설명기능을 추가한 협업필터링 기반 개인별 상품추천시스템 : WebCF-Exp :WebCF-Exp

조윤호; 김재경; 안도현; 이희애

추천

검색

질문

자료유형: 학술저널

저자정보: 조윤호 김재경 안도현 이희애

저널정보: 한국경영학회 경영학연구 경영학연구 제35권 제2호

발행연도: 2006.4

수록면: 493 - 519 (27page)

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

초록· 키워드

오류제보하기

본 연구는 기존의 협업필터링 기반 상품추천시스템의 추천품질과 신뢰도를 높이기 위하여 설명기능을 추가한 WebCF-Exp추천시스템을 개발하고 그 시스템의 성능을 평가하고자 한다. 기존의 협업필터링 기반 상품추천시스템은 추천 성능의 우수함에도 불구하고 사용자들에게 추천의 이유를 설명하는 기능이 없으므로, 고객이 추천한 상품에 대한 신뢰감이 부족해지기 쉬운 단점이 있다. 이 연구는 기존의 웹마이닝과 상품계층도를 적용한 협업필터링 기반 상품추천 시스템에 추천한 이유를 고객에게 제공함으로써 고객이 그 시스템을 신뢰할 수 있도록 도움을 주기 위한 여러 형태의 설명기능을 제공한다. 또한 이러한 설명기능을 추가한 추천시스템 WebCF-Exp을 개발하고, 그 효용성을 검증하기 위한 실험을 위하여 인터넷 쇼핑몰을 구현하였다. 마지막으로, 가상의 인터넷 쇼핑몰을 이용한 고객들을 대상으로 온라인 설문을 통해 각기 다른 20개의 설명인터페이스 중 과연 어떤 인터페이스가 고객들이 이해하기에 가장 적합한지와 추천된 상품에 설명기능이 추가 되었을 때 사용자들의 구매 의사결정에 어느 정도 도움을 줄 수 있는지를 분석하였다.

The continuous growth of the Internet and e-commerce has allowed companies to provide customers with more choices on products. Increasing choice has also caused product overload where the customer is no longer able to effectively choose the products he/she is exposed to. A promising technology to overcome the product overload problem is recommender systems that help customers find the products they would like to purchase. To date, a variety of recommendation techniques have been developed. Collaborative Filtering (CF) is the most successful recommendation technique, which has been used in a number of different applications such as recommending movies, articles, books, Web pages, etc. However, its widespread use has exposed some limitations, such as sparsity, scalability, and black box. Many researchers have focused on sparsity and scalability problems but a little has tried to solve the black box problem. Most CF recommender systems are black boxes, providing no transparency into the working of the recommendation. To overcome the black box problem, it is developed a recommender system named WebCF-Exp (Web usage mining driven Collaborative Filtering with Explanation facilities). Explanation facilities make it possible to expose the reasoning and data behind a recommendation. Therefore, they provide us with a mechanism for handling errors that come with a recommendation. Furthermore, it is proposed to use web usage mining and product taxonomy to enhance the recommendation quality for e-commerce environment. Web usage mining populates the rating database by tracking customers’shopping behaviors in the Web, thereby leading to better recommendations. The product taxonomy is used to improve the performance through dimensionality reduction of the rating database.The overall procedure of WebCF-Exp consists of two phases: recommendation phase and explanation phase. The recommendation phase is divided into four sub-phases: grain specification, customer profile creation, neighborhood formation, and recommendation generation. The explanation phase consists of white box model and black box model. A white box model is one way to build explanation interfaces using detailed process or data such as neighbor ratings, the ratio of click, and the ratio of purchase. Black box model is the other way of which there is no detailed process or data available. In black box model, we focus on ways to justify recommendation that are independent of the process such as marketing or event information.WebCF-Exp recommender system is operated by four agents: Web log analysis agent, Data transformation agent, Recommendation agent, and Explanation agent. Web log analysis agent manages Web log database through periodic collecting, parsing and analyzing Web server log files such as access logs, referrer logs, agent logs and cookie files. Thus, the users can easily access and analyze them like other operation databases. Data transformation agent creates and manages the data mart that provides data indispensable to accomplish recommendation tasks. Recommendation agent makes a personalized recommendation list for each target customer. Explanation agent provides interfaces which expose the reasoning and data behind a recommendation. Twenty different explanation interfaces are developed as white box model and black box model. To test the performance of WebCF-Exp, it is developed a prototype internet shopping mall named EBIB (e-Business & Intelligent Business) and interactive interfaces. Experiments are conducted with the data provided by EBIB Research Internet shopping mall. Our experimental result shows that WebCF-Exp recommendation system shows better performance than the CF recommendation system without explanation facilities. And explanation types of five stars, simple graph, and showing the evaluation results of similar customers, show better performance than other types. Furthermore, as customers understand explanation interfaces better, it results that customers purchase more products.

#Collaborative Filtering #Explanation #Internet shopping mall #Recommendation system

참고문헌 (0)

참고문헌 신청

참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

조윤호

소속기관 한국경영학회

주요연구분야 사회과학 > 경영학

논문수 6 이용수 522

Jaekyeong Kim

소속기관 Kyung Hee University

주요연구분야 공학 > 산업공학 TOP 0.5% 공학 > 컴퓨터학

논문수 176 이용수 23,247

안도현

소속기관 한국경영학회

주요연구분야 사회과학 > 경영학

논문수 4 이용수 421

이희애

소속기관 한국경영학회

주요연구분야 사회과학 > 경영학

논문수 1 이용수 146

이 논문과 함께 이용한 논문

협업필터링 기반 추천 시스템에서 항목 다양성 개선 기법

유석종 한국정보기술학회논문지 2016 .08

이오준 , 백영태 한국컴퓨터정보학회논문지 2014 .05

추천 시스템의 성능 안정성을 위한 예측적 군집화 기반 협업 필터링 기법

이오준 , 유은순 지능정보연구 2015 .03

재활훈련을 위한 관성센서 기반 동작 분석 시스템 구현

강신일 , 조재성 , 임도형 외 2명 재활복지공학회논문지 2013 .12

온톨로지 기반 영화 메타데이터간 연관성을 활용한 영화 추천 기법

김재영 , 이석원 지능정보연구 2013 .09

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (0)

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)