[논문]신용카드 추천을 위한 다중 프로파일 기반 협업필터링

이원철; 윤협상; 정석봉

doi:10.11627/jkise.2017.40.4.154

[국내논문] 신용카드 추천을 위한 다중 프로파일 기반 협업필터링
Collaborative Filtering for Credit Card Recommendation based on Multiple User Profiles 원문보기

Journal of Korean Society of Industrial and Systems Engineering = 한국산업경영시스템학회지, v.40 no.4, 2017년, pp.154 - 163

이원철 (경일대학교 경영학과) , 윤협상 (대구가톨릭대학교 경영학부) , 정석봉 (경일대학교 철도학과)

Abstract ▼ AI-Helper

Collaborative filtering, one of the most widely used techniques to build recommender systems, is based on the idea that users with similar preferences can help one another find useful items. Credit card user behavior analytics show that most customers hold three or less credit cards without duplicates. This behavior is one of the most influential factors to data sparsity. The 'cold-start' problem caused by data sparsity prevents recommender system from providing recommendation properly in the personalized credit card recommendation scenario. We propose a personalized credit card recommender system to address the cold-start problem, using multiple user profiles. The proposed system consists of a training process and an application process using five user profiles. In the training process, the five user profiles are transformed to five user networks based on the cosine similarity, and an integrated user network is derived by weighted sum of each user network. The application process selects k-nearest neighbors (users) from the integrated user network derived in the training process, and recommends three of the most frequently used credit card by the k-nearest neighbors. In order to demonstrate the performance of the proposed system, we conducted experiments with real credit card user data and calculated the F1 Values. The F1 value of the proposed system was compared with that of the existing recommendation techniques. The results show that the proposed system provides better recommendation than the existing techniques. This paper not only contributes to solving the cold start problem that may occur in the personalized credit card recommendation scenario, but also is expected for financial companies to improve customer satisfactions and increase corporate profits by providing recommendation properly.

주제어

AI 본문요약
AI-Helper

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

문제 정의

즉, n이 많아지면 재현율은 올라가고 정확도는 떨어지게 된다. 따라서 본 연구에서는 정확도와 재현율을 동시에 고려할 수 있는 F1 값을 사용 하여 추천시스템의 성능을 분석한다.
본 연구는 신용카드 추천 과정에서 발생할 수 있는 콜드스타트 문제를 해결할 수 있다는 것에 큰 의의가 있다. 신용카드는 온라인 쇼핑과는 달리 보유 상품의 수가 제한적이고 그 수요가 지속적․반복적으로 발생하지 않는 다는 특징을 갖는다.
본 연구에서는 고객 맞춤형 신용카드 추천을 위하여 콜드스타트 문제를 해결할 수 있는 다중 프로파일 기반의 협업필터링기법을 제안하였다. 제안된 기법은 학습과 정과 적용과정으로 구성된다.
본 연구에서는 신용카드 추천시스템의 콜드스타트 문제를 해결할 수 있는 다중 고객프로파일 기반 협업필터링 추천기법을 제안하고자 한다. 일반적인 협업 필터링 기법에서 각 아이템에 대한 사용자의 선호도나 구매내역 등의 단일 프로파일을 사용하는 것과는 달리, 본 연구에 서는 고객의 금융거래 정보를 통해 수집할 수 있는 다양한 정보를 기반으로 다중 고객프로파일을 구성한다.
본 연구에서는 제안된 기법의 성능을 평가하기 위하여 국내 소재 A은행의 신용 카드 자료를 확보하여 실험을 수행하였다. 실험결과 제안된 다중 프로파일 기반의 추천기법은 단일 프로파일 및 베스트셀러 기반 추천기법과 비교하여 높은 추천 정확도를 보였다.
본 연구에서는 협업필터링을 활용한 고객 맞춤형 신용카드 추천시스템 개발을 목적으로 하고 있다. 신용카드 추천은 일반적인 온라인 쇼핑과는 다르게 개인별 신용카드 보유 개수가 대략 3개 이하로, 반복적인 구매나타 상품(카드)에 대한 수요가 지속적으로 발생하지 않는 다는 특징을 가지고 있다.

