Lee, Yunju
(Graduate School of Business IT, Kookmin University)
,
Lee, Jaejun
(Graduate School of Business IT, Kookmin University)
,
Ahn, Hyunchul
(Graduate School of Business IT, Kookmin University)
본 논문에서는 검색 키워드와 상품 상세정보를 활용한 Doc2vec 기반의 새로운 추천 모형을 제안한다. 지금까지 추천 시스템에 관한 많은 기존 연구에서는 고객의 구매 이력이나 평점 같은 정형 데이터만을 사용하는 협업 필터링(CF) 알고리즘에 기반한 추천 모델이 제안되었다. 그러나 CF에서 온라인 고객 리뷰와 같은 비정형 데이터를 사용하면, 보다 나은 추천결과를 도출할 수 있다. 이에 본 연구에서는 기존 연구에서 거의 활용되지 않았던 검색 키워드 정보와 상품 상세정보를 제품 추천에 활용할 것을 제안한다. 본 연구의 제안 모형은 고객이 구매한 상품에 대한 평점, 검색어, 상품 상세정보를 종합적으로 고려한 CF 알고리즘을 이용해 추천결과를 생성한다. 이 때 비정형 데이터로부터 정량적인 패턴을 추출하기 위한 방법으로는 Doc2vec이 적용된다. 실험 결과 제안 모형이 기존 추천 모형보다 더 나은 성능을 보이는 것을 알 수 있었고, 검색어 및 상품 상세정보가 추천에 유의한 영향을 미치는 것을 확인하였다. 본 연구는 고객의 온라인 행동 정보를 추천시스템에 적용하였다는 점과 전통적인 CF의 한계 중 하나인 콜드 스타트 문제를 완화하였다는 점에서 학술적 의의가 있다.
본 논문에서는 검색 키워드와 상품 상세정보를 활용한 Doc2vec 기반의 새로운 추천 모형을 제안한다. 지금까지 추천 시스템에 관한 많은 기존 연구에서는 고객의 구매 이력이나 평점 같은 정형 데이터만을 사용하는 협업 필터링(CF) 알고리즘에 기반한 추천 모델이 제안되었다. 그러나 CF에서 온라인 고객 리뷰와 같은 비정형 데이터를 사용하면, 보다 나은 추천결과를 도출할 수 있다. 이에 본 연구에서는 기존 연구에서 거의 활용되지 않았던 검색 키워드 정보와 상품 상세정보를 제품 추천에 활용할 것을 제안한다. 본 연구의 제안 모형은 고객이 구매한 상품에 대한 평점, 검색어, 상품 상세정보를 종합적으로 고려한 CF 알고리즘을 이용해 추천결과를 생성한다. 이 때 비정형 데이터로부터 정량적인 패턴을 추출하기 위한 방법으로는 Doc2vec이 적용된다. 실험 결과 제안 모형이 기존 추천 모형보다 더 나은 성능을 보이는 것을 알 수 있었고, 검색어 및 상품 상세정보가 추천에 유의한 영향을 미치는 것을 확인하였다. 본 연구는 고객의 온라인 행동 정보를 추천시스템에 적용하였다는 점과 전통적인 CF의 한계 중 하나인 콜드 스타트 문제를 완화하였다는 점에서 학술적 의의가 있다.
In this paper, we propose a novel recommendation model based on Doc2vec using search keywords and product details. Until now, a lot of prior studies on recommender systems have proposed collaborative filtering (CF) as the main algorithm for recommendation, which uses only structured input data such ...
In this paper, we propose a novel recommendation model based on Doc2vec using search keywords and product details. Until now, a lot of prior studies on recommender systems have proposed collaborative filtering (CF) as the main algorithm for recommendation, which uses only structured input data such as customers' purchase history or ratings. However, the use of unstructured data like online customer review in CF may lead to better recommendation. Under this background, we propose to use search keyword data and product detail information, which are seldom used in previous studies, for product recommendation. The proposed model makes recommendation by using CF which simultaneously considers ratings, search keywords and detailed information of the products purchased by customers. To extract quantitative patterns from these unstructured data, Doc2vec is applied. As a result of the experiment, the proposed model was found to outperform the conventional recommendation model. In addition, it was confirmed that search keywords and product details had a significant effect on recommendation. This study has academic significance in that it tries to apply the customers' online behavior information to the recommendation system and that it mitigates the cold start problem, which is one of the critical limitations of CF.
