Home

본 연구에서 제안하는 딥러닝 기반 추천 시스템의 구조는 그림 1과 같다. 시스템은 학습에 활용할 데이터와 관련된 데이터 모듈과 학습과 결과를 가시화하는 학습 및 추천 결과 모듈로 구성되어 있다. 데이터 모듈은 데이터 추출 및 전처리로 구성되어 있으며 학습 및 결과 모듈은 딥러닝 학습 모델과 추천 결과로 구성된다.

Fig. 1. 
Deep learning based recommendation system structure

데이터 추출은 학습에서 활용되는 데이터를 추출하는 과정으로 본 연구는 사용자와 상품의 특징 데이터를 활용한다. 이는 상품과 사용자 특징 사이의 관계를 파악하여 연관성을 분석하기 위함이다. 데이터 전처리 과정은 데이터를 모델에 활용할 수 있도록 정제하는 과정으로 결측치 제거와 불균형 데이터 완화, 데이터 인코딩의 작업을 수행한다. 앞선 데이터 추출 및 전처리 작업을 통해 데이터를 도출한 후 이를 상품과 사용자 데이터로 구분하여 학습할 수 있는 형태로 분류한다. 모델과 추천의 과정은 앞서 추출된 데이터를 활용하는 단계로 신경망의 입력값에 따른 사용자 특징 데이터의 패턴을 학습하는 과정으로 구성된다. 이는 제품 특징과 사용자의 특징 사이의 연관 관계를 파악하기 위함이다.추천 결과는 학습된 신경망을 기반으로 사용자와 상품의 특징 관계를 백분율로 나타내며 이후 학습의 결과는 원그래프를 활용한 시각화를 통해 특징 간 연관 정도를 결과로 보여준다.

본 연구에서 활용한 신경망의 구조는 그림 2와 같다. 본 연구의 목적은 상품과 사용자 특징 간 연관 관계를 파악하는 것을 목표한다. 따라서 두 데이터 사이의 연관 관계를 학습하기 위해 심층 신경망(DNN, Deep Neural Network)[25] 을 활용하여 모델을 구성하였다.

Fig. 2. 
Model structure of deep learning based recommendation system

상품의 특징 데이터는 모델의 입력층에 활용된다. 사용자의 데이터는 입력된 상품데이터에 따른 사용자 특징을 도출하기 위해 학습 시 활용되며 출력값은 사용자의 특징을 사용한다. 따라서 데이터의 특징상 독립변수인 상품을 통해 사용자의 특징 변수와 관계를 확인하기 위해 학습을 진행한다. 신경망 모델의 은닉층(Hidden layer)[27]는 아래와 같이 구성하였다.

• - 노드 개수 : 30개
• - 배치 정규화(Batch normalization)[28]
• - ReLU[29]
• - Dropout[30]
• - SoftMax[31]

추천 결과는 앞선 모델의 출력 결과를 가시화하는 과정으로 원그래프를 활용하여 보여준다. 제안하는 시스템의 추천 결과의 예시는 그림 3과 같다. 그림 3은 학습된 신경망에 흡수체(제품 특징) 데이터를 입력하여 생리 냄새(사용자 특징) 데이터를 입력한 결과이며 학습결과를 통해 고분자 흡수체를 사용한 사용자의 경우 생리 냄새 약함(54.5%)과 연관성이 가장 높음을 알 수 있다.

Fig. 3. 
Example of learning result(Absorbent core–smell)

본 연구에서 활용된 데이터는 실제 산업체에서 활용되고 있는 데이터를 활용하였다. 여성 헬스케어 기업인 ‘먼슬리씽’ 에서 제공한 2018년부터 2022년까지 생리대의 특징과 기업에서 제공하는 서비스에 입력된 약 100,000명의 완벽하게 익명화된 사용자의 생리 특징 데이터를 사용하였다. 제공받은 사용자 특징 데이터는 표 1과 같으며 각각의 특징별 세부 데이터를 입력할 수 있다.

세부 데이터는 정도를 나타내는 데이터와 분류를 선택하는 정형적 형태의 데이터로 구성되어 있다. 예를 들어 생리통 생리량, 생리 냄새의 경우 1~5단계의 정도를 나타내고 신체 활동과 실내 활동은 자전거 타기, TV 보기, 헬스 등 선택할 수 있는 다양한 활동으로 구성되어 있어 각 특징에 대해 정도 혹은 활동의 분류를 선택할 수 있다.

