KR20150121281A - 고객의 상품에 대한 선호도에 기초하여 상품을 추천하기 위한 방법 및 그 방법을 수행하기 위한 명령어가 저장된 컴퓨터 판독가능한 기록매체 - Google Patents

고객의 상품에 대한 선호도에 기초하여 상품을 추천하기 위한 방법 및 그 방법을 수행하기 위한 명령어가 저장된 컴퓨터 판독가능한 기록매체 Download PDF

Info

Publication number
KR20150121281A
KR20150121281A KR1020140045951A KR20140045951A KR20150121281A KR 20150121281 A KR20150121281 A KR 20150121281A KR 1020140045951 A KR1020140045951 A KR 1020140045951A KR 20140045951 A KR20140045951 A KR 20140045951A KR 20150121281 A KR20150121281 A KR 20150121281A
Authority
KR
South Korea
Prior art keywords
product
customer
attribute
preference
recommendation
Prior art date
Application number
KR1020140045951A
Other languages
English (en)
Inventor
박창목
Original Assignee
이형석
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 이형석 filed Critical 이형석
Priority to KR1020140045951A priority Critical patent/KR20150121281A/ko
Publication of KR20150121281A publication Critical patent/KR20150121281A/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
    • G06Q30/0255—Targeted advertisements based on user history
    • 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
    • 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services

Abstract

본 발명은 상품 판매/광고/추천 플랫폼에서 상품 추천 시스템을 이용하여 고객에게 상품을 추천하는 방법에 있어서, 적어도 하나의 상품에 대한 적어도 하나의 속성을 저장하고, 상기 상품 판매/광고/추천 플랫폼에서의 고객 활동을 모니터링하여 상기 적어도 하나의 상품에 대한 고객별 상품 선호도를 측정하며, 상기 측정된 고객별 상품 선호도 및 상기 적어도 하나의 속성을 기초로 고객별 속성 선호도를 계산하고, 상기 계산된 고객별 속성 선호도로부터 상품추천대상고객의 속성 선호도 유사군을 추출하며, 상기 추출된 상품추천대상고객의 속성 선호도 유사군 내에서 상품별 추천도를 계산함으로써 상품추천대상고객에 대한 상품 추천을 효과적으로 수행할 수 있다.

