Collaborative filtering is a method widely applied by the recommendation system. The basic idea of collaborative filtering is prediction using similar tastes of customers. Mostly, the collaborative filtering method is implemented in two dimensions, [user * item]. Because of using only two dimensions, there is a limitation in Hit ratio. In order to raise Hit Ratio of Collaborative filtering, adding context information (e.g., time, place, people, etc.) is one of the solutions. In this paper we contribute these things. For adding context information we modified the original deep learning program which was published in neural collaborative filtering thesis. After adding context information, Hit ratio is raised from 38% (2 dimension [user * item]) to 75%. We proposed how to estimate the hit ratio of additional context dimensions. Using our estimation, marketers can calculate the hit ratio before running all the combinations of context information. In traditional marketing, marketers should do Segmentation, targeting and finding proper products with tons of data. But our method perform the similar tasks, so marketers can save time and energy
상품추천에 있어 비슷한 취향을 가진 고객들을 기반으로 추천하는 Collaborative filtering 방법은 매우 광범위하게 사용되고 있으며 주로 [user * item] 의 2차원 형태로 구현이 되고 있으나 단지 2개의 차원만을 이용함으로 인해 정확도가 높지 않은 한계점이 있다. 해당 Collaborative filtering 의 정확도를 높이기 위해 추가로 Context (시간, 장소, 동행인 등등) 정보를 반영한 다양한 시도들이 이루어 지고 있다. 이 논문에서 다음의 여러 내용을 기여하였다. Neural Collaborative Filtering 논문에서 소개된 딥러닝 프로그램을 수정하여 2차원 [user * item]에 추가적인 Context 정보를 반영하여 상품추천의 정확도를 높이는 방법을 구현하였다. 그 결과 2차원 [user * item]의 38.1% Hit ratio에서 Context 정보를 반영하여 약 75.5% 로 개선하였다. 이 외에 2개 차원의 Context 정보를 추가하는 경우 수행결과가 나오기 전에 미리 Hit ratio를 계산하는 방법을 제시하였다. 해당 상품추천 방식의 또 다른 기여는 다음과 같다. 일반적인 상품추천 방식에서는 마케터가 비슷한 유형의 고객군집을 먼저 분류하고 해당 고객 군집 별로 최적의 상품을 찾고 이를 추천하는 여러 단계의 절차를 필요로 한다. 그러나 새로운 방식에서는 Context 정보를 기반한 딥러닝이 해당 절차를 다른 형태로 대행함으로 마케터의 시간과 업무량을 줄일 수 있다.
