전자상거래를 위한 Item Dependency Map 기반 개인화 추천기법

Abstract

인터넷이 급속도로 성장하고, 인터넷에서의 전자상거래 시스템이 고객의 다양한 요구에 부흥하기 위해 추천 시스템의 개발이 필요하게 되었다. 추천시스템은 이전의 사용자들이 이미 구매한 상품 중에 만족했던 것과 불만족했던 것을 기반으로 하여 개인화된 관련 상품과 정보를 추천하는 것이다. 점점 더 많은 전자상거래 사이트에서 사용자들이 구매할 물건을 보다 쉽게 찾을 수 있도록 도와주는 추천시스템을 도입하고 있다. 대부분의 기존 추천시스템은 다른 사용자들의 선호도를 기반으로 추천하는 협력적 여과 기법을 사용하고 있다. 협력적 여과 기법을 사용하는 추천 시스템은 사용자들의 선호도 간에 유사성과 비유사성을 이용하여 전자상거래의 개인화를 추구한다. 그러나 협력적 여과 기법은 대체로 잘 작동하지만 몇 가지 한계가 있다. 첫째, 두 사용자의 프로파일간의 상관관계가 두 사용자가 평가한 상품에 대해서만 계산된다. 둘째, 계산된 상관관례 계수 대부분은 적은 수의 관찰을 토대로 하고 있어, 상관관계를 계산하는 것이 유사성을 측정하는 믿을 수 있는 방법으로 간주되지 않는다. 본 논문에서는 구매된 아이템간의 관계를 표현하는 Item Dependency Map을 소개했다. 이 알고리즘은 사용자가 아직 구매하지는 않았지만 관심이 있거나 구매할 가능성이 있는 아이템을 예측하여 추천하는 것이다. 본 논문은 추천 아이템의 자동적인 생성이 가능하고 사용자가 구매했을 지라도 선호도 입력이 되지 않은 상품이 추천 목록에서 빠지게 되는 상황을 극복할 수 있는 알고리즘을 제안하고자 한다. 즉 사용자가 귀찮아할 수도 있는 부가적인 입력을 요구하지 않는 방법을 제안하고 있다. 제안된 Item Dependency Map은 흡필드 네트워크에 입력되어 사용자의 구매패턴을 예측하고 또한 예측된 결과를 이용하여 사용자에게 추천 정보를 제공하도록 하였다.;The explosive growth of the world-wide and the emergence of e-commerce has led to the development of recommender systems. Recommender systems are being used by an ever-increasing number of E-commerce sites to let consumers find products to purchase. Because recommender systems improve access to relevant products and information by making personalized suggestions based on previous log of a user's likes and dislikes. Generally, lots of recommender systems use collaborative filtering methods that recommend by using other preferences. Collaborative recommender systems allow personalization for e-commerce by exploiting similarities and dissimilarities among users' preferences. Predicting the next items which a user would like on the basis of other previous ratings has become a well-established strategy. This approach is adopted by many recommendation services on the internet. While collaborative filtering were shown to perform well, they suffer from several limitation. First, correlation between two user profiles can only be computed over those items that both users have rated. If users can choose among thousands of items to rate, it is likely that overlap of rated items between two users be small in many cases. In this thesis, we propose the recommendation system that predict the next item what users are interested or later. This system analyzes users' sequential pattern of purchasing without users' preferences using the hopfield network. Because the hopfield network has learning and recall ability by itself, granting it has exactly the some part of global input, it has the global output that user really want to get. We propose Item Dependency Map that is used as the input form for Hopfield network. The Item Dependency Map is matrix which represent conditional probability that one user buys goods A and he/she buys goods B next. This Item Dependency Map also is matrix which show the time interval of sequential purchase. We can conclude that applying IDM to Hopfield network, we can predict user's purchase behavior and recommend the optimal purchasing guide.