KR20140056731A

KR20140056731A - 구매추천 시스템 및 방법

Info

Publication number: KR20140056731A
Application number: KR1020120122108A
Authority: KR
Inventors: 김민성
Original assignee: 에스케이플래닛 주식회사
Priority date: 2012-10-31
Filing date: 2012-10-31
Publication date: 2014-05-12

Abstract

본 발명은 구매추천 시스템 및 방법에 관한 것으로서, 적어도 둘 이상의 사용자와 각 사용자의 구매 상품 및 구매 날짜를 포함하는 구매 이력이 저장된 구매 이력 데이터베이스; 임의로 설정된 전체 구매기간을 N개의 단위 구매기간으로 분할하여 각 단위 구매기간에서의 구매이력을 추출하는 기간별 구매 이력 추출장치; 및 상기 N개의 단위 구매기간에 대해 사용자들 간 유사도 또는 사용자별 상품 선호도를 각각 산출하여 상기 전체 구매기간에서의 평균값을 산출하고, 산출된 평균값에 따라 사용자별 상품 선호도를 산출하여 선호도가 높은 순서로 추천정보를 생성하는 협업 필터링 처리장치를 포함한다. 이에 의해, 사용자들의 구매 이력을 세부 기간 단위로 나누어 최근의 구매 이력과 상대적으로 오래된 구매 이력을 각기 다른 비중으로 반영하여 추천 정보를 생성함으로써, 유행에 민감하면서도 과거의 구매 이력도 반영하여 신뢰성 있는 추천 정보를 제공할 수 있는 구매추천 시스템 및 방법에 관한 것이다.

Description

구매추천 시스템 및 방법{PURCHASE RECOMMENDATION SERVICE SYSTEM AND METHOD}

본 발명은 구매추천 시스템 및 방법에 관한 것으로서, 보다 상세하게는, 사용자들의 구매 이력을 세부 기간 단위로 나누어 최근의 구매 이력과 상대적으로 오래된 구매 이력을 각기 다른 비중으로 반영하여 추천 정보를 생성함으로써, 유행에 민감하면서도 과거의 구매 이력도 반영하여 신뢰성 있는 추천 정보를 제공할 수 있는 구매추천 시스템 및 방법에 관한 것이다.

대용량 데이터의 전송 및 처리 기술의 발전으로 사용자가 접할 수 있는 컨텐츠는 기하 급수적으로 늘어나고 있다. 특히, 초고속 통신망이 도입되고 스마트폰, 태블릿, 넷북, IP TV 등과 같은 각종 멀티미디어 기기의 대용량화가 진행됨에 따라 사용자는 때와 장소에 구애됨 없이 수많은 컨텐츠를 즐길 수 있게 되었다.

그러나, 이렇게 컨텐츠의 양이 늘어남에 따라 사용자가 원하는 것을 찾는 데 걸리는 시간과 노력도 증가하게 된다. 이를 해결하기 위해 사용자가 만족할만한 컨텐츠를 선별하여 추천하는 방식이 등장하였다.

이러한 종래의 추천 방식으로는 협업 필터링(Collaborative Filtering) 기술이 있다. 협업 필터링은 여러 사용자의 구매 기록을 이용하여 각 사용자별로 구매할 가능성이 높은 아이템을 추천하는 기술이다. 이러한 협업 필터링은 사용자 간의 유사도를 이용하여 추천 목록을 추출하며 특히, 사용자와 유사한 고객에게 가중치를 주어 계산한다.

이러한 종래의 추천 방식에 따르면, 구매 이력을 기반으로 한 사용자 간 유사도 산출 시 임의의 기간 동안의 전체 구매 이력을 사용하게 된다. 그런데, 구매 이력을 수집하는 기간이 달라지는 경우 사용자의 구매 이력이 달라지므로 사용자 간 유사도가 다르게 산출되어 구매 이력을 수집한 기간에 따라 각기 상이한 추천 결과가 생성되는 문제점이 있다.

또한, 종래의 추천 방식의 경우 설정된 기간 동안의 전체 구매 이력을 이용할 뿐, 구매 시기의 차이가 반영되지 않는다는 문제점이 있다. 예컨대, 10개월 전에 A, B, C를 구매한 사용자와, 일주일 전에 A, B, C를 구매한 사용자 간의 유사도는 모두 동일하게 계산된다.

따라서, 구매기간의 정의에 따라 전혀 다른 값들이 각 사용자에게 추천될 수 있다는 문제점이 있다. 또한, 앱이나 대중 가요와 같이 유행에 대한 민감도가 높은 상품의 구매 이력에 대해 구매 시기를 고려하지 않고 동일한 방식으로 유사도를 산출하는 경우 추천정보의 신뢰성이 떨어질 수 있다는 문제점이 있다.

한국특허공개 제10-2011-0043369호; 음악 추천을 위한 연관성 분석 방법

본 발명은 상술한 문제점을 해결하기 위하여 안출된 것으로서, 사용자들의 구매 이력을 세부 기간 단위로 나누어 최근의 구매 이력과 상대적으로 오래된 구매 이력을 각기 다른 비중으로 반영하여 추천 정보를 생성함으로써, 유행에 민감하면서도 과거의 구매 이력도 반영하여 신뢰성 있는 추천 정보를 제공할 수 있는 구매추천 시스템 및 방법을 제공하는데 그 기술적 과제가 있다.

상술한 과제를 해결하기 위한 본 발명의 일 측면에 따르면, 적어도 둘 이상의 사용자와 각 사용자의 구매 상품 및 구매 날짜를 포함하는 구매 이력이 저장된 구매 이력 데이터베이스; 임의로 설정된 전체 구매기간을 N개의 단위 구매기간으로 분할하여 각 단위 구매기간에서의 구매이력을 추출하는 기간별 구매 이력 추출장치; 및 상기 N개의 단위 구매기간에 대해 사용자들 간 유사도 또는 사용자별 상품 선호도를 각각 산출하여 상기 전체 구매기간에서의 평균값을 산출하고, 산출된 평균값에 따라 사용자별 상품 선호도를 산출하여 선호도가 높은 순서로 추천정보를 생성하는 협업 필터링 처리장치를 포함하는 구매추천 시스템이 제공된다.

