KR101216969B1 - Goods recommendation system and method considering price of goods - Google Patents

Goods recommendation system and method considering price of goods Download PDF

Info

Publication number
KR101216969B1
KR101216969B1 KR1020090076942A KR20090076942A KR101216969B1 KR 101216969 B1 KR101216969 B1 KR 101216969B1 KR 1020090076942 A KR1020090076942 A KR 1020090076942A KR 20090076942 A KR20090076942 A KR 20090076942A KR 101216969 B1 KR101216969 B1 KR 101216969B1
Authority
KR
South Korea
Prior art keywords
price
product
matrix
recommendation
new
Prior art date
Application number
KR1020090076942A
Other languages
Korean (ko)
Other versions
KR20110019289A (en
Inventor
장병탁
김권일
신원진
김현우
오동환
이재호
김지현
김주영
Original Assignee
주식회사 디디에이치
서울대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 디디에이치, 서울대학교산학협력단 filed Critical 주식회사 디디에이치
Priority to KR1020090076942A priority Critical patent/KR101216969B1/en
Publication of KR20110019289A publication Critical patent/KR20110019289A/en
Application granted granted Critical
Publication of KR101216969B1 publication Critical patent/KR101216969B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 상품 가격을 고려한 상품 추천시스템 및 그 추천방법에 관한 것으로서, 보다 상세하게는 상품이나 고객 간의 연관성을 이용하여 전자상거래상의 상품을 추천하는 협력 필터링(Collaborative Filtering) 알고리즘을 기반으로 하면서 최종적인 상품 추천에는 상품의 가격 요소에 가중치를 부여하여 판매자의 이익을 극대화함과 아울러, 가격가중계수를 적응적으로 변화시키며 결정함으로써 쇼핑몰 고객의 추천 만족도를 해하지 않는 범위 내에서 매출을 극대화할 수 있는 상품 가격을 고려한 상품 추천시스템 및 그 추천방법에 관한 것이다.

Figure R1020090076942

협력 필터링, 상품 가격, 상품 추천, 전자 상거래

The present invention relates to a product recommendation system and a recommendation method in consideration of commodity prices, and more particularly, based on a collaborative filtering algorithm that recommends a product on an e-commerce using an association between a product and a customer. Product recommendation is weighted on the price element of the product to maximize the seller's profits, and by adaptively changing the price weighting coefficient to determine the product that can maximize sales within the range that does not hurt the customer satisfaction of shopping mall customers The present invention relates to a product recommendation system in consideration of price and a recommendation method thereof.

Figure R1020090076942

Collaborative filtering, commodity prices, commodity referrals, e-commerce

Description

상품 가격을 고려한 상품 추천시스템 및 그 추천방법{GOODS RECOMMENDATION SYSTEM AND METHOD CONSIDERING PRICE OF GOODS}Product recommendation system considering product price and recommendation method {GOODS RECOMMENDATION SYSTEM AND METHOD CONSIDERING PRICE OF GOODS}

본 발명은 상품 가격을 고려한 상품 추천시스템 및 그 추천방법에 관한 것으로서, 보다 상세하게는 상품이나 고객 간의 연관성을 이용하여 전자 상거래상의 상품을 추천하는 협력 필터링(Collaborative Filtering) 알고리즘을 기반으로 하면서 최종적인 상품 추천에는 상품의 가격 요소에 가중치를 부여하여 판매자의 이익을 극대화함과 아울러, 가격가중계수를 적응적으로 변화시키며 결정함으로써 쇼핑몰 고객의 추천 만족도를 해하지 않는 범위 내에서 매출을 극대화할 수 있는 상품 가격을 고려한 상품 추천시스템 및 그 추천방법에 관한 것이다.The present invention relates to a commodity recommendation system considering a commodity price and a recommendation method thereof. More specifically, the present invention is based on a collaborative filtering algorithm that recommends commodities on an e-commerce basis by using an association between a commodity or a customer. Product recommendation is weighted on the price element of the product to maximize the seller's profits, and by adaptively changing the price weighting coefficient to determine the product that can maximize sales within the range that does not hurt the customer satisfaction of shopping mall customers The present invention relates to a product recommendation system in consideration of price and a recommendation method thereof.

현재 인터넷을 이용한 전자 상거래는 이미 보편적으로 정착되었으며, 근래에는 전자 상거래 서비스를 제공하는 웹사이트를 운영하는 운영자나 웹 마스터가 단순히 판매 상품을 선정하여 보여주는 것을 넘어서, 구매하고자 하는 사용자의 성향 등 다양한 정보를 취합하고 분석하여 사용자가 선호할 것으로 예상되는 상품을 선정하여 제공하는 맞춤형 서비스들이 제안되고 있다. 그에 따라 자동화된 정보 필터링 기술을 이용하여 많은 정보 중 사용자에게 필요한 정보만을 추출하여 추천할 수 있는 알고리즘과 추천 시스템들이 제안되고 있다.Currently, e-commerce using the Internet has become commonplace, and in recent years, the operator or webmaster who operates a website that provides e-commerce services has more than simply selected and displayed the products to be sold. The customized services that collect and analyze and select and provide products that are expected to be favored by users have been proposed. Accordingly, algorithms and recommendation systems have been proposed that can extract and recommend only the information necessary for the user from the automated information filtering technology.

이러한 추천 시스템 중 협력 필터링(Collaborative Filtering)은 고객들의 기존 물품 구매 목록이나 선호도를 이용하여 데이터베이스를 구축하고, 추천 대상 고객과 구매 성향이 가장 비슷한 이웃 고객들을 선정한 후, 그러한 이웃 고객들의 구매 이력을 분석하여 추천 대상 고객이 선호할 것으로 예상되는 상품들을 추천하는 알고리즘으로 이루어진다.Among these recommendation systems, Collaborative Filtering builds a database using the customer's existing list of purchases or preferences, selects the neighbors who have the closest purchasing tendency to the recommended customers, and analyzes the purchase history of those neighbors. It is composed of an algorithm for recommending products that are expected to be preferred by the target customer.

이러한 협력 필터링을 기반으로 하는 상품 추천은 추천 대상 고객인 사용자가 기존에 구매한 것과 유사한 제품을 추천하는 종래의 내용 기반 추천 알고리즘의 단점을 보완하여, 사용자가 구입하지 않은 새로운 종류나 품목의 제품도 추천할 수 있다는 장점이 있어 현재 가장 널리 이용되고 있다.The product recommendation based on such collaborative filtering compensates for the disadvantages of the conventional content-based recommendation algorithm, which recommends a product similar to the one purchased by the user who is the recommendation customer. It has the advantage of being recommended and is currently the most widely used.

그러나, 이와 같이 현재 널리 이용되는 협력 필터링 기반의 상품 추천은 상품별 가격 차이가 크지 않은 도서 구매나 영화 예매에서는 가격 차이로 인한 매출 증감의 문제가 발생하지 않게 되지만, 상품별 가격차가 큰 다수의 상품들을 판매하는 일반 쇼핑몰 사이트에서는 비슷한 추천점수를 갖는 상품 간에도 가격차가 큰 경우가 발생할 수 있음에도 이러한 상품의 가격차를 적절하게 반영하지 못하고 무조건 추천 점수가 높은 상품을 우선적으로 추천하게 되므로 매출을 극대화하지 못하게 되는 문제점이 있었다.However, the presently widely used collaborative filtering-based product recommendation does not cause a problem of increase or decrease in sales due to price difference in book purchases or movie reservations where the price difference is not large. In general shopping mall sites, even though the price difference may occur even between products having similar recommendation scores, it is not appropriate to reflect the price difference of such products and unconditionally recommends products with high recommendation scores. there was.

또한, 종래에는 추천된 다수의 상품을 단순히 가격의 고저에 따라 재배열하는 것만이 제안되어 있었는바, 가격을 기준으로 추천 상품들을 재배열할 경우 추천점수와는 무관한 상품의 배열이 이루어지게 되어 협력 필터링에 의한 상품 추천의 의미가 현저히 퇴색되는 문제점이 있었다.In addition, in the related art, only a rearrangement of a plurality of recommended products based on a high or low price has been proposed. When rearranging the recommended products based on a price, an arrangement of a product irrelevant to the recommendation score is made. There was a problem that the meaning of product recommendation by cooperative filtering is significantly faded.

본 발명이 해결하고자 하는 기술적 과제는, 상품별 가격차가 큰 일반 쇼핑몰에서 상품을 추천함에 있어 고객의 상품 선호도를 고려하여 추천 대상을 선정하는 협력 필터링 기반의 추천에서 고객이 느끼는 추천 만족도, 즉 상품 선호도를 고려한 추천점수에 큰 영향을 미치지 않는 범위내에서 가격차에 따른 가중치를 부과하여 판매자의 매출을 극대화시킬 수 있게 한 상품 가격을 고려한 상품 추천시스템 및 그 추천방법을 제공함에 있다.The technical problem to be solved by the present invention, in recommending a product in a general shopping mall with a large price difference for each product, the recommendation satisfaction, ie product preference that the customer feels in the recommendation based on the cooperative filtering to select the recommendation target in consideration of the customer's product preference The present invention provides a product recommendation system and a recommendation method considering a product price that maximizes a seller's sales by imposing weights according to the price difference within a range that does not significantly affect the considered recommendation score.

