KR102217084B1 - 하이브리드 추천 시스템 및 방법 - Google Patents

하이브리드 추천 시스템 및 방법 Download PDF

Info

Publication number
KR102217084B1
KR102217084B1 KR1020190021739A KR20190021739A KR102217084B1 KR 102217084 B1 KR102217084 B1 KR 102217084B1 KR 1020190021739 A KR1020190021739 A KR 1020190021739A KR 20190021739 A KR20190021739 A KR 20190021739A KR 102217084 B1 KR102217084 B1 KR 102217084B1
Authority
KR
South Korea
Prior art keywords
model
recommendation
contact
data set
learning
Prior art date
Application number
KR1020190021739A
Other languages
English (en)
Other versions
KR20200103367A (ko
Inventor
김형수
박의범
Original Assignee
주식회사 고객경영기술원
김형수
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 고객경영기술원, 김형수 filed Critical 주식회사 고객경영기술원
Priority to KR1020190021739A priority Critical patent/KR102217084B1/ko
Publication of KR20200103367A publication Critical patent/KR20200103367A/ko
Application granted granted Critical
Publication of KR102217084B1 publication Critical patent/KR102217084B1/ko

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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0254—Targeted advertisements based on statistics
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0267—Wireless devices

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 발명은 하이브리드 추천 시스템 및 방법을 개시한다. 본 발명은 접촉 가능성이 높은 고객을 선별하여 제공함으로써, 효과적인 텔레마케팅 서비스를 제공할 수 있고, 접촉 가능성이 높은 선별된 고객에게 개별화된 상품을 추천하여 제공함으로써, 상품의 청약률 증가를 통해 텔레마케팅 성과를 개선할 수 있는 장점이 있다.