Description

고객의 상품에 대한 선호도에 기초하여 상품을 추천하기 위한 방법 및 그 방법을 수행하기 위한 명령어가 저장된 컴퓨터 판독가능한 기록매체{A METHOD FOR RECOMMENDING AN ITEM BASED ON A COMSTOMER'S PREFERENCE TO THE ITEM AND A COMPUTER READABLE RECORDING MEDIUM TO STORE INSTRUCTIONS TO PERFORM THE METHOD}
본 발명은 상품 판매/광고/추천 플랫폼에서 고객의 상품에 대한 선호도를 이용하여 고객에게 상품을 추천하기 위한 방법 및 그 방법을 수행하기 위한 명령어가 저장된 컴퓨터 판독가능한 기록매체에 관한 것이다.
최근 인터넷 및 소셜 미디어의 발달로 많은 상품 정보가 쏟아지고 있는 가운데 스팸성 정보가 아닌 꼭 필요한 상품 정보를 전달하여 고객에게 효율적으로 상품을 선택할 수 있도록 하는 개인화 서비스에 대한 필요성이 대두되고 있다. 각종 매체로부터 광고들이 넘쳐나다 보니 고객들은 스팸성 광고에 지치게 되고, 이에 따라 고객들의 성향을 분석하여 개인별로 관심을 가질만한 상품을 정확히 타겟팅할 수 있는 서비스에 대한 요구가 증가하고 있다.
한편, 고객의 성향이나 관심사를 분석하기 위하여 상품 판매 사이트나 애플리케이션에서는 이용 고객에게 설문조사 형식으로 고객 자신이 관심 있는 분야를 묻는 경우가 있다. 일부 고객은 이러한 질문에 성실하게 답변하기도 하지만, 이미 수많은 상품 판매 사이트 또는 애플리케이션에 노출되어 왔던 대부분의 고객들은 이내 곧 능동적으로 자신의 관심사를 표현하는 것이 귀찮아진다. 고객은 자신이 굳이 드러내지 않더라도 자신이 바라는 것이 무엇인지 이해하고 헤아려 줄 수 있는 서비스를 바란다.
이러한 요구사항에 부합하여, 고객이 상품 판매 사이트나 애플리케이션에서 자연스레 이루어지는 행동이나 정보입력으로부터 데이터를 수집함으로써 빅데이터(big data)를 구축하려는 시도가 있다. 하지만, 구축된 빅데이터를 활용하는 것은 방대한 양의 정보를 분석하고 처리하는 것이기 때문에 많은 시간과 노력이 있어야 하며, 고객의 관심사와 맞아떨어지는 상품을 선택하기 위해서는 고객의 성향 평가를 위한 정확한 데이터의 확보 및 상품 추천을 위한 효율적인 알고리즘을 필요로 한다.
참고로, 대한민국 특허공개공보 제2014-0005474호에서 종래에 빅데이터 처리를 위한 애플리케이션 제공 장치 및 제공방법을 제시하고 있으나, 고객의 성향을 파악하여 고객이 바라는 상품 추천까지 이끌어낼 수 있는 방법에 대해서는 제시하지 못하고 있다.
본 발명은 상술한 바와 같은 요구를 충족시키기 위해 고안된 것으로서, 단순히 빅데이터를 구축하기 위하여 대량의 비정형 데이터를 처리할 것이 아니라, 고객이 상품 판매/광고 사이트 등에서 특정 상품을 대하는 태도를 바탕으로 고객과 상품의 관계에 있어서 깊은 통찰력을 확보하고 이로부터 고객 맞춤형 상품을 추천할 수 있는 방법을 제시하고자 한다.
구체적으로는 본 발명은, 고객이 상품 판매/광고 사이트 등에서 특정 상품을 관심을 보이며 클릭을 해보거나 상품평을 남기거나 때로는 구매까지 하는 것을 통해서, 해당 고객의 그 상품에 선호도를 측정하고 그로부터 고객의 성향을 파악할 수 있는 방법을 제시하고자 한다. 특히, 종래에 행해졌던 설문 조사를 하는 방식으로 고객의 관심사를 두루뭉실하게 물을 것이 아니라, 고객이 특정 상품에 대해 관심을 보이는 자연스러운 행위 또는 더 나아가 고객 자신이 관심이 있는 그 상품에 대해 생각하고 느끼는 바를 표현하는 것으로부터 고객의 성향을 분석할 수 있는 방법을 제시하고자 한다.
또한, 본 발명은 이렇게 분석된 고객의 성향을 다수의 고객들의 정보로 수집하여 고객들 간의 성향에 있어 상관관계를 분석함으로써, 고객이 아직 드러내지 않은 성향과 같은 부족한 데이터를 보완하고 이를 통해 상품 추천이 보다 효과적으로 이루어질 수 있도록 하는 방법을 제시하고자 한다.
한편, 본 발명에 명시하지 않은 또 다른 목적들은 하기의 상세한 설명 및 그 효과로부터 용이하게 추론할 수 있는 범위 내에서 추가적으로 고려될 것이다.
위와 같은 과제를 해결하기 위하여, 본 발명의 일 실시예는 상품 판매/광고/추천 플랫폼에서 상품 추천 시스템을 이용하여 고객에게 상품을 추천하는 방법에 있어서, 적어도 하나의 상품에 대한 적어도 하나의 속성을 저장하는 단계; 상기 상품 판매/광고/추천 플랫폼에서의 고객 활동을 모니터링하여 상기 적어도 하나의 상품에 대한 고객별 상품 선호도를 측정하는 단계; 상기 측정된 고객별 상품 선호도 및 상기 적어도 하나의 속성을 기초로 고객별 속성 선호도를 계산하는 단계; 상기 계산된 고객별 속성 선호도로부터 상품추천대상고객의 속성 선호도 유사군을 추출하는 단계; 및 상기 추출된 상품추천대상고객의 속성 선호도 유사군 내에서 상품별 추천도를 계산하는 단계를 포함할 수 있다.
본 발명의 일 실시예에 따르면, 상기 상품별 추천도를 계산하는 단계 이후에, 상기 상품별 추천도에 기초하여 선택된 상품을 상품추천대상고객에 추천하는 단계를 포함할 수 있다.
본 발명의 일 실시예에 따르면, 상기 상품별 추천도에 기초하여 선택된 상품은: 상기 상품별 추천도 내림차순 순위가 미리 설정된 순위 이내일 것; 및 상기 상품별 추천도가 미리 설정된 임계치를 초과할 것 중 적어도 하나의 기준에 따라 선택된 상품일 수 있다.
