KR102474747B1 - 사용자 행동 패턴에 기초하여 상품을 추천하고 추천 상품에 대한 사용자의 선호도 예측 장치 및 방법 - Google Patents

사용자 행동 패턴에 기초하여 상품을 추천하고 추천 상품에 대한 사용자의 선호도 예측 장치 및 방법 Download PDF

Info

Publication number
KR102474747B1
KR102474747B1 KR1020200083049A KR20200083049A KR102474747B1 KR 102474747 B1 KR102474747 B1 KR 102474747B1 KR 1020200083049 A KR1020200083049 A KR 1020200083049A KR 20200083049 A KR20200083049 A KR 20200083049A KR 102474747 B1 KR102474747 B1 KR 102474747B1
Authority
KR
South Korea
Prior art keywords
product
recommended
user
purchase
recommendation
Prior art date
Application number
KR1020200083049A
Other languages
English (en)
Other versions
KR20220005328A (ko
Inventor
한경식
권혁민
한재호
Original Assignee
아주대학교산학협력단
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 아주대학교산학협력단 filed Critical 아주대학교산학협력단
Priority to KR1020200083049A priority Critical patent/KR102474747B1/ko
Publication of KR20220005328A publication Critical patent/KR20220005328A/ko
Application granted granted Critical
Publication of KR102474747B1 publication Critical patent/KR102474747B1/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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Abstract

사용자 행동 패턴에 기초하여 상품을 추천하고 추천 상품에 대한 사용자의 선호도를 예측 장치 및 방법이 개시되며, 본원의 일 실시예에 따른 사용자 행동 패턴 기반의 상품 추천 방법은, 사용자의 구매이력 정보 및 구매행동 정보를 수집하는 단계, 복수의 추천 후보 상품에 대한 상품 정보를 획득하는 단계 및 상기 구매이력 정보, 상기 구매행동 정보 및 상기 상품 정보에 기초하여 상기 복수의 추천 후보 상품 중 추천 상품을 결정하는 단계를 포함하고, 상기 추천 상품을 결정하는 단계는, 미리 설정된 복수의 고객 유형과 연계된 상기 사용자의 구매행동 특성을 종합 반영하도록 서로 다른 복수의 추천 알고리즘에 기초하여 각각 도출된 상품군을 포함하는 상기 추천 상품을 결정할 수 있다.

