댓글 특성 기반 고객 프로파일 구축을 통한 개인화 추천 서비스에 관한 연구

Ⅰ. 서 론

정보 기술의 발달과 모바일 기기의 대중화로 인해 전 세계적으로 전자상거래 시장의 규모가 급속하게 커지고 있다. 이러한 배경하에 매년 수많은 새로운 상품이 계속 출시되고 있지만, 고객들은 원하는 상품을 선택할 때 오히려 더 많은 시간이 걸리고 어려움을 겪고 있다. 이에 따라 고객의 적성에 적합한 상품이나 서비스를 제공하는 개인화 추천 서비스의 중요성이 대두되고 있다. Amazon[1], Netflix[2], Youtube[3] 등 세계적인 기업들은 오래전부터 축적된 고객의 구매 기록을 기반으로 고객에게 개인화 추천 서비스를 제공하여 기업 경쟁력을 강화하고 있다.

고객에게 맞춤형 추천을 제공하는 기존 개인화 추천 서비스 연구에서는 주로 고객의 명시적 평점 (Explicit Rating)과 구매 여부 혹은 방문 여부를 나타내는 암묵적 데이터 (Implicit Data)를 활용하여 고객의 선호도를 예측했다[4]. 최근 연구에서 이러한 정량적인 데이터를 기반으로 개인화 추천 서비스를 제공하면 추천의 정확도가 떨어질 수 있다는 문제가 꾸준히 제기되고 있다[5]. 예를 들어, 고객 1과 고객 2는 같은 상품을 구매 후 모두 평점 5점을 부여했을 때 해당 상품에 대한 정량적인 선호도는 같다고 볼 수 있다. 그러나 고객 1은 배송 속도와 사은품 서비스 등 전반적으로 만족하여 평점 5점을 부여했고, 고객 2는 배송 속도에 만족하지 못하지만, 상품의 품질과 디자인에 만족하여 평점 5점을 부여했다. 이처럼 두 고객은 같은 상품에 같은 평점을 부여했지만, 해당 상품에 대한 선호도는 같다고 보기는 어렵다. 고객이 특정 상품을 구매하거나 선호하는 이유 등을 파악할 수 있는 정성적인 선호도를 고려하지 않고, 단순히 정량적인 평점이나 구매 여부 등 데이터만을 고려하여 상품을 추천하는 것은 추천의 정확도를 떨어뜨리는 요소로 될 수 있다.

최근에는 이러한 기존 연구의 한계를 극복하기 위해 고객의 선호도 예측함에 있어서 다양한 유형의 데이터들이 사용되고 있다. 그중에서 가장 대표적으로 사용되는 것이 고객이 상품에 대하여 정성적인 선호도를 나타낼 수 있는 댓글 데이터이다[6]. 정보 기술이 발달하면서 대부분의 전사상거래 플랫폼에서는 고객이 구매한 제품에 대한 선호를 나타낼 수 있는 댓글 서비스를 제공하기 시작하면서, 고객들은 직접 댓글을 통해 상품에 자신의 선호도를 나타내고 있다[7]. 이와 같은 댓글 데이터는 상품에 대한 고객이 선호도가 구체적이고 신뢰할 수 있는 정보가 포함하기에 개인화 추천 서비스 제공에 유용하게 사용될 수 있다[8]. 이에 따라, 본 연구는 감성 분석을 통해 정성적인 댓글 데이터를 정량적인 데이터로 변환하여 새로운 고객 프로파일을 구축하여 고객에 맞춤형 상품을 추천하는 방법을 제안하고자 한다.

본 연구에서는 새롭게 제안하는 개인화 추천 서비스 방법론은 평점, 구매 여부 등 정량적 데이터만을 사용하여 고객에게 추천을 제공하는 한계를 개선하기 위해 고객이 남긴 댓글 데이터를 사용하여 새로운 선호도 프로파일을 구축하여 고객에 상품을 추천하도록 설계되었다. 이를 위해, 최근 댓글의 감성 특성 추출에 많이 사용되고 있는 CNN(convolutional neural network) 알고리즘을 적용하여 고객이 남긴 댓글에서 감성 특성을 추출하여 상품에 대한 선호도를 정교하게 예측하고자 한다. 본 연구에서는 기존 연구에서 시도하지 않은 고객이 작성한 댓글 활용하여 상품에 대한 선호도를 예측하여 새로운 고객 프로파일을 구축하여 상품을 추천하는 방법을 새롭게 제안한다.

