리뷰-제품 간 의미적 관련성에 기반한 리뷰 유용성 예측 모델 제안

Q: 이 논문에서 정의한 리뷰 유용성 예측이란 무엇인가?

온라인 리뷰가 소비자에게 얼마나 도움이 되는지를 자동으로 판별하는 연구 분야를 의미한다. 특히 리뷰 자체의 텍스트 품질뿐만 아니라 리뷰 내용과 제품 정보 간의 의미적 관련성을 정량화하여 통합함으로써 유용한 리뷰를 더욱 정확하게 예측하는 것을 목표로 한다.

Q: 리뷰 유용성 예측의 정확도를 높이는 핵심 요인은 무엇인가?

연구 결과, 리뷰 자체의 품질뿐만 아니라 리뷰 내용과 제품 정보 간의 의미적 관련성을 통합하는 것이 예측 정확도를 효과적으로 향상시킨다. 특히 BERT 임베딩과 내적 연산을 통해 두 정보의 관련성을 정량화하여 반영하는 것이 가장 효과적인 방법으로 나타났다.

박선우; 이한준; 신유림; 이청용; 김재경

doi:10.13088/jiis.2025.31.8.101

학술저널

저자정보: 박선우 (경희대학교) 이한준 (한성대학교) 신유림 (한성대학교) 이청용 (한성대학교) 김재경 (경희대학교)

저널정보: 한국지능정보시스템학회 지능정보연구 지능정보연구 제31권 제3호

오류 신고하기

피인용 2

검색

초록·키워드

현재 온라인 리뷰는 소비자들이 온라인 쇼핑 환경에서 정보의 비대칭성과 불확실성을 해소하기 위한 핵심적인 정보원으로 활용되고 있다. 그러나 모든 리뷰가 동일하게 유용한 것은 아니며, 소비자들은 구매 결정에 도움이 되는 리뷰를 찾기 위해 많은 시간과 노력을 소모하고 있다. 이를 지원하기 위해 많은 온라인 플랫폼은 유용성 투표 시스템을 도입하여 유용한 리뷰를 우선적으로 노출하고 있지만, 모든 리뷰가 평가받지 못한다는 한계가 존재한다. 이에 따라 리뷰의 유용성을 자동으로 판별하는 리뷰 유용성 예측(Review Helpfulness Prediction, RHP) 연구가 활발하게 진행되고 있다. 기존의 RHP 연구는 주로 리뷰 내용의 품질에 초점을 맞추며 다양한 딥러닝 모델을 활용하여 예측 성능을 향상해 왔다. 그러나, 구체적이고 풍부한 내용이 담긴 리뷰라도 해당 제품의 특징이나 기능과 관련되지 않은 정보를 나타낸다면 구매 결정에 도움이 되지 않을 수 있다. 따라서 본 연구는 소비자의 구매 의사결정에 실질적으로 도움이 되는 리뷰를 더욱 정확하게 예측하기 위해 리뷰 내용과 제품 정보 간의 의미적 관련성을 예측 과정에 통합하는 새로운 접근법을 제시한다. 구체적으로, BERT를 활용하여 리뷰와 제품의 텍스트 특성 표현을 추출하고, 특성 간의 내적 연산을 통해 계산된 의미적 관련성 점수를 반영하여 리뷰 유용성을 예측하였다. Amazon.com의 리뷰 데이터를 사용한 실험 결과, 제안한 모델은 기존 벤치마크 모델에 비해 우수한 예측 성능을 나타냈으며, 리뷰-제품 간 의미적 관련성을 통합할 경우 예측 정확도를 효과적으로 향상시킬 수 있다는 것을 확인하였다. 본 연구는 실험을 통해 리뷰 자체의 품질뿐만 아니라 제품과의 관련성이 리뷰 유용성을 판단하는 중요한 요인이라는 것을 증명하였으며, 향후 RHP 연구 분야의 이론적 확장에 기여할 수 있다. 또한, 실제 전자상거래 플랫폼에서 소비자의 의사결정을 지원하고 리뷰 시스템의 신뢰도를 개선하는 데 활용될 수 있다.

Online reviews have become a key source of information for consumers, helping to address the information asymmetry and uncertainty inherent in online shopping environments. However, not all reviews are equally useful, which leads consumers to spend a lot of time and effort identifying those that support their purchasing decisions. To address this, many e-commerce platforms have implemented voting systems to highlight useful reviews. Nonetheless, these systems are limited because many reviews are not sufficiently evaluated. Consequently, Review Helpfulness Prediction (RHP) that aims to automatically evaluate the usefulness of reviews has been increasingly explored. Current RHP research primarily focuses on review content quality and uses various deep learning models to enhance prediction accuracy. However, even a review that is specific and contains a lot of information may be unhelpful if it is not relevant to the product’s features and functions. Therefore, this study proposes a novel approach that incorporates the semantic relevance between review content and product information into the prediction process to more accurately identify reviews that assist consumers in making purchasing decisions. Specifically, we use BERT to extract textual feature representations from both reviews and product information. We then calculate a semantic relevance score through a dot product between these features, which is used to predict review helpfulness. Experimental results using Amazon.com review data show that the proposed model outperforms existing benchmarks. This indicates that incorporating review–product semantic relevance effectively improves prediction performance. This study demonstrates that a review’s relevance to the product is as important as its content quality in determining usefulness, suggesting its contribution to the theoretical development of RHP research. The approach can be applied on e-commerce platforms to support consumers decision-making and improve the reliability of review systems.

#리뷰 유용성 예측 #의미적 관련성 #딥러닝 #내적 연산 #Review Helpfulness Prediction #Semantic Relevance #BERT #Deep Learning #Dot Product Operation

본문·목차

DBpia Pick! 추천 자료

함께 본 자료

저자 정보

최근 본 자료 전체보기

UCI(KEPA) : I410-151-26-02-094366028

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