향수 선호 네트워크 기반 감성 커뮤니티 탐색

초록

이 논문은 이란 온라인 향수 쇼핑몰에서 수집한 사용자 리뷰와 평점을 활용해, 긍정적인 감성만을 포함한 이분 그래프를 향수‑공동선호 네트워크로 변환한다. 이 네트워크에 감성‑가중치(이모지와 속성 평점)와 60:40 비율의 가중합을 적용한 뒤, Louvain, Fast‑Greedy, Infomap, Walktrap 등 여러 커뮤니티 탐지 알고리즘을 실행한다. 감성‑가중치가 반영된 네트워크는 모듈러티가 크게 상승했으며, 향수 군집이 사용자 선호와 감성 프로파일에 맞게 재구성돼 향수 추천 및 마케팅에 실용적인 인사이트를 제공한다.

상세 분석

본 연구는 향수 산업에 네트워크 과학을 적용한 최초 사례로, 데이터 수집·전처리·감성 분석·가중 네트워크 구축·커뮤니티 탐지의 전 과정을 체계적으로 제시한다. 먼저 “Atrafshan” 플랫폼에서 10 000명 이상 사용자의 텍스트 리뷰와 3가지 속성(향, 지속성, 시라지) 평점을 크롤링하고, 이모지를 퍼시안어 의미와 매핑해 감성 사전(긍정/부정)으로 확장하였다. 감성 라벨링은 텍스트 기반 사전 분류와 평점 기반 이진화(7점 이상 긍정, 3점 이하 부정)를 결합해 정확도를 높였으며, 이를 통해 긍정 리뷰만을 추출해 이분 그래프(사용자‑향수)를 구성했다.

이분 그래프를 투사하여 향수‑공동선호 네트워크를 만들 때, 두 향수가 동일 사용자에게 긍정적으로 평가된 횟수를 단순 연결 강도로 사용하였다. 여기서 핵심 혁신은 속성 평점 평균을 가중치에 60 % 반영하고, 기존 연결 강도를 40 % 가중합한 복합 가중치를 도입한 점이다. 예를 들어, 향수 A와 B가 30명의 공통 긍정 사용자와 평균 향기 평점 8.2점을 가졌다면, 최종 가중치는 0.6 × 8.2 + 0.4 × 30 형태가 된다. 이러한 가중치는 감성 강도와 사용자 만족도를 동시에 반영한다.

가중 네트워크에 대해 Louvain, Fast‑Greedy, Infomap, Walktrap 네 가지 알고리즘을 적용했으며, 각 알고리즘별 모듈러티와 군집 수를 비교하였다. 감성‑가중치가 적용된 네트워크는 원시 네트워크 대비 평균 모듈러티가 0.12~0.18 상승했으며, 특히 Louvain이 가장 높은 모듈러티(0.71)를 기록했다. 군집 분석 결과, 동일 향수 그룹(예: 플로럴, 오리엔탈, 시트러스)과 사용자 감성 프로파일(긍정/부정 비율, 평점 평균)이 높은 일치도를 보였다. 이는 향수 추천 시스템에 감성‑가중 군집을 활용하면, 사용자가 선호하는 향수 유형을 보다 정밀하게 예측할 수 있음을 의미한다.

또한, 이모지 기반 감성 보강이 텍스트만 사용했을 때보다 라벨링 정확도를 약 7 % 향상시켰으며, 평점 기반 보정이 감성 라벨의 신뢰성을 추가로 높였다. 연구는 데이터셋을 GitHub에 공개함으로써 재현 가능성을 확보하고, 향후 다국어 감성 사전 구축 및 동적 네트워크 분석(시간에 따른 선호 변화)으로 확장할 여지를 남긴다.