[논문]암묵적 사용자 프로파일링을 통한 딥러닝기반 지능형 선호 패션 추천

이설화; 이찬희; 조재춘; 임희석

doi:10.15207/jkcs.2018.9.12.025

암묵적 사용자 프로파일링을 통한 딥러닝기반 지능형 선호 패션 추천
Deep Learning-based Intelligent Preferred Fashion Recommendation using Implicit User Profiling 원문보기

한국융합학회논문지 = Journal of the Korea Convergence Society, v.9 no.12, 2018년, pp.25 - 32

이설화 (고려대학교 컴퓨터학과) , 이찬희 (고려대학교 컴퓨터학과) , 조재춘 (고려대학교 컴퓨터학과) , 임희석 (고려대학교 컴퓨터학과)

초록
AI-Helper

방대해지고 있는 온라인 패션 시장에서는 소비자도 자신이 원하는 스타일에 대해 키워드 검색으로 원하는 패션 스타일을 일일이 찾기란 쉽지 않은 일이다. 이를 해소해줄 수 있는 것은 소비자의 니즈를 반영한 패션 추천이다. 기존 온라인 쇼핑 사이트는 소비자의 니즈를 파악하고 추천하기 위하여 설문조사 형식으로 소비자의 선호 스타일을 파악하는 것이 대부분이었다. 본 논문에서는 기존 방법의 한계점을 해소하고자 암묵적 프로파일링 방법을 통하여 소비자들의 니즈와 선호하는 스타일에 대해 간편하고 효과적으로 파악할 수 있는 모델을 제안하였다. 또한 이렇게 수집된 데이터로 학습한 딥러닝기반의 지능형 선호 패션 모델을 통하여 이미지 자체에 대한 특성을 반영하도록 학습하는 방법을 제안하였다. 제안한 모델의 정성적 평가를 통하여 의미있는 결과를 얻을 수 있었다.

Abstract ▼ AI-Helper

In the massive online fashion market, it is not easy for consumers to find the fashion style they want by keyword search for their preferred style. It can be resolved into consumer needs based fashion recommendation. Most of the existing online shopping sites have collected cumtomer's preference style using the online quastionnair. In this paper, we propose a simple but effective novel model that resolve the traditional method in fashion profiling for consumer's preference style and needs using implicit profiling method. In addition, we proposed a learning model that reflects the characteristics of the images itself through the deep learning-based intelligent preferred fashion model learned from the collected data. We show that the proposed model gave meaningful results through the qualitative evaluation.

주제어

표/그림 (5)

그림 Fig. 1. Overview of implicit fashion profiling system
그림 Fig. 2. Overview of deeplearning-based user preferred fashion style & apparel matching recommendation model
그림 Fig. 3. Example of top & bottom apparel style recommendation (Top 5)
그림 Fig. 4. Example of bottom matching recommendation for top apparel (Top 5)
그림 Fig. 5. Example of top matching recommendation for bottom apparel (Top 5)

AI 본문요약
AI-Helper

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

문제 정의

첫째, 일반 사용자들에게 제시되는 스타일 이미지들 중에서도 패션 전문가들이 판단하기에 일반적으로 사용자들이 선호하지 않는 스타일을 필터링하여 일반 사용자들에게 제공한다. 둘째, 상의 및 하의 추천 또는 상의 또는 하의 매칭 추천을 위한 모델을 학습할 때, 전문가 필터링을 거친 비슷한 스타일 이미지들의 추천 가중치를 줄여주기 위하여 수행한다.
본 논문에서는 암묵적 프로파일링 기법을 통한 딥러닝기반 지능형 선호 패션 추천 모델을 제안하였다. 제안한 모델은 기존의 사용자 프로파일링 방법의 한계점을 해소하고자 암묵적 프로파일링 방법을 사용하였다.
본 논문은 기존 사용자 선호 패션 프로파일링 방법이 아닌 암묵적 방법을 통한 사용자 선호 패션 프로파일링 방법을 통한 맞춤형 선호 패션 추천방법을 제안한다. 제안하는 방법은 기존의 정적 및 동적 프로파일링 방법의 한계를 해소할 수 있는 방법으로, 제안한 모델은 사용자가 설문조사형식을 일일이 입력하지 않고, 선호하는 이미지에 대해 클릭한 데이터를 프로파일링으로 사용하고 선호 패션 이미지 자체에 대한 특성을 반영하는 딥러닝기반의 추천 모델이다.