본 발명의 일 실시예에 따르면, 상기 적어도 하나의 속성을 저장하는 단계는: 상기 상품 판매/광고/추천 플랫폼에서 상품 판매자로부터 입력받은 적어도 하나의 속성을 저장하는 단계; 및 상기 상품 판매/광고/추천 플랫폼에서 이용고객으로부터 입력받은 적어도 하나의 속성을 저장하는 단계 중 적어도 하나의 단계를 포함할 수 있다.
본 발명의 일 실시예에 따르면, 상품추천대상고객의 미측정된 속성 선호도가 존재하는 경우, 상기 고객별 속성 선호도를 계산하는 단계는: 상기 고객별 속성 선호도로부터 상기 적어도 하나의 속성 간의 상관계수를 계산하고, 계산된 속성 상관계수로부터 상품추천대상고객의 미측정된 속성 선호도를 추정하는 단계; 및 상기 추정된 상품추천대상고객의 속성 선호도를 포함하는 고객별 속성 선호도로부터 상품추천대상고객의 속성 선호도 유사군을 추출하는 단계를 더 포함할 수 있다.
본 발명의 일 실시예에 따르면, 상기 상품추천대상고객의 미측정된 속성 선호도를 추정하는 단계는: 상기 속성 간의 상관계수는 상품추천대상고객을 제외한 고객의 속성 선호도로부터 계산되되, '상품추천대상고객으로부터 속성 선호도가 측정되지 않은 속성'에 대한 '상품추천대상고객으로부터 속성 선호도가 측정된 속성'의 선호도 비율 평균을 기초로 계산되고, 상품추천대상고객의 미측정된 속성 선호도는 상기 속성 간의 상관계수에 대해 각각의 대응되는 '상품추천대상고객으로부터 속성 선호도가 측정된 속성'을 곱한 값을 평균함으로써 추정될 수 있다.
본 발명의 일 실시예에 따르면, 상기 상품추천대상고객의 속성 선호도 유사군을 추출하는 단계는: 유클리드 거리 계산법을 이용하여 상기 적어도 하나의 속성에 대한 고객 간의 유클리드 거리를 계산하는 단계; 및 상기 계산된 고객 간의 유클리드 거리가 미리 설정된 범위 내에 포함되는 경우, 상기 미리 설정된 범위 내에 포함되는 고객 리스트를 상품추천대상고객의 속성 선호도 유사군으로 결정하는 단계를 포함할 수 있다.
본 발명의 일 실시예에 따르면, 상품 판매/광고/추천 플랫폼에서 상품 추천 시스템을 이용하여 고객에게 상품을 추천하는 방법을 수행하기 위한 명령어들을 포함하는 컴퓨터 판독가능한 매체로서, 상술한 실시예들 중 어느 하나의 실시예를 수행하기 위한 명령어들을 포함할 수 있다.
위와 같은 과제해결수단에 따르면, 본 발명은 상품 판매/광고/추천 사이트나 애플리케이션를 이용하는 고객들의 상품 선호도 정보를 통하여 고객의 성향(즉, 고객이 선호하는 상품의 속성)을 더 구체적으로 파악할 수 있도록 하여 상품에 대한 고객 타켓팅이 보다 쉽고 정확해지는 효과가 있다. 특히, 고객들이 상품 판매/광고/추천 사이트 등에서 드러내는 성향들은 해당 사이트에서 판매 또는 광고되는 상품과 밀접한 관련이 있다는 점에서 본 발명으로 고객의 성향 분석을 위한 효과적인 빅데이터 구축이 가능해진다.
또한, 상품 판매/광고/추천 사이트나 애플리케이션이 고객들 스스로 자신의 의지와 관심에 따라 활동할 수 있는 공간이라는 점에서, 본 발명은 특별히 고객의 거부감을 불러일으키지 않고 자연스레 이루어지는 행위로부터 고객 성향에 대한 정보를 수집할 수 있는 장점이 있다. 거부감을 불러일으키지 않는다는 점은 고객의 활발한 활동을 이끌어낼 수 있는 원동력이 될 수 있어 서비스 활성화에 크게 기여할 것이다.
또한, 본 발명은 고객의 속성 선호도 유사군을 추출함에 있어서 다수의 상품에 대해 비슷한 생각이나 느낌을 가진 고객들을 한데 묶어서 유사군으로 지정한다는 점에서 유사도 측정 결과에 대한 신뢰성을 향상시키고 더 정확하게 상품 추천으로 이어질 수 있게 하는 효과가 있다.
또한, 본 발명은 고객별 속성 선호도가 완전히 수집된 경우가 아니더라도 시스템 스스로 데이터를 보완할 수 있도록 하여 상대적으로 활동의 정도가 낮은 고객이 존재하는 등의 상황에서도 유연하게 대처할 수 있는 장점이 있다.
한편, 여기에서 명시적으로 언급되지 않는 효과일지라도, 당업자라면 본 발명의 기술적 특징에 의해 기대되는 효과로서 이하의 명세서에서 기재된 효과 및 그 잠정적인 효과도 본 발명의 명세서에 기재된 것과 같이 취급될 것임을 이해할 것이다.
도 1은 본 발명의 일 실시예에 따른 상품 추천 방법이 구현되는 환경을 개략적으로 나타낸다.
도 2는 본 발명의 일 실시예에 따라 상품 추천 시스템을 이용하여 고객에게 상품을 추천하는 방법을 순서대로 나타낸다.
도 3은 본 발명의 일 실시예에 따라 상품의 명시적 속성과 질적 속성을 예시적으로 나타낸다.
도 4는 본 발명의 일 실시예에 따라 상품별로 정의된 명시적 속성 및 질적 속성을 예시적으로 나타낸다.
도 5는 본 발명의 일 실시예에 따라 도 4에 나타난 상품에 대한 고객별 상품 선호도를 예시적으로 나타낸다.
도 6은 본 발명의 일 실시예에 따라 도 4에 나타난 상품별 속성 및 도 5에 나타난 고객별 상품 선호도로부터 도출된 고객별 속성 선호도를 예시적으로 나타낸다.
도 7은 본 발명의 일 실시예에 따라 도 6에 나타난 고객별 속성 선호도로부터 상품추천대상고객의 미측정된 속성 선호도를 계산한 것을 예시적으로 나타낸다.
도 8은 본 발명의 일 실시예에 따라 도 7에 나타난 고객별 속성 선호도로부터 상품추천대상고객의 속성 선호도 유사군을 추출하기 위해 고객 간의 유클리드 거리를 계산한 것으로 예시적으로 나타낸다.
이하, 첨부된 도면을 참조하여 본 발명의 실시를 위한 구체적인 내용을 설명한다. 그리고 본 발명을 설명함에 있어서 관련된 기능 중 본 발명의 기술분야의 당업자에게 자명한 사항으로서 본 발명의 요지를 불필요하게 흐려질 수 있다고 판단되는 경우에는 그 상세한 설명을 생략함을 유의하여야 한다.