Description

사용자 행동 패턴에 기초하여 상품을 추천하고 추천 상품에 대한 사용자의 선호도 예측 장치 및 방법{APPARATUS AND METHOD FOR RECOMMENDING PRODUCT BASED ON USER BEHAVIOR PATTERN AND FOR FORECASTING USER PREFERENCE FOR RECOMMENDED PRODUCT}
본원은 사용자 행동 패턴에 기초하여 상품을 추천하고 추천 상품에 대한 사용자의 선호도를 예측 장치 및 방법에 관한 것이다. 특히, 본원은 사용자 행동 패턴 기반의 상품 추천 장치 및 방법과 추천 상품에 대한 사용자의 선호도 예측 장치 및 방법에 관한 것이다.
온라인에서 추천은 이미 광범위하게 사용되고 있는 기술이다. 온라인 쇼핑 시 구매자가 관심 있을 만한 물건을 보여주거나, 뉴스 기사를 읽을 때 관련 기사의 목록을 제공하는 등 익숙한 서비스뿐만이 아니라 SNS 상에서 사용자가 알 만한 온라인 친구들을 알려주는 등 광범위한 곳에서 추천 알고리즘이 사용되고 있다.
이러한 추천 시스템은 추천 시스템이 적용되는 업계(분야)의 특성을 반영했을 때 그 효과가 더욱 두드러진다. 지금까지 이루어진 패션 분야에서의 추천 시스템에 대한 종래 기법들은 사용자가 구매한 상품 등 특정 상품과의 유사도가 높은 상품을 정확하게 도출하는 데에만 주로 초점을 두고 있다. 이러한 방식은 과거의 구매한 상품과 비슷한 상품만 지속적으로 추천 받아 고객의 피로도를 오히려 증가시킬 수 있다는 단점이 있으며, 특히 패션 분야의 상품과 관련하여서는 패션 업계의 특성상 유사 상품만 추천하는 시스템은 사용자의 선택의 폭을 줄여 오히려 추천의 질을 떨어뜨릴 수도 있다는 측면이 존재한다. 나아가, 추천항목의 다양성을 고려하지 않는 일률적인 추천 시스템의 적용은 고객의 전체 소비를 오히려 감소시킬 수 있다는 견해도 존재한다.
본원의 배경이 되는 기술은 한국등록특허공보 제10-2113739호에 개시되어 있다.
본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 사용자의 구매행동 특성과 연계된 다양한 고객 유형에 따른 서로 다른 추천 알고리즘에 기초한 혼합 필터링(Hybrid filtering)을 통해 사용자에게 제공되는 추천 상품의 다양성을 제고할 수 있는 추천 시스템을 제공하려는 것을 목적으로 한다.
본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 사용자의 구매이력, 상품을 구매하기까지의 구매행동 특성 등을 고려하되, 다양한 측면을 고려하여 도출된 추천 상품을 종합 제공하여 사용자가 기존에 접하지 못한 상품에 대한 정보를 획득하도록 하여 인지적인 만족을 제공할 뿐만 아니라 나아가 실질적인 구매로 이어질 수 있도록 유도하는 사용자 행동 패턴 기반의 상품 추천 장치 및 방법을 제공하려는 것을 목적으로 한다.
본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 다수의 고객으로부터 수집된 방대한 구매행동 정보로부터 사용자의 상품에 대한 선호도를 나타내는 주요 지표를 선별하여 선호도 예측 모델을 구축함으로써 사용자에게 제공된 추천 상품의 유효성을 판단할 수 있는 추천 상품에 대한 사용자의 선호도 예측 장치 및 방법을 제공하려는 것을 목적으로 한다.
다만, 본원의 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상기한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본원의 일 실시예에 따른 사용자 행동 패턴 기반의 상품 추천 방법은, 사용자의 구매이력 정보 및 구매행동 정보를 수집하는 단계, 복수의 추천 후보 상품에 대한 상품 정보를 획득하는 단계 및 상기 구매이력 정보, 상기 구매행동 정보 및 상기 상품 정보에 기초하여 상기 복수의 추천 후보 상품 중 추천 상품을 결정하는 단계를 포함할 수 있다.
또한, 상기 추천 상품을 결정하는 단계는, 미리 설정된 복수의 고객 유형과 연계된 상기 사용자의 구매행동 특성을 종합 반영하도록 서로 다른 복수의 추천 알고리즘에 기초하여 각각 도출된 상품군을 포함하는 상기 추천 상품을 결정할 수 있다.
또한, 상기 고객 유형은, 타인에게 선물하기 위해 상품을 구매하려는 경향인 제1구매행동 특성을 반영하는 제1고객 유형, 기 구매한 상품과 연관되되 상기 기 구매한 상품과 다른 카테고리의 상품을 구매하려는 경향인 제2구매행동 특성을 반영하는 제2고객 유형, 기 구매한 상품 또는 기 보유한 상품과의 유사도가 높은 상품을 재구매하려는 경향인 제3구매행동 특성을 반영하는 제3고객 유형 및 타인이 구매한 상품 또는 타인의 관심도가 높은 상품을 구매하려는 경향인 제4구매행동 특성을 반영하는 제4고객 유형 중 적어도 하나를 포함할 수 있다.
또한, 상기 제1고객 유형에 대응하는 상기 추천 알고리즘은 인구통계 필터링(Demographic filtering) 알고리즘일 수 있다.
또한, 상기 제2고객 유형에 대응하는 상기 추천 알고리즘은 아프리오리(Apriori) 알고리즘일 수 있다.
또한, 상기 제3고객 유형에 대응하는 상기 추천 알고리즘은 아이템 기반 협업 필터링(Item-based collaborative filtering) 알고리즘일 수 있다.
또한, 상기 제4고객 유형에 대응하는 상기 추천 알고리즘은 사용자 기반 협업 필터링(User-based collaborative filtering) 알고리즘일 수 있다.
또한, 상기 추천 상품을 결정하는 단계는, 상기 인구통계 필터링(Demographic filtering) 알고리즘에 기초하여 n1개의 추천 상품을 포함하는 제1상품군을 결정하는 단계, 상기 아프리오리(Apriori) 알고리즘에 기초하여 n2개의 추천 상품을 포함하는 제2상품군을 결정하는 단계, 상기 아이템 기반 협업 필터링(Item-based collaborative filtering) 알고리즘에 기초하여 n3개의 추천 상품을 포함하는 제3상품군을 결정하는 단계, 상기 사용자 기반 협업 필터링(User-based collaborative filtering) 알고리즘에 기초하여 n4개의 추천 상품을 포함하는 제4상품군을 결정하는 단계 및 상기 제1상품군, 상기 제2상품군, 상기 제3상품군 및 상기 제4상품군을 포함하는 상기 추천 상품에 대한 추천 상품 목록을 생성하는 단계를 포함할 수 있다.
또한, 상기 n1, n2, n3 및 n4는 동수일 수 있다.
또한, 상기 n1, n2, n3 및 n4는 상기 사용자의 상기 구매이력 정보 및 상기 구매행동 정보에 기초하여 도출되는 상기 사용자의 구매행동 특성에 기초하여 결정될 수 있다.
또한, 상기 추천 상품 목록을 생성하는 단계는, 상기 추천 상품 목록 내의 추천 상품 각각에 대한 상기 사용자의 선호도 예측 결과에 기초하여 상기 추천 상품 목록 내의 추천 상품 각각의 순위를 결정하는 단계를 포함할 수 있다.
한편, 본원의 일 실시예에 따른 추천 상품에 대한 사용자의 선호도 예측 방법은, 복수의 고객에 대하여 제1기간 동안 수집된 구매이력 정보 및 구매행동 정보를 포함하는 학습 데이터를 준비하는 단계, 상기 복수의 고객에 대하여 상기 제1기간 이후의 제2기간 동안 수집된 구매행동 정보를 포함하는 타겟 데이터를 준비하는 단계, 상기 학습 데이터, 상기 타겟 데이터 및 소정의 사용자의 구매이력 정보와 구매행동 정보를 기초로 하여 상기 소정의 사용자에게 제공된 추천 상품에 대한 선호도를 예측하는 선호도 예측 모델을 구축하는 단계, 타겟 사용자의 구매이력 정보 및 구매행동 정보를 수집하는 단계, 상기 타겟 사용자에게 제공된 추천 상품을 파악하는 단계 및 상기 타겟 사용자의 구매이력 정보 및 상기 타겟 사용자의 구매 행동 정보에 기초하여 상기 선호도 예측 모델을 통해 상기 파악된 추천 상품에 대한 상기 타겟 사용자의 선호도를 예측하는 단계를 포함할 수 있다.
또한, 상기 구매행동 정보는, 온라인 채널을 통해 판매되는 소정의 상품에 대한 사용자의 접근 이력을 포함할 수 있다.
또한, 상기 선호도를 예측하는 단계는, 상기 타겟 사용자가 상기 추천 상품에 접근할지 여부를 예측할 수 있다.
또한, 상기 선호도 예측 모델을 구축하는 단계는, 상기 구매이력 정보 및 상기 구매행동 정보로부터 미리 설정된 피처를 추출하고, 상기 피처에 기초하여 상기 선호도를 예측하는 선호도 예측 모델을 구축할 수 있다.
또한, 상기 피처는, 인식(Aware) 단계, 관심(Interest) 단계, 욕구(Desire) 단계 및 행동(Action) 단계를 포함하는 구매 퍼널(Purchase Funnel) 이론 기반의 구매 경로 단계 각각에 대한 피처를 포함할 수 있다.
또한, 상기 추천 상품을 파악하는 단계는, 본원의 일 실시예에 따른 상기 사용자 행동 패턴 기반의 상품 추천 방법에 기초하여 결정된 상기 추천 상품을 파악하는 것일 수 있다.
한편, 본원의 일 실시예에 따른 사용자 행동 패턴 기반의 상품 추천 장치는, 사용자의 구매이력 정보 및 구매행동 정보를 수집하는 사용자 정보 수집부 및 복수의 추천 후보 상품에 대한 상품 정보를 획득하고, 상기 구매이력 정보, 상기 구매행동 정보 및 상기 상품 정보에 기초하여 상기 복수의 추천 후보 상품 중 추천 상품을 결정하는 추천부를 포함할 수 있다.
또한, 상기 추천부는, 미리 설정된 복수의 고객 유형과 연계된 상기 사용자의 구매행동 특성을 종합 반영하도록 서로 다른 복수의 추천 알고리즘에 기초하여 각각 도출된 상품군을 포함하는 상기 추천 상품을 결정할 수 있다.
