KR20160065429A - 하이브리드 개인화 상품추천 방법 - Google Patents

Abstract

본 발명은 사용자의 구매패턴과 선호 키워드를 이용한 하이브리드 상품추천 서비스로, 기존의 상품 추천시스템이 협업적 필터링 또는 내용기반 필터링을 사용자에게 동일하게 적용하였으나, 본 발명에서는 사용자별 행동패턴으로부터 추출된 데이터를 분석하여 그것으로부터 각 사용자의 키워드 선호도, 구매한 상품의 유사도, 사용자의 인기 상품 선호도를 추정하여 사용자의 선호패턴에 맞춰 적적할 알고리즘을 적용하여 개인화된 상품을 추천할 수 있도록 한 것이다.
본 발명에 따른 하이브리드 개인화 상품추천 방법은 상품추천 결과를 고객에게 제공하는 데 걸리는 시간이 단축되고, 추천 결과의 정확도가 향상될 수 있으며, 교차판매나 상향판매를 능동적으로 지원할 수 있어 Long-Tail의 대중적 트렌드 촉발에 크게 기여할 수 있고, 상품의 구매확률을 높일 수 있으며 이탈 고객을 최소화할 수 있다.

Description

하이브리드 개인화 상품추천 방법 {Hybrid personalized product recommendation method}

본 발명은 사용자의 구매패턴과 선호 키워드를 이용한 하이브리드 상품추천 서비스로, 기존의 상품 추천시스템이 협업적 필터링 또는 내용기반 필터링을 사용자에게 동일하게 적용하였으나, 본 발명에서는 사용자별 행동패턴으로부터 추출된 데이터를 분석하여 그것으로부터 각 사용자의 키워드 선호도, 구매한 상품의 유사도, 사용자의 인기 상품 선호도를 추정하여 사용자의 선호패턴에 맞춰 적적할 알고리즘을 적용하여 개인화된 상품을 추천할 수 있도록 한 것이다.

2000년대 중반에 접어들면서 미국을 중심으로 유통관리 사이트에서 고객의 클릭 패턴을 대상으로 하는 암묵적 데이터에 대한 연구가 이루어졌고, P2P(Personal to Personal) 환경에서와 같이 분산 처리를 고려한 협업적 필터링에 대한 연구도 수행되었으며, 모바일 쇼핑몰 영역에까지 확장되어 장소와 시간 정보를 활용함으로써 기존의 추천 시스템보다 차별화된 시스템이 개발되고 있다.

초기에는 데이터 마이닝 기법을 활용하여 자동화 또는 반자동화된 수단을 통해 방대한 양의 데이터 속에서 의미 있는 패턴이나 규칙을 찾아내어 추천 알고리즘을 구성하였고, 탐색 및 분석과정은 통계적 기법부터 시작해서 인공지능 기법까지 다양한 기법들이 활용되고 있으며, 이러한 기법들을 통해 분류(Classification), 추정(Estimation), 예측(Prediction), 군집 (Clustering) 등 여러 가지 목적을 달성하고 있다. 인터넷 쇼핑몰에서 고객에게 맞춤 서비스를 제공하는 목적으로 군집화(Clustering)기법, 연관규칙(Association Rule) 기법, 분류(Classification)기법 등이 주로 활용되고 있다.

상품추천 서비스 기술에 대한 연구는 2000년대 후반에 접어들면서, 그 활용범위가 넓어져 유통관리 또는 인터넷 콘텐츠 사이트 뿐 아니라, 교육 영역에도 추천 시스템이 적용되었으며, 개인화된 영어 학습을 위한 추천시스템이 제안되었고, 학업 성취도에 따른 맞춤화된 교육 서비스 제공을 위한 추천 시스템도 개발되었으며, 블로그 추천시스템이나 TV 프로그램 추천 시스템과 같은 전통적 인터넷 서비스와 스마트폰을 대상으로 하는 서비스에도 적용되고 있다.

