[논문]온라인 쇼핑몰 데이터를 이용한 개인화 추천 모델 성능 비교 분석

오재동; 오하영

doi:10.6109/jkiice.2022.26.9.1293

온라인 쇼핑몰 데이터를 이용한 개인화 추천 모델 성능 비교 분석
A Comparative Analysis of Personalized Recommended Model Performance Using Online Shopping Mall Data 원문보기

한국정보통신학회논문지 = Journal of the Korea Institute of Information and Communication Engineering, v.26 no.9, 2022년, pp.1293 - 1304

오재동 (Aritificial Intelligence Convergence, Sungkyunkwan University) , 오하영 (College of Computing and Informatics, Sungkyunkwan University)

초록
AI-Helper

개인화 추천시스템은 각 개인의 관심사나 선호도를 분석하여 이에 맞는 정보나 제품을 추천해주는 것을 의미한다. 이러한 개인화 추천을 통해 소비자들은 본인에게 필요한 제품들을 보다 빠르게 접함으로써 정보 탐색에 소모하는 시간을 단축할 수 있으며, 기업들은 소비자들의 필요에 맞는 적절한 제품을 추천해줌으로써 기업 이윤을 증가시킬 수 있다. 본 연구에서는 대표적인 개인화 추천 기법들인 협업 필터링, 행렬 요인화, 딥러닝을 사용하여 소비자에게 제품을 추천해준다. 이를 위해 원데이터 (Raw data)인 쇼핑몰 상품 구매 후기 데이터세트를 추천시스템의 입력으로 전달하기 위한 형태로 전처리하고, 전처리한 데이터세트를 다각도로 분석해본다. 또한, 각각의 모델들이 추천한 결과에 대해 검증 및 성능 비교를 수행하고 최적의 성능을 보이는 모델을 탐색하여 이후 해당 쇼핑몰에서 추천시스템 구축 시 어떤 모델을 사용하는 것이 좋을지를 제시한다.

Abstract ▼ AI-Helper

The personalization recommendation system means analyzing each individual's interests or preferences and recommending information or products accordingly. These personalized recommendations can reduce the time consumers spend searching for information by accessing the products they need more quickly, and companies can increase corporate profits by recommending appropriate products that meet their needs. In this study, products are recommended to consumers using collaborative filtering, matrix factorization, and deep learning, which are representative personalization recommendation techniques. To this end, the data set after purchasing shopping mall products, which is raw data, is pre-processed in the form of transmitting the data set to the input of the recommended system, and the pre-processed data set is analyzed from various angles. In addition, each model performs verification and performance comparison on the recommended results, and explores the model with optimal performance, suggesting which model should be used when building the recommendation system at the mall.

주제어

표/그림 (17)

표 Table. 1 Comparison table of the previous work [9-11]
그림 Fig. 1 Matrix Factorization
그림 Fig. 2 Site usage ranking by pet type
표 Table. 2 Data table
그림 Fig. 3 Site sales ranking by product category
그림 Fig. 4 RMSE values according to change in K values (Collaborative Filtering)
그림 Fig. 5 RMSE values according to change in K values (Matrix Factorization)
그림 Fig. 6 RMSE values according to the number of epochs (Matrix Factorization)
그림 Fig. 7 Top-5 Product Recommendations
그림 Fig. 8 Basic Neural-Network model structure
그림 Fig. 9 Train & Test RMSE values according to number of epochs (basic NN)
그림 Fig. 10 Deep Neural-Network model structure
그림 Fig. 11 Train & Test RMSE values according to number of epochs (Deep NN)
그림 Fig. 12 Top-5 Product Recommendations
그림 Fig. 13 Model performance comparison
그림 Fig. 14 ROC-Curve for each model
표 Table. 3 MF_tuned model performance assessment

참고문헌 (22)

