• Proceedings of the Korean Society of Computer Information Conference
• /
• 2017.01a
• /
• pp.105-108
• /
• 2017

본 논문에서는 오픈마켓에서의 여행상품을 구입하기 전에 자신의 여행 기간을 입력하고 각 여행상품을 자신의 스케줄에 등록하여 개인에게 최적화된 여행 스케줄을 작성할 수 있는 시스템을 구현하였다. 그리고 개인화된 여행스케줄 생성을 위한 추천시스템은 설문형식의 사전 설정으로 개인이 선호하는 여행지를 선택하고 사용자와 유사한 성향을 지닌 기존 사용자들의 선호 콘텐츠를 추천하며, 여행상품 큐레이션 지원을 위해 현재 사용자의 상품페이지 방문패턴의 분석과 고객의 성향을 계량화한다.

• Journal of the Korea Society of Computer and Information
• /
• v.25 no.9
• /
• pp.53-62
• /
• 2020

Product recommendation services that have been researched recently are only recommended through the customer's product purchase history. In this paper, we propose the digital signage service through customers' behavior pattern analysis that is recommending through not only purchase history, but also behavior pattern that customers take when choosing products. This service analyzes customer behavior patterns and extracts interests about products that are of practical interest. The service is learning extracted interest rate and customers' purchase history through the Wide & Deep model. Based on this learning method, the sparse vector of other products is predicted through the MF(Matrix Factorization). After derive the ranking of predicted product interest rate, this service uses the indoor signage that can interact with customers to expose the suitable advertisements. Through this proposed service, not only online, but also in an offline environment, it would be possible to grasp customers' interest information. Also, it will create a satisfactory purchasing environment by providing suitable advertisements to customers, not advertisements that advertisers randomly expose.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2017.11a
• /
• pp.421-423
• /
• 2017

본 연구의 목적은 머신러닝 기법을 활용하여 e-commerce 시장에서 고객의 구매패턴을 파악하여 고객이 필요로 하는 상품 추천 모델을 만들고 이를 검증한다. 일반적으로 e-commerce 시장은 무분별한 정보의 제공으로 고객은 자신이 원하는 상품을 찾아 헤매야 하고 이는 기업들의 고객유지를 저해하여 기업 손실로 이어진다. 따라서 본 논문에서는 결정트리(Decision Tree)에 boosting 기법을 활용하여 고객의 주문내역과 상품정보 등을 분석하여 특징을 추출한 후 사용자에게 상품을 추천하는 모델을 만들어 검증한다. 그 결과 f1 score가 0.3792를 나타내었고 이는 고객이 다음에 구매하려는 목록의 30% 이상을 예측하는 결과이며 이는 기업이 고객에게 필요한 상품정보를 제공해주는 서비스임을 확인할 수 있었다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2019.10a
• /
• pp.781-784
• /
• 2019

최근 AI를 산업 서비스에 적용하기 위해 많은 회사들이 활발히 연구를 하고 있다. 아마존과 넷플릭스 같은 거대 기업들은 이미 빅데이터와 AI 머신러닝을 이용한 추천 시스템을 구현하였고 아마존은 매출의 35%가 추천에 의해 발생하고 넷플릭스 75%의 사용자가 추천을 통해 영화를 선택한다고 보고되었다. 이러한 두 기업의 높은 추천 효율성의 이유는 협업 필터링(Collaborative filtering)과 같은 다양한 추천 알고리즘과 방대한 상품 및 고객 행동(구매, 시청 등) 데이터 등이 존재하고 있기 때문이다. 기계학습에서 알고리즘 학습을 위한 데이터의 양이 많지 않을 경우 알고리즘의 성능을 보장할 수 없다는 것이 일반적인 의견이다. 방대한 데이터를 가진 기업에서 추천 알고리즘을 적극적으로 활용 및 연구하고 있는 것도 이러한 이유 때문이다. 반면, 오프라인 및 여행사 기반에서 온라인 기반으로 영역을 차츰 확대하고 있는 항공 서비스 고객 데이터의 경우, 산업의 특성상 많은 회원에 비해 고객 1명당 온라인에서 활동하는 이력이 많지 않은 것이 특징이다. 이는, 추천 알고리즘을 통한 서비스 제공에서 큰 제약사항으로 작용한다. 본 연구에서는, 이러한 희박한 고객 활동 데이터에서 최신성 기반의 추천 시스템을 통하여 제약사항을 극복하고 추천 효율을 높이는 방법을 제안한다. 고객의 최근 접속 이력 로그를 시간 기준으로 데이터 셋을 분할하여 추천 알고리즘에 반영하였을 때, 추천된 노선에 대한 고객의 반응을 추천 성능 지표인 CTR(Click-Through Rate)로 측정하여 성능을 확인해 보았다.

• Information Systems Review
• /
• v.23 no.1
• /
• pp.155-172
• /
• 2021

With the recent increase in online product purchases, a recommender system that recommends products considering users' preferences has still been studied. The recommender system provides personalized product recommendation services to users. Collaborative Filtering (CF) using user ratings on products is one of the most widely used recommendation algorithms. During CF, the item-based method identifies the user's product by using ratings left on the product purchased by the user and obtains the similarity between the purchased product and the unpurchased product. CF takes a lot of time to calculate the similarity between products. In particular, it takes more time when using text-based big data such as review data of Amazon store. This paper suggests a hybrid recommendation system using a 2-phase methodology and text data mining to calculate the similarity between products easily and quickly. To this end, we collected about 980,000 online consumer ratings and review data from the online commerce store, Amazon Kinder Store. As a result of several experiments, it was confirmed that the suggested hybrid recommendation system reflecting the user's rating and review data has resulted in similar recommendation time, but higher accuracy compared to the CF-based benchmark recommender systems. Therefore, the suggested system is expected to increase the user's satisfaction and increase its sales.

