KR20200048183A - 상품의 신뢰도를 고려한 온라인 상품 추천 방법 및 장치 - Google Patents

상품의 신뢰도를 고려한 온라인 상품 추천 방법 및 장치 Download PDF

Info

Publication number
KR20200048183A
KR20200048183A KR1020180129956A KR20180129956A KR20200048183A KR 20200048183 A KR20200048183 A KR 20200048183A KR 1020180129956 A KR1020180129956 A KR 1020180129956A KR 20180129956 A KR20180129956 A KR 20180129956A KR 20200048183 A KR20200048183 A KR 20200048183A
Authority
KR
South Korea
Prior art keywords
product
products
preference
user
online
Prior art date
Application number
KR1020180129956A
Other languages
English (en)
Other versions
KR102174206B1 (ko
Inventor
최도진
박수빈
복경수
유재수
Original Assignee
채대성
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 채대성 filed Critical 채대성
Priority to KR1020180129956A priority Critical patent/KR102174206B1/ko
Publication of KR20200048183A publication Critical patent/KR20200048183A/ko
Application granted granted Critical
Publication of KR102174206B1 publication Critical patent/KR102174206B1/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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G06Q30/0271—Personalized advertisement
    • 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
    • G06Q30/0282—Rating or review of business operators or products
    • 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

상품의 신뢰도를 고려한 온라인 상품 추천 방법 및 장치가 개시된다. 일 실시예에 따른 온라인 상품 추천 방법은, 제1 상품들에 대한 사용자의 온라인상의 행위에 기초하여 상기 제1 상품들에 대한 상기 사용자의 상품 선호도를 결정하는 단계와, 제2 상품들에 대한 다른 사용자들의 온라인상의 행위에 기초하여 상기 제2 상품들에 대한 상품 신뢰도를 결정하는 단계와, 상기 상품 선호도와 상기 상품 신뢰도에 기초하여 상기 사용자에게 상품 추천 목록을 제공하는 단계를 포함한다.

