KR20190012894A

KR20190012894A - 구매패턴데이터를 이용한 개인화된 구매시점예측방법 및 타겟프로모션시스템

Info

Publication number: KR20190012894A
Application number: KR1020170096596A
Authority: KR
Inventors: 송희석
Original assignee: 한남대학교 산학협력단
Priority date: 2017-07-29
Filing date: 2017-07-29
Publication date: 2019-02-11
Also published as: KR101957347B1

Abstract

본 발명은 구매패턴데이터를 이용한 구매추천방법 및 구매추천시스템에 관한 것으로서, 더욱 상세하게는 구매시에 발생되는 구매자들의 구매패턴을 고객데이터DB에 저장하여 누적된 구매패턴 데이터를 분석하여 구매예상시기에 맞추어 물품정보를 송신하여 보다 효과적인 광고를 수행하고, 고객데이터DB의 정보를 통하여 추천물품을 예측하여 물품정보를 송신하여 구매자 맞춤형 광고가 가능한 구매추천방법 및 구매추천시스템을 제공함에 있다.

Description

구매패턴데이터를 이용한 개인화된 구매시점예측방법 및 타겟프로모션시스템{Personalized prediction method for purchase timing using purchased pattern data and target promotion system}

본 발명은 구매패턴데이터를 이용한 구매추천방법 및 구매추천시스템에 관한 것으로서, 더욱 상세하게는 구매 시에 발생되는 구매자들의 구매패턴을 고객데이터DB에 저장하여 누적된 구매패턴 데이터를 분석하여 구매예상시기에 맞추어 물품정보를 송신하여 보다 효과적인 광고를 수행하고, 고객데이터DB의 정보를 통하여 추천물품을 예측하여 물품정보를 송신하여 구매자 맞춤형 광고가 가능한 구매추천방법 및 구매추천시스템에 대한 것이다.

일반적인 상거래는 '기업-도매상-소매상-소비자'라는 유통채널이 구축되고, 고객수요를 파악하기 위하여 다수의 영업사원이 필요하며, 상품을 진열하기 위한 판매 공간이 필요하다. 그러나 이와 같은 상거래 방식은 거래지역이 일부 지역으로 한정되고, 영업시간이 제한되며, 판매 공간이 반드시 필요하다는 문제점이 있다.

이에 따라, 근래에 들어 인터넷을 이용한 쇼핑몰이 구축되어 상술한 바와 같은 문제점을 어느 정도 해소하고 있다. 즉, 유통채널이 '기업-소비자'로 단축되고, 거래지역 및 거래시간에 제한을 받지 않으며, 판매거점이 가상공간으로 옮겨짐으로써 판매 공간이 없이도 정상적인 상거래가 가능하다는 이점이 있다.

이러한 전자상거래를 위하여 인터넷이나 PC 통신망을 통해 대단위의 쇼핑몰이 성행하고 있다. 한편, 종래의 특정 회사의 상품 또는 특정 회사를 일반 대중에게 알리는 방법으로서는 잡지, 신문, 방송, 개인별로 광고용지를 배포하는 방법 또는 벽보에 광고 용지를 부착하는 방법 등으로 매우 다양하다.

이와 같은 인터넷 광고 기법에 대한 종래의 기술이 한국공개특허 제10-2000-0065810호에 개시된바 있다.

그런데, 이와 같은 방법은 불특정 다수인에게 무차별적으로 랜덤하게 광고하는 방법으로서, 광고비용이 많이 소모될 뿐만 아니라, 불필요한 사람들에게도 특정 회사의 상품 또는 특정 회사의 광고를 하므로, 기대하는 만큼의 광고효과를 얻을 수 없으며 또한 얼마나 광고가 되었는지도 전혀 알 수 없는 등 여러 가지 문제점이 있다.

한편 물품판매를 위한 추천시스템은 학계 및 산업계에서 두루 관심이 집중되는 연구 분야로 대부분의 연구가 어떤 아이템을 추천할 것인가에 맞추어져 있다. 이에 비해 추천된 제품을 언제 추천하는 것이 적절한 것인지는 그 중요성에도 불구하고 아직 활발한 연구가 이루어지지 못하고 있다. 특히 음식이나 기호제품과 같이 빈번한 반복구매가 일어나는 아이템의 경우 재구매시기를 적절히 예상하여 적합한 프로모션을 제공할 수 있다면 해당 기업의 매출확대에 직접적으로 기여할 수 있는 방법이 된다.

즉 고객의 과거 구매이력을 토대로 고객이 재주문할 시기를 예측하여 정확한 시기에 제품에 대한 프로모션을 보낸다면 경쟁회사로 고객의 유입을 막을 수 있을 뿐 아니라, 고객 주문이 부족할 때 선택적으로 가격할인 등의 쿠폰 프로모션을 실시함으로써 주문의 평준화에도 기여할 수 있다.

물품판매의 추천시스템을 구현하기 위한 수단으로서 순환신경망 관련 기술이 고려될 수 있다.

순환신경망은 언어모형에 주로 적용되고 있으나, 고객관계 관리와 같은 경영분야에 순환신경망 모형이 적용된 사례는 찾아보기 힘들다.

언어모형의 경우 문장의 패턴이 다양하고 어휘의 수가 많아 수행성능에 관한 이슈가 많은 반면 고객관계관리 분야의 경우 특징의 수가 상대적으로 작아 성능측면에서는 언어모형보다 순환신경망의 적용이 용이하다.

그러나 언어모형이 공통의 문법을 가지는 다양한 문장들을 사례로 학습하는데 비해 고객 데이터의 경우, 고객마다 공통의 패턴이 존재하는 것은 아니기 때문에 예측정확도나 예측품질에 있어서는 언어모형에 비해 뒤질 수밖에 없다.

또한 고객 구매데이터의 경우, 원 자료에 0이 많이 나타나는 등 희소성(Sparsity)이 높은 것도 예측 정확도를 저하시키는 원인으로 작용한다.

따라서 경쟁사로의 고객 유출을 방지하고 반복구매를 촉진하기 위하여 고객의 과거 구매이력을 토대로 순환신경망 기술을 활용하여 고객이 재주문할 시기를 예측하여 이를 제공하는 방법에 대한 기술 개발이 요구된다.