한편, 본원의 일 실시예에 따른 추천 상품에 대한 사용자의 선호도 예측 장치는, 복수의 고객에 대하여 제1기간 동안 수집된 구매이력 정보 및 구매행동 정보를 포함하는 학습 데이터를 준비하고, 상기 복수의 고객에 대하여 상기 제1기간 이후의 제2기간 동안 수집된 구매행동 정보를 포함하는 타겟 데이터를 준비하는 데이터 수집부, 상기 학습 데이터, 상기 타겟 데이터 및 소정의 사용자의 구매이력 정보와 구매행동 정보를 기초로 하여 상기 소정의 사용자에게 제공된 추천 상품에 대한 선호도를 예측하는 선호도 예측 모델을 구축하는 모델 생성부 및 타겟 사용자에 대한 구매이력 정보 및 구매행동 정보를 수집하고, 상기 타겟 사용자에게 제공된 추천 상품을 파악하고, 상기 타겟 사용자의 구매이력 정보 및 상기 타겟 사용자의 구매 행동 정보에 기초하여 상기 선호도 예측 모델을 통해 상기 파악된 추천 상품에 대한 상기 타겟 사용자의 선호도를 예측하는 예측부를 포함할 수 있다.
상술한 과제 해결 수단은 단지 예시적인 것으로서, 본원을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 추가적인 실시예가 존재할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 사용자의 구매행동 특성과 연계된 다양한 고객 유형에 따른 서로 다른 추천 알고리즘에 기초한 혼합 필터링(Hybrid filtering)을 통해 사용자에게 제공되는 추천 상품의 다양성을 제고할 수 있는 추천 시스템을 제공할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 사용자의 구매이력, 상품을 구매하기까지의 구매행동 특성 등을 고려하되, 다양한 측면을 고려하여 도출된 추천 상품을 종합 제공하여 사용자가 기존에 접하지 못한 상품에 대한 정보를 획득하도록 하여 인지적인 만족을 제공할 뿐만 아니라 나아가 실질적인 구매로 이어질 수 있도록 유도하는 사용자 행동 패턴 기반의 상품 추천 장치 및 방법을 제공할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 다수의 고객으로부터 수집된 방대한 구매행동 정보로부터 사용자의 상품에 대한 선호도를 나타내는 주요 지표를 선별하여 선호도 예측 모델을 구축함으로써 사용자에게 제공된 추천 상품의 유효성을 판단할 수 있는 추천 상품에 대한 사용자의 선호도 예측 장치 및 방법을 제공할 수 있다.
다만, 본원에서 얻을 수 있는 효과는 상기된 바와 같은 효과들로 한정되지 않으며, 또 다른 효과들이 존재할 수 있다.
도 1은 본원의 일 실시예에 따른 추천 시스템의 개략적인 구성도이다.
도 2는 고객 유형에 대응하는 개별 추천 알고리즘 및 혼합형 추천 알고리즘 각각에 의한 상품 추천 범위를 비교하여 나타낸 그래프이다.
도 3은 선호도 예측 모델 구축시 사용되는 구매 퍼널(Purchase Funnel) 이론 기반의 구매 경로 단계를 고려한 피처를 설명하기 위한 도면이다.
도 4는 선호도 예측 모델의 세부 모델 유형에 따른 성능을 비교하여 나타낸 그래프이다.
도 5는 본원의 일 실시예에 따른 사용자 행동 패턴 기반의 상품 추천 장치의 개략적인 구성도이다.
도 6은 본원의 일 실시예에 따른 추천 상품에 대한 사용자의 선호도 예측 장치의 개략적인 구성도이다.
도 7은 본원의 일 실시예에 따른 사용자 행동 패턴 기반의 상품 추천 방법에 대한 동작 흐름도이다.
도 8은 사용자의 구매행동 특성을 종합 반영하여 추천 상품을 결정하는 프로세스에 대한 세부 동작 흐름도이다.
도 9는 본원의 일 실시예에 따른 추천 상품에 대한 사용자의 선호도 예측 방법에 대한 동작 흐름도이다.
아래에서는 첨부한 도면을 참조하여 본원이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본원의 실시예를 상세히 설명한다. 그러나 본원은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본원을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본원 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결" 또는 "간접적으로 연결"되어 있는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부재가 다른 부재 "상에", "상부에", "상단에", "하에", "하부에", "하단에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부분이 어떤 구성 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.
본원은 사용자 행동 패턴에 기초하여 상품을 추천하고 추천 상품에 대한 사용자의 선호도를 예측 장치 및 방법에 관한 것이다. 특히, 본원은 사용자 행동 패턴 기반의 상품 추천 장치 및 방법과 추천 상품에 대한 사용자의 선호도 예측 장치 및 방법에 관한 것이다.
도 1 은 본원의 일 실시예에 따른 추천 시스템의 개략적인 구성도이다.
도 1을 참조하면, 본원의 일 실시예에 따른 추천 시스템(10)은, 본원의 일 실시예에 따른 사용자 행동 패턴 기반의 상품 추천 장치(100)(이하, '상품 추천 장치(100)'라 한다.), 본원의 일 실시예에 따른 추천 상품에 대한 사용자의 선호도 예측 장치(200)(이하, '선호도 예측 장치(200)'라 한다.), 사용자 단말(300) 및 로그 DB(400)를 포함할 수 있다.
상품 추천 장치(100), 선호도 예측 장치(200), 사용자 단말(300) 및 로그 DB(400) 상호간은 네트워크(20)를 통해 통신할 수 있다. 네트워크(20)는 단말들 및 서버들과 같은 각각의 노드 상호간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 이러한 네트워크(20)의 일 예에는, 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, 5G 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), wifi 네트워크, 블루투스(Bluetooth) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다.
사용자 단말(300)은 예를 들면, 스마트폰(Smartphone), 스마트패드(SmartPad), 태블릿 PC등과 PCS(Personal Communication System), GSM(Global System for Mobile communication), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말기 같은 모든 종류의 무선 통신 장치일 수 있다.
예시적으로 상품 추천 장치(100)는 추천 시스템(10)에 의해 제공되는 상품 추천 서비스를 제공하기 위해 사용자 단말(300)에 탑재되는 것일 수 있다. 다른 예로, 상품 추천 장치(100)는 상품 추천 서비스를 제공하도록 사용자 단말(300)과 별도로 마련되는 상품 추천 서버(100)일 수 있다. 마찬가지로, 선호도 예측 장치(200)는 추천 시스템(10)에 의해 제공되는 상품 추천 서비스와 연계된 상품에 대한 사용자 단말(300)의 사용자의 선호도를 예측하여 제공하도록 사용자 단말(300)에 탑재되는 것일 수 있다. 다른 예로, 선호도 예측 장치(200)는 사용자 단말(300)과 별도로 마련되는 선호도 예측 서버(200)일 수 있다. 또한, 본원의 구현예에 따라 상품 추천 장치(100)와 선호도 예측 장치(200)는 추천 시스템(10)에 의해 제공되는 상품 추천 서비스와 연계된 단일한 디바이스에서 수행되는 세부 기능(예를 들면, 상품 추천 기능과 추천 상품에 대한 선호도 예측 기능)을 기능적으로 구분한 것으로 이해될 수 있다.
또한, 본원의 실시예에 관한 설명에서 '상품'은 온라인 및 오프라인 상에서 교환(거래)되거나 다른 사용자에게 선물(이관)할 수 있는 실물을 갖는 각종 물품 및 유/무형의 서비스를 폭넓게 포함할 수 있다. 특히, 본원의 실시예에 관한 설명에서의 '상품'은 패션(Fashion) 분야와 관련된 고객에게 제공되는 패션 관련 아이템(예를 들면, 의상, 의복, 신발, 가방, 액세서리 등)을 주로 의미하는 것일 수 있으나, 이에만 한정되지 않는 것으로 해석됨이 바람직하다.
또한, 본원의 실시예에 관한 설명에서 로그 DB(400)는 복수의 고객에 대하여 수집된 구매이력 정보, 구매행동 정보, 추천 후보 상품 각각에 대한 메타데이터 등을 저장하는 데이터베이스를 의미할 수 있다. 또한, 로그 DB(400)는 수집된 구매이력 정보, 구매행동 정보 등을 사용자(고객) 별로 구분하여 수집할 수 있으며, 예를 들면, 사용자 단말(300)의 사용자의 구매이력 정보, 구매행동 정보 등을 보유할 수 있다.
상품 추천 장치(100)는 사용자의 구매이력 정보 및 구매행동 정보를 수집할 수 있다. 본원의 일 실시예에 따르면, 상품 추천 장치(100)는 사용자 단말(300)로부터 사용자 단말(300)의 사용자의 구매이력 정보 및 구매행동 정보를 수집할 수 있다. 다른 예로, 상품 추천 장치(100)는 로그 DB(400)로부터 소정의 사용자에 대한 구매이력 정보 및 구매행동 정보를 수집하도록 동작할 수 있다.
본원의 실시예에 관한 설명에서 구매이력 정보는 사용자(고객)가 실제 구매한 상품의 유형 정보, 수량 정보, 가격 정보, 브랜드 정보 등을 포함할 수 있다. 또한, 구매이력 정보는 사용자(고객)의 구매행위가 발생한 시점에 대한 시간적 정보(예를 들면, 구매일, 상품 수령일 등)를 포함할 수 있다. 또한, 구매이력 정보는 사용자(고객)에 의해 구매된 후 해당 구매 행위가 철회된 이력에 관한 정보(예를 들면, 환불 정보, 반품 정보 등)을 포함할 수 있다.
