KR20240009724A - 온라인 쇼핑몰 후기 데이터 기반 서비스 제공 시스템 - Google Patents

Abstract

온라인 쇼핑몰 후기 데이터 기반 서비스 제공 시스템이 개시된다. 이 시스템은 웹 크롤러를 이용해 복수의 온라인 쇼핑몰로부터 제품별 구매자들의 후기 데이터를 수집하는 후기 데이터 수집부와, 수집된 후기 데이터를 분석해 구매자들의 프로필을 추론하며 구매자들의 프로필 추론 결과에 따라 그룹화된 구매자 그룹마다 제품별로 구매자들의 후기 데이터를 분석하여 제품에 대한 구매 감성 지수를 산출하는 후기 데이터 분석부, 및 일반 회원의 제품명 검색이 있으면 그 검색된 제품명에 해당하는 제품을 일반 회원에게 추천하되, 일반 회원의 프로필과 일치하는 구매자 그룹의 제품별 구매 감성 지수를 고려하여 제품을 추천하는 일반 회원 서비스부를 포함한다.

Description

온라인 쇼핑몰 후기 데이터 기반 서비스 제공 시스템{Service providing system based on online shopping mall review data}

본 발명은 회원들에게 무형의 서비스를 제공하는 기술에 관한 것으로, 특히 온라인 쇼핑몰에서 판매되는 제품들과 관련한 데이터 분석을 통해 회원들에게 무형의 서비스를 제공하는 기술에 관련된 것이다.

국내등록특허공보 제10-1552703호에는 온라인 쇼핑몰의 판매 상품 분석 및 판매 촉진 시스템에 대해 개시되어 있다. 이 시스템은 상품 상세 정보와 함께 게시되는 상품 이용 후기를 이용하여 상품 구매자에게는 적립금을 제공하고 예비 구매자에게는 상품의 가격 할인율을 조정하여 판매가 이루어지도록 한다. 이를 통해, 상품 구매자로 하여금 상품 이용 후기를 이용하여 적극적인 상품 홍보를 가능하게 함으로써, 쇼핑몰 운영자의 게시 상품에 대한 효율적인 마케팅을 도모할 수 있게 한다.

국내등록특허공보 제10-1552703호 (2015년 9월 14일 공고)

본 발명은 온라인 쇼핑몰 후기 데이터를 분석하여 일반 회원들에게 각자의 감성에 맞는 제품을 추천할 수 있는 시스템을 제공함을 목적으로 한다.

또한, 본 발명은 온라인 쇼핑몰 후기 데이터를 분석하여 고객 관리 및 제품 관리를 위해 전략적인 의사 결정을 내리는데 유용한 정보를 기업 회원들에게 제공할 수 있는 시스템을 제공함을 목적으로 한다.

일 양상에 따른 온라인 쇼핑몰 후기 데이터 기반 서비스 제공 시스템은 웹 크롤러를 이용해 복수의 온라인 쇼핑몰로부터 제품별 구매자들의 후기 데이터를 수집하는 후기 데이터 수집부와, 수집된 후기 데이터를 분석해 구매자들의 프로필을 추론하며 구매자들의 프로필 추론 결과에 따라 그룹화된 구매자 그룹마다 제품별로 구매자들의 후기 데이터를 분석하여 제품에 대한 구매 감성 지수를 산출하는 후기 데이터 분석부, 및 일반 회원의 제품명 검색이 있으면 그 검색된 제품명에 해당하는 제품을 일반 회원에게 추천하되, 일반 회원의 프로필과 일치하는 구매자 그룹의 제품별 구매 감성 지수를 고려하여 제품을 추천하는 일반 회원 서비스부를 포함할 수 있다.

본 발명은 온라인 쇼핑몰 후기 데이터를 분석하여 구매자 정보를 추론하고 제품에 대한 구매자의 감성을 분석하여 일반 회원들에게는 각자의 감성에 맞는 제품을 추천할 수 있게 하며, 기업 회원들에게는 고객 관리 및 제품 관리를 위해 전략적인 의사 결정을 내리는데 유용한 정보를 제공할 수 있게 하는 효과를 창출한다.

