[논문]온라인 구매 행태를 고려한 토픽 모델링 기반 도서 추천

정영진; 조윤호

doi:10.15813/kmr.2017.18.4.004

[국내논문] 온라인 구매 행태를 고려한 토픽 모델링 기반 도서 추천
Topic Modeling-based Book Recommendations Considering Online Purchase Behavior 원문보기

지식경영연구 = Knowledge Management Research, v.18 no.4, 2017년, pp.97 - 118

정영진 (국민대학교 데이터사이언스학과) , 조윤호 (국민대학교 경영학부)

Abstract ▼ AI-Helper

Thanks to the development of social media, general users become information and knowledge providers. But customers also feel difficulty to decide their purchases due to numerous information. Although recommender systems are trying to solve these information/knowledge overload problem, it may be asked whether they can honestly reflect customers' preferences. Especially, customers in book market consider contents of a book, recency, and price when they make a purchase. Therefore, in this study, we propose a methodology which can reflect these characteristics based on topic modeling and provide proper recommendations to customers in book market. Through experiments, our methodology shows higher performance than traditional collaborative filtering systems. Therefore, we expect that our book recommender system contributes the development of recommender systems studies and positively affect the customer satisfaction and management.

주제어

AI 본문요약
AI-Helper

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

문제 정의

특히 도서의 경우 베스트 셀러를 선호하는 사람이 있는 반면 고전을 선호하는 사람이 있을 정도로 그 반응에 차이가 많다. 따라서 본 연구에서는 도서가 구매된 일자를 기준으로 출판된 일자와의 차이를 계산하여 이를 최신성 측면에서 추천 시스템에 반영하고자 한다.
또한 Zhou and Wu (2016)는 사용자들의 행동이 다른 사람들의 행동이나 의견에 영향을 받는다는 점에서 착안하여 LDA결과 값에 사용자 관심도, 관심 항목, 등급 정보를 결합하여 유사도를 계산하여 추천 과정을 진행하는 RLDA모델을 제안하였으며 MovieLens 데이터에 높은 성과를 나타냈다. 많은 연구에서 토픽 모델링을 협업 필터링 기법과 결합하여 사용한 결과 높은 성과를 나타냄에 따라 본 연구에서는 책 소개와 목차 내용에서 주제를 추출하여 아이템의 특성을 파악하기 위해 LDA 기반의 토픽 모델링 기법을 적용하였으며 이를 통해 도출된 결과를 협업 필터링 기법과 결합하여 도서 추천 시스템의 성과를 높이고자 한다. 특히 Bakos (1997)과 Peterson et al.
본 연구에서는 사용자가 선호하는 주제, 최신성 선호 및 가격 수용도를 반영하여 도서 추천의 성능을 높일 수 있는 새로운 추천 시스템을 제안한다. 이를 위하여 본 연구에서는 먼저 고객 구매기록에 나타난 도서의 소개와 목차에 대해 토픽 모델링을 진행한다.
본 연구에서는 최종 추천 도서 리스트를 생성하기에 앞서 사용자의 구매행태 중 최신성과 가격 수용도를 반영하고자 한다. 먼저, 사용자가 도서를 선택할 때 최근에 출간된 도서를 얼마나 선호하는지 반영하기 위하여 도서의 출판일로부터 판매일까지의 기간을 재고기간으로 각 카테고리별 중위수를 구하여 계산하고, 사용자가 구매한 카테고리별 도서의 재고기간이 도서 전체 카테고리의 재고기간보다 짧다면, 사용자는 그 카테고리의 도서에 대해 최신성을 선호한다고 판단한다.
사용자의 구매 행태는 연령과 성별, 직업과 같은 인구 통계학적 특성과 개인의 흥미 영역 등에 따라 많은 행태가 존재하지만 본 연구에서는 도서 추천 시스템의 범위에 따라 도서 구매 행태에 큰 영향을 미치는 가격과 최신성에 따른 온라인 사용자의 구매행태에 관련된 연구를 제시한다. 먼저, 가격은 사용자의 선호도와 구매를 결정하는 데 있어 중요도가 높은 요소로 대부분의 연구는 가격 비교 및 마켓 상품의 가격 결정에 초점을 맞추고 있다 (전지은·이충권 2014; Bacos, 1997).
또한 전지은·이충권 (2014)은 시간이 흐름에 따라 사용자들의 가격에 대한 민감성이 높아질 것이라 가정하여 온라인 마켓에서 일, 주 간격의 시간 흐름에 따른 사용자의 패턴을 분석하여 판매자의 가격 조정 전략을 제안하였다. 앞선 연구들은 판매자의 상품 가격 책정 전략을 위한 연구가 대부분으로 본 연구에서는 이세윤 등(2006)의 연구에 따라 고객이 이전에 구매한 도서의 최소값과 최대값의 구간을 가격 수용도의 기준으로 하여 추천에 적용하고자 한다.

가설 설정

토픽 모델링(Topic Modeling)은 구조화된 텍스트 데이터에서 각 문서의 주제를 탐색하는 방법으로 최근 텍스트 마이닝에서 대표적으로 사용되는 기법이다. 토픽 모델에서 각 문서는 각자 다른 비율을 가진 여러 개의 토픽으로 구성된다고 가정한다. 이 가정을 기반으로 제시된 토픽 모델은 Hofmann(1999)이 제시한 주성분 분석(Principal Component Analysis; PCA)기반의 Probabilistic Latent Semantic Analysis(pLSA) 등 여러 기법들이 있지만 최근 가장 널리 사용되는 방법은 베이지안 Mixture model 기반의 Latent Dirichlet Allocation (LDA) 기법이다 (Blei and Lafferty 2009).

