[논문]온라인 쇼핑몰 환경에서 사용자 행동 데이터의 상관관계 분석 기반 추천 시스템

박요한; 문종혁; 최종선; 최재영

doi:10.3745/ktccs.2024.13.1.10

온라인 쇼핑몰 환경에서 사용자 행동 데이터의 상관관계 분석 기반 추천 시스템
Recommendation System Based on Correlation Analysis of User Behavior Data in Online Shopping Mall Environment 원문보기

정보처리학회논문지. KIPS transactions on computer and communication systems. 컴퓨터 및 통신 시스템, v.13 no.1, 2024년, pp.10 - 20

박요한 (숭실대학교 컴퓨터학과) , 문종혁 (숭실대학교 컴퓨터학과) , 최종선 (숭실대학교 컴퓨터학부) , 최재영 (숭실대학교 컴퓨터학부)

초록
AI-Helper

매년 증가하는 온라인 상거래 시장과, 점차 다양해지는 상품과 콘텐츠로 인해 사용자들은 선택 과정에 어려움을 느낀다. 이에 여러 기업들은 온라인 쇼핑몰에서 사용자가 선호할 상품을 선별하여 제공하기 위해 추천 시스템에 대한 지속적인 연구를 진행하고 있다. 대다수의 추천 시스템 연구에서는 비교적 획득하기 쉬운 사용자의 이벤트 데이터를 기반하여 연구를 진행하였으나 한 종류의 사용자 행동만을 고려하기 때문에 사용자의 선호도를 파악하는 것에 오차가 발생한다. 이에 본 논문에서는 여러 종류의 사용자 행동 데이터의 상관관계를 고려하여 사용자의 선호도를 분석하는 추천 시스템을 제안한다. 제안하는 추천 시스템은 사용자의 사용자 행동 데이터의 상관관계를 분석하고 가중치를 생성하여 추천 모델을 학습한다. 실험에서는 기존 연구의 알고리즘과의 성능 비교를 통해 제안하는 시스템의 복잡도와 성능 향상을 확인하였다.

Abstract ▼ AI-Helper

As the online commerce market continues to expand with an increase of diverse products and content, users find it challenging in navigating and in the selection process. Thereafter both platforms and shopping malls are actively working in conducting continuous research on recommendations system to select and present products that align with user preferences. Most existing recommendation studies have relied on user data which is relatively easy to obtain. However, these studies only use a single type of event and their reliance on time dependent data results in issues with reliability and complexity. To address these challenges, this paper proposes a recommendation system that analysis user preferences in consideration of the relationship between various types of event data. The proposed recommendation system analyzes the correlation of multiple events, extracts weights, learns the recommendation model, and provides recommendation services through it. Through extensive experiments the performance of our system was compared with the previously studied algorithms. The results confirmed an improvement in both complexity and performance.

주제어

표/그림 (13)

그림 Fig. 1. Correlation Weight Recommendation System Overview
그림 Fig. 2. Proposed Weight-based Recommendation System Service Configuration
그림 Fig. 3. Data Preprocessing
그림 Fig. 4. Extraction the Target Data
그림 Fig. 5. Calculating the Preference
표 Table 1. Algorithm of Generating the Weight
표 Table 2. Data Sets
표 Table 3. Event Type
표 Table 4. Some of the Weights Generated Using Beibei
표 Table 5. Some of the Weights Generated Using Sobazaar
표 Table 6. Percentage of Interaction Data Based on Threshold (%)
표 Table 7. Confusion Matrix
표 Table 8. Performance Comparison

참고문헌 (33)

D. Jannach, A. Manzoor, W. Cai, and L. Chen, "A survey？on conversational recommender systems," ACM Computing Survey, Vol.54, No.105, pp.1-36, 2021.
S. Milano, M. Taddeo, and L. Floridi, "Recommender？systems and their ethical challenges," Ai & Society, Vol.35,？pp.957-967, 2020.

상세보기
P. Convington, J. Adams, and E. Sargin, "Deep neural？networks for YouTube recommendations," Proceedings of？the 10th ACM Conference on Recommender Systems,？pp.191-198, 2016.
C. A. Gomez-Uribe and N. Hunt, "The netflix recommender system: Algorithms, business value, and innovation,"？ACM Transactions on Management Information Systems,？Vol.6, No.13, pp.1-19, 2015.
H. Cheng et al., "Wide & deep learning for recommender？systems," Proceedings of the 1st Workshop on Deep？Learning for Recommender Systems, pp.7-10, 2016.
P. Nagarnaik and A. Thomas, "Survey on recommendation？system methods," 2015 2nd International Conference on？Electronics and Communication Systems (ICECS), 2015.
Y. Koren, "Recommender system utilizing collaborative？filtering combining explicit and implicit feedback with？both neighborhood and latent factor models," US patents,？2011.
D. Yang, T. Chen, W. Zhang, Q. Lu, and Y. Yu, "Local？implicit feedback mining for music recommendation,"？Proceedings of the sixth ACM Conference on Recommender Systems, pp.91-98, 2012.
W. Pan, S. Xia, Z. Liu, X. peng, Z. Ming, "Mixed factorization for collaborative recommendation with heterogeneous explicit feedbacks," Information Sciences, Vol.332,？pp.84-93, 2016.

