총점을 5점인 경우에는 구매자의 별점이 4점인 경우에는 라벨링 값을 '1'로 가공하고, 별점이 1점인 경우에는 라벨링 값을 '4'로 가공할 수 있다. 이 경우, 라벨링 분석부(214-2)는 평점 정보에 대하여 부정 요소를 기준으로 라벨링을 수행한 것이라 할 수 있다. 구체적으로, 구매자의 리뷰 데이터에 포함되는 별점은 높은 값일수록 긍정적인 요소가 높음을 의미하는데, 본 개시의 일 실시예에 따른 라벨링 분석부(214-2)는 평점 정보를 추출하기 위하여 별점의 총점에서 구매자의 리뷰 데이터에 포함된 별점을 뺀 값으로 라벨링을 수행할 수 있다.

일 실시예에 따르면, 리뷰 데이터에 평점 정보를 나타내는 정보가 포함되지 않을 경우, 감정 라벨링과 동일한 값을 평점 라벨링 값으로 부여할 수도 있다.

도 6은 일 실시 예에 따른 인공지능 기반 리뷰 분석을 활용하는 전자 장치의 데이터 처리부(220)를 도시한 블록도이다.

일 실시 예에 의하면 전자 장치(200)의 데이터 처리부(220)는 부정 요소 추출부(221), 점수 저장부(222) 및 우선순위 판단부(223)를 포함할 수 있다. 그러나 상술한 예에 한정되는 것은 아니며, 상술한 구성 외 더 많은 구성 요소를 포함하거나, 더 적은 구성 요소로 마련될 수 있음은 물론이다.

일 실시예에 의하면, 부정 요소 추출부(221)는 리뷰 획득부(211)에서 수집된 리뷰 데이터 각각에 대한 부정적인 요소를 추출할 수 있다. 본 개시의 일 실시예에 따른 부정 요소 추출부(221)는 사전 학습부(212)에서 학습된 데이터 및 토큰 저장부(213)에 저장된 데이터를 기반으로 각 리뷰에 대한 상품의 부정적인 요소를 분석할 수 있다. 부정 요소 추출부(221)는 각 상품의 부정 요소에 대한 분석 결과를 저장할 수도 있다.

일 실시예에 따른 부정 요소 추출부(221)는 수집된 리뷰 데이터의 부정 요소를 분석함에 있어 상품의 카테고리에 따른 속성을 판단하고, 부정 요소 분석에 이를 반영할 수 있다. 예를 들어, 부정 요소 추출부(221)는 각 리뷰 데이터에 대하여 상품에 대한 카테고리를 세분화하여 설정하고, 이에 기반하여 부정 요소를 분석할 수 있다. 또한, 부정 요소 추출부(221)는 상품의 부정 요소 분석을 위한 판단 기준을 세분화하여 설정하고, 각 판단 기준별 부정 요소 분석을 수행할 수도 있다. 부정 요소 추출부(221)의 부정 요소 분석 방법에 대해서는 후술할 도 7 및 도 8에서 구체적으로 설명하도록 한다.

일 실시예에 의하면, 점수 저장부(222)는 수집된 리뷰 데이터의 부정 요소에 대한 점수를 판단할 수 있다.

본 개시의 일 실시예에 따른 점수 저장부(222)는 부정 요소 추출부(221)에서 도출된 각 리뷰 데이터에 대하여 부정 요소 점수를 결정할 수 있는데, 데이터 분석부(210)의 라벨링 분석부(214)를 통해 도출된 라벨링 데이터를 이용하여 부정 요소 점수를 산정할 수 있다. 또한, 점수 저장부(222)는 각 리뷰 데이터에 대한 부정 요소 점수를 저장할 수도 있다. 점수 저장부(222)의 부정 요소에 대한 점수 판단 방법에 대한 예시는 후술할 도 9에서 구체적으로 설명하도록 한다.

일 실시예에 의하면, 우선순위 판단부(223)는 각 리뷰 데이터의 분석 결과에 대하여 우선순위를 판단할 수 있다. 예를 들어, 상품의 문제점 또는 개선 방안 도출을 위해 수집된 수많은 리뷰 데이터들 중에서 어떠한 리뷰 데이터를 우선적으로 고려하는 것이 사용자에게 보다 유용한 결과를 제공할 수 있는지를 판단하기 위해, 수집된 리뷰 데이터들에 대한 우선순위를 결정할 수 있다.

본 개시의 일 실시예에 따른 우선순위 판단부(223)는 상술한 부정 요소 추출부(221) 및 점수 저장부(222)의 분석 결과를 기반으로 각 리뷰 데이터의 우선순위를 결정할 수 있다. 우선순위 판단부(223)의 우선순위 판단 방법에 대한 예시는 후술할 도 9에서 구체적으로 설명하도록 한다.

도 7은 일 실시 예에 따른 리뷰 분석을 위해 상품에 대한 판단 기준을 설정하는 방법의 예시를 설명하기 위한 도면이다.

본 개시의 일 실시예에 따른 인공지능 기반 리뷰 분석을 활용하는 전자 장치(200)는 리뷰 데이터 분석을 위한 판단 기준을 세분화하여 부정 요소를 도출할 수 있다.

일 실시예에 의하면, 도 7에 도시된 바와 같이, 부정 요소 분석을 위한 판단 기준을 내구성, 색상, 크기, 디자인, 무게, 온도, 상표, 재질, 포장, 배달, 설치, 결재 및 사후관리로 세분화할 수 있다.

