[논문]오프라인 쇼핑몰에서 개인화된 상품 추천을 위한 사용자의 이동패턴 분석

최영환; 이상용

doi:10.5391/jkiis.2006.16.2.185

오프라인 쇼핑몰에서 개인화된 상품 추천을 위한 사용자의 이동패턴 분석
Users' Moving Patterns Analysis for Personalized Product Recommendation in Offline Shopping Malls 원문보기

퍼지 및 지능시스템학회 논문지 = Journal of fuzzy logic and intelligent systems, v.16 no.2, 2006년, pp.185 - 190

초록
AI-Helper

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 ▼ AI-Helper

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.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서 제안하는 방법의 목적은, 사용자가 쇼핑몰에 들어오게 되면 센서로 사용자를 확인하고 이동경로를 예측하여 선호도가 높은 상품을 추천하는데 있다.
본 논문에서는 오프라인 쇼핑몰에서 사용자의 이동패턴을 분석하고 예측하여 개인화된 상품 추천을 하는 방법을 제안하였다. 이 방법은 사용자의 이동경로를 경로보정 알고리즘으로 보정하여 RSOM을 위한 입력 시퀀스로 만들고, 생성된 입력 시퀀스들을 RSOM으로 학습하여 지 역모델을 생성한다.
본 논문에서는 이런 문제를 해결하기 위해 협력적 필터링을 사용하여 사용자를 그룹으로 분류하고, 사용자의 프로파일을 토대로 사용자가. 관심을 가질만한 상품을 예측한다.
제안한 방법으로 사용자의 이동경로를 예측했을 때의 정확성을 측정하기 위한 실험을 하였다. 최적의 임계값을 구하기 위해 데이터를 학습데이터와 실험데이터로 분류하고 k-fold cross-validation 방법을 이용하였다.
나눠진다. 첫째, 주변 환경의 변화를 감지하여 컨텍스트를 파악하고, 컨텍스트 정보에 따라 적절한 서비스를 제공하는 것이다. [[34] ][6].