제안 방법

먼저 제안된 기법의 성능을 확인하기 위해 이웃의 수 k 및 추천 카드의 수 n 을 변화시키면서 성능을 평가하였다. 다음과 같이 5종의 개별 고객 네트워크와 2종의 통합 고객 네트워크를 구성하여 제안된 알고리즘의 성능을 확인하였다.
제안된 방법론에 따라 5개의 고객프로파일 및고객 네트워크를 도출하였고 이를 기반으로 IUN을 구성하였다. 다음으로 성능의 분석을 위해 전체 데이터의 30%를 테스트 데이터로 구성하였으며, IUN을 기반으로 테스트 데이터에 포함된 고객을 대상으로 카드 추천을 수행하였다. 이후 해당 고객들이 실제 보유한 카드와 추천된 카드의 비교를 통해 그 성능을 분석하였다.
먼저 제안된 기법의 성능을 확인하기 위해 이웃의 수 k 및 추천 카드의 수 n 을 변화시키면서 성능을 평가하였다.
본 비교를 위해 사용된 제안 기법은 가중평균으로 통합한 IUN^wavg기법이며, 추천카드의 수 n은 3개, 이웃 수 70을 사용하였고, 베스트셀러 기법에서도 가장 많이 발급된 순서대로 3개의 카드를 추천하였다.
본 실험에서는 제안된 기법을 대상으로 정확도, 재현율 및  값을 산출하여 그 성능을 살펴볼 것이며, 또한 성능의 비교평가를 위하여 베스트셀러 기반 추천기법과 그 값을 비교해 본다.
본 연구에서 제안하는 고객맞춤형 신용카드 추천 기법은 크게 (1) 다수의 고객프로파일을 기반으로 통합 고객 네트워크(integrated user network, IUN)를 구성하는 부분과, (2) IUN 을 활용한 고객 별 맞춤형 카드 도출부분으로 구성된다([Figure 1] 참조).
따라서 일반적인 추천시스템과 같이 사용자의 상품 선호도에 기반을 둔 방식을 적용할 때는 고객 정보의 부족으로 콜드스타트 문제가 발생하게 되고, 이는 추천시스템의 성능 저하를 초래하게 된다. 이러한 문제를 해결하기 위해 본 연구에서는 고객의 신용 카드 선호도를 제외한 다양한 고객 정보로 부터 다중 프로파일을 구성하여 카드 추천에 활용하였다. 또한, 본 연구의 결과는 다양한 상품을 취급하는 금융기업이 고객의 특성에 맞는 금융상품을 효과적으로 추천하여 고객의 만족을 높이고 기업 수익 증대하는데 활용할 수 있을 것으로 기대된다.
다음으로 성능의 분석을 위해 전체 데이터의 30%를 테스트 데이터로 구성하였으며, IUN을 기반으로 테스트 데이터에 포함된 고객을 대상으로 카드 추천을 수행하였다. 이후 해당 고객들이 실제 보유한 카드와 추천된 카드의 비교를 통해 그 성능을 분석하였다.
본 연구에서는 신용카드 추천시스템의 콜드스타트 문제를 해결할 수 있는 다중 고객프로파일 기반 협업필터링 추천기법을 제안하고자 한다. 일반적인 협업 필터링 기법에서 각 아이템에 대한 사용자의 선호도나 구매내역 등의 단일 프로파일을 사용하는 것과는 달리, 본 연구에 서는 고객의 금융거래 정보를 통해 수집할 수 있는 다양한 정보를 기반으로 다중 고객프로파일을 구성한다. 이러한 다중 고객프로파일은 고객의 신용카드에 대한 선호도나 사용내역 등의 정보 없이도 유사고객을 파악하는 것을 가능하게 하고 궁극적으로 콜드스타트 문제를 해결 하는데 도움을 준다.
전체 고객 중 3,564명의 고객을 표본 추출하였고, 고객프로파일을 구성하기 위하여 실험 고객의 인구통계학 정보와 1년 동안의 소비패턴, 거래수단, 보유상품, 가입 서비스 정보를 활용하였다. 한편, A은행에서 취급하는 신용카드 수는 152종이다.
제안된 기법은 일반적인 머신러닝 방법론에 따라 학습과정과 적용과정으로 이루어지는데, 학습과정에서는 고객 정보의 변경에 따라 주기적으로 각 고객프로파일을 갱신하고 고객 네트워크를 구성한다. 이어 적용과정에서는 은행 방문 고객을 대상으로 해당 고객과 가장 유사한 k명의 이웃고객을 선별하고, 이웃고객들이 가장 많이 사용하는 n개의 카드를 도출하여 카드 추천에 활용한다.
본 연구에서는 고객 맞춤형 신용카드 추천을 위하여 콜드스타트 문제를 해결할 수 있는 다중 프로파일 기반의 협업필터링기법을 제안하였다. 제안된 기법은 학습과 정과 적용과정으로 구성된다. 학습과정에서는 사용자 정보를 기반으로 5종의 다중 프로파일을 구성하고, 이로부터 통합 고객 네트워크를 도출한다.
실험을 위해 A은행의 신용카드 가입 고객 중에서 표본 추출한 3,564명의 데이터를 대상으로 학습과정을 진행하였다. 제안된 방법론에 따라 5개의 고객프로파일 및고객 네트워크를 도출하였고 이를 기반으로 IUN을 구성하였다. 다음으로 성능의 분석을 위해 전체 데이터의 30%를 테스트 데이터로 구성하였으며, IUN을 기반으로 테스트 데이터에 포함된 고객을 대상으로 카드 추천을 수행하였다.
최근 관련 연구에서 많이 사용하는 F1 값을 이용하여 제안된 기법의 성능을 분석하였다. 기존의 많은 연구들이 추천 시스템의 성능을 평가하기 위하여 정확도, 재현율 및 F1 값을 사용해 왔다[1, 24, 26].

