텍스트마이닝을 활용한 산업분석 방법론에 관한 연구: 문장 분류를 이용한 PEST와 긍부정 분석
A Study on Industry Information Analysis Methodology Based on Text Mining: PEST and Polarity Analysis Using Sentence Classification
1
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
오늘날의 기업들은 날로 치열해 지는 산업 내 경쟁 속에서의 생존을 위해 끊임없이 자기가 속한 산업의 변화와 동향을 파악하고 이를 자사의 정책이나 제품개발에 주기적으로 반영하면서 생존해야 하는 환경하에 있다. 이를 위해 주기적으로 수행해야 할 업무 중 하나가 산업정보의 분석이다. 대다수의 기업들은 많은 시간, 인력을 투입하거나 혹은 적지 않은 비용을 들여 외부 전문 분석기관의 도움을 받는 형태로 산업분석 정보를 획득하고 있다. 하지만 이러한 기존의 방식이 다소 휴리스틱하고 정성적인 접근법임으로 인해 분석결과의 품질이 매번 다르다는 점, 엄청난 양의 산업관련정보가 실시간으로 온라인에서 생산되고 있고 이들 정보를 최대한 분석에 반영할 경우 보다 높은 품질의 분석결과를 기대할 수 있음을 감안할 때 기존과는 다른 새로운 방식의 분석 기법 도입이 요구된다. 이에 본 연구에서는 대용량의 원천 데이터로부터 산업분석에 포함될 수 있는 정보를 추출하고 이를 산업분석 프레임워크의 각 카테고리별로 자동 분류해주는 텍스트마이닝 방법론을 제안한다. 기계학습 기반의 문장 분류기를 구축하여 보편적으로 활용되는 산업분석 프레임워크의 지표별로 분류될 수 있는 정보를 문장 형태로 수집하게 하였다. 제안한 시스템을 이용하여 PEST와 긍부정 분석을 수행하였으며, 실험을 통해 제안된 시스템의 분류 정확도를 평가하였다.
Abstract
Today’s companies are in an environment where they have to survive in ever-increasing competition in the industry, by constantly identifying changes and trends in their industries and by periodically reflecting them in their policies and product development. For this purpose, one of the tasks that should be carried out is the analysis of industrial information. Most companies acquire industry analytical information at the cost of a large amount of time, manpower or, with the help of external professional analysts. However, since this conventional method is a somewhat heuristic and qualitative approach. The quality of these analysis results are different each time. A huge amount of industry related information is produced online in real time and when the information is reflected in the analysis as much as possible, it is required to introduce a new analytical method. In this paper, we propose a text mining methodology that extracts information from large amount of source data and automatically classifies it into each category of industry analysis framework. By constructing a sentence classifier using feature selection technique based on machine learning method, information that can be classified by indicators of universally used industry analysis framework is collected in sentence form. We performed PEST and polarity analysis by using our system and evaluated the classification accuracy of the proposed system through experiments.
참고문헌 (16)
- J. Morgan, "Participatory pest analysis", PLA notes, pp.84~86 (1997)
- T. Hill, "SWOT analysis:it’s time for a product recall", Long range planning, 30(1), pp.46~52 (1996)
- M. E. Porter, "The five competitive forces that shape strategy", Harvard Business Review (2008)
- Y. Dai, "MinEDec: a Decision-support model that combines text-mining technologies with two competitive intelligence analysis methods", International Journal of Computer Information Systems and Industrial Management Applications, 3, pp.165~173 (2011)
- N. Ur-Rahman, "Textual data mining for industrial knowledge management and text classification: A business oriented approach", Expert Systems with Applications, 39(5), pp.4729~4739 (2012)
- M. Samejima, "SWOT analysis support tool for verification of business strategy", 2006 IEEE International Conference on Computational Cybernetics, pp.1~4 (2006)
- D. Liu, "Mining the change of event trends for decision support in environment scanning", Expert Systems with Applications, 36(2), pp.972~984 (2009)
- B. Pang, "Thumbs up?: Sentiment classification using machine learning techniques", Proceedings of the ACL-02 Conference on Empirical Methods in Natural Language Processing, pp.79~86 (2002)
- D. Buscaldi, "Verb sense disambiguation using support vector machines: Impact of wordNet-extracted features", CICLing, pp.192~195 (2006)
- O. Amayri, "A study of spam filtering using support vector machines", Artificial Intelligence Review, 34(1), pp.73~108 (2010)
- B-J. Yi, "The effects of feature optimization on high-dimensional essay data", Mathematical Problems in Engineering (2015)
- L. Barbosa, "Robust sentiment detection on twitter from biased and noisy data", Proceedings of the 23rd International Conference on Computational Linguistics, pp.36~44 (2010)
- T. Wilson, "Recognizing contextual polarity in Phrase-level sentiment analysis", Proceedings of the Conference on Human Language Technology and Empirical Methods in Natural Language Processing, pp.347~354 (2005)
- S. Stigler, "The history of statistics: the measurement of uncertainly before 1900" (1990), Belknap Press of Harvard University Press
- F. Yates, "Contingency table involving small numbers and the chi-square test", Supplement of the Journal of Royal Statistical Society, 1(2), pp.217~235 (1934)
- D-G. Lee, "Probabilistic modeling of Korean morphology", IEEE Transactions on Audio, Speech, and Language Processing, 17(5), pp.945~955 (2009)