한국공개특허 10-2000-0065810호(2001.02.05)

본 발명은 상기한 바와 같은 문제점을 해결하기 위하여 안출된 것으로, 본 발명의 구매패턴데이터를 이용한 구매추천방법 및 구매추천시스템은,

구매 시에 발생되는 구매자들의 구매패턴을 고객데이터DB에 저장하여 누적된 구매패턴 데이터를 분석하여 구매예상시기에 맞추어 물품정보를 송신하여 보다 효과적인 광고를 수행하고, 고객데이터DB의 정보를 통하여 추천물품을 예측하여 물품정보를 송신하여 구매자 맞춤형 광고가 가능한 구매추천방법 및 구매추천시스템에 대한 것이다.

본 발명은 구매일자와 구매제품으로 구성된 간단한 구매이력 정보만을 활용하여 고객의 재구매시기를 예측하는 방법을 제공하는 것을 목표로 한다.

상기한 바와 같은 목적을 달성하기 위한 본 발명의 일 실시예에 따른 구매패턴데이터를 이용한 구매추천방법은,

추천 시스템에 입력된 복수의 구매자들에 대하여 구매자 각각의 고객데이터DB를 생성하는 고객데이터DB 생성단계(S01),

상기 고객데이터DB 생성단계(S01)에서 생성된 고객데이터DB에 입력된 고객별 구매일자데이터를 누적시키는 구매데이터 구축단계(S02),

상기 구매데이터 구축단계(S02)에서 구축된 구매데이터를 분류하여 사용자가 미리 입력하여 설정한 기간을 기준으로 구매패턴을 분류하는 구매패턴 분류단계(S03),

상기 구매패턴 분류단계(S03)에서 분류된 구매패턴의 기간을 미리 입력된 값과 비교하여 구매추천대상고객을 확인하는 구매추천대상고객 확인단계(S04),

상기 구매추천대상고객 확인단계(S04)에서 특정된 고객에게 추천할 하나 이상의 구매물품의 정보를 물품데이터DB에서 해당물품 코드를 상기 고객데이터DB로 전송하는 추천구매물품정보 전송단계(S05),

상기 추천구매물품 전송단계(S05)에서 상기 고객데이터DB로 전송된 물품정보코드와 상기 고객데이터DB에 저장되어 있는 고객의 연락처정보를 물품정보전송부로 전달하는 물품정보 전송단계(S06),

상기 물품정보 전송단계(S06)에서 상기 물품정보전송부로 전달된 물품정보코드에 해당되는 정보를 상기 물품데이터DB에서 로드하여 상기 물품정보전송부로 전달된 고객의 연락처정보를 이용하여 고객에게 송신하는 물품정보 송신단계(S07)를 포함할 수 있다.

이때, 상기 고객데이터DB 생성단계(S01)는 상기 고객데이터DB에 고객의 연락처정보, 고객의 연령, 고객의 구매정보 포함할 수 있다.

또한, 구매패턴 분류단계(S03) 및 구매추천대상고객 확인단계(S04)는 다층퍼셉트론(MLP; Multi Layer Perceptron)을 이용하여 구매추천대상고객을 특정할 수 있다.

이때, 구매패턴 분류단계(S03) 및 구매추천대상고객 확인단계(S04)는 순환신경망(RNN; Recurrent Neural Network)을 더 이용하여 구매추천대상고객을 특정할 수 있다.

또, 추천구매물품정보 전송단계(S05)는 추천구매물품을 특정하는 추천구매물품 특정단계(S05a)를 더 포함할 수 있다.

더불어, 상기 추천구매물품 특정단계(S05a)는 상기 구매추천대상고객 확인단계(S04)에서 구매추천대상고객 확인에 사용된 구매물품을 확인하는 사용자선호기반 추천구매물품 특정단계(S05a1)를 더 포함할 수 있다.

이때, 상기 추천구매물품 특정단계(S05a)는 상기 고객데이터DB의 정보를 통하여 해당 고객과 유사한 구매패턴을 가지는 유사 이웃들(Nearest neighbors) 및 상이한 구매패턴을 가지는 상이 이웃들(farthest neighbors)을 참조하여 추천구매물품을 확인하는 유사사용자기반 추천구매물품 특정단계(S05a2)를 더 포함할 수 있다.

또한, 추천구매물품정보 전송단계(S05)는 상기 물품데이터DB에 물품의 사진정보, 물품의 제원정보, 물품의 가격정보, 물품의 프로모션정보 및 물품의 결제정보를 포함할 수 있다.

더불어, 본 발명의 구매패턴데이터를 이용한 구매추천시스템은, 추천 시스템에 입력된 복수의 구매자들에 대하여 구매자 각각의 정보가 저장되는 고객데이터DB(111) 및 구매물품 정보가 저장되는 물품데이터DB(112)를 생성하는 고객데이터DB생성부(110),

구매자들의 구매정보를 수집하여 상기 고객데이터DB생성부(110)에서 생성된 각각의 상기 고객데이터DB(111)에 고객별 구매일자데이터를 누적시키는 고객데이터수집부(120),

상기 고객데이터수집부(120)의 진행시간이 미리 입력되어진 시간을 초과한 상기 고객데이터DB(111)에 대하여 구매추천고객을 확인하는 구매추천고객확인부(130),

상기 구매추천고객확인부(130)에서 확인된 구매추천고객에게 추천할 물품을 상기 물품데이터DB(112)에서 확인하는 추천구매물품확인부(140),

상기 추천구매물품확인부(140)에서 확인된 추천할 물품의 정보를 상기 물품데이터DB(112)에서 전송받아 상기 고객데이터DB(111)에 미리 입력되어진 고객 정보를 이용하여 고객에게 송신하는 추천구매물품정보전송부(150)를 포함할 수 있다.

이때, 상기 구매추천고객확인부(130)는 상기 고객데이터수집부(120)에서 4개월 이상인 상기 고객데이터DB(111)를 구매추천고객으로 사용할 수 있다.

또한, 상기 추천구매물품확인부(140)는 상기 고객데이터DB(111)의 정보와 이에 대응되는 상기 물품데이터DB(112)의 정보를 통하여 재구매 물품을 특정하는 재구매물품확인수단(141) 및 상기 고객데이터DB(111)에서 해당 고객과 유사한 구매패턴을 가지는 유사 이웃들(Nearest neighbors) 및 상이한 구매패턴을 가지는 상이 이웃들(farthest neighbors)을 참조하여 추천구매물품을 확인하는 추천물품확인수단(142)을 더 포함할 수 있다.