또한, 본원의 실시예에 관한 설명에서 구매행동 정보는 사용자(고객)가 소정의 상품을 구매하기까지의 온라인 또는 오프라인 상에서의 행동 이력 정보(예를 들면, 오프라인 매장 방문이력, 온라인 채널 접속이력, 온라인 채널에서의 관심 상품(wish list) 저장/삭제 내역, 장바구니 내역 등을 포함할 수 있다. 또한, 구매행동 정보는 사용자(고객)가 실제로 구매하지 않았더라도 소정의 상품에 대한 정보에 접근한 기록(로그) 정보(예를 들면, 온라인 채널에서의 브랜드 페이지 접속이력, 온라인 채널에서의 상품 정보 페이지 접속이력, 상품 이미지 클릭 이력 등) 등을 포함할 수 있다. 달리 말해, 구매행동 정보는 온라인 채널을 통해 판매되는 소정의 상품에 대한 사용자의 접근 이력을 포함할 수 있다. 예시적으로, 온라인 채널은 온라인 쇼핑몰을 포함할 수 있다.
상품 추천 장치(100)는 복수의 추천 후보 상품에 대한 상품 정보를 획득할 수 있다. 예를 들어, 복수의 추천 후보 상품은 사용자 단말(300)을 통해 접속된 소정의 온라인 채널에서 취급(판매)하는 품목을 포함하도록 설정될 수 있다.
다른 예로, 복수의 추천 후보 상품은 사용자 단말(300)을 통해 접속된 소정의 온라인 채널에서 취급(판매)하는 품목 중 사용자 단말(300)을 통해 인가된 사용자 선택 입력에 기초하여 결정된 소정의 상품 유형에 속하는 복수의 품목을 포함하도록 설정될 수 있다. 예를 들어, 사용자 단말(300)의 사용자가 '가방'에 해당하는 사용자 선택 입력을 인가한 경우, 상품 추천 장치(100)는 사용자 단말(300)을 통해 접속된 온라인 채널에서 취급(판매)하는 품목 중 '가방' 카테고리에 속하는 상품을 선별하여 복수의 추천 후보 상품으로 결정할 수 있다.
또 다른 예로, 상품 추천 장치(100)는 사용자 단말(300)을 통해 접속된 온라인 채널과 무관하게 로그 DB(400)에 미리 별도로 확보된 복수의 추천 후보 상품에 대한 상품 정보를 획득할 수 있다.
여기서, 상품 정보란 예시적으로 추천 후보 상품 각각에 대한 유형 정보, 가격 정보, 특징 정보, 규격 정보, 브랜드 정보, 제조사 정보, 제조일 정보, 원산지 정보, 재료 정보, 생산자 정보, 인허가 정보 등 추천 후보 상품의 유형에 따라 결정되는 다양한 관련 정보를 폭넓게 포함할 수 있다.
또한, 상품 추천 장치(100)는 수집된 사용자의 구매이력 정보, 구매행동 정보 및 수집된 복수의 추천 후보 상품 각각에 대한 상품 정보에 기초하여 복수의 추천 후보 상품 중 추천 상품을 결정할 수 있다.
이와 관련하여, 본원의 일 실시예에 따른 상품 추천 장치(100)는 미리 설정된 복수의 고객 유형과 연계된 사용자의 구매행동 특성을 종합 반영하도록 서로 다른 복수의 추천 알고리즘에 기초하여 각각 도출된 상품군을 포함하는 추천 상품을 결정할 수 있다. 달리 말해, 상품 추천 장치(100)는 다양한 구매행동 특성이 종합적으로 고려된 추천 상품을 사용자에게 다채롭게 제공할 수 있도록 적어도 둘 이상의 서로 상이한 추천 알고리즘을 기초로 각각 도출된 상품군을 포함하는 추천 상품에 대한 정보를 제공할 수 있다.
구체적으로, 본원에서의 미리 설정된 복수의 고객 유형은 타인에게 선물하기 위해 상품을 구매하려는 경향인 제1구매행동 특성을 반영하는 제1고객 유형, 기 구매한 상품과 연관되되, 기 구매한 상품과 다른 카테고리의 상품을 구매하려는 경향인 제2구매행동 특성을 반영하는 제2고객 유형, 기 구매한 상품 또는 기 보유한 상품과의 유사도가 높은 상품을 재구매하려는 경향인 제3구매행동 특성을 반영하는 제3고객 유형 및 타인이 구매한 상품 또는 타인의 관심도가 높은 상품을 구매하려는 경향인 제4구매행동 특성을 반영하는 제4고객 유형 중 적어도 하나를 포함할 수 있다.
특히, 이해를 돕기 위해 예시하면, 제1고객 유형은 자신이 아닌 다른 사람에게 선물할 용도로 구매하는 고객에 대응될 수 있으며, 제2고객 유형은 이전에 구매한 물건과 코디하기 위하여 추가적인 상품을 고객에 대응될 수 있으며, 제3고객 유형은 기존 구매상품과 유사한 상품을 지속적으로 구매하는 특성을 보이는 고객에 대응될 수 있으며, 제4고객 유형은 구매 트렌드에 영향을 많이 받는 특성을 보이는 고객에 대응될 수 있다.
예시적으로, 전술한 제1고객 유형은 Gift type으로, 제2고객 유형은 Coordinator type으로, 제3고객 유형은 Carry-over type으로, 제4고객 유형은 Trend setter type으로 각각 지칭될 수 있으나, 구매행동 특성과 연계된 고객 유형의 명칭은 다양하게 결정될 수 있다.
또한, 도 1을 참조하면, 상품 추천 장치(100)는 전술한 제1고객 유형에 대응하는 추천 알고리즘으로 인구통계 필터링(Demographic filtering, DF) 알고리즘(A1)을 활용할 수 있다. 또한, 상품 추천 장치(100)는 전술한 제2고객 유형에 대응하는 추천 알고리즘으로 아프리오리(Apriori) 알고리즘(A2)을 활용할 수 있다. 또한, 상품 추천 장치(100)는 전술한 제3고객 유형에 대응하는 추천 알고리즘으로 아이템 기반 협업 필터링(Item-based collaborative filtering, IBCF) 알고리즘(A3)을 활용할 수 있다. 또한, 상품 추천 장치(100)는 전술한 제4고객 유형에 대응하는 추천 알고리즘으로 사용자 기반 협업 필터링(User-based collaborative filtering, UBCF) 알고리즘(A4)을 활용할 수 있다.
전술한 추천 알고리즘 각각의 동작에 관한 설명은 다음과 같다.
인구통계 필터링 알고리즘(A1)은 제1고객 유형의 니즈를 반영할 수 있도록 사용자의 인구통계학적 정보(예를 들면, 성별, 연령, 직업, 거주 지역 등)를 획득하고, 사용자의 인구통계학적 정보를 활용하여 사용자의 프로필(profile)에 부합하는 상품군을 도출할 수 있다. 구체적으로, 인구통계 필터링 알고리즘(A1)에 의할 때, 상품 추천 장치(100)는 사용자의 성별 정보 및 연령 정보와 복수의 추천 후보 상품에 대한 브랜드 정보 및 상품 정보를 변수로 하는 K-means Clustering을 통해 사용자의 프로필(profile)에 대응하는 군집을 분류하고, 사용자가 속하는 것으로 분류된 군집의 속성을 반영한 상품(예를 들면, 해당 군집의 고객들에 대하여 소정의 기간 동안의 접근 횟수 또는 구매 횟수의 순위가 가장 높은 상품 등)으로 추천 상품에 포함될 상품군을 도출할 수 있다.
아프리오리(Apriori) 알고리즘(A2)은 제2고객 유형의 특성을 반영하기 위해, 사용자의 구매 시차를 고려하여 추천 상품을 결정할 수 있다. 구체적으로, 아프리오리(Apriori) 알고리즘(A2)은 한 상품의 구매가 다른 상품의 구매에 얼마나 강하게 영향을 미치는 지를 수치화 하고, 수치화된 연광성을 고려하여 추천 상품을 결정하도록 동작할 수 있다. 상품 구매 간의 연관성을 고려하기 위해서는 많은 연산량이 요구되는데, 이와 관련하여 아프리오리(Apriori) 알고리즘(A2)은 소정 수준의 연관성 수치 임계값을 통과하지 못하는 패턴은 제거하여 필요 없는 패턴은 연산 자체를 생략할 수 있기 때문에 연산량을 줄이고 연산 속도를 높일 수 있다는 이점이 있다. 또한, 본원의 일 실시예에 따르면, 상품 추천 장치(100)는 계절에 따른 구매 패턴이 주요한 품목의 특성을 풍부히 반영할 수 있도록 현재 계절(예를 들면, 추천 상품에 대한 정보를 제공하려는 계절)과 대응되는 계절에 대하여 수집된 구매이력 정보 및 구매행동 정보를 기초로 분석을 수행할 수 있다. 또한, 상품 구매 간의 연관성을 빠르게 수치화 하기 위해 두 상품을 동시에 구매할 확률의 최소값에 대한 소정의 임계값(예를 들면, 0.4 등)이 적용될 수 있다.
아이템 기반 협업 필터링 알고리즘(A3) 및 사용자 기반 협업 필터링 알고리즘(A4)과 관련한 협업 필터링 기법은 통상의 기술자에게 자명한 사항이므로 이에 대한 구체적인 설명은 생략하도록 한다.
본원의 일 실시예에 따르면, 상품 추천 장치(100)는 아이템 기반 협업 필터링 알고리즘(A3) 적용시의 연산량을 줄이기 위해 매출 기준 상위 소정 비율(예를 들면, 상위 20%)의 고객을 선별하여 분석을 위한 모집단으로 설정하여 상품 간의 유사도 수치가 높은 상품을 추천 상품으로 제공할 수 있다. 또한, 본원의 일 실시예에 따르면, 상품 추천 장치(100)는 사용자 기반 협업 필터링 알고리즘(A4) 적용시 고객의 구매패턴과 연계된 차원 축소를 적용하고, 고객 간의 유사도 계산을 위하여 자카드(Jaccard) 기법을 활용할 수 있으나, 이에만 한정되는 것은 아니다.
또한, 상품 추천 장치(100)는 인구통계 필터링(Demographic filtering) 알고리즘(A1)에 기초하여 n1개의 추천 상품을 포함하는 제1상품군을 결정할 수 있다. 또한, 상품 추천 장치(100)는 아프리오리(Apriori) 알고리즘(A2)에 기초하여 n2개의 추천 상품을 포함하는 제2상품군을 결정할 수 있다. 또한, 상품 추천 장치(100)는 아이템 기반 협업 필터링(Item-based collaborative filtering) 알고리즘(A3)에 기초하여 n3개의 추천 상품을 포함하는 제3상품군을 결정할 수 있다. 또한, 상품 추천 장치(100)는 사용자 기반 협업 필터링(User-based collaborative filtering) 알고리즘(A4)에 기초하여 n4개의 추천 상품을 포함하는 제4상품군을 결정할 수 있다.
또한, 상품 추천 장치(100)는 결정된 제1상품군, 제2상품군, 제3상품군 및 제4상품군을 포함하는 추천 상품에 대한 추천 상품 목록을 생성할 수 있다. 달리 말해, 상품 추천 장치(100)는 고객특성 각각을 반영하는 알고리즘의 장점을 모두 반영하면서, 추천 상품의 다양성을 제고하기 위한 혼합 필터링(Hybrid Filtering)을 기초로 추천 상품 목록을 생성할 수 있다.
도 2는 고객 유형에 대응하는 개별 추천 알고리즘 및 혼합형 추천 알고리즘 각각에 의한 상품 추천 범위를 비교하여 나타낸 그래프이다.