본 연구의 구성은 다음과 같다. 2장에서는 개인화 추천 서비스와 감성 분석 기반 개인화 추천 서비스에 대한 이론적 배경을 서술하고, 관련 선행연구에 대하여 살펴본다. 3장에서는 본 연구에서 제안하는 추천 방법에 대해 자세하게 설명한다. 4장에서는 제안하는 추천 방법의 성과를 평가하는 방법과 실험 결과를 기술한다. 마지막으로 5장에서는 본 연구의 결론을 기술하고, 본 연구의 한계점 및 향후 연구계획에 대하여 기술한다.

Ⅱ. 관련 연구

Ⅲ. 제안 방법

기존 개인화 추천 서비스 기법은 주로 고객이 직접 부여한 평점 데이터를 사용하여 모델을 설계하였다. 그러나 고객의 구매 동기 즉, 정성적인 선호도를 고려하지 않고, 오직 구매 여부나 평점을 바탕으로 상품을 추천하면 추천시스템의 정확도가 떨어지는 문제가 발생한다. 최근에는 고객의 정성적 선호도를 나타내는 댓글 데이터를 활용한 개인화 추천 서비스의 필요성이 증대하지만 이와 관련된 연구는 부족한 실정이다. 따라서 본 연구에서는 고객이 작성한 댓글 데이터에서 감성 특성을 정교하게 추출하여 새로운 고객 프로파일을 구축하고 이를 통해 고객에게 상품을 추천하는 방법을 그림 1과 같이 새롭게 제안한다.

Fig. 1.

Proposed Methodology Framework

3-1 Review Preprocessing

고객의 남긴 댓글은 여러 단어로 구성되지만 모든 단어가 고객의 감성 특성을 나타내는 것은 아니다. 예를 들어, ‘design’, ‘very’, ‘beautiful’ 등은 고객의 감성 특성을 나타내는 중요한 단어지만 ‘I’, ‘my’, ‘is’ 등은 크게 중요하지 않다. 댓글에서 감성의 특성을 반영할 수 있는 중요한 특성만 추출하여 분석하면 데이터의 크기를 줄이고 모델의 연산 속도 및 효율성 개선에도 도움을 줄 수 있다. 따라서 본 연구에서는 그림 2과 같은 과정을 거쳐 전처리를 수행했다.

Fig. 2.

Review preprocessing process

온라인에서 수집된 댓글의 경우 HTML 태그나 다양한 부호 혹은 기호를 포함하고 있다. 이러한 노이즈 데이터(Noise Data)는 실제 분석에서 아무 의미를 나타내지 않기 때문에 사전에 제거하는 작업을 수행해야 한다. 본 연구에서는 노이즈 데이터의 등장 패턴을 파악하고 정규 표현식(Regular Expression)을 정의하여 값을 제거했다. 그리고 ‘I’, ‘my’, ‘me’, ‘over’, 조사, 접미사 등과 같은 단어들은 댓글 데이터에 나타나는 빈도수는 많으나 실제 분석을 수행할 때 의미가 없으며, 이러한 단어들을 불용어(Stopword)라고 부른다. 본 연구에서는 100개 이상의 불용어를 정의하고 있는 NLTK 라이브러리를 통해 댓글에 포함된 불용어를 제거했다. 또한, 댓글에서 영어 대문자와 소문자를 통합하거나 비슷한 의미의 단어를 하나의 단어로 정규화를 하면 단어의 개수를 줄일 수 있는 또 다른 전처리 방법이다. 따라서 댓글에 포함된 비슷한 의미를 나타내는 단어의 개수를 줄이기 위해 어간 추출(Stemming) 작업을 진행하였다.

위와 같은 전처리 단계를 마무리하면 알고리즘이 댓글을 숫자로 처리할 수 있도록 정수 인코딩 작업을 수행해야 한다. 즉, 댓글에 포함된 단어를 숫자 텐서로 변환하는 벡터화 작업을 수행해야 한다. 이를 위해 Keras에서 제공하는 Tokenizer 함수를 사용하여 댓글에 포함된 각 단어에 대하여 고유한 벡터값을 부여했다.

