상품 추천 기법의 성능평가 분석
A Performance Evaluation Analysis of Product Recommendation Techniques
0
조회
0
다운로드
8
인용
0
참고문헌
키워드
초록
전자상거래의 방대한 상품 정보에서 사용자는 요구하는 상품을 찾기 위해서 많은 노력이 필요하며 판매자는 사용자에게 신속하게 상품을 제공하지 못하면 매출에 영향을 줄 수 있다. 이에 전자상거래 업체에서는 사용자가 요구하는 상품을 제공할 수 있도록 사용자의 과거 구매 정보를 기반으로 추천 서비스를 제공한다. 추천 서비스를 제공하기 위한 추천 기법은 사용자 간의 관계나 상품 간의 관계를 통해 추천 정보를 도출하는 협업적 필터링 추천 기법과 머신러닝 기반의 딥러닝 기술을 활용한 추천 기법이 있다. 본 연구에서는 협업적 필터링 추천 기법으로 사용자 기반 협업적 필터링 추천 기법과 아이템 기반 협업적 필터링 추천 기법을 연구하며, 딥러닝 기술을 활용한 추천 기법으로 RNN, LSTM, Word2Vec 추천 기법을 연구한다. 본 연구에서는 이러한 추천 기법에 대해 전자상거래 구매 정보를 기반으로 추천 성능을 평가한다. 추천 성능을 평가하기 위한 지표로는 정확도, 재현율, F1 측정을 활용하여 추천 성능을 분석한다. 추천 성능의 검증 결과는 LSTM 추천 기법이 가장 추천 성능이 우수한 것으로 분석되었으며, 추천 개수는 Top-10일 때 추천의 성능이 가장 우수한 것으로 분석되었다. 본 연구에서 제안한 추천 성능 평가 절차와 평가 결과를 기반으로 다양한 분야의 추천의 성능을 분석할 때 참조될 수 있을 것이다.
Abstract
In the vast product information of the e-commerce, the user needs a lot of effort to find the required product, and the seller may affect the sales if the product is not provided quickly to the user. Accordingly, the e-commerce company provides a recommendation service based on the user's past purchase information so that the user can provide a product required by the user. The recommendation techniques for providing recommendation services include a collaborative filtering recommendation technique that derives recommendation information through a relationship between users or products and a recommendation technique that utilizes a deep learning technology based on machine learning. In this paper, we study user-based collaborative filtering recommendation and item-based collaborative filtering recommendation as collaborative filtering recommendation techniques, and RNN, LSTM, and Word2Vec recommendation techniques as deep recommendation techniques. In this paper, we evaluate the recommendation performance based on the e-commerce purchase information for these recommendation techniques. As a metric for evaluating the recommendation performance, it analyzes the recommendation performance using accuracy, recall, and F1 measure. The results of the validation of the recommendation performance showed that the LSTM recommendation technique had the best recommendation performance, and that the recommendation performance was the best when the number of recommendations was Top-10. Based on the recommended performance evaluation procedure and evaluation results proposed in this study, it can be referred to when analyzing the performance of recommendations in various fields.
참고문헌 (16)
- B. M. Sarwar, "Analysis of recommendation algorithms for e-commerce", Proc. of 2nd ACM Conference on Electronic Commerce, pp.158~167 (2000)
- "Accuracy and precision"[URL]
- "Precision and recall"[URL]
- "F1 score"[URL]
- B. Hidasi, "Session-based recommendations with recurrent neural networks", Proc. of the ICLR (2016)
- 김승수, "비정형 정보와 CNN 기법을 활용한 이진 분류 모델의고객 행태 예측: 전자상거래 사례를 중심으로", 지능정보연구, 24(2), pp.221~241 (2018), 한국지능정보시스템학회[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, 265~268 (2013)
- M. Balabanovic, "Fab:Content-based, collaborative recommendation", Communications of the Association for Computing Machinery, 40(3), pp.66~72 (1997)
- O. Meteren, "Using content-based filtering for recommendation", ECML2000 Workshop (2000)
- Y. Bengio, "Learning long-term dependencies with gradient descent is difficult", Journal of IEEE Transactions on Neural Networks, 5(2), pp.157~166 (1994)
- S. Hochreiter, "Long short-term memory", Neural Computation, 9(8), pp.1735~1780 (1997)
- "Online Retail Dataset"[URL]
- Fundamentals of machine learning for predictive data analytics, "J. D. Kelleher", Massachusetts Institute of Technology, ~ (2015)
- J. L. Herlocker, "Evaluating collaborative filtering recommender systems", ACM Transactions on Information Systems, 22(1), pp.5~53 (2004)