[논문]카테고리 연관 규칙 마이닝을 활용한 추천 정확도 향상 기법

이동원

doi:10.13088/jiis.2020.26.2.027

[국내논문] 카테고리 연관 규칙 마이닝을 활용한 추천 정확도 향상 기법
A Study on the Improvement of Recommendation Accuracy by Using Category Association Rule Mining 원문보기

지능정보연구 = Journal of intelligence and information systems, v.26 no.2, 2020년, pp.27 - 42

초록
AI-Helper

인터넷이라는 가상 공간을 활용함으로써 물리적 공간의 제약을 갖는 오프라인 쇼핑의 한계를 넘어선 온라인 쇼핑은 다양한 기호를 가진 소비자를 만족시킬 수 있는 수많은 상품을 진열할 수 있게 되었다. 그러나, 이는 역설적으로 소비자가 구매의사결정 과정에서 너무 많은 대안을 비교 평가해야 하는 어려움을 겪게 함으로써 오히려 상품 선택을 방해하는 원인이 되기도 한다. 이런 부작용을 해소하기 위한 노력으로서, 연관 상품 추천은 수많은 상품을 다루는 온라인 상거래에서 소비자의 구매의사결정 과정 중 정보탐색 및 대안평가에 소요되는 시간과 노력을 줄여주고 이탈을 방지하며 판매자의 매출 증대에 기여할 수 있다. 연관 상품 추천에 사용되는 연관 규칙 마이닝 기법은 통계적 방법을 통해 주문과 같은 거래 데이터로부터 서로 연관성 높은 상품을 효과적으로 발견할 수 있다. 하지만, 이 기법은 거래 건수를 기반으로 하므로, 잠재적으로 판매 가능성이 높을지라도 충분한 거래 건수가 확보되지 못한 상품은 추천 목록에서 누락될 수 있다. 이렇게 추천 시 제외된 상품은 소비자에게 구매될 수 있는 충분한 기회를 확보하지 못할 수 있으며, 또 다시 다른 상품에 비해 상대적으로 낮은 추천 기회를 얻는 악순환을 겪을 수도 있다. 본 연구는 구매의사결정이 결국 상품이 지닌 속성에 대한 사용자의 평가를 기반으로 한다는 점에 착안하여, 추천 시 상품의 속성을 반영하면 소비자가 특정 상품을 선택할 확률을 좀더 정확하게 예측할 수 있다는 점을 추천 시스템에 반영하기 위한 목적으로 수행되었다. 즉, 어떤 상품 페이지를 방문한 소비자는 그 상품이 지닌 속성들에 어느 정도 관심을 보인 것이며 추천 시스템은 이런 속성들을 기반으로 연관성을 지닌 상품을 더 정교하게 찾을 수 있다는 것이다. 상품의 주요 속성의 하나로서, 카테고리는 두 상품 간에 아직 드러나지 않은 잠재적인 연관성을 찾기에 적합한 대상이 될 수 있다고 판단하였다. 본 연구는 연관 상품 추천에 상품 간의 연관성뿐만 아니라 카테고리 간의 연관성을 추가로 반영함으로써 추천의 정확도를 높일 수 있는 예측모형을 개발하였고, 온라인 쇼핑몰로부터 수집된 주문 데이터를 활용하여 이루어진 실험은 기존 모형에 비해 추천 성능이 개선됨을 보였다. 실무적인 관점에서 볼 때, 본 연구는 소비자의 구매 만족도를 향상시키고 판매자의 매출을 증가시키는 데에 기여할 수 있을 것으로 기대된다.

