• 지능정보연구
• /
• 제17권4호
• /
• pp.305-316
• /
• 2011

협업필터링은 다양한 분야에서 널리 활용되고 있지만 협업필터링의 추천 성능은 적용하는 기업의 비즈니스 형태나 발생하는 거래 데이터의 특성에 따라 다르게 나타나고 있다. 기업에서 협업필터링 추천시스템을 구축하려면 상당한 시간과 비용이 소요되기 때문에 구축된 추천시스템의 성과가 높지 않다면 기업 자원의 낭비를 초래할 뿐만 아니라 부정확한 추천서비스를 받는 고객들의 불만을 살 수 있다. 따라서 추천시스템 도입을 검토할 때 기업이 갖고 있는 데이터의 특성을 파악하고 이를 통해 추천시스템을 도입하는 것이 타당한지 사전에 예측할 수 있다면 불필요한 도입으로 인한 경제적 손실과 고객 만족도 저하를 막을 수 있을 것이다. 기존 연구에서는 협업필터링 추천 성과에 희박성, 우연성, 커버리지 등이 영향을 미칠 수 있다고 설명하고 있지만 이러한 요인들이 어떻게 얼마나 추천 성과에 영향을 미치는지, 요인들 간에 어떠한 상관관계가 있는지는 현재까지 구체적으로 밝혀진 바가 없다. 본 연구에서는 구매 트랜잭션으로부터 생성된 소셜네트워크로부터 밀도, 군집화계수, 집중도 등의 구조적 지표를 측정한 후 이들이 추천성과에 어떻게 영향을 미치는지 통계적 분석을 통해 실증적으로 규명한다. 이를 통해 협업필터링 추천시스템에 대한 도입 여부를 결정하고자 할 때 유용하게 사용될 수 있는 지침을 제공하고자 한다.

• 한국전자거래학회지
• /
• 제13권4호
• /
• pp.173-191
• /
• 2008

오늘날 인터넷의 전반적인 보급 및 전자상거래의 확산으로 인하여 정보의 홍수를 이루게 되었고, 고객들은 자신이 원하는 제품이나 서비스를 선택하기 위해서 정보를 탐색하는 작업이 더욱 어려워지게 되었다. 이러한 고객들에게 좀 더 편리하게 자신이 원하는 제품이나 서비스를 선택하도록 도와주는 것이 추천 시스템으로서, 고객 관계 관리의 중요한 부분으로 자리 잡게 되었다. 본 연구에서는, 인터넷 서점을 이용하는 고객에게 그가 관심을 가질만한 서적을 추천하여 줌으로써 구입할 서적의 선택을 도와주는 서적 추천 시스템을 개발하였다. 기존의 서적 추천 시스템 개발에 협업 필터링 기법이 주로 활용되어 왔다. 하지만 협업 필터링 기법을 적용하기 위해서는 각 서적에 대한 구매자들의 평가치가 수집되어야 하는데, 이러한 평가치들은 시스템 개발 이전에 오랜 기간에 걸쳐 정교한 계획 하에서 수집되어야 한다. 더욱이 구매자들이 평가치 제공에 협조하지 않을 경우에는 추천 시스템 자체의 작동이 불가능하게 된다. 그러므로 본 연구에서는 고객들의 구매기록만으로 서적 추천을 수행할 수 있도록 사례기반추론 기법을 활용하여 시스템을 개발 하였는데, 서적의 소분류 코드를 예측하는 상황에서 약 40% 수준의 적중률을 보였다.

