E-커머스 사용자의 평점과 리뷰 유용성이 상품 추천 시스템의 성능 향상에 미치는 영향 분석

LIU FAN; 이병현; 최일영; 정재호; 김재경

추천

검색

질문

자료유형: 학술저널

저자정보: LIU FAN 이병현 (경희대학교) 최일영 정재호 (농업회사법인 초록들) 김재경 (경희대학교)

저널정보: 한국지능정보시스템학회 지능정보연구 지능정보연구 제28권 제1호

발행연도: 2022.3

수록면: 311 - 328 (18page)

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

초록· 키워드

오류제보하기

정보통신기술 발달로 스마트폰이 보급되면서, 온라인 쇼핑몰 서비스는 컴퓨터가 아닌 모바일로도 사용이 가능해졌다. 그로 인해 온라인 쇼핑몰 서비스를 이용하는 사용자는 급격히 증가하게 되고, 거래되는 제품의 종류 또한 방대해지고 있다. 따라서 기업은 이익을 최대화하기 위해서는 사용자가 관심을 가질만한 정보를 제공해주는 것이 중요하다. 이를 위해 사용자의 과거 행동 데이터나 행동 구매 기록을 기반으로 사용자에게 필요한 정보 또는 제품을 제시하는 것을 추천 시스템이라 한다. 현재 추천 서비스를 제공하는 대표적인 해외 기업으로는 Netflix, Amazon, YouTube 등이 있다. 최근 이러한 전자상거래 사이트에서는 사용자가 해당 제품에 대한 리뷰가 유용한지에 대해 투표할 수 있는 기능을 제공하고 있다. 이를 통해, 사용자는 유용하다고 판단되는 제품에 대한 리뷰와 평점을 참고하여 구매 의사결정을 내린다. 따라서 본 연구에서는 제품에 대한 평점과 리뷰의 유용성 정보 간의 상관관계를 파악하고, 리뷰의 유용성 정보를 추천 시스템에 반영하여 추천 성능을 확인하고자 한다. 또한 대부분의 사용자들은 만족한 제품에만 평점을 부여하는 경향이 있고 제품에 대한 평점이 높을수록 구매 의도가 높아지는 경향이 있다. 따라서 전통적인 협업 필터링 기법에 모든 평점을 반영한 결과와 4점과 5점 평점만을 반영한 추천 성능 결과를 비교하고자 한다. 이를 위해 본 연구에서는 Amazon에서 수집한 전자 제품 데이터를 사용하였으며, 실험 결과는 평점과 리뷰 유용성 정보 간 상관관계가 있는 것으로 확인되었다. 또한 모든 평점과 4점과 5점 평점만을 추천 시스템에 반영하여 추천 성능을 비교한 결과, 4점과 5점 평점만을 추천 시스템에 반영한 결과의 추천 성능이 더 높게 나타났다. 그리고 리뷰 유용성 정보를 추천 시스템에 반영한 결과는 리뷰가 유용할수록 추천 성능은 높게 나타나는 것으로 확인하였다. 따라서 이러한 실험 결과는 향후 개인화 추천 서비스의 성능 향상에 기여하고, 전자상거래 사이트에 시사점을 제공할 수 있을 것으로 본다.

Because of the spread of smartphones due to the development of information and communication technology, online shopping mall services can be used on computers and mobile devices. As a result, the number of users using the online shopping mall service increases rapidly, and the types of products traded are also growing. Therefore, to maximize profits, companies need to provide information that may interest users. To this end, the recommendation system presents necessary information or products to the user based on the user"s past behavioral data or behavioral purchase records. Representative overseas companies that currently provide recommendation services include Netflix, Amazon, and YouTube. These companies support users" purchase decisions by recommending products to users using ratings, purchase records, and clickstream data that users give to the items. In addition, users refer to the ratings left by other users about the product before buying a product. Most users tend to provide ratings only to products they are satisfied with, and the higher the rating, the higher the purchase intention. And recently, e-commerce sites have provided users with the ability to vote on whether product reviews are helpful. Through this, the user makes a purchase decision by referring to reviews and ratings of products judged to be beneficial. Therefore, in this study, the correlation between the product rating and the helpful information of the review is identified. The valuable data of the evaluation is reflected in the recommendation system to check the recommendation performance. In addition, we want to compare the results of skipping all the ratings in the traditional collaborative filtering technique with the recommended performance results that reflect only the 4 and 5 ratings. For this purpose, electronic product data collected from Amazon was used in this study, and the experimental results confirmed a correlation between ratings and review usefulness information. In addition, as a result of comparing the recommendation performance by reflecting all the ratings and only the 4 and 5 points in the recommendation system, the recommendation performance of remembering only the 4 and 5 points in the recommendation system was higher. In addition, as a result of reflecting review usefulness information in the recommendation system, it was confirmed that the more valuable the review, the higher the recommendation performance. Therefore, these experimental results are expected to improve the performance of personalized recommendation services in the future and provide implications for e-commerce sites.

