KR20200072207A - 고객의 구매 결정 요인에 대한 선호 민감도에 기초한 상품 추천 방법 - Google Patents

고객의 구매 결정 요인에 대한 선호 민감도에 기초한 상품 추천 방법 Download PDF

Info

Publication number
KR20200072207A
KR20200072207A KR1020180160130A KR20180160130A KR20200072207A KR 20200072207 A KR20200072207 A KR 20200072207A KR 1020180160130 A KR1020180160130 A KR 1020180160130A KR 20180160130 A KR20180160130 A KR 20180160130A KR 20200072207 A KR20200072207 A KR 20200072207A
Authority
KR
South Korea
Prior art keywords
preference
product
purchase decision
average
preference information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
KR1020180160130A
Other languages
English (en)
Other versions
KR102231487B1 (ko
Inventor
최예림
손연빈
Original Assignee
경기대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 경기대학교 산학협력단 filed Critical 경기대학교 산학협력단
Priority to KR1020180160130A priority Critical patent/KR102231487B1/ko
Publication of KR20200072207A publication Critical patent/KR20200072207A/ko
Application granted granted Critical
Publication of KR102231487B1 publication Critical patent/KR102231487B1/ko
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Recommending goods or services
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0254—Targeted advertisements based on statistics

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

컴퓨터를 이용한 데이터 처리, 보다 구체적으로는 상품 구매의 결정에 영향을 미치는 구매 결정 요인을 분석하여 개인이 선호하는 상품을 추천하는 선호 상품 추천 기술이 개시된다. 구매 결정 요인 중 문장의 범주를 가지는 선호도 정보를 주제로 분류하고 주제간의 연관성을 이용하여 주제 트리가 생성된다. 구매 요인별로 선호도 정보의 평균값에서 특정한 고객의 선호도가 벗어난 정도를 반영하여 개인화된 선호 민감도가 산출된다. 구매 결정 요인별 가중치가 선호 민감도에 의해 산출되고, 선호 점수가 상품별로 산출될 수 있다.