J. Son, S. B. Kim, H. Kim, and S. Cho, "Review and Analysis of Recommender Systems," Journal of Korean Institute of Industrial Engineers, vol. 41, no. 2. pp. 185-208, Apr. 2015.
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.
I. Im, Personalization Recommendation System Using Python, 1st ed. Seoul: CRbooks, 2020.
Introduction to recommender systems [Internet]. Available: https://thingsolver.com/introduction-to-recommender-systems/.
How Netflix Works. electronics [Internet]. Available: https://electronics.howstuffworks.com/netflix2.htm.
Amazon's Product Recommendation System In 2021: How Does The Algorithm Of The eCommerce Giant Work? [Internet]. Available: https://recostream.com/blog/amazon-recommendation-system.
Recommend Deep Learning Personalization [Internet]. Available:https://medium.com/daangn/%EB%94%A5%EB%9F%AC%EB%8B%9D-%EA%B0%9C%EC%9D%B8%ED%99%94-%EC%B6%94%EC%B2%9C-1eda682c2e8c.
S. S. Choudhury, S. N. Mohanty, and A. K. Jagadev, "Multimodal trust based recommender system with machine learning approaches for movie recommendation," International Journal of Information Technology, vol. 13, no. 2, pp. 475-482, Jan. 2021.
P. Covington, J. Adams, and E. Sargin, "Deep Neural Networks for YouTube Recommendations," in Proceedings of the 10th ACM conference on recommender systems, New York: NY, USA, pp. 191-198, 2016.
M. Naumov, D. Mudigere, H. M. Shi, J. Huang, N. Sundaraman, J. Park, X. Wang, U. Gupta, C. Wu, A. G. Azzolini, D. Dzhulgakov, A. Mallevich, I. Cherniavskii, Y. Lu, R. Krishnamoorthi, A. Yu, V. Kondratenko, S. Pereira, X. Chen, W. Chen, V. Rao, B. Jia, L. Xiong, and M. Smelyanskiy, "Deep Learning Recommendation Model for Personalization and Recommendation Systems," arXiv preprint arXiv:1906.00091, May. 2019.
Y. Koren, R. Bell, and C. Volinsky, "Matrix Factorization Techniques for Recommender Systems," Computer, vol. 42, no. 8, pp. 30-37, Aug. 2009.

상세보기
H. Wang, Z. Shen, S. Jiang, G. Sun, and R. J. Zhang, "User-based Collaborative Filtering Algorithm Design and Implementation," in Journal of Physics: Conference Series, Changsha, China, vol. 1757, no. 1, p. 012168, 2021.

상세보기
B. Sarwar, G. Karypis, J. Konstan, and J. Riedl, "Item-based collaborative filtering recommendation algorithms," in Proceedings of the 10th international conference on World Wide Web, New York: NY, USA. pp. 285-295, 2001.
The Concept and Application of the Recommended Algorithm and the Patterns of Development [Internet]. Available: https://www.kocca.kr/trend/vol20/sub/s21.html.
What Content-Based Filtering is and Why You Should Use It [Internet]. Available: https://www.upwork.com/resources/what-is-content-based-filtering#:~:textContent%2Dbased%filtering%is%a,them%to%a%user%profile.
Recommendation system using knowledge graph [Internet]. Available:https://zzaebok.github.io/knowledge_graph/recommender_syste/KG_recommend/.
The Cold Start Problem for Recommender System [Internet]. Available: https://medium.com/@markmilankovich/the-cold-start-problem-for-recommender-systems-89a76505a7.
The Ethical and Privacy Issues of Recommendation Engines on M edia Platform s [Internet]. Available: https://towardsdatascience.com/the-ethical-and-privacy-issues-of-recommendation-engines-on-media-platforms-9bea7bcb0abc.
K. Sun, T. Qian, T. Chen, Y. Liang, Q. V.H. Nguyen, and H. Yin, "Where to Go Next: Modeling Long- and Short-Term User Preferences for Point-of-Interest Recommendation", In Proceedings of the AAAI Conference on Artificial Intelligence, New York, USA. pp. 214-221, 2020.
Recommender Systems: What Long-Tail tells ? [Internet]. Available: https://medium.com/@kyasar.mail/recommender-systems-what-long-tail-tells-91680f10a5b2.
Homepage of the dogpresident [Internet]. Available: https://dogpre.com/.
Draw your own ROC Curve and Precision-Recall Curve [Internet]. Available: https://yangoos57.github.io/ml/data_viz/roc_curve_and_pe_re_curve/.

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