[논문]개인화 추천시스템의 사용자 평가에 대한 통합적 접근 : 시스템 성과와 사용자 태도를 기반으로

최재원; 이홍주

doi:10.7838/jsebs.2012.17.3.085

개인화 추천시스템의 사용자 평가에 대한 통합적 접근 : 시스템 성과와 사용자 태도를 기반으로
An Integrated Perspective of User Evaluating Personalized Recommender Systems : Performance-Driven or User-Centric 원문보기

한국전자거래학회지 = The Journal of Society for e-Business Studies, v.17 no.3, 2012년, pp.85 - 103

초록
AI-Helper

온라인에서 추천시스템은 사용자들의 구매 이력 또는 선호도를 바탕으로 적절한 콘텐츠 또는 서비스를 제공하는 IT기술이다. 추천시스템에 대한 사용자의 평가에는 추천 결과에 기반한 시스템 성과와 추천 방식에 의해 형성되는 사용자의 태도에 대한 두 측면 모두 고려되어야 한다. 그러나 시스템 성과와 사용자 태도에 대한 통합적 관점의 추천시스템 평가에 대한 연구는 많지 않았다. 본 연구의 목적은 추천시스템에 대한 사용자 평가의 통합적 관점을 제시하는 것에 있다. 그에 따라 사용자 태도 형성과 관련하여 자기 참조(Self-reference)와 사회적 실재감(Social Presence)의 정도를 구분하여 웹 기반 실험을 수행하였으며 추천시스템의 성과 측정을 위하여 추천 알고리즘 평가에 널리 활용되어 온 정확성(Accuracy)과 새로움(Novelty)을 활용하였다. 연구의 결과로 추천시스템의 사용자 만족에 미치는 변수로 정확성과 새로움이 시스템 특성 요소로 제시되었으며 사용자 태도 관점에서 사회적 실재감이 사용자의 만족에 영향을 주었다.

Abstract ▼ AI-Helper

This study focused on user evaluation for personalized recommender systems with the integrated view of performance of the system and user attitude of recommender systems. Since users' evaluations of recommender systems can be affected by recommendation outcomes and presentation methods, both system performances based on outcomes and user attitudes formed by the presentation methods should be considered when explaining users' evaluations. However, an integrated view of system performance and user attitudes has not been applied to explain users' evaluation of recommender systems. Thus, the goal of this study is to explain users' evaluations of recommender systems under the integrated view of predictive features and explanation features at the same time. Our findings suggest that social presence, both accuracy and noveltyhave impacts onuser satisfaction for recommender systems. Especially, predictive features including accuracy and novelty affected user satisfaction. Novelty as well as accuracy is one of the significant factors for user satisfaction while recommender systems provided usual items users have experienced when systems provide serendipitous items. Likewise, explanation features with social presence and self-reference were important for user evaluation of personalized recommender systems. For explanation features, while social presence appears as one of important factors to user satisfaction of evaluating personalized recommendations, self-reference has no significant effect on user's satisfaction for recommender systems when compared to the result of social presence. Self-referencing messages did not affect user satisfaction but the levels of self-referencing are different between low and high groups in the experiment.