Description

하이브리드 추천 시스템 및 방법{HYBRID RECOMMENDATION SYSTEM AND METHOD}
본 발명은 하이브리드 추천 시스템 및 방법에 관한 발명으로서, 더욱 상세하게는 텔레마케팅 성과 개선을 위해 접촉 가능성이 높은 고객을 선별하고, 선별된 고객에게 개별화된 상품을 추천하는 하이브리드 추천 시스템 및 방법에 관한 것이다.
텔레마케팅은 마케팅 캠페인을 위한 목적으로 가장 널리 사용되는 추천 서비스 중 하나로서, 텔레마케팅을 위한 추천 시스템은 비즈니스의 성과 향상을 위한 중요한 역량이 되고 있다.
최근들어, 유통관리 회사에서 고객의 패턴을 대상으로 하는 암묵적 데이터에 대한 연구가 이루어지고 있고, P2P 환경에서와 같이 분산처리를 고려한 협업적 필터링에 대한 연구도 수행되고 있어 종래의 추천 시스템보다 차별화된 시스템이 개발되고 있다.
초기에는 데이터 마이닝 기법을 활용하여 자동화 또는 반자동화된 수단을 통해 방대한 양의 데이터 속에서 의미있는 패턴이나 규칙을 찾아내어 추천 알고리즘을 구성하였다.
또한, 탐색 및 분석과정은 통계적 기법부터 시작해서 인공지능 기법까지 다양한 기법들이 활용되고 있으며, 이러한 기법들을 통해 분류(Classification), 추정(Estimation), 예측(Prediction), 군집 (Clustering) 등 여러 가지 목적을 달성하고 있다.
그러나 종래의 추천 시스템은 기존의 구매 트랜잭션이나 상품에 대한 선호도로 향후의 구매 가능성이 높은 항목을 예측하는 협업 필터링과 같은 방식이 주를 이루었다.
이와 같은 알고리즘은 사용자에게 신뢰할만한 추천을 제시하기 위해 충분한 선호도 정보가 제공되어야 하지만 추천 시스템에 새롭게 추가된 사용자나 항목 등은 충분한 정보를 갖지 못하므로 일반적으로 만족할 만한 추천 항목을 얻을 수 없는 콜드 스타트나 희소성, 확장성 등의 문제가 발생한다.
이러한 문제점으로 인해 무분별한 텔레마케팅 시도는 접촉을 원하지 않는 고객의 피로도를 증가시키고, 불만을 유발하는 문제점을 발생시키고 있다.
문헌 1. 한국 등록특허공보 등록번호 제10-0544985호(발명의 명칭: 개인용 텔레마케팅/전화상담 시스템 및 방법) 문헌 2. 한국 등록특허공보 등록번호 제10-1797712호(발명의 명칭: 텔레마케팅 표준 스크립트 동적 구성 시스템)
이러한 문제점을 해결하기 위하여, 본 발명은 텔레마케팅 성과 개선을 위해 접촉 가능성이 높은 고객을 선별하고, 선별된 고객에게 개별화된 상품을 추천하는 하이브리드 추천 시스템 및 방법을 제공하는 것을 목적으로 한다.
상기한 목적을 달성하기 위하여 본 발명의 일실시예에 따른 하이브리드 추천 시스템은 고객의 마스터 정보 및 텔레마케팅 트랜잭션 정보 중 적어도 하나에 기초한 데이터 셋을 생성하고, 상기 생성된 데이터 셋을 미리 설정된 접촉 가망 추출 모형에 적용하여 상기 접촉 가망 추출 모형을 학습하며, 상기 접촉 가망 추출 모형의 학습을 통해 접촉 가망이 높은 고객이 선별되면, 상기 선별된 고객 정보를 포함한 접촉 가망 고객 리스트를 제공하는 접촉 가망 추출 모형부를 포함한다.
또한, 본 발명의 일실시예에 따른 상기 하이브리드 추천 시스템은 상기 고객의 마스터 정보 및 텔레마케팅 트랜잭션 정보 중 적어도 하나에 기초하여 미리 설정된 모형별 분석용 데이터 셋을 생성하고, 상기 생성된 모형별 데이터 셋을 미리 설정된 상품 추천 모형에 적용하여 상기 상품 추천 모형을 학습하며, 상기 상품 추천 모형의 학습을 통해 트랜잭션별 추천 상품을 예측하여 상기 예측된 추천 상품 정보를 미리 설정된 최소 추천 기준 정보와 비교하고, 상기 최소 추천 기준 정보 이하의 추천 상품은 필터링(또는 제거)하여 제공하는 상품 추천 모형부를 더 포함하는 것을 특징으로 한다.
또한, 상기 상품 추천 모형부는 상기 필터링 결과에 따른 추천 상품의 순위를 산출한 추천 상품 리스트를 제공하는 것을 특징으로 한다.
또한, 상기 접촉 가망 추출 모형부는 상기 접촉 가망 추출 모형을 학습하기 위해 고객의 마스터 정보와, 텔레마케팅 이력, 포인트 이력, 청약 이력을 포함한 텔레마케팅 트랜잭션 정보를 이용하여 데이터 셋을 생성하는 데이터 셋 생성부; 상기 생성된 데이터 셋을 미리 설정된 접촉 가망 추출 모형에 적용하여 상기 접촉 가망 추출 모형을 학습하는 모형 학습부; 및 상기 접촉 가망 추출 모형의 학습이 완료되면, 상기 학습이 완료된 접촉 가망 추출 모형에 미리 설정된 테스트 셋을 적용하여 접촉 성공 예측 스코어를 산출하고, 상기 산출된 접속 성공 예측 스코어가 높은 순서대로 접촉 가망이 높은 고객을 선별하여 고객 정보를 포함한 접촉 가망 고객 리스트를 제공하는 접촉 가망 고객 산출부를 포함하는 것을 특징으로 한다.
또한, 상기 데이터 셋 생성부는 접촉 가망 추출 모형을 학습하기 위한 데이터 셋을 구비한 트레이닝 셋 데이터베이스; 및 학습된 접촉 가망 추출 모형을 적용하여 성능을 평가하기 위한 데이터 셋을 구비한 테스트 셋 데이터베이스를 포함하는 것을 특징으로 한다.
또한, 상기 모형 학습부의 접촉 가망 추출 모형은 의사결정나무, 인공 신경망, 서포트 벡터머신, 로지스틱 회귀, 랜덤 포레스트, 그래디언트 부스팅 중 어느 하나를 통해 학습하는 것을 특징으로 한다.
또한, 상기 상품 추천 모형부는 미리 설정된 상품 추천 모형을 학습하기 위해 고객의 마스터 정보와, 텔레마케팅 이력, 포인트 이력, 청약 이력을 포함한 텔레마케팅 트랜잭션 정보를 이용하여 설정된 모형별 데이터 셋을 생성하는 모형별 데이터 셋 생성부; 상기 생성된 모형별 데이터 셋을 미리 설정된 상품 추천 모형에 적용하여 상기 상품 추천 모형을 학습하는 추천 모형 생성부; 상기 상품 추천 모형의 학습이 완료되면, 상기 학습이 완료된 상품 추천 모형을 미리 설정된 테스트 셋에 적용하여 트랙잭션별 추천 상품을 예측하고, 상기 예측된 추천 상품 정보를 미리 설정된 추천 스코어, 추천 등급, 지지도 또는 신뢰도 중 적어도 하나의 최소 추천 기준 정보와 비교하여 상기 최소 추천 기준 정보 이하의 추천 상품을 필터링하는 모형 적용 예측부; 및 상기 필터링 결과에 따른 추천 상품의 순위를 산출하여 추천 상품 리스트를 제공하는 추천 순위 산출부를 포함하는 것을 특징으로 한다.
또한, 상기 모형별 데이터 셋 생성부는 랜덤 포레스트 모형, 협업 필터링 모형 및 연관성 분석 모형에 따라 데이터 프레임, 등급 매트릭스 및 트랜잭션 형태로 변환한 모형별 데이터 셋을 생성하는 것을 특징으로 한다.
