LLM 기반 필터링을 이용한 리뷰 데이터 중심 다중 클래스 감성 분석

초록

전자상거래 리뷰 분석에서 기존의 이진 분류는 소비자의 섬세한 감성 강도를 반영하지 못하며, 다중 클래스 분류는 리뷰 데이터특유의 모호성으로 인해 성능 확보에 한계가 있다. 본 연구에서는 이러한 문제를 해결하기 위해 모델 구조를 변경하는 대신, LLM 기반의 필터링을 통해 학습 데이터의 품질을 높이는 데이터 중심 접근법(Data-centric Approach)을 제안한다. 제안된 방법은 텍스트와 평점 간 정합성을 검증하여 라벨 노이즈를 제거함으로써 4단계 감성 분류를 위한 고품질 데이터셋을 구축한다. 실험 결과, 데이터정제만으로 베이스라인 모델(BERT)의 F1-score가 0.53에서 0.69로 대폭 향상되었으며, 한국어 특화 모델(KcELECTRA)은 베이스라인 대비적은 파라미터로도 최고 성능(Weighted F1 0.83)을 달성하여 제안 기법의 효용성을 입증하였다.

키워드