#E-커머스 #추천시스템 #아마존 데이터 #리뷰 유용성 #협업 필터링 #E-Commerce #Recommender System #Amazon Data #Review Helpfulness #Collaborative Filtering

참고문헌 (32)

참고문헌 신청

Abdollahi, B., and O. Nasraoui, “Using explainability for constrained matrix factorization,” In Proceedings of the Eleventh ACM Conference on Recommender Systems, (2017), 79-83.

Al-Bashiri, H., M. A. Abdulgabber, A. Romli, and H. Kahtan, “An improved memory-based collaborative filtering method based on the TOPSIS technique,” PloS one, Vol.13, No.10 (2018), e0204434.

Al-Smadi, M., B. Talafha, M. Al-Ayyoub, and Y. Jararweh, “Using long short-term memory deep neural networks for aspect-based sentiment analysis of Arabic reviews,” International Journal of Machine Learning and Cybernetics, Vol.10, No.8(2019), 2163-2175.

Bang, H., H. Lee, and J. H. Lee, “TV Program recommender system using viewing time patterns,” Journal of the Korean Institute of Intelligent Systems, Vol.25, No.5(2015), 431-436.

Castelli, M., L. Manzoni, L. Vanneschi, and A. Popovic, “An expert system for extracting knowledge from customers’ reviews: The case of amazon. com, inc.,” Expert Systems with Applications, Vol.84, 117-126.

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

LIU FAN

소속기관

주요연구분야 공학 > 산업공학

논문수 1 이용수 475

이병현

소속기관 경희대학교

주요연구분야 사회과학 > 경영학 TOP 5% 공학 > 산업공학 TOP 10%

논문수 20 이용수 6,397

최일영

소속기관 경희대학교

주요연구분야 공학 > 산업공학 TOP 5% 예술체육학 > 체육

논문수 52 이용수 8,931

정재호

소속기관 농업회사법인 초록들

주요연구분야 공학 > 산업공학

논문수 1 이용수 475

Jaekyeong Kim

소속기관 Kyung Hee University

주요연구분야 공학 > 산업공학 TOP 0.5% 공학 > 컴퓨터학

논문수 176 이용수 23,145

이 논문과 함께 이용한 논문

Non-Polar 물질 수분치환에 의한 종이필터 개발

김광수 , 안광호 , 박재로 외 1명 대한환경공학회지 2013 .10

공기청정기 항균필터 성능 시험방법

곽명진 , 이윤규 대한건축학회 학술발표대회 논문집 2015 .04

온라인 쇼핑몰 데이터를 이용한 개인화 추천 모델 성능 비교 분석

오재동 , 오하영 한국정보통신학회논문지 2022 .09

외식업체 소상공인의 지각된 배달앱 리뷰 정보특성이 사업지속성에 미치는 영향: 온라인 고객관계관리와 경쟁우위의 이중 매개효과

조현아 , 이규민 관광레저연구 2022 .02

온라인 쇼핑 환경에서 리뷰 평점의 방향성이 소비자 구매의도에 미치는 영향: 예술품과 기능품을 중심으로

이서진 , 최인철 마케팅연구 2022 .02

최근 본 자료

전체보기

UCI(KEPA) : I410-ECN-0101-2022-003-001155703

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

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (32)

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)