전자상거래에서 고객 행동 정보와 구매 기록을 활용한딥러닝 기반 개인화 추천 시스템
Deep Learning-Based Personalized Recommendation Using Customer Behavior and Purchase History in E-Commerce
0
조회
0
다운로드
2
인용
0
참고문헌
키워드
초록
본 논문은 고객의 온라인 행동 정보와 구매 기록을 활용하여 기존의 추천 시스템이 갖는 데이터 희소성의 문제와 콜드 스타트 문제를 해결하고자VAE 기반 추천 시스템을 제시하였다. 고객의 구매 기록을 임베딩하고 차원 축소하여 단일 변수로 생성하였으며, 온라인 행동 정보를 활용하여학습을 통해 고객의 잠재 요인을 추출하는데 Variational Autoencoders를 적용하였다. VAE 기반 추천 시스템은 총 12개의 고객의 특성 변수에VAE를 적용하여 저차원의 벡터를 생성한 뒤 이를 통해 유사 사용자를 찾은 다음, 유사 사용자들이 구매했던 상품들을 고객에게 추천한다. 이렇게추천한 상품들의 점수를 매겨 nDCG로 성능을 평가하였다. 실험 결과 구매 기록 변수 그리고 온라인 행동 로그 변수를 활용한 VAE 기반의 추천시스템이 SVD 기반의 추천 시스템보다 성능이 좋다는 것을 알 수 있었다. 따라서 고객의 온라인 행동 로그 및 구매 기록을 사용하여 상품을 추천하면정보 수집에 발생하는 비용과 시간을 줄일 수 있을 뿐만이 아니라 기존 추천 시스템보다 더욱 효율적으로 상품을 추천할 수 있다는 것을 보여주었다.
Abstract
In this paper, we present VAE-based recommendation using online behavior log and purchase history to overcome data sparsity andcold start. To generate a variable for customers' purchase history, embedding and dimensionality reduction are applied to the customers'purchase history. Also, Variational Autoencoders are applied to online behavior and purchase history. A total number of 12 variablesare used, and nDCG is chosen for performance evaluation. Our experimental results showed that the proposed VAE-based recommendationoutperforms SVD-based recommendation. Also, the generated purchase history variable improves the recommendation performance.
참고문헌 (20)
- S. Zhang, "Deep learning based recommender system : A survey and new perspectives", ACM Computing Surveys, 1(1), pp.1~35 (2018)
- R. Mu, "A survey of recommender systems based on deep learning", IEEE Access, 6, pp.69009~69022 (2018)
- A. Da'u, "Recommendation system based on deep learning methods : A systematic review and new directions", Artificial Intelligence Review, 53(4), pp.2709~2847 (2020)
- Y. Koren, "Matrix Factorization Techniques for Recommender Systems", IEEE Computer, 42(8), pp.30~37 (2009)
- S. Sedhain, "AutoRec:Autoencoders meet collaborative filtering", Proceedings of the 24th International Conference on World Wide Web (2015)
- H. J. Xue, "Deep matrix factorization models for recommender systems", Proceedings of the 26th International Joint Conference on Artificial Intelligence, pp.3203~3209 (2017)
- D. P. Kingma, "Auto-encoding variational bayes", Proceedings of the 2nd International Conference on Learning Representations (ICLR) (2014)
- D. Liang, "Variational autoencoders for collaborative filtering", Proceedings of the 24th International Conference on World Wide Web (2018)
- I. Shenbin, "RecVAE: A new variational autoencoder for Top-N recommendations with implicit feedback", Proceedings of the Web Search and Data Mining (2020)
- X. He, "Neural collaborativ filtering", Proceedings of the International Conference on World Wide Web (2017)
- Y. Wang, "A Theoretical Analysis of NDCG Ranking Measures", Proceedings of 26th Annual Conference on Learning Theory (2013)
- G. Kim, "A variational autoencoders based recommendation using the online behavior log", Proceedings of the Korean Institute of Information Scientists and Engineers, pp.1147~1149 (2020)
- 정영진, "온라인 구매 행태를 고려한 토픽 모델링 기반 도서 추천", 지식경영연구, 18(4), pp.97~118 (2017), 한국지식경영학회[DOI]
- 이현수, "데이터 임베딩을 활용한 사용자 플레이리스트 기반 음악 추천에 관한 연구", 한국정보기술학회논문지, 18(9), pp.27~34 (2020), 한국정보기술학회[DOI]
- Y. Guan, "Deep learning based personalized recommendation with multi-view information integration", Decision Support Systems, 118, pp.58~69 (2019)
- X. Li, "Collaborative variational autoencoder for recommender systems", Proceedings of ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (2017)
- D. P. Kingma, "An introduction to variational autoencoders", Foundations and Trends in Machine Learning, 12(4), pp.15~32 (2019)
- 김민건, "Recommender Systems using SVD with Social Network Information", 지능정보연구, 22(4), pp.1~18 (2016), 한국지능정보시스템학회
- Y. Wang, "A theoretical analysis of normalized discounted cumulative gain(NDCG)ranking measures", Proceedings of the 26th Annual Conference on Learning Theory (COLT) (2013)
- K. Jaevelin, "Cumulated gain-based evaluation of IR techniques", ACM Transactions on Information Systems, 20(4), pp.422~446 (2022)