Description

상품의 신뢰도를 고려한 온라인 상품 추천 방법 및 장치{METHOD AND APPARATUS FOR ONLINE PRODUCT RECOMMENDATION CONSIDERING RELIABILITY OF PRODUCT}
아래 실시예들은 상품의 신뢰도를 고려한 온라인 상품 추천 방법 및 장치에 관한 것이다.
소비자는 최근 온라인 쇼핑몰의 활성화로 인해 다양한 품목의 상품을 쉽게 구매할 수 있게 되었다. 판매자 또한 온라인을 통해 상품을 손쉽게 홍보할 수 있게 되어 다양한 형태로 이익을 실현할 수 있게 되었다.
소비자는 원하는 상품을 구매하기 위해 온라인 쇼핑몰에서 상품의 정보를 확인하거나 다른 소비자들의 상품 구매 평가 정보를 활용한다. 소비자들은 폭 넓은 정보를 통해 상품 구매에 다양한 선택을 할 수 있지만, 반대로 방대한 정보가 신뢰성이 있는 정보인지는 소비자들이 스스로 판단해야 하므로 소비자가 자신의 상품 선택에 대한 확실성을 가지지 못하는 경우도 많아지고 있다.
예를 들어, 상품 정보는 많지만 구매 리뷰가 거의 없는 상품들은 소비자가 실제 상품을 사용한 다른 소비자들이 거의 없는 경우라고 생각하여 상품 구매를 하지 않거나, 상품 선택에 있어서 구매를 망설이는 경우가 종종 생긴다.
반대로 쇼핑몰에서 특정 상품의 구매 리뷰가 많고 좋은 평가를 받은 상품 중에서는 허위의 상품 구매 리뷰를 통해 소비자가 해당 상품을 좋은 상품이라고 믿게 만드는 악의적인 정보를 담고 있는 경우도 있다.
온라인 쇼핑몰에서 소비자에게 의미 있고 신뢰도 있는 정보를 제공해주기 위해서는 좀 더 객관적이고 평가 가능한 형태의 상품의 신뢰도 평가 방법이 필요하다.
실시예들은 사용자의 상품 선호도와 다른 사용자들에게서 도출한 상품 신뢰도를 상품 추천단계에 반영함으로써, 사용자에게 객관적인 상품 신뢰도를 가지는 상품을 추천하는 기술을 제공할 수 있다.
일 실시예에 따른 온라인 상품 추천 방법은, 제1 상품들에 대한 사용자의 온라인상의 행위에 기초하여 상기 제1 상품들에 대한 상기 사용자의 상품 선호도를 결정하는 단계와, 제2 상품들에 대한 다른 사용자들의 온라인상의 행위에 기초하여 상기 제2 상품들에 대한 상품 신뢰도를 결정하는 단계와, 상기 상품 선호도와 상기 상품 신뢰도에 기초하여 상기 사용자에게 상품 추천 목록을 제공하는 단계를 포함한다.
상기 사용자의 온라인상의 행위는, 상기 사용자의 상품 평가 점수, 상품 클릭 횟수, 상기 제1 상품들의 추후 구매를 위한 상품 찜 여부, 및 상품 페이지에 머무른 시간을 포함하고, 상기 다른 사용자들의 온라인상의 행위는, 상기 다른 사용자들의 상품 언급 횟수, 상품 평가 점수, 상품 클릭 횟수, 상기 제2 상품들의 추후 구매를 위한 상품 찜 개수, 상품 페이지에 머무른 시간, 및 상품 페이지에 머무른 횟수를 포함할 수 있다.
상기 상품 선호도를 결정하는 단계는, 상기 제1 상품들 각각에 대해 수행된 각 온라인상의 행위에 대한 행위 값을 추출하는 단계와, 상기 행위 값에 기초하여 상기 각 온라인상의 행위에 대한 행위 가중치를 계산하는 단계와, 상기 행위 값 및 상기 행위 가중치에 기초하여 상기 제1 상품들에 대한 상기 사용자의 현재 상품 선호도를 계산하는 단계와, 상기 현재 상품 선호도와 상기 제1 상품들에 대한 상기 사용자의 이전 상품 선호도에 기초하여 상기 상품 선호도를 계산하는 단계를 포함할 수 있다.
상기 행위 가중치를 계산하는 단계는, 상기 행위 값을 정규화하는 단계와, 정규화한 행위 값을 이용하여 상기 각 온라인상의 행위의 수행 비율을 계산하는 단계와, 상기 수행 비율 및 상기 사용자가 평가한 상기 제1 상품들의 개수에 기초하여 상기 행위 가중치를 계산하는 단계를 포함할 수 있다.
상기 상품 선호도를 계산하는 단계는, 상기 현재 상품 선호도 및 상기 이전 상품 선호도에 기초하여 상기 제1 상품들에 대한 시간 가중치를 계산하는 단계와, 상기 시간 가중치를 상기 현재 상품 선호도에 반영하여 상기 상품 선호도를 계산하는 단계를 포함할 수 있다.
상기 상품 신뢰도를 결정하는 단계는, 상기 다른 사용자들의 상기 상품 평가 점수, 상기 상품 찜 개수, 상기 상품 페이지에 머무른 시간, 및 상기 상품 페이지에 머무른 횟수에 기초하여 상기 제2 상품들에 대한 상기 다른 사용자들의 관심도를 계산하는 단계와, 상기 상품 언급 횟수 및 상기 관심도에 기초하여 상기 상품 신뢰도를 계산하는 단계를 포함할 수 있다.
상기 행위 가중치를 계산하는 단계는, 상기 행위 값을 정규화하는 단계와, 정규화한 행위 값을 이용하여 상기 각 온라인상의 행위의 수행 비율을 계산하는 단계와, 상기 수행 비율 및 상기 사용자가 평가한 상기 제1 상품들의 개수에 기초하여 상기 행위 가중치를 계산하는 단계를 포함할 수 있다.
상기 상품 선호도를 계산하는 단계는, 상기 현재 상품 선호도 및 상기 이전 상품 선호도에 기초하여 상기 제1 상품들에 대한 시간 가중치를 계산하는 단계와, 상기 시간 가중치를 상기 현재 상품 선호도에 반영하여 상기 상품 선호도를 계산하는 단계를 포함할 수 있다.
상기 상품 신뢰도를 결정하는 단계는, 상기 다른 사용자들의 상기 상품 평가 점수, 상기 상품 찜 개수, 상기 상품 페이지에 머무른 시간, 및 상기 상품 페이지에 머무른 횟수에 기초하여 상기 제2 상품들에 대한 상기 다른 사용자들의 관심도를 계산하는 단계와, 상기 상품 언급 횟수 및 상기 관심도에 기초하여 상기 상품 신뢰도를 계산하는 단계를 포함할 수 있다.
상기 상품 추천 목록을 제공하는 단계는, 상기 다른 사용자들의 상기 제1 상품들에 대한 상품 선호도와 상기 사용자의 상기 제1 상품들에 대한 상품 선호도를 비교하여 상기 다른 사용자들 중에서 상기 사용자의 상품 선호도와 유사한 상품 선호도를 가진 사용자들을 추출하는 단계와, 제3 상품들에 대한 상기 추출된 사용자들의 상품 선호도에 기초하여 상기 제3 상품들에 대한 상기 사용자의 상품 선호도를 예측하는 단계와, 상기 제3 상품들을 예측된 상품 선호도에 따라 정렬하여 상품 목록을 생성하는 단계와, 상기 상품 목록과 상기 상품 신뢰도에 기초하여 상기 상품 추천 목록을 제공하는 단계를 포함할 수 있다.
상기 추출하는 단계는, 상기 다른 사용자들과 상품 선호도 비교를 위해 상기 제1 상품들 중에서 기준 상품을 선택하는 단계와, 상기 기준 상품에 대한 상기 사용자의 제1 상품 선호도를 추출하는 단계와, 상기 기준 상품에 대한 상기 다른 사용자들의 제2 상품 선호도를 추출하는 단계와, 상기 제1 상품 선호도와 상기 제2 상품 선호도를 비교하고, 상기 비교 결과에 기초하여 상기 다른 사용자들 중에서 상기 제1 상품 선호도와 유사한 사용자들을 상기 사용자의 상품 선호도와 유사한 상품 선호도를 가진 사용자들로 추출하는 단계를 포함할 수 있다.
상기 상품 추천 목록을 제공하는 단계는, 상기 다른 사용자들의 상기 제1 상품들에 대한 상품 선호도와 상기 사용자의 상기 제1 상품들에 대한 상품 선호도를 비교하여 상기 다른 사용자들 중에서 상기 사용자의 상품 선호도와 유사한 상품 선호도를 가진 사용자들을 추출하는 단계와, 제3 상품들에 대한 상기 추출된 사용자들의 상품 선호도에 기초하여 상기 제3 상품들에 대한 상기 사용자의 상품 선호도를 예측하는 단계와, 상기 제3 상품들을 예측된 상품 선호도에 따라 정렬하여 상품 목록을 생성하는 단계와, 상기 상품 목록과 상기 상품 신뢰도에 기초하여 상기 상품 추천 목록을 제공하는 단계를 포함할 수 있다.
상기 추출하는 단계는, 상기 다른 사용자들과 상품 선호도 비교를 위해 상기 제1 상품들 중에서 기준 상품을 선택하는 단계와, 상기 기준 상품에 대한 상기 사용자의 제1 상품 선호도를 추출하는 단계와, 상기 기준 상품에 대한 상기 다른 사용자들의 제2 상품 선호도를 추출하는 단계와, 상기 제1 상품 선호도와 상기 제2 상품 선호도를 비교하고, 상기 비교 결과에 기초하여 상기 다른 사용자들 중에서 상기 제1 상품 선호도와 유사한 사용자들을 상기 사용자의 상품 선호도와 유사한 상품 선호도를 가진 사용자들로 추출하는 단계를 포함할 수 있다.
상기 상품 선호도를 예측하는 단계는, 상기 제1 상품들 중에서 상기 사용자의 상품에 대한 행위에 의해 선택된 상품에 대한 상기 사용자의 상품 선호도를 추출하는 단계와, 상기 선택된 상품에 대한 상기 사용자의 상품 선호도와 상기 선택된 상품에 대한 상기 추출된 사용자들의 상품 선호도에 기초하여 상기 사용자와 상기 추출된 사용자들의 상품 성향에 대한 유사도를 계산하는 단계와, 상기 유사도에 기초하여 상기 제3 상품들에 대한 상기 사용자의 상품 선호도를 예측하는 단계를 포함할 수 있다.
상기 상품 추천 목록을 제공하는 단계는, 상기 예측된 상품 선호도 및 상기 상품 신뢰도에 기초하여 상기 상품 목록의 상품들에 대한 추천 순위를 나타내는 랭킹(ranking)값을 계산하는 단계와, 상기 랭킹값에 따라 상기 상품 추천 목록을 제공하는 단계를 포함할 수 있다.
일 실시예에 따른 온라인 상품 추천 장치는, 제1 상품들에 대한 사용자의 온라인상의 행위에 기초하여 상기 제1 상품들에 대한 상기 사용자의 상품 선호도를 결정하는 선호도 결정기와, 제2 상품들에 대한 다른 사용자들의 온라인상의 행위에 기초하여 상기 제2 상품들에 대한 상품 신뢰도를 결정하는 신뢰도 결정기와, 상기 상품 선호도와 상기 상품 신뢰도에 기초하여 상기 사용자에게 상품 추천 목록을 제공하는 추천기를 포함한다.
상기 사용자의 온라인상의 행위는, 상기 사용자의 상품 평가 점수, 상품 클릭 횟수, 상기 제1 상품들의 추후 구매를 위한 상품 찜 여부, 및 상품 페이지에 머무른 시간을 포함하고, 상기 다른 사용자들의 온라인상의 행위는, 상기 다른 사용자들의 상품 언급 횟수, 상품 평가 점수, 상품 클릭 횟수, 상기 제2 상품들의 추후 구매를 위한 상품 찜 개수, 상품 페이지에 머무른 시간, 및 상품 페이지에 머무른 횟수를 포함할 수 있다.
