• Journal of Korea Society of Industrial Information Systems
• /
• v.17 no.5
• /
• pp.9-17
• /
• 2012

Merchandise recommendations service based on electronic commerce has been actively studied and on service these days. By virtue of progress in IT industry, POS has been widely used even in small shops, but the merchandise recommendations service using POS has not been much facilitated compared with that of using electronic commerce. This paper proposes a merchandise recommendations service system using association analysis by applying data mining algorithm to POS sales data. This paper, also, suggests novel services such as annihilation rule and new rule, and ascending and descending rules. The analysis results are applied to the customers enabling to offer merchandise recommendations service. In addition, prompt responses against the changes in demands from customers are possible by identifying the annihilation rule and new rule, and ascending and descending rules, and providing the management with the rules as managerial decision making information.

• Proceedings of the Korea Contents Association Conference
• /
• 2019.05a
• /
• pp.309-310
• /
• 2019

최근 들어 빅데이터 기반의 추천 방식과 개인화 시스템을 활용하여 맞춤형 콘텐츠를 추천해주는 서비스가 주목받고 있다. 이는 단순히 OTT 서비스뿐만 아니라 상품추천이나 음악 추천, 친구 추천, 뉴스 추천 등 여러 분야에서도 널리 사용 중이다. 본 연구는 OTT 서비스의 맞춤형 콘텐츠를 지속해서 이용하는 경우 정보 탐색 과정의 사용 경험과 이용만족도에 대해 알아보고자 시작되었다. OTT 서비스 중 사용자가 가장 많고 콘텐츠 추천 기능이 강점인 넷플릭스와 왓챠플레이를 중심으로 사용자 인터뷰를 진행하여 사용자들의 추천 기능 이용 패턴을 파악하고 그 과정에서의 특이사항이나 어려움을 파악하려 하였다. 이를 바탕으로 콘텐츠 추천 및 탐색 과정의 UX를 개선할 수 있는 방안을 제시하고자 하였다.

• 한국IT서비스학회:학술대회논문집
• /
• 2003.11a
• /
• pp.223-232
• /
• 2003

추천시스템을 설계하는 방법에는 크게 Content-Based Filtering 기법과 Collaborative Filtering 기법이 있다. 이 중 Collaborative Filtering 기법은 사용자가 아직 평가하지 못한 상품에 대한 예측값을 계산할 때, 나와 유사한 상품선호를 갖고 있는 사람들이 그 상품에 대해 평가한 점수를 활용하는 방법이다. 하지만 순수한 Collaborative Filtering 방법은 일반적으로 알려진 Data Sparsity의 문제, First Rater의 문제뿐만 아니라 예측값의 부정확성과 기하급수적 계산량의 증가로 실제구현이 어렵다는 문제점을 가지고 있다. 본 연구에서는 이러한 'Collaborative filtering' 시스템의 문제들 중 예측의 부정확성과 실제 구현의 어려움을 해결할 수 있는 방법으로 군집분석을 적용해 보았다. 특히 본 연구에서는 군집을 나눌 때, 실제 추천이 이루어지는 상품 도메인이 아닌, 그 상품도메인과 비슷한 선호의 기준을 가지고 선택하게 되는 '선택의 상관관계'가 높은 '이웃 상품도메인'에서 사용자들의 군집을 나누고 이를 실제 추천이 이루어지는 상품도메인에 적용하는 방식을 사용하였다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2001.10c
• /
• pp.466-468
• /
• 2001

전자상점에서 이루어지는 고객의 구매패턴이 온라인 상에서 데이터베이스화되어, 이를 통하여 고객의 취향에 맞는 상품을 제공할 수 있는 많은 알고리즘이 연구되고 있다. 이러한 알고리즘은 전자상점에서 고객의 개별특성을 고려한 상품을 제공하기 위하여, 고객정보 데이터베이스와 거래정의 데이터베이스로부터 연관규칙 등을 추출하여 사용한다. 그러나 시간의 흐름에 민감한 계절상품이나 특선상품과 같이 전자상점의 거래량에 크게 직결될 수 있는 것 등에도 같은 알고리즘을 적용한다면 추천성공률이 떨어질 것이다. 따라서 본 논문에서는 시간의 영향을 많이 받는 상품추천을 위하여, 최근 전자상점 추천시스템으로 효과적인 아이템 기반 협력알고리즘에 지수적 가중치를 적용하여 추천하는 알고리즘을 제안한다. 또한 이러한 추천시스템이 대용량의 고객데이터와 상품데이터에 대한 연산을 수행하고 다수의 고객에게 실시간으로 서비스를 제공하여야 하므로 MMDB를 활용한다.

