KR20160069486A - 개인화 추천 방법, 시스템 및 기록 매체 - Google Patents

Abstract

상품의 개인화 추천 방법, 시스템, 및 컴퓨터 판독 가능한 기록 매체가 제공된다. 상기 상품의 개인화 추천 방법은 2개 이상의 단일 추천 알고리즘으로부터 각각의 제1 추천결과를 선정하는 단계, 처리 장치를 이용하여, 각각의 상기 단일 추천 알고리즘의 제1 추천결과에 대한 제1 성능평가가 이루어지는 단계, 각각의 상기 단일 추천 알고리즘의 상기 제1 추천결과에 기초해, 2개 이상의 단일 추천 알고리즘과는 상이한 하이브리드 추천 알고리즘을 이용하여 제2 추천결과를 선정하는 단계, 처리 장치를 이용하여, 상기 하이브리드 추천 알고리즘의 제2 추천결과에 대한 제2 성능평가가 이루어지는 단계, 및 상기 제1 성능평가와 제2 성능평가로부터 우선순위의 추천 알고리즘을 선정한 후, 상품 추천을 나열하는 단계를 포함할 수 있다.

Description

개인화 추천 방법, 시스템 및 기록 매체{PERSONALIZED RECOMMENDATION METHOD, SYSTEM AND COMPUTER-READABLE RECORD MEDIUM}

본 발명은 개인화 추천 방법, 시스템 및 기록 매체에 관한 것으로, 보다 상세하게는 추천 알고리즘의 성능평가를 통해 고객별 추천 상품의 적중률을 높이도록 이루어진 개인화 추천 방법, 시스템 및 기록 매체에 관한 것이다.

상품 추천 서비스는 전자 상거래 분야의 주요한 마케팅 수단으로 널리 이용되고 있다.

일반적으로 인터넷이나 모바일 포털 사이트에 입점한 온라인 마켓은 고객이 온라인 마켓을 방문했을 시, 홈페이지의 메인 화면에 팝업(pop-up) 형태로 상품을 추천하거나 고객이 특정 상품을 클릭한 경우 연관 상품을 고객에게 추천하고 있다. 이때, 추천되는 상품들은 대개 온라인 마켓에서 가장 인기있는 상품 등을 추천하게 된다.

그러나 이와 같은 상품 추천 방법은 고객들 각각의 성향을 고려하지 않고 모든 고객들에게 일괄적인 상품 추천이 이루어지기에 추천상품의 구매 효과가 낮은 문제가 있다.

이에 따라, 온라인 마켓에서는 고객의 구매 행동을 분석하여 해당 고객이 선호할 가능성이 높은 상품을 추천하거나, 해당 고객과 유사한 구매 행동을 보이는 다른 고객이 구매한 상품을 해당 고객에게 추천하게 된다. 즉, 상품 추천 서비스는 고객들 각각의 니즈(needs)와 성향을 반영하여 고객들이 필요로 하는 상품을 추천하도록 변화되고 있다.

이러한 상품 추천 서비스로 사용되는 대표적인 알고리즘에는 협업 필터링(CF : Collaborative Filtering) 알고리즘이 있다. 협업 필터링 알고리즘은 고객들의 선호도와 관심 표현을 바탕으로 선호도, 관심이 비슷한 패턴을 가진 고객들을 식별하여 비슷한 취향을 가진 고객들에게 교차 추천하거나 분류된 고객의 취향이나 생활 형태에 따라 관련 상품을 추천하는 서비스이다.

그러나 협업 필터링 알고리즘은 비슷한 패턴을 가진 고객들이 모두 같은 구매 행동 패턴을 가진다고 가정하에 상품 추천이 이루어지기에, 다른 구매 행동 패턴을 보이는 고객에게는 상품 추천이 제대로 이루어지지 못하는 문제가 있다.

상기와 같은 문제점을 해결하기 위한 본 발명의 기술적 과제는, 고객들 각각의 특성을 반영하여 개인별 상품 추천이 이루어지는 개인화 추천 방법, 시스템 및 기록 매체를 제공하는 것이다.

본 발명의 일실시예에 따르면, 2개 이상의 단일 추천 알고리즘으로부터 각각의 제1 추천결과를 선정하는 단계, 처리 장치를 이용하여, 각각의 상기 단일 추천 알고리즘의 제1 추천결과에 대한 제1 성능평가가 이루어지는 단계, 각각의 상기 단일 추천 알고리즘의 상기 제1 추천결과에 기초해, 2개 이상의 단일 추천 알고리즘과는 상이한 하이브리드 추천 알고리즘을 이용하여 제2 추천결과를 선정하는 단계, 처리 장치를 이용하여, 상기 하이브리드 추천 알고리즘의 제2 추천결과에 대한 제2 성능평가가 이루어지는 단계, 및 상기 제1 성능평가와 제2 성능평가로부터 우선순위의 추천 알고리즘을 선정한 후, 상품 추천을 나열하는 단계를 포함하는 상품의 개인화 추천 방법이 제공된다.

본 발명의 일실시예에 따르면, 상기 단일 추천 알고리즘은 제1 학습 데이터로부터 상기 제1 추천결과를 선정하고, 제1 검증 데이터로부터 제1 검증결과를 선정할 수 있다.

본 발명의 일실시예에 따르면, 상기 제1 학습 데이터와 제1 검증 데이터는 데이터 양의 비율 또는 기간별로 구분될 수 있다.

본 발명의 일실시예에 따르면, 상기 제1 성능평가는 각각의 상기 제1 추천결과와 제1 검증결과와의 적중률 계산을 위한 하기 계산식을 통해 평가되는 것일 수 있다.

