선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 연구에서는 보험분야에서 고객의 정보와 선호도를 이용하여 다양한 의사결정이 가능한 보험상품 추천시스템을 제안하였는데, 제안시스템은 기존 추천 시스템의 단점을 개선하고 추천 정확성을 향상시키기 위하여 인공신경망 기반의 개인 맞춤형 보험상품 추천시스템을 개발하였다. 본 연구에서는 개발한 인공신경망 기반의 추천시스템은 기존 추천시스템의 추천 기법과 성능을 비교 분석하였는데, 제안한 시스템이 기존의 방법보다 우수함을 확인하였다.
- 본 연구에서는 인공신경망(Arti曲cial Neural Network: ANN) 알고리즘을 적용한 협업 필터링 기법을 이용하여 기존의 추천 시스템에서 적용된 방법론들의 단점들을 보완하고 추천 능력을 개선할 수 있는 인공신경망 기반의 새로운 추천시스템을 제시하기로 하는데, 보험회사의 보험상품을 그 대상으로 하여 새로운 추천시스템을 제안하고자 한다.
- 본절에서는 본 연구에서 제안하는 인공신경망 기반의 개인 맞춤형 보험상품 추천 시스템의 구조와 개발과정에 대하여 기술한다. 본 연구에서 제안하는 인공신경망 기반의 개인 맞춤형 보험상품 추천 시스템의 구조는<그림 1>과 같다.
제안 방법
- 5 이상으로 수용 가능한 것으로 나타났다. 또한 크론바하 알파값은 11개 입력요인모두 0.7이상으로 데이터의 신뢰성이 있음을 확인하였고, 최종적으로 11개의 입력 변수와 21개의 출력 변수를 인공신경망의 학습을 위한 최종 변수로 사용하였다.
- 본 논문에서는 K-means 알고리즘 및 신경망 알고리즘인 과 최근접 이웃을 주줄 하는 협업 필터링 추천 방법(CBR_CF)⑸을 이용한 실험 결과를 비교 대상으로 하여 제안 방법의 성능을 비교 분석하였다. 본 연구에서 수행한 성능평가 결과는 <표 3>과 같다.
- 본 연구에서는 다층퍼셉트론의 효율적인 학습 방법인 역전파 신경망(back propagation neural network) 알고리즘을 채택하였고, 역전파 신경망은 입력층과 출력층 사이에 1개의 은닉층을 갖는 3층 구조로 구성하였다 반복 학습 과정에서 오차를 최소화하기 위해 출력층과 은닉층은닉층과 입력층 사이의 연결 가중치 값이 갱신된다. 이 과정을 통해 입력 데이터에 맞는 최적의 연결 가중치가 정해지고 최종 가중치로 인공신경망이 생성된다.
- 본 연구에서는 에서 보는 바와 같이, 나이, 성별, 직업, 라이프 싸이클, 관심 분야, 투자성향 월소득, 월 지출, 월저축(투자)액, 예상 수익률, 자산보유 정도의 11개의 요인을 입력요인으로 사용하였다.
- 상품추천시 활용되는 요인들은 최대한 실제 업무를 반영하기 위해 s생명보험의 보험설계사와의 반복적인 회의와 델파이기법을 활용하여 나이, 직업, 라이프싸이클, 투자성향, 관심분야 등을 중요한 입력요인으로 추줄하여 이를 사용하였다.
- 2>와 같다.<그림2>에서 보는 바와 같이역전파 알고리즘은 입력층과 출력층 사이에 은닉층을 갖는 3층 구조를 채택하였다. 역전파 알고리즘의 학습 방법은 초기 연결 가중치 값을 데이터에 적합한 값으로 변환하는 학습과정을 거치게 되는데, 전향 단계는 신경망의 입력 패턴을 제시하고 각 노드에 대해서 입력함수와 활성화함수를 이용하여 출력을 산출한다.
- 2>에서보는 바와 같이 주계약 보험상품은 각 상품별 납입기간과 보장금액에 따라 많은 수의 다양한 조합의 상품들이 있는데, 본 연구에서는 주계약 상품 7개와 납입기간을 10, 15, 20년 납의 3개만을 고려하여 이들을 조합한 총 21개의 주계약 보험상품을 추천시스템의 출력요인으로 사용하였다.
