• Proceedings of the Korea Information Processing Society Conference
• /
• 2000.10a
• /
• pp.289-292
• /
• 2000

인터넷이 생활의 일부분이 되어감에 따라 인터넷상에서 이루어지는 전자상거래는 빠르게 발전하고 있다. 지금까지의 전자상거래는 고객이 요구하는 제품을 판매하는 단순한 형태였다. 하지만 앞으로의 전자상거래에서는 고객이 선호할 만한 제품을 예상하여 고객에게 해당 제품을 추천해 줌으로서 양질의 서비스를 제공하고 더 많은 이익을 창출 할 수 있는 전자상거래 시스템이 요구되고 있다. 본 논문에서는 전자상거래시스템에서 이용될 수 있는 추천시스템을 개발하기 위하여 추천시스템의 핵심이 되는 사용자간 유사도에 기초한 GroupLens의 협동적 필터링 알고리즘을 실제 Data Set을 통해서 실험하였다. 또한 Data Set을 분석하여 아이템을 대표할 수 있는 장르를 결정하여 전체 학습데이터로부터 대표장르에 속하는 데이터들만을 분리하여 학습데이터로 사용하는 추천시스템을 제안하였고, 실험을 통하여 제안한 추천시스템의 타당성을 보였다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2023.07a
• /
• pp.11-12
• /
• 2023

본 논문에서는 상점 내 캡티브 포털을 활용하여 수집된 주문 정보 데이터를 바탕으로 사용자가 선호하는 메뉴를 추천하는 시스템을 제안한다. 이 시스템은 식품 관련 공공 데이터셋으로 학습된 단어 임베딩 모델(Word Embedding Model)로 메뉴명을 벡터화하여 그와 유사한 벡터를 가지는 메뉴를 추천한다. 이 기법은 캡티브 포털에서 수집되는 데이터 특성상 사용자의 개인정보가 비식별화 되고 선택 항목에 대한 정보도 제한되므로 기존의 단어 임베딩 모델을 추천 시스템에 적용하는 경우에 비해 유리하다. 본 논문에서는 실제 동일한 시스템을 사용하는 상점들의 구매 기록 데이터를 활용한 검증 데이터를 확보하여 제안된 추천 시스템이 Precision@k(k=3) 구매 예측에 유의미함을 보인다.

• Journal of Intelligence and Information Systems
• /
• v.18 no.4
• /
• pp.19-42
• /
• 2012

Consumer consumption patterns are shifting rapidly as buyers migrate from offline markets to e-commerce routes, such as shopping channels on TV and internet shopping malls. In the offline markets consumers go shopping, see the shopping items, and choose from them. Recently consumers tend towards buying at shopping sites free from time and place. However, as e-commerce markets continue to expand, customers are complaining that it is becoming a bigger hassle to shop online. In the online shopping, shoppers have very limited information on the products. The delivered products can be different from what they have wanted. This case results to purchase cancellation. Because these things happen frequently, they are likely to refer to the consumer reviews and companies should be concerned about consumer's voice. E-commerce is a very important marketing tool for suppliers. It can recommend products to customers and connect them directly with suppliers with just a click of a button. The recommender system is being studied in various ways. Some of the more prominent ones include recommendation based on best-seller and demographics, contents filtering, and collaborative filtering. However, these systems all share two weaknesses : they cannot recommend products to consumers on a personal level, and they cannot recommend products to new consumers with no buying history. To fix these problems, we can use the information which has been collected from the questionnaires about their demographics and preference ratings. But, consumers feel these questionnaires are a burden and are unlikely to provide correct information. This study investigates combining collaborative filtering with the centrality of social network analysis. This centrality measure provides the information to infer the preference of new consumers from the shopping history of existing and previous ones. While the past researches had focused on the existing consumers with similar shopping patterns, this study tried to improve the accuracy of recommendation with all shopping information, which included not only similar shopping patterns but also dissimilar ones. Data used in this study, Movie Lens' data, was made by Group Lens research Project Team at University of Minnesota to recommend movies with a collaborative filtering technique. This data was built from the questionnaires of 943 respondents which gave the information on the preference ratings on 1,684 movies. Total data of 100,000 was organized by time, with initial data of 50,000 being existing customers and the latter 50,000 being new customers. The proposed recommender system consists of three systems : [+] group recommender system, [-] group recommender system, and integrated recommender system. [+] group recommender system looks at customers with similar buying patterns as 'neighbors', whereas [-] group recommender system looks at customers with opposite buying patterns as 'contraries'. Integrated recommender system uses both of the aforementioned recommender systems to recommend movies that both recommender systems pick. The study of three systems allows us to find the most suitable recommender system that will optimize accuracy and customer satisfaction. Our analysis showed that integrated recommender system is the best solution among the three systems studied, followed by [-] group recommended system and [+] group recommender system. This result conforms to the intuition that the accuracy of recommendation can be improved using all the relevant information. We provided contour maps and graphs to easily compare the accuracy of each recommender system. Although we saw improvement on accuracy with the integrated recommender system, we must remember that this research is based on static data with no live customers. In other words, consumers did not see the movies actually recommended from the system. Also, this recommendation system may not work well with products other than movies. Thus, it is important to note that recommendation systems need particular calibration for specific product/customer types.

