$\require{mediawiki-texvc}$
  • 검색어에 아래의 연산자를 사용하시면 더 정확한 검색결과를 얻을 수 있습니다.
  • 검색연산자
검색연산자 기능 검색시 예
() 우선순위가 가장 높은 연산자 예1) (나노 (기계 | machine))
공백 두 개의 검색어(식)을 모두 포함하고 있는 문서 검색 예1) (나노 기계)
예2) 나노 장영실
| 두 개의 검색어(식) 중 하나 이상 포함하고 있는 문서 검색 예1) (줄기세포 | 면역)
예2) 줄기세포 | 장영실
! NOT 이후에 있는 검색어가 포함된 문서는 제외 예1) (황금 !백금)
예2) !image
* 검색어의 *란에 0개 이상의 임의의 문자가 포함된 문서 검색 예) semi*
"" 따옴표 내의 구문과 완전히 일치하는 문서만 검색 예) "Transform and Quantization"
쳇봇 이모티콘
안녕하세요!
ScienceON 챗봇입니다.
궁금한 것은 저에게 물어봐주세요.

논문 상세정보

오프라인 쇼핑몰에서 개인화된 상품 추천을 위한 사용자의 이동패턴 분석

Users' Moving Patterns Analysis for Personalized Product Recommendation in Offline Shopping Malls

초록

유비쿼터스 컴퓨팅에서 대부분의 시스템들이 개인화된 추천을 위하여 사용자와 성향이 비슷한 사람들의 컨텍스트 정보를 분석하는데 인구통계학적 방법이나 협력적 필터링을 주로 사용한다. 서비스 추천 시스템들은 컨텍스트 정보 중에서 성별, 나이, 직업, 구매이력 등의 정적 컨텍스트를 주로 사용하고 있다. 그러나 이러한 시스템은 이동경로 같은 사용자의 상황을 고려하기가 어렵기 때문에 개인의 성향을 정확하게 분석하여 실시간으로 개인화된 추천 서비스를 제공하는데 한계가 있다. 본 논문에서는 사용자의 상황을 고려하기 위해 동적 컨텍스트 중에서 사용자의 이동경로를 이용한다. 이동경로의 예측 정확도를 높이기 위해 RSOM의 입력으로 들어가는 이동경로를 경로보정 알고리즘을 사용하여 보정한다. 그리고 보정된 경로를 RSOM으로 학습시켜 사용자의 이동패턴을 분석하고 향후 이동경로를 예측한 후, 사용자의 선호도가 높은 상품들 중에서 예측 경로 상에 있는 가장 가까운 상품을 실시간으로 추천한다. 제안한 방법의 예측 정확도를 측정한 결과 MAE가 평균 0.5 이하로 측정됨으로써 사용자의 이동경로를 올바르게 예측할 수 있음을 확인하였다.

Abstract

Most systems in ubiquitous computing analyze context information of users which have similar propensity with demographics methods and collaborative filtering to provide personalized recommendation services. The systems have mostly used static context information such as sex, age, job, and purchase history. However the systems have limitation to analyze users' propensity accurately and to provide personalized recommendation services in real-time, because they have difficulty in considering users situation as moving path. In this paper we use users' moving path of dynamic context to consider users situation. For the prediction accuracy we complete with a path completion algorithm to moving path which is inputted to RSOM. We train the moving path to be completed by RSOM, analyze users' moving pattern and predict a future moving path. Then we recommend the nearest product on the prediction path with users' high preference in real-time. As the experimental result, MAE is lower than 0.5 averagely and we confirmed our method can predict users moving path correctly.

저자의 다른 논문

참고문헌 (12)

  1. M. Weiser, 'Some computer science issues in ubiquitous computing,' Communication of the ACM, Vol.36, Issue 7, pp.75-84, July 2003 
  2. A. K. Dey, and G. D. Abowd, 'A Conceptual Framework and a Toolkit for Supporting the Rapid Prototyping of Context-Aware Applications,' Human Computer Interaction, Vol.16, pp.97-166, 2001 
  3. B. Schilit, N. Adams, and R. Want, 'ContextAware Computing Applications,' 1st International Workshop on Mobile Computing Systems and Application., pp.85-90, 1994 
  4. A. K. Dey, and G. D, Abowd, 'Towards a Better Understanding of Context and Context-Awareness,' In Proceedings of the CHI 2000 Workshop on The What, Who, Where, When, and How of Context-Awareness (The Hague, Netherlands), Apr. 2000 
  5. 장세이, 우운택, '유비쿼터스 컴퓨팅 환경을 위한 컨텍스트 기반 애플리케이션 구조', 한국정보과학회 HCI 논문집, 제2권, pp.346-351, 2003 
  6. J. Pascoe, 'Adding Generic Contextual Capabilities to Wearable Computers,' 2nd International Symposium on Wearable Computers, pp. 92-99, 1998 
  7. Badrul SarWar, George Karypis, Joseph Konstan, and John Riedl, 'Analysis of Recommendation Algorithms for E-Commerce,' The ACM E-Commerce 2000 Conference, 2000 
  8. Lyle H. Unger and Dean P. Foster, 'Clustering Methods for Collaborative Filtering,' Proceeding of the 1998 Workshop on Recommendation Systems, pp. 114-129, 1998 
  9. D. Ashbrook and T. Starner, 'Learning Significant Locations and Predicting User Movement with GPS,' Proc. of IEEE Sixth Int. Symp. on Wearable Computing, Seattle, WA. October, 2002 
  10. J. Han, M. Kamber, 'Data Mining : Concepts and Techniques,' Morgan Kaufman, 2001 
  11. D. Patterson, L. Liao, D. Fox, and H. Kautz, 'Inferring High-Level Behavior from Low-Level Sensors,' Proc. of the Fifth International Conference on Ubiquitous Computing, pp. 73-89, Seattle, W A, October, 2003 
  12. T. Koskela, M. Varsta, J. Heikkonen, and K. Kaski, 'Temporal Sequence Processing using Recurrent SOM,' Proc. of Second Int. Conf, on Knowledge-Based Intelligent Engineering Systems, vol 1, pp. 290-297, Adelaide, Australia, April 1998 

이 논문을 인용한 문헌 (0)

  1. 이 논문을 인용한 문헌 없음

원문보기

원문 PDF 다운로드

  • ScienceON :

원문 URL 링크

원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다. (원문복사서비스 안내 바로 가기)

상세조회 0건 원문조회 0건

DOI 인용 스타일