자연어 질의 기반 부동산 환경 검색 시스템 구현

Ⅰ. 서 론

인터넷이 발달함에 따라 수많은 데이터가 지속해서 생산되고 있는 현대 사회에서 디지털 플랫폼 내의 다양한 정보 중 개인에게 적합한 정보를 찾아내는 정보 검색 기능의 중요성이 더욱더 커지고 있다. 정보 검색 능력은 결국 개인이 갖는 정보의 질과 비례하며 사용자 개인의 중요한 자산이라고 볼 수 있다. 그러나 기존의 검색 방식은 대상에 대한 기본적인 배경 지식이 없는 경우 적절한 키워드나 검색 조합을 찾아내지 못해 양질의 정보를 찾기 어려운 것이 현실이다.

기존의 부동산 검색 시스템은 공통적으로 관심 지역을 기본으로 선택하고, 이후 메뉴에서 가격, 거래방식, 면적 등 단순한 속성 정보를 조합하여 매물을 검색하는 방식이다[4]. 기존 인터페이스는 속성정보가 많아질수록 각각을 선택하는 과정이 불편하며, 단순한 검색조건과 특정 지역 중심의 검색 범위, 그리고 소비자가 검색결과를 일일이 조회한 후 분석해야 하므로 상당히 번거롭다[7]. 예를 들면, 아이의 학교가 가까워 등교하기 좋고, 전세이며, 3인 가족이 살기 좋고, 부모의 출근지가 가까운 곳을 찾기 위해서는 사용자가 각각의 검색 결과를 확인 한 뒤, 반복적 검색을 수행해야 한다. 이는 비효율적일 뿐더러 해당 부동산 지역에 대한 배경지식이 충분하지 않을 경우 자신에게 적합한 매물을 누락하여 경제적 손실로 이어질 수도 있다.

본 연구에서는 이러한 기존의 1차원적인 조건 필터링 방식을 개선하기 위하여 자연어 질의 방식을 활용한 부동산 환경 검색 시스템을 제안하고자 한다. 해당 시스템에서 사용자는 대화 흐름에 따라 원하는 정보에 쉽게 접근할 수 있으며 궁극적으로 정보 검색의 질을 향상시킬 수 있다.

BERT[1]는 2018년 Google의 Devlin이 제안한 자연어 처리 딥러닝 모델이다. BERT는 사전에 학습된 대용량의 레이블링이 되지 않은 데이터를 사용하여 언어 모델을 학습하며 우수한 자연어 처리 성능을 제공한다. 그러나 BERT 기반 학습 모델은 영어에는 적합하나 데이터셋이 부족한 한국어의 경우 성능에 한계가 있다. 따라서 본 연구에서는 한국어 자연어 처리를 위한 오픈 소스 라이브러리인 KoNLPy의 형태소 분석기인 Okt를 사용하였고, 키워드 추출을 위해 KeyBERT를 사용했다[2][3]. 실험에 사용한 서울시 전월세 실거래가 데이터는 행정안전부 공공데이터포털 API를 통하여 수집하였고, 지역 환경과 교통에 대한 정보는 Kakao Map API[5]를 사용하였다.

Fig. 1.

Naver real estate service

본 논문의 2장에서 자연어 질의 관련 서비스, 자연어 처리 모델인 KeyBERT와 형태소 분석에 사용된 KoNLPy, Random Forest를 소개한다. 3장에서는 제안하는 자연어 질의 기반 실거래 정보 검색 시스템의 설계와 구현 방식을 설명하고, 4장과 5장에서 시스템 실험 결과를 기술하고, 결론을 맺는다.

Ⅱ. 관련 연구

Ⅲ. 자연어 질의에 대한 실거래 정보 검색

3.1 자연어 질의 시스템 설계

본 시스템에서 사용한 부동산 실거래 데이터 정보와 교육 시설 정보는 행정안전부 산하의 공공데이터 제공 서비스인 공공 데이터 포털[8]을 통해, 편의시설 정보는 Kakao Map API를 통해 수집하였다.

그림 2는 제안 시스템의 처리 과정이다. 자연어 질의를 사용자에게서 입력받아, 단어 토큰화 및 형태소 분석 과정을 거친다. 단어들 중 주요 키워드를 추출한 후, 이에 따라 질의 유형을 분류하며 각 질의에 적합한 검색 결과를 시각화한다.

Fig. 2.

Real estate search system

Ⅳ. 시스템 구현 및 수행 결과

본 시스템은 Pandas, Sklearn, Konlpy, Haversine 파이썬 라이브러리를 사용하여 구현하였다[10].