• Journal of Digital Contents Society
• /
• v.18 no.4
• /
• pp.707-712
• /
• 2017

As the amount of data increases exponentially, the recommender system is attracting interest in various industries such as movies, books, and music, and is being studied. The recommendation system aims to propose an appropriate item to the user based on the user's past preference and click stream. Typical examples include Netflix's movie recommendation system and Amazon's book recommendation system. Previous studies can be categorized into three types: collaborative filtering, content-based recommendation, and hybrid recommendation. However, existing recommendation systems have disadvantages such as sparsity, cold start, and scalability problems. To improve these shortcomings and to develop a more accurate recommendation system, we have designed a recommendation system as a factorization machine using actual online product purchase data.

• Journal of the Korean Institute of Intelligent Systems
• /
• v.16 no.2
• /
• pp.156-163
• /
• 2006

CF systems are widely used in recommendation due to the easy implementation and the outstanding performance. They have several problems such as the sparsity problem, the first-rater problem, and recommending explanation. Many studies are suggested to resolve these problems. While the influence of the sparsity problem lessens as the users' data are accumulated, but the first-rater problem is originated from the CF systems and there are a number of researches to overcome the disadvantages of CF systems based on the content-based methods. Also CF systems are black boxes, providing no explanation of working of the recommendation. In this paper we present a content-based prediction system based on the preference words, which exposes the reasoning behind a recommendation. Our system predicts user's rating of a new movie and we suggest a semiotic network-based method to solve the mismatching problem between the items. For experimental comparison, we used EachMovie and IMDb dataset.

• The Journal of the Korea Contents Association
• /
• v.11 no.12
• /
• pp.40-51
• /
• 2011

The key issues of recommendation systems provide the contents satisfying the interests of users for the huge amounts of contents over internet. The existing recommendation system use the algorithms considering the users' profiles and context information to enhance the exactness of a recommendation. However, the existing recommendation system can't satisfy the requirements of service providers because the business models of service providers is not considered. In this paper, we propose the mobile recommendation system using the composite contexts and the recommendation weights applying the business model of service providers. The proposed system retrieves the contents of the contents providers using composite context information and apply the recommendation weights to recommend the suitable contents for the business models of service providers. Therefore, we provide the contents satisfying the consumption value of users and the business models of service providers to mobile users.

• The Journal of Society for e-Business Studies
• /
• v.18 no.2
• /
• pp.279-299
• /
• 2013

The problem of choosing the right product that will best fit a consumer's taste and preferences extends to the field of electronic commerce. However, e-commerce has been able to create a technological proxy for the social filtering process, known as online recommender systems (RSs). RSs aid users in filtering products and decisions on matters relating to personal taste. RSs have the potential to support and improve the quality of the decisions consumers make when searching for and selecting products and services online. However, most previous research on RSs has focused on the accuracy of the algorithms, with little emphasis on user interface and perspectives. This study identified transparency and feedback as possible ways to effectively evaluate RSs from the user's perspective. Thus, this research focused on examining and identifying the roles of transparency and feedback in recommender systems and how they affect users' attitudes toward the system. Results of the study showed that both transparency and feedback positively and significantly affected perceived trust, perceived value of the process, and perceived enjoyment. Furthermore, we found that perceived trust, perceived value of the process, and perceived enjoyment positively and directly affected users' intentions to use/reuse a recommender system.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2020.11a
• /
• pp.982-983
• /
• 2020

