Earticle

온라인 사용자들이 소셜 미디어상에 올린 온라인 리뷰 속 숨겨진 감정을 분석하는 감성분석은 소셜미디어의 확산에 힘입어 많은 관심을 받고 있다. 본 연구는 기존 연구들과 차별화된 방법으로 감성분석을 시도하기 위하여 베이지안 네트워크에 기반한 감성 분석 모델을 제안한다. 모델에는 MBFS (Markov Blanket-based Feature Selection)가 속성 선택 기법으로 사용된다. MBFS의 성과를 실증적으로 증명하기 위하여 소셜미디어인 Yelp의 리뷰 데이터를 활용하였다. 벤치마킹 속성 선택 기법으로는 상관관계기반 속성 선택, 정보획득 속성 선택, 획득비율 속성 선택을 사용하였다. 한편, 해당 속성선택 방법을 토대로 4개의 머신러닝 알고리즘을 이용하여 분류성과를 비교하였다. 나아가 MBFS로 선택된 속성들 간 인과관계를 확인하고자 베이지안 네트워크를 통해 What-if 분석을 실시하였다. 본 연구에서 택한 머신러닝 분류기는 베이지안 네트워크 기반의 TAN (Tree Augmented Naïve Bayes), NB (Naïve Bayes), S-Spouses(Sons & Spouses), A-markov (Augmented Markov Blanket)이다. 성과분석 결과 본 연구에서 제안한 MBFS 방법이 정확도, 정밀도, F1점수 측면에서 벤치마킹 방법보다 더 우수한 성과를 나타내었다.

Social media-based communication has become crucial part of our personal and official lives. Therefore, it is no surprise that social media sentiment analysis has emerged an important way of detecting potential customers’ sentiment trends for all kinds of companies. However, social media sentiment analysis suffers from huge number of sentiment features obtained in the process of conducting the sentiment analysis. In this sense, this study proposes a novel method by using Bayesian Network. In this model MBFS (Markov Blanket-based Feature Selection) is used to reduce the number of sentiment features. To show the validity of our proposed model, we utilized online review data from Yelp, a famous social media about restaurant, bars, beauty salons evaluation and recommendation. We used a number of benchmarking feature selection methods like correlation-based feature selection, information gain, and gain ratio. A number of machine learning classifiers were also used for our validation tasks, like TAN, NBN, Sons & Spouses BN (Bayesian Network), Augmented Markov Blanket. Furthermore, we conducted Bayesian Network-based what-if analysis to see how the knowledge map between target node and related explanatory nodes could yield meaningful glimpse into what is going on in sentiments underlying the target dataset.

신약을 개발하는 한 가지 방법의 하나인 신약 재창출(Drug Repositioning)은 이미 사람들에게 사용할 수 있도록 승인된 약물들이 다른 용도로 사용되도록 하여 새로운 적응증을 발견하는 유용한 방법이다. 최근에는 머신러닝 기술의 발달로 방대한 생물학적 정보를 분석하여 신약 개발에 활용하는 경우가 증가하고 있다. 신약 재창출에 머신러닝 기술을 활용하면 효과적인 치료법을 신속하게 찾아내는 데 도움을 줄 것이다. 현재 심각한 급성 호흡기 증후군인 코로나바이러스(COVID-19)에 의한 신종 질병으로 전 세계가 힘든 시간을 보내고 있다. 이미 임상적으로 승인된 약물의 용도를 변경하는 신약 재창출은 COVID-19 환자를 치료하기 위한 치료제의 대안이 될 수 있다. 본 연구는 머신러닝 기법을 활용하여 신약 재창출 분야에 대한 연구 동향을 살펴보고자 한다. Pub Med에서 웹 스크래핑 기법을 사용하여 ‘Drug Repositioning’이라는 키워드로 총 4,821건의 논문을 수집하였다. 데이터 전처리 후, 4,419건의 논문을 대상으로 빈도분석, LDA 기반 토픽모델링, Random Forest 분류 분석 및 예측 성능평가를 수행하였다. Word2vec 모델을 기반으로 연관어를 분석하였고, PCA 차원 축소 후 K-Means 군집화하여 레이블을 생성한 후, t-SNE 알고리즘을 이용하여 논문이 형성하고 있는 그룹을 시각화하고, LDA 결과에 계층적 군집화를 적용하여 히트맵으로 시각화하였다. 본 연구는 신약 재창출과 관련된 연구 주제가 무엇인지를 파악하고, 머신러닝 알고리즘을 사용하여 대량의 문헌에서 의미 있는 주제를 도출하고 시각화하는 방법을 제시하였다. 향후 신약 재창출 분야의 연구나 개발 전략을 수립하기 위한 기초자료로 활용되는 데 도움을 줄 것이라고 기대한다.

