연구 [6]은 오프라인 쇼핑몰에서 비콘의 측위 기술과 고객의 오프라인 매장 방문 이력 정보를 이용하여 고객에게 오프라인 브랜드를 추천하기 위한 기법이다. 고객의 방문이력 정보는 고객의 실내 위치, 이동 동선, 체류시간 등을 나타내며 이러한 정보를 이용하여 실시간 마케팅에 활용하고자 한다. 연구 [6]에서 추천 기법은 협업적 필터링을 응용하여 학습과정(Training Process)과 적용과정(Apply Process)으로 구성하였다. 학습과정은 쇼핑몰의 과거 방문 이력을 통해 네트워크를 구성하여 학습하는 방법이다. 학습과정을 통해 구성된 브랜드 네트워크 모델은 BBN(Base Brand Network)이다. 적용과정은 학습과정의 결과인 BBN과 당일 고객의 방문 이력을 기반으로 고객에게 브랜드를 추천하는 방법이다.

본 연구가 오프라인 매장의 개별 상품과 관련된 온라인 상품을 추천하는 기법인데 반해, 연구 [6]은 오프라인 매장의 브랜드를 추천하는 측면에서 연구의 차별성을 갖는다.

연구 [7]은 오프라인 쇼핑몰에 아이템기반 협업적 필터링(Item Based Collaborative Filtering: IBCF)[8]을 적용하여 상품 추천 시 성능을 개선하기 위한 방안을 제안한다. 연구 [7]은 사용자의 과거 구매이력을 기반으로 하는 IBCF와 다수의 추천 알고리즘을 조합하여 추천 정확도의 성능을 개선한다. 오프라인 쇼핑몰에서 사용자는 브랜드 구매패턴이 지속적으로 반복되므로 사용자의 과거 브랜드 구매 패턴과 IBCF에 의해 도출된 구매 패턴을 조합하여 사용자에게 선호하는 브랜드를 추천한다.

연구 [7]에서는 추천의 정확도를 측정하기 위해 F1[9] 평가방법을 이용하였으며, 추천 브랜드 개수 k를 3개로 했을 때 연구 [7]에서 제안한 기법의 추천 성능이 향상됨을 확인하였다.

연구 [7]에서는 IBCF의 대상 상품을 오프라인 쇼핑몰의 매장 내의 개별 상품이 아니라 브랜드로 제한하였으며, 본 연구에서 상품 센서에 의해 수신된 개별 상품과 관련된 온라인 상품을 추천하는 것과 차이를 보인다.

연구 [10]에서는 오프라인 쇼핑몰에서 사용자의 이동경로와 같은 동적 컨텍스트 정보를 기반으로 상품을 추천하기 위한 기법을 제안한다. 사용자의 이동경로 예측하기 위해 RSOM(Recurrent Self Organizing Map)[11]을 이용하여 경로 예측 모델을 생성한다. 이러한 경로 예측 모델은 센서로 부터 사용자의 ID를 식별 한 후 사용자의 구매 이력 정보와 경로 정보(쇼핑 평균시간, 쇼핑 시간대, 체류시간 등)를 기반으로 사용자의 이동 경로를 예측한다. 사용자의 현재 위치를 파악한 후 사용자의 주변의 상품 중에서 사용자가 이동한 경로를 예측하여 상품을 추천한다. 예측 정확도는 MAE(Mean Absolute Error)[12]를 이용하였으며 이동경로 예측을 통한 상품 추천이 효과적임을 증명하였다.

연구 [10]은 경로 예측 모델을 기반으로 사용자의 이동 경로를 예측한 후 매장 내의 상품을 추천하는 것으로 제한적인 오프라인 상품만을 추천한다.

연구 [13]은 무선 센서를 이용하여 환경 정보를 수집하며, 이를 기반으로 환경 관련 상품을 추천하고자 하는 방안을 제안한다. 오프라인 상점에 설치된 환경 정보 수집 센서(미세먼지 센서, 온도 센서, 습도 센서, UV 센서)를 통해 환경 정보를 수집하며, 수집된 정보를 서버로 전송한다. 연구 [13]에서는 수집된 정보를 기반으로 사용자에게 환경 관련 제품(마스크, 자외선 차단제, 우산 등)을 추천 한다.

연구 [13]은 오프라인 환경정보를 이용하여 상품을 추천하는 시스템으로 제안하고 있으며, 본 논문에서 제안하는 개인정보와 상품정보를 기반으로 오프라인 맞춤형 추천 시스템과는 차이를 보인다.

오프라인 상품 기반 추천 서비스는 오프라인 매장의 상품에 대해 사용자의 행위(상품구매, 상품정보수신 등)를 기반으로 온라인 상품을 추천하는 서비스이다.

<그림 2>에서와 같이 오프라인 매장의 상품 정보를 사용자에게 제공한 후 사용자가 그 상품과 의미적으로 유사도가 높은 상품을 추천한다.

