CNN과 Bidirectional LSTM을 활용한 부산시 민원 자동 분류 연구

Automatic Classification of Civil Complaint Data Using CNN and Bidirectional LSTM：The Case of Busan, South Korea

온라인과 정보통신기술의 발달로 정부정책에 대한 시민의 참여 욕구는 높아지고 있다. 이에 따라 시민들은 민원을 인터넷과 모바일을 활용하여 전자 민원 게시판을 통해 접수하는 건수가 증가하고 있다. 폭발적으로 늘어나는 민원의 양에 비해 아직 수작업으로 분류 하여 오류가 발생하거나 신속한 대응이 이루어지지 않아 민원인들의 불만이 늘어나고 있다. 본 연구에서는 딥러닝 기법을 통해 담당 부서 분류를 자동화하기 위해 2017년도의 부산시 민원 데이터를 수집하고, 담당 부서를 확인 할 수 있는 부서명, 전화번호, 담당자명을 기준으로 레이블을 부여하였다. 그리고 딥러닝 중 대표적인 분류방법인 CNN과 최근 여러 분야에서 두각을 내고 있는 Bidirectional LSTM을 기반으로 상위 12개 범주에 대하여 지도학습을 실시하였다. 지도학습 결과 각각 73%, 77%의 정확도를 보여 안정적인 성능을 보여주었다. 본 연구의 민원 분류에 대한 지도학습 사례는 향후 다른 주제 및 지방자치단체 민원에 대한 텍스트 데이터의 분류에 이용될 수 있어 실무적인 공헌도와 함께 후속연구를 유발할 수 있다는 학문적 기여도가 있다.

The development of the Internet and information and communication technology fueled the desire of citizens to participate in government policy making. An increasingly number of individuals are registering civil complaints in electronic bulletin boards using the Internet and mobile devices. Despite the rapidly burgeoning volume of civil grievances posted online, however, such data are currently handled via manual methods, thereby causing frequent errors and delaying responses. These deficiencies ultimately exacerbate user dissatisfaction. In consideration of these matters, this study implemented an automatic classification of complaints issued by residents of Busan City, South Korea. The collected data were labeled in terms of the departments featured in the complaints, their telephone numbers, and the names of officers in charge. This information could be used to verify the department concerned in the complaints. Supervised learning was implemented on 12 upper complaint categories using a convolutional neural network, which is a representative deep learning approach, and bidirectional long short-term memory, which exhibits superior performance in diverse fields. The supervised learning results indicated that the two methods achieved classification accuracy levels of 73% and 77%, respectively. This study makes practical contributions to supervised learning that involves the classification of civil complaints as it can be employed in similar initiatives by other local governments or in the categorization of text data on a specific topic. The research adds value to the academic domain by opening up directions for further exploration in relevant fields.