모바일 환경 하에서의 개인화된 상황인식 추천시스템 개발

국문 초록 (Abstract)

본 연구는 상황인식(context-aware) 기술을 추천시스템과 결합하여 이동통신 사용자들을 위한 새로운 추천 모형을 제시한다. 본 연구의 제안모형은 전통적으로 많이 활용되어 온 협동필터링(CF, collaborative filtering) 방식에 근간한다. 하지만, 모바일 환경에 효과적으로 적용되기 위해, 사용자가 처해 있는 다양한 상황 변수들을 동시에 고려할 수 있도록 변형된 상황 인식 협동필터링 기법을 적용한다. 이를 위해 전통적인 협동필터링에서 활용되던 단일 차원의 사용자-상품 행렬(user-item matrix)을 다차원으로 확장시켜, 복수의 사용자-상품 행렬들을 동시에 활용하는 새로운 형태의 추천시스템을 설계하였다. 구체적으로 본 연구의 제안모형은 Schilke et al. (2004)이 제안한 ‘다차원 개인화 모형(multi-dimensional personalization model)’의 3가지 차원을 동시에 고려할 수 있도록 설계된다. Schilke et al. (2004)의 3가지 차원은 장소(location), 시간(time), 그리고 관심사(interest)로 구성된다. 이 중 시간, 장소는 휴대용 이동통신장비 및 기지국을 통해 쉽게 파악할 수 있는데, 관심사의 경우 정량화하여 파악하는 것이 상당히 어렵다. 이에 본 연구에서는 마케팅 분야에서 확립된 인간의 2가지 욕구유형을 이론적인 근간으로 하여, 관심사의 유형을 추정하는 방법을 제안하였다 (Babin, et al., 2000; Chandon et al., 2000; Hirschman & Holbrook, 1982). 또한 이러한 차원들로 구성된 상황간 유사도를 추천 알고리즘에 반영하는데 있어, 최적의 유사도를 도출하기 위한 방법으로 유전자 알고리즘의 적용을 제안하였다.

지금까지 수행된 대부분의 모바일 상황인식 추천시스템과 관련한 기존 연구들은 제안 시스템이나 모형의 유용성을 실증적으로 검증하지 못하였는데, 본 연구는 제안모형을 상점들을 대상으로 한 ‘위치 기반 광고(location based advertisement)' 분야의 실제 사례에 직접 적용하여 우수성을 검증하였다. 이를 위해 실제 휴대폰 사용자들로부터 관련 데이터를 수집할 수 있는 웹 기반 데이터 수집 시스템을 개발하여, 제안모형과 비교모형을 적용하기 위한 기초자료를 수집하였다. 그 결과, MAE(Mean Absolute Error)로 측정된 예측정확도 관점에서 제안모형이 비교모형들에 비해 가장 우수한 성과를 보였으며, 그 성과의 차이 역시 통계적으로 유의함도 함께 확인할 수 있었다.

다국어 초록 (Multilingual Abstract)

Recommender systems are the efficient and most used tools that prevail over the information overload problem, provide users with the most appropriate content by considering their personal preferences (mostly, ratings). In addition to these preferences, taking into account the interaction context of users will improve the relevancy of the recommendation process. However, only a few prior studies have tried to adopt context-awareness to the recommendation model. Although a number of studies have developed recommendation models using collaborative filtering (CF), few of them have tried to adopt both CF and other artificial intelligence techniques, such as genetic algorithm (GA), as a tool to improve recommendation results.

In this paper, we propose a new recommendation model, which we termed CARS (Context-Aware Recommender System), for location-based advertising (LBA) based on both user’s preferences and interaction’s context. We need to operationalize ‘context’ of mobile users to combine context-awareness and CF. Thus, we adopt the three-dimensional personalization model proposed by Schilke et al. (2004). Three dimensions for user’s context include location, visiting time, and user’s interest according to Schilke et al. (2004). Information about location and time are easily operationalized, as they have a common basis, such as area or region, time in hour and minutes. However, it is difficult to distinguish interests from each other. User’s interests vary, and there is no clear definition or classification of the interests. This makes it hard to absorb the information of user’s interests into recommendation results. It is also hard to make inquiries about the information. Thus, we adopt the concepts of user’s needs type hedonic, utilitarian, or both from marketing literature (Babin, et al., 2000; Chandon et al., 2000; Hirschman & Holbrook, 1982) to operationalize the types of interests.

It is also difficult to derive the similarity between two contexts, because it is never easy to evaluate the influence of each of the dimensions constituting the context. The effect of each dimension on the recommendation results is very complex and hidden. Consequently, it is very difficult to calculate the similarity between two contexts from the multidimensional perspective. We adopt GA to assign the optimal value for the similarities between the contexts to resolve this issue. We used GA as a tool to determine the optimal similarities between contexts that consist of multiple dimensions (day, time, and needs type).

We first defined discrete contexts using this framework, and then applied the concept of "context similarity" to conventional CF to create the context-aware recommendation model. The context similarity between two contexts is designed to be optimized using GA. We collect real-world data from mobile users using a Web-based data collection system, build a LBA recommendation model using CARS, and then perform an empirical test to validate the usefulness of CARS. Experiments showed that our proposed model provides the most accurate prediction results (i.e. the lowest MAE - mean absolute error) compared to comparative ones. They also showed that CARS outperformed the comparative models with statistical significance.