전통적으로 '연결되지 않은' 세상에서는 리뷰 텍스트를 한꺼번에 수집하기가 어려웠습니다. OCR(온라인 소비자 리뷰)은 Yelp 및 Amazon과 같은 온라인 리뷰 웹사이트에서 자유 텍스트 형식으로 제공되는 경우가 많습니다. 이러한 포괄적인 정보 소스는 개인과 기업이 더 나은 결정을 내리는 데 도움이 될 수 있지만, 소비자는 잠재적으로 관련성이 있을 수 있는 여러 텍스트 리뷰를 찾아 읽어야 하는 어려운 작업에 직면해 있으며, 이로 인해 정보 과부하 문제가 발생할 수 있습니다. 따라서 사용자 선호도를 이해하고 정확한 예측 및 권장 사항을 만들기 위해 리뷰에서 사용 가능한 귀중한 데이터를 마이닝하는 것이 중요합니다. 이 작업을 단순화하고 시간 효율성을 높이기 위해 특정 리뷰 웹사이트에서는 그림 1 과 같이 텍스트 리뷰 외에 리뷰 평점의 평균 점수를 제공합니다 . 그림 1 그림 1 텍스트 리뷰 및 해당 평가의 예 [ 11 ] 전체 크기 이미지 평균 리뷰 평점을 시각적으로 표시하기 위해 가장 일반적으로 사용되는 방식은 별 5개 채점 시스템입니다. 이러한 점수는 숫자 평점을 통해서만 계산할 수 있으므로 텍스트 리뷰는 숫자 값이나 별 평점으로 변환해야 합니다. 이를 수행하는 방법에는 두 가지가 있습니다. (1) 별 평점을 사용하여 고객에게 제품 및 서비스에 대한 의견을 표현하도록 요청하거나 (2) 감정 예측 기술을 사용하여 텍스트 리뷰의 전체 평점을 계산합니다. 전통적으로 텍스트 리뷰에 표현되는 사용자 감정은 점수 평점과 높은 상관관계가 있어야 한다고 가정합니다[ 16 , 48 ]. 그러나 텍스트 감정과 평가 사이에 불일치가 있을 수 있습니다. 이는 솔루션 모델에서 리뷰 텍스트나 평가 점수를 활용하는 연구에 대한 가치가 없는 데이터 소스를 나타냅니다. 또한 일부 연구에서는 평점이나 리뷰 텍스트만 서로 상관관계가 있다고 가정하여 고려했습니다. 따라서 이러한 연구는 연구 목적을 충족하지 못했을 수도 있습니다 [ 35 , 47 ]. 이 점이 다른 연구에 사용될 리뷰의 타당성을 식별하는 데 도움이 됨에도 불구하고 문헌에서는 이 문제가 간과되어 왔습니다[ 3 , 66 , 67 ]. 구글 상위노출 온라인카지노 커뮤니티 스포츠중계 스포츠중계 성인용품 성인용품 롤 토토 롤 토토 비제이벳 강남달토 강남레깅스룸 11