[논문 리뷰] Family Shopping Recommendation System Using User Profile and Behavior Data

Jiacheng Xu|arXiv (Cornell University)|2017. 08. 24.

Recommender Systems and Techniques참고 문헌 13인용 수 3

한 줄 요약

이 논문은 사용자 프로필, 행동 및 가족 관계 데이터를 하이브리드 공동 필터링 접근 방식을 사용하여 통합하는 새로운 가족 기반 쇼핑 추천 시스템을 제안한다. 브랜드, 유형 및 카테고리별로 사용자 및 가족 수준의 유사도를 조합함으로써 하이브리드 가족 모델은 리콜과 정밀도에서 사용자 모델 및 하이브리드 사용자 모델을 모두 능가하며, 실제 쇼핑몰 데이터셋에서 뛰어난 성능을 입증한다.

ABSTRACT

With the arrival of the big data era, recommendation system has been a hot technology for enterprises to streamline their sales. Recommendation algorithms for individual users have been extensively studied over the past decade. Most existing recommendation systems also focus on individual user recommendations, however in many daily activities, items are recommended to the groups not one person. As an effective means to solve the problem of group recommendation problem,we extend the single user recommendation to group recommendation. Specifically we propose a novel approach for family-based shopping recommendation system. We use the dataset from the real shopping mall consisting of shopping records table, client-profile table and family relationship table. Our algorithm integrates user behavior similarity and user profile similarity to build the user based collaborative filtering model. We evaluate our approach on a real-world shopping mall dataset.

연구 동기 및 목표

• 개인 사용자 대신 가족 수준의 쇼핑 행동에 초점을 맞춰 그룹 추천 시스템의 격차를 해소하기 위해.
• 사용자 구매 이력, 활동 데이터 및 쇼핑몰 이벤트를 통합하는 통합 추천 모델을 개발하기 위해.
• 가족 관계 데이터를 활용하여 공유 계정 또는 가족 구매 품목의 추천 정확도를 향상시키기 위해.
• 시간 기반 분할 및 표준 평가 지표를 사용하여 제안된 모델을 실제 쇼핑몰 데이터셋에서 경험적으로 검증하기 위해.

제안 방법

• 시스템은 사용자 행동, 프로필 및 활동 데이터를 위한 유사도 메트릭을 사용하여 사용자 기반 공동 필터링을 구축한다.
• 다섯 개인 유사도 행렬을 계산한다: 개인 및 가족 수준의 추천을 위한 $W_{brand}$, $W_{type}$, $W_{category}$, $W_{activity}$, $W_{profile}$.
• 하이브리드 사용자 모델은 모든 다섯 가지 유사도 유형을 통합하여 개인 사용자에게 상위-N 추천을 생성한다.
• 하이브리드 가족 모델은 개인 구매 행동의 집계를 사용하여 가족 수준의 유사도 행렬($W_{brand}^{F}$, $W_{type}^{F}$ 등)을 계산함으로써 이를 확장한다.
• 데이터셋은 '2016-07-15 00:00:00' 기준으로 시계열적으로 분할되며, 훈련에 80%, 테스트에 20%를 할당하여 시간적 타당성을 확보한다.
• 평가에서는 상위-k 추천(정의된 k = 1에서 10까지)에서 정밀도와 리콜을 사용하며, 결과는 다양한 모델 간 시각화된다.

실험 결과

연구 질문

• RQ1 가족 관계 데이터 통합이 개인 사용자 기반 모델 대비 추천 성능을 얼마나 향상시키는가?
• RQ2 사용자 프로필, 행동 및 활동 데이터를 통합할 경우 가족 환경에서 추천 정확도는 얼마나 향상되는가?
• RQ3 브랜드, 유형, 카테고리, 활동, 프로필 등의 다수 유사도 유형을 융합한 하이브리드 모델이 단일 소스 모델을 능가할 수 있는가?
• RQ4 다양한 상위-k 추천 임계값에서 하이브리드 가족 모델의 성능은 하이브리드 사용자 모델 및 기본 사용자 모델과 비교해 어떻게 되는가?

주요 결과

• 하이브리드 가족 모델은 상위-k 값이 1에서 10에 이르는 모든 범위에서 사용자 모델 및 하이브리드 사용자 모델보다 더 높은 리콜과 정밀도를 달성한다.
• 모든 모델의 리콜 비율은 k가 증가함에 따라 증가하며, k가 커질수록 사용자 구매 이력의 커버리지가 향상됨을 나타낸다.
• 모든 모델의 정밀도 비율은 k가 3를 초과할 경우 감소하며, 이는 높은 k에서 추천의 관련성에 대한 수익 감소가 있음을 시사한다.
• 하이브리드 사용자 모델은 사용자 모델보다 리콜과 정밀도에서 뛰어나며, 다중 소스 유사도 통합의 이점이 확인된다.
• 하이브리드 가족 모델은 가장 뛰어난 성능을 보이며, 가족 수준의 행동을 모델링하는 것이 추천 품질 향상에 상당한 기여를 한다는 것을 시사한다.
• 결과는 시간 기반 분할을 통해 실제 데이터셋에서 검증되었으며, 이는 강건성과 실용적 관련성을 보장한다.