Journal Archive

형태소란 의미의 최소 단위로, 더 이상 분해 불가능한 가장 작은 의미 단위이다. 입력 텍스트를 가장 작은 의미 단위인 형태소열로 바꾸는 작업을 형태소 분석이라고 한다. 형태소 분석은 일반적으로 “전처리-분석 후보 생성-결합제약 검사-분석 후보 선택-후처리”로 이루어진다.

전처리 단계에서는 문장부호, 숫자, 특수문자열 처리, 어절 분리 등을 진행한다. 분석 후보 생성에서는 여러 변형규칙에 따라 변형된 단어를 원형으로 복원하는 규칙을 적용한다. 결합제약 검사에서는 결합제약 규칙을 통해 잘못 분석된 결과를 배제한다. 분석 후보 선택 단계에서는 어휘사전의 정보를 반영한 최종 결과를 생성한다. 최종적으로 중의성 및 미등록어를 처리하는 후처리를 진행하여 형태소 분석을 마친다. 파이썬에는 한국어 형태소 분석을 자동으로 지원하는 여러 라이브러리를 지원한다. 본 논문에서는 꼬꼬마 한국어 형태소 분석기[8]를 이용하여 데이터의 특징을 파악하고, 이를 이용하여 모델의 임베딩 층이 잘 학습되었는지 확인하였다.

단어를 벡터로 표현하는 방법으로 희소 표현, 밀집 표현, 단어 임베딩 기법 등이 많이 사용된다. 본 절에서는 각각의 특징에 대해서 간략히 살펴본다.

먼저, 벡터 또는 행렬 값의 대부분을 0으로 표현하는 방법을 희소 표현이라고 한다. 희소 표현을 이용하여 단어를 표현하면, 고려하는 단어의 개수가 많아질수록 벡터의 차원도 비례하여 커지는 단점이 있다. 만약 표현하고자 하는 단어 말뭉치가 50,000개라면 벡터의 차원 또한 50,000개가 된다. 예를 들어, 사과라는 단어의 인덱스가 3이라면 희소 표현으로 표현된 벡터는 다음과 같다.

이때 Apple을 표현하는 벡터의 크기는 50,000이다. 희소 표현을 사용할 경우 공간 낭비가 심하다는 단점과 단어의 의미를 벡터 안에 잘 담지 못한다는 단점이 있다.

희소 표현과 반대되는 표현인 밀집 표현은 단어 집합의 크기가 벡터의 차원을 정하지 않는다. 대신 사용자가 설정한 값(일반적으로 말뭉치의 크기보다 매우 작은 값)으로 벡터 표현의 차원 수가 정해진다. 또한, 희소 표현과는 다르게 0, 1뿐만 아니라 실수 값을 가질 수 있다. 다음은 밀집 표현으로 표현된 Apple 벡터의 예이다.

단어 임베딩은 단어를 밀집하게 표현하는 방법으로, Word2Vec[7], LSA[9], FastText[10], GloVe[11] 등과 같은 방법을 많이 사용한다. 본 논문에서는 텐서플로우에서 지원하는 임베딩 레이어를 이용하여 단어를 벡터로 변환하였다. 이 방식은 테이블에서 단어에 대응되는 벡터 값을 찾는 방식으로 볼 수 있다. 초기에 임베딩 층에 해당되는 테이블이 랜덤으로 초기화되고, 학습이 진행되는 과정에서 테이블의 각 엔트리가 대응되는 단어의 의미 정보를 담고 있는 벡터로 학습된다.

본 논문에서는 공공 데이터 포털의 상품 현황 데이터를 사용하였다. 상품 현황 데이터는 각 상품의 유형, 카테고리(대), 카테고리(중), 상품명, 판매단위, 판매가격, 기업명에 대한 정보를 포함하고 있으며, 이 중 상품의 카테고리(대)와 상품명에 대한 정보만을 사용하였다. 범주별로 몇 개의 상품이 속하는지 분석하였으며, 그중 개수가 비슷한 식품, 출산/육아용품, 생활/취미용품에 속하는 상품만을 사용하였다. 먼저 상품명은 특수문자를 제거한 뒤, 꼬꼬마 한국어 형태소 분석기를 이용하여 형태소 분석을 실시하였다. 이렇게 형태소 분석을 시행한 상품명은 형태소 단위로 나뉘게 된다. 각 범주별로 어떤 형태소가 많이 사용되는지 분석하였다.