상기 선호도 결정기는, 상기 제1 상품들 각각에 대해 수행된 각 온라인상의 행위에 대한 행위 값을 추출하고, 상기 행위 값에 기초하여 상기 각 온라인상의 행위에 대한 행위 가중치를 계산하고, 상기 행위 값 및 상기 행위 가중치에 기초하여 상기 제1 상품들에 대한 상기 사용자의 현재 상품 선호도를 계산하고, 상기 현재 상품 선호도와 상기 제1 상품들에 대한 상기 사용자의 이전 상품 선호도에 기초하여 상기 상품 선호도를 계산할 수 있다.
상기 선호도 결정기는, 상기 행위 값을 정규화하고, 정규화한 행위 값을 이용하여 상기 각 온라인상의 행위의 수행 비율을 계산하고, 상기 수행 비율 및 상기 사용자가 평가한 상기 제1 상품들의 개수에 기초하여 상기 행위 가중치를 계산할 수 있다.
상기 선호도 결정기는, 상기 현재 상품 선호도 및 상기 이전 상품 선호도에 기초하여 상기 제1 상품들에 대한 시간 가중치를 계산하고, 상기 시간 가중치를 상기 현재 상품 선호도에 반영하여 상기 상품 선호도를 계산할 수 있다.
상기 신뢰도 결정기는, 상기 다른 사용자들의 상기 상품 평가 점수, 상기 상품 찜 개수, 상기 상품 페이지에 머무른 시간, 및 상기 상품 페이지에 머무른 횟수에 기초하여 상기 제2 상품들에 대한 상기 다른 사용자들의 관심도를 계산하고, 상기 상품 언급 횟수 및 상기 관심도에 기초하여 상기 상품 신뢰도를 계산할 수 있다.
상기 선호도 결정기는, 상기 행위 값을 정규화하고, 정규화한 행위 값을 이용하여 상기 각 온라인상의 행위의 수행 비율을 계산하고, 상기 수행 비율 및 상기 사용자가 평가한 상기 제1 상품들의 개수에 기초하여 상기 행위 가중치를 계산할 수 있다.
상기 선호도 결정기는, 상기 현재 상품 선호도 및 상기 이전 상품 선호도에 기초하여 상기 제1 상품들에 대한 시간 가중치를 계산하고, 상기 시간 가중치를 상기 현재 상품 선호도에 반영하여 상기 상품 선호도를 계산할 수 있다.
상기 신뢰도 결정기는, 상기 다른 사용자들의 상기 상품 평가 점수, 상기 상품 찜 개수, 상기 상품 페이지에 머무른 시간, 및 상기 상품 페이지에 머무른 횟수에 기초하여 상기 제2 상품들에 대한 상기 다른 사용자들의 관심도를 계산하고, 상기 상품 언급 횟수 및 상기 관심도에 기초하여 상기 상품 신뢰도를 계산할 수 있다.
상기 추천기는, 상기 다른 사용자들의 상기 제1 상품들에 대한 상품 선호도와 상기 사용자의 상기 제1 상품들에 대한 상품 선호도를 비교하여 상기 다른 사용자들 중에서 상기 사용자의 상품 선호도와 유사한 상품 선호도를 가진 사용자들을 추출하고, 제3 상품들에 대한 상기 추출된 사용자들의 상품 선호도에 기초하여 상기 제3 상품들에 대한 상기 사용자의 상품 선호도를 예측하고, 상기 제3 상품들을 예측된 상품 선호도에 따라 정렬하여 상품 목록을 생성하고, 상기 상품 목록과 상기 상품 신뢰도에 기초하여 상기 상품 추천 목록을 제공할 수 있다.
상기 추천기는, 상기 다른 사용자들과 상품 선호도 비교를 위해 상기 제1 상품들 중에서 기준 상품을 선택하고, 상기 기준 상품에 대한 상기 사용자의 제1 상품 선호도를 추출하고, 상기 기준 상품에 대한 상기 다른 사용자들의 제2 상품 선호도를 추출하고, 상기 제1 상품 선호도와 상기 제2 상품 선호도를 비교하고, 상기 비교 결과에 기초하여 상기 다른 사용자들 중에서 상기 제1 상품 선호도와 유사한 사용자들을 상기 사용자의 상품 선호도와 유사한 상품 선호도를 가진 사용자들로 추출할 수 있다.
상기 추천기는, 상기 제1 상품들 중에서 상기 사용자의 상품에 대한 행위에 의해 선택된 상품에 대한 상기 사용자의 상품 선호도를 추출하고, 상기 선택된 상품에 대한 상기 사용자의 상품 선호도와 상기 선택된 상품에 대한 상기 추출된 사용자들의 상품 선호도에 기초하여 상기 사용자와 상기 추출된 사용자들의 상품 성향에 대한 유사도를 계산하고, 상기 유사도에 기초하여 상기 제3 상품들에 대한 상기 사용자의 상품 선호도를 예측할 수 있다.
상기 추천기는, 상기 예측된 상품 선호도 및 상기 상품 신뢰도에 기초하여 상기 상품 목록의 상품들에 대한 추천 순위를 나타내는 랭킹값을 계산하고, 상기 랭킹값에 따라 상기 상품 추천 목록을 제공할 수 있다.
도 1은 기존 온라인 쇼핑몰에서의 상품 판매 촉진을 위한 상품 추천 방법의 일 예를 나타내는 도면이다.
도 2는 일 실시예에 따른 온라인 상품 추천 장치를 개략적으로 나타낸 블록도이다.
도 3은 도 2에 도시된 온라인 상품 추천 장치의 전체적인 동작을 개략적으로 나타낸 흐름도이다.
도 4는 도 3에 도시된 선호도 결정기가 결정한 상품 선호도의 결정 과정을 구체적으로 나타낸 흐름도이다.
도 5는 도 3에 도시된 신뢰도 결정기가 결정한 상품 신뢰도의 결정 과정을 구체적으로 나타낸 흐름도이다.
도 6은 도 3에 도시된 추천기가 제공하는 상품 추천 목록의 제공 과정을 구체적으로 나타낸 흐름도이다.
도 7은 선호도 결정기가 도 4에 도시된 사용자 행위를 행위 값으로 추출한 일 예를 나타낸 도면이다.
도 8은 선호도 결정기가 도 7에 도시된 행위 값을 정규화한 일 예를 나타낸 도면이다.
도 9는 선호도 결정기가 도 8에 도시된 정규화된 행위 값을 수행 비율로 계산한 일 예를 나타낸 도면이다.
도 10은 선호도 결정기가 도 9에 도시된 수행 비율에 기초하여 행위 가중치를 계산한 일 예를 나타낸 도면이다.
도 11은 선호도 결정기가 도 10에 도시된 행위 가중치에 기초하여 현재 상품 선호도를 계산한 일 예를 나타낸 도면이다.
도 12는 신뢰도 결정기가 도 5에 도시된 상품 신뢰도를 결정하는 과정을 더욱 구체적으로 나타낸 흐름도이다.
도 13은 온라인 상품 추천 장치가 도 3에 도시된 상품 추천 목록을 제공하는 전체 단계를 순서대로 나열한 흐름도이다.
도 14는 추천기가 도 6에 도시된 랭킹값을 계산하기 위한 예측된 상품 선호도를 계산하는 일 예를 나타낸 도면이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
제1 또는 제2등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해서 한정되어서는 안 된다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만, 예를 들어 실시예의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
도 1은 기존 온라인 쇼핑몰에서의 상품 판매 촉진을 위한 상품 추천 방법의 일 예를 나타내는 도면이다.
도 1을 참조하면, 온라인 쇼핑몰은 상품 광고 및 상품 판매 촉진을 위해 소비자의 구매 내역, 댓글, 및/또는 상품 유통 정보 분석을 통해 개인화된 상품 추천 서비스를 제공할 수 있다.
예를 들어, A 온라인 쇼핑몰의 경우 소비자가 조회한 상품의 분류, 상품 정보 조회 수, 상품정보 공유 여부, 질문 등록 수, 최종 결제 가격, 실제 구매여부 등 쇼핑 과정에서 발생하는 소비자의 활동 정보와 이용패턴을 실시간으로 분석해 소비자에게 연관 상품을 추천할 수 있다. 다른 예를 들어, B 온라인 쇼핑몰의 경우 소비자의 상품 구매 내역을 통해 소비자들의 소비 패턴을 분석하여 소비자의 상품 구매 시 관련 상품을 추천할 수 있다. 또한, B 온라인 쇼핑몰에서는 상품간의 유사성을 비교하여 이를 상품 추천에 반영하는 ‘북 매치’ 서비스가 제공될 수 있다.
패턴기반의 상품 추천 방법은 개인화된 상품 추천 방법으로 도 1에 도시된 바와 같이 소비자들의 구매 행동 패턴을 분석하여 유사한 구매 패턴을 가지는 다른 소비자가 구매한 아이템을 해당 소비자에게 추천할 수 있다. 소비자에게 패턴 기반의 상품 추천 방법으로 상품을 추천하는 경우, 소비자의 구매 행동 패턴만으로 상품을 추천하기 때문에 소비자가 실제로 구매할 생각이 없는 상품을 추천받는 경우가 생길 수 있다.
성향 기반 추천 방법은 소비자가 구매한 상품과 소비자의 프로필을 분석하고 소비자의 상품 성향을 추출하여 소비자의 상품 성향을 기반으로 소비자에게 상품을 추천할 수 있다. 성향 기반 추천 방법은 소비자의 상품 성향을 기반으로 상품 추천을 수행하기 때문에 실제로 소비자가 좋아할 만한 상품들이 주로 추천되지만, 소비자가 평가하지 않은 상품은 추천 상품으로 생성될 확률이 매우 적어 소비자들은 고정된 상품 목록만을 추천받을 수 있다.
온라인 쇼핑몰이 소비자에게 할인하는 모든 상품 정보에 대한 DM(Direct Mail)을 발송한 경우와, 소비자의 패턴 및/또는 성향 분석을 통한 개인 맞춤형 상품 정보 DM을 발송한 경우를 비교하였을 때, 소비자의 패턴 및/또는 성향 분석을 통한 개인 맞춤형 상품 정보를 제공하였을 경우의 소비자의 구매 전환율이 10~20% 상승한 결과가 나올 수 있다. 이러한 사례를 보면 알 수 있듯이 온라인 쇼핑몰에서 구매율을 향상시키기 위해서는 개인 맞춤 추천 기능이 요구될 수 있다.
온라인 쇼핑몰의 경쟁력 확보 및 매출액 증대를 위해서는 적극적인 구매 이력이 없는 잠재 고객을 발굴하는 것이 중요할 수 있다. 또한, 기업은 소비자별로 차별화된 일대일 마케팅과 소비자의 입장에서 소비자를 이해하고 소비자와의 관계를 강화시키는 고객 관계 관리 전략을 구사함으로써 기업경쟁력을 강화시킬 수 있다.
개인화된 상품 추천 시스템은 소비자 각 개인의 관심에 적합한 정보 및 상품을 추천함으로써 소비자들의 의사 결정에 도움을 주거나 소비자들의 상품 구매율을 향상시킬 수 있다. 즉, 소비자의 각 개인의 취향에 맞는 정보와 아이템을 추천 시스템이 자동으로 추천하여 제공함으로써 소비자 측면에서는 시간과 비용을 감소시키고 기업 측면에서는 이윤을 증대시킬 수 있다.
개인화된 상품 추천 방법은 내용 기반 추천(content-basedrecommendation)과 협업 필터링(collaborative filtering)으로 구분된다.
내용 기반 추천은 상품 속성을 임의의 값이나 문자로 정규화하여 고객의 정보와 유사도가 가장 높은 콘텐츠를 찾는 방식으로 추천이 간편하고, 속도가 빠를 수 있다. 하지만, 내용 기반 추천은 콘텐츠와 개인의 정보를 사용하여 추천을 하는 단순한 형태이기 때문에 개인의 취향을 고려하지 않은 일관적인 추천만을 할 수 있다.
