Enhancing a Fashion-Specific Recommendation System via Integrating User Consumption Profile

Abstract

Recommendation systems are crucial in todays digital platforms like Netflix and Amazon, enhancing personalization, customer loyalty, and revenue. Our study aims to develop a precise recommendation system rooted in a socio-scientific understanding of users, especially in fashion domain. Further, we propose methods to create privacy-conscious user profiles in the face of strict regulations on personal data collection and usage. As part of our approach, we utilize the RFM (Recency, Frequency, Monetary) technique and develop a novel Fashion Consciousness index. These measures allow us to extract in-depth customer profiles, providing nuanced understanding of user preferences and behaviors, all while ensuring maximum privacy respect. In order to capture the intricate factors like color, texture, and pattern influencing fashion product choices, we use Graph Neural Networks (GNN), particularly the Knowledge Graph Attention Network (KGAT). We enhance the performance of the system by creating the KGATu model, which broadens our graph structure to incorporate an item knowledge graph, a user-item bipartite graph, and importantly, an additional user knowledge graph. The pioneering integration of the user knowledge graph allows KGATu to effectively capture user-specific information, thereby improving the personalization and precision of our model. We provides valuable insights by integrating the domain knowledge and abstract decision-making attributes on fashion products into the system, pushing the boundary of personalized user experience while also respecting data privacy and sensitivity.

오늘날 추천 시스템은 초개인화 서비스, 고객 충성도 및 매출 향상에 기여하며, Netflix와 Amazon 등과 같은 디지털 플랫폼들에서 중추적인 역할을 하고 있다. 본 연구는 사용자에 대한 사회과학적 이해를 기반으로 더욱 정확한 추천 시스템을 개발을 목표로 하였으며, 특히 패션 이커머스 분야에 특화된 시스템 개발에 중점을 두었다. 개인 데이터의 수집 및 사용에 관한 규제가 강화되는 상황에서, 사용자의 민감 정보나 적극적인 상호작용 없이도 사용자 소비 프로파일을 생성하는 방법을 제안하였다. RFM (Recency, Frequency, Monetary) 기법을 활용하고 패션 상품에 특화된 소비 지수-패션 민감도 도출을 위한 방법 고안하여, 사용자의 소비 행동 특성을 추출하였다. 패션 제품 선택에 영향을 미치는 요소들, 즉 색상, 질감, 패턴 등 추상적 요인 간의 복잡한 관계를 그래프 구조로 포착하였고, 그래프 신경망(GNN) 중 KGAT(Knowledge Graph Attention Network)를 기반으로 도메인 지식을 적용하였다. 기존 KGAT 그래프 구조인 Item knowledge graph와 user-item bipartite graph에 user knowledge graph 구조를 추가하여 KGATu 모델을 구축하였다. user knowledge graph의 도입으로, 추천 시스템에 사용자의 소비 특성을 반영할 수 있도록하여 추천 성능의 정확도를 높였다. 본 연구를 통해 사용자의 민감 정보를 침해하지 않으면서도 패션 도메인 지식과 패션 상품의 추상적인 의사결정 요인을 추천시스템에 통합할 수 있는 새로운 방법을 제안함으로써 추천 시스템의 발전에 기여하고자 한다.