Journal of Intelligence and Information Systems (지능정보연구)

Korea Intelligent Information System Society (한국지능정보시스템학회)
권호 표지
DOI QR코드

DOI QR Code

A Study on the Media Recommendation System with Time Period Considering the Consumer Contextual Information Using Public Data

공공 데이터 기반 소비자 상황을 고려한 시간대별 미디어 추천 시스템 연구

  • Kim, Eunbi (Department of Business Administration, Graduate School, Kyung Hee University) ;
  • Li, Qinglong (Department of Big Data Analytics, Graduate School, Kyung Hee University) ;
  • Chang, Pilsik (Department of Business Administration, Graduate School, Kyung Hee University) ;
  • Kim, Jaekyeong (School Management & Department of Big Data Analytics, Kyung Hee University)
  • 김은비 (경희대학교 대학원 경영학과) ;
  • 이청용 (경희대학교 대학원 빅데이터응용학과) ;
  • 장필식 (경희대학교 대학원 경영학과) ;
  • 김재경 (경희대학교 경영대학&빅데이터응용학과)
  • Received : 2022.10.14
  • Accepted : 2022.11.02
  • Published : 2022.12.31
Download PDF
⟨ Previous Next ⟩

Abstract

With the emergence of various media types due to the development of Internet technology, advertisers have difficulty choosing media suitable for corporate advertising strategies. There are challenging to effectively reflect consumer contextual information when advertising media is selected based on traditional marketing strategies. Thus, a recommender system is needed to analyze consumers' past data and provide advertisers with personalized media based on the information consumers needs. Since the traditional recommender system provides recommendation services based on quantitative preference information, there is difficult to reflect various contextual information. This study proposes a methodology that uses deep learning to recommend personalized media to advertisers using consumer contextual information such as consumers' media viewing time, residence area, age, and gender. This study builds a recommender system using media & consumer research data provided by the Korea Broadcasting Advertising Promotion Corporation. Additionally, we evaluate the recommendation performance compared with several benchmark models. As a result of the experiment, we confirmed that the recommendation model reflecting the consumer's contextual information showed higher accuracy than the benchmark model. We expect to contribute to helping advertisers make effective decisions when selecting customized media based on various contextual information of consumers.

인터넷 기술의 발전으로 인해 다양한 미디어가 등장하면서 광고주들은 기업의 광고 전략에 적합한 미디어를 선택하는데 어려움을 경험하고 있다. 전통적인 광고 마케팅 전략을 바탕으로 광고 미디어를 선택하면 소비자의 상황 정보를 효과적으로 반영하는데 어려움이 존재한다. 이러한 상황에서 소비자의 과거 데이터를 분석하여 소비자가 필요하거나 관심 있는 정보를 바탕으로 광고주에게 맞춤형 미디어를 제공하는 추천 시스템이 필요하다. 전통적인 추천 시스템은 정량적 선호도 정보를 기반으로 추천 서비스를 제공하기 때문에 다양한 상황 정보를 반영하기 어려운 문제점이 존재한다. 본 연구에서는 딥러닝을 이용하여 소비자의 미디어 시청 시간, 거주 지역, 나이, 성별 등 상황 정보를 고려하여 광고주에게 맞춤형 미디어를 추천하는 방법론을 제안한다. 본 연구는 한국방송광고진흥공사에서 제공하는 소비자행태조사 데이터를 사용하여 추천 시스템을 구축하였다. 또한, 기존 연구에서 널리 사용되는 여러 벤치마크 모델과 비교하여 추천 성능을 검증하였다. 실험 결과, 본 연구에서 제안하는 소비자의 상황 정보를 반영한 추천 모델이 기존의 벤치마크 모델보다 높은 정확성을 나타내는 것을 확인하였다. 이 연구는 향후 광고주들이 소비자의 여러 상황 정보를 바탕으로 맞춤형 미디어 선택할 때 효과적인 의사결정을 내릴 수 있도록 도움을 주는데 기여를 할 수 있을 것으로 기대한다