협업 필터링 기반 추천은 소비자의 선호도를 기반으로 새로운 이용자가 관심을 가질 것으로 생각되는 항목을 추천해 주는 방법일 수 있다. 협업 필터링은 추천 시스템을 구축하는데 가장 널리 보급된 정보 필터링 기법으로 학문적, 상업적으로도 가장 많이 이용되고 있을 수 있다.
또한, 아이템 기반 추천 방법은 아이템간의 유사도 계산을 통해 유사한 소비자가 구매한 아이템과 유사한 아이템을 추천하는 기법일 수 있다. 그러나 아이템 기반 추천에서는 한번 계산된 아이템간의 유사도가 변경될 일이 적어 고정된 추천 목록을 생성할 수 있다.
상술한 상품 추천 방법의 한계를 해결하기 위해서 평점을 내린 사용자간의 유사도를 비교하여 다양한 추천 목록을 생성하는 사용자 기반의 추천 방법이 연구되고 있을 수 있다. 그러나 사용자 기반의 추천 방법은 평점 이력이나 아이템 수가 부족한 경우 추천을 할 수 없는 콜드 스타트 문제(Cold Start Problem)를 내재하고 있을 수 있다.
하이브리드 추천 방법은 콜드 스타트 문제와 같은 아이템 부족의 현상을 해결하기 위해서 아이템 기반 유사도와 사용자 기반 유사도를 결합한 추천 방법이다. 하이브리드 추천 방법은 콜드 스타트 문제 등의 한계점을 일부 해결하였으나 연산의 복잡도는 상대적으로 높아질 수 있다.
또한 상술한 추천 방법으로는 추천된 상품이 실제로 신뢰할 수 있는 상품인지를 확인하지 못할 수 있다. 만약, 특정 집단이 무분별하게 상품 리뷰 점수를 높게 준다면 해당 상품이 추천될 확률이 상승할 수 있다.
이러한 한계점을 해결하기 위해 실시예들은 상품이 상품 추천 목록의 후보 집합으로 선택될 때 추천되는 상품이 신뢰할 수 있는 상품인지 알 수 있는 상품 신뢰도를 상품 추천 단계에 반영하여 상품 신뢰도가 낮은 상품들을 추천 목록에서 제거할 수 있는 기술을 제공할 수 있다.
이하에서는, 도 2 내지 도 14를 참조하여 실시예들을 설명하도록 한다.
도 2는 일 실시예에 따른 온라인 상품 추천 장치를 개략적으로 나타낸 블록도이고, 도 3은 도 2에 도시된 온라인 상품 추천 장치의 전체적인 동작을 개략적으로 나타낸 흐름도이다.
도 2를 참조하면, 온라인 상품 추천 장치(10)는 선호도 결정기(100), 신뢰도 결정기(200), 및 추천기(300)를 포함한다.
온라인 상품 추천 장치(10)는 사용자에게 상품 신뢰도를 반영한 개인화된 상품 추천 목록을 제공할 수 있다. 사용자는 온라인 쇼핑몰 등을 이용하는 소비자일 수 있다.
온라인 상품 추천 장치(10)는 사용자의 소비 패턴을 분석하여 사용자의 성향을 판별하고 이를 기반으로 추천을 수행할 수 있다. 온라인 상품 추천 장치(10)가 수행하는 상품 추천은 사용자 기반의 협업 필터링 기법을 활용할 수 있다. 온라인 상품 추천 장치(10)가 상품 추천 목록을 제공할 때는 사용자가 이전에 구매하지 않았던 상품을 추천할 수 있다.
선호도 결정기(100)는 제1 상품들에 대한 사용자의 온라인상의 행위에 기초하여 제1 상품들에 대한 사용자의 상품 선호도를 결정할 수 있다.
제1 상품들은 사용자가 온라인상으로 한 행위의 대상이 되는 상품들일 수 있다. 사용자의 온라인상의 행위는 사용자의 상품 평가 점수, 상품 클릭 횟수, 상기 제1 상품들의 추후 구매를 위한 상품 찜 여부, 및 상품 페이지에 머무른 시간 등을 포함할 수 있다.
선호도 결정기(100)는 상품 선호도를 추천기(300)로 전송할 수 있다.
신뢰도 결정기(200)는 제2 상품들에 대한 다른 사용자들의 온라인상의 행위에 기초하여 제2 상품들에 대한 신뢰도를 결정할 수 있다.
제2 상품들은 다른 사용자들이 온라인상으로 한 행위의 대상이 되는 상품들일 수 있다. 제2 상품들은 제1 상품들을 포함할 수 있다. 다른 사용자들의 온라인상의 행위는 다른 사용자들의 상품 언급 횟수, 온라인 쇼핑몰 내의 상품의 인기도인 상품 평가 점수, 상품 클릭 횟수, 상기 제2 상품들의 추후 구매를 위한 상품 찜 개수, 상품 페이지에 머무른 시간, 및 상품 페이지에 머무른 횟수 등을 포함할 수 있다.
신뢰도 결정기(200)는 상품 신뢰도를 추천기(300)로 전송할 수 있다.
추천기(300)는 상품 선호도와 상품 신뢰도에 기초하여 사용자에게 상품 추천 목록을 제공할 수 있다. 상품 추천 목록에 있는 상품은 제1 상품들이 포함되지 않을 수 있다.
도 3을 참조하면, 온라인 상품 추천 장치(10)는 선호도 결정기(100)가 상품 선호도를 결정하고(310), 신뢰도 결정기(200)가 상품 신뢰도를 결정하고(320), 추천기(300)가 상품 선호도와 상품 신뢰도에 기초하여 상품 추천 목록을 제공(330)하는 동작으로 사용자에게 상품 추천 목록을 제공할 수 있다.
도 4는 도 3에 도시된 선호도 결정기가 결정한 상품 선호도의 결정 과정을 구체적으로 나타낸 흐름도이다.
도 4를 참조하면, 선호도 결정기(100)는 사용자 행위(311)에 기초하여 행위 가중치, 및 시간 가중치를 결정하고(312, 313), 행위 가중치 및/또는 시간 가중치에 기초하여 상품 선호도를 계산할 수 있다(314).
선호도 결정기(100)는 제1 상품들 각각에 대해 수행된 각 온라인상의 사용자의 행위에 대한 행위 값을 추출할 수 있다. 선호도 결정기(100)가 행위 값을 추출하는 일 예는 도 7에서 자세히 살펴보기로 한다.
선호도 결정기(100)는 행위 값에 기초하여 각 온라인상의 행위에 대한 행위 가중치를 계산할 수 있다. 더욱 구체적으로는, 선호도 결정기(100)는 행위 값을 정규화할 수 있다. 선호도 결정기(100)는 정규화한 행위 값을 이용하여 각 온라인상의 행위의 수행 비율을 계산할 수 있다. 선호도 결정기(100)는 수행 비율 및 사용자가 평가한 제1 상품들의 개수에 기초하여 행위 가중치를 계산할 수 있다. 선호도 결정기(100)가 행위 값에 기초하여 행위 가중치를 계산하는 일 예는 도 8 내지 도 10을 통해 자세히 살펴보기로 한다.
선호도 결정기(100)는 행위 값 및 행위 가중치에 기초하여 제1 상품들에 대한 사용자의 현재 상품 선호도를 계산할 수 있다. 더욱 구체적으로는, 선호도 결정기(100)는 현재 상품 선호도와 제1 상품들에 대한 사용자의 이전 상품 선호도에 기초하여 상품 선호도를 계산할 수 있다. 선호도 결정기(100)는 현재 상품 선호도 및 이전 상품 선호도에 기초하여 제1 상품들에 대한 시간 가중치를 계산할 수 있다(313). 선호도 결정기(100)는 시간 가중치를 현재 상품 선호도에 반영하여 상품 선호도를 계산할 수 있다(314). 선호도 결정기(100)가 행위 가중치에 기초하여 상품 선호도를 계산하는 일 예는 도 11에서 자세히 살펴보기로 한다.
도 5는 도 3에 도시된 신뢰도 결정기가 결정한 상품 신뢰도의 결정 과정을 구체적으로 나타낸 흐름도이다.
도 5를 참조하면, 신뢰도 결정기(200)는 다른 사용자들의 행위(321)에 기초하여 서비스 내 인기도와 상품에 대한 SNS 언급량을 도출할 수 있고(322, 323), 서비스 내 인기도 및 상품에 대한 SNS 언급량에 기초하여 상품 신뢰도를 결정할 수 있다(324).
신뢰도 결정기(200)는 다른 사용자들의 상품 평가 점수, 상기 상품 찜 개수, 상기 상품 페이지에 머무른 시간, 및 상기 상품 페이지에 머무른 횟수에 기초하여 제2 상품들에 대한 다른 사용자들의 관심도를 계산할 수 있다. 관심도는 서비스 내 인기도 및/또는 상품에 대한 SNS 언급량일 수 있다. 신뢰도 결정기(200)는 상품 언급 횟수 및 관심도에 기초하여 상품 신뢰도를 계산할 수 있다. 신뢰도 결정기(200)가 상품 신뢰도를 결정하는 일 예는 도 12에서 자세히 살펴보기로 한다.
도 6은 도 3에 도시된 추천기가 제공하는 상품 추천 목록의 제공 과정을 구체적으로 나타낸 흐름도이다.
도 6을 참조하면, 추천기(300)는 선호도 결정기(100)로부터 전송된 상품 선호도와 신뢰도 결정기(200)로부터 전송된 상품 신뢰도에 기초하여 유사 사용자 집합을 추출하고(331), 유사 사용자 집합의 상품 선호도에 기초하여 제3 상품들에 대한 상품 선호도를 예측하고(332), 예측된 상품 선호도에 따라 상품 목록을 생성하고(333), 상품 목록과 상품 신뢰도에 기초하여 상품 추천 목록을 제공할 수 있다(334).
추천기(300)는 다른 사용자들의 제1 상품들에 대한 상품 선호도와 사용자의 제1 상품들에 대한 상품 선호도를 비교하여 다른 사용자들 중에서 사용자의 상품 선호도와 유사한 상품 선호도를 가진 사용자들을 추출할 수 있다. 추천기(300)는 다른 사용자들과의 상품 선호도 비교를 위해 제1 상품들 중에서 기준 상품을 선택할 수 있다.
추천기(300)는 기준 상품에 대한 사용자의 제1 상품 선호도를 추출할 수 있다. 추천기(300)는 기준 상품에 대한 다른 사용자들의 제2 상품 선호도를 추출할 수 있다.
추천기(300)는 제1 상품 선호도와 상기 제2 상품 선호도를 비교할 수 있다. 추천기(300)는 제1 상품 선호도와 상기 제2 상품 선호도의 비교 결과에 기초하여 다른 사용자들 중에서 제1 상품 선호도와 유사한 사용자들을 사용자의 상품 선호도와 유사한 상품 선호도를 가진 사용자들로 추출할 수 있다.
추천기(300)는 제3 상품들에 대한 추출된 사용자들의 상품 선호도에 기초하여 제3 상품들에 대한 사용자의 상품 선호도를 예측할 수 있다. 제3 상품들은 제2 상품들 중에서 제1 상품들을 포함하지 않는 상품들일 수 있다.
추천기(300)는 제1 상품들 중에서 사용자의 상품에 대한 행위에 기초하여 선택된 상품에 대한 사용자의 상품 선호도를 추출할 수 있다. 추천기(300)는 선택된 상품에 대한 사용자의 상품 선호도와 선택된 상품에 대한 추출된 사용자들의 상품 선호도에 기초하여 사용자와 추출된 사용자들의 상품 성향에 대한 유사도를 계산할 수 있다. 추천기(300)는 유사도에 기초하여 제3 상품들에 대한 사용자의 상품 선호도를 예측할 수 있다.
추천기(300)는 제3 상품들을 예측된 상품 선호도에 따라 정렬하여 상품 목록을 생성할 수 있다.
