[2019] 패션 시소러스 기반 상품 특징 분석 시스템

언어처리 팀은 자연어 처리(NLP) 기반으로 정보 검색·추출·기계 번역 등을 담당하며 검색 질의도 분석한다. '아이유의 좋은날 틀어줘'를 가수·음악·재생으로 분석하는 식이다. 그중 미국 의류몰 패션고(약 120만 건 상품)의 검색 질의를 잘 분석하기 위한 고민에서 출발했다.

최근 패션 검색이 텍스트에서 이미지 기반 비주얼 검색으로 이동하는 흐름에, 텍스트 분석의 강점으로 대응하려 했다. 포브스 발표(88%)를 인용해 구매 시 '상품의 특징'이 중요함을 짚고, '하얀색 긴팔 맨투맨'처럼 키워드 전체가 특징이 될 수 있음을 예로 든다. 패션고 메타데이터에서 특징 추출을 시도한다.

코드네임 A-TAG(attribute)는 상품 카테고리와 상품명·설명 텍스트를 입력받아 정형화된 특징 분석 결과를 내주는 시스템이다. 사전이 뜻·용례 중심인 반면 시소러스는 관련 단어를 묶는다는 점을 청바지 예시로 설명하고, 뜻보다 연관어가 필요해 패션 시소러스를 구축하기로 했다.

대량 메타데이터에서 의미 있는 데이터를 뽑는 기본으로 어절·형태소 빈도를 확인해 소매·기장·목 등 특징 단어를 얻는다. 다만 빈도만으로는 부족해 단어의 앞뒤 문맥까지 살펴 롱슬리브·라운드넥·러플 슬리브·V넥 등 특징 후보군을 만들고, 이 과정에서 문맥 사전도 함께 구축한다.

후보군을 무늬·목 형태·소매 길이·소매 모양처럼 유사 단어끼리 군집화하고, 각 군집에 패턴·슬리브 랭스·슬리브 셰입 같은 속성 태그를 부여해 의미를 입힌다. 이렇게 한 카테고리의 시소러스가 완성되며, 상위 공통 속성을 공유해 73개 카테고리 전체로 효율적으로 확장한다.

빨간 드레스 예시로 분석 흐름을 보인다. 형태소 분석 후 특징 리스트를 참고해 브이넥·퍼프 슬리브 등 복합명사로 묶고, 특징 정보 사전으로 속성을 부착한다. 이어 문맥 검사로 애매한 '롱'을 슬리브 랭스로 확정하고, 동의어 사전으로 표기를 통일해 최종 특징 결과를 산출한다.

전체의 88%(100만여 건)에서 특징을 추출한 결과를 활용하는 방안을 제시한다. 텍스트 대신 체크박스로 원하는 특징을 고르는 특징 기반 검색, 같은 특징을 가진 유사 상품 추천, 자연어로 상품을 찾는 챗봇을 데모로 시연하고, 남은 12%는 딥러닝·이미지 검색으로 고도화할 수 있다고 전망한다.