주제어

AI 본문요약
AI-Helper

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

문제 정의

따라서 추천시스템에 대한 사회적 실재감은 사용자의 유용성 평가변수로서 사용될 수 있다[32]. 그러므로 본 연구에서는 사회적 실재감을 사용자의 시스템에 대한 평가를 위한 변수로서 제시한다.
com)에 대한 사용자의 지각된 사회적 실재감은 향상된다[32]. 따라서 본 연구에서는 예측적 특성(정확성과 새로움)뿐만 아니라 추천시스템에 대한 만족에 영향을 미치는 추천 방식의 특성으로서 자기 참조와 사회적 실재감을 활용하고자 하였다. 본 연구에서 수행된 연구 모형은 <그림 1>과 같다.
따라서 본 연구의 주요 연구질문은 추천시스템에 대한 사용자 태도 관점과 시스템 성과의 관계를 동시에 고려함으로써 이론적 공헌을 하고자 함에 있다. 또한 실무적 관점에서 기업이 사용자 의사결정과정을 어떻게 촉진시킬 수 있는가를 확인하고자 하였다.
따라서, 본 연구의 목적은 추천시스템의 예측적 특성과 추천전달 방식 특성을 동시에 고려하여 추천시스템에 대한사용자 평가를 이해하는 것이다. 그에 따라서, 본 연구에서는 다양한 수준의 추천 알고리즘을 적용하여 상품 추천을 수행한 후 시스템 성과와 사용자 만족의 관계를 조사하였다.
따라서 본 연구의 주요 연구질문은 추천시스템에 대한 사용자 태도 관점과 시스템 성과의 관계를 동시에 고려함으로써 이론적 공헌을 하고자 함에 있다. 또한 실무적 관점에서 기업이 사용자 의사결정과정을 어떻게 촉진시킬 수 있는가를 확인하고자 하였다.
본 연구는 개인화 추천시스템에 대한 사용자 평가에 대하여 추천시스템의 성과적 측면과 사용자 태도 측면에 대한 통합적 관점을 제공하였다. 첫째, 추천시스템에 대한 사용자 평가의 항목으로 예측적 특성의 관점인 지각된 정확성과 지각된 새로움을 제시할 수 있으며 두 변수는 사용자의 만족에 영향력을 발휘하는 것으로 나타났다.
본 연구는 추천시스템에 대한 사용자 평가에 영향을 미치는 변수들을 확인하기 위하여 추천시스템을 구축하고 웹 기반 실험을 진행했다. 실험을 위한 기본 데이터와 선호도 정보 활용을 위해 Netflix의 영화 정보와 선호도 자료를 이용하였다.
세 번째, 개인화된 추천시스템을 제공받은 사용자가 추천시스템에 대한 평가를 함에 있어서 사회적 실재감은 매우 중요한 요소이다. 본 연구에서는 유사 사용자들의 평가를 추천 결과에 이용하여 사용자들의 사회적 실재감을 향상시킴으로서 사용자는 보다 정확한 추천 결과를 제공받는 추천 정확성 측면의 향상을 얻을 수 있으며 추천시스템의 예측적 능력이 의사결정에 있어 효과적인 결과를 제공한다고 생각한다. 대다수의 선행연구들이 제시하는 것과 같이 추천시스템에 대한 사용자 평가는 추천시스템의 예측적 능력을 통해 이루어진다[3].

가설 설정

가설 1 : 추천시스템에 대한 지각된 정확성은 사용자의 시스템 만족에 긍정적 영향을 미친다.
가설 2 : 추천시스템의 새로움은 시스템에 대한 사용자 만족에 긍정적인 영향을 미친다.
가설 3 : 추천시스템에서 자기 참조 효과는 사용자의 시스템 만족에 긍정적인 영향을 미친다.
가설 4 : 추천시스템의 사회적 실재감은 추천시스템에 대한 사용자의 만족에 긍정적인 영향을 미친다.
01)이었다. 따라서 가설 1은 지지된다. 추천시스템의 성과와 관련된 또 다른 변수인 지각된 새로움은 유의수준 p < 0.
첫 번째 척도는 모든 측정요인들의 부하량이 유의미해야 한다는 것이다. 두 번째, 개념 신뢰도는 0.

제안 방법

개인화된 추천을 제공하기 위하여, 본 연구에서는 추천시스템을 자기 참조 정보의 제공과 사회적 실재감의 제공 정도를 다양화하여 2×2 실험 사이트를 구성하였다.
구축된 각각의 추천시스템은 파일럿 테스트를 통하여 수정 보완 후 본 실험에 이용되었으며,처럼 구성되었다.
본 연구에서는 추천시스템의 특성에 따라 4가지 추천시스템을 제시하였으며 각 실험 집단 간의 사회적 실재감과 자기 참조 정도의 차이를 확인하기 위하여 ANOVA 분석을 수행하였다. 그 후 제안된 연구 모형을 PLS를 이용하여 각 구성개념들 간의 관계를 분석하였다.
[33]의 연구에 따라, 본 연구에서는 20개 이상의 영화정보에 대하여 사용자의 선호도를 수집하였다. 그 후, 실험 첫 단계에서 획득한 실험참가자들의 영화별 선호도 점수에 기반하여 개인화된 영화 추천을 제공하였다. 개인화된 추천을 제공하기 위하여, 본 연구에서는 추천시스템을 자기 참조 정보의 제공과 사회적 실재감의 제공 정도를 다양화하여 2×2 실험 사이트를 구성하였다.
따라서, 본 연구의 목적은 추천시스템의 예측적 특성과 추천전달 방식 특성을 동시에 고려하여 추천시스템에 대한사용자 평가를 이해하는 것이다. 그에 따라서, 본 연구에서는 다양한 수준의 추천 알고리즘을 적용하여 상품 추천을 수행한 후 시스템 성과와 사용자 만족의 관계를 조사하였다. 제품 추천을 위하여 영화 선호도 데이터를 실험 참가자들에게서 수집하였으며 Netflix 영화 데이터를 기반으로 추천을 제공하였다.
두 번째, 본 연구는 오직 영화 정보에 집중한 추천시스템을 사용하였다. 선행연구에서 제품의 특성이 추천된 제품에 대한 사용자 평가에 차이를 만들어 낼 수 있다고 제시했다[15, 25].
또한 추천 방식의 특성에 따라 자기 참조 효과 역시 높고 낮은 참조 그룹으로 구분하였다. 집단 C와 D는 ‘당신이 평가한 영화에 기반하여 이 영화를 추천한다.
<표 6>과 같이, 각 구성개념의 AVE의 제곱근이 상관계수보다 더 큰 것을 확인할 수 있으며 제안된 구성개념들 간의 판별타당성을 확인할 수 있다. 본 연구에서 제시한 구성 개념들의 타당성을 확인하였기에 제시된 연구 모형에 기반하여 분석을 실시하였다.
설문에 사용된 구성개념과 문항은 처럼 선행연구에 의해 제시된 것을 연구의 내용에 맞게 수정 후 사용하였다.
실험 참가자들은 영화 관련 온라인 커뮤니티에 광고를 게재하여 모집 및 참가하였으며 해당 참여자 중 10%의 참여자를 무작위로 추첨하여 스타벅스 카페라떼 이용 기프티콘을 지급하였다. 실험 참가자들은 주어진 웹 링크를 통하여 실험 사이트에 접근하였으며 참가자들은 무작위로 4가지 실험 사이트 중 하나의 실험 사이트에 할당되도록 하였다.
실험에 참여한 참가자들에게 영화가 추천된 후에, 참가자들은 인지된 정확성(perceived accuracy), 인지된 새로움(perceived novelty), 사회적 실재감(social presence), 자기 참조(self referent), 만족(satisfaction)을 측정하기 위한 웹 기반 설문에 참여하였다. 설문에 사용된 구성개념과 문항은 <표 2>처럼 선행연구에 의해 제시된 것을 연구의 내용에 맞게 수정 후 사용하였다.
추가적으로, 사회적 실재감과 자기 참조의 영향력을 확인하기 위하여 각 실험 집단군을 두 변수에 대한 높고 낮은 집단으로 분리하고 사회적 실재감과 자기 참조 정도의 차이를 확인하였다. 낮은 수준의 사회적 실재감을 제공하는 집단은 A와 C 집단으로 두 집단은 추천 제공 시 유사사용자 목록을 제공하지 않는다.