제안 방법

모델 학습을 위한 과정은 크게 두 가지로 나뉘어진다. (1) 전문가 필터링을 통해 획득한 프로파일 데이터로pre-training을 진행한다. (2) (1)과정에서 수행한 모델에서 나오는 weight값을 개인화된 모델에 default로 설정한다.
두 결과 모두 사용자가 자신이 마음에 드는 옷을 제시하고 시스템이 이에 맞는 옷을 추천해주는 결과이다. 개인화된 패션 추천에서는 정량적인 평가가 이루어지기 힘들기때문에, 본 연구에서는 정성적인 평가를 수행하였다. 이와 같은 시도들은 [11, 14]에서도 있었다.
아마존은 의류 구매에 대한 별도의 카테고리를 보유하고 있으며, 행동이력 정보 등을 바탕으로 의류를 추천해주는 서비스를 제공하고 있다. 더 구체적으로는 이렇게 수집된 데이터를 활용하여 item-to-item 기반 협업 필터링(collaborative filtering)을 도입하고, 실시간으로 추천 서비스를 제공한다. Item-to-item 기반 협업 필터링 방식은 다른 구매자들이 기 구매한 상품과 비슷한 평점을 받은 상품을 추천 리스트에 넣고 그 중에서 다른 구매자들이 함께 구매한 경향이 있는 상품을 찾아 추천해준다[13].
제안한 모델은 기존의 사용자 프로파일링 방법의 한계점을 해소하고자 암묵적 프로파일링 방법을 사용하였다. 또한 이미지의 특성을 반영한 벡터를 이용한 지능형 패션 추천모델을 제안하였다. 제안한 모델을 통하여 정성적인 평가를 수행하여 의미있는 결과를 도출하였다.
본 연구에서 제안하는 암묵적 사용자 패션 프로파일링 방법은 시스템이 제안하는 패션 스타일에서 사용자가 선호하는 스타일을 선택하는 암묵적 프로파일링 방법을 통하여 학습에 필요한 데이터를 수집한다. 스타일 사진 자체에 대한 선호 스타일을 선택함으로써, 사용자가 자신이 선호하는 스타일을 따로 언급 또는 기록하지 않아도 사진에 내재된 스타일의 특성을 수집할 수 있기 때문에 암묵적인 프로파일링 방법이라고 할 수 있다.
본 연구에서 제안한 암묵적 사용자 패션 프로파일링 방법은 크게 두 가지로 분류하여 학습 데이터를 수집한다. 첫째는 전문가를 통한 필터링이고 두 번째는 일반 사용를 대상으로 데이터를 수집한다.
스티치 픽스에서는 설문조사에서 사용자의 체형, 신체 사이즈, 선호하는 가격대, 선호 스타일 (엣지 스타일, 보헤미안 등) 등의 정보를 수집하여 추천에 사용한다. 수집한 사용자 프로파일링을 이용하여 support vector machine, logistic regression 등의 기계학습 방법과 패션 전문가의 자문을 통해 최종 선호 패션을 제안하였다[4].
1은 암묵적 사용자 패션 프로파일링 수집 시스템의 모델 개요이다. 암묵적 사용자 패션 프로파일링 수집시스템은 랜덤으로 상의 및 하의 스타일 사진을 2가지씩 사용자에게 제시한다. 사용자는 그 중 자신이 선호하는 스타일의 이미지 사진을 선택할 수 있으며, 제시된 사진 중 마음에 드는 스타일이 없다면 시스템은 그 다음 스타일 이미지를 제시한다.