또한, 상기 추천 모형 생성부는 랜덤 포레스트 모형, 협업 필터링 모형 및 연관성 분석 모형 중 어느 하나를 추천 모형으로 생성하는 것을 특징으로 한다.
또한, 상기 추천 순위 산출부는 상기 필터링된 추천 상품을 랜덤 포레스트 모형, 협업 필터링 모형 및 연관성 분석 모형별로 미리 설정된 순위 산출 기준 정보와 비교하여 추천 상품 순위를 계산하는 것을 특징으로 한다.
또한, 상기 모형별로 설정된 순위 산출 기준 정보는 랜덤 포레스트 모형은 추천 스코어 점수, 협업 필터링 모형은 상품별 추천 등급, 연관성 분석 모형은 연관 규칙인 것을 특징으로 한다.
또한, 본 발명의 일 실시예에 따른 하이브리드 추천 방법은 a) 접촉 가망 추출 모형부(100)가 접촉 가망 추출 모형을 학습하기 위해 고객의 마스터 정보와, 텔레마케팅 이력, 포인트 이력, 청약 이력을 포함한 텔레마케팅 트랜잭션 정보 중 적어도 하나를 이용하여 데이터 셋을 생성하는 단계; 및 b) 상기 접촉 가망 추출 모형부가 상기 생성된 데이터 셋을 미리 설정된 접촉 가망 추출 모형에 적용하여 상기 접촉 가망 추출 모형을 학습하고, 상기 접촉 가망 추출 모형의 학습을 통해 접촉 가망이 높은 고객을 선별하여 상기 선별된 고객 정보를 포함한 접촉 가망 고객 리스트를 출력하는 단계를 포함한다.
또한, 본 발명의 일 실시예에 따른 하이브리드 추천 방법은 c) 상품 추천 모형부가 상품 추천 모형을 학습하기 위해 상기 고객의 마스터 정보와, 텔레마케팅 이력, 포인트 이력, 청약 이력을 포함한 텔레마케팅 트랜잭션 정보 중 적어도 하나를 이용하여 미리 설정된 모형별 분석용 데이터 셋을 생성하는 단계; 및 d) 상기 상품 추천 모형부가 상기 생성된 모형별 데이터 셋을 미리 설정된 상품 추천 모형에 적용하여 상기 상품 추천 모형을 학습하고, 상기 상품 추천 모형의 학습을 통해 트랜잭션별 추천 상품을 예측하며, 상기 예측된 추천 상품 정보를 미리 설정된 최소 추천 기준 정보와 비교하여 상기 최소 추천 기준 정보 이하의 추천 상품은 필터링하고, 상기 필터링 결과에 따른 추천 상품의 순위를 산출한 추천 상품 리스트를 출력하는 단계를 더 포함하는 것을 특징으로 한다.
또한, 상기 a)단계는 접촉 가망 추출 모형을 학습하기 위한 트레이닝용 데이터 셋과, 학습된 접촉 가망 추출 모형을 적용하여 상기 접촉 가망 추출 모형의 성능을 평가하기 위한 테스트용 데이터 셋을 분할하여 생성하는 것을 특징으로 한다.
또한, 상기 b)단계는 b-1) 상기 접촉 가망 추출 모형부가 상기 a)단계에서 생성된 데이터 셋을 미리 설정된 접촉 가망 추출 모형에 적용하여 상기 접촉 가망 추출 모형을 학습하는 단계; b-2) 상기 접촉 가망 추출 모형의 학습이 완료되면, 상기 학습이 완료된 접촉 가망 추출 모형에 미리 설정된 테스트 셋을 적용하여 접촉 성공 예측 스코어를 산출하는 단계; 및 b-3) 상기 산출된 접속 성공 예측 스코어가 높은 순서대로 접촉 가망이 높은 고객을 선별하여 고객 정보를 포함한 접촉 가망 고객 리스트를 생성하는 단계를 포함하는 것을 특징으로 한다.
또한, 상기 접촉 가망 추출 모형은 의사결정나무, 인공 신경망, 서포트 벡터머신, 로지스틱 회귀, 랜덤 포레스트, 그래디언트 부스팅 중 어느 하나를 통해 학습하는 것을 특징으로 한다.
또한, 상기 c)단계의 모형별 분석용 데이터 셋은 랜덤 포레스트 모형, 협업 필터링 모형 및 연관성 분석 모형에 따라 데이터 프레임, 등급 매트릭스 및 트랜잭션 형태로 변환하여 생성한 것을 특징으로 한다.
또한, 상기 d)단계는 d-1) 상기 상품 추천 모형부가 상기 c)단계에서 생성된 모형별 데이터 셋을 미리 설정된 상품 추천 모형에 적용하여 상기 상품 추천 모형을 학습하는 단계; d-2) 상기 상품 추천 모형의 학습이 완료되면, 상기 학습이 완료된 상품 추천 모형을 미리 설정된 테스트 셋에 적용하여 트랙잭션별 추천 상품을 예측하는 단계; d-3) 상기 예측된 추천 상품 정보를 미리 설정된 추천 스코어, 추천 등급, 지지도 또는 신뢰도 중 적어도 하나의 최소 추천 기준 정보와 비교하여 상기 최소 추천 기준 정보 이하의 추천 상품을 필터링하는 단계; 및 d-4) 상기 필터링 결과에 따른 추천 상품의 순위를 산출하여 추천 상품 리스트를 출력하는 단계를 포함하는 것을 특징으로 한다.
또한, 상기 d-4)단계의 필터링된 추천 상품은 랜덤 포레스트 모형, 협업 필터링 모형 및 연관성 분석 모형별로 미리 설정된 순위 산출 기준 정보와 비교하여 추천 상품 순위를 계산하는 것을 특징으로 한다.
또한, 상기 모형별로 설정된 순위 산출 기준 정보는 랜덤 포레스트 모형은 추천 스코어 점수, 협업 필터링 모형은 상품별 추천 등급, 연관성 분석 모형은 연관 규칙인 것을 특징으로 한다.
본 발명은 텔레마케팅을 시도할 때 무작위로 텔레마케팅 대상 고객을 선별하지 않고, 접촉 가능성을 예측하여 텔레마케팅에 적합한 고객을 선별하는 접근 방식의 활용을 통해 종래의 무작위로 대상 고객을 추출하는 방법과 대비하여 유효한 고객을 효과적으로 선별할 수 있는 장점이 있다.
또한, 본 발명은 접촉 가능성이 높은 고객을 선별하여 제공함으로써, 효과적인 텔레마케팅 서비스를 제공할 수 있는 장점이 있다.
또한, 본 발명은 접촉 가능성이 높은 선별된 고객에게 개별화된 상품을 추천하여 제공함으로써, 상품의 청약률 증가를 통해 텔레마케팅 성과를 개선할 수 있는 장점이 있다.
또한, 본 발명은 고객 마스터 정보, 텔레마케팅 이력 등의 컨텐츠 정보를 활용하여 기존 추천 알고리즘의 콜드 스타트와 희소성 문제를 해결할 수 있는 장점이 있다.
도 1은 본 발명의 일실시예에 따른 하이브리드 추천 시스템을 개략적으로 아나타낸 블록도.
도 2는 도 1에 따른 하이브리드 추천 시스템의 접촉 가망 추출 모형부를 나타낸 블록도.
도 3은 도 2에 따른 접촉 가망 추출 모형부의 데이터 셋 생성부를 나타낸 블록도.
도 4는 도 1에 따른 하이브리드 추천 시스템의 상품 추천 모형부를 나타낸 블록도.
도 5는 본 발명의 일실시예에 따른 하이브리드 추천 시스템을 이용한 추천과정을 나타낸 흐름도.
도 6은 도 5에 따른 하이브리드 추천 시스템을 이용한 추천과정의 데이터 셋 생성과정을 나타낸 흐름도.
도 7은 도 5에 따른 하이브리드 추천 시스템을 이용한 추천과정의 접촉 가망 고객 선별과정을 나타낸 흐름도.