In this paper, we propose a novel recommendation model based on Doc2vec using search keywords and product details. Until now, a lot of prior studies on recommender systems have proposed collaborative filtering (CF) as the main algorithm for recommendation, which uses only structured input data such as customers' purchase history or ratings. However, the use of unstructured data like online customer review in CF may lead to better recommendation. Under this background, we propose to use search keyword data and product detail information, which are seldom used in previous studies, for product recommendation. The proposed model makes recommendation by using CF which simultaneously considers ratings, search keywords and detailed information of the products purchased by customers. To extract quantitative patterns from these unstructured data, Doc2vec is applied. As a result of the experiment, the proposed model was found to outperform the conventional recommendation model. In addition, it was confirmed that search keywords and product details had a significant effect on recommendation. This study has academic significance in that it tries to apply the customers' online behavior information to the recommendation system and that it mitigates the cold start problem, which is one of the critical limitations of CF.
본 연구는 고객의 구매 이력만을 고려한 추천시스템의 성능 한계를 해결하기 위해, 고객의 검색패턴 및 비정형 상품 상세정보를 활용한 추천시스템을 제안하였다. 추천시스템의 성능을 개선하기 위한 연구는 활발히 진행되고 있지만 대부분 새로운 알고리즘 개발과 관련한 연구이거나, 구매 여부, 평점과 같은 정형 데이터만을 고려한 연구가 많았다.
제안 방법
구체적으로, 본 연구의제안모델은 고객의 구매 이력 데이터와 함께 비정형 데이터인 고객 검색 키워드 데이터, 상품 상세정보 데이터를 결합하여 고객의 정형·비정형 데이터를 함께 고려한 추천시스템을 제안하였다
본 연구가 제안하는 모형은 고객의 구매 이력 데이터뿐만 아니라 비정형 데이터인 고객의 검색패턴과 상품 상세정보를 활용한 추천 알고리즘으로, 구매 이력을 기반한 전통적인 추천시스템과 추천 성능을 비교하기 위하여 상위 N개 상품을 추천하고자 하였다. 또한 추천 성과 측정을 위해 F1-measure를 계산하여 비교하였다.
본 연구는 제안 모형과 함께 전통적 연구 모형을 구축하여 비교하고자 하였다. 본 연구의 전통적 연구 모형은 구매 이력 기반의 협업필터링 알고리즘을 적용한 추천 모형으로 설계하였으며, 제안 모형은 고객의 검색패턴 및 비정형 상품 상세정보를 기반한 추천 모형으로 설계하였다.
본 연구는 제안 모형과 함께 전통적 연구 모형을 구축하여 비교하고자 하였다. 본 연구의 전통적 연구 모형은 구매 이력 기반의 협업필터링 알고리즘을 적용한 추천 모형으로 설계하였으며, 제안 모형은 고객의 검색패턴 및 비정형 상품 상세정보를 기반한 추천 모형으로 설계하였다. 연구의 절차는 크게 7단계로 구성되고, 전체적인 흐름은 Fig.
상위 N개 상품 추천 방법은 추천 대상 고객의 선호도가 가장 높을 것이라 예상되는 상품 N개를 추천하는 방식으로, 본 연구에서는 상위 3개, 5개, 7개를 선정하였으며, 각 추천 개수에 따른 F1-measure를 계산하였다. 실험 결과는 다음 Table 2와 같다.
제안 모형은 고객의 구매 이력 데이터, 고객이 검색한 키워드 데이터, 고객이 구매한 상품의 상세정보 데이터를 모두 활용하여 각각의 고객-상품 매트릭스를 구축하는데, 이때 전통적 연구 모형과의 추천 성능 비교를 위해 같은 고객의 데이터를 사용한다.
대상 데이터
본 연구는 고객의 비정형 데이터인 온라인 행동 정보를 활용하여 추천시스템 모형에 적용하였다는 점에서 의의가 있다. 그간 추천시스템 연구 중 성능 개선을 위해 새로운 데이터를 활용한 경우는 대부분 평점이나 구매 여부와 같은 정형 데이터를 사용하였다. 최근 비정형 데이터를 활용한 추천시스템 연구가 활발하게 진행되고 있지만, 이러한 경우도 대다 수가리뷰 데이터를 사용한 연구였다.
