[논문]빅 데이터를 활용한 애완동물 상품 추천 시스템 구현

김삼택

doi:10.15207/jkcs.2020.11.11.019

빅 데이터를 활용한 애완동물 상품 추천 시스템 구현
Implementation of a pet product recommendation system using big data 원문보기

한국융합학회논문지 = Journal of the Korea Convergence Society, v.11 no.11, 2020년, pp.19 - 24

초록
AI-Helper

최근, 애완동물의 급격한 증가로 애완동물의 건강상태 체크와 다양하게 수집된 데이터를 활용하여 사료 추천 등 통합적인 애완동물관련 개인화 상품 추천 서비스가 요구된다. 본 논문은 빅 데이터 기술을 활용하여 애완동물관련 데이터 수집, 전처리, 분석, 관리등 다양한 개인화서비스를 할 수 있는 상품 추천시스템을 구현한다. 먼저, 애완동물이 착용하고 있는 센서 정보와 고객의 구매 패턴, SNS 정보를 수집해 데이터베이스에 저장하고 통계적 분석을 활용하여 사료제작, 애완동물 건강관리 등 맞춤형 개인화 추천 서비스가 가능한 플랫폼을 구현한다. 본 플랫폼은 유사도가 분석될 상품과 상품정보에 대한 유사도 상품 정보를 출력하고 최종적으로 추천 분석한 결과를 출력하여 고객에게 정보를 제공 할 수 있다.

Abstract ▼ AI-Helper

Recently, due to the rapid increase of pets, there is a need for an integrated pet-related personalized product recommendation service such as feed recommendation using a health status check of pets and various collected data. This paper implements a product recommendation system that can perform various personalized services such as collection, pre-processing, analysis, and management of pet-related data using big data. First, the sensor information worn by pets, customer purchase patterns, and SNS information are collected and stored in a database, and a platform capable of customized personalized recommendation services such as feed production and pet health management is implemented using statistical analysis. The platform can provide information to customers by outputting similarity product information about the product to be analyzed and information, and finally outputting the result of recommendation analysis.

주제어

표/그림 (8)

그림 Fig. 1. Integrated platform of Pet customized service
그림 Fig. 2. Structure of Twitter SNS Collection Process
그림 Fig. 3. Structure diagram of recommendation
표 Table 1. Feed for measuring the similarity of the recommendation system (example)
그림 Fig. 4. Similarity measurement algorithm Cosine distance
그림 Fig. 5. Similarity measurement algorithm Manhattan Distance
그림 Fig. 6. Similarity product information dashboard
그림 Fig. 7. Dashboard that exposes recommendation analysis and recommendation analysis time

AI 본문요약
AI-Helper

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

문제 정의

이러한 문제를 해결하기 위해서는 다양하게 수집된 정보들을 빅 데이터 기술을 활용해 여러 방향에서 분석하여 개인화 추천서비스를 할 수 있는 애완동물 관련 데이터분석 플랫폼의 구현이 시급하다[1]. 따라서 본 논문에서는 사물인터넷기기의 센서 정보와 고객의 구매패턴 정보, 소셜미디어 정보 등을 수집하여 체계적으로 데이터베이스화하고, 데이터의 연관관계를 복합적으로 분석하여 정보 이용자 개인별로 맞춤 서비스를 수행 할 수 있는 플랫폼을 구현하여 애완동물의 개인화 추천 서비스에 활용하고자 한다.
본 논문은 빅 데이터 기술을 활용하여 다양한 IoT의 센서, 쇼핑몰 고객의 구매 패턴, SNS등의 정보를 수집할 수 있는 미들웨어와 수집된 정보를 정제하고 분석 및 추론 가능한 분석기 및 분석된 정보를 이용하여 고객에게 상품 추천 및 의약품 제작 등의 애완동물의 건강관리에 활용할 수 있는 맞춤형 개인화서비스를 구현했다. 본 플랫폼은 유사도가 분석될 상품과 상품정보에 대한 유사도 상품 정보를 출력하고 최종적으로 추천 분석한 결과를 보여 주게 된다.