Abstract ▼ AI-Helper

Traditional companies with offline stores were unable to secure large display space due to the problems of cost. This limitation inevitably allowed limited kinds of products to be displayed on the shelves, which resulted in consumers being deprived of the opportunity to experience various items. Taking advantage of the virtual space called the Internet, online shopping goes beyond the limits of limitations in physical space of offline shopping and is now able to display numerous products on web pages that can satisfy consumers with a variety of needs. Paradoxically, however, this can also cause consumers to experience the difficulty of comparing and evaluating too many alternatives in their purchase decision-making process. As an effort to address this side effect, various kinds of consumer's purchase decision support systems have been studied, such as keyword-based item search service and recommender systems. These systems can reduce search time for items, prevent consumer from leaving while browsing, and contribute to the seller's increased sales. Among those systems, recommender systems based on association rule mining techniques can effectively detect interrelated products from transaction data such as orders. The association between products obtained by statistical analysis provides clues to predicting how interested consumers will be in another product. However, since its algorithm is based on the number of transactions, products not sold enough so far in the early days of launch may not be included in the list of recommendations even though they are highly likely to be sold. Such missing items may not have sufficient opportunities to be exposed to consumers to record sufficient sales, and then fall into a vicious cycle of a vicious cycle of declining sales and omission in the recommendation list. This situation is an inevitable outcome in situations in which recommendations are made based on past transaction histories, rather than on determining potential future sales possibilities. This study started with the idea that reflecting the means by which this potential possibility can be identified indirectly would help to select highly recommended products. In the light of the fact that the attributes of a product affect the consumer's purchasing decisions, this study was conducted to reflect them in the recommender systems. In other words, consumers who visit a product page have shown interest in the attributes of the product and would be also interested in other products with the same attributes. On such assumption, based on these attributes, the recommender system can select recommended products that can show a higher acceptance rate. Given that a category is one of the main attributes of a product, it can be a good indicator of not only direct associations between two items but also potential associations that have yet to be revealed. Based on this idea, the study devised a recommender system that reflects not only associations between products but also categories. Through regression analysis, two kinds of associations were combined to form a model that could predict the hit rate of recommendation. To evaluate the performance of the proposed model, another regression model was also developed based only on associations between products. Comparative experiments were designed to be similar to the environment in which products are actually recommended in online shopping malls. First, the association rules for all possible combinations of antecedent and consequent items were generated from the order data. Then, hit rates for each of the associated rules were predicted from the support and confidence that are calculated by each of the models. The comparative experiments using order data collected from an online shopping mall show that the recommendation accuracy can be improved by further reflecting not only the association between products but also categories in the recommendation of related products. The proposed model show

Keyword

표/그림 (8)

그림 Hierarchy of Items
그림 Association Rules between Items and their Hierarchical Categories
표 Descriptive Statistics
표 Correlation Coefficients
표 Regression Analysis of Training Data for Proposed Model
표 Regression Analysis of Training Data for Competent Model
표 Comparison of Performance Using Validation Data for Two Models
그림 Comparison of Performance Using Validation Data for Two Models

