퍼지 로직 기반 의견 마이닝을 통한 엔터티 순위 매기기

초록

본 논문은 의견 문장에서 세부 속성을 추출하고, 퍼지 로직을 이용해 긍정·부정·중립을 정량화한 뒤, 이러한 정량적 점수를 기반으로 엔터티를 순위화하는 새로운 프레임워크를 제안한다. 기존 연구가 전체 문서 수준의 감성 분석에 머물렀던 반면, 본 방법은 속성‑감성 쌍을 미세하게 구분하고, 퍼지 규칙을 통해 모호한 감성 표현을 효과적으로 처리한다. 실험 결과, 제안된 알고리즘이 기존 베이스라인 대비 속성 수준 정확도와 엔터티 순위 일관성에서 우수함을 확인하였다.

상세 요약

이 논문은 의견 마이닝 분야에서 아직 충분히 탐구되지 않은 ‘속성‑감성 세분화 후 엔터티 순위 매기기’라는 문제를 정의하고, 이를 해결하기 위한 퍼지 로직 기반 알고리즘을 설계하였다. 먼저, 입력된 평가 문장을 형태소 분석과 의존 구문 분석을 통해 명사형 엔터티와 그에 수반되는 속성(예: 가격, 품질, 서비스)들을 추출한다. 이어서 감성 사전과 문맥 기반 가중치를 결합해 각 속성에 대한 감성 점수를 초기화한다. 여기서 핵심은 퍼지 집합을 이용해 ‘긍정’, ‘부정’, ‘중립’이라는 이산적 라벨을 연속적인 퍼지 멤버십 값(예: μ긍정=0.73, μ부정=0.12)으로 변환하는 단계이다. 논문은 5개의 퍼지 규칙(예: “속성 A가 높고, 감성 B가 중립이면 μ긍정=0.6”)을 정의하고, Mamdani 추론 방식을 적용해 각 속성‑감성 쌍의 최종 점수를 산출한다.

다음으로, 엔터티 별로 속성‑감성 점수를 가중 평균하여 엔터티의 종합 감성 점수를 계산한다. 가중치는 속성의 중요도와 사용자 정의 파라미터(예: 최신 리뷰 가중치)로 조정 가능하도록 설계되었다. 최종 순위는 이 종합 점수를 내림차순으로 정렬함으로써 도출된다.

실험 설계에서는 Amazon 제품 리뷰와 Yelp 레스토랑 리뷰 두 개의 공개 데이터셋을 사용했으며, 베이스라인으로는 전통적인 TF‑IDF 기반 감성 분석, LSTM 기반 문장 수준 감성 분류, 그리고 SentiWordNet 기반 점수 합산 방식을 채택하였다. 평가 지표는 속성‑감성 추출 정확도(F1-score), 엔터티 순위 일관성(NDCG) 및 사용자 설문을 통한 주관적 만족도이다. 결과는 퍼지 로직 모델이 속성 수준 F1-score에서 812%p 향상을 보였고, NDCG에서도 0.070.12의 절대적 개선을 기록하였다. 특히, 모호하거나 이중 부정 표현(예: “별로 안 나쁘다”)을 처리할 때 퍼지 멤버십이 전통적인 이진 분류보다 유연하게 작동함을 확인하였다.

논문의 한계점으로는 퍼지 규칙과 멤버십 함수 설계에 전문가 주관이 크게 반영되었다는 점, 그리고 대규모 실시간 스트리밍 데이터에 대한 효율성 검증이 부족하다는 점을 언급한다. 향후 연구에서는 자동 규칙 학습을 위한 강화학습 기법과, 분산 처리 프레임워크 위에서의 퍼지 추론 최적화를 제안한다.