Drug repositioning, one of the methods of developing new drugs, is a useful way to discover new indications by allowing drugs that have already been approved for use in people to be used for other purposes. Recently, with the development of machine learning technology, the case of analyzing vast amounts of biological information and using it to develop new drugs is increasing. The use of machine learning technology to drug repositioning will help quickly find effective treatments. Currently, the world is having a difficult time due to a new disease caused by coronavirus (COVID-19), a severe acute respiratory syndrome. Drug repositioning that repurposes drugsthat have already been clinically approved could be an alternative to therapeutics to treat COVID-19 patients. This study intends to examine research trends in the field of drug repositioning using machine learning techniques. In Pub Med, a total of 4,821 papers were collected with the keyword ‘Drug Repositioning’using the web scraping technique. After data preprocessing, frequency analysis, LDA-based topic modeling, random forest classification analysis, and prediction performance evaluation were performed on 4,419 papers. Associated words were analyzed based on the Word2vec model, and after reducing the PCA dimension, K-Means clustered to generate labels, and then the structured organization of the literature was visualized using the t-SNE algorithm. Hierarchical clustering was applied to the LDA results and visualized as a heat map. This study identified the research topics related to drug repositioning, and presented a method to derive and visualize meaningful topics from a large amount of literature using a machine learning algorithm. It is expected that it will help to be used as basic data for establishing research or development strategies in the field of drug repositioning in the future.

본 연구에서는 범주 불균형 문제가 내재된 기업부도 예측 AdaBoost 앙상블 모형의 성과를 개선하기 위하여 GMOPTBoost 알고리즘을 제안한다. AdaBoost 알고리즘은 오분류 표본에 대하여 강건한 학습기회를 제공한다는 장점이 있지만, 산술평균 정확도에 기반하기 때문에 범주 불균형 문제를 효과적으로 해결하지 못한다는 한계점이 존재한다. GMOPTBoost는 가우시안 경사하강법(Gaussian gradient descent)을 적용하여 기하평균 정확도를 최적화하고 범주 불균형 문제를 효과적으로 해결할 수 있다는 장점이 있다. 본 연구에서는 첫째, 범주 불균형 문제가 예측 모형의 성과에 미치는 효과와 GMOPTBoost의 성과 개선 효과를 검증하기 위하여 5개의 범주 불균형 데이터를 구성하였으며, 둘째, 범주 균형 데이터에 대한 GMOPTBoost의 성과 개선 효과를 검증하기 위하여 데이터 샘플링 기법을 통하여 구성된 균형 데이터를 구성하였다. 30회의 교차타당성 분석의 주요 결과는 다음과 같다. 첫째, 범주 불균형 문제는 예측 성과에 부정적인 영향을 미친다. 둘째, GMOPTBoost는 불균형 데이터에 적용된 AdaBoost의 성과를 유의적으로 개선시키는 긍정적인 효과를 제공한다. 셋째, 데이터 샘플링 기법은 성과 개선에 긍정적인 영향을 미친다. 마지막으로 데이터 샘플링 기법을 적용한 범주 균형 데이터에서도 GMOPTBoost는 유의적인 성과 개선에 기여한다.