상품 특징의 데이터는 생리대에 대한 데이터로 총 5가지로 구성되어 있으며, 제공받은 데이터는 표 1과 같다. 각각의 상품 특징은 세부적으로 분류되어 있으며 분류 번호를 통해 구성되어 있다. 예를 들어 탑시트의 경우 종류에 따라 순면감촉, 유기농 순면, 재생섬유, 등이 있으며 각각의 고유한 번호로 저장되어 있다.

앞선 데이터 구성을 기준으로 연구에서 제안한 모델의 학습에 활용하기 위해 상품의 특징, 상품과사용자의 특징 데이터를 추출했다. 모델 적용 및 연구 가설을 증명하고 연관성을 파악하기 위한 데이터는 다음 제시된 조건으로 추출하였다.

• 1) 특징이 입력된 사용자
• 2) 1번 조건을 만족하는 사용자 중 구매한 생리대(상품)의 특징

조건 1번의 입력된 사용자 특징은‘먼슬리씽’에서 제공하는 애플리케이션 서비스에 입력된 사용자 데이터를 활용하였다. 연구에 활용한 사용자 특징의 종류는 총 5가지이며 선정 근거는 여성 생리케어 용품 사용평가를 기준으로 사용자의 특성을 선정하였다. 기존 연구[31][32]에 따르면 사용자가 생리 케어용품을 구매할 경우 고려하는 주요 요인으로 생리대 착용 시 활동성과 생리량을 상품 선정 시 중요한 요소로 고려하였으며, 냄새와 흡수율의 요인 또한 생리대의 주요선택 요소로 고려되었음을 알 수 있었다. 따라서 본 연구에 활용할 사용자의 특성으로 생리 냄새, 생리량, 생리통, 신체 활동, 실내활동을 사용자의 5가지 생리 특성으로 선정하였다. 조건 2번의 구매한 상품 특성의 경우 업체의 전자상거래 서비스에서 판매되는 상품 중 생리케어 용품들의 특징들을 선정 및 활용하였다. 업체에서 제공하는 상품의 특징은 총 5가지로 유형, 탑시트, 흡수체, 제조 국가, 가격을 학습에 활용 하였다.

앞선 조건을 통해 데이터를 추출 후 사용자 데이터에서 두 가지 특징이 발견되어 이에 대한 전처리를 진행했다.

첫 번째 특징으로 사용자 특성을 모두 입력한 것이 아닌 부분 입력을 한 사용자가 많아 결측치 데이터가 있음을 확인하였다. 다른 특징으로는 사용자의 다섯 가지의 특성이 그림 4의 1번 분포 그래프와 같이 데이터의 분포가 특정한 값으로 편향된 것을 확인했다. 예를 들어 그림 4는 사용자 특성 중 냄새에 관한 데이터 분포 그래프로 1번 도표는 1차로 추출된 전처리 전 데이터의 분포특성이다. 추출된 데이터의 분포는 1번 특징(냄새 없음)으로 데이터가 편향되어 있음을 확인하였고, 결측치 데이터를 제거하는 과정과 데이터 분포를 고르게 만들기 위해 기존의 비율에 맞추어 다른 특성 데이터를 무작위 복사하여 데이터를 추가하는 작업을 진행했다(그림 4의 2번 도표 참고).

Fig. 4. 
Distribution of type – smell data

앞선 데이터 전처리 과정을 통해 특징을 입력한 사용자 중 상품을 구매한 사용자는 약 1,400명이 도출되었으며, 해당 사용자가 구매한 생리대의 개수로는 약 4,400개의 데이터를 추출, 이를 신경망 학습에 활용하였다.

실험에 앞서 최적의 하이퍼 파라미터를 적용하기 위한 실험을 진행하였으며, 학습의 조건은 24×24 배치 사이즈와 러닝 레이트는 0.01로 적용하여 실험을 진행하였다. 옵티마이저의 경우 Adagrad[34], Adam[35], SGD[36], RMSprop[37]를 비교하여 모델에 적용하였다. 그림 5는 실험에서 사용한 옵티마이저 간 손실값 비교 그래프이다. 실험결과 Adagrad를 적용하여 학습을 진행할 때 다른 하이퍼 파라미터와 비교하여 손실값이 더 낮음을 확인하였고 실험 결과를 활용하여 모델학습에 적용하였다.