또, 상기 추천구매물품정보전송부(150)는 상기 고객데이터DB(111)에 입력되어진 정보를 이용하여 고객의 전자메일, 휴대용통신기기로 물품정보를 전송하기 위한 통신수단(151)을 더 포함할 수 있다.

본 발명의 구매패턴데이터를 이용한 구매추천방법 및 시스템은,

구매 시에 발생되는 구매자들의 구매패턴을 고객데이터DB에 저장하여 누적된 구매패턴 데이터를 분석하여 구매예상시기에 맞추어 프로모션 정보를 포함한 물품정보를 송신하여 구매자의 재구매 시점에 맞춘 광고가 가능하여 재구매 유도를 통한 매출 증대를 보다 효과적으로 유도할 수 있다는 장점을 갖는다.

또한 고객데이터DB의 정보를 통하여 구매 패턴이 유사한 고객들 및 상이한 고객들의 정보를 조합하여 보다 효과적으로 추천물품을 예측하여 물품정보를 송신하여 구매자 만족도가 높은 맞춤형 광고가 가능하다는 장점을 갖는다.

본 발명은 구매일자와 구매제품으로 구성된 간단한 구매이력 정보만을 활용하여 고객의 재구매시기를 예측함으로써 반복구매가 빈번한 어떤 도메인에서도 적용 가능하기 때문에 범용성이 높다는 장점을 가진다.

본 발명은 모바일 SMS 또는 스마트폰용 앱을 기반으로 한 푸쉬 방식의 쿠폰 프로모션을 포함한 고객관계관리(CRM) 시스템을 구축하는 데 활용될 수 있다.

본 발명은 주문수량이 부족할 때 해당시기에 구매할 것으로 예측된 고객에게 프로모션을 제공함으로써 주문의 평준화가 가능하게 되며 매출확대 효과를 얻을 수 있다.

또한 치열한 경쟁상황에서 고객이 해당 제품과 서비스를 필요로 할 때 적절한 프로모션을 제공함으로써 경쟁회사로의 고객 유출을 방지하고 자사로의 반복구매를 유도하게 되는 효과를 얻을 수 있다.

도 1은 본 발명의 구매패턴데이터를 이용한 구매추천방법 실시예
도 2는 본 발명의 구매패턴 분류 실시예
도 3은 본 발명의 다층퍼셉트론의 구조 실시예
도 4는 본 발명의 순환신경망의 구조 실시예
도 5는 본 발명의 GRU 모형 실시예
도 6은 신경망 모형의 성능측정 실시예
도 7은 신경망 모형의 성능측정의 다른 실시예
도 8은 본 발명의 구매패턴데이터를 이용한 구매추천시스템

이하, 첨부된 도면을 참조하여 본 발명을 더욱 상세하게 설명한다. 이에 앞서, 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정하여 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여, 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 또한, 사용되는 기술 용어 및 과학 용어에 있어서 다른 정의가 없다면, 이 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 통상적으로 이해하고 있는 의미를 가지며, 하기의 설명 및 첨부 도면에서 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능 및 구성에 대한 설명은 생략한다. 다음에 소개되는 도면들은 당업자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 예로서 제공되는 것이다. 따라서, 본 발명은 이하 제시되는 도면들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 또한, 명세서 전반에 걸쳐서 동일한 참조번호들은 동일한 구성요소들을 나타낸다. 도면들 중 동일한 구성요소들은 가능한 한 어느 곳에서든지 동일한 부호들로 나타내고 있음에 유의해야 한다.

도 1은 본 발명의 구매패턴데이터를 이용한 구매추천방법 실시예이고, 도 2는 본 발명의 구매패턴 분류 실시예이며, 도 3은 본 발명의 다층퍼셉트론의 구조 실시예, 도 4는 본 발명의 순환신경망의 구조 실시예, 도 5는 본 발명의 GRU 모형 실시예, 도 6은 신경망 모형의 성능측정 실시예, 도 7은 신경망 모형의 성능측정의 다른 실시예, 그리고 도 8은 본 발명의 구매패턴데이터를 이용한 구매추천시스템이다.

도 1에서 도시하고 있는 바와 같이, 본 발명의 구매패턴데이터를 이용한 구매추천방법은,

추천 시스템에 입력된 복수의 구매자들에 대하여 구매자 각각의 고객데이터DB를 생성하는 고객데이터DB 생성단계(S01), 상기 고객데이터DB 생성단계(S01)에서 생성된 고객데이터DB에 입력된 고객별 구매일자데이터를 누적시키는 구매데이터 구축단계(S02), 상기 구매데이터 구축단계(S02)에서 구축된 구매데이터를 분류하여 사용자가 미리 입력하여 설정한 기간을 기준으로 구매패턴을 분류하는 구매패턴 분류단계(S03), 상기 구매패턴 분류단계(S03)에서 분류된 구매패턴의 기간을 미리 입력된 값과 비교하여 구매추천대상고객을 확인하는 구매추천대상고객 확인단계(S04), 상기 구매추천대상고객 확인단계(S04)에서 특정된 고객에게 추천할 하나 이상의 구매물품의 정보를 물품데이터DB에서 해당물품 코드를 상기 고객데이터DB로 전송하는 추천구매물품정보 전송단계(S05), 상기 추천구매물품 전송단계(S05)에서 상기 고객데이터DB로 전송된 물품정보코드와 상기 고객데이터DB에 저장되어 있는 고객의 연락처정보를 물품정보전송부로 전달하는 물품정보 전송단계(S06), 상기 물품정보 전송단계(S06)에서 상기 물품정보전송부로 전달된 물품정보코드에 해당되는 정보를 상기 물품데이터DB에서 로드하여 상기 물품정보전송부로 전달된 고객의 연락처정보를 이용하여 고객에게 송신하는 물품정보 송신단계(S07)를 포함할 수 있다.

상기 고객데이터DB 생성단계(S01)는 상기 고객데이터DB에 고객의 연락처정보, 고객의 연령, 고객의 구매정보 등을 포함할 수 있다. 이때, 고객의 구매정보는 고객의 구매물품의 종류, 구매물품의 색상, 구매물품의 가격, 구매물품의 사이즈, 구매물품의 디자인형태 분류의 정보를 포함하도록 구성되는 것이 바람직하다. 이를 통하여 보다 세분화된 고객의 구매 패턴을 확인할 수 있다.