대상 데이터

<표 3>과 같이 총 160명이 참여하였으며 각 집단 별로 40명의 참여자가 무작위로 배정되었다. 측정된 구성개념들에 대한 타당성을 측정하기 위하여 탐색적 요인분석(Exploratory Factor Analysis : EFA)을 실시하였으며, 결과는 <표 4>와 같다.
실험 참가자에게 추천을 위한 선행 단계로 2001년부터 2005년까지 한국에서 개봉된 영화들 중 20개 영화를 사용자에게 제시하였다. 실험 참가자들은 20가지 영화에 대해 각 영화별 개인의 선호도 점수를 입력한 후 추천 알고리즘에 의해 각 5개 영화를 추천받았다.
실험 참가자들은 영화 관련 온라인 커뮤니티에 광고를 게재하여 모집 및 참가하였으며 해당 참여자 중 10%의 참여자를 무작위로 추첨하여 스타벅스 카페라떼 이용 기프티콘을 지급하였다. 실험 참가자들은 주어진 웹 링크를 통하여 실험 사이트에 접근하였으며 참가자들은 무작위로 4가지 실험 사이트 중 하나의 실험 사이트에 할당되도록 하였다.
전반적인 실험 절차는<그림 2>와 같다. 실험 참가자에게 추천을 위한 선행 단계로 2001년부터 2005년까지 한국에서 개봉된 영화들 중 20개 영화를 사용자에게 제시하였다. 실험 참가자들은 20가지 영화에 대해 각 영화별 개인의 선호도 점수를 입력한 후 추천 알고리즘에 의해 각 5개 영화를 추천받았다.
본 연구는 추천시스템에 대한 사용자 평가에 영향을 미치는 변수들을 확인하기 위하여 추천시스템을 구축하고 웹 기반 실험을 진행했다. 실험을 위한 기본 데이터와 선호도 정보 활용을 위해 Netflix의 영화 정보와 선호도 자료를 이용하였다. 전반적인 실험 절차는<그림 2>와 같다.
그에 따라서, 본 연구에서는 다양한 수준의 추천 알고리즘을 적용하여 상품 추천을 수행한 후 시스템 성과와 사용자 만족의 관계를 조사하였다. 제품 추천을 위하여 영화 선호도 데이터를 실험 참가자들에게서 수집하였으며 Netflix 영화 데이터를 기반으로 추천을 제공하였다.
본 연구는 몇 가지 제한점이 존재한다. 첫 번째로, 실험에 이용된 영화 데이터는 2005년까지 개봉된 영화들을 기반으로 추천이 제공되었다. 대부분의 실험참가자들은 본 연구에 참여하기 전에 실험에 활용된 영화중에서 많은 영화들을 경험했을 가능성이 높다.

