The evolution of mobile and context-aware computing environment enables mobile service providers to obtain various situation information which has not been available before. Using this situation information, it is possible to provide the more tailored applications that usefully adapt to the environment of the users. Today, mobile service providers have a more direct recommendation channel, namely the short messaging service. Therefore, mobile service providers should consider both the timing and context of recommendation messages (push messages) that are sent to users. Mobile service providers can learn context-specific user preferences by analyzing mobile web use logs and user responses to push messages.
In this paper, we describe the user preference model for learning individual preference and present a context-sensitive recommendation system that can be used to select the optimal context in which to send recommendation messages. In order to decide the optimal context for each user, user-service-context preference and service-context preference are extracted from service usage log and they are combined based on the clarity of preference. We compared user responses to push messages delivered in and out of suitable contexts as determined by recommendation system. The precision of push messages delivered within a suitable context was higher than that of messages delivered outside of one.
모바일 컴퓨팅 또는 상황인지 컴퓨팅 환경의 진보는 전에는 수집할 수 없었던 다양한 고객의 상황정보의 수집을 가능하게 해주고 있다. 시간 또는 위치와 같은 사용자의 상황정보를 활용하면 사용자의 현재 상황에 보다 적합한 개인화된 서비스를 제공할 수 있다. 이러한 기술적 인프라는 최근에 새로운 마케팅 채널로 성장하고 있는 모바일 푸쉬 채널에 적용될 수 있는데, 개인별로 하나의 디바이스를 소유하며 항상 휴대하고 다닌다는 모바일 기기의 특성상 사용자의 현재 상황을 참조하여 서비스를 제공하는 것이 매우 중요하다. 또한 모바일 서비스 제공자는 사용자의 과거 서비스 이용 행태를 파악할 수 있으므로, 개별 사용자들의 서비스 및 상황에 대한 선호도를 학습하고 이를 기반으로 개별 사용자에게 개인화된 상품 또는 콘텐츠를 추천하는 것이 필요하다.
본 연구에서는 사용자가 어떤 상황에서 어떤 서비스 또는 콘텐츠를 선호하는지 학습하기 위해 사용자와 서비스와 상황간의 선호도 모델을 제시하였으며, 사용자와 독립적으로 서비스 또는 콘텐츠가 어떤 상황에서 많이 이용되는지를 표현하는 서비스와 상황간의 선호도 모델도 제시하였다. 선호도가 명확히 나타나는 사용자에게는 사용자-서비스-상황 선호도를 더 비중있게 반영하고, 선호도가 학습되지 않은 신규사용자 및 선호도가 명확하지 않은 사용자에게는 서비스-상황 선호도를 더 비중있게 반영하는 결합모델도 제시하였다. 두가지 선호도를 결합하기 위해서 개인별 선호도의 불순도를 계산하였으며, 여기에는 엔트로피 지수를 활용하였다. 개별 사용자에게 상품 또는 콘텐츠를 추천하기에 적합한 상황을 결정하는 추천 모듈에서는 앞에서 계산된 결합 선호도를 참조하게 된다. 최적 상황 결정에서는 가장 비중이 높은 하나의 상황을 선택하지 않고, 각각의 후보 상황에 차지하는 비중의 분포를 고려하여 복수개의 상황을 최적 상황으로 결정한다. 이를 통해 선호 상황이 한곳에 집중되지 않고 분산되어 있는 사용자에 대해서도 합당한 추천 결과를 보여줄 수 있게 된다.
제안된 추천 방법을 검증하기 위해 본연구에서는 모바일 서비스 이용자를 대상으로 반응 실험을 실시하였다. 실험 대상자는 자신이 처해진 상황에 따라 콘텐츠를 추천받게 되며, 이에 대해 긍정 또는 부정반응을 표현할 수 있다. 실험 결과 비선호 상황에 비하여 선호상황에 발송된 콘텐츠에 대하여 더 높은 긍정반응률을 보였으며, 사용자-서비스-상황 선호도 또는 서비스-상황 선호도만을 이용한 것보다, 결합된 선호도를 이용하였을 때 더 높은 긍정 반응률을 보이는 것으로 나타났다. 또한 긍정 반응을 보인 후에는 서비스 이용량이 증가하여, 고객 유지에도 기여를 하는 것으로 나타났다.
본 연구는 모바일 환경의 발전으로 추가로 확보된 고객 상황 정보를 활용한 추천 방법론을 제시하고, 이에 대한 성능을 실증적으로 검증하였다는 데에 의의가 있을 것이다. 이러한 방법론은 현재 무분별하게 발송되어 스팸화되고 있는 모바일 마케팅에 적용 가능할 것이며, 이는 고객 입장에서도 자신에게 필요한 콘텐츠를 적합한 상황에 받아보게 되어 고객만족을 증진시킬 수 있는 대안이 될것이다.