제안 방법

이 방법은 데이터 셋을 & 개의상호 배반 부분 집합으로 분할한 후 /번째 집합을 테스트 집합으로 나머지를 학습 집합으로 사용한다[12]. »번의 실험에서 MAE(Mean Absolute Error)를 측정하여 예측의 정확도를 평가한다. MAE는 예측된 평가 값이 작을수록 정확도가 높다고 할 수 있다.
이력데이터는 협력적 필터링 과정을 거쳐 각 쇼핑몰의 상품과 사용자를 분류하고 유사성이 높은 사용자와 상품을 클러스터링 한다. 경로데이터는 경로보정 알고리즘 (path completion algorithm)으로 이동경로를 보정한 후 RSOM(recurrent sp|f organization map) 으로 학습하여 지역 모델을 생성하고, 새로운 데이터를 지역모델로 평가하여 이동 경로를 예즉하고, 사용자가 관심을 가지는 상품 중에서 사용자의 향후 이동경로 중 가장 가까운 곳에 위치한 상품을 실시간으로 추천하게 된다.
이 방법은 사용자의 이동경로를 경로보정 알고리즘으로 보정하여 RSOM을 위한 입력 시퀀스로 만들고, 생성된 입력 시퀀스들을 RSOM으로 학습하여 지 역모델을 생성한다. 그 후 새로운 데이터가 입력되면 이를 지역모델로 평가함으로써 이동경로를 예측한다. 그리고 사용자의 예측 이동 경로상에 있는 상품 중에서 사용자의 선호도가 높은 상품을 추천하게 된다.
관심을 가질만한 상품을 예측한다. 그리고 사용자의 이동경로를 경로보정 알고리즘과 RSOM을이용하여 분석하고 향후 이동경로를 예측한 후, 사용자의 현재 위치를 파악하여 사용자의 주변에 있는 상품 중에서 사용자가 이동할 예즉경로 중에 있는 가장 가까운 상품 정보를 효율적으로 추천할 수 있는 방법을 제안한다.
가중치를 주게 된다. 또 이동패턴의 정확한 분석을 위해 사용자와 비슷한 성향을 가지는 그룹의 이동패턴을 분류하여 지역모델을 만들고, 새로운 데이터를 지역모델로 평가해 사용자의 이동패턴을 예측하도록 하였고, 이를 위해 RSOM을 사용한다[11].
탐색 등이 있다. 본 논문에서는 클러스터링 기법 중 협력적 필터링을 사용하여 사용자가 선호하는 패턴과 유사한 다른 사용자들의 선호도를 기반으로 사용자들을 그룹화 한다. [, 8]
사용자 프로파일은 사용자의 컨텍스트를 표현한 것으로, 본 논문에서는 초기 사용자 프로파일의 생성을 위해 쇼핑몰에 처음 사용자가 등록을 할 때 생성되는 정적 컨텍스트 정보와 센서를 통해 획득한 동적 컨텍스트 정보를 이용한다. 생성된 초기 프로파일과 이미 그룹화 되어 있는 그룹을 비교하여 그룹 중 가장 유사한 그룹을 찾아내어 사용자를 그룹에포함시킨 후 생성되는 구매이력, 이동경로 등을 분석하여 사용자 프로파일을 갱신하게 된다.
하였다. 사용자의 선호도를 측정하기 위한 데이터들은 설문지에 포함된 구매이력을 사용하였다. 설문은 525명을 대상으로 하였고, 이동경로는 쇼핑 시 주된 이동경로를 사용자가 설문지에 직접 작성하도록 하였다.
사용자의 이동경로를 파악하기 위해 C마켓의 구조를 바탕으로 단순화시켰고, 이동할 수 있는 위치는 20개로 하였다. 사용자의 선호도를 측정하기 위한 데이터들은 설문지에 포함된 구매이력을 사용하였다.
이용한다. 생성된 초기 프로파일과 이미 그룹화 되어 있는 그룹을 비교하여 그룹 중 가장 유사한 그룹을 찾아내어 사용자를 그룹에포함시킨 후 생성되는 구매이력, 이동경로 등을 분석하여 사용자 프로파일을 갱신하게 된다. 표 1은 사용자 프로파일 생성과 갱신에 사용된 컨텍스트 항목들이고, 표 2는 사용자 프로파일의 내용이다.
이동경로의 예측 정확도는 k-fold cross-validation을 이용하여 학습과 테스트를 k번 반복 수행하여 측정하였다. 최적의 임계값을 구하기 위해 데이터를 학습데이터와 실험데이터로 분류하고 k값은 10으로 설정하였으며, 임계값 별로 MAE를 구하였다.
분류한다. 이력데이터는 협력적 필터링 과정을 거쳐 각 쇼핑몰의 상품과 사용자를 분류하고 유사성이 높은 사용자와 상품을 클러스터링 한다. 경로데이터는 경로보정 알고리즘 (path completion algorithm)으로 이동경로를 보정한 후 RSOM(recurrent sp|f organization map) 으로 학습하여 지역 모델을 생성하고, 새로운 데이터를 지역모델로 평가하여 이동 경로를 예즉하고, 사용자가 관심을 가지는 상품 중에서 사용자의 향후 이동경로 중 가장 가까운 곳에 위치한 상품을 실시간으로 추천하게 된다.
이를 위해 센서로부터 사용자의 컨텍스트를 입력받아 ID 로 사용자를 구분하고, 컨텍스트를 이력데이터와 경로 데이터로 분류한다. 이력데이터는 협력적 필터링 과정을 거쳐 각 쇼핑몰의 상품과 사용자를 분류하고 유사성이 높은 사용자와 상품을 클러스터링 한다.
또, 추천 모듈로부터 추천받은 상품을 사용자가 구매했을 경우에는 긍정적 피드백으로 가중치를 증가시키고, 구매하지 않은 경우에는 부정적 피드백으로 가중치를 감소시킨다. 이후 협력적 필터링을 이용하여 사용자들을 보다 유사한 취향을 가진 그룹으로 다시 그룹화 하고, 그룹 내 사용자들의 컨텍스트를 이용하여 협력적으로 추천한다.

