KR20010029099A - 자동화된 지능형 아이템 추천 방법 및 시스템 - Google Patents

Abstract

본 발명은 인터넷환경에서 사용자의 선호도에 따른 유사성에 기초한 집단화를 이룸으로서 새로운 사용자에게 아이템을 추천할 수 있는 시스템 및 그 방법에 관한 것으로, 보다 통계학적으로 신뢰성있고, 신속 및 효율적인 시스템을 제공한다.

이를 위하여 본 발명에서는 추천아이템 선정시 인류통계학적 요소와 마케팅적 요인을 고려하고, 또한 인공신경회로망을 이용하고 있고, 유연한 집단화에 극좌표를 채택하고 있다.

Description

자동화된 지능형 아이템 추천 방법 및 시스템{AUTOMATED INTELLIGENT ITEM RECOMMENDING SYSTEM}

본 발명은 추천하는 시스템 및 그 방법에 관한 것으로, 보다 상세하게는 소비자들의 선호도에 따른 유사성에 기초를 두고 소비자에게 적어도 하나의 아이템을 추천하는 시스템 및 그 방법에 관한 것이다.

특정 상품 또는 서비스에 대한 소비자(이하, 이 명세서에서는 사용자, 수요자, 고객 등의 총칭으로 사용한다)들의 선호도는 개인의 취향 또는 성향 등에 따라 각양각색이다. 그런데 이러한 개인의 소비성향 내지 선호도는 일정정도의 정체성을 띠게 되고, 이 특정한 정체성을 바탕으로 개인의 소비성향 내지 선호도를 추정하여 그 소비자가 선호할만한 상품 또는 서비스를 추천하는 것은 유용한 일임에 틀림이 없다.

따라서 일반대중이 좋아하는 베스트셀러나 밀리언CD 등을 특정 개인에 추천하는 것은 대중의 선호도에 따라 대략 일반적으로 추천하는 것에 지나지 않으며, 실제로 특정 개인이 특정 베스트셀러나 잘나가는 비디오 등을 좋아하고, 그것을 추천받을 경우 그 아이템을 사거나 사용하는 것과는 큰 차이가 있다.

일례로 밀리언CD는 대부분 대중인기가수들의 몫이지만, 그에 못지않게 언더그라운드 음악과 같은 특정한 음악적 취향을 가지고 대중인기가요를 무시하거나 등한시하는 소비층도 적지않고, 그 언더그라운드 음악도 종류를 헤아리기 어려울정도로 많은 실정이다.

따라서 수많은 아이템이 쏟아지는 다품종 대량생산의 시대에 특정개인들의 소비성향 내지 선호도를 잘 파악하여 그 특정인에 적합한 아이템을 추천하는 것은 소비자나 공급자에게 여러가지 시간적 경제적 이득을 가져올 수 있게된다.

이에 각 아이템을 다른 사용자의 선호도에 따라 분류를 하여 이를 특정사용자에게 추천하는 자동화된 협력적 필터링(automated collaborative filtering:ACF)시스템이 제안 또는 개발되었다. ACF는 소비자들이 자신의 선호도를 기록함으로써 타인이 특정아이템을 필터링하는 것에 협력한다는 의미에서 제안된 용어로 추천자시스템(recommender system)이라고도 일컬어지고 있다. 이 시스템은 특정개인의 선호도를 파악하여 특정아이템을 추천하는 시스템으로 미국특허 제 4,996,642호와 미국특허 5,884,282호에 개시되어 있다.

그러나 전자와 후자는 유사값을 계산하는 방법에서 차이가 나고, 유사성에 따른 거리계산시 등급(rating)을 사용하느냐 확률(proablity)를 사용하느냐에 차이는 있으나, 모두 유사성을 거리(distance)로 계산하고 있으므로 계산시 부하가 많이 걸이는 문제가 있다고 알려져 있다.(high computation cost)

이에 ACM SIGIR99학회(1999. 8.15-8.19)에서 발표된 버클리대학의 켄 골드버그(Ken Goldberg) 등에 의해 제안된 제스터 2.0 논문(Jester 2.0)에 의하면, 보다 효과적인 방법으로 으뜸요소분석(principal component analysys:PCA, 이하 PCA라 함)과 집단(clustering)에 기초한 알고리즘을 제안하고 있다.

