본문바로가기

자료 카테고리

소장자료소장자료 공공정책정보공공정책정보 외부기관 자료외부기관 자료
전체 1
도서자료 0
학위논문 1
연속간행물·학술기사 0
멀티미디어 0
동영상 0
국회자료 0
특화자료 0

도서 앰블럼

전체 (0)
일반도서 (0)
E-BOOK (0)
고서 (0)
세미나자료 (0)
웹자료 (0)
전체 (1)
학위논문 (1)
전체 (0)
국내기사 (0)
국외기사 (0)
학술지·잡지 (0)
신문 (0)
전자저널 (0)
전체 (0)
오디오자료 (0)
전자매체 (0)
마이크로폼자료 (0)
지도/기타자료 (0)
전체 (0)
동영상자료 (0)
전체 (0)
외국법률번역DB (0)
국회회의록 (0)
국회의안정보 (0)
전체 (0)
표·그림DB (0)
지식공유 (0)

도서 앰블럼

전체 1
국내공공정책정보
국외공공정책정보
국회자료
전체 ()
정부기관 ()
지방자치단체 ()
공공기관 ()
싱크탱크 ()
국제기구 ()
전체 ()
정부기관 ()
의회기관 ()
싱크탱크 ()
국제기구 ()
전체 ()
국회의원정책자료 ()
입법기관자료 ()

검색결과

검색결과 (전체 1건)

검색결과제한

열기
내서재담기 야간이용신청목록담기(서울관) 한자 한글변환 목록으로 알림톡 발송 우편복사 목록담기 프린트
이 자료 추천하기 오류신고
MARC
논문명/저자명
유비쿼터스 고객관계관리를 위한 고객분류모형 및 추천 시스템 = Customer classification models and recommender systems for ubiquitous customer relationship management / 안현철 인기도
발행사항
대전 : 한국과학기술원, 2006.8
청구기호
TD 658.812 ㅇ179ㅇ
형태사항
x, 166 p. ; 26 cm
자료실
전자자료
제어번호
KDMT1200686548
주기사항
학위논문(박사) -- 한국과학기술원, 경영공학, 2006.8
원문