본 개시의 일 실시예에 따른 전자 장치(200)는 세분화된 판단 기준 각각에 대한 속성들을 나타내는 단어 또는 코퍼스들을 분류할 수 있으며, 분류된 단어 또는 코퍼스들을 각 판단 기준에 대응되도록 저장할 수도 있다.

본 개시에 따른 전자 장치(200)는 상술한 판단 기준과 각 판단 기준에 대한 속성들을 토대로 수집된 리뷰 데이터에 대한 부정 요소 분석을 수행할 수 있다. 본 개시에 따른 부정 요소 분석을 위한 판단 기준과 각 판단 기준들에 대한 속성을 나타내는 단어 또는 코퍼스들의 예시는 도 7에서 도시하는 것에 한정되지 않으며, 상품의 속성을 나타내는 모든 개념들이 포함될 수 있다.

상술한 바와 같이, 판단 기준을 세분화하여 부정 요소를 분석함에 따라, 모든 리뷰 데이터 분석에 있어 일관성 있는 판단 결과를 도출함으로써 분석 결과에 대한 신뢰도를 향상시킬 수 있다.

도 8은 일 실시 예에 따른 리뷰 분석을 위해 상품에 대한 카테고리를 설정하는 방법의 예시를 설명하기 위한 도면이다.

일 실시예에 의하면, 부정 요소 분석은 각 리뷰 데이터가 어떤 상품에 대한 것인지를 고려하여 수행될 수 있다. 예를 들어, '풀어지다'라는 단어가 의미하는 감정 정보가 '운동화 끈'이라는 상품에 대해서는 부정적인 요소에 해당할 수 있지만, '수프'라는 상품에 대해서는 부정적인 요소에 해당하지 않을 수 있다.

도 8을 참고하면, 본 개시의 일 실시예에 따른 부정 요소 분석은 상품의 카테고리를 세분화하고, 부정 요소 분석을 위한 판단 기준과 해당 판단 기준에 대한 속성을 나타내는 데이터를 추출한 후, 상기 세분화된 상품의 카테고리에 따라 추출된 속성 데이터가 부정 요소에 해당하는지 여부를 판단함으로써 수행될 수 있다.

본 개시의 일 실시예에 의하면, 상품의 카테고리 설정은 카테고리를 분석하는 BERT 알고리즘을 통해 부여될 수도 있고, 플랫폼(platform) 내에서 크롤링을 통해 추출될 수도 있으며, 사용자에 의해 직접 입력될 수도 있다.

도 9는 일 실시 예에 따른 리뷰 분석에서 리뷰 데이터의 부정 요소에 대한 점수 판단 및 우선순위 판단 방법의 예시를 설명하기 위한 도면이다.

도 9의 예시를 참고하여 수집된 리뷰 데이터 중에서 첫 번째 리뷰 데이터는 '가방 끈이 길어요(평점 4점)'와 같고, 두 번째 리뷰 데이터는 '가방 재질이 얇아요(평점 1점)'와 같은 경우 부정 요소에 대한 점수 판단 및 우선순위 판단 방법의 예시를 설명하도록 한다.

본 개시의 실시예에 따른 전자 장치(200)는 가품 또는 진품에 대한 분석 결과를 제공할 수도 있다. 가품 또는 진품에 대한 상품 분석에 있어, 판단 기준은 브랜드 라벨에 대한 박음질 정보가 될 수 있으며, 상기 판단 기준에 대한 속성은 '손박음질' 또는 '오버로크' 등과 같이 나타날 수 있다. 예를 들면, 사전 학습 또는 파인 튜닝 결과, '오버로크'라는 속성이 가품/진품 판단에서 부정적인 요소로 판단되고, '손박음질'이 긍정적인 요소로 판단된다면, 이와 같은 브랜드 라벨의 박음질 방법에 대한 개선점을 도출할 수 있다. 상술한 실시예에서 카테고리는 브랜드 별로 세분화될 수도 있다.

도 9의 예시 따르면, 첫 번째 리뷰 데이터의 경우에는 '가방 끈이 길어요'라는 코퍼스 데이터와 '평점 4점'이라는 평점 데이터를 포함하며, 두 번째 리뷰 데이터의 경우에는 '가방 재질이 얇아요'라는 코퍼스 데이터와 '평점 1점'이라는 평점 데이터를 포함한다. 첫 번째 리뷰 데이터 및 두 번째 리뷰 데이터가 포함하고 있는 코퍼스 데이터에 대하여 라벨링을 이용한 감정 분석을 수행할 수 있으며, 감정 분석 결과에 대한 라벨링 값을 도출할 수도 있다. 첫 번째 리뷰 데이터 및 두 번째 리뷰 데이터가 포함하고 있는 평점 데이터에 대하여 평점 분석을 수행하고, 라벨링 값을 도출할 수 있다.

도 9의 실시예에 따르면, '가방 끈이 길어요' 라는 코퍼스 데이터에 대한 라벨링을 이용한 감정 분석 결과는 '불만족'과 같을 수 있고, 이에 대한 감정 라벨링 값은 4에 해당할 수 있다. 또한, '가방 재질이 얇아요'라는 코퍼스 데이터 역시 라벨링을 이용한 감정 분석 결과는 '불만족'과 같을 수 있고, 이에 대한 감정 라벨링 값은 4에 해당할 수 있다. 상술한 라벨링 및 감정 분석은 사전 학습 및 파인 튜닝된 데이터를 기반으로 수행될 수 있다.