따라서 이 제스터논문은 거리로 선호도를 구분하지 아니하고 집단에 기초하고 있으므로 한층 진일보한 제안을 하고 있다.

그러나 이러한 제스터 논문에서는 PCA법에 의한 집단의 도입으로 추천시스템의 확율을 높이고 있으나, 이는 웹상에서 데이타를 몇 만에 해당할 만큼 많이 수집할 수 있는 유머를 대상으로 제안된 것으로, 전자상거래와 같이 그렇게 많지않은 데이타를 대상으로 하기에는 적합하지 않다.

또한 제스터논문에 의하면, 특정소비자가 적어도 5, 6개의 아이템을 선정하여 등급을 표시하지 않은 상태에서는 그 특정소비자의 선호도를 파악하지 못하기 때문에 아이템을 추천하지 못하는 문제점이 있다.

또한 집단을 2차원으로 구분 내지 세분함에 있어 X-Y좌표를 사용하고 있으나, 이는 집중센타로부터의 거리 즉 선호도의 가까움과 일정 편차가 있을 수 있는 문제점이 있다.

본 발명은 상기와 같은 제스터논문의 문제점을 극복하기 위하여 안출된 것으로, 본 발명의 목적은 보다 통계학적으로 신뢰성있는 아이템추천시스템을 제공하는 것이다.

본 발명의 다른 목적은 처리용량 및 처리속도를 줄일 수 있는 아이템추천시스템을 제공하는 것이다.

본 발명의 또 다른 목적은 하나의 아이템에 대하여 특정 소비자의 선호도를 파악하여도 아이템을 추천할 수 있는 아이템추천시스템을 제공하는 것이다.

도 1은 본 발명에 따른 방법을 적용하여 웹상에서 실제 적용되는 과정을 도시한 플로우챠트

이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세히 설명한다.

본 발명에 따른 추천시스템을 간략하게 설명하면, 기본적으로 이 추천시스템은 통신상에서 이루어지는 것을 기초로 하고 있으며, 특히 인터넷의 WWW환경하에서 이루어지고, 소비자에게는 두 개의 세트가 주어진다. 하나는 예측세트(predictor set)이고 다른 하나는 추천세트(recommendation set)이다. 여기서 예측세트는 평가세트라고도 불리울 수 있다.

새로운 소비자가 예측세트의 각 아이템에 등급을 매기게 되면 추천시스템은 추천세트에서 이에 알맞는 추천아이템을 리스팅하게 되고, 이 추천아이템은 그 새로운 소비자에게 높은 등급을 받을 것을 예상하고 있는 것이다.

먼저 예측세트를 설정하는 방법부터 설명한다.

예측세트는 다양한 분산분포를 가질 수 있는 상품아이템을 선정하여 다수의 소비자로부터 등급 즉 평가점수를 수집한다. 이 등급은 예컨데 5등급이며, -2, -1, 0, 1, 2 등으로 구분될 수 있다. 즉, 기호도의 변동(variance)이 클 것이라고 예상되는 아이템만 N개를 선택하여 평가자 M명에게 선호도를 받으면, M ×N의 매트릭스로 이루어진다.

이 매트릭스를 분석하여 분산이 작은 행 또는 열 즉, 예를들어 모두 2 근처의 등급을 받은 아이템이나, 모두 -2 근처의 등급을 받은 아이템과, 모든 아이템에 유사한 등급을 부여한 평가자는 제외한다. 이는 특정인의 기호를 판단하기 어려운 아이템과 평가자이기 때문이다. 이때 선택된 아이템의 갯수는 바람직하게 하나 또는 두 개의 WWW스크린에 들어갈 수 있도록 하는 것이 평가시간을 줄이고 평가자를 지루하지 않게 할 수 있는 점에서 유리하지만 하나씩 화면에 보이게 하는 방법을 사용할 수도 있음은 물론이다.

다음으로 이 선택된 M' ×N' 행렬의 아이템 간 상관매트릭스(correlation matrix)를 아래식으로부터 구한다. 상관 매트릭스란 특정아이템과 다른 아이템과의 상관계수를 매트릭스화한 것을 말한다.