적중률(%) = {M1 ÷ (N1 × P1)} × 100 … 계산식

[M1 : 제1 검증결과와 제1 추천결과가 매칭된 수, N1 : 고객수, P1 : 추천 상품수]

본 발명의 일실시예에 따르면, 상기 하이브리드 추천 알고리즘은 상기 제1 검증결과에 기초하여 제2 검증결과를 선정할 수 있다.

본 발명의 일실시예에 따르면, 상기 제2 성능평가는 각각의 상기 제2 추천결과와 제2 검증결과와의 적중률 계산값을 통해 평가될 수 있다.

본 발명의 일실시예에 따르면, 상기 단일 추천 알고리즘은 협업 필터링(CF : Collaborative Filtering), 연관 상품 추천(AR : Assocaiation Rule), 또는 구매 패턴 상품 추천(PP : Purchase Pattern) 중 하나 이상일 수 있다.

본 발명의 일실시예에 따르면, 상기 하이브리드 추천 알고리즘에 의해 제2 추천결과를 선정하는 단계에서, 2이상의 상기 단일 추천 알고리즘 각각으로부터 선정된 상기 제1 추천결과를 통합하고 각 단일 추천 알고리즘의 제1 추천순위를 결정하는 단계, 통합된 상기 제1 추천결과에 대해 고객별 1순위에 해당되는 제1 추천결과의 누적 추천상품수를 비교하여 제2 추천결과의 1순위 상품을 선정하는 단계, 및 상기 제2 추천상품의 1순위 상품을 제외하고, 고객별 상기 제1 추천순위의 1순위와 2순위에 해당되는 상기 제1 추천결과의 누적 추천상품수를 비교하여 상기 제2 추천결과의 2순위 상품을 선정하는 단계를 포함할 수 있다.

본 발명의 일실시예에 따르면, 하나 이상의 상품이 동일한 누적 추천수를 가지며 존재할 때, 상기 제1 추천결과에서 다음 순위에 해당되는 상품을 순차적으로 더하며 누적 추천수가 높은 상품을 기준으로 상기 제2 추천상품의 1순위 상품과 2순위 상품을 순차적으로 선정할 수 있다.

본 발명의 일실시예에 따르면, 상기 제2 추천상품의 2순위 상품이 선정된 이후에, 상기 제2 추천결과의 1순위 상품과 2순위 상품을 제외한 상기 제1 추천결과의 누적 추천상품수를 비교하여 상기 제2 추천결과의 순차적인 상품 순위를 결정하는 단계를 더 포함할 수 있다.

본 발명의 일실시예에 따르면, 상기 제2 추천상품의 2순위 상품이 선정된 이후에, 상기 제1 추천결과의 1 이상의 상품이 동일한 누적 추천수를 갖는다면, 판매율 순위에 따라 상기 제2 추천결과에서 순차적인 상품 순위를 결정하는 단계를 더 포함할 수 있다.

본 발명의 일실시예에 따르면, 우선순위가 높은 추천 알고리즘으로부터 우선순위가 낮은 추천 알고리즘으로 추천 알고리즘의 정해진 우선순위에 따라 상기 상품 추천이 나열될 수 있다.

본 발명의 일실시예에 따르면, 고객의 구매 이력 정보를 보관하는 데이터 관리부, 상기 데이터 관리부로부터 제공된 데이터를 이용하여 고객을 위해 상품 추천을 결정하는 상품 추천부, 및 상기 상품 추천부로부터 결정된 상기 상품 추천을 고객에게 제공하는 추천 제공부를 포함하는 개인화 추천 시스템이 제공된다.

본 발명의 일실시예에 따르면, 상기 추천 제공부는 상기 데이터 관리부에 접속한 고객들을 대상으로 상기 상품 추천을 제공하거나, 상기 데이터 관리부의 접속과는 상관없이 예상되는 상품 구매시간에 기초하여 고객의 단말 장치로 상기 상품 추천을 제공하도록 이루어질 수 있다.

본 발명의 일실시예에 따르면, 상기 상품 추천부는 상기 데이터 관리부로부터 복수의 상품 카테고리의 구매 정보를 제공받도록 이루어질 수 있다.

본 발명의 일실시예에 따르면, 본 발명에 따른 방법을 실시하기 위한 컴퓨터 프로그램을 기록하기 위한 컴퓨터 판독 가능한 기록 매체가 제공된다.

상기에서 설명한 본 발명에 따른 개인화 추천 방법, 시스템 및 기록 매체의 효과를 설명하면 다음과 같다.

본 발명에 따르면, 적어도 2개 이상의 단일 추천 알고리즘과 하이브리드 추천 알고리즘으로부터 선정된 제1 추천결과, 제2 추천결과 및 성능평가를 통해 고객 추천상품이 결정되기에 추천 상품의 적중률이 높다. 즉, 고객 추천상품은 제1 추천결과와 제2 추천결과에 대한 성능평가를 통해 알고리즘별로 우선순위를 결정하고, 성능평가 결과에 따른 상위 알고리즘의 추천결과로부터 하위 알고리즘의 추천결과 순으로 고객 추천상품의 리스트를 제공하게 되어 추천 상품의 적중률이 높다.

본 발명에 따르면, 추천 상품의 종류 및 특성에 따라 관리자는 단일 추천 알고리즘을 선택적으로 조정하여 고객 추천상품의 적중률을 높일 수 있다.

본 발명의 효과는 상기한 효과로 한정되는 것은 아니며, 본 발명의 상세한 설명 또는 특허청구범위에 기재된 발명의 구성으로부터 추론가능한 모든 효과를 포함하는 것으로 이해되어야 한다.