도 8은 도 5에 따른 하이브리드 추천 시스템을 이용한 추천과정의 다른 데이터 셋 생성과정을 나타낸 흐름도.
도 9는 도 5에 따른 하이브리드 추천 시스템을 이용한 추천과정의 개인화된 추천 상품 선별과정을 나타낸 흐름도.
이하, 첨부된 도면을 참조하여 본 발명의 일실시예에 따른 하이브리드 추천 시스템 및 방법의 바람직한 실시예를 상세하게 설명한다.
본 명세서에서 어떤 부분이 어떤 구성요소를 "포함"한다는 표현은 다른 구성요소를 배제하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.
또한, "‥부", "‥기", "‥모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어, 또는 그 둘의 결합으로 구분될 수 있다.
도 1은 본 발명의 일실시예에 따른 하이브리드 추천 시스템을 개략적으로 아나타낸 블록도이고, 도 2는 도 1에 따른 하이브리드 추천 시스템의 접촉 가망 추출 모형부를 나타낸 블록도이며, 도 3은 도 2에 따른 접촉 가망 추출 모형부의 데이터 셋 생성부를 나타낸 블록도이고, 도 4는 도 1에 따른 하이브리드 추천 시스템의 상품 추천 모형부를 나타낸 블록도이다.
도 1 내지 도 4에 나타낸 바와 같이, 본 발명의 일실시예에 따른 하이브리드 추천 시스템은 접촉 가능성이 높은 고객을 예측하는 모형과, 개인화된 상품을 추천하는 모형을 결합한 구성으로서, 접촉 가망 추출 모형부(100)와, 상품 추천 모형부(200)를 포함하여 구성된다.
상기 접촉 가망 추출 모형부(100)는 고객의 마스터 정보 및 텔레마케팅 트랜잭션 정보 중 적어도 하나에 기초한 데이터 셋을 생성하고, 상기 생성된 데이터 셋을 미리 설정된 접촉 가망 추출 모형에 적용하여 상기 접촉 가망 추출 모형을 학습하며, 상기 접촉 가망 추출 모형의 학습을 통해 접촉 가망이 높은 고객이 선별되면, 상기 선별된 고객 정보를 포함한 접촉 가망 고객 리스트를 제공하는 구성으로서, 데이터 셋 생성부(110)와, 모형 학습부(120)와, 접촉 가망 고객 산출부(130)를 포함하여 구성된다.
상기 데이터 셋 생성부(110)는 접촉 가망 추출 모형을 학습하기 위해 고객의 나이, 성별, 이름 등을 포함한 마스터 정보와, 텔레마케팅 이력, 포인트 이력, 청약 이력을 포함한 텔레마케팅 트랜잭션 정보를 수집하고, 데이터의 수집이 완료되면 데이터 셋을 생성한다.
또한, 상기 데이터 셋은 추천 시스템의 속도와 예측의 정확도 향상을 위해 특징 선택(Feature Selection)에 의한 불필요한 변수를 제거할 수 있다.
즉, 텔레마케팅 이력에서 청약이 성공하지 못한 트랜잭션 정보는 배제하고, 청약이 성공한 트랜잭션 정보만 수집할 수 있으며, 바람직하게는 고객의 마스터 정보와 포인트 이력을 독립변수로 하고, 텔레마케팅 이력의 접촉 성공 여부를 종속 변수로 활용하여 데이터 셋을 생성한다.
또한, 상기 데이터 셋 생성부(110)는 접촉 가망 추출 모형을 학습하기 위한 트레이닝용 데이터 셋을 생성하여 트레이닝 셋 데이터베이스(111)에 저장하고, 학습된 접촉 가망 추출 모형을 적용하여 성능을 평가하기 위한 테스트용 데이터 셋을 생성하여 테스트 셋 데이터베이스(112)에 분할하여 저장한다.
상기 트레이닝용 데이터 셋은 접촉 가망 추출 모형을 학습하기 위한 용도로 사용되고, 상기 테스트용 데이터 셋은 학습이 완료된 접촉 가망 추출 모형에 적용하여 성능을 평가하기 위한 용도로 사용되며, 상기 트레이닝용 데이터 셋과 테스트용 데이터 셋은 일정 비율, 예를 들면 트레이닝용 데이터 셋 7 : 테스트용 데이터 셋 3의 비율로 분할될 수 있지만, 이에 한정되는 것은 아니고 선택적으로 조절할 수 있다.
상기 모형 학습부(120)는 기계학습 프로그램(또는 기계학습 알고리즘)을 기반으로 접촉 가망 추출 모형을 학습하는 구성으로서, 상기 데이터 셋 생성부(110)에서 생성된 데이터 셋(예를 들면, 트레이닝용 데이터 셋)을 미리 설정된 접촉 가망 추출 모형에 적용하여 상기 접촉 가망 추출 모형을 학습한다.
또한, 상기 모형 학습부(120)는 반복 실험 또는 학습을 통해 접촉 가망 추출 모형을 학습하고, 상기 접촉 가망 추출 모형은 의사결정나무, 인공 신경망, 서포트 벡터머신, 로지스틱 회귀, 랜덤 포레스트, 그래디언트 부스팅 중 어느 하나를 통해 학습한다.
상기 접촉 가망 고객 산출부(130)는 상기 접촉 가망 추출 모형의 학습이 완료되면, 상기 학습이 완료된 접촉 가망 추출 모형에 미리 설정된 테스트 셋을 적용하여 예를 들면, '0'과 '1' 사이의 스코어를 갖는 접촉 성공 예측 스코어를 산출한다.
또한, 상기 접촉 가망 고객 산출부(130)는 상기 산출된 접속 성공 예측 스코어가 높은 순서대로 접촉 가망이 높은 고객을 선별하고, 상기 선별된 고객 정보를 포함한 접촉 가망 고객 리스트를 생성하여 제공할 수 있도록 출력한다.
상기 상품 추천 모형부(200)는 고객의 마스터 정보 및 텔레마케팅 트랜잭션 정보 중 적어도 하나에 기초하여 미리 설정된 모형별 분석용 데이터 셋을 생성하고, 상기 생성된 모형별 데이터 셋을 미리 설정된 상품 추천 모형에 적용하여 상기 상품 추천 모형을 학습하며, 상기 상품 추천 모형의 학습을 통해 트랜잭션별 추천 상품을 예측하여 상기 예측된 추천 상품 정보를 미리 설정된 최소 추천 기준 정보와 비교하고, 상기 최소 추천 기준 정보 이하의 추천 상품은 필터링(또는 제거)하여 필터링 결과에 따른 추천 상품의 순위를 산출한 추천 상품 리스트를 제공하는 구성으로서, 모형별 데이터 셋 생성부(210)와, 추천 모형 생성부(220)와, 모형 적용 예측부(230)와, 추천 순위 산출부(240)를 포함하여 구성된다.
상기 모형별 데이터 셋 생성부(210)는 설정된 상품 추천 모형을 학습하기 위해 고객의 마스터 정보와, 텔레마케팅 이력, 포인트 이력, 청약 이력을 포함한 텔레마케팅 트랜잭션 정보를 수집하고, 데이터의 수집이 완료되면 변수에 따라 분류하여 설정된 상품 추천 모형별로 해당하는 데이터 셋을 생성한다.
또한, 상기 모형별 데이터 셋 생성부(210)는 상품 추천 모형이, 랜덤 포레스트 모형이면 수집된 데이터를 데이터 프레임 형태로 변환하고, 협업 필터링 모형이면 수집된 데이터를 등급 매트릭스 형태로 변환하며, 연관성 분석 모형이면 수집된 데이터를 트랜잭션 형태로 변환하여 학습 모형별로 데이터 셋을 생성한다.