Description

고객의 구매 결정 요인에 대한 선호 민감도에 기초한 상품 추천 방법{item recommendation method based on preference sensitivity over purchase decision factor}
컴퓨터를 이용한 데이터 처리, 보다 구체적으로는 상품 구매의 결정에 영향을 미치는 구매 결정 요인을 분석하여 개인이 선호하는 상품을 추천하는 선호 상품 추천 기술이 개시된다.
상품의 구매 요인값에 가중치를 곱한 값의 총합으로 산출되는 선호 점수가 높은 n개의 제품을 추천하는 컴퓨터에 의해 실행되는 프로그램으로 구현되는 제품 추천 방법이 알려져 있다. Tao et al., “Dynamic Feature Weighting based on User Preference Sensitivity for Recommender Systems.” Knowledge-Based Systems 149(2018) pp.61-75 논문은 구매 요인별 개인화된 가중치를 산출하여 대상 고객의 상품별 선호 점수를 산출하여 상위값을 가지는 상품을 추천하는 기술을 개시하고 있다. 이 방법에 따르면, 선호도 정보는 그 데이터 특성에 따라 숫자(numeric), 단어, 복잡한 텍스트의 범주(dimension)을 가진 데이터로 구분된다. 복잡한 텍스트의 범주를 가진 데이터의 경우 단어들이 그룹으로 구분되어 트리 구조로 구조화된 상태에서 처리된다. 그러나 이 논문에 개시된 기술은 복잡한 텍스트의 범주를 가진 데이터를 수작업으로 처리하고 있으며, 자동으로 계층화하는 방법에 대해 제시하지 않고 있다. 또 특정한 고객의 선호도 정보가 모든 상품에 대해 입수 가능하지 않은 경우에 대한 대책을 제시하고 있지 않다.
제안된 발명은 Tao 논문을 개선한 것으로, 문장으로 구성되는 복잡한 텍스트 데이터를 자동으로 계층 구조화하여 제공함으로써 전체적인 처리를 자동화하는 방안이 제시된다.
나아가 특정한 고객의 선호도 정보가 모든 상품에 대해 입수 가능하지 않은 경우의 대책을 제시함으로써 적용 범위를 확장하는 방안이 제시된다.
일 양상에 따르면, 구매 결정 요인 중 문장의 범주를 가지는 선호도 정보를 주제로 분류하고 주제간의 연관성을 이용하여 주제 트리가 생성된다. 예를 들어 주제 트리는 hLDA(hierarchical Latent Dirichlet Allocation(hLDA)) 방법에 의해 생성될 수 있다.
추가적인 양상에 따르면, 특정한 고객의 선호도 정보가 모든 상품에 대해 입수 가능하지 않은 경우, 대상 고객에 대해 존재하는 선호도 정보를 입력 받아 누락된 상품에 대한 선호도 정보를 예측한다.
제안된 발명에 따라, 문장의 범주를 가지는 선호도 정보가 주제 트리로 시스템에 의해 구조화되어 처리된다. 전체적인 처리가 자동화되어, 방문하는 고객에 대해 실시간으로 상품을 추천하는 것이 가능해진다. 또한 특정한 고객의 선호도 정보가 모든 상품에 대해 입수 가능하지 않은 경우에도 선호도 정보를 예측 기법으로 보충함으로써 상품 추천이 가능한 범위를 확장할 수 있다.
도 1은 일 실시예에 따른 선호 상품 추천 시스템의 구성을 도시한 블록도이다.
도 2는 주제 트리의 일 예를 도시한다.
도 3은 일 실시예에 따른 선호 상품 추천 방법의 구성을 도시한 흐름도이다.
전술한, 그리고 추가적인 양상들은 첨부된 도면을 참조하여 설명하는 실시예들을 통해 구체화된다. 각 실시예들의 구성 요소들은 다른 언급이나 상호간에 모순이 없는 한 실시예 내에서 다양한 조합이 가능한 것으로 이해된다. 즉, 도면은 비록 하나의 실시예로서 도시되었지만 하나의 실시예로 한정하여 이해되어서는 안 된다. 이하의 설명에서 별개의 선택적인 또는 추가적인 양상으로 설명되는 바와 같이, 각 블록들은 필수적인 블록들에 그렇지 않은 블록들이 한 개, 두 개 혹은 그 이상의 개수의 조합이 부가되어 다양한 실시예들을 표현하는 것으로 이해되어야 한다.
도 1은 일 실시예에 따른 선호 상품 추천 시스템의 구성을 도시한 블록도이다. 도시된 바와 같이, 일 실시예에 따른 선호 상품 추천 시스템은 선호도 정보 데이터베이스(161), 상품 정보 데이터베이스(163), 평균 선호도 산출부(110), 개인화된 가중치 산출부(130) 및 상품 추천부(150)를 포함한다.
선호도 정보 데이터베이스(161)에는 상품별 고객별 선호도 정보가 저장된다. 상품 정보 데이터베이스(163)에는 상품별 구매결정 요인값이 저장된다. 구매 결정 요인에는 별점 형태의 고객들의 상품 평가 데이터(rating)와 같은 숫자 범주(numeric dimension)의 정보도 있고, 단어 형태의 문자 범주의 정보도 있고, 구매 후기와 같은 복잡한 텍스트 범주의 정보도 있다. 평균 선호도 산출부(110)는 각각의 구매 결정 요인별 선호도의 평균값을 구한다. 예를 들어 각각의 구매 결정 요인별 선호도의 모든 고객과 모든 상품에 대한 평균값이 구해질 수 있다. 또 다른 예로, 유사한 구매 패턴을 가진 가진 상품 그룹 별로 각각의 구매 결정 요인별 선호도의 모든 고객에 대한 평균값이 구해질 수 있다.