도 1은 본 발명의 일실시예에 따른 개인화 추천 시스템을 보여주는 개략도이다.
도 2는 본 발명의 일실시예에 따른 개인화 추천 방법을 나타낸 흐름도이다.
도 3은 본 발명의 일실시예에 따른 단일 추천 알고리즘을 통해 구해진 제1 추천결과와 제1 검증결과를 보여주는 예시도이다.
도 4는 본 발명의 일실시예에 따른 하이브리드 추천 알고리즘을 통해 구해진 제2 추천결과를 보여주는 예시도이다.
도 5는 본 발명의 일실시예에 따른 판매율 순위를 나타낸 예시도이다.
도 6은 본 발명의 일실시예에 따른 고객 추천상품이 선정되는 과정을 보여주는 예시도이다.
도 7은 본 발명의 일실시예에 따른 고객 추천상품의 결과표이다.

후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 통상의 기술자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예에 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.

이하에서는, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 바람직한 실시예들에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.

도 1은 본 발명의 일실시예에 따른 개인화 추천 시스템을 보여주는 개략도로, 개인화 추천 시스템(1000)은 데이터 관리부(100), 상품 추천부(200) 및 추천 제공부(300)를 포함할 수 있다.

이러한 데이터 관리부(100)는 다수의 단말 장치(10)와 통신망(20)을 통해 연결되도록 이루어진다. 여기서 다수의 단말 장치(10)는 사용자의 조작에 따라 통신망(20)을 경유하는 각종 데이터를 송수신할 수 있는 단말기가 될 수 있으며, 태블릿 PC(Table PC), 랩톱(Laptop), 개인용 컴퓨터(PC: Personal Computer), 스마트폰(Smart Phone), 개인휴대용 정보단말기(PDA: Personal Digital Assistant), 스마트 TV 및 이동통신 단말기(Mobile Communication Terminal) 등 중 어느 하나일 수 있다. 또한, 단말 장치(10)는 통신망(20)을 이용하여 음성 또는 데이터 통신을 수행하는 단말기이며, 통신망(20)을 경유하여 데이터 관리부(100)와 통신하기 위한 브라우저, 프로그램 및 프로토콜을 저장하는 메모리, 각종 프로그램을 실행하여 연산 및 제어하기 위한 마이크로프로세서 등을 구비하고 있는 단말기를 의미한다. 예를 들어, 단말 장치(10)는 데이터 관리부(100)와 서버-클라이언트 통신이 가능하고, 방송 서비스를 실행할 수 있다면 그 어떠한 단말기도 가능하며, 노트북 컴퓨터, 이동통신 단말기, PDA 등의 통신 컴퓨팅 장치를 모두 포함하는 넓은 개념이다. 한편, 단말 장치(10)는 터치 스크린을 구비한 형태로 제작되는 것이 바람직하나 반드시 이에 한정되는 것은 아니다.

다수의 단말 장치(10) 및 데이터 관리부(100)는 통신망(20)을 통해 연동되며, 이러한 통신망(20)은 인터넷망, 인트라넷망, 이동통신망, 위성 통신망 등 다양한 유무선 통신 기술을 이용하여 인터넷 프로토콜로 데이터를 송수신할 수 있는 망을 말한다.

또한, 통신망(20)은 데이터 관리부(100)와 결합되어 하드웨어, 소프트웨어 등의 컴퓨팅 자원을 저장한다. 이러한, 통신망(20)은 LAN(Local Area Network), WAN(Wide Area Network)등의 폐쇄형 네트워크, 인터넷(Internet)과 같은 개방형 네트워크뿐만 아니라, CDMA(Code Division Multiple Access), WCDMA(Wideband Code Division Multiple Access), GSM(Global System for Mobile Communications), LTE(Long Term Evolution), EPC(Evolved Packet Core) 등의 네트워크와 향후 구현될 차세대 네트워크 및 컴퓨팅 네트워크를 통칭하는 개념이다.

이와 같은 데이터 관리부(100)는 통신망(20)을 통해 다수 고객들의 구매 정보를 저장하게 된다.

예로, 데이터 관리부(100)는 온라인 마켓의 서버가 될 수도 있다. 이러한 데이터 관리부(100)는 고객들이 온라인 마켓상에서 구매 또는 관심을 갖는 상품의 각종 데이터 자료를 보관하게 된다. 만약, 온라인 마켓의 서버가 데이터 관리부(100)로 사용되는 경우, 데이터 관리부(100)는 고객의 기본 정보, 구매상품, 관심상품, 장바구니 담긴 상품, 연관상품구매, 구매패턴, 구매지역, 구매금액, 또는 고객과 관련된 다른 적절한 유형의 정보와 같은 다양한 원천 데이터를 보관하게 된다.

이와 같이, 데이터 관리부(100)는 고객 추천상품을 제공하기 위한 원천 데이터를 보관하는 저장소이다.

한편, 상품 추천부(200)는 데이터 관리부(100)로부터 전달된 데이터를 이용하여 고객에게 적중도가 높은 맞춤형 고객 추천상품을 제공하게 된다. 이때, 상품 추천부(200)는 데이터 관리부(100)로부터 원하는 데이터만을 선택적으로 수집한 후, 고객 추천상품을 선정할 수도 있다. 즉, 상품 추천부(200)는 데이터 관리부(100)에 보관된 모든 데이터를 분석하는 것이 아니라, 선택적인 데이터 수집을 통해 불필요한 데이터의 양을 줄임으로써, 고객 추천상품을 선정하는데 필요한 시간을 단축할 수 있다.