• 지능정보연구
• /
• 제23권4호
• /
• pp.77-110
• /
• 2017

최근 인터넷 기반의 웹 및 모바일 기기를 통한 소비 패턴의 다양화와 개성화가 급진전됨에 따라 전통적 유통채널인 오프라인 매장의 효율적 운영이 더욱 중요해졌다. 매장의 매출과 수익 모두를 제고하기 위해 매장은 소비자에게 가장 매력적인 상품을 적시에 공급-판매 해야 하는데 많은 상품들 중에서 어떤 SKU를 취급하는 것이 판매 확률을 높이고 재고 비용을 낮출 수 있는지에 대한 연구가 부족한 실정이다. 특히, 여러 지역에 걸쳐 다수의 오프라인 매장을 통해 상품을 판매하는 기업의 경우 고객에게 매력적인 적절한 SKU를 추천 받아 취급할 수 있다면 매장의 매출 및 수익률 제고에 도움이 될 것이다. 본 연구에서는 개인화 추천에 이용되어 왔던 협업 필터링과 하이브리드 필터링 등의 추천 시스템(Recommender System)을 국가별, 지역별로 복수의 판매 매장을 통해 동종 브랜드를 취급하는 유통 기업의 매장 단위 취급 SKU 추천 방식을 제안하였다. 각 매장의 취급 품목별 구매 데이터를 활용하여 각 매장 별 유사성(Similarity)을 계산하고 각 매장의 SKU별 판매 이력에 따라 협업 필터링을 하여 최종적으로 매장에 개별 SKU를 추천하였다. 또한 매장 프로파일 데이터를 활용하여 주변수 분석 (PCA : Principal Component Analysis) 및 군집 분석(Clustering)을 통하여 매장을 4개의 군집으로 분류한 뒤 각 군집 내에서 협업 필터링을 적용한 하이브리드 필터링 방식으로 추천 시스템을 구현하고 실제 판매 데이터를 바탕으로 두 방식의 성능을 측정하였다. 현존하는 대부분의 추천 시스템은 사용자에게 영화, 음악 등의 아이템을 추천하는 방식으로 연구가 진행되어 왔고 실제로 산업계에서의 적용 또한 개인화 추천 시스템이 주류를 이루고 있다. 그 동안 개인화 서비스 영역에서 주로 다루어져 왔던 이러한 추천 시스템을 동종 브랜드를 취급하는 유통 기업의 매장 단위에 적용하여 각 매장의 취급 SKU를 추천하는 방식에 대한 연구는 거의 이루어지지 않고 있는 실정이다. 기존 추천 방법론의 추천 적용 대상이 '개인의 영역이었다면 본 연구에서는 국가별, 지역별로 복수의 판매 매장을 통해 개인의 영역을 넘어 매장의 영역으로 확대하여 동종 브랜드를 취급하는 유통 기업의 매장 단위 취급 SKU 추천 방식을 제안하고 있다. 또한 기존의 추천시스템은 온라인에 한정되었다면 이를 오프라인으로 활용 범위를 넓히고, 기존 개인을 기반으로 분석을 하는 것보다 매장영역으로 확대 적용하기에 적합한 알고리즘을 개발하기 위해 데이터마이닝 기법을 적용하여 추천 방법을 제안한다. 본 연구의 결과가 갖는 의의는 개인화 추천 알고리즘을 동일 브랜드를 취급하는 복수의 판매 매장에 적용하여 의미 있는 결과를 도출하고 실제 기업을 대상으로 시스템으로 구축하여 활용할 수 있는 구체적 방법론을 제시했다는 데에 있다. 개인화 영역을 위주로 이루어졌던 기존의 추천 시스템과 관련한 학계의 연구 영역을 동종 브랜드를 취급하는 기업의 판매 매장으로 확장시킨 첫 시도라는 데에도 의미가 있다. 2014년 03주차 ~ 05주차 전(全) 매장 판매 수량 실적 Top 100개 SKU로 추천의 대상을 한정하여 협업 필터링과 하이브리드 필터링 방식으로 52개 매장 별로 취급 SKU를 추천하고, 추천 받은 SKU에 대한 2014년 06주차 매장별 판매 실적을 집계하여 두 추천 방식의 성과를 비교하였다. 두 추천 방식을 비교한 이유는 본 연구의 추천 방법이 기존 추천 방식 보다 높은 성과를 입증하기 위해 단순히 오프라인에 협업필터링을 적용한 것을 기준 모델로 정의하였다. 이 기준 모델에 오프라인 매장 관점의 특성을 잘 반영한 본 연구 모델인 하이브리드 필터링 방법과 비교 함으로써 성과를 입증한다. 연구에서 제안한 방식은 기존 추천 방식보다 높은 성과를 나타냈으며, 이는 국내 대기업 의류업체의 실제 판매데이터를 활용하여 입증하였다. 본 연구는 개인 수준의 추천시스템을 그룹수준으로 확장하여 효율적으로 접근하는 방법을 이론적인 프레임 워크를 만들었을 뿐 아니라 실제 데이터를 기반으로 분석하여 봄으로써 실제 기업들이 적용해 볼 수 있다는 점에서 연구의 가치가 크다.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2017년도 춘계학술발표대회
• /
• pp.439-441
• /
• 2017