여기서, 상기 협업 필터링 처리장치는, 상기 N개의 단위 구매기간의 사용자들 간 유사도 또는 사용자별 상품 선호도에 대해 최근 구매기간일수록 상대적으로 높은 가중치를 부여하여 상기 전체 구매기간에서의 평균값을 산출할 수 있다.

상술한 과제를 해결하기 위한 본 발명의 다른 측면에 따르면, 전체 구매기간을 N개의 단위 구매기간으로 분할하여 추출된 각 단위 구매기간의 구매이력을 이용하여 단위 구매기간 별 유사도를 산출하는 기간별 사용자 유사도 산출모듈; 상기 단위 구매기간 별 유사도를 합산하여 상기 전체 구매기간에서의 유사도 평균을 산출하는 사용자 유사도 평균 산출모듈; 및 상기 전체 구매기간에서의 사용자 유사도 평균과 구매이력을 협업 필터링 처리하여 사용자별 상품 선호도가 높은 순서로 추천정보를 생성하는 협업 필터링모듈을 포함하는 협업 필터링 처리장치가 제공된다.

여기서, 상기 N개의 단위 구매기간의 사용자들 간 유사도에 대해 최근 구매기간일수록 상대적으로 높은 가중치를 부여하여 가중치가 반영된 단위 구매기간 별 유사도를 생성하는 기간별 가중치 설정모듈을 더 포함할 수 있다.

그리고, 상기 기간별 사용자 유사도 산출모듈은, [수학식 1]에 따라 자카드 유사도 산출방법으로 각 단위 구매기간별 구매 이력을 산출할 수 있다.

[수학식 1]

여기서, p1, p2, ......pN 는 단위 구매기간이고, Jpi(A, B)는 기간 pi에서의 사용자A와 사용자B 간 자카드 유사도, A(p, i)는 사용자A가 기간 pi에 구매한 상품의 세트(set)을 의미한다.

그리고, 상기 사용자 유사도 평균 산출모듈은, [수학식 2]에 따라 상기 단위 구매기간 별 유사도를 합산하여 상기 전체 구매기간에서의 유사도 평균을 산출할 수 있다.

[수학식 2]

또한, 상기 기간별 사용자 유사도 산출모듈은, [수학식 3]에 따라 코사인 유사도 산출방법으로 각 단위 구매기간별 구매 이력을 산출할 수 있다.

[수학식 3]

여기서, p1, p2, ......pN 는 단위 구매기간이고, Cospi(A(Pi), B(pi))는 기간 pi에서의 사용자A와 사용자B 간 코사인 유사도,

는 벡터의 내적을 의미한다.

그리고, 상기 사용자 유사도 평균 산출모듈은, [수학식 4]에 따라 상기 단위 구매기간 별 유사도를 합산하여 상기 전체 구매기간에서의 유사도 평균을 산출할 수 있다.

[수학식 4]

상술한 과제를 해결하기 위한 본 발명의 또 다른 측면에 따르면, 전체 구매기간을 N개의 단위 구매기간으로 분할하여 추출된 각 단위 구매기간의 구매이력을 이용하여 단위 구매기간 별 유사도를 산출하는 기간별 사용자 유사도 산출모듈; 상기 단위 구매기간에서의 유사도와 구매이력을 협업 필터링 처리하여 각각의 단위 구매기간에서의 사용자별 상품 선호도를 산출하는 기간별 협업 필터링 모듈; 및 상기 각 단위 구매기간에서의 사용자별 상품 선호도를 합산하여 상기 전체 구매기간에서의 선호도 평균을 산출하고, 산출된 평균값에 따라 사용자별 상품 선호도가 높은 순서로 추천정보를 생성하는 협업 필터링 평균 산출모듈을 포함하는 협업 필터링 처리장치가 제공된다.

여기서, 상기 N개의 단위 구매기간의 사용자별 상품 선호도에 대해 최근 구매기간일수록 상대적으로 높은 가중치를 부여하여 가중치가 반영된 단위 구매기간 별 사용자별 상품 선호도를 생성하는 기간별 가중치 설정모듈을 더 포함할 수 있다.

그리고, 상기 협업 필터링 평균 산출모듈은, [수학식 7]에 따라 상기 각 단위 구매기간에서의 사용자별 상품 선호도를 합산하여 상기 전체 구매기간에서의 선호도 평균을 산출할 수 있다.

[수학식 7]

여기서, p1, p2, ......pN 는 단위 구매기간이고, Pot_i는 기간i에서의 상품 선호도, Ai는 단위 구매기간의 구매 이력, Si는 단위 구매기간의 사용자 간 유사도 매트릭스를 의미한다.

상술한 과제를 해결하기 위한 본 발명의 또 다른 측면에 따르면, (a) 임의로 설정된 전체 구매기간을 N개의 단위 구매기간으로 분할하여 각 단위 구매기간에서의 사용자와 각 사용자의 구매 상품 및 구매 날짜를 포함하는 구매이력을 추출하는 단계; (b) 상기 각 단위 구매기간에서의 구매이력을 이용하여 단위 구매기간 별 유사도를 산출하는 단계; (c) 상기 단위 구매기간 별 유사도를 합산하여 상기 전체 구매기간에서의 유사도 평균을 산출하는 단계; 및 (d) 상기 전체 구매기간에서의 사용자 유사도 평균과 구매이력을 협업 필터링 처리하여 사용자별 상품 선호도가 높은 순서로 추천정보를 생성하는 단계를 포함하는 구매추천 방법이 제공된다.

여기서, 상기 (b) 단계는, 상기 각 단위 구매기간에서의 구매이력을 자카드 유사도 산출방법 또는 코사인 유사도 산출방법으로 처리하여 상기 단위 구매기간 별 유사도를 산출하는 단계를 포함할 수 있다.

그리고, 상기 (b) 단계와 (c) 단계 사이에, 상기 N개의 단위 구매기간의 단위 구매기간 별 유사도에 대해 최근 구매기간일수록 상대적으로 높은 가중치를 부여하는 단계를 더 포함할 수 있다.

