A Methodology for Predicting Review Helpfulness by Reflecting Consumers’ Information Processing

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.