$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

[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  

이동원 (한성대학교 사회과학부)

초록
AI-Helper 아이콘AI-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 기법통계적 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 아이콘AI-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. Tak...

Keyword

표/그림 (8)

AI 본문요약
AI-Helper 아이콘 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.
본문요약 정보가 도움이 되었나요?

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.
질의응답 정보가 도움이 되었나요?

참고문헌 (25)

  1. 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. 

  2. Adomavicius, G., A. Tuzhilin. "Context-Aware Recommender Systems. Recommender Systems Handbook, Springer US, (2011), 217-253. 

  3. 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. 

  4. Anand, S.S., A.R. Patrick. "A Data Mining methodology for cross-sales," Knowledge-Based Systems, Vol.10, No.7(1998), 449-461. 

  5. Ansari, A., S. Essegaier, R. Kohli. "Internet recommender systems," Journal of Marketing Research, Vol.37, No.3(2000), 363-375. 

  6. Balabanovic, M., Y. Shoham. "Content-Based, Collaborative Recommendation," Communications of the ACM, Vol.40, No.3(1997), 66-72. 

  7. Bodapati, A.V. "Recommender systems with purchase data," Journal of Marketing Research, Vol.45, No.1(2008), 77-93. 

  8. 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. 

  9. 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. 

  10. 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. 

  11. 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. 

  12. 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. 

  13. 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. 

  14. 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. 

  15. 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. 

  16. 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. 

  17. 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. 

  18. 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. 

  19. 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. 

  20. 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. 

  21. 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. 

  22. Lee, D. "Extension Method of Association Rules Using Social Network Analysis." Journal of Intelligence and Information Systems, Vol.23, No.4 (2017), 111-126. 

  23. 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. 

  24. 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. 

  25. 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 :

관련 콘텐츠

오픈액세스(OA) 유형

BRONZE

출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로