여기서 Xi, Yi는 각각 i번째 평가자의 등급을 의미하고, 는 각 X, Y값의 평균을 의미한다.

이 계수는 -1에서 1사이의 숫자가 되며, 1에 가까울 경우 상관관계가 많은 것으로 해석되고, -1에 가까울 경우에는 정 반대의 상관관계를 가지고 있는 것으로 해석되고, 0일 경우에는 상관관계가 없는 것으로 해석된다.

다음으로 PCA(principal component analysys)를 이용하여 상관매트릭스로부터 아이겐벡터(eigenvector)를 계산한다. 아이겐 벡타에 대해서는 잭슨(Jackson)이 1991년도 존윌리앤드선즈(John Wiley and Sons)사에서 발간한 "으뜸요소에 대한 가이드"(A User Guide to Principal Component)란 책에 잘 소개되어 있다.

그 계산방법은 아래와 같다.

여기서 C는 상관계수 매트릭스를 의미하고,는 변환행열(transpose matrix), 트랜스포즈 행열,는 아이겐 값(value)를 의미한다.

아이겐벡터U1,U2를 선택하여 평가자를 2차원(2-dimension)으로 맵핑(mapping)한다.

이렇게 매핑된 것을 아이겐스페이스(eigenspace)라 한다.

X,Y좌표로 매핑한 후 다시 이를 극좌표(polar coordinate)로 변환한다.

극좌표로 변환하는 방식은 통상 알려진 바와 같이 아래 식으로 행한다.

이렇게 극좌표로 전환된 아이겐스페이스상의 각 평가자들을 그룹핑 내지 집단화(clustering)한다.

집단화의 예로서 r을 r, r/2, r/3, r/4, r/5, θ를 0, 45, 90, 135, 180, 225, 270, 315도로 각각 설정하면, 40개의 집단(cluster)이 형성되고, 이들 각 집단은 본 발명에서 선호도에서 유사성이 있다고 추정되는 개별집단이 되는 것이다.

X-Y좌표에 비하여 극좌표의 장점은 중심센타로부터의 거리에 기준을 두고 좌표를 형성하는 것이기 때문에 아이겐스페이스상에서 집단화하는 데 유리한 장점이 있다.

다음으로 인공신경회로망(artificial neural network)를 가동하는 바, 인공신경회로망은 학습단계(learning stage)와 생산단계(production stage)로 나뉘어진다.

즉, 학습단계에서 입력패턴에 각 추천자의 평가점수를 입력하고 출력패턴에 각 추천자의 집단(cluster)을 설정한다. 이 과정에서 일련의 입출력패턴에서 계산된 출력패턴과 설정된 출력패턴과의 사이의 오차에 따라 인공신경회로망의 웨이트(weight)가 학습알고리즘에 따라 조절되며, 학습이 계속되어 오차가 허용범위안에 들어오면 학습이 종료되고 학습이 종료된 상태에서의 웨이트를 기억하게 된다.

생산단계에서는 실제 적용될 입력패턴을 공급하면 학습된 인공신경회로망에 의해 출력패턴이 도출된다. 즉 학습단계는 입력과 출력이 한 쌍을 이루는 데 학습패턴이 많을 수록 인공신경회로망은 완성도 높은 학습을 받을 수 있고, 일단 학습이 끝난 인공신경회로망은 입력패턴만으로 출력을 예측할 수 있다. 따라서 학습이 끝난 상태의 인공신경회로망은 오차를 수정하기 위하여 반복계산(iteration)을 할 필요가 없이 한 번의 계산만으로 출력패턴을 예측하게 된다. 이러한 인공신경회로망의 개념은 통상적이므로 보다 자세한 설명은 생략한다.

상기와 같이 추천시스템과 집단화 및 인공신경회로망의 학습이 끝난 상태에서 각 집단(cluster)에 속한 평가자들로부터 평가점수가 일정 값 이상인 것을 추천리스트로 추출한다. 추천리스트선정은 평균평가값으로 할 수도 있고, 높은 평가점수를 받은 아이템을 선정할 수도 있다.

