研究事例紹介
レビューから、スペック表にない『新しい項目』を見つけよう！
この研究では、大量の商品レビューの中から、メーカーのスペック表には載っていないけれど、商品を比較するときには役立つ「新しいスペック項目」を発見する手法を提案しています。 たくさんの人が書いている一般的な特徴ではなく、「使ってみた人がたまに言及する、細かいけれど役に立つ特徴」に注目し、似た内容のレビューを集めることで、新しい比較項目として取り出します。
オンラインショッピングで商品を比較するときには、商品の「スペック表」を見ることがあります。 たとえばカメラなら、重量、センサーサイズ、画素数、バッテリー容量など、メーカーがあらかじめ用意した項目を使って、複数の商品を比較できます。 一方で、実際に商品を選ぶときに気になることが、すべてスペック表に載っているとは限りません。
たとえば、
- 寒い場所でもバッテリーが長持ちする
- 手袋をしたままでも操作しやすい
- 長時間使っていると本体が熱くなる
- 部品を簡単に取り外して洗える
といった特徴は、レビューには現れますが、スペックシートの項目にはありません。
こうした特徴は、実際にその商品を使った人だからこそ気づくものなので、メーカーが用意したスペック表には項目自体が存在しないことがあります。 一方で、商品レビューを読むと、こうした「実際に使って初めて分かる特徴」がたくさん書かれています。
ところが、ここにも問題があります。 「画質が良い」「軽い」といった有名な特徴なら、多くのレビューで言及されます。 しかし、「手袋をしたまま操作できた」のような細かい特徴は、それを実際に経験した一部の人しか書きません。 そのため、商品選びに役立つ特徴であっても、大量のレビューの中に埋もれてしまいます。
そこで本研究では、レビューの中に少数だけ存在する、「あまり書かれていないけれど、商品を比較するときには役に立つ特徴」を発見し、スペック表の新しい項目として取り出すことを目指しました。
この研究では、大量のレビューを意味の近さによってグループ分けし、その中から「少数だけれど、まとまりがよく、ほかとは違う内容について書かれているグループ」を探します。
まず、同じ商品の特徴について書かれたレビューが近くなるように、レビュー文をベクトルに変換するAIを学習します。 たとえば、
- 「手袋を外さなくても設定を変更できました」
- 「冬にグローブをしたままでもボタンを押せます」 という2つのレビューは、使っている言葉は違っていても、どちらも「手袋をした状態での操作性」という同じ特徴について書かれています。
そこで、既存の商品のスペック項目とレビューとの対応関係を生成AIに判断させ、その結果を使って、「同じ特徴について書かれたレビューは近く、違う特徴について書かれたレビューは遠く」なるようにAIを学習します。
次に、近くに集まったレビューをグループに分けます。
そして、それぞれのグループについて、
- グループ内のレビューが同じ特徴について書かれているか
- その特徴について書いたレビューが少数か
- ほかのグループとは異なる特徴について書かれているか
という3つの観点から評価し、「少数だけれど役に立ちそうな特徴」を上位にランキングします。
最後に、上位になったレビューのグループを生成AIに読ませ、「このレビューたちは、商品の何について書いているのか」を短いスペック項目名として生成します。
これにより、単に珍しいレビューを見つけるのではなく、
- 「手袋での操作性」
- 「ポケットへの収まり」
- 「集合住宅での使いやすさ」
といった、既存のスペック表にはなかった新しい比較項目として整理できます。
さらに、その項目の根拠となった実際のレビュー文も一緒に表示することで、「なぜこの項目が作られたのか」も確認できるようにしています。
提案手法の有効性を確かめるため、カメラ、パソコン、イヤホン、テレビ、腕時計、スマートフォン、掃除機、炊飯器、加湿器など、15種類の商品カテゴリ、合計150商品について実験しました。
それぞれの商品から提案手法によって新しいスペック項目の候補を抽出し、被験者に、
- 商品のスペック項目として自然か
- 一般的なスペック表には載っていないような細かい特徴か
- 商品を比較するときに役立つか
という3つの観点から評価してもらいました。
実験の結果、提案手法は、通常のBERTを使ってレビューをまとめる方法や、単純に「少数のレビューからなるグループ」を優先する方法よりも、3つの条件をすべて満たす特徴を上位に発見できました。
特に興味深かったのが、もともとスペック表の項目が少ない商品カテゴリでも、新しい比較項目を発見できたことです。
たとえば、掃除機、炊飯器、加湿器、ドライヤー、電子レンジなど、学習には使用していない商品カテゴリからも、
- 「コードの長さと取り回し」
- 「部品の取り外しやすさ」
- 「水垢の付きやすさ」
- 「集合住宅での使いやすさ」
といった、通常のスペック表には載りにくい、実際の使用経験に基づく特徴を発見できました。
この結果から、レビューには単なる商品の「感想」だけではなく、「メーカーがあらかじめ用意したスペック表にはない、新しい商品比較の軸そのものが隠れている」こと、そして、それらを大量のレビューから自動的に発見できる可能性が示されました。
大量の商品レビューから、同じ商品の特徴について書かれたレビューをグループ化。「少数だけれど、まとまりがよく、ほかとは違う」レビュー群を探し、生成AIを使って新しいスペック項目として整理します。
文献情報
- タイトル：
- Discovering Minor Product Attributes from Reviews via Attribute-Aware Encoding and Minor-Utility Cluster Ranking
- 著者：
- Naito Yoshihara, Takehiro Yamamoto, Yoshiyuki Shoji
- 書誌情報：
- Proc. of the 10th International Conference on Natural Language Processing and Information Retrieval (NLPIR 2026), to appear, 2026