일 실시예에 따른 라벨링 및 감정 분석은 상품의 카테고리를 기반으로 수행될 수 있으며, 감정 분석을 위해 세분화된 판단 기준과 각 판단 기준에 대한 상품의 속성을 토대로 수행될 수 있다. 구체적으로, 도 9의 실시예에서 '가방 재질이 얇아요'라는 코퍼스 데이터에 대한 상품의 카테고리는 '가방'으로 세분화 될 수 있으며, 판단 기준은 '재질'에 해당할 수 있고, '재질'이라는 판단 기준에 대한 속성은 '얇다'에 해당할 수 있다. 이와 같이, 세분화된 카테고리 및 판단 기준을 기반으로 감정 분석을 수행한 결과 '가방 재질이 얇아요'라는 코퍼스 데이터에는 부정 요소가 포함된 것으로 판단할 수 있으며, 사전 학습 데이터 및 파인 튜닝 결과를 토대로 수행한 감정 분석 라벨링 결과는 '불만족'에 해당할 수 있고, 이에 대한 라벨링 값은 4에 해당할 수 있다.

도 9의 예시에서 첫 번째 리뷰 데이터는 평점 4점에 해당하고, 두 번째 리뷰 데이터는 평점 1점에 해당하는데, 첫 번째 리뷰 데이터에 대한 평점 분석 라벨링 값은 1이고 두 번째 리뷰 데이터에 대한 평점 분석 라벨링 값은 4이다. 일 실시예에 따른 평점 분석 라벨링 값은 부정적인 요소를 기준으로 산출될 수 있으며, 이에 따라 첫 번째 리뷰 데이터에 포함된 평점 4점은 총점 5점에서 4를 뺀 값인 1이 되고, 두 번째 리뷰 데이터에 포함된 평점 1점은 총점 5점에서 1을 뺀 값인 4가 될 수 있다.

상술한 바와 같이, 부정 요소를 기준으로 평점 정보를 라벨링하는 경우, 감정 분석 라벨링에서의 부정 요소와 같은 취지로 결과 값을 산출할 수 있어 감정 분석 라벨링 값과 평점 분석 라벨링 값을 모두 반영한 하나의 결과 값으로서 부정 요소 점수를 도출할 수 있다.

구체적으로, 도 9의 예시를 참고하면, 감정 분석 라벨링 값과 평점 분석 라벨링 값의 곱으로 부정 요소 점수를 도출할 수 있다. 이에 따르면, 도 9의 첫 번째 리뷰 데이터는 감정 분석 라벨링 값(4) * 평점 분석 라벨링 값(1) = 4 라는 부정 요소 점수가 도출될 수 있고, 도 9의 두 번째 리뷰 데이터는 감정 분석 라벨링 값(4) * 평점 분석 라벨링 값(4) = 16 이라는 부정 요소 점수가 도출될 수 있다.

일 실시예에 따른 인공지능 기반 전자 장치(200)는 첫 번째 리뷰 데이터에 대해 산출된 부정 요소 점수가 4이고, 두 번째 리뷰 데이터에 대해 산출된 부정 요소 점수가 16이므로, 두 번째 리뷰 데이터로부터 분석된 부정 요소 분석 결과에 대한 우선순위가 더 높다고 판단할 수 있다.

본 개시의 일 실시예에 따른 전자 장치(200)는 각 리뷰 데이터 분석 결과에 대한 우선순위를 판단함으로써 판매자에게 효율적인 결과를 제공할 수 있다. 예를 들어, 전자 장치(200)는 각 리뷰 데이터에 대한 우선순위를 판단함으로써, 우선순위가 높은 리뷰 데이터에 포함된 부정 요소를 개선이 시급한 요소로 판단할 수도 있고, 판매자에게 제공하는 분석 결과를 도출함에 있어 가장 높은 비중으로 반영하거나 판매자에게 제공하는 분석 결과에서 가장 먼저 노출되도록 할 수도 있다.

도 10은 일 실시 예에 따른 인공지능 기반 리뷰 분석을 활용하는 전자 장치의 결과 제공부(230)를 도시한 블록도이다.

일 실시 예에 의하면 전자 장치(200)의 결과 제공부(230)는 상품 개선점 도출부(231) 및 추천 상품 제공부(232)를 포함할 수 있다. 그러나 상술한 예에 한정되는 것은 아니며, 상술한 구성 외 더 많은 구성 요소를 포함하거나, 더 적은 구성 요소로 마련될 수 있음은 물론이다.

본 개시의 일 실시예에 따른 상품 개선점 도출부(231)는 데이터 처리부(220)에서 각 리뷰 데이터들에 대해 분석한 결과를 기반으로 상품과 관련된 문제점 또는 개선 방안을 도출할 수 있다.

일 실시예에 의하면, 판매자가 상품을 출시하기 전에 해당하는 경우, 판매자가 출시하고자 하는 상품의 경쟁 상품들에 대한 문제점 또는 개선 방안이 도출될 수 있다. 다른 실시예에 의하면, 판매자가 상품을 출시한 이후에 해당하는 경우, 판매자가 출시한 상품에 대한 문제점 또는 개선 방안이 도출될 수 있다. 판매자의 상품 출시 이후에는 판매자의 출시 상품에 대한 문제점 또는 개선 방안과 더불어 경쟁 상품에 대한 문제점 또는 개선 방안이 함께 제공될 수도 있다.

본 개시의 일 실시예에 따른 상품 개선점 도출부(231)는 상품에 대한 문제점 또는 개선점에 대한 결과를 문장의 형식으로 제공할 수 있고, 상기 문장은 BERT 모델의 사전 학습 및 파인 튜닝을 통해 생성 및 저장될 수도 있다.