3-2 CNN-Based Review Semantics Extractor Model

최근에는 CNN, RNN 등과 같이 텍스트 데이터에서 문장 특성(Feature)을 추출하는 알고리즘이 여러 가지가 있다. 본 연구에서는 기존 RNN 기법보다 성능이 우수한 CNN 기법을 기반으로 CRSE(CNN-Based Review Semantics Extractor Model) 모델을 구축하고 댓글의 문장 특성을 추출하여 선호도 점수를 예측하여 새로운 고객 프로파일을 구축하고자 한다.

1) Word Embedding Layer

댓글과 같은 텍스트 데이터를 모델에 학습시키기 위해서는 단어의 의미를 벡터화시키는 작업을 거처야 한다. 기존의 벡터화 작업은 대부분 One-hot Encoding 기법을 사용했으나, 이 기법은 대부분 값이 0으로 나타내는 희소 표현 (Sparse Representation) 문제가 발생한다. 본 연구에서는 텍스트를 밀집 벡터(Dense Vector)의 형태로 나타내는 워드 임베딩(Word Embedding) 기법을 사용하여 벡터화 작업을 진행했다. 워드 임베딩 기법에는 Word2Vec, FastText 등 다양하게 있으며, 본 연구에서는 Keras에서 제공하는 함수를 사용한다.

예를 들어, X_u,i = {w₁, w₂, …, w_i, …, w_n}와 같은 댓글 데이터가 있다고 가정한다. X_u,i는 특정 고객 u가 특정 상품 i에 남긴 댓글을 의미하고, w_i는 댓글에서 i번째 단어를 의미하고 n는 댓글에 포함된 단어의 개수를 의미한다. 각 구매 후기의 모든 단어에 임베딩 기법을 적용하여 단어를 밀집 벡터 (e₁, e₂, …, e_n) 형태로 표현한다. 그리고 각 구매 후기는 식 1과 같이 임베딩 행렬로 표현된다.

$\[ E\in R^{n\times D} \]$

(1)

식1 중 D는 임베딩 차원 크기를 의미하고 n는 각 구매 후기에 포함된 단어의 개수를 의미하고 있다. 그리고 각 단어는 아래 식 2와 같이 정의할 수 있다.

$\[ e_k\in R^{D\times 1} \]$

(2)

2) Convolution Layer

컨볼루션 레이어 (Convolution layer)의 주요 기능은 입력되는 행렬에서 지역적 특성(Local Feature)을 추출하는 것이다. 이때 특성 추출에 사용되는 필터 커널(Filter Kernel)의 크기는 일반적으로 임베딩 차원의 크기가 같다. 입력 데이터의 행렬을 E = [e₁, e₂, …, e_i, …, e_n]라고 한다면, 컨볼루션 연산은 수식 3과 같이 정의된다.

Fig. 3.

CRSE Model

$\[ c_j=f\left(W•V+b_j\right) \]$

(3)

식 3 중 W∈ R^k*m은 필터 커널을 나타내며, k와 m은 각각 컨볼루션 커널의 높이와 너비를 의미한다. b_j는 편향 (Bias)을 의미하고 f는 활성화 함수 Relu (식 4)를 나타내고 있다.

$\[ f\left(x\right)=\max \left(0,x\right) \]$

(4)

3) Pooling Layer

Pooling Layer의 주요 기능은 입력되는 컨볼루션에서 추출한 댓글 특성을 압축한 다음에 중요한 특성만 추출하는 것이다. 구매 후기를 분석할 때 전체 문장에서 일부분의 단어 혹은 문장만이 분석에 영향을 미친다. 따라서 본 연구에서는 식 5, 6와 같이 최대 폴링 (Max Pooling) 적용하여 연산을 수행한다.

$\[ x=\left[x_1,x_2, \cdots ,x_i,\cdots ,x_{m-l+1}\right] \]$

(5)

$\[ x_i=\max \left(c_i,c_{i+1}, \cdots ,c_{i+k-1}\right) \]$

(6)

m은 c_j 벡터의 차원을 의미하고, max는 최댓값 함수를 나타낸다.