Matrix factorization은 사용자의 아이템 선호도를 통해 아이템을 추천해주는 성공적인 기술 중 하나이다. 이 기법은 사용자-아이템의 선호도 행렬을 채우는 것을 목표로 한다. 이 목표를 달성하기 위해 사용자-아이템의 선호도 행렬을 사용자 행렬(user latent factor)와 아이템 행렬(item latent factor)로 분해하고, 각 행렬에 대해 추론하여 완성된 사용자-아이템의 선호도 행렬을 추론한다. 하지만 Matrix factorization은 아이템의 수가 많고, 아이템에 대한 사용자들의 선호도 데이터가 적을 때 성능이 제한된다. 또한 새로운 아이템이 추가되었을 때, 새로운 아이템에 대한 사용자들의 선호도 정보가 없기 때문에 새로운 아이템이 추천되지 않는다는 문제를 가진다. 이를 해결하기 위해 본 논문에서는 아이템에 대한 부가적인 정보인 아이템 간의 유사도 정보와 아이템의 시나리오 정보의 유사도를 모델링하여 기존의 전통적인 Matrix factorization에 추가하는 아이템 정보 기반 추천 시스템을 제안한다.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2016년도 춘계학술발표대회
• /
• pp.408-411
• /
• 2016

애플리케이션에서 고객들에 의해 생성된 평가정보는 해당 콘텐츠에 대한 고객별 선호도 정보로 볼 수 있기 때문에, 개인에게 맞춤형 추천 시스템을 설계하기 위해서 매우 중요하다. 현재 추천 시스템 분야에서 가장 많이 사용되고 있는 사용자 기반 추천 시스템은 사용자의 평점 정보만을 가지고 유사도를 측정하여 추천에 사용하고 있다. 그러나 이러한 평점 정보만을 가지고 사용자 유사도를 도출하는 것은 정밀하지 못할 수 있다. 따라서 본 연구에서는 사용자의 평점 정보 뿐만 아니라 콘텐츠의 내용을 활용하여 사용자의 선호 콘텐츠를 지식구조의 형태로 나타냄으로써 콘텐츠와 사용자의 관계를 유기적으로 표현하였다. 이와 같은 사용자의 지식구조를 바탕으로 사용자간의 유사도를 평가하고 추천에 활용하였고, 실험결과 제시된 방법으로 더 우수한 성능을 얻을 수 있는 것으로 나타났다.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2007년도 추계학술발표대회
• /
• pp.436-439
• /
• 2007

추천 서비스는 사용자에게 적합한 서비스를 선응적으로 제공하는 기술로써, 전자상거래 환경을 중심으로 널리 이용되고 있다. 그러나, 유비쿼터스 환경에서도 가장 활발한 기술 접목이 이루어지는 홈 네트워크 환경 내에 추천 서비스가 적용된 사례는 많지 않다. 본 논문에서는 홈 네트워크 환경에서 누적된 사용자와 기기 간 상호작용 정보들을 바탕으로 사용자 위치 기반의 개인화된 서비스를 추천하는 알고리즘을 제안한다. 본 알고리즘에서는 밀도기반 초기값 선정 기법을 적용한 군집화를 통해 필요한 데이터만을 추출함으로써 서비스 추천의 효율성 및 정확성을 높인다. 또한, 사용자 기반의 협업 필터링을 이용하여 데이터가 충분히 많지 않은 상황에서도 정확한 서비스 추천을 수행한다.

• 정보과학회 컴퓨팅의 실제 논문지
• /
• 제22권12호
• /
• pp.646-653
• /
• 2016

해외여행시장은 매년 가파르게 성장하고 있는 산업중 하나이며 2016년 11조의 시장을 형성하고 있다. 거대한 시장형성과는 달리 해외여행상품 추천에 대한 국내연구는 전무한 상태이다. 많은 상품 추천 방법들이(협업적 필터링, 내용기반 필터링) 기존 구매 내역을 대상으로 하거나 혹은 상품의 유사성을 이용한 연구들이 주를 이루고 있다. 이러한 연구들은 연산할 데이터의 양이 많아질 경우 속도의 저하와 데이터가 충분히 확보되지 못한 상황 하에서는 좋은 성능을 보여주지 못하고 있다. 해외 여행상품의 특성상 1-2년에 한번정도의 구매패턴과 상품들의 가격대가 상대적으로 높으며, 동일 상품의 구매가 거의 없는 특징이 있기 때문에 일반적인 상품추천 시스템의 고객 프로파일링 방법으로는 적용에 한계가 있다. 이에 웹사용성(Web Usage Mining)을 통한 고객 프로파일링 기법, 데이터의 희소성 문제를 해결하기 위한 연관규칙 알고리즘과 규칙 기반 알고리즘을 결합하여 고속의 상품 추천시스템 방법을 제안한다. 본 논문에서는 연관규칙 방법에서 가장 많이 사용되어지는 Apriori 방법, 규칙기반 방법(Rule Base) 과 실제 여행사의 웹로그를 사용하여 46%라는 높은 추천 성능의 결과를 검증하였으며, 상품의 개수와 고객의 수가 상품추천 처리 속도에 영향을 주지 않으며, 실제 커머셜한 환경 하에서도 1초이내에 상품을 추천해줄 수 있는 결과를 보여준다.