본 개시의 일 실시예에 따른 추천 상품 제공부(232)는 리뷰 데이터의 부정 요소들을 제거한 상품을 도출하여 판매자에게 추천하고자 하는 개선 상품을 제공할 수 있다. 즉, 일 실시예에 따른 추천 상품 제공부(232)는 데이터 처리부(220)의 리뷰 데이터 분석 결과에 따라 판단된 개선점을 반영하여 경쟁 상품 또는 현재 출시된 상품보다 향상된 개선 상품의 예시들을 도출하여 제공할 수 있다.

도 11은 일 실시 예에 따른 전자 장치(200)가 인공지능 기반 리뷰 분석을 수행하는 과정을 나타내는 흐름도이다.

일 실시예에 의하면, 전자 장치(200)는 상품의 출시 여부에 대하여 판단할 수 있다(S1110). 본 개시의 일 실시예에 따른 전자 장치(200)는 상품 출시 여부에 따라서 리뷰 데이터 수집 방법을 결정할 수 있다. 예를 들면, 전자 장치(200)는 리뷰 데이터 분석을 수행하고자 하는 대상 상품이 출시되기 전의 상품인지, 출시된 상품인지 여부를 판단할 수 있다. 구체적으로, 리뷰 분석 결과를 제공 받고자 하는 판매자가 대상 상품을 출시하기 전인지 또는 출시한 이후인지 여부에 대하여 판단할 수 있다. 상품의 출시 여부 판단에 따른 리뷰 데이터 획득의 예시에 대해서는 후술할 도 12에서 구체적으로 설명하도록 한다.

일 실시예에 의하면, 전자 장치(200)는 출시 여부 판단 결과를 기반으로 리뷰 데이터를 획득할 수 있다(S1120). 본 개시의 전자 장치(200)는 판매자의 상품에 대한 리뷰 데이터들을 수집할 수 있으며, 판매자의 상품 이외에도 경쟁 상품들에 대한 리뷰 데이터들을 수집할 수도 있다. 일 실시예에 따른 전자 장치(200)는 수집된 리뷰 데이터들은 저장할 수도 있다.

일 실시예에 의하면, 전자 장치(200)는 사전 학습 및 파인 튜닝을 수행할 수 있다(S1130). 본 개시의 전자 장치(200)는 인공지능 기반의 BERT 모델을 이용하여 사전 학습 및 파인 튜닝을 수행할 수 있다. 일 실시예에 따른 전자 장치(200)는 사용자들의 감정 분석에 대한 사전 학습 또는 파인 튜닝을 수행할 수 있다. 또한, 전자 장치(200)는 사전 학습 결과 및 파인 튜닝 결과를 저장할 수도 있다.

본 개시의 일 실시예에 따르면, 사전 학습 및 파인 튜닝 과정에서 토큰화 과정을 수행할 수 있으며, 토큰화된 데이터들을 저장할 수 있다.

일 실시예에 의하면, 전자 장치(200)는 감정 정보 또는 평점 정보에 대하여 라벨링(labeling) 분석을 수행할 수 있다(S1140). 본 개시의 전자 장치(200)는 리뷰 데이터에 포함되는 감정 정보 또는 평점 정보를 분석하여 감정 분석 또는 평점 분석 결과에 대하여 라벨(label)을 붙여 데이터를 가공할 수 있다. 전자 장치(200)는 상술한 바와 같이 라벨링된 결과를 저장할 수도 있다.

일 실시예에 따른 전자 장치(200)는 S1130 단계에서 사전 학습 또는 파인 튜닝된 데이터들을 기반으로 감정 정보들에 대해 라벨을 붙일 수 있다. 구체적으로, 전자 장치(200)는 감정 정보가 긍정적 요소 또는 부정적 요소를 어느 정도 포함하는지에 대한 판단을 할 수 있다. 감정 정보들은 다양한 말뭉치 또는 코퍼스들로 구성될 수 있는데, 각 코퍼스들이 내포하는 감정 정보는 S1130 단계에서 사전에 학습된 것일 수 있으며, 파인 튜닝을 통해 감정 정보를 나타내는 코퍼스 데이터들을 획득할 수도 있다.

일 실시예에 의한 전자 장치(200)는 리뷰 데이터에 포함되는 감정 정보를 '매우 만족', '만족', '보통', '불만족', 또는 '매우 불만족'으로 라벨링할 수 있으며, '매우 만족'은 1, '만족'은 2, '보통'은 3, '불만족'은 4, '매우 불만족'은 5의 값으로 라벨링 값을 수치화할 수 있다.

본 개시의 일 실시예에 따른 전자 장치(200)는 리뷰 데이터와 관련된 평점 정보에 대해서도 라벨링을 수행할 수 있다. 구체적으로, 상품에 대한 구매자들의 평점 정보(예컨대, 별점, 점수, 또는 온도 등)에 라벨을 붙여 가공된 데이터를 활용할 수 있다. 예를 들면, 전자 장치(200)는 별점, 점수, 또는 온도 등과 같은 방식으로 표현되는 평점 정보에 포함된 부정 요소 판단을 위해, 상기 평점 정보의 값에 대하여 새로운 값을 나타내는 라벨을 붙여 가공할 수 있다. 또한, 전자 장치(200)는 평점 정보에 대한 라벨링 결과를 저장할 수도 있다.