대상 데이터

학습과정의 첫 번째 단계인 고객프로파일 구성은 금융 기업의 고객데이터베이스로부터 획득할 수 있는 고객 정보를 바탕으로 이루어진다. 본 연구를 위하여 국내 A은행의 신용카드 고객 데이터를 활용하였다. A은행은 신용카드 연간 매출액 5조 8천억 원, 총 회원 수 180만 명, 150 여 종의 카드 상품을 취급하는 국내 중규모의 금융회사이다.
A은행은 신용카드 연간 매출액 5조 8천억 원, 총 회원 수 180만 명, 150 여 종의 카드 상품을 취급하는 국내 중규모의 금융회사이다. 본 연구에서 활용한 데이터를 기반으로 5종의 고객프로파일을 구성하였으며, 그 내역은 [Table 1]과 같다.
다음으로 학습과정의 두 번째 단계는 앞서 구성한 각 고객프로파일을 기반으로 1-mode의 고객 네트워크(user network)로 변환하는 과정이다. 본 연구에서는 아래와 같이, 5개의 고객프로파일 각각에 대응되는 5개의 고객 네트워크를 구성한다.
본 연구에서는 제안된 기법의 성능 및 적용가능성을 검증하기 위하여 국내 A은행의 신용카드 고객을 대상으로 실험을 진행하였다.
실험을 위해 A은행의 신용카드 가입 고객 중에서 표본 추출한 3,564명의 데이터를 대상으로 학습과정을 진행하였다. 제안된 방법론에 따라 5개의 고객프로파일 및고객 네트워크를 도출하였고 이를 기반으로 IUN을 구성하였다.

데이터처리

다음으로 제안된 기법의 객관적인 성능비교를 위하여 실험기간 동안 가장 가입 빈도가 높은 신용카드를 모든 고객에게 동일하게 추천하는 방식인 베스트셀러(bestseller) 기반 추천[21]과 제안된 기법을 비교하였다. 베스트셀러 기반 추천기법은 개별 고객의 고객프로파일에 대한 고려 없이, 학습기간 동안 가장 발급빈도가 높은 신용카드를 모든 고객에게 동일하게 추천하는 방식이다.

이론/모형

학습과정의 세 번째 단계는, 앞서 구성한 고객 네트워크를 기반으로 통합 고객 네트워크 IUN을 구성하는 과정이다. 본 연구에서는 IUN을 구축하기 위한 방법으로 Kim and Cho(2015)의 연구와 유사하게 단순평균 방식과 F1 기반의 가중평균 방식을 사용한다[15]. 단순평균 방식은 5개의 고객 네트워크에서 각 고객 간 유사도를 산술 평균하여 IUN의 유사도로 사용하는 방식이며, F1 기반의 가중평균방식은 각 고객 네트워크의 유사도를 가중 평균할 때 가중치로 각각의 네트워크의 추천 성능을 나타내는 F1 값을 사용한다.
기존 문헌에서 많이 사용하는 고객 유사도로는 피어슨상관계수 [19], 자카드계수[20], 코사인계수[10, 24] 등이 있다. 본 연구에서는 협업필터링에서 많이 사용되는 코사인 계수를 사용한다. 코사인 계수는 내적공간의 두 벡터 간 각도의 코사인 값을 이용하여 벡터간의 유사 정도를 측정하는 방법으로 식 (1)과 같이 표시되며, 여기서 u_l와 u_m는 사용자 l, m 각각의 프로파일 벡터를 의미한다.

성능/효과

베스트셀러 기반 추천의 F1 값이 0.148이며 제안된 기법은 0.175로, 베스트셀러 기반 추천에 비해서 18.0% 우수한 성능을 보이는 것으로 확인되었다.
본 연구에서는 제안된 기법의 성능을 평가하기 위하여 국내 소재 A은행의 신용 카드 자료를 확보하여 실험을 수행하였다. 실험결과 제안된 다중 프로파일 기반의 추천기법은 단일 프로파일 및 베스트셀러 기반 추천기법과 비교하여 높은 추천 정확도를 보였다.

