<31372D322D303920BEC8BCBAB8B820B1E8C0CEC8AF20C3D6BAB4B1B820C1B6C0B1C8A320B1E8C0BAC7FC20B1E8B8EDB1D52E687770>

Size: px

Start display at page:

Download "<31372D322D303920BEC8BCBAB8B820B1E8C0CEC8AF20C3D6BAB4B1B820C1B6C0B1C8A320B1E8C0BAC7FC20B1E8B8EDB1D52E687770>"

동하 서문
5 years ago
Views:

1 소셜네트워크분석을통한협업필터링추천성과의이해 Understanding the Performance of Collaborative Filtering Recommendation through Social Network Analysis 안성만 (Sung-Mahn Ahn) *, 김인환 (In Hwan Kim) **, 최병구 (Byounggu Choi) ***, 조윤호 (Yoonho Cho) ****, 김은홍 (Eunhong Kim) *****, 김명균 (Myeong-Kyun Kim) ****** 초 록 협업필터링 (collaborative filtering) 추천은효과적인추천을위해가장널리활용되는기법가운데하나로다양한분야에서널리활용되고있다. 협업필터링추천과관련하여주요이슈가운데하나는왜적용도메인에따라추천성과간에차이가다르게나타나는가이다. 이러한추천성과간의차이가발생하는원인에대해많은연구들은데이터의특성에만주목할뿐체계적인설명을제시하지못하고있는것도사실이다. 이러한기존연구의문제점을해결하기위해본연구는소셜네트워크의구조적측정지표를활용하여추천성과간의차이가발생하는원인을보다체계적으로규명하고자한다. 이를위해소셜네트워크의구조적측정지표와협업필터링추천성과간의관계에대한가설을수립하고국내 H 백화점의거래데이터를활용하여이를실증적으로검증하였다. 검증결과밀도와포괄성은추천성과에긍정적인영향을미치는반면군집화계수는부정적인영향을미치는것을파악하였다. 본연구는협업필터링추천성과를이해할수있는새로운관점을제시하였다. 또한기업이협업필터링추천시스템을도입하고자할때그들의의사결정에도움을줄수있는가이드라인을제시하였다는점에서그의의가있다. ABSTRACT Collaborative filtering (CF), one of the most successful recommendation techniques, has been used in a number of different applications such as recommending web pages, movies, music, articles and products. One of the critical issues in CF is why recommendation performances are different depending on application domains. However, prior literatures have focused on only data characteristics to explain the origin of the difference. Scant attentions have been paid to provide systematic explanation on the issue. To fill this research gap, this study attempts to systematically explain why recommendation performances are 1) ㅣㅛ 본연구는 2012 년도국민대학교교내연구비지원으로수행됨. * 국민대학교경영대학경영학부부교수 ** GS SHOP IT 연구개발팀 *** 교신저자, 국민대학교경영대학경영정보학부부교수 **** 국민대학교경영대학경영정보학부부교수 ***** 국민대학교경영대학경영정보학부교수 ****** 국민대학교경영대학경영학부교수 2012 년 05 월 03 일접수, 2012 년 05 월 16 일심사완료후 2012 년 05 월 21 일게재확정.

2 130 한국전자거래학회지제 17 권제 2 호 different using structural indexes of social network. For this purpose, we developed hypotheses regarding the relationships between structural indexes of social network and recommendation performance of collaboration filtering, and empirically tested them. Results of this study showed that density and inconclusiveness positively affected recommendation performance while clustering coefficient negatively affected it. This study can be used as stepping stone for understanding collaborative filtering recommendation performance. Furthermore, it might be helpful for managers to decide whether they adopt recommendation systems. 키워드 : 협업필터링, 추천성과, 소셜네트워크분석, 밀도, 포괄성, 집중도, 군집화계수 Collaborative Filtering, Recommendation Performance, Social Network Analysis, Density, Inclusiveness, Clustering Coefficient 1. 서론협업필터링은고객의구매정보를바탕으로고객간구매유사성을분석함으로써유사한고객들을파악하고이들의구매정보를활용함으로써추천대상고객에게적합하다고판단되는상품을추천하는기법을말한다. Amazone.com 과 CDNnow.com을비롯한수많은기업들이협업필터링기법을활용하여고객에게상품을추천하고있다 [3, 23]. 그러나협업필터링기법을기반으로한추천은기업의종류나데이터특성에따라추천성과에있어많은차이가존재한다 [21, 27]. 이와같이동일한협업필터링방식을활용하더라도추천성과간의차이가발생하는원인으로는데이터희박성 (data sparsity), 독특한취향의고객 (gray sheep), 신규고객추천의문제, 신상품추천문제등이지적되고있다 [8, 27]. 그러나이러한원인들은선호도와관련된정보가불충분하기때문에고객간구매선호도의유사성관계를명확하게추정할수없고이로인해추천성과간차이가존재한다는일차원적인설명은할수있을지모 르나실제여러요인에근거하여발생할수있는추천성과간차이를명확하게규명할수없다는점이한계로지적되고있다. 이러한한계를극복하기위해본연구에서는소셜네트워크분석 (social network analysis) 기법을활용하고자한다. 소셜네트워크분석은의사소통집단내개체의상호작용에관심을두고, 개체간연결상태및연결구조의특성을계량적으로파악하여시각적으로표현하는분석기법이다 [6]. 이기법은소셜네트워크내의정보흐름과구조적인특성을파악하고이들이갖는의미를해석할수있는장점이있기때문에다양한분야에걸쳐네트워크의구조와관계를분석하는데활용되어왔다 [22]. 협업필터링기법에서는고객간상품선호도를분석한후유사고객을연결하여상품을추천하는데이관계는일종의소셜네트워크라할수있다 [5, 7, 26]. 따라서협업필터링기법을통해구성되는유사고객간소셜네트워크의구조적특성이협업필터링의추천성과와어떠한관계를갖는지파악함으로써협업필터링기반추천성과간의차이가발생하는원인을보다정밀하게