제안 방법

7대 중요 영양소를 분석하여 군집화, 정규화, 범위를 벗어난 데이터는 정제 하였다.
개인화 맞춤 서비스를 제공하기 위해 사용자별 아이템 추천 서비스와, 쇼핑몰에서 행동패턴을 분석하여 탈퇴 또는 활동 지속여부 등 위험요소를 분석하는 사용자 행동 예측 서비스, 쇼핑몰에서 분석된 특정 자료를 요청할 경우 자료를 제공할 수 있도록 분석정보 검색 서비스와 쇼핑몰 사용자에게 필요한 관계기관을 연계시켜 적시에 서비스를 지원받을 수 있도록 쇼핑몰에 관련 정보를 제공하는 관계기관 연계 서비스를 구현 했다[11].
다음으로 군집분석을 위해 사료의 특징 간 유사도를 측정하였다. 유사도 분석은 Pet_type 인자 값을 바탕으로 강아지 또는 고양이 DB의 1군 특성(주요 영양소), 2군 특성(특이 영양소)을 로드하고 해당 로드한 값으로, 유사도 공식으로 분석하여 1군 분석 결과 값과 2군 분석 결과 값을 DB에 삽입하고 최종 유사도 분석 결과 값을 유사도 결과 DB에 삽입하여 유사도 분석결과를 상품 추천 시 활용한다.
입력된 데이터 중 일부 결손된 데이터에 대해 전역상수, 속성 평균값, 표본값의 평균값 등을 적용하여 데이터를 복구하고 데이터에 포함된 오류 또는 잡음이 포함된 경우 구간화, 단순 또는 복합 회귀값, 군집화를 적용하여 데이터 정제하며 데이터의 일관성 결여, 입력자 오류 등을 확인하여 데이터 불일치를 정제 처리하는 데이터 정제 모듈을 구현했다[5-7]. 또한 다양하게 수집된 데이터들에 대해 메타데이터, 상관성 분석, 데이터 충돌 탐지 등의 통합작업을 통해 데이터들을 결합하는 데이터 통합 모듈을 구현했고, 중복 및 필요 없는 데이터가 포함되어 있을 경우 웨이블릿 변환 신호처리 기법 또는 주성분분석 알고리즘을 활용하여 데이터 축소 모듈을 구현했다[8,9].
본 논문은 빅 데이터 기술을 활용하여 다양한 IoT의 센서, 쇼핑몰 고객의 구매 패턴, SNS등의 정보를 수집할 수 있는 미들웨어와 수집된 정보를 정제하고 분석 및 추론 가능한 분석기 및 분석된 정보를 이용하여 고객에게 상품 추천 및 의약품 제작 등의 애완동물의 건강관리에 활용할 수 있는 맞춤형 개인화서비스를 구현했다. 본 플랫폼은 유사도가 분석될 상품과 상품정보에 대한 유사도 상품 정보를 출력하고 최종적으로 추천 분석한 결과를 보여 주게 된다. 본 논문의 결과를 통해 고객의 성향에 맞는 개인화 서비스를 추진하고, 애완동물 삶의 전주기적 건강관리를 통해 애완동물 시장을 활성화시킬 수 있으며, 애완동물에 대한 데이터 구축 및 분석을 통해 다양한 산업에서 활용 가능하다.
애완동물 수집기는 사용자 정보 또는 활동로그 등을 수집할 수 있는 쇼핑몰 사용자 정보 수집 모듈, SNS로부터 사용자에 해당하는 비정형 데이터를 수집하는 로봇인크롤러를 이용한 사용자 SNS 정보 수집 모듈, 사용자 착용 또는 사물인터넷기기로부터 센서 정보를 수집할 수 있는 IoT 센서 정보 수집 모듈이 존재한다. 소비자 패턴 분석 기반마련을 위한 정형, 비정형 데이터 수집기를 구현 했고 플랫폼 안에서 회원 가입 시, 애완동물 관련 정보를 입력하게 하고 정확한 의학적 사실을 바탕으로 기능을 구현하기 위해, 수의학과 교수 및 동물병원에 자문을 구하여 구현하였다.
수집된 애완동물의 다양한 데이터를 기반으로 통계적인 사례를 통한 특성과 비슷한 성질을 분석하여 개인에게 특화된 맞춤서비스를 제공하는 통합 플랫폼을 구현하였다. 애완동물 개인화 맞춤서비스 통합 플랫폼의 구성은 다음 Fig.
입력된 데이터 중 일부 결손된 데이터에 대해 전역상수, 속성 평균값, 표본값의 평균값 등을 적용하여 데이터를 복구하고 데이터에 포함된 오류 또는 잡음이 포함된 경우 구간화, 단순 또는 복합 회귀값, 군집화를 적용하여 데이터 정제하며 데이터의 일관성 결여, 입력자 오류 등을 확인하여 데이터 불일치를 정제 처리하는 데이터 정제 모듈을 구현했다[5-7]. 또한 다양하게 수집된 데이터들에 대해 메타데이터, 상관성 분석, 데이터 충돌 탐지 등의 통합작업을 통해 데이터들을 결합하는 데이터 통합 모듈을 구현했고, 중복 및 필요 없는 데이터가 포함되어 있을 경우 웨이블릿 변환 신호처리 기법 또는 주성분분석 알고리즘을 활용하여 데이터 축소 모듈을 구현했다[8,9].
해당 공식으로 “애완동물 종 정보를 가진 회원들의 클릭정보”를 이용하여, 추천모델링을 만들어 관리한다. 추천분석 서버 안에, 추천모델링에 대한 정보를 관리하며, 고객성향 추천분석기는 해당 추천모델링 데이터를 이용하여 추천결과를 제시한다. 추천분기는 입력으로는 다음 인자 값을 받는다[13-15].
클릭정보 대시보드는 특정시기(또는 현재)의 클릭횟수 와 모니터링특정시기(또는 현재)동안 상품에 대한 클릭순위 모니터링, 실시간 클릭정보 전체클릭 비율, 회원클릭 비율 모니터링으로 구현했다.
회사에서 판매하고 있는 ‘브랜드’를 키워드로 해당 브랜드에 대한 정보를 수집하고 있으며, 담당자는 수집되는 글 내용을 분석하여, 브랜드에 대한 현재 고객 인식에 대해 평가를 하여 기록한다.

