03-1. E-commerce 상품 추천(트랜잭션 데이터 기반)

Overview

대표적인 E-commerce 사이트

- E-commerce의 추천 흐름 예시

- 추천 시스템 분류

E-commerce의 특성

1. Target : Product

2. Seasonality : 시즌성이 중요함(시즌별 추천 상품도 달리 해야한다.)

3. Meta Info : price, brand, category 등의 메타 정보가 중요.

4. Implicit Feedback : 직접적인 정보를 받기 힘들기에 implicit 정보를 확인(클릭, 검색)
                            (평점, 장바구니, 좋아요 등으로는 explicit 가능)

5. Recency : 최신 상품 추천이 중요(사용자의 행위 패턴도 최신성이 중요하다.)

6. Top-K-Recommendation

 

추천 알고리즘 선택

1. Hybrid Approach

   e-Commerce의 경우 대체적으로 CF를 사용하지만, Content-based 방법도 결합하여 사용

2. CF(Item-based CF)

  대부분의 커머스 플랫폼에서는 item수 보다 사용자가 더 많기 때문에 user based CF를 사용하게 되면 퍼포먼스적인

  부분에서 이슈가 많기 때문에 item based CF를 더 많이 사용한다.

 

Display 정책

1. 1개의 아이템 추천

   - 디자인이 수월하고 모바일에도 쉽게 적용이 가능하다.

   - 사용자가 원하는 아이템을 찾기까지 탐색이 많이 필요하다.

   - 추천 정확도에 신뢰도가 직접 영향을 받는다.

2. k개의 아이템 추천

   - 사용자가 원하는 아이템이 포함될 확률이 높아진다.

   - 정렬 순서에 대한 신뢰도가 중요하다.

3. 설명과 함께 아이템 추천

   - 사용자의 추천 시스템에 대한 신뢰도 상승한다.

   - 구현이 어렵다.

   - 설명이 정확도보다 더 큰 요소로 작용한다.

 

---

Case Study

홈 추천

- 매장 방문 이력을 통해 다른 매장(리저브 매장)을 추천

- 구매 이력을 통해 사용자가 선호할 만한 상품 추천

- 시간/온도에 따른 상품 추천

대체 상품 추천

- 구매하고자 하는 상품과 연관된 상품 추천

- 사용자가 구매하고자 하는 상품이 구매 불가능한 상태일 경우 관련 있는 다른 상품 추천

보완 상품 추천

- 상품을 장바구니에 담을 때 연관된 다른 상품도 함께 추천

- 클릭한 상품에 대해 연관된 다른 상품도 함께 추천

 

추천 로직

홈추천

- 추천 영역에 따라 별도의 상품 정렬 기준 사용

- 최근 구매 목록 활용(최근 구매 목록의 재정렬(w1*최근 + w2*빈도)

연관추천

- 카테고리 제한 없이 유사한 상품 추천

대체제 추천

- 동일 카테고리(음료-음료, 푸드-푸드) 내에서의 유사한 상품 추천

보완재 추천

- 다른 카테고리간의 유사한 상품 연결

 

---

실습 데이터

User - id, birth, date, gender

Product - id, name, category, price, brand

Event - Session_id, timestamp, device, region, click_item, like_item, add_to_cart, purchase_success

---

출처 : The RED : 현실 데이터를 활용한 추천시스템 구현 A to Z by 번개장터 CTO 이동주

링크 : https://fastcampus.app/course-detail/205535