더불어, 상기 구매패턴 분류단계(S03)에서는 도 2에서 도시하고 있는 바와 같이, 총 8가지의 패턴으로 구분할 수 있다.

즉, 고객별 구매이력 자료 (고객별 구매일자 데이터)를 이용하여 다음 구매시기를 예측하는 문제는 과거 특정기간에 구매여부 이력 자료를 토대로 다음기간의 구매여부를 예측하는 문제로 변환할 수 있다. 이때 기간에 대한 정의가 필요하다. 재구매시기 예측 도메인에서는 고객별로 특정 요일에 주로 구매하거나 주중 또는 주말에 주로 구매하는 등 주별 주기성이 강한 경향을 보인다. 또한 재구매시기 예측의 목적이 다음 기간에 구매가 예상되는 고객에게 프로모션을 제공하여 주문의 평준화를 기하는데 있기 때문에 프로모션 주기를 고려하여 적절한 기간을 정의할 필요가 있다. 따라서 각주를 주초, 주중, 주말로 구분하여 주간단위의 구매패턴을 정의한 후, 주차별 구매패턴에 대한 시계열 데이터로 부터 다음 주차의 구매패턴을 예측하는 방식으로 모형을 구성하기로 할 수 있다. 이는 도 2에서 도시한 바와 같이 1주일을 주초, 주중, 주말로 구분하여 각 기간의 구매여부로 구매패턴을 나타내고 있으며, 총 8가지 패턴으로 구분하였다.

또한, 구매패턴 분류단계(S03) 및 구매추천대상고객 확인단계(S04)는 다층퍼셉트론(MLP; Multi Layer Perceptron) 및 순환신경망(RNN; Recurrent Neural Network) 중 선택되는 어느 하나 이상의 순환신경망 연산을 이용하여 구매추천대상고객을 특정할 수 있다. 이에 대한 실시예는 아래와 같다.

반복구매제품의 재구매시기 예측을 위한 다층퍼셉트론의 구조는 도 3에서 도시한 바와 같다. 예측에 사용할 다층퍼셉트론 모형은 3계층 구조의 신경망으로 입력노드, 출력노드, 은닉노드로 구성된다. 각 입력노드는 주차별로 주초, 주중, 주말 구매여부의 3개 노드를 포함하며 총 T-1주까지의 구매이력을 활용하여 T주의 구매여부를 예측하는 방식으로 설계했기 때문에 (T-1) X 3개의 입력노드로 구성된다. 출력노드는 T주의 구매패턴에 해당하는 것으로 주초, 주중, 주말 구매여부의 3개 노드로 구성된다. 각각의 입력노드는 해당 주차의 기간에 구매한 바가 있으면 1, 그렇지 않으면 0으로 코딩하기로 한다.

다층퍼셉트론 모형의 최종 출력 값

는 주초, 주중, 주말 구매에 대한 확률 값으로 나타나며 아래 <수식1>과 같이 각 확률 값이 주어진 경계 값

보다 크거나 같으면 1(구매), 작으면 0(비구매)로 판정하기로 한다.

<수식1>

한편, 순환신경망 모형은 시간 의존적인 특성을 반영하여 모형을 구성할 수 있다는 장점이 있다. 이와 같은 순환신경망은 <수식2>와 같이 특정 구매패턴이 나타날 확률로 표현되며, 이전 기간의 구매패턴을 알고 있을 때 다음 기간의 구매패턴이 나타날 확률의 곱으로 계산된다.

<수식2>

순환신경망은 입력층(

), 은닉층(

)과 출력층(

)로 구성되며, 입력층과 은닉층을 연결하는 가중치 U, 은닉층과 출력층을 연결하는 가중치 V, 은닉층의 각 노드들을 연결하는 가중치 W로 구성된다.

순환신경망은 입력층(

), 은닉층(

)과 출력층(

)로 구성되며, 입력층과 은닉층을 연결하는 가중치 U, 은닉층과 출력층을 연결하는 가중치 V, 은닉층의 각 노드들을 연결하는 가중치 W로 구성된다. 이때 본 발명을 위한 순환신경망의 구조는 도 4에 도시된 바와 같다.

도 4에서 도시된 은닉층과 출력층은 각각 다음 <수식3>과 같이 계산된다.

<수식3>

상기 <수식3>에서 t시간의 은닉노드의 값은 t시간의 입력노드 값과 t-1시간의 은닉노드 값의 함수로 구성되며, t시간의 출력값은 t시간의 은닉노드 값의 함수로 구성된다. 은닉층 노드에 주로 적용되는 활성화 함수로는 -1에서 1사이의 값을 출력하는 하이퍼볼릭 탄젠트 (Hyperbolic Tangent; tanh로 표기) 함수이며, 출력층 노드에 적용되는 활성화 함수로는 출력 값을 확률 값으로 변환하는 소프트맥스 함수가 주로 이용된다.

입력 값은 주차별 구매패턴이 되며, 학습된 순환신경망모형을 사용하여 예측한 결과 값인 출력값

는 8가지 구매패턴에 대한 확률분포로 주어지며 아래 <수식4>와 같이 가장 큰 확률을 갖는 인덱스를 최종 구매패턴으로 선택한다.

<수식4>

비록 순환신경망이 시계열 데이터를 학습하는데 효과적이지만, 너무 오래 전의 입력정보를 기억하는 데는 한계를 가진다. 재구매시기 예측문제에 있어서도 오래 전의 구매패턴이 차주의 구매패턴을 예측하는데 영향을 줄 가능성도 존재하기 때문에 긴 시퀀스 데이터를 학습하는데 효과적인 것으로 알려진 GRU 모형을 설계하였으며 이는, 도 5에서 도시하고 있다.

도 5에서 도시한 각 은닉층은 각각 다음과 같은 식으로 계산된다.

<수식5>

한편 입력값은 순환신경망이 시계열 데이터에서와 같이 주차별 구매패턴이 되며, 최종 출력 값의 계산 또한 순환신경망이 시계열 데이터와 동일하다.

이때, 신경망 모형에서 학습이라 함은 목표 값과 출력 값의 차이의 함수로 구성되는 손실함수 (Loss function)를 최소화하는 연결 가중치 U, V, W를 발견하는 것이다. 신경망 학습에서 많이 사용되는 손실함수는 교차 엔트로피 (Cross-entropy) 함수로 학습 데이터가 N개가 있다면, 실제 목표 값

에 대한 네트워크의 예측 값

의 손실은 다음과 같은 <수식6>으로 계산된다.

