올드코난 (Old Conan) 세상사는 이야기

제 4 장 연구사례들로 본 추천시스템의 발전방향 지금까지의 연구사례들을 살펴보면 기존의 추천시스템 중 협업필터링 기법에 대한 연구와 개선을 위한 다양한 연구활동이 진행 중이며 하이브리드 추천시스템으로 협업필터링 기법의 한계를 극복하고자 하였고, 이러한 연구는 앞으로도 계속될 것이다. 그리고, 최근 통신 기술의 발전으로 인해 휴대전화나 PDA와 노트북 등을 이용한 무선 인터넷의 사용자가 급증하고 있다. 특히 무선 인터넷의 상징이라 할 수 있는 wibro의 등장은 모바일 시장의 잠재력을 극대화할 전망이다. 물론 wibro의 가입자 수가 2009년 5월 26일 현재 20만 명 수준으로 예상보다 크게 밑돌고 있고 수도권만 사용 가능하다는 단점이 있지만 3세대(G)국제표준으로 선정된 국내순수기술이 세계최초의 이동..

제 5절 Mobile 환경에 대한 추천시스템에 관한 연구들 최근 핸드폰 및 PDA, 와이브로등의 무선 통신 기술의 급속한 발전으로 무선 인터넷 서비스가 큰 폭으로 증가하고 있다. 그와 더불어 모바일 전자상거래 규모 또한 크게 증가하고 있다. 이러한 배경으로 모바일 추천시스템에 관한 다양한 연구활동들이 진행되고 있다. 그리고 모바일 추천시스템에서 가장 중요한 상품은 바로 벨소리나 MP3, 모바일 게임, 저 용량 영화 등의 컨텐츠이다. 여기서는 컨텐츠 추천을 위한 모바일 추천시스템에 대한 연구들 중 몇 가지의 사례를 살펴보고자 한다. 1. 모바일 전자상거래 환경에 적합한 개인화된 추천시스템[3] 김재경외는 모바일 고객이 보다 적은 노력과 비용으로 자신이 원하는 멀티미디어 콘텐츠를 찾을 수 있도록 지원하는 개..

제 4절 고객의 동적 선호 탐색을 위한 순차패턴 분석: ㈜더페이스샵 사례[12] 제안된 연구는 판매 데이터 분석을 통해 시간순서를 고려한 상품추천 및 매장관리방법을 제안했다. 즉 SOM(Self Organizing Map: 자기조직화지도) 알고리즘을 이용하여 매장의 판매 프로파일을 군집화하고, 매장궤적의 예측을 통해 목표 매장을 관리하는 방법을 제시했다. 여기서 SOM(Self Organizing Map: 자기조직화지도) 알고리즘은 고차원의 데이터를 저차원의 지도형태로 형상화한 것으로, 이렇게 형상화된 지도는 시각적으로 이해하기 쉽고 입력변수의 위치관계를 그대로 보존하기 때문에 실제 데이터가 유사하면 지도상에 가깝게 표현된다. 이러한 장점으로 패턴발견, 이미지 분석 등에서 뛰어난 성능을 보였다[vesan..

제 3절 설명기능을 추가한 WebCF-Exp[31] WebCF-Exp추천방법은 이전 연구인 WebCF-PT의 추천품질과 신뢰도를 높이기 위해 설명 기능을 추가하였다. WebCF-Exp 추천방법은 와 같이 추천절차와 설명기능으로 구성되어 있다. WebCF-Exp 추천절차는 WebCF-PT처럼 4단계로 구성된다. 설명기능은 블랙박스모델과 화이트박스모델로 구성되고 설명 인터페이스를 형성한다. 추천시스템은 최종적으로 상품추천리스트와 설명인터페이스를 조합하여 최종 추천리스트를 사용자에게 제공한다. 여기서 화이트박스모델은 추천절차와 데이터를 설명해 줌으로써 고객이 의사결정을 내리는데 도움을 주는 방식이다. 블랙박스모델은 추천시스템의 입력 값과 출력 값, 상품추천에 영향을 줄 수 있는 요소들에만 초점을 맞춘다[Her..

제 2절 개인별 상품추천시스템 WebCF-PT[1] 협업추천시스템의 문제점인 희박성과 확장성문제를 해결하기 위해 다양한 연구활동이 이루어지고 있다. 저자는 웹마이닝(Web mining) 과 상품계층도(Product Taxonomy)를 이용하여 그러한 문제를 해결하고자 하였다. 웹마이닝은 입력데이터의 희박성문제를 해결하기 위해 고객이 인터넷 쇼핑몰에서 상품을 처음 인식하는 행동에서부터 상품을 클릭하고 장바구니에 담아 상품을 구매하기 까지의 과정에 대한 웹 기반 정보를 이용하여 보다 많은 고객 선호도 정보를 확보하기 위해 적용한 것이다. 상품계층도는 관련 있는 상품들을 특정 상품군으로 군집화하여 선호도 입력 데이타의 희박성과 시스템확장성문제를 동시에 해결하기 위해 적용한다. 상품계층도는 개별상품을 추상 개념..

