개인별 생활 루틴을 반영한 초개인화 추천 시스템 = Hyper-Personalized Recommender System Reflecting Individual Life Routines

국문 초록 (Abstract)

초개인화 추천 시스템은 과거 구매기록과 평점 등을 활용하여 추천하는 서비스인 ‘개인화’를 넘어서 소비자가 처한 상황과 맥락까지도 반영하는 시스템이다. 각자의 취향을 존중하는 취향의 시대로 접어들고 코로나19의 여파로 집에 있는 시간이 늘어 소비의 중심이 오프라인에서 온라인으로 전환되고 있기 때문에 다양한 연령대의 고객층을 만족시켜 소비를 유도하기 위한 초개인화 추천 시스템은 더욱더 중요한 역할을 할 것이다. OTT 서비스는 포스트 코로나 시대가 지속되면서 성장한 대표적인 산업 중 하나이고, 어느 디바이스에서도 접속 가능한 쉬운 접근성으로 이용자 수가 늘어나 비대면 문화를 이끌어가고 있다. 본 연구의 목적은 유료 OTT 서비스를 추천받고 싶어하는 소비자들에게 초개인화 추천 시스템을 사용하여 소비자들의 성향에 맞는 최적의 OTT 서비스를 추천해주는 것이다. 이를 위해, 한국미디어패널조사 데이터의 개인의 특성을 알 수 있는 개인 데이터와 초개인화 추천을 위한 개인의 생활 루틴을 알 수 있는 다이어리 데이터를 사용하여 데이터를 구축하였다. 본 연구는 개인의 성향과 특성을 잘 파악하기 위해 BSR 방법을 이용하여 유의한 변수를 선택하였고, 선택된 유의한 변수만을 사용하여 와이드 앤 딥러닝 추천 알고리즘에 적용한 추천 시스템을 제안한다. 전체 변수를 적용한 결과와 정확도를 비교해 본 결과, BSR 방법을 사용한 추천 알고리즘의 결과가 더 좋은 것으로 확인되었다.

다국어 초록 (Multilingual Abstract)

Hyper-personalization recommender system (HPRS) is a system providing a service that reflects the situation and context of consumers, in addition to past purchase records and ratings. As the center of consumption is shifting from offline to online due to COVID-19, HPRS to satisfy customers of various ages is playing an important role. The OTT service is one of the representative industries that have grown as the post-COVID-19 era continues and lead to a non-face-to-face culture. The purpose of this study is to recommend optimal OTT services tailored to consumers preferences by using a HPRS to consumers who want to be recommended for paid OTT services. To this end, we use Korean media panel survey data constructed using personal data with the characteristics of individuals and diary data with individual life routines. This study selects significant variables using the BSR method to grasp individual characteristics, and proposes a recommender system applied to a wide & deep learning algorithmin using selected significant variables. The numerical results indicate that the proposed method produces much more accurate prediction than the method including all variables.

목차 (Table of Contents)

• 1. 서론 2. 초개인화 미디어 패널 데이터 3. 베이지안 부분집합 회귀 4. 와이드 앤 딥러닝 알고리즘 5. 미디어 패널 분석 6. 결론

참고문헌 (Reference)

1 이용구, "화장품 추천 사례에서 요인, 군집분석을 이용한 협업 필터링 추천 모델과 연관성 규칙 기법의 성능 비교 연구" 한국자료분석학회 14 (14): 689-705, 2012

2 박경수, "음악추천시스템의 다차원 최적화 모형" 한국정보처리학회 19 (19): 155-164, 2012

3 엄금철, "댓글 특성 기반 고객 프로파일 구축을 통한 개인화 추천 서비스에 관한 연구" 한국디지털콘텐츠학회 21 (21): 1575-1584, 2020

4 구지현, "고객과 이웃고객이 공통으로 평가한 응답이 예측오차에 미치는 영향" 한국자료분석학회 21 (21): 745-755, 2019

5 강현철, "개인화를 위한 추천시스템 알고리즘에 관한 연구" 한국자료분석학회 6 (6): 1043-1049, 2004

6 Cheng, H., "Wide & deep learning for recommender systems" 7-10, 2016

7 Liang, F., "Stochastic approximation in Monte Carlo computation" 102 (102): 305-320, 2007

8 김민정, "SAMC 알고리즘을 이용한 미디어 패널 개인화 추천 알고리즘" 한국자료분석학회 22 (22): 1835-1847, 2020

9 Tibshirani, R., "Regression shrinkage and selection via the LASSO" 58 : 267-288, 1996

10 신호철, "OTT 사업자의 성공요인 분석:영상 중심 미디어 기업과 IP중심의 미디어 기업 사례를 중심으로" 한국서비스경영학회 21 (21): 301-322, 2020

11 Jiahua Chen, "Extended BIC for small-n-large-P sparse GLM" Statistica Sinica (Institute of Statistical Science) 22 (22): 555-574, 2012

12 Liang, F., "Bayesian subset modeling for high-dimensional generalized linear models" 108 (108): 589-606, 2013