선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 못하였다[1, 2, 3, 4]. 본 논문에서는 기존의 사용자 선호도 예측 방법의 문제점을 보완하기 위해서 베이지안 추정치를 부여한 유사도 가중치와 연관 사용자 군집을 이용한 선호도 예측 시스템을 제안한다.
제안 방법
- 그림 2와 같이 Vote 테이블을 기준으로 Movie와 Person 테이블의 무결성 검사를 하였고, Person과 Movie 테이블을 기준으로 Vote 테이블의 무결성 검사를 하였다. 3.
- 본 논문에서 제안한 사용자 선호도 예측 방법은 Microsoft Visual C++ 6.0으로 구현되었으며, 실제 실험 환경은 Pentium ID 450Mhz, 256MB Ram 환경에서 수행되었다. 실험 방법은 3장에서 제안된 방식을 3가지로 구분하였다.
- 본 논문에서는 기존의 사용자 선호도 예측 방법의 문제점을 보완하기 위하여 베이지안 추정치가 부여된 유사도 가중치와 연관 사용자 군집을 이용한 선호도 예측 방법을 사용하였고, 희박성 문제를 해결하기 위하여 Association Rule Hypergraph Partitioning 알고리즘 올 사용하여 사용자를 장르별로 군집하였다. 새로운 사용자는 Naive Bayes 분류자에 의해 이들 장르 중 하나로 분류된다.
- 본 논문에서는 연관 사용자 군집을 적용하여 사용자들을 군집하고, 이 군집에 속한 사용자들의 선호도를 기반으로 사용자의 선호도에 가중치를 달리 부여하여 아이템에 대한 정보를 반영하여 통계적인 값에 의해 가중치를 부여하여 사용자의 선호도를 예측하였다. 제안한 방법에 대한 성능을 기존의 협력적 필터링 기술과 비교 실험한 결과 예측의 정확도가 향상되었기 때문에 본 논문에서 제안한 방식이 효과적임을 알 수 있었다
- 본 논문에서의 사용자의 대표장르 추출은 Ea사iMovie 데이타의 영화를 평가한 고객정보에서 아이템에 대한선호도의 합만을 고려한다.
- 0으로 구현되었으며, 실제 실험 환경은 Pentium ID 450Mhz, 256MB Ram 환경에서 수행되었다. 실험 방법은 3장에서 제안된 방식을 3가지로 구분하였다. 첫 번째 방법(P_Corr_A)은 기존의 협력적 필터링 기술 (P_Coit)에 연관 사용자 군집만을 적용한 방법이고, 두 번째 방법(FLCorr_N_Bayes)은 아이템을 분류하여 분류된 카테고리에 따라 아이템에 대한 사용자의 선호도에 가중치를 달리 부여하여 아이템의 정보를 반영한다.
- 이 데이타는 사용자가 선호도를 표시한 아이템들이 영화별 장르 정보에 속하지 않는 것이 있고, 사용자의 정보 또한 누락이 된 것이 있다. 이를 해결하기 위해서 데이타 정제작업을 하여 데이타의 무결성을 검사하였다[23].
대상 데이터
- 본 논문에서는 EachMovie 데이타를 전처리하여 30861 명의 사용자와 1612종류의 영화에 대해서 실험을 진행하였다. 이는 Naive Bayes 학습을 위한 훈련집합이다.
- 실험 데이타로는 컴팩 연구소에서 18개월 동안 협력적 필터링 알고리즘을 연구하기 위해서 영화에 대한 사용자의 선호도를 조사한 EachMovie 데이타[22] 를 사용한다. 이 데이타는 총 72916명의 사용자와 1628종류의 영화에 대해서 0.
