대규모 단체급식 데이터를 활용한 음식 메뉴 군집화와 추천 시스템 성능 비교

방병권; 김민용

추천

검색

자료유형: 학술저널

저자정보: 방병권 (경희대학교) 김민용 (경희대학교)

저널정보: 대한경영정보학회 경영과 정보연구 경영과 정보연구 제40권 제2호

발행연도: 2021.1

수록면: 17 - 34 (18page)

이용수

📌

연구주제

📖

연구배경

🔬

연구방법: 이 논문의 연구방법이 궁금하신가요?

🏆

연구결과: 이 논문의 연구결과가 궁금하신가요?

초록· 키워드

데이터의 양이 기하급수적으로 증가하고 이를 처리할 수 있는 분석 방법이 발전함에 따라 개인의 선호를 반영한 제품과 서비스를 제안하기 위해 다양한 분야에서 추천 시스템이 활용되고 있다. 추천 시스템을 통하여 소비자의 선호를 예측할 수 있게 되면 제품과 서비스에 대한 수요예측이 보다 정확해지고 이는 재고관리 등에 있어서 자원을 보다 효율적으로 운영할 수 있다. 대규모의 소비자를 상대로 선호를 파악하고 이를 수요예측에 반영하는 방법으로 추천 시스템을 활용할 수 있으나, 음식 메뉴의 추천을 위해 선택이 제한된 상황에서의 소비자 선택 정보를 활용하여 군집화를 시도하거나 추천 시스템의 성능을 비교한 연구는 드물다. 본 연구에서는 대규모 단체급식에서 발생한 음식 메뉴에 대한 소비자의 선택정보를 활용하여 음식 메뉴를 군집화하고 추천 시스템 알고리즘 간의 성능을 비교하였다. 단체 급식에는 다양한 선호를 가지고 있는 소비자들을 만족시키기 위해 다양한 음식 메뉴를 제공할 수 없는 한계가 있다. 소비자의 선호를 보다 정확하게 반영하게 되면 제한된 음식 메뉴로도 소비자의 만족도를 향상시킬 수 있고 식사를 제공하는 입장에서는 잔반을 최소화하고 원재료의 적정 재고 운영을 통해 자원의 효율적인 운영이라는 목적을 달성할 수 있다. 따라서 본 연구에서는 대규모 단체급식에서 발생한 음식 메뉴에 대한 소비자의 선택과 비선택의 정보를 활용하여 음식 메뉴의 군집화를 시도하고, 나이브베이즈 분류기를 통해 각 군집의 특성을 제시하였다. 또한 2∼3개의 선택 가능한 메뉴 중에서 소비자가 선택을 하는 음식 메뉴에 대한 선택정보만을 반영하였을 경우와 비선택의 경쟁 정보를 추가하여 반영한 두 가지 경우에 대한 추천 시스템 알고리즘 간의 성능 차이를 비교하였다. 단체급식 데이터를 활용하여 군집 분석을 한 결과 음식 메뉴는 8개의 군집으로 나눌 수 있었으며 각 군집의 특성은 나이브베이즈 분류를 통해 소비자의 인구통계 정보 및 음식 메뉴의 특성으로 설명이 가능한 것으로 나타났다. 음식 메뉴의 추천 시스템 성능은 대중적인 메뉴를 추천하는 경우가 예측 성능이 가장 우수한 것으로 나타났으며, 소비자가 선택한 아이템에 대한 정보뿐만 아니라 선택되지 않은 정보를 반영하면 추천 시스템 성능이 향상되는 것으로 나타났다. 이러한 연구는 음식 메뉴의 추천에 있어서 군집화 정보를 활용하고 선택의 기회가 있는 경우에는 비선택의 경쟁 정보까지 반영하여 추천 시스템을 구성함으로써 추천 성능을 향상시킬 수 있다는 것을 제시하고 있다. 대규모 단체급식에서 소비자의 선호를 바탕으로 군집화를 하고 추천의 정확도를 높이는 연구는 자원의 효율적 운영을 위한 수요예측의 기초자료로 활용이 될 수 있다.

As the amount of data increases exponentially and an analysis method capable of processing it develops, recommendation systems are being used in various fields to propose products and services that reflect individual preferences. When consumers' preferences can be predicted through the recommendation system, demand forecasts for products and services become more accurate, and resources can be operated more efficiently in inventory management, etc. The recommendation system can be used as a method of identifying preferences for large-scale consumers and reflecting them in demand forecasting. But there are few studies that attempts to cluster by using consumer selection information in situations where selection is limited for recommendation of meal menus or performance of the recommendation system. In this study, meal menus were clustered using the consumer's selection information for meal menus generated in large-scale company cafes, and the performance of recommendation system algorithms was compared. Large-scale company cafes have a limit in that they cannot provide a variety of meal menus to satisfy consumers with various preferences. If consumers' preferences are more accurately reflected, consumers' satisfaction can be improved even with limited meal menus, and from the standpoint of providing meals, the goal of efficient operation of resources can be achieved by minimizing leftovers and operating an appropriate inventory of raw materials. Therefore, in this study, we attempted to cluster meal menus by using the information of consumers' choice and non-selection on meal menus that occurred in large-scale company cafes and presented the characteristics of each cluster through the Naive Bayes classifier. In addition, performance differences between the recommendation system algorithms were compared in the case of reflecting only the selection information for the meal menu selected by the consumer from among 2 to 3 selectable menus, and the two cases reflecting by adding competition information of non-selection. As a result of cluster analysis using group meal data, the meal menu could be divided into 8 clusters, and the characteristics of each cluster could be explained by the consumer's demographic information and the characteristics of the meal menu through the Naive Bayes classification. As for the performance of the meal menu recommendation system, the case of recommending the popular menu showed the best prediction performance, and it was found that the performance of the recommendation system was improved by reflecting not only the information on the item selected by the consumer but also the information not selected. This study suggests that the recommendation performance can be improved by constructing a recommendation system by utilizing clustering information in recommending meal menus and reflecting competition information of non-selection when there is an opportunity for selection. In large-scale group catering, research on clustering based on consumer preferences and increasing the accuracy of recommendations can be used as basic data for demand forecasting for efficient management of resources.

#음식 메뉴 #군집 분석 #나이브베이즈 #추천 시스템 #대규모 #단체급식

참고문헌

참고문헌 신청

최근 본 자료

전체보기

배경 및 목적
대상 및 방법론
분석 및 수행
결과 및 의의

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI가 분석한 연구 핵심

이 논문의 한줄 요약

이 논문의 연구방법

목차

참고문헌

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)