최근에는 추천 시스템의 방법론이 기업의 경영활동에 기여하기 위해 적용된 연구도 많이 이루어지고 있으며, 이동통신 업체에서 해지 방어를 위해 추천 방법론이 적용되었고, 기업 내 부서간의 지식공유 사이트에서 각 담당자에게 필요한 지식을 제공하는 추천시스템에도 적용되고 있다.

아마존은 사용자가 검색했던 쿠키(Cookie)를 분석해서 로그인하지 않아도 개인화 서비스를 제공하고 있는데, 쿠키를 분석해서 제공하는 서비스는 최근에 봤던 상품과 관련해서 비슷한 상품을 추천해주는 'More Items to Consider', 최근에 검색했던 상품과 같은 주제를 다루는 'Related to ItemsYou've Viewd', 기존의 검새 기록을 사용해 상품을 추천해 주는 'Inspired by Your BrowsingHistory', 이전에 구매했던 기록을 사용해서 원클릭으로 주문에서 결재까지 완료하는 'One ClickService' 총 4가지로 이루어져있다. 쿠키를 활용한 추천뿐만 아니라 아마존은 협업필터링을 사용해 고객들에게 적합한 도서를 찾아주는 'BookMacher' 서비스와 'Recommended for You' 서비스로 고객이 관심을 가질 만한 책을 추천해주는 서비스를 제공하고 있으며, 개별 상품에 대한 추천 시스템이 존재하는데 상품 묶음으로 구매하면 더 저렴하게 할인해주는 추천 형태인 'Beetter Together'서비스와 해당 상품을 구매한 사람들이 구매한 목록을 보여주는 'Customers who Bought Item also Bought'서비스가 있으며, 페이스북과 제휴를 맺고 페이스북 공개 정보에 맞춰진 상품추천을 받거나 페이스북 친구의 리스트를 확인하는 기능을 제공하고 있다.

이베이는 헌치라는 소셜서비스 업체를 인수하여 소비자의 취향을 취합해 검색, 광고, 마케팅 계획 등에 활용하고 있는데, 해당 상품을 구매한 사람들이 조회했던 상품을 알려주는 서비스와 해당 상품이 속한 카테고리에 있는 인기 있는 상품을 추천하는 서비스가 있음. 또 이베이는 페이스북과 제휴를 맺고 상품의 후기를 하나의 콘텐츠로 다양한 SNS에 전달하고 이를 기반으로 소셜 쇼핑 서비스 구축하여 운영하고 있다.

이와 같이 온라인 전자상거래에서 상품추천시스템이 고도화됨에 따라 고객의 취향에 적합한 상품들을 추천함으로써 교차판매(Cross-Sell)나 상향판매(Up-Sell)를 능동적으로 할 수 있고, 결과적으로 Long-Tail의 대중적 트렌드 촉발에 크게 기여하고 있으며, 소셜 네트워크 서비스의 발전은 온라인의 구매 태도에도 변화를 가져와 전문가의 권위, 광고의 영향력이 점점 약해지고 상품구매에 있어 개인화를 통한 추천 시스템 영향력이 점점 증대되고 있다.

본 발명의 목적은 상거래에서 고객에게 정확한 상품추천을 제공할 수 있는 추천 방법을 제공하는 데 있다.

본 발명은 사용자의 구매패턴과 선호 키워드를 이용한 개인화 하이브리드 상품추천 서비스로, 기존의 상품 추천시스템이 협업적 필터링 또는 내용기반 필터링을 사용자에게 동일하게 적용하였으나, 본 기술에서는 사용자별 행동패턴으로부터 추출된 데이터를 분석하여 그것으로부터 각 사용자의 키워드 선호도, 구매한 상품의 유사도, 사용자의 인기 상품 선호도를 추정하여 사용자의 선호패턴에 맞춰 적적할 알고리즘을 적용하여 개인화된 상품을 추천할 수 있도록 한다.

