[논문]고객-제품 구매여부 데이터를 이용한 제품 추천 방안

이종석; 권준범; 전치혁

고객-제품 구매여부 데이터를 이용한 제품 추천 방안
A Product Recommendation Scheme using Binary User-Item Matrix 원문보기

이종석 (포항공과대학교) , 권준범 (정보통신대학) , 전치혁 (산업공학과)

As internet commerce grows, many company has begun to use a CF (Collaborative Filtering) as a Recommender System. To achieve an accuracy of CF, we need to obtain sufficient account of voting scores from customers. Moreover, those scores may not be consistent. To overcome this problem, we propose a new recommendation scheme using binary user-item matrix, which represents whether a user purchases a product instead of using the voting scores. Through the experiment regarding this new scheme, a better accuracy is demonstrated.

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

문제 정의

위 행렬올 사용하는 경우 사용자의 저조한 평가 참여로 인해 데이터 희소성이 높은 편이며, 이는 부정확한 추천으로 이어진다. 따라서 사용자의 평가 에 의존하지 않는 새로운 방법을 제안하고자 한다.
Goldberg(1992) 가 이름붙인 협동적 필터링 (Collaborative Filtering) 이다 [5]. 이 알고리즘의 목적은 온라인상에서 제품을 구입하려는 고객에 게 이전에 구입했던 제품의 평가기록 (voting history)과 타고객의 평가기록과의 유사성을 바탕으로 관련 제품을 주천해주는 것이다.

제안 방법

본 논문에서 제안하는 방법을 실험하기 위해서는 영화에 대한 평가 외에 영화를 보았 는지 유무를 나타내는 데이터가 필요하다. 그러나 EachMovie data set에는 그러한 데이터가 존재하지 않아서 본 실험을 위해 1 값을 랜덤 생성하여 본래의 데이터위에 덮어 쓰는 방법을 고안하여 synthetic data를 생성하였다.
따라서 본 논문에서는 고객의 평가치를 입력값으로 사용하지 않는 대신에 고객이 구 입한 제품에는 1을 그렇지 않은 제품에는 0을 할당해서 추천하는 시스템을 만들었다. 이 방 법의 장점은 첫째 고객의 주관적인 평가치를 수집하는 비용이 들지 않고 둘째, 입력값의 증 가로 데이터의 희소성이 감소한다는 점이다.
본 논문에서 고객평가 데이터의 회소성올 줄이기 위한 방법으로 고객평가 대신 제품의 구매여부만을 나타내는 이분행렬을 적용해 보 았다. EachMovie data set과 synthetic data를 혼 합해 실험한 결과 본 논문에서 제시한 방법의 정확도가 기존의 방법보다 두 배 정도 높아졌 다.
본 논문에서는 위의 두 문제 중 평가치의 희소성 문제를 극복할 수 있는 방법으로 고객-제품 구매여부 데이터를 이용한 추천 법을 제안한다.

대상 데이터

0)의 5단계 로 이루어져 있다. 데이터의 양이 너무 많은 관계로 본 실험에서는 254명이 757개의 영화 에 대하여 10, 895개의 평가를 한 데이터를 사용하여 실험을 하였다.
본 논문에서 제안하는 방법을 실험하기 위한 데이터는 DEC Systems Research Center에서 제공하는 EachMovie data set[10]을 사용하였다. 이 데이터는 72, 916명의 사용자가 1, 628 개의 영화와 비디오에 대해서 평가한 것으로 서 평가의 단계는 (0.
본 논문에서 제안하는 방법을 실험하기 위한 데이터는 DEC Systems Research Center에서 제공하는 EachMovie data set[10]을 사용하였다. 이 데이터는 72, 916명의 사용자가 1, 628 개의 영화와 비디오에 대해서 평가한 것으로 서 평가의 단계는 (0.2, 0.4, 0.6, 0.8, 1.0)의 5단계 로 이루어져 있다. 데이터의 양이 너무 많은 관계로 본 실험에서는 254명이 757개의 영화 에 대하여 10, 895개의 평가를 한 데이터를 사용하여 실험을 하였다.

데이터처리

정확도를 측정하기 위한 척도로는 정보 검색에서 사용되는 Precision을 사용하였으며, 이는 추천 대상자에게 추천되어진 Top_N의 제품에 대한 매칭 비율을 나타낸다. N 은 Top_N을 구성하는 제품의 개수이다.

성능/효과

본 논문에서 고객평가 데이터의 회소성올 줄이기 위한 방법으로 고객평가 대신 제품의 구매여부만을 나타내는 이분행렬을 적용해 보 았다. EachMovie data set과 synthetic data를 혼 합해 실험한 결과 본 논문에서 제시한 방법의 정확도가 기존의 방법보다 두 배 정도 높아졌 다. 추후 연구를 통해 본 논문에서 제안한 방 법론을 실제 데이터에 적용해 보고자 한다.
따라서 분석을 위해 결측치를 추정할 필요가 없어 졌다. 또한 기존의 협동적 필터링에서는 실제 물건을 구입하고도 평가를 하지 않은 고객의 정보는 이용할 수 없었지만, 새로운 방법을 적 용하면 이러한 값에 1올 할당하게 되므로 더 많은 정보를 이용할 수 있게 됐다. 즉, [표2] 의 행렬을 차지하는 1의 비율이[표1]의 평가 행렬의 R의 비율보다 높아졌고, 이러한 요 인이 추천의 정확도에 기여할 것이라 판단했 다.
이 방 법의 장점은 첫째 고객의 주관적인 평가치를 수집하는 비용이 들지 않고 둘째, 입력값의 증 가로 데이터의 희소성이 감소한다는 점이다. 실험결과 추천의 정확성도 높아졌다.
[표 4]는 제안된 방법에 의한 필터링의 Precision 을 나타낸 것이다. 평균 67.90(%)의 Precision 으로써 기존의 방법에 비해 두 배 이상의 Precision을 보임을 알 수 있다.

후속연구

본 논문에서 제안하는 방법을 실험하기 위해서는 영화에 대한 평가 외에 영화를 보았 는지 유무를 나타내는 데이터가 필요하다. 그러나 EachMovie data set에는 그러한 데이터가 존재하지 않아서 본 실험을 위해 1 값을 랜덤 생성하여 본래의 데이터위에 덮어 쓰는 방법을 고안하여 synthetic data를 생성하였다.
EachMovie data set과 synthetic data를 혼 합해 실험한 결과 본 논문에서 제시한 방법의 정확도가 기존의 방법보다 두 배 정도 높아졌 다. 추후 연구를 통해 본 논문에서 제안한 방 법론을 실제 데이터에 적용해 보고자 한다.

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

고객-제품 구매여부 데이터를 이용한 제품 추천 방안
A Product Recommendation Scheme using Binary User-Item Matrix 원문보기

Abstract ▼ AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

고객-제품 구매여부 데이터를 이용한 제품 추천 방안 A Product Recommendation Scheme using Binary User-Item Matrix 원문보기

Abstract ▼ AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

고객-제품 구매여부 데이터를 이용한 제품 추천 방안
A Product Recommendation Scheme using Binary User-Item Matrix 원문보기

AI 본문요약
AI-Helper