초록 ▼

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

온라인상에 많은 양의 정보가 축적됨에 따라 기업은 일률적인 마케팅이 아닌, 각 고객의 특성을 반영한 마케팅 전략의 수립에 주력하며 이는 추천 시스템이 주목받는 이유이다. 추천 시스템은 사용자의 선호도, 아이템의 특징 그리고 사용자와 아이템 상호 간의 교호작용 등의 정보를 이용함으로써 개인 맞춤형 전략을 실현하고자 한다. 본 논문은 추천 시스템에 여러 딥러닝 기반의 모형을 적용시켜 성능을 비교하는 것을 목적으로 한다. 추천 시스템은 크게 ...

온라인상에 많은 양의 정보가 축적됨에 따라 기업은 일률적인 마케팅이 아닌, 각 고객의 특성을 반영한 마케팅 전략의 수립에 주력하며 이는 추천 시스템이 주목받는 이유이다. 추천 시스템은 사용자의 선호도, 아이템의 특징 그리고 사용자와 아이템 상호 간의 교호작용 등의 정보를 이용함으로써 개인 맞춤형 전략을 실현하고자 한다. 본 논문은 추천 시스템에 여러 딥러닝 기반의 모형을 적용시켜 성능을 비교하는 것을 목적으로 한다. 추천 시스템은 크게 콘텐츠 기반 필터링, 협업 필터링 그리고 하이브리드 방법으로 구성된다. 이 중 데이터를 광범위하게 많이 수집할 필요가 없다는 장점으로 인해 협업 필터링
방법이 많이 사용되고 있다. 본 논문에서는 협업 필터링 방법이 갖는 한계점인 희박성 (sparsity)을 해소하고자 딥러닝 기반의 모형 중 비지도학습 (unsupervised learning)모형인 오토인코더 (Autoencoder)를 활용하여 희박 행렬의 빈 부분을 예측하도록 한다. 총 다섯 개의 모형 비교를 진행하였으며 각 모형에서 사용할 초모수는 반복 교차 검증 (repeated cross-validation)을 이용하여 손실 (loss)이 작은 조합으로 결정하였다.

Abstract ▼ AI-Helper

This paper compares the methods on the recommender system which are based on the deep learning architecture. Generally, the data used in recommender system tends to have sparse structure. Therefore we need to predict the parts of sparse and by using the predicted values, establish a recommender syst...

This paper compares the methods on the recommender system which are based on the deep learning architecture. Generally, the data used in recommender system tends to have sparse structure. Therefore we need to predict the parts of sparse and by using the predicted values, establish a recommender system to recommend items with higher values. Autoencoder is one of the unsupervised learning models which is based on the deep learning. This model can solve the problem of sparsity. There are conducted five models and the hyperparameters to be used in each model are determined by using repeated cross-validation in a combination with a small loss.

주제어