지능정보연구 (Journal of Intelligence and Information Systems)

  • 제29권2호
  • /
  • Pages.323-338
  • /
  • 2023
  • /
  • 2288-4866(pISSN)
  • /
  • 2288-4882(eISSN)
한국지능정보시스템학회 (Korea Intelligent Information System Society)
권호 표지
DOI QR코드

DOI QR Code

셋톱박스 오디언스 타겟팅을 위한 세션 기반 개인화 추천 시스템 개발

Personalized Session-based Recommendation for Set-Top Box Audience Targeting

  • 차지수 (연세대학교 산업공학과) ;
  • 정구섭 (연세대학교 산업공학과) ;
  • 김우영 (연세대학교 산업공학과) ;
  • 양재원 (연세대학교 산업공학과) ;
  • 백상덕 (연세대학교 산업공학과) ;
  • 이원준 (연세대학교 산업공학과) ;
  • 장서호 (연세대학교 디지털애널리틱스융합학과) ;
  • 박태준 (한국방송광고진흥공사) ;
  • 정찬우 (한국방송광고진흥공사) ;
  • 김우주 (연세대학교 산업공학과)
  • Jisoo Cha (Dept. of Industrial Engineering, Yonsei University) ;
  • Koosup Jeong (Dept. of Industrial Engineering, Yonsei University) ;
  • Wooyoung Kim (Dept. of Industrial Engineering, Yonsei University) ;
  • Jaewon Yang (Dept. of Industrial Engineering, Yonsei University) ;
  • Sangduk Baek (Dept. of Industrial Engineering, Yonsei University) ;
  • Wonjun Lee (Dept. of Industrial Engineering, Yonsei University) ;
  • Seoho Jang (Digital Analytics, Yonsei University) ;
  • Taejoon Park (Korea Broadcast Advertising Corporation(KOBACO)) ;
  • Chanwoo Jeong (Korea Broadcast Advertising Corporation(KOBACO)) ;
  • Wooju Kim (Department of Industrial Engineering, Yonsei University)
  • 투고 : 2023.05.17
  • 심사 : 2023.06.25
  • 발행 : 2023.06.30
PDF 다운로드
⟨ 이전 논문 다음 논문 ⟩

초록

셋톱박스 오디언스(TV 시청자) 타겟팅의 핵심은 오디언스의 시청패턴을 분석하여 광고의 효과성이 높을 것으로 예상되는 오디언스에게 맞춤형 광고를 내보내는 것이다. 세션 기반 추천 시스템은 인터넷 광고 추천, 유저 검색 기록 기반 추천 등에 많이 이용되고 있지만, TV 광고의 측면에서 셋톱박스 데이터 수집의 어려움을 이유로 연구하기에 어려움이 있었다. 또한 오디언스 개인의 식별정보가 있는 데이터에서, 오디언스의 선호가 반영되는 시청 패턴을 모델링하는 데 한계가 있었다. 따라서 본 연구에서는 한국방송광고진흥공사(KOBACO)와 방송3사(SKB, KT, LGU+)와의 협업을 통해 익명화된 오디언스 4,847명의 6개월간 시청 데이터를 확보하여 연구를 진행하였으며, 유저-세션-아이템의 계층적 구조를 가지는 개인화 세션 기반 추천 시스템을 개발하여 성능 검증을 진행하였다. 그 결과, 셋톱박스 오디언스 데이터셋과 그 외 검증을 위한 2개의 데이터셋에서 제안된 모델이 비교 대상 모델보다 높은 성능을 보이는 것을 확인하였다.

TV advertising with deep analysis of watching pattern of audiences is important to set-top box audience targeting. Applying session-based recommendation model(SBR) to internet commercial, or recommendation based on searching history of user showed its effectiveness in previous studies, but applying SBR to the TV advertising was difficult in South Korea due to data unavailabilities. Also, traditional SBR has limitations for dealing with user preferences, especially in data with user identification information. To tackle with these problems, we first obtain set-top box data from three major broadcasting companies in South Korea(SKB, KT, LGU+) through collaboration with Korea Broadcast Advertising Corporation(KOBACO), and this data contains of watching sequence of 4,847 anonymized users for 6 month respectively. Second, we develop personalized session-based recommendation model to deal with hierarchical data of user-session-item. Experiments conducted on set-top box audience dataset and two other public dataset for validation. In result, our proposed model outperformed baseline model in some criteria.

