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
- 고객들은 모바일 단말기 화면의 제약으로 원하는 정보를 검색하거나 평가자료 작성을 위한 설문에 대한 번거로운 질의과정에 정확하게 답하는 것은 불편하고 어려운 일 것이다. 본 논문에서는 묵시적인 방법을 이용하여 구매 가능성이 높은 아이템을 찾기 위해서 아이템 속성 분석이 가능한 RFM 기법과 k-means 클러스터링을 이용한 개인화 추천시스템을 제안하였다. k-means 기법을 적용하여 이웃 고객 군집과 이웃 구매 이력 군집 형성을 위해 클러스터링 작업을 전처리하여 고객이 가장 선호하는 아이템들을 추출할 때 소요되는 시간감소가 가능하여 아이템 추천 과정에 소요되는 전체 처리시간을 감소시킬 수 있었다.
- 고객에 맞는 아이템 세분화 분석 기법인 RFM 이용한 개인화 추천 방법에 대한 연구[1,2,3,4,5]가 활발히 진행되고 있다. 본 논문은 기존의 협력 필터링의 확장성의 문제와 아이템의 속성이 반영되지 않는 문제, 추천시 대규모 거래 데이터 처리 시간의 지연 문제, 추천 처리의 실시간성과 민첩성 확보 문제에 대한 방법을 제공한다. 본 논문의 구성은 다음과 같다.
제안 방법
- RFM기법과 k-means 클러스터링을 이용한 개인화 추천 시스템의 성능을 평가하기 위해서 제안시스템과 기존 시스템의 성능평가를 실험을 통해서 알아본다.
- RFM기법과 k-means 클러스터링을 이용한 개인화 추천 시스템은 윈도우 XP 환경에서 인터넷 화장품 쇼핑몰을 위한 데이터베이스가 구축되었다. 기존의 명시적인 자료 기반의 추천 방법에 문제점을 해결하고 다음과 같은 제안 방법을 적용하여 제안시스템에 대한 평가를 위해서 실험 데이터를 구성한다. 첫째, 기존의 추천 방법은 아이템의 속성 대한 선호도가 반영되지 않는 문제점이 있어 아이템의 속성 반영을 위해 RFM기법을 적용한다.
- MAE는 예측의 정확성을 판단하는데 가장 많이 쓰이는 방법이고, F-measure는 값이 클수록 추천이 우수함을 의미한다. 본 논문에서는 MAE 및 정확도와 재현율, 그리고 F-measure 방식에 대한 실험을 제안시스템과 기존 시스템을 실험하였다. 우선 첫 번째, 실험으로 MAE에 의해 예측의 성능을 평가하였다.
- 기존의 명시적인 방법의 협력 필터링은 희박성과 확장성의 문제가 여전히 존재하며 아이템의 속성도 반영되지 않는 문제점이 남아 있다. 본 논문에서는 모바일 단말기를 사용하는 고객에게 번거로운 질의 응답 과정 없이 묵시적인 방법을 이용하여 아이템 속성 분석이 가능한 RFM기법과 k-means 클러스터링을 이용한 개인화 추천시스템을 제안한다. 지능형 추천시스템의 구성은 기업의 비즈니스 전략이 되어 가고 있다.
- 이 경우 P21= {남}, P22 = {여}이다. 본 논문에서는 이 장에서의 [정의 3.2]를 기반으로 추천 시스템을 설계한다. 인터넷 쇼핑몰에서 구성된 고객의 신상정보인 고객정보의 고객 점수 및 고객 분류코드의 속성 변수를 이용하여 고객 데이터베이스와 구매이력 데이터베이스를 기반으로 고객 특성 벡터를 반영하여 k-means 기법을 이용하여 클러스터링한다.
- 그러나 명시적인 자료를 기반으로 하기 때문에 여전히 희박성이 존재하고 아이템의 속성 대한 선호도를 반영되지 않는 문제점이 남아 있다[6,7]. 본 논문에서는 이러한 문제점 해결 방안으로 고객에게 번거로운 질의 응답 과정이 없이 묵시적인 방법으로 고객정보와 아이템정보, 구매이력정보를 이용한다.
