초록
본 논문에서는 SVM과 협업적 필터링을 이용한 소비자 맞춤형 시장 분석 기법을 제안하였다. 제안하는 소비자 맞춤형 시장 분석 기법은 DC(Data Classification) 모듈, ICF(Improved Collaborative Filtering) 모듈, 그리고 CMA(Customized Market Analysis) 모듈로 구성된다. DC 모듈은 SVM을 이용하여 온 오프라인 쇼핑몰과 전통시장의 특성을 가격, 품질평가, 주력상품으로 분류하고, ICF 모듈은 나이 가중치와 직업 가중치를 추가한 유사도를 생성하고, 사용자들간의 구매 아이템에 대한 유사도를 이용하여 네트워크를 생성하고, 이웃 노드의 추천 리스트를 생성한다. 그리고 CMA 모듈은 DC모듈의 데이터 분류 결과와 ICF 모듈의 추천 리스트를 이용하여 사용자 맞춤형 시장 분석 결과를 제공한다. 제안된 사용자 맞춤형 추천리스트와 기존의 사용자기반 추천 리스트를 비교한 결과, 기존의 협업적 필터링기법을 이용한 추천리스트의 경우, precision는 0.53, recall은 0.56, F-measure은 0,57인데 반해, 제안하는 소비자 맞춤형 추천리스트는 precision이 0.78, recall은 0.85, 그리고 F-measure은 0.81로 나타났다. 즉, 제안하는 소비자 맞춤형 추천리스트가 좀 더 정확한 것으로 나타났다.
This paper is proposed a customized market analysis method using SVM and collaborative filtering. The proposed customized market analysis scheme is consists of DC(Data Classification) module, ICF(Improved Collaborative Filtering) module, and CMA(Customized Market Analysis) module. DC module classifies the characteristics of on-line and off-line shopping mall and traditional markets into price, quality, and quantity using SVM. ICF module calculates the similarity by adding age weight and job weight, and generates network using the similarity of purchased item each users, and makes a recommendation list of neighbor nodes. And CMA module provides the result of customized market analysis using the data classification result of DC module and the recommendation list of ICF module. As a result of comparing the proposed customized recommendation list with the existing user based recommendation list, the case of recommendation list using the existing collaborative filtering scheme, precision is 0.53, recall is 0.56, and F-measure is 0.57. But the case of proposed customized recommendation list, precision is 0.78, recall is 0.85, and F-measure is 0.81. That is, the proposed customized recommendation list shows more precision.