평균 선호도 산출부(110)는 문장 타입 요인 평균 선호도 산출부(115)를 포함한다. 문장 타입 요인 평균 선호도 산출부(115)는 고객들의 선호도 정보 데이터베이스(161)와 상품 정보 데이터베이스(163)에 저장된 상품별 구매결정 요인값을 참조하여 문장의 범주를 가지는 상품의 선호도의 구매 결정 요인별 평균값을 구한다. 선호도 정보 데이터베이스(161)에서 문장의 범주를 가지는 구매 결정 요인들은 단어별로 그룹핑되어 다수의 주제를 구성한다. 선호도 정보 데이터베이스(161)에서 이들 주제들은 계층 구조를 가진 주제 트리로 구조화된다. 문장 타입 요인 평균 선호도 산출부(115)는 주제 트리의 상위 계층의 주제별로 하위 계층 주제에 속하는 단어들의 출현 빈도에 기초하여 선호도를 산출하여 문장의 범주를 가지는 구매 결정 요인별 상품의 선호도의 평균값을 구한다.
도 2는 주제 트리의 일 예를 도시한다. 도시된 주제 트리는 David M. Blei et al, "Hierarchical Topic Models and the Nested Chinese Restaurant Process", Advances in neural information processing systems, 2004 에서 인용된다. 도시된 바와 같이, 박스들은 각각 주제를 표현하며, 각 박스들은 동일한 주제로 분류된 다수의 단어들을 포함한다. 문장 타입 범주(dimension)를 가지는 구매 결정 요인들에 대해 그 범주의 데이터의 문장들에서 추출된 단어들이 예시된 바와 유사한 주제 트리를 구성한다. 상위 계층의 주제들에 대해, 그 하위 계층에 속하는 주제들에 포함된 단어들의 빈도가 해당 데이터에 대한 선호도로 집계된다. 구체적으로, 상품별 구매 결정 요인별 상위 계층 주제에 대해 하위 계층을 포함한 단어들의 개수가 선호도의 정량값으로 취합되고, 이를 전체 상품별 구매 결정 요인별 선호도 데이터의 개수로 나눈 값을 해당 상품의 해당 구매 결정 요인에 대한 선호도의 평균값으로 산출할 수 있다.
개인화된 가중치 산출부(130)는 구매 결정 요인별로 대상 고객의 선호도가 평균 선호도에서 벗어난 정도를 반영하여 해당 고객의 개인화된 구매 결정 요인별 가중치를 산출한다. 대상 고객의 선호도 데이터가 평균 선호도 산출부(110)에서 산출된 평균 선호도에서 벗어난 정도는, 예를 들면 표준 편차로 구해질 수 있다. 표준 편차는 구매 결정 요인별로 특정한 대상 고객의 선호도가 평균 선호도에서 벗어난 정도를 반영하며, 이는 해당 대상 고객이 그 구매 결정 요인에 대해 평균적이지 않은 정도, 즉 민감도(sensitivity)를 나타낸다. 민감도를 전체 구매 결정 요인에 대해 정규화한 값으로 가중치를 산출할 수 있다.
상품 추천부(150)는 대상 고객의 구매 결정 요인별 가중치를 적용하여 상품을 추천한다. 먼저 상품 추천부(150)는 대상 고객의 구매 결정 요인별 가중치를 적용하여 상품 정보 데이터베이스(163)에 저장된 상품별 구매 결정 요인값의 가중합(weighted sum)으로 선호 점수를 산출한다. 모든 상품에 대해 대상 고객의 선호 점수가 산출되면, 선호 점수가 높은 정해진 개수, 예를 들면 3개의 상품이 추천 상품으로 결정되고, 해당 상품의 상품 정보가 추출되어 대상 고객에게 제공될 수 있다.
일 양상에 따르면, 선호 상품 추천 시스템은 주제 트리 생성부(120)를 포함한다. 주제 트리 생성부(120)는 구매 결정 요인 중 문장의 범주를 가지는 선호도 정보를 주제로 분류하고 주제간의 연관성을 이용하여 주제 트리를 생성한다. 문장의 범주를 가지는 선호도 정보들의 각 문장에서 단어들이 추출되고, 각 단어들이 주제로 분류된다. 주제 모델링(Topic Modeling)이라고 불리는 분류 기술에는 LDA(Latent Dirichlet Allocation), DMR(Dirichlet Multinomial Regression), ATM(Author Topic Model) 등 여러 가지가 알려져 있다. . 일 실시예에서, 구매 결정 요인 중 문장의 범주를 가지는 선호도 정보는 hLDA(hierarchical Latent Dirichlet Allocation) 기법을 이용하여 처리된다. 이러한 주제 모델링을 통해 문장들을 주제별로 분류할 수 있다.