상세보기
C. Zhang and C. Li, "Neural collaborative filtering recommendation algorithm based on popularity feature," Culture-oriented Science & Technology (ICCST), International Conference on, 2021.
H. Ko, S. Lee, Y. Park, and A. Choi, "A survey of recommendation systems: Recommendation models, techniques,？and application fields," Electronics, Vol.11, No.1, pp.141,？2022.
S. Sidana, M. Trofimov, O. Horodnytskyi, Y. Maximov, and？M. R. Amini, "User preference and embedding learning？with implicit feedback for recommender systems," Data？Mining and Knowledge Discovery, Vol.35, pp.568-592,？2021.
X. Chen, L. Li, W. Pan, and Z. Ming, "A survey on heterogeneous one-class collaborative filtering," ACM Transactions on Information Systems, Vol.38, No.35, pp.1-54,？2020.
E. R. N. Valdez, D. Quintana, R. G. Crespo, P. Isasi, and？E. H. Viedma, "A recommender system based on implicit？feedback for selective dissemination of ebooks," Information Sciences, Vol.467, pp.87-98, 2018.

상세보기
X. Su and T. M. Khoshgoftaar, "A survey of collaborative？filtering techniques," Advances in Artificial Intelligence,？2009.
Y. Koren, S. Rendle, and R. Bell, "Advances in collaborative？filtering," Recommender Systems Handbook, pp.91-142,？2021.
Y. Hu, Y. Koren, and C. Volinsky, "Collaborative filtering？for implicit feedback datasets," 2008 Eighth IEEE International Conference on Data Mining, 2008.
X. He, L. Liao, H. Zhang, L. Nie, and X. Hu, "Neural collaborative filtering," WWW '17: Proceedings of the 26th International Conference on World Wide Web, pp.173-182,？2017.
Y. Li, S. Wang, Q. Pan, H. Peng, T. Yang, and E. Cambria,？"Learning binary codes with neural collaborative filtering？for efficient recommendation systems," Knowledge-Based？Systems, Vol.172, pp.64-75, 2019.
S. Rendle, W. Krichence, L. Zhang, and J. Anderson,？"Neural collaborative filtering vs. matrix factorization？revisited," Proceedings of the 14th ACM Conference on？Recommender Systems, pp.240-248, 2020.
S. Rendle, C. Freudenthaler, Z. Gantner, and L. S. Thieme,？"BPR: Bayesian personalized ranking from implicit feedback," arxiv:1205.2618, 2012.
W. Pan, H. Zhong, C. Xu, and Z. Ming, "Adaptive Bayesian？personalized ranking for heterogeneous implicit feedbacks," Knowledge-Based Systems, Vol.73, pp.173-180,？2015.
H. Qiu, Y. Liu, G. Guo, Z. Sun, J. Zhang, and H. T. Nguyen,？"BPRH: Bayesian personalized ranking for heterogeneous？implicit feedback," Information Sciences, Vol.453, pp.？80-98, 2018.

상세보기
C. Chen, M. Zhang, Y. Zhang, W. Ma, and S. Ma, "Efficient？heterogeneous collaborative filtering without negative？sampling for recommendation," AAAI-20 Technical, Vol.34,？2020.
S. Debnath, N. Ganguly, and P. Mitra, "Feature weighting？in content based recommendation system using social？network analysis," WWW '08: Proceedings of the 17th？international conference on World Wide Web, pp.1041-1042, 2008.
B. Wang, Q. Liao, and C. Zhang, "Weight based KNN recommender system," 2013 5th International Conference？on Intelligent Human-Machine Systems and Cybernetics,？2013.
T. Himel, M. N. Uddin, M. A. Hossain, and Y. M. Jang,？"Weight based movie recommendation system using Kmeans algorithm," 2017 International Conference on Information and Communication Technology Convergence？(ICTC), 2017.
Z. Cui et al., "Personalized recommendation system based？on collaborative filtering for IoT scenarios," IEEE Transactions on Services Computing, Vol.13, 2020.

상세보기
U. Bhimavarapu, N. Chinalapudi, and G. Battineni, "A fair？and safe usage drug recommendation system in medical？emergencies by a stacked ANN," Algorithms, Vol.15, No.6,？pp.186, 2022.

상세보기
L. Jiang, Y. Cheng, L. Yang, J. Li, H. Yan, and X. Wang,？"A trust-based collaborative filtering algorithm for Ecommerce recommendation system," Journal of Ambient？Intelligence and Humanized Computing, Vol.10, pp.3023-3034, 2019.

상세보기
Y. Guo, M. Wang, and X. Li, "An interactive personalized？recommendation system using the hybrid algorithm？model," Symmetry, Vol.9, No.10, pp.216, 2017.
Beibei Dataset [Internet], https://github.com/dingjingtao/NegativeSamplerBPR/tree/master/BPRplusView/data/beibei
Sobazaar Dataset [Internet], https://github.com/hainguyen-telenor/Learning-to-rank-from-implicit-feedback/tree/master/Data

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