아마존 리뷰 56만 건, 다섯 가지 방법으로 동시에 뜯어보면 뭐가 보일까?

무슨 연구인가

온라인 쇼핑몰 리뷰에는 글, 별점, '도움돼요' 투표가 뒤섞여 있어요. 이 연구는 아마존 식품 리뷰 56만여 건을 하나의 잣대가 아니라 여러 분석 도구로 '나란히' 돌려보면서, 각 도구가 답할 수 있는 질문이 서로 다르다는 걸 정직하게 보여줍니다.

🔬 어떻게 분석했나

① 먼저 데이터를 모았어요 — 아마존 식품 리뷰 568,454건(1999~2012년)이 원재료입니다. 분석 전에 '제품 단위로' 학습용과 시험용을 갈라놓는 게 포인트예요. 같은 제품의 리뷰가 양쪽에 섞이면 컴퓨터가 답을 몰래 외워버리는 '컨닝(데이터 누수)'이 생기거든요.
② 숨은 주제를 찾았어요(LDA) — LDA는 수많은 리뷰에서 '자주 함께 등장하는 단어 묶음'을 찾아, 사람이 지정하지 않아도 '숨은 주제'를 자동으로 뽑아내는 기법입니다. 주제 개수를 3~8개로 바꿔가며 비교했더니 3개로 나눌 때가 가장 안정적이었어요.
③ 긍·부정을 가렸어요(감성분류) — 리뷰 글을 TF-IDF라는 방법으로 숫자 표로 바꿨어요. 아무 데나 나오는 흔한 단어는 힘을 빼고, 특정 리뷰에만 콕 나오는 단어에 힘을 싣는 방식이죠. 이 숫자를 로지스틱 회귀(여러 단서를 저울질해 '긍정이냐 부정이냐'를 확률로 찍는 분류기)에 넣었더니 100건 중 94~95건을 맞혔습니다.
④ '도움돼요' 투표도 다뤘어요 — 투표가 0인 리뷰 27만 건을 '도움 안 됨'으로 치지 않고 '아직 평가 안 됨'으로 따로 뒀어요. 기준을 어디에 두느냐에 따라 '도움된 리뷰' 비율이 크게 출렁인다는 것도 확인했죠.

📊 무엇을 찾았나

감성분류는 100건 중 94~95건을 맞힐 만큼 정확했지만, 리뷰의 '구조적 특징'만으로 별점을 예측하는 모델은 설명력이 R²=0.18 수준(열에 두 개쯤만 설명)에 그쳐 참고용으로만 쓸 수 있었어요.

💡 내 연구에 가져갈 것

리뷰 데이터로 모델을 만들 땐 '전체 정확도' 한 숫자에 속지 말고, 제품 단위로 학습·시험을 갈라 컨닝부터 막으세요.

📄 논문 정보

A Multi-Branch Framework for Multidimensional Online Review Analytics
Fuangfar Pensiri, Pattarapol Pornsirirung, Natthakit Khonthong, Wisit Poonsawat, Suchada Chomjan, Keun Ho Ryu, Porawat Visutsak
Journal of theoretical and applied electronic commerce research · 2026-10-07
원문 보기 ↗