상기 설명한 방법 및 시스템에 의해 본 발명의 일실시예에 따른 1차 추천시스템은 완성되고, 새로운 소비자가 예측세트에 열거된 아이템 중 일부를 평가하면 상기 인공신경회로망에 따라 아이겐스페이스상의 극좌표로 구분된 특정집단이 정의되고, 그 집단에서 추천한 리스트를 제공받게된다.

이때 소비자는 나머지 평가아이템을 계속 평가할 수 있고, 예측아이템세트를 전부 평가한 사람은 추천원이 되어 사용자의 평가와 구매가 추천세트에 영향을 준다.

다음으로 이 새로운 추천세트에는 평가자를 새롭게 구성하고, 정밀한 추천을 위해 인구통계학적요소와 마케팅적 요인을 고려한다. 인구통계학적으로 실제 구매에 영향을 주는 연령, 성별, 소득별 등으로 재구성하여 추천리스트를 추출하거나, 또한 시의성(time recency)과 빈도(frequency), 실제구매여부를 고려하여 최근에 평가된 아이템과 구매빈도가 높은 아이템 등의 평가점수에 부가적인 점수를 더하여 새로이 집단화하고, 새로운 추천세트를 생성한다.

이는 본 발명이 적용되는 분야는 전자상거래이기 때문에 제스터논문에서 적용한 유모 보다는 데이타가 적기 때문에 적은 데이타로도 보다 정밀한 추천을 행하기 위해 본 발명에서 채택한 것이다.

즉 예를 들어 화장품에 대하여 설명하면, 나이에 따라 좋아하는 색상이나 취향이 다를 수 있고, 가격과 실제 구매여부 등이 주요한 판단요소가 되어햐 한다. 즉 10대가 좋아하는 화장품을 40대에 추천하는 오류가 수정될 수 있는 것이다.

이러한 방식은 소정의 주기로 자동적으로 추천세트를 업그레이드할 수 있는 프로그램으로 달성될 수 있다.

여기서 집단의 재설정 내지는 세분화는 제스터논문의 경우에는 X-Y좌표를 사용하고 있으므로 이를 전면적으로 재조정하여야 하지만, 본 발명에서는 극좌표를 이용하고 있으므로 θ와 r을 조정함으로써 집단세분화 40 집단에서 80집단으로의 세분화가 쉽게 이루어질 수 있다.

한편, 1차추천시스템의 예측세트는 다수의 새로운 추천원이 등록되고, 평가데이타가 쌓여가고 새로운 아이템이 증가함에 따라 새롭게 예측세트를 재구성할 필요가 있고, 이는 처음 구성했던 평가세트와 추천세트를 구동한 후 소정의 시간이 흐른 후에 결정한다. 이 시간은 평가된 아이템의 증가에 따라 판단될 수 있을 것이다.

이에 따라 새로운 추천세트와 새로운 집단화와 이에 따른 추천리스트의 업그레이드, 인공신공회로망의 학습 등이 이루어지게 되는 2차 추천시스템이 완성된다.

이 2차 추천시스템은 다시 소정시간이 경과한 후 상기 설명한 바와 같이 추천세트를 새롭게 설정하는 단계를 반복하다가 일정이상의 데이타가 축적되면 다시 제 3차 추천시스템을 구성하는 식으로 반복 발전하게된다.

도 1은 상기 설명된 바와 같은 본 발명에 따른 방법이 설정된 웹상에서 소비자가 추천을 받는 과정을 플로우챠트화한 것이다.

즉, 먼저 그 특정소비자가 예측세트 중 평가하지 않은 아이템이 있는가를 판단하여 모든 아이템을 평가한 경우에는 추천세트에서 추천아이템을 열거하고, 그렇치 않은 경우에는 아이템을 평가할 것인지를 묻고 평가하려고 하면 예측세트에서 아이템을 열거하여 평가하게 하고, 평가하지 않겠다고 하면 추천아이템을 열거한다.

예측세트에서 아이템을 평가한 경우에는 인공신경회로망을 구동하여 그 특정소비자가 속한 집단을 결정하고 추천세트에서 추천아이템을 열거한다.

물론 플로우챠트에 도시된 바와 같이, 그 특정소비자는 계속적으로 예측세트의 아이템을 평가할 수 있도록 한다.

