본 논문은 차원축소(dimensional reduction)에 사용되는 협업 필터링(collaborative filtering)분야의 딥러닝(deep learning) 모델인 오토인코더(Autoencoder)를 텐서플로우에서 사용하여 추천 시스템(recommendation system)을 제안한다. 본 연구에서는 ...
본 논문은 차원축소(dimensional reduction)에 사용되는 협업 필터링(collaborative filtering)분야의 딥러닝(deep learning) 모델인 오토인코더(Autoencoder)를 텐서플로우에서 사용하여 추천 시스템(recommendation system)을 제안한다. 본 연구에서는 입력 층(Input layer)과 하나의 은닉 층(one-hidden layer), 출력 층(output layer)으로 구성되어 총 3개의 층(layer)으로 이루어진 오토인코더와 은닉 층(hidden layer)을 더 추가해서 깊어진 모델인 딥 오토인코더(deep Autoencoder)를 사용한다. 오토인코더로 추천하였을 때의 결과와 딥 오토인코더를 사용했을 때의 결과를 비교하여 분석하고 이를 통해 추천 성능 정확성을 높이는 것을 목적으로 한다. 기존의 연구에서는 입력 데이터로 사용자와 아이템, 평점으로 이루어진 2차원 행렬(2-dimensional arrays) 데이터를 이용하였다. 영화나 식당 평점 데이터를 분석하여 사용자, 아이템 데이터 기반으로 평점 데이터를 분석하였지만 본 연구에서는 시간 축을 추가한 3차원 텐서(3-dimensional Tensor) 데이터를 통해 각 항목들 간의 연관성을 분석하여 사용자와 아이템 그리고 시간을 고려한 추천 시스템을 제안한다. 결과적으로 은닉 층이 추가된 딥 오토인코더 모델을 사용하였을 때 은닉 층이 1개인 오토인코더 모델보다 추천 성능이 높아진 것을 확인하였으며 3차원 텐서 데이터에서 평점 데이터에 영향을 미치는 각 데이터 항목들 간의 연관성을 분석하였다.
본 논문은 차원축소(dimensional reduction)에 사용되는 협업 필터링(collaborative filtering)분야의 딥러닝(deep learning) 모델인 오토인코더(Autoencoder)를 텐서플로우에서 사용하여 추천 시스템(recommendation system)을 제안한다. 본 연구에서는 입력 층(Input layer)과 하나의 은닉 층(one-hidden layer), 출력 층(output layer)으로 구성되어 총 3개의 층(layer)으로 이루어진 오토인코더와 은닉 층(hidden layer)을 더 추가해서 깊어진 모델인 딥 오토인코더(deep Autoencoder)를 사용한다. 오토인코더로 추천하였을 때의 결과와 딥 오토인코더를 사용했을 때의 결과를 비교하여 분석하고 이를 통해 추천 성능 정확성을 높이는 것을 목적으로 한다. 기존의 연구에서는 입력 데이터로 사용자와 아이템, 평점으로 이루어진 2차원 행렬(2-dimensional arrays) 데이터를 이용하였다. 영화나 식당 평점 데이터를 분석하여 사용자, 아이템 데이터 기반으로 평점 데이터를 분석하였지만 본 연구에서는 시간 축을 추가한 3차원 텐서(3-dimensional Tensor) 데이터를 통해 각 항목들 간의 연관성을 분석하여 사용자와 아이템 그리고 시간을 고려한 추천 시스템을 제안한다. 결과적으로 은닉 층이 추가된 딥 오토인코더 모델을 사용하였을 때 은닉 층이 1개인 오토인코더 모델보다 추천 성능이 높아진 것을 확인하였으며 3차원 텐서 데이터에서 평점 데이터에 영향을 미치는 각 데이터 항목들 간의 연관성을 분석하였다.
The purpose of this study is to propose Autoencoder, a state-of-the-art deep learning neural network architecture for using Collaborative Filtering method on Recommendation system, and also Deep Autoencoder, extension version of Autoencoder in TensorFlow. Matrix factorization, kind of useful Co...
The purpose of this study is to propose Autoencoder, a state-of-the-art deep learning neural network architecture for using Collaborative Filtering method on Recommendation system, and also Deep Autoencoder, extension version of Autoencoder in TensorFlow. Matrix factorization, kind of useful Collaborative filtering methods in former days, was used the most and utilized to obtain user’s taste of item, and it was used for dimensional reduction area also. These days, as Interest in Deep learning and Data analysis is increasing, many related studies to develop performance for Collaborative filtering with Deep learning has advanced considerably. Autoencoder is used by Recommendation system to predict ratings from users, and this paper also proposes Deep Autoencoder by adding additional hidden layers to original architecture of Autoencoder. An Autoencoder is totally composed of 3 layers, which are Input layer, Output layer, and One-Hidden layer, so we added more hidden layers to original architecture of Autoencoder so that we implemented Deep Autoencoder with 3 to 5 hidden layers, more deeper architecture. In this paper, therefore we make a comparison between performance of them. This paper is aimed to raise much better performance and accuracy of Deep Autoencoder than that of Autoencoder. Several existing studies used 2-dimensional arrays as input dataset, and the dataset is made up of User, Item and Rating. They analyzed movie or restaurant dataset and found a correlation between Item-based rating and User-based rating. In this research, we use Tensor dataset, 3-dimensional tensor, composed of User, Item, Time, and Rating by User as input dataset. After that, we propose recommendation system based User, Item and Time using Deep Autoencoder. As a result, we figured out that Deep Autoencoder model with 3 to 5 hidden layers generalized much better result than Autoencoder and also found the correlation between on 3-dimensional dataset.
The purpose of this study is to propose Autoencoder, a state-of-the-art deep learning neural network architecture for using Collaborative Filtering method on Recommendation system, and also Deep Autoencoder, extension version of Autoencoder in TensorFlow. Matrix factorization, kind of useful Collaborative filtering methods in former days, was used the most and utilized to obtain user’s taste of item, and it was used for dimensional reduction area also. These days, as Interest in Deep learning and Data analysis is increasing, many related studies to develop performance for Collaborative filtering with Deep learning has advanced considerably. Autoencoder is used by Recommendation system to predict ratings from users, and this paper also proposes Deep Autoencoder by adding additional hidden layers to original architecture of Autoencoder. An Autoencoder is totally composed of 3 layers, which are Input layer, Output layer, and One-Hidden layer, so we added more hidden layers to original architecture of Autoencoder so that we implemented Deep Autoencoder with 3 to 5 hidden layers, more deeper architecture. In this paper, therefore we make a comparison between performance of them. This paper is aimed to raise much better performance and accuracy of Deep Autoencoder than that of Autoencoder. Several existing studies used 2-dimensional arrays as input dataset, and the dataset is made up of User, Item and Rating. They analyzed movie or restaurant dataset and found a correlation between Item-based rating and User-based rating. In this research, we use Tensor dataset, 3-dimensional tensor, composed of User, Item, Time, and Rating by User as input dataset. After that, we propose recommendation system based User, Item and Time using Deep Autoencoder. As a result, we figured out that Deep Autoencoder model with 3 to 5 hidden layers generalized much better result than Autoencoder and also found the correlation between on 3-dimensional dataset.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.