DOI QR코드

DOI QR Code

Font Recommendation Service Based on Emotion Keyword Attribute Value Estimation

감정 기반 키워드 속성값 산출에 따른 글꼴 추천 서비스

  • Ji, Youngseo (Dept of. IT Engineering. Sookmyung Women's University) ;
  • Lim, SoonBum (Dept of. IT Engineering. Sookmyung Women's University)
  • Received : 2022.08.14
  • Accepted : 2022.08.24
  • Published : 2022.08.31

Abstract

The use of appropriate fonts is not only an aesthetic point of view, but also a factor influencing the reinforcement of meaning. However, it is a difficult process and wastes a lot of time for general users to choose a font that suits their needs and emotions. Therefore, in this study, keywords and fonts to be used in the experiment were selected for emotion-based font recommendation, and keyword values for each font were calculated through an experiment to check the correlation between keywords and fonts. Using the experimental results, a prototype of a keyword-based font recommendation system was designed and the possibility of the system was tested. As a result of the usability evaluation of the font recommendation system prototype, it received a positive evaluation compared to the existing font search system, but the number of fonts was limited and users had difficulties in the process of associating keywords suitable for their desired situation. Therefore, we plan to expand the number of fonts and conduct follow-up research to automatically recommend fonts suitable for the user's situation without selecting keywords.

Keywords

1. 서론

글꼴 사용은 디자인적 가치를 높이는 것뿐만 아니라 메세지의 정보 전달에도 영향을 준다. 그래픽 디자이너는 전달하려는 메세지를 올바르게 전달 및 강화하고 메세지의 전반적인 감정의 톤을 생성하기 위해서 글꼴을 사용한다[1]. 텍스트화 된 메세지는 실제 상황과는 다르게 비언어적 표현을 사용할 수 없고 제한된 환경에서 글꼴의 사용은 이러한 비언어적 의사소통 수단의 부재를 보완할 수 있다. 모바일 텍스트 메신저에 글꼴을 적용에 관한 사용자 인식에 관한 연구에 따르면 글꼴을 적용함으로써 응답자의 70% 이상이 감정 전달의 효과를 높일 수 있으며 내용에 따라 글꼴을 다르게 사용하는 것이 좋다고 답변하였다[2]. 이외에도 텍스트를 사용하는 다양한 분야에서 글꼴의 영향력을 확인하는 다양한 연구가 존재한다. 광고 커뮤니케이션에서 캘리그라피 글꼴의 적용은 호감도와 주목도, 회상도 모두 캘리그래피를 활용하지 않은 광고에 비해 높았으며[3] 전자책 분야에서 서적의 분야별로 사용자가 선호하는 글꼴의 차이가 있었다[4]. 이처럼 글꼴 선택은 텍스트의 의미 전달효과에 영향을 주는 중요한 요소이다.

Fig. 1. Example of an font search service by Google Font (https://fonts.google.com/).

하지만 상황에 어울리는 적절한 글꼴을 고르는 것은 디자인의 전문성이 없고 조형적 감각이 부족한 일반인에게 어려운 작업이다. 경험을 바탕으로 글꼴의 인상을 파악하고 이를 자신의 목적과 연관시키는 작업은 매우 복잡하기 때문이다. 기존 글꼴 검색 서비스는 원하는 글꼴을 고르기 위하여 다른 사항을 고려하지 않은 글꼴을 모두 확인해야한다. 대표적인 글꼴 검색 서비스인 Google Font의 경우 Fig. 1에서 확인할 수 있듯이 인기순, 트렌드 순으로 정렬되어있고 글꼴의 기본적 속성인 Serif, Sans-Serif, Display, Hand-writing, Monospace 로만 범주화되어있다. 이러한 글꼴 검색은 사용자에게 많은 시간을 소비하게하며 사용자가 생각한 분위기와 글꼴이 보편적으로 유발되는 분위기가 동일한 지 확인할 수 없어 기대와 다른 인상을 줄 수 있다.