- 본 연구에서 제안하는 인공신경망 기반의 개인 맞춤형 보험상품 추천 시스템의 구조는<그림 1>과 같다. 제안하는 추천시스템은 ANN 학습 단계와 보험 상품 추천 단계로 나누어지고, 각 단계의 설명은 다음과 같다.
- <그림 3> 에서 보는 바와 같이 제안 추천 시스템은 먼저 입 . 출력값과 은닉층을 결정하기 위해 ANN의 구조를 세팅하고, Neuro Shell 2.0을 이용하여 학습을 수행한다. 학습데이터를 이용해 ANN의 가중치(weights)가 결정되면 테스트 데이터를 통해 제안한 추천 시스템의 성능 결과를 얻게 된다.
대상 데이터
- 총 500의 데이터를 수집하였으며 그 중 공란이 존재하거나 데이터가 불완전하다고 생각되는 15개의 데이터를 제외하고 총 4&5개의 데이터를 본 연구에 사용하였다. 총 曷개의 데이터 중 80%인 388개의 데이터를 제안 추천 시스템의 학습 데이터(trailing data)로 나머지 2。%인 97개의 데이터를 성능 평가를 위한 테스트데이터(test data)로 사용하였디, .
- 고객이 추천받게 될 보험상품은 주계약 보험과 특약보험으로 구분할 수 있는데 본 연구에서는 주계약보험상품만을 본 연구의 실험에 사용하였다.<표 2>에서보는 바와 같이 주계약 보험상품은 각 상품별 납입기간과 보장금액에 따라 많은 수의 다양한 조합의 상품들이 있는데, 본 연구에서는 주계약 상품 7개와 납입기간을 10, 15, 20년 납의 3개만을 고려하여 이들을 조합한 총 21개의 주계약 보험상품을 추천시스템의 출력요인으로 사용하였다.
- 수집하였다. 데이터 수집 대상은 S 생명보험의 고객들로 30~60대까지의 다양한 연령층으로 구성하였다. 총 500의 데이터를 수집하였으며 그 중 공란이 존재하거나 데이터가 불완전하다고 생각되는 15개의 데이터를 제외하고 총 4&5개의 데이터를 본 연구에 사용하였다.
- 본 연구에서 제안한 인공신경망 기반의 추천시스템의 정확도 측정을 위하여 다른 알고리즘과의 성능 평가를 수행하였다 본 연구에서 제안한 추천 시스템의 성능평가는 협업필터링추천시스템 연구에서 주로 사용된 알고리즘과 비교하였고, 학습 데이터는 본 연구에서 수집한 데이터를 사용하였다. 본 실험에서 사용한 측정지표는 MAE(Mean Absolute Error), RMSE(Root Mean Squared Error) 그리고 ^(coefficient of determination) 를 사용하였다.
- 본 연구에서는 S생명보험의 고객정보와 보험상품을 대상으로 인공신경망 기반의 추천시스템 실험을 위한 데이터를 수집하였다. 데이터 수집 대상은 S 생명보험의 고객들로 30~60대까지의 다양한 연령층으로 구성하였다.
- 가중치를 생성호}는 단계이다. 인공신경망 네트워크가중치 생성을 위해 학습시킬 데이터는 보험상품에 대한 고객정보 및 고객의 보험상품 선호도를 조사한 데이터가 사용된다. 고객정보 및 고객 선호도 정보는 보험회사의 데이터베이스 및 설문조사결과 을 통해 이루어지며 획득된 데이터는 데이터베이스에 저장된다.
- 데이터 수집 대상은 S 생명보험의 고객들로 30~60대까지의 다양한 연령층으로 구성하였다. 총 500의 데이터를 수집하였으며 그 중 공란이 존재하거나 데이터가 불완전하다고 생각되는 15개의 데이터를 제외하고 총 4&5개의 데이터를 본 연구에 사용하였다. 총 曷개의 데이터 중 80%인 388개의 데이터를 제안 추천 시스템의 학습 데이터(trailing data)로 나머지 2。%인 97개의 데이터를 성능 평가를 위한 테스트데이터(test data)로 사용하였디, .