또한, 상기 모형별 데이터 셋 생성부(210)는 상품 추천 모형을 학습할 때 청약 실패 트랜잭션은 필요하지 않으므로 청약에 성공한 트랜잭션만 추출하여 모형 학습에 활용할 수 있다.
상기 추천 모형 생성부(220)는 상기 모형별 데이터 셋 생성부(210)에서 생성된 모형별 데이터 셋을 미리 설정된 상품 추천 모형에 적용하여 상기 상품 추천 모형을 학습한다.
상기 추천 모형 생성부(220)는 랜덤 포레스트 모형, 협업 필터링 모형 및 연관성 분석 모형 중 어느 하나를 추천 모형으로 생성한다.
상기 랜덤 포레스트 모형은 기계학습 프로그램 기반의 모형 학습을 수행하고, 이때 복수 개의 상품을 종속변수로 활용하기 위한 방법으로 하나의 범주형 변수를 사용하는 멀티 클래스와 여러 개의 이분형 변수를 사용하는 멀티 레이블 모형이 고려될 수 있다.
상기 협업 필터링 모형은 유사도를 계산하는 매트릭스를 선정하고, 피어슨 상관관계, 코사인 유사도, 유클리드 거리 등이 선택될 수 있다.
상기 연관성 분석 모형은 신뢰도, 지지도, 향상도를 기준으로 연관 규칙의 우선순위를 선택할 수 있으며, 선정된 기준에 따라 상품 추천 모형의 성능이 결정될 수 있다.
상기 모형 적용 예측부(230)는 상기 상품 추천 모형의 학습이 완료되면, 상기 학습이 완료된 상품 추천 모형을 미리 설정된 테스트 셋에 적용하여 트랙잭션별 추천 상품을 예측한다.
이때, 랜덤 포레스트 모형은 추천 상품별로 '0'과 '1' 사이의 추천 스코어가 도출되고, 협업 필터링 모형은 추천 등급이 도출되며, 연관성 분석 모형은 연관 규칙이 생성된다.
또한, 상기 모형 적용 예측부(230)는 상기 예측된 추천 상품 정보를 미리 설정된 추천 스코어, 추천 등급, 지지도 또는 신뢰도 중 적어도 하나의 최소 추천 기준 정보와 비교하여 상기 최소 추천 기준 정보 이하의 추천 상품을 필터링하여 제거한다.
즉, 우선순위만을 기준으로 하는 추천은 상품간의 상대적인 순위만을 고려하여 각 상품의 절대적인 추천 정도는 알 수 없게 되고, 이로 인해 순위 기반 추천은 추천 스코어가 낮더라도 순위가 높은 상품을 추천하게 되는 문제가 발생하여 추천 성공률의 하락과 추천 시스템 자체의 신뢰성 저하가 발생하는 문제점이 있다.
따라서, 상기 모형 적용 예측부(230)는 절대적인 추천 스코어가 일정 기준 값 이하로 내려갈 경우 추천 대상에서 제거하기 위해, 최소 추천 기준 정보를 랜덤 포레스트 모형의 경우, 추천 스코어를 기준으로 하고, 협업 필터링 모형은 추천 등급을 기준으로 하며, 연관성 분석 모형은 지지도 또는 신뢰도를 기준으로 결정할 수 있다.
또한, 추천 상품을 필터링하기 위한 최소 추천 기준 정보는 특정 지표나 값에 한정되지 않고, 산업, 상품, 상황, 사용자의 경험 등에 의해 적절하게 변경 설정할 수 있다.
또한, 상기 모형 적용 예측부(230)는 랜덤 포레스트 모형과 협업 필터링 모형의 경우, 테스트 셋으로 예측 결과를 생성한 다음 최소 추천 기준에 의해 추천 상품을 필터링하고, 연관성 분석 모형의 경우, 특성상 연관 규칙의 필터링을 거친 후, 테스트 셋에 적용한다.
상기 추천 순위 산출부(240)는 상기 모형 적용 예측부(230)에서 테스트 셋에 상품 추천 모형의 적용을 통해 추천 상품의 필터링이 완료되면, 상기 필터링 결과에 따른 추천 상품의 순위를 산출한다.
즉, 상기 추천 순위 산출부(240)는, 상품 추천 모형이 랜덤 포레스트 모형은 추천 스코어가 높은 상품부터 추천 순위를 부여하고, 협업 필터링 모형은 상품별 추천 등급을 기준으로 추천 순위를 부여하며, 연관형 분석 모형은 연관 규칙을 기준으로 개인화된 상품의 추천 순위를 부여한다.
또한, 상기 추천 순위 산출부(240)는 동일한 순위로 예측되는 상품이 발생하면, 미리 결정된 상품의 중요도(예를 들면, 청약 성공률, 단가 등)에 따라 순위를 결정할 수 있다.
또한, 상기 추천 순위 산출부(240)는 테스트 셋의 트랜잭션마다 추천 상품 리스트가 도출되면, 상기 도출된 추천 상품의 순위에 따른 추천 상품 리스트를 생성하고, 상기 생성된 추천 상품 리스트를 출력 및 제공한다.
다음은 본 발명의 일 실시예에 따른 하이브리드 추천 방법을 도 1 내지 도 9를 참조하여 설명한다.
본 실시예에 따른 하이브리드 추천 방법은 데이터 셋을 생성하는 단계(S100)와, 접촉 가망 고객을 선별하는 단계(S200)와, 학습 모형별 분석용 데이터 셋을 생성하는 단계(S300)와, 개인화된 추천 상품을 선별하는 단계(S400)를 포함하여 구성된다.
상기 데이터 셋을 생성하는 단계(S100)는 접촉 가망 추출 모형부(100)가 접촉 가망 추출 모형을 학습하기 위해 고객의 마스터 정보와, 텔레마케팅 이력, 포인트 이력, 청약 이력을 포함한 텔레마케팅 트랜잭션 정보 중 적어도 하나를 수집(S110)하고, 데이터의 수집이 완료되면 미리 설정된 변수에 따른 분류하여 데이터 셋을 생성(S110)한다.
또한, 상기 S110 단계는 접촉 가망 추출 모형을 학습하기 위한 트레이닝용 데이터 셋과, 학습된 접촉 가망 추출 모형을 적용하여 상기 접촉 가망 추출 모형의 성능을 평가하기 위한 테스트용 데이터 셋을 분할하여 생성하고, 상기 트레이닝용 데이터 셋과 테스트용 데이터 셋은 일정 비율, 예를 들면 트레이닝용 데이터 셋 7 : 테스트용 데이터 셋 3의 비율로 분할하여 생성할 수 있다.
상기 접촉 가망 고객을 선별하는 단계(S200)는 상기 접촉 가망 추출 모형부(100)가 상기 S100 단계에서 생성된 데이터 셋을 미리 설정된 접촉 가망 추출 모형에 적용하여 상기 접촉 가망 추출 모형을 학습하고, 상기 접촉 가망 추출 모형의 학습을 통해 접촉 가망이 높은 고객을 선별하여 상기 선별된 고객 정보를 포함한 접촉 가망 고객 리스트를 출력한다.
즉 상기 S200 단계는 상기 접촉 가망 추출 모형부(100)가 상기 S100 단계에서 생성된 데이터 셋을 의사결정나무, 인공 신경망, 서포트 벡터머신, 로지스틱 회귀, 랜덤 포레스트, 그래디언트 부스팅 중 어느 하나의 알고리즘을 통해 학습하는 접촉 가망 추출 모형에 적용하여 상기 접촉 가망 추출 모형을 학습(S210)한다.
상기 S210 단계의 접촉 가망 추출 모형의 학습이 완료되면, 상기 접촉 가망 추출 모형부(100)는 상기 학습이 완료된 접촉 가망 추출 모형에 미리 설정된 테스트 셋을 적용하여 접촉 성공 예측 스코어를 산출(S220)한다.