추천 시스템은 사용자들의 과거 구매 이력 등을 학습해서 사용자들이 미래에 구매할 것 같은 상품을 추천한다. 대부분의 추천 시스템 관련 연구들은 사용자들과의 상호작용을 고려하지 않은 채 한 번의 모델 학습과 한 번의 추천만 수행하며, 사용자로부터 추천 결과에 대한 피드백을 받아서 더 나은 추천을 수행하려는 시도는 거의 이루어지지 않았다. 본 논문에서는 기존의 추천 모델들이 사용자와의 상호작용을 추가적으로 고려했을 때 어느 정도의 정확도 향상을 이룰 수 있는지에 대해서 분석한다. 특히 사용자와의 상호작용을 통해 사용자 취향의 다양성을 파악하고 이를 반영하여 더 나은 추천을 제공하는 방법에 대해서 논의한다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2023.05a
• /
• pp.459-460
• /
• 2023

기존의 추천시스템은 상품간 혹은 사용자 간의 유사도를 기반으로 작동한다. 하지만 이는 사용자가 유사한 상품 추천 속에 갇히게 되는 필터 버블의 문제와 추천시스템의 고질적인 문제인 데이터 희소성 문제를 피할 수 없게 된다. 따라서 본 연구에서는 사용자의 취향과 체형 정보를 반영하여 사용자의 평점을 예측하는 협업 필터링 기반 딥러닝 추천과 상품간 비유사성을 고려하여 사용자의 평점을 예측하는 내용 기반 추천을 혼합한 하이브리드 추천 모델을 구축하여 기존 추천시스템의 문제점을 해결하였다. 모델의 성능평가를 위해 인터넷 의류 쇼핑몰을 대상으로 유사한 이미지를 활용한 하이브리드 추천 모델과 NDCG 값을 비교하였고 유사도가 낮은 이미지를 활용한 모델이 더 우수한 성능을 보였다. 이는 다른 제품과는 달리 소비자가 의류를 구매할 경우 이미 구매한 상품과 유사한 상품보다는 유사하지 않은 상품을 구매할 가능성이 크다는 것을 보여준다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2006.10d
• /
• pp.385-390
• /
• 2006

모바일 환경이 언제, 어디서든지 원하는 서비스나 콘텐츠에 접근할 수 있다는 장점에도 불구하고, 모바일 단말기는 여러 가지 취약한 단점들을 가지고 있다. DMB, 인터넷, 모바일 등에 대한 콘텐츠 또는 정보의 양이 거대하게 증가하면서 사용자는 때때로 자신이 원하는 콘텐츠를 찾는데 어려움을 겪게 되며, 많은 시간을 소비하게 된다. 발전하는 모바일 환경 및 단말기의 장점을 최대한 이용할 뿐만 아니라 모바일 단말기가 가지는 제약 사항들의 한계를 극복하여 사용자가 원하는 정보 및 콘텐츠를 언제 어디서나 빠른 시간에 이용할 수 있는 모바일 환경에 적합한 추천시스템의 필요성은 증가하고 있다. 본 논문에서는 기존의 서버 중심의 추천시스템을 개선하여 클라이언트와 서버간의 데이터 교환을 통하여 추천 정확도를 높일 수 있는 추천시스템 구조를 제안한다. 제안하는 시스템은 사용자의 히스토리를 이용하며, 클라이언트에서는 모바일 단말기 사용자만의 히스토리를 이용한 추천 알고리즘을 적용하였고, 서버에서는 협업 필터링을 통해 다른 사용자의 히스토리를 이용한 추천 알고리즘을 적용하였다. 실험 결과는 서버 중심의 추천시스템 보다 더 높은 정확도를 제공할 수 있다는 것을 보여준다.