또한 고객이 구매한 상품의 상세정보 데이터를 수집하고자 롯데쇼핑의 온라인 유통 채널인 롯데온(Lotte On)에서 고객 구매 이력 데이터를 기반으로 고객이 구매한 상품의 상세정보를 크롤링하였다. 상세정보 데이터는 상품 판매자가 올린 상품 카탈로그이며, 대부분 이미지 형식으로 이루어져 있다.
먼저 대표적 검색 엔진인 구글(Google)에서 고객이 구매한 상품의 상품명을 그대로 검색하되, 롯데온 사이트 혹은 롯데 계열사 사이트가 검색될 수 있도록 검색어와 관련이 있는 사이트 검색이 가능한 검색 연산자 ‘related:’를 사용하였다.
상세정보 데이터는 상품 판매자가 올린 상품 카탈로그이며, 대부분 이미지 형식으로 이루어져 있다. 본 연구는 2020년 9월 22일부터 10월 5일까지 Python을 사용하여 총 2,716개 상품의 상세정보 이미지 35, 299개를 수집하였다.
데이터처리
본 연구가 제안하는 모형은 고객의 구매 이력 데이터뿐만 아니라 비정형 데이터인 고객의 검색패턴과 상품 상세정보를 활용한 추천 알고리즘으로, 구매 이력을 기반한 전통적인 추천시스템과 추천 성능을 비교하기 위하여 상위 N개 상품을 추천하고자 하였다. 또한 추천 성과 측정을 위해 F1-measure를 계산하여 비교하였다.
이론/모형
본 연구의 전통적 연구 모형에는 고객의 구매 이력 데이터가 사용되며, 가장 일반적인 협업필터링 방법론으로 알려진 사용자 기반 협업필터링 알고리즘으로 설계되었다.
추천 성과 측정을 위한 지표는 재현율(Recall)과 정확률 (Precision)을 동일한 가중치로 결합한 F1-measure(4)를 사용한다. 재현율(5)은 추천 대상인 고객이 실제 구매한 상품 중에서 추천 알고리즘에 의해 추천된 상품의 비율로 정의되며, 정확률(6)은 추천 알고리즘에 의해 추천된 상품 중에서 고객이 실제 구매한 상품의 비율로 정의된다.
성능/효과
구체적으로, 본 연구의제안모델은 고객의 구매 이력 데이터와 함께 비정형 데이터인 고객 검색 키워드 데이터, 상품 상세정보 데이터를 결합하여 고객의 정형·비정형 데이터를 함께 고려한 추천시스템을 제안하였다. 결과적으로, 제안 모형은 전통적 추천 모형보다 높은 추천 성능을 보였으며 추천 상품의 수가 증가할수록 구매 이력 데이터보다 고객의 온라인 행동 정보가 더 유익한 영향을 미치는 것으로 확인되었다.
온라인 쇼핑몰의 경우 고객의 리뷰 데이터 외에 고객의 구매 활동과 관련된 여러 비정형 데이터가 존재하지만 이러한 데이터에 주목하여 진행된 연구는 많지 않았다. 그러나 본 연구는 고객의 온라인 행동 정보에 주목하고 고객의 검색 키워드 이력과 고객이 구매한 상품의 상세정보를 Doc2vec 기법을 사용하여 추천 모형에 활용함으로써 기존 연구와 차별성을 갖고, 학술적인 의의를 지닌다고 할 수 있다.
일반적으로 협업필터링은 구매 이력이나 평점 등의 데이터를 기반으로 추천하기 때문에, 구매하지 않았거나 구매 기록이 적은 신규 고객과 구매 상품에 대해 평점 및 리뷰를 남기지 않은 고객에게는 추천이 어렵다는 한계가 있다. 그러나 본 연구에서 활용하는 데이터는 고객의 검색 키워드와 고객이 구매한 상품의 상세정보로, 온라인 쇼핑몰에서 구매 단계로 이어지지 않고 검색단계까지 행동한 고객의 경우 해당 고객의 검색 이력만으로도 상품 추천이 가능하다는 장점이 있다. 또한 온라인쇼핑몰 이용 고객 중 검색 단계 없이 바로 구매 단계로 이어진 고객에게는 구매한 상품의 상세정보를 통해 상품의 특성을 추출하여 추천시스템에 반영이 가능하다.