오프라인 상품 추천에 대한 추천 아키텍쳐는 <그림 3>과 같다. 본 연구에서의 오프라인 상품 기반 추천은 오프라인 매장의 상품과 관련된 추천상품을 제공한다. 따라서 오프라인 매장의 상품과 관련된 정보를 제공할 수 있는 센서를 기반으로 사용자에게 상품 정보를 추천한다. 오프라인 매장의 비콘(Beacon) 센서는 사용자에게 상품 정보에 해당하는 식별 정보를 전송하며 수신된 상품의 센서 ID는 모바일 디바이스에서 커머스 서버(Commerce Server)로 전송된다. 커머스 서버에서는 전송된 상품과 관련된 상품들을 추출하기 위해 트랜잭션 내의 상품들 간의 유사도를 계산한다.

오프라인 상품 기반 추천 아키텍쳐를 구성하는 모듈은 <그림 4>와 같다. 오프라인 상품의 정보를수신하기 위해 모바일 디바이스에는 Product_ID_Receiver가 비콘 센서로 부터 ID를 수신하며, Product_Provider는 해당 오프라인 상품 ID를 커머스 서버로 보내서 상품 정보를 제공받는다. 커머스 서버에서는 Product_Info_Provider가 상품 정보를 제공하거나 유사도를 통해 추천 상품을 모바일 디바이스로 전송한다. 데이터베이스의 트랜잭션 정보나 상품 정보를 기반으로 Product_Recommender가 유사도를 계산한다.

<그림 5>에서와 같이 오프라인 상품과 온라인 상품들 간의 유사도를 계산한다. 오프라인 상품과 온라인 상품간의 유사도는 상품 속성들 간의 유사도 값이며 추천될 수 있는 상품 그룹을 구성한다.

<그림 6>에서와 같이 사용자는 관심 있는 상품에 대해 상품 속성 정보 기반으로 Top-n 유사도를 도출한다[14]. 각 사용자들은 Top-n 유사도를 가지고 있으며 이러한 각 사용자들의 Top-n 유사도는 다른 사용자들 간의 유사도 계산 시 활용되기 위해 1차 유사도 그룹(Similarity Top-n)이 된다. 추천 상품 Top-n은 유사도를 기반으로 도출되며 다른 사용자의 Top-n 추천 상품을 이용한다. 다른 사용자의 Top-n 추천 상품을 획득하기 위해 유사도 Top-n을 통해 얻을 수 있다. 이렇게 구성된 각 사용자별 추천 상품 Top-n이 2차 그룹(Product Top-n)이 된다. 다른 사용자의 유사도 변경에 따라 추천 상품이 변경되며 현재 사용자의 추천 유사도 및 추천 상품도 변경된다.

오프라인 상품 기반 추천은 오프라인 상품(센서)과 사용자 모바일 디바이스, 그리고 서버 간에 <그림 7>과 같은 절차로 추천이 이루어진다.

센서에서 전송된 상품 ID와 사용자 모바일 디바이스 ID를 기반으로 상품 정보가 제공되며 사용자는 해당 상품에 대한 관심 행위를 통해 유사도가 높은 상품을 추천 받을 수 있다.

구체적인 상품 정보의 수신 절차는 <그림 8>과 같다. 센서는 모바일 디바이스로 오프라인 상품의 ID(UUID)를 전송하며 모바일 디바이스의 Product_ID_Recevier는 해당 상품 ID를 서버의 Product_Info_Provider로 전송한다. 서버는 UUID에 해당하는 상품을 모바일 디바이스로 전송한다.

<그림 9>는 수신 받은 오프라인 상품에 대해 사용자가 관심 행위를 보이면 유사도가 높은 상품을 추천하는 절차를 나타낸다. 사용자의 관심 행위는 상품을 구매하거나, 상품의 상세 정보를 보기 위해 클릭하는 등의 행위를 의미한다. 상품을 선택하면 상품 ID와 모바일 디바이스 ID를 서버의 Product_Recommender로 전송하여 해당 상품과 관련된 트랜잭션과 상품 정보들을 기반으로 유사도를 계산하여 추천 상품 정보를 제공한다.

Product Recommender는 <그림 10>과 같이 오프라인 상품 ID에 관련된 정보를 기반으로 유사도를 계산하기 위해 트랜잭션 테이블과 상품 테이블을 참조한다. 현재 사용자 user001은 오프라인 상품 p001의 트랜잭션 정보를 통해 동일 상품을 구매한 user002, user003의 구매 상품 p002, p003과의 유사도를 계산한다. 상품 속성간의 유사도를 계산하여 p003이 p001과 유사도 높은 것으로 판단하여 p003를 user001의 사용자에게 추천한다.

유사도 기반 상품 추천 알고리즘은 <그림 11>과 같다. 유사도 계산은 <그림 10>의 트랜잭션 테이블과 상품 테이블 기반으로 오프라인 상품과 관련된 온라인 상품 정보들 간의 속성 비교를 통해 유사도를 도출한다. 도출된 유사도를 기반으로 유사도가 낮은 순으로 정렬하여 Top-n 상품을 선택하며 해당 선택된 유사도의 상품을 오프라인 상품에 관심 있는 사용자에게 추천한다.

<그림 11>에서와 같이 유사도 Top-n(Select_Top-n(...))은 <그림 6>에서 정의한 1차 그룹인 유사도 그룹이며, 추천 상품 Top-n(Recommend_Top-n(...))은 2차 그룹인 추천 상품 그룹이 된다.