추천기(300)는 상품 목록과 상품 신뢰도에 기초하여 상품 추천 목록을 제공할 수 있다. 더욱 구체적으로는, 추천기(300)는 예측된 상품 선호도 및 상품 신뢰도에 기초하여 상품 목록의 상품들에 대한 추천 순위를 나타내는 랭킹(ranking)값을 계산할 수 있다. 추천기(300)는 랭킹값에 따라 상품 추천 목록을 제공할 수 있다. 추천기(300)가 상품 추천 목록을 제공하는 일 예는 도 13 내지 도 14에서 자세히 살펴보기로 한다.
도 7은 선호도 결정기가 도 4에 도시된 사용자 행위를 행위 값으로 추출한 일 예를 나타낸 도면이고, 도 8은 선호도 결정기가 도 7에 도시된 행위 값을 정규화한 일 예를 나타낸 도면이다.
도 7을 참조하면, 선호도 결정기(100)는 사용자가 상품에 대한 행위를 수행하게 되면 도 7과 같이 행위별로 값을 추출할 수 있다. USER_ID, ITEM_ID, RATING, CLICK_NUM, IS_LIKE, STATY_TIME은 사용자 식별 번호, 상품 식별 번호, 사용자가 상품에 대해 내린 평가 점수, 사용자가 상품을 클릭한 클릭 횟수, 사용자가 상품에 대해 행한 찜하기 여부, 사용자가 상품을 클릭 후 상품 페이지에 머무른 시간을 나타낼 수 있다.
도 8을 참조하면, 선호도 결정기(100)가 사용자의 행위를 값으로 변환했을 때 각 행위들은 값의 범위가 다르며 심지어 값의 유형마저 다른 경우가 존재할 수 있다. 예를 들어, 평점은 0~5점 사이로 표현되고 클릭 수는 최소값이 0이며 최대값은 사용자마다 다르게 정해질 수 있다. 찜하기는 찜을 했는지 혹은 하지 않았는지에 대한 불리언(Boolean) 값을 가지기 때문에 다른 행위와 같이 값의 범위가 존재하지 않을 수 있다. 따라서 선호도 결정기(100)가 행위의 가중치를 계산하기 위해서는 행위 값을 동일한 값의 범위로 변환하기 위해서 정규화 과정이 필요할 수 있다.
행위 값의 정규화는 수학식 1을 통해 계산된다.
Figure pat00001
정규화 값
Figure pat00002
에서 u는 사용자의 식별 번호, i는 상품 식별 번호, b는 사용자가 수행한 행위의 형태일 수 있다. 사용자(u)가 상품(i)에 대한 행위(b)에 대한 행위 값을 정규화 함을 의미할 수 있다.
Figure pat00003
와
Figure pat00004
는 사용자(u)가 수행한 행위(b)에 대한 최대값과 최소값을 나타낼 수 있다.
예를 들어, 평가 점수에 3~4점만을 주는 사용자가 있다고 하면 해당 사용자 입장에서는 4점이 가장 만족한 값이라고 봐야하기 때문에 사용자 별 행위의 최대, 및 최소값을 사용한다.
사용자마다 행위 값의 범위가 다르기 때문에 행위 값을 0 내지 1로 정규화할 수 있다. 정규화를 수행하면 모든 행위 값은 [0, 1]로 표현될 수 있다.
Figure pat00005
는 사용자의 행위를 정규화하기 위한 실제 행위 값을 나타낸다. 즉,
Figure pat00006
는 사용자(u)가 상품(i)에 대해 수행한 행위(b)에 대한 실제 값일 수 있다. 평가 점수를 4점을 줬다면 4점이 그대로
Figure pat00007
에 대입될 수 있다.
선호도 결정기가 행위 값을 정규화한 일 예는 도 8과 같다. 도 8은 도 7의 3개의 상품에 대한 행위 값을 정규화 한 값이다.
_ID는 사용자 및/또는 상품의 고유 식별 번호로 사용한다. N(r)은 사용자가 상품에 부여한 평가 점수를 정규화 한 값으로 도 7에서 4점을 부여하여 이를 정규화한 값 (4-0)/(5-0)=4/5인 0.8로 변환되고 이와 같은 방식으로 나머지 값들도 [0,1]로 표현될 수 있다.
N(c)와 N(s)는 상품에 대한 클릭 횟수와 클릭 후 머무른 시간을 정규화한 값일 수 있다. N(c)와 N(s)는 사용자마다 최대값이 다르기 때문에 사용자별로 별도로 정규화할 수 있다.
도 9는 선호도 결정기가 도 8에 도시된 정규화된 행위 값을 수행 비율로 계산한 일 예를 나타낸 도면이다.
도 9를 참조하면, 행위 값을 정규화 한 후 어떠한 행위를 많이 수행했는지를 계산하기 위해서 행위 별 수행 비율을 계산할 수 있다. 수행 비율은 수학식 2로 계산할 수 있다.
Figure pat00008
수행 비율
Figure pat00009
에서, 분모에서 사용되는 n은 행위의 개수이다. 즉, 수학식 2는 어떠한 상품(i)에 대해서 수행한 행위(b)에 대한 정규화 값을 동일 상품(i)에 대한 모든 행위 값을 모두 더한 값으로 나누어서 해당 행위(b)가 얼마만큼의 가중치를 가지는지를 계산하는 식일 수 있다.
도 8의 정규화된 행위 값을 수행 비율로 계산하게 되면 도 9와 같은 행위 비율 값을 얻을 수 있다. 도 8에서 _ID는 사용자 및/또는 상품의 고유 식별 번호이며, P(r)은 상품 평가 점수, P(c)는 상품 클릭 수, P(s)는 상품 클릭 후 상품 페이지에 머무른 시간에 대한 수행 비율 값일 수 있다.
예를 들어, 1번 상품의 P(r)은 1번 상품의 N(r) 정규화 값인 0.8을 모든 행위의 정규화 값을 더한 (0.8+0.5+1.0)=2.3으로 나누어 0.34라는 결과 값을 얻게될 수 있다. 나머지 값들도 수학식 2를 통하여 모든 행위에 대한 비율 값을 계산할 수 있다.
도 10은 선호도 결정기가 도 9에 도시된 수행 비율에 기초하여 행위 가중치를 계산한 일 예를 나타낸 도면이고, 도 11은 선호도 결정기가 도 10에 도시된 행위 가중치에 기초하여 현재 상품 선호도를 계산한 일 예를 나타낸 도면이다.
도 10을 참조하면, 선호도 결정기(100)는 사용자 별로 어떤 행위가 중요한지를 나타내는 행위 가중치를 계산할 수 있다. 선호도 결정기(100)는 행위 가중치 값을 통해 상품 별 선호도 값을 단일 값으로 계산할 수 있게 된다.
행위 가중치는 수학식 3으로 계산할 수 있다.
Figure pat00010
행위 가중치
Figure pat00011
에서, k는 사용자(u)가 평가한 총 상품 개수일 수 있다. 하나의 행위(b)에 대한 비율 값을 모두 더하여 평균화 한 값이 행위(b)에 대한 가중치 값일 수 있다. 예를 들어, 도 1에서 총 상품이 3개이기 때문에 k는 3이 될 수 있다.
U는 사용자의 고유 식별 번호이며 W(r)은 평가 점수 행위에 대한 가중치 값일 수 있다. 선호도 결정기(100)는 비율 값인 P(r)의 총합을 계산하고(0.34+0.65+0.15) 이 값을 k인 3으로 나누어 최종적인 평점 행위에 대한 가중치 값을 계산할 수 있다.
W(c)는 상품 클릭수, W(s)는 상품 클릭 후 상품 페이지에 머무른 시간, W(l)은 상품 찜하기의 가중치일 수 있다. 찜하기는 불리언 값이므로, 찜하기 값을 정규화 하거나 찜하기 값의 비율 값을 계산하기 어렵기 때문에 찜한 비율 값을 그대로 사용하여 행위 가중치를 계산할 수 있다.
도 11을 참조하면, 계산된 행위 가중치를 통해 상품별 현재 상품 선호도 값을 계산할 수 있다. 상품 별 현재 상품 선호도 값은 각 행위에 대한 실제 값과 상술한 계산 과정을 통해 얻은 행위 가중치 값을 곱하여 얻은 모든 값을 합하여 계산할 수 있다. 그러나, 클릭 횟수나 상품 선호도는 값의 범위가 크기 때문에 해당 값에 의해 많은 변동이 일어날 수 있어서 값의 영향력을 조절하기 위해서 log값을 취할 수 있다.
상품 선호도 계산의 일 예는 도 11과 같다. 사용자 234가 상품 108에 대한 선호도 값을 얻기 위해 먼저 기존 행위 (상품 평가 점수, 상품 클릭 수, 상품 페이지에 머무른 시간, 상품 찜하기)에 대한 값(4, 10, 3600, 1)을 구하고 각 행위 별 가중치 값(0.38, 0.37, 0.22, 0.33)을 기존 값에 곱하여 합((4*0.38 + log(10)*0.37 +log(3600)*0.22 + 1*0.33)=5.37)을 하여 현재 상품 선호도 값을 계산할 수 있다.
이처럼 계산된 현재 상품 선호도에 사용자의 시간에 따른 상품에 대한 선호도 변화를 반영하기 위해 시간 가중치를 계산할 수 있다.
도 11의 상품 선호도 값을 확인해보면, 동일 아이템 108에 대하여 다른 상품 선호도 값을 나타내는 것을 알 수 있다. 실제로 해당 상품에 대한 행위를 확인해보면 처음에는 중간 정도의 평점을 부여하였지만 나중에는 더 높은 평점을 부여한 것을 알 수 있다. 이는 해당 상품이 사용자에게 시간이 지나면서 더욱 좋은 느낌을 받게 되어 더 높은 평점을 부여한 것으로 볼 수 있다.
시간 가중치를 고려한 상품 선호도는 수학식 4로 계산할 수 있다
Figure pat00012
Figure pat00013
은 사용자(u)가 상품(i)에 대한 행위 가중치를 고려하여 계산한 선호도 값이며 t는 시간 값일 수 있다. t는 시간에 대한 값을 계산하기 위해서 사용될 수 있다. 가장 최근의 선호도 값을 계산하기 위해서 가장 오래된 선호도 값
Figure pat00014
부터 그 다음 시간의 선호도 값
Figure pat00015
을 고려하여
Figure pat00016
을 계산하고, 이를 최근 시간 t까지 재귀적으로 계산할 수 있다.
시간 가중치를 고려한 상품 선호도 계산 방법은 현재 시간 t의 선호도 값에서 이전 시간 t-1의 선호도 값과의 차이에 대한 비율 값을 곱하여 최종적인 선호도 값을 계산하는 방법일 수 있다.
예를 들어, 이전 상품 선호도 값이 1.92이고 현재 상품 선호도 값이 3.00이라면 3.00*(3.00/1.92)=4.68 이라는 시간 가중치가 고려된 상품 선호도 값으로 변환될 수 있다. 반대라면 1.92*(1.92/3.00)=1.22 라는 상품 선호도 값으로 변환될 수 있다.
사용자가 동일 상품에 대한 다중 선호도를 가진다는 것은 해당 상품에 사용자의 성향이 많이 반영되었다는 의미를 내포하기 때문에 선호도 값을 더욱 증폭시키거나 감소시켜서 사용자의 성향을 뚜렷하게 만들 수 있다. 이는 상품 목록 추천에서 사용할 비교 상품을 선택하는데 있어서 많은 도움이 될 수 있다.
도 12는 신뢰도 결정기가 도 5에 도시된 상품 신뢰도를 결정하는 과정을 더욱 구체적으로 나타낸 흐름도이다.