AI 본문요약
AI-Helper

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

문제 정의

이런 이유로 두 척도를 적용한 예측모형을 활용함으로써 추천의 성공확률을 높이는 방안이 연구된 바 있다(Lee, 2017b). 본 연구에서는, 이와 같은 통계적 방법을 적용하되 그 정확도를 높일 수 있는 추가적인 방안을 제시하고자 수행되었다.
예를 들어, ‘바지2’와 ‘바지3’이 ‘바지4’에 비해 출시가 빨라 좀 더 많이 거래된 경우, ‘바지4’의 누적 구매 건수가 다른 두 상품에 비해 상대적으로 낮아 지지도와 신뢰도 또한 낮게 평가되었을 수 있다. 본 연구에서는 이렇게 아직은 발현되지 않은 상품 간의 잠재적인 연관성을 찾아내고 이를 이미 발현된 연관성에 추가로 고려함으로써 추천의 적중률을 높일 수 있는 방안을 제시하고자 수행되었다.
본 연구에서는 상품 수준의 연관성에 이들이 속한 카테고리 수준의 연관성을 결합함으로써 추천의 적중률을 높이기 위한 목적으로 수행된다. 따라서, 추천 적중률의 예측모형에는 상품 수준에서 계산된 지지도와 신뢰도뿐만 아니라, 카테고리 수준의 지지도와 신뢰도를 함께 독립 변수에 포함시킨다.
본 연구에서 제안한 모형이 기존의 모형에 비해 높은 성능을 보이는지 검증하기 위한 목적으로 실험을 실시한다. 앞서 개발한 두 개의 회귀 모형을 예측모형으로 활용하여 성능을 서로 비교하는 방식으로 진행한다.
이런 이유로, 본 연구는 해당 상품이 충분한 거래 건수를 확보하지 못한 경우에도 잠재성이 있는 경우 이를 발견할 수 있는 대안으로 상품의 속성을 활용하는 방법을 제안하였다. 상품의 속성에 대한 선호도는 소비자가 구매결정을 내리는 데 있어서 중요하게 고려하는 요소가 된다.
즉, 상품 간의 연관성은 속성 간의 연관성을 통해 드러나게 될 것이라는 것이다. 여러 중요한 속성 중 카테고리를 고려하였고, 이들 간의 연관성을 추천에 반영하면 추천 정확도가 높아질 수 있다는 점을 검증하고자 하였다. 실험 결과를 통해 알 수 있듯이, 추천 성능은 2~3% 수준으로 향상될 수 있었다.
다음으로, 거래를 통해 연관성이 발견되지 않은 상품에 대해서도 확장할 수 있다는 점이 본 연구에서 제안한 모형의 또 다른 장점이라고 할 수 있다. 즉, 동일 고객에 의한 구매 건수가 전혀 없는 상품 간의 관계라고 하더라도, 이들 간의 상호 연관성을 찾을 수 있는 방법을 제시한 것이다. 즉, 두 상품 간의 속성의 일치를 통해 상품 수준의 연관성의 한계를 극복할 수 있는 것이다.
추천 성공률을 향상시킬 뿐만 아니라 잠재된 연관성을 발견하는 데에 있어서 도움을 줄 수 있다는 점에서, 본 연구에서 제안한 모형은 실무적으로도 큰 의미를 갖는다고 할 수 있다. 또한, 카테고리 이외에도 색상이나 디자인과 같은 또 다른 속성 간의 연관성을 추가로 고려해볼 수 있는 가능성을 제시했다. 특히, 의류나 잡화와 같이 트렌드에 민감한 산업에서는 상품의 고유한 특성이 서로 크게 차별화될 것이다.
본 연구는 온라인 쇼핑에서 보편적으로 사용되고 있는 연관 상품 추천 시 상품의 속성을 추가로 활용함으로써 추천의 성공률을 높이기 위한 목적으로 수행되었다. 이런 추천 방식은 주로 상품의 상세 페이지를 방문한 소비자가 관심을 가질 확률이 높은 연관 상품을 함께 노출하는 방식으로 또 다른 상품을 추천한다.

가설 설정

연관규칙1, 2의 추천대상 상품, 즉, ‘바지2’와 ‘바지3’이 면바지인 반면, ‘바지1’과 ‘바지4’는 청바지였다고 가정해보자.
상품의 속성에 대한 선호도는 소비자가 구매결정을 내리는 데 있어서 중요하게 고려하는 요소가 된다. 따라서, 본 연구는 선호하는 상품과 유사한 속성을 가진 상품을 추천함으로써 추천확률을 높일 수 있다는 가정을 전제에서 출발하였다. 즉, 상품 간의 연관성은 속성 간의 연관성을 통해 드러나게 될 것이라는 것이다.

