Information Systems Review (경영정보학연구)

The Korea Society of Management Information Systems (한국경영정보학회)
권호 표지
DOI QR코드

DOI QR Code

A Personalized Recommendation System Using Machine Learning for Performing Arts Genre

머신러닝을 이용한 공연문화예술 개인화 장르 추천 시스템

  • Hyung Su Kim (Division of Smart Management Engineering, Hansung University) ;
  • Yerin Bak (Department of International Trade, Hansung University) ;
  • Jeongmin Lee (Division of Knowledge and Information, Hansung University)
  • 김형수 (한성대학교 스마트경영공학부) ;
  • 박예린 (한성대학교 무역학과) ;
  • 이정민 (한성대학교 지식정보학부)
  • Received : 2019.07.08
  • Accepted : 2019.08.22
  • Published : 2019.11.30
Download PDF
⟨ Previous Next ⟩

Abstract

Despite the expansion of the market of performing arts and culture, small and medium size theaters are still experiencing difficulties due to poor accessibility of information by consumers. This study proposes a machine learning based genre recommendation system as an alternative to enhance the marketing capability of small and medium sized theaters. We developed five recommendation systems that recommend three genres per customer using customer master DB and transaction history DB of domestic venues. We propose an optimal recommendation system by comparing performances of recommendation system. As a result, the recommendation system based on the ensemble model showed better performance than the single predictive model. This study applied the personalized recommendation technique which was scarce in the field of performing arts and culture, and suggests that it is worthy enough to use it in the field of performing arts and culture.

공연문화예술 시장의 확대에도 불구하고, 중소규모 공연장은 소비자의 정보 접근성이 좋지 않아 어려움을 겪고 있다. 본 연구는 중소규모 공연장의 마케팅 역량을 강화할 수 있는 하나의 대안으로써 머신러닝 기반의 장르 추천 시스템을 제시하고자 한다. 국내 한 공연장의 고객 마스터 DB와 거래이력 DB를 활용하여 고객당 3개의 장르를 추천하는 5개의 추천 시스템을 개발하였다. 추천시점 이후 1년 동안의 실제 공연구매 이력을 바탕으로 추천 시스템의 성능을 비교하여 최적의 추천시스템을 제안하였다. 분석 결과, 단일 예측모형보다는 앙상블 모형 기반의 추천시스템이 우수한 성능을 보이는 것으로 나타났다. 본 연구는 공연문화예술 분야에는 일천했던 개인화 추천 기법을 적용했고, 분석 결과 공연문화예술 분야에서도 충분히 활용할 만한 가치가 있음을 시사하고 있다.

