패션상품 온라인 리뷰의 분류 및 예측 (Classification and Prediction of Fashion Product Online Review)

서지정보

· 발행기관 : 한국생활과학회
· 수록지 정보 : 한국생활과학회지 / 32권 / 6호 / 767 ~ 782페이지
· 저자명 : 김현숙

초록

패션 상품은 그 종류가 매우 다양할 뿐 아니라 개인의 선호가 차별화되기 때문에 온라인 유통업체는 온라인 리뷰 분석을 통해 다양한 소비자 선호도와 만족-불만족 요인을 조기에 파악하는 것이 중요하다. 온라인 리뷰의 체계적인 분석을 통해 소비자 선호 및 불만족 요인을 파악하여 적절히 활용하면 상품 기획 및 마케팅 효율성을 높일 수 있다. 그럼에도 불구하고 패션상품 리뷰는 한 문서 내에서 여러 주제를 다루는 경우가 많으며, 표현과 길이가 다양한 비정형 데이터로 구성되기 때문에 실무에서 효율적으로 활용하기가 쉽지 않다. 본 연구의 목적은 패션 상품 리뷰를 분류하고 체계적 분석을 위한 감성 예측 모델을 만들고 검증하는 것이다. 아마존 리뷰 데이터 881,895개를 분석한 결과 패션 제품 상품 리뷰는 k-평균 군집분석으로 "size & fit", "qualith & price" 및 "appearance"로 분류하고 ANOVA 평균 분석, 사후 분석 및 실루엣스코어로 유의성을 검증하였다. 또한 패션 상품 리뷰의 감성 예측 모델을 구축하기 위해 다양한 임베딩(Count Vectorization, TF-IDF 및 Word2Vec)과 알고리즘(SVC, 로지스틱 회귀, 랜덤 포레스트 분류기, 배깅 및 다항 NB, LSTM)의 결합으로 테스트하였다. 그 결과 bi-directional LSTM 모델이 0.94의 가장 높은 정확도를 나타냈다. 결론적으로 본 연구는 패션 상품 리뷰를 분류하고 감성 예측 모델을 구축하기 위한 모델을 제안함으로 효율적인 상품 기획 및 마케팅 전략 수립을 위한 리뷰 분석의 스키마를 제공하였다고 하겠다.

영어초록

Fashion products should encompass a wide variety of styles to suit individual preferences. Therefore, online retailers should identify diverse consumer preferences and satisfaction-dissatisfaction factors early through online review analysis. This enhances consumer satisfaction and improves product planning and marketing efficiency. However, product reviews often cover multiple topics within a single document, and due to the extensive nature of unstructured data with varying expressions and lengths, it is challenging to effectively harness them for practical purposes. The objective of this study was to categorize fashion product reviews and to create sentiment prediction models for establishing systematic analysis. The specific research includes: first, classifying online fashion product reviews; and second, building a sentiment prediction model and validating it. The Amazon review dataset 2018 including 881,895 data entries was used. Fashion product reviews were categorized into three groups using the k-means clustering algorithm; "Size & Fit," "Quality & Price," and "Appearance." Validation of significance was conducted using ANOVA mean analysis, post hoc analysis, and silhouette score. To construct sentiment prediction models for fashion product online reviews, various embeddings and algorithms were combined and tested. Embeddings included Count Vectorization, TF-IDF, and Word2Vec, while algorithms comprised SVC, logistic regression, random forest classifier, bagging classifier, and multinomial NB. Comparative analysis against a bi-directional sequence LSTM model revealed that the bi-directional LSTM model achieved the highest accuracy of 0.94. In conclusion, this study proposed models for categorizing fashion product reviews and establishing a sentiment prediction model, thus providing a schema for efficient review-based product planning and marketing strategies.

참고자료

· 없음