FRAT기반 가중치 선호도 군집을 이용한 상품의 추천 기법에 관한 연구 :Study on Recommendation Technique of Merchandise Using Clustering of Weighted Preference based on FRAT

박화범

추천

검색

자료유형: 학위논문

저자정보: 박화범 (광운대학교, 광운대학교 대학원)

지도교수: 고형화

발행연도: 2014

저작권: 광운대학교 논문은 저작권에 의해 보호받습니다.

이용수4

이 논문의 연구 히스토리 (3)

2014

FRAT기반 가중치 선호도 군집을 이용한 상품의 추천 기법에 관한 연구

박화범 전자통신공학과 2014.01 학위논문

2013

마이닝과 FRAT기반 가중치 선호도 군집을 이용한 추천 기법에 관한 연구

박화범 , 조영성 , 고형화 디지털콘텐츠학회논문지 2013.12 학술저널

추천시스템을 위한 k-means 기법과 베이시안 네트워크를 이용한 가중치 선호도 군집 방법

박화범 , 조영성 , 고형화 Journal of Information Technology Applications & Management 2013.09 학술저널

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

유비쿼터스 컴퓨팅 환경의 전자상거래에서 실시간성과 추천의 정확도를 높이는 연구가 활발히 진행되고 있다. 기존의 협업 필터링에서는 아이템에 대한 내용을 반영하지 못하는 문제, 이웃고객을 선택과정의 복잡성 문제, 그리고 희박성과 확장성에 문제가 있다. 이러한 많은 결점을 개선하려는 노력에도 불구하고 여전히 아이템의 속성을 반영하지 못한다.
본 논문에서는 이러한 문제를 해결하기 위해서 묵시적인 방법으로 고객데이터와 구매 이력 데이터를 이용한다. 대부분의 기존 추천기법들은 프로파일 방식으로써 고객의 관심도나 고객성향을 분석하기에는 많은 어려움과 비용의 문제가 있으며 고객은 여전히 만족하지 못하고 있다. 이는 구성되어있는 데이터베이스들의 문제가 아니라 기존 자료를 분석하기 위한 평가 자료인 신규로 프로파일을 생성하거나 다양한 프로파일을 생성하는데 문제가 있다.
또한 기존 추천기법에서는 다양한 특성을 가진 각 사용자 계층별로 차별화된 개인화 추천이 어렵다. 따라서 이 논문은 기존의 평가 자료 방식과 다르게 구매로 인해 발생되어진 자료를 기반으로 사용자에게 번거로운 질의 응답 과정이 없이 묵시적인 방법을 이용하였다. 다양한 개인화 성향과 정확한 고객성향의 내용 분석이 가능한 FRAT 기법을 적용하였다. 이 논문에서 수행된 연구 내용을 요약하면 다음과 같다.
첫째, 신속한 데이터 처리를 위하여 사용자정보 변수와 고객 FRAT점수 기반의 군집을 이용한 구매이력 데이터를 군집화하여 추천을 위한 데이터 처리 기반을 구축하였다.
둘째, 고객정보 변수별 선호도 분석 기반의 추천이 되기 위해서 아이템 분류체계 기반의 고객정보 변수별 아이템 카테고리를 통한 선호도 분석 기반의 군집을 구축하였다.
셋째, 선호도기반의 추천을 위해서 베이시안 정리를 이용하여 시간의 변화를 반영한 구매이력 정보를 기반으로 보다 정확도 높은 추천이 되도록 트랜잭션의 중요도를 반영한 가중치 선호도의 계산 및 학습관리를 위해서 FRAT기반 고객점수와 아이템 점수에 대한 기반 정보를 구축하였다.
넷째, 마이닝을 이용한 연관규칙으로 고객이 선택 사양으로 교차판매 및 상위판매를 원할 경우 연관규칙의 척도에 따라 연관 아이템 추천을 가능하도록 하였다.
끝으로 제안한 추천 기법이 적용된 제안 시스템에 대한 시스템을 실험 및 평가를 위해서 FRAT 적용 분석을 통해서 방법의 타당성을 제시하였으며 시스템 평가를 통해 그 효용성을 입증하였다.
제안시스템은 RFM 기반 보다 군집별 평균 정확도에서 14.45%의 결과를 나타냈고, 기존 시스템보다 군집별 평균 재현율에서 ?30.47%의 결과를 나타내었지만 군집별 평균 F-measure에서 4.63% 높은 결과를 나타내었다. 이로써 실험의 결과가 RFM 기반 시스템과 기본 FRAT보다 향상된 결과가 도출되었다.
연구 결과를 이용하면 기존 RFM 기반 보다 정확한 선호도 예측을 통하여 인터넷 전자 상거래를 이용하는 고객의 만족도를 높이고, 기업에게는 필요한 고객을 보유하게 되어 이윤 창출을 가져올 것이라 기대하며 산업적 가치가 있다고 기대된다.