도 12를 참조하면, 상품 목록에 포함되는 상품들은 상품 자체에 대한 상품 신뢰도가 반영되지 않았을 수 있다. 상품 신뢰도는 실제로 그 상품이 믿을만한 상품인지에 대한 값으로 사용자의 상품 만족도에 영향을 받을 수 있다. SNS(Social Networking Service)에서 자주 언급되는 상품들은 실제로 사용자들이 선호할 확률이 높고 이는 믿을 만한 상품임을 의미한다고 볼 수 있다. 상품 신뢰도는 서비스내의 인기도와 SNS에서의 언급량을 가지고 계산할 수 있다.
신뢰도 결정기(200)는 상품의 신뢰도를 측정하기 위해 SNS 데이터를 수집하여 해당 상품이 자주 언급되는 상품인지를 판단하여 신뢰도 계산에 반영할 수 있다. 또한, 신뢰도 결정기(200)는 온라인 쇼핑몰 서비스 내에서도 찜이 많이 된 상품, 다른 사용자들이 상품을 클릭하고 상품 페이지에 머무른 횟수가 많거나, 평균적으로 평점이 높은 상품이라면 해당 상품 또한 다른 사용자들이 높은 관심을 가지며, 신뢰할만한 증거를 가지는 것으로 볼 수 있는 상품이라고 판단하여 신뢰도 점수에 이를 반영할 수 있다.
신뢰도 결정기(200)는 SNS 데이터를 수집할 수 있다. 신뢰도 결정기(200)는 수집된 SNS 데이터에서 상품 정보와 관련된 정보들만을 추출할 수 있다. 신뢰도 결정기(200)는 상품과 관련된 정보들만을 이용하여 상품별 TF-IDF(Term Frequency - Inverse Document Frequency)를 계산할 수 있다. 신뢰도 결정기(200)가 수행하는 TF-IDF 계산에서는 상품명을 기반으로 단어 사전을 구축하고 해당 단어들만을 계산할 수 있다. 계산된 TF-IDF를
Figure pat00017
라고 지칭할 수 있다.
Figure pat00018
는 SNS의 언급량을 의미할 수 있다.
Figure pat00019
는 수학식 5로 계산할 수 있다.
Figure pat00020
Figure pat00021
에서, i는 특정 상품을 나타내며 TF-IDF는 불리언 기반의 TF를 사용하여 단어 출현 빈도가 많더라도 1 값을 가짐으로써 높은 값이 나오지 않게 조절할 수 있다.
신뢰도 결정기(200)는 서비스 내의 인기도를 계산하기 위해 각 상품마다의 찜하기 수, 상품 페이지에 머무른 횟수, 상품의 평균 평점 값을 가지고 서비스 내의 인기도 값인
Figure pat00022
값을 계산할 수 있다. 서비스내의 인기도
Figure pat00023
는 수학식 6을 통해 계산할 수 있다.
Figure pat00024
서비스내의 인기도
Figure pat00025
에서,
Figure pat00026
는 상품(i)에 대한 사용자들의 찜하기 총 횟수이며
Figure pat00027
는 상품(i)에 대한 클릭 후 일정시간 머무른 총 횟수일 수 있다.
Figure pat00028
는 상품(i)에 대한 평균 평가 점수일 수 있다.
신뢰도 결정기(200)는 SNS에서의 언급량 판별을 위해 블로그, 카페, 지식인, 트위터, 페이스북과 같은 SNS 서비스에서 사용자들이 작성한 글을 분석할 수 있다.
신뢰도 결정기(200)는 SNS 언급량
Figure pat00029
와 서비스내의 인기도를 나타내는
Figure pat00030
값을 합산하여 최종적인 상품에 대한 상품 신뢰도인
Figure pat00031
를 계산할 수 있다. 상품 신뢰도 점수가 높은 상품일수록 추천 상품 목록의 상위 결과에 포함될 확률이 높아질 수 있다. 상품 신뢰도
Figure pat00032
는 수학식 7로 계산할 수 있다.
Figure pat00033
상품 신뢰도
Figure pat00034
는 수학식 7의 가중치
Figure pat00035
를 통해 서비스내의 인기도와 SNS 언급량의 기여도를 조절할 수 있다.
도 13은 온라인 상품 추천 장치가 도 3에 도시된 상품 추천 목록을 제공하는 전체 단계를 순서대로 나열한 흐름도이고, 도 14는 추천기가 도 6에 도시된 랭킹값을 계산하기 위한 예측된 상품 선호도를 계산하는 일 예를 나타낸 도면이다.
도 13을 참조하면, 온라인 상품 추천 장치(10)는 사용자 행위 가중치 및 시간 가중치를 고려한 상품 선호도(1310)를 이용하여 행렬을 생성할 수 있다(1320, User-Item Matrix).
온라인 상품 추천 장치(10)는 생성된 행렬을 이용하여 추천 대상의 사용자와 유사한 상품 선호도를 가진 사용자들을 코사인 유사도(cosine similarity) 수식을 통해 추출할 수 있다(1330, 1340).
온라인 상품 추천 장치(10)는 사용자와 다른 사용자들간의 유사도를 계산하기 위해, 사용자의 가장 높은 상품 선호도의 상품 n개, 가장 낮은 상품 선호도의 상품 m개, 및 최근 사용자의 상품 성향을 반영하기 위한 최근에 평점을 부여한 상품 o개를 기준 상품으로 선택할 수 있다. 모든 상품의 선호도를 바탕으로 사용자와 다른 사용자들간의 유사도를 계산하는 것은 많은 비용 및 시간이 소모될 수 있기 때문이다. 예를 들어, n,m,o가 각각 3이라면 최소 3개에서 최대 9개까지의 기준 상품을 기반으로 사용자간의 유사도를 계산할 수 있다.
온라인 상품 추천 장치(10)는 유사 사용자 집합(1340)에 기초하여 사용자의 제3 상품들에 대한 상품 선호도를 예측할 수 있다(1340).
예측 상품 선호도는 수학식 8을 통해 계산할 수 있다.
Figure pat00036
Figure pat00037
는 사용자(u)의 상품(i)에 대한 예측 상품 선호도일 수 있다. 식에서
Figure pat00038
는 사용자(u)의 평균 선호도를 나타내며,
Figure pat00039
은 사용자(u)와 다른 사용자(u’)간의 유사도 값일 수 있다. 즉, 사용자의 평균 선호도 값에서 유사 사용자 집합의 평균 선호도를 뺀 후 사용자와의 유사도를 곱하고 모든 유사도 수치를 합하여 나눈 값이 상품의 선호도 예측 값일 수 있다. 예측된 선호도 값이 클수록 해당 사용자에게 추천될 확률이 높아질 수 있다.
도 14를 참조하면, 온라인 상품 추천 장치(10)가 유사도를 기반으로 예측 상품 선호도를 계산하는 일 예를 나타낸다. 사용자(U1)이 상품 Item2에 대해 예측 상품 선호도를 계산하기 위해 유사 사용자 그룹을 추출할 수 있다. 도 14의 일 예에서는 유사 사용자 그룹을 U2 단일 유저로 가정하였으며, 이때 U1과 U2의 유사도는 0.84이다.
Item2의 예측 점수를 계산하기 위해서 U1의 평균 선호도 값을 계산하고(2.74) U2의 평균 선호도 값을(2.6) 계산할 수 있다. U2가 Item2에 대한 선호도(0.1)에 U2의 평균 선호도(2.6)을 뺀 값에서 U2와의 유사도 값(0.84)을 곱한 값이 분자가 될 수 있다((0.84*(0.1-2.6))=-2.1.). 분모는 유사 사용자 집합의 유사도 합인데, 유사 사용자는 U2 한명이므로 0.84 값을 사용할 수 있다.
유사 사용자 집합의 선호도 값은 -2.1/0.84=-2.5 라는 값이 나오게 되고 U1의 평균 선호도(2.74)에 값을 더하게 되면 Item2에 대해 0.24라는 예측 상품 선호도 값이 계산될 수 있다. 유사 사용자 U2가 Item2에 대해 계산된 선호도는 0.1로 매우 낮은 수치이며 예측 값 또한 0.24로 이와 유사하게 낮은 수치로 나오는 것을 알 수 있다.
온라인 상품 추천 장치(10)는 예측 상품 선호도 값에 상품 신뢰도 값을 반영하여 높은 값부터 차례대로 사용자에게 k개의 상품을 추천할 수 있다.
온라인 상품 추천 장치(10)는 상품 목록 중에서 예측 상품 선호도 값에 따른 순위 값인 랭킹 값을 계산할 수 있다. 랭킹 값은 수학식 9로 계산할 수 있다.
Figure pat00040
Figure pat00041
는 앞에서 계산한 사용자(u)가 아직 접해보지 않은 상품(i) 즉 제3 상품들에 대한 예측 상품 선호도 값이며,
Figure pat00042
는 상품(i)에 대한 신뢰도 값이다.
즉, 수학식 9는 상품 신뢰도 값과 예측 평점의 합으로 최종적인 랭킹을 위한 예측 값을 구하는 수학식일 수 있다. 가중치
Figure pat00043
의 조절을 통해 신뢰도 및 예측 선호도 점수의 반영 정도를 조절한다.
Figure pat00044
와
Figure pat00045
의 최적 값은 성능 평가를 통해 도출되는 값을 사용할 수 있다.
온라인 상품 추천 장치(10)는 랭킹값에 따라 상품 추천 목록을 사용자에게 제공할 수 있다.
실시예들은 온라인 쇼핑몰의 경쟁력 확보 및 매출액 증대를 위해 상품 신뢰도를 고려한 개인화 상품 추천 장치 및 방법을 제공할 수 있다. 온라인 상품 추천 장치(10)는 사용자의 성향과 아이템들의 신뢰성을 추천에 반영할 수 있다. 온라인 상품 추천 장치(10)는 사용자 성향은 추천대상의 사용자와 유사한 사용자를 판별하는데 사용하고 유사 사용자들이 소비한 상품이면서 자신이 아직 소비하지 않았던 상품들을 상품 추천대상에 포함시킬 수 있다. 온라인 상품 추천 장치(10)는 맞춤형 추천을 위해서 사용자의 소비 패턴을 분석하여 성향을 추출하고 사용자간의 유사성을 기반으로 사용자가 미래에 소비할 상품을 예측할 수 있다. 온라인 상품 추천 장치(10)는 사용자의 성향을 사용자가 서비스 내에서 행하는 소비 패턴으로 대표되는 행위(평점, 클릭, 찜하기, 리뷰 등)를 기반으로 추출할 수 있다. 또한, 온라인 상품 추천 장치(10)는 동일한 상품에 대한 다중 리뷰 및 행위가 존재할 경우 시간에 따른 가중치를 고려하여 최신 성향에 맞는 아이템에 가중치를 부여할 수 있다. 온라인 상품 추천 장치(10)는 실제로 믿을 수 있는 상품인지를 구별하기 위한 상품의 신뢰도를 SNS 정보를 수집하여 상품의 신뢰도를 평가하고 평가된 신뢰도를 추천에 반영할 수 있다. 온라인 상품 추천 장치(10)는 최종 상품 추천에서는 분석된 상품의 신뢰성을 고려하여 신뢰성이 높은 상품이면서 성향에 맞는 상품일수록 추천의 순위를 상승시켜 상품 추천 목록을 제공할 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims (20)

