- 김 효 중 (Hyojoong Kim)연세대학교 정보시스템학 석사
- 김 성 범 (SeongBeom Kim)연세대학교 정보대학원 석박통합과정
- 김 희 웅 (Hee-Woong Kim)연세대학교 정보대학원 교수, 교신저자
주요 용어
- 개인화 추천시스템
고객의 데이터를 바탕으로 개별 사용자의 선호도에 맞춰 상품이나 콘텐츠를 추천하는 시스템. 금융상품 추천에서는 고객의 투자 성향, 위험 회피도 등을 기반으로 맞춤형 금융상품을 제안함.
- 협업 필터링(Collaborative Filtering)
다수의 사용자와 상품 간의 상호작용 데이터를 기반으로 사용자와 비슷한 선호를 가진 다른 사용자들의 선택을 활용하여 추천하는 방식.
- 콜드 스타트 문제(Cold Start Problem)
신규 사용자나 신규 아이템에 대해 과거 데이터가 부족하여 정확한 추천을 제공하지 못하는 문제.
- 딥러닝 기반 협업 필터링(Deep Learning Collaborative Filtering)
사용자와 아이템 간의 복잡한 비선형 관계를 학습하기 위해 다층 신경망을 사용하는 협업 필터링 방식.
- 임베딩(Embedding)
데이터를 고차원에서 저차원 벡터로 변환하는 방식. 사용자와 상품의 특성을 저차원 벡터로 표현하여 추천 모델의 입력값으로 사용함.
연구 배경
이 논문은 최근 금융상품의 급증과 금융 거래의 복잡성 속에서 고객이 적합한 금융상품을 선택하기 어려워진 상황을 해결하고자 시작되었다. 금융상품은 고객의 투자 성향과 리스크 회피도에 따라 추천해야 하는데, 기존의 금융상품 추천시스템은 고객의 다양한 특성을 충분히 반영하지 못하는 한계를 가지고 있다. 또한, 새로운 고객이나 새로운 상품에 대한 데이터가 부족할 때 발생하는 콜드 스타트 문제로 인해 추천의 정확도도 떨어지는 문제가 있다.
연구 목적
이 연구는 고객의 금융상품 선호도를 분석하고, 그에 따른 맞춤형 금융상품을 추천하는 시스템을 개발하는 것을 목표로 하고 있다. 특히, 고객의 다양한 행동 데이터(예: 거래 내역, 자산 정보, 보유 종목 정보 등)를 활용하여 고객의 투자 성향과 리스크 회피도를 반영한 추천 모델을 제안하고자 한다. 이를 통해 고객의 투자 탐색 비용을 줄이고, 금융 투자 결정을 보다 쉽게 할 수 있도록 돕는 시스템을 구축하는 것이 목적이다.
기존 연구의 한계
기존 금융상품 추천 모델들은 주로 정형화된 고객 데이터를 바탕으로 하고 있으며, 복잡한 투자 성향이나 비선형적인 관계를 충분히 반영하지 못했다. 또한, 기존 협업 필터링 방식은 고객 간의 유사성을 계산하여 추천을 제공하지만, 새로운 고객이나 새로운 상품에 대해서는 적절한 추천을 제공하기 어려운 콜드 스타트 문제를 안고 있다.
연구 방법론
본 연구에서는 딥러닝 기반의 협업 필터링 모델을 도입하여, 고객의 투자 성향, 리스크 회피도, 거래 패턴 등 다양한 특성을 분석하고 이를 바탕으로 금융상품을 추천하는 시스템을 개발했다. 딥러닝을 통해 고객과 상품 간의 비선형적인 관계를 학습함으로써, 기존 협업 필터링의 한계를 극복하고 추천 성능을 향상시켰다.
1. 데이터 수집 및 전처리
고객의 거래 내역, 자산 정보, 보유 종목 정보, 계좌 개설일, 연령, 성별, 투자 상품 등에 대한 데이터를 수집하였고, 이를 바탕으로 고객의 잠재 선호도를 계산했다. 딥러닝 모델의 입력으로 사용하기 위해 고객과 상품의 특성을 임베딩 벡터로 변환하였고, 이를 통해 비선형적인 관계를 학습할 수 있도록 설계했다.