• Proceedings of the Korean Information Science Society Conference
• /
• 2010.06c
• /
• pp.404-409
• /
• 2010

협력 필터링(Collaborative Filtering)은 상품추천, 영화추천 등에 사용되는 대표적인 방법으로서, 사용자들의 사용이력에 기반해서 유사도가 높은 항목들을 찾아낸다. 본 연구에서는 상용 IPTV 서비스에 협력 필터링을 적용했을 때 만들어지는 모델을 분석하여 어떤 요소들이 협력 필터링 모델의 생성에 영향을 끼치는지 분석했다. 이를 통해 IPTV 영역에 협력 필터링을 적용했을 때 영향을 끼치는 요소들과 다른 영역과는 다르게 고려해야 할 사항들을 알 수 있었다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2008.05a
• /
• pp.36-39
• /
• 2008

최근 소셜 네트워크 기반의 서비스들을 중심으로 거대한 시장이 형성되고 있다. 소셜 네트워크 서비스의 수가 급격하게 증가하고 있는 상황에서 소셜 네트워크에 존재하는 수많은 리소스들을 이용하여 여러 영역에서 필요한 전문가를 찾아주는 시스템을 구성해보고자 한다. 기존의 추천시스템은 특정한 상품이나 소수 사용자 피드백을 바탕으로 추천 시스템을 구성하였다. 그러나 소셜 네트워크를 이용한 추천 시스템에 관한 연구는 미비한 상황이다. 본 논문에서는 거대한 소셜 네트워크의 리소스를 처리하기 위한 분산처리시스템과 소셜 네트워크를 이용하여 전문가 추천 시스템을 구성한다. 이를 이용하여 다양한 영역에서 적절한 전문가를 찾아주는 서비스를 제공해 준다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2004.04a
• /
• pp.754-756
• /
• 2004

본 논문에서는 B2B e-Marketplace에 참여하는 비즈니스 파트너들에게 새로운 상품을 추천하기 위한 웹 에이전트 기반 추천 시스템을 제안한다. 본 논문에서 제시하는 추천 시스템은 비즈니스 파트너에 대한 정보를 수집하기 위한 모니터링 에이전트, 수집된 정보를 분석하기 위한 분석 에이전트, 그리고 분석결과를 이용하여 추천 서비스를 제공하기 위한 추천 에이전트로 구성된다. 이와 같은 웹 에이전트 기반의 추천 시스템은 다수의 공급자와 다수의 비즈니스 파트너가 참여하는 B2B 환경에서 실시간으로 비즈니스 파트너의 수요나 성향에 맞는 서비스 제공을 통해 공급자와 비즈니스 파트너간의 수요/공급 예측 및 협력관계를 향상시킬 수 있다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2022.01a
• /
• pp.23-26
• /
• 2022

OTT 서비스의 이용자가 폭발적으로 증가하고 있는 지금, 사용자에게 맞춤형 상품을 추천하는 것은 해당 서비스에서 중요한 사안이다. 본 논문에서는 콘텐츠 기반 추천 시스템의 모델을 제안하고, 영화 데이터를 추가 해가며 예측력을 높일 최종적인 모델을 채택하고자 한다. 이를 위해 GroupLens와 Kaggle에서 영화 데이터를 수집하고 총 1111개의 영화, 943명의 사용자에게서 나온 71026개의 영화 평가 데이터를 이용하였다. 모델 평가 결과, 장르와 키워드만을 이용한 추천 시스템 모델의 RMSE는 1.3076, 단계적으로 데이터를 추가해 최종적으로 장르, 키워드, 배우, 감독, 나라, 제작사를 이용한 추천 시스템 모델의 RMSE는 1.1870으로 모든 데이터를 추가한 모델의 예측력이 더 높았다. 이에 따라 장르, 키워드, 배우, 감독, 나라, 제작사를 이용해 구현한 모델을 최종적인 모델로 채택, 무작위로 추출한 한 명의 사용자에 대한 영화 추천 리스트를 뽑아낸다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2023.05a
• /
• pp.413-414
• /
• 2023

IT 기술의 발달로 E-Commerce 분야는 실시간으로 발생되는 데이터양이 증가하고 있으며, 발생된 데이터는 개인화 맞춤 서비스에 많이 활용되고 있다. 그러나 신생 E-commerce 기업은 신규 상품 및 기존 상품에 대한 정보와 고객 간의 상호 작용 데이터가 존재하지 않아 콜드 스타트 문제가 발생한다. 이에 본 논문에서는 E-commerce 환경에서 실시간 사용자 구매패턴 분석을 통한 사용자 상품 추천 시스템을 제안한다. 제안하는 시스템은 Kafka와 Spark를 사용해 실시간 스트림을 데이터를 처리한다. 주요 기능은 ALS 알고리즘과, FP-Growth 알고리즘을 적용해 콜트 스타트 문제를 해결하며, 사용자 구매 패턴 분석을 통한 분석 결과에 맞는 상품을 사용자에게 추천한다.