제안 방법

먼저, Step 1에서는 고객 구매기록 DB로부터 사용자의 도서 이용 선호를 파악하고 사용자-도서 매트릭스를 생성하여 사용자를 프로파일링한다. Step 2에서는 도서 DB로부터 책 소개와 목차를 수집하여 저장한 코퍼스의 자료로 형태소 구분을 하고 키워드를 추출한 뒤 LDA 토픽 모델링을 이용하여 각 도서의 토픽을 분석한다. 토픽 분석의 결과로 각 도서가 토픽에 속할 확률을 나타내는 도서-토픽 매트릭스를 생성한다.
토픽 모델링의 결과처럼 유사도 판단에서 최신성과 가격 수용도에 가중치를 두어 포함시킬 수 있다면 또 다른 효과를 가져올 수 있을 것이다. 그리고, 가격 수용도에 있어서도 이전에 구입한 개인별 도서 가격의 최저와 최고값만을 단순 적용하였다. 하지만 특정 카테고리만 구입한 사용자의 경우 가격 차이가 적을 수 있음에 따라 사용자의 카테고리별 가격 수용도를 적용하여 검증해볼 필요가 있다
먼저, 추천 시스템의 성능은 토픽의 수와 이웃 집합의 크기, 추천 도서의 수에 따라 달라질 수 있다. 그에 따라 토픽의 수는 30, 50, 70, 100으로 변화시키며 추천 시스템의 성과를 측정하였으며 이웃 집합의 크기는 30~400명으로 변화시키며 그 성능을 측정하였다. 토픽 수와 이웃 집합의 크기 변화에 따른 실험 결과는 <그림 5>와 같다.
다음으로 LDA 알고리즘을 통해 도서내용의 토픽들을 추출하고, 그와 관련된 키워드 및 문서를 추출한다. 각 도서별로 책 소개와 목차에서 추출한 키워드들을 이용하여 LDA 토픽 모델링을 하였을 때 추출된 토픽(Topic words)의 예는 <표 4>에 나타나 있으며, 이를 통해 각 토픽이 어떠한 키워드들로 구성되는지 파악할 수 있다.
다음으로 병합한 사용자-토픽의 매트릭스를 이용하여 사용자간 유사도를 계산하여 이웃 집합을 찾고 대상 사용자가 아직 구매하지 않은 도서에 대한 구매정보를 예측한다. 협업 필터링 기법에서 사용자들 사이의 유사도를 산출하는 작업에는 많은 유사도 계산식이 있지만, 연속 값에 대해서 가장 널리 쓰이는 유사도 측정값으로는 코사인 유사도가 있다.
다음으로 추천 도서의 수를 결정하기 위해 이웃 집합의 크기를 70으로 고정시킨 후 추천 도서의 수를 5, 10, 15, 20개로 증가시키면서 성능을 비교하였다. 그 결과는 <그림 6>과 같다.
그 결과 이웃 집합의 탐색이 용이해졌다. 두번째로 본 연구에서는 토픽과 도서의 최신성과 가격 수용도를 적용하여 추천리스트를 정교화하였다. 각 카테고리에 속하는 도서가 주문된 날짜와 출판된 날짜의 차이를 계산하였을 때, 25개 카테고리 중 19개의 카테고리 도서에서 3년 이내의 날짜 차이를 보였으며, 모든 카테고리의 기간 중위수가 평균값보다 짧은 기간차이를 나타내어, 대부분의 사용자가 도서의 최신성을 중시하고 있음을 확인할 수 있었다.
토픽 모델링에는 다양한 방법이 있지만 대표적으로 가장 많이 사용되는 방법이 LDA(Latent Dirichlet Allocation) 토픽 모델링이다 (박상현 등2017; 양승준 등 2016; 차윤정 등 2015). 따라서 본 연구에서 제안하는 추천 시스템은 LDA 토픽 모델링을 기반으로 주제를 추출하고 사용자의 선호를 추론한다. 또한 사용자 선호도를 기반으로 유사도를 계산하여 추천 후보 리스트를 생성한 뒤 사용자의 도서 출판의 최신성 선호 여부와 가격 수용도를 기준으로 필터링하여 최종 추천 리스트를 제공한다.
<그림 6>에 따르면 대부분 추천 도서수가 20일 때 가장 추천의 성능이 높아진다. 따라서 본 연구에서는 이러한 실험 결과를 바탕으로 추천 성능이 가장 높게 나오는 토픽 50, 이웃 집합 크기 70, 추천 도서 수 20으로 설정하여 나머지 실험을 진행하였다. <그림 7>은 실험을 통해 설정된 값을 기반으로 각 방법론을 비교한 결과이다.
Thresholding 방법은 정해진 기준을 넘는 경우가 불규칙함에 따라 주로 Top-N 방법이 사용된다 (임일 2015). 따라서 본 연구에서는 추천 대상 사용자와 가장 유사도가 높은 순으로 N명의 사용자를 이웃 집합으로 구성한다.
F-1지표를 사용하여, BCBCF에 대한 실험을 다각도로 진행하였다. 또한 BCBCF에서 토픽 모델링의 효과를 파악하기 위하여 도서의 최신성과 가격 수용도만을 적용한 방법도 비교하였다.
또한 도서의 정보를 추가적으로 얻기 위해 크롤링(crawling)을 진행하여 온라인 서점 사이트에서 제공하는 각 도서의 ‘책 소개’와 ‘목차’ 정보를 수집하였다.
따라서 본 연구에서 제안하는 추천 시스템은 LDA 토픽 모델링을 기반으로 주제를 추출하고 사용자의 선호를 추론한다. 또한 사용자 선호도를 기반으로 유사도를 계산하여 추천 후보 리스트를 생성한 뒤 사용자의 도서 출판의 최신성 선호 여부와 가격 수용도를 기준으로 필터링하여 최종 추천 리스트를 제공한다. 본 연구에서 제안하는 도서 추천 시스템은 새로운 기법의 적용으로 전반적인 추천 시스템 성능 향상에 기여할 것으로 기대되며 사용자의 만족도 향상과 관리에도 긍정적인 영향을 미칠 것으로 기대된다.
하지만 본 연구는 다음과 같은 한계를 지닌다. 먼저, 본 연구에서는 추천 리스트 생성 과정에서 최신성 선호와 가격 수용도에 적합하지 않은 도서를 단순히 제외하는 방법을 사용하였다. 토픽 모델링의 결과처럼 유사도 판단에서 최신성과 가격 수용도에 가중치를 두어 포함시킬 수 있다면 또 다른 효과를 가져올 수 있을 것이다.
협업 필터링 기법에서 사용자들 사이의 유사도를 산출하는 작업에는 많은 유사도 계산식이 있지만, 연속 값에 대해서 가장 널리 쓰이는 유사도 측정값으로는 코사인 유사도가 있다. 본 연구에서는 코사인 유사도를 위하여 각 주제를 차원으로 보고 사용자의 구매횟수를 좌표로 본다. 그렇게 되면 각 사용자의 값을 벡터로 해서 두 사용자 간의 벡터의 각도(코사인 값)을 구할 수 있다.
이 단계에서는 과 같이, 먼저 도서 DB의 데이터에서 도서의 책 소개와 목차로 구성된 코퍼스에서 각 단어의 형태소 분석(Part-of-Speech Tagging)을 수행한다.
마지막으로 Step 5에서는 최종 추천 리스트를 생성한다. 이를 위하여 먼저 이웃 집합 내 사용자들의 구매 기록을 기반하여 목표 고객을 위한 후보추천 리스트를 생성하고 고객 구매행태 정보를 반영하여 최종 추천 리스트를 생성한다. 이를 위해 목표 사용자가 해당 카테고리 도서의 출판 최신성을 선호하는지 여부에 따라 필터링을 한 뒤 이전에 구매했던 가격범위에 따라 가격 수용도를 반영하여 최종 추천 리스트를 생성한다.
본 연구에서는 사용자가 선호하는 주제, 최신성 선호 및 가격 수용도를 반영하여 도서 추천의 성능을 높일 수 있는 새로운 추천 시스템을 제안한다. 이를 위하여 본 연구에서는 먼저 고객 구매기록에 나타난 도서의 소개와 목차에 대해 토픽 모델링을 진행한다. 도서 등과 같은 텍스트 데이터는 대표적인 비정형 데이터로 이로부터 주제를 추출하는 텍스트 마이닝 기법이 토픽 모델링이다.
온라인 상에서 도서를 구매하는 사용자는 가장 먼저 해당 책이 어떤 내용을 담고 있는 지 파악한다. 이를 위해 구매하고자 하는 도서의 책 소개 내용이나, 목차 등을 우선적으로 살펴본다. 이는 ‘국내 소설’ 등과 같이 단순한 도서 분류를 참고로 하여 내용을 파악하는 것이 아니라 본인이 관심을 가지는 주제가 책 소개나 목차에 드러나 있는지를 살펴본다는 것을 의미한다.
이를 위하여 먼저 이웃 집합 내 사용자들의 구매 기록을 기반하여 목표 고객을 위한 후보추천 리스트를 생성하고 고객 구매행태 정보를 반영하여 최종 추천 리스트를 생성한다. 이를 위해 목표 사용자가 해당 카테고리 도서의 출판 최신성을 선호하는지 여부에 따라 필터링을 한 뒤 이전에 구매했던 가격범위에 따라 가격 수용도를 반영하여 최종 추천 리스트를 생성한다.