상기 과제를 이루기 위한 상품 가격을 고려한 상품 추천시스템은, 인터넷 등의 통신망상에서 상품을 판매하는 쇼핑몰 웹서버; 상기 쇼핑몰 웹서버에서 제공하는 상품과 고객의 구매 정보 등을 저장하는 데이터베이스 서버; 상기 데이터베이스 서버에 저장된 고객의 구매 이력을 토대로 고객이 구매한 상품을 나타내는 고객별 주문행렬과, 모든 고객이 구매한 상품을 나타내는 전체 주문행렬을 생성하고, 상기 고객별 주문행렬과 전체 주문행렬을 기반으로 협력 필터링 기반의 알고리즘에 의하여 각 상품에 대한 추천점수를 연산하는 협력 필터링 추천부; 상기 각 상품들의 가격의 고저에 따른 가격 가중치를 연산하는 가격 가중치 연산부; 상기 추천점수와 상기 가격 가중치를 연산하여, 각 상품의 가격 가중치가 고려된 가중 추천점수를 결정하는 가중 추천점수 연산부; 및 상기 가중 추천점수에 따른 추천 상품 목록을 선정하여 상기 쇼핑몰 웹서버로 전송하는 추천 상품 선정부를 포함하여 구성되는 것을 특징으로 한다.Product recommendation system considering the product price to achieve the above object, Web server for selling the product on a communication network, such as the Internet; A database server for storing goods and customer purchase information provided by the shopping mall web server; Based on the purchase history of the customer stored in the database server, a customer-specific order matrix representing the goods purchased by the customer, and a total order matrix representing the goods purchased by all customers, based on the customer-specific order matrix and the total order matrix A cooperative filtering recommendation unit for calculating a recommendation score for each product by a cooperative filtering-based algorithm; A price weight calculator configured to calculate a price weight according to a high and low price of each product; A weighted recommendation score calculator for calculating a weighted recommendation score in consideration of the price weight of each product by calculating the recommendation score and the price weight; And a recommendation product selection unit configured to select a recommendation product list based on the weighted recommendation score and transmit the recommendation product list to the shopping mall web server.

또한, 본 발명은 상기 가격 가중치 연산부가 상기 쇼핑몰 웹서버에서 판매하는 상품들의 가격을 행렬로 생성하는 상품 가격행렬 생성모듈; 및 상기 상품 가격 행렬을 상기 추천점수와의 연산을 위한 가격 가중치 값으로 변환시키는 가격 가중치 변환모듈을 포함하여 구성되는 것을 특징으로 한다.In another aspect, the present invention provides a product price matrix generation module for generating a price matrix of the products sold by the shopping mall web server in a matrix; And a price weight conversion module for converting the product price matrix into a price weight value for calculation with the recommendation score.

또한, 본 발명은 상기 가격 가중치 변환모듈은 각 상품의 가격을 로그 스케일로 변환하여 가격 가중치 값을 생성하고, 일정 기간마다 대상 고객이 추천 상품을 선택할 평균 확률과 전체 매출 값의 변화 정도를 비교하여 상기 가격 가중치를 연산하기 위한 가격가중계수(C)를 변화시키며 결정하는 가격가중계수 최적화부를 더 포함하여 구성되는 것을 특징으로 한다.In addition, the present invention, the price weight conversion module converts the price of each product to a log scale to generate a price weight value, by comparing the degree of change in the average probability of the target customer to select the recommended product and the total sales value for each period And a price weighting coefficient optimizer configured to change and determine a price weighting coefficient C for calculating the price weight.

또한, 본 발명에 따른 상품 가격을 고려한 상품 추천방법은, 협력 필터링(Collaborative Filtering) 알고리즘에 의해 상품별로 부과되는 추천점수(s)를 연산하는 협력 필터링 기반의 추천점수 연산단계(S10); 상기 추천점수(s)와 동일한 형태를 갖는 1× N상품 크기의 상품 가격 행렬(w)을 생성하고, 이를 동일한 크기의 가격 가중치 행렬(

Figure 112009050799845-pat00001
)로 변환하는 가격 가중치 연산단계(S20); 상기 추천점수(s)에 상기 가격 가중치 행렬(
Figure 112009050799845-pat00002
)을 더하는
Figure 112009050799845-pat00003
연산에 의하여 가격 가중치가 반영된 최종적인 가중 추천점수(
Figure 112009050799845-pat00004
)를 연산하는 가중 추천점수 연산단계(S40); 및 대상 고객이 구매하지 않은 상품들 중 상기 가중 추천 점수(
Figure 112009050799845-pat00005
)가 높은 순서대로 다수 개의 상품을 선택한 후 상기 쇼핑몰 웹서버로 전송하여 표출시키는 추천 상품 선정단계(S50)를 포함하여 구성되는 것을 특징으로 한다.In addition, a product recommendation method in consideration of the product price according to the present invention, a collaborative filtering-based recommendation score calculation step (S10) for calculating a recommendation score (s) imposed for each product by a collaborative filtering algorithm (Collaborative Filtering); A product price matrix w of 1 × N product size having the same form as the recommended score s is generated, and the price weight matrix of the same size (
Figure 112009050799845-pat00001
A price weight calculation step (S20) of converting it into a); In the recommendation score (s), the price weight matrix (
Figure 112009050799845-pat00002
Adding)
Figure 112009050799845-pat00003
The final weighted recommendation score, which reflects the price weight
Figure 112009050799845-pat00004
A weighted recommendation score calculation step (S40) of calculating; And the weighted recommendation score among the products that the target customer did not purchase (
Figure 112009050799845-pat00005
) Selects a plurality of products in high order and transmits them to the shopping mall web server for display.

또한, 본 발명은 상기 가격 가중치 연산단계(S20)에서 상품 가격 행렬 w=[w1,…, wj,…, wN 상품]을 로그 스케일로 변환하고 가격가중계수(C)를 곱하는

Figure 112009050799845-pat00006
의 연산에 의해 각 상품의 값을 가격 가중치 행렬
Figure 112009050799845-pat00007
로 변환하도록 구성되는 것을 특징으로 한다.In addition, the present invention is a commodity price matrix w = [w 1 ,... , w j ,… , w N products ] to logarithmic scale and multiply by price weighting factor (C)
Figure 112009050799845-pat00006
A price-weighted matrix of values for each product by the operation of
Figure 112009050799845-pat00007
It is characterized in that it is configured to convert to.

본 발명은 고객의 상품 선호도를 고려하여 추천 상품 목록을 선정함에 있어서 높은 추천 정확도라는 협력 필터링 기반의 장점을 그대로 유지하면서도, 높은 가격대의 상품 구매를 유도하여 매출 증가를 구현할 수 있는 장점이 있다.The present invention has the advantage of implementing sales increase by inducing product purchase at a high price while maintaining the advantages of the cooperative filtering base of high recommendation accuracy in selecting a recommendation product list in consideration of the customer's product preference.

이하에서는 본 발명의 구체적인 실시예를 도면을 참조하여 상세히 설명하도록 한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings.

도 1은 본 발명에 따른 상품 가격을 고려한 상품 추천시스템의 블록 구성도이다.1 is a block diagram of a product recommendation system considering a product price according to the present invention.

도 1을 참조하면, 본 발명에 따른 상품 가격을 고려한 상품 추천시스템은 인터넷 등의 통신망상에서 다양한 상품을 판매하는 쇼핑몰 웹서버(100)와, 상기 쇼핑 몰 웹서버에서 제공하는 상품과 고객의 구매 정보 등을 저장하는 데이터베이스 서버(200)와, 상품 선호도를 기준으로 추천점수를 연산하는 협력 필터링 추천부(300)와, 상품의 가격을 기준으로 가중치를 연산하는 가격 가중치 연산부와, 상기 가격 가중치를 연산하는 가격가중계수를 적응적으로 결정하는 가격가중계수 최적화부(500)와, 상기 가격 가중치가 고려된 각 상품의 추천점수를 결정하는 가중 추천점수 연산부(600), 및 상기 가중 추천점수에 따른 추천 상품 목록을 선정하여 상기 쇼핑몰 웹서버로 전송하는 추천 상품 선정부(700)를 포함하여 구성된다.Referring to FIG. 1, a product recommendation system considering a product price according to the present invention includes a shopping mall web server 100 that sells various products on a communication network such as the Internet, and products and customer purchase information provided by the shopping mall web server. A database server 200 for storing the information, a cooperative filtering recommendation unit 300 for calculating a recommendation score based on a product preference, a price weight calculation unit for calculating a weight based on a price of a product, and calculating the price weight A price weighting coefficient optimizer 500 for adaptively determining a price weighting coefficient to be calculated, a weighted recommendation score calculating unit 600 for determining a recommendation score of each product in consideration of the price weighting factor, and recommendation based on the weighted recommendation score And a recommendation product selection unit 700 for selecting a product list and transmitting the selected product list to the shopping mall web server.

상기 쇼핑몰 웹서버(100)는 인터넷 등을 통하여 상품을 구매하고자 하는 고객의 클라이언트시스템이 접속하여 상품의 구매가 이루어지는 웹사이트를 운영하는 통상적인 웹서버로 구성된다.The shopping mall web server 100 is constituted by a conventional web server that accesses a client system of a customer who wants to purchase a product through the Internet and operates a website where the product is purchased.

이때, 상기 쇼핑몰 웹서버(100)는 상품을 구매하고자 하는 고객에게 추천점수가 높은 상품 목록을 추천할 수 있도록 해당 고객의 아이디 등을 상기 협력 필터링 추천부(300)로 전달함과 아울러, 최종적으로 선정된 추천 상품 목록을 상기 추천 상품 선정부(700)로부터 수신하여 표출하게 된다. 이 경우 상기 쇼핑몰 웹서버는 상품명, 링크, 사진과 함께 상기 추천 상품 목록을 생성하여 표출시키도록 구성될 수 있음은 물론이다.In this case, the shopping mall web server 100 delivers the ID of the corresponding customer to the cooperative filtering recommendation unit 300 so as to recommend a product list having a high recommendation score to the customer who wants to purchase the product, and finally, The recommended recommendation product list is received from the recommended product selection unit 700 and displayed. In this case, the shopping mall web server may be configured to generate and display the recommended product list along with a product name, a link, and a photo.

또한, 상기 쇼핑몰 웹서버는 고객의 인적정보와 최종적인 구매 내역 등을 상기 데이터베이스 서버에 저장하고 독출할 수 있도록 상기 데이터베이스 서버(200)에 연동되게 구성된다.In addition, the shopping mall web server is configured to be linked to the database server 200 to store and read the personal information and the final purchase history of the customer in the database server.