4) Fully Connected Layer

Fully Connected Layer의 주요 기능은 구매 후기에서 추출한 특성 행렬을 기반으로 결과를 분류하는 것이다. 분류 결과는 다음 식 7과 같이 정의할 수 있다.

$\[ Y=f\left(W•X\right)+b \]$

(7)

식 7 중, f는 활성화 함수 Softmax를 나타내고, W와b는 각각 행렬의 가중치와 편향을 의미한다. 이 계층은 입력 특성을 평점(1점부터 5점)으로 분류하도록 설정한다. 분류된 값이 0점과 가까우면 해당 상품에 대한 고객의 선호도는 낮고, 분류된 값이 5점과 가까우면 선호도는 높다고 판단할 수 있다.

Ⅳ. 실험 설계 및 결과

4-1 데이터 및 평가지표

본 연구에서 제안한 방법론을 검증하기 위해 상거래 사이트 Amazon에서 1996년 5월부터 2014년 7월까지 수집된 Kindle Store Category 데이터 세트를 사용했다. 데이터 세트에는 기본적인 고객 정보, 상품 정보, 평점 및 상품 후기 정보와 함께 다양한 추가 속성을 포함하고 있다. 데이터 세트 속성에 대한 자세한 설명은 표 1의 예시와 같다. 본 데이터 세트는 최소 5개 이상의 댓글을 작성한 고객과 최소 5개 댓글을 받은 상품만 포함하고 있다. 최종 데이터 세트에는 68,223명의 고객과 61,934개의 상품으로 구성되어 있고 댓글의 수는 982,619개이다. 그중에서 ‘helpful’ 값이 1 이상인 댓글을 297,199개를 선택하여 CRSE 모델의 학습에 사용하고 남은 669,019개 댓글 데이터는 모델 검증에 사용하였다.

Table 1.

Description of Dataset Attributes

평점 예측 알고리즘의 성능평가는 일반적으로 예측 평점과 실제 평점의 차이를 비교한다[32]. 본 연구에서는 개인화 추천 서비스 연구에서 기본적으로 많이 사용되고 있는 MAE, MSE를 평가지표로 사용한다. MAE는 다음 식 13과 같이 정의된다[33].

$\[ MAE=\frac{\mathrm{\Sigma }\left|{\widehat{r}}_{u,i}-r_{u,i}\right|}{\left|\mathrm{\Omega }\right|} \]$

(13)

여기서 Ω는 실험용 데이터의 개수이며, $$ {\widehat{r}}_{u,i}$$는 예측 평점, r_u,i는 실제 평점이다. MAE는 오차의 크기에 대하여 영향이 없으며 모두 같은 가중치를 가지게 된다.

MSE는 예측 평점과 실제 평점의 차이를 제곱하여 평균으로 구한값이며 식2와 같다[34].

$\[ MSE=\frac{1}{\Omega }\sum {\left({\widehat{r}}_{u,i}-r_{u,i}\right)}^2 \]$

(14)

여기서 $$ {\widehat{r}}_{u,i}$$는 예측 평점이고 r_u,i는 실제 평점이며 Ω는 실험용 데이터의 개수이다. MSE는 오차가 큰 평점에 대해 가중치를 높게 부여하는 평가지표이다.

4-2 실험 설계

본 연구에서 제안한 추천 방법론의 우수성을 검증하기 위해 CRSE 모델을 만들고 이를 통해 새로운 고객 프로파일을 구축하였다. 또한, 기존의 고객 평점만을 고려하는 방법론과 본 연구에서 제안하는 방법론의 성능을 비교를 위해 최근 개인화 추천 서비스에 연구에서 주로 사용되고 있는 NCF, NeuMF 기법을 적용하였다[15].

댓글 데이터를 정량화하기 위한 CRSE 모델의 파라미터를 표 2와 같이 설정하고 실험을 진행했다. 댓글의 길이는 100, 200, 300, 500, 1000]로 설정하고, 패딩 작업을 통해 모든 댓글의 길이를 특정 길이로 동일하게 설정했다. NCF 알고리즘에서 고객과 상품의 임베딩 차원을 [8, 16, 32, 64]로 설정하고, 학습률은 0.01, 최적화 함수는 Adam를 사용하였으며, 배치 크기는 64로 설정했다. NeuMF 알고리즘에서 GMF의 임베딩 차원은 8, MLP의 임베딩 차원은 [8, 16, 32, 64]로 설정하였으며, MLP의 각 층의 뉴런을 [64, 32, 16, 8]로 설정하고 배치 크기는 64, 학습률은 0.01, 최적화 함수는 Adam를 적용했다.

