리뷰는 시장이 내보내는 신호 중 가장 풍부한 축에 속합니다. 하지만 한국 셀러가 일본어나 포르투갈어 리뷰 몇 백 개를 직접 읽고 사람들이 실제로 좋아하는지 느낌을 잡을 수는 없습니다. Datriss가 다루는 규모 — 13개 플랫폼에서 지속적으로 수집되는 리뷰 — 에서는 이 읽기가 자동으로, 그것도 여러 언어를 한꺼번에 다룰 수 있어야 합니다.
개념을 보여주는 도식입니다 — 예시 문구와 점수이며 실제 값이 아닙니다.
가장 먼저 떠오르는 방법은 키워드 매칭이고, 이건 금방 무너집니다. "Fine"은 문맥에 따라 미적지근한 칭찬일 수도, 진짜 만족일 수도 있습니다. 한 문장 안에서 상품에는 긍정적이고 포장에는 부정적일 수도 있습니다. 그리고 긍정·부정 단어 목록은 언어마다 처음부터 다시 만들어야 하는데, 13개 플랫폼과 그 위에서 셀러들이 쓰는 온갖 언어를 감당할 만큼 확장되지 않습니다.
더 잘 일반화되는 방법은, 언어별로 사전을 번역해 붙이는 대신 언어에 걸쳐 감성이 실제로 어떻게 표현되는지를 직접 학습한 다국어 모델입니다. 예를 들어 XLM-T는 8개 언어의 감성 라벨 데이터로 다국어 트랜스포머를 한 번에 파인튜닝해서, 언어별 단어 목록을 외우는 대신 감성이 표현되는 공통 패턴을 학습합니다.
이건 Velocity Score™에 직접 반영됩니다. 리뷰 수 증가만으로는 애매합니다. 수요가 늘어서일 수도, 결함에 대한 불만이 쌓이고 있어서일 수도 있습니다. 방향은 양만큼이나 중요하고, 이 둘을 구분해 주는 게 감성입니다.
이게 정확하다는 뜻은 아닙니다. 비꼬는 표현은 여전히 걸러지지 않고, 정말로 뒤섞인 리뷰("품질은 좋은데 포장은 최악")는 점수 하나로 깔끔하게 정리되지 않으며, 평점을 매기는 관습도 문화마다 달라서 비슷한 만족도에서도 어떤 시장은 더 박하게 점수를 줍니다. 여기서 감성은 리뷰 증가율 같은 확실한 숫자 위에 얹는 방향성 신호이지, 그 숫자를 대체하는 게 아닙니다.
- F. Barbieri et al., XLM-T: Multilingual Language Models in Twitter for Sentiment Analysis and Beyond, LREC 2022 (arXiv:2104.12250)— 8개 언어를 한 번에 파인튜닝한 다국어 감성 모델 논문으로, 이 글에서 언급한 접근 방식입니다.