대상 데이터

또한 실험의 정확성을 높이기 위해 반복적으로 출간되는 잡지, 학습지를 제외하였으며, 판매나 구입횟수가 극히 적은 도서나 사용자는 추천 성능을 저하시키고 추천 결과를 왜곡함에 따라(임일 2015), 10회 이하로 판매되거나 구입횟수가 10회 이하인 사용자는 배제하였다. 그에 따라 정제된 데이터의 훈련용 집합(Train set)에는 9,639명의 회원과 36,760권의 도서가 포함되었다. 실험도구로는 한글 형태소 분석을 위해 꼬꼬마 형태소 분석기를 사용하였으며, Python 프로그래밍 언어를 사용하여 자료처리와 결과분석을 하였다.
본 연구에서 제시한 추천방법의 성능을 평가하기 위해 2014년 1월부터 12월까지 수집된 국내 대형 온라인 서점의 고객 트랜잭션 데이터 534,883건을 사용하였다. 또한 도서의 정보를 추가적으로 얻기 위해 크롤링(crawling)을 진행하여 온라인 서점 사이트에서 제공하는 각 도서의 ‘책 소개’와 ‘목차’ 정보를 수집하였다.

데이터처리

반복 실험을 통해 신뢰도가 높은 결과를 산출하기 위해 본 연구에서는 5-fold cross validation을 진행하였으며 5번의 정확도 실험 결과를 평균하여 추천 성능의 지표로 사용하였다. 또한 실험의 정확성을 높이기 위해 반복적으로 출간되는 잡지, 학습지를 제외하였으며, 판매나 구입횟수가 극히 적은 도서나 사용자는 추천 성능을 저하시키고 추천 결과를 왜곡함에 따라(임일 2015), 10회 이하로 판매되거나 구입횟수가 10회 이하인 사용자는 배제하였다.
그에 따라 정제된 데이터의 훈련용 집합(Train set)에는 9,639명의 회원과 36,760권의 도서가 포함되었다. 실험도구로는 한글 형태소 분석을 위해 꼬꼬마 형태소 분석기를 사용하였으며, Python 프로그래밍 언어를 사용하여 자료처리와 결과분석을 하였다.

이론/모형

F-1지표를 사용하여, BCBCF에 대한 실험을 다각도로 진행하였다. 또한 BCBCF에서 토픽 모델링의 효과를 파악하기 위하여 도서의 최신성과 가격 수용도만을 적용한 방법도 비교하였다.
따라서, 본 연구에서는 이러한 한계를 극복하기 위해 식(5)와 같이 정확도와 재현율을 동시에 고려하는 F-1지표(F-1 Measure)를 추천 시스템의 성능 평가 지표로 사용하였다(김경재·안현철 2009; Billsus and Pazzani 1999; Herlocker et al. 2004; Sarwar et al., 2001).
본 논문에서는 현윤진 등(2013)의 연구방법을 적용하여, 식(2)와 같이 도서i와 토픽j의 연관성이 0보다 크다면 도서i가 토픽j에 해당된다고 파악하여 1로 나타내고, 반대로 연관성이 0이면 도서i가 토픽j에 해당되지 않는다고 판단하여 0으로 표시하였다. <표 6>은 도서를 해당 토픽에 적용시킨 도서-토픽 매트릭스이다.
이는 사람들이 사용하는 언어를 컴퓨터가 이해할 수 있도록 하는 자연어 처리(Natural Language Processing)에 기반을 두고 있으며 (현윤진 등 2013), 특정 상품이나 서비스에 대한 선호도 및 여론의 방향 등을 파악하는 데 활용되고 있다. 텍스트 데이터는 구조화되어 있지 않아 그 분석에 어려움이 많아 문서별 사용된 용어의 빈도수를 파악하여 문서의 주제 및 특정 단어를 손쉽게 요약할 수 있는 벡터 공간 모델(Vector space model) 기반의 TF-IDF(Term Frequency-Inverse Document Frequency) 기법 등을 사용한다 (Balabanović and Shoham 1997; Salton and Buckley1988). TF-IDF는 여러 문서에서 자주 출현하는 일반 단어는 가중치를 낮추고 특정 문서에만 출현하는 비 일반 단어의 가중치는 높게 부여하는 계산 방식으로 각 문서는 용어 수만큼의 차원과 TF-IDF를 값으로 갖는 벡터로 표현된다.
TF-IDF는 여러 문서에서 자주 출현하는 일반 단어는 가중치를 낮추고 특정 문서에만 출현하는 비 일반 단어의 가중치는 높게 부여하는 계산 방식으로 각 문서는 용어 수만큼의 차원과 TF-IDF를 값으로 갖는 벡터로 표현된다. 하지만 문서 군 내에 존재하는 용어의 수가 방대함에 따라 SVD(Singular Value Decomposition) 등의 차원 축소 기법을 사용한다. 이러한 과정을 통해 비정형 문서의 구조화가 완료되면 정형 데이터와 함께 텍스트 데이터에 대한 군집화, 예측 등의 데이터 마이닝 작업이 가능해 진다.

