Elasticsearch 기반의 동적 추천 아키텍쳐 및 절차
A Dynamic Recommendation Architecture and Procedure Based on Elasticsearch
0
조회
0
다운로드
2
인용
0
참고문헌
키워드
초록
전자상거래의 상품 추천은 다양한 추천 기법을 활용한다. 일반적으로 적용하는 추천 기법은 협업적 필터링 기법인 사용자 기반 협업적 필터링과 아이템 기반 협업적 필터링 기법이 있으며, RNN(Recurrent Netural Network)과 LSTM(Long Short Term Memory)과 같은 인공지능 기술을 기반으로 하는 추천 기법을 활용한다. 이러한 추천 기법들을 통해 생성되는 추천 데이터는 데이터베이스에 저장되어 사용자 행위(검색, 주문, 등)에 의해 정적인 데이터 형태로 추천된다. 그러나 정적 추천 상품 리스트를 통한 추천은 사용자의 구매력을 향상 시키는데 한계가 있다. 추천 상품의 다양성과 실시간성을 제공하여 추천 상품 리스트의 동적 구성이 가능하다면 구매력을 더욱 향상시킬 수 있을 것이다. 이에 본 논문에서는 동적 추천을 제공하기 위한 아키텍쳐 및 절차를 제안한다. 제안하는 동적 추천 아키텍쳐는 Elasticsearch를 기반으로 정적 추천 상품을 적용하여 동적 추천 상품을 구성한다. 실험에서는 동일한 거래 데이터를 기존의 추천 기법들에 적용하여 정확성을 비교 분석하였으며, 본 논문에서 제안하는 동적 추천 기법이 기존의 추천 기법에 비해 정확성이 향상됨을 확인하였다.
Abstract
E-commerce product recommendation uses various recommendation techniques. The recommendation techniques that are generally applied include the collaborative filtering technique, the user based collaborative filtering, and the item based collaborative filtering technique, and utilizes recommended techniques based on artificial intelligence technologies such as Recurrent Netural Network (RNN) and Long Short Term Memory (LSTM). The recommendation data generated through these recommendation techniques are stored in a database and are recommended in the form of static data by user actions (search, order, etc.). However, the recommendation through the static recommendation product list is limited in improving the purchasing power of the user. Providing a variety of recommended products and real-time properties, it is possible to further improve purchasing power if it is possible to dynamically construct a recommended product list. Therefore, this paper proposes an architecture and procedure for providing dynamic recommendations. The proposed dynamic recommendation architecture constructs a dynamic recommendation product by applying a static recommendation product based on Elasticsearch. In the experiment, accuracy was compared and analyzed by applying the same transaction data to existing recommendation techniques, and it was confirmed that the accuracy of the dynamic recommendation technique proposed in this paper is improved compared to the existing recommendation techniques.
참고문헌 (15)
- B. M. Sarwar, "Analysis of recommendation algorithms for e-commerce", Proc. of 2nd ACM Conference on Electronic Commerce, pp.158~167 (2000)
- J. Herlocker, "An empirical analysis of design choices in neighborhood-based collaborative filtering algorithms", Information Retrieval, 5(4), pp.287~310 (2002)
- B. Hidasi, "Session-based recommendations with recurrent neural networks", Proc. of ICLR 2016, pp.1~10 (2016)
- G. Salton, "Introduction to modern information retrieval" (1983), McGraw-Hill Book Company
- S. E. Robertson, "Okapi at TREC-3", Proc. of Text REtrieval Conference, (1994)
- 권명하, "임베딩을 활용한 순환 신경망 기반 추천 모델의 성능 향상 기법", 정보과학회논문지, 45(7), pp.659~666 (2018), 한국정보과학회[DOI]
- H. Inan, "Tying word vectors and word classifiers: A loss framework for language modeling", ~ (2016)
- "Practical BM25 - Part 2: The BM25Algorithm and its Variables" (2018)[URL]
- "Understanding the Inverted Index in Elastic search" (2018)[URL]
- 김철진, "상품 추천 기법의 성능평가 분석", 한국지식정보기술학회 논문지, 14(5), pp.515~525 (2019), 한국지식정보기술학회[DOI]
- R. B. Yates, "Modern information retrieval" (1999), ADDISON-WESLEY
- J. Herlocker, "An empirical analysis of design choices in neighborhood-based collaborative filtering algorithms", Information Retrieval, 5(4), pp.287~310 (2002)
- Q. Xu, "IBCF Improved algorithm based on the tag", ICCNCE 2013, pp.265~268 (2013)
- X. Rong, "Word2vec parameter learning explained", ~ (2014)
- Y. Bengio, "Learning long-term dependencies with gradient descent is difficult", Journal of IEEE Transactions on Neural Networks, 5(2), pp.157~166 (1994)