제 3 장 추천시스템의 연구 및 적용사례 제 1절 G인터넷쇼핑몰의 사례[29] 데이터마이닝에 관한 연구는 지금도 계속 진행 중이고 그 중 연관규칙을 적용한 사례를 살펴보고자 한다. 연관규칙은 거래 데이터로부터 상품간의 관계를 규명하여 상품추천이나 상품진열 등을 지원하는 대표적인 데이터마이닝기법의 하나이며 다양한 연구활동이 이루어 지고 있다[Agrawal et al. 1993, 1994, 1996][Brin et al., 1997][Zaki et al., 1997]. 여기서 상품추천은 장바구니 분석(Basket Analysis)을 통해 고객이 관심을 가질 것으로 예상되는 상품을 제안하는 것이다[Shardanand and Maes et al., 1995][Konstan et al., 1997][Schafer..

제 5절 데이터마이닝(Data Mining)기법 정보기술의 발달로 고객 및 거래에 대한 방대한 규모의 데이터베이스가 구축되고 있다. 여기서 정보 및 지식을 추출하여 경영의사결정에 활용하는 데이터마이닝은 많은 관심의 대상이 되고 있다. 데이터마이닝은 자동화된, 혹은 반자동화된 수단을 통해 방대한 양의 데이터 속에서 의미 있는 패턴이나 규칙을 찾아내기 위해 수행하는 일련의 탐색 및 분석과정을 의미한다. 이른바 지식탐색(knowledge discovery)이라고도 불리는 데이터 마이닝은 오늘날 인터넷으로 인해 양질의 고객 데이터가 방대한 규모로 축적되고 있는 상황에서 특히 관심이 모아지고 있다. 데이터마이닝 기법으로는 기본적인 통계적 기법부터 시작해서 인공지능 기법까지 다양한 종류들이 있는데, 이러한 기법들을..

제 4절 하이브리드 추천 방법 하이브리드 추천방법이란 추천 방법들 중에서 특정한 방법만을 사용하여 개인화 추천서비스를 구현하지 않고 다양한 방법들을 함께 적용하여 구현하는 추천 방법이다. 대표적으로는 협업필터링 추천방법과 내용기반 추천방법을 혼합한 방법, 협업필터링 추천방법과 데이터 마이닝의 연관규칙, 유전자 알고리즘, 신경망등의 방법을 결합한 방식 등이 있다. 예를 들어 Fab시스템은 내용기반 정보여과방식을 이용하여 웹문서에 대한 관심도를 나타내는 사용자 프로파일을 유지하고, 이를 이용하여 유사한 사용자를 분류한 후 협업필터링기법을 적용하는 방법을 채택하였다[Balabonovi and Shoham, 1997]. 이처럼, 협업필터링 자체만으로 이용자의 관심이나 취향에 맞는 상품(아이템)에 대한 예측은 잘..

내용기반과 협업필터링 추천방식의 비교 정 의 장 점 단 점 내용 기반 고객 선호를 결정하는 제품 특징을 바탕으로 추천하는 방식 -초기평가와 희소성 문제를 부분적으로 해결 →신제품 추천에 용이 -추천대상의 속성 및 이용자의 성향을 반영 가능 -품질평가의 어려움 -과도한 특화 가능성 -다양한 추천의 불가능 -멀티미디어에 취약 협업 필터링 유사한 선호를 가진 사람들의 정보를 사용하여 추천하는 방식 -품질 평가 가능 -추천범위의 확대 -다양한 형태의 정보에 이용 -데이터가 충분하면 예측력 높음 -이용자 및 콘텐츠 규모가 클수록 많은 연산량 요구 -데이터 희박성 -시스템 확장성

제 3절 협업필터링 추천 방법 협업필터링은 웹을 기반으로 하는 인터넷 쇼핑몰에서 이용되고 있는 상품추천기법중의 하나로써, 목표고객과 유사한 구매이력을 보이는 이웃 고객들의 상품에 대한 선호를 바탕으로 목표고객에게 유용한 상품을 추천하는 방법이다[27, 28]. 현재까지 협업필터링은 가장 성공적인 상품추천기법이고, 고객들의 상품에 대한 평가를 이용하는 정보 필터링 기법의 하나로, 일상생활에서 가족, 친구, 동료들의 경험을 통한 구전효과를 자동화한 것이다. 즉, 해당 고객과 선호도가 유사한 고객들이 과거에 좋아했던 상품을 추천한다. 일반적으로 협업필터링은 다음의 과정으로 나눠볼 수 있다. [27] (1)입력 데이터 구성(Data Representantion): 협업필터링 기반 상품추천시스템에서의 입력데이터는..