Design of Adaptive Electronic Commerce Agents Using Machine Learning Techniques

As electronic commerce systems have been widely used, the necessity of adaptive e-commerce agent systems has been increased. These kinds of agents can monitor customer's purchasing behaviors, clutter them in similar categories, and induce customer's preference from each category. In order to implement our adaptive e-commerce agent system, we focus on following 3 components-the monitor agent which can monitor customer's browsing/purchasing data and abstract them, the conceptual cluster agent which cluster customer's abstract data, and the customer profile agent which generate profile from cluster, In order to infer more accurate customer's preference, we propose a 2 layered structure consisting of conceptual cluster and inductive profile generator. Many systems have been suffered from errors in deriving user profiles by using a single structure. However, our proposed 2 layered structure enables us to improve the qualify of user profile by clustering user purchasing behavior in advance. This approach enables us to build more user adaptive e-commerce system according to user purchasing behavior.

기계학습 기반 적응형 전자상거래 에이전트 설계

전자상거래 시스템의 보급이 활성화되기 시작하면서 사용자의 구매 행위에 적응형으로 대처하는 지능형 전자상거래 에이전트의 필요성이 증대되고 있다. 이와 같은 적응형 전자상거래 에이전트는 사용자의 구매 행위를 모니터하면서, 각 분야별 고객의 구매 행위를 자동 분류하고, 분류된 각 클러스터로부터 사용자의 취향을 학습하는 하는 기능을 필요로 한다. 이러한 기능을 가지는 적응형 전자상거래 에이전트를 구축하기 위해서 본 논문에서는다음 3가지 부분에 중점을 두고 시스템을 설계하였다. 첫째, 사용자의 구매 행위를 포괄적으로 모니터하여 사용자 행위로 추상화하는 모니터 에이전트, 둘째, 고객 구매 행위 데이터로부터 유사한 분야 구매 데이터들로 클러스터 하는 개념적 클러스터 에이전트, 셋째, 각 클러스터로부터 사용자 프로파일을 구축하는 사용자 프로파일 에이전트를 중심으로 설계하는 방안을 제안하고 있다 특히, 본 논문에서는 보다 정확한 고객 구매 행위를 학습하기 위해서 개념적 클러스터링 방식과 귀납적 기계학습 방식을 적용하는 2단계 구조를 제안하고 있다.이와 같은 구조는 여러 분야의 상품을 구매한 정보로부터 사용자의 다중 취향을 학습할 때발생하는 문제를 해결함으로, 사용자 프로파일을 정확하게 구축할 수 있는 장점이 있다. 이러한 정확한 사용자 프로파일을 기반으로 사용자에게 보다 적절한 정보를 제공하는 적응형 전자상거래 시스템을 만들 수 있다.