도 1은 일 실시예에 따른 온라인 쇼핑몰 후기 데이터 기반 서비스 제공 시스템 블록도이다.
도 2는 일 실시예에 따른 사용자 정보 추론 알고리즘을 나타낸 도면이다.
도 3은 일 실시예에 따른 제품 핵심 속성 추출 알고리즘을 나타낸 도면이다.
도 4는 일 실시예에 따른 감성 추론 알고리즘을 나타낸 도면이다.

전술한, 그리고 추가적인 본 발명의 양상들은 첨부된 도면을 참조하여 설명되는 바람직한 실시예들을 통하여 더욱 명백해질 것이다. 이하에서는 본 발명을 이러한 실시예를 통해 통상의 기술자가 용이하게 이해하고 재현할 수 있도록 상세히 설명하기로 한다.

도 1은 일 실시예에 따른 온라인 쇼핑몰 후기 데이터 기반 서비스 제공 시스템 블록도이다. 온라인 쇼핑몰 후기 데이터 기반 서비스 제공 시스템은 하나 또는 상호 연동되는 둘 이상의 서버를 포함하여 구성되는 서버 시스템으로서, 후기 데이터 수집부(100)와 후기 데이터 분석부(200) 및 일반 회원 서비스부(300)를 포함하며, 기업 회원 서비스부(400)를 더 포함할 수 있다. 이들은 모두 소프트웨어적으로 구현 가능한 기능적 구성들로서, 하나 이상의 프로세서에 의해 실행되어 해당 프로세스를 수행할 수 있다. 그리고 그리고 도 1에 도시되어 있지는 않으나, 데이터 저장 및 관리를 위한 데이터베이스나 분산 시스템도 포함될 수 있다.

후기 데이터 수집부(100)는 웹 크롤러를 이용해 복수의 온라인 쇼핑몰로부터 판매 제품별 구매자들의 후기 데이터를 수집한다. 방대한 양의 비정형 데이터인 후기 데이터를 수집하기 위해 파이썬(python) 기반의 분산형 웹 크롤러가 이용될 수 있다. 구체적으로, 다수의 사이트 및 페이지에 게시된 후기 데이터를 동시에 수집하기 위해 파이썬의 멀티프로세싱 모듈을 응용하여 개발된 스레드 기반 병렬 크롤러 시스템이 이용될 수 있다. 그리고 수집되는 후기 데이터에는 구매 제품에 대한 별점 및 코멘트는 물론이고 사이트명과 후기 사용자 닉네임 및 제품명도 포함될 수 있다. 참고로, 후기 데이터는 누구에게나 공개된 것이므로, 웹 크롤러를 이용한 데이터 수집에는 제약이 없다.

후기 데이터 분석부(200)는 수집된 후기 데이터를 전처리한 후에 분석해 구매자들의 프로필을 추론하고, 구매자들의 프로필 추론 결과에 따라 구매자들을 그룹화하며, 그룹화된 구매자 그룹마다 제품별로 구매자들의 후기 데이터를 분석하여 제품에 대한 구매 감성 지수를 산출한다. 먼저, 구매자들의 프로필을 추론하는 과정에 대해 설명한다. 후기 데이터 분석부(200)는 사전에 구축된 용어 사전 DB를 기반으로 구매자들의 프로필을 추론한다. 구매자 프로필에는 연령, 성별, 결혼 여부가 포함되며, 직업, 종교도 포함될 수 있다.