3 소셜네트워크분석을통한협업필터링추천성과의이해 131 설명할수있을것이다. 본연구의목적을달성하기위해국내유명 H 백화점의거래데이터를기반으로소셜네트워크를구성하고소셜네트워크의구조적측정지표가추천성과에미치는영향을실증적으로분석하고자한다. 보다구체적으로기존연구를기반으로소셜네트워크측정지표에따른협업필터링추천성과에대한가설을설정한후회귀분석을실행하여가설을검증함으로써추천성능을보다정밀하게예측할수있는회귀모형을도출하고자한다. 이를통해 i) 소셜네트워크관점에서협업필터링추천성과간의차이가발생하는원인에대한보다명확한이유를규명하고 ii) 경영자로하여금협업필터링활용의효과성을추천시스템도입이전에예측가능하도록함으로써추천시스템도입과관련된의사결정에도움을줄수있을것이다. 본논문은다음과같이구성되어있다. 다음장에서는소셜네트워크분석과협업필터링추천관련기존연구를요약한다. 제 3장에서는추천성과와소셜네트워크측정지표간의관련성을파악하고이를기반으로가설을제안한다. 제 4장에서는제시된연구가설을검증하기위한연구방법을설명하고제 5장에서는분석결과와의미를요약한다. 마지막으로결론과향후연구과제를제안한다. 2. 문헌연구 2.1 소셜네트워크분석소셜네트워크는 Barnes[9] 에의해처음사 용된용어로, 개인적인인간관계가확산되어형성된사람들사이의관계형태나유형혹은구조를말한다 [6]. 소셜네트워크는노드 (actors) 와관계 (ties) 로구성되는데, 노드는소셜네트워크에참여하는각각의참여자들을의미하고관계는참여자들사이에가지는사회적인연결관계를의미한다. 소셜네트워크는팀이나조직, 산업등과같은다양한사회적구조의행동을설명하고이해하는데사용되어왔다 [22]. 소셜네트워크는유형에따라에고-네트워크 (ego-centric network), 양자네트워크 (dyadic network), 전체네트워크 (total network) 로나눌수있다 [6, 20, 32]. 에고-네트워크는소셜네트워크의한구성원을중심으로그구성원과다른구성원간의연결로구성된소셜네트워크를말한다. 양자네트워크는소셜네트워크내의두구성원을중심으로형성되는연결로구성되는소셜네트워크를말한다. 예를들면두친구사이의관계나한중소기업과주거래대기업의거래관계를들수있다. 전체네트워크는 N명의전체행위자들로구성된보편적인소셜네트워크를말한다 (< 그림 1> 참조 ). 또한, 소셜네트워크는관계의방향성의유무에따라방향성 (directed) 네트워크와비방향성 (undirected) 네트워크로표현된다. 방향성네트워크는시작점과끝점이존재하는방향을가진관계를포함하는네트워크이다. 국가간수입, 수출관계를나타내는네트워크로설명할수있다 [31]. 비방향성네트워크는두구성원사이의관계가상호동일한네트워크이다. 구매패턴의유사성을기반으로형성된고객간네트워크가그예가될수있다.

4 132 한국전자거래학회지제 17 권제 2 호 < 그림 1> 소셜네트워크의유형소셜네트워크의구조는응집성 (cohesion), 구조적등위성, 중심성등다양한개념을통해파악되어왔다. 예를들면, 소셜네트워크의구조가운데유사한지위를점하고있는행위자들그룹화하고그그룹간의관계를기준으로소셜네트워크의구조를파악하기위해구조적등위성개념이개발되었으며소셜네트워크구조가중심에위치하는참여자에게얼마나집중되어있는가를파악하기위해소셜네트워크중심성개념이개발되었다. 이러한각개념은다양한측정지표를통해측정할수있다. 예를들면, 포괄성은 (inclusiveness), 연결정도 (degree), 밀도 (density), 군집화계수 (clustering coefficient) 와같은지표로측정할수있으며 [2, 6, 31], 중심성은연결정도, 근접 (closeness), 매개 (betweeness) 중심성과같은지표로측정할수있다 [6, 16]. 2.2 협업필터링추천협업필터링추천은가장효과적인추천방법으로널리알려져있고다양한분야에서활용되어왔다 [1, 3, 23]. 협업필터링추천은추천의대상이되는고객과구매패턴이유사한고객의구매정보를취합하여추천의대 상이되는고객이구매할가능성이높을것으로예측되는상품을추천해주는방법이다. 협업필터링과관련된기존연구는 < 표 1> 과같이크게메모리기반, 모델기반, 하이브리드연구로분류할수있다 [8]. 메모리기반협업필터링은사용자혹은아이템간유사도를측정하고이를기반으로추천하는방식으로피어슨상관계수 (pearson correlation coefficient) 나코사인벡터 (cosine vector) 가널리활용되고있다 [10, 15, 25, 29]. 모델기반협업필터링은선형대수, 뉴럴네트워크 (neural network) 클러스터링등을기반으로사전에모델을수립하여추천하는방식으로클러스터링협업필터링 [10, 11], 잠재시멘틱 (latent semantic) 협업필터링 [19, 24], 확률관계모형협업필터링 [17] 등이있다. 하이브리드협업필터링은기존협업필터링방식에추가정보를제공할수있는다른추천기법을결합함으로써보다향상된추천결과를얻고자하는방식으로내용기반필터링과협업필터링의결합또는소셜네트워크정보와협업필터링의결합방식등이있다 [3, 12, 30]. 특히, 최근들어추천성능을향상시키기위해소셜네트워크의정보와협업필터링을결합하는연구가활발하게진행되고있다 [7]. 예를들면, Liu and Lee[23] 는협업필터링에서이웃의형성을소셜네트워크에서직접연결된친구로만제한함으로써추천성능이향상됨을주장하였다. 그러나이러한기존협업필터링관련연구들은협업필터링의문제점을개선하거나추천의성능을향상시키는방향에초점을맞춰진행되어왔을뿐추천성과간의차이가발생하는원인에대한연구는전혀없었다 [4, 7].