성능/효과

두번째로 본 연구에서는 토픽과 도서의 최신성과 가격 수용도를 적용하여 추천리스트를 정교화하였다. 각 카테고리에 속하는 도서가 주문된 날짜와 출판된 날짜의 차이를 계산하였을 때, 25개 카테고리 중 19개의 카테고리 도서에서 3년 이내의 날짜 차이를 보였으며, 모든 카테고리의 기간 중위수가 평균값보다 짧은 기간차이를 나타내어, 대부분의 사용자가 도서의 최신성을 중시하고 있음을 확인할 수 있었다. 도서의 최신성과 사용자가 과거에 구입한 가격범위를 가격 수용도로 적용하여 사용자를 위해 보다 정교하게 추천리스트를 생성함에 따라 성과향상에 많은 기여를 한 것으로 판단된다.
(2014)는 아이템의 장르나, 플롯 등의 아이템 카탈로그의 문구를 LDA기반의 토픽 모델링 기법으로 산출한 결과의 유사도와 사용자 평점의 유사도를 사용하였다. 계산된 유사도 결과를 곱한 값으로 이웃 집합을 탐색하고 추천하는 방법을 제안한 결과 MovieLens와 넷플릭스 데이터 모두에서 기존의 협업 필터링 기법보다 높은 성과를 보였다. 또한 Zhou and Wu (2016)는 사용자들의 행동이 다른 사람들의 행동이나 의견에 영향을 받는다는 점에서 착안하여 LDA결과 값에 사용자 관심도, 관심 항목, 등급 정보를 결합하여 유사도를 계산하여 추천 과정을 진행하는 RLDA모델을 제안하였으며 MovieLens 데이터에 높은 성과를 나타냈다.
예를 들어, Billsus and Pazzani (1999)는 목표 고객이 관심을 가질 가능성이 높은 뉴스를 추천하기 위해 짧은 기간 동안의 뉴스 구독 기록을 기반으로 하는 추천 모델과 오랜 기간 동안의 뉴스 구독 기록을 기반으로 추천하는 모델을 제안하였다. 그 결과 2개의 모델을 독립적으로 사용하는 것보다 적절한 결합이 더 높은 성과를 보였다. 또한, Sugiyama et al.
(2004)는 목표 고객의 하루 동안의 검색 기록에 기반하여 용어 가중치를 계산하고 이를 프로파일화하여 목표 고객의 정보 요구에 적합한 검색 결과를 필터링할 수 있는 시스템을 제안하였다. 그 결과 시간에 따라 변화하는 고객의 정보 선호가 지속적인 선호를 반영한 것보다 더 높은 성과를 나타내었다. Ding and Orlowska (2006)의 연구에서는 목표 고객의 변화된 취향을 반영하기 위해 IBCF에 목표 고객이 상품에 대해 평가한 실제 평가값과 고객의 변화된 취향을 반영한 예측 평가값을 결합하는 추천 방법론을 제안하였다.
전통적인 협업 필터링 기법들과 비교 실험 결과에서는 본 연구에서 제안한 방법이 더 높은 성능을 보였으며 토픽 모델링만을 사용하는 것보다 최신성과 가격을 반영하였을 때 더 높은 성능을 보였다. 그에 따라 제안한 알고리즘이 도서 추천 시스템의 성능을 높이는 데 기여했다고 판단할 수 있다.
<그림 5>의 결과에서 토픽의 수를 30, 50, 70, 100개로 적용하고 각 이웃 집합의 크기를 변화하여 측정한 결과, 토픽을 50개로 하였을 때의 추천의 F-1지표가 다른 토픽 수보다 전체적으로 높게 나타났다. 또한 토픽 50의 결과 중 이웃 집합의 크기를 70으로 했을 때까지 성능이 향상되다가 이후로 점차 낮아지는 것을 알 수 있다. 이러한 결과는 토픽을 30, 70으로 했을 때나 토픽을 100으로 했을 때에도 마찬가지의 추세를 나타낸다.
본 연구에서는 최종 추천 도서 리스트를 생성하기에 앞서 사용자의 구매행태 중 최신성과 가격 수용도를 반영하고자 한다. 먼저, 사용자가 도서를 선택할 때 최근에 출간된 도서를 얼마나 선호하는지 반영하기 위하여 도서의 출판일로부터 판매일까지의 기간을 재고기간으로 각 카테고리별 중위수를 구하여 계산하고, 사용자가 구매한 카테고리별 도서의 재고기간이 도서 전체 카테고리의 재고기간보다 짧다면, 사용자는 그 카테고리의 도서에 대해 최신성을 선호한다고 판단한다. 산출한 후보 목록 중 사용자가 최신성을 선호하는 카테고리의 도서라면, 최신성을 갖지 않는 도서는 제외한다.
제안한 시스템은 기존의 협업 필터링 기법보다 높은 성과를 보여 협업 필터링이 가지는 한계를 최신성과 가격에 대한 반영, 토픽 모델링의 도입으로 충분히 해결 가능함을 보였으며 추가적으로 다음과 같은 효과를 관찰할 수 있었다. 먼저, 추천시스템을 개발하고자 할 때 토픽 모델링을 사용하여 희박성을 낮출 수 있었다. 일반적으로 희박성이 낮아지면 추천 성능은 좋아진다고 알려져 있다 (Huang et al.