그림 1은 출산/육아용품 범주에 속하는 상품명을 형태소 단위로 나눈 다음 워드 클라우드로 표현한 것이다. 출산/육아용품 범주에는 주로 아기, 세트, 띠 등과 같은 단어가 빈번하게 출현함을 알 수 있다. 이와 같은 특징들을 이용하여 모델의 임베딩 층이 잘 학습되었는지 확인하였다. 즉, 학습이 완료된 모델에서 임베딩 층을 추출하여 아기 벡터와 유사한 벡터를 출력하여 세트, 띠, 기저귀와 같은 단어가 출력되는지 확인하였다.

Fig. 1. 
Life/hobby morphem word cloud

텐서플로우에서 지원하는 토크나이저를 이용해 각 형태소에 대해 고유한 정수를 부여하였고, 형태소 단위로 나뉜 상품명을 벡터로 만들었다. 예를 들어, ‘훈제오리 런치박스’는 “훈제”, “오리”, “런치”, “박스”로 형태소 분해되고, 이는 다시 [974, 84, 396, 68]과 같은 벡터로 변환된다. 토크나이저는 이전에 관찰하지 못한 새로운 형태소가 포함된 상품명이 입력으로 들어오면 기존 말뭉치의 형태소를 조합하여 벡터를 출력한다. 위와 같은 방법은 상품명에 한국어뿐만 아니라 영어, 숫자가 들어와도 기존에 학습된 말뭉치를 이용하여 새로운 벡터를 생성할 수 있다는 장점이 있다. 학습된 모델에 이전에 관찰하지 못한 단어가 들어있는 새로운 상품명이 모델의 입력으로 들어올 경우 새로 임베딩 층을 학습하지 않고 토크나이저가 기존 학습된 단어를 이용하여 상품명의 벡터를 만들기 때문에 아무 문제없이 새로운 상품에 대한 분류를 진행할 수 있게 된다.

모델의 입력으로 들어가는 상품명 벡터의 길이는 일정해야 한다. 따라서 패딩을 통해 벡터의 길이를 일정하게 맞춰주는 작업을 진행하였다. 그림 2는 상품명 벡터들의 길이를 히스토그램으로 나타낸 것이다.

Fig. 2. 
Histogram of lengths of product vectors

실험에 사용된 데이터의 경우 벡터 길이를 40으로 변환하였을 때 데이터의 96.44%를 온전하게 보존할 수 있었다. 따라서 본 논문에서는 모든 상품명 벡터의 길이를 40으로 고정하여 실험을 진행하였다.

본 논문에서는 모델의 입력으로 사용되는 형태소 단위로 나눈 상품명에 대해 단어 임베딩을 수행하였다. 단어 임베딩은 각 단어(형태소)를 벡터화시키는 작업을 의미한다. 특히, 사전 훈련된 단어 임베딩 모델을 사용하지 않고, 입력된 상품명이 어떤 범주에 속하는지 학습하는 과정에서 단어 임베딩 모델도 함께 학습하였다.

사전 훈련된 단어 임베딩을 사용하면 같은 단어라 할지라도 의도된 의미대로 학습이 되어있지 않은 경우가 있을 수 있기때문에, 기계학습 모델과 단어 임베딩을 함께 학습하였다.

본 논문에서 설계한 모델은 임베딩 층과 GRU, 완전 연결 계층으로 구성되어있다. GRU는 개선된 LSTM(Long Short-Term Memory) 모델이다. 3개의 게이트를 사용하는 기존 LSTM 모델을 2개의 게이트만을 사용하도록 개선했다[4][12]. 단어의 길이가 40으로 고정된 상품명 정보가 임베딩 층으로 들어가면 임베딩 층을 통해 상품명 단어(단어의 인덱스)가 200차원 벡터로 변환된다. 임베딩 층을 통해 나온 벡터는 GRU로 들어간다. GRU에서는 단어 벡터 시퀀스에 대한 정보를 학습하고, 학습된 정보를 바탕으로 새로운 벡터를 완전 연결 계층으로 전달한다. 완전 연결 계층은 출력층으로, 활성화 함수로 소프트맥스 함수를 사용하여 상품명이 세 가지 범주 중 어떤 범주에 속하는지 최종적으로 출력한다. 그림 3은 우리 모델을 도식화한 것이고 그림 4는 이를 알고리즘 형태로 기술한 것이다.

Fig. 3. 
Model configuration

Fig. 4. 
Pseudocode of the model

본 논문에서 구성한 모델은 종단 간 형태의 모델로 상품명 데이터로부터 해당 상품이 어떤 범주에 속하는지 한 번에 예측을 수행하는 모델이다.