소셜네트워크분석을통한협업필터링추천성과의이해 133 < 표 1> 협업필터링관련기존연구 범주기법연구 메모리기반 모델기반 하이브리드 아이템기반협업필터링고객기반협업필터링 클러스터링협업필터링잠재시멘틱협업필터링확률관계모형협업필터링 [10, 15, 25, 29] [10, 11, 17, 19, 24, 27] 내용기반협업필터링 [3, 12, 30] 소셜네트워크 +

5 소셜네트워크분석을통한협업필터링추천성과의이해 133 < 표 1> 협업필터링관련기존연구 범주기법연구 메모리기반 모델기반 하이브리드 아이템기반협업필터링고객기반협업필터링 클러스터링협업필터링잠재시멘틱협업필터링확률관계모형협업필터링 [10, 15, 25, 29] [10, 11, 17, 19, 24, 27] 내용기반협업필터링 [3, 12, 30] 소셜네트워크 + 협업필터링 [5, 7, 23] 2.3 협업필터링과소셜네트워크 협업필터링에서가장일반적인알고리즘은근접이웃알고리즘이라할수있다 [8, 27]. 이는피어슨상관계수를통해근접이웃을찾고해당이웃에대한정보를바탕으로추천을하는알고리즘이다 [8, 18]. 근접이웃알고리즘은고객간구매연관성을분석하고이를유사도로묶어상품추천관계를형성하게되며이를네트워크로표현하게되면일종의소셜네트워크라할수있다 [5, 26]. < 그림 2> 는근접이웃알고리즘을통한소셜네트워크형 성과정의한예이다. 좀더구체적으로표현하면비방향성이진 ( 연결형성 :1, 연결비형성 : 0) 관계인소셜네트워크의예라할수있다. 3. 가설개발협업필터링추천성과의차이를발생시키는원인가운데주요원인으로는데이터희박성, 독특한취향의고객 (gray sheep), 신규고객추천의문제, 추천범위 (coverage), 우연성추천등이지적되고있다 (< 표 2> 참조 ). 본연구에서는협업필터링을기반으로형성된소셜네트워크를활용하기때문에협업필터링추천성과의차이를발생시키는요인과소셜네트워크의측정지표간의관계를바탕으로가설을수립하고자한다. 3.1 데이터희박성과밀도희박성은상품과고객의수는많은데비해고객이구매한데이터자체가너무희박하여고객간상품추천관계를형성하는데문제가있어추천성능이저하될수있다는것을의미한다 [3, 6]. 상품이많아질수록상품에대한고객의평가정보나구매정보를통하여수집되는선호도데이터가존재하지않는상품의수가상대적으로많아진다. 따라서고객-상품간의행렬은희박행렬 (sparse matrix) 이된다. 1) 이로인해유사한이웃집단을탐색 < 그림 2> 협업필터링에서의소셜네트워크형성 1) 협업필터링추천에서과거 n 명의고객이구매한 m 개의상품을나타내는거래를 m n 고객 - 상품행렬로표현한다. 고객간구매유사도는고객 - 상품간행렬을기반으로피어슨상관계수나코사인벡터를통해측정된다.

6 134 한국전자거래학회지제 17 권제 2 호 < 표 2> 협업필터링에서추천성과의영향요인 영향요인 데이터희박성 (sparsity) 독특한취향의고객 (gray sheep) 신규고객추천 추천범위 (coverage) 우연성 (serendipity) 추천 의미 상품수에비해고객선호도데이터가부족하여고객간유사도신뢰성이떨어지고결과적으로추천성과가저하됨 이질적이고독특한구매행위를갖는고객의경우다른고객과유사도를측정할수없어추천성과가저하됨 신규고객의경우구매정보가없어다른고객과유사도를측정할수없어추천성과가저하됨 추천대상고객에게가능한모든후보상품들을추천할수없어추천성과가저하됨 고객이과거에구매하지않았고구매를전혀고려하지않았지만높은흥미를가질수있는다른종류의상품추천이어려워추천성과가저하됨 하는과정에서적은수의선호도데이터만을사용하게되고고객간유사도측정의신뢰성은떨어지게되며, 궁극적으로추천성과는하락하게된다 [5, 8, 18]. 밀도는하나의네트워크에있어참여자간가능한모든관계의수가운데실제로맺어진관계의비율로정의된다 [2, 6]. 구매패턴의유사성을기반으로형성된고객간네트워크에서, 밀도는고객사이에얼마나유사한구매패턴관계를가지고있는가로해석될수있다. 즉, 소셜네트워크에존재하는관계가많을수록고객간유사한구매패턴관계가많다는것을의미한다. 희박성관점에서밀도의증가는희박성의감소를의미한다. 왜냐하면밀도의증가는고객간관계의증가를의미하고, 이는적어도두고객간구매선호도데이터가유사성을측정할수있는수준이상이라는것을의미한다. 따라서밀도가증가하면증가할수록행렬의빈셀들은감소하게되며이는희박성의감소를의미한다. 이를정리하면, 소셜네트워크에서밀도의증가는희박성의감소를 의미하며, 이는결과적으로추천성과의향상을의미한다. 따라서본연구에서는다음과같은가설을제안한다. H1: 밀도가증가하면추천성능은향상될것이다. 3.2 독특한취향의고객 (gray sheep) 및신규고객추천과포괄성독특한취향의고객 (gray sheep) 은다른고객들과전혀다른자신만의구매패턴을보이는고객을의미한다. 이러한고객들은다른고객과동일하게구매한제품이없어구매유사성을도출하기가매우어렵다. 이러한문제는신규고객의경우에도마찬가지다. 신규고객의경우기존구매이력이없기때문에구매에관한선호도데이터를파악할수없고결과적으로구매도출하기가불가능하다. 따라서독특한취향의고객과신규고객이증가하면할수록추천성과는떨어지게된다 [5, 8]. 포괄성은하나의네트워크에포함된참여