예를 들면, 상품 추천부(200)는 카테고리별로 고객의 구매 정보를 제공받을 수도 있다. 즉, 식품, 가구, 디지털 장치, 가전, 컴퓨터, 또는 기타 등등의 다양한 카테고리 중 고객에게 추천하고자 하는 상품의 카테고리만을 선택적으로 제공받을 수도 있음은 물론이다.

이러한 상품 추천부(200)는 빅데이터(Big Data)를 효과적으로 관리하기 위한 분산 처리 시스템이 도입될 수도 있다. 분산 처리 시스템은 처리 능력이나 처리 효율의 향상을 높일 수 있도록 여러 개의 처리 장치가 병렬로 비동기적으로 서로 도와가며 작업을 처리하는 것으로, 모든 데이터 처리를 하나의 처리 시스템에 집중시키는 것이 아니라 복수의 시스템에 분산시켜 데이터 처리가 이루어지도록 한다.

이와 같은, 상품 추천부(200)는 단일 추천 알고리즘(210)과 하이브리드 추천 알고리즘(220)이 구비되어 고객에게 적중률이 높은 고객 추천상품을 제공하게 된다. 단일 추천 알고리즘(210)은 협업 필터링(CF : Collaborative Filtering), 연관 상품 추천(AR : Assocaiation Rule), 구매 패턴 상품 추천(PP : Purchase Pattern) 알고리즘 등이 될 수 있다. 이때, 단일 추천 알고리즘(210)은 상술된 추천 방식에만 한정되지 않으며, 다양한 알고리즘이 추가로 확장 적용될 수 있음은 물론이다.

단일 추천 알고리즘(210)의 협업 필터링에는 구매자 기반 추천과 상품 기반 추천이 있다. 구매자 기반 추천(Customer Based CF)은 나와 취향이 비슷한 구매자가 어떤 것을 구매했는지를 기반으로 상품을 추천하는 기법이다. 상품 기반 추천(Item Based CF)은 내가 이전에 구매했던 항목을 기반으로 그 상품과 연관성이 있는 다른 상품을 추천하는 기법이다.

연관 상품 추천은 고객의 구매실적정보를 기반으로 구매한 상품과의 연관 상품을 도출하는 기법이다. 이 기법에서는, 연관성이 높은 상품을 점수화하여 상품을 추천한다.

구매 패턴 상품 추천은 고객의 상품 구매주기를 산출하여 구매가 예상되는 상품을 추천하는 기법으로, 고객의 평균 구매주기, 최근 구매주기 등을 종합적으로 고려하여 상품을 추천하는 기법이다.

다시 말해서, 상품 추천부(200)는 단일 추천 알고리즘(210)을 통해 제1 추천결과(211)를 선정하게 되고, 제1 성능평가(215)를 통해 단일 추천 알고리즘(210)별 적중률을 계산하게 된다. 이때, 단일 추천 알고리즘(210)은 적어도 2개 이상의 알고리즘을 사용하여 제1 추천결과(211)를 선정하게 된다.

또한 상품 추천부(200)는 하이브리드 추천 알고리즘(220)을 통해 제2 추천결과(221)를 선정하게 되고, 제2 성능평가(225)를 통해 하이브리드 추천 알고리즘(220)의 적중률을 계산하게 된다.

이와 같이, 단일 추천 알고리즘(210)과 하이브리드 추천 알고리즘(220)을 통해 추천결과와 적중률을 계산하는 방법은 후술될 내용을 통해 구체적으로 설명하기로 한다.

한편, 추천 제공부(300)는 상품 추천부(200)로부터 선정된 고객 추천상품을 고객에게 제공하도록 이루어진다. 이러한 추천 제공부(300)는 화면을 통해 시각적으로 출력하는 표시부가 될 수도 있으며, 가청음을 출력하는 스피커 등이 될 수도 있다. 즉, 추천 제공부(300)는 고객에게 상품 추천을 제공할 수 있도록 다양한 유형의 장치를 포함할 수 있다.

추천 제공부(300)는 고객 추천상품을 리스트의 형태로 제공할 수도 있고, 그래프 형태로 제공할 수도 있는 등 고객 추천상품의 제공 형태는 다양하게 이루어질 수 있다. 이러한 추천 제공부(300)는 온라인 마켓상에 접속한 고객들을 대상으로 제공할 수도 있고, 온라인 마켓의 접속과는 상관없이 고객의 구매 예상 시기에 맞쳐 고객의 단말 장치(10)로 고객 추천상품을 제공할 수도 있음은 물론이다.

도 2는 본 발명의 일실시예에 따른 개인화 추천 방법을 나타낸 흐름도이고, 도 3은 본 발명의 일실시예에 따른 단일 추천 알고리즘을 통해 구해진 제1 추천결과와 제1 검증결과를 보여주는 예시도이며, 도 4는 본 발명의 일실시예에 따른 하이브리드 추천 알고리즘을 통해 구해진 제2 추천결과를 보여주는 예시도이고, 도 5는 본 발명의 일실시예에 따른 판매율 순위를 나타낸 예시도이다.

도 2 내지 도 5를 참고하면, 개인화 추천 방법은 추천 알고리즘의 성능평가를 통해 고객 추천상품을 선정하게 된다.

고객 추천상품을 선정하는 상품 추천부(200)는 단일 추천 알고리즘(210)과 하이브리드 추천 알고리즘(220)을 가지며, 적중률이 높은 상품을 고객 추천상품으로 선정하게 된다.

