소비자의 정보 처리 과정을 반영한 리뷰 유용성 예측 방법론 개발

Q: 이 논문에서 정의한 리뷰 유용성 예측이란 무엇인가?

리뷰 유용성 예측(RHP)은 폭발적으로 증가하는 온라인 리뷰 속에서 소비자가 유용한 정보를 선별하는 어려움을 해결하기 위해, 리뷰의 유용성을 자동으로 예측하는 기술이다. 이는 소비자의 정보 탐색을 지원하고, 리뷰 정렬 및 추천 시스템의 정교화를 추구하는 플랫폼 운영자에게 중요한 기술로 인식된다.

Q: 소비자의 정보 처리 과정을 반영한 리뷰 유용성 예측 방법론의 핵심은 무엇인가?

연구 결과, 소비자의 정보 처리 방식을 설명하는 정교화 가능성 모델(ELM)을 기반으로 중심 단서(리뷰 텍스트 정보)와 주변 단서(리뷰어 속성 및 평점 일관성 정보)를 통합적으로 고려하는 예측 모형이 기존 텍스트 기반 모델보다 우수한 성능을 나타냈다. 이는 다양한 유형의 정보를 통합적으로 고려하는 것이 예측 정확도 향상에 필수적임을 시사한다.

임희나; 김다희; 정다윤; 박종화; 이청용; 김재경

doi:10.13088/jiis.2025.31.7.079

학술저널

저자정보: 임희나 (경희대학교) 김다희 (한성대학교) 정다윤 박종화 (한성대학교) 이청용 (한성대학교) 김재경 (경희대학교)

저널정보: 한국지능정보시스템학회 지능정보연구 지능정보연구 제31권 제3호

오류 신고하기

피인용 0

검색

초록·키워드

전자상거래의 발전과 함께 온라인 리뷰는 소비자가 제품을 평가하고 구매 결정을 내리는 데 핵심적인 정보로 작용하고 있다. 그러나 리뷰의 양이 폭발적으로 증가하면서 소비자가 실제로 유용한 정보를 선별하는 데 어려움이 커지고 있다. 이러한 문제를 해결하기 위해 최근 리뷰의 유용성을 자동으로 예측하는 리뷰 유용성 예측(Review Helpfulness Prediction, RHP)에 대한 연구가 활발히 진행되고 있다. 그러나 기존 연구들은 주로 딥러닝 모델을 활용해 리뷰 텍스트에 내재된 의미나 감정을 추출하는 데 집중해 왔으며, 리뷰어의 속성이나 평점의 일관성과 같은 비텍스트적 정보는 상대적으로 간과되어 왔다. 따라서 본 연구는 리뷰의 유용성을 보다 정확하게 예측하기 위해 소비자의 정보 처리 방식을 설명하는 이론인 정교화 가능성 모델(Elaboration Likelihood Model, ELM)을 기반으로 중심 단서(리뷰 텍스트 기반 정보)와 주변 단서(리뷰어 속성 및 평점 일관성 정보)를 통합적으로 고려한 새로운 예측 모형(CPC-RHPM)을 제안한다. 구체적으로, 중심 단서로는 BERT를 활용하여 추출한 의미 표현과 파이썬 기반 라이브러리를 통해 계산한 감정 점수, 가독성, 리뷰 길이를 사용한다. 주변 단서로는 메타데이터 기반의 리뷰어 전문성, 신뢰도, 매력도 및 평점 일관성을 활용한다. 중심 단서와 주변 단서를 통합하여 유용성을 예측하는 모델을 Yelp.com의 데이터셋을 활용하여 실험한 결과, 제안된 모델이 기존 벤치마크 모델 대비 우수한 예측 성능을 나타냈다. 본 연구는 소비자의 정보 처리 과정을 현실적으로 반영한 딥러닝 기반 RHP 접근법을 제시함으로써, 리뷰 텍스트에 집중하던 기존 RHP 연구의 한계를 극복하였다. 이는 중심 및 주변 단서의 통합적 활용이 RHP 성능 향상에 효과적임을 의미하며, 실제 리뷰 플랫폼에서 사용자 경험 개선과 리뷰 품질 관리에 기여할 수 있을 것으로 기대한다.

Online reviews have become a vital source of information for consumers in evaluating products and making purchasing decisions. However, the exponential growth of review volume has made it increasingly difficult for users to identify truly helpful content. To address this issue, Review Helpfulness Prediction (RHP), which aims to automatically predict the usefulness of reviews, has been actively explored in recent studies. However, previous studies have primarily focused on extracting semantic and emotional features from review texts using deep learning models, while non-textual information―such as reviewer attributes and rating consistency―has been relatively overlooked. Therefore, this study proposes a novel prediction model―CPC-RHPM―that integrates central cues (review text-based information) and peripheral cues (reviewer attributes and rating consistency), based on the Elaboration Likelihood Model (ELM), a theory that explains how consumers process information, in order to more accurately predict review helpfulness. Specifically, the central cues include semantic representations extracted using BERT, as well as sentiment scores, readability, and review length calculated through Python-based libraries. The peripheral cues consist of metadata-based reviewer expertise, credibility, attractiveness, and rating consistency. An experiment using a dataset from Yelp.com demonstrated that the proposed model, which integrates central and peripheral cues, outperforms existing benchmark models in predicting review helpfulness. This study addresses the limitations of previous RHP research that focused solely on review text by proposing a deep learning–based approach that realistically reflects consumers’ information processing behavior. These findings suggest that the integrated use of central and peripheral cues is effective in improving RHP performance, and it is expected to contribute to enhancing user experience and managing review quality on real-world review platforms.

#리뷰 유용성 예측 #정교화 가능성 모델 #딥러닝 모델링 #리뷰어 속성 #특성 결합 기법 #Review Helpfulness Prediction #Elaboration Likelihood Model #Deep Learning Modeling #Reviewer Attributes #Feature Fusion Method #BERT

본문·목차

DBpia Pick! 추천 자료

함께 본 자료

저자 정보

최근 본 자료 전체보기

UCI(KEPA) : I410-151-26-02-094366555

배경 및 목적
대상 및 방법론
분석 및 수행
결과 및 의의

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록·키워드

참고문헌

AI가 분석한 연구 핵심

이 논문의 한줄 요약

이 논문의 연구방법

본문·목차

DBpia Pick! 추천 자료

함께 본 자료

저자 정보

최근 본 자료 전체보기

피인용 자료 DBpia에 구축된 참고문헌을기준으로 집계되어, 타 사이트의피인용 수와 다를 수 있습니다.

댓글(0)

피인용 자료