경영정보학연구 (Information Systems Review)

  • 제19권2호
  • /
  • Pages.71-94
  • /
  • 2017
  • /
  • 2982-6551(pISSN)
  • /
  • 2982-6837(eISSN)
한국경영정보학회 (The Korea Society of Management Information Systems)
권호 표지
DOI QR코드

DOI QR Code

추천 수량과 재 추천을 고려한 사용자 기반 협업 필터링 추천 시스템

A User based Collaborative Filtering Recommender System with Recommendation Quantity and Repetitive Recommendation Considerations

  • 박지회 (KAIST 경영대학원 경영공학부) ;
  • 남기환 (KAIST 경영대학원 경영공학부)
  • Jihoi Park (Management Engineering, KAIST College of Business) ;
  • Kihwan Nam (Management Engineering, KAIST College of Business)
  • 투고 : 2017.03.13
  • 심사 : 2017.06.20
  • 발행 : 2017.06.30
PDF 다운로드
⟨ 이전 논문 다음 논문 ⟩

초록

추천 시스템은 정보 과부하를 줄여 선택의 질을 높이는 기술로 다양한 분야에서 활용되고 있다. 기존의 추천 시스템 연구는 주로 영화나 음악과 같은 단순한 콘텐츠 추천을 대상으로 했으며, 추천 수량과 기존에 경험했던 상품의 재 추천이 고려되지 않았다. 하지만 다양한 분야에서 추천 시스템의 수요가 증가함에 따라 추천 수량과 재 추천을 고려한 보다 범용적이고 확장된 추천 시스템 개발이 필요한 시점이다. 또 기존 추천 시스템은 온라인 상에서 개별 고객을 대상으로 하는 경우가 많았는데, 오프라인 상에서 개별 고객이 아닌 매장에도 추천 시스템을 적용할 수 있다. 본 연구에서는 추천 시스템 분야에서 많이 활용되는 사용자 기반 협업 필터링 알고리즘에서 추천 수량과 재 추천을 고려하는 방법을 제안하고, 이를 오프라인 의류 매장의 재고 관리 문제에 적용함으로써 다양한 분야에 추천 시스템을 활용할 수 있음을 보인다. 제안한 방법을 통해 각 매장에 수요가 높을 것으로 예측되는 상품과 예상 판매 수량을 예측하여, 해당 상품을 진열할 것을 추천하며, 이는 MAE, Precision, Recall, F1 measure 관점에서 기준 모델보다 추천 성능이 더 뛰어나다. 또 성능을 평가하기에 적합한, 추천 수량 부족과 초과에 따른 페널티를 고려하는 새로운 Quantity Precision, Quantity Recall, Quantity F1 measure 계산 방식을 제안한다. 마지막으로 참신성 관점에서 제안한 방법의 신규 매출 창출 효과를 평가한다. 본 연구는 추천 수량과 재 추천을 고려했다는 점, 온라인이 아닌 오프라인 데이터를 사용했다는 점, 개별 고객이 아닌 매장을 추천 대상으로 했다는 점에서 기존 추천 시스템 연구와는 차별되는 의의를 가진다. 나아가 본 연구에서 제안한 방법론은 재고 관리 이외에도 추천 수량과 재 추천을 고려하는 다양한 분야에 적용될 수 있는 범용성을 가진다.

Recommender systems reduce information overload and enhance choice quality. This technology is used in many services and industry. Previous studies did not consider recommendation quantity and the repetitive recommendations of an item. This study is the first to examine recommender systems by considering recommendation quantity and repetitive recommendations. Only a limited number of items are displayed in offline stores because of their physical limitations. Determining the type and number of items that will be displayed is an important consideration. In this study, I suggest the use of a user-based recommender system that can recommend the most appropriate items for each store. This model is evaluated by MAE, Precision, Recall, and F1 measure, and shows higher performance than the baseline model. I also suggest a new performance evaluation measure that includes Quantity Precision, Quantity Recall, and Quantity F1 measure. This measure considers the penalty for short or excess recommendation quantity. Novelty is defined as the proportion of items in a recommendation list that consumers may not experience. I evaluate the new revenue creation effect of the suggested model using this novelty measure. Previous research focused on recommendations for customer online, but I expand the recommender system to cover stores offline.