- 본 시스템에서는 유무선 인터넷 쇼핑몰 환경하에서 제안시스템이 구동되기 위해서 분석 에이전트, 추천 에이전트, 학습 에이전트로 그 기능을 나누어져 서브 시스템이 구동된다. 선택사양으로 데이터마이닝 에이전트가 추가 가능하다.
- 다음은 두 번째, 실험으로 정확도와 재현율, F-measure 에 대한 실험이다. 성능은 social data에 기반한 화장품 아이템 추천에서의 추천의 유효성과 추천시스템의 전체적인 성능 평가 방향으로 진행하였다. 우선 초기 화장품 아이템 추천의 유효성을 실험에 참가한 고객들의 구매데이터와 제시되는 화장품 아이템의 비교를 통해 이루어졌으며, 추천의 정확성을 평가하기 위하여 정보검색 분야에서 보편적으로 사용되는 평가 척도인 정확률(precision)과 재현률(recall)을 응용하여 사용하였다.
- 둘째, 기존의 추천 방법이 아이템에 대한 다른 고객들의 선호도를 기반으로 하기 때문에 제안 방법의 추천의 효율성을 입증하기 위해 아이템 카테고리 선호도 기반의 클러스터링하기 위하여 k-means 기법을 적용한다. 셋째, 기존의 명시적인 자료 기반의 추천 방법에 여전히 희박 성이 존재하고 있어 제안 방법으로 모바일 환경하에 고객에게 번거로운 질의 응답 과정이 없이 묵시적인 방법을 적용한다. 쇼핑몰을 이용해 본 경험이 있는 고객 319명의 고객정보와 현재 화장품을 전문적으로 판매하는 인터넷 화장품 쇼핑몰인 P사의 아이템 분류에서 사용하는 화장품 아이템 580개를 대상으로 구매한 1600건의 구매 데이터를 이용하였다.
- 본 논문에서는 MAE 및 정확도와 재현율, 그리고 F-measure 방식에 대한 실험을 제안시스템과 기존 시스템을 실험하였다. 우선 첫 번째, 실험으로 MAE에 의해 예측의 성능을 평가하였다. 추천시스템의 예측 값의 정확성을 평가하기 위해 MAE(Mean Absolute Error)를 사용하였고 식3과 같이 산출하였다[9]
- 성능은 social data에 기반한 화장품 아이템 추천에서의 추천의 유효성과 추천시스템의 전체적인 성능 평가 방향으로 진행하였다. 우선 초기 화장품 아이템 추천의 유효성을 실험에 참가한 고객들의 구매데이터와 제시되는 화장품 아이템의 비교를 통해 이루어졌으며, 추천의 정확성을 평가하기 위하여 정보검색 분야에서 보편적으로 사용되는 평가 척도인 정확률(precision)과 재현률(recall)을 응용하여 사용하였다. 제안 추천시스템을 통해 추천된 추천 선호도가 높은 Top-N개를 추천하였고, 이 N의 추천 목록에 대하여 정확률, 재현율, F-measure를 평가하였다.
- 선택사양으로 데이터마이닝 에이전트가 추가 가능하다. 유무선 웹환경에서 RFM기법과 k-means 클러스터링을 이용한 개인화 추천시스템을 개발하기 위해서 일반 웹 브라우저는 물론 휴대기기에서 풀 브라우저로 인터넷 접속이 가능하도록 하였다. 모바일 웹은 기존의 왑(WAP)의 피쳐폰(Feature phone) 및 스마트 폰 지원을 위한 웹표준을 준수한다.
- 추천받는 대상이 되는 특정 로그인 고객과 고객 분류코드가 동일한 상황에서 RFM의 아이템점수대의 특징 벡터가 적용되지 않은 기존 시스템의 군집 데이터와 제안시스템의 경우 가장 많은 분포를 이루고 있는 RFM의 아이템점수대의 고객 특징 벡터가 적용된 군집 데이터를 비교한다. <표 5>은 군집별 추천의 정확도와 재현율을 분석한 결과를 나타낸 것이다.
