$\require{mediawiki-texvc}$

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.

전자상거래에서 고객 행동 정보와 구매 기록을 활용한 딥러닝 기반 개인화 추천 시스템
Deep Learning-Based Personalized Recommendation Using Customer Behavior and Purchase History in E-Commerce 원문보기

정보처리학회논문지. KIPS transactions on software and data engineering. 소프트웨어 및 데이터 공학, v.11 no.6, 2022년, pp.237 - 244  

홍다영 (고려대학교 의학통계학협동과정) ,  김가영 (성균관대학교 인공지능학과) ,  김현희 (동덕여자대학교 정보통계학과)

초록
AI-Helper 아이콘AI-Helper

본 논문은 고객의 온라인 행동 정보와 구매 기록을 활용하여 기존의 추천 시스템이 갖는 데이터 희소성의 문제와 콜드 스타트 문제를 해결하고자 VAE 기반 추천 시스템을 제시하였다. 고객의 구매 기록을 임베딩하고 차원 축소하여 단일 변수로 생성하였으며, 온라인 행동 정보를 활용하여 학습을 통해 고객의 잠재 요인을 추출하는데 Variational Autoencoders를 적용하였다. VAE 기반 추천 시스템은 총 12개의 고객의 특성 변수에 VAE를 적용하여 저차원의 벡터를 생성한 뒤 이를 통해 유사 사용자를 찾은 다음, 유사 사용자들이 구매했던 상품들을 고객에게 추천한다. 이렇게 추천한 상품들의 점수를 매겨 nDCG로 성능을 평가하였다. 실험 결과 구매 기록 변수 그리고 온라인 행동 로그 변수를 활용한 VAE 기반의 추천시스템이 SVD 기반의 추천 시스템보다 성능이 좋다는 것을 알 수 있었다. 따라서 고객의 온라인 행동 로그 및 구매 기록을 사용하여 상품을 추천하면 정보 수집에 발생하는 비용과 시간을 줄일 수 있을 뿐만이 아니라 기존 추천 시스템보다 더욱 효율적으로 상품을 추천할 수 있다는 것을 보여주었다.

Abstract ▼ AI-Helper 아이콘AI-Helper

In this paper, we present VAE-based recommendation using online behavior log and purchase history to overcome data sparsity and cold start. To generate a variable for customers' purchase history, embedding and dimensionality reduction are applied to the customers' purchase history. Also, Variational...

주제어

#온라인 행동 정보   #구매 기록 정보   #VAE 기반 추천   #잠재 요인 추출  

표/그림 (7)

참고문헌 (20)

  1. S. Zhang, L. Yao, A. Sun, and Y. Tay, "Deep learning based recommender system: A survey and new perspectives," ACM Computing Surveys, Vol.1, No.1, pp.1-35, 2018. 

    상세보기 crossref

  2. R. Mu, X. Zeng, and L. Han, "A survey of recommender systems based on deep learning," IEEE Access, Vol.6, pp. 69009-69022, 2018. 

    상세보기 crossref

  3. A. Da'u and N. Salim, "Recommendation system based on deep learning methods: A systematic review and new directions," Artificial Intelligence Review, Vol.53, No.4, pp.2709-2847, 2020. 

    상세보기 crossref

  4. Y. Koren, R. Bell, and C. Volinsky, "Matrix Factorization Techniques for Recommender Systems," IEEE Computer, Vol. 42, No.8, pp.30-37, 2009. 

  5. S. Sedhain, A. K. Menon, S. Scanner, and L. Xie, "AutoRec: Autoencoders meet collaborative filtering," In Proceedings of the 24th International Conference on World Wide Web, May 2015. 

  6. H. J. Xue, X. Y. Dai, J. Zhang, S. Huang, and J. Chen, "Deep matrix factorization models for recommender systems," In Proceedings of the 26th International Joint Conference on Artificial Intelligence, pp.3203-3209, 2017. 

  7. D. P. Kingma, "Auto-encoding variational bayes," In Proceedings of the 2nd International Conference on Learning Representations (ICLR), Apr. 2014. 

  8. D. Liang, R. G. Krishnan, M. D. Hoffman, and T. Jebara, "Variational autoencoders for collaborative filtering," In Proceedings of the 24th International Conference on World Wide Web, Apr. 2018. 

  9. I. Shenbin, A. Alekseev, E. Tutubalina, V. Malykh, and S. I. Nikolenko, "RecVAE: A new variational autoencoder for Top-N recommendations with implicit feedback," In Proceedings of the Web Search and Data Mining , Feb. 2020. 

  10. X. He, L. Liao, H. Zhang, L. Nie, X. Hu, and T-S Chua, "Neural collaborativ filtering," In Proceedings of the International Conference on World Wide Web, Apr. 2017. 

  11. Y. Wang, L. Wang, Y. Li, D. He, T. Y. Liu, and W. Chen, "A Theoretical Analysis of NDCG Ranking Measures," In Proceedings of 26th Annual Conference on Learning Theory, 2013. 

  12. G. Kim, J. Kwak, D. Hong, and H. H. Kim, "A variational autoencoders based recommendation using the online behavior log," In Proceedings of the Korean Institute of Information Scientists and Engineers, pp.1147-1149, 2020. 

  13. Y. Jung and Y. Cho, "Topic modeling-based book recommendations considering online purchase behavior," Knowledge Management Research, Vol.18, No.4, pp.97-118, 2017. 

  14. H. Lee, S. Hong, J. Bang, and H. Kim, "A study on the music recommendation based on user playlist using data embedding," The Journal of Korean Institute of Information Technology, Vol.18, No.9, pp.27-34, 2020. 

    상세보기 crossref

  15. Y. Guan, Q. Wei, and G. Chen, "Deep learning based personalized recommendation with multi-view information integration," Decision Support Systems, Vol.118, pp.58-69, 2019. 

    상세보기

  16. X. Li and J. She, "Collaborative variational autoencoder for recommender systems," In Proceedings of ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, Aug. 2017. 

  17. D. P. Kingma and M. Welling, "An introduction to variational autoencoders," Foundations and Trends in Machine Learning, Vol.12, No.4, pp.15-32, 2019. 

  18. M. G. Kim and K. Kim, "Recommender systems using SVD with social network information," Journal of Intelligent Information Systems, Vol.22, No.4, pp.1-18, 2016. 

  19. Y. Wang, L. Wang, Y. Li, D. He, W. Chen, and T. Y. Liu, "A theoretical analysis of normalized discounted cumulative gain (NDCG) ranking measures," In Proceedings of the 26th Annual Conference on Learning Theory (COLT), 2013. 

  20. K. Jaevelin and J. Kekaelaeinen, "Cumulated gain-based evaluation of IR techniques," ACM Transactions on Information Systems, Vol.20, No.4, pp.422-446, 2022. 

    상세보기 crossref

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

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