일 실시예에 의하면, 전자 장치(200)는 리뷰 데이터에 대한 감정 분석 또는 평점 분석을 수행하여 부정 요소를 추출할 수 있다(S1150).

본 개시의 일 실시예에 따른 전자 장치(200)는 S1120 단계에서 획득된 리뷰 데이터들에 대하여 감정 분석 또는 평점 분석을 수행할 수 있으며, 상기 감정 분석과 평점 분석을 모두 수행할 수도 있다.

일 실시예에 따른 전자 장치(200)는 감정 분석 또는 평점 분석 결과를 기반으로 획득된 리뷰 데이터들에 대한 부정 요소를 추출할 수 있다. S1150 단계에서는 S1130 단계의 사전 학습 및 파인 튜닝 결과를 활용하여 리뷰 데이터의 감정 정보에 대한 부정 요소를 판단할 수 있다. 또한, 일 실시예에 따른 전자 장치(200)는 평점 정보를 통해 구매자의 리뷰 데이터에 부정적인 요소가 존재하는지 여부를 판단할 수도 있다.

일 실시예에 따르면, 전자 장치(200)는 상품의 카테고리를 세분화하고, 세분화된 카테고리를 토대로 부정 요소를 추출할 수 있다. 또한, 전자 장치(200)는 부정 요소 판단의 기준을 세분화하여 각 판단 기준에 따라 부정 요소 분석을 수행할 수도 있다.

일 실시예에 의하면, 전자 장치(200)는 S1150 단계에서 수행된 리뷰 데이터 분석 결과에 대한 라벨링 값을 산출하고, 그에 따른 부정 요소 점수를 산출할 수 있다(S1160).

전자 장치(200)는 각 리뷰 데이터들에 포함된 감정 정보에 대한 라벨링 값을 판단할 수 있을 뿐 아니라, 각 리뷰 데이터들에 포함된 평점 정보에 대한 라벨링 값을 판단할 수도 있다. 또한, 전자 장치(200)는 상기 감정 정보 라벨링 값 및 평점 정보 라벨링 값을 기반으로 부정 요소 점수를 산출할 수 있다. 일 실시예에 따른 전자 장치(200)는 감정 정보 라벨링 값 및 평점 정보 라벨링 값의 곱으로 부정 요소 점수를 산출할 수 있다.

일 실시예에 의하면, 전자 장치(200)는 각 리뷰 데이터 분석 결과에 대한 우선순위를 판단할 수 있다(S1170). 본 개시의 일 실시예에 따르면, 각 리뷰 데이터의 분석 결과에 대한 우선순위는 S1160에서 산출된 부정 요소 점수를 기반으로 결정될 수 있다.

일 실시예에 의하면, 전자 장치(200)는 리뷰 데이터 분석 결과를 기반으로 상품 개선점 또는 추천 상품을 도출하여 그 결과를 제공할 수 있다(S1180).

본 개시의 일 실시예에 따른 전자 장치(200)는 상품 출시 전의 경우에는 리뷰 데이터 분석 결과를 바탕으로 경쟁 상품 대비 개선된 추천 상품을 도출하여 판매자의 상품 출시에 유용한 결과를 제공할 수 있으며, 상품 출시 이후에는 리뷰 데이터 분석 결과를 바탕으로 출시된 상품의 문제점 및 개선 방안을 도출하여 구매자의 만족도를 향상시킬 수 있도록 할 수 있다.

일 실시예에 따른 전자 장치(200)는 S1170 단계에서 도출된 각 리뷰 데이터의 우선순위에 따라 리뷰 데이터 분석 결과의 반영 비중을 다르게 설정하여 상품 개선점 또는 추천 상품을 도출할 수 있다.

이하에서는, 본 개시의 일 실시예에 따른 도 11의 리뷰 분석 방법을 구체적인 예를 들어 설명하도록 한다.

예를 들어, S1120 단계에서 획득된 리뷰 데이터는 '가방 재질이 얇아요(별점 1점)'라는 정보가 포함될 수 있다.

전자 장치(200)는 S1130 단계에서 사전 학습 또는/및 파인 튜닝된 BERT 모델을 기반으로 S1150 단계에서 상기 리뷰 데이터에 대한 카테고리, 판단 기준 및 판단 기준에 대한 속성, 감정 분석 결과, 평점 분석 결과, 및 부정 요소 유/무 여부에 대한 출력 값을 도출할 수 있다. 구체적으로, 상술한 예시에서는 '카테고리: 가방', '판단 기준: 재질', '판단 기준에 대한 속성: 얇다', '감정 분석 결과: 불만족', '평점 분석 결과: 1', 및 '부정 요소: 유'와 같은 출력 값이 도출될 수 있다.

S1160 단계에서는 S1150 단계에서 도출된 결과를 바탕으로 '감정 분석 라벨링 값', '평점 분석 라벨링 값' 및 '부정 요소 점수'에 대한 출력 값이 산출될 수 있는데, 상기 예시에서는 '감정 분석 라벨링 값: 4', '평점 분석 라벨링 값: 4', 및 '부정 요소 점수(감정 분석 라벨링 값* 평점 분석 라벨링 값): 16(4*4)'와 같이 출력될 수 있다.