제안 방법

이들은 추천에 대한 적중률이 높을 것으로 예측되는 순서대로 나열되는데, 적중률을 예측하기 위한 방안으로 회귀모형을 적용하기로 한다. 즉, 연관규칙 마이닝 기법에서 전통적으로 사용되는 지지도와 신뢰도를 독립변수로, 이에 따른 적중률을 종속 변수로 삼아 통계분석을 실시하고, 이를 기반으로 적중률을 예측하는 모형을 개발한다.
본 연구에 사용된 주문 데이터를 기반으로 상품 수준을 포함하여 4개의 카테고리 계층에 대해 연관규칙을 생성하고 지지도와 신뢰도를 계산하도록 한다([Figure 2]. 예를 들어, 상품 I3와 I9에 대한 연관규칙은 I3 → I9과 같이 표현되며, 이 두 상품이 속한 카테고리의 각 계층으로부터 L1 → L2, M1 → M4, S2 → S6, D3 → D9과 같은 연관규칙을 얻을 수 있다.
이를 기반으로, 각 선행상품에 대해 예상 적중률이 높은 순서대로 N (1≤N≤20) 개의 후행상품을 선정하는 방식으로 추천 목록을 작성한다.
Sup_x(A)(X=I, L, M, S, D)은 연관규칙의 지지도와 신뢰도에 영향을 미치는 통제변수로서 모형에 추가되는데, 연관규칙 상의 선행 상품(또는 카테고리)의 지지도를 의미한다. 전체 거래건수에 대한 해당 상품(또는 카테고리)이 포함된 거래건수의 비율로 계산되나, 모든 연관규칙에 동일하게 적용되므로 본 모형에서는 편의상 분모를 생략하고 계산하기로 한다.
본 연구에서 제안한 모형이 기존의 모형에 비해 높은 성능을 보이는지 검증하기 위한 목적으로 실험을 실시한다. 앞서 개발한 두 개의 회귀 모형을 예측모형으로 활용하여 성능을 서로 비교하는 방식으로 진행한다. 전체 과정은 다음과 같다.
전체 과정은 다음과 같다. 먼저, 각 모형 별로 학습용 데이터로부터 지지도와 신뢰도를 포함한 연관규칙을 추출한 후, 각 연관규칙에 대해 예상 추천 적중률을 계산한다. 이를 기반으로, 각 선행상품에 대해 예상 적중률이 높은 순서대로 N (1≤N≤20) 개의 후행상품을 선정하는 방식으로 추천 목록을 작성한다.
본 연구에서는 국내의 온라인 상거래 기업으로부터 2015년 5월부터 2016년 4월까지 12개월 동안 수집된 130만 건의 주문 거래 데이터를 분석한다. 고객을 기준으로 모형의 학습을 위한 데이터와 검증을 위한 데이터로 80:20의 비율로 구분하고, 학습용 데이터 중 50%는 독립변수의 생성을 위해, 나머지 50%는 종속변수의 생성을 위해 사용한다. 즉, 전체 데이터의 40%로부터 지지도와 신뢰도를 계산하여 연관규칙을 생성하고, 다른 40%의 데이터에서 적중률을 계산하여 회귀모형을 작성한다.
각각의 데이터는 동일 고객에 대해 선후행 상품을 연관짓는 방법으로 생성되며, 학습용 283만건과 검증용 234만건으로 구성된다. 이렇게 작성된 회귀모형을 예측모형으로 활용하여 나머지 20%에 적용함으로써 모형의 성능을 평가하도록 한다. 성능의 비교를 위해서 제안모형과 경쟁모형 각각에 대해 위의 과정을 실시하도록 한다.
이렇게 작성된 회귀모형을 예측모형으로 활용하여 나머지 20%에 적용함으로써 모형의 성능을 평가하도록 한다. 성능의 비교를 위해서 제안모형과 경쟁모형 각각에 대해 위의 과정을 실시하도록 한다.
성능의 비교를 위해 두 개의 예측 모형을 개발한다. 학습용 데이터로부터 두 개의 회귀모형을 개발한 결과가 [Table 3]과 [Table 4]에 나타나 있다.
본 연구에서 제안한 상품의 속성 간 연관성을 활용한 연관 상품 추천 방식의 학문적 기여는 다음과 같다. 먼저, 개별 상품 간의 연관성만을 고려하던 기존의 방법을 확장하여 속성 수준에서의 연관성을 함께 고려한 추천모형을 제시하였다. 상품의 속성은 구매자가 상품을 선택하는 데에 있어 중요한 고려 대상이며 이를 추천모형에 반영함으로써 추천성과를 높일 수 있다는 것을 통계적 모형을 적용한 실험을 통해 보였다.

대상 데이터

연관상품의 추천목록은 상품 페이지의 특정 추천공간에 배치되며 제한된 수의 상품만을 보여줄 수 있으므로, 이에 포함될 상품의 선정과 나열순서는 추천의 적중률을 결정하는 데에 매우 중요한 역할을 한다. 일반적으로 선행상품 하나 당 10개 안팎의 후행상품이 목록에 포함되는데, 본 연구에서는 성능을 충분히 검토하기 위해 후행상품 20개를 추출하기로 한다. 이들은 추천에 대한 적중률이 높을 것으로 예측되는 순서대로 나열되는데, 적중률을 예측하기 위한 방안으로 회귀모형을 적용하기로 한다.
본 연구에서는 국내의 온라인 상거래 기업으로부터 2015년 5월부터 2016년 4월까지 12개월 동안 수집된 130만 건의 주문 거래 데이터를 분석한다. 고객을 기준으로 모형의 학습을 위한 데이터와 검증을 위한 데이터로 80:20의 비율로 구분하고, 학습용 데이터 중 50%는 독립변수의 생성을 위해, 나머지 50%는 종속변수의 생성을 위해 사용한다.