7 소셜네트워크분석을통한협업필터링추천성과의이해 135 자의총수에서연결되지 (isolates) 않은참여자의수를뺀연결된참여자들의비율로정의된다 [6]. 본연구에서구성되는소셜네트워크는고객의구매이력에기반한구매패턴의유사성을관계로정의하기때문에독특한취향의고객과신규고객은다른고객들과관계를형성하지못하는고립된고객으로간주할수있다. 독특한취향의고객과신규고객이라는관점에서보면, 포괄성은증가는독특한취향의고객과신규고객의감소를의미한다. 왜냐하면, 포괄성의증가는고립된고객들의수가감소함을의미하고이는유사한구매패턴의관계를형성하는고객의비율이증가함을의미한다. 이를종합하면, 포괄성이증가는독특한취향의고객또는신규고객과같은고립된고객수의감소를의미하며, 이는결과적으로협업필터링추천성과의향상을의미한다. 이를근거로다음과같은가설을제안한다. H2: 포괄성이증가하면추천성능이향상될것이다. 3.3 추천범위및우연성추천과군집화계수추천범위 (coverage) 는전체상품중협업필터링추천을통해추천대상고객에게추천해줄수있는상품의비율을말한다. 추천범위가넓을수록추천대상고객의상품탐색기회는증가하게되고 [18], 결과적으로고객의입맛에맞는추천기회를높여추천성과의향상을가져올수있다. 우연성 (serendipity) 추천은추천대상고객에게과거에구매하지 않았고전혀고려하지않았지만높은흥미를가질수있는다른종류의상품을추천하는것을의미한다 [18]. 이러한우연성추천은추천의정확성보다는추천의만족도를높이는역할을한다. 군집화계수는네트워크내의 3명의참여자 a, b, c가있고 a와 b, a와 c사이에관계가있을때 b와 c가관계를가질가능성을말한다. 예를들면, 친구관계네트워크에있어, 한사람의친구들이서로친구가될가능성을의미한다. 본연구에서군집화계수는추천대상고객의이웃들간의관계가형성된정도로파악할수있다. 군집화계수가높다는것은이웃들간관계가많이형성되어있다는것을의미하며이는그들간구매패턴이유사하다는것을의미한다. 추천범위및우연성추천의관점에서보면, 군집화계수가낮다는것은이웃들의구매패턴이다양하다는것을의미한다. 이러한구매패턴의다양성은추천범위를증대시킬뿐아니라우연성추천에대한범위도증대시킨다. 따라서군집화계수가낮아질수록다수의상품을평가할수있는기회와새로운상품을접할기회를향상시킴으로써추천의정확성및만족도를향상시킬가능성이높아진다. 이를근거로본연구에서는다음과같은가설을제안한다. H3: 군집화계수가낮을수록추천성능은향상될것이다. 3.4 추천범위와집중도집중도 (degree centralization) 는네트워크에

8 136 한국전자거래학회지제 17 권제 2 호 < 표 3> 가설개발의주요논거 가설 주요논거 H1: 밀도가증가하면추천성능은향상될것이다. H2: 포괄성이증가하면추천성능이향상될것이다. H3: 군집화계수가낮을수록추천성능은향상될것이다. H4: 집중도가낮을수록추천성능은향상될것이다. 밀도의증가는희박성의감소를의미하며, 이는결과적으로추천성과의향상을가져올것임 포괄성이증가는독특한취향의고객또는신규고객과같은고립된고객수의감소를의미하며, 이는결과적으로추천성과의향상을가져올것임 군집화계수가낮아질수록추천범위넓어지고우연성추천의기회를많아져추천의정확성및만족도를향상시킬가능성이높아질것임 집중도가낮을수록추천범위가넓어질것이며이는추천성능을가져올것임 서중심성이높은참여자에게얼마나네트워크관계가집중되어있는지를의미한다 [6, 16]. 2) 본연구에서집중도는네트워크형성에있어얼마나많은고객의견이반영되었는가로파악할수있다. 본연구에서추천성과는네트워크형성에참여한개개인의추천성과의평균이다. 따라서각참여자의추천성과가좋아야전체네트워크의추천성과도좋아질것이다. 추천범위관점에서파악해보면, 집중도가높다는것은핵심고객에대한의존도가 높다는것을의미한다. 네트워크의집중도가높아핵심고객에의존적이게되면소수핵심고객의추천성능은많은변두리고객들의의견을취합할수있어향상되는반면다수 2) 집중도는일반적으로연결정도집중도, 매개집중도, 근접집중도가있다. 다만, 협업필터링에서는추천대상의직접적인이웃만을고려하여추천을형성기때문에본연구에서는직접적인관계의집중도를나타내는연결정도집중도만을고려한다. 연결정도집중도는 0 에서 1 사이의값을갖는데네트워크구조가관계를많이갖는참여자에게집중될수록값은 1 에가깝게된다. 극단적으로스타형구조네트워크의집중도값은 1 이며원형구조네트워크의집중도값은 0 이다. 의변두리고객들은소수핵심고객의의견을기반으로추천을형성하기때문에추천의범위가매우제한적이기된다. 앞서언급한바와같이추천범위의감소는추천성능의저하를가져온다. 따라서본연구에서는다음과같은가설을제안한다. H4: 집중도가낮을수록추천성능은향상될것이다. 협업필터링에서추천성능에영향을주는요인과소셜네트워크측정지표간의이상의논의를요약하면다음 < 표 3> 과같다. 다양한기존문헌에따르면추천대상의직접적인이웃을고려하여형성된유사한구매패턴의고객간관계는하나의소셜네트워크라할수있다 [5, 7, 23]. 따라서이렇게형성된소셜네트워크구조는추천대상의직접적인이웃이어떻게결정되는가에영향을받게된다. 이를근거로이웃형성에영향을주는요인인데이터희박성, 독특한취향의고객, 신규고객추천, 추천범위, 우연성추천은소셜네트워크구조에영향을미치는것으로판단할