도 1에 나타나는 바와 같이, 본 발명에 따른 상품 추천 방법이 구현되는 환경은 상품 판매/광고/추천 플랫폼, 사용자 단말, 상품 추천 시스템, 상품 속성 DB, 고객별 상품 선호도 DB, 고객별 속성 선호도 DB를 포함할 수 있다.
먼저, 상품 판매/광고/추천 플랫폼은 상품 판매, 광고, 추천을 위한 사이트나 애플리케이션으로서 구현된 것을 포괄하는 개념으로서, 사용자 단말에서 인터넷이나 모바일 애플리케이션 등을 이용하여 접속하고 상품 정보를 열람하고 구매를 하는 등의 상품 판매, 광고, 추천과 관련된 고객의 활동(예를 들어, 상품 정보 클릭, 상품평 열람/작성 등)이 이루어지고, 그러한 고객의 활동이 로그기록으로 남겨질 수 있도록 구현될 수 있다. 당업자라면, 상품 판매/광고/추천 플랫폼으로서 일반적인 상품 판매 사이트나 모바일 애플리케이션 뿐만 아니라 다양한 방식으로 구현될 수 있음을 이해할 것이다.
또한, 사용자 단말은 상품 판매/광고/추천 플랫폼에 유선 또는 무선으로 접속하여 상품 정보 열람이나 구매 활동 등을 위한 애플리케이션(예를 들어, 웹페이지 열람을 위한 웹브라우저, 애플리케이션 등)을 실행할 수 있는 단말기로서, 당업자라면 개인 컴퓨터, 태블릿 PC, 스마트폰 등 다양한 종류의 기기를 포함할 수 있음을 이해할 것이다.
또한, 사용자 단말을 통해 상품 판매/광고/추천 플랫폼에 접속한 고객에게 그의 성향에 맞는 상품을 추천할 수 있도록 상품 추천 시스템이 이용된다. 상품 추천 시스템은 컴퓨터나 서버 형태로 구현될 수 있으며, 그 기본적인 구성요소로서 중앙처리장치, 메모리, 입/출력 장치, 네트워크 디바이스 등을 갖추어 일반적인 컴퓨터 프로그램 실행, 사용자 단말과의 상호 통신을 수행할 뿐만 아니라 본 발명의 일 실시예에 따른 방법을 수행하기 위한 기능 및 그에 필요한 구성요소를 모두 갖추고 있는 것으로 이해될 것이다.
또한, 상품 판매/광고/추천 플랫폼 및 상품 추천 시스템에는 상품 속성 DB, 고객별 상품 선호도 DB, 고객별 속성 선호도 DB가 연계되어 있어 DB 정보를 저장, 열람, 수정 등의 작업이 가능하다.
당업자라면, 상술한 구성 이외에도 필요에 따라 추가적인 구성이 포함될 수 있음을 이해할 것이다.
도 2는 본 발명의 일 실시예에 따라 상품 판매/광고/추천 플랫폼에서 상품 추천 시스템을 이용하여 고객에게 상품을 추천하는 방법을 순서대로 나타낸다.
먼저, 상품 판매/광고/추천 플랫폼에서 상품 판매자나 고객으로부터 입력받은 상품에 대한 속성이 상품 속성 DB에 저장되는 단계가 수행된다(S1). 상품 판매자로부터 상품의 규격, 가격 등과 같은 명시적 속성을 입력받아 상품 속성 DB에 저장될 수도 있고, 상품 판매/광고/추천 플랫폼에서 상품을 경험해본 고객으로부터 사용편의성, 느낌 등과 같은 질적 속성을 입력받아 상품 속성 DB에 등록될 수도 있어 각 상품에 대한 다양한 속성들이 상품 속성 DB에 등록된다.
상품에 대한 속성이 상품 속성 DB에 저장되고 나면, 상품 판매/광고/추천 플랫폼에서의 고객 활동을 모니터링하여 상품에 대한 고객별 상품 선호도를 측정하는 단계가 수행된다(S2). 상품 판매 사이트나 애플리케이션과 같은 상품 판매/광고/추천 플랫폼에서의 고객 활동은 상품에 대한 구매, 클릭, 상품평 작성, 추천 등과 같은 활동일 수 있다. 특정 상품에 대한 고객 활동을 모니터링 함에 있어서, 상술한 바와 같은 고객 활동은 각각 가중치를 달리하여 특정 값으로서 선호도가 평가될 수 있으며, 이에 활동 빈도수를 반영할 수 있다. 특정 상품에 대한 고객 활동을 모니터링하여 평가되고 측정된 선호도는 각 상품에 대한 고객별 상품 선호도로서 DB에 저장될 수 있다.
고객별 상품 선호도 DB가 구축되고 나면, 고객별 상품 선호도 및 상품 속성 DB에 저장된 각 상품에 대한 속성을 기초로 하여 고객별 속성 선호도를 계산하는 단계가 수행된다(S3). 이 단계는, 각 고객마다 어떠한 상품을 선호하는지를 평가하는 것에 그치는 것이 아니라, 미리 저장된 상품의 속성을 이용하여 그러한 상품을 선호하도록 만든 동기가 무엇인지를 파악하는 단계이다. 예를 들어, 고객이 어떠한 상품 형상을 좋아하고, 어떤 가격대의 상품을 선호하며, 상품으로부터 어떤 느낌을 중시하는지를 파악할 수 있다. 이와 같이 고객의 성향을 파악하는 것은 해당 상품이 아닌 다른 상품에 대한 선호도를 예측하는 데 있어 중요한 역할을 한다. 또한, 정확하고 효과적인 고객 타겟팅이 이루어질 수 있도록 크게 기여한다. 본 발명의 일 실시예에 따라 고객별 속성 선호도를 계산하는 방법은 이하에서 구체적인 예시와 함께 설명하기로 한다.
고객별 속성 선호도가 계산되었으나, 상품을 추천하게 될 고객(즉, 상품추천대상고객)의 속성 선호도에서 일부 속성에 대한 선호도가 측정되지 않은 경우, 이러한 상품추천대상고객의 미측정된 속성 선호도를 추정하는 단계를 수행한다(S4). 고객이 모든 상품에 대해서 활동하지 못한 경우가 충분히 있을 수 있으며, 그에 따라 일부 속성에 대한 선호도가 측정되지 않을 수 있는데, 이러한 부분에 대하여 값이 존재하지 않는 것으로 내버려두게 되면 다른 고객의 속성별 선호도와 비교할 수 있는 범위가 제한되게 되어 고객 간 성향의 유사도 계산에 있어 신뢰도 및 정확도에 악영향을 미칠 수 있다. 이와 같은 잠재적 문제점을 보완하기 위해, 상품추천대상고객의 미측정된 속성 선호도를 추정하는 단계가 수행된다.
한편, 미측정된 속성 선호도를 추정하는 단계는 고객별 속성 선호도로부터 속성 간의 상관계수를 계산하고, 계산된 속성 상관계수로부터 상품추천대상고객의 미측정된 속성 선호도를 추정하는 단계로서 수행될 수 있으며, 이에 관련된 방법은 이하에서 구체적인 예시와 함께 설명하기로 한다.