스티치 픽스는 사용자의 선호 패션에 대한 프로파일링을 총 5단계의 설문조사를 통하여 진행하고 수집하는 내용에는 사용자의 신체 사이즈, 체형, 선호 스타일(엣지 스타일 등), 선호 가격 등이 있다. 이렇게 수집한 데이터를 이용하여 support vector machine, logistic regression 등의 기계학습 및 딥 러닝 방법과 패션 전문가의 자문을 통해 최종 선호 패션을 제안하였다[12].
전문가 필터링을 통해 레이블(label)된 데이터들을 학습데이터로 이용하며, 학습에 사용되는 데이터의 형태는 제시된 상의 및 하의에 대한 쌍(pair)으로 학습을 수행한다. 상의 및 하의에 대한 각각의 이미지는 [10]의 연구에서 사용한 이미지 자질 추출기를 통하여 벡터로 변환한다.
본 논문은 기존 사용자 선호 패션 프로파일링 방법이 아닌 암묵적 방법을 통한 사용자 선호 패션 프로파일링 방법을 통한 맞춤형 선호 패션 추천방법을 제안한다. 제안하는 방법은 기존의 정적 및 동적 프로파일링 방법의 한계를 해소할 수 있는 방법으로, 제안한 모델은 사용자가 설문조사형식을 일일이 입력하지 않고, 선호하는 이미지에 대해 클릭한 데이터를 프로파일링으로 사용하고 선호 패션 이미지 자체에 대한 특성을 반영하는 딥러닝기반의 추천 모델이다. 본 논문의 구성은 다음과 같다.
본 논문에서는 암묵적 프로파일링 기법을 통한 딥러닝기반 지능형 선호 패션 추천 모델을 제안하였다. 제안한 모델은 기존의 사용자 프로파일링 방법의 한계점을 해소하고자 암묵적 프로파일링 방법을 사용하였다. 또한 이미지의 특성을 반영한 벡터를 이용한 지능형 패션 추천모델을 제안하였다.
제안한 모델의 loss function은 point-wise ranking loss function[7]을 최적화되도록 학습시킨다. Point-wise ranking은 서로 다른 쌍들에 대해 상대적인 랭킹 점수를 통하여 순위화하는 것이다.
(2018)[11]의 연구에서는 CNN(Convolutional neural network)를 이용한 이미지 자질 추출에 대해 너무 높은 차원으로의 표현은 결과를 해석하는데 어렵다는 한계를 해소하고자 사용자가 선호하는 의류 상품 이미지에 대한 visual 정보를 이용하여 사용자에게 개인 취향에 대한 해석가능한 피드백을 제공함으로써 상품을 추천하는 연구를 수행하였다. 하지만 해당 연구는 본 연구에서 제안한 방법과는 다른 접근 방식을 사용하여 딥러닝의 본질적인 문제 중 하나인 black box문제에 초점을 맞추고 있다. 또한 본 연구에서 제안한 지능형 패션 추천 모델은 Deep neural network를 기반으로 이미지의 특성이 반영된 벡터를 이용하여 학습하기 때문에 패션 스타일 이미지 자체에 대한 특성을 잘 반영하여 모델을 학습할 수 있다.