후속연구

둘째, 본 연구에서는 고려하지 않았지만 실제 적용 환경에서 학습데이터를 구성할 때는 프로모션 등의 특수한 상황에서 발생한 상품 가입 및 고객 정보는 배제하는 것이 필요하다. 이러한 데이터가 학습데이터에 포함되는 경우 학습 결과를 왜곡하고 추천 성능을 저해하는 결과를 초래할 수 있다.
이러한 문제를 해결하기 위해 본 연구에서는 고객의 신용 카드 선호도를 제외한 다양한 고객 정보로 부터 다중 프로파일을 구성하여 카드 추천에 활용하였다. 또한, 본 연구의 결과는 다양한 상품을 취급하는 금융기업이 고객의 특성에 맞는 금융상품을 효과적으로 추천하여 고객의 만족을 높이고 기업 수익 증대하는데 활용할 수 있을 것으로 기대된다.
셋째, 실제 서비스 환경에서 각 고객의 신용카드 구매 패턴은 현장 직원의 맞춤형 추천에 의해 영향을 받을 수 있으나, 이전의 다수의 연구에서와 마찬가지로 사후적인 고객 구매행위 데이터를 통한 실험만으로는 이러한 효과를 파악하는데 한계가 존재한다.
첫째, 본 연구에서 제안한 다중 프로파일 기반의 추천 기법은 고객프로파일이 등록되지 않은 고객에게는 적용할 수 없다는 한계를 갖고 있다. 고객정보가 등록되어 있지 않은 신규고객은 창구 담당직원 상담, 베스트셀러 기법 등의 추천방식이 더욱 적합할 것이다.
추후 연구에서는 신용카드 이외의 주요 금융상품인 방카슈랑스(bancassurance)나 펀드 등을 대상으로 맞춤형 추천기법을 제안하고자 한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	카드사 별로 많은 수의 카드 상품을 보유함으로 알 수 있는 카드사의 전략은 무엇인가?	카드사의 공통적인 전략은 고객의 다양한 요구를 만족 시킬 수 있는 고객 맞춤형 카드를 출시하여 가입 고객 수와 카드 이용액을 증대시키는 것이다. 이러한 전략에 의해 카드사 별로 많은 수의 카드 상품을 보유하고 있다.
	신용카드란 무엇인가?	신용카드는 소비자에게 편리한 휴대와 신용공여를 통해 미래의 소득으로 현재의 지출을 가능케 하는 현금대체 지급결제수단으로써 이용도가 높은 금융상품이다. 2016년 말 현재, 신용카드 발급매수는 20,412만 매(체크카드 포함)이며, 이용실적은 746조 원으로 소득공제율이 확대 시행된 2010년 이후 지속적으로 증가되고 있다[9].
	카드사의 마케팅 활동에는 어떤 것들이 있는가?	카드사는 더 좋은 혜택과 다양한 서비스를 원하고 있는 고객의 요구사항을 충족하기 위한 마케팅 활동에 많은 노력을 기울이고 있다. 일반적인 카드사의 마케팅 활동은 각종 포인트 제공, VIP서비스, 편의서비스, 할인혜택, 결제서비스, 카드 자동 납부 등 각종 혜택과 편의성을 갖춘 카드 상품 개발과 각종 이벤트 실시, 광고, 프로모션 등의 다양한 방법으로 구성되어 있다[12]. 신한카드 외 7개의 전업카드사는 카드모집인의 오프라인 영업, TM (Tele marketing), DM(Direct marketing)방식을 주로 활용 하였으나, 최근에는 인터넷의 발달과 사용인구의 증가로 카드사 홈페이지를 통해 맞춤카드 찾기, 내게 맞는 카드 찾기 등의 온라인 마케팅을 강화하고 있다.