이때 결합한 매트릭스의 비율은 상세정보가 가장 높았으며, 비정형 데이터 기반 매트릭스의 비율이 89%를 차지하였다. 다음으로 성능이 개선된 Top 7의 경우, 결합한 매트릭스의 비율은 키워드가 가장 높았으며, 비정형 데이터 기반 매트릭스의 비율이 96%를 차지하였다. 마지막으로 Top3 의 경우에도 제안 모형이 전통적 연구 모형보다 높은 f1-measure 값을 기록하였으며 추천 성능이 개선됨을 보였다.
연구에 사용된 데이터는 이러한 상품은 제외하고 수집하였기에 향후 연구에서는 더욱 확장된 크기의 최신 데이터를 사용하여야 할 것이다. 또한 본 연구의 결과에서 상품 5개를 추천한 Top 5, 7개를 추천한 Top 7의 경우 결합한 매트릭스의 비정형 데이터 기반 매트릭스의 비율은 높으나 Top 5의 경우 상세정보 기반 매트릭스가, Top 7의 경우 키워드 기반 매트릭스의 비율이 훨씬 높게 반영되었다. 이러한 점으로 보아 두데이터가 서로 배타적임을 알 수 있었는데, 향후 연구에서는 이러한 점에 주목하여 온라인 쇼핑몰의 여러 비정형 데이터를 활용한 확장 연구를 진행할 필요가 있다.
그러나 본 연구에서 활용하는 데이터는 고객의 검색 키워드와 고객이 구매한 상품의 상세정보로, 온라인 쇼핑몰에서 구매 단계로 이어지지 않고 검색단계까지 행동한 고객의 경우 해당 고객의 검색 이력만으로도 상품 추천이 가능하다는 장점이 있다. 또한 온라인쇼핑몰 이용 고객 중 검색 단계 없이 바로 구매 단계로 이어진 고객에게는 구매한 상품의 상세정보를 통해 상품의 특성을 추출하여 추천시스템에 반영이 가능하다.
이는 정형 데이터만 고려한 추천시스템보다 비정형 데이터를 함께 고려한 추천시스템의 성능이 모든 경우에서 향상되었음을 알 수 있다. 또한 추천 상품 수가 증가할수록 제안 모형의 매트릭스 결합 비율이 정형 데이터보다 비정형 데이터가 높은 것으로 보아, 더 많은 상품을 추천하기 위해선 구매 이력 정보보다는 고객의 온라인 행동 정보가 더 유익함을 알 수 있었다. 그런데 Top 5, Top 7의 경우 각각의 키워드 정보와 상품 상세정보가 서로 상호보완적이지 못한 관계를 보여 키워드 정보와 상세정보는 각각 배타적으로 유익한 영향을 미침을 알 수 있다.
또한, 본 연구는 제안 모형을 통해 전통적인 협업 필터링의 한계를 극복하였다. 일반적으로 협업필터링은 구매 이력이나 평점 등의 데이터를 기반으로 추천하기 때문에, 구매하지 않았거나 구매 기록이 적은 신규 고객과 구매 상품에 대해 평점 및 리뷰를 남기지 않은 고객에게는 추천이 어렵다는 한계가 있다.
다음으로 성능이 개선된 Top 7의 경우, 결합한 매트릭스의 비율은 키워드가 가장 높았으며, 비정형 데이터 기반 매트릭스의 비율이 96%를 차지하였다. 마지막으로 Top3 의 경우에도 제안 모형이 전통적 연구 모형보다 높은 f1-measure 값을 기록하였으며 추천 성능이 개선됨을 보였다. 이때 비정형데이터 기반 매트릭스 비율은 68%로, 위의 결과와 함께 분석한 결과 제안 모형의 모든 경우에서 비정형 데이터 기반 매트릭스 비율이 정형 데이터 기반 매트릭스보다 상대적으로 높음을 알 수 있다.
이는 정형 데이터만 고려한 추천시스템보다 비정형 데이터를 함께 고려한 추천시스템의 성능이 모든 경우에서 향상되었음을 알 수 있다. 또한 추천 상품 수가 증가할수록 제안 모형의 매트릭스 결합 비율이 정형 데이터보다 비정형 데이터가 높은 것으로 보아, 더 많은 상품을 추천하기 위해선 구매 이력 정보보다는 고객의 온라인 행동 정보가 더 유익함을 알 수 있었다.
