본 연구는 준거집단(취직자)들의 활동 데이터 뱅크를 생성하여 예비 취업자(고등교육기관의 체 육계열 전공자)들이 현재까지 활동했던 데이터를 데이터마이닝 기반 추천 알고리즘을 적용해 예비 취업자 들에게 가장 적합한 직업군을 추천해주는 스포츠 일자리 추천모형을 개발하고 검증하는 것이다. 따라서 평 가지표를 구성하고, 준거집단을 대상으로 인터뷰 및 조사를 통해 데이터 뱅크를 생성했다. 또한 비확률 표 본추출법 중 할당표본 추출법과 눈덩이표본 추출법을 적용해 예비 취업자 조사를 실시했으며, 총 921명의 자료를 통해 스포츠 일자리 추천모형 개발과 유사도를 통해 모형을 검증했다. 즉, 본 결과는 다음과 같다. 첫째, 준거집단과 예비 취업자의 평가지표를 구성했다. 둘째, 준거집단의 데이터 뱅크를 생성했다. 셋째, 스 포츠 전공 청년들을 위한 일자리 추천모형을 개발하고, 유사도를 통해 모형을 검증했다.

The expansion of online retail markets has driven the development of personalized product recommendation services leveraging platform-based product and customer data. Large retailers have implemented seller-oriented recommendation systems, where AI analyzes POS sales data to identify similar stores and recommend products not yet introduced but successful elsewhere. However, small and medium-sized retailers face challenges in adapting to rapidly evolving online market trends due to limited resources. This study proposes a recommendation algorithm tailored for small-scale retailers using sales data from an online shopping mall. We analyzed 600,000 transaction records from 13,607 sellers and 95,938 products, focusing on Beauty Supplies, Kitchenware, and Cleaning Supplies categories. Three algorithms—Attentional Factorization Machines (AFM), Deep Factorization Machines (DeepFM), and Neural Collaborative Filtering (NCF)—were applied to recommend top 10% weekly sales items, with an ensemble model integrating their strengths. To address class imbalance, the Synthetic Minority Oversampling Technique (SMOTE) was employed, and performance was evaluated using AUC, Accuracy, Precision, and Recall metrics on separate training and test datasets. The ensemble model outperformed individual models across all metrics, while DeepFM excelled in Precision. These findings demonstrate that ensemble-based recommendation algorithms enhance recommendation accuracy for suppliers in large-scale online retail environments, offering practical implications for small-scale retailers.