성능/효과

즉, 연관규칙으로 나타난 결과는 청바지와 청바지 간의 연관성이 면바지와 청바지 간의 연관성보다 높다는 것을 보여준다. 즉, 면바지에 관심을 보인 소비자보다 청바지에 관심을 보인 소비자가 청바지에 관심을 보이는 확률이 더 높다는 것으로 해석될 수 있다.
[Table 5]는 제안 모형, 경쟁 모형으로부터 각각의 선행상품에 대해 상위 N (1≤N≤20) 개의 연관규칙을 적용한 결과이다. 즉, 연관 규칙의 선행 상품에 대한 상품 상세 페이지에 1개의 추천 상품이 노출되는 경우 경쟁 모형(5.86%)에 비해 제안 모형(6.06%)이 제시한 추천 상품이 선택될 확률이 3.49%(0.20%p), 10개의 추천 상품이 노출되는 경우 2.92%(0.02%p) 높다는 것을 의미한다.
실험결과에 나타난 바와 같이, 제안 모형을 통해 상품 간 연관성과 함께 상품의 카테고리 간 연관성을 반영하여 추천 적중률을 예측하는 경우, 상품 간 연관성만을 사용하는 경우에 비해 높은 추천 성과를 얻을 수 있다는 점을 확인할 수 있다. 이는 제안 모형을 활용함으로써, 기존 거래를 통해 드러나지 않은 상품 간의 잠재적인 연관성을 효과적으로 찾아 소비자의 기호에 좀 더 적합한 추천 상품을 제시할 수 있음을 시사한다.
실험결과에 나타난 바와 같이, 제안 모형을 통해 상품 간 연관성과 함께 상품의 카테고리 간 연관성을 반영하여 추천 적중률을 예측하는 경우, 상품 간 연관성만을 사용하는 경우에 비해 높은 추천 성과를 얻을 수 있다는 점을 확인할 수 있다. 이는 제안 모형을 활용함으로써, 기존 거래를 통해 드러나지 않은 상품 간의 잠재적인 연관성을 효과적으로 찾아 소비자의 기호에 좀 더 적합한 추천 상품을 제시할 수 있음을 시사한다.
여러 중요한 속성 중 카테고리를 고려하였고, 이들 간의 연관성을 추천에 반영하면 추천 정확도가 높아질 수 있다는 점을 검증하고자 하였다. 실험 결과를 통해 알 수 있듯이, 추천 성능은 2~3% 수준으로 향상될 수 있었다.
먼저, 개별 상품 간의 연관성만을 고려하던 기존의 방법을 확장하여 속성 수준에서의 연관성을 함께 고려한 추천모형을 제시하였다. 상품의 속성은 구매자가 상품을 선택하는 데에 있어 중요한 고려 대상이며 이를 추천모형에 반영함으로써 추천성과를 높일 수 있다는 것을 통계적 모형을 적용한 실험을 통해 보였다. 다음으로, 거래를 통해 연관성이 발견되지 않은 상품에 대해서도 확장할 수 있다는 점이 본 연구에서 제안한 모형의 또 다른 장점이라고 할 수 있다.
추천의 정확성은 그 자체로 추천 성공이 늘어나 매출이 증가된다는 장점을 지님과 동시에, 이렇게 발생한 주문 데이터가 다시 상품 간의 연관성을 찾는 데에 기여한다는 점에서 선순환을 기대할 수 있다. 추천 성공률을 향상시킬 뿐만 아니라 잠재된 연관성을 발견하는 데에 있어서 도움을 줄 수 있다는 점에서, 본 연구에서 제안한 모형은 실무적으로도 큰 의미를 갖는다고 할 수 있다. 또한, 카테고리 이외에도 색상이나 디자인과 같은 또 다른 속성 간의 연관성을 추가로 고려해볼 수 있는 가능성을 제시했다.

