Search
Search

연구성과물 검색 타이틀 이미지

HOME ICON HOME > Search by Achievements Type > Reports View

Reports Detailed Information

https://www.krm.or.kr/krmts/link.html?dbGubun=SD&m201_id=10007654&local_id=10011434
전자상거래 추천자 시스템에 대한 분석
Reports NRF is supported by Research Projects( 전자상거래 추천자 시스템에 대한 분석 | 2004 Year 신청요강 다운로드 PDF다운로드 | 권치명(동아대학교) ) data is submitted to the NRF Project Results
Researcher who has been awarded a research grant by Humanities and Social Studies Support Program of NRF has to submit an end product within 6 months(* depend on the form of business)
사업별 신청요강보기
  • Researchers have entered the information directly to the NRF of Korea research support system
Project Number B00254
Year(selected) 2004 Year
the present condition of Project 종료
State of proposition 재단승인
Completion Date 2006년 05월 24일
Year type 결과보고
Year(final report) 2006년
Research Summary
  • Korean
  • 추천자 시스템은 E-commerce 사이트에서 소비자가 관심을 가지는 상품에 대한 정보를 수집하여 소비자가 구매할 것으로 예상되는 상품을 추천하는 목적으로 개발되었다. 추천자 시스템을 구축하여 성공적으로 활용하기 위해서 해결해야 할 과제로 취급 상품이 대량인 경우에 알고리즘의 효율성 문제라고 볼 수 있는데 본 연구는 문서 검색에서 사용되는 LSI(latent semantic indexing) 분석법을 이용하여 추천자 시스템을 개선하는 방안을 연구하였다.
    LSI 분석법은 고객이 상품을 구매하는 경향을 낮은 차원의 변환 상품을 통하여 파악함으로써 목표고객에 대한 인접고객군을 생성하는 계산 노력을 현저히 감소시킬 수 있어 결과적으로 실시간으로 적용되는 추천자 알고리즘의 효율성을 개선할 수 있을 것으로 기대된다. 가상적인 고객-상품 구매 리스트를 대상으로 실행한 시뮬레이션 실험 결과에서도 제안된 추천자 시스템은 기존의 협력적 필터링 (colaborative filtering) 기법보다 알고리즘의 효율성 평가측도에서 우수한 결과를 나타내었다.
    대형 전자상거래 사이트에서 고객이 구매하는 상품의 수는 활발한 상품구매를 하는 고객도 1%에도 미치지 못하는 상품을 구매하는 점을 고려하여 가상적인 상품-구매 리스트를 작성하는 시뮬레이션에서 상품 구매의 빈도가 평균적으로 1%로 가정하였는데 이러한 경우 연관성 규칙을 이용하여 상품을 추천하는 알고리즘은 support가 낮아(최대값이 0.4% 정도임) 실지로 적용하기에는 부적절 한 것으로 나타났다.
    일반적으로 추천 상품 수가 증가함에 따라 추천자 시스템의 recall은 증가하고 정확도는 감소하는데 그 증감 정도는 목표고객의 인접고객 군의 크기나 추천 상품 수가 일정한 수준에 이르면 큰 변화가 없는 것으로 나타나고 있다. 추천자 시스템을 구현하는 용도에 따라 이러한 정보는 유용하게 사용될 수 있다고 사료된다.
  • English
  • A recommender system for E-commerce site receives information from customers about which products they are interested in, and recommends products that are likely to fit their needs. In this paper, we inveatigate several methods for large-scale product purchase data for the purpose of producing useful recommendations to customers. We apply the traditional data mining techniques of association rule and collaborative filtering(CF), and CF with reduction of product-dimensionality by use of latent semantic indexing(LSI).
    If reduced product-dimensionality obtained from LSI shows a similar latent trend of customers for buying products to that based on original customer-product purchase data, we expect less computational effort for obtaining the nearest-neighbor for target customer may improve the efficiency of recommenadation performance. From simulation experiments on syntehctic customer-product purchase data, CF-based method with reduction of product-dimensionality presents a better performance than the traditional CF method with respect to the recall, precision and F1 measure.