4.1 자연어 질의 유형

표 1은 본 시스템에서 처리 가능한 질의 유형을 정리한 것이다. 질의 유형은 크게 가격, 면적, 편의시설, 건물명으로 구성된 단순 질의 유형과 복합 질의 유형으로 구분한다.

Table 1.

Query types

4.2 거래 형태 및 가격 질의

거래 형태 및 가격 질의는 표 2와 같이 거래 형태 지정 후 가격 지정과 가격 미지정의 두 가지 유형으로 분류한다. 실행 결과는 그림 3과 같다.

Table 2.

Transaction and price query type

Fig. 3.

Transaction type and Price query result

거래 형태 및 가격 질의에서는 거래 형태와 가격지표를 질의에서 해석하여 정보를 필터링한다. ‘저렴한’, ‘싼’ 등의 키워드가 포함되었을 때 면적당 가격을 계산하여 해당 지표가 낮은 순으로 실거래 매물 정보를 계산하여 제공한다.

4.3 면적 및 편의시설 질의

표 2는 면적 및 편의시설 질의의 분류이고, 실행결과는 그림 4와 그림 5와 같다. 국토교통부의 최저주거기준을 지표로 사용했다.

Table 2.

Area and facility query type

Fig. 4

Area and tenent query result

Fig. 5

Area and tenent query result

Kakao Map API Geocoding을 통해 편의시설과 매물의 위, 경도를 얻었다. 편의시설과 매물 사이의 직선거리를 haversine 공식을 통해 계산하여 필터링했다.

$\[ \mathrm{h}\mathrm{a}\mathrm{v}\left(\theta \right)={\mathrm{s}\mathrm{i}\mathrm{n}}^2\left(\frac{\theta }{2}\right)=\frac{1-\mathrm{c}\mathrm{o}\mathrm{s}\left(\theta \right)}{2} \]$

(1)

4.4 복합 유형 질의

그림 6은 기본 유형 질의를 조합한 복합 유형 질의의 처리결과이다.

Fig. 6.

Nested query result

Ⅴ. 결론 및 향후 과제

본 연구에서는 자연어 질의를 통해 서울특별시 전월세가 실거래 정보를 사용자 친화적으로 검색할 수 있는 시스템을 구현하였다. KeyBERT 및 KoNLPy를 이용해 자연어 처리모델을 구현했고, Random Forest를 사용했다. 그러나 BERT 시스템과 편의시설과 매물의 위치에 대한 Geocoding 처리 지연이 발생하며, 시설과 매물 위치의 군집화를 통해 개선할 수 있을 것으로 예상된다. 또한, 매물의 속성정보를 이용한 2차, 3차의 복합 질의를 통해 편의성을 개선을 기대할 수 있다.

References

• J. Devlin, M. W. Chang, K. Lee, and K. Toutanova, "BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding", arXiv:1810.04805, , pp. 3-5, May 2019. [https://doi.org/10.48550/arXiv.1810.04805]
• E. L. Park and S. Cho, "KoNLPy: Korean natural language processing in Python", Proc. of the 26th Annual Conference on Human & Cognitive Language Technology, Oct. 2014.
• M. Grootendorst, "KeyBERT: Minimal keyword extraction with BERT", Zenodo, v0.3.0, 2020. [https://doi.org/10.5281/zenodo.4461265]
• Naver Real Estate, https://land.naver.com, [accessed: Aug. 25, 2022]
• Kakao Map API, https://apis.map.kakao.com/web, [accessed: Aug. 25, 2022]
• J. H. Cho, "The Development of a Real Estate Multi-Attribute Integrated Search System", JSEBS, Vol. 14, No. 3, pp. 15-37, 2009.
• J. H. Cho and M. W. Kang, "Design of a Real Estate knowledge Information System Based on Semantic Search", JKSIIS, Vol. 16, No. 2, pp. 2-5, May 2019. [https://doi.org/10.9723/jksiis.2011.16.2.111]
• Korea MOIS Data Portal, https://www.data.go.kr/data/15052420/fileData.do, [accessed: May 09, 2022]
• S. J. Yu, "SA Study on Recommendation Method for Real Estate Using Naive Bayes Classification", JKIIT, Vol. 17, No. 10, pp. 115-120, Oct. 2019. [https://doi.org/10.14801/jkiit.2019.17.10.115]
• Bird Steven, Edward Loper, and Ewan Klein, "Natural Language Processing with Python", O’Reilly Media Inc, 2009.
• H. L. Park, S. J. Jo, H. B, Han, and S. J. Yu, "Text Mining-based Sentiment Analysis of Newly-Coined Words and Implementation of SMU Sentimental Dictionary", JKIIT, Vol. 20, No. 2, pp. 21-28, Feb. 2022. [https://doi.org/10.14801/jkiit.2022.20.2.21]