S1170 단계에서는 S1160 단계에서 도출된 부정 요소 점수를 다른 리뷰 데이터의 부정 요소 점수와 비교하여 우선순위를 결정할 수 있다. 예를 들어, 상기 리뷰 데이터의 부정 요소 점수인 16보다 낮은 부정 요소 점수를 갖는 리뷰 데이터보다는 상기 리뷰 데이터의 분석 결과가 우선적으로 반영될 수 있고, 16보다 높은 부정 요소 점수를 갖는 리뷰 데이터보다는 상기 리뷰 데이터의 분석 결과가 후순위로 반영될 수 있다. 일 실시예에 따르면, S1170 단계에서의 우선순위에 따라, S1180 단계의 결과를 도출하기 위해 반영되는 비중을 다르게 할 수도 있다.

S1180 단계에서는 상품 개선점 또는 추천 상품을 도출할 수 있는데, 상술한 예시의 분석 결과로서, 판매자에게는 '가방의 얇은 재질을 개선해야 합니다'와 같이 개선 방안을 제시하는 문장이 분석 결과로 제공될 수도 있고, '두꺼운 재질의 가방을 추천합니다' 또는 '5mm 두께 이상의 재질을 갖는 가방을 추천합니다'와 같은 문장으로 추천 상품에 대한 결과가 제공될 수도 있다.

도 12는 일 실시 예에 따른 전자 장치(200)가 상품 출시 여부에 따라 리뷰 분석을 수행하는 방법의 흐름도이다.

일 실시예에 의하면, 전자 장치(200)는 리뷰 분석의 대상인 상품이 출시 되었는지 여부를 판단할 수 있다(S1210).

S1210 단계의 판단 결과, 상품이 출시되지 않은 경우에는 크롤링 또는/및 웹 스크래핑을 활용하여(S1220) 리뷰 데이터를 획득할 수 있다(S1240). 이 경우, 크롤링 또는/및 웹 스크래핑을 활용하여 획득되는 리뷰 데이터는 출시하고자 하는 판매자의 상품과 관련된 경쟁 상품들에 대한 리뷰 데이터일 수 있다.

S1210 단계의 판단 결과, 출시된 상품인 경우에는 쇼핑몰의 API(Application Program Interface) 기능을 활용하여(S1230) 리뷰 데이터를 획득할 수 있다(S1240). S1230 단계에서는 상기 API 기능을 통해 판매자의 출시된 상품에 대한 리뷰 데이터를 수집할 수 있으며, 판매자의 계정과 연동된 경쟁 상품들에 대한 리뷰 데이터들을 API 기능을 통해 수집할 수도 있다.

일 실시예에 의하면, 본 개시의 전자 장치(200)는 S1240 단계에서 획득된 리뷰 데이터들을 분석하고(S1250), 리뷰 데이터 분석 결과를 제공할 수 있다(S1260). S1250 단계의 리뷰 데이터 분석 및 S1260 단계의 분석 결과 제공 방법은 도 2 내지 도 11에서 상술한 바와 같다.

도 13은 일 실시 예에 따른 전자 장치(200)가 상품의 카테고리에 따라 인공 지능 기반 리뷰 분석을 수행하는 방법을 설명하는 도면이다.

일 실시예에 의하면, 본 개시의 전자 장치(200)는 상품 카테고리 별로 파인 튜닝된 복수의 BERT 모델을 이용할 수 있다.

도 13 실시예에 따른 파인 튜닝 과정은 다음과 같이 수행될 수 있다.

먼저, 데이터 세트를 불러온 후, 상기 데이터 세트의 데이터에 대한 라벨링을 설정할 수 있다. 상기 데이터 세트는 이미 라벨링된 데이터일 수도 있다. 상술한 라벨링은 카테고리, 판단 기준, 판단 기준에 대한 속성, 부정 요소, 감정 정보 또는/및 평점 정보에 대하여 수행될 수 있다.

일 실시예에 따른 전자 장치(200)는 사전 학습된 BERT 모델을 불러올 수 있으며, 카테고리 별로 세분화하여 서로 다른 BERT 모델에 학습을 수행하도록 할 수 있다. 상기 카테고리 별로 파인 튜닝된 새로운 모델을 저장할 수 있으며, 획득된 리뷰 데이터를 카테고리 별로 세분화하여 분석할 수 있다.

도 14는 일 실시 예에 따른 전자 장치(200)의 구성을 도시하는 블록도이다.

도 14에 도시된 바와 같이, 일 실시 예에 따른 전자 장치(200)는 네트워크 인터페이스(1410), 메모리(1420) 및 프로세서(1430)를 포함할 수 있다. 그러나, 도시된 구성 요소가 모두 필수구성요소인 것은 아니다. 도시된 구성 요소보다 많은 구성 요소에 의해 전자 장치(200)가 구현될 수도 있고, 그 보다 적은 구성 요소에 의해서도 전자 장치(200)는 구현될 수도 있다.

네트워크 인터페이스(1410)는 전자 장치(200)가 다른 장치 또는 서버와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 다른 장치는 전자 장치(200)와 같은 컴퓨팅 장치일 수 있으나, 이에 제한되지 않는다. 예를 들어, 네트워크 인터페이스(1410)는, 무선 통신 인터페이스, 유선 통신 인터페이스 또는/및 이동 통신부를 포함할 수 있다. 무선 통신 인터페이스는 근거리 통신부(short-range wireless communication unit), 블루투스 통신부, BLE(Bluetooth Low Energy) 통신부, 근거리 무선 통신부(Near Field Communication unit), WLAN(와이파이) 통신부, 지그비(Zigbee) 통신부, 적외선(IrDA, infrared Data Association) 통신부, WFD(Wi-Fi Direct) 통신부, UWB(ultra wideband) 통신부 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.