Keywords

References

  1. 강호윤, 옥창수, "아이템 연관성을 고려한 협력적 필터링 기반 추천시스템 개발", Entrue Journal of Information Technology, 제14권, 제1호, 2015, pp. 135-144. 
  2. 김민정, 조윤호, "빅데이터 기반 추천시스템 구현을 위한 다중 프로파일 앙상블 기법", 지능정보연구, 제21권, 제4호, 2015, pp. 93-110.  https://doi.org/10.13088/JIIS.2015.21.4.093
  3. 김범석, 전인오, "공연예술 선택 특성과 서비스 품질이 사후 행동에 미치는 영향", 한국콘텐츠학회논문지, 제15권, 제12호, 2015, pp. 106-120.  https://doi.org/10.5392/JKCA.2015.15.12.106
  4. 김상엽, 박경섭, 이상민, 허병문, 류근호, "머신러닝 기반의 온실 제어를 위한 예측모델 개발", Journal of Digital Contents, 제19권, 제4호, 2018, pp. 749-756. 
  5. 김선영, "빅데이터, 공연예술 관객 개발의 가능성 연다", 예술경영지원센터, 2018, Available at http://www.gokams.or.kr/webzine/wNew/column/column_view.asp?idx=1992&page=3&c_idx=48&searchString=&c_idx_2=. 
  6. 김소영, 신혜선, "뮤지컬 관객의 시장세분화 연구", 한국콘텐츠학회논문지, 제6권, 제5호, 2006, pp. 131-144. 
  7. 김제관, "[view point] 뮤지컬 시장 공급 과잉 심각", 매일경제, 2013.08.06., Available at https://www.mk.co.kr/news/culture/view/2013/08/682092/. 
  8. 김현정, "무용공연 활성화를 위한 공연문화 관람객의 소비성향분석", 한국사회체육학회지, 제60권, 2015, pp. 261-274.  https://doi.org/10.51979/KSSLS.2015.05.60.261
  9. 문화체육관광부, 2018 문화향수실태조사, 문화체육관광부, 2018. 
  10. 문화체육관광부, 예술관객 확대를 위한 비관객 세분화 전략, 문화체육관광부, 2016. 
  11. 박두순, "개인성향과 협업 필터링을 이용한 개선된 영화 추천 시스템", 정보처리학회논문지 컴퓨터 및 통신시스템, 제2권, 제11호, 2013, pp. 475-482.  https://doi.org/10.3745/KTCCS.2013.2.11.475
  12. 박지회, 남기환, "추천 수량과 재 추천을 고려한 사용자 기반 협업 필터링 추천 시스템", Information Systems Review, 제19권, 제2호, 2017, pp. 71-94.  https://doi.org/10.14329/isr.2017.19.2.071
  13. 박철용, "랜덤포레스트의 크기 결정을 위한 간편진단통계량", 한국데이터정보과학회지, 제27권, 제4호, 2016, pp. 855-863.  https://doi.org/10.7465/jkdi.2016.27.4.855
  14. 손예지, "[공연계의 오늘] ① 'K-공연' 선도하 는 대극장", 헤럴드경제, 2019.02.22., Available at http://biz.heraldcorp.com/culture/view.php?ud=201902221303096415290_1. 
  15. 손지은, 김성범, 김현중, 조성준, "추천 시스템기법 연구동향 분석", Journal of the Korean Institute of Industrial Engineers, 제41권, 제2호, 2015, pp. 185-208.  https://doi.org/10.7232/JKIIE.2015.41.2.185
  16. 안현철, 한인구, 김경재, "연관규칙기법과 분류모형을 결합한 상품 추천 시스템: G 인터넷 쇼핑몰의 사례", Information Systems Review, 제8권, 제1호, 2006, pp. 181-201. 
  17. 예술경영지원센터, 2018 공연예술트렌드 조사 보고서, 예술경영지원센터, 2018. 
  18. 유은영, 진현정, "의사결정나무모형을 이용한 공연예술시장의 소비자그룹 분석", 소비자학연구, 제25권, 제6호, 2014, pp. 65-91. 
  19. 이동원, "연관상품 추천을 위한 회귀분석모형기반 연관 규칙 척도 결합기법", 지능정보연구, 제23권, 제1호, 2017, pp. 127-141.  https://doi.org/10.13088/JIIS.2017.23.1.127
  20. 이연정, 김경재, "다중모형조합기법을 이용한 상품추천시스템", 지능정보연구, 제19권, 제2호, 2013, pp. 39-54.  https://doi.org/10.13088/JIIS.2013.19.2.039
  21. 이원철, 정석봉, "다중프로파일 앙상블기법을 이용한 금융상품 추천에 관한 연구", 한국경영학회 통합학술발표논문집, 2017, pp. 681-696. 
  22. 이재식, 박석두, "장르별 협업필터링을 이용한 영화추천시스템의 성능 향상", 지능정보연구, 제13권, 제4호, 2007, pp. 65-78. 
  23. 이택승, 취업사교육 콘텐츠 시장에 효율적인 추천시스템 구축연구 (석사학위논문), 연세대학교 정보대학원, 2018. 
  24. 정순규, 관객 유형에 따른 공연 관람 구매 의사와 관객 개발전략 (석사학위논문), 중앙대학교 대학원, 2013. 
  25. 정영진, 조윤호, "온라인 구매 행태를 고려한 토픽 모델링 기반 도서 추천", 지식경영연구, 제18권, 제4호, 2017, pp. 97-118.  https://doi.org/10.15813/KMR.2017.18.4.004
  26. 조남규, "한국 공연예술시장의 현황과 전망", 한국무용기록학회지, 제18권, 2010, pp. 79-97. 
  27. 지숙영, 이중식, 김은미, 백영민, "한국의 공연문화 소비 지형의 기술", 예술경영연구, 제20권, 2011, pp. 209-231. 
  28. 최예림, 박종헌, 신동완, "모바일 사용자의 잠재 관심 추론을 위한 앙상블 기법", 정보과학회 컴퓨팅의 실제 논문지, 제21권, 제11호, 2015, pp. 706-712.  https://doi.org/10.5626/KTCP.2015.21.11.706
  29. Adomavicius, G. and Y. Kwon, "Improving aggregate recommendation diversity using ranking-based techniques, knowledge and data engineering", IEEE Transactions on, Vol.24, No.5, 2012, pp. 896-911.  https://doi.org/10.1109/TKDE.2011.15
  30. Aggarwal, C. C., Z. Sun, and P. S. Yu, "Online algorithms for finding profile association rules", The Seventh International Conference on Information and Knowledge Management, 1998, pp. 86-95. 
  31. Agrawal, R., T. Imielinski, and A. Swami, "Mining association rules between sets of items in large databases", ACM SIGMOD International Conference on Management of Data, Vol.22, No.2, 1993, pp. 207-216. 
  32. Andreasen, A. R., Expanding the Audience for Performing Arts, Seven Lock, Washington, D.C. 1990. 
  33. Guyon, I. and A. Elisseeff, "An introduction to variable and feature selection", Journal of Machine Learning Research, 2003, Vol.3, pp. 1157-1182. 
  34. Kangun, N., G. Otto, and D. C. Randall, "Marketing strategies for increasing symphony season ticket purchases among University students", Journal of Cultural Economics, Vol.16, No.1, 1992, pp. 25-40.  https://doi.org/10.1007/BF02275975
  35. Kim, H. K., M. K. Jang, J. K. Kim, and Y. H. Cho, "A new item recommendation procedure using preference boundary", Asia Pacific Journal of Information Systems, Vol.20, No.1, 2010, pp. 81-99.  https://doi.org/10.1111/j.1365-2575.2008.00311.x
  36. Kolb, B. M., Marketing for Cultural Organizations: New Strategies for Attracting to Classical Music, Dance, Museums, Theater and Opera, Dublin: Oak Tree Press, Dublin, 2000. 
  37. Kotler, P. and G. Armstrong, Principles of marketing (14th ed.), Prentice Hall, New Jersey, 2012. 
  38. Pazzani, M. J., "A framework for collaborative, content-based, and demographic filtering", Artificial Intelligence Review, Vol.13, No.5-6, 1999, pp. 393-408.  https://doi.org/10.1023/A:1006544522159
  39. The Python Programming Language, 2018, Available at https://www.python.org. 
  40. Vozalis, M. and K. G. Margaritis, "Collaborative filtering enhanced by demographic correlation", The AIAI Symposium on Professional Practice in AI, Part of the 18th World Computer Congress, 2004, pp. 393-402. 
  41. Zhang, H. R. and F. Min, "Three-way recommender systems based on random forests", Knowledge-Based Systems, Vol.91, 2016, pp. 275-286. https://doi.org/10.1016/j.knosys.2015.06.019