데이터처리

그에 따라 두 변수들의 조작적 차이를 확인하기 위하여 과 같이 t검정을 실시하였다.
본 연구에서는 추천시스템의 특성에 따라 4가지 추천시스템을 제시하였으며 각 실험 집단 간의 사회적 실재감과 자기 참조 정도의 차이를 확인하기 위하여 ANOVA 분석을 수행하였다. 그 후 제안된 연구 모형을 PLS를 이용하여 각 구성개념들 간의 관계를 분석하였다.
연구의 설문 문항들에 대한 타당성 확인을 위해서, PLS를 통하여 확인적 요인분석(Confirmatory Factor Analysis : CFA)를 수행하였으며 수렴 타당성(Convergent Validity)과 판별 타당성(Discriminant Validity)을 확인하였다. 수렴 타당성은 3가지 척도에 의하여 평가된다[19].
측정된 구성개념들에 대한 타당성을 측정하기 위하여 탐색적 요인분석(Exploratory Factor Analysis : EFA)을 실시하였으며, 결과는 <표 4>와 같다. 요인분석을 실시한 후 설문 항목에 대한 신뢰도를 측정하였다. 그에 따라 본 연구에서 사용된 설문항목의 신뢰도 계수(Cronbach’s alpha)는 모두 0.
제시된 추천시스템들의 특성에 따른 영향력을 확인하기 위하여 지각된 정확성과 새로움에 대한 4가지 실험집단의 차이를 ANOVA 분석을 통해 확인하였으며 그 결과는 과 같다.
측정된 구성개념들에 대한 타당성을 측정하기 위하여 탐색적 요인분석(Exploratory Factor Analysis : EFA)을 실시하였으며, 결과는 와 같다.

이론/모형

Lee et al.[33]의 연구에 따라, 본 연구에서는 20개 이상의 영화정보에 대하여 사용자의 선호도를 수집하였다. 그 후, 실험 첫 단계에서 획득한 실험참가자들의 영화별 선호도 점수에 기반하여 개인화된 영화 추천을 제공하였다.
연구에서 제시한 집단 간의 차이를 확인한 후, 제시된 연구 모형에 대한 경로 분석을 위하여 PLS를 사용한 구조방정식 모형을 활용하였다. <그림 7>에서 보여지는 것과 같이 추천시스템에 대한 사용자 만족과 관련하여 지각된 정확성의 영향력은 유의한 것으로 나타났으며 경로계수는 0.

