다중 분류 기반의 상품 추천을 위한 워드 임베딩 적용 연구
A Research on the Application of Word Embedding for Product Recommendation Based on Multi-Classification
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
전자상거래에서 다중분류 기반의 상품 추천 모델을 구현하기 위해서는 식별 가능한 상품 정보를 원핫 인코딩 방식으로 표현한다. 그러나 원핫 인코딩 방식의 데이터 표현은 희소 데이터로 구성되어 메모리 낭비 및 학습의 효율성을 저하시킨다. 이러한 이슈에 대한 대안으로 임베딩 방식이 적용되고 있으며, 본 연구에서는 전자상거래의 상품 추천 시스템에 적용하기 위해 고차원의 원핫 인코딩 상품 코드를 저차원의 워드 임베딩 상품 코드로 변환하고 복원하기 위한 처리 절차를 제안한다. 또한 변환과 복원을 위한 워드 임베딩 인코더와 워드 임베딩 디코더를 구현하여 적용한다. 워드 임베딩 인코더는 원핫 인코딩 상품 코드를 입력으로 받아 출력으로 워드 임베딩 상품 코드를 도출한다. 워드 임베딩 인코더의 은닉층이 역전파를 통해 도출된 최적의 값이 워드 임베딩 상품 코드가 된다. 워드 임베딩 디코더는 학습을 통해 도출된 워드 임베딩 상품 코드를 원본 원핫 인코딩 상품 코드로 복원한다. 실험에서는 54만 건의 오픈된 전자상거래 트랜잭션 데이터를 기반으로 2719개의 상품 데이터에 대해 원핫 인코딩 상품 코드를 10차원의 워드 임베딩 상품 코드로 변환하고 복원하는 구현을 실험하여 적합성을 검증한다.
Abstract
In order to implement a multi-classification based product recommendation model in e-commerce, identifiable product information is expressed in a one-hot encoding method. However, the data representation of the one-hot encoding method consists of sparse data, which wastes memory and reduces the efficiency of learning. As an alternative to this issue, the embedding method is applied, and in this study, a processing procedure for converting and restoring a high-level dimensional one-hot encoded product code to a low-level dimensional word embedding product code is proposed to be applied to the product recommendation system of e-commerce. In addition, a word embedding encoder and a word embedding decoder for transformation and restoration are implemented and applied. The word embedding encoder receives a one-hot encoded product code as an input and derives a word embedding product code as an output. The optimal value derived through backpropagation of the hidden layer of the word embedding encoder becomes the word embedding product code. The word embedding decoder restores the word embedding product code derived through learning to the original one-hot encoded product code. In the experiment, on the basis of 540,000 open e-commerce transaction data, the suitability is verified by experimenting with the implementation of converting and restoring one-hot encoded product codes to 10-dimensional word embedding product codes for 2719 product data.
참고문헌 (15)
- D. Almazro, "A survey paper on recommender systems", ~ (2010)
- J. h. Seo, "Performance evaluation of recurrent neural network algorithms for recommendation system in e-commerce", KIISE Transactions on Computing Practices, 23(7), pp.440~445 (2017)
- "One-hot"[URL]
- "Sparse matrix"[URL]
- D. Greene, "Practica solutions to the problems of diagonal dominance in kernel document clustering", Proceedings of the 23rd international conference on Machine learning, pp.377~384 (2006), ACM
- Y. Li, "Word embedding revisited: a new representation learning and explicit matrix factorization perspective", Proceedings of the 24th International Joint Conference on Artificial Intelligence (2015)
- H. Jo, "Cluster analysis of categorical data using word embedding technique: focusing on high-dimensional data", Proceedings of the Korean Society of Intelligent Information Systems Conference, pp.74~75 (2019)
- M. Tomas, "Efficient estimation of word representations in vector space", Proceedings of the International Conference on Learning Representations (2013)
- J. H. Lee, "Book recommendation system using word2vec", Proceedings of the Korean Institute of Information Scientists and Engineers, pp.922~924 (2019)
- "Gensim"[URL]
- 이재규, "네트워크 분석을 활용한 딥러닝 기반 전공과목 추천 시스템", 지능정보연구, 27(3), pp.95~112 (2021), 한국지능정보시스템학회
- X. He, "Neural collaborative filtering", Proceedings of the 26th international conf erence on world wide web (2017)
- "Online retail dataset"[URL]
- S. Hochreiter, "Long short-term memory", pp.1735~1780 (1997), Neural Computation
- 김철진, "상품 추천 정확도를 향상시키기 위한 점증적 추천 기법", 한국지식정보기술학회 논문지, 16(3), pp.483~496 (2021), 한국지식정보기술학회[DOI]