  1. 제1 상품들에 대한 사용자의 온라인상의 행위에 기초하여 상기 제1 상품들에 대한 상기 사용자의 상품 선호도를 결정하는 단계;
    제2 상품들에 대한 다른 사용자들의 온라인상의 행위에 기초하여 상기 제2 상품들에 대한 상품 신뢰도를 결정하는 단계; 및
    상기 상품 선호도와 상기 상품 신뢰도에 기초하여 상기 사용자에게 상품 추천 목록을 제공하는 단계
    를 포함하는 온라인 상품 추천 방법.
  2. 제1항에 있어서,
    상기 사용자의 온라인상의 행위는,
    상기 사용자의 상품 평가 점수, 상품 클릭 횟수, 상기 제1 상품들의 추후 구매를 위한 상품 찜 여부, 및 상품 페이지에 머무른 시간을 포함하고,
    상기 다른 사용자들의 온라인상의 행위는,
    상기 다른 사용자들의 상품 언급 횟수, 상품 평가 점수, 상품 클릭 횟수, 상기 제2 상품들의 추후 구매를 위한 상품 찜 개수, 상품 페이지에 머무른 시간, 및 상품 페이지에 머무른 횟수를 포함하는
    온라인 상품 추천 방법.
  3. 제1항에 있어서,
    상기 상품 선호도를 결정하는 단계는,
    상기 제1 상품들 각각에 대해 수행된 각 온라인상의 행위에 대한 행위 값을 추출하는 단계;
    상기 행위 값에 기초하여 상기 각 온라인상의 행위에 대한 행위 가중치를 계산하는 단계;
    상기 행위 값 및 상기 행위 가중치에 기초하여 상기 제1 상품들에 대한 상기 사용자의 현재 상품 선호도를 계산하는 단계; 및
    상기 현재 상품 선호도와 상기 제1 상품들에 대한 상기 사용자의 이전 상품 선호도에 기초하여 상기 상품 선호도를 계산하는 단계
    를 포함하는 온라인 상품 추천 방법.
  4. 제3항에 있어서,
    상기 행위 가중치를 계산하는 단계는,
    상기 행위 값을 정규화하는 단계;
    정규화한 행위 값을 이용하여 상기 각 온라인상의 행위의 수행 비율을 계산하는 단계; 및
    상기 수행 비율 및 상기 사용자가 평가한 상기 제1 상품들의 개수에 기초하여 상기 행위 가중치를 계산하는 단계
    를 포함하는 온라인 상품 추천 방법.
  5. 제3항에 있어서,
    상기 상품 선호도를 계산하는 단계는,
    상기 현재 상품 선호도 및 상기 이전 상품 선호도에 기초하여 상기 제1 상품들에 대한 시간 가중치를 계산하는 단계; 및
    상기 시간 가중치를 상기 현재 상품 선호도에 반영하여 상기 상품 선호도를 계산하는 단계
    를 포함하는 온라인 상품 추천 방법.
  6. 제2항에 있어서,
    상기 상품 신뢰도를 결정하는 단계는,
    상기 다른 사용자들의 상기 상품 평가 점수, 상기 상품 찜 개수, 상기 상품 페이지에 머무른 시간, 및 상기 상품 페이지에 머무른 횟수에 기초하여 상기 제2 상품들에 대한 상기 다른 사용자들의 관심도를 계산하는 단계; 및
    상기 상품 언급 횟수 및 상기 관심도에 기초하여 상기 상품 신뢰도를 계산하는 단계
    를 포함하는 온라인 상품 추천 방법.
  7. 제1항에 있어서,
    상기 상품 추천 목록을 제공하는 단계는,
    상기 다른 사용자들의 상기 제1 상품들에 대한 상품 선호도와 상기 사용자의 상기 제1 상품들에 대한 상품 선호도를 비교하여 상기 다른 사용자들 중에서 상기 사용자의 상품 선호도와 유사한 상품 선호도를 가진 사용자들을 추출하는 단계;
    제3 상품들에 대한 상기 추출된 사용자들의 상품 선호도에 기초하여 상기 제3 상품들에 대한 상기 사용자의 상품 선호도를 예측하는 단계;
    상기 제3 상품들을 예측된 상품 선호도에 따라 정렬하여 상품 목록을 생성하는 단계; 및
    상기 상품 목록과 상기 상품 신뢰도에 기초하여 상기 상품 추천 목록을 제공하는 단계
    를 포함하는 온라인 상품 추천 방법.
  8. 제7항에 있어서,
    상기 추출하는 단계는,
    상기 다른 사용자들과 상품 선호도 비교를 위해 상기 제1 상품들 중에서 기준 상품을 선택하는 단계;
    상기 기준 상품에 대한 상기 사용자의 제1 상품 선호도를 추출하는 단계
    상기 기준 상품에 대한 상기 다른 사용자들의 제2 상품 선호도를 추출하는 단계
    상기 제1 상품 선호도와 상기 제2 상품 선호도를 비교하고, 상기 비교 결과에 기초하여 상기 다른 사용자들 중에서 상기 제1 상품 선호도와 유사한 사용자들을 상기 사용자의 상품 선호도와 유사한 상품 선호도를 가진 사용자들로 추출하는 단계
    를 포함하는 온라인 상품 추천 방법.
  9. 제7항에 있어서,
    상기 상품 선호도를 예측하는 단계는,
    상기 제1 상품들 중에서 상기 사용자의 상품에 대한 행위에 의해 선택된 상품에 대한 상기 사용자의 상품 선호도를 추출하는 단계;
    상기 선택된 상품에 대한 상기 사용자의 상품 선호도와 상기 선택된 상품에 대한 상기 추출된 사용자들의 상품 선호도에 기초하여 상기 사용자와 상기 추출된 사용자들의 상품 성향에 대한 유사도를 계산하는 단계; 및
    상기 유사도에 기초하여 상기 제3 상품들에 대한 상기 사용자의 상품 선호도를 예측하는 단계
    를 포함하는 온라인 상품 추천 방법.
  10. 제7항에 있어서,
    상기 상품 추천 목록을 제공하는 단계는,
    상기 예측된 상품 선호도 및 상기 상품 신뢰도에 기초하여 상기 상품 목록의 상품들에 대한 추천 순위를 나타내는 랭킹(ranking)값을 계산하는 단계; 및
    상기 랭킹값에 따라 상기 상품 추천 목록을 제공하는 단계
    를 포함하는 온라인 상품 추천 방법.
  11. 제1 상품들에 대한 사용자의 온라인상의 행위에 기초하여 상기 제1 상품들에 대한 상기 사용자의 상품 선호도를 결정하는 선호도 결정기;
    제2 상품들에 대한 다른 사용자들의 온라인상의 행위에 기초하여 상기 제2 상품들에 대한 상품 신뢰도를 결정하는 신뢰도 결정기; 및
    상기 상품 선호도과 상기 상품 신뢰도에 기초하여 상기 사용자에게 상품 추천 목록을 제공하는 추천기
    를 포함하는 온라인 상품 추천 장치.
  12. 제11항에 있어서,
    상기 사용자의 온라인상의 행위는,
    상기 사용자의 상품 평가 점수, 상품 클릭 횟수, 상기 제1 상품들의 추후 구매를 위한 상품 찜 여부, 및 상품 페이지에 머무른 시간을 포함하고,
    상기 다른 사용자들의 온라인상의 행위는,
    상기 다른 사용자들의 상품 언급 횟수, 상품 평가 점수, 상품 클릭 횟수, 상기 제2 상품들의 추후 구매를 위한 상품 찜 개수, 상품 페이지에 머무른 시간, 및 상품 페이지에 머무른 횟수를 포함하는
    온라인 상품 추천 장치.
  13. 제11항에 있어서,
    상기 선호도 결정기는,
    상기 제1 상품들 각각에 대해 수행된 각 온라인상의 행위에 대한 행위 값을 추출하고,
    상기 행위 값에 기초하여 상기 각 온라인상의 행위에 대한 행위 가중치를 계산하고,
    상기 행위 값 및 상기 행위 가중치에 기초하여 상기 제1 상품들에 대한 상기 사용자의 현재 상품 선호도를 계산하고,
    상기 현재 상품 선호도와 상기 제1 상품들에 대한 상기 사용자의 이전 상품 선호도에 기초하여 상기 상품 선호도를 계산하는
    온라인 상품 추천 장치.
  14. 제13항에 있어서,
    상기 선호도 결정기는,
    상기 행위 값을 정규화하고,
    정규화한 행위 값을 이용하여 상기 각 온라인상의 행위의 수행 비율을 계산하고,
    상기 수행 비율 및 상기 사용자가 평가한 상기 제1 상품들의 개수에 기초하여 상기 행위 가중치를 계산하는
    온라인 상품 추천 장치.
  15. 제13항에 있어서,
    상기 선호도 결정기는,
    상기 현재 상품 선호도 및 상기 이전 상품 선호도에 기초하여 상기 제1 상품들에 대한 시간 가중치를 계산하고,
    상기 시간 가중치를 상기 현재 상품 선호도에 반영하여 상기 상품 선호도를 계산하는
    온라인 상품 추천 장치.
  16. 제12항에 있어서,
    상기 신뢰도 결정기는,
    상기 다른 사용자들의 상기 상품 평가 점수, 상기 상품 찜 개수, 상기 상품 페이지에 머무른 시간, 및 상기 상품 페이지에 머무른 횟수에 기초하여 상기 제2 상품들에 대한 상기 다른 사용자들의 관심도를 계산하고,
    상기 상품 언급 횟수 및 상기 관심도에 기초하여 상기 상품 신뢰도를 계산하는
    온라인 상품 추천 장치.
  17. 제11항에 있어서,
    상기 추천기는,
    상기 다른 사용자들의 상기 제1 상품들에 대한 상품 선호도와 상기 사용자의 상기 제1 상품들에 대한 상품 선호도를 비교하여 상기 다른 사용자들 중에서 상기 사용자의 상품 선호도와 유사한 상품 선호도를 가진 사용자들을 추출하고,
    제3 상품들에 대한 상기 추출된 사용자들의 상품 선호도에 기초하여 상기 제3 상품들에 대한 상기 사용자의 상품 선호도를 예측하고,
    상기 제3 상품들을 예측된 상품 선호도에 따라 정렬하여 상품 목록을 생성하고,
    상기 상품 목록과 상기 상품 신뢰도에 기초하여 상기 상품 추천 목록을 제공하는
    온라인 상품 추천 장치.
  18. 제17항에 있어서,
    상기 추천기는,
    상기 다른 사용자들과 상품 선호도 비교를 위해 상기 제1 상품들 중에서 기준 상품을 선택하고,
    상기 기준 상품에 대한 상기 사용자의 제1 상품 선호도를 추출하고,
    상기 기준 상품에 대한 상기 다른 사용자들의 제2 상품 선호도를 추출하고,
    상기 제1 상품 선호도와 상기 제2 상품 선호도를 비교하고, 상기 비교 결과에 기초하여 상기 다른 사용자들 중에서 상기 제1 상품 선호도와 유사한 사용자들을 상기 사용자의 상품 선호도와 유사한 상품 선호도를 가진 사용자들로 추출하는
    온라인 상품 추천 장치.
  19. 제17항에 있어서,
    상기 추천기는,
    상기 제1 상품들 중에서 상기 사용자의 상품에 대한 행위에 의해 선택된 상품에 대한 상기 사용자의 상품 선호도를 추출하고,
    상기 선택된 상품에 대한 상기 사용자의 상품 선호도와 상기 선택된 상품에 대한 상기 추출된 사용자들의 상품 선호도에 기초하여 상기 사용자와 상기 추출된 사용자들의 상품 성향에 대한 유사도를 계산하고,
    상기 유사도에 기초하여 상기 제3 상품들에 대한 상기 사용자의 상품 선호도를 예측하는
    온라인 상품 추천 장치.
  20. 제17항에 있어서,
    상기 추천기는,
    상기 예측된 상품 선호도 및 상기 상품 신뢰도에 기초하여 상기 상품 목록의 상품들에 대한 추천 순위를 나타내는 랭킹값을 계산하고,
    상기 랭킹값에 따라 상기 상품 추천 목록을 제공하는
    온라인 상품 추천 장치.
KR1020180129956A 2018-10-29 2018-10-29 상품의 신뢰도를 고려한 온라인 상품 추천 방법 및 장치 KR102174206B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180129956A KR102174206B1 (ko) 2018-10-29 2018-10-29 상품의 신뢰도를 고려한 온라인 상품 추천 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180129956A KR102174206B1 (ko) 2018-10-29 2018-10-29 상품의 신뢰도를 고려한 온라인 상품 추천 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20200048183A true KR20200048183A (ko) 2020-05-08
KR102174206B1 KR102174206B1 (ko) 2020-11-04