성능/효과

따라서 각 집단별로 추천방식에 의한 추천의 새로움은 집단 간의 차이가 나타나는 것으로 확인되었다. D 집단이 제일 새로운 추천 결과를 주는 것으로 나타났으며 집단 B와 C가 A보다 높은 평균값을 보임에 따라 보다 다양한 정보를 제공함에 따라 참여자가 느끼는 지각된 새로움이 높아지는 것을 확인할 수 있다.
따라서 본 연구에서 제시한 구성 개념들의 수렴 타당성이 확보되었다. 각 설문항목들은 해당 구성개념에 유의하게 부하되었으며 수렴 타당성을 확인하였다.
판별타당성을 검토하는 방법으로 각 구성개념들 간의 상관관계보다 분산추출지수의 제곱근이 각 요인의 상관계수의 제곱보다 크다면 판별 타당성이 확보되었다고 할 수 있다[12]. <표 6>과 같이, 각 구성개념의 AVE의 제곱근이 상관계수보다 더 큰 것을 확인할 수 있으며 제안된 구성개념들 간의 판별타당성을 확인할 수 있다. 본 연구에서 제시한 구성 개념들의 타당성을 확인하였기에 제시된 연구 모형에 기반하여 분석을 실시하였다.
첫 번째 척도는 모든 측정요인들의 부하량이 유의미해야 한다는 것이다. 두 번째, 개념 신뢰도는 0.80 이상을 획득해야만 측정모형이 적합하다고 할 수 있다. 세 번째로 각 구성개념들에 의한 평균분산추출지수(average variance extracted : AVE)가 0.
첫째, 추천시스템에 대한 사용자 평가의 항목으로 예측적 특성의 관점인 지각된 정확성과 지각된 새로움을 제시할 수 있으며 두 변수는 사용자의 만족에 영향력을 발휘하는 것으로 나타났다. 두 번째, 자기 참조효과와 사회적 실재감을 통한 추천 제공의 이유를 제시하는 방법은 추천시스템에 대한 사용자의 평가에 대하여 중요한 역할을 한다.<표 7>에서 보여지는 것과 같이 사회적 실재감을 제공받는 집단 B는 자기 참조효과를 제공받는 집단 C와 비교할 때 지각된 새로움에 더 큰 영향력을 받는다.
추천시스템의 추천결과가 사용자가 경험한 일반적인 제품들을 제공하고 있음에도, 추천에서 사용자가 느끼게 되는 자기선호에 적합한 추천결과의 우연성은 추천시스템이 반드시 제공해야 할 요소이다. 두 번째로, 사회적 실재감과 자기 참조효과를 통한 추천에 대한 이유를 제공하는 방법은 사용자에게 더욱 제품 선택에 대한 고려를 강화시키는 방법이며 새로운 제품에 대한 탐색기회를 제공하는 좋은 도구이다. 그러므로 추천을 통해 제품을 제공할 때, 기업은 사용자에게 어떻게 추천이 생성되었는지 설명해야 한다.
50 이상을 충족하였다. 따라서 본 연구에서 제시한 구성 개념들의 수렴 타당성이 확보되었다. 각 설문항목들은 해당 구성개념에 유의하게 부하되었으며 수렴 타당성을 확인하였다.
기존 연구에서 자기 참조 효과는 ‘자신(Self)’의 관점을 이용함으로써 사용자의 행동에 자극을 주기 위한 목적으로 사용자의 상호작용을 향상시키는 점에 집중했다. 본 연구에서 자기 참조 메시지는 사용자의 만족에 영향력을 발휘하지 않았음에도 불구하고 자기 참조의 수준이 높고 낮은 집단에 의해 다를 수 있음을 제시하였다. 추천시스템이 제공하는 추천이 사용자의 정보를 통한 추천이라는 것을더 강화시켜주고 있다는 점에서 추천시스템의 결과에 대한 고려가 더욱 증가하지만 실제 자기 참조에 의한 사용자 만족이 증가되는 것은 아니며 제품 고려를 위해서는 자기 참조보다는 유사사용자에 의한 추천이 더 유용하다.
따라서 사용자가 접하게 되는 추천 결과의 구성은 추천시스템에 대한 사용자 평가를 구체화하기 위한 단서가 될 수 있다. 본 연구에서는 사회적 실재감을 통한 사용자 평가가 시스템에 대한 만족에 매우 중요한 역할을 하고 있다는 것을 알 수 있다.
80 이상을 획득해야만 측정모형이 적합하다고 할 수 있다. 세 번째로 각 구성개념들에 의한 평균분산추출지수(average variance extracted : AVE)가 0.5 이상이면 측정 모형이 적합하다고 할 수 있다. 세 가지 척도에 기반한 확인적 요인분석의 결과와 수렴 타당성에 대한 결과는 <표 5>, <표 6>과 같다.
연구 모형에 대한 가설 검정의 결과를 기반으로, 추천의 새로움과 사회적 실재감의 계수가 추천 정확성과 비교하여 상대적으로 크게 나타났다. 그에 따라 실험에서 제시한 추천 정확성과 자기 참조 효과가 추천시스템에 대한 필수적 요소인 반면, 사전에 경험하지 못한 새로운 추천 결과를 제공하는 능력과 유사 사용자를 제공하는 사회적 실재감은 사용자의 추천시스템에 대한 기대치와 만족에 직접적인 영향을 주는 중요한 변수가 될 수 있다.
자기 참조 효과에 대하여 귀무가설이 기각됨에 따라서 유의수준 p < 0.000에서 자기 참조효과의 수준별 집단 차이를 확인할 수 있었다.
본 연구는 개인화 추천시스템에 대한 사용자 평가에 대하여 추천시스템의 성과적 측면과 사용자 태도 측면에 대한 통합적 관점을 제공하였다. 첫째, 추천시스템에 대한 사용자 평가의 항목으로 예측적 특성의 관점인 지각된 정확성과 지각된 새로움을 제시할 수 있으며 두 변수는 사용자의 만족에 영향력을 발휘하는 것으로 나타났다. 두 번째, 자기 참조효과와 사회적 실재감을 통한 추천 제공의 이유를 제시하는 방법은 추천시스템에 대한 사용자의 평가에 대하여 중요한 역할을 한다.
추천시스템의 성과와 관련된 또 다른 변수인 지각된 새로움은 유의수준 p < 0.01 수준에서 유의한 것으로 나타났으며 가설 2가 지지되는 것을 확인할 수 있다.
따라서 집단 간 추천 정확도의 차이가 발생하는 것을 확인하였다. 특히, D 집단이 지각된 정확성이 제일 높다는 점에서 지각된 새로움과 유사한 결과를 나타냄에 따라 자기 참조와 유사사용자를 모두 고려한 추천방식이 사용자의 지각적 평가에서 제일 좋은 방식으로 나타났다. 그러나, 유사사용자를 고려하여 추천을 제공하였던 B 집단의 지각된 정확성은 자기 참조를 공유한 집단 C에 비하여 더 낮게 나타나 지각된 정확성과 새로움은 추천시스템의 평가에 대한 차이가 나타났다.