상술한 과제를 해결하기 위한 본 발명의 또 다른 측면에 따르면, 임의로 설정된 전체 구매기간을 N개의 단위 구매기간으로 분할하여 각 단위 구매기간에서의 사용자와 각 사용자의 구매 상품 및 구매 날짜를 포함하는 구매이력을 추출하는 단계; 상기 각 단위 구매기간에서의 구매이력을 이용하여 단위 구매기간 별 유사도를 산출하는 단계; 상기 단위 구매기간 별 유사도를 합산하여 상기 전체 구매기간에서의 유사도 평균을 산출하는 단계; 및 상기 전체 구매기간에서의 사용자 유사도 평균과 구매이력을 협업 필터링 처리하여 사용자별 상품 선호도가 높은 순서로 추천정보를 생성하는 단계를 포함하는 구매추천 방법이 프로그램으로 기록되고 전자 장치에서 판독 가능한 기록매체가 제공된다.

상술한 과제를 해결하기 위한 본 발명의 또 다른 측면에 따르면, (a) 임의로 설정된 전체 구매기간을 N개의 단위 구매기간으로 분할하여 각 단위 구매기간에서의 사용자와 각 사용자의 구매 상품 및 구매 날짜를 포함하는 구매이력을 추출하는 단계; (b) 상기 단위 구매기간에서의 유사도와 구매이력을 협업 필터링 처리하여 각각의 단위 구매기간에서의 사용자별 상품 선호도를 산출하는 단계; (c) 상기 각 단위 구매기간에서의 사용자별 상품 선호도를 합산하여 상기 전체 구매기간에서의 선호도 평균을 산출하는 단계; 및 (d) 산출된 평균값에 따라 사용자별 상품 선호도가 높은 순서로 추천정보를 생성하는 단계를 포함하는 구매추천 방법이 제공된다.

여기서, 상기 (b) 단계와 (c) 단계 사이에, 상기 N개의 단위 구매기간의 사용자별 상품 선호도에 대해 최근 구매기간일수록 상대적으로 높은 가중치를 부여하는 단계를 더 포함할 수 있다.

상술한 과제를 해결하기 위한 본 발명의 또 다른 측면에 따르면, 임의로 설정된 전체 구매기간을 N개의 단위 구매기간으로 분할하여 각 단위 구매기간에서의 사용자와 각 사용자의 구매 상품 및 구매 날짜를 포함하는 구매이력을 추출하는 단계; 상기 단위 구매기간에서의 유사도와 구매이력을 협업 필터링 처리하여 각각의 단위 구매기간에서의 사용자별 상품 선호도를 산출하는 단계; 상기 각 단위 구매기간에서의 사용자별 상품 선호도를 합산하여 상기 전체 구매기간에서의 선호도 평균을 산출하는 단계; 및 산출된 평균값에 따라 사용자별 상품 선호도가 높은 순서로 추천정보를 생성하는 단계를 포함하는 구매추천 방법이 프로그램으로 기록되고 전자 장치에서 판독 가능한 기록매체가 제공된다.

상술한 바와 같이 본 발명의 구매추천 시스템 및 방법은, 사용자들의 구매 이력을 세부 기간 단위로 나누어 최근의 구매 이력과 상대적으로 오래된 구매 이력을 각기 다른 비중으로 반영하여 추천 정보를 생성함으로써, 유행에 민감하면서도 과거의 구매 이력도 반영하여 신뢰성 있는 추천 정보를 제공할 수 있다.

또한, 본 발명의 구매추천 시스템 및 방법은, 기간별 구매 이력 유사도를 반영하여 보다 선호가 뚜렷하게 드러나는 사용자 간의 유사도를 기반으로 상품을 추천하므로, 구매기간이나 시기에 상관없이 선호도 계산에 일괄적으로 같은 정도의 유사도를 갖는 사용자 간의 관계를 세분화하여 접근할 수 있다

그리고, 본 발명의 구매추천 시스템 및 방법은, 기간별 가중치를 부여하여 유행성 상품이나 상품의 라이프 사이클에 따라 과거의 구매 이력을 반영하면서 최근의 유행에도 민감한 추천 정보를 생성할 수 있다.

도 1은 본 발명의 실시예에 따른 구매추천 시스템의 구성도,
도 2는 본 발명의 일 실시예에 따른 협업 필터링 처리장치의 제어블럭도,
도 3은 본 발명의 다른 실시예에 따른 협업 필터링 처리장치의 제어블럭도,
도 4은 본 발명의 일 실시예에 따른 구매추천 방법의 흐름도,
도 5는 본 발명의 다른 실시예에 따른 구매추천 방법의 흐름도,
도 6은 내지 도 10은 본 발명의 실시예에 따른 구매추천 시스템의 처리 데이터를 예시한 것이다.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 보다 상세히 설명하기로 한다. 첨부 도면을 참조하여 설명함에 있어 동일하거나 대응하는 구성 요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.

도 1은 본 발명의 실시예에 따른 구매추천 시스템의 구성도이다.

도 1에 도시된 바와 같이, 본 발명의 구매추천 시스템은, 구매 이력 데이터베이스(100), 기간별 구매 이력 추출장치(200), 협업 필터링 처리장치(300)를 포함한다.

구매 이력 데이터베이스(100)에는 각 사용자가 구매한 상품 및 구매 시기를 포함하는 구매 이력이 저장된다.

기간별 구매 이력 추출장치(200)는 전체 구매기간을 N개로 분할하여 각 구매기간의 사용자 구매 이력을 추출한다. 기존 방법의 경우 최근 1~3개월 식의 전체 구매 이력을 사용하기 때문에 그 이전의 데이터에 반영된 고객의 선호도는 전혀 사용할 수 없지만, 본 발명의 기간별 구매 이력 추출장치(200)는 최근 X개월의 구매 이력을 복수개의 단위 구매기간으로 세분화하여 추출할 수 있다.

여기서, 전체 구매기간은 반드시 누적된 전체 구매 이력 데이터를 의미하지는 않는다. 예컨대, 최근 12개월의 구매 이력을 보는 경우 12개월이 전체 구매기간이 된다. 따라서, 상품의 특성에 따라 최근 5개월, 혹은 최근 12개월 등으로 전체 구매기간을 설정할 수 있다.