Family

ID=70677553

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180129956A KR102174206B1 (ko) 2018-10-29 2018-10-29 상품의 신뢰도를 고려한 온라인 상품 추천 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102174206B1 (ko)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102304363B1 (ko) * 2021-05-27 2021-09-23 주식회사 47컴퍼니 온라인 휘트니스 경연을 접목한 휘트니스 관련 상품 판매 서비스 제공 방법, 장치 및 시스템
KR20220046413A (ko) * 2020-10-06 2022-04-14 주식회사 스마일벤처스 상품 정보 업데이트 장치 및 방법
KR20220063829A (ko) * 2020-11-10 2022-05-18 엔에이치엔 주식회사 상품 또는 서비스 추천 장치 및 방법
KR102434342B1 (ko) * 2022-04-07 2022-08-19 양혁준 뉴럴 네트워크를 이용하여 서버가 추천 상품과 관련된 데이터를 제공하는 방법 및 장치
KR102475964B1 (ko) * 2022-10-12 2022-12-09 조인환 상품 추천 서비스 제공 시스템
KR102534638B1 (ko) * 2022-07-13 2023-05-26 주식회사 엔티글로벌 소비자 분석 알고리즘을 이용한 인공지능 기반의 전자상거래 수출 플랫폼 시스템
KR102553152B1 (ko) * 2023-03-28 2023-07-10 최랑 뉴럴 네트워크를 이용하여 사용자 단말에게 추천 액세서리에 대한 정보를 전송하는 방법 및 장치
KR102585758B1 (ko) * 2023-05-30 2023-10-10 주식회사 지오벤처스 상품공유율 향상을 위한 상품보상 시스템
KR102585731B1 (ko) * 2023-05-30 2023-10-10 주식회사 지오벤처스 인공지능 기반 정기배송 재구독률 향상을 위한 개인 맞춤상품 추천 시스템
KR102602416B1 (ko) * 2023-05-30 2023-11-16 주식회사 지오벤처스 빅데이터 기반 고객니즈 맞춤형 상품 추천 방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20080043140A (ko) * 2006-11-13 2008-05-16 에스케이커뮤니케이션즈 주식회사 협업 필터링 시스템 및 그 방법
KR20150110846A (ko) * 2014-03-20 2015-10-05 박정훈 상품 추천 방법 및 시스템
KR20150112089A (ko) * 2014-03-26 2015-10-07 에스케이플래닛 주식회사 추천 상품 제공 서비스 방법 및 이를 위한 장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20080043140A (ko) * 2006-11-13 2008-05-16 에스케이커뮤니케이션즈 주식회사 협업 필터링 시스템 및 그 방법
KR20150110846A (ko) * 2014-03-20 2015-10-05 박정훈 상품 추천 방법 및 시스템
KR20150112089A (ko) * 2014-03-26 2015-10-07 에스케이플래닛 주식회사 추천 상품 제공 서비스 방법 및 이를 위한 장치

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220046413A (ko) * 2020-10-06 2022-04-14 주식회사 스마일벤처스 상품 정보 업데이트 장치 및 방법
KR20220063829A (ko) * 2020-11-10 2022-05-18 엔에이치엔 주식회사 상품 또는 서비스 추천 장치 및 방법
KR102304363B1 (ko) * 2021-05-27 2021-09-23 주식회사 47컴퍼니 온라인 휘트니스 경연을 접목한 휘트니스 관련 상품 판매 서비스 제공 방법, 장치 및 시스템
KR102434342B1 (ko) * 2022-04-07 2022-08-19 양혁준 뉴럴 네트워크를 이용하여 서버가 추천 상품과 관련된 데이터를 제공하는 방법 및 장치
KR102534638B1 (ko) * 2022-07-13 2023-05-26 주식회사 엔티글로벌 소비자 분석 알고리즘을 이용한 인공지능 기반의 전자상거래 수출 플랫폼 시스템
KR102475964B1 (ko) * 2022-10-12 2022-12-09 조인환 상품 추천 서비스 제공 시스템
KR102553152B1 (ko) * 2023-03-28 2023-07-10 최랑 뉴럴 네트워크를 이용하여 사용자 단말에게 추천 액세서리에 대한 정보를 전송하는 방법 및 장치
KR102585758B1 (ko) * 2023-05-30 2023-10-10 주식회사 지오벤처스 상품공유율 향상을 위한 상품보상 시스템
KR102585731B1 (ko) * 2023-05-30 2023-10-10 주식회사 지오벤처스 인공지능 기반 정기배송 재구독률 향상을 위한 개인 맞춤상품 추천 시스템
KR102602416B1 (ko) * 2023-05-30 2023-11-16 주식회사 지오벤처스 빅데이터 기반 고객니즈 맞춤형 상품 추천 방법
KR102605658B1 (ko) * 2023-05-30 2023-11-24 주식회사 지오벤처스 인공지능 기반 정기배송 재구독률 향상을 위한 개인맞춤상품 추천 및 가맹업체 제품 추천 시스템
KR102607058B1 (ko) * 2023-05-30 2023-11-29 주식회사 지오벤처스 상품공유율 향상을 위한 상품보상 방법
KR102628704B1 (ko) * 2023-05-30 2024-01-25 주식회사 지오벤처스 고객 니즈 맞춤형 상품 추천 및 상품공유 보상예상정보 제공 시스템

Also Published As

Publication number Publication date
KR102174206B1 (ko) 2020-11-04

Similar Documents

Publication Publication Date Title
KR102174206B1 (ko) 상품의 신뢰도를 고려한 온라인 상품 추천 방법 및 장치
US10977694B2 (en) Predictive recommendation system using price boosting
Thorleuchter et al. Predicting e-commerce company success by mining the text of its publicly-accessible website
Jiang et al. Maximizing customer satisfaction through an online recommendation system: A novel associative classification model
Coussement et al. Integrating the voice of customers through call center emails into a decision support system for churn prediction
Thorleuchter et al. Analyzing existing customers’ websites to improve the customer acquisition process as well as the profitability prediction in B-to-B marketing
US20160012511A1 (en) Methods and systems for generating recommendation list with diversity
Wang et al. A strategy-oriented operation module for recommender systems in E-commerce
US11200593B2 (en) Predictive recommendation system using tiered feature data
US20190080352A1 (en) Segment Extension Based on Lookalike Selection
Mansingh et al. Profiling internet banking users: A knowledge discovery in data mining process model based approach
KR102334404B1 (ko) 상품 추천 서버 및 그 제어방법
Yin et al. A new recommendation system on the basis of consumer initiative decision based on an associative classification approach
Abrahams et al. Audience targeting by B-to-B advertisement classification: A neural network approach
Kang et al. A study on the influence of online reviews of new products on consumers’ purchase decisions: An empirical study on JD. com
EP3779836A1 (en) Device, method and program for making recommendations on the basis of customer attribute information
JP2021099718A (ja) 情報処理装置およびプログラム
KR100891930B1 (ko) 상품 평가 데이터를 사용하여 인기 상품을 제공하는 방법,시스템 및 컴퓨터 판독 가능한 기록 매체
CN111429214A (zh) 一种基于交易数据的买卖双方匹配方法及装置
Namvar et al. An approach to optimised customer segmentation and profiling using RFM, LTV, and demographic features
KR20220026255A (ko) 빅데이터를 이용한 건강식품 추천시스템
Chouaki et al. Exploring the online micro-targeting practices of small, medium, and large businesses
Zhang et al. Predicting temporary deal success with social media timing signals
CN110889716A (zh) 识别潜在注册用户的方法及装置
Thorleuchter et al. Using Webcrawling of Publicly Available Websites to Assess E-commerce Relationships

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
N231 Notification of change of applicant
E701 Decision to grant or registration of patent right
GRNT Written decision to grant