Table 2.

CRSE model parameters

4-3 실험 결과

댓글 데이터를 정량화하기 위한 CRSE 모델에서 단어 집합의 크기(Vocabulary Size)가 10,000과 20,000일 때 댓글의 길이는 200에서 예측 정확도가 가장 높고 500에서 가장 낮게 나타내고 있으며, 단어 집합의 크기가 30,000일 때 댓글의 길이는 300에서 예측 정확도가 가장 높고 200에서 가장 낮게 나타내고 있다. 또한, 단어 집합의 크기가 40,000일 때 댓글의 길이는 100에서 예측 정확도가 가장 높고 300에서 가장 낮게 나타내고 있으며, 50,000을 설정하면 댓글의 길이가 200일 때 정확도가 가장 높고, 500일 때 가장 낮게 나타내고 있다. 결론적으로 그림 4와 같이 단어 집합의 크기가 10,000을 설정하고 댓글의 길이를 200으로 설정했을 때 가장 높은 정확도를 보이므로, 이를 CRSE 모델의 최종 파라미터로 설정하고 고객의 새로운 프로파일을 구축했다.

Fig. 4.

The impact of the word frequency and review length on the model.

본 연구에서 제안한 추천 방법론의 우수성을 검증하기 위해 최근 개인화 추천 서비스에 연구에서 주로 사용되고 있는 NCF, NeuMF 알고리즘을 적용하여 성능을 비교했다. 성능 비교를 위해 앞서 제시한 MAE와 MSE 평가지표를 사용하여 실제 평점과 예측 평점 간의 차이를 확인했다. Base Profile은 기존 고객의 프로파일에서 고객의 평점을 활용한 알고리즘의 성능을 나타내며, Proposal Profile은 댓글 데이터를 분석하여 새롭게 구축한 프로파일의 평점을 활용한 알고리즘의 성능을 나타낸다. NCF에서 MAE 평가지표를 사용할 때 잠재적 요인(Latent Factor)이 8에서는 0.079, 16은 0.089, 32는 0.0.087, 64는 0.075만큼 성능이 개선되었다. MSE 평가지표를 사용할 때 잠재적 요인(Latent Factor)이 8에서는 0.004만큼 성능이 감소하고 16은 0.006, 32는 0.049, 64는 0.052만큼 성능이 개선되었다.

Fig. 5.

Comparison of performance of MAE in NCF

Fig. 6.

Comparison of performance of MSE in NCF

NeuMF에서 MAE 평가지표를 사용할 때 잠재적 요인(Latent Factor)이 8에서는 0.099, 16은 0.102, 32는 0.133, 64는 0.118만큼 성능이 개선되었다. MSE 평가지표를 사용할 때 잠재적 요인(Latent Factor)이 8에서는 성능에 큰 변화가 없으며, 16은 0.097, 32는 0.118, 64는 0.039만큼 성능이 개선되었다. 연구 결과 본 연구에서 제안하는 추천 방법론이 고객이 프로파일을 사용하는 방법보다 전체적으로 우수한 성능을 나타내고 있다.

Fig. 7.

Comparison of performance of MAE in NeuMF

Fig. 8.

Comparison of performance of MSE in NeuMF

또한, 본 연구에서 제안하는 방법론이 기존의 고객 평점만을 고려한 전통적인 방법론에 비교했을 때 통계적으로 얼마나 유의한 성능의 차이를 보이는지 검증하기 위해 대응표본 t-검정을 수행하였으며 결과는 표2와 같다.

Table 3.

Paired t-test result

NCF의 경우 95% 신뢰수준 하에서 유의한 것(t=442.921, p-value=0.00)으로 나타났으며, NeuMF도 95% 신뢰수준 하에서 유의한 것(t=510.133, p-value=0.00)으로 나타났다. 이는 고객의 평점만을 고려하는 기존 추천 방법론과 본 연구에서 제안한 방법론 간의 성능에 유의한 차이가 있다고 볼 수 있다. 결과적으로 고객 평점만을 고려하는 전통적인 추천 방법론보다 고객의 남긴 댓글 데이터를 정교하게 분석하여 새로운 고객 프로파일을 구축하여 이를 추천시스템에 적용하는 방법론이 더 우수한 성능을 나타내고 있음을 알 수 있다.