이상에서 설명한 바와 같이, 본 발명에 따른 추천시스템 및 그 추천방식은 X-Y좌표에 의한 집단화를 극좌표로 변환함으로써, 중심센타로부터의 거리에 관련되므로, 집단들 간의 차이를 보다 의미있게 설정할 수 있고, 집단의 재설정 등에도 유리하고, X-Y좌표에서는 다수의 X,Y좌표를 기억해야 하지만, 극좌표는 r과 θ로서 쉽게 설정되므로 프로그램의 기억용량, 작동시간을 줄일 수 있는 부수적인 효과도 있다.

또한 실제 인구통계학적요소와 마케이팅적 요인을 고려함으로써 적은 데이타로서 추천세트의 신뢰를 높일 수 있는 잇점이 있다.

또한 인공신경회로망을 적용함으로써 최소한의 평가점수로도 적절한 아이템을 추천할 수 있고, 이는 데이타의 증가에 따라 인공신경회로망의 정확도는 더욱 높아지는 잇점이 있다.

Claims (10)

1. 미리 설정된 다수 개의 아이템의 각각에 대하여 미리 선택된 다수 평가자들이 평가하는 단계와;

   상기 평가된 다수 개의 아이템간의 상관관계에 따라 상기 다수 평가자들을 개별집단으로 집단화하는 단계와;

   상기 개별집단으로 분류된 집단에서 높은 평가를 받은 아이템을 그 개별집단의 추천아이템으로 설정하는 단계와;

   상기 각 아이템의 평가와 상기 설정된 집단을 이용하여 아이템의 평가와 상기 설정된 집단과의 관계를 설정하는 단계와;

   특정 소비자가 상기 다수 개의 아이템 중 적어도 일부를 평가하는 단계와;

   상기 특정 소비자가 평가한 아이템의 평가를 기준으로 상기 아이템과 집단과의 관계 설정단계에서 결정된 관계를 이용하여 그 특정소비자가 속한 특정 집단을 결정하는 단계와;

   상기 특정집단의 추천아이템을 상기 특정소비자에게 추천하는 단계

   를 포함하는 아이템 추천방법
2. 제 1항에 있어서,

   상기 아이템을 미리 설정하는 단계에서는 아이템에 대한 일반소비자들의 선호도에 따른 분산이 큰 아이템을 선택하는 아이템 추천방법
3. 제 2항에 있어서,

   상기 미리 설정된 아이템에 대한 상기 미리 선택된 평가자의 평가 후에 상기 아이템 간 선호도 차이가 작은 아이템과 평가자를 배제하는 단계를 더욱 포함하는 아이템 추천방법
4. 제 1항에 있어서,

   상기 평가된 아이템간의 상관관계는 상관관계 매트릭스를 구하여 결정하는 아이템 추천방법
5. 제 4항에 있어서,

   상기 상관관계매트릭스에서 아이겐벡타를 이용하여 아이겐 스페이스상에 매핑하여 집단을 세분하는 아이템 추천방법
6. 제 5항에 있어서,

   상기 아이겐스페이스상의 평가자의 분포를 극좌표상에서 집단을 세분화하는 아이템 추천방법
7. 제 1항에 있어서,

   상기 아이템의 평가와 상기 설정된 집단과의 관계설정은 인공신경회로망에 의해 학습되는 아이템 추천방법
8. 제 1항에 있어서,

   상기 특정소비자가 평가한 아이템에 대한 평가정보를 더욱 포함하여 다시 집단을 세분하는 단계를 더욱 포함하는 아이템 추천방법
9. 제 9항에 있어서,

   상기 다시 집단을 새분하는 단계에서는 평가자의 성별, 연령, 소득별요인을 포함하는 인류통계학적 요소와, 시의성, 빈도, 실제구매여부를 포함하는 마케이팅적 요인을 정보로 포함하는 아이템 추천방법
10. 제 1항에 있어서,

    상기 미리 설정된 아이템에 더하여 새로운 아이템에 대한 상기 다수의 특정소비자의 평가정보가 쌓이면 새롭게 아이템과 평가자를 선정하여 새로운 집단화를 이루는 단계를 더욱 포함하는 아이템 추천방법