http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
오상헌,이순석,박평식,정호근,이상덕 한국국제농업개발학회 2003 韓國國際農業開發學會誌 Vol.15 No.2
본 분석은 최근 고품질 농산물에 대한 소비자의 관심이 높아가고 있음을 착안하여 서울지역 주부를 대상으로 완전미에 대한 소비자 지불가치를 추정하였다. 가치추정 방법은 다중범위 이산선택 기법을 사용하였으며, 구매유형별 소비자 선호요인을 분석하였다. 또한 추정된 평균값을 근거로 서울지역에서 판매가능한 완전미의 총 소비자 지불가치를 추정하였다. 분석결과를 요약하면 다음과 같다. 1. 완전미에 대한 소비자 선호분석 결과 “구입할 것” 형에서 통계적 유의성을 가지는 변수는 월소득, 교육수준 및 주거형태로 나타나 월소득이 높을수록, 교육수준이 높을수록, 아파트에 거주할수록 완전미 구입의향이 높게 나타났다. “반반이다” 형에서는 주거형태(HOU)가 1% 유의수준에서, 주부의 가구당 월소득(INC), 교육수준(EDU) 및 가구원수(FAM)가 각각 5% 유의수준에서 통계적 유의성이 있는 것으로 분석되었다. 2. 완전미에 대한 소비자의 구매 유형별 평균 지불의사 금액은 일반 쌀보다 최소 1.13배에서 최대 1.55배까지 비싸더라도 구입의사가 있는 것으로 분석되었다. 3. 조사대상 지역인 서울에서 완전미가 전면적으로 판매될 경우 추정 가능한 소비자 지불가치의 총액은 가장 적극적인 구매의향을 나타내는 “반드시 구입” 형은 2.154십억 원, “반반이다” 형은 2.955십억 원으로 추정되었다. 위와 같은 분석 결과는 일반 쌀보다 높은 가격을 지불하더라도 품질이 우수하다면 국산 쌀도 충분히 경쟁할 수 있음을 나타내고 있다. 아울러 최근 연구가 활성화되고 있는 다양한 기능성 쌀에 대해 소비 및 유통 측면에서의 심도 있는 접근이 이루어져야 함을 시사하고 있다고 결론 지을 수 있다. This study aims to estimate the consumers' value of the head rice using the multi bounded discrete choice CVM. The respondents were a total of 1,000 housewives living in Seoul. The results show that householders are willing to pay 3,480won/㎏, 2,920won/㎏ and 2,537won/㎏ for the head rice asuming three scenarios(not sure, sure, definitely). Results also show that in Seoul province the estimate aggregated buying value of the head rice is approximately 2,955 billion won in the definitely scenario.
챗봇 환경에서 데이터 시각화 인터랙션을 위한 자연어처리 모델
오상헌,허수진,김성희,Oh, Sang Heon,Hur, Su Jin,Kim, Sung-Hee 한국정보처리학회 2020 정보처리학회논문지. 컴퓨터 및 통신시스템 Vol.9 No.11
스마트폰의 보급으로 인해 개인화된 데이터를 활용하고자 하는 서비스들이 증가하고 있다. 특히, 헬스케어와 관련된 서비스들은 다양한 데이터를 다루며, 이를 효과적으로 보여주기 위해 데이터 시각화 기법을 활용하고 있다. 데이터 시각화 기법이 활용되면서 자연스럽게 시각화에서의 인터랙션 또한 함께 강조되고 있다. PC 환경에서 데이터 시각화에 대한 인터랙션은 마우스로 이루어지기 때문에, 데이터에 대한 필터링이 다양하게 제공되고 있다. 반면, 모바일 환경에서의 인터랙션은 화면의 크기가 작고, 인터랙션 가능 여부를 인지하기 어려워 버튼 터치 방식으로 앱에서 제공하는 제한된 시각화만을 제공받을 수 있다. 이러한 모바일 환경에서의 인터랙션 한계를 극복하기 위해, 챗봇과의 대화를 통해 데이터 시각화 인터랙션을 가능하게 하여 사용자들에게 개개인의 데이터를 다양한 시각화를 통해 확인할 수 있도록 하고자 한다. 이를 위해서는 사용자의 질의를 쿼리로 변환하여, 주기적으로 데이터를 축적하고 있는 데이터베이스에서 변환된 쿼리를 통해 결과 데이터를 불러올 수 있어야 한다. 자연어를 쿼리로 변환하는 연구는 현재 많이 이루어지고 있지만, 시각화를 기반으로 하여 사용자의 질의를 쿼리로 변환하는 연구에 대해서는 아직 이루어지지 않았다. 따라서, 본 논문에서는 사전에 데이터 시각화 기법이 정해진 상황에서의 쿼리 생성에 초점을 맞추고자 한다. 지원하는 인터랙션은 태스크 x-축 값에 대한 필터링 및 두 그룹 간 비교이다. 테스트 시나리오는 걸음 수에 대한 데이터를 활용하였으며, x-축 기간에 대한 필터링은 바 그래프, 두 그룹간 비교는 라인 그래프로 나타내었다. 시각화를 통해 요청한 정보를 제공받을 수 있는 자연어처리 모델을 개발하기 위해 1,000명을 대상으로 한 설문조사를 통해 약 15,800개의 학습 데이터를 수집하였다. 알고리즘 개발 및 성능 평가를 진행한 결과, 분류 모델에서는 약 89%, 쿼리 생성 모델에서는 약 99% 정확도를 보였다. With the spread of smartphones, services that want to use personalized data are increasing. In particular, healthcare-related services deal with a variety of data, and data visualization techniques are used to effectively show this. As data visualization techniques are used, interactions in visualization are also naturally emphasized. In the PC environment, since the interaction for data visualization is performed with a mouse, various filtering for data is provided. On the other hand, in the case of interaction in a mobile environment, the screen size is small and it is difficult to recognize whether or not the interaction is possible, so that only limited visualization provided by the app can be provided through a button touch method. In order to overcome the limitation of interaction in such a mobile environment, we intend to enable data visualization interactions through conversations with chatbots so that users can check individual data through various visualizations. To do this, it is necessary to convert the user's query into a query and retrieve the result data through the converted query in the database that is storing data periodically. There are many studies currently being done to convert natural language into queries, but research on converting user queries into queries based on visualization has not been done yet. Therefore, in this paper, we will focus on query generation in a situation where a data visualization technique has been determined in advance. Supported interactions are filtering on task x-axis values and comparison between two groups. The test scenario utilized data on the number of steps, and filtering for the x-axis period was shown as a bar graph, and a comparison between the two groups was shown as a line graph. In order to develop a natural language processing model that can receive requested information through visualization, about 15,800 training data were collected through a survey of 1,000 people. As a result of algorithm development and performance evaluation, about 89% accuracy in classification model and 99% accuracy in query generation model was obtained.