후속연구

영화는 재미를 추구하는 아이템이지만 깊이 몰입하지 않는 쾌락재 특성의 저관여 상품이다. 따라서, 유용재나 고관여 제품들에서 본 연구의 결과가 어떻게 나타나는 지에 대한 추가적인 연구가 필요하다.

질의응답

핵심어	질문	논문에서 추출한 답변
	자기 참조란 무엇인가?	자기 참조란 사용자가 ‘자신(Self)’과 연관된 상황 또는 이슈에 대하여 긍정적 태도를 형성하게 되는 정도를 의미한다[52]. 사회적 실재감은 사용자가 타인이 있음을 감지하고 추천 결과에 대하여 고려하게 되는 정도로 정의될 수 있다[32].
	사용자 선호에 적합한 추천이 제공된다면, 사용자는 추천시스템에 대해 보다 긍정적인 태도를 형성하는 것이 가능한 이유는 무엇인가?	Liang et al.[34]의 연구에 따르면 추천시스템에 대한 사용자 만족은 얼마나 정확한 추천이 제공되는 지에 따라 증가될 수 있다. 따라서 사용자 선호에 적합한 추천이 제공된다면, 사용자는 추천시스템에 대해 보다 긍정적인 태도를 형성하는 것이 가능하다[7, 49, 50].
	온라인 스토어들이 사용자의 관심에 맞는 제품 또는 서비스를 제공하는 것은 어떠한 역할을 하는가?	온라인 거래에서 개인화된 웹 경험을 제공하는 것은 전자거래의 중요한 특성 중 하나이다[34, 51, 55]. 온라인 스토어들이 사용자의 관심에 맞는 제품 또는 서비스를 제공하는 것은 사용자의 탐색 노력을 감소시킬 수 있으며 사용자의 만족과 판매를 증가시키는 역할을 한다[32, 52, 56]. 특히, 사용자의 선호도와 구매 이력을 중심으로 추천을 제공하는 추천시스템은 사용자가 다양한 대안들 중에서 의사결정을 할 수 있도록 도움을 제공한다[53].

참고문헌 (57)

서길수, "과업의 특성과 매체 경험이 인지된 매체 풍요도와 사회적 존재성에 미치는 영향", Asia Pacific Journal of Information Systems, 제8권, 제3호, pp. 119-134, 1998.

상세보기
손재봉, 서용무, "협업필터링 시스템에서 Degree of March를 이용한 성능 향상", Information System Review, 제8권, 제2호, pp. 139-154, 2006.
엄태영, 김우주, 박상언, "태그네트워크를 이용한 개인화 북마크 추천시스템", 한국전자거래학회지, 제15권, 제4호, pp. 181-195, 2010.

원문보기 상세보기
이석준, 이희춘, "협업필터링 추천에서 대응 평균 알고리즘의 예측성능에 관한 연구", Information System Review, 제9권, 제1호, pp. 85-103, 2007.
이재식, 명훈식, "사례기반 추론을 이용한 인터넷 서점의 서적 추천시스템 개발", 한국전자거래학회지, 제13권, 제4호, pp. 173-191, 2008.
Adomavicius, G. and Tuzhilin, A., "Personalization Technologies : A Processoriented Perspective," Communications of the ACM, Vol. 48, No. 10, pp. 83-90, 2005.

상세보기
Al-Natour, S., Benbasat, I., and Cenfetelli, R. T., "The Effects of Process and Outcome Similarity on Users' Evaluations of Decision Aids," Decision Sciences, Vol. 39, No. 2, pp. 175-211, 2008.

상세보기
Arazy, O., Kumar, N., and Shapira, B., "A Theory-Driven Design Framework for Social Recommender Systems," Journal of the Association for Information Systems, Vol. 11, No. 9, pp. 455-490, 2010.

상세보기
Berlyne, D. E. (Ed.), Novelty, Complexity, and Interestingness, New York : Wiley, 2004.
Burke, R., "Hybrid Recommender Systems : Survey and Experiments," User Modeling and User-Adapted Interaction, Vol. 12, No. 4, pp. 331-370, 2002.
Burnkrant, R. E. and Unnava, H. R., "Effects of Self-referencing on Persuasion," Journal of Consumer Research, Vol. 22, No. 1, pp. 17-26, 1995.