상품추천대상고객의 미측정된 속성 선호도를 포함하여 상품추천대상고객의 속성 선호도가 충분히 계산되고 나면, 계산된 고객별 속성 선호도로부터 상품추천대상고객의 속성 선호도 유사군을 추출하는 단계가 수행된다(S5). 이 단계는 상품추천대상고객의 각 속성에 대한 선호도가 유사한 또 다른 고객을 찾아서 그로부터 상품 추천을 위한 정보를 얻기 위한 것이다. 상품 속성이 충분히 세분화되었다고 가정한다면, 속성의 선호도가 유사한 고객 간에는 상품에 대한 선호도도 유사할 것이기 때문에, 상품추천대상고객에게 상품을 추천하였을 때 상품 구매 등의 활동으로 귀결될 가능성이 크다. 이는 상품 추천 방법으로서 그 성능을 효과적으로 발휘하는 것이라고 하겠다.
앞서 간단히 설명된 바와 같이, 상품추천대상고객의 속성 선호도 유사군이 추출되고 나면, 그 속성 선호도 유사군 내에서 상품별 추천도를 계산하는 단계가 수행된다(S6). 또한, 상기 상품별 추천도에 기초하여 선택된 상품은: 상기 상품별 추천도 내림차순 순위가 미리 설정된 순위 이내일 것(예를 들어, 추천도가 가장 높은 상품을 선택하는 경우); 및 상기 상품별 추천도가 미리 설정된 임계치를 초과할 것(예를 들어, 추천도의 절대값이 3 이상인 경우) 중 적어도 하나의 기준에 따라 선택된 상품일 수 있으며, 당업자라면 이러한 기준 하에서 다양한 방식으로 상품별 추천도를 이용하여 상품추천대상고객에게 추천할 상품을 선택할 수 있다.
한편, 상기 상품별 추천도를 계산하는 단계 이후에, 상기 상품별 추천도에 기초하여 선택된 상품을 상품추천대상고객에 추천하는 단계를 포함할 수 있다.
이하에서는, 도 3 내지 도 8을 참조하여 본 발명의 일 실시예에 따른 상품 추천 방법이 구체적으로 어떻게 구현될 수 있는지 예시로서 설명한다.
본 발명에서 사용되는 상품 속성은 명시적 및 질적 속성으로 구성될 수 있는데, 명시적 속성은 상품 판매자가 상품 판매/광고/추천 사이트 등에서 상품을 등록할 때 입력하는 규격화된 명사 및 형용사로 이루어질 수 있으며, 질적 속성은 상품 구매자가 상품 평가 및 사용 후기 작성 시 입력하는 감성 형용사로 구성될 수 있다. 구체적으로, 명시적 속성은 상품 판매자가 고객에게 상품에 대한 주로 객관적인 정보를 나타내는 것으로서, 해당 상품에 관심을 보이는 고객이라면 으레 관심을 가질 것이라 짐작되는 속성을 판매자의 관점에서 규정하는 것인 반면, 질적 속성은 상품에 관심을 보이는 고객이 해당 상품에 대해 생각하고 느끼는 바에 대해 고객의 입장에서 드러내는 것이다. 결국, 상품의 속성으로 질적 속성을 도입하는 것은 고객의 성향을 고객으로부터 직접적으로 들을 수 있는 기회가 될 수 있으며, 나아가 속성 세분화에 기여함에 따라 고객별 속성 선호도로부터 유사군을 추출함에 있어 정확성을 향상시킬 수 있다.
도 3은 본 발명의 일 실시예에 따른 상품 추천 시스템을 이용한 상품 추천 방법을 설명하기 위해 상품의 명시적 속성과 질적 속성을 예시적으로 나타낸 것이다. 참고로, 치수나 강도 등과 같이 특정 수치로서 표현되는 속성의 경우에는 수 개의 미리 정해진 수치 범위로 나누어 그 수치 범위마다 별개의 속성으로 정의될 수 있다. 예를 들어, 내구성을 '강한 내구성', '중간 정도의 내구성', '약한 내구성'으로 크게 나누어 각각 별개의 속성으로 정의될 수 있다. 그 외에도 당업자가 당업계의 상식 범위 내에서 규정할 수 있는 속성으로서 다양한 방식으로 정의될 수 있음을 이해하여야 할 것이다.
도 4는 본 발명의 일 실시예에 따라 임의의 5개의 상품에 대하여 상품별로 정의된 명시적 속성 및 질적 속성을 예시적으로 나타낸 것이고, 도 5는 도 4에 나타난 상품에 대한 고객별 상품 선호도를 예시적으로 나타낸 것이며, 도 6은 도 4에 나타난 상품별 속성 및 도 5에 나타난 고객별 상품 선호도로부터 도출된 고객별 속성 선호도를 예시적으로 나타낸 것이다. 도 6에서 알 수 있는 바와 같이, 고객별 속성 선호도는 해당 속성이 포함된 고객별 상품 선호도를 모두 합하는 방식에 의해 계산된다. 예를 들어, 고객 2(즉, user 2)의 속성 1(즉, tag 1)에 대한 선호도는 고객 2의 '상품 1(즉, item 1)의 선호도' + '상품 2의 선호도' + '상품 4의 선호도'를 합한 값(5 + 5 + 1 = 11)이다. 마찬가지로, 고객 3의 속성 6에 대한 선호도는 고객 3의 '상품 3'에 대한 선호도 값(= 3)이다. 이와 같이, 고객별 상품 선호도가 측정된 것을 상품별 속성으로 저장된 것을 참조하여 고객별 속성 선호도를 계산하는 것이다.
한편, 상술한 바와 같이 상품추천대상고객의 미측정된 속성 선호도가 존재하는 경우, 상품추천대상고객에게 상품을 추천하기 위한 전처리 단계로 미측정된 속성 선호도를 추정하는 단계에 대해 아래와 같이 예를 들어 설명한다. 도 6에서 나타나는 바와 같이 고객 1은 속성 5, 6, 8, 9에 대한 속성 선호도 정보가 없는 상태이다. 이러한 속성 선호도 값을 추정하기 위하여 고객 2, 3, 4, 5, 6의 속성 선호도 값을 이용하여 속성 간의 비율 평균을 계산할 수 있다. 예를 들어, 고객 1의 속성 5에 대한 선호도를 추정하기 위하여 고객 2, 3, 4, 5, 6의 속성 선호도로부터 아래와 같은 비율들의 평균 값을 계산한다.
Figure pat00001
,
Figure pat00002
,
Figure pat00003
,
Figure pat00004
,
Figure pat00005
,
Figure pat00006
Figure pat00007
Figure pat00008

