A Study on Textual Sentiment and Time-Series Price Feature Analysis : Focusing on Ensemble-based Rating Prediction in E-commerce = 텍스트 감성 및 시계열 가격 특성 통합 분석에 관한 연구: 앙상블 모델 기반의 예측을 중심으로

국문 초록 (Abstract)

최근 이커머스 시장의 성장 둔화와 심화된 플랫폼 간 경쟁으로 인해, 단순한 가격 경쟁을 넘어 소비자 경험 최적화를 통한 차별화 전략의 중요성이 높아지고 있다. 특히, 소비자 리뷰는 단순 피드백을 넘어 전략적 의사결정을 위한 핵심 데이터로 그 가치가 재평가되고 있으며, 리뷰의 감성 정보와 시계열적 가격 변화가 소비자 행동 예측에 복합적인 영향을 미친다는 점에 주목하였다. 따라서, 본 연구는 이커머스 플랫폼에서 소비자 리뷰의 텍스트 가성과 가격 시계열 특성을 결합한 앙상블 예측 모델을 제안하며 두 가지의 목적을 포함한다. 첫째, 리뷰 텍스트의 감성 정보와 시계열 데이터를 통합한 앙상블 모델이 단일 모델보다 예측 성능을 효과적으로 개선할 수 있는지 검증하는 것이며, 둘째, 2단계 앙상블 학습을 통해 예측 정확도의 향상 정도를 정량적으로 평가하는 것이다. 이를 위해 제품 단위, 카테고리 단위, 전체 시장 단위의 3단계 모델링 접근법을 사용하였다. 모델 구축을 위해 가격 변동률, 감성 극성 점수, 외부 온도 특성을 활용한 시계열 특성 공학과 상호작용 변수를 설계하였으며, 감성 값을 도출하기 위해 한국어에 특화된 KoELECTRA을 적용하였다. 특성 선택 전략을 통해 모델의 성능과 해석력을 높였다. 본 연구는 감성 정보와 시계열 데이터를 통합적으로 활용하여 이커머스 소비자 행동을 보다 정확하게 예측하고, 플랫폼의 전략적 의사결정을 지원하는 실무적 시점을 제공한다.

목차 (Table of Contents)

• Chapter 1. Introduction 1
• 1.1. Research Background 1
• 1.2. Research Objectives 5
• 1.3. Research Structure 6
• Chapter 2. Previous Studies on A.I. Adoption 7
• 2.1. Text Analysis Methods 7
• 2.1.1. Natural Language Processing Models 7
• 2.1.2. Sentiment Analysis Methods 8
• 2.2. Time-Series Analysis 11
• 2.2.1. Time-Series Feature Engineering 11
• 2.2.2. Statistical and Machine Learning Approaches 12
• 2.3. Application in E-commerce 15
• 2.3.1. Customer Opinion Analysis in E-commerce 15
• 2.3.2. Integration of Text and Time-Series Data in E-commerce 16
• Chapter 3. Research Methodology 19
• 3.1. Overall Research Framework 19
• 3.2. Sentiment Analysis 21
• 3.3. Data Representation and Feature Engineering 25
• 3.3.1. Input Feature Design 25
• 3.3.2. Feature Engineering Strategy 29
• 3.3.3. Feature Selection 34
• 3.4. Two-Stage Ensemble Modeling Architecture 35
• 3.4.1. Stage-1 : Base Model 35
• 3.4.2. Stage-2 : Meta Model 40
• 3.5. Evaluation Metrics 40
• Chapter 4. Experiments Design and Results 42
• 4.1. Dataset 42
• 4.1.1. Data Collection 42
• 4.1.2. Data Preprocessing 43
• 4.2. Sentiment Analysis 46
• 4.2.1. Experimental Design 46
• 4.2.2. Sentiment Analysis Results 48
• 4.3. Feature Engineering and Selection 49
• 4.4. Two-Stage Predictive Modeling 55
• 4.4.1. Experimental Design 55
• 4.4.2. Model Training and Optimization 56
• 4.5. Item/Category/Global-level Model Performance 56
• 4.6. Ensemble Model Performance 58
• Chapter 5. Conclusion 61
• 5.1. Key Research Findings 61
• 5.1.1. Research Summary 61
• 5.1.2. Academic Implication 62
• 5.1.3. Practical Implication 63
• 5.2. Research Limitations 65
• 5.3. Future Works 66
• Reference 67
• Appendix A 81
• Appendix B 82