도 2를 참조하면, 혼합 필터링(Hybrid Filtering)에 의하면, 각각의 추천 알고리즘이 개별적으로 적용된 경우에 비해 Prediction coverage가 78% 수준으로 높게 나타나는 것을 확인할 수 있다. 여기서, 'Prediction coverage'는 추천되는 아이템 집합의 크기(예를 들면, 본원에서의 추천 상품에 포함된 상품 수) 대비 전체 아이템 집합의 크기(예를 들면, 본원에서의 추천 후보 상품의 상품 수)로 설명되며, 추천 알고리즘의 다양성을 평가하기 위한 지표로 활용되는 개념이다. 이렇듯, 본원의 일 실시예에 따른 상품 추천 장치(100)의 혼합 필터링(Hybrid Filtering)에 의하면 개별 상품 추천 알고리즘이 내재하고 있는 단점을 보완하고, 다양성을 극대화 할 수 있음을 확인할 수 있다.
또한, 상품 추천 장치(100)는 생성된 추천 상품 목록을 사용자 단말(300)로 제공할 수 있다.
본원의 일 실시예에 따르면, 제1상품군 내지 제4상품군에 포함된 추천 상품의 수와 관련하여, n1, n2, n3 및 n4는 동수(같은 수)일 수 있다. 예를 들면, 상품 추천 장치(100)는 각각 5개의 추천 상품을 포함하는 제1상품군 내지 제4상품군을 포함하는 20개의 추천 상품 목록을 제공하도록 구현될 수 있으나, 이에만 한정되는 것은 아니다. 다른 예로, 제1상품군 내지 제4상품군 각각에 포함되는 추천 상품의 수는 사용자 단말(300)로 인가된 추천 방식에 대한 커스터마이징 입력에 기초하여 변동되는 것일 수 있다.
다른 예로, 본원의 일 실시예에 따르면, 상품 추천 장치(100)는 제1상품군 내지 제4상품군에 포함되는 추천 상품의 수(달리 말해, n1, n2, n3 및 n4)를 사용자의 구매이력 정보 및 구매행동 정보에 기초하여 도출되는 사용자의 구매행동 특성에 기초하여 결정할 수 있다. 예를 들어, 상품 추천 장치(100)는 사용자의 구매행동 특성이 제4고객 유형 보다는 제1고객 유형에 부합하는 것으로 판단되면, n1을 n4보다 큰 값으로 설정하여 추천 상품 목록을 생성할 수 있다.
또한, 본원의 일 실시예에 따르면, 상품 추천 장치(100)는 제1상품군 내지 제4상품군에 포함되는 추천 상품을 제공하되, 사용자의 구매이력 정보 및 구매행동 정보에 기초하여 도출되는 사용자의 구매행동 특성에 기초하여 추천 상품 목록 내의 추천 상품 각각의 순위(순서)를 결정할 수 있다. 예를 들어, 상품 추천 장치(100)는 사용자의 구매행동 특성이 제4고객 유형 보다는 제1고객 유형에 부합하는 것으로 판단되면, 제1상품군에 포함된 추천 상품이 제4상품군에 포함된 추천 상품보다 앞서 노출되도록 추천 상품의 순위를 결정할 수 있다.
다른 예로, 본원의 일 실시예에 따르면, 상품 추천 장치(100)는 둘 이상의 추천 알고리즘에 의해 중복하여 선택된 추천 상품이 나머지 추천 상품에 비하여 먼저 노출되도록 추천 상품의 순위를 결정할 수 있다. 예를 들어, 상품 A가 제1상품군과 제2상품군에 동시에 포함된 경우, 상품 A는 추천 상품 목록 내에서 1순위로 결정될 수 있다.
또한, 본원의 일 실시예에 따르면, 상품 추천 장치(100)는 생성된 추천 상품 목록 내의 추천 상품 각각에 대한 사용자의 선호도 예측 결과에 기초하여 추천 상품 목록 내의 추천 상품 각각의 순위를 결정할 수 있다. 예를 들어, 상품 추천 장치(100)는 목록 내의 추천 상품 각각의 사용자의 선호도 예측 결과에 기초하여 선호도가 높을 것으로 예측되는 추천 상품이 목록의 초반에 배치되어 사용자에게 우선적으로 노출되도록 추천 상품 목록을 생성할 수 있다. 이와 관련하여, 상품 추천 장치(100)는 추천 상품 각각의 사용자의 선호도 예측 결과를 이하에서 설명하는 선호도 예측 장치(200)로부터 획득할 수 있다.
선호도 예측 장치(200)는 복수의 고객에 대하여 제1기간 동안 수집된 구매이력 정보 및 구매행동 정보를 포함하는 학습 데이터(D1)를 준비할 수 있다. 예시적으로, 선호도 예측 장치(200)는 로그 DB(400)로부터 학습 데이터(D1)를 획득할 수 있다. 특히, 학습 데이터(D1)는 멀티채널(multi-channel)에 반영된 복수의 고객의 성향 및 패턴을 풍부하게 도출할 수 있도록 오프라인 기반의 구매이력 정보 및 온라인 기반의 구매이력 정보를 함께 포함하도록 준비될 수 있다. 예시적으로, 본원의 일 실시예에 따른 선호도 예측 장치(200)와 관련된 일 실험예에서는 2017년 09월부터 2018년 08월까지의 기간을 제1기간으로하여 학습 데이터(D1)가 준비되었다.
본원의 일 실시예에 따르면, 특히 계절별로 고객의 구매 패턴이 변화하는 업종(예를 들면, 패션업 등)의 상품에 대한 전체 시즌의 트렌드를 충분히 반영할 수 있도록 학습 데이터(D1)와 연계된 제1기간은 1년 이상의 기간으로 설정될 수 있다.
또한, 선호도 예측 장치(200)는 학습 데이터(D1)와 연계된 복수의 고객에 대하여 제1기간 이후의 제2기간 동안 수집된 구매행동 정보를 포함하는 타겟 데이터(D2)를 준비할 수 있다. 예시적으로, 선호도 예측 장치(200)는 로그 DB(400로부터 타겟 데이터(D2)를 획득할 수 있다. 이와 관련하여, 타겟 데이터(D2)는 구체적으로 온라인 채널을 통해 판매되는 소정의 상품에 대한 복수의 고객 각각의 접근 이력(예를 들면, 상품 정보 클릭 여부 등)을 의미하는 것일 수 있다. 구체적으로, 선호도 예측 장치(200)는 복수의 고객 각각의 상품별 접근 이력과 관련하여 소정의 상품에 대해 접근 이력이 존재하면(달리 말해, 해당 상품을 클릭한 기록이 존재하면) 1로, 소정의 상품에 대한 접근 이력이 부존재하면(달리 말해, 해당 상품을 클릭한 적이 없다면) 0으로 할당되는 이진(Binary) 데이터를 타겟 데이터(D2)로 준비할 수 있다. 예시적으로, 본원의 일 실시예에 따른 선호도 예측 장치(200)와 관련된 일 실험예에서는 2018년 09월부터 2018년 11월까지의 기간을 제2기간으로하여 타겟 데이터(D2)가 준비되었다.
또한, 선호도 예측 장치(200)는 준비된 학습 데이터(D1), 타겟 데이터(D2) 및 소정의 사용자의 구매이력 정보와 구매행동 정보를 기초로 하여 소정의 사용자에게 제공된 추천 상품에 대한 선호도를 예측하는 선호도 예측 모델(M)을 구축할 수 있다.
구체적으로, 본원의 일 실시예에 따르면, 선호도 예측 장치(200)는 학습 데이터(D1)에 포함된 구매이력 정보 및 구매행동 정보로부터 미리 설정된 피처(features)를 추출하고, 추출된 피처에 기초하여 타겟 데이터(D2)에 부합하도록 사용자의 선호도를 예측하는 선호도 예측 모델을 구축할 수 있다.
도 3은 선호도 예측 모델 구축시 사용되는 구매 퍼널(Purchase Funnel) 이론 기반의 구매 경로 단계를 고려한 피처를 설명하기 위한 도면이다.
도 3을 참조하면, 선호도 예측 장치(200)는 인식(Awareness) 단계, 관심(Interest) 단계, 욕구(Desire) 단계 및 행동(Action) 단계를 포함하는 구매 퍼널(Purchase Funnel) 이론 기반의 구매 경로 단계 각각에 대한 피처를 추출할 수 있다.
또한, 도 3을 참조하면, 선호도 예측 장치(200)는 인식(Awareness) 단계와 관련하여 사용자의 니즈와 상품 간의 부합 여부, 사용자의 마지막 접근(클릭) 날짜, 지난 1개월 동안 사용자가 접근한 페이지 의 수(Number of page views) 및 지난 3개월 동안 사용자가 접근한 페이지 의 수(Number of page views)를 포함하는 4개의 피처를 추출할 수 있으나, 이에만 한정되는 것은 아니다. 또한, 선호도 예측 장치(200)는 관심(Interest) 단계와 관련하여 지난 1개월 동안 사용자의 장바구니(shopping carts)에 저장된 이력이 있는 상품 및 브랜드 정보 및 지난 3개월 동안 사용자의 장바구니(shopping carts)에 저장된 이력이 있는 상품 및 브랜드 정보를 포함하는 2개의 피처를 추출할 수 있으나, 이에만 한정되는 것은 아니다. 또한, 선호도 예측 장치(200)는 욕구(Desire) 단계와 관련하여 마지막 구매일까지의 기간, 지난 1개월 동안의 구매량 및 지난 3개월 동안의 구매량을 포함하는 3개의 피처를 추출할 수 있으나, 이에만 한정되는 것은 아니다. 또한, 선호도 예측 장치(200)는 행동(Action) 단계와 관련하여 지난 1개월 동안 구매한 브랜드 정보, 지난 1년 동안 구매한 브랜드 정보, 지난 1개월 동안 구매한 상품 정보 및 지난 1년 동안 구매한 상품 정보를 포함하는 4개의 피처를 추출할 수 있으나, 이에만 한정되는 것은 아니다.
도 4는 선호도 예측 모델의 세부 모델 유형에 따른 성능을 비교하여 나타낸 그래프이다.
도 4를 참조하면, 선호도 예측 모델은 XGBoost(eXtreme Gradient Boosting), 랜덤 포레스트(Random Forest, RF), K-NN, 로지스틱 회귀(Logistic Regression) 등의 인공지능 모델에 기초하여 선호도 예측 모델(M)을 구축할 수 있다. 이와 관련하여 특히 도 4를 참조하면, 전술한 인공지능 모델 중 XBGoost 기반의 선호도 예측 모델(M)의 예측 성능이 정확도(Accuracy), F1-점수, 정밀도(Precision) 및 재현율(Recall) 측면에서 모두 가장 우수한 성능을 보이는 것을 확인할 수 있다. 따라서, 본원의 일 실시예에 따르면, 선호도 예측 장치(200)는 예측 성능을 고려하여 XBGoost 기반의 선호도 예측 모델(M)을 구축할 수 있다.
또한, 선호도 예측 장치(200)는 타겟 사용자의 구매이력 정보 및 구매행동 정보를 수집할 수 있다. 구체적으로, 선호도 예측 장치(200)는 사용자 단말(300)로부터 사용자 단말(300)의 사용자의 구매이력 정보 및 구매행동 정보를 수집할 수 있다. 다른 예로, 선호도 예측 장치(200)는 로그 DB(400) 또는 상품 추천 장치(100)로부터 소정의 사용자에 대한 구매이력 정보 및 구매행동 정보를 수집하도록 동작할 수 있다. 달리 말해, 선호도 예측 장치(200)와 연계된 타겟 사용자는 전술한 상품 추천 장치(100)에 의해 추천 상품에 대한 정보를 제공받은 사용자로 설정될 수 있다.