상기 쇼핑몰 웹서버(100)는 상품간의 가격차이가 큰 상품을 판매하는 웹사이 트를 운영하는 것이 가격 가중치에 의한 매출 극대화를 꾀할 수 있으나, 가격차이가 크지 않은 도서나 영화 예매 등의 전자상거래 서비스를 제공하는 웹사이트를 운영하는 것도 무방함은 물론이다.The shopping mall web server 100 may operate a website that sells a product having a large price difference between products, thereby maximizing sales by price weight, but an e-commerce service such as a book or a movie ticketing having a large price difference. Of course it is safe to operate a website that provides.

상기 데이터베이스 서버(200)는 상기 쇼핑몰 웹서버와 연동하며 인적 정보 및 상품 정보를 저장하고, 상기 협력 필터링 추천부와 가격 가중치 연산부, 및 가격가중계수 최적화부(500)에 연동하면서 고객 정보와 상품 정보를 독출하도록 구성된다.The database server 200 interoperates with the shopping mall web server, stores personal information and product information, and interoperates with the cooperative filtering recommendation unit, the price weight calculation unit, and the price weighting coefficient optimizer 500, and the customer information and the product information. It is configured to read.

이때, 상기 데이터베이스 서버(200)는 고객의 인적정보와 구매정보를 저장하는 고객데이터베이스와, 상품의 가격정보 등을 저장하는 상품데이터베이스를 포함하여 구성된다. 또한, 상기 데이터베이스 서버(200)는 적절한 상품 추천 목록을 생성할 수 있도록, 모든 구매 기록과, 상품들의 가격과, 추천 상품 목록을 확인한 고객이 추천 상품을 선택할 확률, 및 전체 매출에 대한 통계치를 저장하도록 구성될 수 있음은 물론이다.In this case, the database server 200 includes a customer database for storing personal information and purchase information of the customer, and a product database for storing price information of the product. In addition, the database server 200 stores all purchase records, prices of products, a probability that a customer who checked the recommended product list, selects a recommended product, and statistics on the total sales so as to generate an appropriate product recommendation list. Of course, it can be configured to.

상기 협력 필터링 추천부(300)는 협력 필터링(Collaborative Filtering) 기반의 알고리즘으로 상품 추천 목록을 보기 원하는 대상 고객의 아이디나, 그 고객이 선택한 상품들의 아이디를 상기 쇼핑몰 웹서버로부터 수신하여 모든 상품들의 추천점수(sj)를 연산하기 위해, 고객별 주문행렬 생성모듈(310)과, 전체 주문행렬 생성모듈(320)과, 추천점수 연산모듈(340) 주문행렬 생성모듈(330), 및 추천점수 연산모듈(340)을 포함하여 구성된다.The collaborative filtering recommendation unit 300 receives IDs of target customers who want to view a product recommendation list or collaborative filtering based algorithms from the shopping mall web server to recommend all products. In order to calculate the score s j , the customer-specific order matrix generation module 310, the total order matrix generation module 320, the recommendation score calculation module 340, the order matrix generation module 330, and the recommendation score calculation Module 340.

상기 고객별 주문행렬 생성모듈(310)은 ｉ번째 고객이 구매한 상품들을 나타내는 고객별 주문행렬(bi)을 생성하는 것으로서, 한 쇼핑몰에서 제공하는 총 상품의 개수가 N상품이고 총 고객의 수가 N고객인 경우, ｉ번째 고객이 지금까지 구매한 상품들을 1 × N상품 크기의 행렬, bi = [bi1,…, bij,…, biN 상품]로 나타내도록 구성된다. 이때, 상기 bij는 ｉ번째 고객이 ｊ번째 상품을 구매하였는지를 나타내며, 해당 고객이 그 물품을 구매하였을 경우에는 1, 구매하지 않았을 경우에는 0으로 표현된다.The customer-specific order matrix generating module 310 generates a customer-specific order matrix b i representing the products purchased by the i-th customer, wherein the total number of products provided by one shopping mall is N products and the total number of customers. For N customers , the i th customer purchases products purchased so far by a matrix of 1 × N product sizes, b i = [b i1,. , b ij ,… , b iN commodity ]. In this case, b ij indicates whether the i th customer has purchased the i th product, and is represented by 1 when the corresponding customer has purchased the product, and 0 when the customer has not purchased the product.

상기 전체 주문행렬 생성모듈(320)은 상기 고객별 주문행렬을 모든 고객에 대하여 모아서 N고객 × N상품 크기의 행렬로 나타낸 전체 주문행렬(B)을 생성하도록 구성되며, 상기 전체 주문행렬은 B = [b1 T,…, bi T,…, bN 고객 T]T 로 표현된다. 이때, 상기 T는 행렬의 전치(transpose) 연산을 지칭한다.The total order matrix generation module 320 is configured to collect the order matrix for each customer for all customers and generate a total order matrix B represented by a matrix of N customers × N product sizes, wherein the total order matrix is B = [b 1 T ,... , b i T ,.. , b N customer T ] T. In this case, T refers to a transpose operation of the matrix.

상기 주문행렬 생성모듈(330)은 상품 추천을 받기 원하는 고객이 현재까지 구매한 상품들을 1 × N상품 크기의 행렬, b′ = [b1′,…, bj′,…, bN 상품′]로 나타내도록 구성된다.The order matrix generating module 330 is a matrix of 1 × N product size, b ′ = [b 1 ′,... , b j ′,… , b N product '].

상기 추천점수 연산모듈(340)은 하기의 수학식 1과 같이 상기 주문행렬(b′)에 전체 주문행렬의 전치 연산값(BT)을 곱한 후 전체 주문행렬(B)을 곱하여 구해지는 각 상품의 추천점수(sj)를 연산하도록 구성된다. 이때, 상기 추천점수는 각 상품 에 대하여 연산된다.The recommendation score calculation module 340 multiplies the order matrix b ′ by the transposed value B T of all order matrices and multiplies the order matrices B as shown in Equation 1 below. It is configured to calculate the recommended score of s j . In this case, the recommendation score is calculated for each product.

Figure 112009050799845-pat00008
Figure 112009050799845-pat00008

종래의 협력 필터링 기반의 상품 추천시스템에서는 이와 같이 연산된 추천점수를 나타내는 행렬에서 추천점수가 높은 순서대로 특정 개수, 예를 들어 n개 만큼 뽑아서 고객에게 추천하게 되며, 이때, 상기 추천점수가 높은 상품 중 고객이 이미 구매한 상품, 즉 bj′=1인 상품은 제외된다.In the conventional collaborative filtering-based product recommendation system, a recommendation score is drawn from a matrix representing the recommendation scores calculated in this order in order of high number, for example, n, and recommended to the customer. Among the products that the customer has already purchased, that is, the product b j '= 1 is excluded.

그러나, 본 발명에서는 이러한 협력 필터링에 의해 연산된 추천점수에 의해 얻을 수 있는 높은 정확도라는 장점을 유지하면서 매출을 극대화 시킬 수 있는 가격 가중치를 후술하는 바와 같이 연산하여 부가함으로써 최종 추천 상품을 선택하게 된다.However, in the present invention, the final recommendation product is selected by calculating and adding a price weight that can maximize the sales as described below while maintaining the advantage of high accuracy obtained by the recommendation score calculated by such cooperative filtering. .

상기 가격 가중치 연산부(400)는 상기 쇼핑몰 웹서버에서 판매하는 상품들의 가격을 행렬로 생성하는 상품 가격행렬 생성모듈(410)과, 상기 상품 가격 행렬을 상기 추천점수와의 연산을 위한 가격 가중치로 변환시키는 가격 가중치 변환모듈(420)을 포함하여 구성된다.The price weight calculation unit 400 is a product price matrix generation module 410 for generating a price of the products sold in the shopping mall web server as a matrix, and converts the product price matrix into a price weight for calculation with the recommendation score It is configured to include a price weight conversion module 420.

이때, 상기 상품 가격행렬 생성모듈(410)은 ｊ번째 상품의 가격을 wj라 할 때 전체 상품들의 가격을 1 × N상품 크기의 행렬 w=[w1,…, wj,…, wN 상품]로 표현하도록 구성된다.In this case, the product price matrix generation module 410 j the value of the total product when the value La of the w j-th item 1 × N matrix product size w = [w 1, ... a , w j ,… , w N goods ].

상기 가격 가중치 변환모듈(420)은 상기 상품 가격행렬 생성모듈(410)에서 생성된 상품 가격 행렬에 있는 각 상품의 값을 가격 가중치 행렬,

Figure 112009050799845-pat00009
로 변환하도록 구성된다.The price weight conversion module 420 converts the value of each product in the product price matrix generated by the product price matrix generation module 410 into a price weight matrix,
Figure 112009050799845-pat00009
It is configured to convert.

이때, 상기 상품 가격을 가격 가중치로 변환하는 연산은 하기의 수학식 2에 의해 이루어진다.At this time, the operation of converting the product price to the price weight is performed by the following equation (2).

Figure 112009050799845-pat00010
Figure 112009050799845-pat00010

상기 수학식 2에서 C는 가격가중계수로서 0보다 큰 상수를 나타내며, log10은 밑이 10인 로그를 지칭한다.In Equation 2, C represents a constant greater than 0 as a price weighting factor, and log 10 refers to a log base 10.

이와 같이, 가격 가중치를 연산함에 있어서 로그 함수를 이용하여 상품간의 큰 가격 차이가 로그 스케일로 반영되게 함으로써, 상기 가격 가중치가 협력 필터링에 기반한 추천 결과를 크게 바꾸지 않도록 구성된다.As such, in calculating the price weight, a large price difference between products is reflected on a logarithmic scale using a logarithmic function so that the price weight does not significantly change a recommendation result based on cooperative filtering.