속성 5에 대한 선호도 추정 값은 아래와 같은 식으로 구하게 된다.
Figure pat00009

참고로, 도 6의 데이터를 이용하여 속성 간 상관계수를 계산하면 아래와 같다.
Figure pat00010

이로부터 고객 1의 속성 5에 대한 선호도 추정 값은 아래 식처럼 계산하여 4.7이 된다.
Figure pat00011

참고로, 상술한 바와 같이 속성 상관계수를 사용하여 상품추천대상고객의 미측정된 속성 선호도를 추정하는 단계는: 속성 간의 상관계수는 상품추천대상고객을 제외한 고객의 속성 선호도로부터 계산되되, '상품추천대상고객으로부터 속성 선호도가 측정되지 않은 속성'에 대한 '상품추천대상고객으로부터 속성 선호도가 측정된 속성'의 선호도 비율 평균을 기초로 계산되고, 상품추천대상고객의 미측정된 속성 선호도는 속성 간의 상관계수에 대해 각각의 대응되는 '상품추천대상고객으로부터 속성 선호도가 측정된 속성'을 곱한 값을 평균함으로써 추정되는 단계로서 정리될 수 있다.
마찬가지 방법을 사용하여 고객 1의 미측정된 속성 선호도, 즉 속성 5, 6, 8, 10의 선호도의 추정 값을 삽입하면 도 8에서 나타나는 바와 같은 고객별 속성 선호도 매트릭스를 도출해낼 수 있다. 이와 같은 고객별 속성 선호도 매트릭스를 이용하여 고객 1에 대한 상품을 추천하기 위하여 고객 1에 속성 선호도 유사군을 추출한다. 각 고객별로 10개의 속성에 대한 선호도가 있으므로 이는 10차원 벡터이며, 벡터 간의 유사성을 측정하여 속성 선호도 유사군 내에 포함될 고객을 선별할 수 있다.
벡터 유사성 측정 방법에는 대표적으로 피어슨 상관관계, 코사인 측정 유사도, 유클리드 기반 유사도 등이 있다. 피어슨 상관관계는 두 고객의 벡터 내의 대략적인 선형관계를 측정하여 두 벡터가 공통적인 선형방향성을 가지면 1에 가까운 값을 보이고, 관계가 적을 경우 0에 가까워지는데, 이러한 방법은 벡터 내에 동일한 선호도가 존재할 경우 계산하기 어려워질 수 있다. 코사인 측정 유사도는 벡터를 n차원 공간의 한 점으로 간주하고, 두 점 간의 각도를 측정하는데, 각도가 작으면 코사인 값은 1에 가까워지고 유사도가 높은 것을 의미하며, 각도가 크면 코사인 값은 -1에 가까워지기 때문에 유사도가 낮은 것을 의미한다. 한편, 유클리드 기반 유사도는 벡터를 n차원 공간의 한 점으로 간주하고, 두 점 간의 거리를 계산하는데, 거리가 가까우면 유사도가 높은 것을 의미하며, 거리가 크면 유사도가 낮은 것을 의미한다. 상술한 3가지 방법 중 유클리드 거리 계산법이 간단하고 속도가 빠른 장점이 있다. 예를 들어, 다음의 유클리드 거리 계산법을 이용하여 도 7에 예시된 고객별 속성 선호도로부터 고객 간의 유클리드 거리(D)를 계산할 수 있다.
Figure pat00012

도 8은 본 발명의 일 실시예에 따라 도 7에 나타난 고객별 속성 선호도로부터 상품추천대상고객의 속성 선호도 유사군을 추출하기 위해 고객 간의 유클리드 거리를 계산한 것으로 예시적으로 나타낸다.
본 발명의 일 실시예에 따른 상품 추천 방법은 유사도가 높은 사용자 그룹의 고객별 상품 선호도를 각각 평균하고, 이 값을 특정 사용자가 가지지 못한 상품 선호도의 추정값으로 사용할 수 있다. 그리고 이 중 가장 큰 선호도를 보이는 상품을 추천할 수 있다.
예를 들어, 도 8의 유클리드 거리 값은 10 이하인 그룹과 10 이상인 그룹으로 명확하게 구분되므로, 유사도가 높은 그룹은 유클리드 거리가 10 이하인 고객 5가 선택될 수 있다. 그리고, 선택된 고객 5의 상품별 선호도로부터 고객 1이 아직 경험하지 못한 상품 2, 3, 4, 5에 대한 선호도 추정 값이 아래와 같이 계산된다(하지만, 여러 명이 선택되는 경우 이들의 평균으로 상품 선호도의 추정 값을 계산할 수 있다).
상품 2 = 4.0, 상품 3 = 3.0, 상품 4 = 2.0, 상품 5 = 1.0
이 예시에서 결과적으로 상품 2(즉, 선호도 추정 값이 가능 높은 것)를 추천상품으로 선택하게 된다. 즉, 이 예시에서는, 고객 1의 성향이 고객 5와 유사할 것이라 전제하고 고객 5가 경험한 상품들 중에서 가장 선호도가 높았던 것을 선택하는 것이다.
이상에서는 구체적인 예시를 통하여 본 발명의 일 실시예에 따른 추천 방법을 설명하였으나, 당업자라면 추천 방법의 각 단계를 구현하기 위하여 당업계의 상식 범위 내에서 다양한 연산 방식을 수용할 수 있음을 이해할 것이다.
이상 설명된 본 발명에 따른 실시예들은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용가능한 것일 수도 있다. 컴퓨터 판독 가능한 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상에서는, 본 발명이 구체적인 구성요소 등과 같은 특정 사항들과 함께 한정된 실시예 및 도면에 의해 설명되었으나, 이는 본 발명의 전반적인 이해를 돕기 위하여 제공된 것일 뿐, 본 발명이 상기 실시예들에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 당업계의 상식 범위 내에서 다양한 수정 및 변형을 꾀할 수 있다.
따라서, 본 발명의 보호범위는 상기 설명된 실시예에 제한되어 정해지는 것은 아니고, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등하게 또는 등가적으로 변형된 모든 것들이 본 발명의 보호범위에 속한다고 할 것이다.