전통적 연구 모형과 비교하여 가장 성능이 개선된 경우는 Top 5로, 또한 모든 경우에서 가장 높은 성능을 보였다. 이때 결합한 매트릭스의 비율은 상세정보가 가장 높았으며, 비정형 데이터 기반 매트릭스의 비율이 89%를 차지하였다. 다음으로 성능이 개선된 Top 7의 경우, 결합한 매트릭스의 비율은 키워드가 가장 높았으며, 비정형 데이터 기반 매트릭스의 비율이 96%를 차지하였다.
마지막으로 Top3 의 경우에도 제안 모형이 전통적 연구 모형보다 높은 f1-measure 값을 기록하였으며 추천 성능이 개선됨을 보였다. 이때 비정형데이터 기반 매트릭스 비율은 68%로, 위의 결과와 함께 분석한 결과 제안 모형의 모든 경우에서 비정형 데이터 기반 매트릭스 비율이 정형 데이터 기반 매트릭스보다 상대적으로 높음을 알 수 있다.
Table 2를 보면, 모든 경우에서 제안 모형의 성능이 전통적 연구 모형보다 좋음을 알 수 있다. 전통적 연구 모형과 비교하여 가장 성능이 개선된 경우는 Top 5로, 또한 모든 경우에서 가장 높은 성능을 보였다. 이때 결합한 매트릭스의 비율은 상세정보가 가장 높았으며, 비정형 데이터 기반 매트릭스의 비율이 89%를 차지하였다.
후속연구
추천시스템의 성능을 개선하기 위한 연구는 활발히 진행되고 있지만 대부분 새로운 알고리즘 개발과 관련한 연구이거나, 구매 여부, 평점과 같은 정형 데이터만을 고려한 연구가 많았다. 그러나 최근 몇몇 선행 연구로부터 평점 데이터의 고객 선호도 설명력에 대한 의문이 제기되었고, 리뷰 데이터로 인한 희소성(Sparsity)이 문제가 되면서 이러한 한계를 보완하기 위해 더욱 다양한 비정형 데이터를 활용한 추천 연구가 필요할 것으로 보인다.
본 연구가 사용한 데이터는 고객 간 중복 거래량이 많지 않았으며, 2018년도에 공개된 데이터를 사용하였기 때문에 상품 상세정보 수집 때 판매가 종료된 상품은 상세 페이지가 사라져 데이터 수집이 어려웠다. 연구에 사용된 데이터는 이러한 상품은 제외하고 수집하였기에 향후 연구에서는 더욱 확장된 크기의 최신 데이터를 사용하여야 할 것이다. 또한 본 연구의 결과에서 상품 5개를 추천한 Top 5, 7개를 추천한 Top 7의 경우 결합한 매트릭스의 비정형 데이터 기반 매트릭스의 비율은 높으나 Top 5의 경우 상세정보 기반 매트릭스가, Top 7의 경우 키워드 기반 매트릭스의 비율이 훨씬 높게 반영되었다.
그런데 비정형 데이터를 사용한 추천 연구는 대부분 리뷰 데이터를 기반하여 진행되었으며, 리뷰 데이터가 아닌 비정형 데이터를 활용한 시도는 비교적 많지 않았다. 온라인 쇼핑몰과 같이 추천시스템을 활발히 사용하고, 다양한 비정형 데이터를 얻을 수 있는 산업의 경우 고객의 리뷰만으로 추천을 하는 것은 추천 성능의 한계가 있을 것으로 보이며, 이에 따라 다양한 비정형 데이터를 고려한 추천 연구가 필요할 것으로 보인다.
또한 본 연구의 결과에서 상품 5개를 추천한 Top 5, 7개를 추천한 Top 7의 경우 결합한 매트릭스의 비정형 데이터 기반 매트릭스의 비율은 높으나 Top 5의 경우 상세정보 기반 매트릭스가, Top 7의 경우 키워드 기반 매트릭스의 비율이 훨씬 높게 반영되었다. 이러한 점으로 보아 두데이터가 서로 배타적임을 알 수 있었는데, 향후 연구에서는 이러한 점에 주목하여 온라인 쇼핑몰의 여러 비정형 데이터를 활용한 확장 연구를 진행할 필요가 있다.