또한, 선호도 예측 장치(200)는 타겟 사용자에게 제공된 추천 상품을 파악할 수 있다. 예시적으로, 선호도 예측 장치(200)는 상품 추천 장치(100)로부터 복수의 추천 상품을 포함하는 추천 상품 목록을 수신할 수 있다. 다른 예로, 선호도 예측 장치(200)는 소정의 온라인 채널에서 취급(판매)하는 품목 중 적어도 일부를 포함하는 추천 상품에 대한 정보를 파악할 수 있다.
또한, 선호도 예측 장치(200)는 수집된 타겟 사용자의 구매이력 정보 및 타겟 사용자의 구매 행동 정보에 기초하여 선호도 예측 모델(M)을 통해 파악된 추천 상품 각각에 대한 타겟 사용자의 선호도를 예측할 수 있다. 구체적으로, 선호도 예측 장치(200)는 타겟 사용자가 추천 상품 각각에 대해여 접근할지 여부(예를 들면, 해당 추천 상품을 클릭할지 여부, 해당 추천 상품에 대한 페이지에 접속할지 여부 등)를 예측할 수 있다.
도 5는 본원의 일 실시예에 따른 사용자 행동 패턴 기반의 상품 추천 장치의 개략적인 구성도이다.
도 5를 참조하면, 상품 추천 장치(100)는 사용자 정보 수집부(110) 및 추천부(120)를 포함할 수 있다.
사용자 정보 수집부(110)는, 사용자의 구매이력 정보 및 구매행동 정보를 수집할 수 있다.
추천부(120)는, 복수의 추천 후보 상품에 대한 상품 정보를 획득할 수 있다. 또한, 추천부(120)는 수집된 구매이력 정보, 구매행동 정보 및 상품 정보에 기초하여 복수의 추천 후보 상품 중 추천 상품을 결정할 수 있다.
또한, 본원의 일 실시예에 따르면, 추천부(120)는 미리 설정된 복수의 고객 유형과 연계된 사용자의 구매행동 특성을 종합 반영하도록 서로 다른 복수의 추천 알고리즘에 기초하여 각각 도출된 상품군을 포함하는 추천 상품을 결정할 수 있다.
도 6은 본원의 일 실시예에 따른 추천 상품에 대한 사용자의 선호도 예측 장치의 개략적인 구성도이다.
도 6을 참조하면, 선호도 예측 장치(200)는, 데이터 수집부(210), 모델 생성부(220) 및 예측부(230)를 포함할 수 있다.
데이터 수집부(210)는, 복수의 고객에 대하여 제1기간 동안 수집된 구매이력 정보 및 구매행동 정보를 포함하는 학습 데이터(D1)를 준비할 수 있다. 또한, 데이터 수집부(210)는 복수의 고객에 대하여 제1기간 이후의 제2기간 동안 수집된 구매행동 정보를 포함하는 타겟 데이터(D2)를 준비할 수 있다.
모델 생성부(220)는, 준비된 학습 데이터(D1), 타겟 데이터(D3) 및 소정의 사용자의 구매이력 정보와 구매행동 정보를 기초로 하여 소정의 사용자에게 제공된 추천 상품에 대한 선호도를 예측하는 선호도 예측 모델(M)을 구축할 수 있다.
예측부(230)는, 타겟 사용자에 대한 구매이력 정보 및 구매행동 정보를 수집할 수 있다. 또한, 예측부(230)는 타겟 사용자에게 제공된 추천 상품을 파악할 수 있다. 또한, 예측부(230)는 수집된 타겟 사용자의 구매이력 정보 및 타겟 사용자의 구매 행동 정보에 기초하여 선호도 예측 모델(M)을 통해 파악된 추천 상품 각각에 대한 타겟 사용자의 선호도를 예측할 수 있다.
이하에서는 상기에 자세히 설명된 내용을 기반으로, 본원의 동작 흐름을 간단히 살펴보기로 한다.
도 7은 본원의 일 실시예에 따른 사용자 행동 패턴 기반의 상품 추천 방법에 대한 동작 흐름도이다.
도 7에 도시된 사용자 행동 패턴 기반의 상품 추천 방법은 앞서 설명된 상품 추천 장치(100)에 의하여 수행될 수 있다. 따라서, 이하 생략된 내용이라고 하더라도 상품 추천 장치(100)에 대하여 설명된 내용은 사용자 행동 패턴 기반의 상품 추천 방법에 대한 설명에도 동일하게 적용될 수 있다.
도 7을 참조하면, 단계 S11에서 사용자 정보 수집부(110)는, 사용자의 구매이력 정보 및 구매행동 정보를 수집할 수 있다.
다음으로, 단계 S12에서 추천부(120)는, 복수의 추천 후보 상품에 대한 상품 정보를 획득할 수 있다.
다음으로, 단계 S13에서 추천부(120)는, 구매이력 정보, 구매행동 정보 및 상품 정보에 기초하여 복수의 추천 후보 상품 중 추천 상품을 결정할 수 있다.
또한, 단계 S13에서 추천부(120)는, 미리 설정된 복수의 고객 유형과 연계된 사용자의 구매행동 특성을 종합 반영하도록 서로 다른 복수의 추천 알고리즘에 기초하여 각각 도출된 상품군을 포함하는 추천 상품을 결정할 수 있다.
상술한 설명에서, 단계 S11 내지 S13은 본원의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다.
도 8은 사용자의 구매행동 특성을 종합 반영하여 추천 상품을 결정하는 프로세스에 대한 세부 동작 흐름도이다.
도 8에 도시된 사용자의 구매행동 특성을 종합 반영하여 추천 상품을 결정하는 프로세스는 앞서 설명된 상품 추천 장치(100)에 의하여 수행될 수 있다. 따라서, 이하 생략된 내용이라고 하더라도 상품 추천 장치(100)에 대하여 설명된 내용은 도 8에 대한 설명에도 동일하게 적용될 수 있다.
도 8을 참조하면, 단계 S131에서 추천부(120)는, 인구통계 필터링(Demographic filtering) 알고리즘에 기초하여 n1개의 추천 상품을 포함하는 제1상품군을 결정할 수 있다.
다음으로, 단계 S132에서 추천부(120)는, 아프리오리(Apriori) 알고리즘에 기초하여 n2개의 추천 상품을 포함하는 제2상품군을 결정할 수 있다.
다음으로, 단계 S133에서 추천부(120)는, 아이템 기반 협업 필터링(Item-based collaborative filtering) 알고리즘에 기초하여 n3개의 추천 상품을 포함하는 제3상품군을 결정할 수 있다.
다음으로, 단계 S134에서 추천부(120)는, 사용자 기반 협업 필터링(User-based collaborative filtering) 알고리즘에 기초하여 n4개의 추천 상품을 포함하는 제4상품군을 결정할 수 있다.
다음으로, 단계 S135에서 추천부(120)는, 제1상품군, 제2상품군, 제3상품군 및 제4상품군을 포함하는 상기 추천 상품에 대한 추천 상품 목록을 생성할 수 있다.
다음으로, 단계 S136에서 추천부(120)는, 추천 상품 목록 내의 추천 상품 각각에 대한 사용자의 선호도 예측 결과에 기초하여 추천 상품 목록 내의 추천 상품 각각의 순위를 결정할 수 있다.
상술한 설명에서, 단계 S131 내지 S136은 본원의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다.
도 9는 본원의 일 실시예에 따른 추천 상품에 대한 사용자의 선호도 예측 방법에 대한 동작 흐름도이다.
도 9에 도시된 추천 상품에 대한 사용자의 선호도 예측 방법은 앞서 설명된 선호도 예측 장치(200)에 의하여 수행될 수 있다. 따라서, 이하 생략된 내용이라고 하더라도 선호도 예측 장치(200)에 대하여 설명된 내용은 추천 상품에 대한 사용자의 선호도 예측 방법에 대한 설명에도 동일하게 적용될 수 있다.
도 9를 참조하면, 단계 S21에서 데이터 수집부(210)는, 복수의 고객에 대하여 제1기간 동안 수집된 구매이력 정보 및 구매행동 정보를 포함하는 학습 데이터(D1)를 준비할 수 있다.
다음으로, 단계 S22에서 데이터 수집부(210)는, 복수의 고객에 대하여 제1기간 이후의 제2기간 동안 수집된 구매행동 정보를 포함하는 타겟 데이터(D2)를 준비할 수 있다.
다음으로, 단계 S23에서 모델 생성부(220)는, 준비된 학습 데이터, 타겟 데이터 및 소정의 사용자의 구매이력 정보와 구매행동 정보를 기초로 하여 소정의 사용자에게 제공된 추천 상품에 대한 선호도를 예측하는 선호도 예측 모델(M)을 구축할 수 있다.
다음으로, 단계 S24에서 예측부(230)는, 타겟 사용자의 구매이력 정보 및 구매행동 정보를 수집할 수 있다.
다음으로, 단계 S25에서 예측부(230)는, 타겟 사용자에게 제공된 추천 상품을 파악할 수 있다.
다음으로, 단계 S26에서 예측부(230)는, 타겟 사용자의 구매이력 정보 및 타겟 사용자의 구매 행동 정보에 기초하여, 선호도 예측 모델(M)을 통해 파악된 추천 상품에 대한 상기 타겟 사용자의 선호도를 예측할 수 있다.
상술한 설명에서, 단계 S21 내지 S26은 본원의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다.
본원의 일 실시예에 따른 사용자 행동 패턴 기반의 상품 추천 방법과 추천 상품에 대한 사용자의 선호도 예측 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
또한, 전술한 사용자 행동 패턴 기반의 상품 추천 방법과 추천 상품에 대한 사용자의 선호도 예측 방법은 기록 매체에 저장되는 컴퓨터에 의해 실행되는 컴퓨터 프로그램 또는 애플리케이션의 형태로도 구현될 수 있다.
전술한 본원의 설명은 예시를 위한 것이며, 본원이 속하는 기술분야의 통상의 지식을 가진 자는 본원의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본원의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본원의 범위에 포함되는 것으로 해석되어야 한다.
10: 추천 시스템
100: 사용자 행동 패턴 기반의 상품 추천 장치
110: 사용자 정보 수집부
120: 추천부
200: 추천 상품에 대한 사용자의 선호도 예측 장치
210: 데이터 수집부
220: 모델 생성부
230: 예측부
300: 사용자 단말
400: 로그 DB