기간별 구매 이력 추출장치(200)는 전체 구매기간을 N개의 단위 구매기간으로 분할할 수 있다. N개의 단위 구매기간으로 나누는 방법은 분할 개수 및 단위 구매기간의 크기 등을 적용 대상에 따라 다르게 설정할 수 있다.

예컨대, 전체 구매기간을 균등하게 나눌 수 있다. 전체 구매기간이 1년인 경우, N=4로 설정하여 3개월씩 균등하게 나눌 수도 있고, 봄, 여름, 가을, 겨울에 해당하는 날짜로 나눌 수도 있다. 또한, 전체 구매기간을 최근 6개월로 설정하고, 월 단위 혹은 주 단위로 분할하거나, 주 단위인 경우 월요일 시작, 일요일 시작 등으로 조건을 세분화하여 임의로 단위 구매기간을 분할할 수 있다. 그리고, 서비스의 시기적 특성이나 이벤트나 프로모션 사용자의 구매 이력 행태 등을 고려하여 비균등 주기로 나누는 것도 가능하다. 예컨대, 서비스가 변경된 임의의 날짜를 단위 구매기간으로 분할하는 것도 가능하다.

여기서, N이 커질수록 단위 구매기간이 짧아지므로 사용자 간에 같은 상품을 같은 시기에 산 경우가 줄어들어 전체적으로 사용자간 유사도가 작아질 수 있으나, 실제로 추천 정보를 추출할 때에는 각 사용자의 상대적인 선호도에 따라 추천 정보가 추출되므로 지장이 없다. 다만, N이 지나치게 클 경우 단위 구매기간이 지나치게 짧아져서 유사도가 0에 가까워질 경우 추천 정보를 추출할 수 없을 수 있으므로, 상품들의 평균 구매횟수가 적을 경우 상대적으로 전체 구매기간을 길게 설정하고 N은 작게 설정할 수 있으며, 평균 구매횟수가 많은 상품의 경우 상대적으로 전체 구매기간을 짧게 설정하고 N은 크게 설정할 수 있다.

협업 필터링 처리장치(300)는 N개의 각 기간에 대한 사용자 간 구매 이력 유사도에 따라 각 사용자별로 구매할 가능성이 높은 아이템을 추천한다. 협업 필터링 처리장치(300)는 각 단위 구매기간별 구매 이력 유사도를 기반으로 추천정보를 추출하며, 여기서, 구매한 상품뿐 아니라 구매 시기까지 고려하여, 동일 상품을 구매했다 할지라도 비슷한 시기에 구매한 사용자들 간에 더 높은 유사도를 갖도록 계산할 수 있다.

이러한 구성에 따라, 본 발명은 구매기간을 X개월로 지정하고 구매 이력을 N개로 세분화하여 구매한 상품뿐 아니라 같은 상품을 구매한 시기까지 반영하여 사용자 간 유사도를 산출함으로써, 추천 정보의 정밀성을 보장할 수 있다.

여기서, 협업 필터링 처리장치(300)가 N개로 분할된 각 기간에 대해 사용자 간 구매 이력 유사도를 산출하여 추천정보를 생성하는 방법은 다음과 같다.

도 2는 본 발명의 일 실시예에 따른 협업 필터링 처리장치(300)의 제어블럭도로서, N개의 구매기간에 대해 각각 사용자 간 유사도를 산출하고, 이를 이용하여 전체 구매기간에 대한 유사도 평균을 산출하는 경우를 예시한 것이다.

본 발명의 일 실시예에 따른 협업 필터링 처리장치(300)는, 기간별 사용자 유사도 산출모듈(310), 사용자 유사도 평균 산출모듈(312), 기간별 가중치 설정모듈(316) 및 협업 필터링모듈(314)을 포함한다.

기간별 사용자 유사도 산출모듈(310)은 N개의 단위 구매기간의 구매 이력에 대해 각각 사용자 간 유사도를 산출한다. 여기서, 구매 이력을 이용한 사용자 간 유사도 산출 방법으로는 자카드(Jaccard) 유사도 산출방법, 코사인(Cosine) 유사도 산출방법 등을 적용할 수 있다.

자카드 유사도 산출방법으로 각 단위 구매기간별 구매 이력을 산출하는 방법은 다음과 같다. 먼저, 단위 구매기간을 p1, p2, ......pN 이라 설정한 경우, 두 사용자 A와 B의 단위 구매기간별 자카드 유사도는 다음의 [수학식 1]과 같다.

여기서, A(p, i)는 사용자A가 기간 pi에 구매한 상품의 세트(set)을 의미한다.

사용자 유사도 평균 산출모듈(312)은 N개의 단위 구매기간의 유사도를 이용하여 전체 구매기간에 대한 유사도 평균을 산출한다.

이에, [수학식 1]에 따라 단위 구매기간별 자카드 유사도가 구해지면 단위 구매기간별 구매 이력 유사도를 반영한 전체 구매기간에 대한 자카드 유사도 Jp(A, B)는 다음의 [수학식 2]를 통해 산출될 수 있다.

한편, 코사인 유사도 산출방법으로 각 단위 구매기간별 구매 이력을 산출하는 방법은 다음과 같다. 먼저, 단위 구매기간을 p1, p2, ......pN 이라 설정한 경우, 두 사용자 A와 B의 단위 구매기간별 코사인 값은 다음의 [수학식 3]과 같다.

여기서,

는 벡터의 내적을 의미한다.

이에, [수학식 3]에 따라 단위 구매기간별 코사인 유사도가 구해지면 단위 구매기간별 구매 이력 유사도를 반영한 전체 구매기간에 대한 코사인 유사도 Cosp(A, B)는 다음의 [수학식 4]를 통해 산출될 수 있다.

여기서, [수학식 2]에 의해 산출된 자카드 유사도와 [수학식 4]에 의해 산출된 코사인 유사도는 각 단위 구매기간에 대해 동일한 가중치가 적용된 것이다.