키워드

과제정보

본 논문은 국토교통부의 스마트시티 혁신인재육성사업 및 중소기업기술정보진흥원의 지원을 받았습니다

참고문헌

  1. 나혜연, 남기환.(2020).사용자 선호도 변화에 따른 추천시스템의 다양성 적용. 지능정보연구, 26(4), 67-86. https://doi.org/10.13088/JIIS.2020.26.4.067
  2. 장동수, 이청용, 김재경.(2023).딥러닝 기반 온라인 리뷰의 언어학적 특성을 활용한 추천 시스템 성능 향상에 관한 연구. 지능정보연구, 29(1), 41-63. https://doi.org/10.13088/JIIS.2023.29.1.041
  3. 홍태호, 홍준우, 김은미, 김민수. (2022). 영화 리뷰의 상품 속성과 고객 속성을 통합한 지능형 추천시스템. 지능정보연구, 28(2), 1-18. https://doi.org/10.13088/JIIS.2022.28.2.001
  4. Chung, J., Gulcehre, C., Cho, K., & Bengio, Y. (2014). Empirical evaluation of gated recurrent neural networks on sequence modeling. arXiv preprint arXiv:1412.3555.
  5. Hamilton, W., Ying, Z., & Leskovec, J. (2017). Inductive representation learning on large graphs. Advances in neural information processing systems, 30.
  6. Hidasi, B., Karatzoglou, A., Baltrunas, L., & Tikk, D. (2015). Session-based recommendations with recurrent neural networks. arXiv preprint arXiv:1511.06939.
  7. Hornik, K., Stinchcombe, M., & White, H. (1989). Multilayer feedforward networks are universal approximators. Neural networks, 2(5), 359-366. https://doi.org/10.1016/0893-6080(89)90020-8
  8. Kipf, T. N., & Welling, M. (2016). Semi-supervised classification with graph convolutional networks. arXiv preprint arXiv:1609.02907.
  9. Koren, Y., Bell, R., & Volinsky, C. (2009). Matrix factorization techniques for recommender systems. Computer, 42(8), 30-37. https://doi.org/10.1109/MC.2009.263
  10. Li, J., Ren, P., Chen, Z., Ren, Z., Lian, T., & Ma, J. (2017, November). Neural attentive session-based recommendation. In Proceedings of the 2017 ACM on Conference on Information and Knowledge Management (pp. 1419-1428).
  11. Liu, Q., Zeng, Y., Mokhosi, R., & Zhang, H. (2018, July). STAMP: short-term attention/memory priority model for session-based recommendation. In Proceedings of the 24th ACM SIGKDD international conference on knowledge discovery & data mining (pp. 1831-1839).
  12. Michael, K. (2020). eCommerce Events History in Cosmetics Shop. Released March 2020, Retrieved April 30, 2023, from https://www.kaggle.com/datasets/mkechinov/ecommerce-events-history-in-cosmetics-shop
  13. Sahoo, N., Singh, P. V., & Mukhopadhyay, T. (2012). A hidden Markov model for collaborative filtering. MIS quarterly, 1329-1356.
  14. Sarwar, B., Karypis, G., Konstan, J., & Riedl, J. (2001, April). Item-based collaborative filtering recommendation algorithms. In Proceedings of the 10th international conference on World Wide Web (pp. 285-295).
  15. Shani, G., Brafman, R., & Heckerman, D. (2002, August). An MDP-based recommender system, Proc. 18th Conf. In Uncertainty in Artificial Intelligence.
  16. Shepard, C., Rahmati, A., Tossell, C., Zhong, L., & Kortum, P. (2011). LiveLab: measuring wireless networks and smartphone users in the field. ACM SIGMETRICS Performance Evaluation Review, 38(3), 15-20. https://doi.org/10.1145/1925019.1925023
  17. Velickovic, P., Cucurull, G., Casanova, A., Romero, A., Lio, P., & Bengio, Y. (2017). Graph attention networks. arXiv preprint arXiv:1710.10903.
  18. Wu, S., Tang, Y., Zhu, Y., Wang, L., Xie, X., & Tan, T. (2019, July). Session-based recommendation with graph neural networks. In Proceedings of the AAAI conference on artificial intelligence (Vol. 33, No. 01, pp. 346-353).