<수식6>

본 발명에서도 다층퍼셉트론, 순환신경망, GRU 모형의 학습을 위해 손실함수로 교차엔트로피 함수를 사용하였다. 이중 시간 스텝마다 출력 값을 산출하는 순환신경망과 GRU모형에서 총 손실 값은 매 시간 스텝마다의 손실의 총합으로 계산한다.

먼저 기존 다층퍼셉트론 신경망의 역전파 알고리듬을 이용하여 가중치 갱신에 필요한 경사(Gradient)를 구하는 방법을 살펴보면 아래 <표 1>와 같다. 경사값은 손실함수를 가중치에 대해 편미분함으로써 구해질 수 있으나, 계산량을 줄이기 위해 <표 1>과 같은 알고리듬을 사용하고 있다. 먼저 입력 값에 대해 전방향 계산을 통해 각 계층 노드의 출력 값(

)을 구한다(Step1,2). 예측된 출력 값과 목표 값에 기반하여 최종출력에 대한 오류값을 구한다(Step3). 구해진 최종 출력에 대한 오류값을 역전파시킴으로써 모든 하위층 은닉노드의 오류값을 구한다(Step4). 마지막으로 계층별로 구해진 오류값과 이전계층에서 전방향으로 계산된 활성함수 값을 곱하여 가중치 갱신에 필요한 최종 경사(Gradient)를 계산한다.

Step1) 입력값

를 입력한다.
Step2) 전방향 계산을 통해 최종 출력층(T)을 포함한 각 층의 출력값(

)을 구한다.

,

는 sigmoid함수
Step3) 최종 출력층의 오류값(

)을 계산한다.

Step4) 오류값(

)을 역전파시켜 모든 하위 은닉계층의 오류값을 계산한다.

Step5) Step4에서 계산된 오류값과 Step2에서 계산된 출력값을 곱하여 경사를 계산한다.

상기 <표 1>에서 제시한 다층퍼셉트론 신경망의 역전파 알고리듬과 달리 순환신경망에서는 기간별로 예측 값이 따로 존재하기 때문에 손실함수가 여러 기간에 걸쳐 계산된 오류값을 합산하여 만들어진다는 점과 다층퍼셉트론에 사용된 가중치는 계층별로 서로 다른 가중치를 사용하지만 순환신경망에 사용되는 가중치는 모든 계층에서 동일한 가중치를 공유한다는 점 때문에 BPTT (Backpropagation Through Time)라는 약간 변형된 역전파 알고리듬을 사용하여 학습을 진행하게 된다. BPTT에서는 아래 <수식7>과 같이 각 기간별로 산출된 경사 값을 더해 주는 방법으로 손실함수를 계산하게 된다.

<수식7>

결국 BPTT에서는 <표 2>와 같이 시간진행에 따라 가중치를 공유하는 제약 식이 추가된다는 점과 각 기간별로 산출된 경사를 합산하여 최종 경사값을 얻는다는 점이 다르다.

Step1) 입력값

)을 구한다.

,

는 tanh함수
Step3) 최종 출력층의 오류값(

)을 계산한다.

Step4) 오류값(

)을 역전파시켜 모든 이전 계층의 오류값을 계산한다.

Step5) Step4에서 계산된 오류값과 Step2에서 계산된 출력값을 곱하여 각층의 경사를
계산하고 이를 합산하여 최종 경사를 구한다.

BPTT 학습방법을 순환신경망과 GRU에 적용하면, T기의 오류 값을 계산한 후 T기의 가중치 갱신을 위한 경사를 구하고, 이 오류를 역방향으로 전파하여 T-1기, T-2기 등의 오류 값을 계산하여 T-1기, T-2기 등의 가중치 갱신을 위한 경사를 각 각 구하게 된다. 그러나 BPTT에서는 가중치를 공유하기 때문에 각 시기별 경사를 구하여 이를 합산한 경사 값을 가중치 갱신에 사용하게 된다.

순환신경망의 학습과정에서 종종 발생하는 문제는 경사 사라짐 문제이다. 경사 사라짐 문제는 연결 가중치에 대해 적절한 초기 값을 설정함으로써 회피할 수 있다.

더불어, 경사 사라짐 문제를 피하기 위한 초기화 방법으로 n이 이전 계층 (Layer) 에서부터 들어오는 연결 수라고 할 때 [1/√n, 1/√n] 구간에서 랜덤으로 정하는 것이 유리하므로, 이 방식을 적용하여 연결가중치에 대한 초기화를 수행하는 것이 바람직하다.

한편, 신경망 모형에서는 연결 가중치를 발견하는 방법으로 주로 확률적 경사하강법 (SGD; Stochastic Gradient Descent)을 사용하여 학습을 진행한다. 확률적 경사하강법은 모든 학습 데이터에 대해 반복적으로 학습하되 매 반복에서 오류를 줄이는 쪽으로 파라미터 값들을 조금씩 움직이는 것이다. 오류를 줄이는 방향은 손실함수의 경사(Gradient)로 주어진다.

확률적 경사하강법에서는 학습률 (Learning rate) 도 필요한데, 이는 매 반복에서 얼마만큼 파라미터 값에 대한 갱신이 이루어질지를 정해하여 모델링한다.

본 발명을 일 실시예는 아래와 같다.

Tafeng 데이터셋은 식료품 가게 구매이력 데이터(Tafeng Grocery Data)로 대만의 중앙연구원 인공지능 연구실(Academia Sinica Artificial Intelligence for Investigating Anti-cancer Solutions Lab)에서 연구를 목적으로 수집된 것이다. 이 데이터는 2000.11 ~ 2001.02까지의 4개월(120일) 간의 구매 기록으로 32,266명의 사용자와 23,812가지의 아이템, 2,012가지의 아이템 카테고리 정보를 포함하는 총 817,741건의 구매이력 데이터로 구성되어 있다. 이 데이터를 2000.11.6.일부터 2001.2.25.일까지 16주의 주간단위로 구분하고, 각 주는 월요일과 화요일을 주초, 수요일과 목요일을 주중, 금요일부터 일요일까지를 주말로 구분하여 총 16주 * 3개 = 48개의 타임버킷을 구분한 후, 특정고객별로 해당 타임버킷 기간에 한건이상 구매를 하였으면 1, 한건도 구매한 이력이 없으면 0으로 표현하여 고객별로 주차별 구매패턴을 구성하였다. 총 32,266명의 타임버킷별 구매이력 정보 중 최근 15주와 16주에만 구매를 하고 그 이전에 구매한 이력이 없는 고객은 구매예측에 사용되기 곤란하므로 이를 제거하였으며 60%는 훈련용 데이터로 40%는 테스트용 데이터로 구분하였다. 훈련용 데이터에는 18,790명의 고객데이터, 테스트용 데이터에는 12,525명의 고객데이터를 포함하고 있다. 4개월간 전체 고객들의 평균 매장 방문횟수는 동일한 타임버킷 기간 내에서 중복방문을 1회로 계산할 때 3.358회로 나타났다.

