• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2008년도 춘계학술발표대회
• /
• pp.40-43
• /
• 2008

This paper describes a Grid-based context-aware doctor recommender system which recommends appropriate doctors for a patient or user at the right time in the right place. The core of the system is a recommendation mechanism that analyzes a user's demographic profile, user's current context information (i.e., location, time, and weather), and user's position so that doctor information can be ranked according to the match with the preferences of a user. The performance of our architecture is evaluated compare to centralized recommender system.

• 지능정보연구
• /
• 제18권4호
• /
• pp.19-42
• /
• 2012

고객이 상품을 구매하는 패턴이 빠르게 변화하고 있다. 오프라인에서 고객이 직접 상품을 보고, 체험한 후 구매하던 패턴이 TV홈쇼핑, 인터넷 쇼핑 등 고객이 편리한 장소에서 자유롭게 구매하는 방법으로 확산되었다. 이처럼 구매 가능한 상품의 범위는 점점 더 다양해지고 있지만 이로 인하여 고객이 상품을 구매할 때 생기는 번거로움은 더욱 커지고 있다. 오프라인에서는 물건을 직접보고 구매하기 때문에 반품율이 낮은 반면에 온라인 구매 물품은 배송과 환불 등에서 복잡한 일들이 많이 발생한다. 온라인을 통해서 물건을 구매할 때 상품에 대한 사전 정보는 매우 한정적이며 실제로 물건을 구매했을 경우 고객이 생각했던 것과 다를 수 있다. 이러한 결과는 결국 고객의 불만족 및 구매취소로 이어진다. 또한 TV홈쇼핑이나 인터넷 쇼핑 등을 통해서 물건을 구매할 때 고객들은 이미 상품을 구매한 고객의 리뷰에도 관심을 기울이고 있다. 좋은 평가를 받은 상품은 더 많은 매출로 이어질 수 있기 때문에 기업은 이에 관심을 기울일 필요가 있다. 고객의 욕구를 만족시킬 수 있는 적절한 상품을 추천해 주고 이를 구매로 연결시키는 것은 기업의 이윤 창출과 직결되기 때문에 그 중요성이 강조된다. 고객을 위한 추천방법은 베스트셀러기반 추천방법, 인구통계 정보기반 추천방법, 최소질의대상 상품결정방법, 내용필터링기법, 협력필터링기법 등이 존재하며, 이에 대한 많은 연구가 활발하게 진행되고 있다. 그러나 위의 방법들을 신규고객에게 적용하는 것에는 문제가 발생할 수 있다. 신규고객은 상품에 대한 과거 구매이력이 존재하지 않기 때문이다. 이를 해결하기 위한 방안으로 가입 시, 고객의 인구통계적 정보나 선호도에 대한 응답을 유도하는 방법을 활용할 수 있다. 그러나 고객이 이에 대한 번거로움을 느낄 수도 있으며, 불완전한 답변을 하게 되면 추천의 정확도는 감소한다. 최근 이미 상품을 구매한 고객의 리뷰 및 기업에서 추천하는 제품에 의존하는 고객들이 증가하면서 이를 악용하는 사례도 자주 등장한다. 결국 추천에 대한 고객들의 신뢰는 감소하게 될 것이다. 따라서 좀 더 명확한 방식의 추천시스템이 절실하며, 이것이 개선된다면 는 곧 고객들의 신뢰 증가로 이어질 것이다. 본 연구에서는 협력필터링기법과 사회연결망기법의 중심성을 결합한 분석을 시도하였다. 중심성은 신규고객의 선호도를 기존고객들의 데이터를 통하여 유추하기 위하여 활용되는 정보이다. 기존 연구들에서는 기존고객들의 구매 가운데 구매성향이 유사한 고객들의 정보에 초점을 맞추고 있으며 구매성향이 다른 고객들의 정보에 대한 분석은 이루어지고 있지 않다. 그러나 이처럼 구매성향이 서로 다른 고객들의 정보를 활용한다면 추천의 정확성이 더 향상되지 않을까 하는 점을 기반으로 데이터들을 다양한 방식으로 분석하였다. 연구에 사용된 데이터는 미네소타대학의 GroupLens Research Project팀이 협력필터링기법을 통하여 영화를 추천하기 위해 만든 MovieLens의 데이터이다. 이는 1,684편의 영화에 대한 선호도를 943명이 응답한 정보로 총 100,000개의 데이터가 있다. 이를 시간 순으로 구분하여 초기 50,000개의 데이터를 기존고객의 데이터로, 후기 50,000개의 데이터를 신규고객의 데이터로 사용하였다. 이 때, 신규고객과 기존고객은 연구자가 임의로 구분한 것이다. 따라서 신규고객이라고 표현되는 고객의 데이터는 실제로 추천시스템을 통해 정보를 제공받은 고객이라고는 볼 수 없다. 그러나 현실적으로 실제 신규고객의 데이터를 수집하는 것이 쉽지 않기 때문에 전체 고객의 정보를 시간 순으로 구분하고 신규고객으로 분류한 것임을 밝혀둔다. 제시된 추천시스템은 [+]집단 추천시스템, [-]집단 추천시스템, 통합 추천시스템으로 총 3가지이다. [+]집단 추천시스템은 기존의 연구들과 유사한 방식으로 유사도가 높은 고객들을 신규고객의 이웃고객으로 분석하였다. 유사도가 높다는 것은 다른 고객들과 상품 구매에 대한 성향이 유사한 것을 의미한다. 또한 [-]집단 추천시스템은 유사도가 낮고 다른 고객들과 상품의 구매패턴이 반대에 가까운 고객들의 데이터를 활용하였으며, 통합 추천시스템은 [+]집단 추천시스템과 [-]집단 추천시스템을 결합한 방식이다. [+]집단 추천시스템과 [-]집단 추천시스템에서 각각 추천된 영화 가운데 중복되는 영화만을 신규고객에게 추천하는 방식이다. 다양한 방법의 시도를 통하여 적절한 추천시스템을 찾고, 추천시스템의 정확도를 향상시키는데 그 목적이 있다. 활용된 데이터의 분석 결과는 통합 추천시스템이 정확도가 가장 높았으며 [-]집단 추천시스템, [+]집단 추천시스템의 순인 것으로 나타났다. 이는 통합 추천시스템이 가장 효율적일 것이라는 연구자의 추측과 일치하는 결과이다. 각각의 추천시스템은 정확도의 변화를 쉽게 비교할 수 있도록 등고선지도 및 그래프를 이용하여 나타냈다. 연구의 한계점으로는 연구자가 제시한 통합 추천시스템과 [-]집단 추천시스템에 대한 정확도는 향상되었지만 이는 임의로 구분한 기준을 바탕으로 분석하였다는 점이다. 실제 추천된 영화를 바탕으로 신규고객이 영화를 선택 한 것이 아니라 기존고객의 데이터를 임의로 분류하였기 때문이다. 따라서 이는 추천 영화가 실제 고객에 미친 영향이 아니라는 한계가 존재한다. 또한 영화가 아닌 다른 상품에 대해서 이 추천시스템을 적용하였을 경우 추천 정확도에는 차이가 있을 수 있다. 따라서 추천시스템을 적용할 때에는 각 상품 및 고객집단의 특성에 적합한 적용이 필요하다.