도 2는 일 실시예에 따른 사용자 정보 추론 알고리즘을 나타낸 도면이다. 먼저, 첫 번째 단계에서는 표준국어대사전 API를 활용하여 연령, 성별 및 결혼 여부 정보와 관련있는 호칭 및 용어 사전을 구축한다. 예를 들면, 온라인 쇼핑몰 후기 속 ‘누나, 형님, 언니, 오빠, 20살, 30대, 은퇴, 시부모님, 시댁, 와이프’ 등과 같은 단어가 호칭 및 용어 사전 DB에 포함될 수 있다. 다음으로, 두 번째 단계에서는 통계적 기법을 활용하여 단어 간의 연관성 분석 후 호칭 및 용어 사전을 확장한다. 첫 번째 단계에서의 용어 사전 내 포함 단어와 통계적으로 유의미한 관계를 맺는 용어를 ‘세종 형태 분석 말뭉치(약 500만 어절)’로부터 추출하여 어휘 간의 공기 출현 빈도를 살펴보고 카이제곱검정(Chi square test)을 통해 그 값이 임계값 이상이면 두 어휘는 연관성이 있다고 판단할 수 있으며 어휘 간 연관성까지 포함한 사전으로 확장시킨다. 마지막으로, 세 번째 단계에서는 연령, 성별과 관련된 호칭과 용어 포함 여부 분석 후 사용자 정보를 추론하며 결혼 여부는 기본적으로 미혼으로 가정하고 관련 호칭 포함시 기혼으로 판단한다.

후기 데이터 분석부(200)는 구매자들의 프로필 추론 결과에 따라 동일 프로필을 갖는 구매자들을 하나의 그룹으로 그룹화한다. 다음으로, 후기 데이터 분석부(200)는 그룹화된 구매자 그룹마다 제품별로 구매자들의 후기 데이터를 분석하여 제품에 대한 구매 감성 지수를 산출한다. 온라인 쇼핑몰에서는 다양한 제품이 판매되고 있으며 제품별로 구매자들이 중요하게 판단하는 핵심 속성이 상이하며 동일 제품이라 하더라도 각 속성에 대한 구매자의 감성은 상이할 수 있다. 따라서, 정확한 구매자의 감성 분석을 위해서는 구매자 후기를 통해 드러나는 제품별 핵심 속성 파악이 선행되어야 한다.

도 3은 일 실시예에 따른 제품 핵심 속성 추출 알고리즘을 나타낸 도면이다. 제품별 후기에 자주 등장하는 단어의 빈도수를 TF-IDF(Term Frequency-Inverse Document Frequency) 방식으로 계산한다. TF-IDF란 문서 내에 해당 단어가 나타난 단어 빈도와 문서 빈도를 이용하는 것으로 하나의 문서에서 특정 단어의 중요도는 그 문서 내의 출현 빈도와 비례하고 전체 문서의 개수와는 반비례하는 특성을 활용하여 중요 핵심 단어를 추출하는 방법으로 제품별 후기를 분석하여 TF-IDF 값이 높은 단어를 제품별 핵심 속성으로 간주하고 빈도가 높은 단어일수록 가중치를 부여(반영)하여 최종적인 감성 지수 산정에 포함시킨다. 핵심 성능 요소는 도표 또는 워드 클라우드 방법 등으로 시각화함으로써 제품별로 고객들이 어떤 요소를 상대적으로 중요하게 생각하고 후기에 반영되었는가 역시 파악할 수 있다. 그리고 단어의 빈도수에 따라 제품별로 어떤 속성이 중요하게 평가가 되어지는지 확인할 수 있다. 단어 빈도수에 따라 가중치를 다르게 부여하여 감성 분석시 가중치를 적용하면 제품에 대한 종합적인 감성 분석이 가능하다.