데이터처리
- 데이터들의 내적일관성 검증을 위한 신뢰 성 분석과, 타당성 검증을 위한 요인 분석을 수행하였다. 신뢰성은 크론바하 알파값을 계산하였으며, 요인분석은 요인추출 방법으로 주성분 분석을 사용하였고 회전방법으로는 베리멕스를 사용하였다 분석결과 요인 분석에서의 요인 적재 값은 0.
- 데이터를 사용하였다. 본 실험에서 사용한 측정지표는 MAE(Mean Absolute Error), RMSE(Root Mean Squared Error) 그리고 ^(coefficient of determination) 를 사용하였다. MME와 RMSE는 그 값이 낮을수록 예측의 정확도는 좋게 되고, /는 그 값이 높을수록 예측의 정확도는 좋아지게 된다.
- 데이터들의 내적일관성 검증을 위한 신뢰 성 분석과, 타당성 검증을 위한 요인 분석을 수행하였다. 신뢰성은 크론바하 알파값을 계산하였으며, 요인분석은 요인추출 방법으로 주성분 분석을 사용하였고 회전방법으로는 베리멕스를 사용하였다 분석결과 요인 분석에서의 요인 적재 값은 0.4 이상, 고유값은 1 이상으로 나타났으며, 각 입력요인의 적재값은 모두 0.5 이상으로 수용 가능한 것으로 나타났다. 또한 크론바하 알파값은 11개 입력요인모두 0.
이론/모형
- 본 연구에서 전술한 바와 같이, 인공신경망은 다층 퍼 셉트론(Midti-Layer Perceptron: MLP)의 효율적 학습 방법인 역전파(back propagation) 알고리즘을 사용하였는데, 본 연구에서 채택한 역전파 알고리즘의 구조는와 같다.
- 나타낸 것이다. 본 연구에서는 ANN 구현소프트웨어인 Neuro Shell 2.0을 이용하였다.<그림 3> 에서 보는 바와 같이 제안 추천 시스템은 먼저 입 .
- 역전파 알고리즘의 학습 방법은 초기 연결 가중치 값을 데이터에 적합한 값으로 변환하는 학습과정을 거치게 되는데, 전향 단계는 신경망의 입력 패턴을 제시하고 각 노드에 대해서 입력함수와 활성화함수를 이용하여 출력을 산출한다. 연결 가중치값의 계산에 사용되는 활성화함수는 시그모이드(sigmoid) 함수를 사용하였다. 또한 역전파 알고리즘의 학습을 위해서 인공신경망의 학습율(learm rate) 변화에 따른 성능을 평가 결과 학습율이 250일 때 가장 좋은 성능을 나타내어 학습율을 250으로 설정하였으며 그 밖에 학습 변수(trains parameter)는 최대반복수 = 1,000, 에러 임계치=0.
성능/효과
- 개발하였다. 본 연구에서는 개발한 인공신경망 기반의 추천시스템은 기존 추천시스템의 추천 기법과 성능을 비교 분석하였는데, 제안한 시스템이 기존의 방법보다 우수함을 확인하였다.
- <표3>에서 보는 바와 같이 성능 평가 결과, 본 연구에서 제안한 추천시스템의 성능이 기존 이 추천시스템의 평가 결과보다 학습 데이터와 테스트 데이터 군 모두에서 더 우수한 것을 알 수 있었다.
- 제안한 주천시스템은 기존 사용자 혹은 아이템 기반 추천 기법에서 기중치를 고려하지 않아 추천 정확도가 떨어진다는 단점을 개선하여, 사용자간이나 아이템 간의 가중치를 학습할 수 있으므로 보다 정확한 선호도 계산이 가능하다. 그리고 제안시스템을 웹을 통한 서비스가 가능하게 하여, 다른 추천시스템보다도 실제 사용자에게 쉽고 정확한 개인화 서비스를 제공할 수 있으며 보험상품 외의 다른 추천상품의 종류에 관계없이 쉽게 적용할 수 있으리라 기대된다
후속연구
- 계산이 가능하다. 그리고 제안시스템을 웹을 통한 서비스가 가능하게 하여, 다른 추천시스템보다도 실제 사용자에게 쉽고 정확한 개인화 서비스를 제공할 수 있으며 보험상품 외의 다른 추천상품의 종류에 관계없이 쉽게 적용할 수 있으리라 기대된다
※ AI-Helper는 부적절한 답변을 할 수 있습니다.