상세보기
Chin, W. W. (Ed.), "The partial least squares approach to structural equation modeling : Modern Methods for Business Research, Mahwah," NJ, US : Lawrence Erlbaum Associates Publishers, 1998.
Choeh, J. Y. and Lee, H. J., "Mobile push personalization and user experience," AI Communications, Vol. 21, No. 2-2, pp. 183-193, 2008.
Choi, J., Lee, H. J., and Kim, Y. C., "The Influence of Social Presence on Evaluating Personalized Recommender Systems," Paper presented at the PACIS 2009 India, http://aisel.aisnet.org/pacis2009/49, 2009.
Choi, J., Lee, H. J., and Kim, Y. C., "The Influence of Social Presence on Costomer Intention to Reuse Online Recommender Systems : The Roles of Personalization and Product Type," International Journal of Electronic Commerce, Vol. 16, No. 1, pp. 129-153, 2011.

상세보기
Cyr, D., Hassanein, K., Head, M., and Ivanov, A., "The Role of Social Presence in Establishing Loyalty in e-Service Environments," Interacting with Computers, Vol. 19, No. 1, pp. 43-56, 2007.

상세보기
Davis, F. D., "Perceived Usefulness, Perceived Ease of Use and User Acceptance of Information Technology," MIS Quarterly, Vol. 13, No. 3, pp. 319-340, 1989.

상세보기
Escalas, J. E., "Self-Referencing and Persuasion : Narrative Transportation versus Analytical Elaboration," Journal of Consumer Research, Vol. 33, No. 4, pp. 421-429, 2007.

상세보기
Fornell, C. and Larcker, D. F., "Evaluating Structural Equation Models with Unobservable Variables and Measurement Error," Journal of Marketing Research, Vol. 18, No. 3, pp. 39-50, 1981.

상세보기
Fouss, F. and Saerens, M., "Evaluating performance of recommender systems : An experimental comparison," Paper presented at the IEEE/WIC/ACM International Conference on Web Intelligence and Intelligent Agent Technology, 2008.
Gefen, D., Karahanna, E., and Straub, D. W., "Trust and TAM in Online Shopping : An Integrated Model," MIS Quarterly, Vol. 27, No. 1, pp. 51-90, 2003.

상세보기
Gefen, D. and Straub, D. W., "Consumer Trust in B2C e-Commerce and the Importance of Social Presence : Experiments in e-Products and e-Services," Omega, Vol. 32, No. 6, pp. 407-424, 2004.

상세보기
Haubl, G. and Murray, K. B., "Double Agent : Assessing the Role of Electronic Product Recommendation System," Sloan Management Review, Vol. 47, No. 3, pp. 8-12, 2006.
Haubl, G. and Trifts, V., "Consumer Decision Making in Online Shopping Environments : The Effects of Interactive Decision Aids," Marketing Science, Vol. 19, No. 1, pp. 4-21, 2000.

상세보기
Hassanein, K. and Head, M., "The Impact of Infusing Social Presence in the Web Interface : An Investigation Across Different Products," International Journal of Electronic Commerce, Vol. 10, No. 2, pp. 31-55, 2006.

상세보기
Herlocker, J. L., Konstan, J. A., Terveen, L. G., and Riedl, J. T., "Evaluating Collaborative Filtering Recommender Systems," ACM Transactions on Information Systems, Vol. 22, No. 1, pp. 5-53, 2004.

상세보기
Ho, S. Y. and Kwok, S. H., "The Attraction of Personalized Service for Users in m-Commerce," ACM SIGecom Exchanges, Vol. 3, No. 4, pp. 10-18, 2003.
Holbrook, M. B. (Ed.), "Introduction : The Esthetic Imperative in Consumer Research," MI : Association for Consumer Research, 1981.
Karahanna, E. and Limayem, M., "E-Mail and V-Mail Usage : Generalizing Across Technologies," Journal of Organizational Computing and Electronic Commerce, Vol. 10, No. 1, pp. 49-66, 2000.

상세보기
Komiak, S. Y. X. and Benbasat, I., "The Effects of Personalization and Familiarity on Trust and Adoption of Recommendation Agents," MIS Quarterly, Vol. 30, No. 4, pp. 941-960, 2006.

상세보기
Kramer, T., "The effect of measurement task transparency on preference construction and evaluations of personalized recommendations," Journal of Marketing Research, Vol. 44, No. 2, pp. 224-233, 2007.

상세보기
Kumar, N. and Benbasat, I., "The Influence of Recommendations and Consumer Reviews on Evaluations of Websites," Information Systems Research, Vol. 17, No. 4, pp. 425-429, 2006.

상세보기
Lee, H. J., Kim, J. W., and Park, S. J., "Understanding Collaborative Filtering Parameters for Personalized Recommendations in e-Commerce," Electronic Commerce Research, Vol. 7, No. 3-4, pp. 45-70, 2007.

상세보기
Liang, T., Lai, H., and Ku, Y., "Personalized Content Recommendation and User Satisfaction : Theoretical Synthesis and Empirical Findings," Journal of Management Information Systems, Vol. 23, No. 3, pp. 45-70, 2007.