Ⅴ. 결 론

본 연구에서는 고객의 정량적 선호도를 나타내는 명시적 평점 (Explicit Rating)과 구매 여부 혹은 방문 여부를 나타내는 암묵적 데이터 (Implicit Data)를 활용하여 상품을 추천하는 기존 개인화 추천 서비스의 한계를 극복하기 위해 새로운 추천 방법론은 제안했다. 실험을 위해 전자상거래에서 고객이 특정 상품을 구매할 때 중요하게 생각하는 댓글 데이터를 사용하였다. 또한, 단순히 통계 혹은 추론 기법을 기반으로 선호도를 분류하는 기존 연구의 한계를 극복하기 위해 최근 자연어 처리 분야에서 많이 사용되는 CNN 알고리즘을 활용하였다. 이를 통해 고객이 특정 상품에 작성한 댓글에서 문장 특성을 추출하여 이를 정교하게 수치화하여 새로운 고객 프로파일을 구축하였다. 실험 결과, 고객이 직접 부여한 정량적인 데이터만을 활용한 기존 방법론보다 본 연구에서 제안한 추천 방법론이 더 우수한 예측 정확도를 보여주었다.

본 연구는 다음과 같은 학술적 시사점을 갖는다. 전자상거래 플랫폼에서 댓글 데이터는 고객이 해당 사품의 구매를 결정할 때 중요한 역할을 하고 있다. 따라서 고객에게 유용한 댓글 데이터를 정량화하여 고객에게 맞춤형 추천 서비스 제공이 필요하다. 하지만, 기존 개인화 추천 서비스 연구에서는 주로 고객이 직접 부여한 평점 데이터를 사용하여 상품을 추천했다. 본 연구에서는 고객이 직접 작성한 댓글 데이터에서 감성 특성을 추출하고 이를 정량화하여 새로운 고객 프로파일을 구축했다. 특히, 기존 상품 후기 관련 연구는 단순히 긍정과 부정으로 분류하는 데이터 마이닝 기법에 국한되었다. 본 연구에서는 CNN 알고리즘을 활용하여 댓글 데이터를 정교하게 분석하여 새로운 고객 프로파일을 구축하고 고객에게 맞춤형 상품을 추천하는 새로운 추천 방법론을 제안했다. 본 연구는 개인화 추천 서비스 연구에 댓글 데이터 분석에 심층 신경망을 적용함으로써 개인화 추천 서비스 연구의 확장에 기여하고 있다.

또한, 본 연구에서 제안한 방법론은 평점과 댓글 데이터를 같이 사용하는 다양한 분야에 적용할 수 있다. 최근 다양한 분야의 전자상거래에서 고객이 직접 상품에 대한 구매 후기를 작성할 수 있는 시스템을 구축하기 시작하면서 다양한 분석 기법을 활용한 자연어 처리 연구도 꾸준히 진행되고 있다. 본 연구에서는 전자상거래 분야에 대하여 새로운 고객 프로파일을 구축하고 상품을 추천하였지만, 평점과 댓글 데이터를 같이 사용하는 다양한 분야에 적용할 수 있다. 이를 통해 댓글 데이터의 감성 특성을 정교하게 예측하여 정량적인 값으로 변환하여 새로운 고객의 프로파일 구축이 가능하다.

마지막으로, 본 연구 결과는 전자상거래 관련 실무자들에게 개인화 추천 서비스 전략 수립에 대한 시사점을 제공하고 있다. 기존의 전자상거래 개인화 추천 서비스는 단순히 고객, 상품 정보와 평점 정보를 바탕으로 고객의 선호도를 예측하여 상품을 추천해주는 전략을 일관되게 사용했다. 이는 고객이 부여한 명시적인 평점이 상품에 대한 실제 선호도라는 믿음 때문이었다. 그러나 적지 않은 평점들이 고객이 실제 선호도를 나타내지 못하고 있다. 본 연구는 댓글 데이터를 사용하는 새로운 추천 방법론을 제안하여 통계적으로 검증함으로써 기존 전자상거래 개인화 추천 서비스 전략에 재고의 여지가 있음을 시사하고 있다.

