화장품 리뷰를 활용한 사전학습모델 성능 비교 연구 : BERT, RoBERTa, ELECTRA를 중심으로 = A Comparative Study of Pretrained Language Models Using Cosmetic Review Data: BERT, RoBERTa, and ELECTRA

국문 초록 (Abstract)

본 연구는 화장품 리뷰의 평점을 예측하기 위해 다양한 AI 모델의 성능을 체계적으로 비교하고 분석하였다. 화장품은 소비자가 자주 구입하는 상품 중 하나로, 제품을 직접 사용하기 전에는 효과를 알 수 없기 때문에, 온라인 리뷰가 구매 결정 과정에서 중요한 역할을 한다. 특히, AI 기술이 발전함에 따라 온라인 리뷰 분석에 대한 관심이 증가하고 있지만, 화장품 리뷰 데이터의 특성을 고려한 분석은 상대적으로 연구가 부족한 상태다.
이 연구에서는 N과 O 전자 상거래 플랫폼에서 추출한 화장품 브랜드 A, B, C의 제품에 대한 리뷰 데이터 총 8,224개를 사용하여, Pretrained Language Models인 RoBERTa, KcELECTRA, KcBERT의 Fine-tuning 후 각 모델의 성능을 평가하였다. 성능은 정확도, 정밀도, 재현율, F1 Score로 측정하였으며, 각각의 모델은 다른 학습 방식과 목표를 가지고 있다. 결과적으로 KcELECTRA가 대부분의 지표에서 우수한 성능을 보였고, 특히 Cosmetic C의 경우 모든 지표에서 최고 성능을 보였다.
이러한 결과는 BERT, ELECTRA, RoBERTa 모델이 각각 다른 특성을 가지고 있음을 보여주며, 화장품 리뷰 데이터에 대한 각 모델의 적합성을 확인할 수 있었다. 이를 통해 기업은 소비자 반응을 보다 정확히 예측하고 마케팅 전략을 세울 수 있으며, 학문적으로도 여러 PLM을 비교하며 그 효율성을 평가한 점에서 기여를 하였다.
Keywords: Pre-trained Language Model, Review Data, AI, NLP, Sentiment Analysis

목차 (Table of Contents)

• 국문요지 V
• 제 1 장 서론 1
• 1. 연구의 방법 2
• 2. 연구의 방법 2
• 3. 연구의 구성 3
• 제 2 장 이론적 배경 3
• 1. 화장품 산업 5
• 1.1 화장품 산업의 개념 및 정의 5
• 1.2 화장품 산업의 특성 5
• 1.3 화장품 산업의 현황 7
• 1.4 화장품 산업 선행 연구 8
• 1.5 화장품 리뷰 분석의 중요성 및 필요성 12
• 2. 온라인 리뷰 13
• 2.1 온라인 리뷰의 개념 13
• 2.2 온라인 리뷰의 특성 및 현황 16
• 3. 데이터 프레임워크(Data Framework) 17
• 3.1 데이터 프레임워크의 정의 17
• 3.2 산업별 데이터의 특성 20
• 3.2.1 금융 산업 20
• 3.2.2 소매 및 전자 상거래 산업 22
• 3.2.3 의료 산업 22
• 3.2.4 제조 산업 24
• 3.2.5 통신 산업 25
• 3.2.6 산업별 데이터 프레임 워크 27
• 3.2 화장품 산업 데이터의 특성 31
• 4. 감성분석(Sentiment Analysis) 32
• 4.1 감성분석의 정의 32
• 4.2 감성분석 선행연구 34
• 5. 사전 학습 모델(Pre-trained Language Model) 38
• 5.1 사전 학습 모델의 정의 38
• 5.2 KcBERT 43
• 5.3 RoBERTa 45
• 5.4 KcELETRA 46
• 5.5 KcBERT, RoBERTa, KcELECTRA 비교 48
• 5.6 사전 학습 모델 선행 연구 51
• 제 3 장 연구 방법 55
• 1. 분석 자료 55
• 2. 분석 환경 60
• 3. 분석 방법 61
• 제 4 장 연구 결과 67
• 1. 모델 성능 비교 67
• 제 5 장 결론 70
• 1. 연구 결과 요약 70
• 2. 연구의 의의 및 시사점 70
• 3. 한계점 및 추후 연구 방향 71
• 참고문헌 75
• Abstract 82