• 한국지능정보시스템학회:학술대회논문집
• /
• 한국지능정보시스템학회 2002년도 춘계학술대회 논문집
• /
• pp.342-351
• /
• 2002

A personalized product recommendation is an enabling mechanism to overcome information overload occurred when shopping in an Internet marketplace. Collaborative filtering has been known to be one of the most successful recommendation methods, but its application to e-commerce has exposed well-known limitations such as sparsity and scalability, which would lead to poor recommendations. This paper suggests a personalized recommendation methodology by which we are able to get further effectiveness and quality of recommendations when applied to an Internet shopping mall. The suggested methodology is based on a variety of data mining techniques such as web usage mining, decision tree induction, association rule mining and the product taxonomy. For the evaluation of the methodology, we implement a recommender system using intelligent agent and data warehousing technologies.

• 한국의류학회지
• /
• 제36권11호
• /
• pp.1222-1236
• /
• 2012

This study examined the effects of product recommendation services as an atmosphere for online mass customization shopping sites on consumers' cognitive and affective responses. We conducted a between-subject experimental study using a convenience sample of college students. A total of 196 participants provided usable responses for structural equation modeling analysis. The findings of the study support the S-O-R model for a product recommendation system as an element of the shopping environment with an influence on OMC product evaluations and arousal. The results showed that OMC product recommendation service positively affected cognitive and affective responses. The findings of the study suggest that OMC retailers might pay attention to the affective and cognitive responses of consumers through product recommendation services that can enhance product evaluations and OMC usage intentions.

• Soft Computing and Machine Intelligence
• /
• 제1권1호
• /
• pp.31-35
• /
• 2021

In recent years, due to COVID-19, the process of shopping has become more restricted and difficult for customers. Based on this aspect, customers are more interested in online shopping to keep the Untact rules and stay safe, similarly ordering their product based on their need and interest with most straightforward and fastest ways. In this paper, the reinforcement learning technique is applied in the product recommendation system to improve the recommendation system quality for better and more related suggestions based on click patterns and users' profile information. The dataset used in this system was taken from an online shopping mall in Jeju island, South Korea. We have compared the proposed method with the recent state-of-the-art and research results, which show that reinforcement learning effectiveness is higher than other approaches.

• 한국융합학회논문지
• /
• 제11권11호
• /
• pp.19-24
• /
• 2020

최근, 애완동물의 급격한 증가로 애완동물의 건강상태 체크와 다양하게 수집된 데이터를 활용하여 사료 추천 등 통합적인 애완동물관련 개인화 상품 추천 서비스가 요구된다. 본 논문은 빅 데이터 기술을 활용하여 애완동물관련 데이터 수집, 전처리, 분석, 관리등 다양한 개인화서비스를 할 수 있는 상품 추천시스템을 구현한다. 먼저, 애완동물이 착용하고 있는 센서 정보와 고객의 구매 패턴, SNS 정보를 수집해 데이터베이스에 저장하고 통계적 분석을 활용하여 사료제작, 애완동물 건강관리 등 맞춤형 개인화 추천 서비스가 가능한 플랫폼을 구현한다. 본 플랫폼은 유사도가 분석될 상품과 상품정보에 대한 유사도 상품 정보를 출력하고 최종적으로 추천 분석한 결과를 출력하여 고객에게 정보를 제공 할 수 있다.

• Journal of the Korean Data and Information Science Society
• /
• 제22권1호
• /
• pp.19-27
• /
• 2011

온라인 사용자에게 선택의 어려움을 줄여주고 사용의도를 높이기 위해 만들어진 것이 추천시스템이다. 추천시스템은 정보검색과 정보필터링을 용이하게 하고, 정보 과잉의 문제를 해결하는 데에 많은 도움을 주고 있다. 본 연구의 목적은 웹 상점을 이용하는 사용자들의 클릭스트림 데이터를 분석하여 데이터 인접성의 차이를 확인하고, 이를 통해 상품추천을 제안하고자 하는 데에 있다. 본 연구에서 제안하는 추천시스템의 성과를 검증하기 위하여 실험을 통해 알아본 결과, 추천시스템 적용 전보다 적용 후에 사용자들의 구매 의도는 높아졌고 탐색시간은 줄어들었다.

• Asia pacific journal of information systems
• /
• 제29권2호
• /
• pp.203-216
• /
• 2019

There is an accuracy-diversity dilemma with personalized recommendation services. Some researchers believe that accurate recommendations might reinforce customer satisfaction. However, others claim that highly accurate recommendations and customer satisfaction are not always correlated. Thus, this study attempts to establish the causal factors that determine customer satisfaction with personalized recommendation services to reconcile these incompatible views. This paper employs statistical analyses of simulation to investigate an accuracy-diversity dilemma with personalized recommendation services. To this end, we develop a personalized recommendation system and measured accuracy, diversity, and customer satisfaction using a simulation method. The results show that accurate recommendations positively affected customer satisfaction, whereas diverse recommendations negatively affected customer satisfaction. Also, customer satisfaction was associated with the recommendation product size when neighborhood size was optimal in accuracy. Thus, these results offer insights into personalizing recommendation service providers. The providers must identify customers' preferences correctly and suggest more accurate recommendations. Furthermore, accuracy is not always improved as the number of product recommendation increases. Accordingly, providers must propose adequate number of product recommendation.