이러한, 총 48개의 타임버킷 중 3개 이하의 버킷에서만 구매한 고객을 Low purchaser, 4~6개 버킷에서 구매한 고객을 Mid purchaser, 그리고 7개 이상의 버킷에서 구매한 고객을 High purchaser로 구분한 결과 각 그룹의 고객 수는 <표 3>과 같이 Low purchaser는 21,996명, Mid purchaser는 5,512명, High purchaser는 3,807명으로 나타났다.

	Low Purchaser	Mid Purchaser	High Purchaser
Training Set	13,139	3,345	2,306
Test Set	8,857	2,167	1,501
Total	21,996	5,512	3,807

위와 같은 데이터를 본 발명의 모델을 적용하였을 때, 먼저 정밀도 측면에서 각 신경망 모형의 성능을 비교하면 도 6a와 같다.

도 6a에서 도시된 바와 같이 7개 이상의 버킷에서 구매한 적이 있는 High purchaser 그룹만을 대상으로 모형별 정밀도를 비교하고 있다. 그림에서 NN은 다층퍼셉트론 신경망 모형을, RNN은 순환신경망 모형을, GRU는 GRU모형을 각각 의미하며 괄호 안에 표시된 H는 Hidden unit의 size를 의미한다. 또한 HP-EW, HP-MW, HP-LW 곡선은 주초/주중/주말 프로모션 대상고객 예측에 있어서의 정밀도를 나타낸다. 주초 프로모션 대상 고객에 대한 예측에 있어서 가장 높은 정밀도를 보인 모형은 RNN(H=20)과 RNN(H=40)모형으로 75%의 높은 정밀도를 보여주었다. 주중 프로모션 대상고객 예측에 있어서는 RNN(H=40)모형이 60.9%로 가장 높은 정밀도를 보여주었고, 주말 프로모션 대상고객 예측에 있어서도 RNN(H=40)모형이 74.5%로 가장 높은 정밀도를 보여주었다. 정밀도가 75%라는 것은 100명에게 프로모션을 발송할 경우 75명이 구매하는 것을 의미하므로 실험에 사용된 도메인의 경우, 재구매시기를 예측하여 프로모션을 할 경우 높은 응답률을 기대할 수 있을 것이다.

도 6b는 예측모형별로 재현율을 비교하고 있다. 주초 프로모션 대상 고객에 대한 예측에 있어서 가장 높은 재현율 보여준 모형은 RNN(H=30)모형으로 11.2%의 재현율을 보여주었다. 또한 주중 프로모션 대상 고객에 대한 예측에 있어서는 GRU(H=40)모형이, 주말 프로모션 대상 고객에 대한 예측에 있어서는 NN(H=100) 모형이 각각 14.9%와 22.9%의 재현율을 나타내었다.

도 7a는 정밀도와 재현율을 동시에 고려한 F1 Score를 모형별로 비교하고 있다. F1 Score 측면에서 모형별 예측 품질을 비교하면, 주초에는 RNN(H=30) 모형이 0.192로 가장 높은 값을 나타내었고, 주중과 주말에는 각각 GRU(H=40)이 0.233, NN(H=100)이 0.274로 가장 높은 값을 보여주었다.

정밀도만을 고려하여 예측모형을 선정하기보다는 F1 Score를 이용하여 예측모형을 선정하면 프로모션 대상고객을 확대할 수 있다는 점에서 장점이 있다. F1 Score는 정밀도뿐만 아니라 재현율을 고려하고 있으며 재현율은 프로모션 대상 고객이 많아질수록 높아지는 경향이 있기 때문이다.

도 7b는 F1 Score를 최대화하는 모형이 다른 모형에 비해 수익 극대화에 효과적임을 보여주고 있다. 그림에서 프로모션결과에 따른 예상 구매고객 수는 해당 모형에서 예측된 구매고객에 정밀도를 곱하여 구하였으며, 프로모션의 반응률이 정밀도와 같다는 가정 하에 계산된 결과이다.

도 7b에서 도시된 바와 같이, F1 Score 측면에서 모형별 예측 품질 비교와 동일한 결과를 보여주고 있다. 즉 주초에는 RNN(H=30) 모형을 이용하여 프로모션을 할 경우 65명이 프로모션에 반응할 것으로 계산되어 가장 높은 값을 나타내었고, 주중과 주말에는 각각 GRU(H=40)이 60명, NN(H=100)이 120명으로 가장 높은 기대 구매자수를 보여주었다. 따라서 이 예시의 경우, 주초에는 RNN(H=30) 모형을, 주중에는 GRU(H=40) 모형을, 주말에는 NN(H=100) 모형을 이용하여 프로모션 대상 고객을 선택하여 프로모션을 실시할 경우, 주간 약 245명의 구매고객 확대가 예상된다. 한편, 상기와 같은 방법으로 프로모션을 할 경우 과 주문이 우려 될 수도 있으며 이 경우 의도적으로 적절한 반응고객 수를 유도하는 모형을 선택하여 프로모션을 진행 할 수 있다. 반대로 구매빈도가 높은 고객을 상대로 프로모션 대상고객을 선정한 결과 대상고객이 부족하다면 구매빈도가 보통인 고객 군, 구매빈도가 낮은 고객군을 대상으로 순차적으로 대상 군을 확대해간다면 보다 효과적인 프로모션 실시가 가능할 것이다.

더불어, 상기 추천구매물품 특정단계(S05a)는 상기 구매추천대상고객 확인단계(S04)에서 구매추천대상고객 확인에 사용된 구매물품을 확인하는 사용자선호기반 추천구매물품 특정단계(S05a1)를 더 포함할 수 있다. 상기 사용자선호기반 추천구매물품 특정단계(S05a1)를 통하여 상기 구매추천대상고객 확인단계(S04)에서 확인된 고객이 구매가 예상되는 물품을 특정하여 이에 대한 정보를 송신할 수 있어 재구매 확률을 높일 수 있다.