This paper proposes the GMOPTBoost algorithm to improve the performance of the AdaBoost algorithm for bankruptcy prediction in which class imbalance problem is inherent. AdaBoost algorithm has the advantage of providing a robust learning opportunity for misclassified samples. However, there is a limitation in addressing class imbalance problem because the concept of arithmetic mean accuracy is embedded in AdaBoost algorithm. GMOPTBoost can optimize the geometric mean accuracy and effectively solve the category imbalance problem by applying Gaussian gradient descent. The samples are constructed according to the following two phases. First, five class imbalance datasets are constructed to verify the effect of the class imbalance problem on the performance of the prediction model and the performance improvement effect of GMOPTBoost. Second, class balanced data are constituted through data sampling techniques to verify the performance improvement effect of GMOPTBoost. The main results of 30 times of cross-validation analyzes are as follows. First, the class imbalance problem degrades the performance of ensembles. Second, GMOPTBoost contributes to performance improvements of AdaBoost ensembles trained on imbalanced datasets. Third, Data sampling techniques have a positive impact on performance improvement. Finally, GMOPTBoost contributes to significant performance improvement of AdaBoost ensembles trained on balanced datasets.

OTT(Over-the-top Media) 서비스는 근래 동영상 콘텐츠를 소비하는 새로운 수단이 되었다. OTT 시장이 성장하며 사업자들 간의 경쟁이 치열해졌지만, 사용자의 지속적인 OTT 서비스 구독 요인을 발굴하고 이론적 모델에 적용한 체계적 연구는 부족한 실정이다. 본 연구에서는 발달적 순차 혼합 연구 방법을 통해 질적 요인을 발굴한 후, 그것이 구독 후 경험 및 지속적 구독 의도에 미치는 영향을 본다. 질적 요인을 찾는 단계에서는 OTT 사용자의 구독 지속 의도에 중요하게 영향을 미치는 6개의 요인을 도출하였다. 이를 바탕으로 OTT의 질적 요인 3가지를 ISSM(정보시스템성공모델, Information Systems Success Model)에 적용하여 가설 및 연구 모델을 수립하였다. 연구 모델의 검증을 위해서 한국의 OTT 사용자 226명을 대상으로 서베이를 실시하였으며, 데이터는 구조방정식 모델링(SEM)을 사용하여 분석했다. 분석 결과 콘텐츠의 질이 인지된 즐거움 및 만족에 영향을 미치는 핵심 요인임을 발견했다. 서비스의 질은 인지된 즐거움에 영향을 미쳤으며, 인지된 즐거움은 지속적 사용 의도에 순차적으로 영향을 미쳤다. 시스템의 질은 만족에 직접적 영향을 미쳤다. 본 연구는 질적 연구를 통해 도출한 사용자의 경험 관련 요인을 ISSM에 응용해, OTT라는 정보시스템의 이해를 풍부하게 하는 시사점을 가진다. 이러한 시사점을 OTT 사용자의 경험 및 지속적 구독 의도 향상을 위해 사업자들이 활용할 수 있으리라 기대한다.

Since over-the-top (OTT) service has emerged as a new way of consuming video contents, OTT markets grow exponentially and the competition among the OTT services becomes intense. Only limited systematic research effort has been paid to understand why users subscribe such OTT services among other services. Therefore, we used developmental sequential mixed methods approach to find out the quality factors and their effect on post-subscription experiences and continuance intention. In the qualitative study, we derived six factors which a user considers important to continue the subscription. Based on the explored factors, we hypothesized a research model with modified three qualities from ISSM. The proposed research model was validated through quantitative research, a survey of 226 OTT service users in South Korea, using structural equation modeling. The results indicated that content quality is the key factor affecting both perceived enjoyment and satisfaction whereas system quality affects satisfaction, and service quality only affects enjoyment. Enjoyment affects satisfaction which sequentially affects continuance usage intention. This study contributes to research by modifying ISSM through mixed methods. It also provides OTT service providers with insight to enhance users’ post experience and continuance intention to use the service through qualities derived from the interview.

본 연구는 소셜 미디어 플랫폼 회원들의 중국 위챗 정보 공유 의도을 평가하기 위한 모델을 제안한다. 이 데이터는 중국 위챗 사용자들로부터 나왔으며, 150명의 위챗 사용자들이 이 조사에 참여했다. 이 연구의 결과는 정보 공유 의도가 태도, 주관적 규범, 인지된 행동 제어에 의해 직접적으로 영향을 받는 반면, 평판과 호혜적관계는 태도와 긍정적인 관련이 있으며, 인상은 정보 공유에 대한 인지된 행동 제어에 긍정적인 관련이 있다는 것을 보여준다.