후속연구

특히, 의류나 잡화와 같이 트렌드에 민감한 산업에서는 상품의 고유한 특성이 서로 크게 차별화될 것이다. 따라서, 이런 상품의 속성들을 활용하면 유사한 속성을 갖는 상품을 좀 더 쉽게 찾아 추천 성공률을 더 높일 수 있을 것으로 기대된다.
하지만, 본 연구는 이미 발생한 구매 데이터를 기반으로 실험을 수행하였으므로, 그 성능이 실제 환경에서 실무적으로 검증되지 못했다는 한계를 지닌다. 실제 현업에서 두 모형의 추천 적중률과 더 나아가 매출의 의미 있는 차이를 발견할 수 있다면 성능에 대한 객관적 평가가 이루어질 수 있을 것으로 기대된다.
하지만, 본 연구는 이미 발생한 구매 데이터를 기반으로 실험을 수행하였으므로, 그 성능이 실제 환경에서 실무적으로 검증되지 못했다는 한계를 지닌다. 실제 현업에서 두 모형의 추천 적중률과 더 나아가 매출의 의미 있는 차이를 발견할 수 있다면 성능에 대한 객관적 평가가 이루어질 수 있을 것으로 기대된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	연관 규칙 마이닝 기법이란?	연관 규칙 마이닝 기법(Agrawal et al., 1993)은 주문과 같은 거래 데이터에서 반복적으로 동시에 출현하는 상품을 찾아 이들 간의 패턴을 연관 규칙이라는 형태로 표현하는 방법이다. 이런 규칙은 그 안에 포함된 상품 간의 빈도를 기반으로 계산된 연관성 척도를 함께 표현한다.
	연관 규칙 마이닝이 상품 간의 연관성을 평가하는 방법의 척도는?	추천 목록에 배치될 연관 상품의 선정을 위해서 널리 활용되고 있는 방법은 연관 규칙 마이닝(Agrawal, 1993)으로서, 지지도, 신뢰도, 향상도라는 세 가지 척도를 상품 간의 연관성을 평가하는 방법으로 제시한다. 이는 연관 규칙이라는 형태로서 아래의 예와 같이 표현된다.
	연관 상품 추천 기능의 효과는?	, 2012), 그 중에서 연관 상품 추천 기능은 이미 구매된 상품 간의 연관성을 기반으로 하여 구매자에게 선택될 가능성이 높은 상품을 제안하는 기능을 수행한다. 이런 추천 방식은 상품의 상세 페이지 내에 관련 상품의 목록을 함께 보여줌으로써 구매자가 상품의 대안을 쉽게 비교할 수 있게 해줄 뿐만 아니라 미처 인지하지 못했던 니즈를 만족시켜줄 수 있는 상품을 발견할 수도 있게 해준다. 추천 상품 목록에서 관심상품이 적절히 제시되면 해당 상품 페이지의 방문 및 구매가 증가되기 때문에 판매자의 입장에서는 제한된 수의 목록에 좀 더 구매자의 관심을 끌어 선택될수 있는 상품을 선별하여 배치하는 것이 매우 중요하다.

참고문헌 (25)

Agrawal, R., T. Imielinski, A. Swami. "Mining association rule between sets of items in large databases," Proc. 1993 ACM SIGMOD international conference on management of data, (1993), 207-216.
Adomavicius, G., A. Tuzhilin. "Context-Aware Recommender Systems. Recommender Systems Handbook, Springer US, (2011), 217-253.
Aljukhadar, Muhammad, Sylvain Senecal, and Charles-Etienne Daoust. "Using recommendation agents to cope with information overload." International Journal of Electronic Commerce Vol.17, No.2(2012), 41-70.