• 정보처리학회논문지D
• /
• 제9D권2호
• /
• pp.329-336
• /
• 2002

인터넷 환경의 급속한 발전과 함께 이를 이용한 전자상거래가 빠르게 증가하고 있다. 증가하는 전자상거래 환경에서 고객에게 필요한 제품을 신속히 제공하고, 제품판매를 증가시킬 수 있는 새로운 전자상거래 시스템의 필요성이 점차 커지고 있다. 이러한 필요성에 의해서 최근에 추천시스템에 대한 많은 연구가 이루어지고 있다. 하지만 지금까지의 추천시스템은 고객의 구매데이터가 증가하면 고객에게 추천을 제공하는데 많은 시간이 소요되어 실시간 추천이 어렵다는 큰 단점을 가졌다. 따라서, 이 논문은 전자상거래 시스템의 경쟁력을 높이는 방안으로 협동적 필터링을 이용한 추천시스템을 연구하고, 성능을 개선하기 위해서 추천에 사용되는 데이터를 제품의 대표장르를 이용하여 줄임으로서 추천소요시간을 단축하여 실시간 추천이 가능한 개선된 추천시스템을 제안하고 실험하였다. 또한 개선된 추천시스템을 Enterprise JavaBeans로 구현함으로서 분산환경에서 사용할 수 있는 전자상거래시스템을 설계하여 경쟁력있는 전자상거래 시스템 환경을 제공하고자 한다.