상기 S220 단계의 접촉 성공 예측 스코어가 산출되면, 상기 접촉 가망 추출 모형부(100)는 산출된 접속 성공 예측 스코어가 높은 순서대로 접촉 가망이 높은 고객을 선별하여 고객 정보를 포함한 접촉 가망 고객 리스트를 생성(S230)하여 출력한다.
상기 학습 모형별 분석용 데이터 셋을 생성하는 단계(S300)는 설정된 상품 추천 모형을 학습하기 위해 고객의 마스터 정보와, 텔레마케팅 이력, 포인트 이력, 청약 이력을 포함한 텔레마케팅 트랜잭션 정보를 수집(S310)하고, 데이터의 수집이 완료되면 변수에 따라 분류하여 설정된 상품 추천 모형별로 해당하는 데이터 셋을 생성(S320)한다.
또한, 상기 S320 단계에서 생성된 모형별 데이터 셋은 상품 추천 모형이, 랜덤 포레스트 모형이면 수집된 데이터를 데이터 프레임 형태의 데이터로 변환하고, 협업 필터링 모형이면 수집된 데이터를 등급 매트릭스 형태의 데이터로 변환하며, 연관성 분석 모형이면 수집된 데이터를 트랜잭션 형태의 데이터로 변환(S330)하는 단계를 추가 수행하고, 상기 S330 단계에서 변환된 데이터에 기초한 학습 모형별로 데이터 셋을 생성(S340)한다.
상기 개인화된 추천 상품을 선별하는 단계(S400)는 상기 상품 추천 모형부(200)가 상기 생성된 모형별 데이터 셋을 미리 설정된 상품 추천 모형에 적용하여 상기 상품 추천 모형을 학습하고, 상기 상품 추천 모형의 학습을 통해 트랜잭션별 추천 상품을 예측하며, 상기 예측된 추천 상품 정보를 미리 설정된 최소 추천 기준 정보와 비교하여 상기 최소 추천 기준 정보 이하의 추천 상품은 필터링하고, 상기 필터링 결과에 따른 추천 상품의 순위를 산출한 추천 상품 리스트가 출력되도록 한다.
즉, 상기 S400 단계는 상품 추천 모형부(200)가 상기 S300 단계에서 생성된 모형별 데이터 셋을 미리 설정된 상품 추천 모형에 적용하여 상기 상품 추천 모형을 학습(S410)한다.
상기 S410 단계에서, 상품 추천 모형은 랜덤 포레스트 모형, 협업 필터링 모형 및 연관성 분석 모형 중 어느 하나이고, 상기 랜덤 포레스트 모형은 기계학습 프로그램 기반의 모형 학습을 수행할 수 있다.
상기 S410 단계의 상품 추천 모형의 학습이 완료되면, 상기 상품 추천 모형부(200)는 상기 학습이 완료된 상품 추천 모형을 미리 설정된 테스트 셋에 적용하여 트랙잭션별 추천 상품을 예측(S420)한다.
상기 S420 단계에서 랜덤 포레스트 모형은 추천 상품별로 '0'과 '1' 사이의 추천 스코어가 도출되고, 협업 필터링 모형은 추천 등급이 도출되며, 연관성 분석 모형은 연관 규칙이 생성된다.
또한, 상기 상품 추천 모형부(200)는 상기 S420 단계에서 예측된 추천 상품 정보를 미리 설정된 추천 스코어, 추천 등급, 지지도 또는 신뢰도 중 적어도 하나의 최소 추천 기준 정보와 비교하여 상기 최소 추천 기준 정보 이하의 추천 상품을 필터링(S430)하여 제거한다.
상기 S430 단계에서 상기 최소 추천 기준 정보는, 랜덤 포레스트 모형의 경우 미리 설정된 추천 스코어를 최소 추천 기준으로 하고, 협업 필터링 모형은 미리 설정된 추천 등급을 최소 추천 기준으로 하며, 연관성 분석 모형은 미리 설정된 지지도 또는 신뢰도를 최소 추천 기준으로 결정한다.
또한, 추천 상품을 필터링하기 위한 최소 추천 기준 정보는 특정 지표나 값에 한정되지 않고, 산업, 상품, 상황, 사용자의 경험 등에 의해 적절하게 변경 설정할 수 있다.
상기 S430 단계의 필터링이 완료되면, 상기 상품 추천 모형부(200)는 필터링 결과에 따라 선별된 추천 상품은 미리 설정된 순위 산출 기준 정보와 비교하여 추천 상품의 순위를 산출(S440)한다.
즉, 상기 추천 상품은 랜덤 포레스트 모형, 협업 필터링 모형 및 연관성 분석 모형별로 설정된 순위 산출 기준 정보, 예를 들면, 랜덤 포레스트 모형은 추천 스코어 점수, 협업 필터링 모형은 상품별 추천 등급, 연관성 분석 모형은 연관 규칙과 비교하여 개인화된 추천 상품 순위를 계산한다.
또한, 상기 S440 단계는 동일한 순위로 예측되는 추천 상품이 발생하면, 미리 결정된 상품의 중요도(예를 들면, 청약 성공률, 단가 등)에 따라 순위를 결정할 수 있다.
상기 S440 단계의 추천 상품 순위 계산이 완료되면, 상기 상품 추천 모형부(200)는 산출된 추천 상품 순위에 기초하여 추천 상품 리스트를 생성하여 출력(S450)한다.
한편, 본 실시예에서는 텔레마케팅 대상 고객의 선정을 위한 데이터 셋 생성과정에서 접촉 가능성이 높은 고객을 추출하는 것을 실시예로 설명하였지만, 이에 한정되는 것은 아니고, 접촉 가능성이 낮은 고객 또는 무작위로 고객을 추출하도록 구성할 수도 있다.
또한, 본 실시예에서는 상품 추천 모형부(200)의 학습 모형을 랜덤 포레스트 모형, 협업 필터링 모형, 연관형 분석 모형 등의 모형별로 구성하였지만, 추천 상품에 따라 어느 하나의 학습 모형을 설정하여 구성할 수도 있다.
따라서, 접촉 가망 추출 모형부(100)와 상품 추천 모형부(200)의 학습 모형 결합에 의한 하이브리드 추천 모형을 통해 텔레마케팅 대상 고객을 선정하고, 대상 고객에게 개인화된 추천 상품을 제안함으로써 종래의 추천 시스템과 대비하여 텔레마케팅 성과를 크게 향상시킬 수 있다.
상기와 같이, 본 발명의 바람직한 실시 예를 참조하여 설명하였지만 해당 기술 분야의 숙련된 당업자라면 하기의 특허청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
또한, 본 발명의 특허청구범위에 기재된 도면번호는 설명의 명료성과 편의를 위해 기재한 것일 뿐 이에 한정되는 것은 아니며, 실시예를 설명하는 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있으며, 상술된 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있으므로, 이러한 용어들에 대한 해석은 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
100 : 접촉 가망 추출 모형부
110 : 데이터 셋 생성부
111 : 트레이닝 셋 데이터베이스
112 : 테스트 셋 데이터베이스
120 : 모형 학습부
130 : 접촉 가망 고객 추출부
200 : 상품 추천 모형부
210 : 모형별 데이터 셋 생성부
220 : 추천 모형 생성부
230 : 모형 적용 예측부
240 : 추천 순위 산출부

