$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

추천시스템에서 구매 패턴 예측을 위한 SOM기반 고객 특성에 의한 군집 분석

Clustering Analysis by Customer Feature based on SOM for Predicting Purchase Pattern in Recommendation System

韓國컴퓨터情報學會論文誌 = Journal of the Korea Society of Computer and Information, v.19 no.2, 2014년, pp.193 - 200  

조영성 (동양미래대학교 전산정보학부) ,  문송철 (남서울대학교 컴퓨터학과) ,  류근호 (충북대학교 전자컴퓨터공학부)

초록
AI-Helper 아이콘AI-Helper

유비쿼터스 컴퓨팅이 생활의 일부가 되어가면서 정보의 양도 급속도로 늘어나고 있으며, 이로 인해 많은 데이터 속에서 정보를 찾아내는 기술이 부각되고 있다. 고객 기반의 협력적 필터링을 이용한 고객 선호도 예측 방법에서는 아이템에 대한 사용자의 선호도를 기반으로 이웃 선정 방법을 사용하므로 아이템에 대한 속성을 반영하지 못할 뿐만 아니라 희박성 문제를 해결하지 못하고 있다. 그리고 비슷한 선호도를 가진 일부 아이템의 정보를 바탕으로 하기 때문에 아이템의 속성은 무시하는 경향이 있다. 본 논문에서는 전자상거래 추천에서 구매 패턴 예측을 위한 고객 특성기반 SOM 학습을 이용한 군집 방법을 제안한다. 제안 방법은 고객의 속성 정보 기반의 유사한 속성의 데이터끼리의 클러스터링을 통해 보다 빠른 시간 내에 고객 성향에 맞는 추천이 가능한 구매 패턴의 추출이 가능하다. 성능평가를 위해 현업에서 사용하는 인터넷 화장품 아이템 쇼핑몰의 데이터를 기반으로 데이터 셋을 구성하여 기존 시스템과 비교 실험을 통해 성능을 평가하여 효용성과 타당성을 입증하였다.

Abstract AI-Helper 아이콘AI-Helper

Due to the advent of ubiquitous computing environment, it is becoming a part of our common life style. And tremendous information is cumulated rapidly. In these trends, it is becoming a very important technology to find out exact information in a large data to present users. Collaborative filtering ...

주제어

AI 본문요약
AI-Helper 아이콘 AI-Helper

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

문제 정의

  • 인터넷 쇼핑몰의 추천 시스템에서 아이템의 연관성과 속성 반영을 위해 세분화 기법을 이용한 데이터 마이닝을 적용한 연구[1-3]가 활발히 진행되고 왔다. 본 논문은 이러한 연구의 계속적 연구의 결과로 전자상거래 추천에서 기존의 추천 시스템의 문제점을 해결하고 구매 가능성이 높은 아이템을 추천하기 위하여 고객의 구매 특성에 의한 군집분석이 가능하고 신속하고 효과적인 추천을 위한 구매 패턴 예측을 위해서 SOM기반 고객 특성에 의한 군집 분석을 제안한다. 본 논문의 구성은 다음과 같다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
SOM이란? SOM은 신경회로망(Neural Network)의 일종으로 신경회로망의 중요한 특징 중에 하나는 환경으로부터 학습을 하고, 학습을 통한 수행능력을 가지고 있다. SOM은 외부의 피드백이나 지도가 없이 스스로 학습하여 입력자료에서 의미있는 패턴이나 특징을 발견하는 시스템이다[5]. SOM은 입력 벡터를 훈련집합에서 match 되도록 가중치가 조정되는 인공신경세포 (Neuron) 격자에 기초한 자율학습(Unsupervised Learning)의 한 방법이다.
신경회로망이 가지는 중요한 특징 중 하나는 무엇인가? SOM은 신경회로망(Neural Network)의 일종으로 신경회로망의 중요한 특징 중에 하나는 환경으로부터 학습을 하고, 학습을 통한 수행능력을 가지고 있다. SOM은 외부의 피드백이나 지도가 없이 스스로 학습하여 입력자료에서 의미있는 패턴이나 특징을 발견하는 시스템이다[5].
RFM의 세 가지 구성 요소는 무엇인가? 세분화 기법의 RFM(Recency, Frequency, and Monetary)은 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. 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[2,3]. 고객 데이터는 RFM을 이용하여 세분화가 가능하다.
질의응답 정보가 도움이 되었나요?

참고문헌 (10)

  1. Cho, Y.S., Moon, S.C., Noh, S.C., Ryu, K.H.: mplementation of Personalized recommendation System using k-means Clustering of Item Category based on RFM. In: 2012 IEEE International Conference on Management of Innovation &Technology Publication (June 2012) 

  2. Park, H.B, Y.S., Moon, S.C., Ko, H.H.: Clustering Method of Weighted Preference Using K-means Algorithm and Bayesian Network for Recommendation System. In: Journal of Information Technology & Management, Vol. 20, No. 3, pp. 219-230, (2013) 

  3. Cho, Y.S., Moon, S.C., Jeong, S.P., Oh, I.B., Ryu, K.H.: Clustering Method using Item Preference based on RFM for Recommendation System in u-Commerce. In: (eds.) Ubiquitous Information Technologies and Applications. LNEE, vol. 214, pp. 353-362. Springer, Hidelberg (2012) 

  4. Wei, J.-T., Lin, S.-Y. and Wu, H.-H.: The review of the application of RFM model. In: African Journal of Business Management, Vol. 4, No. 19, pp. 4199-42060, (2010) 

  5. Verdu. S. V. : Classification, Filtering, and Identification of Electrical Customer Load Patterns Through the Use of Self-Organizing Maps. In : IEEE Trans. Power System. Vol. 21, No.4, pp. 1672-168 (2006). 

  6. Jun S.H.: Technology Marketing using PCA , SOM, and STP Strategy Modeling. In: IJCSI(International Journal of Computer Science Issues), Vol. 8, Issue 1, January 2011 

  7. Kate A. Smith, Jatinder N. D Gupta.: Neural Networks in Business: Techniques and Applications. In: The IDEA GROUP PUBLISHING (2001). 

  8. T. Kohonen, Self-Organizing Maps. In: Springer (2000) 

  9. Cho, Y.S., Moon, S.C. Ryu, K.H.: SOM Clustering Method based on RFM Analysis for Predicting Customer Purchase Pattern in u-Commerce. In: KSCI , The Korea Society of Computer and Information Summer Conference 2013, ( Jul, 2013) 

  10. Herlocker, J.L., Kosran, J.A., Borchers, A., Riedl, J.: An Algorithm Framework for Performing Collaborative Filtering.In: Proceedings of the 1999 Conference on Research and Development in Information Research and Development in Information Retrival (1999) 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

FREE

Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문

섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트