대표적으로 활용되는 추천 시스템은 협업 필터링으로 지식의 공유 측면에서 다른 사용자의 정보를 기반으로 목표 사용자의 선호를 추론하여 높은 성과를 보이고 있다. 본 연구는 온라인 도서 추천에 특화된 방식으로, 저장되어 있는 사용자 구매 DB와 도서의 목차와 책 소개 내용에 LDA 토픽모델링 방식을 적용한 결과를 결합하여 토픽 주제에 대한 사용자 선호와 도서구입에 대한 최신성과 가격 수용도 등의 사용자 선호를 반영하여 새로운 시스템을 제안하였다는 점에서 의의가 있다.
(2017)은 고객의 선호가 시간의 흐름에 따라 변화한다는 점에 주목하여 온라인과 오프라인 데이터를 이용하여 시장 환경에 따라 데이터의 최신성이 추천 성과에 미치는 영향을 비교하였다. 분석 결과 온라인 환경이 오프라인환경에 비해 데이터의 최신성에 더 많은 영향을 받는 것을 확인하였다. 기존의 연구들은 사용자의 시간에 따른 선호도 변화를 추천 시스템에 반영하고 그 효과를 확인하였다.
2004). 사용자-도서 매트릭스에서의 희박성이 99.9580% 이고, 도서-토픽 매트릭스에서의 희박성이 95.8863%로 나타났는데, 두 매트릭스를 결합한 후 사용자-토픽 매트릭스의 희박성은 토픽을 50개로 적용하였을 때 63.0070%으로 낮게 나타났다. 그 결과 이웃 집합의 탐색이 용이해졌다.
<그림 7>에서 첫 번째와 두 번째 막대그래프는 사용자-도서를 중심으로 분석한 기존의 단순 협업 필터링(UBCF, IBCF) 방법이며 세 번째 그래프는 BCBCF에 대한 결과이다. 실험 결과 본 연구에서 제안한 BCBCF가 UBCF(0.0031), IBCF(0.0231)보다 더 높은 성과를 나타내었다. 특히 토픽 모델링만 적용하여도 0.
예를 들어 이세윤 등(2006)의 연구에서는 개인이 과거의 경험에 따라 가격 수용폭을 가지고 있으며 시간의 변화에 따라 새로운 준거 가격을 설정한다는 점에 기반하여, 인터넷 영화관을 대상으로 전송 품질, 가격 수용 폭을 벗어난 경우의 가격 민감도, 6개월 단위의 시간에 따른 최신성, 부가 콘텐츠를 활용하여 기업의 서비스 가격 책정 전략을 위한 가격 반응 함수를 분석하였다. 연구 결과 가격의 수용폭은 이전에 구매한 최소값과 최대값 사이의 구간에서 나타나며 이 영역을 벗어난 경우 가격에 민감해지는 경향을 파악하였다. 또한 전지은·이충권 (2014)은 시간이 흐름에 따라 사용자들의 가격에 대한 민감성이 높아질 것이라 가정하여 온라인 마켓에서 일, 주 간격의 시간 흐름에 따른 사용자의 패턴을 분석하여 판매자의 가격 조정 전략을 제안하였다.
이러한 결과는 토픽을 30, 70으로 했을 때나 토픽을 100으로 했을 때에도 마찬가지의 추세를 나타낸다. 위 결과에 따라 토픽은 50개로, 이웃 집합의 크기를 70으로 할 때 제안한 방법론의 성능이 가장 높다고 판단하였다.
<그림 5>의 결과에서 토픽의 수를 30, 50, 70, 100개로 적용하고 각 이웃 집합의 크기를 변화하여 측정한 결과, 토픽을 50개로 하였을 때의 추천의 F-1지표가 다른 토픽 수보다 전체적으로 높게 나타났다. 또한 토픽 50의 결과 중 이웃 집합의 크기를 70으로 했을 때까지 성능이 향상되다가 이후로 점차 낮아지는 것을 알 수 있다.
전통적인 협업 필터링 기법들과 비교 실험 결과에서는 본 연구에서 제안한 방법이 더 높은 성능을 보였으며 토픽 모델링만을 사용하는 것보다 최신성과 가격을 반영하였을 때 더 높은 성능을 보였다. 그에 따라 제안한 알고리즘이 도서 추천 시스템의 성능을 높이는 데 기여했다고 판단할 수 있다.
제안한 시스템은 기존의 협업 필터링 기법보다 높은 성과를 보여 협업 필터링이 가지는 한계를 최신성과 가격에 대한 반영, 토픽 모델링의 도입으로 충분히 해결 가능함을 보였으며 추가적으로 다음과 같은 효과를 관찰할 수 있었다. 먼저, 추천시스템을 개발하고자 할 때 토픽 모델링을 사용하여 희박성을 낮출 수 있었다.
0231)보다 더 높은 성과를 나타내었다. 특히 토픽 모델링만 적용하여도 0.055의 성과를 나타내어 기존의 협업 필터링 기법 중 높은 성과를 보인 IBCF에 비해 238%의 성능 향상이 이루어졌으며 최신성과 가격까지 포함한 경우 281% 향상되어 본 연구에서 제안한 방법이 기존의 협업 필터링 기법이 가지는 한계를 토픽 모델링과 최신성과 가격의 반영을 통해 일정 부분 해결했다고 할 수 있다.