따라서 본 연구에서는 키워드로 글꼴의 감정을 표현하는 것을 목표로,글꼴을 표현할 수 있는 19가지 키워드와 실험에 사용할 26개의 대표 폰트를 선정한 뒤 다수의 사용자에게 키워드에 대해 글꼴의 연관성을 상, 중, 하로 선정하도록 하여 글꼴과 키워드 사이의 관계성을 확인하는 실험을 진행하였다. 실험 결과를 활용해 키워드 기반 글꼴 추천 시스템 프로토타입을 설계하여 해당 시스템의 가능성에 대해 실험하였다.

2. 관련 연구

글꼴이 표상하는 의미를 찾아서 글꼴 추천에 적용하는 연구들은 한글 글꼴에 비해 영문 글꼴에서 활발히 이루어지고 있다.

Peter O’ Donvan[5]의 연구에서는 영문 글꼴에 대해 적용 가능한 키워드를 선정하고 크라우드 소싱기법을 사용해 글꼴에 대하여 키워드 값을 산출하였다. 크라우드 소싱에 참여하는 작업자는 각각의 글꼴에 대하여 제시되는 2가지 키워드 중 더 가깝다고 생각하는 키워드에 대해 한 가지를 선택한다. 이후, 작업자로부터 축적된 키워드 결과를 이용해 사용자가 원하는 글꼴을 추천한다. 해당 연구에서 사용한 키워드는 이전 글꼴 연구에서 사용된 키워드를 수집한 뒤 31가지 키워드를 선정하였다. 키워드는 "thin", "angular"와 같은 명확한 특징과 "friendly", "sloppy" 같은 모호한 특징을 모두 포함시켰으며, 선정한 31가지 키워드와 capitals, cursive, display, italic, mono- space, serif 같은 영문 글꼴의 일반적인 속성 6가지를 더하여 총 37가지 키워드로 글꼴의 속성을 확인하였다.

Saemi Choi[6]는 메신저의 전달 효과를 높이기 위하여 메시지의 글꼴을 긍정, 부정에 따라 변경할 수 있도록 하는 연구를 진행하였다. 이를 위해, 글꼴을 긍정과 부정의 두 가지 범주로 필터링한 뒤 각 범주에서 글꼴의 순위를 매긴다. 위 연구와 마찬가지로 크라우드 소싱을 활용했으며 작업자에게 한 범주 내에서 두 가지 글꼴을 제시하고 어느 글꼴이 더 해당 범주의 감정을 잘 드러내는지 선택하도록 하였다.

김현영[7]은 한글 글꼴에서 감성을 추출하여 글꼴추천에 활용하였다. Mehrabian가 제안한 PAD (pleasure, arousal, dominant) 모형[8]에서 O(or- ganized)를 추가하여 PADO 네 개의 축을 글꼴 감정분류 기준으로 사용했고 각 글꼴에 대하여 네 가지축에 대한 속성값을 수집하였다. 각 축에 따라 "긍정적-부정적", "활동적-수동적", "부드러운-강한", "조직적인-자유로운"이라는 어휘 구별 척도를 제시했고 어휘 구별 척도에 대해 0-5 사이의 값의 범위로 지정하도록 지시하였다. 이 때, 어휘 구별 척도의 이해를 돕기 위하여 75개의 감정 형용사를 부가 정보로 표현해 개인의 시각 차이를 줄이도록 하였다.

이 외에도 글꼴의 의미를 파악하고 실제 문제에 적용하려는 연구들이 존재한다. 문장에 어울리는 글꼴을 자동으로 추천하는 연구에서는, 문장의 의미와 글꼴을 연관시키기 위하여 크라우드 소싱을 통해 작업자에게 문장에 어울리는 글꼴을 선택하게 한다. 이후 딥러닝 모델을 사용해 문장에 어울리는 글꼴을 학습시킨다[9]. 다른 연구에서는 그래픽 디자이너가 콘텐츠와 글꼴을 어떻게 연관시키는지 확인하기 위하여 다양한 북 커버와 온라인 광고 이미지를 수집하고 이미지에서 글꼴을 추출하여 분야 별로 어떠한 글꼴을 사용하였는지를 분석하였다[10].

