최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기한국융합학회논문지 = 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)
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 sty...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
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. |
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
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
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
. 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.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.