후속연구

또한 Park and Kim (2003)의 연구에서는 상품 정보의 품질이 구매 행동에 영향을 미친다고 하였다. 따라서, 사용자가 구매를 한 이유가 도서의 상품 정보인 책 내용과 목차에서 주제를 추출하여 이를 추천시스템에 반영하게 되면 추천 시스템의 성과가 높아질 수 있으리라 기대된다.
또한 사용자 선호도를 기반으로 유사도를 계산하여 추천 후보 리스트를 생성한 뒤 사용자의 도서 출판의 최신성 선호 여부와 가격 수용도를 기준으로 필터링하여 최종 추천 리스트를 제공한다. 본 연구에서 제안하는 도서 추천 시스템은 새로운 기법의 적용으로 전반적인 추천 시스템 성능 향상에 기여할 것으로 기대되며 사용자의 만족도 향상과 관리에도 긍정적인 영향을 미칠 것으로 기대된다.
하지만 문서 군 내에 존재하는 용어의 수가 방대함에 따라 SVD(Singular Value Decomposition) 등의 차원 축소 기법을 사용한다. 이러한 과정을 통해 비정형 문서의 구조화가 완료되면 정형 데이터와 함께 텍스트 데이터에 대한 군집화, 예측 등의 데이터 마이닝 작업이 가능해 진다.