그러나, 상품이 출시되어 소비되고 다음 상품이 출시되는 라이프사이클이나, 서비스 변경 등에 따라 주로 가장 최근 기간의 구매 이력이 사용자의 선호도를 더 강하게 표출하는 것으로 판단할 수 있다. 이에, 단위 구매기간별 가중치 설정모듈(316)은 현재 시점과 가까운 기간의 구매 이력의 유사성에 더 높은 가중치를 부여하여 유사도를 산출할 수 있다.

기간별 가중치 설정모듈(316)은 기간별 가중치 설정모듈(316)은 전체 구매기간 대비 단위 구매기간의 비율을 고려하여 가중치의 전체 합이 1이 되도록 설정하여 전체기간에 대한 유사도를 산출한다.

가중치를 설정하여 자카드 유사도를 산출하는 경우, 적용되는 수학식은 아래 [수학식 5]와 같다.

그리고, 가중치를 설정하여 코사인 유사도를 산출하는 경우, 적용되는 수학식은 아래 [수학식 6]과 같다.

협업 필터링모듈(314)은 기간별 사용자 유사도 산출모듈(310)에서 산출된 전체 구매기간에 대한 자카드 유사도에 따라 상품별 선호도를 산출하여 추천 정보를 추출한다.

도 3은 본 발명의 다른 실시예에 따른 협업 필터링 처리장치(300)의 제어블럭도로서, N개의 구매기간에 대해 각각 유사도 산출 후 협업 필터링을 수행하여 해당 기간에서의 선호도를 산출하고, 이를 이용하여 전체 구매기간에 대한 선호도 평균을 산출하는 경우를 예시한 것이다.

본 발명의 일 실시예에 따른 협업 필터링 처리장치(300)는, 기간별 사용자 유사도 산출모듈(310), 기간별 협업 필터링모듈(320), 기간별 가중치 설정모듈(316), 협업 필터링 평균 산출모듈(322)을 포함한다.

기간별 사용자 유사도 산출모듈(310)은 N개의 단위 구매기간의 구매 이력에 대해 각각 사용자 간 유사도를 산출한다. 여기서, 구매 이력을 이용한 사용자 간 유사도 산출 방법으로는 자카드(Jaccard) 유사도를 산출하거나, 코사인(Cosine) 유사도를 산출할 수 있다. 자카드 유사도 산출방식은 사용자A와 사용자B가 특정 상품을 구매하거나(1) 구매하지 않은(0) 경우, 사용자A와 사용자B가 동시에 구매한 상품의 개수를 사용자 A, B가 구매한 모든 상품의 개수로 나눈 값이다. 즉, 사용자A와 사용자B가 구매한 상품의 교집합 개수를 합집합 개수로 나눈 값이 사용자A와 사용자B 간의 유사도를 J(사용자A, 사용자B)로 산출된다.

기간별 협업 필터링모듈(320)은 N개의 단위 구매기간에 대해 각각 산출된 유사도를 이용하여 협업 필터링을 수행한다. N개의 단위 구매기간에 대해서 한 사용자와 다른 K명의 사용자의 구매 이력을 이용해서 독립적으로 협업 필터링을 수행하는 경우, 한 사용자에 대해서 각기 다른 기간에 동일한 상품에 대한 선호도 점수가 산출된다. 즉, N이 5라면, 사용자 A에 대해 첫 번째 기간에 사용자A나, 같은 기간에 사용자 A와 유사도가 0이 아닌 사용자가 상품 a를 구매하였다면 A의 선호도 매트릭스(potential matrix)에는 상품 a에 대해 0이 아닌 점수가 산출된다. 마찬가지로 만일 다른 기간에도 사용자A와 유사도가 0이 아니고 상품 a를 구매한 사용자가 있다면 사용자 A의 선호도 매트릭스에 상품 a에 대한 선호도 점수가 생성된다. 이에, 기간별 협업 필터링모듈(320)은 각 단위 구매기간에서 사용자별로 선호도 매트릭스(potential matrix)를 생성한다.

협업 필터링 평균 산출모듈(322)은 N개의 단위 구매기간에 대해 각각 산출된 유사도의 평균을 산출한다. 협업 필터링 평균 산출모듈(322)은 기간별 협업 필터링모듈(320)에서 생성된 각 단위 구매기간에서 사용자별 선호도 매트릭스(potential matrix)를 모두 합산한 후, N개로 나누어 평균 선호도 매트릭스를 산출할 수 있다.

단위 구매기간의 구매 이력을 Ai라고 하고, 단위 구매기간의 사용자 간 유사도 매트릭스를 Si라고 하면, 단위 구매기간의 선호도 매트릭스는 Si * Ai로 산출된다. 이에, 단위 구매기간의 선호도 매트릭스에 대해 각 매트릭스를 합산한 후, 전체 단위 구매기간의 개수인 N으로 나누면 평균 선호도 매트릭스가 산출된다. 이를 수식으로 나타내면 [수학식 7]과 같다.

기간별 가중치 설정모듈(316)은 전체 구매기간 대비 단위 구매기간의 비율을 고려하여 가중치의 전체 합이 1이 되도록 설정하여 전체기간에 대한 유사도를 산출한다.

가중치를 설정하여 평균 선호도 매트릭스를 산출하는 경우, 적용되는 수식은 [수학식 8]과 같다.

한편, 단위 구매기간별 가중치는 가중치의 모든 합이 1인 조건을 만족할 수 있도록 다음과 같은 형태를 취할 수 있다.

제1 실시예로서 가중치 Wi는 전체 N개의 단위 구매기간에 대한 가중치의 합이 1이 되도록 설정할 수 있으며, 이때 가중치 Wi는

로 표시될 수 있다.

제2 실시예로서 가중치 Wi는 현재시간과 과거 기간과의 차이, 즉, 추천 결과 생성일을 기준으로 특정 기간의 시작일(종료일, 중간일)과의 시간 차이에 따른 지수적 감소(exponential decay)함수를 사용할 수 있다. 이때, 가중치 Wi는

로 표시될 수 있다. 여기서, (t-ti)는 현재일과 특정 단위 구매기간과의 차이를 나타내며, 시간의 단위는 대상 상품의 특성에 따라, 분, 시, 일, 월 등으로 설정될 수 있다.