키워드

참고문헌

  1. 김재경, 채경희, 구가철, "U-마켓에서의 사용자 정보보호를 위한 매장 추천방법", 경영정보학연구, 제18권, 제3호, 2008, pp. 123-145.
  2. 안현철, 한인구, 김경재, "연관규칙기법과 분류모형을 결합한 상품 추천 시스템: G 인터넷 쇼핑몰의 사례", 한국경영정보학회, 2006, pp. 181-201.
  3. 이규용, 서준용, "데이터마이닝을 이용한 재고관리에 관한 사례연구", 산업경영시스템학회지, 제30권, 제3호, 2007, pp. 20-27.
  4. 이희춘, 김선옥, 이석준, "협업필터링 추천시스템에서 개인별 선호도의 표준화에 따른 예측성능의 영향", 한국경영정보학회학술대회, 2007, pp. 597-602.
  5. 최윤경, 김성권, "주기적 구매자 위주의 온라인 쇼핑몰을 위한 추천 알고리즘 구현", 정보과학회논문지: 소프트웨어 및 응용, 제40권, 제8호, 2013, pp. 453-462.
  6. 허지혜, 천종숙, "국내 의류기업의 정보공유 시스템 특성 및 활용효과에 관한 실증연구", 산업공학(IE interfaces), 제21권, 제1호, 2008, pp. 51-64.
  7. Adomavicius, G. and A. Tuzhilin, "Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions", IEEE Transactions on Knowledge and Data Engineering, Vol.17, No.6, 2005, pp. 734-749. https://doi.org/10.1109/TKDE.2005.99
  8. Aher, S. and L. M. R. J. Lobo, "Mining association rule in classified data for course recommender system in e-learning", International Journal of Computer Applications, Vol.39, No.7, 2012, pp. 1-7. https://doi.org/10.5120/4829-7086
  9. Bala, P. K., "Exploring various forms of purchase dependency in retail sale", Lecture Notes in Engineering and Computer Science, World Congress on Engineering and Computer Science, 2008, pp. 22-24.
  10. Bala, P. K., S. Sural, and R. N. Banerjee, "Association rule for purchase dependence in multi-item inventory", Production Planning & Control, Vol.21, No.3, 2010, pp. 274-285. https://doi.org/10.1080/09537280903326578
  11. Breese, J. S., D. Heckerman, and C. Kadie, "Empirical analysis of predictive algorithms for collaborative filtering", Proceedings of the Fourteenth Conference on Uncertainty in Artificial Intelligence, 1998, pp. 43-52.
  12. Brijs, T., G. Swinnen, K. Vanhoof, and G. Wets, "Using association rules for product assortment decisions: A case study", Proceedings of the Fifth ACM SIGKDD International Conference on Knowledge discovery and Data Mining, 1999, pp. 254-260.
  13. Brynjolfsson, E. and L. M. Hitt, "Beyond computation: Information technology, organizational transformation and business performance", The Journal of Economic Perspectives, Vol.14, No.4, 2010, pp. 23-48. https://doi.org/10.1257/jep.14.4.23
  14. Burke, R., "Hybrid recommender systems: Survey and experiments", User Modeling and User-Adapted Interaction, Vol.12, No.4, 2002, pp. 331-370. https://doi.org/10.1023/A:1021240730564
  15. Caro, F. and J. Gallien, "Inventory management of a fast-fashion retail network", Operations Research, Vol.58, No.2, 2010, pp. 257-273. https://doi.org/10.1287/opre.1090.0698
  16. Chen, H., R. H. Chiang, and V. C. Storey, "Intelligence and analytics: From big data to big impact", MIS Quarterly, Vol.36, No.4, 2012, pp. 1165-1188. https://doi.org/10.2307/41703503
  17. Chen, R. S., Y. S. Tsai, K. C. Yeh, D. H. Yu, and Y. Bak-Sau, "Using data mining to provide recommendation service", WSEAS Transactions on Information Science and Applications, Vol.5, No.4, 2008, pp. 459-474.
  18. Chen, Y. F., S. Ray, and Y. Song, "Optimal pricing and inventory control policy in periodic-review systems with fixed ordering cost and lost sales", Naval Research Logistics(NRL), Vol.53, No.2, 2006, pp. 117-136. https://doi.org/10.1002/nav.20127
  19. Chiang, D. M. H., C. P. Lin, and M. C. Chen, "The adaptive approach for storage assignment by mining data of warehouse management system for distribution centres", Enterprise Information Systems, Vol.5, No.2, 2011, pp. 219-234. https://doi.org/10.1080/17517575.2010.537784
  20. Cleverdon, C. and M. Kean, "Factors determining the performance of indexing systems", Aslib Cranfield Research Project, Cranfield, England, 1968.
  21. Farzan, R. and P. Brusilovsky, "Encouraging user participation in a course recommender system: An impact on user behavior", Computers in Human Behavior, Vol.27, No.1, 2011, pp. 276-284. https://doi.org/10.1016/j.chb.2010.08.005
  22. Goldberg, D., D. Nichols, B. M. Oki, and D. Terry, "Using collaborative filtering to weave an information tapestry", Communications of the ACM, Vol.35, No.12, 1992, pp. 61-70. https://doi.org/10.1145/138859.138867