3. 글꼴의 키워드 속성값 조사

3.1 키워드 및 실험 글꼴 선정

글꼴 감정 키워드의 속성값을 확인하는 실험을 진행하기 위하여 글꼴을 표현할 수 있는 키워드를 선정하였다. 감정 키워드는 Peter O’ Donvan의 연구에서 사용한 37가지 키워드를 기반으로 본 연구에 활용하였다. 글꼴 디자이너의 도움을 받아 37가지 키워드중 한글 글꼴에 적용이 어려운 키워드를 정리하여 제외하는 과정을 진행하는 동시에 글꼴이 외형을 나타내는 키워드와 감성을 나타내는 키워드 개수의 균형을 맞추는 과정을 진행하여 26개 키워드로 축소하였다.

이후 글꼴 추천 시스템에서 사용자가 자신이 원하는 키워드를 선택하면 글꼴을 추천해주는 방식으로진행하기 위하여 사용자가 이해하기 어려워하거나 선호하지 않는 키워드를 제거하기 위한 설문을 진행하였다. 설문 참여자에게 글꼴을 제시하고 제시한 글꼴의 이미지를 잘 나타낸다고 생각하는 키워드를 모두 선택하도록 지시하였다. 설문 결과에 따라 10명의 평가자 중 2명 이하가 선택한 키워드는 제거하였다. 설문 조사를 통해 최종적으로 선정된 키워드는 "각진", "공적인", "모던한", "조화로운", "무질서한", "뻣뻣한", "시선을 끄는", "지루한", "고요한", "섬세한", "친근한", "따뜻한", "극적인", "우아한", "강한", "단호한", "쾌활한"이다.

글꼴 선정에서 많은 수의 글꼴을 사용해서 글꼴과 키워드의 관련성을 확인하는 실험을 진행하는 것이 유용하지만 이는 실험 참여자의 피로도를 증가시켜 실험 결과의 신뢰성을 감소시키는 문제를 발생시킬 위험이 있다. 따라서 대표성을 갖는 글꼴을 최소한의 수로 선정하여 실험에 적용하였다. 글꼴은 사용자의 선호도가 높고 무료로 사용 가능한 글꼴을 수집하였고 한글 글꼴의 가장 일반적인 디자인 속성인 고딕, 명조, 손글씨(기타)로 분류하여 각 분류 체계 내에서도 기본 스타일과 변형된 디자인을 갖는 스타일로 분류하여 글꼴을 선정하였다.

Fig. 2. Survey for keyword selection.

Fig. 3. Fonts selected by basic design category

선정한 글꼴은 Fig. 3과 같으며 기본 명조체 4개, 기본 고딕체 4개, 변형 명조체 6개, 변형 고딕체 5개, 손글씨(기타) 7개로 글꼴의 두께도 다양성을 갖추도록 구성하였다.

3.2 글꼴 별 키워드 속성 조사를 위한 인터페이스 구현

기존 일반적인 설문 조사 방식에서는 하나의 글꼴에 대해 키워드 값을 입력받는 방식으로 진행되고다음 글꼴에 대해 반복해서 설문을 진행하는 방식이기 때문에 글꼴이 다른 글꼴과 비교해 상대적으로 평가되지 않아 설문조사의 객관성이 떨어질 수 있다. 따라서 여러 가지 글꼴과 키워드를 연관시키는 작업이 쉽지 않다. 또한 작업량이 많아 설문 참여자에게 피로감을 유발할 수 있다.따라서 본 연구를 위한 설문 조사 인터페이스를 새로 설계하고 구현하였다. 해당 인터페이스는 Django 프레임워크[11]를 사용해 구현하였다.

Fig. 4. Interface for associating keyword attributes by font. (a) Interface before experiment, (b) interface in progress and (c) interface after experiment.