• KSII Transactions on Internet and Information Systems (TIIS)
• /
• 제14권2호
• /
• pp.538-561
• /
• 2020

Recommender Systems (RecSys) have a major role in e-commerce for recommending products, which they may like for every user and thus improve their business aspects. Although many types of RecSyss are there in the research field, the state of the art RecSys has focused on finding the user similarity based on sequence (e.g. purchase history, movie-watching history) analyzing and prediction techniques like Recurrent Neural Network in Deep learning. That is RecSys has considered as a sequence prediction problem. However, evaluation of similarities among the customers is challenging while considering temporal aspects, context and multi-component ratings of the item-records in the customer sequences. For addressing this issue, we are proposing a Deep Learning based model which learns customer similarity directly from the sequence to sequence similarity as well as item to item similarity by considering all features of the item, contexts, and rating components using Dynamic Temporal Warping(DTW) distance measure for dynamic temporal matching and 2D-GRU (Two Dimensional-Gated Recurrent Unit) architecture. This will overcome the limitation of non-linearity in the time dimension while measuring the similarity, and the find patterns more accurately and speedily from temporal and spatial contexts. Experiment on the real world movie data set LDOS-CoMoDa demonstrates the efficacy and promising utility of the proposed personalized RecSys architecture.

• 한국정보과학회논문지:소프트웨어및응용
• /
• 제31권2호
• /
• pp.153-163
• /
• 2004

대부분의 추천 시스템에서는 개인의 선호 정보를 바탕으로 한 내용-기반 추천 기법과 다른 사람들로부터의 추천을 기반으로 한 사회적 추천 기법을 사용한다. 이들 두 기법은 각각 장단점을 갖고 있으며, 서로 경쟁 관계에 있다기보다 상호 보완적인 성격을 갖고 있다. 이에 두 기법의 적절한 조합이 전체 추천 시스템의 질을 결정하는 관건이 된다. 본 논문에서는 사용자 개인마다 각 기법에 대한 만족도와 의존도가 다름을 밝히고, 이러한 각 개인의 경향에 따라 여러 추천 기법의 결과를 개인별로 조합해 주는 기법을 제안하였다. 각 개인의 경향을 나타내는 척도로 충성도, 다양도, 전문가도 둥의 척도를 정의하여 사용하였으며, 이 원리에 의해 동작하는 조합 엔진의 결과는 최고 40%, 평균 23%의 coverage 개선 효과를 나타내었다.

• 정보관리학회지
• /
• 제39권2호
• /
• pp.299-324
• /
• 2022

본 연구는 기존의 도서추천 시스템 연구에서 간과되어 온 도서이용의 맥락 요소를 파악하기 위해, 다양한 도서탐색 배경을 지닌 적극적인 도서 이용자 15명을 대상으로 6가지 도서탐색 상황에서 생성하는 내용을 사고구술(think-aloud) 프로토콜을 통해 수집하였다. 수집된 도서이용 내용은 내용분석 과정을 통해 독자자문 서비스의 이론적 개념인 '어필 요소(appeal factor)'를 토대로 도서이용에 영향을 미치는 내부 어필 요소와 외부 어필 요소를 각각 식별하였으며, 도서탐색에 사용하는 정보원과 탐색방법 관련 개념들을 또한 세분화하였다. 본 연구의 결과는 향후 도서추천 시스템 설계에 의미 있는 속성 데이터를 추출하고 반영하는 데 사용될 수 있을 것이다.

• 산학경영연구
• /
• 제20권1호
• /
• pp.145-168
• /
• 2007

전자상거래에서 거래되는 상품들에 대한 고객의 선호도를 사전에 파악하여 고객이 자신의 취향에 적합한 상품을 쉽게 찾도록 도와주고 전자상거래에 업체에 있어서는 목표고객의 설정을 자동적으로 처리할 수 있는 시스템이 추천시스템이다. 추천시스템은 고객과 업체 모두에게 이득을 가져올 수 있는 시스템으로 현재 많은 전자상거래 업체들이 적용 중에 있다. 본 연구는 전자상거래에서 널리 이용되고 있는 협력적 추천기법을 이용하여 고객 선호도 예측의 정확도를 향상시키기 위하여 고객들간의 선호도 유사 정도를 나타내는 유사도 가중치에 일정 범위의 임계치를 설정하였다. 임계치의 설정에 따라 선호도 예측의 정확도가 향상되었으나 임계치의 설정 범위에 따라 고객 선호도를 예측할 수 있는 비율이 감소함을 알 수 있었으며 이에 따라 추천을 할 수 없는 고객이 발생할 수 있음을 알 수 있었다. 결과를 바탕으로 고객에 대한 추천과 예측의 정확도를 동시에 고려하는 임계치 설정에 대하여 더 많은 연구가 필요하다는 것을 알 수 있었다.