대상 데이터

각 데이터에 대한 태깅은 크롤링을 통해 쇼핑몰에서 가져온 정보 및 패션 전문가들을 통한 추가 태깅 정보가 들어있다. 네트워크 레이어는 10개를 사용하였으며, input 벡터는 64차원으로 구성되어 있다. 각 레이어는 500차원으로 구성하였으며, batch 사이즈는 10, l2-regularizer learning rate는 0.
제안한 모델의 실험은 남성복 웹 쇼핑몰 크롤링 데이터 1만건을 대상으로 수행되었으며, 각 이미지에는 계절감(춘추/하복/동복), 상의 또는 하의 등의 태깅 정보가 들어있다. 각 데이터에 대한 태깅은 크롤링을 통해 쇼핑몰에서 가져온 정보 및 패션 전문가들을 통한 추가 태깅 정보가 들어있다.
본 연구에서 제안한 암묵적 사용자 패션 프로파일링 방법은 크게 두 가지로 분류하여 학습 데이터를 수집한다. 첫째는 전문가를 통한 필터링이고 두 번째는 일반 사용를 대상으로 데이터를 수집한다.

데이터처리

또한 이미지의 특성을 반영한 벡터를 이용한 지능형 패션 추천모델을 제안하였다. 제안한 모델을 통하여 정성적인 평가를 수행하여 의미있는 결과를 도출하였다. 비록 정량적인 평가를 수행하지는 못 하였지만 향후 패션 추천에 대한 정답 태깅 데이터가 있으면 이 한계점은 해소될 것으로 기대한다.

이론/모형

01로 설정하였다. 또한 optimizer로는 Adam optimizer[9]를 사용하였다.
본 연구에서 제안된 딥러닝기반 지능형 선호 패션 추천 모델은 Deep neural network기반의 추천모델이다. 모델 학습을 위한 과정은 크게 두 가지로 나뉘어진다.

성능/효과

하지만 해당 연구는 본 연구에서 제안한 방법과는 다른 접근 방식을 사용하여 딥러닝의 본질적인 문제 중 하나인 black box문제에 초점을 맞추고 있다. 또한 본 연구에서 제안한 지능형 패션 추천 모델은 Deep neural network를 기반으로 이미지의 특성이 반영된 벡터를 이용하여 학습하기 때문에 패션 스타일 이미지 자체에 대한 특성을 잘 반영하여 모델을 학습할 수 있다.
Item-to-item 기반 협업 필터링 방식은 다른 구매자들이 기 구매한 상품과 비슷한 평점을 받은 상품을 추천 리스트에 넣고 그 중에서 다른 구매자들이 함께 구매한 경향이 있는 상품을 찾아 추천해준다[13]. 본 연구에서 제안한 모델은 새로운 형식의 암묵적인 프로파일링 방법으로, 기존의 방법과는 프로파일링 방법에서 차이가 있으며 사용자의 취향을 더 간편하게 파악할 수 있어서 효과적이다,
학습하는 과정에서 일반 사용자는 첫번째 과정에서 전문가 필터링을 통하여 pre-training된 weight값을 초기값으로 가지고 있으며, 추가로 개인의 프로파일링 데이터가 더해져 weight 학습을 통해 모델에 반영된다. 학습된 모델은 총 두 가지 (1) 딥러닝기반 사용자 선호 패션 추천과(Style recommendation), (2) 딥러닝기반 사용자 선호 패션 매칭 추천(Apparel matching recommendation)로 결과를 도출할 수 있다. (1)은 사용자 프로파일링을 기반으로 상의 및 하의를 추천해주는 것이며, (2)는 사용자가 상의 또는 하의 이미지를 제시했을 때, 각각 제시한 이미지와 어울리는 하의 또는 상의를 추천해주는 것이다.

후속연구

딥 러닝의 특성상 많은 데이터의 양을 확보할수록 모델의 성능을 상승시키는데 더 많은 기여를 할 수 있다. 따라서 본 연구의 향후 연구는 패션 추천을 위한 태깅 데이터를 많이 확보하여 정량적인 평가가 가능하도록 모델개선이 필요할 것으로 생각된다.
제안한 모델을 통하여 정성적인 평가를 수행하여 의미있는 결과를 도출하였다. 비록 정량적인 평가를 수행하지는 못 하였지만 향후 패션 추천에 대한 정답 태깅 데이터가 있으면 이 한계점은 해소될 것으로 기대한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	정적인 프로파일링 방법의 특징은 ?	기존 사용자 선호 패션 프로파일링 수집 방법은 동적인 방법과 정적인 방법으로 분류할 수 있다. 정적인 프로파일링 방법은 이름, 성별, 나이, 선호 취향 등에 대한 정적인 데이터를 수집하는 설문조사 형식을 많이 사용하였으나 사용자가 쉽게 지루함을 느낄 수 있고, 많은 질문에 일일이 답변해야 하기 때문에 시간이 소요되는 한계점이 있다. 대표적인 국외 사례로 패션 추천 서비스 플랫폼 스티치 픽스(Stitch fix)는 사용자 맞춤 패션 추천을 위해 온라인 설문조사 형식으로 사용자의 선호 패션 프로파일링을 수집한다.
	동적인 프로파일링 방법의 특징은 ?	동적인 프로파일링 방법은 온라인 패션 쇼핑몰 내에서 사용자의 활동 로그를 기반으로 수집하는 방법이다. 수집되는 정보에는 이전 구매내역에 대한 정보들이 포함되며, 대표적으로 아마존의 추천 시스템이 이를 기반으로 두고 있다[16].
	패션 시장 규모의 급격한 성장의 딜레마는 ?	패션 시장 규모의 급격한 성장으로 인해 많은 패션 의류들이 생산되는 가운데 소비자들은 자신이 원하는 다양한 패션 의류들을 접할 수 있다. 다양한 종류의 의류를 접한다는 것은 소비자에게 선택권이 많아지는 이점을 제공하지만, 온라인상에서 그 중 자신이 원하는 스타일을 일일이 검색하여 찾기란 쉽지 않을 것이다. 온라인에서 자신이 원하는 스타일의 옷을 찾을 때, 일반 소비자들은 원하는 스타일은 본인이 인지하고 있으나, 해당 스타일을 찾기 위해서 어떤 키워드로 찾을지조차 모르는 경우가 많다.