Claims (14)

  1. 사용자 행동 패턴 기반의 상품 추천 장치에 의해 수행되는 사용자 행동 패턴 기반의 상품 추천 방법에 있어서,
    사용자의 구매이력 정보 및 구매행동 정보를 수집하는 단계;
    복수의 추천 후보 상품에 대한 상품 정보를 획득하는 단계; 및
    상기 구매이력 정보, 상기 구매행동 정보 및 상기 상품 정보에 기초하여 상기 복수의 추천 후보 상품 중 추천 상품을 결정하는 단계,
    를 포함하고,
    상기 추천 상품을 결정하는 단계는,
    미리 설정된 복수의 고객 유형과 연계된 상기 사용자의 구매행동 특성을 종합 반영하도록 서로 다른 복수의 추천 알고리즘에 기초하여 각각 도출된 상품군을 포함하는 상기 추천 상품을 결정하고,
    상기 추천 상품을 결정하는 단계는,
    상기 복수의 고객 유형 각각에 대응하는 추천 알고리즘에 따른 복수의 상품군을 개별적으로 결정하는 단계; 및
    상기 복수의 상품군을 포함하는 추천 상품에 대한 추천 상품 목록을 생성하는 단계,
    를 포함하되,
    상기 복수의 상품군을 개별적으로 결정하는 단계는,
    상기 구매이력 정보 및 상기 구매행동 정보에 기초하여 도출되는 상기 사용자의 구매행동 특성에 부합하는 고객 유형에 대응하는 상품군일수록 해당 상품군에 포함되는 추천 상품의 수를 상기 복수의 상품군 중 나머지 상품군에 포함되는 추천 상품의 수 대비 큰 값으로 결정하고,
    상기 추천 상품 목록을 생성하는 단계는,
    상기 복수의 상품군 중 상기 사용자의 구매행동 특성에 부합하는 고객 유형에 대응하는 상품군에 포함된 추천 상품일수록 상기 추천 상품 목록에서의 노출 순위를 선순위로 결정하고, 상기 복수의 상품군 중 적어도 둘 이상의 상품군에 중복하여 포함된 추천 상품일수록 상기 노출 순위를 선순위로 결정하는 것인, 상품 추천 방법.
  2. 제1항에 있어서,
    상기 고객 유형은,
    타인에게 선물하기 위해 상품을 구매하려는 경향인 제1구매행동 특성을 반영하는 제1고객 유형, 기 구매한 상품과 연관되되 상기 기 구매한 상품과 다른 카테고리의 상품을 구매하려는 경향인 제2구매행동 특성을 반영하는 제2고객 유형, 기 구매한 상품 또는 기 보유한 상품과의 유사도를 고려하여 상품을 재구매하려는 경향인 제3구매행동 특성을 반영하는 제3고객 유형 및 타인이 구매한 상품 또는 타인의 관심도를 고려하여 상품을 구매하려는 경향인 제4구매행동 특성을 반영하는 제4고객 유형 중 적어도 하나를 포함하는 것인, 상품 추천 방법.
  3. 제2항에 있어서,
    상기 제1고객 유형에 대응하는 상기 추천 알고리즘은 인구통계 필터링(Demographic filtering) 알고리즘이고,
    상기 제2고객 유형에 대응하는 상기 추천 알고리즘은 아프리오리(Apriori) 알고리즘이고,
    상기 제3고객 유형에 대응하는 상기 추천 알고리즘은 아이템 기반 협업 필터링(Item-based collaborative filtering) 알고리즘이고,
    상기 제4고객 유형에 대응하는 상기 추천 알고리즘은 사용자 기반 협업 필터링(User-based collaborative filtering) 알고리즘인 것인, 상품 추천 방법.
  4. 제3항에 있어서,
    상기 복수의 상품군을 개별적으로 결정하는 단계는,
    상기 인구통계 필터링(Demographic filtering) 알고리즘에 기초하여 n1개의 추천 상품을 포함하는 제1상품군을 결정하는 단계;
    상기 아프리오리(Apriori) 알고리즘에 기초하여 n2개의 추천 상품을 포함하는 제2상품군을 결정하는 단계;
    상기 아이템 기반 협업 필터링(Item-based collaborative filtering) 알고리즘에 기초하여 n3개의 추천 상품을 포함하는 제3상품군을 결정하는 단계; 및
    상기 사용자 기반 협업 필터링(User-based collaborative filtering) 알고리즘에 기초하여 n4개의 추천 상품을 포함하는 제4상품군을 결정하는 단계,
    를 포함하는 것인, 상품 추천 방법.
  5. 제4항에 있어서,
    상기 n1, n2, n3 및 n4는 동수인 것을 특징으로 하는, 상품 추천 방법.
  6. 삭제
  7. 제4항에 있어서,
    상기 추천 상품 목록을 생성하는 단계는,
    상기 추천 상품 목록 내의 추천 상품 각각에 대한 상기 사용자의 선호도 예측 결과에 기초하여 상기 추천 상품 목록 내의 추천 상품 각각의 상기 노출 순위를 결정하는 단계,
    를 포함하는 것인, 상품 추천 방법.
  8. 추천 상품에 대한 사용자의 선호도 예측 장치에 의해 수행되는 추천 상품에 대한 사용자의 선호도 예측 방법에 있어서,
    복수의 고객에 대하여 제1기간 동안 수집된 구매이력 정보 및 구매행동 정보를 포함하는 학습 데이터를 준비하는 단계;
    상기 복수의 고객에 대하여 상기 제1기간 이후의 제2기간 동안 수집된 구매행동 정보를 포함하는 타겟 데이터를 준비하는 단계,
    상기 학습 데이터, 상기 타겟 데이터 및 소정의 사용자의 구매이력 정보와 구매행동 정보를 기초로 하여 상기 소정의 사용자에게 제공된 추천 상품에 대한 선호도를 예측하는 선호도 예측 모델을 구축하는 단계;
    타겟 사용자의 구매이력 정보 및 구매행동 정보를 수집하는 단계;
    상기 타겟 사용자에게 제공된 추천 상품을 파악하는 단계; 및
    상기 타겟 사용자의 구매이력 정보 및 상기 타겟 사용자의 구매 행동 정보에 기초하여 상기 선호도 예측 모델을 통해 상기 파악된 추천 상품에 대한 상기 타겟 사용자의 선호도를 예측하는 단계,
    를 포함하고,
    상기 추천 상품은,
    미리 설정된 복수의 고객 유형 각각에 대응하는 추천 알고리즘에 따른 복수의 상품군을 개별적으로 결정하고, 상기 복수의 상품군을 포함하도록 생성된 추천 상품 목록을 제공하는 방식으로 상기 타겟 사용자에게 제공되되,
    상기 복수의 상품군 각각에 포함되는 추천 상품의 수는 상기 구매이력 정보 및 상기 구매행동 정보에 기초하여 도출되는 상기 사용자의 구매행동 특성에 부합하는 고객 유형에 대응하는 상품군일수록 상기 복수의 상품군 중 나머지 상품군에 포함되는 추천 상품의 수 대비 큰 값으로 결정되고,
    상기 추천 상품 목록은,
    상기 복수의 상품군 중 상기 사용자의 구매행동 특성에 부합하는 고객 유형에 대응하는 상품군에 포함된 추천 상품일수록 상기 추천 상품 목록에서의 노출 순위가 선순위로 결정되고, 상기 복수의 상품군 중 적어도 둘 이상의 상품군에 중복하여 포함된 추천 상품일수록 상기 노출 순위가 선순위로 결정되도록 생성되는 것인, 선호도 예측 방법.
  9. 제8항에 있어서,
    상기 구매행동 정보는,
    온라인 채널을 통해 판매되는 소정의 상품에 대한 사용자의 접근 이력을 포함하는 것인, 선호도 예측 방법.
  10. 제9항에 있어서,
    상기 선호도를 예측하는 단계는,
    상기 타겟 사용자가 상기 추천 상품에 접근할지 여부를 예측하는 것인, 선호도 예측 방법.
  11. 제10항에 있어서,
    상기 선호도 예측 모델을 구축하는 단계는,
    상기 구매이력 정보 및 상기 구매행동 정보로부터 미리 설정된 피처를 추출하고, 상기 피처에 기초하여 상기 선호도를 예측하는 선호도 예측 모델을 구축하되,
    상기 피처는,
    인식(Aware) 단계, 관심(Interest) 단계, 욕구(Desire) 단계 및 행동(Action) 단계를 포함하는 구매 퍼널(Purchase Funnel) 이론 기반의 구매 경로 단계 각각에 대한 피처를 포함하는 것인, 선호도 예측 방법.
  12. 제8항에 있어서,
    상기 추천 상품을 파악하는 단계는,
    제1항에 따른 사용자 행동 패턴 기반의 상품 추천 방법에 기초하여 결정된 상기 추천 상품을 파악하는 것인, 선호도 예측 방법.
  13. 사용자 행동 패턴 기반의 상품 추천 장치에 있어서,
    사용자의 구매이력 정보 및 구매행동 정보를 수집하는 사용자 정보 수집부; 및
    복수의 추천 후보 상품에 대한 상품 정보를 획득하고, 상기 구매이력 정보, 상기 구매행동 정보 및 상기 상품 정보에 기초하여 상기 복수의 추천 후보 상품 중 추천 상품을 결정하는 추천부,
    를 포함하고,
    상기 추천부는,
    미리 설정된 복수의 고객 유형과 연계된 상기 사용자의 구매행동 특성을 종합 반영하도록 서로 다른 복수의 추천 알고리즘에 기초하여 각각 도출된 상품군을 포함하는 상기 추천 상품을 결정하고,
    상기 추천부는,
    상기 복수의 고객 유형 각각에 대응하는 추천 알고리즘에 따른 복수의 상품군을 개별적으로 결정하고, 상기 복수의 상품군을 포함하는 추천 상품에 대한 추천 상품 목록을 생성하되,
    상기 복수의 상품군 각각에 포함되는 추천 상품의 수는 상기 구매이력 정보 및 상기 구매행동 정보에 기초하여 도출되는 상기 사용자의 구매행동 특성에 부합하는 고객 유형에 대응하는 상품군일수록 상기 복수의 상품군 중 나머지 상품군에 포함되는 추천 상품의 수 대비 큰 값으로 결정되고,
    상기 추천부는,
    상기 복수의 상품군 중 상기 사용자의 구매행동 특성에 부합하는 고객 유형에 대응하는 상품군에 포함된 추천 상품일수록 상기 추천 상품 목록에서의 노출 순위를 선순위로 결정하고, 상기 복수의 상품군 중 적어도 둘 이상의 상품군에 중복하여 포함된 추천 상품일수록 상기 노출 순위를 선순위로 결정하는 것인, 상품 추천 장치.
  14. 추천 상품에 대한 사용자의 선호도 예측 장치에 있어서,
    복수의 고객에 대하여 제1기간 동안 수집된 구매이력 정보 및 구매행동 정보를 포함하는 학습 데이터를 준비하고, 상기 복수의 고객에 대하여 상기 제1기간 이후의 제2기간 동안 수집된 구매행동 정보를 포함하는 타겟 데이터를 준비하는 데이터 수집부;
    상기 학습 데이터, 상기 타겟 데이터 및 소정의 사용자의 구매이력 정보와 구매행동 정보를 기초로 하여 상기 소정의 사용자에게 제공된 추천 상품에 대한 선호도를 예측하는 선호도 예측 모델을 구축하는 모델 생성부; 및
    타겟 사용자에 대한 구매이력 정보 및 구매행동 정보를 수집하고, 상기 타겟 사용자에게 제공된 추천 상품을 파악하고, 상기 타겟 사용자의 구매이력 정보 및 상기 타겟 사용자의 구매 행동 정보에 기초하여 상기 선호도 예측 모델을 통해 상기 파악된 추천 상품에 대한 상기 타겟 사용자의 선호도를 예측하는 예측부,
    를 포함하고,
    상기 추천 상품은,
    미리 설정된 복수의 고객 유형 각각에 대응하는 추천 알고리즘에 따른 복수의 상품군을 개별적으로 결정하고, 상기 복수의 상품군을 포함하도록 생성된 추천 상품 목록을 제공하는 방식으로 상기 타겟 사용자에게 제공되되,
    상기 복수의 상품군 각각에 포함되는 추천 상품의 수는 상기 구매이력 정보 및 상기 구매행동 정보에 기초하여 도출되는 상기 사용자의 구매행동 특성에 부합하는 고객 유형에 대응하는 상품군일수록 상기 복수의 상품군 중 나머지 상품군에 포함되는 추천 상품의 수 대비 큰 값으로 결정되고,
    상기 추천 상품 목록은,
    상기 복수의 상품군 중 상기 사용자의 구매행동 특성에 부합하는 고객 유형에 대응하는 상품군에 포함된 추천 상품일수록 상기 추천 상품 목록에서의 노출 순위가 선순위로 결정되고, 상기 복수의 상품군 중 적어도 둘 이상의 상품군에 중복하여 포함된 추천 상품일수록 상기 노출 순위가 선순위로 결정되도록 생성되는 것인, 선호도 예측 장치.
KR1020200083049A 2020-07-06 2020-07-06 사용자 행동 패턴에 기초하여 상품을 추천하고 추천 상품에 대한 사용자의 선호도 예측 장치 및 방법 KR102474747B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200083049A KR102474747B1 (ko) 2020-07-06 2020-07-06 사용자 행동 패턴에 기초하여 상품을 추천하고 추천 상품에 대한 사용자의 선호도 예측 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200083049A KR102474747B1 (ko) 2020-07-06 2020-07-06 사용자 행동 패턴에 기초하여 상품을 추천하고 추천 상품에 대한 사용자의 선호도 예측 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20220005328A KR20220005328A (ko) 2022-01-13
KR102474747B1 true KR102474747B1 (ko) 2022-12-05

