초록 close

추천시스템이란 사용자의 성향과 기호도를 파악하여 향후 구매할 것으로 예상되는 상품을 자동으로 제시하여 구매 의사결정을 도와주는 시스템이다. 외식업체들은 인터넷사이트ㆍ어플 등을 활용하여고객의 판매정보를 수집하고 “개인화” 맞춤 추천메뉴를 제안하는 서비스를 많이 활용하고 있다. 기존의 협업필터링 추천시스템 연구는 산업별 특성을 고려한 정보 수집 및 알고리즘 개발보다는 상품의구매 평점 데이터와 단편적 인구통계정보를 활용하여 시스템을 구현하고 예측 성능을 개선시키는 방향으로 진행되어 왔다. 본 연구의 목적은 산업군 특성을 고려하여 식품 외식산업에서 주로 활용되는시장세분화 이론을 토대로 4종의 프로파일별 변수를 산출하고, 알고리즘에 적용하여 추천시스템의 성능을 비교하고자 한다. 메뉴평점 정보와 인구통계ㆍ식생활 라이프스타일ㆍ메뉴선택속성ㆍ삭사장소 선호패턴 정보를 각각 결합하여 4종의 프로파일을 생성한 후 유사도 결합을 통한 협업필터링 모델을생성하고 오픈소스 파이썬(Python)으로 구현하였다. 상기 모델을 사용자 320명 대상 설문데이터에적용한 결과 음식평점과 인구통계변수를 결합한 Profile 1이 MAE 0.5625로 가장 낮게 나타났다. 아울러 외식산업 변수 중에서 식사장소 선호패턴과 결합한 Profile 4가 0.5987, 음식메뉴 선택속성과결합한 Profile 3이 0.6012 순으로 나타났다. 본 연구가 주는 시사점은 인구통계적 변수 외에 외식산업에서 자주 활용되는 식사장소 선호패턴 등 행동적 변수와 더불어 고객의 심리적 변수인 식생활 라이프스타일과 메뉴 선택 속성정보까지 활용하여 음식메뉴 추천서비스를 구현하였고, 향후 외식산업에서 추천시스템을 개발하고자 할 때 사용자의 어떤 정보를 이용하는 것이 추천 성능에 영향을 주는지구체적으로 규명하였다는 점이다.


The recommendation system is a tool that helps users to make purchase decisions by using the user's preference and suggesting products that the user is expected to purchase in the future. Recently, many companies collect customers purchase information and offer customized recommendations on internet sites and applications. In order to improve prediction accuracy, the existing research has been progressed by using purchase rating data and demographic information rather than developing algorithms considering the characteristics of each industry. The purpose of this study is to compare the performance of collaborative filtering model based on market segmentation variables considering the food industry. First, four types of profiles were generated by combining menu rating, demographic, food lifestyle, menu selection attribute and dining place preference pattern information; then a model was created by combining the profile similarities. As a result Profile1, which combines food menu rating and demographic variables, showed the lowest MAE 0.5625. Among the variables of the food industry, Profile4 combined with dining place preference was 0.5987 and Profile3 combined with food menu selection attribute was 0.6012. The implications of this study are to implement menu recommendation using not only demographic but also behavioral variables that are frequently used in the food industry as well as psychological variables of customers. Another implication is to explain in detail what information of users affects the performance when developing a recommendation system in the food service industry.