그러나 이러한 주제 모델링은 분류를 할 뿐 각 주제들간의 연관 관계를 제시하지 못한다. 제안된 발명의 양상에 따라, 주제들간의 연관성이 산출되고, 그에 기초하여 주제 모델링에 의해 생성된 주제들간의 연관성을 반영하여 주제 트리(topic tree)가 생성된다. Blei, D. M., Griffiths, T. L., & Jordan, M. I., “The nested chinese restaurant process and bayesian nonparametric inference of topic hierarchies.” Journal of the ACM (JACM), 57(2), 7. 는 중첩된 중국식당 프로세서(Nested Chinese Restaurant Process : NCRP) 기법을 이용하여 주제들간의 연관성을 도출해내는 방법을 제시하고 있다.
추가적인 양상에 따르면, 구매 결정 요인 중 문장의 범주를 가지는 선호도 정보를 hLDA 기법을 이용하여 처리하여 생성되는 주제 모델링에 NCRP 기법이 적용되어 주제들간의 연관성이 구해지고 그에 기초하여 주제 트리(topic tree)가 생성된다. 주제 트리 형태로 구조화된 문장의 범주를 가지는 선호도 정보는 다시 선호도 정보 데이터베이스(161) 또는 메모리의 다른 영구 저장 영역에 저장된다. 문장의 범주를 가지는 상품의 선호도 정도가 주제 트리 형태로 구조화되어, 개인화된 선호 점수 산출이 달성된다.
추가적인 양상에 따르면, 평균 선호도 산출부(110)는 숫자 타입 평균 선호도 산출부(111)와, 단어 타입 평균 선호도 산출부(115)를 더 포함할 수 있다. 숫자 타입 평균 선호도 산출부(111)는 수의 범주를 가지는 구매 결정 요인들에 대해 상품의 선호도의 평균값을 구한다. 별의 개수로 선호도를 표시하는 별점과 같이 수의 범주를 가지는 구매 결정 요인들은 각 구매 결정 요인별로 선호도 값인 숫자를 합하여 샘플 도수로 나누어 평균값을 구할 수 있다.
단어 타입 평균 선호도 산출부(113)는 단어의 범주를 가지는 구매 결정 요인들에 대해 상품의 선호도의 평균값을 구한다. 단어 타입 평균 선호도 산출부(113)는 단어의 범주를 가지는 구매 결정 요인들에 대해 단어 별로 선호도를 계산한다. 선호도 정보에 특정 단어가 출현하면 해당 단어의 카운트를 증가시킨다. 예를 들면 구매 결정 요인별로 특정한 단어들의 출현 빈도를 카운트하고 샘플수로 나눈 값을 평균 선호도로 할 수 있다. 또다른 예로, 2개의 단어에 대해 각각 점수를 부여하고, 그 단어들의 출현 빈도에 점수를 곱한 값을 샘플수로 나누어 평균 선호도를 산출할 수 있다.
추가적인 양상에 따르면, 개인화된 가중치 산출부(130)는 선호 민감도 산출부(131)와 가중치 산출부(133)를 포함할 수 있다. 선호 민감도 산출부(131)는 구매 결정 요인별로 대상 고객의 선호도와 평균 선호도의 편차에 따라 대상 고객의 선호 민감도를 산출한다. 대상 고객의 선호도 데이터가 평균 선호도 산출부(110)에서 산출된 평균 선호도에서 벗어난 정도는, 예를 들면 표준 편차로 구해질 수 있다. 표준 편차는 구매 결정 요인별로 특정한 대상 고객의 선호도가 평균 선호도에서 벗어난 정도를 반영하며, 이는 해당 대상 고객이 그 구매 결정 요인에 대해 평균적이지 않은 정도, 즉 개인화된 민감도(personalized sensitivity)를 나타낸다.
가중치 산출부(133)는 구매 결정 요인별로 산출된 선호 민감도로부터 가중치를 산출한다. 일 실시예에서, 가중치 산출부(133)는 민감도를 전체 구매 결정 요인에 대해 정규화한 값으로 가중치를 산출할 수 있다.
추가적인 양상에 따르면, 선호 상품 추천 시스템은 선호도 정보 예측부(140)를 더 포함할 수 있다. 선호도 정보 예측부(140)는 대상 고객에 대해 존재하는 상품별 선호도 정보를 입력 받아 누락된 상품에 대한 선호도 정보를 예측하여 선호도 정보 데이터베이스(140)에 저장한다. 현실적으로 대상 고객의 모든 제품에 대한 모든 선호도 정보가 확보된 경우는 드물다. 제안된 발명은 대상 고객의 제품에 대한 선호 이력이 일부만 존재하더라도 상품 추천이 가능하도록 존재하는 선호도 정보를 입력 받아 누락된 상품에 대한 선호도 정보를 예측하여 생성한다. 일 실시예에서, 선호도 정보 예측부(140)는 MF(Matrix Factorization) 방법을 사용한다. 예를 들어 존재하는 구매 결정 요인에 대한 별점 정보를 이용해 존재하지 않는 구매 결정 요인에 대한 별점 정보가 예측될 수 있다. MF 방법론은 행렬 분해를 통해 모르는 값을 예측하는 알려진 방법이다.
도 3은 일 실시예에 따른 선호 상품 추천 방법의 구성을 도시한 흐름도이다. 선호 상품 추천 방법은 컴퓨터에서 실행 가능한 하나 혹은 복수의 프로그램으로 구현될 수 있다. 도시된 바와 같이, 일 실시예에 따른 선호 상품 추천 방법은 주제 트리 생성 단계(310), 문장 타입 요인 평균 선호도 산출 단계(325)와, 개인화된 가중치 산출 단계(350,370)와 상품 추천 단계(390)를 포함한다.