구체적으로, 개인화 추천 방법을 살펴보면, 먼저 관리자는 적어도 2개 이상의 단일 추천 알고리즘(210)과 하이브리드 추천 알고리즘(220)을 선택하게 된다. 이때, 관리자는 다수개의 단일 추천 알고리즘(210) 중 선택적으로 2개 이상의 알고리즘을 선택하게 된다. 상술된 바와 같이, 단일 추천 알고리즘(210)은 협업 필터링, 연관 상품 추천, 구매 패턴 상품 추천 등이 될 수 있으며, 이외에도 다양한 알고리즘이 추가로 확장 적용될 수 있음은 물론이다.

다음으로, 하이브리드 추천 알고리즘(220)을 제외한 선택된 단일 추천 알고리즘(210)에 대한 알고리즘의 수행을 통해 단일 추천 알고리즘(210)별로 각각의 제1 추천결과(211)를 선정하게 된다.(S100)

이때, 단일 추천 알고리즘(210)은 데이터 관리부(100)로부터 제공된 데이터에 대해 제1 학습 데이터와 제1 검증 데이터로 구분한 후, 알고리즘을 수행하게 된다. 여기서 제1 학습 데이터와 제1 검증 데이터의 데이터 구분은 데이터 비율로 나눌 수도 있고, 기간별로도 나눌 수 있는 등 다양한 방법으로 제1 학습 데이터와 제1 검증 데이터는 구분될 수 있다. 예를 들면, 제1 학습 데이터와 제1 검증 데이터를 데이터 비율로 나눌 경우, 제1 학습 데이터와 제1 검증 데이터는 8:2의 비율을 갖도록 나눌 수도 있다. 또한, 제1 검증 데이터와 제1 검증 데이터을 기간별로 나눌 경우, 제1 학습 데이터와 제1 검증 데이터는 1년을 기준으로 10달 동안의 데이터 자료와 2달 동안의 데이터 자료로 나눌 수도 있다. 이러한 제1 학습 데이터와 제1 검증 데이터의 구분 비율 및 구분 방식은 상술된 방법에 한정되지 않으며, 다양한 방법을 통해 제1 학습 데이터와 제1 검증 데이터는 나눠질 수 있다.

이와 같이, 나눠진 제1 학습 데이터와 제1 검증 데이터는 단일 추천 알고리즘(210)별로 각각 제1 추천결과(211)와 제1 검증결과(212)를 선정하는데 사용된다.

도 3을 참고하면, 선택된 단일 추천 알고리즘(210)을 통해 구해진 제1 추천결과(211)와 제1 검증결과(212)를 나타낸 예로, 단일 추천 알고리즘(210)은 협업 필터링(CF), 연관 상품 추천(AR), 구매 패턴 상품 추천(PP)의 3가지가 선택되었다. 즉, 도 3(a)는 협업 필터링(CF)의 알고리즘을 통해 구해진 고객별 제1 추천상품과 제1 추천순위가 보여지는 제1 추천결과(211)와 제1 검증결과(212)이다. 여기서 제1 추천결과(211)는 제1 학습 데이터에 대한 데이터 결과이고, 제1 검증결과(212)는 제1 검증 데이터에 대한 데이터 결과이다.

이와 같은 방법으로 연관 상품 추천(AR), 구매 패턴 상품 추천(PP)의 알고리즘에 대해서도 각각의 제1 추천결과(211)와 제1 검증결과(212)를 구하게 된다.

다음으로, 각각의 단일 추천 알고리즘(210)을 통해 구해진 제1 추천결과(211)와 제1 검증결과(212)로부터 제1 성능평가(215)를 수행하게 된다. 이때, 제1 성능평가(215)는 하기의 적중률 계산식을 통해 구해질 수 있다.(S200)

적중률(%) = {M1 ÷ (N1 × P1)} × 100 … 계산식(1)

[M1 : 제1 검증결과와 제1 추천결과가 매칭된 수, N1 : 고객수, P1 : 추천 상품수]

도 3(a)를 참고하여, 협업 필터링(CF) 알고리즘에 대한 제1 성능평가(215)를 구할 경우, 제1 검증결과(212)와 제1 추천결과(211)가 매칭된 수는 2개이고(즉, 매칭된 상품은 E 및 B), 고객수 1명이며, 추천 상품수는 5개가 된다. 즉, 적중률 계산식(1)에 M1:2, N1:1, P1:5 을 대입하여 구해진 협업 필터링(CF) 알고리즘에 대한 제1 성능평가(215)는 40%가 된다.

도 3(b)를 참고하여, 연관 상품 추천(AR) 알고리즘에 대한 제1 성능평가(215)를 구할 경우, 적중률 계산식(1)에 M1:1, N1:1, P1:5 을 대입하여 구해진 연관 상품 추천(AR) 알고리즘에 대한 제1 성능평가(215)는 20%가 된다.

도 3(c)를 참고하여, 구매 패턴 상품 추천(PP) 알고리즘에 대한 제1 성능평가(215)를 구할 경우, 적중률 계산식에 M1:3, N1:1, P1:5 을 대입하여 구해진 구매 패턴 상품 추천(PP) 알고리즘에 대한 제1 성능평가(215)는 60%가 된다.

여기서 제1 검증결과(212)와 제1 추천결과(211)의 매칭된 수는 동일한 추천순위에 동일한 추천상품이 매칭될 경우에만 매칭된 수로 계산을 하였으나, 동일한 추천순위를 기준으로 기설정된 범위 내에(예를 들어, 한 단계 위 또는 아래) 동일 상품이 위치된 경우에는 매칭된 수를 0.5 개로 지정할 수도 있는 등, 제1 검증결과(212)와 제1 추천결과(211)의 매칭되는 수는 관리자가 설정한 초기 설정 값에 따라 달라질 수 있다.