한글과 영어, 숫자가 혼합된 상품명 혹은 길이가 긴 상품명 정보가 입력으로 주어져도 토크나이저, 단어의 길이 고정, 임베딩 층을 통해 효율적으로 상품명이 어떤 범주에 속하는지 예측할 수 있다.

모든 실험은 Intel i7-8700 CPU, 32GB RAM, RTX 2080 8GB VGA 사양의 PC에서 진행하였다. 총 4,200개의 데이터를 8:2의 비율로 학습 데이터와 검증 데이터로 나누어 실험을 진행하였다. Categorical Accuracy가 높게 나오도록 파라미터를 조정하였으며, 가장 성능이 높은 모델을 대상으로 F1-score와 ROC 커브를 이용하여 모델의 성능을 평가하였다. 또한 학습이 완료된 모델에서 임베딩 층을 추출하여 상품명의 특징이 잘 반영되도록 학습되었는지 시각화하여 확인해보았다.

상품명과 함께 학습이 진행된 단어 임베딩 계층이 학습이 잘 되었는지를 확인하기 위해 시각화를 진행하였다. 출산/육아용품에서 자주 등장하는 단어(아기)와 의미상 유사한(벡터 사이의 거리가 가까운) 단어를 텐서플로우에서 지원하는 임베딩 프로젝터[13]를 이용하여 시각화하였다.

그림 5는 학습된 단어 임베딩 모델에서 아이와 유사도가 높은 단어를 고차원 공간상에서 시각화한 결과이다. 아이와 관련된 상품에 자주 들어가는 단어인 이유식, 나무, 잡곡, 당근 등의 단어가 유사도가 높아 강조되어 표현되어 있음을 확인할 수 있다. 이를 통해, 단어 임베딩 계층이 적절하게 상품명의 특징을 반영하여 학습되었음을 알 수 있다.

Fig. 5. 
Visualization of words similar to Baby

GRU의 드랍아웃과 유닛의 개수를 변경해가며 실험을 진행하였고, 정확도가 높은 모델에 대해서 추가 실험을 진행하였다. 옵티마이저로는 RMSProp을 사용하였고, 에폭은 30으로 설정하여 실험을 진행하였다. 그림 6은 GRU의 유닛 개수와 드랍아웃의 유무에 따라 모델을 10번씩 학습시킨 후, 정확도 분포를 상자 수염 그림으로 나타낸 것이다. 표 1은 각 모델의 평균 정확도를 보여준다. 실험 결과 모든 경우 드랍아웃이 적용되었을 때 더 높은 성능을 보였으며, 그중에서도 유닛의 개수가 128개일 때 성능이 가장 높았다. 표 2는 유닛 개수를 128개로 고정하고 드랍아웃의 정도에 따라 성능을 비교한 결과이다. 드랍아웃이 0.5일 때 가장 높은 정확도를 보여준다.

Fig. 6. 
Box plot of the accuracy of our model according to GRU units & dropout

드랍아웃을 0.5로, GRU 유닛 개수를 128로 고정하여 학습된 최적화된 모델에 대해 F1-score와 ROC 커브를 이용해 모델의 성능을 측정하였다. 다음 수식은 F1-score의 수식을 나타낸다.

표 3은 기존 연구에서 제안한 모델인 ProBERT[2]의 성능과 본 논문에서 구현한 모델의 성능을 정밀도, 재현율, F1-score의 관점에서 비교한다. ProBERT는 복잡한 BERT[14] 모델을 기반으로 하며, 상품의 ID, 이름, 상품 설명, 해당 상품의 URL 등 상품에 대한 다양한 정보를 입력으로 사용한다. 본 논문에서 구현한 모델의 성능이 ProBERT에 비해 다소 떨어지긴 하지만(동일한 데이터에 대한 실험 결과가 아니기 때문에 단순 비교는 어렵지만), 입력 데이터로 상품명만을 사용하는 점과 모델의 간결함을 고려할 때 본 논문에서 제시한 모델도 충분히 상품을 잘 분류하고 있다고 볼 수 있다.

그림 7은 표 2에서 가장 정확도가 높게 나온 모델을 이용하여 ROC 커브를 그린 것이다. 식품(class 0), 출산/육아용품(class 1), 생활/취미용품(class 2) 분류에 대해 ROC 커브 아래 면적(AUC) 값이 모두 1에 근접해 있으므로 해당 모델이 각 범주별로 상품명 분류를 잘 수행하고 있음을 알 수 있다. 특히, 식품(AUC = 0.91), 생활/취미용품(AUC = 0.88), 출산/육아용품(AUC = 0.82) 순으로 분류가 잘 되고 있음을 확인할 수 있었다.

Fig. 7. 
ROC curve of our model for each category