- 추천시스템의 전체적인 성능 평가는 두 방향으로 나누어 진행하였다. 예측 값과 실제 값의 차이를 표시하여 정확성 측면에서 성능을 평가하기 위한 MAE방식과 정확도와 재현율을 함께 사용해서 시스템의 전체적인 성능을 평가 할수 있는 F-measure 방식을 사용하였다.
대상 데이터
- 쇼핑몰을 이용해 본 경험이 있는 고객 319명의 고객정보와 현재 화장품을 전문적으로 판매하는 인터넷 화장품 쇼핑몰인 P사의 아이템 분류에서 사용하는 화장품 아이템 580개를 대상으로 구매한 1600건의 구매 데이터를 이용하였다. 2009년 2월 부터 2010 2월까지의 12개월간의 과거의 구매 데이터를 학습 셋으로 사용하였고, 2010년 3월 부터 2010년 5월까지 3개월간의 미래 구매 데이터를 테스트 셋으로 사용하였다[5].
- 셋째, 기존의 명시적인 자료 기반의 추천 방법에 여전히 희박 성이 존재하고 있어 제안 방법으로 모바일 환경하에 고객에게 번거로운 질의 응답 과정이 없이 묵시적인 방법을 적용한다. 쇼핑몰을 이용해 본 경험이 있는 고객 319명의 고객정보와 현재 화장품을 전문적으로 판매하는 인터넷 화장품 쇼핑몰인 P사의 아이템 분류에서 사용하는 화장품 아이템 580개를 대상으로 구매한 1600건의 구매 데이터를 이용하였다. 2009년 2월 부터 2010 2월까지의 12개월간의 과거의 구매 데이터를 학습 셋으로 사용하였고, 2010년 3월 부터 2010년 5월까지 3개월간의 미래 구매 데이터를 테스트 셋으로 사용하였다[5].
데이터처리
- 우선 초기 화장품 아이템 추천의 유효성을 실험에 참가한 고객들의 구매데이터와 제시되는 화장품 아이템의 비교를 통해 이루어졌으며, 추천의 정확성을 평가하기 위하여 정보검색 분야에서 보편적으로 사용되는 평가 척도인 정확률(precision)과 재현률(recall)을 응용하여 사용하였다. 제안 추천시스템을 통해 추천된 추천 선호도가 높은 Top-N개를 추천하였고, 이 N의 추천 목록에 대하여 정확률, 재현율, F-measure를 평가하였다. 정확률은 추천의 정확률을 평가하기 위한 방법으로 추천 목록의 정확성이 어느 정도 정확한가를 평가하기 위한 방법으로서, 추천시스템이 고객에게 추천한 아이템 갯수 중에서 실제로 고객이 구매한 아이템의 비율이다.
이론/모형
- 첫째, 기존의 추천 방법은 아이템의 속성 대한 선호도가 반영되지 않는 문제점이 있어 아이템의 속성 반영을 위해 RFM기법을 적용한다. 둘째, 기존의 추천 방법이 아이템에 대한 다른 고객들의 선호도를 기반으로 하기 때문에 제안 방법의 추천의 효율성을 입증하기 위해 아이템 카테고리 선호도 기반의 클러스터링하기 위하여 k-means 기법을 적용한다. 셋째, 기존의 명시적인 자료 기반의 추천 방법에 여전히 희박 성이 존재하고 있어 제안 방법으로 모바일 환경하에 고객에게 번거로운 질의 응답 과정이 없이 묵시적인 방법을 적용한다.
- 본 논문에서는 고객점수 및 Social data로 구성된 인구통계학적 변수(나이, 성별, 직업, 고객 등)가 적용된 고객 데이터베이스와 구매이력 데이터베이스를 이용하여 클러스터링(clustering)을 위해 k-means 기법을 적용한다. 적용된 k-means 기법은 계산 속도가 빠르고 대량의 자료에서 군집을 발견하는데 상당히 효과적인 것으로 알려져 있다[8].