내용기반 추천기법은 '고객 프로파일'과 '상품' 유사성을 기반으로 하여 고객에게 상품을 추천하는 것으로 상품내용을 분석하고 키워드, 구절, 특징에 대한 사용자 프로파일을 생성하고, 상품의 내용과 사용자 프로파일을 비교하고 그 상품들이 사용자에게 관심을 끌 것인가를 평가하며, 특별한 유형의 정보에 대해서만 적용이 가능하며, 고객의 이전 경험과 유사한 상품만 추천하며, 경험한 상품들이 희소할 경우 추천이 잘 이루어지지 못하는 단점이 있다.

협업필터링 분석기법은 비슷한 취향이나 선호를 가진 최근접 이웃(Nearest Neighbor)의 정보를 이용하여 새로운 고객이 흥미를 가지거나 구매할 가능성이 높은 정보를 예측하고 추천하는 것으로, 유클리드 거리, 코사인 유사도, 상관관계 등과 같은 척도를 사용하여 사용자간의 유사성을 산출함. 사용자들에 의해 정보가 충분히 평가되기 전까지는 새로운 정보가 추천될 수 없으며(Sparsity), 사용자들이 늘어날수록 처리해야 하는 자료의 양이 기하급수적으로 증가하여 처리에 많은 시간을 필요하게 된다.(Scalability)

Web Usage Mining기법은 웹 사용자의 행동 데이터(Usage Data)를 분석하여 웹사이트의 개선 및 고객에 대한 차별적인 서비스를 제공하는 것으로, 상품 추천을 위한 패턴발견 방법은 클러스트링, 분류, 연관규칙발견, 순차적 패턴확인으로 가능하다.

하이브리드 분석기법은 각 사용자의 키워드 선호도, 구매한 상품의 유사도, 사용자의 인기 상품 선호도를 추정하여 사용자의 선호패턴에 맞춰 적적할 알고리즘을 적용하여 개인화된 상품을 추천할 수 있도록 한 것이다.

본 발명의 실시 예에 따라, 상품추천 결과를 고객에게 제공하는 데 걸리는 시간이 단축되고, 추천 결과의 정확도가 향상될 수 있으며, 교차판매나 상향판매를 능동적으로 지원할 수 있어 Long-Tail의 대중적 트렌드 촉발에 크게 기여할 수 있고, 상품의 구매확률을 높일 수 있으며 이탈 고객을 최소화할 수 있다.

도 1은 하이브리드 개인화 상품추천 흐름도
도 2는 하이브리드 상품추천 흐름도

본 발명에 따른 하이브리드 분석기법은 각 사용자의 키워드 선호도, 구매한 상품의 유사도, 사용자의 인기 상품 선호도를 추정하여 사용자의 선호패턴에 맞춰 적적할 알고리즘을 적용하여 개인화된 상품을 추천할 수 있도록 한다.

도1 하이브리드 개인화 상품추천 방법은, 온라인 쇼핑몰 등 판매사이트(100)에서 고객이 사이트를 방문하여 사이트 페이지를 조회하는 행동에서 고객서비스이용 데이터를 수집(200)하고 그 데이터에서 고객별 관심선호상품정보를 추출(300)하여 고객 및 상품 프로파일 데이터를 구축(400)한다. 그리고 개인화 추천룰 생성 및 관리(500)를 통해 고객별 개인화 상품추천정보(600)를 생성한 후 개인화 추천조정(700)을 통해 확정한 후 개인화 상품추천정보를 제공(800)하여 최종적으로 고객의 유무선 단말기에 전달(900)되도록 한다.