9 소셜네트워크분석을통한협업필터링추천성과의이해 137 수있으며이는소셜네트워크측정지표를통해파악할수있다. 4. 연구방법 4.1 표본및자료수집 본연구에서제안한가설검증을위해다양한소셜네트워크구조를가지고있는국내유명 H 백화점의 1년간 (2000년 5월 1일부터 2001년 4월 30일까지 ) 거래데이터를표본으로자료를수집하였다. 전체 1,660,814건의거래내역 (50,000 명의고객이구매한 4,038개의상품 ) 을기반으로 4단계자료수집절차를소셜네트워크를형성하였다 (< 표 4> 참조 ). < 표 4> 자료수집절차단계와단계별샘플수 샘플링단계 샘플링방법 샘플의수 1단계 월별분할 12 2단계 2개월씩조합 66(12 11/2) 3 단계 4 단계 무작위고객의수 100, 200, 300 으로샘플링 소셜네트워크형성시, 연결기준인유사도임계치 (0.1, 0.2) 활용 198(66 3) 396(198 2) 추출하여 198(66 3) 개를도출하였다. 이때, 최대크기는 300명으로제한하였다. 이는고객의수가지나치게많아지는경우소셜네트워크측정지표와추천성과측정을위한연산시간이기하급수적으로증가하기때문이다. 마지막으로소셜네트워크관계형성에있어유사도의임계치수준을 0.1과 0.2의두수준을고려하였다. 이는임계치수준이 0.3 이상일경우소셜네트워크관계의희박성이증가되어구조자체가의미를잃기때문이다. 결론적으로총 396(198 2) 개의데이터셋이가설검증을위해활용되었다. 4.2 소셜네트워크형성과정 유사한구매패턴관계를가지는고객간소셜네트워크를구성하기위해먼저고객구매패턴간유사도를분석할필요가있다. 고객의구매패턴분석을위해거래데이터로부터고객이어떤상품을구매했는가를파악하고이를기반으로식 (1) 과같은고객-상품행렬을구성한다. 이때고객이단일상품을여러번구매한다하여도한번의구매로간주한다. 고객 가상품 를구매 고객 가상품 를비구매 (1) 첫째, 백화점의거래데이터의경우월별로거래량이다르고포함되는고객과상품의종류가다르기때문에전체표본을 12달의거래데이터로분할하였다. 둘째, 샘플의확보를위해 2개월을조합하여 66( 12 C 2 ) 개의샘플을도출하였다. 셋째, 각샘플에대해포함되어있는고객의수가 100, 200, 300명인샘플을 고객-상품행렬이완성되면자카드 (Jaccard) 유사도를통해고객간유사도를계산한다 ( 식 (2) 참조 ). 3) 자카드유사도는 0과 1사의값을갖게되며 1이면두고객사이의구매 3) 이진데이터로이루어진집합간유사도를계산하는경우자카드유사도가더용이하고직관적이다 [11].

10 138 한국전자거래학회지제 17 권제 2 호 가일치함을 0이면전혀다름을의미한다. (2) M 11: 고객 a, b가모두구매한상품 M 01 : 고객 b만구매한경우 M 10 : 고객 a만구매한경우 M 00: 고객 a, b 모두구매하지않은경우자카드유사도를기반으로유사한구매패턴의고객이파악되면이들을연결함으로써소셜네트워크를형성할수있다. 이때, 유사도임계치 ρ를기준으로임계치이상의고객을연결함으로써소셜네트워크를형성할수있다. 앞서언급한바와같이 0.3 이상의임계치를활용할경우고객간관계의희박성매우높아지지때문에본연구에서 0.1과 0.2 두개의임계치를활용한다. 4.3 변수의측정본연구의독립변수인밀도, 포괄성, 연결정도집중도, 군집화계수는기존연구를준용하여측정하였다 (< 부록 1> 참조 ). 측정의편의를위해툴인 Ucinet v6와 Netminer 3.0을활용하였다. 본연구의종속변수인협업필터링추천성과를측정하기위해가장널리활용되는메모리기반알고리즘 [27] 을적용하여추천시스템을구축한후, 구축된추천시스템을 396 개의데이터셋각각에적용하여추천정확도를측정하였다. 각데이터셋은 2개월간의거래데이터를포함하고있기때문에거래일 자가빠른순으로 40일간의거래데이터를훈련 (training) 데이터로나머지 20일의거래데이터를검정 (test) 데이터로분할한후, 훈련데이터에메모리기반추천알고리즘을적용하여각고객들에게추천할상품을선정하고이를검정데이터의실제구매상품과비교하여추천성과를측정하였다. 추천성과측정을위한지표로는재현율 (recall) 4) 과정확률 5) (precision) 을동일한가중치로결합한 F1-척도 (measure) 를사용하였다 [5, 18]. 척도 (3) 재현율 정확률 재현율 정확률 4.4 분석절차 가설검증을다중회귀분석을실시하였다. 또한최종회귀모형은단계선택법 (stepwise) 을적용하여도출하였다. < 표 5> 는변수에대한기초통계량과변수간상관관계를나타내고있다. 상관관계분석결과밀도와포괄성 (0.892) 간의매우높은상관관계가있음이 4) 재현율은추천대상고객이검정데이터집합에서구매한상품중에서협업필터링알고리즘에의해추천된상품의비율로정의되며다음식 (f1) 과같이나타낼수있다 (Sarwar et al., 2001). 검정데이터집합에서구매한상품 추천한상품 재현율 검정데이터집합에서구매한상품 (f1) 5) 재현율은추천대상고객이검정데이터집합에서구매한상품중에서협업필터링알고리즘에의해추천된상품의비율로정의되며다음식 (f1) 과같이나타낼수있다 (Sarwar et al., 2001). 검정데이터집합에서구매한상품 추천한상품 정확률 추천한상품 (f2)