다음으로, 하이브리드 추천 알고리즘(220)은 단일 추천 알고리즘(210)을 통해 구해진 각각의 제1 추천결과(211)로부터 제2 추천결과(221)를 선정하게 된다.(S300)

도 4를 참고하여 제2 추천결과(221)의 선정과정을 살펴보면, 먼저 각각의 단일 추천 알고리즘의 제1 추천순위에서 1순위(최상 순위)에 해당하는 제품의 누적 추천수를 비교하게 된다. 즉, 협업 필터링(CF) 알고리즘 중 1순위에 해당되는 제품은 A이고, 연관 상품 추천(AR) 알고리즘의 1순위에 해당되는 제품은 B이며, 구매 패턴 상품 추천(PP) 알고리즘의 1순위에 해당되는 제품은 C가 된다. 따라서, 제1 추천순위의 1순위에 해당되는 제품은 A, B, C가 각각 1개씩으로 누적 추천수가 모두 동일하여, 제1 추천순위의 1순위에 해당되는 제품만으로는 제2 추천결과(221)의 1순위 상품을 선정하지 못한다. 그러나, 제1 추천순위의 1순위에 해당되는 제품 중 누적 추천수가 유일하게 높은 제품이 있다면 그 제품이 제2 추천결과(221)의 1순위 상품이 된다.

도 4로 돌아가서, 제1 추천순위의 1순위에 해당되는 제품은 누적 추천수가 모두 1개씩으로 동일하다. 이 경우, 각각의 단일 추천 알고리즘의 제1 추천순위의 1순위와 2순위에 해당하는 제품의 누적 추천수 비교를 통해 제2 추천결과(221)의 1순위 상품을 선정하게 된다.

다시 도 4를 참고하면, 제1 추천순위의 1순위와 2순위에 해당하는 제품의 누적 추천수는 A가 1개, B가 1개, C가 1개, D가 2개, E가 1개로 D 제품의 누적 추천수가 가장 높다. 따라서, 제품 D는 제2 추천결과(221)의 1순위 상품으로 선정된다.

이와 같이, 제2 추천결과(221)의 1순위 상품이 선정된 상태에서 제1 추천순위의 1순위 내지 3순위에 해당하는 각 제품의 누적 추천수를 통해 제2 추천결과(221)의 2순위 상품을 선정하게 된다. 이때, 제2 추천결과(221)의 1순위 상품은 누적 추천수에서 제외된다(예를 들어, 본 예시에서 제품 D).

이와 같이 계산된 제품(누적 추천수)은 A(2), B(1), C(2), E(1), W(1)로 유일하게 높은 누적 추천수를 갖는 상품이 선정되지 못한다. 즉, A(2), C(2)는 다른 상품에 비해 누적 추천수는 높지만 유일하게 높은 누적 추천수를 갖는 상품이 아니므로, 제1 추천순위의 1순위 내지 3순위에서는 제2 추천결과(221)의 2순위 상품이 선정되지 못하였다. 이때, 앞서 설명한 바와 같이, D 제품의 누적 추천수는 2개이나, D 제품은 제2 추천결과(221)의 1순위 상품으로 2순위 및 이외의 순위 상품에서도 제외된다.

다음으로, 제1 추천순위의 1순위 내지 4순위에 해당하는 제품의 누적 추천수를 통해 제2 추천결과(221)의 2순위 상품을 선정하게 된다.

제1 추천순위의 1순위 내지 4순위에 해당하는 제품(누적 추천수)을 계산한 결과, A(2), B(2), C(2), E(3), W(1)로 유일하게 높은 누적 추천수를 갖는 E 제품이 제2 추천결과(221)의 2순위 상품이 된다.

다음으로, 제2 추천결과(221)의 2순위 상품을 선정한 후, 제2 추천결과(221)의 2순위 상품이 선정된 제1 추천순위의 1순위 내지 4순위에 해당하는 각 제품의 누적 추천수에 따라 순차적으로 제2 추천결과(221)의 3순위 상품, 4순위 상품 등을 선정하게 된다.

그러나 제1 추천순위의 1순위 내지 4순위에 제2 추천결과(221)의 2순위 상품으로 선정된 E 제품을 제외한 누적 추천수의 결과가 A(2), B(2), C(2)로 동일한 누적 추천수를 나타내고 있기에 누적 추천수만으로는 제2 추천결과(221)의 3순위 상품, 4순위 상품 등을 선정할 수가 없다.

따라서, 제2 추천결과(221)의 1순위와 2순위 상품을 제외하고 높은 누적 추천수를 보이는 A(2), B(2), C(2)의 제품은 판매율 순위에 따라 제2 추천상품의 순차적인 상품 순위로 결정된다.

도 5를 참고하여 제2 추천결과(221)의 1순위와 2순위 상품을 제외하고(예를 들어 제품 D 및 E) 높은 누적 추천수를 보이는 A 제품, B 제품 및 C 제품의 판매율을 살펴보면, A 제품은 판매율이 17.6%로 판매순위 2위를 기록하고 있고, B 제품은 판매율이 8.8%로 판매순위 5위를 기록하고 있으며, C 제품은 판매율이 11.4%로 판매순위 4위를 기록하고 있다.

따라서, 동일한 누적 추천수를 갖는 A 제품, B 제품 및 C 제품은 판매율 순위에 따라 각각 제2 추천결과(221)의 3, 5, 및 4순위 상품이 된다.

이와 같이, 하이브리드 추천 알고리즘(220)을 통해 선정된 제2 추천결과(221)에 따른 제2 추천순위에 따른 제2 추천상품은 D 상품, E 상품, A 상품, C 상품, B 상품이 된다.