• Journal of Information Processing Systems
• /
• 제17권2호
• /
• pp.369-384
• /
• 2021

In a personalized product recommendation system, when the amount of log data is large or sparse, the accuracy of model recommendation will be greatly affected. To solve this problem, a personalized product recommendation method using deep factorization machine (DeepFM) to analyze user behavior is proposed. Firstly, the K-means clustering algorithm is used to cluster the original log data from the perspective of similarity to reduce the data dimension. Then, through the DeepFM parameter sharing strategy, the relationship between low- and high-order feature combinations is learned from log data, and the click rate prediction model is constructed. Finally, based on the predicted click-through rate, products are recommended to users in sequence and fed back. The area under the curve (AUC) and Logloss of the proposed method are 0.8834 and 0.0253, respectively, on the Criteo dataset, and 0.7836 and 0.0348 on the KDD2012 Cup dataset, respectively. Compared with other newer recommendation methods, the proposed method can achieve better recommendation effect.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2017년도 춘계학술발표대회
• /
• pp.914-915
• /
• 2017

Importance and usage of the recommender system increases with the increase of information. The accuracy of the system recommendation primarily depends on the data. There is a problem in recommender systems, known as cold start problem. The lack of data about new products and users causes the cold start problem, and the system will not be able to give correct recommendation. This paper deals with cold start problem by comparing product specification and the review of the resembled products. The user, who likes the resembled product of the new one has more probability of taking interest in the new product as well. However, if a user disagreed with resembled product due to some reasons which the user mentioned in the reviews. The new product overcomes that issue, so the user will greatly accept the new product. Therefore, the system needs to recommend new product to those users as well, in this way the cold start problem will get resolved.

• 지능정보연구
• /
• 제13권1호
• /
• pp.91-105
• /
• 2007

본 연구에서는 사용자와 시스템간 양방향 의사소통 방법을 가능하게 하는 확률 유사성척도 기반의 추천시스템을 제안한다. 본 시스템에서 활용한 알고리즘의 주요한 아이디어는 사용자가 제시한 상품 사양에 대한 선호정보를 사용하여 상품의 효용 범위를 구하고, 두 상품의 효용범위 값들 간의 유사도의 값으로서 겹침 확률을 계산한다. 앞에서 구해진 상품 간 유사도의 값을 사용하게 되면, 유사 정도가 가장 높은 상품들을 유사상품으로 등록하게 된다. 본 추천시스템은 개별 사용자 별로 제시된 정보를 사용하므로 차별화 된 추천이 가능해진다. 본 시스템을 활용하게 되면 상품 정보를 공유하는 기업들이 협업 전자상거래 프로세스를 수행할 수 있다. 협업 기업들은 협업을 위한 상품들을 등록하고 해당 상품들과 유사한 상품들을 각 기업의 유사상품 데이터베이스에 저장하여, 향후 유사상품 추천에 활용할 수 있다. 본 연구에서 제시된 유사상품 추천시스템은 웹기반의 응용시스템으로서 인터넷이 가능한 어떠한 환경에서도 수행될 수 있다. 본 연구에서 제시된 절차의 효과를 검증하기 위하여 사용자 실험을 수행하였다. 실험결과를 살펴보면 효용기반의 방법론이 정확도와 만족도 측면에서 상품추천 문제에 대한 하나의 효과적인 해결책으로 사용될 수 있다는 것이 검증되었다.

• 정보처리학회논문지D
• /
• 제13D권7호
• /
• pp.1027-1038
• /
• 2006

대용량 데이터베이스에서의 추천시스템은 많은 문제점들을 지니고 있으므로, 대규모 인터넷 쇼핑몰에 적합한 추천 시스템 구조와 데이터 마이닝 기법의 필요성이 요구되고 있다. 따라서 본 논문에서는 k-mean 클러스터링과 순차 패턴 기법을 이용한 VLDB(very large database) 기반의 상품 추천 시스템을 설계 및 구현한다. 본 논문에서는 사용자의 정보를 일괄처리하고 다양한 카테고리를 계층적으로 정의하며, 탐색엔진에 순차 패턴 마이닝 기법을 이용한다. 예측 모델을 만들기 위하여 사용자의 로그 데이터 중에서 카테고리에 대한 사용자의 선호도를 추출하여 이용한다. 본 논문에서는 실험과 성능 평가를 위하여 국내 인터넷 쇼핑몰에서 30일 동안 수집한 실제 데이터를 이용한다. 또한 성능평가를 위하여 추천 예측 정확율(PRP: Predictive Recommend Precision), 추천 예측 재현율(PRR: Predictive Recommend Recall), 정확도 인수(PF1 : Predictive Factor One-measure)를 제안하여 사용한다. 성능평가 결과 가장 빠른 추천시간 및 학습시간은 O(N)이었고, 다양한 실험에서의 측도들의 값이 상당히 우수하였다.