This study proposes a model for evaluating social media platform members’ information-sharing intention toward WeChat moments. The data comes from Chinese WeChat users, and 150 WeChat users participated in this survey. The results of this study reveal that information-sharing intention is influenced directly by attitude, subjective norms, and perceived behavioral control, whereas reputation and friendship-reciprocity are positively related attitude; the impression is positively related to perceived behavioral control on information sharing.

신용리스크 관리에 해당하는 부도예측모형은 기업에 대한 신용평가라고도 볼 수 있으며 은행을 비롯한 금융기관의 신용평가모형의 기본 지식기반으로 새로운 인공지능 기술을 접목할 수 있는 유망한 분야로 손꼽히고 있다. 고도화된 모형의 실제 응용은 사용자의 수용도가 중요하나 부도예측모형의 경우, 금융전문가 혹은 고객에게 모형의 결과에 대한 설명이 요구되는 분야로 설명력이 없는 모형은 실제로 도입되고 사용자들에게 수용되기에는 어려움이 있다. 결국 모형의 결과에 대한 설명은 모형의 사용자에게 제공되는 것으로 사용자가 납득할 수 있는 설명을 제공하는 것이 모형에 대한 신뢰와 수용을 증진시킬 수 있다. 본 연구에서는 머신러닝 기반 모형에 설명력을 제고하는 방안으로 설명대상 인스턴스에 대하여 로컬영역에서의 설명을 제공하고자 한다. 이를 위해 설명대상의 로컬영역에 유전알고리즘(GA)을 이용하여 가상의 데이터포인트들을 생성한 후, 로컬 대리모델(surrogate model)로 연관규칙 알고리즘을 이용하여 설명대상에 대한 규칙기반 설명(rule-based explanation)을 생성한다. 해석 가능한 로컬 모델의 활용으로 설명을 제공하는 기존의 방법에서 더 나아가 본 연구는 부도예측 모형에 이용된 재무변수의 특성을 반영하여 연관규칙으로 도출된 설명에 도메인 지식을 통합한다. 이를 통해 사용자에게 제공되는 규칙의 현실적 가능성(feasibility)을 확보하고 제공되는 설명의 이해와 수용을 제고하고자 한다. 본 연구에서는 대표적인 블랙박스 모형인 인공신경망 기반 부도예측모형을 기반으로 최신의 규칙기반 설명 방법인 Anchor와 비교하였다. 제안하는 방법은 인공신경망 뿐만 아니라 다른 머신러닝 모형에도 적용 가능한 방법(model-agonistic method)이다.

Thanks to the remarkable success of Artificial Intelligence (A.I.) techniques, a new possibility for its application on the real-world problem has begun. One of the prominent applications is the bankruptcy prediction model as it is often used as a basic knowledge base for credit scoring models in the financial industry. As a result, there has been extensive research on how to improve the prediction accuracy of the model. However, despite its impressive performance, it is difficult to implement machine learning (ML)-based models due to its intrinsic trait of obscurity, especially when the field requires or values an explanation about the result obtained by the model. The financial domain is one of the areas where explanation matters to stakeholders such as domain experts and customers. In this paper, we propose a novel approach to incorporate financial domain knowledge into local rule generation to provide explanations for the bankruptcy prediction model at instance level. The result shows the proposed method successfully selects and classifies the extracted rules based on the feasibility and information they convey to the users.

정보 통신 기술과 함께 급격하게 발전한 플랫폼은 그 혁신성에서 전통 산업과 많은 차이를 보여 주고 있다. 기술 수용 모델을 기반으로 플랫폼의 수용을 촉진하거나, 혁신성에 저항하는 요인을 개별적 으로 연구하던 선행 연구를 보완하기 위해, 본 연구는 듀얼 팩터 이론을 적용하여 촉진과 억제 요인이 소비자의 저항에 동시에 미치는 영향을 살펴보았다. 연구 대상으로 타 플랫폼과 차별적 특성을 보이는 온라인 중고 거래 플랫폼의 구매자를 선정했으며, 선행 연구를 기반으로 이들의 과거 구매 횟수가 플랫폼의 저항과 사용 의도의 관계에 미치는 조절 효과를 같이 살펴보았다. 연구 결과, 촉진 요인인 경제적 이익은 저항에 부(-)의 유의한 영향을 미쳤으나, 사회적 영향은 영향을 미치지 못했다. 억제 요인의 경우, 인지된 복잡성과 인지된 위험이 모두 저항에 정(+)의 유의한 영향을 미쳤다. 저항은 사용 의도에 부(-)의 유의한 영향을 미쳤으나, 사용자들의 구매 횟수가 늘어날수록 그 영향력은 정(+)의 방향으로 조절되었다. 마지막으로 저항은 선행요인(경제적 이익과 인지된 복잡성)과 사용 의도 사이에서 매개 효과를 가졌다.