Claims (8)

  1. 상품 판매/광고/추천 플랫폼에서 상품 추천 시스템을 이용하여 고객에게 상품을 추천하는 방법에 있어서,
    적어도 하나의 상품에 대한 적어도 하나의 속성을 저장하는 단계;
    상기 상품 판매/광고/추천 플랫폼에서의 고객 활동을 모니터링하여 상기 적어도 하나의 상품에 대한 고객별 상품 선호도를 측정하는 단계;
    상기 측정된 고객별 상품 선호도 및 상기 적어도 하나의 속성을 기초로 고객별 속성 선호도를 계산하는 단계;
    상기 계산된 고객별 속성 선호도로부터 상품추천대상고객의 속성 선호도 유사군을 추출하는 단계; 및
    상기 추출된 상품추천대상고객의 속성 선호도 유사군 내에서 상품별 추천도를 계산하는 단계를 포함하는 방법.
  2. 제 1 항에 있어서,
    상기 상품별 추천도를 계산하는 단계 이후에, 상기 상품별 추천도에 기초하여 선택된 상품을 상품추천대상고객에 추천하는 단계를 포함하는 방법.
  3. 제 2 항에 있어서,
    상기 상품별 추천도에 기초하여 선택된 상품은:
    상기 상품별 추천도 내림차순 순위가 미리 설정된 순위 이내일 것; 및
    상기 상품별 추천도가 미리 설정된 임계치를 초과할 것 중 적어도 하나의 기준에 따라 선택된 상품인 방법.
  4. 제 3 항에 있어서,
    상기 적어도 하나의 속성을 저장하는 단계는:
    상기 상품 판매/광고/추천 플랫폼에서 상품 판매자로부터 입력받은 적어도 하나의 속성을 저장하는 단계; 및
    상기 상품 판매/광고/추천 플랫폼에서 이용고객으로부터 입력받은 적어도 하나의 속성을 저장하는 단계 중 적어도 하나의 단계를 포함하는 방법.
  5. 제 4 항에 있어서,
    상품추천대상고객의 미측정된 속성 선호도가 존재하는 경우, 상기 고객별 속성 선호도를 계산하는 단계는:
    상기 고객별 속성 선호도로부터 상기 적어도 하나의 속성 간의 상관계수를 계산하고, 계산된 속성 상관계수로부터 상품추천대상고객의 미측정된 속성 선호도를 추정하는 단계; 및
    상기 추정된 상품추천대상고객의 속성 선호도를 포함하는 고객별 속성 선호도로부터 상품추천대상고객의 속성 선호도 유사군을 추출하는 단계를 더 포함하는 방법.
  6. 제 5 항에 있어서,
    상기 상품추천대상고객의 미측정된 속성 선호도를 추정하는 단계는:
    상기 속성 간의 상관계수는 상품추천대상고객을 제외한 고객의 속성 선호도로부터 계산되되, '상품추천대상고객으로부터 속성 선호도가 측정되지 않은 속성'에 대한 '상품추천대상고객으로부터 속성 선호도가 측정된 속성'의 선호도 비율 평균을 기초로 계산되고,
    상품추천대상고객의 미측정된 속성 선호도는 상기 속성 간의 상관계수에 대해 각각의 대응되는 '상품추천대상고객으로부터 속성 선호도가 측정된 속성'을 곱한 값을 평균함으로써 추정되는 방법.
  7. 제 1 항 내지 제 6 항 중 어느 한 항에 있어서,
    상기 상품추천대상고객의 속성 선호도 유사군을 추출하는 단계는:
    유클리드 거리 계산법을 이용하여 상기 적어도 하나의 속성에 대한 고객 간의 유클리드 거리를 계산하는 단계; 및
    상기 계산된 고객 간의 유클리드 거리가 미리 설정된 범위 내에 포함되는 경우, 상기 미리 설정된 범위 내에 포함되는 고객 리스트를 상품추천대상고객의 속성 선호도 유사군으로 결정하는 단계를 포함하는 방법.
  8. 상품 판매/광고/추천 플랫폼에서 상품 추천 시스템을 이용하여 고객에게 상품을 추천하는 방법을 수행하기 위한 명령어들을 포함하는 컴퓨터 판독가능한 매체로서,
    제 1 항 내지 제 6 항 중 어느 한 항에 따른 방법을 수행하기 위한 명령어들을 포함하는 컴퓨터 판독가능한 매체.
KR1020140045951A 2014-04-17 2014-04-17 고객의 상품에 대한 선호도에 기초하여 상품을 추천하기 위한 방법 및 그 방법을 수행하기 위한 명령어가 저장된 컴퓨터 판독가능한 기록매체 KR20150121281A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020140045951A KR20150121281A (ko) 2014-04-17 2014-04-17 고객의 상품에 대한 선호도에 기초하여 상품을 추천하기 위한 방법 및 그 방법을 수행하기 위한 명령어가 저장된 컴퓨터 판독가능한 기록매체

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140045951A KR20150121281A (ko) 2014-04-17 2014-04-17 고객의 상품에 대한 선호도에 기초하여 상품을 추천하기 위한 방법 및 그 방법을 수행하기 위한 명령어가 저장된 컴퓨터 판독가능한 기록매체

Publications (1)

Publication Number Publication Date
KR20150121281A true KR20150121281A (ko) 2015-10-29

Family

ID=54430294

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140045951A KR20150121281A (ko) 2014-04-17 2014-04-17 고객의 상품에 대한 선호도에 기초하여 상품을 추천하기 위한 방법 및 그 방법을 수행하기 위한 명령어가 저장된 컴퓨터 판독가능한 기록매체

Country Status (1)