글꼴 별 키워드 속성 조사를 위해 평가자에게 키워드를 제시하고 글꼴과 키워드의 연관성을 비교하여 단계 별로 분류하도록 지시하였다. 키워드와의 관련성을 상, 중, 하 세가지 단계로 분류하는 작업이며 참여자가 직접 글꼴을 드래그 앤 드롭 방식으로 분류할 수 있도록 하였고 모든 글꼴을 한 화면에 표시하여 모든 글꼴에 대해 가시적으로 확인하여 비교할 수 있도록 했다. 이를 통해 작업 중간에도 잘못된 분류가 있으면 수정하여 배치할 수 있도록 했다. 사용자가 한 번에 확인 가능하고 수정이 용이하게 만들어 실험의 편리성과 정확도를 향상시키려 하였다.

3.3 글꼴 별 키워드 속성 값 계산

실험에 참여한 인원은 총 61명이었으며 설문의 응답은 키워드를 기준으로 세 단계로 분류된 글꼴이기 때문에 글꼴 별 키워드 값을 얻기 위해 글꼴 별로 키워드를 선택한 수로 정리하는 과정을 진행하였다.

글꼴에 따른 키워드 수치를 0-1 사이의 범주 값으로 변환하기 위하여, 각 글꼴을 기준으로 키워드를 상, 중, 하로 선택한 응답자 수에서 전체 응답자 수의 비율로 계산한 뒤, 응답자 비율에 상, 중, 하에 각각 1, 0.5, 0의 가중치를 곱하여 최종적으로 하나의 값으로 계산하였다. 글꼴을 f, 키워드를 k, 글꼴에 따른 키워드를 상으로 응답한 수를 fkh , 중으로 응답한 수 fkm를, 하로 응답한 수를 fkl라 하면 글꼴에 따른 키워드 값 fk는 식 (1)과 같다.

Fig. 5. Example of calculation process for keyword attrib- ute values of font.

\(f _ { k } = \frac { ( f _ { k h } \times 1 ) + ( f _ { k m } \times 0.5 ) + ( f _ { k l } \times 0 ) } { n }\)       (1)

여기서 n은 전체 응답자 수를 의미하며 본 실험의 참여자인 61이다. 위 계산 식을 통해 모든 글꼴에 대한 키워드의 값을 수치화하였다.

4. 키워드 기반 글꼴 추천 서비스

4.1 키워드 기반 글꼴 추천 서비스 프로토타입

선정한 19가지의 키워드와 키워드와 글꼴의 관련성을 확인한 실험을 통해 산출된 값을 바탕으로 글꼴추천 프로토타입을 설계하였다. 글꼴 별로 저장된 19 가지 키워드 수치 값과 사용자가 원하는 키워드의 유사도를 판별하여 사용자에게 적절한 글꼴을 추천한다. 사용자는 자신히 원하는 개수만큼 키워드를 선택할 수 있으며 사용자가 선택한 키워드는 1로, 선택하지 않은 키워드는 0으로 구성되도록 원-핫 인코딩 방식을 사용한다. 유사도 비교는 키워드의 전체적인 방향성을 반영하기 위하여 코사인 유사도로 계산하였다. n은 키워드 개수인 19를 의미하고, 글꼴 유사도 FS는 원-핫 인코딩 방식으로 구성된 사용자 선택키워드 Uk와 글꼴의 키워드 값 fk를 곱한 값의 합인 벡터의 내적 값을 사용자 선택 키워드 벡터의 크기와 글꼴 키워드 값 벡터의 내적 값으로 나누어 계산하며, 식 (2)와 같다.

Table 1. Keyword values of each fonts.

\(F S = \frac { \sum _ { k = 1 } ^ { n } ( U _ { k } \times f _ { k } ) } { \sqrt { \sum _ { k = 1 } ^ { n } ( U _ { k } ) ^ { 2 } } \times \sqrt { \sum _ { k = 1 } ^ { n } ( f _ { k } ) ^ { 2 } } }\)       (2)

4.2 글꼴 추천 서비스 프로토타입 평가

키워드 기반 글꼴 추천 서비스를 평가하기 위해 사용자 평가를 진행하였다. 피평가자는 글꼴 사용에 능숙하며 다양한 글꼴을 사용한 경험이 있는 사용자 7명과 글꼴 사용에 능숙하지 않고 제한된 글꼴을 사용하는 사용자 7명으로 진행하였다. 평가 메트릭은 기존 서비스와 비교해 얼마나 편리한지에 대한 편의성과 자신의 의도와 추천된 글꼴이 얼마나 일치하는지에 대한 정확도, 추천 된 폰트의 만족도라는 세 가지 측면으로 구성하였다.

