선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 상대적으로 아이템의 수가 적고 사용자의 행위(구매)가 적은 항공 데이터를 이용하여 협업 필터링 기반의 추천 기법을 적용 시 사용자에게 적합한 추천이 되는지 증명한다.
- 본 논문에서는 Matrix Factorization 알고리즘에 시간 개념을 적용[7]하여 계산의 복잡도를 줄이고 추천 성능을 개선할 수 있는지 실험을 하였다.
- 본 연구에서는 상품 수가 적고 고객의 재 구매 횟수가 상대적으로 적은 항공 데이터로 고객에게 적합한 추천이 가능함을 검증하였다. 데이터 셋을 고객의 최근 접속 시점 별로 구분하여 학습한 결과가 구분 없이 전체를 사용한 데이터보다 더 좋은 결과를 보였다.
가설 설정
- R은 User 수 n, Item 수 m을 가지는 n × m매트릭스라고 볼 수 있다. R은 각각 n × k, k × m인 두 개의 행렬 P와 Q로 분해될 수 있다고 가정해 본다. 분해된 두 개의 행렬을 P × Q 계산을 하면, 원래의 matrix R과 가장 유사한 형태의 행렬이 되면서 기존의 행렬에서 없던 값들이 생성된다.
- 첫 번째, 특정 연휴 기간, 명절, 여름 휴가철 등 항공 수요가 많은 기간에 최근 접속한 고객들의 성향이 비슷할 것이라는 가설을 세웠다.
- 두 번째, 항공 티켓은 일반적인 제품보다 고가이고 여행 일정에 따라 영향을 많이 받는다. 때문에 실제로 구매로 이루어지기까지 수 시간에서부터 수 일의 시간이 소요된다는 점에서 가까운 과거에 접속한 고객은 가까운 미래에 다시 접속할 확률이 높다는 가설을 세웠다.
- 본 연구에서 앞서 제시한 두 가지 가설, '최근 접속한 고객들의 성향이 비슷하다.', '가까운 과거에 접속한 고객은 가까운 미래에 다시 접속할 확률이 높다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.