목차보기더보기

title page

Abstract

Contents

PART I. Introduction 15

Chapter 1. Research background 16

1.1. The importance of CRM under the ubiquitous environment 16

1.2. Research topics for e-CRM and m-CRM 17

Chapter 2. Framework of the research 21

PART II. Literature review 24

Chapter 3. Preprocessing techniques 25

3.1. Feature transformation techniques 25

3.1.1. Linear transformation 25

3.1.2. Second-order methods 27

3.1.3. Higher-order methods 28

3.1.4. Measures of non-gaussianity 29

3.2. Clustering techniques 30

3.2.1. K-means clustering 31

3.2.2. Self organizing maps(SOM) 32

3.2.3. Criteria for performance comparison of clustering algorithms 33

Chapter 4. Classification techniques 34

4.1. Logistic regression(LOGIT) 34

4.2. Multiple discriminant analysis(MDA) 35

4.3. Case-based reasoning(CBR) 36

4.4. Artificial neural network(ANN) 39

4.5. Support vector machine(SVM) 41

4.6. Genetic algorithm(GA) as an optimization tool 44

PART III. Preprocessing Techniques 47

Chapter 5. Feature transformation using ICA 48

5.1. Research background 48

5.2. Research model 51

5.2.1. Definition of ICA 51

5.2.2. Differences between PCA and ICA 54

5.3. Experiments and results 55

5.3.1. Application data 55

5.3.2. Experimental design 60

5.3.3. Experimental results 63

5.4. Discussion 71

Chapter 6. Product recommendation using GA K-means 73

6.1. Research background 73

6.2. Research model 74

6.2.1. The process of GA K-means algorithm 75

6.2.2. Chromosome encoding 77

6.3. Experiments and results 80

6.3.1. Experimental design 80

6.3.2. Experimental results 81

6.4. Discussion 91

PART IV. Customer classification models 93

Chapter 7. Optimization of the number of neighbors in CBR 94

7.1. Research background 94

7.2. Optimization of the number of neighbors to combine in k-NN 95

7.3. Research model 97

7.4. Experiments and results 100

7.4.1. Research data 100

7.4.2. Research design and system development 103

7.4.3. Experimental results 105

7.5. Discussion 109

Chapter 8. Optimization of features and instances in CBR 110

8.1. Research background 110

8.2. Optimization of features and instances in CBR 111

8.2.1. Feature selection and weighting approaches 111

8.2.2. Instance selection approaches 113

8.2.3. Simultaneous optimization approaches 113

8.3. Research model 115

8.4. Experiments and results 119

8.4.1. Application data 119

8.4.2. Research design and system development 121

8.4.3. Experimental results 125

8.5. Discussion 129

PART V. Recommender systems under mobile environment 132

Chapter 9. Mobile advertisement recommender system 133

9.1. Research background 133

9.2. Collaborative filtering and user's needs type 136

9.2.1. Collaborative filtering as a recommendation method 136

9.2.2. User's needs type 140

9.3. Research model 141

9.4. Experiments and results 146

9.4.1. Experimental design 146

9.4.2. Experimental results 151

9.5. Discussion 154

PART VI. Conclusion 159

Chapter 10. Conclusion 160

10.1. Summary of contributions 160

10.2. Limitations and future research issues 161

Summary in Korean 164

References 166

Acknowledgement 181

Curriculum vitae 183

Table 4.1. Prior studies for CBR using GA 46

Table 5.1. Observed features and their statistics for non-gaussianity 57

Table 5.2. Classification accuracy of the methods using LOGIT and CBR 64

Table 5.3. Classification accuracy of the methods using ANN 65

Table 5.4. Classification accuracy of the methods using SVM 66

Table 5.5. The best prediction accuracy of each experimental model 67

Table 5.6. The Z-values for the two sample test for proportions 70

Table 6.1. Intraclass inertia of each clustering method 85

Table 6.2. T-values of the paired-samples t-test 86

Table 6.3. The result of Chi-square analysis 86

Table 6.4. The result of ANOVA 88

Table 6.5. The result of the survey for satisfaction levels 90

Table 6.6. The results of paired-samples t-test 91

Table 7.1. The number of each case-base 101

Table 7.2. Selected features for GA k-NN 102

Table 7.3. Prediction accuracy of Conv. k-NN models ranging k from 1 to 10 107

Table 7.4. Average prediction accuracy of the models 107

Table 7.5. McNemar values for the hold-out data 108

Table 7.6. P values for the hold-out data 108

Table 8.1. Selected features and their descriptions 120

Table 8.2. Classification accuracy of k-NN for ConvCBR 126

Table 8.3. The feature weights and instance selection of optimized CBR models 127

Table 8.4. Average prediction accuracy of the models 128

Table 8.5. Z values for the hold-out data 130

Table 9.1. Candidate values for each input variable 148

Table 9.2. The results of the experimental models 153

Table 9.3. t-values of the paired-samples t-test 154

Figure 1.1. The classification of CRM 18

Figure 1.2. General process of knowledge discovery 19

Figure 2.1. Overall framework of the research 21

Figure 4.1. Distribution of a LOGIT variable 35

Figure 4.2. Geometric interpretation of MDA 36

Figure 4.3. Case-based reasoning cycle 38

Figure 4.4. The architecture of three-layered ANN with BP 40

Figure 4.5. The transfer process in a processing element (PE) 41

Figure 4.6. Outline of GA 45

Figure 5.1. The basic model of ICA 52

Figure 5.2. Difference between PCA and ICA interpretations on a bivariate data set 55

Figure 5.3. The overall framework of the research design 61

Figure 6.1. The overall framework of GA k-means 76

Figure 6.2. The structures of the chromosomes for GA k-means 79

Figure 6.3. The system architecture of the recommendation system 84

Figure 6.4. Sample screens of the prototype system 89

Figure 7.1. Framework of GA k-NN 98

Figure 7.2. Sample screen of the GA k-NN system 104

Figure 8.1. Steps of FWISCBR 115

Figure 8.2. Gene structure for FWISCBR 116

Figure 8.3. Working screen of the FWISCBR experimental system 123

Figure 9.1. Three dimensions of mobile personalization 134

Figure 9.2. User-item matrix schemes of conventional CF and the proposed model 142