Real-time accessiblity and agility are required in u-commerce under ubiquitous computing environment. Active research is being conducted in e-commerce so as to improve the accuracy of merchandise recommendation. So far, collaborative filtering(CF) has been identified with problems of its inability to reflect contents of the items, the complexity of selection in the neighborhood, sparsity and scalability. Despite many efforts to overcome these defects, it still fails to reflects the attributes of the item. As a solution to this problem, this dissertation suggests an implicit method of using customer’s data and purchase history data.
Most of the existing recommendation techniques adopt the method of evaluation based on personal profile, which has been identified with difficulties in accurately analyzing the customers'' level of interest and tendencies, as well as the problems of cost, consequently leaving customers unsatisfied. Researches have been conducted to improve the accuracy of information such as the level of interest and tendencies of the customers. However, the problem lies not in the preconstructed database, but in generating new and diverse profiles that are used for the evaluation of the existing data.
Also it is difficult to use the unique recommendation method with hierarchy of each customer who has various characteristics in the existing recommendation techniques. Because after determining the similarity between the target users and other users with the preference for the items, the similar group is constructed, it is difficult to construct the group which considers the personal characteristics.
Accordingly, this dissertation used the implicit method without onerous question and answer to the users based on the data from purchasing, unlike the other evaluation techniques. We applied RFM technique which can analyze the tendency of the various personalization and the exact customer. The research contents of this dissertation is summerized as follows:
First, to process the data promptly, we made a clustering of the purchase history and constructed the base for the data process for recommendation using clustering algorithm based on the variables of the user information and customer FRAT scores.
Second, we constructed the base of analyzing the preference through item categories of each customer, based on the item classification system for the recommendation based on the variables of the customer’s information to get the preference of item categories.
Third, to recommend in personal basis we applied subdivided techniques to the user history which contains the change of the time and the purchase history and then we constructed the base for the scores of the customers and items based FRAT to process promptly.
Fourth, if customer wants to recommend association item for cross-selling and up-selling as an optional feature, it will be necessary for us to recommend the items with high purchasability according to the threshold through mining association rule.
Finally, we suggest the validity of the system through FRAT analysis and we proved the efficiency of the system through the evaluation of the system.
Recommendation system showed not only the result of 14.45% in an average accuracy per cluster, which is higher than RFM-based but also the high result of 4.63% in an average F-measure even though it indicated lower result of -30.47% than existing system in an average recall ratio per cluster. Improved result was derived from experimental result, which is better than RFM-based and existing system.
Using the result of study, it will increase customer satisfaction using Internet E-commerce and be expected to lead to the profit earnings and create commercial values for a business by retaining customers through a more accurate preference prediction than the existing RFM-based.

제 1장 서 론 1
1.1연구 배경 및 목적 1
1.2연구 내용 및 방법 5
1.3선행 연구 6
1.4논문 구성 11
제 2장 관련 연구 12
2.1협업 필터링 12
2.2RFM 기법 19
2.3FRAT 기법 24
2.4데이터 마이닝의 연관규칙 25
2.5군집화 30
제 3장 제안하는 마이닝과 FRAT기반 가중치 선호도 군집 기법 33
3.1군집화의 기본 개념 33
3.2아이템 카테고리 기반의 군집화 37
3.3구매 이력 테이블의 구조 45
3.4고객점수기반 가중치 선호도 적용 52
3.5마이닝기반 연관 규칙 생성 54
3.6시스템 구성 58
3.7제안시스템 절차 알고리즘 60
제 4장 실험 및 평가 61
4.1실험 환경 62
4.2데이터베이스 구조 62
4.3FRAT의 적용 분석 67
4.4제안 추천기법의 시스템 적용 81
4.5제안 추천기법의 시스템 평가 93
제 5장 결 론 100
참고문헌 103

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

이 논문의 연구 히스토리 (3)

초록· 키워드

목차

최근 본 자료

댓글(0)