Fig. 6. Keyword-based font recommendation service. (a) Interface before operationf and (b) Example of recom- mendation font.

평가 진행 과정 전에 키워드 기반 글꼴 추천 인터페이스 사용 방법에 대해 설명한 뒤 글꼴 사용 상황 4가지를 제시하였다. (1) 발표 프레젠테이션 자료에 사용할 글꼴을 고르는 경우, (2) 재미있는 영상의 자막에 사용할 글꼴을 고르는 경우, (3) 보고서를 작성할 때 사용할 글꼴을 고르는 경우, (4) SNS에 자신의 부정적인 의사를 표현할 때 사용할 글꼴을 고르는 경우에 대해 본 서비스를 이용해 글꼴을 추천받는 과정 후에 평가를 진행한다. 평가는 0과 6사이의 값을 고르도록 7단계 리커트 척도를 사용했다. 또한 평가 진행 과정동안 각 상황 별로 평가자가 선택한 키워드도 확인하였다.

Table 2. Font recommendation service prototype usability evaluation result.

발표 프레젠테이션 자료에 사용할 글꼴을 고르는 경우에서 14명의 평가자 중 13명이 “모던한”이라는 키워드를 선택하였고 “공적인”을 9명, “단호한”을 7 명이 선택하였으며 “지루한”, “친근한”, “따뜻한”, “극적인”, “무질서한”의 키워드를 선택한 사용자는 없었다. 재미있는 영상의 자막에 사용할 글꼴을 고르는 경우에서는 13명의 평가자가 “시선을 끄는”, 11명의 평가자가 “쾌활한” 키워드를 선택하였다. “각진”, “공적인”, “뻣뻣한”, “지루한”, “고요한”, “우아한”, “단호한”의 키워드는 선택하지 안았다. 보고서 작성시 사용할 글꼴에서는 15명의 평가자 전원이 “공적인” 키워드를 선택했고 “각진” 키워드의 경우에도 9 명이 선택하였다. 마지막으로 SNS 부정적인 의사를 표현할 때의 경우 평가자 별로 다양한 키워드를 사용해서 14명 중 과반인 7명 이상이 선택한 키워드는 존재하지 않았다. 조금 더 명확한 목적이 있는 경우 평가자들은 비슷한 키워드를 선택하는 경향이 있었고 감정이라는 모호한 기준이 포함되는 경우 평가자들이 선택한 키워드가 다양했다.

평가 결과 기존 글꼴 검색시스템과 비교한 편리성의 경우 평균 4.5점으로 본 프로토타입 시스템에 긍정적인 평가를 보였다. 각 상황 별로 비교하면 발표 프레젠테이션 자료에 사용할 글꼴을 고르는 경우와 재미있는 영상의 자막에 사용할 글꼴을 고르는 경우에서는 편리성, 만족도, 정확도에도 모두 평균 4.5점이상이였고 보고서를 작성할 때 사용할 글꼴을 고르는 경우에도 편리성, 만족도는 평균 4.5점 이상이였으며 정확도는 4.1이었다. SNS 부정적 의사 표현을 할 때의 경우는 사용자 별로 평가의 큰 차이를 보였고 평가 결과를 살펴보면 다른 경우에 비해 사용자가 선택한 키워드가 다양했다. 평가자들은 부정적 의사를 표현하는 상황과 키워드를 연관시키는 것에 어려움을 느낀다는 의견을 제시했다.

Fig. 7. Font recommendation service prototype usability evaluation result graph.

현재 프로토타입 서비스는 제한된 개수의 글꼴을 사용해 추천이 이루어지기 때문에 추천 결과가 중복되는 경우가 있고 명확한 목적이 있는 경우에 사용자는 제시한 키워드를 효율적으로 활용했지만 모호한 상황에서는 키워드를 선택하는 것에 어려움을 느끼는 것을 확인했다.