상기 유사 이웃들 및 상기 상이 이웃들은 피어슨 곱 적률 상관 계수(Pearson product-moment correlation coefficient)의 계산에 의해 선정된다. 해당 수식은 아래 <수식8>과 같다.

<수식8>

여기서, A는 두 구매자들(CT, Ci) 모두에 의해 구매된 품목들의 개수이고, B는 제 1 구매자(CT)에 의해 구매되었으나 제 2 구매자(Ci)에 의해 구매되지 않은 아이템들의 개수이고, C는 제 2 구매자(Ci)에 의해 구매되었으나 제 1 구매자(CT)에 의해 구매되지 않은 품목들의 개수이고, D는 두 구매자들(CT, Ci) 모두에 의해 구매되지 않은 품목들의 개수이다.

높은 피어슨 곱 적률 상관 계수 값을 갖는 구매자가 우선적으로 상기 유사 이웃으로 선정된다. 낮은 피어슨 곱 적률 상관 계수 값을 갖는 구매자가 우선적으로 상기 상이이웃으로 선정한다.

다른 실시 예로서, 상기 경계 함수는 상기 목표 구매자가 구매한 품목과 상기 상이 이웃들이 구매한 품목을 구분하도록 정한다. 상기 추천 품목은 협업 필터링 점수 및 DTB(Distance To Boundary) 점수를 참조하여 선정한다. 상기 협업 필터링 점수는 상기 목표 구매자의 구매 패턴과 상기 유사 이웃들의 구매 패턴의 상관도에 따라 정해진다. 상기 DTB 점수는 상기 유사 이웃들의 구매 품목이 상기 경계 함수로부터 떨어진 정도에 따라 정해진다.

또 다른 실시 예로서, 상기 추천 품목은 상기 협업 필터링 점수 및 상기 DTB 점수에 가중치 조절 계수를 곱한 값의 합을 참조하여 선정한다. 상기 가중치 조절 계수는 내용 기반 필터링 또는 협업 필터링의 선택적인 수행을 위해 가변될 수 있다. 상기 가중치 조절 계수가 0의 값을 갖는 경우 협업 필터링 방식으로 수행된다. 상기 가중치 조절 계수가 무한대의 값을 갖는 경우 내용 기반 필터링 방식으로 수행된다.

더불어, 추천구매물품정보 전송단계(S05)는 상기 물품데이터DB에 물품의 사진정보, 물품의 제원정보, 물품의 가격정보, 물품의 프로모션정보, 물품의 결제정보를 포함할 수 있으며 상기 정보들은 상기 물품정보 송신단계(S07)를 통하여 고객에게 송신된다.

이를 통하여 구매자에게 구매자의 기간에 따른 구매패턴 및 구매예상물품에 따른 유사 물품에 대한 종합적인 정보를 제공 받아 광고효과를 극대화 하여 물품의 재구매 또는 신규구매를 보다 효과적으로 유도할 수 있다.

상기 추천구매물품확인부(140)에서 확인된 추천할 물품의 정보를 상기 물품데이터DB(112)에서 전송받아 상기 고객데이터DB(111)에 미리 입력되어진 고객 정보를 이용하여 고객에게 송신하는 추천구매물품정보전송부(150)로 구성될 수 있다.

이때, 상기 구매추천고객확인부(130)는 상기 고객데이터수집부(120)에서 4개월 이상인 상기 고객데이터DB(111)를 구매추천고객으로 사용할 수 있다. 이는 충분한 데이터의 누적이 없을 경우, 고객의 구매패턴이 부정확하여 정확한 구매시기에 대한 예측이 어렵다. 따라서 4개월 이상의 구매데이터 수집을 통한 충분한 데이터의 수집이 필수적이다.

또한, 상기 추천구매물품확인부(140)는 상기 고객데이터DB(111)의 정보와 이에 대응되는 상기 물품데이터DB(112)의 정보를 통하여 재구매 물품을 특정하는 재구매물품확인수단(141) 및 상기 고객데이터DB(111)에서 해당 고객과 유사한 구매패턴을 가지는 유사 이웃들(Nearest neighbors) 및 상이한 구매패턴을 가지는 상이 이웃들(farthest neighbors)을 참조하여 추천구매물품을 확인하는 추천물품확인수단(142)을 더 포함하여 구성된다.

이러한 구성을 통하여 본 발명의 구매패턴데이터를 이용한 구매추천시스템은 재구매 뿐만 아니라, 유사한 패턴의 구매자들의 취향을 파악하여 이를 구매추천고객에게 추천하여 고객의 만족도를 향상시키고 이를 통하여 구매유도효율을 보다 향상시킬 수 있다.

또, 상기 추천구매물품정보전송부(150)는 상기 고객데이터DB(111)에 입력되어진 정보를 이용하여 고객의 전자메일, 휴대용통신기기로 물품정보를 전송하기 위한 통신수단(151)을 더 포함하여 구성될 수 있다.

상기 통신수단(151)을 통하여 자동화된 추천구매물품정보전송을 수행하여 보다 효율적인 추천구매물품정보전송이 가능하며, 이를 통하여 보다 세밀하고 효율적이며, 사용자 맞춤의 추천구매물품정보전송을 통하여 구매유도효율을 보다 향상시킬 수 있다.

