Defect product estimation using customer reviews, Amazon use case

Abstract

Teknoloji her alanı etkilediği gibi ticareti de çok etkiledi. Günümüzde artık, üreticiler, perakendeciler, hizmet sağlayıcılar gibi son kullanıcıya hitap eden tüm işletmeler e-ticaret siteleri ve mobil uygulamaları gibi yöntemlerle internet üzerinden müşterilerine hızlıca ulaşabiliyorlar. Diğer yandan, müşteriler ise artık birçok seçenek arasından seçim yapma şansına sahipler. Kullanıcılar genellikle seçimlerini yaparken daha önce aynı tecrübeyi paylaşmış diğer kullanıcıların yorumlarından faydalanırlar. Bu açıdan kullanıcı yorumları çok değerli bilgiler içerir. Fakat yoğun kullanılan sitelerde bir insanın tek tek inceleyemeyeceği kadar çok yorum birikir. Biz bu çalışmada, ürünlerin belli bir özelliğine, yani kusurlu özelliklerine odaklandık. Kusur bilgisi içeren milyonlarca yorum içinden ilgili yorumları filtre edebilmek için bir yöntem öneriyoruz. Kusur ile ilgili kelimeleri sözlük yardımı ile elle oluşturup bu kelimeler geçen yorumları filtrelemek bir çözüm önerisi olabilir. Fakat bu kelime listesini elle oluşturmak verimli olmayacaktır. Bunun için sadece ilgili ürün gruplarına ait yorumları kullanarak kendi kelime temsil modelimizi eğitip, bu modelle birlikte kelime yakınlıklarını kullanarak daha verimli bir kusur kelimeleri listesi oluşturduk. Kullanıma hazır önceden eğitilmiş bir kelime temsil modelini indirip, bu modelle kendi modelimizi kıyasladık. Genel konularda hazır modelin daha başarılı olurken, özel bir konuda kendi modelimizin kelime listesi oluşturmada daha başarılı olduğunu gördük.

Commerce is highly affected by technological improvements, like every other field. Today, all businesses who want to reach end-users, such as manufacturers, retailers, or service providers, can reach their customers quickly over the internet through methods such as e-commerce sites and mobile applications. On the other side, customers now have the opportunity to choose from many options. While deciding, users generally benefit from the comments of other users who have shared the same experience before. In this respect, user comments contain very valuable information. However, on heavily used sites, so many comments accumulate that a person cannot review them one by one. In this study, we focused on a certain feature of the products, namely their defective features, and we propose a method to filter related comments from millions of comments containing the ones that include only defect information. A simple solution may be manually creating a word list related to defects and filtering the comments that contain these words. But manually creating the word list will not be efficient. For this, we trained our own word-embedding model using only the comments of the relevant product groups and created a more efficient list of defect words list by using word similarities using this model. We downloaded a ready-to-use pre-trained word-embedding model and compared it with our own model. We observed that the pre-trained model is more successful in general tasks, while our own model is more successful in creating a word list on a context-specific task.