Claims (8)

  1. 고객의 마스터 정보 및 텔레마케팅 트랜잭션 정보 중 적어도 하나에 기초한 데이터 셋을 생성하되, 시스템의 속도와 예측의 정확도 향상을 위해 청약이 성공하지 못한 트랜젝션 정보가 포함된 불필요한 변수를 특징 선택을 통해 제거하고, 상기 생성된 데이터 셋을 미리 설정된 접촉 가망 추출 모형에 적용하여 상기 접촉 가망 추출 모형을 학습하며, 상기 접촉 가망 추출 모형의 학습을 통해 접촉 가망이 높은 고객이 선별되면, 상기 선별된 고객 정보를 포함한 접촉 가망 고객 리스트를 제공하는 접촉 가망 추출 모형부(100); 및
    미리 설정된 상품 추천 모형을 학습하기 위해 상기 고객의 마스터 정보와, 텔레마케팅 이력, 포인트 이력, 청약 이력을 포함한 텔레마케팅 트랜잭션 정보를 이용하여 설정된 모형별 데이터 셋을 생성하되, 상기 상품 추천 모형이, 랜덤 포레스트 모형이면 수집된 데이터를 데이터 프레임 형태로 변환하고, 협업 필터링 모형이면 수집된 데이터를 등급 매트릭스 형태로 변환하며, 연관성 분석 모형이면 수집된 데이터를 트랜잭션 형태로 변환하여 학습 모형별 데이터 셋을 생성하는 모형별 데이터 셋 생성부(210)와, 상기 생성된 모형별 데이터 셋을 미리 설정된 상품 추천 모형에 적용하여 상기 상품 추천 모형을 학습하는 추천 모형 생성부(220)와, 상기 상품 추천 모형의 학습이 완료되면, 상기 학습이 완료된 상품 추천 모형을 미리 설정된 테스트 셋에 적용하여 트랙잭션별 추천 상품을 예측하고, 상기 예측된 추천 상품 정보를 미리 설정된 추천 스코어, 추천 등급, 지지도 또는 신뢰도 중 적어도 하나의 최소 추천 기준 정보와 비교하되, 상기 최소 추천 기준 정보는 랜덤 포레스트 모형의 경우, 추천 스코어를 기준으로 하고, 협업 필터링 모형은 추천 등급을 기준으로 하며, 연관성 분석 모형은 지지도 또는 신뢰도를 기준으로 결정하여 상기 최소 추천 기준 정보 이하의 추천 상품을 필터링(또는 제거)하는 모형 적용 예측부(230)와, 상기 필터링 결과에 따른 추천 상품의 순위를 산출하여 추천 상품 리스트를 제공하는 추천 순위 산출부(240)를 구비한 상품 추천 모형부(200)를 포함하는 하이브리드 추천 시스템.
  2. 제 1 항에 있어서,
    상기 접촉 가망 추출 모형부(100)는 상기 접촉 가망 추출 모형을 학습하기 위해 고객의 마스터 정보와, 텔레마케팅 이력, 포인트 이력, 청약 이력을 포함한 텔레마케팅 트랜잭션 정보를 이용하여 데이터 셋을 생성하는 데이터 셋 생성부(110);
    상기 생성된 데이터 셋을 미리 설정된 접촉 가망 추출 모형에 적용하여 상기 접촉 가망 추출 모형을 학습하는 모형 학습부(120); 및
    상기 접촉 가망 추출 모형의 학습이 완료되면, 상기 학습이 완료된 접촉 가망 추출 모형에 미리 설정된 테스트 셋을 적용하여 접촉 성공 예측 스코어를 산출하고, 상기 산출된 접속 성공 예측 스코어가 높은 순서대로 접촉 가망이 높은 고객을 선별하여 고객 정보를 포함한 접촉 가망 고객 리스트를 제공하는 접촉 가망 고객 산출부(130)를 포함하는 것을 특징으로 하는 하이브리드 추천 시스템.
  3. 제 2 항에 있어서,
    상기 데이터 셋 생성부(110)는 접촉 가망 추출 모형을 학습하기 위한 데이터 셋을 구비한 트레이닝 셋 데이터베이스(111); 및
    학습된 접촉 가망 추출 모형을 적용하여 성능을 평가하기 위한 데이터 셋을 구비한 테스트 셋 데이터베이스(112)를 포함하는 것을 특징으로 하는 하이브리드 추천 시스템.
  4. 삭제
  5. a) 접촉 가망 추출 모형부(100)가 접촉 가망 추출 모형을 학습하기 위해 고객의 마스터 정보와, 텔레마케팅 이력, 포인트 이력, 청약 이력을 포함한 텔레마케팅 트랜잭션 정보 중 적어도 하나를 이용하여 데이터 셋을 생성하되, 시스템의 속도와 예측의 정확도 향상을 위해 청약이 성공하지 못한 트랜젝션 정보가 포함된 불필요한 변수를 특징 선택을 통해 제거한 데이터 셋을 생성하는 단계;
    b) 상기 접촉 가망 추출 모형부(100)가 상기 생성된 데이터 셋을 미리 설정된 접촉 가망 추출 모형에 적용하여 상기 접촉 가망 추출 모형을 학습하고, 상기 접촉 가망 추출 모형의 학습을 통해 접촉 가망이 높은 고객을 선별하여 상기 선별된 고객 정보를 포함한 접촉 가망 고객 리스트를 출력하는 단계;
    c) 상품 추천 모형부(200)가 상품 추천 모형을 학습하기 위해 상기 고객의 마스터 정보와, 텔레마케팅 이력, 포인트 이력, 청약 이력을 포함한 텔레마케팅 트랜잭션 정보 중 적어도 하나를 이용하여 미리 설정된 모형별 분석용 데이터 셋을 생성하되, 상기 상품 추천 모형이, 랜덤 포레스트 모형이면 수집된 데이터를 데이터 프레임 형태로 변환하고, 협업 필터링 모형이면 수집된 데이터를 등급 매트릭스 형태로 변환하며, 연관성 분석 모형이면 수집된 데이터를 트랜잭션 형태로 변환하여 학습 모형별 데이터 셋을 생성하는 단계; 및
    d) 상기 상품 추천 모형부(200)가 상기 생성된 모형별 데이터 셋을 미리 설정된 상품 추천 모형에 적용하여 상기 상품 추천 모형을 학습하고, 상기 상품 추천 모형의 학습이 완료되면, 상기 상품 추천 모형의 학습을 통해 트랜잭션별 추천 상품을 예측하며, 상기 예측된 추천 상품 정보를 미리 설정된 추천 스코어, 추천 등급, 지지도 또는 신뢰도 중 적어도 하나의 최소 추천 기준 정보와 비교하되, 상기 최소 추천 기준 정보는 랜덤 포레스트 모형의 경우, 추천 스코어를 기준으로 하고, 협업 필터링 모형은 추천 등급을 기준으로 하며, 연관성 분석 모형은 지지도 또는 신뢰도를 기준으로 결정하여 상기 최소 추천 기준 정보 이하의 추천 상품은 필터링하고, 상기 필터링 결과에 따른 추천 상품의 순위를 산출한 추천 상품 리스트를 출력하는 단계를 포함하는 하이브리드 추천 방법.
  6. 제 5 항에 있어서,
    상기 a)단계는 접촉 가망 추출 모형을 학습하기 위한 트레이닝용 데이터 셋과, 학습된 접촉 가망 추출 모형을 적용하여 상기 접촉 가망 추출 모형의 성능을 평가하기 위한 테스트용 데이터 셋을 분할하여 생성하는 것을 특징으로 하는 하이브리드 추천 방법.
  7. 제 5 항에 있어서,
    상기 b)단계는 b-1) 상기 접촉 가망 추출 모형부(100)가 상기 a)단계에서 생성된 데이터 셋을 미리 설정된 접촉 가망 추출 모형에 적용하여 상기 접촉 가망 추출 모형을 학습하는 단계;
    b-2) 상기 접촉 가망 추출 모형의 학습이 완료되면, 상기 학습이 완료된 접촉 가망 추출 모형에 미리 설정된 테스트 셋을 적용하여 접촉 성공 예측 스코어를 산출하는 단계; 및
    b-3) 상기 산출된 접속 성공 예측 스코어가 높은 순서대로 접촉 가망이 높은 고객을 선별하여 고객 정보를 포함한 접촉 가망 고객 리스트를 생성하는 단계를 포함하는 것을 특징으로 하는 하이브리드 추천 방법.
  8. 삭제
KR1020190021739A 2019-02-25 2019-02-25 하이브리드 추천 시스템 및 방법 KR102217084B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190021739A KR102217084B1 (ko) 2019-02-25 2019-02-25 하이브리드 추천 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190021739A KR102217084B1 (ko) 2019-02-25 2019-02-25 하이브리드 추천 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20200103367A KR20200103367A (ko) 2020-09-02
KR102217084B1 true KR102217084B1 (ko) 2021-02-22