• 한국융합학회논문지
• /
• 제10권9호
• /
• pp.31-36
• /
• 2019

전인적인 인격 형성에 근본적인 역할을 하고 있는 음악과 치료가 융합된 분야인 음악치료는 다양하고 복잡한 치료 방법을 가지고 있다. 음악치료를 담당하고 있는 음악치료사들은 내담자와의 상담에 역전이와 같은 경우의 현상이 발생하기도 하며, 심리적 소진을 경험하고 있기에, 음악 치료의 최종 목표 도달에 많은 어려움이 발생하고 있는 상황이다. 본 논문에서는 음악치료를 위하여 방문한 내담자와의 원활한 음악 치료 상담을 위하여 협업 필터링 기반의 음악치료 상담 자료 추천 모델을 제안한다. 제안 모델은 기존 상담 데이터와 새로운 상담자의 데이터를 유클리디안 거리 알고리즘을 통하여 유사도를 파악하고, 이를 통하여 유사 상담 자료를 추천하는 것으로서, 음악치료사들은 음악 치료가 필요한 상담자에게 가장 적합한 상담 자료를 제공할 수 있기에 원활한 상담이 진행될 수 있을 것으로 기대된다.

• 한국정보통신학회논문지
• /
• 제21권6호
• /
• pp.1183-1190
• /
• 2017

네트워크와 IT 기술의 발전으로 사용자들은 장소에 구애 받지 않고 어디서든 본인이 원하는 아이템을 검색하고 구매하고 있다. 이에 따라 추천시스템에서 급증하는 데이터로 인한 확장성 문제를 어떻게 해결할 것인가에 대한 연구들이 다양하게 진행되고 있다. 본 논문에서는 Tag 가중치를 적용한 아이템 기반 협업 필터링 기법과 분산 병렬 처리 방식인 MapReduce 방법을 적용한 추천 기법을 제안한다. 제안하는 기법은 속도 향상과 효율성을 위해 전처리 과정에서 아이템을 카테고리별로 분류하고 노드 수에 맞게 그룹지은 후 사용한다. 각 분산 노드에서 4번의 Map-Reduce 단계를 통해 데이터 처리를 진행하는데 사용자에게 더 나은 아이템을 추천하기 위해 유사도 계산에서 아이템 Tag 가중치를 사용한다. 마지막 Reduce 단계를 거쳐 출력된 예측값 중 상위 N개의 아이템을 추천에 사용한다. 실험을 통해 제안 하는 기법이 대량의 데이터를 효율적으로 처리하며 기존의 아이템 기반 기법보다 추천의 적합성도 향상되는 것을 확인하였다.

• 한국정보통신학회논문지
• /
• 제22권5호
• /
• pp.715-721
• /
• 2018

모바일 기기의 확산으로 소셜 네트워크 서비스나 전자상거래 사이트의 사용자 수가 급증하고 있고 사용자들이 남긴 데이터의 양도 기하급수적으로 증가하고 있다. 그로 인해 전자 상거래 기업들은 사용자들이 남긴 방대한 양의 데이터로부터 어떻게 유용한 정보를 추출할 것인가 하는 과제를 갖게 되었다. 이러한 문제를 해결하기 위해 추천 시스템에 빅 데이터 처리 기법을 적용한 다양한 연구들이 이루어지고 있다. 본 논문에서는 Apache Spark 플랫폼에서 Tag 가중치를 적용한 협업 필터링 기법을 사용한 추천방식을 제안한다. 제안하는 기법은 추천의 정확성을 높이기 위해 전처리 과정에서 Tag 데이터를 정제하고 아이템을 분류한 후 아이템 평가값에 기간 정보와 Tag 가중치를 적용하여 사용한다. RDD(Resilient Distributed Dataset)를 생성한 후 아이템 유사도와 예측값을 구하고 사용자에게 아이템을 추천한다. 실험을 통해 제안 하는 기법이 대량의 데이터를 빠르게 처리하고 추천의 적합성도 향상되는 것을 확인하였다.