여기서, 하이브리드 추천 알고리즘(220)을 통해 선정되는 제2 추천결과(221)는 판매율 순위를 적용하지 않고 오직 누적 추천수만을 이용하여 선정할 수도 있고, 제2 추천결과(221)의 특정 순위까지 추천 상품을 누적 추천수로 선정하고, 나머지의 추천 상품은 판매율 순위에 따라 제2 추천결과(221)를 선정할 수도 있다. 즉, 제2 추천결과(221)의 2순위 또는 3순위 상품까지 누적 추천수로 선정하고, 나머지의 추천 상품은 판매율 순위에 따라 제2 추천결과(221)를 선정할 수도 있는 등 관리자는 하이브리드 추천 알고리즘(220)을 통해 선정되는 제2 추천결과(221)의 선정 방법을 다양하게 조정할 수 있음은 물론이다.

한편, 하이브리드 추천 알고리즘(220)은 제1 검증결과(212)로부터 제2 검증결과(222)를 선정하게 된다. 이때, 제2 검증결과(222)의 선정은 하이브리드 추천 알고리즘(220)의 제2 추천결과(221)의 선정방법과 동일한 방법으로 제2 검증결과(222)를 선정하게 된다. 이러한 제2 검증결과(222)를 선정하기 위한 구체적인 내용은 생략하기로 한다. 이때, 제2 검증결과(222)는 판매율 순위를 적용하지 않고 누적 추천수만으로도 제2 검증결과(222)를 선정할 수도 있음은 물론이다.

이와 같이, 하이브리드 추천 알고리즘(220)으로부터 구해진 제2 추천결과(221)와 제2 검증결과(222)로부터 제2 성능평가(225)가 이루어진다. 여기서 제2 성능평가(225)는 앞서 설명한 제1 성능평가(215)와 같이 적중률 계산식(1)을 통해 구해지며, 제2 성능평가(225)의 구체적인 계산 방법은 생략하기로 한다.(S400)

도 6은 본 발명의 일실시예에 따른 고객 추천상품이 선정되는 과정을 보여주는 예시도이고, 도 7은 본 발명의 일실시예에 따른 고객 추천상품의 결과표이다.

도 6과 도 7을 참조하면, 단일 추천 알고리즘(210)과 하이브리드 추천 알고리즘(220)을 통해 산출된 제1 추천결과(211), 제1 검증결과(212), 제2 추천결과(221) 및 제2 추천결과(221)로부터 고객 추천상품은 선정될 수 있다.

고객 추천상품 선정은 추천 알고리즘의 성능평가를 기준으로 우선순위를 정한 후, 우선순위가 높은 추천 알고리즘의 추천결과로부터 우선순위가 낮은 추천 알고리즘의 추천결과 순으로 고객 추천상품 리스트를 작성하게 된다. 이때, 우선순위가 높은 추천 알고리즘은 성능평가를 통해 적중률이 높은 추천 알고리즘이 된다.(S500)

도 6(a)는 각각의 단일 추천 알고리즘(210)과 하이브리드 추천 알고리즘(220)의 성능평가 결과에 따른 우선순위를 보여주는 것으로, 하이브리드 추천 알고리즘(220), 구매 패턴 상품 추천(PP) 알고리즘, 협업 필터링(CF) 알고리즘, 연관 상품 추천 알고리즘(AR)의 순서로 우선순위가 결정된 것을 알 수 있다.

도 6(b)는 우선순위가 높은 추천 알고리즘의 추천결과로부터 우선순위가 낮은 추천 알고리즘의 추천결과 순으로 고객 추천상품 리스트가 작성된 것으로 보여주는 것이다. 이와 같이, 고객 추천상품은 첫째 우선순위를 기준으로 나열이 되고, 둘째 추천 알고리즘 내의 추천순위별로 추천상품이 나열된다.

이러한 개인화 추천 방법에 의해 나열된 고객 추천상품은 도 6(c)에서 보는 바와 같이 상위에 동일한 고객 추천상품이 존재하는 경우, 하위에 위치되는 상품은 제외되며, 고객 추천상품의 리스트 정리가 이루어진다.

도 7은 상술된 방법에 의해 선정된 고객 추천상품의 결과표로, D 상품, E 상품, A 상품, C 상품, B 상품, W 상품, S 상품, F 상품의 순위로 고객에게 고객 추천상품을 추천하게 된다.

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 통상의 기술자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능한 기록 매체의 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.

이러한 개인화 추천 방법에 따른 고객 추천상품의 선정 방법은 본 발명의 바람직한 일실시예로, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 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.

본 발명의 범위는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

100: 데이터 관리부
200: 상품 추천부
210: 단일 추천 알고리즘
211: 제1 추천결과
212: 제1 검증결과
215: 제1 성능평가
220: 하이브리드 추천 알고리즘
221: 제2 추천결과
222: 제2 검증결과
225: 제2 성능평가
300: 추천 제공부
1000: 개인화 추천 시스템

Claims (16)

1. 2개 이상의 단일 추천 알고리즘으로부터 각각의 제1 추천결과를 선정하는 단계;
   처리 장치를 이용하여, 각각의 상기 단일 추천 알고리즘의 제1 추천결과에 대한 제1 성능평가가 이루어지는 단계;
   각각의 상기 단일 추천 알고리즘의 상기 제1 추천결과에 기초해, 2개 이상의 단일 추천 알고리즘과는 상이한 하이브리드 추천 알고리즘을 이용하여 제2 추천결과를 선정하는 단계;
   처리 장치를 이용하여, 상기 하이브리드 추천 알고리즘의 제2 추천결과에 대한 제2 성능평가가 이루어지는 단계; 및
   상기 제1 성능평가와 제2 성능평가로부터 우선순위의 추천 알고리즘을 선정한 후, 상품 추천을 나열하는 단계를 포함하는 상품의 개인화 추천 방법.
   