제3 실시예로서 가중치 Wi는 각 단위 구매기간에 대해 1,2,3......n과 같이 인덱스를 부여하여 각 단위 구매기간별로 가중치를 정의할 수 있다. 이때 가중치 Wi는

로 표시될 수 있다. 여기서, 인덱스의 값이 작을수록 높은 비율의 가중치를 갖도록 기간의 개수 n분의 인덱스 값의 역수를 취할 수 있다.

도 4은 본 발명의 일 실시예에 따른 구매추천 방법의 흐름도로서, 도 2에서 예시한 본 발명의 일 실시예에 따른 협업 필터링 처리장치(300)를 이용하여 추천정보를 생성하는 방법을 예시한 것이다.

추천정보를 생성하기 위해, 기간별 구매 이력 추출장치(200)는 전체 구매기간을 N개의 단위 구매기간으로 분할하고(S110), 각 단위 구매기간의 사용자 구매 이력을 추출한다(S120). 여기서, 전체 구매기간은 상품의 특성에 따라 최근 5개월, 혹은 최근 12개월 등으로 설정될 수 있으며, N개의 단위 구매기간으로 나누는 방법은 분할 개수 및 단위 구매기간의 크기 등을 적용 대상에 따라 다르게 설정될 수 있다. 도 6은 단위 구매기간별 구매 이력 데이터를 예시한 것이다. 도 6에 도시된 단위 구매기간별 구매 이력 데이터는 사용자#1, 사용자#2, 사용자#3의 구매 이력 데이터이며, 단위 구매기간은 5개(기간#1 ~ 기간#5)로 설정되어 있다. 구매 이력 데이터에 따르면, 사용자#1과 사용자#2의 경우 기간#1에 모두 상품#2를 구매하였다. 구매한 상품#3의 경우, 사용자#1은 기간#3에 구매하였고, 사용자#2와 사용자#3은 기간#4에 구매하였다는 것을 알 수 있다.

단위 구매기간의 사용자 구매 이력이 추출되면, 기간별 사용자 유사도 산출모듈(310)은 N개의 단위 구매기간의 구매 이력에 대해 각각 사용자 간 유사도를 산출한다(S130). 도 6의 구매 이력을 [수학식 1]과 [수학식 2]를 적용하여 자카드 유사도 산출방법에 따라 처리하면, 사용자 간 유사도(W_p)는 도 7과 같이 산출된다.

이 후, 산출된 사용자 간 유사도를 이용하여 협업 필터링을 수행함으로써, 상품의 선호도 매트릭스가 생성된다(S150). 선호도 매트릭스는 도 7에 도시된 사용자 간 유사도(W_p)와 전체 구매기간에 대한 구매 이력 매트릭스를 곱해서 산출할 수 있다.

이 후, 선호도 매트릭스 상에서 선호도가 높게 산출된 순서로 추천정보를 생성하여 제공한다(S160).

도 5는 본 발명의 다른 실시예에 따른 구매추천 방법의 흐름도, 도 3에서 예시한 본 발명의 다른 실시예에 따른 협업 필터링 처리장치(300)를 이용하여 추천정보를 생성하는 방법을 예시한 것이다.

추천정보를 생성하기 위해, 기간별 구매 이력 추출장치(200)는 전체 구매기간을 N개의 단위 구매기간으로 분할하고(S210), 각 단위 구매기간의 사용자 구매 이력을 추출한다(S220). 특정 단위 구매기간에서의 사용자별 구매 이력(Ai)은 도 8에 도시된 바와 같이 표시될 수 있다.

이 후, 기간별 사용자 유사도 산출모듈(310)은 N개의 단위 구매기간의 구매 이력에 대해 각각 사용자 간 유사도(Si)를 산출한다(S230). 여기서, 구매 이력을 이용한 사용자 간 유사도 산출 방법으로는 자카드(Jaccard) 유사도를 산출하거나, 코사인(Cosine) 유사도를 산출할 수 있다. 이에, 도 8의 구매 이력(Ai)에 대해 자카드 방식으로 산출된 유사도(Si)는 도 9에 도시된 바와 같이 산출될 수 있다. 자카드 유사도 산출방식으로 산출된 유사도(Si)는 사용자A와 사용자B가 i 단위 구매기간 동안 동시에 구매한 상품의 개수를 사용자 A, B가 구매한 모든 상품의 개수로 나눈 값이다.

단위 구매기간의 유사도가 산출되면 각 기간별 상품의 선호도(Pi)를 산출한다(S240). 단위 구매기간의 상품의 선호도(Pi)는 단위 구매기간(i)에서의 구매 이력(Ai)과 유사도(Si)를 곱하는 방식으로 산출될 수 있다. 이에, 도 8의 구매 이력(Ai)과 도 9의 유사도(Si)를 곱하는 방법으로 도 10에 도시된 바와 같이 선호도 매트릭스(W*A)가 산출될 수 있다.

이 후, 각 단위 구매기간의 선호도의 평균을 산출한다(S250). 협업 필터링 평균 산출모듈(322)은 [수학식 7]에 따라, 각 단위 구매기간의 매트릭스에 대해 각 매트릭스를 합산한 후, 전체 단위 구매기간의 개수인 N으로 나누는 방법으로 평균 선호도 매트릭스를 산출할 수 있다.

평균 선호도 매트릭스가 산출되면 선호도 값이 높은 상품의 순으로 추천정보를 생성한다(S260).

한편, 본 발명의 다른 측면에 따르면, 임의로 설정된 전체 구매기간을 N개의 단위 구매기간으로 분할하여 각 단위 구매기간에서의 사용자와 각 사용자의 구매 상품 및 구매 날짜를 포함하는 구매이력을 추출하는 단계; 상기 각 단위 구매기간에서의 구매이력을 이용하여 단위 구매기간 별 유사도를 산출하는 단계; 상기 단위 구매기간 별 유사도를 합산하여 상기 전체 구매기간에서의 유사도 평균을 산출하는 단계; 및 상기 전체 구매기간에서의 사용자 유사도 평균과 구매이력을 협업 필터링 처리하여 사용자별 상품 선호도가 높은 순서로 추천정보를 생성하는 단계를 포함하는 구매추천 방법이 프로그램으로 기록되고 전자 장치에서 판독 가능한 기록매체에 기록될 수 있다.

