배경
- 악성 리뷰로 인한 사회 문제
악성 리뷰가 사회 문제가 되고 있어서 최근들어 관련 기사가 늘어나고 있음.
기사 예)
1. "볶음밥 곱빼기로 왜 안 줘", "음식 변기에 버렸다"…도 넘은 악성 리뷰 자영업자 '울상', 2021년 3월 5일, 아시아경제.
2. “못된 배달앱 리뷰에 끙끙” 음식점 사장님의 이중고, 2020년 12월 31일, 더스쿠프
문제 원인
배달의민족(배민)의 경우 최근 평점들을 단순 산술평균으로 평점을 계산.
모든 리뷰에 같은 가중치를 부여하고 있음.
신뢰할만한 리뷰어(평점과 리뷰를 단 사용자)와 악성 리뷰어 모두 같은 가중치를 부여함.
해결 방안
보정 평점 도입
리뷰어의 기존 리뷰 데이터를 바탕으로 가중치를 다르게 부여해서 평점을 계산함.
가중치 부여 방식은 리뷰 개수, 리뷰의 평점 분표, 리뷰 텍스트 양과 질 분석 등으로 할 수 있음.
1. 알고리즘 방식 예)
A란 사용자는 리뷰를 10개 남겼고, 10개 리뷰 모두 1점을 줬다면, 이 사용자한테는 1점이 만점이라고 볼 수도 있음. A란 사용자 리뷰의 평점을 보정해서 계산.
2. 딥러닝 방식도 가능할 것
평점 테러가 극심한 분야는 영화. 네이버 영화 평점 데이터를 수집하고, 평점 테러가 거의 없고, 평점 분포가 정규 분포에 가까운 왓챠 영화 평점 점수를 바탕으로 학습을 시킬 수 있을 것으로 예상.
그래서 이용자 데이터에 따른 평점 가중치 데이터를 얻은 뒤, 이를 배민 데이터에 적용해볼 수 있을 것.
3. 리뷰에 대한 평가 도입
리뷰에 대한 평가를 도입해서 평가를 바탕으로 리뷰어에 대한 가중치를 달리할 수도 있음.
관련 사례)
당근마켓 같은 경우 거래 시 상호 평가를 바탕으로 체온이란 수치로 이를 표현.
사용자들이 높은 온도를 얻기 위해서 노력하게 만듦.
높은 온도를 갖고 있는 사람은 좋은 평판을 바탕으로 쉽게 중고거래를 할 수 있게 됨.
자연스럽게 시장이 정화되는 효과가 나타남.
사용자에게 업체 노출할 때 보정 평점을 기준으로 하되 기존 평점을 함께 보여줄 수 있음.
효과
1. 사장님들의 악성 리뷰에 따른 피해가 감소.
2. 악성 리뷰어 숫자 감소
3. 배민의 이미지 제고