인터넷이 발달하면서 개인뿐만이 아니라 서비스를 제공하는 기업조차도 수용할 수 있는 정보의 양을 넘어섰으며, 앞으로 더 많은 정보가 생성될 것이다. 이러한 정보를 하나씩 검토해가며 선별하는 것은 불가능하기 때문에 분석하여 정보를 제공하는 것이 필요하다. 영화 추천 시스템은 각 사용자가 선호할만한 아이템을 추천해주는 것으로 대표적 알고리즘인 협업 필터링 방식이 있다. 본 논문에서는 초기 사용자 문제를 극복하고 보다 우수한 성능을 내기 위해 ...
인터넷이 발달하면서 개인뿐만이 아니라 서비스를 제공하는 기업조차도 수용할 수 있는 정보의 양을 넘어섰으며, 앞으로 더 많은 정보가 생성될 것이다. 이러한 정보를 하나씩 검토해가며 선별하는 것은 불가능하기 때문에 분석하여 정보를 제공하는 것이 필요하다. 영화 추천 시스템은 각 사용자가 선호할만한 아이템을 추천해주는 것으로 대표적 알고리즘인 협업 필터링 방식이 있다. 본 논문에서는 초기 사용자 문제를 극복하고 보다 우수한 성능을 내기 위해 CNN 알고리즘에 협업 필터링을 추가하여 평점을 예측하였다. CNN 알고리즘을 적용할 수 있도록 데이터를 벡터로 변형하여 적용하였고, 필터의 개수를 조절하여 각 사용자의 특성을 파악 하였다. 평점 예측은 MLL문제로 가정하여 1~5점에서 가장 확률이 높은 값을 선택하였다. 제안한 방식은 기존의 방식에 비해 항상 높은 예측 비율을 유지하였고, 추천 성능인 정확도나 RMSE에서도 우수한 결과를 보였다.
인터넷이 발달하면서 개인뿐만이 아니라 서비스를 제공하는 기업조차도 수용할 수 있는 정보의 양을 넘어섰으며, 앞으로 더 많은 정보가 생성될 것이다. 이러한 정보를 하나씩 검토해가며 선별하는 것은 불가능하기 때문에 분석하여 정보를 제공하는 것이 필요하다. 영화 추천 시스템은 각 사용자가 선호할만한 아이템을 추천해주는 것으로 대표적 알고리즘인 협업 필터링 방식이 있다. 본 논문에서는 초기 사용자 문제를 극복하고 보다 우수한 성능을 내기 위해 CNN 알고리즘에 협업 필터링을 추가하여 평점을 예측하였다. CNN 알고리즘을 적용할 수 있도록 데이터를 벡터로 변형하여 적용하였고, 필터의 개수를 조절하여 각 사용자의 특성을 파악 하였다. 평점 예측은 MLL문제로 가정하여 1~5점에서 가장 확률이 높은 값을 선택하였다. 제안한 방식은 기존의 방식에 비해 항상 높은 예측 비율을 유지하였고, 추천 성능인 정확도나 RMSE에서도 우수한 결과를 보였다.
With the development of the Internet, not only individuals but also service providers have been exceeded the amount of information they can accommodate, and more information will be generated in the future. Since it is impossible to examine these information one by one and select them, it is necessa...
With the development of the Internet, not only individuals but also service providers have been exceeded the amount of information they can accommodate, and more information will be generated in the future. Since it is impossible to examine these information one by one and select them, it is necessary to analyze and provide system about information. The movie recommendation system recommends items that each user prefers, and there is a collaborative filtering which is a typical algorithm. In this paper, collaborative filtering is added to CNN algorithm to overcome the cold-start problem and poor performance. In order to apply the CNN algorithm, the data was transformed into a vector, and the number of filters was adjusted to make the features of each user. predict process assumed that MLL problem and select most probable value at 1~5 points. The proposed method always maintains a higher coverage ratio than the collaborative filtering, and shows excellent results in accuracy and RMSE.
With the development of the Internet, not only individuals but also service providers have been exceeded the amount of information they can accommodate, and more information will be generated in the future. Since it is impossible to examine these information one by one and select them, it is necessary to analyze and provide system about information. The movie recommendation system recommends items that each user prefers, and there is a collaborative filtering which is a typical algorithm. In this paper, collaborative filtering is added to CNN algorithm to overcome the cold-start problem and poor performance. In order to apply the CNN algorithm, the data was transformed into a vector, and the number of filters was adjusted to make the features of each user. predict process assumed that MLL problem and select most probable value at 1~5 points. The proposed method always maintains a higher coverage ratio than the collaborative filtering, and shows excellent results in accuracy and RMSE.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.