유선 통신 인터페이스는 유선 통신을 통해 전자 장치(200)와 연결된 외부 디바이스와 데이터를 주고받기 위한 적어도 하나의 유선 인터페이스를 포함할 수 있다.

이동 통신부는, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. 여기에서, 무선 신호는, 음성 호 신호, 화상 통화 호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다.

메모리(1420)는, 프로세서(1430)의 처리 및 제어를 위한 프로그램을 저장할 수 있고, 전자 장치(200)로 입력되거나 전자 장치(200)로부터 출력되는 데이터를 저장할 수도 있다. 또한, 메모리(1420)는 전자 장치(200)가 이용하는 적어도 하나의 인공지능 모델, 전자 장치가 획득한 리뷰 데이터 및 인공지능 모델의 분석 결과에 대한 정보를 저장할 수 있다.

또한, 메모리(1420)는 전자 장치(200)가 이용하는 적어도 하나의 신경망 모델에 대한 정보를 저장할 수 있다. 예를 들어, 메모리(1420)는 적어도 하나의 신경망 모델 내 레이어들, 노드들, 상기 레이어들의 연결 강도에 관한 가중치 값들을 저장할 수 있다. 또한, 전자 장치(200)는 신경망 모델을 학습하기 위해 전자 장치(200)가 생성한 학습 데이터를 더 저장할 수도 있다. 또한, 메모리(1420)는 전자 장치와 다른 장치들 또는 서버의 동작 환경에 대한 정보들을 더 저장할 수도 있다.

메모리(1420)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.

프로세서(1430)는 통상적으로 전자 장치(200)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(1430)는, 메모리(1420)에 저장된 프로그램들을 실행함으로써, 전자 장치(200)의 전반적인 동작을 제어할 수 있다. 또한, 프로세서(1430)는 메모리(1420)에 저장된 프로그램들을 실행함으로써, 도 1 내지 도 13에 기재된 리뷰 분석 시스템 내 장치들의 기능 전부 또는 적어도 일부를 함께 수행할 수 있다.

본 개시에 따른 인공지능 기반 리뷰 분석 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.

컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.

이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속한다.

