상품간의 연관도와 유사도를 파악하기 위해서는 추천 시스템을 구축하는 것이 좋습니다.
추천 시스템은 사용자가 선호하는 아이템을 예측하고 추천하는 시스템으로,
일반적으로 Collaborative Filtering, Content-Based Filtering, Hybrid Filtering 등의 방법이 사용됩니다.
먼저 Collaborative Filtering은 사용자들의 과거 구매 기록이나 선호도를 바탕으로 비슷한 취향을 가진 사용자끼리 그룹을 지어 추천하는 방법입니다.
이 방법은 사용자 간의 유사도 측정을 위해 Cosine Similarity, Pearson Correlation 등의 알고리즘이 사용됩니다.
두 번째 Content-Based Filtering은 상품의 특징을 분석하여 사용자의 선호도와 일치하는 상품을 추천하는 방법입니다. 이 방법은 상품 간의 유사도 측정을 위해 TF-IDF, Word2Vec 등의 알고리즘이 사용됩니다.
마지막으로 Hybrid Filtering은 Collaborative Filtering과 Content-Based Filtering을 혼합한 방법입니다.
이 방법은 둘을 조합하여 보완적으로 추천하는 방법입니다.
따라서, 고객의 상품 구매, 탐색 로그를 활용하여 상품, 브랜드 간의 연관도와 유사도를 구하고자 한다면, Collaborative Filtering, Content-Based Filtering, Hybrid Filtering 중 하나 혹은 그 조합을 사용하여 추천 시스템을 구축하는 것이 좋습니다.
다음에는 각 추천 방법의 샘플 코드를 통해 장단점을 비교해 보도록 하겠습니다.
'데이터 분석 > 데이터 분석 방법' 카테고리의 다른 글
파이썬 데이터 분석을 위한 EDA 기법 - 데이터 전처리 (0) | 2023.04.07 |
---|---|
문장 / Feature 가 많은 데이터의 차원축소 방법(TF-IDF) (0) | 2023.03.22 |
데이터를 활용한 상품 추천 (0) | 2023.02.23 |
[감성 분석(4)] 한국어 감성사전을 활용한 문장 감성점수 평가(샘플 코드) (0) | 2023.02.23 |
[감성 분석(3)] 머신러닝 자연어 처리 한국어 감성분석 방법(샘플 코드) (1) | 2023.02.23 |