본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색

결과 내 검색

동의어 포함

고급검색

인명/단체명

저자정보 상세정보
인명/단체명을 입력하세요.

키워드

  • 대표어

  • 외국어

-

목차보기

Title Page 1

Contents 4

Chapter 1. Introduction 9

1.1. Research Background 9

1.2. Research Objectives 13

1.3. Research Structure 14

Chapter 2. Previous Studies on A.I. Adoption 15

2.1. Text Analysis Methods 15

2.1.1. Natural Language Processing Models 15

2.1.2. Sentiment Analysis Methods 16

2.2. Time-Series Analysis 19

2.2.1. Time-Series Feature Engineering 19

2.2.2. Statistical and Machine Learning Approaches 20

2.3. Application in E-commerce 23

2.3.1. Customer Opinion Analysis in E-commerce 23

2.3.2. Integration of Text and Time-Series Data in E-commerce 24

Chapter 3. Research Methodology 27

3.1. Overall Research Framework 27

3.2. Sentiment Analysis 29

3.3. Data Representation and Feature Engineering 33

3.3.1. Input Feature Design 33

3.3.2. Feature Engineering Strategy 37

3.3.3. Feature Selection 42

3.4. Two-Stage Ensemble Modeling Architecture 43

3.4.1. Stage-1 : Base Model 43

3.4.2. Stage-2 : Meta Model 48

3.5. Evaluation Metrics 48

Chapter 4. Experiments Design and Results 50

4.1. Dataset 50

4.1.1. Data Collection 50

4.1.2. Data Preprocessing 51

4.2. Sentiment Analysis 54

4.2.1. Experimental Design 54

4.2.2. Sentiment Analysis Results 56

4.3. Feature Engineering and Selection 57

4.4. Two-Stage Predictive Modeling 63

4.4.1. Experimental Design 63

4.4.2. Model Training and Optimization 64

4.5. Item/Category/Global-level Model Performance 64

4.6. Ensemble Model Performance 66

Chapter 5. Conclusion 69

5.1. Key Research Findings 69

5.1.1. Research Summary 69

5.1.2. Academic Implication 70

5.1.3. Practical Implication 71

5.2. Research Limitations 73

5.3. Future Works 74

Reference 75

국문요약 87

Appendices 89

Appendix A 89

Appendix B 90

List of Tables 7

Table 1. XGBoost Hyperparameters 44

Table 2. LightGBM Hyperparameters 45

Table 3. CatBoost Hyperparameters 46

Table 4. Random Forest Hyperparameters 47

Table 5. Summary of Product and Review Counts by Category 50

Table 6. Comparison of Sentence Split Results between KSS and KiwiPiepy (English... 53

Table 7. Optimal Hyperparameter Settings for Fine-tuned Sentiment Models 55

Table 8. Test Set Performance of Fine-tuned Sentiment Analysis 56

Table 9. Comparison of Feature Selection Methods on Rating_mean Prediction... 58

Table 10. Comparison of Feature Selection Methods on Polarity_mean Prediction... 59

Table 11. R² Score by Model Combination for Rating Prediction 66

Table 12. R² Score by Model Combination for Polarity Prediction 67

List of Figures 8

Figure 1. Overall Research Framework 28

Figure 2. BERT Pre-training and Fine-tuning Procedures 29

Figure 3. BERT Input Representation 30

Figure 4. Overview of the ELECTRA Pre-training Framework 32

Figure 5. Importance of Top-10 Features Selected by XGBoost for Rating_mean... 61

Figure 6. Importance of Top-10 Features Selected by RFE for Rating mean Prediction 61

Figure 7. Importance of Top-10 Features Selected by XGBoost for Polarity_mean... 62

Figure 8. Importance of Top-10 Features Selected by RFE for Polarity_mean... 62

초록보기

 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.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차

권호

기사명 원문보기 기사목차
닫기