    In general, the recommendation quality increses as the size of the neighborhood increases. However, our simulation results shows that, after a certain point, the improvement gain diminish. Also we find, as a number of products of recommendation increases, the precision becomes worse, but the improvement gain of recall is relatively small after a certain point. We consider these informations may be useful in applying recommender system.
Research result report
  • Abstract
  • 추천자 시스템은 E-commerce 사이트에서 소비자가 관심을 가지는 상품에 대한 정보를 수집하여 소비자가 구매할 것으로 예상되는 상품을 추천하는 목적으로 개발되었다. 추천자 시스템을 구축하여 성공적으로 활용하기 위해서 해결해야 할 과제로 취급 상품이 대량인 경우에 알고리즘의 효율성 문제라고 볼 수 있는데 본 연구는 문서 검색에서 사용되는 LSI(latent semantic indexing) 분석법을 이용하여 추천자 시스템을 개선하는 방안을 연구하였다.
    LSI 분석법은 고객이 상품을 구매하는 경향을 낮은 차원의 변환 상품을 통하여 파악함으로써 목표고객에 대한 인접고객군을 생성하는 계산 노력을 현저히 감소시킬 수 있어 결과적으로 실시간으로 적용되는 추천자 알고리즘의 효율성을 개선할 수 있을 것으로 기대된다. 가상적인 고객-상품 구매 리스트를 대상으로 실행한 시뮬레이션 실험 결과에서도 제안된 추천자 시스템은 기존의 협력적 필터링 (colaborative filtering) 기법보다 알고리즘의 효율성 평가측도(recall, precision,F1)에서 우수한 결과를 나타내었다.
    일반적으로 추천자 시스템에서 추천 상품 수가 증가함에 따라 추천자 시스템의 recall은 증가하고 정확도는 감소하는 경향을 보인다. 500개의 상품을 1000명의 고객이 구매한 상품리스트를 대상으로 수행한 시뮬레이션 실험에서 인접고객군의 크기가 40명 정도일때 recall 은 최대값으로 나타나고 인접고객군의 크기가 더 증가하면 recall은 오히려 감소하는 경향을 보이고 있다. 이러한 결과는 인접고객군의 크기가 증가할 경우 목표고객의 구매 패턴을 파악하는데 인접군에 속한 고객의 일부분이 noise로 작용될 수 있기 때문인 것으로 사료된다. 또한 precision은 추천 상품수가 증가하면 당연히 감소하지만 감소 정도는 추천 상품수가 일정 이상이 되면 상당한 수준으로 낮아지는 경향을 보이고 있다. 적은 상품을 추천하면 구객이 관심을 가지는 상품 수가 적어짐으로써 적절한 균형점을 찾아야 할 것으로 생각된다. 추천자 시스템을 구현하는 용도에 따라 이러한 정보는 유용하게 사용될 수 있다고 사료된다.
  • Research result and Utilization method
  • 전자상거래 사이트에서 고객의 상품 구매이력이 활용가능한 경우에 문서검색에서 사용되고 있는 LSI 분석법을 이용하여 추천자 시스템을 개선하는 방안을 연구하였다. 연구 결과 결과 기존의 협력적 필터링 기법보다 우수한 것으로 시뮬레이션 결과가 나타났다.
    추천 상품수가 증가하면 일반적으로 추천자 시스템의 recall은 증가하나 어떤 수준 이상이 되면 오히려 recall이 감소하는 사실을 확인할 수 있었으며 또한 precision도 추천상품수가 일정한 수준에 이르면 큰 변화가 없는 것으로 파악되었다.
    이러한 결과는 추천자 시스템을 구현하는 용도에 따라 유용하게 사용될 수 있을 것으로 판단된다.
  • Index terms
  • 전자상거래, 추천자 시스템, SVD, LSI
  • List of digital content of this reports
데이터를 로딩중 입니다.
  • This document, it is necessary to display the original author and you do not have permission
    to use copyrighted material for-profit
  • In addition , it does not allow the change or secondary writings of work
데이터 이용 만족도
자료이용후 의견
입력
트위터 페이스북
NRF Daejeon
(34113) 201, Gajeong-ro, Yuseong-gu, Daejeon, Korea
Tel: 82-42-869-6114 / Fax: 82-42-869-6777
NRF Seoul
(06792) 25, Heonreung-ro, Seocho-gu, Seoul, Korea
Tel: 82-2-3460-5500 / Fax: 82-2-3460-5759
KRM Help Center
Tel : 042-710-4360
E-mail : krmcenter@nrf.re.kr / Fax : 042-861-4380