도2 하이브리드 상품추천 알고리즘은 고객의 서비스이용데이터(S10)와 구매실적데이터(S20)를 이용하여 고객별 이용속성 및 상품속성을 추출하고 정의(S30)하며, 상품에 대한 키워드 점수를 산출(S40)하여 고객별로 키워드의 선호도를 추정(S50)하고 개인별 이용패턴을 정의(S60)한 후 CF(Collaborative Filtering) 즉, 고객들의 선호도와 관심 표현을 바탕으로 선호도나 관심에서 비슷한 패턴을 가진 고객들을 식별해 내고, CBF(Content-Based Filtering) 즉, 사용자가 과거에 사용했거나 평가한 상품을 기반으로 새로운 상품을 추천하는 방식을 활용(S70)하여, 개인별로 최적의 상품추천(S80)을 수행한다.

고객 프로파일 정의는 지식기반 기법과 행위기반 기법을 활용한다. 지식기반 기법(명시적 프로파일 : Explicit Profile)은 설문지와 인터뷰 등을 통해 고객의 지식을 습득한 후 고객들에 대한 공학적 통계모델을 구축하고 가장 밀접한 모델에 고객을 일치시키는 것으로, 전통적인 협업필터링에서는 자신이 관심을 가지는 상품에 대하여 직접 점수를 입력(Rating)하도록 하는 명시적 방법을 이용한다. 고객들이 숫자로 직접입력한 선호도를 고객 프로파일에 포함하거나, 상품에 대한 관심정도를 파악하기 위해 고객이 직접 1-10까지의 값을 상품에 대한 평가로 기입한다.

행위기반 기법(묵시적 프로파일 : Implicit Profile)은 고객의 피드백이나 행위추적에 의해 프로파일링하는 것으로, 어느 특정기간에 대한 고객의 구매처리 기록을 고객 프로파일 형성을 위해 사용(상품구매: 1, 상품 비구매: 0)하거나, 고객의 구매정보를 이진정보로 표현하고 이들의 합과 고객이 구매한 상품수와의 관계로 고객 프로파일을 작성한다. 구매정보의 이진표현은 단순히 그러한 구매행동이 일어났다는 것에 대한 정보만을 나타내는 것으로 구체적인 구매강도에 대한 정보는 포함하고 있지는 못한다.

본 발명에서는 고객 프로파일 모델은 구매여부 외에도 직간접적으로 고객의 관심을 표명하는 행동들은 많이 존재하므로 이진체계의 정보를 이용한 표현으로는 구체적인 강도에 대한 정보는 반영하고 있지 못해, 개인정보만을 이용한 고객 프로파일은 현재 관심을 가지고 있는 정보만이 계속 추천되게 되므로, 고객개인과 고객그룹의 구매횟수, 클릭횟수, 장바구니담기횟수, 관심분야 체크여부에 대한 실제 정보를 이용한 고객 프로파일 모델을 활용한다.

상품 프로파일 모델정의는 상품의 특성을 정리하여 놓은 것으로, 고객의 프로파일 정의를 위해 구매횟수, 클릭횟수, 장바구니 담기횟수, 관심분야 체크 등 실제 고객의 행위정보를 이용하여 고객의 프로파일을 정의하고 유클리드 거리계산에 활용한다.

개인과 그룹의 행동 기반 프로파일 모델정의는 개인 관심수준 계산은 고객 개인의 구매횟수, 클릭횟수, 장바구니담기횟수, 관심분야 체크여부를 이용하여 각 상품특징에 대한 개인의 관심수준을 분석하는 것으로, 특정고객 A의 관심수준인 WII(Weighted Individual Interest)을 계산하고 WII를 전체고객에 대한 상대적인 수준으로 계산한 WIRI(Weighted Individual Relative Interest)을 계산한다.

제품 특징 i, j에 대한 고객 A의 관심수준을 전체고객과 비교하여 상대적으로 계산한 WIRI는 다음과 같이 계산된다.