본 연구의 한계점과 향후 연구 계획은 다음과 같다. 첫째, 본 연구에서 제안한 추천 방법론은 전자상거래의 식품 분야에만 적용된다. 따라서 본 연구에서 제안한 방법론을 일반화하기 위해서는 다양한 분야의 데이터 세트에 적용하는 연구를 추가로 수행해야 한다. 둘째, 본 연구의 데이터 전처리 단계에서는 이미 구축된 사전을 기반으로 불용어 제거, 토큰화 등 작업을 진행하였다. 하지만 도메인에 따라 적용되는 단어 사전이 다르므로 추후 연구에서는 해당 도메인의 단어 사전 구축하여 전처리 시도하는 방안을 고려해 볼 수 있다. 셋째, 본 연구에서 사용한 CNN 알고리즘의 성능을 개선할 수 있는 추가적인 연구가 필요하다. 최근 자연어 처리 분야에서 Attention Mechanism, Bert 등 알고리즘을 활용한 연구가 꾸준히 발표되고 있으며, 추후 연구에서는 최신 기법을 활용한 새로운 방법론은 제안하면 본 연구에서 제안한 방법론보다 정확도가 더욱 향상될 것으로 기대하고 있다.

참고문헌

• G. Linden, B. Smith, and J. York, “Amazon. com recommendations: Item-to-item collaborative filtering,” IEEE Internet computing, no. 1, pp. 76-80, 2003. [https://doi.org/10.1109/MIC.2003.1167344]
• J. Bennett, and S. Lanning, "The netflix prize." p. 35.
• A. S. Das, M. Datar, A. Garg, and S. Rajaram, "Google news personalization: scalable online collaborative filtering." pp. 271-280.
• F. Ricci, L. Rokach, and B. Shapira, "Introduction to recommender systems handbook," Recommender systems handbook, pp. 1-35: Springer, 2011. [https://doi.org/10.1007/978-0-387-85820-3_1]
• Z. Zhang, D. Zhang, and J. Lai, “urCF: user review enhanced collaborative filtering,” 2014.
• Kim, K. N., Choi, D. S., Lee, K. M., & Lee, M. J, “Analysis on interesting element of mobile application using user reviews.” Journal of Digital Contents Society, vol. 13, no. 3, pp. 431-438, 2012. [https://doi.org/10.9728/dcs.2012.13.3.431]
• S. Dhanasobhon, P.-Y. Chen, M. Smith, and P.-y. Chen, “An analysis of the differential impact of reviews and reviewers at Amazon. com,” ICIS 2007 Proceedings, pp. 94, 2007.
• J. Y. Choeh, S. K. Lee, and Y. B. Cho, “Applying Rating Score's Reliability of Customers to Enhance Prediction Accuracy in Recommender System,” The Journal of the Korea Contents Association, vol. 13, no. 7, pp. 379-385, 2013. [https://doi.org/10.5392/JKCA.2013.13.07.379]
• D. Goldberg, D. Nichols, B. M. Oki, and D. Terry, “Using collaborative filtering to weave an information tapestry,” Communications of the ACM, vol. 35, no. 12, pp. 61-71, 1992. [https://doi.org/10.1145/138859.138867]
• X. Su, and T. M. Khoshgoftaar, “A survey of collaborative filtering techniques,” Advances in artificial intelligence, vol. 2009, 2009. [https://doi.org/10.1155/2009/421425]
• J. L. Herlocker, J. A. Konstan, L. G. Terveen, and J. T. Riedl, “Evaluating collaborative filtering recommender systems,” ACM Transactions on Information Systems (TOIS), vol. 22, no. 1, pp. 5-53, 2004. [https://doi.org/10.1145/963770.963772]
• R. Salakhutdinov, A. Mnih, and G. Hinton, "Restricted Boltzmann machines for collaborative filtering." pp. 791-798.
• S. Sedhain, A. K. Menon, S. Sanner, and L. Xie, "Autorec: Autoencoders meet collaborative filtering." pp. 111-112.
• X. Li, and J. She, "Collaborative variational autoencoder for recommender systems." pp. 305-314.
• X. He, L. Liao, H. Zhang, L. Nie, X. Hu, and T.-S. Chua, "Neural collaborative filtering." pp. 173-182.
• Y. Tay, L. Anh Tuan, and S. C. Hui, "Latent relational metric learning via memory-based attention for collaborative ranking." pp. 729-739.