주제 트리 생성 단계(310)는 구매 결정 요인 중 문장의 범주를 가지는 선호도 정보를 주제로 분류하고 주제간의 연관성을 이용하여 주제 트리를 생성한다. 추가적인 양상에 따라, 주제 트리 생성 단계는 hLDA(hierarchical Latent Dirichlet Allocation) 방법에 의해 주제를 분류하고, 중첩된 중국식당 프로세스(Nested Chinese Restaurant Process) 기법을 이용하여 연관성을 구하여 주제 트리를 생성할 수 있다. 주제 트리 생성 단계(310)의 구체적인 처리는 도 1을 참조하여 설명한 주제 트리 생성부(120)에 대응되므로 상세한 설명은 생략한다.
문장 타입 요인 평균 선호도 산출 단계(325)는 상품별 고객별 선호도 정보가 저장된 선호도 정보 데이터베이스와 상품별 구매결정 요인값이 저장된 상품 정보 데이터베이스를 참조하여, 주제 트리(topic tree)로 구조화된 문장의 범주를 가지는 선호도 정보에 대해, 상위 계층의 주제별로 하위 계층 주제에 속하는 단어들의 출현 빈도에 기초하여 선호도를 산출하여 문장의 범주를 상품의 선호도의 평균값을 구한다. 문장 타입 요인 평균 선호도 산출 단계(325)의 구체적인 처리는 도 1을 참조하여 설명한 문장 타입 요인 평균 선호도 산출부(115)에 대응되므로 상세한 설명은 생략한다.
개인화된 가중치 산출 단계(350,370)는 구매 결정 요인별로 대상 고객의 선호도가 평균 선호도에서 벗어난 정도를 반영하여 해당 고객의 개인화된 구매 결정 요인별 가중치를 산출한다. 추가적인 양상에 따르면, 개인화된 가중치 산출 단계는 선호 민감도 산출 단계(350)와, 가중치 산출 단계(370)를 포함할 수 있다. 선호 민감도 산출 단계(350)는 구매 결정 요인별로 대상 고객의 선호도와 평균 선호도의 편차에 따라 대상 고객의 선호 민감도를 산출한다. 가중치 산출 단계(370)는 구매 결정 요인별로 산출된 선호 민감도로부터 가중치를 산출한다. 개인화된 가중치 산출 단계(350,370)의 구체적인 처리는 도 1을 참조하여 설명한 개인화된 가중치 산출부(130)에 대응되므로 상세한 설명은 생략한다.
상품 추천 단계(390)는 대상 고객의 구매 결정 요인별 가중치가 적용된, 상품별 구매결정 요인 값의 가중합에 기초하여 대상 고객의 상품별 선호 점수를 산출하고 상위값을 가지는 상품을 추천한다. 상품 추천 단계(390)의 구체적인 처리는 도 1을 참조하여 설명한 상품 추천부(150)에 대응되므로 상세한 설명은 생략한다.
추가적인 양상에 따르면, 선호 상품 추천 방법은 숫자 타입 평균 선호도 산출 단계(321)와, 단어 타입 평균 선호도 산출 단계(323)를 더 포함할 수 있다. 숫자 타입 평균 선호도 산출 단계(321)는 수의 범주를 가지는 구매 결정 요인들에 대해 상품의 선호도의 평균값을 구한다. 단어 타입 평균 선호도 산출 단계(323)는 단어의 범주를 가지는 구매 결정 요인들에 대해 상품의 선호도의 평균값을 구한다. 숫자 타입 평균 선호도 산출 단계(321)와, 단어 타입 평균 선호도 산출 단계(323)의 구체적인 처리는 각각 도 1을 참조하여 설명한 숫자 타입 평균 선호도 산출부(111)와, 단어 타입 평균 선호도 산출부(113)에 대응되므로 상세한 설명은 생략한다.
추가적인 양상에 따르면, 선호 상품 추천 방법은 선호도 정보 예측 단계(330)를 더 포함할 수 있다. 선호도 정보 예측 단계(330)는 대상 고객에 대해 존재하는 상품에 대한 선호도 정보를 입력 받아 누락된 상품에 대한 선호도 정보를 예측하여 선호도 정보 데이터베이스에 저장한다. 선호도 정보 예측 단계(330)의 구체적인 처리는 도 1을 참조하여 설명한 선호도 정보 예측부(140)에 대응되므로 상세한 설명은 생략한다.
이상에서 본 발명을 첨부된 도면을 참조하는 실시예들을 통해 설명하였지만 이에 한정되는 것은 아니며, 이들로부터 당업자라면 자명하게 도출할 수 있는 다양한 변형예들을 포괄하도록 해석되어야 한다. 기재된 양상들은 상호간에 모순 없이 자유롭게 조합될 수 있으며, 이러한 조합들도 모두 본 발명의 범주에 포함된다.
첨부된 특허청구범위는 이러한 조합들이나 도시가 생략되거나 간략화된 실시예들을 포괄하도록 의도되었으나, 이러한 모든 조합을 청구하지는 않고 있으며, 이러한 조합들이 향후 보정을 통해 본 발명의 범주에 진입하는 것이 허용되어야 한다.
110 : 평균 선호도 산출부
111 : 숫자 타입 평균 선호도 산출부
113 : 단어 타입 평균 선호도 산출부
115 : 문장 타입 평균 선호도 산출부
120 : 주제 트리 생성부 130 : 개인화된 가중치 산출부
131 : 선호 민감도 산출부 133 : 가중치 산출부
140 : 선호도 정보 예측부 150 : 상품 추천부
161 : 선호도 정보 데이터베이스 163 : 상품 정보 데이터베이스