- 본 논문에서는 인터넷 쇼핑몰에서 설계된 고객의 신상 정보인 고객정보의 속성 변수(고객점수, 나이, 성별, 직업등)가 적용된 고객 데이터베이스와 구매이력 데이터베이스를 이용하여 아이템 카테고리 선호도 기반의 클러스터링하기 위하여 k-means 기법을 적용한다.
- 추천시스템의 전체적인 성능 평가는 두 방향으로 나누어 진행하였다. 예측 값과 실제 값의 차이를 표시하여 정확성 측면에서 성능을 평가하기 위한 MAE방식과 정확도와 재현율을 함께 사용해서 시스템의 전체적인 성능을 평가 할수 있는 F-measure 방식을 사용하였다. MAE는 예측의 정확성을 판단하는데 가장 많이 쓰이는 방법이고, F-measure는 값이 클수록 추천이 우수함을 의미한다.
- 2]를 기반으로 추천 시스템을 설계한다. 인터넷 쇼핑몰에서 구성된 고객의 신상정보인 고객정보의 고객 점수 및 고객 분류코드의 속성 변수를 이용하여 고객 데이터베이스와 구매이력 데이터베이스를 기반으로 고객 특성 벡터를 반영하여 k-means 기법을 이용하여 클러스터링한다. 이웃 고객 군집과 이웃 구매이력 군집으로부터 고객 특성 벡터를 적용하여 고객이 가장 선호하는 아이템들을 추출할 때 소요되는 시간의 복잡도를 Big O에 가깝게 감소시킬 수 있다.
- 기존의 명시적인 자료 기반의 추천 방법에 문제점을 해결하고 다음과 같은 제안 방법을 적용하여 제안시스템에 대한 평가를 위해서 실험 데이터를 구성한다. 첫째, 기존의 추천 방법은 아이템의 속성 대한 선호도가 반영되지 않는 문제점이 있어 아이템의 속성 반영을 위해 RFM기법을 적용한다. 둘째, 기존의 추천 방법이 아이템에 대한 다른 고객들의 선호도를 기반으로 하기 때문에 제안 방법의 추천의 효율성을 입증하기 위해 아이템 카테고리 선호도 기반의 클러스터링하기 위하여 k-means 기법을 적용한다.
- 우선 첫 번째, 실험으로 MAE에 의해 예측의 성능을 평가하였다. 추천시스템의 예측 값의 정확성을 평가하기 위해 MAE(Mean Absolute Error)를 사용하였고 식3과 같이 산출하였다[9]
성능/효과
- 본 논문에서는 묵시적인 방법을 이용하여 구매 가능성이 높은 아이템을 찾기 위해서 아이템 속성 분석이 가능한 RFM 기법과 k-means 클러스터링을 이용한 개인화 추천시스템을 제안하였다. k-means 기법을 적용하여 이웃 고객 군집과 이웃 구매 이력 군집 형성을 위해 클러스터링 작업을 전처리하여 고객이 가장 선호하는 아이템들을 추출할 때 소요되는 시간감소가 가능하여 아이템 추천 과정에 소요되는 전체 처리시간을 감소시킬 수 있었다..
- 첫째, 최근성은 최근에 구매한 고객이 앞으로 구매할 가능성이 높다는 판단 하에 최근 구매일이 가까울수록 높은 점수를 부여한다. 둘째, 빈도성은 일정 기간 동안의 거래 빈도에 따라 고객을 세분화 하는 것으로, 빈도가 높은 고객일수록 앞으로 구매할 가능성이 높다는 판단 하에 거래 빈도가 높을수록 높은 점수를 부여한다. 셋째, 총구매액은 일정기간 동안의 아이템 구입에 사용한 총 구매금액에 따라 고객을 세분화하는 것으로, 총 구매금액이 높은 고객이 앞으로 구매할 가능성이 높다는 판단 하에 총 구매금액이 높을수록 높은 점수를 부여한다.