• T. Ebesu, B. Shen, and Y. Fang, "Collaborative memory network for recommendation systems." pp. 515-524.
• Z. Ji, H. Pi, W. Wei, B. Xiong, M. Woźniak, and R. Damasevicius, “Recommendation based on review texts and social communities: A hybrid model,” IEEE Access, vol. 7, pp. 40416-40427, 2019. [https://doi.org/10.1109/ACCESS.2019.2897586]
• X. Wang, X. Yang, L. Guo, Y. Han, F. Liu, and B. Gao, “Exploiting social review-enhanced convolutional matrix factorization for social recommendation,” IEEE Access, vol. 7, pp. 82826-82837, 2019. [https://doi.org/10.1109/ACCESS.2019.2924443]
• Q. Diao, M. Qiu, C.-Y. Wu, A. J. Smola, J. Jiang, and C. Wang, "Jointly modeling aspects, ratings and sentiments for movie recommendation (JMARS)." pp. 193-202.
• X. Guan, Z. Cheng, X. He, Y. Zhang, Z. Zhu, Q. Peng, and T.-S. Chua, “Attentive aspect modeling for review-aware recommendation,” ACM Transactions on Information Systems (TOIS), vol. 37, no. 3, pp. 1-27, 2019. [https://doi.org/10.1145/3309546]
• B. Pang, L. Lee, and S. Vaithyanathan, “Thumbs up? Sentiment classification using machine learning techniques,” arXiv preprint cs/0205070, , 2002. [https://doi.org/10.3115/1118693.1118704]
• A. C. König, and E. Brill, "Reducing the human overhead in text categorization." pp. 598-603.
• A. Kennedy, and D. Inkpen, “Sentiment classification of movie reviews using contextual valence shifters,” Computational intelligence, vol. 22, no. 2, pp. 110-125, 2006. [https://doi.org/10.1111/j.1467-8640.2006.00277.x]
• M. Annett, and G. Kondrak, "A comparison of sentiment analysis techniques: Polarizing movie blogs." pp. 25-35. [https://doi.org/10.1007/978-3-540-68825-9_3]
• P. Ferguson, N. O'Hare, M. Davy, A. Bermingham, P. Sheridan, C. Gurrin, and A. F. Smeaton, “Exploring the use of paragraph-level annotations for sentiment analysis of financial blogs,” 2009.
• A. Pak, and P. Paroubek, "Twitter as a corpus for sentiment analysis and opinion mining." pp. 1320-1326.
• Y. Zhang, Q. Ai, X. Chen, and W. B. Croft, "Joint representation learning for top-n recommendation with heterogeneous information sources." pp. 1449-1458.
• L. Zheng, V. Noroozi, and P. S. Yu, "Joint deep modeling of users and items using reviews for recommendation." pp. 425-434.
• C. Chen, M. Zhang, Y. Liu, and S. Ma, "Neural attentional rating regression with review-level explanations." pp. 1583-1592.
• Y. Tay, A. T. Luu, and S. C. Hui, "Multi-pointer co-attention networks for recommendation." pp. 2309-2318.
• G. Shani, and A. Gunawardana, "Evaluating recommendation systems," Recommender systems handbook, pp. 257-297: Springer, 2011. [https://doi.org/10.1007/978-0-387-85820-3_8]
• K. Goldberg, T. Roeder, D. Gupta, and C. Perkins, “Eigentaste: A constant time collaborative filtering algorithm,” information retrieval, vol. 4, no. 2, pp. 133-151, 2001. [https://doi.org/10.1023/A:1011419012209]
• F. O. Isinkaye, Y. O. Folajimi, and B. A. Ojokoh, “Recommendation systems: Principles, methods and evaluation,” Egyptian Informatics Journal, vol. 16, no. 3, pp. 261-273, 2015. [https://doi.org/10.1016/j.eij.2015.06.005]