도 4는 일 실시예에 따른 감성 추론 알고리즘을 나타낸 도면이다. 사용자 감성 분석을 위한 감성 사전 구축은 크게 네 단계의 과정을 거친다. 먼저 제 1 단계에 대해 설명한다. 온라인 쇼핑몰 후기는 보통 평점과 코멘트를 포함하고 있으며, 이 중 별점 만점 5점을 긍정 데이터로, 별점 1~2을 부정 데이터로 구분하여 1:1 비율로 수집하고 Word2vec 학습용 데이터로 이용한다. 1차로 형태소 분석 단계를 거친 이후 POS tagging(Part-Of-Speech tagging,품사부착) 및 TF(Term Frequency,단어 빈도)를 계산하여 상위 TF 기준으로 품사가 동사/형용사/부사/명사인 어휘를 추출하고 감성의 극성이 긍정 혹은 부정인 어휘로 나누어 감성 어휘 사전을 구축한다. 아래의 표 1은 감성 어휘 사전 구성을 예시한 것이다.

긍정 어휘(Positive)	부정 어휘(Negative)
좋다/훌륭하다/괜찮다/대단하다/웃다/ 멋지다/완벽/최고/기대/대박/추천/굿	아깝다/별로다/실망이다/버리다/나쁘다/ 어렵다/틀리다/별로/최악/실망/쓰레기/폭탄

제 2 단계에서는 단어를 공간상의 벡터로 표현하는 단어 임베딩 알고리즘 Word2vec의 모델을 이용하여 단어 간 유사도를 측정하고 감성 사전을 구축한다. ‘비슷한 위치에 등장하는 단어들은 비슷한 의미를 가진다’라는 분산 표현 방법으로서‘이 제품은 품질이 우수하다, 이 제품은 성능이 좋다, 이 제품은 추천한다’라는 문장 3개가 오면‘우수하다, 좋다, 추천한다’는 비슷한 의미를 가진다고 판단한다.

제 3 단계에서는 보다 세분화된 감성 분류를 위해 -5부터 5까지 10단계로 극성의 정도(Degree)를 부여하고 강조 부사가 덧붙여진 경우 가중치를 더하여 최종적으로 감성의 극성을 수치화한다. 예를 들면,‘최악이다(-5)-심하다(-4)-나쁘다(-3)-별로다(-2)-좋지 않다(-1)-나쁘지도 좋지도 않다(0)-나쁘지 않다(1)-보통이다(2)-괜찮다(3)-좋다(4)-추천하고 싶다(5)’와 같이 10단계로 구분하고 감성어에 강조하는 의미의 부사가 덧붙여졌을 경우 가중치를 부가하여 감성 점수를 계산하는 방식이다. ‘정말 괜찮다’의 경우 ‘정말’에 대한 가중치 +2 와 ‘괜찮다’에 대한 점수 3을 곱해 6점을, ‘너무 별로다’의 경우 ‘너무’에 대한 가중치 +2와 ‘별로다’에 대한 점수 -2를 곱해 -4점으로 점수를 산출 가능하다.

제 4 단계에서는 감성 지수 산정시 제품별 핵심 속성에 대한 정보일수록 가중치를 부여하고 동일 제품의 여러 속성에 대해 상이한 감성어가 포함된 경우 각 감성의 극성 수치를 합산하여 종합적인 감성 지수로 표현한다. 표 2는 상술한 감성 추론 알고리즘을 통해 얻어진 것으로, 40대 기혼 남성 그룹의 노트북(제품)에 대한 예를 나타낸다.

속성	핵심 속성 가중치	감성어	강조 부사 가중치	감성 점수
성능	1	좋다(+4점)	너무(+2점)	+8점
무게	0.8	무겁다(-2점)	조금(+1점)	-1.6점
디자인	0.5	별로다(-2점)	조금(+1점)	-1점
종합 감성 점수(구매 감성 지수)				+5.4점

일반 회원 서비스부(300)는 일반 회원으로부터 제품명 검색이 있으면 그 검색된 제품명에 해당하는 제품들 중에서 일부 제품을 일반 회원에게 추천하는데, 그 일반 회원의 프로필과 일치하는 구매자 그룹의 구매 감성 지수를 고려하여 구매 감성 지수가 가장 높은 제품을 일반 회원에게 추천한다. 즉, 검색된 제품명에 해당하는 모든 제품들 중에서 구매 감성 지수가 가장 높은 제품을 일반 회원에게 추천하는 것이다. 그리고 기업 회원 서비스부(400)는 구매자 그룹별 제품의 핵심 속성들과 핵심 속성별 구매자 그룹의 구매 감성 지수를 그래프나 차트(예를 들어, 방사형 차트) 등의 시각적 정보로 생성하며, 그 생성된 시각적 정보를 그 구매자 그룹의 프로필 정보와 함께 기업 회원에게 제공한다.