• Proceedings of the Korea Inteligent Information System Society Conference
• /
• 2003.05a
• /
• pp.410-415
• /
• 2003

인터넷의 발전으로 전 세계적으로 다양한 인터넷 서비스들이 점차 확대되고 있으며, 특히 수익을 내는 방법으로서의 인터넷 전자상거래는 큰 비중을 차지하고 있다. 이에 수많은 사이트, 쇼핑몰은 상품과 고객들의 수많은 데이터를 데이터베이스 모듈로 관리하고 있다. 이렇게 고객에게 맞는 상품을 추천하기 위해 효율적으로 클러스터링 하는 방법이 요구된다. 이에 본 논문에서는 여러 클러스터링 방법 중에서 퍼지 이론을 기반으로 개선된 클러스터링 알고리즘을 이용하여 상품을 추천하고자 한다 이 방법은 클러스터의 개수가 한정되어 있는 기존의 방법에 클러스터의 유사도에 따른 유사성을 부여함으로써 더 세밀하고 정확한 클러스터링을 가능케 하여 이에 따른 개인의 성향에 맞게 개인화된 상품을 추천하는 시스템을 설계하고자 한다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2000.04a
• /
• pp.117-121
• /
• 2000

실세계에서의 상거래가 전자상거래로 전환되는 과정에서 점원의 역할이 많이 감소되고 있다. 점원의 역할 중 상품에 대한 정보를 제공하는 것은 HTML페이지에서 제공해 주고 있다. 그러나, 소비자의 성향을 파악하여 관련 상품을 추천해주는 일은 제대로 이루어지지 않고 있다. 본 논문에서는 에이전트를 이용하여 소비자들의 구매성향을 파악하고 이를 이용하여 관련 상품을 추천해주는 방법에 대해 기술하고 있다. 이를 위하여 분석에이전트와 추천에이전트를 사용하였으며 데이터마이닝 기법을 사용하였다.

• Proceedings of the Korea Contents Association Conference
• /
• 2018.05a
• /
• pp.19-20
• /
• 2018

전자상거래가 대중화되면서 다양한 아이템을 손쉽게 구매할 수 있는 환경이 조성되었다. 전자상거래에서 소비자의 구매율을 향상시키기 위해 개인 맞춤 추천 서비스가 요구되고 있다. 본 논문에서는 사용자 성향과 제품의 신뢰성을 고려한 상품 추천 기법을 제안한다. 사용자의 성향은 찜하기, 리뷰, 클릭 등과 같은 다양한 사용자의 행위 분석을 통해 추출하고 상품의 신뢰성은 SNS에서의 언급 수와 서비스내의 사용자 행위를 통해 계산한다. 계산된 성향을 기반으로 협업 필터링을 수행하여 상품별 예측 점수를 생성하고 상품의 신뢰성을 고려하여 최종적인 추천 목록을 생성한다.

• 한국IT서비스학회:학술대회논문집
• /
• 2008.05a
• /
• pp.516-520
• /
• 2008

협력적 필터링을 이용한 추천시스템은 인터넷 기반 전자상거래에서 좋은 추천 도구로 사용되고 있다. 협력적 필터링 방식은 고객의 선호도를 조사하여 이를 바탕으로 이웃 고객을 선정하고 이들에 대한 선호도를 수집하여 고객이 좋아할 만한 상품을 추천하는 기법이다. 이웃 고객에 대한 정보를 이용하여 추천에 사용하므로 이웃고객이 적은 경우 추천시스템의 예측에 어려움이 생긴다. 본 논문은 추천시스템의 예측 정확도를 높이기 위한 방법으로 희소성이 있는 상품을 우선 선정하고 그들 상품에 대한 선호도를 조사하였다. 그리고 이들에 대한 선호를 나타낸 고객들을 선별하여 추천시스템의 예측 정확도를 향상시키는 방법을 제안한다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2008.11a
• /
• pp.68-71
• /
• 2008

웹 상에 정보가 폭발적으로 증가함에 따라 각 사용자에게 맞는 정보를 선별하여 제공하는 개인화 서비스는 매우 중요한 이슈가 되었다. 기존 추천시스템들은 컨텐츠 기반 필터링과 협업 필터링 기법을 기반으로 한다. 그러나 이러한 방법들은 충분히 수집된 사용자 정보를 필요로 하기 때문에, 적절한 추천이 이루어지기 까지 다소 시간이 소요되는 문제를 가지고 있다. 또한 사용자의 성향이 지나치게 편중되는 경우, 사용자의 취향변화를 반영하여 새로운 상품을 추천하는 것은 어렵다. 실제로 사용자들은 웹 사이트의 방문 목적에 따라 개인화된 상품추천을 원하기도 하고, 많은 사용자들에게 인기 있는 상품을 원하기도 한다. 본 논문에서는 사용자의 행동분석을 기반으로, 협업 필터링을 기반으로 하는 개인화된 추천과 다수의 사용자들에게 공통적으로 인기 있는 상품의 추천 비율을 동적으로 조합하여 최종 추천 상품들을 선별하는 새로운 적응형 추천 시스템을 제안한다. 본 논문에서는 MovieLens의 데이터 셋을 이용하여 기존 추천기법들과 추천결과에 대한 정확도를 비교 실험하였으며, 보다 높은 정확도를 보이는 실험결과를 통해 제안시스템의 유효성을 확인하였다.

• Journal of the Korea Convergence Society
• /
• v.11 no.11
• /
• pp.19-24
• /
• 2020

Recently, due to the rapid increase of pets, there is a need for an integrated pet-related personalized product recommendation service such as feed recommendation using a health status check of pets and various collected data. This paper implements a product recommendation system that can perform various personalized services such as collection, pre-processing, analysis, and management of pet-related data using big data. First, the sensor information worn by pets, customer purchase patterns, and SNS information are collected and stored in a database, and a platform capable of customized personalized recommendation services such as feed production and pet health management is implemented using statistical analysis. The platform can provide information to customers by outputting similarity product information about the product to be analyzed and information, and finally outputting the result of recommendation analysis.