Country Link
KR (1) KR20150121281A (ko)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106682013A (zh) * 2015-11-09 2017-05-17 阿里巴巴集团控股有限公司 用于数据推送的方法和设备
KR20180122991A (ko) * 2018-11-07 2018-11-14 이재규 휴대용 통신 단말기의 첫 화면을 이용한 컨텐츠 제공방법
KR101928076B1 (ko) * 2017-07-07 2019-02-26 백성희 빅데이터를 이용한 외국인 관광 위치 정보 컨텐츠 제공 시스템 및 방법
KR20200065123A (ko) * 2018-11-29 2020-06-09 동국대학교 산학협력단 사용자 특성에 기초한 염색약 색상의 추천을 수행하는 전자 장치 및 그 동작 방법
WO2020175732A1 (ko) * 2019-02-26 2020-09-03 주식회사 틸투원 상품 추천 방법 및 그 장치
KR102213768B1 (ko) * 2020-05-19 2021-02-08 주식회사 스타일씨코퍼레이션 빅데이터 기반의 ai가 고객의 정보를 기반으로 구매전환율이 높은 상품을 노출시키는 고객 맞춤형 상품 추천 시스템
KR20210032691A (ko) * 2019-09-17 2021-03-25 인하공업전문대학산학협력단 네트워크 기반 상품 추천 방법 및 장치
KR20210051287A (ko) * 2019-10-30 2021-05-10 주식회사 비트코퍼레이션 날씨와 기상 데이터에 기초한 학습 모델을 통해 커피 메뉴의 추천을 수행하는 커피 메뉴 추천 장치 및 그 동작 방법
US11501336B2 (en) 2015-11-04 2022-11-15 Firstface Co., Ltd. Method for providing content using first screen of portable communication terminal

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11501336B2 (en) 2015-11-04 2022-11-15 Firstface Co., Ltd. Method for providing content using first screen of portable communication terminal
CN106682013A (zh) * 2015-11-09 2017-05-17 阿里巴巴集团控股有限公司 用于数据推送的方法和设备
KR101928076B1 (ko) * 2017-07-07 2019-02-26 백성희 빅데이터를 이용한 외국인 관광 위치 정보 컨텐츠 제공 시스템 및 방법
KR20180122991A (ko) * 2018-11-07 2018-11-14 이재규 휴대용 통신 단말기의 첫 화면을 이용한 컨텐츠 제공방법
KR20200065123A (ko) * 2018-11-29 2020-06-09 동국대학교 산학협력단 사용자 특성에 기초한 염색약 색상의 추천을 수행하는 전자 장치 및 그 동작 방법
WO2020175732A1 (ko) * 2019-02-26 2020-09-03 주식회사 틸투원 상품 추천 방법 및 그 장치
KR20210032691A (ko) * 2019-09-17 2021-03-25 인하공업전문대학산학협력단 네트워크 기반 상품 추천 방법 및 장치
KR20210051287A (ko) * 2019-10-30 2021-05-10 주식회사 비트코퍼레이션 날씨와 기상 데이터에 기초한 학습 모델을 통해 커피 메뉴의 추천을 수행하는 커피 메뉴 추천 장치 및 그 동작 방법
KR102213768B1 (ko) * 2020-05-19 2021-02-08 주식회사 스타일씨코퍼레이션 빅데이터 기반의 ai가 고객의 정보를 기반으로 구매전환율이 높은 상품을 노출시키는 고객 맞춤형 상품 추천 시스템

Similar Documents

Publication Publication Date Title
Xu et al. Examining customer channel selection intention in the omni-channel retail environment
US11308541B2 (en) Next generation improvements in recommendation systems
KR20150121281A (ko) 고객의 상품에 대한 선호도에 기초하여 상품을 추천하기 위한 방법 및 그 방법을 수행하기 위한 명령어가 저장된 컴퓨터 판독가능한 기록매체
US8341102B2 (en) User state presumption system, user state presumption method, and recording media storing user state presumption program
Dawes et al. Comparing retailer purchase patterns and brand metrics for in-store and online grocery purchasing
US8626705B2 (en) Transaction aggregator for closed processing
Pallant et al. An empirical analysis of factors that influence retail website visit types
EP2779058A1 (en) Recommendations based upon explicit user similarity
US20170186065A1 (en) System and Method of Product Selection for Promotional Display
US20220180379A1 (en) Transaction-based information processing system, method, and article
Maqhfiroh et al. The Role of Time Availability in Moderating Hedonic Shopping Motivation toward Impulse Buying of Consumer Online at Harbolnas's Event
Čavoški et al. Agent-based modelling and simulation in the analysis of customer behaviour on B2C e-commerce sites
Baqai et al. The Relationship between ES-QUAL model and online purchase intention in the context of rising global marketplace of e-commerce
Hashemian et al. From User Behavior to Subscription Sales: An Insight Into E-Book Platform Leveraging Customer Segmentation and A/B Testing
Kim Retail technology acceptance model for online at offline (O@ O): comparing different generations of data analysis techniques
Long Factors influencing consumers intention towards online food purchasing in Phnom Penh
Madiawati et al. CUSTOMERS'SATISFACTION OF ONLINE SHOPPING MEASURED BY INFORMATION QUALITY AND TRUST FACTORS
Abitha Kumari J et al. Impact of consumer behavior pertaining to personalization of price in an e-commerce context
Smith Retail managers’ perspectives on the effectiveness of corporate e-personalisation initiatives
Bucklin Marketing models for electronic commerce
Quijano et al. A Study on Consumer Buying Behavior of Online Shoppers in Relation to their ‘Add To Cart’Experiences
Jaju et al. Commercial product analysis using Hadoop MapReduce
Baskaran et al. The Influence Of Perceived Enjoyment On Impulsive Buying Behaviour In The Apparel Industry Among Millennials In Klang Valley, Malaysia
US20220108373A1 (en) Information processing apparatus and non-transitory computer readable medium
CN109214848B (zh) 运用虚拟商品于推荐系统影响相似度分析方法及其系统

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E601 Decision to refuse application