A Model for Predicting Review Helpfulness Based on Semantic Relevance Between Reviews and Products

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.