Family

ID=72469406

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190021739A KR102217084B1 (ko) 2019-02-25 2019-02-25 하이브리드 추천 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102217084B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112862530A (zh) * 2021-02-09 2021-05-28 江之龙 一种基于大数据的营销系统
CN113641904A (zh) * 2021-08-16 2021-11-12 上海花千树信息科技有限公司 一种为互联网婚恋线下门店推荐目标客户的方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101887643B1 (ko) * 2017-03-07 2018-08-10 (주)위세아이텍 머신 러닝 기반의 공공데이터 추천 장치 및 방법

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100544985B1 (ko) 2004-04-30 2006-01-24 주식회사 부뜰정보시스템 개인용 텔레마케팅/전화상담 시스템 및 방법
KR101797712B1 (ko) 2016-04-14 2017-11-15 주식회사 잇팩 텔레마케팅 표준 스크립트 동적 구성 시스템

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101887643B1 (ko) * 2017-03-07 2018-08-10 (주)위세아이텍 머신 러닝 기반의 공공데이터 추천 장치 및 방법

Also Published As

Publication number Publication date
KR20200103367A (ko) 2020-09-02

Similar Documents

Publication Publication Date Title
Sulistiani et al. Implementation of Dynamic Mutual Information and Support Vector Machine for Customer Loyalty Classification
CN110019943B (zh) 视频推荐方法、装置、电子设备和存储介质
CN111340121B (zh) 目标特征的确定方法及装置
US20190378048A1 (en) Time-factored performance prediction
Malherbe et al. Field selection for job categorization and recommendation to social network users
US20100228595A1 (en) System and method for scoring target lists for advertising
US20050021357A1 (en) System and method for the efficient creation of training data for automatic classification
CN113032676B (zh) 基于微反馈的推荐方法和系统
CN116468460B (zh) 基于人工智能的消费金融客户画像识别系统及其方法
KR102217084B1 (ko) 하이브리드 추천 시스템 및 방법
CN112685635A (zh) 基于分类标签的项目推荐方法、装置、服务器和存储介质
CN117455529A (zh) 基于大数据技术的用户用电特征画像构建方法及系统
Yang et al. Transfer learning based on probabilistic latent semantic analysis for analyzing purchase behavior considering customers' membership stages
CN117474631A (zh) 基于电商平台评论的数据挖掘与情感分析的推荐算法
CN116484105B (zh) 业务处理方法、装置及计算机设备、存储介质、程序产品
CN113327132A (zh) 多媒体推荐方法、装置、设备及存储介质
CN112132368A (zh) 信息处理方法以及装置、计算设备、存储介质
CN114741592A (zh) 一种基于多模型融合的产品推荐方法、设备及介质
CN113269610A (zh) 银行产品的推荐方法、装置及存储介质
Nooyen Predicting the occurrence of complaints within the customer journey based on process mining techniques
Fang Enhanced Customer Analysis Based on Variations of Natural Language Processing Algorithms Implemented on Past E-Commerce Reviews
Akter et al. A Machine Learning Based Movie Status Evaluation System for Bangladesh Movies
Subramanian et al. Leveraging Machine Learning Algorithms for predicting Churn in Telecom industries
CN117332066B (zh) 一种基于大模型的智能坐席文本处理方法
Mianowska et al. A method for collaborative recommendation in document retrieval systems

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right