대상 데이터

고객 행동 데이터 수집기는 서비스 플랫폼 내에서 애완동물 보호자를 대상으로 어떤 행동을 하는지 분석하기 위해, 카테고리 및 상품 클릭정보와 검색정보 등을 수집한다.

이론/모형

고객 성향 추천 분석기는 분석을 효과적으로 처리하기 위해 협업필터링 알고리즘을 채택하였으며, 사용자의 피드백 상황과 데이터 수집 등을 고려할 때 명시적 피드백 수집이 어렵기에 암시적 피드백을 이용하였다[2-4].
즉, 유사도 분석은 해당 상품리스트에서 각 상품별 주요영양소(feed_spec1_x), 특이영양소(feed_spec2_x)를 가져와, 유사도 공식에 의거하여 분석 한다 . 유사도 측정 알고리즘은 Cosine distance, Manhattan Distance를 이용하였고 군집 분석 결과의 계통도를 그리면 다음 그림 Fig. 4와 5 와 같다. 코사인 유사도는 평점을 벡터로 생각하여, 2개 벡터사이의 각도가 작을수록 근접해 있기 때문에 유사성이 크다고 판단하는 방식이다.
추천분석을 위한 알고리즘은, 다음과 같이 암시적 피드백을 이용하였다.

성능/효과

346042408619로 데이터를 구분할 수 있으며, 1번은 추천결과 회원번호이며, 2번은 추천된 상품이며, 쇼핑몰 Server에 저장되어있는, 541번 상품이다. 3번의 결과는 해당 상품을 누를 확률에 대한 신뢰도이며, 최대 신뢰도는 1.0값을 가지므로 34.6%의 확률로 계산된다. 다음 그림 Fig.
또한 트위터 API는 대부분 Oauth 인증이 기본이므로, 해당 토큰을 확인하여, 통신패킷의 헤더에 토큰을 실어야 결과값을 가져올 수 있고 쇼핑몰 서버에 를 Restful 방식 API로 구현하였으며, 해당 URL을 실행하면 지정된 기능이 실행되고, Search API에서 확인되는 글에 대한 정보를 모두 JSON형식으로 결과 데이터를 받아와, 파싱을 한 뒤 의 <collect_sns_data> 테이블에 저장되어 관리하게 된다.
본 플랫폼은 유사도가 분석될 상품과 상품정보에 대한 유사도 상품 정보를 출력하고 최종적으로 추천 분석한 결과를 보여 주게 된다. 본 논문의 결과를 통해 고객의 성향에 맞는 개인화 서비스를 추진하고, 애완동물 삶의 전주기적 건강관리를 통해 애완동물 시장을 활성화시킬 수 있으며, 애완동물에 대한 데이터 구축 및 분석을 통해 다양한 산업에서 활용 가능하다. 구현 한 통합 플랫폼을 활용하여 반려동물 쇼핑몰을 운영하는 모 회사에서 반려동물에게 맞춤형 사료제작 및 의약품제작 등의 개인화서비스 추진하고 고객 니즈에 대한 선제적인 서비스 제공을 통해 중소기업의 경쟁력 확보 했다.