11 소셜네트워크분석을통한협업필터링추천성과의이해 139 파악되었다. 따라서분산확대인자 (VIF:variance inflation factor) 를통해독립변수간다중공선성 (multicollinearity) 이있는지를파악하였다. 분석결과모든변수의 VIF 값이 ( 밀도 = 5.978, 포괄성 = 5.821, 군집화계수 = 1.220, 집중도 = 1.305) 10 이하로다중공선성이크게문제가되지않는것으로나타났다. 화계수는추천성과에유의한음의영향을미치는것으로파악되었다 (p < 0.01). 따라서가설 2와 3은채택된다. 그러나집중도는추천성과에유의한영향을미치지않는것으로나타났다 (p > 0.1). 따라서가설 4는기각한다. < 표 6> 분석결과 < 표 5> 기초통계량및상관관계분석 평균변수 ( 표준편차 ) 밀도.082 (.065) 포괄성.702 (.235) 군집화계수 집중도 F1- 척도.568 (.079).198 (.102).016 (.012) 밀도포괄성군집화계수 ** ** **.472 ** 집중도 F1- 척도.825 **.887 ** ** 1 변수 표준화계수 ( 베타 ) t- 값 유의확률 가설검증결과 상수항 밀도 H1 채택 포괄성 H2 채택 군집화계수 H3 채택 집중도 H4 기각 R 2 = 0.798; F- 값 = (p < 0.001). 5.2 논의 ** 0.01 수준에서유의. 본연구결과가설 1은채택되었다. 즉밀도가증가는데이터희박성이감소를의미하 5. 연구결과및논의 5.1 분석결과다음 < 표 6> 은회귀분석결과를나타내고있다. R 2 값에서알수있듯이 79.7% 의변동성이 4개의변수에의해설명됨을알수있다. 회귀분석결과밀도는추천성과에유의한영향을미치는것으로파악되었다 (p <0.001). 따라서가설 1은채택된다. 포괄성역시추천성과에유의한영향을미치는것으로파악되었다 (p <0.001). 또한예측한바와같이군집 며이는협업필터링추천성과의향상을의미한다고할수있다. 따라서고객간구매패턴의유사성을기반으로형성된소셜네트워크에서참여자간관계가많으면많을수록협업필터링을통한추천성과가보다향상될것이다. 연구가설 2 역시채택되었다. 즉포괄성이증가는독특한취향의고객또는신규고객과같은고립된고객수가감소를의미하며이는협업필터링추천성과의향상을의미한다고할수있다. 따라서고객간구매패턴유사성을기반으로형성된소셜네트워크에서다른참여자와연결되지않은고립된

12 140 한국전자거래학회지제 17 권제 2 호 참여자가적은경우협업필터링알고리즘을적용하여추천할경우이의성과는매우높을것이다. 군집화계수와추천성과간의관계를파악한연구가설 3 역시채택되었다. 이는군집화계수가낮아질수록다수의상품을평가할수있는기회와새로운상품을접할기회가향상되고결과적으로추천의정확성및만족도가높아질것이기때문이다. 따라서소셜네트워크가서로유사한구매패턴으로연결되어있으나추천대상의이웃고객간의구매는유사하지않은경우추천성과는향상될것이다. 본연구에서는네트워크의집중도가높아질수록핵심고객에대한의존성이높아지게되어소수핵심고객의추천성능은향상되는반면다수의변두리고객들의추천성능이저하될것으로예측하였다. 그러나연구결과집중도는추천성과에유의미한영향을미치지않는것으로파악되었다. 이러한흥미로운결과는실제현실에서발생하는소셜네트워크의구조가원형이나스타형과같은극단적인형태가아니라보다복합적인구조일가능성이높기때문인것으로설명할수있다. 즉, 실제소셜네트워크는스타형이나원형과같은극단적인형태를가지는경우가드물고집중도가 0인경우에도각고객이가지는연결관계의수에따라추천범위가달라질수있기때문에집중도만으로추천성과를평가하기에는한계가있기때문일것으로추측된다. 6. 결론본연구는협업필터링추천성과에영향을 미치는소셜네트워크의구조적측정지표에대해고찰하였다. 기존협업필터링에서연구되어온추천성과에영향을미치는요인 ( 데이터희박성, 독특한취향의고객, 신규고객추천의문제, 추천범위, 우연성추천 ) 을기반으로그에대응하는소셜네트워크의구조적측정지표들 ( 밀도, 포괄성, 군집화계수, 집중도 ) 을파악하였다. 나아가소셜네트워크측정지표와추천성과간의관계에대한가설을도출하였으며이를회귀모형을통해검증하였다. 분석결과밀도와포괄성은추천성과에긍정적인영향을미치고군집화계수는부정적인영향을미치는것으로나타났다. 이를통해고객간구매선호도유사성을기반으로형성한소셜네트워크에서는고객간관계가많을수록, 고립된고객들이적을수록, 추천대상고객의이웃간구매가이질적일수록추천성과는향상됨을알수있었다. 본연구는협업필터링추천성과를소셜네트워크구조적인관점에서이해함으로써추천성과간의차이가발생하는원인을이론적으로규명하고자하는초석이되는연구라는점에서그의의가있을것이다. 또한실무적인관점에서소셜네트워크의구조를파악함으로써협업필터링의추천성과를예측할수있는가이드라인을제시하였다는점에서그의의가있을것이다. 즉, 도출된회귀식을기반으로기업의추천시스템도입시성과를사전에예측해볼수있기때문에, 기업입장에서막대한비용이요구되는추천시스템의도입여부를결정할수있도록도와줄수있을것으로판단된다. 본연구는다음과같은한계점이있다. 첫째, H 백화점의거래데이터만을이용하여분

13 소셜네트워크분석을통한협업필터링추천성과의이해 141 석을진행하여해당거래데이터에종속적인결과가도출됐을가능성이있다. 따라서향후연구에서는이러한점을보완하여다양한기업의거래데이터를활용하는연구가필요하다. 둘째, 비록 VIF 검정결과다중공선성에큰문제가없는것으로파악되었으나밀도와포괄성의 VIF 값이상대적으로높은것으로나타났다. 따라서이에대한면밀한검토가필요할것이다. 참고문헌 [1] 강주영, 김현구, 박상언, 협업필터링기반의휴대폰무선서비스추천을위한기지국군집분석과검증, 전자거래학회지, 제15권, 제2호, pp. 1-18, [2] 김용학, 사회연결망분석, 박영사, [3] 김재경, 조윤호, 김승태, 김혜경, 모바일전자상거래환경에적합한개인화된추천시스템, 경영정보학연구, 제15권, 제3 호, pp , [4] 김형도, 일관성기반의신뢰도정의에의한협업필터링, 전자거래학회지, 제 15권, 제2호, pp. 1-11, [5] 박종학, 조윤호, 김재경, 사회연결망 : 신규고객추천문제의새로운접근법, 지능정보연구, 제15권, 제1호, pp , [6] 손동원, 소셜네트워크분석, 경문사, [7] 조윤호, 방정혜, 신상품추천을위한사회연결망분석의활용, 지능정보연구, 제 15권, 제4호, pp , [8] Adomavicious, G. and Tuzhilin, A., Toward the Next Generation of Recommender Systems : A Survey of the Stateof-the-art and Possible Extensions, IEEE Transactions on Knowledge and Data Engineering, Vol. 17, No. 6, pp , [9] Barnes, J. A., Class and Committees in a Norwegian Island Parish, Human Relations, Vol. 7, pp , [10] Breese, J. S., Heckerman, D., and Kadie, C., Empirical Analysis of Predictive Algorithms for Collaborative Filtering, In Proceedings of the 14th Conference on Uncertainty in Artificial Intelligence (UAI-98), San Francisco, California, pp , [11] Chee, S. H. S., Han, J., and Wang, K., RecTree:An Efficient Collaborative Filtering Method, Lecture Notes in Computer Science, Vol. 2114, pp , [12] Cho, Y. H. and Kim, J. K., Application of Web Usage Mining and Product Taxonomy to Collaborative Recommendations in E-commerce, Expert Systems with Applications, Vol. 26, No. 3, pp , [13] Choi, S., Cha, S., and Tappert, C. C., A Survey of Binary Similarity and Distance Measures, Journal of Systemics, Cybernetics and Informatics, Vol. 8, No. 1, pp , [14] De Amorim, S., Barthelemy, J. P., and Ribeiro, C., Clustering and Clique Parti-