- 둘째, 빈도성은 일정 기간 동안의 거래 빈도에 따라 고객을 세분화 하는 것으로, 빈도가 높은 고객일수록 앞으로 구매할 가능성이 높다는 판단 하에 거래 빈도가 높을수록 높은 점수를 부여한다. 셋째, 총구매액은 일정기간 동안의 아이템 구입에 사용한 총 구매금액에 따라 고객을 세분화하는 것으로, 총 구매금액이 높은 고객이 앞으로 구매할 가능성이 높다는 판단 하에 총 구매금액이 높을수록 높은 점수를 부여한다. 고객 데이터는 RFM을 이용하여 세분화가 가능하다.
- 둘째, 경로상의 자식 카테고리 C2는 자식 카테고리가 없는 카테고리를 리프(leaf) 카테고리라고 하며, 각각의 아이템은 리프 노드로 브랜드아이템이 된다. 셋째, 트리는 균형을 유지할 필요가 없으며 트리의 계층은 대분류, 중분류, 소분류, 리프 노드로 구성된다.
- 기존의 시스템은 대규모 데이터베이스의 거래 데이터처리로 인한 추천 아이템을 위한 선호도 계산 작업 등에 많은 시간이 소요되었다. 제안시스템은 고객정보의 RFM기법과 k-means 클러스터링을 이용한 개인화된 추천시스템으로 추천시스템의 성능도 향상되었으며 군집내의 아이템 카테고리 선호도 작업을 처리함으로써 처리능력 향상과 실시간에서의 즉시성 확보가 가능하였다.
- <그림 7>은 <표 5>의 결과를 바탕으로 군집별 정확도와 재현율 그리고 F-measure의 성능 평가이다. 제안시스템은 기존 시스템보다 12.63% 높은 정확도와 9.79% 높은 재현율, 그리고 8.68% 향상된 F-measure의 결과를 나타내었다. 다음은 웹상의 RFM기법과 k-means 클러스터링을 이용한 개인화 추천시스템에서 추천된 화장품 사이트을 보여주고 있으며 스마트폰으로도 이용가능하다.
- RFM은 세 가지 요소로 구성되어진다. 첫째, 최근성은 최근에 구매한 고객이 앞으로 구매할 가능성이 높다는 판단 하에 최근 구매일이 가까울수록 높은 점수를 부여한다. 둘째, 빈도성은 일정 기간 동안의 거래 빈도에 따라 고객을 세분화 하는 것으로, 빈도가 높은 고객일수록 앞으로 구매할 가능성이 높다는 판단 하에 거래 빈도가 높을수록 높은 점수를 부여한다.
- 3]로부터 다음과 같은 결과를 도출할 수 있다. 첫째, 최상위(루트) 카테고리 C0로부터 하위 카테고리로 이어지는 경로상의 모든 카테고리들은 C0의 자식 카테고리가 된다. 둘째, 경로상의 자식 카테고리 C2는 자식 카테고리가 없는 카테고리를 리프(leaf) 카테고리라고 하며, 각각의 아이템은 리프 노드로 브랜드아이템이 된다.
후속연구
- 성능평가를 위해 현업에서 사용하는 인터넷 화장품 아이템 쇼핑몰의 데이터를 기반으로 데이터 셋을 구성하여 기존의 방법과 비교 실험을 통해 성능을 평가하여 효용성과 타당성을 입증하였지만 제한점으로 실용화 단계에서 대용량 데이터베이스에 대한 실험을 통한 시스템 튜닝 작업이 남아 있다. 아울러 향후 연구로는 유비쿼터스 컴퓨팅 환경하에 구매 가능성이 높은 아이템을 추천하기 위해 묵시적인 방법으로 RFM 가중치를 적용한 클러스터링기법 이용한 개인화 추천시스템에 대한 고찰과 연구가 필요할 것으로 생각된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.