Keywords

References

  1. 김혜경, 최일영, 하기목, 김재경. (2010). 사회 네트워크를 이용한 사용자 기반 유헬스케어 서비스 추천 시스템 개발. 지능정보연구, 16(3), 181-199.
  2. 김혜원, 서대룡, 김은경. (2018). 뉴미디어 광고, 제품의 소비자를 광고의 생산자로 만들다. 예술인문사회 융합 멀티미디어 논문지, 8(3), 511-519.
  3. 이항, 김준환. (2021) 구독서비스에서 개인화 서비스 vs. 맞춤화 서비스가 고객만족 및 구매 의도에 미치는 영향. 융복합지식학회논문지, 9(1), 17-28. https://doi.org/10.22716/SCKT.2021.9.1.003
  4. 이청용, 이병현, 이흠철, 김재경. (2021). CNN 기반 리뷰 유용성 점수 예측을 통한 개인화 추천 서비스 성능 향상에 관한 연구. 지능정보연구, 27(3), 29-56. https://doi.org/10.13088/JIIS.2021.27.3.029
  5. 전병국, 안현철. (2015). 사용자 리뷰 마이닝을 결합한 협업 필터링 시스템: 스마트폰 앱 추천에의 응용. 지능정보연구, 21(2), 1-18. https://doi.org/10.13088/JIIS.2015.21.2.01
  6. 정동아, 김하연, 이상우. (2022). 광고의 개인화 수준이 광고 수용에 미치는 영향: 프라이버시 계산 모형을 중심으로. 정보사회와 미디어, 23(2), 220-257.
  7. 조희경. (2019). 뉴미디어 영상 광고에서 효과적인 마케팅 전략을 위한 디자인씽킹 적용 광고 사례분석. 한국디자인문화학회지, 25(4), 519-530.
  8. 차영란. (2018). 광고 및 미디어 산업 분야의 인공지능 (AI) 활용 전략: 심층인터뷰를 중심으로. 한국콘텐츠학회논문지, 18(9), 102-115. https://doi.org/10.5392/JKCA.2018.18.09.102
  9. Acilar, A. M., & Arslan, A. (2009). A collaborative filtering method based on artificial immune network. Expert Systems with Applications, 36(4), 8324-8332. https://doi.org/10.1016/j.eswa.2008.10.029
  10. Batmaz, Z., Yurekli, A., Bilge, A., & Kaleli, C. (2019). A review on deep learning for recommender systems: challenges and remedies. Artificial Intelligence Review, 52(1), 1-37. https://doi.org/10.1007/s10462-018-9654-y
  11. Bobadilla, J., Ortega, F., Hernando, A., & Gutierrez, A. (2013). Recommender systems survey. Knowledge-based Systems, 46, 109-132. https://doi.org/10.1016/j.knosys.2013.03.012
  12. Chen, R., Hua, Q., Chang, Y.-S., Wang, B., Zhang, L., & Kong, X. (2018). A survey of collaborative filtering-based recommender systems: From traditional methods to hybrid methods based on social networks. IEEE Access, 6, 64301-64320. https://doi.org/10.1109/access.2018.2877208
  13. Cheng, H.-T., Koc, L., Harmsen, J., Shaked, T., Chandra, T., Aradhye, H., Anderson, G., Corrado, G., Chai, W., & Ispir, M. (2016). Wide & deep learning for recommender systems. Proceedings of the 1st Workshop on Deep Learning for Recommender Systems (DLRS 2016), 7-10.
  14. Cho, Y. H., Kim, J. K., & Kim, S. H. (2002). A personalized recommender system based on web usage mining and decision tree induction. Expert Systems with Applications, 23(3), 329-342. https://doi.org/10.1016/S0957-4174(02)00052-0
  15. Choi, I. Y., Oh, M. G., Kim, J. K., & Ryu, Y. U. (2016). Collaborative filtering with facial expressions for online video recommendation. International Journal of Information Management, 36(3), 397-402. https://doi.org/10.1016/j.ijinfomgt.2016.01.005
  16. Choi, K., Yoo, D., Kim, G., & Suh, Y. (2012). A hybrid online-product recommendation system: Combining implicit rating-based collaborative filtering and sequential pattern analysis. Electronic Commerce Research and Applications, 11(4), 309-317. https://doi.org/10.1016/j.elerap.2012.02.004
  17. Covington, P., Adams, J., & Sargin, E. (2016). Deep neural networks for youtube recommendations. Proceedings of the 10th ACM Conference on Recommender Systems (RecSys '16), 191-198.
  18. Dehdarirad, H., Ghazimirsaeid, J., & Jalalimanesh, A. (2020). Scholarly publication venue recommender systems: A systematic literature review. Data Technologies and Applications, 54(2), 169-191. https://doi.org/10.1108/dta-08-2019-0135
  19. Du, Y.-p., Yao, C.-q., Huo, S.-h., & Liu, J.-x. (2017). A new item-based deep network structure using a restricted Boltzmann machine for collaborative filtering. Frontiers of Information Technology & Electronic Engineering, 18(5), 658-666. https://doi.org/10.1631/FITEE.1601732