상기 가격가중계수 최적화부(500)는 일정 기간마다 추천점수 연산모듈(340)이 추천 상품을 선택할 평균 확률과 전체 매출 값의 변화 정도를 비교하여 상기 가격가중계수(C)를 적응적으로 변화시키며 결정할 수 있도록, 평균확률 연산모듈(510)과, 평균확률 비교모듈(520)과, 전체 매출 연산모듈(530)과, 전체 매출 비교모듈(540)과, 가격가중계수 최적화모듈을 포함하여 구성된다.The price weighting coefficient optimizer 500 adaptively changes the price weighting coefficient C by comparing the average probability of the recommendation score calculation module 340 selecting a recommended product and the change in the total sales value every predetermined period. The average probability calculation module 510, the average probability comparison module 520, the total sales calculation module 530, the total sales comparison module 540, and the price weighting coefficient optimization module are configured to determine the average probability calculation module 510. .

이때, 상기 평균확률 연산모듈(510)에서는 고객이 추천 상품을 선택할 평균 확률(P)을 연산하고, 상기 전체 매출 연산모듈(530)에서는 해당 기간 동안의 전체 매출(W)을 연산하도록 구성된다.In this case, the average probability calculating module 510 calculates an average probability P for a customer to select a recommended product, and the total sales calculating module 530 calculates the total sales W during the corresponding period.

또한, 상기 평균확률 비교모듈(520)에서는 과거에 연산하였던 평균확률(Pold)와 상기 평균확률 연산모듈(510)에서 현재 새로이 연산된 평균확률(Pnew)의 값을 비교하도록 구성되며, 상기 전체 매출 비교모듈(540)에서도 과거에 연산하였던 전체 매출(Wold)과 상기 전체 매출 연산모듈(530)에서 현재 새로이 연산된 전체 매출(Wnew)의 값을 비교하도록 구성된다.In addition, the average probability comparison module 520 is configured to compare the average probability P old calculated in the past with the average probability P new currently calculated in the average probability calculation module 510. The total sales comparison module 540 is also configured to compare the value of the total revenue (W old ) that was calculated in the past with the total revenue (W new ) currently newly calculated in the total sales calculation module (530).

그리고, 상기 가격가중계수 최적화모듈에서는 먼저 상기 평균확률 비교모듈(520)에서의 비교 결과를 확인하여 현재의 평균확률(Pnew) 값이 과거의 평균확률(Pold) 값보다 작을 경우에는, 과거의 가격가중계수(Cold)에서 일정한 가격 가중치 변화 정도(ΔC)를 뺀 값을 새로운 가격가중계수(Cnew)로 결정하도록 구성된다.In addition, the price weighting coefficient optimization module first checks the comparison result in the average probability comparing module 520, and when the current average probability P new is smaller than the past average probability P old , It is configured to determine the new price weighting factor (C new ) by subtracting the degree of change of the price weight (ΔC) from the price weighting factor (C old ) of.

또한, 상기 평균확률 비교모듈(520)에서의 비교 결과 현재의 평균확률(Pnew) 값이 과거의 평균확률(Pold) 값보다 클 경우에는, 상기 전체 매출 비교모듈(540)에서의 비교 결과를 확인하여 현재의 전체 매출(Wnew)이 과거의 전체 매출(Wold)보다 작을 경우에는, 과거의 가격가중계수(Cold)에서 일정한 가격 가중치 변화 정도(ΔC)를 더한 값을 새로운 가격가중계수(Cnew)로 결정하도록 구성된다.In addition, when the comparison result in the average probability comparison module 520, the current average probability (P new ) value is larger than the past average probability (P old ) value, the comparison result in the total sales comparison module 540 If the current total sales (W new ) is smaller than the previous total sales (W old ), the new price weighting value is obtained by adding a constant price weight change degree (ΔC) to the past price weighting factor (C old ). Configured to determine the coefficient C new .

그 외의 경우 즉, 현재의 평균확률(Pnew) 값이 과거의 평균확률(Pold) 값보다 크고, 현재의 전체 매출(Wnew)이 과거의 전체 매출(Wold)보다 클 경우에는, 과거의 가격가중계수(Cold)를 그대로 현재의 새로운 가격가중계수(Cnew)로 유지하도록 구성된다.Otherwise, if the current average probability (P new ) is greater than the past average probability (P old ) and the current total revenue (W new ) is greater than the past total revenue (W old ), It is configured to maintain the price weighting factor (C old ) of the current new price weighting factor (C new ).

또한, 상기 가격 가중치가 로그 함수의 스케일로 반영되고, 상기 가격가중계수(C)가 일정 시간마다 동적으로 자동 조절되게 함으로써, 쇼핑몰 고객이 협력 필터링에 기반하여 느끼는 추천 만족도를 해치지 않는 범위내에서 매출을 최대화 할 수 있게 된다.In addition, the price weight is reflected in the scale of the logarithm function, and the price weighting coefficient (C) is dynamically adjusted automatically at a predetermined time, so that the sales within the range that does not harm the recommendation satisfaction that the shopping mall customers feel based on the cooperative filtering. Can be maximized.

상기 가중 추천점수 연산부(600)는 상기 협력 필터링 추천부(300)에서 연산된 추천점수(s)에 상기 가격 가중치 연산부에서 연산된 가격 가중치(

Figure 112009050799845-pat00011
)를 더하여 최종적인 가중 추천점수(
Figure 112009050799845-pat00012
)를 하기의 수학식 3과 같이 연산하도록 구성된다.The weighted recommendation score calculator 600 calculates a price weight calculated by the price weight calculator to a recommendation score s calculated by the cooperative filtering recommender 300.
Figure 112009050799845-pat00011
) Plus your final weighted recommendation score (
Figure 112009050799845-pat00012
) Is calculated as in Equation 3 below.

Figure 112009050799845-pat00013
Figure 112009050799845-pat00013

상기 추천 상품 선정부(700)는 추천점수 연산모듈(340)이 구매하지 않은 상품들 중에서, 상기 가중 추천점수(sj)가 높은 순서대로 일정 개수, 즉 n개를 선택한 후 상기 쇼핑몰 웹서버(100)로 전송하도록 구성된다. 그에 따라, 상기 쇼핑몰 웹서버는 상기 추천 상품 선정부(700)로부터 수신한 추천 상품들을 통신망상에서 추천점수 연산모듈(340)의 클라이언트 시스템으로 표출시킨다.The recommendation product selecting unit 700 selects a predetermined number, that is, n items from the products that the recommendation score calculation module 340 has not purchased, in order of increasing weighted recommendation score s j , and then stores the web server ( 100). Accordingly, the shopping mall web server expresses the recommendation products received from the recommendation product selecting unit 700 to the client system of the recommendation score calculation module 340 on the communication network.

다음에는 본 발명에 따른 상품 가격을 고려한 상품 추천방법을 설명한다.Next, a product recommendation method considering the product price according to the present invention will be described.

도 2는 본 발명에 따른 상품 가격을 고려한 상품 추천방법의 구성도이며, 도 3은 본 발명에 따른 가격가중계수 최적화단계의 판단 순서도이다.2 is a configuration diagram of a product recommendation method in consideration of a product price according to the present invention, and FIG. 3 is a flowchart illustrating a price weighting factor optimization step according to the present invention.

도 2를 참조하면, 상품 가격을 고려한 상품 추천방법은, 협력 필터링 기반의 추천점수 연산단계(S10)와, 가격 가중치 연산단계(S20)와, 가격가중계수 최적화단계(S30)와, 가중 추천점수 연산단계(S40)와, 추천 상품 선정단계(S50)를 포함하여 구성된다.Referring to FIG. 2, the product recommendation method considering the product price includes a recommendation score calculation step S10, a price weight calculation step S20, a price weighting coefficient optimization step S30, and a weighted recommendation score based on cooperative filtering. It comprises a calculation step (S40), and a recommended product selection step (S50).

상기 협력 필터링 기반의 추천점수 연산단계(S10)는 통상적인 협력 필터링(Collaborative Filtering) 알고리즘에 의해 상품별로 부과되는 추천점수를 연산하는 단계로서, 고객별 주문행렬과 전체 주문행렬 및 대상 고객 주문행렬을 생성하는 행렬 생성과정(S11)과, 생성된 행렬을 이용하여 추천점수를 연산하는 추천점수 연산과정(S12)을 포함하여 구성된다.The recommendation score calculation step based on the cooperative filtering (S10) is a step of calculating a recommendation score imposed for each product by a conventional collaborative filtering algorithm, and calculates an order matrix for each customer, an entire order matrix, and a target customer order matrix. It includes a matrix generation process (S11) to generate, and a recommendation score calculation process (S12) for calculating a recommendation score using the generated matrix.

상기 행렬 생성과정(S11)은 협력 필터링을 기반으로 유사한 취향을 갖는 다른 고객들이 구매한 상품 목록을 기반으로 상품을 추천하기 위한 추천점수의 연산이 용이하게 이루어질 수 있게, 쇼핑몰 웹서버를 통하여 획득한 고객들의 인적 정보와 상품 정보를 기반으로 특정 고객들이 지금까지 쇼핑몰에서 구매한 상품들을 1× N상품 크기의 고객별 주문행렬(bi)로 생성하고, 이러한 고객별 주문행렬을 모든 고객에 대해 모아서 N고객× N상품 크기의 전체 주문행렬(B)을 생성하며, 상품 추천을 받기 원하는 대상 고객이 현재까지 구매한 상품들을 1× N상품 크기의 대상 고객 주 문행렬로 생성하도록 구성된다.The matrix generation process (S11) is obtained through the shopping mall web server to facilitate the calculation of the recommendation score for recommending products based on the list of products purchased by other customers with similar tastes based on the cooperative filtering Based on the personal information and product information of the customers, the specific customer purchases the products purchased so far in the mall into a customer-specific order matrix (b i ) of 1 × N product size, and collects the customer-specific order matrix for all customers A total order matrix B of N customers × N product sizes is generated, and the target customers who want to receive the product recommendation are configured to generate products purchased so far as the target customer order matrix of 1 × N product sizes.

