[추천시스템] 추천 수량과 재 추천을 고려한 사용자 기반 협업필터링 추천시스템

📚 논문 정보 

박지회, & 남기환. (2017). 추천 수량과 재 추천을 고려한 사용자 기반 협업 필터링 추천 시스템. Information Systems Review, 19(2), 71-94.

---

📚 요약 

 이 연구에서는 오프라인 의류 매장을 대상으로 '추천 수량' 과 '재 추천'을 고려한 협업필터링 방식을 제안했다. 오프라인 매장의 재고관리 측면에서는 단순히 구매 여부보다 얼마나 구매할 지를 아는 것이 중요하기 때문에 이 연구에서는 해당 요소를 중요하게 고려했다.  일반적인 CF에서 유저가 여기서는 매장이 된다. 

 

 

< 추천 수량을 고려한 CF 단계 > 

1. 매장 프로필 생성 

 고객이 아이템에 평가를 한 데이터가 아니라, 각 매장이 의류 상품(아이템)을 판매한 데이터를 사용한다. 따라서 개인의 평점 대신에 매장의 판매 수량을 선호도 데이터로 사용한다. 단순 판매 여부 대신에 판매 수량을 이용해서 매장간 유사도를 보다 정확하게 계산한다. 

 

2. 매장x 상품 매트릭스 생성 

 일반 CF의 유저 대신에 각 매장을 사용한다. 

 

3. 매장 간 유사도 계산 

코사인 유사도 이용해서 매장 간 유사도 매트릭스 계산 

 

4. 이웃 집단 구성 

이 연구에서는 매장 수가 100개로 적기 때문에 모든 매장을 이웃 집단으로 사용한다. 

 

5. 추천 수량과 목록 생성 

 Sum of Similarity를 위 식으로 계산한다. 이는 목표 매장과 해당 상품이 판매된 다른 매장 간의 유사도를 합한 값을 상품별로 계산한 것이다. 이는 SS값이 클수록 추천의 상대적이 필요성이 크다고 볼 수 있다. 

계산 편의를 위해서 SS를 비율 형태인 Scale Adjusted Sum of Similarity로 변경한다. 

 

 그리고 목표 매장의 특정 상품에 대한 추천 수량을, 추천 목록의 크기와 비율화된 추천 상대 필요도(SSS)를 곱하고 반올림해서 위와 같이 계산한다. 

 

---

📚 장점 및 의의 

• 유저 == 매장 으로 간주하고 CF 모델을 구축한 것이 흥미로웠다. 또한 재고관리 측면에서 추천시스템이 수량을 고려해야 한다는 점도 설득력있게 잘 제시하였다. 향후 연구 진행에 도움이 될 만한 인사이트를 많이 얻은 논문이었다. 

 

• 의류라는 아이템의 특성을 고려해서 계절에 따라서 데이터를 분리해서 수집하였다. 

 

 

---

📚 한계점 및 추가 연구 아이디어 

• 데이터에 포함된 매장의 수가 100개로 매우 적다. 같은 의류 매장이라 하더라도 판매하는 의류 품목, 종류, 주요 고객층 등에 따라서 실제로 매장의 성격이 완전히 다를 수 있다. 더 다양한 데이터를 바탕으로 이러한 부분이 세밀하게 고려되었다면 연구의 실무적인 의의를 더 확보할 수 있었을 것이다.