한편, 일반 회원 서비스부(300)는 일반 회원의 프로필이 아닌 가상의 프로필 입력이 있으면, 일반 회원의 프로필 대신에 그 입력된 가상 프로필과 일치하는 구매자 그룹의 구매 감성 지수를 고려하여 구매 감성 지수가 가장 높은 제품을 일반 회원에게 추천한다. 이 같이 하는 이유는 일반 회원이 선물용으로 제품을 구매할 경우를 고려한 것이다. 즉, 선물을 받을 타인의 프로필을 가상 프로필로 입력하게 하여 그 타인이 선호할 제품을 추천해주는 것이다.

이제까지 본 발명에 대하여 그 바람직한 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.

100 : 후기 데이터 수집부 200 : 후기 데이터 분석부
300 : 일반 회원 서비스부 400 : 기업 회원 서비스부

Claims (5)

1. 웹 크롤러를 이용해 복수의 온라인 쇼핑몰로부터 제품별 구매자들의 후기 데이터를 수집하는 후기 데이터 수집부;
   수집된 후기 데이터를 전처리한 후에 분석해 구매자들의 프로필을 추론하며, 구매자들의 프로필 추론 결과에 따라 그룹화된 구매자 그룹마다 제품별로 구매자들의 후기 데이터를 분석하여 제품에 대한 구매 감성 지수를 산출하는 후기 데이터 분석부; 및
   일반 회원의 제품명 검색이 있으면 그 검색된 제품명에 해당하는 제품을 일반 회원에게 추천하되, 일반 회원의 프로필과 일치하는 구매자 그룹의 구매 감성 지수를 고려하여 제품을 추천하는 일반 회원 서비스부;
   를 포함하는 온라인 쇼핑몰 후기 데이터 기반 서비스 제공 시스템.
2. 제 1 항에 있어서,
   구매자 프로필에는 연령, 성별, 결혼 여부, 직업, 종교가 포함된 온라인 쇼핑몰 후기 데이터 기반 서비스 제공 시스템.
3. 제 1 항 또는 제 2 항에 있어서,
   후기 데이터 분석부는 구매자 그룹마다 제품별 후기 데이터 분석을 통해 특정 단어들을 확인하고, 확인된 특정 단어들의 빈도 수에 따라 복수의 핵심 속성과 우선순위를 파악하고, 핵심 속성들의 우선순위에 따라 핵심 속성별로 가중치를 부여하며, 가중치를 반영하여 핵심 속성별로 구매 감성 지수를 산출하는 온라인 쇼핑몰 후기 데이터 기반 서비스 제공 시스템.
4. 제 3 항에 있어서,
   구매자 그룹별 제품의 핵심 속성들과 핵심 속성별 구매 감성 지수를 시각적 정보로 생성하여 해당 구매자 그룹의 프로필 정보와 함께 기업 회원에게 제공하는 기업 회원 서비스부;
   를 더 포함하는 온라인 쇼핑몰 후기 데이터 기반 서비스 제공 시스템.
5. 제 4 항에 있어서,
   일반 회원 서비스부는 일반 회원으로부터 가상의 프로필 입력이 있으면 일반 회원의 프로필 대신에 그 입력된 가상 프로필과 일치하는 구매자 그룹의 구매 감성 지수를 고려하여 제품을 추천하는 온라인 쇼핑몰 후기 데이터 기반 서비스 제공 시스템.