질의응답

핵심어	질문	논문에서 추출한 답변
	기존의 추천 시스템 관련 연구의 한계는 무엇인가?	이는 ‘국내 소설’ 등과 같이 단순한 도서 분류를 참고로 하여 내용을 파악하는 것이 아니라 본인이 관심을 가지는 주제가 책 소개나 목차에 드러나 있는지를 살펴본다는 것을 의미한다. 하지만 기존의 추천 시스템 관련 연구에서는 도서의 책 소개나 목차 등의 고려가 이루어지지 않았다. 다음으로는 다른 상품의 구매 의사결정과 마찬가지로 도서의 최신성을 고려하게 된다.
	추천 시스템이란 무엇인가?	추천 시스템은 사용자의 행동 데이터 및 관련 데이터를 분석하여 추천을 요청한 사용자에게 추천 대상 아이템 목록을 제공하거나 추천 대상 아이템에 대한 해당 사용자의 평가 점수를 예측하는 시스템이다. 즉, 추천 시스템은 데이터 분석 기술 기반의 지식 여과(knowledge filtering) 시스템으로 사용자의 구매 기록 등의 데이터를 기반으로 해당 사용자의 선호를 추론하여 구매를 희망하는 아이템을 쉽게 찾을 수 있도록 지원한다 (Sarwar et al.
	도서 추천 시스템은 개인별 가격 수용도를 반영하여 추천 서비스를 제공해야 하는 이유는 무엇인가?	마지막으로 가격 조건에 대한 고려가 필요하다. 특히 온라인에서 도서를 구매하는 경우 책의 세부 내용을 심도 있게 파악할 수 없음에 따라 구매 실패에 대한 비용이 높다. 하지만 가격은 소비자의 경제력과 밀접한 관련이 있어 개인별로 비용에 대한 인식이 다름에 따라 개인별로 가격 수용도가 다르다. 따라서 도서 추천 시스템은 이러한 개인별 가격 수용도를 반영하여 추천 서비스를 제공해야 한다.

참고문헌 (48)

김경재, 안현철 2009. "개인화된 추천시스템을 위한 사용자-상품 매트릭스 축약기법," Journal of Information Technology Applications & Management (16:1), pp. 97-113.

원문보기 상세보기
김민정, 조윤호 2015. "빅데이터 기반 추천시스템 구현을 위한 다중 프로파일 앙상블 기법," 지능정보연구 (21:4), pp. 93-110.

원문보기 상세보기
박상현, 문현실, 김재경 2017. "토픽 모델링에 기반한 온라인 상품 평점 예측을 위한 온라인 사용 후기 분석," 한국IT서비스학회지 (16:3), pp. 113-125.

원문보기 상세보기
손지은, 김성범, 김현중, 조성준 2015. "추천 시스템 기법 연구동향 분석," 대한산업공학회지 (41:2), pp. 185-208.

원문보기 상세보기
양승준, 이보연, 김희웅 2016. "토픽모델링 기반 행복과 불행 이슈 분석 및 행복 증진 방안 연구," 지식경영연구 (17:2), pp. 165-185.

원문보기 상세보기
이세윤, 이선, 이정우 2006. "인터넷 콘텐츠 서비스 속성과 가격반응함수의 상관관계 분석," 한국IT서비스학회 2006년도 추계학술대회 논문집, pp. 80-85
임일 2015. R을 이용한 추천 시스템, 서울:카오스북.
전지은, 이충권 2014. "온라인 판매자들의 가격조정에 관한 연구," 한국전자거래학회지 (19:3), pp. 143-158

원문보기 상세보기
차윤정, 이지혜, 최지은, 김희웅 2015. "소셜미디어 토픽모델링을 통한 스마트폰 마케팅 전략 수립 지원," 지식경영연구 (16:4), pp. 69-87
최준연, 이석기, 조영빈 2013. "추천 시스템의 예측 정확도 향상을 위한 고객 평가정보의 신뢰도 활용법," 한국콘텐츠학회논문지 (13:7), pp. 379-385.

원문보기 상세보기
현윤진, 한희준, 최희석, 박준형, 이규하, 곽기영, 김남규 2013. "텍스트 분석을 활용한 국가 현안 대응 R&D 정보 패키징 방법론," Journal of Information Technology Applications & Management (20:3), pp. 231-257.

원문보기 상세보기
현윤진, 김남규, 조윤호 2015. "토픽 분석을 활용한 관심 기반 고객 세분화 방법론," 정보기술연구 (22:1), pp. 77-93
Adomavicius, G. and Tuzhilin, A. 2005. "Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions," IEEE transactions on knowledge and data engineering (17:6), pp. 734-749.

상세보기
Bacos, Y. J. 1997. "The Emerging Role of Electronic Marketplace on the Internet," Communication of ACM (41:8), pp. 35-42.
Bakos, J.Y. 1997. "Reducing buyer search costs: implications for electronic marketplaces'', Management Science (43:12), pp. 1676-92.

상세보기
Balabanovic, M. and Shoham, Y. 1997. "Fab: content-based, collaborative recommendation," Communications of the ACM (40:3), pp. 66-72.

상세보기
Barragans-Martinez, A. B., Costa-Montenegro, E., Burguillo, J. C., Rey-Lopez, M., Mikic-Fonte, F. A. and Peleteiro, A. 2010. "A hybrid content-based and item-based collaborative filtering approach to recommend TV programs enhanced with singular value decomposition," Information Sciences (180:22), pp. 4290-4311.

상세보기
Billsus, D. and Pazzani, M. J. 1999. "A hybrid user model for news story classification," in UM99 User Modeling, pp. 99-108.
Blei, D. M., & Lafferty, J. D. 2009. "Topic models," Text mining: classification, clustering, and applications (10:71), pp. 34.
Bobadilla, J., Ortega, F., Hernando, A. and Gutierrez, A. 2013. "Recommender systems survey," Knowledge-based systems (46), pp. 109-132.

상세보기
Brynjolfsson, E., Hu, Y. and Simester, D. 2011. "Goodbye pareto principle, hello long tail: The effect of search costs on the concentration of product sales," Management Science (57:8), pp. 1373-1386.

