상품추천 시스템은 인터넷과 정보통신기술의 발전으로 새롭게 등장한 전자상거래 개인화 서비스 시스템이다. 상품추천 시스템은 개별 고객의 선호도와 취향에 적합한 상품이나 컨텐츠를 자동으로 추천하는 시스템이다. 상품추천 시스템은 상품이나 서비스에 관한 고객의 선택이 필요한 거의 모든 분야에 폭넓게 적용되고 있으며 그 결과도 매우 성공적이다. 상품추천 시스템의 핵심인 상품추천 알고리즘의 종류는 매우 다양하다. 가장 널리 사용되는 상품추천 ...
상품추천 시스템은 인터넷과 정보통신기술의 발전으로 새롭게 등장한 전자상거래 개인화 서비스 시스템이다. 상품추천 시스템은 개별 고객의 선호도와 취향에 적합한 상품이나 컨텐츠를 자동으로 추천하는 시스템이다. 상품추천 시스템은 상품이나 서비스에 관한 고객의 선택이 필요한 거의 모든 분야에 폭넓게 적용되고 있으며 그 결과도 매우 성공적이다. 상품추천 시스템의 핵심인 상품추천 알고리즘의 종류는 매우 다양하다. 가장 널리 사용되는 상품추천 알고리즘은 협업 필터링 알고리즘이다. 상품의 종류가 많아지고 고객 수가 커질수록 동일한 상품을 구매한 고객의 수가 상대적으로 줄어들게 된다. 과거 구매 이력에 전적으로 의존하는 이웃기반 협업 필터링 알고리즘은 선호도 추정 정확도가 떨어지게 되는데, 이를 데이터 희소성 문제라고 한다. 데이터 희소성 문제를 해결하기 위해 제시된 알고리즘이 모델기반 협업 필터링 알고리즘이다. 모델기반 협업 필터링 알고리즘은 고객-상품 간의 선호도 정보를 직접 추천에 사용하지 않고, 선호도 추정 모델을 트레이닝시키는 데 사용한다. 기본적인 아이디어는 고객-상품 간의 상호작용을 그들 간의 잠재적인 특성을 나타내는 요인으로 모델링하는 것이다. 모델링 기반 협업 필터링 알고리즘에는 행렬분해(MF) 모델, 특잇값 분해(SVD) 모델, Slope One 모델, Co-Clustering 모델 등이 있다. 벡터공간모델은 단어를 벡터화하여 다차원의 벡터공간에 표현하고 의미론적으로 비슷한 단어들이 서로 가까운 곳에 있도록 하는 방법이다. 벡터공간모델은 주로 자연어 처리 분야에 활용되었으나, 최근에는 상품추천영역에도 활용성이 높아지고 있다. 본 논문에서는 벡터공간모델을 활용한 상품추천 알고리즘을 제안하였고 실증분석을 통해 추정 정확성을 입증하였다. 특히 현존하는 가장 우수한 상품추천 알고리즘으로 알려진 SVD++와 비교하여 비슷하거나 약간 더 우수한 성능을 보였음을 확인한 것은 매우 의미가 크다고 하겠다. SVD++는 백만불의 상금을 걸고 진행되었던 Netflix Prize라는 영화 평점 예측 경진대회를 통해 제안된 알고리즘이다. SVD++알고리즘은 모델링에 많은 시간이 소요되는데 이점은 가장 큰 단점으로 지적되고 있다. 반면에 벡터공간모델을 활용한 상품추천 알고리즘의 모델링 시간은 상대적으로 매우 적게 걸린다. 그러므로 고객의 구매 빈도가 잦고 상품의 추가 및 변경이 잦은 전자상거래 부문의 추천 모델개발에 벡터공간모델을 활용한 상품추천 알고리즘의 유용성이 더욱 커질 것으로 기대된다.
상품추천 시스템은 인터넷과 정보통신기술의 발전으로 새롭게 등장한 전자상거래 개인화 서비스 시스템이다. 상품추천 시스템은 개별 고객의 선호도와 취향에 적합한 상품이나 컨텐츠를 자동으로 추천하는 시스템이다. 상품추천 시스템은 상품이나 서비스에 관한 고객의 선택이 필요한 거의 모든 분야에 폭넓게 적용되고 있으며 그 결과도 매우 성공적이다. 상품추천 시스템의 핵심인 상품추천 알고리즘의 종류는 매우 다양하다. 가장 널리 사용되는 상품추천 알고리즘은 협업 필터링 알고리즘이다. 상품의 종류가 많아지고 고객 수가 커질수록 동일한 상품을 구매한 고객의 수가 상대적으로 줄어들게 된다. 과거 구매 이력에 전적으로 의존하는 이웃기반 협업 필터링 알고리즘은 선호도 추정 정확도가 떨어지게 되는데, 이를 데이터 희소성 문제라고 한다. 데이터 희소성 문제를 해결하기 위해 제시된 알고리즘이 모델기반 협업 필터링 알고리즘이다. 모델기반 협업 필터링 알고리즘은 고객-상품 간의 선호도 정보를 직접 추천에 사용하지 않고, 선호도 추정 모델을 트레이닝시키는 데 사용한다. 기본적인 아이디어는 고객-상품 간의 상호작용을 그들 간의 잠재적인 특성을 나타내는 요인으로 모델링하는 것이다. 모델링 기반 협업 필터링 알고리즘에는 행렬분해(MF) 모델, 특잇값 분해(SVD) 모델, Slope One 모델, Co-Clustering 모델 등이 있다. 벡터공간모델은 단어를 벡터화하여 다차원의 벡터공간에 표현하고 의미론적으로 비슷한 단어들이 서로 가까운 곳에 있도록 하는 방법이다. 벡터공간모델은 주로 자연어 처리 분야에 활용되었으나, 최근에는 상품추천영역에도 활용성이 높아지고 있다. 본 논문에서는 벡터공간모델을 활용한 상품추천 알고리즘을 제안하였고 실증분석을 통해 추정 정확성을 입증하였다. 특히 현존하는 가장 우수한 상품추천 알고리즘으로 알려진 SVD++와 비교하여 비슷하거나 약간 더 우수한 성능을 보였음을 확인한 것은 매우 의미가 크다고 하겠다. SVD++는 백만불의 상금을 걸고 진행되었던 Netflix Prize라는 영화 평점 예측 경진대회를 통해 제안된 알고리즘이다. SVD++알고리즘은 모델링에 많은 시간이 소요되는데 이점은 가장 큰 단점으로 지적되고 있다. 반면에 벡터공간모델을 활용한 상품추천 알고리즘의 모델링 시간은 상대적으로 매우 적게 걸린다. 그러므로 고객의 구매 빈도가 잦고 상품의 추가 및 변경이 잦은 전자상거래 부문의 추천 모델개발에 벡터공간모델을 활용한 상품추천 알고리즘의 유용성이 더욱 커질 것으로 기대된다.