룹 관심수준 계산은 고객 A와 유사한 행동특성을 보이는 고객들로 이루어진 그룹A를 발견하기 위해 구매횟수, 클릭횟수, 장바구니 담기횟수, 관심분야 체크여부 분석으로 하고, 그룹A가 형성되고 나면 그룹전체의 구매횟수, 클릭횟수, 장바구니 담기횟수, 관심분야 체크 여부를 이용하여 각 상품특징에 대한 그룹의 관심수준을 분석하는 것으로, 그룹A의 관심수준 WGI 계산, WGI를 전체그룹에 대한 상대적인 수준으로 계산한 WGRI을 계산한다.

상품특징 i,j에 대한 그룹A의 관심수준을 전체그룹과 비교하여 상대적으로 계산한 WGRI (Weighted Group Relative Interest)는 다음과 같이 계산한다.

고객 프로파일 모델은 고객A의 행동정보와 그룹A의 행동정보가 반영된, WIGRI (Weighted Individual Group Relative Interest)로 표현되며, 고객A의 개인과 그룹행동기반 고객 프로파일은 IGBCP(Individual Group Behavior Based Customer Profile)로 계산된다.

상품 프로파일 모델과 개인과 그룹 행동기반 고객 프로파일 모델을 이용한 개선된 하이브리드 상품추천 모델은 고객 프로파일과 상품 프로파일간의 유사성을 계산하여 RAm이 큰 순서대로 상품을 추천한다.

100 : 온라인 상거래 사이트
200 : 고객 서비스 이용데이터 수집
300 : 고객별 관심 및 선호 상품정보
400 : 고객프로화일, 상품 프로파일, 구매, 추천룰 데이터베이스
500 : 개인화 추천 룰 생성 및 관리
600 : 개인화 추천정보
700 : 개인화 추천 조정
800 : 개인화 상품추천 정보 제공
900 : 고객별 추천정보 수신

Claims (4)

1. 상품추천 방법이 온라인 상거래 사이트에서 고객들이 페이지를 선택하여 조회하거나 구매하는 정보를 수집하는 단계; 고객별로 관심 또는 선호하는 상품정보를 정제하여 고객 프로파일링과 상품 프로파일링 데이터베이스화하는 단계; 개인화 상품추천 룰을 생성하고 관리하는 단계; 상품추천 룰에 따라 개인화 상푸추천정보를 조정하는 단계; 및 조정된 개인화 상품추천 정보를 유무선 단말기를 통해 해당하는 고객에게 상품추천정보를 제공하는 단계를 포함하는 하이브리드 개인화 상품추천 방법.
2. 제 1 항에 있어서, 하이브리드 개인화 상품추천 알고리즘은 상품거래사이트 이용데이터와 상품구매 실적데이터를 이용하여 이용속성 및 상품추출 및 정의 단계; 키워드 점수를 산출하는 단계; 고객 개인별 키워드 선호도 추정 및 개인 이용패턴을 정의하는 단계; CF(Collaborative Filtering) 즉, 고객들의 선호도와 관심 표현을 바탕으로 선호도나 관심에서 비슷한 패턴을 가진 고객들을 식별해 내고, CBF(Content-Based Filtering) 즉, 사용자가 과거에 사용했거나 평가한 상품을 기반으로 새로운 상품을 추천하는 방식을 활용하는 단계; 및 개인별 상품을 추천하는 단계를 포함하는 하이브리드 개인화 상품추천 방법.
3. 제 1 항에 있어서, 상품 프로파일 정의는 상품의 특성을 정리하여 놓은 것으로, 고객의 프로파일 정의를 위해 구매횟수, 클릭횟수, 장바구니 담기횟수, 관심분야 체크 등 실제 고객의 행위정보를 이용하여 고객의 프로파일을 정의하고 유클리드 거리계산을 활용한 하이브리드 개인화 상품추천 방법.
4. 제 1 항에 있어서, 개인 프로파일 정의에서 개인 관심수준 계산은 고객 개인의 구매횟수, 클릭횟수, 장바구니담기횟수, 관심분야 체크여부를 이용하여 각 상품특징에 대한 개인의 관심수준을 분석하는 방법을 활용한 하이브리드 개인화 상품추천 방법.
   

Images