14 142 한국전자거래학회지제 17 권제 2 호 tioning : Simulated Annealing and Tabu Search Approaches, Journal of Classification, Vol. 9, pp , [15] Delgado, J. and Ishii, N., Memory-based Weighted-majority Prediction for Recommender Systems, In ACM SIGIR 99 Workshop on Recommender Systems : Algorithms and Evaluation, [16] Freeman, L., Centrality in Social Networks : Conceptual Clarification, Social Networks, No. 1, pp , [17] Getoor, L. and Sahami, M., Using Probabilistic Relational Models for Collaborative Filtering, In Workshop on Web Usage Analysis and User Profiling (WEBKDD 99), [18] Herlocker, J. L., Konstan, J. A., Terveen, L. G., and Riedl, J. T., Evaluating Collaborative Filtering Recommender Systems, ACM Transactions on Information Systems, Vol. 22, No. 1, pp. 5-53, [19] Hofmann, T., Latent Semantic Models for Collaborative Filtering, ACM Transactions on Information Systems, Vol. 22, No. 1, pp , [20] Human, S. E. and Provan, K. G., Legitimacy Building in the Evolution of Smallfirm Multilateral Networks:A Comparative Study of Success and Demise, Administrative Science Quarterly, Vol. 45, No. 2, pp , [21] Huang, Z. and Zeng, D., Why Does Collaborative Filtering Work? Recommendation Model Validation and Selection by Analyzing Random Bipartite Graphs, the Fifteenth Annual Workshop on Information Technologies and Systems, [22] Kukkonen, H. O., Lyytinen, K., and Yoo, Y. J., Social Networks and Information Systems : Ongoing and Future Research Streams, Journal of the Association for Information Systems, Vol. 11, Special Issue, pp , [23] Liu, F. and Lee, H. J., Use of Social Network Information to Enhance Collaborative Filtering Performance, Expert Systems with Applications, Vol. 37, pp , [24] Marlin, B., Modeling User Rating Profiles for Collaborative Filtering, In Proceedings of the 17th Annual Conference on Neural Information Processing Systems (NIPS 03), [25] Resnick, P., Iakovou, N., Sushak, M., Bergstrom, P., and Riedl, J., GroupLens : An Open Architecture for Collaborative Filtering of Netnews, In Proceedings of the 1994 Computer Supported Cooperative Work Conference, pp , [26] Ryu, Y. U., Kim, H. K., Cho, Y. H., and Kim, J. K., Peer-oriented Content Recommendation in a Social Network, Proceedings of the Sixteenth Workshop on Information Technologies and Systems, pp , [27] Sarwar, B., Karypis, G., Konstan, J. A., and Riedl, J., Analysis of Recommenda-

15 소셜네트워크분석을통한협업필터링추천성과의이해 143 tion Algorithms for E-commerce, Proceedings of ACM E-commerce 2000 conference, pp , [28] Schank, T. and Wagner, D., Approximating Clustering Coefficient and Transitivity, Journal of Graph Algorithms and Applications, Vol. 9, No. 2, pp , [29] Shardanand, U. and Maes, P., Social Information Filtering : Algorithms for Automating Word of Mouth, In Proceedings of the Conference on Human Factors in Computing Systems, pp , [30] Soboroff, I. and Nicholas, C., Combining Content and Collaboration in Text Filtering, In IJCAI 99 Workshop : Machine Learning for Information Filtering, pp , [31] Wasserman, S. and Faust, K. Social Network Analysis : Methods and Application, New York : Cambridge University Press, [32] Weare, C., Loges, W. E., and Oztas, N., Effects on the Structure of Local Associations : A Social Network Analysis, Social Science Quarterly, Vol. 88, No. 1, pp , 2007.

16 144 한국전자거래학회지제 17 권제 2 호 < 부록 1> 독립변수의측정 1. 포괄성과밀도 포괄성과밀도를산출하기위해각각다음식 (a-1) 과식 (a-2) 를활용하였다 [2, 6, 31]. 식 (a-2) 에서 n은네트워크전체참여자의수이고 k는실제연결된관계의수이다. 연결된점의수 포괄성비율 네트워크전체의수 밀도 (a-1) (a-2) 2. 군집화계수의측정 네트워크내의 3명의참여자 a, b, c를가정하자. 이때 a와 b 그리고 a와 c사이에관계가있는경우를트리플 (triple) 이라고하며 a, b, c 사이에모든관계가연결되어있는경우를트라이앵글 (triangle) 이라고한다 [28]. 군집화계수를구하기위해먼저네트워크에있는각노드의트라이앵글수를트리플수로나누어계산한다. 예를들면, a의군집화계수는식 (a-3) 과같다. 다음으로개별참여자의군집화계수값을평균한값이네트워크수준의군집화계수가된다. 즉, 전체네트워크의군집화계수는식 (a-4) 를활용하면도출할수있다 [26]. 의 의 (a-3) (a-4) 주의 : 이때 V 는차수가 2 이상인노드의집합이다. 3. 연결정도집중도의측정 연결정도집중도를측정하기위해서는연결정도중심성을먼저파악할필요가있다. 연결정도중심성은한참여자에게직접관계를맺는노드들의수를의미한다. 따라서, 어떤참여자가연결정도중심성이높다는것은해당참여자와직접적인관계를맺는다른참여자가많다는것을의미한다. 예시를위해참여자 Pi와 Pk를가정하자. 이때, Pi와 Pk가직접적으로연결되면 1 값을아니면 0값을갖는함수를 로정의하면, 참여자 Pk의연결정도중심성은다음식 (a-5)

