Comparison of Customer Personalized Item Recommendation Algorithms Based on E-Commerce Data

Abstract

These days, the volume of online information has become very large. The recommendation system is an effective way to provide the necessary information to each individual. This system is very important in various industries such as music and video streaming or E-commerce. Therefore, many personalization recommendations algorithms have developed based on customer's past online behavioral data. Many algorithms are supported by packages in R. This paper provides a guideline for the R packages (recommenderlab, rrecsys and recosystem) users and compares various recommendation algorithms (UBCF, IBCF, SVD, FUNK SVD, ALS-WR and LIBMF) based on the E-commerce data including customer past behavior. recommenderlab supports all of algorithms covered in this paper. When a new R package about new recommendation algorithm is released, it continues to add a new algorithm and updates by citing the new package. In addition, it only has a normalization option. Through normalization of ratings by users, user rating bias is reduced. The recommendation results of each algorithm are different for each item. Predicted ratings for the six algorithms are similar when there are many ratings for that item in the data and ratings of item are distributed ordinary. But when the item’s ratings are insufficient, it shows a difference in the predicted ratings. In addition, when the distribution of the item's ratings is unusual unlike other items, it also shows a difference in the predicted ratings even if the item’s ratings are sufficient.;오늘날 온라인 정보의 양은 매우 방대해졌다. 이러한 상황에서 추천 시스템은 개인에게 필요한 정보를 제공하는 효과적인 방법이다. 추천 시스템은 음악, 영상 스트리밍이나 온라인 쇼핑몰 등 다양한 산업에서 매우 중요하다. 따라서 개인의 온라인 과거 행동 기록을 기반으로 한 개인화 추천 알고리즘들이 많이 등장했다. 그리고 통계 프로그램인 R에서 많은 추천 알고리즘들이 지원된다. 이 논문에서는 R에서 사용할 수 있는 3개의 추천 알고리즘 관련 패키지(recommenderlab, rrecsys, recosystem)를 소개하고 각 패키지에 대한 가이드라인을 제공한다. 또한 개인의 온라인 행동을 포함한 전자상거래 데이터를 기반으로 여러가지의 추천 알고리즘들(UBCF, IBCF, SVD, FUNK SVD, ALS-WR, LIBMF)을 비교한다. recommenderlab 패키지는 본 논문에서 소개하는 모든 추천 알고리즘을 지원한다. 이 패키지는 새로운 추천 알고리즘이 포함된 R 패키지가 출시되면 해당 패키지를 인용하여 새로운 알고리즘을 지속적으로 추가하여 업데이트하고있다. 또한 이 패키지는 고객별 평점 편향을 줄이기 위한 정규화 옵션을 유일하게 제공한다. 추천알고리즘들을 통해 얻은 예측 평점을 알고리즘별로 비교한 결과는 아이템마다 다르다. 데이터에 아이템 평점 기록이 많고 해당 아이템의 평점 분포가 다른 아이템들과 비슷하다면, 6개의 알고리즘의 예측 평점은 비슷하다. 그러나 평점 기록이 충분하지 않을 때, 예측 평점에 차이를 보인다. 또한 아이템의 평점 분포가 다른 아이템들과 달리 특이한 양상을 보일 때, 해당 아이템에 대한 평점 기록이 충분한 경우에도 예측 평점에 차이를 보인다.