지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 정석봉
- 발행연도
- 2017
- 저작권
- 경일대학교 논문은 저작권에 의해 보호받습니다.
이용수9
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
추천 시스템을 구현하기 위해서 가장 널리 활용되고 있는 기법 중의 하나인 협업 필터링은 유사한 선호도를 가진 사용자가 다른 유사 사용자가 선호하는 상품을 추천해 줄 수 있다는 개념에 기반을 두고 있다.
신용카드 사용자의 행태 분석결과 대부분의 사용자는 반복적인 구매가 발생하지 않는 3개 이하의 신용카드를 보유하고 있음을 알 수 있다. 이러한 신용카드 사용자의 행태는 데이터의 희박성에 가장 심각한 영향을 미치는 요소들 중의 하나이다. 데이터 희박성에 의해서 발생한 ‘콜드 스타트’ 문제는 추천 시스템이 개인 신용카드 추천 과정에서 적합한 추천을 못하게 한다. 본 연구는 콜드 스타트 문제를 해결하기 위해서 다중 고객 프로파일을 활용한 맞춤형 신용카드 추천 시스템을 제안하고자 한다.
제안된 맞춤형 신용카드 추천 시스템은 5개의 고객 프로파일을 이용한 학습 과정과 적용 과정으로 구성되어 있다. 학습 과정에서 5개의 고객 프로파일은 코사인계수를 이용한 유사도를 계산하여 5개의 고객 네트워크로 변환되고, 변환된 개별 고객네트워크를 가중평균 합산하여 통합 고객네트워크를 도출한다. 적용 과정에서는 학습 과정에서 도출한 통합 고객네트워크을 이용하여 k명의 가장 근접한 이웃(고객)을 선택하여 이들이 가장 많이 사용하는 신용 카드 3개를 추천한다.
제안된 맞춤형 신용카드 추천 시스템의 성능을 검증하기 위하여 실제 신용카드 사용자의 데이터를 활용하여 실험을 수행하였으며, 추천 성능을 나타내는 F1 값을 산출하였다. 제안된 추천 시스템의 F1 값을 기존의 추천 기법들의 F1 값과 비교하였다. 실험결과는 제안된 맞춤형 신용카드 추천 시스템이 기존의 추천 기법들보다 성능이 우수하다는 것을 보여 주고 있다.
본 연구는 신용카드 추천 과정에서 발생할 수 있는 콜드 스타드 문제를 해결하는데 기여할 뿐만 아니라, 금융기업이 고객의 특성에 맞는 금융상품을 효과적으로 추천하여 고객의 만족을 높이고 기업의 수익 증대에 활용할 수 있을 것으로 기대된다.
신용카드 사용자의 행태 분석결과 대부분의 사용자는 반복적인 구매가 발생하지 않는 3개 이하의 신용카드를 보유하고 있음을 알 수 있다. 이러한 신용카드 사용자의 행태는 데이터의 희박성에 가장 심각한 영향을 미치는 요소들 중의 하나이다. 데이터 희박성에 의해서 발생한 ‘콜드 스타트’ 문제는 추천 시스템이 개인 신용카드 추천 과정에서 적합한 추천을 못하게 한다. 본 연구는 콜드 스타트 문제를 해결하기 위해서 다중 고객 프로파일을 활용한 맞춤형 신용카드 추천 시스템을 제안하고자 한다.
제안된 맞춤형 신용카드 추천 시스템은 5개의 고객 프로파일을 이용한 학습 과정과 적용 과정으로 구성되어 있다. 학습 과정에서 5개의 고객 프로파일은 코사인계수를 이용한 유사도를 계산하여 5개의 고객 네트워크로 변환되고, 변환된 개별 고객네트워크를 가중평균 합산하여 통합 고객네트워크를 도출한다. 적용 과정에서는 학습 과정에서 도출한 통합 고객네트워크을 이용하여 k명의 가장 근접한 이웃(고객)을 선택하여 이들이 가장 많이 사용하는 신용 카드 3개를 추천한다.
제안된 맞춤형 신용카드 추천 시스템의 성능을 검증하기 위하여 실제 신용카드 사용자의 데이터를 활용하여 실험을 수행하였으며, 추천 성능을 나타내는 F1 값을 산출하였다. 제안된 추천 시스템의 F1 값을 기존의 추천 기법들의 F1 값과 비교하였다. 실험결과는 제안된 맞춤형 신용카드 추천 시스템이 기존의 추천 기법들보다 성능이 우수하다는 것을 보여 주고 있다.
본 연구는 신용카드 추천 과정에서 발생할 수 있는 콜드 스타드 문제를 해결하는데 기여할 뿐만 아니라, 금융기업이 고객의 특성에 맞는 금융상품을 효과적으로 추천하여 고객의 만족을 높이고 기업의 수익 증대에 활용할 수 있을 것으로 기대된다.
목차
Ⅰ. 서 론 11. 연구의 배경 및 목적 12. 연구의 방법 및 범위 3Ⅱ. 이론적 배경 및 선행연구 51. 추천 시스템(recommender system)의 개요 및 연구동향 51) 추천 시스템의 개요 52) 추천 시스템의 종류와 적용분야 73) 추천 시스템의 이점 114) 추천 시스템의 연구동향 122. 협업 필터링(collaborative filtering)의 개요 및 연구동향 171) 협업 필터링의 개요 172) 협업 필터링의 종류와 적용분야 193) 협업 필터링의 장점 234) 협업 필터링의 한계점 245) 협업 필터링의 연구동향 27Ⅲ. 고객맞춤형 신용카드 추천기법 361. 고객맞춤형 신용카드 추천기법의 개요 362. 학습과정: 통합 고객네트워크 IUN 구성 383. 적용과정: IUN을 이용한 추천카드 도출 45Ⅳ. 실 험 461. 실험 데이터 462. 분석 결과 481) 이웃 및 추천카드 수의 변화에 따른 성능 비교 492) 다른 기법과의 성능 비교 53Ⅴ. 결 론 541. 연구 요약 및 시사점 542. 연구의 한계 및 향후 연구 방향 55
최근 본 자료
댓글(0)
0