그에 따라, 협력 필터링 추천부에 구비된 고객별 주문행렬 생성모듈(310)에서 ｉ번째 고객이 지금까지 구매한 상품들을 1 × N상품 크기의 고객별 주문행렬, bi = [bi1,…, bij,…, biN상품]을 생성하고, 전체 주문행렬 생성모듈(320)에서 N고객 × N상품 크기의 전체 주문행렬, B = [b1 T,…, bi T,…, bN고객 T]T을 생성하며, 대상 고객 주문행렬 생성모듈에서 1 × N상품 크기의 대상 고객 주문행렬, b′ = [b1′,…, bj′,…, bN상품′]을 생성하게 된다.Accordingly, in the customer-specific order matrix generation module 310 provided in the cooperative filtering recommendation unit, the products purchased by the i th customer so far are ordered by the customer size of 1 × N product size, b i = [b i1,. , b ij ,… , b iN article ], and the total order matrix of the N customer × N product size, B = [b 1 T ,... , b i T ,.. , b Ncustomer T ] T , and in the target customer order matrix generation module, a target customer order matrix of 1 × N product size, b ′ = [b 1 ′,. , b j ′,… , b N product '].

상기 추천점수 연산과정(S12)은 상기 협력 필터링 추천부에 구비된 추천점수 연산모듈에서 상기 대상 고객 주문행렬(b′)에 전체 주문행렬의 전치 연산값(BT)을 곱한 후, 전체 주문행렬(B)을 곱해서 구해지는 각 상품의 추천점수(sj)를 연산하도록 구성된다. 이때, 상기 추천점수는 각 상품에 대하여 연산되며, 상기 추천점수를 나타내는 행렬은 s=[s1,…, s2,…, sN상품]=b′× BT × B 으로 표현된다.The recommendation score calculation process (S12) multiplies the target customer order matrix (b ′) by the transposition value (B T ) of the entire order matrix in the recommendation score calculation module provided in the cooperative filtering recommendation unit, and then the entire order matrix. It is configured to calculate the recommendation score (s j ) of each product obtained by multiplying (B). In this case, the recommendation score is calculated for each product, and the matrix representing the recommendation score is s = [s 1 ,... , s 2 ,… , s N product ] = b '× B T × B.

상기 가격 가중치 연산단계(S20)는 상기 추천점수(s)와의 용이한 연산을 위해, 가격 가중치 연산부에서 추천점수와 동일한 형태를 갖는 1× N상품 크기의 상품 가격 행렬(w)을 생성하고, 이를 동일한 크기의 가격 가중치 행렬(

Figure 112009050799845-pat00014
)로 변환하도록 구성된다.The price weight calculation step S20 generates a product price matrix w having a size of 1 × N product having the same form as the recommended score in the price weight calculation unit for easy calculation with the recommendation score s. Equal-size price weight matrix (
Figure 112009050799845-pat00014
Is converted to).

이때, 상기 가격 가중치 연산부에 구비된 가격 가중치 변환모듈에서 상품 가격 행렬 w=[w1,…, wj,…, wN 상품]을 로그 스케일로 변환하고 가격가중계수(C)를 곱하는

Figure 112009050799845-pat00015
에 의해 각 상품의 값을 가격 가중치 행렬
Figure 112009050799845-pat00016
로 변환하게 된다.At this time, the product price matrix w = [w 1 ,... , w j ,… , w N products ] to logarithmic scale and multiply by price weighting factor (C)
Figure 112009050799845-pat00015
Price weight matrix for each product value by
Figure 112009050799845-pat00016
Will be converted to.

이 경우, 상기 가격가중계수(C)는 0보다 큰 상수를 나타내며 후술하는 가격가중계수 최적화단계에서 자동으로 조절되며, 상품들 간의 큰 가격 차이가 로그 스케일로 변환된 가격 가중치로 반영되므로 상기 가격 가중치가 협력 필터링에 기반한 추천 결과를 크게 바꾸지 않게 된다. 그에 따라 상품을 추천받고자 하는 대상 고객에게 여전히 높은 추천 정확도를 유지하는 상품 추천 정보가 제공될 수 있게 된다.In this case, the price weighting factor (C) represents a constant greater than zero and is automatically adjusted in the price weighting factor optimization step described later, and the price weighting factor is reflected because a large price difference between products is reflected as a price weight converted to a logarithmic scale. Does not significantly change the recommendation results based on collaborative filtering. Accordingly, product recommendation information that maintains high recommendation accuracy can be provided to the target customer who wants to recommend the product.

또한, 상기 행렬 생성과정에서 생성되는 행렬과 추천점수를 나타내는 행렬이 상품의 개수에 따른 1× N상품의 크기를 갖고, 상기 가격 가중치 행렬도 이와 동일한 크기를 갖게 되므로, 상품의 가격 가중치를 상기 추천점수에 반영하는 대수적인 연산이 용이하게 이루어질 수 있게 된다.In addition, since the matrix generated during the matrix generation process and the matrix representing the recommendation score have the size of 1 × N goods according to the number of goods , and the price weight matrix has the same size, the recommendation of the product price weight is recommended. Algebraic operations reflected in the score can be easily made.

상기 가격가중계수 최적화단계(S30)는 일정 기간마다 대상 고객이 추천 상품을 선택할 평균 확률과 전체 매출 값의 변화 정도를 비교하여 가격가중계수(C)를 적절하게 변화시켜 결정하는 것으로서, 가격가중계수 최적화부에 구비된 평균확률 연산모듈에서 고객이 추천 상품을 선택할 평균확률(P)을 연산하는 평균확률 연산과 정(S31)과, 평균확률 비교모듈에서 과거에 연산하였던 평균확률(Pold)과 새로이 연산한 평균확률(Pnew)의 값을 비교하는 평균확률 비교과정(S32)과, 전체 매출 연산모듈에서 해당 기간 동안의 전체 매출(W)을 연산하는 전체 매출 연산과정(S33)과, 전체 매출 비교모듈에서 과거에 연산하였던 전체 매출(Wold)과 현재 새로이 연산한 전체 매출(Wnew)의 값을 비교하는 전체 매출 비교과정(S34), 및 가격가중계수 최적화과정(S35)을 포함하여 구성된다.The price weighting coefficient optimization step (S30) is to determine by appropriately changing the price weighting coefficient (C) by comparing the degree of change in the total sales value and the average probability that the target customer selects the recommended product every certain period, In the average probability calculation module provided in the optimization unit, an average probability calculation process (S31) for calculating an average probability (P) for the customer to select a recommended product, and an average probability (P old ) previously calculated in the average probability comparison module Average probability comparison process (S32) for comparing the value of the newly calculated average probability (P new ), and total sales calculation process (S33) for calculating the total sales (W) for the period in the total sales calculation module, and the total Including a total sales comparison process (S34) and a price weighting coefficient optimization process (S35) comparing the value of the total sales (W old ) and the currently newly calculated total sales (W new ) previously calculated in the sales comparison module It is sex.

도 3을 참조하면, 상기 가격가중계수 최적화과정(S35)은 가격가중계수 최적화모듈에서 먼저 상기 평균확률 비교모듈에서의 비교 결과를 확인하여 현재의 평균확률(Pnew) 값이 과거의 평균확률(Pold) 값보다 작을 경우(Y1)에는, 과거의 가격가중계수(Cold)에서 일정한 가격 가중치 변화 정도(ΔC)를 뺀 값을 새로운 가격가중계수(Cnew)로 결정하도록 구성된다.Referring to FIG. 3, in the price weighting coefficient optimization process (S35), the price weighting coefficient optimization module first checks a comparison result in the average probability comparing module to determine a current average probability P new as a past average probability ( If less than (P old ) value (Y1), it is configured to determine the new price weighting factor (C new ) by subtracting the degree of change of the constant price weight (ΔC) from the past price weighting coefficient (C old ).

그리고, 상기 평균확률 비교모듈에서의 비교 결과 현재의 평균확률(Pnew) 값이 과거의 평균확률(Pold) 값보다 클 경우(N1)에는, 상기 전체 매출 비교모듈에서의 비교 결과를 확인하여 현재의 전체 매출(Wnew)이 과거의 전체 매출(Wold)보다 작을 경우(Y2)에는, 과거의 가격가중계수(Cold)에서 일정한 가격 가중치 변화 정도(ΔC)를 더한 값을 새로운 가격가중계수(Cnew)로 결정하도록 구성된다.When the current average probability (P new ) is greater than the past average probability (P old ), as a result of the comparison in the average probability comparison module (N1), the comparison result in the total sales comparison module is checked. If the current total sales (W new ) is less than the previous total sales (W old ) (Y2), the new price weighting value is obtained by adding a constant price weight change degree (ΔC) to the past price weighting factor (C old ). Configured to determine the coefficient C new .

그 외의 경우 즉, 현재의 평균확률(Pnew) 값이 과거의 평균확률(Pold) 값보다 크고, 현재의 전체 매출(Wnew)이 과거의 전체 매출(Wold)보다 클 경우(N2)에는, 과거의 가격가중계수(Cold)를 그대로 현재의 새로운 가격가중계수(Cnew)로 유지하도록 구성된다.Otherwise, if the current average probability (P new ) is greater than the past average probability (P old ), and the current total revenue (W new ) is greater than the past total revenue (W old ) (N2) Is configured to maintain the old price weighting factor C old as the current new price weighting factor C new .