S01: 고객데이터DB 생성단계
S02: 구매데이터 구축단계
S03: 구매패턴 분류단계
S04: 구매추천대상고객 확인단계
S05: 추천구매물품정보 전송단계
S05a: 추천구매물품 특정단계
S05a1: 사용자선호기반 추천구매물품 특정단계
S05a2: 유사사용자기반 추천구매물품 특정단계
S06: 물품정보 전송단계
S07: 물품정보 송신단계
110: 고객데이터DB생성부
111: 고객데이터DB 112: 물품데이터DB
120: 고객데이터수집부
130: 구매추천고객확인부
140: 추천구매물품확인부
141: 재구매물품확인수단 142: 추천물품확인수단
150: 추천구매물품정보전송부
151: 통신수단

Claims

추천 시스템에 입력된 복수의 구매자들에 대하여 구매자 각각의 고객데이터DB를 생성하는 고객데이터DB 생성단계(S01);
상기 고객데이터DB 생성단계(S01)에서 생성된 고객데이터DB에 입력된 고객별 구매일자데이터를 누적시키는 구매데이터 구축단계(S02);
상기 구매데이터 구축단계(S02)에서 구축된 구매데이터를 분류하여 사용자가 미리 입력하여 설정한 기간을 기준으로 구매패턴을 분류하는 구매패턴 분류단계(S03);
상기 구매패턴 분류단계(S03)에서 분류된 구매패턴의 기간을 미리 입력된 값과 비교하여 구매추천대상고객을 확인하는 구매추천대상고객 확인단계(S04);
상기 구매추천대상고객 확인단계(S04)에서 특정된 고객에게 추천할 하나 이상의 구매물품의 정보를 물품데이터DB에서 해당물품 코드를 상기 고객데이터DB로 전송하는 추천구매물품정보 전송단계(S05);
상기 추천구매물품 전송단계(S05)에서 상기 고객데이터DB로 전송된 물품정보코드와 상기 고객데이터DB에 저장되어 있는 고객의 연락처정보를 물품정보전송부로 전달하는 물품정보 전송단계(S06);
상기 물품정보 전송단계(S06)에서 상기 물품정보전송부로 전달된 물품정보코드에 해당되는 정보를 상기 물품데이터DB에서 로드하여 상기 물품정보전송부로 전달된 고객의 연락처정보를 이용하여 고객에게 송신하는 물품정보 송신단계(S07);
를 포함하는 것을 특징으로 하는 구매패턴데이터를 이용한 구매추천방법.
제1항에 있어서,
상기 고객데이터DB 생성단계(S01)는
상기 고객데이터DB에 고객의 연락처정보, 고객의 연령 및 고객의 구매정보 포함하는 것을 특징으로 하는 구매패턴데이터를 이용한 구매추천방법.
제 1항에 있어서,
구매패턴 분류단계(S03) 및 구매추천대상고객 확인단계(S04)는
다층퍼셉트론(MLP; Multi Layer Perceptron) 및 순환신경망(RNN; Recurrent Neural Network) 중 선택되는 어느 하나 이상의 순환신경망 연산을 이용하여 구매추천대상고객을 특정하는 것을 특징으로 하는 구매패턴데이터를 이용한 구매추천방법.
제 1항에 있어서,
추천구매물품정보 전송단계(S05)는
추천구매물품을 특정하는 추천구매물품 특정단계(S05a)를 더 포함하는 것을 특징으로 하는 구매패턴데이터를 이용한 구매추천방법.
제 4항에 있어서,
상기 추천구매물품 특정단계(S05a)는
상기 구매추천대상고객 확인단계(S04)에서 구매추천대상고객 확인에 사용된 구매물품을 확인하는 사용자선호기반 추천구매물품 특정단계(S05a1)를 더 포함하는 것을 특징으로 하는 구매패턴데이터를 이용한 구매추천방법.
제 4항에 있어서,
상기 추천구매물품 특정단계(S05a)는
상기 고객데이터DB의 정보를 통하여 해당 고객과 유사한 구매패턴을 가지는 유사 이웃들(Nearest neighbors) 및 상이한 구매패턴을 가지는 상이 이웃들(farthest neighbors)을 참조하여 추천구매물품을 확인하는 유사사용자기반 추천구매물품 특정단계(S05a2)를 더 포함하는 것을 특징으로 하는 구매패턴데이터를 이용한 구매추천방법.
제 1항에 있어서,
추천구매물품정보 전송단계(S05)는
상기 물품데이터DB에 물품의 사진정보, 물품의 제원정보, 물품의 가격정보, 물품의 프로모션정보 및 물품의 결제정보를 포함하는 것을 특징으로 하는 구매패턴데이터를 이용한 구매추천방법.
추천 시스템에 입력된 복수의 구매자들에 대하여 구매자 각각의 정보가 저장되는 고객데이터DB(111) 및 구매물품 정보가 저장되는 물품데이터DB(112)를 생성하는 고객데이터DB생성부(110);
구매자들의 구매정보를 수집하여 상기 고객데이터DB생성부(110)에서 생성된 각각의 상기 고객데이터DB(111)에 고객별 구매일자데이터를 누적시키는 고객데이터수집부(120);
상기 고객데이터수집부(120)의 진행시간이 미리 입력되어진 시간을 초과한 상기 고객데이터DB(111)에 대하여 구매추천고객을 확인하는 구매추천고객확인부(130);
상기 구매추천고객확인부(130)에서 확인된 구매추천고객에게 추천할 물품을 상기 물품데이터DB(112)에서 확인하는 추천구매물품확인부(140);
상기 추천구매물품확인부(140)에서 확인된 추천할 물품의 정보를 상기 물품데이터DB(112)에서 전송받아 상기 고객데이터DB(111)에 미리 입력되어진 고객 정보를 이용하여 고객에게 송신하는 추천구매물품정보전송부(150);
를 포함하는 것을 특징으로 하는 구매패턴데이터를 이용한 구매추천시스템.
제 8항에 있어서,
상기 구매추천고객확인부(130)는
상기 고객데이터수집부(120)에서 4개월 이상인 상기 고객데이터DB(111)를 구매추천고객으로 사용하는 것을 더 포함하는 것을 특징으로 하는 구매패턴데이터를 이용한 구매추천시스템.
제 8항에 있어서,
상기 추천구매물품확인부(140)는
상기 고객데이터DB(111)의 정보와 이에 대응되는 상기 물품데이터DB(112)의 정보를 통하여 재구매 물품을 특정하는 재구매물품확인수단(141) 및
상기 고객데이터DB(111)에서 해당 고객과 유사한 구매패턴을 가지는 유사 이웃들(Nearest neighbors) 및 상이한 구매패턴을 가지는 상이 이웃들(farthest neighbors)을 참조하여 추천구매물품을 확인하는 추천물품확인수단(142)를 더 포함하는 것을 특징으로 하는 구매패턴데이터를 이용한 구매추천시스템.
제 8항에 있어서,
상기 추천구매물품정보전송부(150)는
상기 고객데이터DB(111)에 입력되어진 정보를 이용하여 고객의 전자메일, 휴대용통신기기로 물품정보를 전송하기 위한 통신수단(151)을 더 포함하는 것을 특징으로 하는 구매패턴데이터를 이용한 구매추천시스템.