  23. Goldberg, K., T. Roeder, D. Gupta, and C. Perkins, "Eigentaste: A constant time collaborative filtering algorithm", Information Retrieval, Vol.4, No.2, 2001, pp. 133-151. https://doi.org/10.1023/A:1011419012209
  24. Gupta, D., M. Digiovanni, H. Narita, and K. Goldberg, "Jester 2.0(poster abstract): Evaluation of an new linear time collaborative filtering algorithm", Proceedings of the 22nd Annual International ACM SIGIR Conference on Research and Development in Information Retrieval, 1999, pp. 291-292.
  25. Herlocker, J. L., J. A. Konstan, L. G. Terveen, and J. T. Riedl, "Evaluating collaborative filtering recommender systems", ACM Transactions on Information Systems, Vol.22, No.1, 2004, pp. 5-53. https://doi.org/10.1145/963770.963772
  26. Hill, W., L. Stead, M. Rosenstein, and G. Furnas, "Recommending and evaluating choices in a virtual community of use", Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, 1995, pp. 194-201.
  27. Hoyer, W. D., "An examination of consumer decision making for a common repeat purchase product", Journal of Consumer Research, Vol.11, No.3, 1984, pp. 822-829. https://doi.org/10.1086/209017
  28. Hung, L. P., "A personalized recommendation system based on product taxonomy for one-to-one marketing online", Expert Systems with Applications, Vol.29, No.2, 2005, pp. 383-392. https://doi.org/10.1016/j.eswa.2005.04.016
  29. Hurley, N. and M. Zhang, "Novelty and diversity in top-n recommendation-analysis and evaluation", ACM Transactions on Internet Technology, Vol.10, No.4, 2011.
  30. Jameson, A., "More than the sum of its members: Challenges for group recommender systems", Proceedings of the Working Conference on Advanced Visual Interfaces, 2004, pp. 48-54.
  31. Karakul, M., "Joint pricing and procurement of fashion products in the existence of clearance markets", International Journal of Production Economics, Vol.114, No.2, 2008, pp. 487-506. https://doi.org/10.1016/j.ijpe.2007.03.026
  32. Konstan, J. A., B. N. Miller, D. Maltz, J. L. Herlocker, L. R. Gordon, and J. Riedl, "GroupLens: Applying collaborative filtering to usenet news", Communications of the ACM, Vol.40, No.3, 1997, pp. 77-87. https://doi.org/10.1145/245108.245126
  33. Li, M., B. M. Dias, I. Jarman, W. El-Deredy, and P. J. Lisboa, "Grocery shopping recommendations based on basket-sensitive random walk", Proceedings of the 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2009, pp. 1215-1224.
  34. Linden, G., B. Smith, and J. York, "Amazon.com recommendations: Item-to-item collaborative filtering", IEEE Internet Computing, Vol.7, No.1, 2003, pp. 76-80. https://doi.org/10.1109/MIC.2003.1167344
  35. Linoff, G. S. and M. J. A. Berry, Data Mining Techniques: For Marketing, Sales, and Customer Relationship Management, John Wiley & Sons, Indianapolis, IN, 2011.
  36. Lu, L., M. Medo, C. H. Yeung, Y. C. Zhang, Z. K. Zhang, and T. Zhou, "Recommender systems", Physics Reports, Vol.519, No.1, 2012, pp. 1-49. https://doi.org/10.1016/j.physrep.2012.02.006
  37. Resnick, P., Iacovou, N., Suchak, M., Bergstrom, P., and Riedl, J., "GroupLens: An open architecture for collaborative filtering of netnews", Proceedings of the 1994 ACM Conference on Computer Supported Cooperative Work, 1994, pp. 175-186.
  38. Ricci, F., L. Rokach, and B. Shapira, "Recommender systems: Introduction and challenges", Recommender Systems Handbook, Springer US, 2015, pp. 1-34.
  39. Sarwar, B., G. Karypis, J. Konstan, and J. Riedl, "Item-based collaborative filtering recommendation algorithms", Proceedings of the 10th international conference on World Wide Web, 2001, pp. 285-295.
  40. Shardanand, U. and P. Maes, "Social information filtering: Algorithms for automating "word of mouth", Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, 1995, pp. 210-217.
  41. Su, X. and T. M. Khoshgoftaar, "A survey of collaborative filtering techniques", Advances in Artificial Intelligence, Vol.2009, Hindawi Publishing Corp., New York, NY, 2009.
  42. Wang, J., Y. Zhang, and T. Chen, "Unified recommendation and search in e-commerce", Asia Information Retrieval Symposium, Springer Berlin Heidelberg, 2012, pp. 296-305.