이와 같이, 상기 가격가중계수 최적화단계에서 상기 가격가중계수(C)가 일정 시간마다 동적으로 자동 조절되게 함으로써, 쇼핑몰 고객이 협력 필터링에 기반하여 느끼는 추천 만족도를 해치지 않는 범위내에서 매출을 최대화 할 수 있게 된다.As such, the price weighting factor (C) is dynamically adjusted automatically at a predetermined time in the price weighting factor optimization step, thereby maximizing sales within a range that does not impair recommendation satisfaction that shopping mall customers feel based on cooperative filtering. Will be.

상기 가중 추천점수 연산단계(S40)는 가중 추천점수 연산부에서 상기 협력 필터링 추천부에서 연산된 추천점수(s)에 상기 가격 가중치 연산부에서 연산된 가격 가중치(

Figure 112009050799845-pat00017
)를 더하여, 즉
Figure 112009050799845-pat00018
연산에 의하여 최종적인 가중 추천점수(
Figure 112009050799845-pat00019
)를 연산하도록 구성된다.The weighted recommendation score calculation step (S40) may include a price weight calculated by the price weight calculation unit to a recommendation score s calculated by the cooperative filtering recommendation unit in a weighted recommendation score calculation unit (
Figure 112009050799845-pat00017
), I.e.
Figure 112009050799845-pat00018
The final weighted recommendation score (
Figure 112009050799845-pat00019
Is computed.

추천 상품 선정단계(S50)는 상기 가중 추천점수 연산단계에서 가격 가중치를 고려하여 연산된 가중 추천점수(

Figure 112009050799845-pat00020
)를 고려하여, 즉 대상 고객이 구매하지 않은 상품들 중 가중 추천점수(sj)가 높은 순서대로 일정 개수의 상품을 선택한 후 상기 쇼핑몰 웹서버로 전송하여 표출하도록 구성된다.Recommended product selection step (S50) is a weighted recommendation score calculated in consideration of the price weight in the weighted recommendation score calculation step (
Figure 112009050799845-pat00020
), That is, the weighted recommendation score (s j ) among the products that are not purchased by the target customer is selected in the order of a certain number of products and then transmitted to the shopping mall web server for display.

이와 같이, 상품 선호도를 충족시키기 위해 제공되는 협력 필터링 기반의 알고리즘에, 추천받고자 하는 대상 고객이 추천 상품을 선택하는 평균확률과 전체 매 출의 증감을 반영하여 연산되는 가격가중계수를 갖는 계수로 가지며 로그 스케일로 변환된 상품의 가격 가중치를 반영함으로써, 대상 고객이 느끼는 추천 만족도를 해하지 않는 범위내에서 쇼핑몰 운영자의 매출을 극대화시킬 수 있게 된다.As such, in the algorithm based on the cooperative filtering provided to satisfy the product preference, the target customer to be recommended has a coefficient having an average probability of selecting the recommended product and a price weighting coefficient calculated by reflecting the increase or decrease of the total sales. By reflecting the price weight of the product converted to the log scale, it is possible to maximize the sales of the shopping mall operator within the range that does not impair the recommendation satisfaction felt by the target customer.

이상에서는 본 발명에 대한 기술사상을 첨부 도면과 함께 서술하였지만 이는 본 발명의 바람직한 실시예를 예시적으로 설명한 것이지 본 발명을 한정하는 것은 아니다. 또한 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 이라면 누구나 본 발명의 기술적 사상의 범주를 이탈하지 않는 범위 내에서 다양한 변형 및 모방이 가능함은 명백한 사실이다.While the present invention has been described in connection with what is presently considered to be the most practical and preferred embodiment, it is to be understood that the invention is not limited to the disclosed embodiments. It will be apparent to those skilled in the art that various modifications and variations can be made in the present invention without departing from the scope of the present invention.

도 1은 본 발명에 따른 상품 가격을 고려한 상품 추천시스템의 블록 구성도.1 is a block diagram of a product recommendation system considering a product price according to the present invention.

도 2는 본 발명에 따른 상품 가격을 고려한 상품 추천방법의 구성도.2 is a block diagram of a product recommendation method in consideration of the product price according to the present invention.

도 3은 본 발명에 따른 가격가중계수 최적화단계의 판단 순서도3 is a flowchart for determining a price weighting coefficient optimization step according to the present invention.

<도면의 주요 부분에 대한 부호의 설명><Explanation of symbols for the main parts of the drawings>

100 - 쇼핑몰 웹서버 200 - 데이터베이스 서버100-Shopping Mall Web Server 200-Database Server

300 - 협력 필터링 추천부 400 - 가격 가중치 연산부300-Cooperative Filtering Recommendation 400-Price Weight Calculator

500 - 가격가중계수 최적화부 600 - 가중 추천점수 연산부500-Price weighting coefficient optimizer 600-Weighted recommendation score calculator

700 - 추천 상품 선정부700-Recommended Product Picker

Claims (19)