The recommendation system, newly-emerging from the development of Internet and information communication technology, is an e-commerce personalization service system. It automatically recommends goods or contents suitable for individual customers' preferences. These choices and results have been very...
The recommendation system, newly-emerging from the development of Internet and information communication technology, is an e-commerce personalization service system. It automatically recommends goods or contents suitable for individual customers' preferences. These choices and results have been very successful. Product recommendation algorithms, which are the core of product recommendation systems, vary widely. The most commonly used product recommendation algorithm is a collaborative filtering algorithm. As the number of products and cutomers increases, the number of customers who purchase the same products becomes relatively small. Neighborhood-based collaborative filtering algorithms, which rely solely on past purchasing records, are vulnerable to data sparsity problems, thereby resulting in estimation accuracy problems. The proposed algorithm to solve the data sparsity problem is a model based collaborative filtering algorithm. Model-based collaborative filtering algorithms are used to learn preference estimation models without using product preference information for direct recommendation. The basic idea is to model the potential characteristics that exist between the customer and the product. Modeling-based collaborative filtering algorithms include Matrix Factorization, Singular Value Decomposition, Slope One, and Co-Clustering model. The vector space model is a method of vectorizing words and locating semantically similar words close to each other in a multidimensional vector space. It is mainly used in natural language processing area. It has recently increased usability in the recommendation area. This doctoral dissertation suggests a product recommendation algorithm using vector space model, and proves its superiority through empirical analysis based on experimental data. It is especially very meaningful to confirm that the proposed algorithm shows similar or slightly better performance than SVD++, which is the most recommended algorithm. SVD++ is a proposed algorithm through a recommendation algorithm competition called Netflix Prize with a prize worth 1 million dollars. One disadvantage of the SVD++ algorithm is that modeling takes a long time. The modeling time of vector space model based recommendation algorithm is relatively faster than SVD++. It seems a big advantage that modeling time of vector space model based product recommendation algorithm takes elatively less time compared to modeling of the SVD++ algorithm. The vector space model based product recommendation algorithm is expected to be useful for developing a recommendation model for e-commerce, where customers frequently purchase, add, or change, products.
The recommendation system, newly-emerging from the development of Internet and information communication technology, is an e-commerce personalization service system. It automatically recommends goods or contents suitable for individual customers' preferences. These choices and results have been very successful. Product recommendation algorithms, which are the core of product recommendation systems, vary widely. The most commonly used product recommendation algorithm is a collaborative filtering algorithm. As the number of products and cutomers increases, the number of customers who purchase the same products becomes relatively small. Neighborhood-based collaborative filtering algorithms, which rely solely on past purchasing records, are vulnerable to data sparsity problems, thereby resulting in estimation accuracy problems. The proposed algorithm to solve the data sparsity problem is a model based collaborative filtering algorithm. Model-based collaborative filtering algorithms are used to learn preference estimation models without using product preference information for direct recommendation. The basic idea is to model the potential characteristics that exist between the customer and the product. Modeling-based collaborative filtering algorithms include Matrix Factorization, Singular Value Decomposition, Slope One, and Co-Clustering model. The vector space model is a method of vectorizing words and locating semantically similar words close to each other in a multidimensional vector space. It is mainly used in natural language processing area. It has recently increased usability in the recommendation area. This doctoral dissertation suggests a product recommendation algorithm using vector space model, and proves its superiority through empirical analysis based on experimental data. It is especially very meaningful to confirm that the proposed algorithm shows similar or slightly better performance than SVD++, which is the most recommended algorithm. SVD++ is a proposed algorithm through a recommendation algorithm competition called Netflix Prize with a prize worth 1 million dollars. One disadvantage of the SVD++ algorithm is that modeling takes a long time. The modeling time of vector space model based recommendation algorithm is relatively faster than SVD++. It seems a big advantage that modeling time of vector space model based product recommendation algorithm takes elatively less time compared to modeling of the SVD++ algorithm. The vector space model based product recommendation algorithm is expected to be useful for developing a recommendation model for e-commerce, where customers frequently purchase, add, or change, products.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.