5. 결론

본 연구에서는 글꼴의 특성을 표현할 수 있고 한글 글꼴에 적용 가능한 키워드를 선정하고 다양한디자인의 글꼴을 선정하여 글꼴이 표상하는 키워드를 연결시키는 실험을 진행하였다. 실험 결과를 바탕으로 글꼴 별 키워드를 0과 1 사이의 수치 값으로 산출하여 사용자가 키워드를 선택하면 글꼴을 추천해주는 키워드 기반 글꼴 추천 서비스 프로토타입을 구현하였다.

서비스 프로토타입에 대한 사용성 평가도 진행하였으며, 평가자들은 기존 서비스에 비해 글꼴을 편리하게 찾을 수 있다는 것에 동의하였으며 본 서비스에 대해 긍정적 의견을 보였다. 하지만, 현재 서비스에서 사용한 글꼴의 수는 제한적이라는 한계점이 존재하고 글꼴 디자인을 아예 고려하지 않았던 사용자는 자신의 상황에 알맞은 키워드를 선택하는 것조차 어려움을 느끼는 것을 확인하였다. 따라서, 추후 진행할 연구에서는 현재 연구 결과를 바탕으로 멀티 모달 딥러닝 학습을 진행하여 다양한 글꼴에서 키워드 값을 추출하는 모델을 설계하여 글꼴의 수를 확장시키고 이미지, 표정, 텍스트 등 다양한 콘텐츠를 입력하면 자동으로 글꼴을 추천하는 서비스를 제작할 예정이다.

References

  1. B.E. Koch, Human Emotion Response to Typographic Design, Master's Thesis of the University of Minesota, 2011.
  2. Y. Ko, E. Sohn, and H. Lee, "Users' Perception on Fonts as a Tool of Communication and SMS," Archives of Design Research, Vol. 20, No. 3, pp. 133-142, 2007.
  3. Y. Kim, "The Emotional Expression Character Study of Utilizing Advertising Media," The Journal of the Korea Contents Association, Vol. 10, No. 3, pp. 166-174, 2010. https://doi.org/10.5392/JKCA.2010.10.3.166
  4. M. An, N. Kim, J. Chung, Y. Lee, J. Guo, and R.J. Yun, "A Preference Study on Serif and Sans Serif Typefaces of e-Book," Jourmal of the HCI Society of Korea, Vol. 15, No. 3, pp. 5-12, 2020.
  5. P.O. Donovan, J. Libeks, A. Agarwala, and A. Hertzmann, "Exploratory Font Selection Using Crowd-Sourced Attributes," ACM Transactions on Graphics, Vol. 33, pp. 1-9, 2014.
  6. S. Choi and K. Aizawa. "Emotype: Expressing Emotions by Changing Typeface in Mobile MesSenger Texting," Multimedia Tools and Applications, Vol. 78, No. 11, pp. 14155-14172, 2019. https://doi.org/10.1007/s11042-018-6753-3
  7. H. Kim and S. Lim, "Application and Analysis of Emotional Attributes using Crowdsourced Method for Hangul Font Recommendation System," Journal of Korea Multimedia Society, Vol. 20, No, 4, pp. 704-712, 2017. https://doi.org/10.9717/KMMS.2017.20.4.704
  8. A. Mehrabian, "Pleasure-Arousal- Dominance: A General Framework for Describing and Measuring Individual Differences in Temperament," Current Psychology, Vol. 14, No. 4. pp. 261-292, 1996. https://doi.org/10.1007/BF02686918
  9. A. Shirani, F. Dernoncourt, J. Echevarria, P. Asente, N. Lipka, and T. Solorio, "Let Me Choose: From Verbal Context to Font Selection," Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics, pp. 8607-8613, 2020.
  10. Y. Shinahara, T. Karamatsu, D. Harada, K. Yamaguchi, and S. Uchida, "Serif or Sans: Visual Font Analytics on Book Covers and Online Advertisements," 2019 International Conference on Document Analysis and Recognition (ICDAR), pp. 1041-1046, 2019.
  11. Django, https://www.djangoproject.com (accessed July 29, 2022).