Fig. 5. 
Comparison of loss graphs between optimizers

학습된 내용을 기반으로 한 추천 시스템의 실험 결과는 다음과 같다. 상품 특징과 사용자 특징을 학습했을 때 도출되는 손실값 그래프는 그림 6이며, 각각의 그래프는 상품 특징과 사용자 특징을 학습한 결과이다. 해당 그래프의 추세선을 통해 특징별 학습이 적절하게 되었음을 알 수 있다. 또한, 특정 상품 특징뿐만이 아닌 전반적인 상품 특징에 대해서도 학습이 되었음을 확인할 수 있다.

Fig. 6. 
Loss graphs of product features and user features

본 연구에서 제안한 모델의 개인별 선호도 결과는 표 2와 같다. 실험결과 딥러닝을 활용한 데이터 분석 시 상품과 사용자 간 연관성 파악을 통한 다양한 선호도 추론이 가능함을 알 수 있었다. 예를 들어 표 2-1의 결과는 상품 특징인 탑시트를 입력값으로 사용자 특성(생리 냄새)과의 관계를 알아본 결과이다. 학습결과 재생섬유(탑시트)를 사용하는 사용자는 생리 냄새 아주 약함과 약함의 특징이 가장 많이 분포한 것을 유추할 수 있다. 표 2-2의 결과로 디지털형 타입의 생리대의 경우 생리량이 많은 경우 사용하지 않는 것을 유추할 수 있었다.

The result of personalized recommendation
Input value	Topsheet type – Regenerated fiber	Input value	Type – digital
Input value	Type – normal	Input value	Type – normal, Absorbent core type– High polymer
Input value	Type – applicator	Input value	Type – band

앞선 실험과 더불어 추천 결과 개선 및 사용자의 다양한 특징을 도출하기 위해 입력값의 특징 증가[25]와 사용자 특징의 조합을 통한 실험을 진행하였다(표 2-3).

결과는 일반형 생리대의 특징을 입력한 경우 냄새라는 사용자의 특징이 고루 분포되는 것을 볼 수 있다. 이는 일반형 타입의 생리대는 냄새라는 특징과 특별한 연관 관계가 없다고 유추할 수 있다. 하지만 일반형 생리대와 고분자 흡수체라는 특징을 함께한 결과(표 2-4)의 경우는 냄새가 강한 경우 사용되지 않는 결과가 도출된다. 이는 일반형이며 고분자 흡수체의 특징을 가진 생리대의 경우 냄새가 적은 사용자가 사용한다는 결과를 도출해 낼 수 있다.

또한, 사용자 집단별 상품의 분포를 분석하기 위해 활동(신체 활동, 실내 활동)에 대한 신경망 학습을 진행하였으며 결과는 표 2-5, 2-6의 결과와 같다. 표 2-5, 표 2-6의 결과는 어플리케이터라는 상품 특징은 활동적인 행동(핼스, 달리기 등)을 하는 경우 사용되는 것을 유추할 수 있다. 하지만 밴드형의 경우 실내활동 (친구와 통화, 동영상 시청 등)의 정적인 활동과 연관 있는 것으로 결과가 도출된다. 따라서 딥러닝 기반 학습결과에 따라 생리대의 타입이라는 상품의 특징은 정적인 사용자와 동적인 사용자에 따라 다르게 추천될 수 있음을 확인할 수 있다. 이를 기반으로 일반형, 일회용 생리대, 어플리케이터는 활동적인 신체 활동 시 선호하는 제품군으로 나왔으며 정적인 실내 활동 시 일회용 라이너, 디지털형, 밴드형의 제품군을 선호하는 것을 추가로 도출할 수 있었다.

본 연구 결과를 기반으로 딥러닝을 활용한 데이터 분석 결과는 상품 특성에 대한 사용자의 특징을 분석하는데 활용될 수 있음을 확인할 수 있었다.