KR20110019289A - 상품 가격을 고려한 상품 추천시스템 및 그 추천방법 - Google Patents

상품 가격을 고려한 상품 추천시스템 및 그 추천방법 Download PDF

Info

Publication number
KR20110019289A
KR20110019289A KR1020090076942A KR20090076942A KR20110019289A KR 20110019289 A KR20110019289 A KR 20110019289A KR 1020090076942 A KR1020090076942 A KR 1020090076942A KR 20090076942 A KR20090076942 A KR 20090076942A KR 20110019289 A KR20110019289 A KR 20110019289A
Authority
KR
South Korea
Prior art keywords
price
product
recommendation
matrix
customer
Prior art date
Application number
KR1020090076942A
Other languages
English (en)
Other versions
KR101216969B1 (ko
Inventor
장병탁
김권일
신원진
김현우
오동환
이재호
김지현
김주영
Original Assignee
서울대학교산학협력단
주식회사 디디에이치
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 서울대학교산학협력단, 주식회사 디디에이치 filed Critical 서울대학교산학협력단
Priority to KR1020090076942A priority Critical patent/KR101216969B1/ko
Publication of KR20110019289A publication Critical patent/KR20110019289A/ko
Application granted granted Critical
Publication of KR101216969B1 publication Critical patent/KR101216969B1/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

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 P1020090076942
협력 필터링, 상품 가격, 상품 추천, 전자 상거래

Description

상품 가격을 고려한 상품 추천시스템 및 그 추천방법{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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
이하에서는 본 발명의 구체적인 실시예를 도면을 참조하여 상세히 설명하도록 한다.
도 1은 본 발명에 따른 상품 가격을 고려한 상품 추천시스템의 블록 구성도이다.
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.
상기 쇼핑몰 웹서버(100)는 인터넷 등을 통하여 상품을 구매하고자 하는 고객의 클라이언트시스템이 접속하여 상품의 구매가 이루어지는 웹사이트를 운영하는 통상적인 웹서버로 구성된다.
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.
또한, 상기 쇼핑몰 웹서버는 고객의 인적정보와 최종적인 구매 내역 등을 상기 데이터베이스 서버에 저장하고 독출할 수 있도록 상기 데이터베이스 서버(200)에 연동되게 구성된다.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
이때, 상기 상품 가격을 가격 가중치로 변환하는 연산은 하기의 수학식 2에 의해 이루어진다.
Figure 112009050799845-PAT00010
상기 수학식 2에서 C는 가격가중계수로서 0보다 큰 상수를 나타내며, log10은 밑이 10인 로그를 지칭한다.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
다음에는 본 발명에 따른 상품 가격을 고려한 상품 추천방법을 설명한다.
도 2는 본 발명에 따른 상품 가격을 고려한 상품 추천방법의 구성도이며, 도 3은 본 발명에 따른 가격가중계수 최적화단계의 판단 순서도이다.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
도 1은 본 발명에 따른 상품 가격을 고려한 상품 추천시스템의 블록 구성도.
도 2는 본 발명에 따른 상품 가격을 고려한 상품 추천방법의 구성도.
도 3은 본 발명에 따른 가격가중계수 최적화단계의 판단 순서도
<도면의 주요 부분에 대한 부호의 설명>
100 - 쇼핑몰 웹서버 200 - 데이터베이스 서버
300 - 협력 필터링 추천부 400 - 가격 가중치 연산부
500 - 가격가중계수 최적화부 600 - 가중 추천점수 연산부
700 - 추천 상품 선정부

Claims (19)