이러한 구매추천 방법은 프로그램으로 작성 가능하며, 프로그램을 구성하는 코드들 및 코드 세그먼트들은 당해 분야의 프로그래머에 의하여 용이하게 추론될 수 있다. 또한, 구매추천 방법에 관한 프로그램은 전자장치가 읽을 수 있는 정보저장매체(Readable Media)에 저장되고, 전자장치에 의하여 읽혀지고 실행될 수 있다.

본 발명의 또 다른 측면에 따르면, 임의로 설정된 전체 구매기간을 N개의 단위 구매기간으로 분할하여 각 단위 구매기간에서의 사용자와 각 사용자의 구매 상품 및 구매 날짜를 포함하는 구매이력을 추출하는 단계; 상기 단위 구매기간에서의 유사도와 구매이력을 협업 필터링 처리하여 각각의 단위 구매기간에서의 사용자별 상품 선호도를 산출하는 단계; 상기 각 단위 구매기간에서의 사용자별 상품 선호도를 합산하여 상기 전체 구매기간에서의 선호도 평균을 산출하는 단계; 및 산출된 평균값에 따라 사용자별 상품 선호도가 높은 순서로 추천정보를 생성하는 단계를 포함하는 구매추천 방법이 프로그램으로 기록되고 전자 장치에서 판독 가능한 기록매체에 기록될 수 있다.

이와 같이, 본 발명이 속하는 기술분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다. 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

본 발명은 사용자들의 구매 이력을 세부 기간 단위로 나누어 최근의 구매 이력과 상대적으로 오래된 구매 이력을 각기 다른 비중으로 반영하여 추천 정보를 생성함으로써, 유행에 민감하면서도 과거의 구매 이력도 반영하여 신뢰성 있는 추천 정보를 제공하는 구매추천 시스템 및 방법을 제공하는 데에 이용할 수 있다.

100 : 구매 이력 데이터베이스
200 : 기간별 구매 이력 추출장치
300 : 협업 필터링 처리장치
310 : 기간별 사용자 유사도 산출모듈
312 : 사용자 유사도 평균 산출모듈
314 : 협업 필터링모듈
316 : 기간별 가중치 설정모듈
320 : 기간별 협업 필터링모듈
322 : 협업 필터링 평균 산출모듈

Claims

적어도 둘 이상의 사용자와 각 사용자의 구매 상품 및 구매 날짜를 포함하는 구매 이력이 저장된 구매 이력 데이터베이스;
임의로 설정된 전체 구매기간을 N개의 단위 구매기간으로 분할하여 각 단위 구매기간에서의 구매이력을 추출하는 기간별 구매 이력 추출장치; 및
상기 N개의 단위 구매기간에 대해 사용자들 간 유사도 또는 사용자별 상품 선호도를 각각 산출하여 상기 전체 구매기간에서의 평균값을 산출하고, 산출된 평균값에 따라 사용자별 상품 선호도를 산출하여 선호도가 높은 순서로 추천정보를 생성하는 협업 필터링 처리장치를 포함하는 구매추천 시스템.
제1항에 있어서,
상기 협업 필터링 처리장치는,
상기 N개의 단위 구매기간의 사용자들 간 유사도 또는 사용자별 상품 선호도에 대해 최근 구매기간일수록 상대적으로 높은 가중치를 부여하여 상기 전체 구매기간에서의 평균값을 산출하는 것을 특징으로 하는 구매추천 시스템.
전체 구매기간을 N개의 단위 구매기간으로 분할하여 추출된 각 단위 구매기간의 구매이력을 이용하여 단위 구매기간 별 유사도를 산출하는 기간별 사용자 유사도 산출모듈;
상기 단위 구매기간 별 유사도를 합산하여 상기 전체 구매기간에서의 유사도 평균을 산출하는 사용자 유사도 평균 산출모듈; 및
상기 전체 구매기간에서의 사용자 유사도 평균과 구매이력을 협업 필터링 처리하여 사용자별 상품 선호도가 높은 순서로 추천정보를 생성하는 협업 필터링모듈을 포함하는 협업 필터링 처리장치.
제3항에 있어서,
상기 N개의 단위 구매기간의 사용자들 간 유사도에 대해 최근 구매기간일수록 상대적으로 높은 가중치를 부여하여 가중치가 반영된 단위 구매기간 별 유사도를 생성하는 기간별 가중치 설정모듈을 더 포함하는 것을 특징으로 하는 협업 필터링 처리장치.
제3항에 있어서,
상기 기간별 사용자 유사도 산출모듈은,
[수학식 1]에 따라 자카드 유사도 산출방법으로 각 단위 구매기간별 구매 이력을 산출하는 것을 특징으로 하는 협업 필터링 장치.
[수학식 1]

여기서, p1, p2, ...pN 는 단위 구매기간이고, Jpi(A, B)는 기간 pi에서의 사용자A와 사용자B 간 자카드 유사도, A(p, i)는 사용자A가 기간 pi에 구매한 상품의 세트(set)을 의미한다.
제5항에 있어서,
상기 사용자 유사도 평균 산출모듈은,
[수학식 2]에 따라 상기 단위 구매기간 별 유사도를 합산하여 상기 전체 구매기간에서의 유사도 평균을 산출하는 것을 특징으로 하는 협업 필터링 장치.
[수학식 2]
제3항에 있어서,
상기 기간별 사용자 유사도 산출모듈은,
[수학식 3]에 따라 코사인 유사도 산출방법으로 각 단위 구매기간별 구매 이력을 산출하는 것을 특징으로 하는 협업 필터링 장치.
[수학식 3]