• 지능정보연구
• /
• 제13권4호
• /
• pp.45-63
• /
• 2007

유비쿼터스 환경에 기반한 시장, 즉 U-마켓에서는 고객이 제품을 구매함과 동시에 고객의 정보가 u-마켓 서버시스템에 저장되어 인터넷 쇼핑몰과 같이 다양한 분석과 활용이 가능하게 되었다. 물리적인 공간과 가상 공간이 결합된 유비쿼터스 기반의 시장 환경에서는 고객이 오프라인에서 다양한 매장을 방문하면서 쇼핑을 하게 되는데, 이때 여러 매장에 동일한 제품이 동시에 존재할 수 있으므로 매장의 위치, 매장 분위기, 제품의 품질이나 가격 등에 대한 고객의 선호도를 반영하여 고객 개개인에게 적절한 매장을 추천해야 할 필요성이 제기된다. 본 논문에서는 유비쿼터스 환경에 기반한 시장에서 고객의 쇼핑 상황을 고려하여 고객의 선호를 반영할 수 있는 매장 추천방법을 제안한다. 제안한 매장 추천방법은 협업 필터링과, Apriori 알고리즘을 기반으로 구성되어 있다. 온라인 쇼핑몰과는 다르게 U-마켓에서는 고객 개개인의 구매목록과 고객의 선호도를 반영한 매장 추천이 필요하며, 본 논문에서 제안하고 있는 매장 추천방법은 고객의 쇼핑경험을 극대화 하고 쇼핑 효율성을 제고시킬 뿐 아니라 장기적인 관점에서 매출증대를 통해 U-마켓 활성화에 기여할 수 있을 것으로 기대한다.

• 한국컴퓨터정보학회논문지
• /
• 제27권9호
• /
• pp.59-68
• /
• 2022

추천시스템은 소비자를 대신하여 소비자가 선호할 만한 아이템이나 서비스를 검색하여 구매할 수 있도록 한다. 추천시스템의 추천은 사용자들이 경험하지 않은 아이템들에 대한 선호 예측이기 때문에 완전하게 맞는 답이 도출되는 것은 불가능하다. 따라서 예측에 대한 평가가 수행되어야만 비로소 추천시스템이 정확한지 아닌지를 판단할 수 있다. 그러나 사용자 선호에 대한 예측 정확성만을 높이는 추천은 오히려 사용자의 만족도를 하락시킬 수 있는데 이는 사용자의 취향만을 반영한 편중된 결과로 사용자는 다양한 아이템들로 구성된 추천 결과를 받을 수 없는 필터버블 현상이 야기되기 때문이다. 품질 측정 지표의 다각화가 필요한 이유이고 대표적으로 다양성 지표가 사용된다. 본 논문에서는 추천 결과의 다양성 증대를 위한 3가지 기본 접근방법인 bin packing, weighted random choice, greedy re-ranking을 실제 e-커머스 데이터인 패션 쇼핑몰 데이터에 적용하여 도출된 결과와 F1 score에 기반을 둔 차이를 분석한다.

• Journal of the Korean Data and Information Science Society
• /
• 제17권4호
• /
• pp.1151-1160
• /
• 2006

The similarity weight, the pearson's correlation coefficient, which is used in the recommender system has a weak point that it cannot predict all of the prediction value. The similarity weight, the vector similarity, has a weak point of the high MAE although the prediction coverage using the vector similarity is higher than that using the pearson's correlation coefficient. The purpose of this study is to suggest how to raise the prediction coverage. Also, the MAE using the suggested method in this study was compared both with the MAE using the pearson's correlation coefficient and with the MAE using the vector similarity, so was the prediction coverage. As a result, it was found that the low of the MAE in the case of using the suggested method was higher than that using the pearson's correlation coefficient. However, it was also shown that it was lower than that using the vector similarity. In terms of the prediction coverage, when the suggested method was compared with two similarity weights as I mentioned above, it was found that its prediction coverage was higher than that pearson's correlation coefficient as well as vector similarity.