  1. 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 하는 상품 가격을 고려한 상품 추천시스템.
  2. 제1항에 있어서,
    상기 협력 필터링 추천부는,
    ｉ번째 고객이 지금까지 구매한 상품들을 1 × N상품 크기의 행렬, bi = [bi1,…, bij,…, biN 상품]로 나타내어 고객별 주문행렬(bi)을 생성하는 고객별 주문행렬 생성모듈;
    상기 고객별 주문행렬을 모든 고객에 대하여 모아서 N고객 × N상품 크기의 행렬, B = [b1 T,…, bi T,…, bN 고객 T]T 로 나타내어 전체 주문행렬(B)을 생성하는 전체 주문행렬 생성모듈;
    상품 추천을 받기 원하는 대상 고객이 현재까지 구매한 상품들을 1 × N상품 크기의 행렬, b′ = [b1′,…, bj′,…, bN 상품′]로 나타내어 대상 고객 주문행렬(b′)을 생성하는 대상 고객 주문행렬 생성모듈; 및
    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,…, sN 상품]=b′× BT × B 을 연산하는 추천점수 연산모듈을 포함하여 구성되는 것을 특징으로 하는 상품 가격을 고려한 상품 추천시스템.
  3. 제2항에 있어서,
    상기 가격 가중치 연산부는,
    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 하는 상품 가격을 고려한 상품 추천시스템.
  4. 제3항에 있어서,
    상기 가격 가중치 변환모듈은 각 상품의 가격을 로그 스케일로 변환하여 가격 가중치 값을 생성하도록 구성되는 것을 특징으로 하는 상품 가격을 고려한 상품 추천시스템.
  5. 제4항에 있어서,
    상기 상품 가격행렬 생성모듈은 전체 상품들의 가격을 1 × N상품 크기의 행렬 w=[w1,…, wj,…, wN 상품]로 나타내어 상품 가격 행렬을 생성하고,
    상기 가격 가중치 변환모듈은 식
    Figure 112009050799845-PAT00021
    (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 112009050799845-PAT00022
    로 변환하여 가격 가중치 행렬을 생성하도록 구성 되는 것을 특징으로 하는 상품 가격을 고려한 상품 추천시스템.
  6. 제5항에 있어서,
    상기 가중 추천점수 연산부는 상기 협력 필터링 추천부에서 연산된 추천점수(s)에 상기 가격 가중치 연산부에서 연산된 가격 가중치(
    Figure 112009050799845-PAT00023
    )를 더하여 상품 가격 가중치가 반영된 최종적인 가중 추천점수(
    Figure 112009050799845-PAT00024
    )를
    Figure 112009050799845-PAT00025
    와 같이 연산하도록 구성되는 것을 특징으로 하는 상품 가격을 고려한 상품 추천시스템.
  7. 제1항 내지 제6항 중 어느 한 항에 있어서,
    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 최적화부를 더 포함하여 구성되는 것을 특징으로 하는 상품 가격을 고려한 상품 추천시스템.
  8. 제7항에 있어서,
    상기 가격가중계수 최적화부는,
    고객이 추천 상품을 선택할 평균 확률(P)을 연산하는 평균확률 연산모듈;
    상기 평균확률 연산모듈에서 과거에 연산하였던 평균확률(Pold)과 현재 새로이 연산된 평균확률(Pnew)의 값을 비교하는 평균확률 비교모듈;
    일정 기간 동안의 전체 매출(W)을 연산하는 전체 매출 연산모듈;
    상기 전체 매출 연산모듈에서 과거에 연산하였던 전체 매출(Wold)과 현재 새로이 연산된 전체 매출(Wnew)의 값을 비교하는 전체 매출 비교모듈; 및
    상기 평균확률 비교모듈과 상기 전체 매출 비교모듈에서의 결과값에 따라 가격가중계수(C)의 값을 최적화시키는 가격가중계수 최적화모듈을 포함하여 구성되는 것을 특징으로 하는 상품 가격을 고려한 상품 추천시스템.
  9. 제8항에 있어서,
    상기 가격가중계수 최적화모듈은 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 결정하도록 구성되는 것을 특징으로 하는 상품 가격을 고려한 상품 추천시스템.
  10. 제8항에 있어서,
    상기 가격가중계수 최적화모듈은 상기 새로이 연산된 평균확률(Pnew) 값이 과 거에 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 결정하도록 구성되는 것을 특징으로 하는 상품 가격을 고려한 상품 추천시스템.
  11. 제8항에 있어서,
    상기 가격가중계수 최적화모듈은 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.
  12. 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-PAT00026