Family

ID=79342170

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200083049A KR102474747B1 (ko) 2020-07-06 2020-07-06 사용자 행동 패턴에 기초하여 상품을 추천하고 추천 상품에 대한 사용자의 선호도 예측 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102474747B1 (ko)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102434342B1 (ko) * 2022-04-07 2022-08-19 양혁준 뉴럴 네트워크를 이용하여 서버가 추천 상품과 관련된 데이터를 제공하는 방법 및 장치
WO2023219317A1 (ko) * 2022-05-11 2023-11-16 주식회사 하렉스인포텍 사용자 중심 초개인화 상품 추천 및 마케팅 시스템, 방법
KR102455296B1 (ko) * 2022-06-16 2022-10-18 주식회사 직기그룹 니트의류 상품을 추천하는 방법 및 이를 지원하는 장치
KR102485807B1 (ko) * 2022-09-06 2023-01-09 현재철 사용자를 위한 주방 용품 추천 방법
KR20240042718A (ko) * 2022-09-26 2024-04-02 주식회사 저스트원더 고객 선호도 예측에 기반한 상품 마케팅 방법
KR102565403B1 (ko) * 2022-11-29 2023-08-10 주식회사 팜킷 온톨로지 및 머신러닝을 이용한 사용자 음식취향 분석기반 개인화 추천 방법 및 장치
KR102634274B1 (ko) * 2023-03-15 2024-02-06 (주)모두빌리지 인공지능 알고리즘 기반의 렌탈 금융 서비스를 제공하는 방법, 장치, 및 시스템
KR102661008B1 (ko) * 2023-07-12 2024-04-26 (주)퍼스트메이커스 자동 수수료 지급 온라인 상품 판매 플랫폼 운영 서버 및 방법
CN116862625B (zh) * 2023-09-05 2023-11-21 武汉森全科技有限公司 基于互联网大数据的生鲜水果线上推荐方法
CN117196787B (zh) * 2023-10-08 2024-05-07 深圳市童牛科技有限公司 一种基于人工智能的智能决策优化方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160065429A (ko) * 2014-11-30 2016-06-09 주식회사 알티웍스 하이브리드 개인화 상품추천 방법
CN106776660A (zh) * 2015-11-25 2017-05-31 阿里巴巴集团控股有限公司 一种信息推荐方法及装置

Also Published As

Publication number Publication date
KR20220005328A (ko) 2022-01-13

Similar Documents

Publication Publication Date Title
KR102474747B1 (ko) 사용자 행동 패턴에 기초하여 상품을 추천하고 추천 상품에 대한 사용자의 선호도 예측 장치 및 방법
US9904949B1 (en) Product recommendations
Bauer et al. Recommender systems based on quantitative implicit customer feedback
Walter et al. Moving recommender systems from on-line commerce to retail stores
KR102259358B1 (ko) 신규 브랜드 크리에이팅 시스템 및 방법
Bernardes et al. A social formalism and survey for recommender systems
Sridevi et al. A survey on recommender system
WO2019188102A1 (ja) 顧客の属性情報に基づきレコメンドを行う装置、方法、およびプログラム
KR101639656B1 (ko) 광고 제공 방법 및 서버 장치
Yang et al. A unified view of social and temporal modeling for B2B marketing campaign recommendation
Ando Merchant selection and pricing strategy for a platform firm in the online group buying market
Lacic et al. Towards a scalable social recommender engine for online marketplaces: The case of apache solr
Altunan et al. A data mining approach to predict E-Commerce customer behaviour
Sreenivasa et al. Hybrid location-centric e-Commerce recommendation model using dynamic behavioral traits of customer
Hrnjica et al. Model-based recommender systems
Bhattacharjee et al. An integrated machine learning and DEMATEL approach for feature preference and purchase intention modelling
Pratama et al. Product recommendation in offline retail industry by using collaborative filtering
KR20130033506A (ko) 아이템 추천 방법 및 장치
Greenstein‐Messica et al. Personal‐discount sensitivity prediction for mobile coupon conversion optimization
KR20220122414A (ko) 인공지능 기반 유저와 판매자의 마이데이터를 활용하여 정기구독 플랫폼에서 큐레이팅 서비스를 제공하는 방법
Kim et al. Recommender systems using SVD with social network information
Senvar et al. Customer oriented intelligent DSS based on two-phased clustering and integrated interval type-2 fuzzy AHP and hesitant fuzzy TOPSIS
KR102576123B1 (ko) 제품 공동구매 연계 시스템 및 방법
Fallah Tehrani et al. Enhanced predictive models for purchasing in the fashion field by applying regression trees equipped with ordinal logistic regression
Wang Utilizing Imbalanced Data and Classification Cost Matrix to Predict Movie Preferences

Legal Events

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