참고문헌 (16)

Korea Federation of Textile Industries. (2017). Korean fasion trend 2018. Seoul : KOFOTI.
Korean Fashion Association. (2018). World fashion industry status. Seoul : KFA.
Acetrader. (2018). Online marketing trend on fashion. OpenAds(acetrader). http://www.openads.co.kr/nTrend/article/2678.
Colson, E. (2013). Using human and machine processingin recommendation systems. in First AAAIConference on Human Computation andCrowdsourcing. 16-17.
Linden. G. B. Smith & J. York. (2003) Amazon. com recommendations: Item-to-item collaborative filtering. IEEE Internet computing., 7(1), 76-80. DOI : 10.1109/MIC.2003.1167344

상세보기
Lam. X.N. Vu. T. Le. T.D. & Duong, A.D., (2008). Addressing cold-start problem in recommendation systems. In Proceedings of the 2nd international conference on Ubiquitous information management and communication ACM., 208-211. DOI : 10.1145/1352793.1352837
Liu, T. Y. (2009). Learning to rank for information retrieval. Foundations and Trends(R) in Information Retrieval, 3(3), 225-331. DOI : 10.1561/1500000016

상세보기
S. Wager, S. Wang, & P. S. Liang, (2013). Dropout training as adaptive regularization. In Advances in neural information processing systems, 351-359.
D.P. Kingma & J.Ba, (2014). Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980.
D. Lee, C. Lee, S. Lee, J. Jo & H. Lim. (2017). Automatic Classification and Embedding of Fashion Products using Deep Residual Network. Korea Computer Congress(KSC), 975-977.
C. Packer, J. McAuley & A.Ramisa, (2018). Visually-Aware Personalized Recommendation using Interpretable Image Representations. arXiv preprint arXiv:1806.09820.
E.Colson (2013). Using human and machine processing in recommendation systems. in First AAAI Conference on Human Computation and Crowdsourcing.
G. Linden, B. Smith & J. York, (2003). Amazon. com recommendations: Item-to-item collaborative filtering. IEEE Internet computing, 7(1), 76-80. DOI : 10.1109/MIC.2003.1167344

상세보기
J. McAuley, C. Targett, Q. Shi & A. Van Den Hengel. (2015). Image-based recommendations on styles and substitutes. In Proceedings of the 38th International ACM SIGIR Conference on Research and Development in Information Retrieval. 43-52. DOI : 10.1145/2766462.2767755
. Lee, J. Jo, C. Lee, D. Lee & H. Lim. (2017). Implicit User Profiling Technique for Intelligent Fashion Product Search and Recommendation. Korea Computer Congress(KSC), 862-864.
D. Lee, J. Jo & H. Lim. (2017). User Sentiment Analysis on Amazon Fashion Product Review Using Word Embedding. Journal of the Korea Convergence Society, 8(4), 1-8. DOI : 10.15207/JKCS.2017.8.4.001

원문보기 상세보기

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