2. 제1항에 있어서,
   상기 단일 추천 알고리즘은 제1 학습 데이터로부터 상기 제1 추천결과를 선정하고, 제1 검증 데이터로부터 제1 검증결과를 선정하는 것인 상품의 개인화 추천 방법.
   
3. 제2항에 있어서,
   상기 제1 학습 데이터와 제1 검증 데이터는 데이터 양의 비율 또는 기간별로 구분되는 것인 상품의 개인화 추천 방법.
   
4. 제2항에 있어서,
   상기 제1 성능평가는 각각의 상기 제1 추천결과와 제1 검증결과와의 적중률 계산을 위한 하기 계산식을 통해 평가되는 것인 상품의 개인화 추천 방법.
   
   적중률(%) = {M1 ÷ (N1 × P1)} × 100 … 계산식
   [M1 : 제1 검증결과와 제1 추천결과가 매칭된 수, N1 : 고객수, P1 : 추천 상품수]
   
5. 제2항에 있어서,
   상기 하이브리드 추천 알고리즘은 상기 제1 검증결과에 기초하여 제2 검증결과를 선정하는 것인 상품의 개인화 추천 방법.
   
6. 제5항에 있어서,
   상기 제2 성능평가는 각각의 상기 제2 추천결과와 제2 검증결과와의 적중률 계산값을 통해 평가되는 것인 상품의 개인화 추천 방법.
   
7. 제1항에 있어서,
   상기 단일 추천 알고리즘은 협업 필터링(CF : Collaborative Filtering), 연관 상품 추천(AR : Assocaiation Rule), 또는 구매 패턴 상품 추천(PP : Purchase Pattern) 중 하나 이상인 것인 상품의 개인화 추천 방법.
   
8. 제1항에 있어서,
   상기 하이브리드 추천 알고리즘에 의해 제2 추천결과를 선정하는 단계에서,
   2이상의 상기 단일 추천 알고리즘 각각으로부터 선정된 상기 제1 추천결과를 통합하고 각 단일 추천 알고리즘의 제1 추천순위를 결정하는 단계;
   통합된 상기 제1 추천결과에 대해 고객별 1순위에 해당되는 제1 추천결과의 누적 추천상품수를 비교하여 제2 추천결과의 1순위 상품을 선정하는 단계; 및
   상기 제2 추천상품의 1순위 상품을 제외하고, 고객별 상기 제1 추천순위의 1순위와 2순위에 해당되는 상기 제1 추천결과의 누적 추천상품수를 비교하여 상기 제2 추천결과의 2순위 상품을 선정하는 단계를 포함하는, 상품의 개인화 추천 방법.
   
9. 제8항에 있어서,
   하나 이상의 상품이 동일한 누적 추천수를 가지며 존재할 때, 상기 제1 추천결과에서 다음 순위에 해당되는 상품을 순차적으로 더하며 누적 추천수가 높은 상품을 기준으로 상기 제2 추천상품의 1순위 상품과 2순위 상품을 순차적으로 선정하는 상품의 개인화 추천 방법.
   
10. 제9항에 있어서,
    상기 제2 추천상품의 2순위 상품이 선정된 이후에, 상기 제2 추천결과의 1순위 상품과 2순위 상품을 제외한 상기 제1 추천결과의 누적 추천상품수를 비교하여 상기 제2 추천결과의 순차적인 상품 순위를 결정하는 단계를 더 포함하는 상품의 개인화 추천 방법.
    
11. 제9항에 있어서,
    상기 제2 추천상품의 2순위 상품이 선정된 이후에, 상기 제1 추천결과의 1 이상의 상품이 동일한 누적 추천수를 갖는다면, 판매율 순위에 따라 상기 제2 추천결과에서 순차적인 상품 순위를 결정하는 단계를 더 포함하는 상품의 개인화 추천 방법.
    
12. 제1항에 있어서,
    우선순위가 높은 추천 알고리즘으로부터 우선순위가 낮은 추천 알고리즘으로 추천 알고리즘의 정해진 우선순위에 따라 상기 상품 추천이 나열되는 상품의 개인화 추천 방법.
    
13. 제1항에 따른 방법을 위한 개인화 추천 시스템으로서,
    고객의 구매 이력 정보를 보관하는 데이터 관리부;
    상기 데이터 관리부로부터 제공된 데이터를 이용하여 고객을 위해 상품 추천을 결정하는 상품 추천부; 및
    상기 상품 추천부로부터 결정된 상기 상품 추천을 고객에게 제공하는 추천 제공부를 포함하는 개인화 추천 시스템.
    
14. 제13항에 있어서,
    상기 추천 제공부는 상기 데이터 관리부에 접속한 고객들을 대상으로 상기 상품 추천을 제공하거나, 상기 데이터 관리부의 접속과는 상관없이 예상되는 상품 구매시간에 기초하여 고객의 단말 장치로 상기 상품 추천을 제공하도록 이루어진 개인화 추천 시스템.
    
15. 제13항에 있어서,
    상기 상품 추천부는 상기 데이터 관리부로부터 복수의 상품 카테고리의 구매 정보를 제공받도록 이루어진 개인화 추천 시스템.
    
16. 제1항에 따른 방법을 실행하기 위한 컴퓨터 프로그램을 기록하기 위한 컴퓨터 판독 가능한 기록 매체.

Images