상세보기
Burke, R. 2002. "Hybrid recommender systems: Survey and experiments," User modeling and user-adapted interaction (12:4), pp. 331-370.
Cho, Y. H. and Kim, J. K. 2004. "Application of Web usage mining and product taxonomy to collaborative recommendations in e-commerce," Expert systems with Applications (26:2), pp. 233-246.

상세보기
Ding, Y., Li, X. and Orlowska, M. E. 2006. "Recency-based collaborative filtering," in Proceedings of the 17th Australasian Database Conference (49), pp. 99-107.
Griffiths, T. L. and Steyvers, M. 2004. "Finding scientific topics," in Proceedings of the National academy of Sciences (101:1), pp. 5228-5235.

상세보기
Haucap, J. and Heimeshoff, U. 2014. "Google, Facebook, Amazon, eBay: Is the Internet driving competition or market monopolization?," International Economics and Economic Policy (11:1), pp. 49-61.

상세보기
Herlocker, J. L., Konstan, J. A., Terveen, L. G. and Riedl, J. T. 2004. "Evaluating collaborative filtering recommender systems," ACM Transactions on Information Systems (TOIS) (22:1), pp. 5-53.

상세보기
Hofmann, T. 1999. "Probabilistic latent semantic indexing," in Proceedings of the 22nd annual international ACM SIGIR conference on Research and development in information retrieval, pp. 50-57.
Huang Z, Chen H, Zeng D. 2004. "Applying associative retrieval techniques to alleviate the sparsity problem in collaborative filtering," ACM Transactions on Information Systems (TOIS) (22:1), pp.116-142.

상세보기
Li, L., Zheng, L., Yang, F. and Li, T. 2014. "Modeling and Broadening Temporal User Interest in Personalized News Recommendation," Expert Systems with Applications (14:7), pp. 3168-3177.
Lopez, V., del Rio, S., Benitez, J. M. and Herrera, F. 2015. "Cost-sensitive linguistic fuzzy rule based classification systems under the MapReduce framework for imbalanced big data," Fuzzy Sets and Systems (258), pp. 5-38.

상세보기
Merve, A . and Arslan, A. 2009. "A collaborative filtering method based on artificial immune network", Expert Systems with Applications (36:4), pp. 8324-8332.

상세보기
Mimno, D., Wallach, H. and McCallum, A. 2008. "Gibbs sampling for logistic normal topic models with graph-based priors," In NIPS Workshop on Analyzing Graphs, pp.1-8.
Moon, H. S., Yoon, J. H., Choi, I. Y., Kim, J. K. 2017. "An Exploratory Study of Collaborative Filtering Techniques to Analyze the Effect of Information Amount," Asia Pacific Journal of Information Systems (27:2), pp. 126-138.

원문보기 상세보기
Park, C.H. and Kim, Y.G. 2003. "Identifying key factors affecting consumer purchase behavior in an online shopping context," International Journal of Retail & Distribution Management (31:1), pp. 16-29

상세보기
Pazzani, M.J. and Billsus, D. 2007. "Contentbased Recommendation Systems", in The adaptive web, P. Brusilovsky, A. Kobsa, and W. Nejdl (eds.), Berlin:Springer, pp. 325-341.
Peterson, R.A., Balasubramanian, S. and Bronnenberg, B.J. 1997. "Exploring the implications of the Internet for consumer marketing", Journal of the Academy of Management Science (25:4), pp. 329-346.

상세보기
Ricci, F., Rokach, L. and Shapira B. 2011. Introduction to recommender systems handbook, MA: Springer US.
Salton, G. and Buckley, C. 1988. "Termweighting approaches in automatic text retrieval," Information processing & management (24:5), pp. 513-523.

상세보기
Sarwar, B., Karypis, G., Konstan, J. and Riedl, J. 2001. "Item-based collaborative filtering recommendation algorithms, " in Proceedings of the 10th International Conference on World Wide Web, pp. 285-295.
Sheydaei, N., Saraee, M. and Shahgholian, A. 2015. "A novel feature selection method for text classification using association rules and clustering," Journal of Information Science (41:1), pp. 3-15.

상세보기
Song, M. and Kim, S. Y. 2013. "Detecting the knowledge structure of bioinformatics by mining full-text collections," Scientometrics (96:1), pp. 183-201.

상세보기
Sugiyama, K., Hatano, K. and Yoshikawa, M. 2004. "Adaptive web search based on user profile constructed without any effort from users," in Proceedings of the 13th international conference on World Wide Web, pp. 675-684.
Wilson, J., Chaudhury, S. and Lall, B. 2014. "Improving collaborative filtering based recommenders using topic modelling," in Proceedings of the 2014 IEEE/WIC/ACM International Joint Conferences on Web Intelligence (WI) and Intelligent Agent Technologies (IAT), pp. 340-346.
Wu, Y. H., and Chen, A. L. 2000. "Index structures of user profiles for efficient web page filtering services," in Proceedings of the 20th International Conference on Distributed Computing Systems , pp. 644-651.
Xin, J., Wang, Z., Qu, L. and Wang, G. 2015. "Elastic extreme learning machine for big data classification," Neurocomputing (149), pp. 464-471.

상세보기
Zhang, Z., Lin, H., Liu, K., Wu, D., Zhang, G. and Lu, J. 2013. "A hybrid fuzzy-based personalized recommender system for telecom products/services," Information Sciences (236), pp. 117-129.
Zhou, X. and Wu, S. 2016. "Rating LDA model for collaborative filtering," Knowledge-Based Systems (110), pp. 135-143.

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