상세보기
Linden, G., Smith, B., and York, J., "Amazon.com Recommendations : Itemto- item Collaborative Filtering," IEEE Internet Computing, Vol. 7, No. 3, pp. 76-80, 2003.

상세보기
Martin, R. and Hewstone, M., "Social-influence Processes of Control and Change : Conformity, Obedience to Authority and Innovation," London : Sage, 2003.
Meyers-Levy, J. and Peracchio, L. A., "Moderators of the Impact of Self-Reference on Persuasion," Journal of Consumer Research, Vol. 22, No. 4, pp. 408-423, 1996.

상세보기
Moorman, C., "Organizational Market Information Processes : Cultural Antecedents and New Product Outcomes," Journal of Marketing Research, Vol. 32, No. 3, pp. 318-335, 1995.

상세보기
Oliver, R. L., Robertson, T. S., and Mitchell, D. J., "Imagine and Analyzing in Response to New Product Advertising," Journal of Advertising, Vol. 22, No. 4, pp. 35-50, 1993.
Oliver, R. L. and Swan, J. E., "Equity and disconfirmation perceptions as influences on merchant and product satisfaction," Journal of Consumer Research, Vol. 16, No. 3, pp. 372-383, 1989.

상세보기
Osgood, C. E., Succi, G. J., and Tannenbaum, P. H., "The Measurement of Meaning," IL : University of Illinois, 1957.
Pu, P. and Chen, L., "A User-Centric Evaluation Framework of Recommender Systems," Paper presented at the In proceedings of the ACM RecSys 2010 Workshop on User-Centric Evaluation of Recommender Systems and their Interfaces (UCERSTI), 2010.
Resnick, P., Iacovou, N., Suchak, N., and Bergstrom, P., "GroupLens : An Open Architecture for Collaborative Filtering of Netnews," Paper presented at the the 1994 ACM Conference on computersupported cooperative work, 1994.
Resnick, P. and Varian, H. R., "Recommender Systems," Communications of the ACM, Vol. 40, No. 3, pp. 56-58, 1997.
Ricci, F., "Mobile Recommender Systems," International Journal of Information Technology and Tourism, Vol. 12, No. 3, pp. 1-24, 2011.
Rogers, T. B., Kuiper, N. A., and Kirker, W., "Self-reference and the encoding of personal information," Journal of Personality and Social Psychology, Vol. 35, No. 9, pp. 677-688, 1977.

상세보기
Sarwar, B., Karypis, G., Konstan, J., and Riedl, J., "Item-based Collaborative Filtering Recommendation Algorithms," Paper presented at the Proceedings of the 10th international conference on World Wide Web, Hong Kong, 2001.
Shani, G. and Gunawardana, A., "Recommender Systems Handbook : Evaluating Recommendation Systems : Springer," 2011.
Sinha, R. and Swearingen, K., "Comparing Recommendations made by Online Systems and Friends," Paper presented at the DELOS-NSF Workshop on Personalization and Recommender Systems in Digital Libraries, 2001.
Swearingen, K. and Sinha, R., "ACM SIGIR Workshop on Recommender Systems Beyond Algorithms : An HCI Perspective on Recommender Systems," 2001.
Tam, K. Y. and Ho, S. Y., "Web Personalization As A Persuasion Strategy : An Elaboration Likelihood Model Perspective," Information Systems Research, Vol. 16, No. 3, pp. 271-291, 2005.

상세보기
Tam, K. Y. and Ho, S. Y., "Understanding the Impact of Web Personalization on User Information Processing and Decision Outcome," MIS Quarterly, Vol. 30, No. 4, pp. 865-890, 2006.

상세보기
Thirumalai, S. and Sinha, K. K., "Customization Strategies in Electronic Retailing : Implications of Customer Purchase Behavior," Decision Sciences, Vol. 40, No. 1, pp. 5-36, 2009.

상세보기
Unger, L., "Consumer Marketing Trends in the 1980s : When Growth Slows," Journal of Consumer Research, Vol. 9, No. 2, pp. 69-73, 1981.
Wang, W. and Benbasat, I., "Recommendation Agents for Electronic Commerce : Effects of Explanation Facilities on Trusting Beliefs," Journal of Management Information Systems, Vol. 23, No. 4, pp. 217-246, 2007.

상세보기
Xiao, B. and Benbasat, I., "E-commerce Product Recommendation Agents : Use, Characteristics, and Impact," MIS Quarterly, Vol. 31, No. 1, pp. 137-209, 2007.

상세보기
Xu, D. J., "The Influence of Personalization in Affecting Consumer Attitudes Toward Mobile Advertising in China," Journal of Computer Information Systems, Vol. 47, No. 2, pp. 9-19, 2006.

상세보기

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