Claims (10)

  1. 대상 고객에게 상품을 추천하는 선호 상품 추천 시스템에 있어서,
    상품별 고객별 선호도 정보가 저장된 선호도 정보 데이터베이스와;
    선호도 정보 데이터베이스를 참조하여, 주제 트리(topic tree)로 구조화된 문장의 범주를 가지는 선호도 정보들에 대해, 상위 계층의 주제별로 하위 계층 주제에 속하는 단어들의 출현 빈도에 기초하여 선호도를 산출하여 문장의 범주를 가지는 구매 결정 요인별 상품의 선호도의 평균값을 구하는 문장 타입 요인 평균 선호도 산출부를 포함하는 평균 선호도 산출부;
    구매 결정 요인별로 대상 고객의 선호도가 평균 선호도에서 벗어난 정도를 반영하여 해당 고객의 개인화된 구매 결정 요인별 가중치를 산출하는 개인화된 가중치 산출부와;
    대상 고객의 구매 결정 요인별 가중치가 적용된, 상품별 구매결정 요인값의 가중합에 기초하여 대상 고객의 상품별 선호 점수를 산출하고 상위값을 가지는 상품을 추천하는 상품 추천부;
    를 포함하는 선호 상품 추천 시스템에 있어서, 상기 시스템이 :
    구매 결정 요인 중 문장의 범주를 가지는 선호도 정보를 주제로 분류하고 주제간의 연관성을 이용하여 주제 트리를 생성하는 주제 트리 생성부;
    를 더 포함하는 선호 상품 추천 시스템.
  2. 청구항 1에 있어서, 주제 트리 생성부는 hLDA(hierarchical Latent Dirichlet Allocation) 방법에 의해 주제를 분류하고, 중첩된 중국식당 프로세스(Nested Chinese Restaurant Process) 기법을 이용하여 연관성을 구하여 주제 트리를 생성하는 선호 상품 추천 시스템.
  3. 청구항 1에 있어서, 평균 선호도 산출부는 :
    수의 범주를 가지는 구매 결정 요인들에 대해 상품의 선호도의 평균값을 구하는 숫자 타입 평균 선호도 산출부와,
    단어의 범주를 가지는 구매 결정 요인들에 대해 상품의 선호도의 평균값을 구하는 단어 타입 평균 선호도 산출부
    를 더 포함하는 선호 상품 추천 시스템.
  4. 청구항 1에 있어서, 개인화된 가중치 산출부는 :
    구매 결정 요인별로 대상 고객의 선호도와 평균 선호도의 편차에 따라 대상 고객의 선호 민감도를 산출하는 선호 민감도 산출부와;
    구매 결정 요인별로 산출된 선호 민감도로부터 가중치를 산출하는 가중치 산출부;
    를 포함하는 선호 상품 추천 시스템.
  5. 청구항 1에 있어서, 선호 상품 추천 시스템이 :
    대상 고객에 대해 존재하는 상품별 선호도 정보를 입력 받아 누락된 상품에 대한 선호도 정보를 예측하여 선호도 정보 데이터베이스에 저장하는 선호도 정보 예측부;
    를 더 포함하는 선호 상품 추천 시스템.
  6. 컴퓨터 프로그램에 의해 구현되며, 대상 고객에게 상품을 추천하는 선호 상품 추천 방법에 있어서,
    상품별 고객별 선호도 정보가 저장된 선호도 정보 데이터베이스를 참조하여, 주제 트리(topic tree)로 구조화된 문장의 범주를 가지는 선호도 정보들에 대해, 상위 계층의 주제별로 하위 계층 주제에 속하는 단어들의 출현 빈도에 기초하여 선호도를 산출하여 문장의 범주를 가지는 구매 결정 요인별 상품의 선호도의 평균값을 구하는 문장 타입 요인 평균 선호도 산출 단계와;
    구매 결정 요인별로 대상 고객의 선호도가 평균 선호도에서 벗어난 정도를 반영하여 해당 고객의 개인화된 구매 결정 요인별 가중치를 산출하는 개인화된 가중치 산출 단계와;
    대상 고객의 구매 결정 요인별 가중치가 적용된, 대상 고객의 구매 결정 요인별 선호도의 가중합에 기초하여 대상 고객의 상품별 선호 점수를 산출하고 상위값을 가지는 상품을 추천하는 상품 추천 단계;
    를 포함하는 선호 상품 추천 방법에 있어서, 상기 방법이 :
    구매 결정 요인 중 문장의 범주를 가지는 선호도 정보를 주제로 분류하고 주제간의 연관성을 이용하여 주제 트리를 생성하는 주제 트리 생성 단계;
    를 더 포함하는 선호 상품 추천 방법.
  7. 청구항 6에 있어서, 주제 트리 생성 단계는 hLDA(hierarchical Latent Dirichlet Allocation) 방법에 의해 주제를 분류하고, 중첩된 중국식당 프로세스(Nested Chinese Restaurant Process) 기법을 이용하여 연관성을 구하여 주제 트리를 생성하는 선호 상품 추천 방법.
  8. 청구항 6에 있어서, 상기 방법이 :
    수의 범주를 가지는 구매 결정 요인들에 대해 상품의 선호도의 평균값을 구하는 숫자 타입 평균 선호도 산출 단계;
    단어의 범주를 가지는 구매 결정 요인들에 대해 상품의 선호도의 평균값을 구하는 단어 타입 평균 선호도 산출 단계;
    를 더 포함하는 선호 상품 추천 방법.
  9. 청구항 6에 있어서, 개인화된 가중치 산출 단계는 :
    구매 결정 요인별로 대상 고객의 선호도와 평균 선호도의 편차에 따라 대상 고객의 선호 민감도를 산출하는 선호 민감도 산출 단계와;
    구매 결정 요인별로 산출된 선호 민감도로부터 가중치를 산출하는 가중치 산출 단계;
    를 포함하는 선호 상품 추천 방법.
  10. 청구항 6에 있어서, 선호 상품 추천 방법이 :
    대상 고객에 대해 존재하는 상품별 선호도 정보를 입력 받아 누락된 상품에 대한 선호도 정보를 예측하여 선호도 정보 데이터베이스에 저장하는 선호도 정보 예측 단계;
    를 더 포함하는 선호 상품 추천 방법.
KR1020180160130A 2018-12-12 2018-12-12 고객의 구매 결정 요인에 대한 선호 민감도에 기초한 상품 추천 방법 Active KR102231487B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180160130A KR102231487B1 (ko) 2018-12-12 2018-12-12 고객의 구매 결정 요인에 대한 선호 민감도에 기초한 상품 추천 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180160130A KR102231487B1 (ko) 2018-12-12 2018-12-12 고객의 구매 결정 요인에 대한 선호 민감도에 기초한 상품 추천 방법