    )로 변환하는 가격 가중치 연산단계(S20);
    상기 추천점수(s)에 상기 가격 가중치 행렬(
    Figure 112009050799845-PAT00027
    )을 더하는
    Figure 112009050799845-PAT00028
    연산에 의하여 가격 가중치가 반영된 최종적인 가중 추천점수(
    Figure 112009050799845-PAT00029
    )를 연산하는 가중 추천점수 연산단계(S40); 및
    대상 고객이 구매하지 않은 상품들 중 상기 가중 추천점수(
    Figure 112009050799845-PAT00030
    )가 높은 순서대로 다수 개의 상품을 선택한 후 상기 쇼핑몰 웹서버로 전송하여 표출시키는 추천 상품 선정단계(S50)를 포함하여 구성되는 것을 특징으로 하는 상품 가격을 고려한 상품 추천방법.
  13. 제12항에 있어서,
    상기 협력 필터링 기반의 추천점수 연산단계(S10)는,
    특정 고객들이 지금까지 쇼핑몰에서 구매한 상품들을 1× N상품 크기의 고객별 주문행렬 bi= [bi1,…, bij,…, biN 상품]로 생성하고, 이러한 고객별 주문행렬을 모든 고객에 대해 모아서 N고객× N상품 크기의 전체 주문행렬 B = [b1 T,…, bi T,…, bN 고객 T]T를 생성하며, 상품 추천을 받기 원하는 대상 고객이 현재까지 구매한 상품들을 1× N상품 크기의 대상 고객 주문행렬 b′ = [b1′,…, bj′,…, bN 상품′]로 생성하는 행렬 생성과정(S11); 및
    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,…, sN 상품]=b′× BT × B 을 연산하는 추천점수 연산과정(S12)을 포함하여 구성되는 것을 특징으로 하는 상품 가격을 고려한 상품 추천방법.
  14. 제13항에 있어서,
    상기 가격 가중치 연산단계(S20)는 상품 가격 행렬 w=[w1,…, wj,…, wN상품]을 로그 스케일로 변환하고 가격가중계수(C)를 곱하는
    Figure 112009050799845-PAT00031
    의 연산에 의해 각 상품의 값을 가격 가중치 행렬
    Figure 112009050799845-PAT00032
    로 변환하도록 구성되는 것을 특징으로 하는 상품 가격을 고려한 상품 추천방법.
  15. 제12항 내지 제14항 중 어느 한 항에 있어서,
    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)를 더 포함하여 구성되는 것을 특징으로 하는 상품 가격을 고려한 상품 추천방법.
  16. 제15항에 있어서,
    상기 가격가중계수 최적화단계(S30)는,
    가격가중계수 최적화부에 구비된 평균확률 연산모듈에서 고객이 추천 상품을 선택할 평균확률(P)을 연산하는 평균확률 연산과정(S31);
    평균확률 비교모듈에서 과거에 연산하였던 평균확률(Pold)과 새로이 연산한 평균확률(Pnew)의 값을 비교하는 평균확률 비교과정(S32);
    전체 매출 연산모듈에서 해당 기간 동안의 전체 매출(W)을 연산하는 전체 매출 연산과정(S33);
    전체 매출 비교모듈에서 과거에 연산하였던 전체 매출(Wold)과 현재 새로이 연산한 전체 매출(Wnew)의 값을 비교하는 전체 매출 비교과정(S34); 및
    상기 평균확률과 전체 매출의 비교 결과값에 따라 상기 가격가중계수(C)의 값을 최적화시키는 가격가중계수 최적화과정(S35)을 포함하여 구성되는 것을 특징으로 하는 상품 가격을 고려한 상품 추천방법.
  17. 제16항에 있어서,
    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 결정하도록 구성되는 것을 특징으로 하는 상품 가격을 고려한 상품 추천방법.
  18. 제16항에 있어서,
    상기 가격가중계수 최적화과정(S35)은 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 결정하도록 구성되는 것을 특징으로 하는 상품 가격을 고려한 상품 추천방법.
  19. 제16항에 있어서,
    상기 가격가중계수 최적화과정(S35)은 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.
KR1020090076942A 2009-08-19 2009-08-19 상품 가격을 고려한 상품 추천시스템 및 그 추천방법 KR101216969B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020090076942A KR101216969B1 (ko) 2009-08-19 2009-08-19 상품 가격을 고려한 상품 추천시스템 및 그 추천방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020090076942A KR101216969B1 (ko) 2009-08-19 2009-08-19 상품 가격을 고려한 상품 추천시스템 및 그 추천방법