인터넷 등의 통신망상에서 상품을 판매하는 쇼핑몰 웹서버;A shopping mall web server selling goods on a communication network such as the Internet; 상기 쇼핑몰 웹서버에서 제공하는 상품과 고객의 구매 정보 등을 저장하는 데이터베이스 서버;A database server for storing goods and customer purchase information provided by the shopping mall web server; 상기 데이터베이스 서버에 저장된 고객의 구매 이력을 토대로 고객이 구매한 상품을 나타내는 고객별 주문행렬과, 모든 고객이 구매한 상품을 나타내는 전체 주문행렬을 생성하고, 상기 고객별 주문행렬과 전체 주문행렬을 기반으로 협력 필터링 기반의 알고리즘에 의하여 각 상품에 대한 추천점수를 연산하는 협력 필터링 추천부;Based on the purchase history of the customer stored in the database server, a customer-specific order matrix representing the goods purchased by the customer, and a total order matrix representing the goods purchased by all customers, based on the customer-specific order matrix and the total order matrix A cooperative filtering recommendation unit for calculating a recommendation score for each product by a cooperative filtering-based algorithm; 상기 각 상품들의 가격의 고저에 따른 가격 가중치를 연산하는 가격 가중치 연산부;A price weight calculator configured to calculate a price weight according to a high and low price of each product; 일정 기간마다 대상 고객이 추천 상품을 선택할 평균 확률과 전체 매출 값의 변화 정도를 비교하여 상기 가격 가중치를 연산하는 가격가중계수(C)를 변화시키며 결정하는 가격가중계수 최적화부; A price weighting coefficient optimization unit for changing and determining a price weighting factor C for calculating the price weight by comparing the average probability of the target customer to select a recommended product and the degree of change in the total sales value every predetermined period; 상기 추천점수와 상기 가격 가중치를 연산하여, 각 상품의 가격 가중치가 고려된 가중 추천점수를 결정하는 가중 추천점수 연산부; 및A weighted recommendation score calculator for calculating a weighted recommendation score in consideration of the price weight of each product by calculating the recommendation score and the price weight; And 상기 가중 추천점수에 따른 추천 상품 목록을 선정하여 상기 쇼핑몰 웹서버로 전송하는 추천 상품 선정부; 를 포함하되, A recommendation product selecting unit which selects a list of recommended products according to the weighted recommendation scores and transmits the recommended product list to the shopping mall web server; , &Lt; / RTI & 상기 협력 필터링 추천부는,The cooperative filtering recommendation unit, ｉ번째 고객이 지금까지 구매한 상품들을 1 × N상품 크기의 행렬, bi = [bi1,…, bij,…, biN상품]로 나타내어 고객별 주문행렬(bi)을 생성하는 고객별 주문행렬 생성모듈;The i-th customer's purchases so far are a matrix of 1 × N product sizes, b i = [b i1 ,… , b ij ,… , b iN product ] customer-specific order matrix generating module for generating a customer-specific order matrix (b i ); 상기 고객별 주문행렬을 모든 고객에 대하여 모아서 N고객 × N상품 크기의 행렬, B = [b1 T,…, bi T,…, bN고객 T]T 로 나타내어 전체 주문행렬(B)을 생성하는 전체 주문행렬 생성모듈;The customer-specific order matrix is collected for all customers, and the matrix of N customers × N product sizes, B = [b 1 T ,. , b i T ,.. b, a total order matrix generating module for generating the total order matrix (B) represented by N customer T ] T ; 상품 추천을 받기 원하는 대상 고객이 현재까지 구매한 상품들을 1 × N상품 크기의 행렬, b′ = [b1′,…, bj′,…, bN상품′]로 나타내어 대상 고객 주문행렬(b′)을 생성하는 대상 고객 주문행렬 생성모듈; 및A target 1 × N product matrix, b ′ = [b 1 ′,... , b j ′,… a target customer order matrix generating module for generating a target customer order matrix b ′ as represented by b N product ']; And 상기 대상 고객 주문행렬(b′)에 전체 주문행렬의 전치 연산값(BT)을 곱한 후, 전체 주문행렬(B)을 곱하여 구해지는 추천점수(sj)를 나타내는 행렬, s=[s1,…, s2,…, sN상품]=b′× BT × B 을 연산하는 추천점수 연산모듈; 를 포함하여 이루어디며, A matrix representing a recommendation score s j obtained by multiplying the target customer order matrix b ′ by the transposed value B T of all order matrices, and then multiplying the total order matrix B, s = [s 1 ,… , s 2 ,… , s N product ] = b '× B T × B recommendation score calculation module for calculating; Including, 상기 상품 가격행렬 생성모듈은 전체 상품들의 가격을 1 × N상품 크기의 행렬 w=[w1,…, wj,…, wN상품]로 나타내어 상품 가격 행렬을 생성하고, The product price matrix generation modules are the prices of all products 1 × N matrix product size w = [w 1, ... a , w j ,… , w N commodities ] to generate commodity price matrices, 상기 가격 가중치 변환모듈은 식
Figure 112011055217118-pat00036
(C는 가격가중계수로서 0보다 큰 상수)에 의하여 각 상품의 가격 가중치를 연산함으로써, 상기 상품 가격 행렬에 있는 각 상품의 값을 1 × N상품 크기의 행렬
Figure 112011055217118-pat00037
로 변환하여 가격 가중치 행렬을 생성하도록 구성되며, The price weight conversion module is formula
Figure 112011055217118-pat00036
(C is a price weighting factor, which is a constant greater than 0), whereby the value of each product in the product price matrix is calculated using the matrix of 1 × N product sizes.
Figure 112011055217118-pat00037
To generate a price weight matrix, 상기 가중 추천점수 연산부는 상기 협력 필터링 추천부에서 연산된 추천점수(s)에 상기 가격 가중치 연산부에서 연산된 가격 가중치(
Figure 112011055217118-pat00038
)를 더하여 상품 가격 가중치가 반영된 최종적인 가중 추천점수(
Figure 112011055217118-pat00039
)를
Figure 112011055217118-pat00040
와 같이 연산하도록 구성되며, The weighted recommendation score calculating unit calculates a price weight calculated by the price weight calculating unit to a recommendation score s calculated by the cooperative filtering recommendation unit.
Figure 112011055217118-pat00038
) Plus the final weighted recommendation score (
Figure 112011055217118-pat00039
)
Figure 112011055217118-pat00040
Is computed as: 상기 가격가중계수 최적화부는,The price weighting coefficient optimization unit, 고객이 추천 상품을 선택할 평균 확률(P)을 연산하는 평균확률 연산모듈;An average probability calculating module for calculating an average probability P for a customer to select a recommended product; 상기 평균확률 연산모듈에서 과거에 연산하였던 평균확률(Pold)과 현재 새로이 연산된 평균확률(Pnew)의 값을 비교하는 평균확률 비교모듈;An average probability comparison module for comparing a mean probability P old calculated in the average probability calculation module with a value of an average probability P new currently calculated; 일정 기간 동안의 전체 매출(W)을 연산하는 전체 매출 연산모듈;A total sales calculation module for calculating total sales (W) for a period of time; 상기 전체 매출 연산모듈에서 과거에 연산하였던 전체 매출(Wold)과 현재 새로이 연산된 전체 매출(Wnew)의 값을 비교하는 전체 매출 비교모듈; 및A total sales comparison module for comparing the total sales (W old ) calculated in the past in the total sales calculation module with the total sales (W new ) currently calculated; And 상기 평균확률 비교모듈과 상기 전체 매출 비교모듈에서의 결과값에 따라 가격가중계수(C)의 값을 최적화시키는 가격가중계수 최적화모듈; 을 포함하여 구성되며, A price weighting coefficient optimization module for optimizing the value of the price weighting coefficient C according to the results of the average probability comparing module and the total sales comparing module; And, 상기 가격가중계수 최적화모듈은, The price weighting coefficient optimization module, 상기 새로이 연산된 평균확률(Pnew) 값이 과거에 연산하였던 평균확률(Pold) 값보다 작을 경우, 과거의 가격가중계수(Cold)에서 일정한 가격 가중치 변화 정도(ΔC)를 뺀 값을 새로운 가격가중계수(Cnew)로 결정하고, When the newly calculated average probability (P new ) is smaller than the previously calculated average probability (P old ), the value obtained by subtracting a certain degree of change in price weight (ΔC) from the past price weighting factor (C old ) is obtained. Determine the price weighting factor (C new ), 상기 새로이 연산된 평균확률(Pnew) 값이 과거에 연산하였던 평균확률(Pold) 값보다 크고, 상기 새로이 연산된 전체 매출(Wnew)이 과거에 연산하였던 전체 매출(Wold)보다 작을 경우, 과거의 가격가중계수(Cold)에서 일정한 가격 가중치 변화 정도(ΔC)를 더한 값을 새로운 가격가중계수(Cnew)로 결정하며, When the newly calculated average probability (P new ) value is greater than the average probability (P old ) value calculated in the past, and the newly calculated total sales (W new ) is smaller than the total previously calculated (W old ). , A new price weighting factor (C new ) is determined by adding a constant degree of change in price weight (ΔC) from a previous price weighting factor (C old ), 상기 새로이 연산된 평균확률(Pnew) 값이 과거에 연산하였던 평균확률(Pold) 값보다 크고, 새로이 연산된 전체 매출(Wnew)도 과거에 연산하였던 전체 매출(Wold)보다 클 경우, 과거의 가격가중계수(Cold)를 현재의 새로운 가격가중계수(Cnew)로 그대로 유지하도록 구성되는 것을 특징으로 하는 상품 가격을 고려한 상품 추천시스템.When the newly calculated average probability (P new ) value is larger than the average probability (P old ) value calculated in the past, and the newly calculated total revenue (W new ) is also larger than the total previously calculated (W old ) value, A commodity recommendation system in consideration of commodity prices, characterized in that configured to maintain the old price weighting factor (C old ) as the current new price weighting factor (C new ). 삭제delete 제1항에 있어서,The method of claim 1, 상기 가격 가중치 연산부는,The price weight calculation unit, 상기 쇼핑몰 웹서버에서 판매하는 상품들의 가격을 행렬로 생성하는 상품 가격행렬 생성모듈; 및A product price matrix generation module generating a price of goods sold by the shopping mall web server in a matrix; And 상기 상품 가격 행렬을 상기 추천점수와의 연산을 위한 가격 가중치 값으로 변환시키는 가격 가중치 변환모듈을 포함하여 구성되는 것을 특징으로 하는 상품 가격을 고려한 상품 추천시스템.And a price weight conversion module configured to convert the product price matrix into a price weight value for calculation with the recommendation score. 삭제delete 삭제delete 삭제delete 삭제delete 삭제delete 삭제delete 삭제delete 삭제delete 제1항의 상품 추천시스템을 이용하는 상품 추천방법에 있어서, In the product recommendation method using the product recommendation system of claim 1, 상기 협력 필터링 추천부를 통하여 협력 필터링(Collaborative Filtering) 알고리즘에 의해 상품별로 부과되는 추천점수(s)를 연산하는 협력 필터링 기반의 추천점수 연산단계(S10);A collaborative filtering-based recommendation score calculation step (S10) of calculating a recommendation score s imposed for each product by a collaborative filtering algorithm through the collaborative filtering recommendation unit; 상기 가격 가중치 연산부를 통하여 상기 추천점수(s)와 동일한 형태를 갖는 1× N상품 크기의 상품 가격 행렬(w)을 생성하고, 이를 동일한 크기의 가격 가중치 행렬(
Figure 112012005902317-pat00026
)로 변환하는 가격 가중치 연산단계(S20);The product price matrix w of 1 × N product size having the same shape as the recommendation score s is generated through the price weight calculation unit, and the price weight matrix of the same size (
Figure 112012005902317-pat00026
A price weight calculation step (S20) of converting it into a); 상기 가격가중계수 최적화부를 통하여, 일정 기간마다 대상 고객이 추천 상품을 선택할 평균 확률과 전체 매출 값의 변화 정도를 비교하여 상기 가격 가중치를 연산하는 가격가중계수(C)를 변화시키며 결정하는 가격가중계수 최적화단계(S30); Through the price weighting coefficient optimization unit, a price weighting coefficient determined by changing the price weighting coefficient C for calculating the price weight by comparing the average probability that the target customer selects the recommended product and the degree of change in the total sales value every predetermined period Optimization step (S30); 상기 추천점수(s)에 상기 가격 가중치 행렬(
Figure 112012005902317-pat00027
)을 더하는
Figure 112012005902317-pat00028
연산에 의하여 가격 가중치가 반영된 최종적인 가중 추천점수(
Figure 112012005902317-pat00029
)를 상기 가중 추천점수 연산부에서 연산하는 가중 추천점수 연산단계(S40); 및In the recommendation score (s), the price weight matrix (
Figure 112012005902317-pat00027
Adding)
Figure 112012005902317-pat00028
The final weighted recommendation score, which reflects the price weight
Figure 112012005902317-pat00029
A weighted recommendation score calculation step of calculating a weighted recommendation score calculation unit at step S40; And 대상 고객이 구매하지 않은 상품들 중 상기 가중 추천점수(
Figure 112012005902317-pat00030
)가 높은 순서대로 다수 개의 상품을 상기 추천 상품 선정부를 통하여 선택한 후 상기 쇼핑몰 웹서버로 전송하여 표출시키는 추천 상품 선정단계(S50); 를 포함하되, The weighted recommendation score among the items that the target customer did not purchase (
Figure 112012005902317-pat00030
A recommendation product selection step (S50) of selecting a plurality of products in a high order through the recommendation product selection unit and then transmitting the selected products to the shopping mall web server; Including but not limited to: 상기 협력 필터링 기반의 추천점수 연산단계(S10)는,The recommendation score calculation step (S10) based on the cooperative filtering, 특정 고객들이 지금까지 쇼핑몰에서 구매한 상품들을 1× N상품 크기의 고객별 주문행렬 bi= [bi1,…, bij,…, biN상품]로 생성하고, 이러한 고객별 주문행렬을 모든 고객에 대해 모아서 N고객× N상품 크기의 전체 주문행렬 B = [b1 T,…, bi T,…, bN고객 T]T를 생성하며, 상품 추천을 받기 원하는 대상 고객이 현재까지 구매한 상품들을 1× N상품 크기의 대상 고객 주문행렬 b′ = [b1′,…, bj′,…, bN상품′]로 생성하는 행렬 생성과정(S11); 및A customer's order matrix of 1 × N product size that specific customers have purchased in the shopping mall so far b i = [b i1 ,… , b ij ,… , B iN product] to produce, and this customer-specific order matrix collected for all customers customer N × N full size product order matrix B = [b 1 T, ... of , b i T ,.. , b NCustomer T ] T , and the target customer order matrix with the size of 1 × N product size b '= [b 1 ′,... , b j ′,… a matrix generation process (S11) generated by b N products ']; And 상기 대상 고객 주문행렬(b′)에 전체 주문행렬의 전치 연산값(BT)을 곱한 후, 전체 주문행렬(B)을 다시 곱해서 추천점수(sj)를 나타내는 행렬, s=[s1,…, s2,…, sN상품]=b′× BT × B 을 연산하는 추천점수 연산과정(S12); 을 포함하며, The target customer order matrix (b ′) is multiplied by the transposed operation value (B T ) of the entire order matrix, and then multiplied by the total order matrix (B) to represent the recommended score (s j ), s = [s 1 , … , s 2 ,… a recommendation score calculation process (S12) for calculating s N product ] = b ′ × B T × B; / RTI &gt; 상기 가격 가중치 연산단계(S20)는 상품 가격 행렬 w=[w1,…, wj,…, wN상품]을 로그 스케일로 변환하고 가격가중계수(C)를 곱하는
Figure 112012005902317-pat00031
의 연산에 의해 각 상품의 값을 가격 가중치 행렬
Figure 112012005902317-pat00032
로 변환하도록 구성되며, The price weight calculation step (S20) is a commodity price matrix w = [w 1 ,... , w j ,… , w N article ] to logarithmic scale and multiply by price weighting factor (C)
Figure 112012005902317-pat00031
A price-weighted matrix of values for each product by the operation of
Figure 112012005902317-pat00032
Configured to convert to 상기 가격가중계수 최적화단계(S30)는,The price weighting coefficient optimization step (S30), 가격가중계수 최적화부에 구비된 평균확률 연산모듈에서 고객이 추천 상품을 선택할 평균확률(P)을 연산하는 평균확률 연산과정(S31);An average probability calculation process (S31) for calculating an average probability (P) for the customer to select the recommended product in the average probability calculation module included in the price weighting coefficient optimization unit; 평균확률 비교모듈에서 과거에 연산하였던 평균확률(Pold)과 새로이 연산한 평균확률(Pnew)의 값을 비교하는 평균확률 비교과정(S32);An average probability comparison process (S32) for comparing the average probability P old calculated in the average probability comparison module with a value of the newly calculated average probability P new ; 전체 매출 연산모듈에서 해당 기간 동안의 전체 매출(W)을 연산하는 전체 매출 연산과정(S33);A total sales calculation process (S33) for calculating total sales (W) for a corresponding period in the total sales calculation module; 전체 매출 비교모듈에서 과거에 연산하였던 전체 매출(Wold)과 현재 새로이 연산한 전체 매출(Wnew)의 값을 비교하는 전체 매출 비교과정(S34); 및A total sales comparison process (S34) for comparing values of total sales (W old ) previously calculated in the total sales comparison module and total sales (W new ) currently calculated; And 상기 평균확률과 전체 매출의 비교 결과값에 따라 상기 가격가중계수(C)의 값을 최적화시키는 가격가중계수 최적화과정(S35); 을 포함하여 구성되며, A price weighting coefficient optimization process (S35) for optimizing the value of the price weighting coefficient (C) according to the comparison result of the average probability and the total sales; And, 상기 가격가중계수 최적화과정(S35)은 상기 새로이 연산된 평균확률(Pnew) 값이 과거에 연산하였던 평균확률(Pold) 값보다 작을 경우, 과거의 가격가중계수(Cold)에서 일정한 가격 가중치 변화 정도(ΔC)를 뺀 값을 새로운 가격가중계수(Cnew)로 결정하고, In the process of optimizing the price weighting factor (S35), if the newly calculated average probability (P new ) is smaller than the average probability (P old ) calculated in the past, the price weighting factor (C old ) is a constant price weight. Determine the new price weighting factor (C new ) by subtracting the degree of change (ΔC), 상기 새로이 연산된 평균확률(Pnew) 값이 과거에 연산하였던 평균확률(Pold) 값보다 크고, 상기 새로이 연산된 전체 매출(Wnew)이 과거에 연산하였던 전체 매출(Wold)보다 작을 경우, 과거의 가격가중계수(Cold)에서 일정한 가격 가중치 변화 정도(ΔC)를 더한 값을 새로운 가격가중계수(Cnew)로 결정하며, When the newly calculated average probability (P new ) value is greater than the average probability (P old ) value calculated in the past, and the newly calculated total sales (W new ) is smaller than the total previously calculated (W old ). , A new price weighting factor (C new ) is determined by adding a constant degree of change in price weight (ΔC) from a previous price weighting factor (C old ), 상기 새로이 연산된 평균확률(Pnew) 값이 과거에 연산하였던 평균확률(Pold) 값보다 크고, 새로이 연산된 전체 매출(Wnew)도 과거에 연산하였던 전체 매출(Wold)보다 클 경우, 과거의 가격가중계수(Cold)를 현재의 새로운 가격가중계수(Cnew)로 그대로 유지하도록 구성되는 것을 특징으로 하는 상품 가격을 고려한 상품 추천방법.When the newly calculated average probability (P new ) value is larger than the average probability (P old ) value calculated in the past, and the newly calculated total revenue (W new ) is also larger than the total previously calculated (W old ) value, A product recommendation method in consideration of a product price, characterized in that configured to maintain the old price weighting factor (C old ) as the current new price weighting factor (C new ). 삭제delete 삭제delete 삭제delete 삭제delete 삭제delete 삭제delete 삭제delete
KR1020090076942A 2009-08-19 2009-08-19 Goods recommendation system and method considering price of goods KR101216969B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020090076942A KR101216969B1 (en) 2009-08-19 2009-08-19 Goods recommendation system and method considering price of goods

