데이터 분석 기반 추천학습모델 생성도구 설계 및 구현
A Design and Implementation of Recommendation Learning Model Generation Tool Based on Data Analysis
0
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
기존 오프라인에서의 상품 판매는 고객의 선호도와 관심 분야에 따라 대면적인 추천에 의해 진행된다. 그러나 인터넷이 대중에 활발히 보급됨에 따라 기존의 대면적 추천 이외에 온라인 상에서 고객의 활동 데이터에 따라 추천을 진행하는 연구가 활발히 진행되고 있다. 대규모의 데이터베이스와 전문 인력을 운용하는 대규모 쇼핑몰의 추천 시스템에 비해 소규모 쇼핑몰의 경우 상대적으로 간단한 추천 시스템을 개발하여 사용하는데, 이는 대기업이 개발한 추천 솔루션을 활용하기에는 자사의 특성 및 규모에 맞지 않는 판단으로도 해석할 수 있다. 이에 따라 본 연구에서는 Open API를 활용하여 일반화된 추천 시스템을 간단히 개발할 수 있는 플랫폼을 제안한다. 본 연구에서의 추천 모델 개발 플랫폼에서는 추천에 활용할 데이터를 정제하고, 데이터를 분석하여 적합한 추천 알고리즘을 도출해낸다. 이후 도출된 추천 알고리즘을 바탕으로 학습을 진행하며, 학습이 완료된 추천 모델을 Open API 형태로 서비스에 탑재하여 사용할 수 있도록 사용자에게 제공한다. 실제 전자 상거래 데이터를 활용하여 추천 모델 개발 도구를 통해 Open API를 생성하고 이를 테스트 쇼핑몰에 탑재하여 본 연구에서 제안하는 내용을 검증한다. 기존의 연구들이 추천 모델을 개발하기 위해 사용자가 직접 데이터의 사용할 필드를 직접 지정해주는 데에 반해, 본 연구에서는 이러한 과정을 자동으로 진행하여 자동화를 시켰다는 점에서 차별성을 갖는다.
Abstract
Current sales of offline products are conducted on a face-to-face recommendation based on customer’s preferences and fields of interest. However, as the online shopping malls are actively spreading to the public, recommendation researches are ongoing to make more accurate recommendation using customers’ online activity data besides a face-to-face recommendation. But compared to recommendation systems of large-scale shopping mall where operates big-scale database and professional human resources, small-scale shopping malls use simple recommenders relatively, which can be interpreted as a judgement that those recommenders developed by large-scale companies are unfit to apply onto their system. In this paper, we propose a platform that can develop a generalized recommendation tool by utilizing Open API. Recommender-development tool of this study refines datasets to be used for developing a recommendation system, analyzes the datasets to derive proper algorithms. After doing those progresses, it proceeds model learning progress based on the derived algorithm and provides Open API to a user so that the user can apply the recommendation system to own shopping mall system. We prove proposed tool by developing recommendation system using real transaction datasets with this tool, lastly mounting the Open API onto the test shopping mall site. While users using existing tools must be directly specified the schema of datasets to make a recommendation system, this study has a distinction in that it allows users to develop the recommendation model by automatically proceeding with this process.
참고문헌 (19)
- 백형우, "오프라인 의류 매장의 개인화 추천방법에 대한 연구", 디지털콘텐츠학회논문지, 20(12), pp.2467~2475 (2019), 한국디지털콘텐츠학회[DOI]
- B. M. Sarwar, "Analysis of recommendation algorithms for e-commerce", Proc. of 2nd ACM Conference on Electronic Commerce, pp.158~167 (2000)
- B. Saumya, "A study of recent recommender system techniques", International Journal of Knowledge and Systems Science (2019)
- J. S. Lee, "Text data mining to build a dataset for clothing recommendation system", Proc. of the Korea Information Processing Society Conference, pp.393~396 (2020)
- "AWS Personalize"[URL]
- M. Quadrana, "Personalizing session-based recommendations with hierarchical recurrent neural networks", Proc. of the Eleventh ACM Conference on Recommender Systems (RecSys '17), pp.130~137 (2017)
- G. Linden, "Amazon.com recommendations item-toi-item collaborative filtering", IEEE Computer Society (2003)
- "Microsoft ML Studio"[URL]
- D. Stern, "Matchbox: large scale online bayesian recommendations", Proc. of the 18th International World Wide Web Conference, pp.111~120 (2009)
- "IBM Watson"[URL]
- Alfio. M. Gliozzo, "Natural language processing in Watson" (2012), Association for Computational Linguistics
- P. Lak, "A probabilistic approach for modelling user preferences in recommender systems- a case study on IBM watson analytics", CASCON 2017 (2017)
- 김철진, "전자상거래 추천 모델 개발 플랫폼을 위한 오픈 아키텍쳐 및 Open API", 한국지식정보기술학회 논문지, 15(6), pp.991~1000 (2020), 한국지식정보기술학회[DOI]
- J. Ben, "Collaborative filtering recommender", The Adaptive Web-LNCS, 4321, pp.291~324 (2007)
- H. Sak, "Long short-term memory recurrent neural network architectures for large scale acoustic modeling", INTERSPEECH, pp.338~342 (2014)
- S. Rao, "NetApp, building a data pipeline for deep learning, WP-7299", ~ (2019)
- J Dai, "Deep coevolutionary network:embedding user and item features for recommendation", Proceedings of ACM conference (2017)
- "Online retail dataset"[URL]
- 김철진, "상품 추천 기법의 성능평가 분석", 한국지식정보기술학회 논문지, 14(5), pp.515~525 (2019), 한국지식정보기술학회[DOI]