Claims

전자 장치가 인공지능 기반 리뷰 분석을 수행하는 방법에 있어서,
리뷰 분석 대상이 되는 상품의 출시 여부를 판단하는 단계;
상기 상품의 출시 여부 판단에 따라 상기 리뷰 데이터의 획득 방법을 결정하는 단계;
상기 상품 출시 여부 판단에 기반하여 리뷰 데이터를 획득하는 단계;
사전 학습(pre-training) 또는 파인 튜닝(fine tuning) 중 적어도 하나를 수행하는 단계;
감정 정보 또는 평점 정보에 대한 라벨링(labeling)을 수행하는 단계;
상기 사전 학습 또는 파인 튜닝 결과에 기반하여 상기 획득된 리뷰 데이터에 대한 감정 분석 또는 평점 분석을 수행하는 단계;
상기 감정 분석 또는 평점 분석 결과에 대한 부정 요소를 추출하는 단계;
상기 획득된 리뷰 데이터를 분석하는 단계;
상기 상품의 출시 여부 판단 결과에 따라 상기 리뷰 데이터 분석 결과를 제공하는 방법을 결정하는 단계; 및
상기 리뷰 데이터 분석 결과를 제공하는 단계를 포함하고,
상기 리뷰 데이터를 획득하는 단계는, 상기 상품 출시 여부 판단 결과가 출시 전인 경우에는 경쟁 상품에 대한 리뷰 데이터를 획득하고, 상기 상품 출시 여부 판단 결과가 출시된 후인 경우에는 상기 출시된 상품에 대한 리뷰 데이터를 획득하는 것을 특징으로 하고,
상기 상품의 출시 여부 판단 결과에 따라 상기 리뷰 데이터 분석 결과를 제공하는 방법을 결정하는 단계는, 상기 상품 출시 여부 판단 결과가 출시 전인 경우에는 추천 상품을 제공하고, 상기 상품 출시 여부 판단 결과가 출시된 후인 경우에는 출시 상품에 대한 문제점 및 개선 방안을 제공하는 것을 특징으로 하고,
상기 부정 요소를 추출하는 단계는 상기 상품의 브랜드 라벨의 박음질에 관한 감정 정보를 기반으로 상기 리뷰 데이터의 감정 분석 결과에 대한 부정 요소를 추출하는 단계를 포함하고,
상기 리뷰 데이터 분석 결과를 제공하는 단계는 상기 상품이 진품인지 가품인지 여부를 판단한 결과를 제공하는 단계를 포함하는 것을 특징으로 하는, 방법.
제 1 항에 있어서,
상기 리뷰 데이터를 주기적으로 업데이트하는 단계를 더 포함하는, 방법.
제 1 항에 있어서,
상기 리뷰 데이터 획득 방법을 결정하는 단계는
상기 상품 출시 여부 판단 결과가 출시 전인 경우에는 크롤링(crawling) 또는 스크래핑(web scraping) 중 적어도 하나를 포함하도록 상기 리뷰 데이터 획득 방법을 결정하고, 상기 상품 출시 여부 판단 결과가 출시된 후인 경우에는 API(Application Program Interface) 기능을 이용하도록 상기 리뷰 데이터 획득 방법을 결정하는 것을 특징으로 하는, 방법.
제 2 항에 있어서,
상기 리뷰 데이터 분석 결과를 제공하는 단계는,
상기 주기적으로 업데이트된 리뷰 데이터를 기반으로 개선되기 전의 상품과 개선 이후의 상품에 대한 비교 분석 결과를 제공하는 단계를 포함하는, 방법.
삭제
삭제
삭제
삭제
제 1 항에 있어서,
상기 감정 정보 또는 평점 정보에 대한 라벨링 결과를 기반으로 상기 획득된 리뷰 데이터에 대한 라벨링 값을 산출하는 단계를 더 포함하는, 방법.
제 9 항에 있어서,
상기 라벨링 값을 산출하는 단계는
상기 획득된 리뷰 데이터에 대한 감정 분석 라벨링 값 및 평점 분석 라벨링 값을 산출하는 것을 특징으로 하는, 방법.
제 10 항에 있어서,
상기 산출된 감정 분석 라벨링 값 및 평점 분석 라벨링 값을 기반으로 상기 획득된 리뷰 데이터에 대한 부정 요소 점수를 산출하는 단계를 더 포함하는, 방법.
제 11 항에 있어서,
상기 산출된 부정 요소 점수를 기반으로 상기 리뷰 데이터에 대한 우선순위를 판단하는 단계를 더 포함하는, 방법.
제 1 항에 있어서,
상기 리뷰 데이터 분석은 상기 리뷰 데이터에 대한 우선순위를 판단하는 것을 특징으로 하고,
상기 분석 결과 제공은 상기 우선순위에 따라 상기 분석 결과 도출에 반영되는 상기 리뷰 데이터의 가중치(weight)를 결정하는 것을 특징으로 하는, 방법.
인공지능 기반 리뷰 분석을 수행하는 전자 장치에 있어서,
네트워크 인터페이스;
하나 이상의 인스트럭션을 저장하는 메모리; 및
상기 하나 이상의 인스트럭션을 실행하는 적어도 하나의 프로세서를 포함하고,
상기 적어도 하나의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
리뷰 분석 대상이 되는 상품의 출시 여부를 판단하고,
상기 상품 출시 여부 판단에 따라 상기 리뷰 데이터의 획득 방법을 결정하고,
상기 상품 출시 여부 판단에 기반하여 리뷰 데이터를 획득-상기 상품 출시 여부 판단 결과가 출시 전인 경우에는 경쟁 상품에 대한 리뷰 데이터를 획득하고, 상기 상품 출시 여부 판단 결과가 출시된 후인 경우에는 상기 출시된 상품에 대한 리뷰 데이터를 획득함-하고,
사전 학습(pre-training) 또는 파인 튜닝(fine tuning) 중 적어도 하나를 수행하고,
감정 정보 또는 평점 정보에 대한 라벨링(labeling)을 수행하고,
상기 사전 학습 또는 파인 튜닝 결과에 기반하여 상기 획득된 리뷰 데이터에 대한 감정 분석 또는 평점 분석을 수행하고,
상기 감정 분석 또는 평점 분석 결과에 대한 부정 요소를 추출하고,
상기 획득된 리뷰 데이터를 분석하고,
상기 상품의 출시 여부 판단 결과에 따라 상기 리뷰 데이터 분석 결과를 제공하는 방법을 결정-상기 상품 출시 여부 판단 결과가 출시 전인 경우에는 추천 상품을 제공하고, 상기 상품 출시 여부 판단 결과가 출시된 후인 경우에는 출시 상품에 대한 문제점 및 개선 방안을 제공함-하고,
상기 리뷰 데이터 분석 결과를 제공하고,
상기 부정 요소를 추출하는 것은 상기 상품의 브랜드 라벨의 박음질에 관한 감정 정보를 기반으로 상기 리뷰 데이터의 감정 분석 결과에 대한 부정 요소를 추출하는 것을 포함하고,
상기 리뷰 데이터 분석 결과를 제공하는 것은 상기 상품이 진품인지 가품인지 여부를 판단한 결과를 제공하는 것을 포함하는, 전자 장치.
제 14 항에 있어서,
상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
상기 리뷰 데이터를 주기적으로 업데이트하는, 전자 장치.
제 14 항에 있어서,
상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
상기 상품 출시 여부 판단 결과가 출시 전인 경우에는 크롤링(crawling) 또는 스크래핑(web scraping) 중 적어도 하나를 포함하도록 상기 리뷰 데이터 획득 방법을 결정하고,
상기 상품 출시 여부 판단 결과가 출시된 후인 경우에는 API(Application Program Interface) 기능을 이용하도록 상기 리뷰 데이터 획득 방법을 결정하는, 전자 장치.
제 15 항에 있어서,
상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
상기 주기적으로 업데이트된 리뷰 데이터를 기반으로 개선되기 전의 상품과 개선 이후의 상품에 대한 비교 분석 결과를 제공하는, 전자 장치.
삭제
제 14 항에 있어서,
상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
상기 라벨링 결과를 기반으로 감정 분석 결과에 대한 라벨링 값 및 평점 분석 라벨링 값 중 적어도 하나를 산출하고,
상기 산출된 감정 분석 라벨링 값 또는 평점 분석 라벨링 값 중 적어도 하나를 기반으로 상기 획득된 리뷰 데이터에 대한 부정 요소 점수를 산출하고,
상기 산출된 부정 요소 점수를 기반으로 상기 리뷰 데이터에 대한 우선순위를 판단하는, 전자 장치.
제 14 항에 있어서,
상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
상기 리뷰 데이터에 대한 우선순위를 판단하고,
상기 우선순위에 따라 상기 분석 결과 도출에 반영되는 상기 리뷰 데이터의 가중치(weight)를 결정하는, 전자 장치.