대상 데이터

사용자의 선호도를 측정하기 위한 데이터들은 설문지에 포함된 구매이력을 사용하였다. 설문은 525명을 대상으로 하였고, 이동경로는 쇼핑 시 주된 이동경로를 사용자가 설문지에 직접 작성하도록 하였다.

데이터처리

최적의 임계값을 구하기 위해 데이터를 학습데이터와 실험데이터로 분류하고 k값은 10으로 설정하였으며, 임계값 별로 MAE를 구하였다. 실험 결과 추천을 위한 임계값이 0.

이론/모형

이 문제를 해결하기 위해, 획득된 경로 데이터를 클러스터링하여 작은 지역모델로 만들어 평가해야 한다. 본 논문에서는 이를 위해 RSOM을 사용한다.
정확도는 k-fold cross-validation 방법을 이용하여 학습과 테스트를 k 번 반복 수행하여 측정한다. 이 방법은 데이터 셋을 & 개의상호 배반 부분 집합으로 분할한 후 /번째 집합을 테스트 집합으로 나머지를 학습 집합으로 사용한다[12].
측정하기 위한 실험을 하였다. 최적의 임계값을 구하기 위해 데이터를 학습데이터와 실험데이터로 분류하고 k-fold cross-validation 방법을 이용하였다. k값은 10으로 설정하였으며, 임계값 별로 MAE를 구하였다.

성능/효과

7일 때 다른 임계값에서의 MAE보다 평균적으로 좋은 것을 알 수 있었다. 또한, 임계값을 0.7로 했을 경우, 이동경로 예측 MAE가 0.5 이하로 측정됨으로써 사용자의 이동경로를 올바르게 예측할 수 있어 사용자의 이동경로에 따른 상품의 추천이 가능함을 확인하였다.
최적의 임계값을 구하기 위해 데이터를 학습데이터와 실험데이터로 분류하고 k값은 10으로 설정하였으며, 임계값 별로 MAE를 구하였다. 실험 결과 추천을 위한 임계값이 0.7일 때 다른 임계값에서의 MAE보다 평균적으로 좋은 것을 알 수 있었다. 또한, 임계값을 0.
테스트 결과 임계값을 0.7로 했을 경우, 이동경로 예측 MAE가 0.5 이하로 측정됨으로써 사용자의 이동경로를 올바르게 예측할 수 있음을 확인하였다.

후속연구

향후 실제 환경에서 더 많은 데이터를 이용하여 추천의 정확도를 평가하고, 결과를 분석하는 연구를 수행할 예정이다.

참고문헌 (12)

M. Weiser, 'Some computer science issues in ubiquitous computing,' Communication of the ACM, Vol.36, Issue 7, pp.75-84, July 2003

상세보기
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

상세보기
B. Schilit, N. Adams, and R. Want, 'ContextAware Computing Applications,' 1st International Workshop on Mobile Computing Systems and Application., pp.85-90, 1994
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
장세이, 우운택, '유비쿼터스 컴퓨팅 환경을 위한 컨텍스트 기반 애플리케이션 구조', 한국정보과학회 HCI 논문집, 제2권, pp.346-351, 2003
J. Pascoe, 'Adding Generic Contextual Capabilities to Wearable Computers,' 2nd International Symposium on Wearable Computers, pp. 92-99, 1998
Badrul SarWar, George Karypis, Joseph Konstan, and John Riedl, 'Analysis of Recommendation Algorithms for E-Commerce,' The ACM E-Commerce 2000 Conference, 2000
Lyle H. Unger and Dean P. Foster, 'Clustering Methods for Collaborative Filtering,' Proceeding of the 1998 Workshop on Recommendation Systems, pp. 114-129, 1998
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

상세보기
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
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
J. Han, M. Kamber, 'Data Mining : Concepts and Techniques,' Morgan Kaufman, 2001

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증