  20. Goldberg, D., Nichols, D., Oki, B. M., & Terry, D. (1992). Using collaborative filtering to weave an information tapestry. Communications of the ACM, 35(12), 61-70. https://doi.org/10.1145/138859.138867
  21. He, X., Liao, L., Zhang, H., Nie, L., Hu, X., & Chua, T.-S. (2017). Neural collaborative filtering. Proceedings of the 26th International Conference on World Wide Web (WWW '17), 173-182.
  22. Khodabandehlou, S., Golpayegani, S. A. H., & Rahman, M. Z. (2020). An effective recommender system based on personality traits, demographics and behavior of customers in time context. Data Technologies and Applications, 55(1), 149-174. https://doi.org/10.1108/DTA-04-2020-0094
  23. Kim, H. K., Oh, H. Y., Gu, J. C., & Kim, J. K. (2011). Commenders: A recommendation procedure for online book communities. Electronic Commerce Research and Applications, 10(5), 501-509. https://doi.org/10.1016/j.elerap.2011.03.002
  24. Kim, J., Choi, I., & Li, Q. (2021). Customer Satisfaction of Recommender System: Examining Accuracy and Diversity in Several Types of Recommendation Approaches. Sustainability, 13(11), 6165. https://doi.org/10.3390/su13116165
  25. Kim, J. K., Kim, H. K., Oh, H. Y., & Ryu, Y. U. (2010). A group recommendation system for online communities. International Journal of Information Management, 30(3), 212-219. https://doi.org/10.1016/j.ijinfomgt.2009.09.006
  26. Li, Q., Li, X., Lee, B., & Kim, J. (2021). A hybrid CNN-based review helpfulness filtering model for improving e-commerce recommendation Service. Applied Sciences, 11(18), 8613. https://doi.org/10.3390/app11188613
  27. Linden, G., Smith, B., & York, J. (2003). Amazon. com recommendations: Item-to-item collaborative filtering. IEEE Internet Computing, 7(1), 76-80. https://doi.org/10.1109/MIC.2003.1167344
  28. Lu, J., Wu, D., Mao, M., Wang, W., & Zhang, G. (2015). Recommender system application developments: a survey. Decision Support Systems, 74, 12-32. https://doi.org/10.1016/j.dss.2015.03.008
  29. Metsalu, T., & Vilo, J. (2015). ClustVis: a web tool for visualizing clustering of multivariate data using Principal Component Analysis and heatmap. Nucleic Acids Research, 43(W1), W566-W570. https://doi.org/10.1093/nar/gkv468
  30. Moon, H. S., Ryu, Y. U., & Kim, J. K. (2019). Enhanced collaborative filtering: A product life cycle approach. Journal of Electronic Commerce Research, 20(3), 155-168.
  31. Mu, R. (2018). A survey of recommender systems based on deep learning. IEEE Access, 6, 69009-69022. https://doi.org/10.1109/access.2018.2880197
  32. Pappas, N., & Popescu-Belis, A. (2016). Adaptive sentiment-aware one-class collaborative filtering. Expert Systems with Applications, 43, 23-41. https://doi.org/10.1016/j.eswa.2015.08.035
  33. Park, D. H., Kim, H. K., Choi, I. Y., & Kim, J. K. (2012). A literature review and classification of recommender systems research. Expert Systems with Applications, 39(11), 10059-10072. https://doi.org/10.1016/j.eswa.2012.02.038
  34. Su, X., & Khoshgoftaar, T. M. (2009). A survey of collaborative filtering techniques. Advances in Artificial Intelligence 2009 (2009), 4.
  35. Vozalis, M. G., & Margaritis, K. G. (2007). Using SVD and demographic data for the enhancement of generalized collaborative filtering. Information Sciences, 177(15), 3017-3037. https://doi.org/10.1016/j.ins.2007.02.036
  36. Wu, X.-J., Xu, M.-D., Li, C.-D., Ju, C., Zhao, Q., & Liu, S.-X. (2021). Research on image reconstruction algorithms based on autoencoder neural network of Restricted Boltzmann Machine (RBM). Flow Measurement and Instrumentation, 80, 102009. https://doi.org/10.1016/j.flowmeasinst.2021.102009
  37. Zhang, S., Yao, L., Sun, A., & Tay, Y. (2019). Deep learning based recommender system: A survey and new perspectives. ACM Computing Surveys (CSUR), 52(1), 1-38. https://doi.org/10.1145/3158369