참고문헌 (32)
M. D. Ekstrand, J. T. Riedl, and J. A. Konstan, "Collaborative filtering recommender systems," Foundations and Trends® in Human-Computer Interaction, Vol. 4, No. 2, pp. 81-173, May 2011. https://doi.org/10.1561/1100000009
M. G. Kim, and K. J. Kim, "Recommender Systems using Structural Hole and Collaborative Filtering," Journal of Intelligence and Information Systems, Vol. 20, No. 4, pp. 107-120, Dec. 2014. http://dx.doi.org/10.13088/jiis.2014.20.4.107
J. S. Lee, J. Y. Kim, and B. W. Kang, "A Study on Improvement of Collaborative Filtering Based on Implicit User Feedback Using RFM Multidimensional Analysis," Journal of Intelligence and Information Systems, Vol. 25, No. 1, pp. 139-161, Mar. 2019. http://dx.doi.org/10.13088/jiis.2019.25.1.139
J. Y. Hyun, S. Y. Ryu, and S. Y. Lee, "How to improve the accuracy of recommendation systems : Combining ratings and review texts sentiment scores," Journal of Intelligence and Information Systems, Vol. 25, No. 1, pp. 219-239, Mar. 2019. http://dx.doi.org/10.13088/jiis.2019.25.1.219
M. Srifi, A. Oussous, A. A. Lahcen, and S. Mouline, "Recommender Systems Based on Collaborative Filtering Using Review Texts-A Survey," Information, Vol. 11, No. 6, id.317, Jun. 2020. https://doi.org/10.3390/info11060317
S. Y. Yun, and S. D, Yoon, "Item-Based Collaborative Filtering Recommendation Technique Using Product Review Sentiment Analysis," Journal of the Korea Institute of Information and Communication Engineering, Vol. 24, No. 8, pp. 970-977, Oct. 2020. http://doi.org/10.6109/jkiice.2020.24.8.970
C. Katawetawaraks, and C. Wang, "Online shopper behavior: Influences of online shopping decision," Asian Journal of Business Research, Vol. 1, No. 2, Oct. 2011. http://doi.org/10.14707/ajbr.110012
C. Wu, and M. Yan, "Session-aware information embedding for e-commerce product recommendation," In Proceedings of the 2017 ACM on conference on information and knowledge management, pp. 2379-2382, Nov. 2017. https://doi.org/10.1145/3132847.3133163
J. K. Kim, D. H. Ahn, and Y. H. Cho, "A Presonalized Recommender System, WebCF-PT: A Collaborative Filtering using Web Mining and Product Taxonomy," Asia Pacific Journal of Information Systems, Vol. 15, No. 1, pp. 63-79, May 2005. G704-000077.2005.15.1.001
H. C. Ahn, "Improvement of a Context-aware Recommender System through Users Emotional State Prediction," Journal of Information Technology Applications & Management, Vol. 21, No. 4, pp. 203-223, Dec. 2014. G704-000870.2014.21.4.012
M. J. Pazzani, and D. Billsus, "Content-based recommendation systems," In The adaptive web, pp. 325-341, Springer, Berlin, Heidelberg, 2007. http://doi.org/10.1.1.130.8327
M. J. Ku, and H. C. Ahn, "A Hybrid Recommender System based on Collaborative Filtering with Selective Use of Overall and Multicriteria Ratings," Journal of Intelligence and Information Systems, Vol. 24, No. 2, pp. 85-109, Jun. 2018. http://dx.doi.org/10.13088/jiis.2018.24.2.085
J. H. Kim, H. J. Jo, and B. M. Kim. "Game Recommendation System Based on User Ratings," Journal of the Korea Industrial Information Systems Research, Vol. 23, No. 6, pp. 9-19, Dec. 2018. http://dx.doi.org/10.9723/jksiis.2018.23.6.009
G. Guo, J. Zhang, D. Thalmann, and N. Yorke-Smith, "Leveraging prior ratings for recommender systems in e-commerce," Electronic Commerce Research and Applications, Vol. 13, No. 6, pp. 440-455, Nov. 2014. http://doi.org/10.1016/j.elerap.2014.10.003
J. E. Son, S. B. Kim, H. J. Kim, and S. Z. Cho, "Review and Analysis of Recommender Systems," Journal of the Korean Institute of Industrial Engineers, Vol. 41, No. 2, pp. 185-208, Apr. 2015. http://dx.doi.org/10.7232/JKIIE.2015.41.2.185