2. 협업 필터링 모델 개발
기존의 협업 필터링 방식과 달리, 본 연구에서는 딥러닝 기반의 협업 필터링을 활용하여 고객과 상품 간의 복잡한 상호작용을 모델링했다. 특히, 다층 신경망(Multi-Layer Perceptron, MLP)을 사용하여 고객과 상품 간의 비선형적인 관계를 학습하고, 이를 바탕으로 추천 성능을 향상시켰다. 이 과정에서 고객의 성별, 연령, 자산 정보, 거래 내역 등 다양한 특성 데이터를 함께 고려하여, 고객의 투자 성향과 금융상품에 대한 잠재 선호도를 예측했다.
3. 콜드 스타트 문제 해결
콜드 스타트 문제를 해결하기 위해, 새로운 고객이나 상품에 대해 기존 고객의 데이터를 활용하여 유사한 특성을 가진 고객 그룹을 찾아 추천을 제공하는 방식을 사용했다. 이를 통해 데이터가 부족한 상황에서도 정확한 추천을 제공할 수 있도록 했다.
실험 결과
본 연구에서 제안한 딥러닝 기반 협업 필터링 모델은 기존의 행렬 분해 방식이나 단순 협업 필터링 방식에 비해 훨씬 우수한 성능을 보였다. 특히, 추천 시스템의 성능을 평가하는 지표(MAE, MSE)에서 우수한 결과를 나타냈으며, 콜드 스타트 문제를 효과적으로 해결하는 데 성공했다. 실험 결과, 고객의 투자 성향과 리스크 회피도를 반영한 추천 시스템이 고객 만족도와 추천 정확도를 크게 향상시켰다.
성능 비교
딥러닝 협업 필터링 모델은 MAE(평균 절대 오차) 및 MSE(평균 제곱 오차) 지표에서 기존의 협업 필터링 모델에 비해 더 낮은 오차율을 보였으며, 특히 NDCG(정규화된 누적 이득)와 같은 지표에서도 탁월한 성능을 기록했다. 이는 고객의 다양한 특성과 금융상품 정보를 반영한 모델이 기존 방식에 비해 훨씬 더 효과적이라는 것을 입증한다.
연구의 시사점
본 연구는 금융상품 추천 시스템에서 고객의 다양한 특성을 반영하는 것이 중요하다는 점을 강조하며, 특히 고객의 투자 성향과 리스크 회피도를 반영한 맞춤형 추천이 가능하다는 것을 실증적으로 보여주고 있다. 이를 통해 금융기관은 고객의 만족도를 높이고, 투자 결정을 돕는 서비스를 제공할 수 있으며, 금융상품 추천의 정확도를 높일 수 있다.
또한, 본 연구는 실무적으로 금융상품 추천 시스템의 성능을 향상시키기 위한 딥러닝 기술의 활용 가능성을 제시하고 있으며, 이를 통해 고객 맞춤형 금융상품 추천 서비스가 더욱 발전할 수 있음을 보여준다.
한계 및 향후 연구 방향
본 연구의 한계로는, 추천 성능을 평가하는 기준이 상위 10개 또는 20개의 상품에 한정되었다는 점이다. 향후 연구에서는 다양한 추천 상품 개수에 따른 성능 변화를 분석하여 최적의 추천 시스템을 구축할 필요가 있다. 또한, 비정형 데이터(예: 고객 상담 기록, STT)와 같은 데이터를 추가적으로 분석하여 추천 시스템의 성능을 더욱 향상시킬 수 있는 가능성도 제시된다.
결론적으로, 본 연구는 딥러닝 기반 협업 필터링을 활용하여 금융상품 추천의 정확도를 높이고, 콜드 스타트 문제를 해결한 맞춤형 금융상품 추천 모델을 제안함으로써 금융 투자 분야에서의 추천 시스템 연구에 큰 기여를 했다.