Publications (2)

Publication Number Publication Date
KR20200072207A true KR20200072207A (ko) 2020-06-22
KR102231487B1 KR102231487B1 (ko) 2021-03-24

Family

ID=71142234

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180160130A Active KR102231487B1 (ko) 2018-12-12 2018-12-12 고객의 구매 결정 요인에 대한 선호 민감도에 기초한 상품 추천 방법

Country Status (1)

Country Link
KR (1) KR102231487B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118134600A (zh) * 2024-03-12 2024-06-04 深圳琼景科技有限公司 订单管理方法、装置以及系统
US12038988B2 (en) 2021-10-26 2024-07-16 Samsung Electronics Co., Ltd. Method and apparatus for modeling user preferences

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090000649A (ko) * 2007-03-15 2009-01-08 엔에이치엔(주) 상품 평가 데이터를 사용하여 인기 상품을 제공하는 방법,시스템 및 컴퓨터 판독 가능한 기록 매체
KR20100055712A (ko) * 2008-11-18 2010-05-27 한국전자통신연구원 개인 맞춤형 컨텐트 추천 방법 및 장치
KR20130092310A (ko) * 2012-02-10 2013-08-20 (주)워터빈 상품 추천 시스템
KR101642216B1 (ko) * 2015-01-27 2016-07-22 포항공과대학교 산학협력단 비임의결측 데이터 분석 방법 및 장치와 이를 이용하는 상품추천 시스템