X. Su, and T. M. Khoshgoftaar, "A survey of collaborative filtering techniques," Advances in artificial intelligence, Oct. 2009. http://doi.org/10.1155/2009/421425
S. I. Choi, Y. J. Hyun, and N. G. Kim, "Improving Performance of Recommendation Systems Using Topic Modeling," Journal of Intelligence and Information Systems, Vol. 21, No. 3, pp. 101-116, Sep. 2015. http://dx.doi.org/10.13088/jiis.2015.21.3.101
J. H. Su, W. Y. Chang, and V. S. Tseng, "Effective social content-based collaborative filtering for music recommendation," Intelligent Data Analysis, Vol. 21, No. S1, S195-S216, Feb. 2017 https://doi.org/10.3233/IDA-170878
Y. Ma, G. Chen, and Q. Wei, "Finding users preferences from large-scale online reviews for personalized recommendation," Electronic Commerce Research, Vol. 17, No. 1, pp. 3-29, Mar. 2017. https://doi.org/10.1007/s10660-016-9240-9
S. Y. Cho, J. E. Choi, K. H. Lee, and H. W. Kim, "An Online Review Mining Approach to a Recommendation System," Information Systems Review, Vol. 17, No. 3, pp. 95-111, Dec. 2015. http://dx.doi.org/10.14329/isr.2015.17.3.095
S. E. Cho, and H. S. Lim, "A Study on Product Recommendation System Based on User Search keyword," Journal of Digital Contents Society, Vol. 20, No. 2, pp. 315-320, Feb. 2019.. http://dx.doi.org/10.9728/dcs.2019.20.2.315
R. K. Lee, N. H. Chung, and T. H. Hong, "Developing the online reviews based recommender models for multi-attributes using deep learning," The Journal of Information Systems, Vol. 28, No. 1, pp. 97-114, Mar. 2019. http://dx.doi.org/10.5859/KAIS.2019.28.1.97
H. G. Chae, S. U. Park, and J. Y. Kang, "Applying RSS Marketing on Internet Shopping Malls Based on AISAS Model," The Journal of Society for e-Business Studies, Vol. 13, No. 3, pp. 21-49, Oct. 2008. G704-000612.2008.13.3.007
H. K. Koo, "Purchasing Behavior of AISAS Process According to the Generations for Fashion Products," Korea Science & Art Forum, Vol. 9, pp. 15-26, Dec. 2011. G704-SER000015040.2011.9..008
C. Wu, and M. Yan, "Session-aware information embedding for e-commerce product recommendation," In Proceedings of the 2017 ACM on Conference on Information and Knowledge Management, pp. 2379-2382, Nov. 2017. https://doi.org/10.1145/3132847.3133163
J. W. Jeong, W. S. Hwang, H. J. Lee, and S. W. Kim, "Recommendation Exploiting Search-Keywords in Online Shopping," KIISE a collection of academic presentation papers 39(2C), pp. 95-97, Korea, Nov. 2012. I410-ECN-0101-2014-569-0007478306
J. Ding, G. Yu, Y. Li, X. He, and D. Jin, "Improving Implicit Recommender Systems with Auxiliary Data," ACM Transactions on Information Systems (TOIS), Vol. 38, No. 1, pp. 1-27, Feb. 2020. http://doi.org/10.1145/3372338
V. T. Phi, L. Chen, and Y. Hirate, "Distributed representation based recommender systems in e-commerce," In DEIM Forum, 2016.
Q. Le, and T. Mikolov, "Distributed representations of sentences and documents," In International Conference on Machine Learning, pp. 1188-1196, Jan. 2014.
T. Mikolov, I. Sutskever, K. Chen, G. S. Corrado, and J. Dean, "Distributed representations of words and phrases and their compositionality" Advances in Neural Information Processing Systems, Vol. 26, pp. 3111-3119, Dec. 2013. https://dl.acm.org/doi/10.5555/2999792.2999959
Lotte Members, L.pay|L.POINT, 제5회 L.POINT Big Data Competition
R. Mithe, S. Indalkar, and N. Divekar, "Optical character recognition," International Journal of Recent Technology and Engineering (IJRTE), Vol. 2, No. 1, pp. 72-75, May 2013. http://doi.org/10.3403/00116062
※ AI-Helper는 부적절한 답변을 할 수 있습니다.