Abstract

추천 시스템은 종종 텍스트 리뷰와 숫자 평점 간의 불일치를 겪는데, 이는 사용자의 실제 감정을 왜곡하고 추천 품질을 저하시킬 수 있다. 이 문제를 해결하기 위해, 본 연구에서는 확신도 기반 감정 분석을 평점 메커니즘에 통합하는 감정 인지 평점 재조정 기법을 제안한다. 구체적으로, 감정 모델의 확신도 점수가 사전 정의된 임계치를 초과하고 추론된 감정이 원래 평점과 반대일 경우, 해당 평점을 감정 기반 점수로 대체하며, 그렇지 않은 경우에는 원래 평점을 유지한다. 이후 이렇게 재조정된 평점을 최신 추천 모델에 적용하여 예측 정확도와 신뢰성을 향상시킨다. 대규모 아마존 리뷰 데이터셋에 대한 실증 평가 결과, 본 기법이 기존 모델들을 능가함을 확인했으며, 사용자 피드백을 실제 감정과 더 잘 일치시켜 추천 성능을 개선하는 데 효과적임을 보여준다.

Recommender systems often encounter mismatches between textual reviews and numerical ratings, potentially misrepresenting a user’s true sentiment and reducing recommendation quality. To tackle this issue, we propose a sentiment-aware rating recalibration approach that integrates confidence-based sentiment analysis into the rating mechanism. Specifically, when the sentiment model’s confidence score exceeds a predefined threshold and the inferred sentiment opposes the original rating, we replace the rating with the sentiment-derived score; otherwise, we preserve the original rating. We then incorporate these recalibrated ratings into a state-of-the-art recommender model, leading to enhanced prediction accuracy and reliability. Empirical evaluation on a large scale Amazon review dataset demonstrates that our method outperforms baseline models, confirming its effectiveness in improving recommendation performance by better aligning user feedback with actual sentiment.

Recommended citation: 장지원, 최재준, & 추상현*. Enhancing Recommender Systems through Sentiment-Aware Rating Recalibration. 한국지능시스템학회 춘계학술대회 발표논문집, 2025, 제35권 1호, pp. 225-226.