Journal of the Korean Data and Information Science Society

The Korean Data and Information Science Society (한국데이터정보과학회)
권호 표지

A product recommendation system based on adjacency data

인접성 데이터를 이용한 추천시스템

  • Kim, Jin-Hwa (Sogang Business School, Sogang University) ;
  • Byeon, Hyeon-Su (Department of Management and Administration, Baekseok Arts University)
  • Received : 2010.10.17
  • Accepted : 2010.12.06
  • Published : 2011.01.31
Download PDF
⟨ Previous Next ⟩

Abstract

Recommendation systems are developed to overcome the problems of selection and to promote intention to use. In this study, we propose a recommendation system using adjacency data according to user's behavior over time. For this, the product adjacencies are identified from the adjacency matrix based on graph theory. This research finds that there is a trend in the users' behavior over time though product adjacency fluctuates over time. The system is tested on its usability. The tests show that implementing this recommendation system increases users' intention to purchase and reduces the search time.

온라인 사용자에게 선택의 어려움을 줄여주고 사용의도를 높이기 위해 만들어진 것이 추천시스템이다. 추천시스템은 정보검색과 정보필터링을 용이하게 하고, 정보 과잉의 문제를 해결하는 데에 많은 도움을 주고 있다. 본 연구의 목적은 웹 상점을 이용하는 사용자들의 클릭스트림 데이터를 분석하여 데이터 인접성의 차이를 확인하고, 이를 통해 상품추천을 제안하고자 하는 데에 있다. 본 연구에서 제안하는 추천시스템의 성과를 검증하기 위하여 실험을 통해 알아본 결과, 추천시스템 적용 전보다 적용 후에 사용자들의 구매 의도는 높아졌고 탐색시간은 줄어들었다.

Keywords

References

  1. 고봉성, 이석원, 허정 (2009). 생명보험사 텔레마케팅 효율성 제고에 관한연구. <한국데이터정보과학회지>, 20, 673-684.
  2. 김경재, 김병국 (2005). 데이터 마이닝을 이용한 인터넷 쇼핑몰 상품추천시스템. <한국지능정보시스템학회논문지>, 11, 191-205.
  3. 김연형, 이석원 (2009). 추천시스템을 이용한 이메일 효율성 제고에 관한 연구. <한국데이터정보과학회지>, 20, 1129-1143.
  4. 김재경, 안도현, 조윤호 (2005). 개인별 상품추천시스템, WebCF-PT: 웹마이닝과 상품계층도를 이용한 협업필터링. <경영정보학연구>, 15, 63-79.
  5. 신일순, 정부연, 김보은 (2002). <패널데이터를 이용한 e-Business 소비자행태 분석>, 연구보고 02-15, 정보통신정책연구원
  6. 이석준 (2009). 근접 이웃 선정 협력적 필터링 추천시스템에서 이웃 선정 방법에 관한 연구. <한국데이터정보과학회지>, 20, 809-818.
  7. 이희춘 (2009). 협력적 필터링 추천기법에서 이웃 수를 이용한 선호도 예측 정확도 향상. <한국데이터정보과학회지>, 20, 505-514.
  8. Balabanovic, M. and Shoham, Y. (1997). Fab: Content-based, collaborative recommendation. Communications of the ACM, 40, 66-72.
  9. Błazewicz, J., Pesch, E. and Sterna, M. (2005). A novel representation of graph structures in web mining and data analysis. Omega, 33, 65-71. https://doi.org/10.1016/j.omega.2004.03.007
  10. Bucklin, R. E., Lattin, J. M., Ansari, A., Gupta, S., Bell, D., Coupey, E., Little, J. D. C., Mela, C., Montgomery, A. and Steckel, J. (2002). Choice and the internet: From clickstream to research stream. Marketing Letters, 13, 245-258. https://doi.org/10.1023/A:1020231107662
  11. Condon, E., Golden, B., Lele, S., Raghavan, S. and Wasil, E. (2002). A visualization model based on adjacency data. Decision Support Systems, 33, 349-362. https://doi.org/10.1016/S0167-9236(02)00003-9
  12. Eirinaki, M. and Vazirgiannis, M. (2003). Web mining for web personalization. ACM Transactions on Internet Technology, 3, 1-27. https://doi.org/10.1145/643477.643478
  13. Kruskal, J. B. and Wish, M. (1991). Multidimensional scaling. Beverly Hills, CA: Sage.
  14. Moe, W. and Fader, P. S. (2002). Uncovering patterns in cybershopping. California Management Review, 43, 106-117.
  15. Moe, W. and Fader, P. S. (2004). Dynamic conversion behavior at e-commerce sites. Management Science, 50, 326-335. https://doi.org/10.1287/mnsc.1040.0153
  16. Shang, Y., Ruml, W., Zhang, Y. and Fromherz, M. (2004). Localization from connectivity in sensor networks. IEEE Transactions on Parallel and Distributed Systems, 15, 961-974. https://doi.org/10.1109/TPDS.2004.67