참고문헌 (26)

Ahn, H.J., A new similarity measure for collaborative filtering to alleviate the new user cold-starting problem, Information Sciences, 2008, Vol. 1, No. 78, pp. 37-51.
Ali, K. and Stam, W.V., Tivo : Making show recommendations using a distributed collaborative filtering architecture, Proceedings of the Conference on Knowledge Discovery and Data Mining, Washington, USA, 2004, pp. 394-401.
Bell, R., Koren, Y., and Volinsky, C., The Bellkor 2008 Solution to the Netflix Prize, 2008.
Bennet, J. and Lanning, S., The Netflix Prize, Proceedings of the KDD CUP and Workshop, 2007.
Cho, Y.H., Park, S.K., Ahn, D.H., and Kim, J.K., Collaborative Recommendations using Adjusted Product Hierarchy : Methodology and Evaluation, Journal of the Korean Operations Research and Management Science Society, 2004, Vol. 29, No. 2, pp. 61-77.
Choi, J.S., Kim, D.Y., Han, I.S., and Kim, Y.C., A Study on Data Analysis in on/off-line Shopping mall, Electronic Commerce Research Association, 2011, Vol. 12, No. 2, pp. 71-88.
Credit FINANCE Association, http://www.crefia.or.kr.
Das, A., Datar, M., Garg, A., and Rajaram, S., Google news Personalization : Scalable online Collaborative filtering, Proceedings of the World Wide Web Conference, 2003, Budapest, Hungary, pp. 271-280.
Financial Supervisory Service, http://www.fss.or.kr.
Jeong, S.B., The Relationship between Structure Attributes of Product Networks and Performance of integrated Internet Shopping Malls, Association of Business Education, 2015, Vol. 30, No. 3, pp. 97-106.
Kim, C.-J. and Choi, K.-S., A Mobile Web's Recommendation Technique based on XPDL, Journal of the Korea Academia-Industrial Cooperation Society, 2013, Vol. 14, No. 11, pp. 5856-5865.

원문보기 상세보기
Kim, K.H. and Lee, B.W., A Marketing Study of Credit Card with Aging Society, The Credit Card Review, 2012, Vol. 6, No. 1, pp. 87-105.
Kim, K.-J. and Ahn, H., Collaborative Filtering with a User-Item Matrix Reduction Technique for Recommender Systems, International Journal of Electronic Commerce, 2011, Vol. 16, No. 1, pp. 107-128.

상세보기
Kim, K.-J. and Ahn, H., User-Item Matrix Reduction Technique for Personalized Recommender Systems, Journal of Information Technology Applications & Management, 2009, Vol. 16, No. 1, pp. 97-113.
Kim. M. and Cho, Y., A Multimodal Profile Ensemble Approach to Development of Recommender System Using Big Data, The Journal of Intelligence and Information System, 2015, Vol. 21, No. 4, pp. 93-100.
Lee, J.S. and Park, S.D., Performance Improvement of a Movie Recommendation System using Genre-wise Collaborative Filtering, Journal of Intelligence and Information System, 2007, Vol. 13, No. 4, pp. 65-78.
Lim, C.-H., On-line Recommendation Service Algorithm using Human Sensibility Ergonomics, Journal of the Society of Korea Industrial and Systems Industrial and Systems Engineering, Vol. 27, No. 1, pp 38-46.
Linden, G., Smith, B., and York, J., Amazon.com recommendations : Item-to-item Collaborative filtering, IEEE Internet Computing, 2003, Vol. 7, No. 1, pp. 76-80.

상세보기
Nam, K.W., Park, S.S., Shin, Y.K., and Jang, D.S., An Analytical Study on Research trends of Web-based Recommendation System, Proceedings of the Korean Operations Research and Management Science Society Spring Joint Meeting, Pohang, Korea, 2008, pp. 86-97.
Niwattanakul, S., Singthongchai, J., Naenudorn, E., and Wanapu, S., Using of Jaccard Coefficient for Keywords Similarity, Proceedings of the International Multi Conference of Engineers and Computer Scientists, 2013,
Park, J.H., Cho, Y.H., and Kim, J.K., Social Network : A Novel Approach to New Customer Recommendations, Journal of Intelligent Information Systems, 2009, Vol. 15, No. 1, pp. 123-140.
Park, S. and Pennock, D., Applying Collaborative filtering techniques to movie search for better ranking and browsing, Proceedings of 13th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, California, USA, 2007, pp. 550-559.
Piotte, M. and Chabbert, M., The Pragmatic theory solution to the Netflix grand prize, Netflix prize documentation, 2009.
Sarwar, B., Karypis, G., Konstan, J., and Riedl, J., Analysis of Recommendation Algorithm for E-Commerce, Proceedings of the ACME-commerce conference, Minnesota, USA, 2000, pp. 158-167.
Schein, A.I., Popescul, A., Ungarnd, L.H., and Pennock, D.M., Methods and Metrics for Cold-Start Recommendations, Proceedings of the 25th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval, Tampere, Finland, 2002, pp. 253-260.
Schonberger, V.M. and Cukier, K., Big data : a revolution that will transform how we live work and think, John Murray, 2013.

저자의 다른 논문 :

LOADING...

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