Platform contrasts with traditional industry in terms of innovativeness as it is rapidly developing with information technology. To redeem preceding researches which have separately focused on either platform acceptance based on technology acceptance model or resistance factors against platform’s innovation, this study applied dual factor theory to check the simultaneous influence of enablers and inhibitors on resistance. This study chose purchasers of online used trading platform as a subject of study since it contrasts with other platforms in many characteristics. Based on preceding studies, the moderating effects of their past purchase numbers on the relations between resistance and use intention were also checked. The findings reveal that economic benefit as an enabler had significant negative influence on the resistance, but social influence didn’t have expected influence. In case of inhibitors, both perceived complexity and perceived risk had significant positive influence on the resistance. Though resistance had significant negative influence on the use intention, its influence was moderated into the positive direction as users’ purchase number increased. Lastly, resistance had mediation effect between antecedent factors (economic benefit and perceived complexity) and use intention.

항공산업의 경쟁이 치열해짐에 따라 효과적인 항공사 서비스 품질 측정은 주요 과제 중 하나가 되었다. 특히 빅데이터 어낼리틱스가 새로운 연구 패러다임으로 각광받게 됨에 따라 소비자가 직접 작성한 온라인 리뷰 분석을 통한 항공사 서비스 품질 측정 연구들이 새롭게 시도되고 있다. 그러나 이러한 연구들은 리뷰 제목을 분석에 활용하지 않았다는 점, 학습 데이터 셋 구축을 위한 레이블링 (labeling)에 있어 사람의 개입이 많이 요구되는 지도 학습(supervised learning)에 의존한다는 점, 서비스 품질 차원 분류에 있어 항공사 특성을 고려하지 못한다는 점 등이 문제로 지적되고 있다. 기존 연구의 한계를 극복하기 위해 본 연구에서는 제목과 본문을 포함한 온라인 리뷰 전체를 자가학습(self-training)과 감성 분석을 활용해 AIRQUAL 서비스 품질 차원으로 분류함으로써 객관적이고 정교한 서비스 품질 측정을 시도하였으며 이를 기반으로 서비스 품질 차원이 서비스 만족도에 미치는 영향을 파악하였다. 분석 결과 온라인 리뷰로부터 AIRQUAL의 다섯 가지 서비스 품질 차원을 효과적으로 추출할 수 있었으며 각 서비스 품질 차원은 모두 서비스 만족도에 유의한 영향을 미치는 것으로 나타났다. 나아가 리뷰 제목이 서비스 만족도에 미치는 영향 또한 유의한 것으로 파악되었다. 본 연구는 항공산업의 특성을 반영한 서비스 품질 차원 측정 및 이의 효과에 대한 분석이라는 측면에서 학문 및 실무적 의의가 있다.

As competition in the airline industry intensifies, effective airline service quality evaluation has become one of the main challenges. In particular, as big data analytics has been touted as a new research paradigm, new research on service quality measurement using online review analysis has been attempted. However, these studies do not use review titles for analysis, relyon supervised learning that requires a lot of human intervention in learning, and do not consider airline characteristics in classifying service quality dimensions.To overcome the limitations of existing studies, this study attempts to measure airlines service quality and to classify it into the AIRQUAL service quality dimension using online review text as well as title based on self-trainingand sentiment analysis. The results show the way of effective extracting service quality dimensions of AIRQUAL from online reviews, and find that each service quality dimension have a significant effect on service satisfaction. Furthermore, the effect of review title on service satisfaction is also found to be significant. This study sheds new light on service quality measurement in airline industry by using an advanced analytical approach to analyze effects of service quality on customer satisfaction. This study also helps managers who want to improve customer satisfaction by providing high quality service in airline industry.