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090000649A (ko) * 2007-03-15 2009-01-08 엔에이치엔(주) 상품 평가 데이터를 사용하여 인기 상품을 제공하는 방법,시스템 및 컴퓨터 판독 가능한 기록 매체
KR20100055712A (ko) * 2008-11-18 2010-05-27 한국전자통신연구원 개인 맞춤형 컨텐트 추천 방법 및 장치
KR20130092310A (ko) * 2012-02-10 2013-08-20 (주)워터빈 상품 추천 시스템
KR101642216B1 (ko) * 2015-01-27 2016-07-22 포항공과대학교 산학협력단 비임의결측 데이터 분석 방법 및 장치와 이를 이용하는 상품추천 시스템

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Longquan Tao et al., "Dynamic feature weighting based on user preference sensitivity for recommender systems"* *
Pingan Liu et al., "HLDA based text clustering"* *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12038988B2 (en) 2021-10-26 2024-07-16 Samsung Electronics Co., Ltd. Method and apparatus for modeling user preferences
CN118134600A (zh) * 2024-03-12 2024-06-04 深圳琼景科技有限公司 订单管理方法、装置以及系统
CN118134600B (zh) * 2024-03-12 2025-04-25 江西墨艺科技有限公司 订单管理方法、装置以及系统

Also Published As

Publication number Publication date
KR102231487B1 (ko) 2021-03-24

Similar Documents

Publication Publication Date Title
Heckel et al. Scalable and interpretable product recommendations via overlapping co-clustering
Bohanec et al. Decision-making framework with double-loop learning through interpretable black-box machine learning models
Vijayaragavan et al. An optimal support vector machine based classification model for sentimental analysis of online product reviews
Das et al. Customer segmentation via data mining techniques: state-of-the-art review
CN110428298A (zh) 一种店铺推荐方法、装置及设备
US20080097937A1 (en) Distributed method for integrating data mining and text categorization techniques
JP6472573B2 (ja) データ分析手法候補決定装置
Ouf et al. A proposed hybrid framework to improve the accuracy of customer churn prediction in telecom industry
Satu et al. Modeling online customer purchase intention behavior applying different feature engineering and classification techniques
KR102059263B1 (ko) 기계학습 알고리즘을 적용한 RFM(Recency, Frequency, Monetary) 분석 방법 및 시스템
US20200043019A1 (en) Intelligent identification of white space target entity
KR102520651B1 (ko) 독립적 상품추천 서비스 구축시스템 및 이를 이용한 상품추천 서비스 제공방법
Hadju et al. Sentiment analysis of indonesian e-commerce product reviews using support vector machine based term frequency inverse document frequency
Demchuk et al. Commercial Content Distribution System Based on Neural Network and Machine Learning.
Stephen et al. Measures of similarity in memory-based collaborative filtering recommender system: A comparison
US20240062264A1 (en) Ai- backed e-commerce for all the top rated products on a single platform
KR102231487B1 (ko) 고객의 구매 결정 요인에 대한 선호 민감도에 기초한 상품 추천 방법
US12380278B2 (en) Systems and methods for semantic separation of multiple intentions in text data using reinforcement learning
Won et al. A hybrid collaborative filtering model using customer search keyword data for product recommendation
Trivedi et al. Prediction of polarities of online hotel reviews: an improved stacked decision tree (ISD) approach
Anggraini et al. Comparing Decision Tree and Support Vector Machines in Hospital Satisfaction
Ben Khalifa et al. Multiple criteria fake reviews detection using belief function theory
Auriau et al. Learning multiple multicriteria additive models from heterogeneous preferences
CN115797077A (zh) 理财产品的处理方法及装置、处理器和电子设备
Ayber et al. Analyzing customer requirements based on text mining via spherical fuzzy qfd

Legal Events

Date Code Title Description
PA0109 Patent application

Patent event code: PA01091R01D

Comment text: Patent Application

Patent event date: 20181212

PA0201 Request for examination
E902 Notification of reason for refusal
PE0902 Notice of grounds for rejection

Comment text: Notification of reason for refusal

Patent event date: 20200608

Patent event code: PE09021S01D

PG1501 Laying open of application
E701 Decision to grant or registration of patent right
PE0701 Decision of registration

Patent event code: PE07011S01D

Comment text: Decision to Grant Registration

Patent event date: 20201220

GRNT Written decision to grant
PR0701 Registration of establishment

Comment text: Registration of Establishment

Patent event date: 20210318

Patent event code: PR07011E01D

PR1002 Payment of registration fee

Payment date: 20210318

End annual number: 3

Start annual number: 1

PG1601 Publication of registration
PR1001 Payment of annual fee

Payment date: 20240318

Start annual number: 4

End annual number: 4