PE Notes · 경영
오피니언 마이닝(Opinion Mining)
리뷰·SNS·뉴스 댓글 등 비정형 텍스트에서 사람들의 의견·감정·태도(긍정·부정·중립)와 그 대상을 자동으로 추출·분류하는 텍스트 마이닝 기법
리뷰·SNS·뉴스 댓글 등 비정형 텍스트에서 사람들의 의견·감정·태도(긍정·부정·중립)와 그 대상을 자동으로 추출·분류하는 텍스트 마이닝 기법. 감성 분석(Sentiment Analysis)과 거의 같은 의미로 쓰이며, 자연어 처리(NLP)·기계학습을 결합.
구조와 칸
비정형 데이터 정형화: 텍스트 → 감성 점수·범주. 주관성 분석: 사실(객관) 문장과 의견(주관) 문장을 구분. 도메인 의존성: "작다"는 휴대폰에선 긍정, 숙소 방 크기에선 부정. 언어 특성 의존: 한국어는 ·신조어·띄어쓰기 오류 처리 중요
| 단계 | 내용 |
|---|---|
| ① 데이터 수집 | 크롤링·API로 리뷰·SNS·댓글 수집 |
| ② 전처리 | 정제(HTML·특수문자 제거), 형태소 분석·토큰화, 불용어 제거, 맞춤법·신조어 처리 |
| ③ 주관성 분류 | 의견 문장과 사실 문장 구분 |
| ④ 특징 추출 | 매칭, TF-IDF, 단어 임베딩(Word2Vec), 문맥 임베딩(BERT) |
| ⑤ 감성 분류 | 긍정·부정·중립(또는 점수·감정 범주) 판정 |
| ⑥ 요약·시각화 | 속성별 감성 분포, 추이 그래프, 워드클라우드 |
실무 가치는 속성 수준 분석이 가장 큼 — 무엇이 좋고 무엇이 나쁜지 구체적으로 파악. 반어·풍자: "참 잘~했네요" (표면 긍정, 실제 부정). 부정어·강조어: "나쁘지 않다", "정말 별로". 비교 의견: "A보다 B가 낫다" → 대상별 감성 분리 필요
비교와 현장
| 수준 | 단위 | 예 |
|---|---|---|
| 문서 수준 | 리뷰 전체의 감성 | "이 리뷰는 긍정" |
| 문장 수준 | 문장별 감성 | "배송은 빨랐다(긍정). 포장이 엉망이다(부정)." |
| 속성(Aspect) 수준(ABSA) | 대상의 세부 속성별 감성 | 호텔: 위치(긍정)·청결(부정)·가격(중립) |
| 기법 | 원리 | 장점 | 한계 |
|---|---|---|---|
| 사전 기반(Lexicon) | 감성 사전(긍정·부정 단어와 점수)으로 점수 합산 | 학습 데이터 불필요, 해석 쉬움 | 문맥·반어·도메인 차이 반영 어려움 |
| 기계학습 | 라벨링된 데이터로 Naive Bayes·SVM·로지스틱 회귀 학습 | 도메인 맞춤 정확도 | 라벨링 비용 |
| 딥러닝 | CNN·LSTM·BERT 등으로 문맥 학습 | 문맥·부정어 처리 우수 | 데이터·연산 자원 필요 |
| LLM 기반 | 프롬프트로 제로샷·퓨샷 감성·속성 추출 | 라벨 없이 빠른 적용, 이유 설명 | 비용·일관성·환각 |
| 하이브리드 | 사전 + 학습 모델 결합 | 균형 | 설계 복잡 |
마케팅·브랜드 모니터링: 신제품 출시 후 SNS 반응 실시간 추적, 위기 조기 감지. 제품 개선: 속성별 불만(배터리·디자인) 도출 → 개발 우선순위 반영. 고객 서비스(VOC): 상담·민원 자동 분류·긴급도 판단.
답안은 오피니언 마이닝(Opinion Mining)의 정의, 칸, 비교 축을 한 장에 닫습니다.
기술사 답안 포인트
관련 용어
관련 토픽
경영
연관 규칙 분석
장바구니에서 항목 동시 발생을 지지도·신뢰도·향상도로 재고, Apriori와 FP-Growth를 가른 뒤 과잉 규칙·인과 혼동과 협업필터 추천을 비교합니다.
경영
프로세스 마이닝
이벤트 로그에서 실제 업무를 발견·적합·성과 분석하는 프로세스 마이닝, 데이터 마이닝과의 차이, 추출·알고리즘·공공·제조 적용을 정리합니다.
AI
데이터마이닝 — K-means, DBSCAN, SVM, LSTM·GRU
비지도 군집(K-means·DBSCAN)과 지도 분류·순차모델(SVM·LSTM·GRU)을 같은 장에서 나누고, 과업과 데이터 형에 맞춰 고르는 기준을 정리합니다.