17 소셜네트워크분석을통한협업필터링추천성과의이해 145 와같이나타낼수있다 [14]. (a-5) 연결정도집중도는연결정도중심성높은참여자에얼마나많은네트워크관계가집중되어있는지를의미하며식 (a-6) 과같은방법을통해계산될수있다. (a-6) 이때, 은네트워크에서나올수있는가장높은연결정도중심성값을의미한다. 따라서분자의 는현재네트워크에서가장높은연결정도중심성을의미하고분모의 는이론적으로가능한연결정도중심성의최대치를의미한다. 따라서분자의경우이론적으로가능한최대연결정도중심성은스타형태의네트워크구조에서발생하게되며그최대치는 (n-1)(n-2) 로나타낼수있다. 이때 는참여자 i의연결정도중심성값을의미한다 [6, 16].

146 한국전자거래학회지제 17 권제 2 호 저자소개 안성만 (E-mail : sahn@kookmin.ac.

동국대학교정보관리학과조교수 2001년~현재 국민대학교경영대학부교수 관심분야 통계적방법론, 데이터마이닝, 확률분포추정6 김인환 (E-mail : ih.kim@gsshop.

대용량데이터분석 최병구 (E-mail : h2choi@kookmin.ac.

18 146 한국전자거래학회지제 17 권제 2 호 저자소개 안성만 ( sahn@kookmin.ac.kr) 1980년~1984년 서울대학교경영학과 ( 학사 ) 1984년~1986년 KAIST 경영과학과 ( 석사 ) 1992년~1998년 George Mason University ( 경영학박사 ) 2000년~2001년 동국대학교정보관리학과조교수 2001년~현재 국민대학교경영대학부교수 관심분야 통계적방법론, 데이터마이닝, 확률분포추정6 김인환 ( ih.kim@gsshop.com) 2002년~2009년 국민대학교경영대학 e-비즈니스학과 ( 학사 ) 2009년~2011년 국민대학교 e-비즈니스대학원 ( 석사 ) 2011년~현재 GS 홈쇼핑 관심분야 사회연결망분석, 데이터마이닝, 추천방법론, 고객행동분석, 대용량데이터분석 최병구 ( h2choi@kookmin.ac.kr) 1990년~1994년 고려대학교정경대학통계학과 ( 학사 ) 1994년~1996년 KAIST 경영대학원경영공학전공 ( 석사 ) 1996년~2002년 KAIST 경영대학원경영공학전공 ( 박사 ) 2002년~2003년 University of Minnesota Carlson School of Management ( 방문연구원 ) 2004년~2008년 University of Sydney, School of Information Technologies 조교수 2008년~2009년 국민대학교경영대학조교수 (e-비즈니스전공) 2010년~현재 국민대학교경영대학부교수 ( 전자상거래전공 ) 관심분야 지식경영, 인터넷비지니스, 정보시스템가치평가

소셜네트워크분석을통한협업필터링추천성과의이해 147 조윤호 (E-mail : www4u@kookmin.ac.

국민대학교경영대학부교수 ( 전자상거래전공 ) 관심분야 추천시스템, 모바일비즈니스, 고객관계관리, 데이터마이닝, 소셜네트워크등 김은홍 (E-mail : ehkim@kookmin.ac.

19 소셜네트워크분석을통한협업필터링추천성과의이해 147 조윤호 ( www4u@kookmin.ac.kr) 1984년~1988년 서울대학교계산통계학과 ( 학사 ) 1988년~1993년 LC전자 ( 주임연구원 ) 1994년~1996년 KAIST 경영대학원경영공학전공 ( 석사 ) 1996년~2002년 KAIST 경영대학원경영공학전공 ( 박사 ) 2004년~2006년 국민대학교경영대학조교수 (e-비즈니스전공) 2006년~현재 국민대학교경영대학부교수 ( 전자상거래전공 ) 관심분야 추천시스템, 모바일비즈니스, 고객관계관리, 데이터마이닝, 소셜네트워크등 김은홍 ( ehkim@kookmin.ac.kr) 1975년~1979년 서울대학교경영학과 ( 경영학학사 ) 1979년~1981년 KAIST 산업공학과 ( 석사 ) 1981년~1986년 KAIST 경영과학 ( 박사 ) 1986년~현재 국민대경영정보학부교수 관심분야 정보시스템전략, 정보시스템조직및인력관리, 정보산업 정책 김명균 ( mkkim@kookmin.ac.kr) 1979년~1983년 국민대학교경영대학 ( 학사 ) 1983년~1987년 KDI 연구원 1987년~1992년 The University of Michigan at Ann Arbor 박사 ( 재무전공 ) 1992년~1993년 삼성경제연구소선임연구원및금융팀장 1993년~현재 국민대학교경영학부재무전공교수 관심분야 M&A, 경제성분석, EVA, Valuation model

지능정보연구제 16 권제 1 호 2010 년 3 월 (pp.71~92),.,.,., Support Vector Machines,,., KOSPI200.,. * 지능정보연구제 16 권제 1 호 2010 년 3 월

지능정보연구제 16 권제 1 호 2010 년 3 월 (pp.71~92),.,.,., Support Vector Machines,,., 2004 5 2009 12 KOSPI200.,. * 2009. 지능정보연구제 16 권제 1 호 2010 년 3 월 김선웅 안현철 社 1), 28 1, 2009, 4. 1. 지능정보연구제 16 권제 1 호 2010 년 3 월 Support