상세보기
Anand, S.S., A.R. Patrick. "A Data Mining methodology for cross-sales," Knowledge-Based Systems, Vol.10, No.7(1998), 449-461.
Ansari, A., S. Essegaier, R. Kohli. "Internet recommender systems," Journal of Marketing Research, Vol.37, No.3(2000), 363-375.
Balabanovic, M., Y. Shoham. "Content-Based, Collaborative Recommendation," Communications of the ACM, Vol.40, No.3(1997), 66-72.
Bodapati, A.V. "Recommender systems with purchase data," Journal of Marketing Research, Vol.45, No.1(2008), 77-93.
Chen, Y.L., J.M. Chen, C.W. Tung. "A data mining approach for retail knowledge discovery with consideration of the effect of shelf-space adjacency on sales," Decision Support Systems, Vol.42, No.3(2006), 1503-1520.

상세보기
Chernev, Alexander, Ulf Bockenholt, and Joseph Goodman. "Choice overload: A conceptual review and meta-analysis." Journal of Consumer Psychology, Vol.25, No.2 (2015), 333-358.

상세보기
Choi, S., Hyun, Y., Kim, N. "Improving Performance of Recommendation Systems Using Topic Modeling," Journal of Intelligence and Information Systems, Vol.21, No.3(2015), 101-116.
Choi, S., Kwahk, K.-Y., Ahn, H. "Enhancing Predictive Accuracy of Collaborative Filtering Algorithms using the Network Analysis of Trust Relationship among Users," Journal of Intelligence and Information Systems, Vol.22, No.3(2016), 113-127.
Fleder, D., K. Hosanagar. "Blockbuster culture's next rise or fall: The impact of recommender systems on sales diversity," Management Science, Vol.55, No.5(2009), 697-712.

상세보기
Kim, B. K., S. Lee, S. Bang, J. Kim, and J. H. Lee, "Personalized Recommendation System Using Social Network," Proceedings of the Conference on Intelligent Information Systems, Vol.20, No.1(2010), 48-49.
Kim, J., Lee, S.-W. "The Ontology Based, the Movie Contents Recommendation Scheme, Using Relations of Movie Metadata," Journal of Intelligence and Information Systems, Vol.19, No.3(2013), 25-44.
Kim, K.-J., Kim, B.-G. "Product Recommender System for Online Shopping Malls using Data Mining Techniques," Journal of Intelligence and Information Systems, Vol.11, No.1(2005), 191-205.
Kim, M., and K. J. Kim, "Recommender Systems using Structural Hole and Collaborative Filtering," Journal of Intelligence and Information Systems, Vol.20, No.4(2014), 107-120.
Kim, M. G., and K. J. Kim, " Recommender Systems using SVD with Social Network Information," Journal of Intelligence and Information Systems, Vol.22, No.4(2016), 1-18.

원문보기 상세보기
Kim, S. H., and R. S. Chang, "The Study on the Research Trend of Social Network Analysis and the its Applicability to Information Science," Journal of the Korean Society for Information Management, Vol.27, No.4(2010), 71-87.
Kim, Y., and W.N. Street. "An intelligent system for customer targeting: a data mining approach," Decision Support Systems, Vol.37, No.2(2004), 215-228.

상세보기
Konstan, J.A., B.N. Miller, D. Maltz, J.L. Herlocker, L.R. Gordon, J. Riedl. "GroupLens: applying collaborative filtering to Usenet news," Communications of the ACM, Vol.40, No.3(1997), 77-87.

상세보기
Lee, D. "A Regression-Model-based Method for Combining Interestingness Measures of Association Rule Mining." Journal of Intelligence and Information Systems, Vol.23, No.1(2017), 127-141.
Lee, D. "Extension Method of Association Rules Using Social Network Analysis." Journal of Intelligence and Information Systems, Vol.23, No.4 (2017), 111-126.
Lee, D., S. Park, S. Moon. "Utility-based association rule mining: A marketing solution for cross-selling," Expert Systems with Applications. Vol.40, No.7(2013), 2715-2725.

상세보기
Scheibehenne, Benjamin, Rainer Greifeneder, and Peter M. Todd. "Can there ever be too many options? A meta-analytic review of choice overload." Journal of consumer research Vol.37, No.3(2010), 409-425.

상세보기
Shin, C. H., J. W. Lee, H. N. Yang, and I. Y. Choi, "The Research on Recommender for New Customers Using Collaborative Filtering and Social Network Analysis," Journal of Intelligence and Information Systems, Vol.18, No.4(2012), 19-42.

저자의 다른 논문 :

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