Figure 9.3. System architecture of MAR-CF recommender system 143

Figure 9.4. Input screen of the data collection system 147

Figure 9.5. System architecture of real-world MAR-CF system 155

Figure 9.6. The user's process of real-world MAR-CF system 156

초록보기 더보기

이른바 유비쿼터스(Ubiquitous) 혁명으로 대표되는 인터넷 및 무선통신의 발달에 따라, 오늘날 기업들은 웹(Web)이나 모바일 통신을 활용한 고객관계관리에 보다 많은 관심을 기울이고 있다. 그러나, 이러한 고객관계관리가 효과적인 성과를 내기 위해서는, 고객들의 행동 패턴에 대한 기업들의 이해수준이 보다 고도화되어야 하며, 이를 통해 보다 정확하고 정밀한 고객의 구매행동 예측이 이루어져야 한다. 이러한 배경으로 인해 최근 기업의 제품이나 서비스의 구매를 예측하는 '고객 분류 모형'의 구축이 분석 CRM 분야에서 중요한 연구 주제 중 하나로 부상하고 있다.

본 연구에서는 이러한 '고객 분류 모형'을 구축하는데 있어서, (1) 적절한 자료 전처리 기법 및 (2) 개선된 분류모형 구축과 관련한 새로운 방법론들을 제안하고 있다. 우선, 자료 전처리 기법으로는 ICA(Independent Component Analysis)와 GA K-means 군집화 방법을 제안한다. ICA는 다차원 벡터를 통계적으로 독립을 만족시키는 단위 요소로 변환하는 방법으로, 잡음제거 및 예측성과 향상 효과를 가져올 수 있는 방법론이다. 이에 본 연구에서는 일반적으로 자료의 양은 많으나, 잡음을 많이 포함하고 있는 인터넷 쇼핑몰의 고객 분류 모형에 ICA를 적용함으로서, 고객 구매의 예측성과를 개선하고자 하였다.

아울러, GA K-means 군집화 방법은 초기 군집중심점의 설정에 따라 국소최적화가 발생 할 수 있는 전통적인 K-means 군집화 방법을 개선하기 위한 방법으로서, 유전자 알고리즘(GA)을 이용해 군집중심점을 전역최적화하는 방법을 제안한다. 본 연구에서는 이러한 GA K-means 군집화 방법을 인터넷 쇼핑몰의 고객 분류 모형 구축에 대한 전처리 방법으로 적용하여, 본 방법론이 보다 만족스러운 추천결과를 고객에게 제공할 수 있음을 확인하였다.

분류방법론 개선과 관련하여, 본 연구에서는 전통적으로 많이 활용되어 온 분류기법 중 하나인 사례기반추론(CBR, Case-based Reasoning)의 2 가지 개선방안을 제시하고 있다. 우선 첫번째 방법은 결합할 최적 사례수(k-NN의 k 모수)를 유전자 알고리즘으로 최적화 하는 방법이며, 다른 하나는 각 변수별 가중치와 학습사례 선정을 유전자 알고리즘으로 최적화 하는 방법이다. 본 연구에서는 이 두 가지 방법을 사례기반추론을 활용한 고객 분류 모형 구축에 적용하였다. 실제 인터넷 쇼핑몰의 데이터를 활용해 실증적인 검증을 수행해 본 결과, 본 연구에서 제안한 모형들이 기존 방법론들이 보여주는 예측성과를 크게 개선할 수 있음을 확인할수 있었다.

끝으로, 본 연구에서는 휴대전화 사용자들을 위한 모바일 광고 추천 모형을 제안하고 있다. 이른바 MAR-CF(Mobile Advertisement Recommender model using Collaborative Filtering)로 명명한 본 연구의 제안모형은 전통적으로 널리 적용되어 온 추천방법론인 협업 필터링(CF)을 기반으로 하고 있다. 하지만, 장소, 시간, 그리고 고객의 관심 정보를 활용해 추천결과를 보다 정교화함으로서, 모바일 환경에서 보다 적합한 지역광고를 보다 효율적인 방법으로 추천할 수 있도록 설계되었다. 모형의 우수성을 검증하기 위한 실험결과, 본 연구의 제안 모형이 전통적인 협동필터링 방법에 비해, 예측성과 측면에서 보다 우수한 예측결과를 제공함을 확인할 수 있었다.

내서재담기 야간이용신청목록담기(서울관) 한자 한글변환 목록으로 알림톡 발송 우편복사 목록담기 프린트

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차
연속간행물 팝업 열기 연속간행물 팝업 열기