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020090076942A KR101216969B1 (en) 2009-08-19 2009-08-19 Goods recommendation system and method considering price of goods

Publications (2)

Publication Number Publication Date
KR20110019289A KR20110019289A (en) 2011-02-25
KR101216969B1 true KR101216969B1 (en) 2013-01-02

Family

ID=43776677

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020090076942A KR101216969B1 (en) 2009-08-19 2009-08-19 Goods recommendation system and method considering price of goods

Country Status (1)

Country Link
KR (1) KR101216969B1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160131477A (en) 2015-05-07 2016-11-16 신재욱 An e-commerce system based on interest category using related keywords

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102154411B1 (en) * 2018-12-26 2020-09-09 동아대학교 산학협력단 A recommendation system for product purchase using collaborative filtering algorism and method thereof
CN110992153B (en) * 2019-12-17 2023-06-16 深圳市梦网视讯有限公司 Commodity recommendation method, system and equipment based on user attribute and commodity type
CN112418758A (en) * 2020-11-17 2021-02-26 国网电子商务有限公司 Method and system for intelligently recommending carriers to shippers
CN114238785A (en) * 2021-12-20 2022-03-25 迈创企业管理服务股份有限公司 Recommendation method and system for recommending similar machine types

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007041971A (en) * 2005-08-04 2007-02-15 Albert:Kk Recommendation system, recommendation method and recommendation program
KR20070094056A (en) * 2006-03-16 2007-09-20 엔에이치엔(주) Method for targeting web advertisement clickers based on click pattern by using a collaborative filtering system and system thereof
KR20080043140A (en) * 2006-11-13 2008-05-16 에스케이커뮤니케이션즈 주식회사 Collaborative filtering system and method
KR20090010866A (en) * 2007-07-24 2009-01-30 삼성전자주식회사 Method and apparatus for information recommendation using hybrid algorithm

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007041971A (en) * 2005-08-04 2007-02-15 Albert:Kk Recommendation system, recommendation method and recommendation program
KR20070094056A (en) * 2006-03-16 2007-09-20 엔에이치엔(주) Method for targeting web advertisement clickers based on click pattern by using a collaborative filtering system and system thereof
KR20080043140A (en) * 2006-11-13 2008-05-16 에스케이커뮤니케이션즈 주식회사 Collaborative filtering system and method
KR20090010866A (en) * 2007-07-24 2009-01-30 삼성전자주식회사 Method and apparatus for information recommendation using hybrid algorithm

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160131477A (en) 2015-05-07 2016-11-16 신재욱 An e-commerce system based on interest category using related keywords

Also Published As

Publication number Publication date
KR20110019289A (en) 2011-02-25

Similar Documents

Publication Publication Date Title
US7814029B1 (en) Method and system for estimating consumer satisfaction
US9483789B1 (en) Automated bundle discovery platform
EP1528498A2 (en) Method and device for calculating trust values on purchase
US20140025539A1 (en) Adjustable priority retailer ranking system
WO2017156067A1 (en) Predictive shopping
JP6055956B2 (en) Demand forecasting system, demand forecasting method and program
KR101216969B1 (en) Goods recommendation system and method considering price of goods
US10332042B2 (en) Multichannel digital marketing platform
US20120185330A1 (en) Discovery and Publishing Among Multiple Sellers and Multiple Buyers
KR101872220B1 (en) Apparatus for providing sales forecasting information based on network
US10198762B1 (en) Ordering search results to maximize financial gain
JP2009265747A (en) Marketing support system, marketing support method, marketing support program, and computer readable medium
US20200005209A1 (en) Method and system for optimizing an item assortment
CN112041874A (en) Computer-implemented method for generating suggestion list and system for generating order list
US11403574B1 (en) Method and system for optimizing an item assortment
KR100891930B1 (en) Method, system and computer-readable recording medium for providing popular goods by using evaluation data on goods
JP2016212792A (en) Commodity recommendation device, commodity recommendation method and program
JP5794881B2 (en) Information processing apparatus, information processing method, and information processing program
JP7447800B2 (en) Receipt processing device, control method, and program
JP4649525B1 (en) RECOMMENDATION DEVICE, RECOMMENDATION METHOD, AND RECOMMENDATION PROGRAM
KR102499689B1 (en) Method for automatic screening of search keywords
KR102576123B1 (en) Product marketing linkage system and method
JP3200756U (en) Net shop evaluation equipment
JP6809148B2 (en) Program and combination extraction system
JP2018081337A (en) Coupon issuing system

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20151223

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20161226

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20171227

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20181203

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20191203

Year of fee payment: 8