여기서, p1, p2, ...pN 는 단위 구매기간이고, Cospi(A(Pi), B(pi))는 기간 pi에서의 사용자A와 사용자B 간 코사인 유사도,
는 벡터의 내적을 의미한다.
제7항에 있어서,
상기 사용자 유사도 평균 산출모듈은,
[수학식 4]에 따라 상기 단위 구매기간 별 유사도를 합산하여 상기 전체 구매기간에서의 유사도 평균을 산출하는 것을 특징으로 하는 협업 필터링 장치.
[수학식 4]
전체 구매기간을 N개의 단위 구매기간으로 분할하여 추출된 각 단위 구매기간의 구매이력을 이용하여 단위 구매기간 별 유사도를 산출하는 기간별 사용자 유사도 산출모듈;
상기 단위 구매기간에서의 유사도와 구매이력을 협업 필터링 처리하여 각각의 단위 구매기간에서의 사용자별 상품 선호도를 산출하는 기간별 협업 필터링 모듈;
상기 각 단위 구매기간에서의 사용자별 상품 선호도를 합산하여 상기 전체 구매기간에서의 선호도 평균을 산출하고, 산출된 평균값에 따라 사용자별 상품 선호도가 높은 순서로 추천정보를 생성하는 협업 필터링 평균 산출모듈을 포함하는 협업 필터링 처리장치.
제9항에 있어서,
상기 N개의 단위 구매기간의 사용자별 상품 선호도에 대해 최근 구매기간일수록 상대적으로 높은 가중치를 부여하여 가중치가 반영된 단위 구매기간 별 사용자별 상품 선호도를 생성하는 기간별 가중치 설정모듈을 더 포함하는 것을 특징으로 하는 협업 필터링 처리장치.
제9항에 있어서,
상기 협업 필터링 평균 산출모듈은,
[수학식 7]에 따라 상기 각 단위 구매기간에서의 사용자별 상품 선호도를 합산하여 상기 전체 구매기간에서의 선호도 평균을 산출하는 것을 특징으로 하는 협업 필터링 장치.
[수학식 7]

여기서, p1, p2, ...pN 는 단위 구매기간이고, Pot_i는 기간i에서의 상품 선호도, Ai는 단위 구매기간의 구매 이력, Si는 단위 구매기간의 사용자 간 유사도 매트릭스를 의미한다.
(a) 임의로 설정된 전체 구매기간을 N개의 단위 구매기간으로 분할하여 각 단위 구매기간에서의 사용자와 각 사용자의 구매 상품 및 구매 날짜를 포함하는 구매이력을 추출하는 단계;
(b) 상기 각 단위 구매기간에서의 구매이력을 이용하여 단위 구매기간 별 유사도를 산출하는 단계;
(c) 상기 단위 구매기간 별 유사도를 합산하여 상기 전체 구매기간에서의 유사도 평균을 산출하는 단계; 및
(d) 상기 전체 구매기간에서의 사용자 유사도 평균과 구매이력을 협업 필터링 처리하여 사용자별 상품 선호도가 높은 순서로 추천정보를 생성하는 단계를 포함하는 구매추천 방법.
제12항에 있어서,
상기 (b) 단계는,
상기 각 단위 구매기간에서의 구매이력을 자카드 유사도 산출방법 또는 코사인 유사도 산출방법으로 처리하여 상기 단위 구매기간 별 유사도를 산출하는 단계를 포함하는 것을 특징으로 하는 구매추천 방법.
제12항에 있어서,
상기 (b) 단계와 (c) 단계 사이에,
상기 N개의 단위 구매기간의 단위 구매기간 별 유사도에 대해 최근 구매기간일수록 상대적으로 높은 가중치를 부여하는 단계를 더 포함하는 것을 특징으로 하는 구매추천 방법.
임의로 설정된 전체 구매기간을 N개의 단위 구매기간으로 분할하여 각 단위 구매기간에서의 사용자와 각 사용자의 구매 상품 및 구매 날짜를 포함하는 구매이력을 추출하는 단계; 상기 각 단위 구매기간에서의 구매이력을 이용하여 단위 구매기간 별 유사도를 산출하는 단계; 상기 단위 구매기간 별 유사도를 합산하여 상기 전체 구매기간에서의 유사도 평균을 산출하는 단계; 및 상기 전체 구매기간에서의 사용자 유사도 평균과 구매이력을 협업 필터링 처리하여 사용자별 상품 선호도가 높은 순서로 추천정보를 생성하는 단계를 포함하는 구매추천 방법이 프로그램으로 기록되고 전자 장치에서 판독 가능한 기록매체.
(a) 임의로 설정된 전체 구매기간을 N개의 단위 구매기간으로 분할하여 각 단위 구매기간에서의 사용자와 각 사용자의 구매 상품 및 구매 날짜를 포함하는 구매이력을 추출하는 단계;
(b) 상기 단위 구매기간에서의 유사도와 구매이력을 협업 필터링 처리하여 각각의 단위 구매기간에서의 사용자별 상품 선호도를 산출하는 단계;
(c) 상기 각 단위 구매기간에서의 사용자별 상품 선호도를 합산하여 상기 전체 구매기간에서의 선호도 평균을 산출하는 단계; 및
(d) 산출된 평균값에 따라 사용자별 상품 선호도가 높은 순서로 추천정보를 생성하는 단계를 포함하는 구매추천 방법.
제16항에 있어서,
상기 (b) 단계와 (c) 단계 사이에,
상기 N개의 단위 구매기간의 사용자별 상품 선호도에 대해 최근 구매기간일수록 상대적으로 높은 가중치를 부여하는 단계를 더 포함하는 것을 특징으로 하는 구매추천 방법.
임의로 설정된 전체 구매기간을 N개의 단위 구매기간으로 분할하여 각 단위 구매기간에서의 사용자와 각 사용자의 구매 상품 및 구매 날짜를 포함하는 구매이력을 추출하는 단계; 상기 단위 구매기간에서의 유사도와 구매이력을 협업 필터링 처리하여 각각의 단위 구매기간에서의 사용자별 상품 선호도를 산출하는 단계; 상기 각 단위 구매기간에서의 사용자별 상품 선호도를 합산하여 상기 전체 구매기간에서의 선호도 평균을 산출하는 단계; 및 산출된 평균값에 따라 사용자별 상품 선호도가 높은 순서로 추천정보를 생성하는 단계를 포함하는 구매추천 방법이 프로그램으로 기록되고 전자 장치에서 판독 가능한 기록매체.