후속연구

구현 한 통합 플랫폼을 활용하여 반려동물 쇼핑몰을 운영하는 모 회사에서 반려동물에게 맞춤형 사료제작 및 의약품제작 등의 개인화서비스 추진하고 고객 니즈에 대한 선제적인 서비스 제공을 통해 중소기업의 경쟁력 확보 했다. 향 후 연구할 부분으로는 사용자의 구매정보와 애완동물의 사료 하루 섭취량을 병합하여 분석한다면 애완동물의 헬스케어시스템, 추천시스템 등에 고도화된 서비스가 가능할 것이다.
회원정보, 클릭정보, IoT착용형, IoT배급기에 대한 정보 수집 및 저장은 쇼핑몰 DB에 저장되고 대시보드 웹/애플리케이션의 경우, 내부 서버에 저장이 되어 있으며 추후에 활발한 분석활동을 할 예정이므로, 서버 리소스가 많이 필요하다.

참고문헌 (15)

C. Gurrin, A. F. Smeaton & A. R. Doherty. (2014). LifeLogging: Personal Big Data. Foundations and Trends in Information Retrieval, 8(2), 1-107.

상세보기
S. Niwattanakul, J. Singthongchai, E. Naenudorn, & S. Wanapu. (2013). Using Jaccard Coefficient for Keywords Similarity. Proceedings of the International MultiConference of Engineers and Computer Scientists, 1(2202), 380-384.
G. Karypis. (2001). Evaluation of Item-Based Top-N Recommendation Algorithms. Proc. of CIKM '01 Conference, 247-254.
J. L Herlocker, J. A. Konstan, L. G. Terveen & J. Riedl. (2001). Evaluating Collaborative Filtering Recommender Systems. ACM Transactions on Information Systems, 22(1), 5-53.
J. Horey, E. Begoli, R. Gunasekaran, S. Lim & J. Nutaro (2012). Big Data Platforms as a Service: Challenges and Approach. USENIX Workshop on Hot Topics in Cloud Computing (HotCloud). https://www.usenix.org/system/files/conference/hotcloud12/hotcloud12-final61.pdf
S. S. Weng & M. J. Liu. (2004). Feature-based recommendations for one-to-one marketing. Expert Systems with Applications,26(4),493-508.

상세보기
E. W. T. Ngai, Y. Hu, Y. H. Wong, Y. Chen & X. Sun. (2010). The application of data mining techniques in financial fraud detection: A classification framework and an academic review of literature. Decision Support Systems, 50, 559-569.
T. C. Fu. (2011). A Review on Time Series Data Mining. Engineering Application of Artificial Intelligence, 24(1), 164-181.

상세보기
Y. Zhu, Y. Fu & H. Fu. (2010). A New Class of Attacks on Time Series Data Mining. Intelligent Data Analysis, 14(3), 405-418.

상세보기
R. Agrawal & R. Srikant. (2000). Privacy-Preserving Data Mining. In Proc. of Conf. on Management of Data, ACM SIGMOD, Dallas, TX, 439-450.
S. T. Kim. (2016). Design of Convergence Platform for companion animal Personalized Services. Journal of the Korea Convergence Society, 7(6), 29-34. DOI : 10.15207/JKCS.2016.7.6.029

원문보기 상세보기
S. M. Bea & V. Torra. (2011). Trajectory Anonymization from a Time Series Perspective. In Proc. of IEEE Int'l Conf. on Fuzzy Systems, Taipei, Taiwan, 401-408.
S. H. Namn & K. S. Noh. (2015). A Study on the Effective Approaches to Big Data Planning. Journal of digital Convergence, 13(1), 227-235.
K. S. Noh. (2015). Convergence Analysis of Recognition and Influence on Big data in the e-Learning Field. Journal of digital Convergence, 13(10), 51-58.

원문보기 상세보기
H. Jung. (2015). The Analysis of Data on the basis of Software Test Data. Journal of digital Convergence, 13(10), 1-7.

원문보기 상세보기

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