Publications (2)

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

Family

ID=43776677

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020090076942A KR101216969B1 (ko) 2009-08-19 2009-08-19 상품 가격을 고려한 상품 추천시스템 및 그 추천방법

Country Status (1)

Country Link
KR (1) KR101216969B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110992153A (zh) * 2019-12-17 2020-04-10 深圳市梦网百科信息技术有限公司 基于用户属性和商品类型的商品推荐方法、系统及设备
KR20200080024A (ko) * 2018-12-26 2020-07-06 동아대학교 산학협력단 협업적 필터 알고리즘을 이용한 상품 구매 관련 추천 시스템 및 방법
CN112418758A (zh) * 2020-11-17 2021-02-26 国网电子商务有限公司 一种为货主智能推荐承运商的方法及系统

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101707660B1 (ko) 2015-05-07 2017-02-20 신재욱 연관 검색어를 이용한 관심사 카테고리 기반 이커머스 시스템

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007041971A (ja) * 2005-08-04 2007-02-15 Albert:Kk 推薦システム、推薦方法、及び、推薦プログラム
KR100792701B1 (ko) * 2006-03-16 2008-01-08 엔에이치엔(주) 협업 필터링 시스템을 이용하여 클릭 패턴에 기초한 웹광고 추천 방법 및 그 시스템
KR100907744B1 (ko) * 2006-11-13 2009-07-14 에스케이커뮤니케이션즈 주식회사 협업 필터링 시스템 및 그 방법
KR101415022B1 (ko) * 2007-07-24 2014-07-09 삼성전자주식회사 복합 알고리즘 이용한 정보 추천 방법 및 장치

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200080024A (ko) * 2018-12-26 2020-07-06 동아대학교 산학협력단 협업적 필터 알고리즘을 이용한 상품 구매 관련 추천 시스템 및 방법
CN110992153A (zh) * 2019-12-17 2020-04-10 深圳市梦网百科信息技术有限公司 基于用户属性和商品类型的商品推荐方法、系统及设备
CN110992153B (zh) * 2019-12-17 2023-06-16 深圳市梦网视讯有限公司 基于用户属性和商品类型的商品推荐方法、系统及设备
CN112418758A (zh) * 2020-11-17 2021-02-26 国网电子商务有限公司 一种为货主智能推荐承运商的方法及系统

Also Published As

Publication number Publication date
KR101216969B1 (ko) 2013-01-02

Similar Documents

Publication Publication Date Title
KR20200009542A (ko) 소비자 빅데이터를 기반으로 하는 지능형 쇼핑 플랫폼 관리시스템 및 그 방법
US9483789B1 (en) Automated bundle discovery platform
US20170262926A1 (en) Predictive shopping
US20110078138A1 (en) System for Matching Property Characteristics or Desired Property Characteristics to Real Estate Agent Experience
EP1528498A2 (en) Method and device for calculating trust values on purchase
US10332042B2 (en) Multichannel digital marketing platform
JP6055956B2 (ja) 需要予測システム、需要予測方法およびプログラム
US20120185330A1 (en) Discovery and Publishing Among Multiple Sellers and Multiple Buyers
KR101872220B1 (ko) 네트워크 기반 판매 예측 정보 제공 장치
US10198762B1 (en) Ordering search results to maximize financial gain
JP2009265747A (ja) マーケティング支援システム、マーケティング支援方法、マーケティング支援プログラム及びコンピュータ読み取り可能な媒体
US20200005209A1 (en) Method and system for optimizing an item assortment
CN112041874A (zh) 用于生成建议列表的计算机实现的方法和用于生成订单列表的系统
KR101216969B1 (ko) 상품 가격을 고려한 상품 추천시스템 및 그 추천방법
US11403574B1 (en) Method and system for optimizing an item assortment
WO2018067620A1 (en) Recipe management system
JP2016212792A (ja) 商品推薦装置、商品推薦方法及びプログラム
JP2014032442A (ja) ネットショップ評価装置
JP5794881B2 (ja) 情報処理装置、情報処理方法、及び情報処理プログラム
KR20090000649A (ko) 상품 평가 데이터를 사용하여 인기 상품을 제공하는 방법,시스템 및 컴퓨터 판독 가능한 기록 매체
JP7447800B2 (ja) レシート処理装置、制御方法、及びプログラム
KR102499689B1 (ko) 검색 키워드 자동 선별 방법
JP3200756U (ja) ネットショップ評価装置
JP7045105B2 (ja) 金融商品ポートフォリオ取引システム
JP6809148B2 (ja) プログラムおよび組み合わせ抽出システム

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