- 영화의 장르는 액션, 애니메이션, 외국예술, 고전, 코미디, 드라마, 가족, 공포, 로맨스, 스릴러의 10 가지로 구분되어 있다. 영화별 장르 정보는 1612 개의 영화에 대한 장르 정보를 담고 있는 Data set이며, 영화를 평가한 고객정보는 영화를 평가한 30861 명의 사용자 정보이다. 사용자의 영화에 대한 평가는 사용자가 영화에 대해서 0.
- 이 데이타는 총 72916명의 사용자와 1628종류의 영화에 대해서 0.0에서부터 1.0까지 0.2간격으로 명시적으로 평가한 선호도로 구성되어 있다. 또한 사용자가 실제로 영화를 보았는지의 여부를 알 수 있는 가중치 정보가 존재한다.
데이터처리
- coefficient1-! Spearman rank correlation coefficient를 사용한다. [3].
- 추정치가 부여된 선호도를 기존의 피어슨 상관 관계에 적용할 경우 결측치(Missing Valued 인한 예측의 오류를 적게하여 예측의 정확도를 높일 수 있다. 제안된 방법의 성능을 평가하기 위해서 기존의 협력적 필터링 기술과 비교 평가하였다.
이론/모형
- 본 논문에서 제안한 Naive Bayes 알고리즘을 적용한 사용자 유사도 가중치는 기존의 협력적 여과 필터링에서 피어슨 상관계수를 이용한 유사도 가중치를 구하는 방식[3[에 Naive Bayes 학습 알고리즘[21]을 적용하는 방식이다.
- 본 논문에서는 기존의 협력적 필터링 시스템에서의 희박성 문제를 해결하기 위하여 Association Rule Hypergraph Partitioning(ARHP) 알고리즘〔11, 12]을 이용한다. 사용자 트랜잭션에 Apriori 알고리즘[13] 을 적용하여 연관규칙과 신뢰도를 구한 후, 연관규칙에 노함 되는 사용자를 Vertex로, 연관관계를 IlyperedgeiL 매핑한다.
- 훈련집합의 아이템에 추정치를 부여하기 위하여 Naive Bayes 학습 알고리즘[21]을 사용한다. 본 논문에서는 아이템의 발생여부만 사용하는 방법이 아닌 아이템의 출현빈도를 고려하는 다항 베이지안 학습법을 사용한다[21, 231.
- 사용자 트랜잭션에 Apriori 알고리즘[13] 을 적용하여 연관규칙과 신뢰도를 구한 후, 연관규칙에 노함 되는 사용자를 Vertex로, 연관관계를 IlyperedgeiL 매핑한다. 신뢰도를 Hypergraph Partitioning을 위한 가중치로 하여 사용자를 군집시킨다.
- 감소시킨다. 사용자 트랜잭션에 Apriori 알이리즘[13]을 적용하여 연관규칙과 신뢰도를 구한 후, 여관규칙에 포함되는 사용자를 Vertex로, 연관관계를 Hypered-既로 매핑한다. 신뢰도를 Hypergraph Partitioninge- 위한 가중치로 하여 사용자를 군집시킨다.
- 이를 연관 규칙 탐사 방법 [13]을 이용하여 사용자 트랜잭션 안에 빈번하게 동시에 출현하는 사용자들의 집합을 찾는다. 사용자들에 대한 Large 항목집합을 가지고 Apriori 알고리즘[13]을 이용하여 연관 규칙과 신뢰도를 구한 후, 연관규칙에 포함되는 항목을 vertex로, 연관 관계를 Hyperedge로 매핑한다. 그려고 신뢰도를 Hypergraph Partitioning을 위한 가중치로 사용자들 간의 군집을 만든다[12, 23].
- 사용자의 대표장르 추출 및 연관 사용사 군집을 하기 위해서 EachMovie 데이타[22]를 사용한다. 이 데이타는 사용자가 선호도를 표시한 아이템들이 영화별 장르 정보에 속하지 않는 것이 있고, 사용자의 정보 또한 누락이 된 것이 있다.
- 새로운 사용자의 선호도 예측은 Naive Bayes 추정치를 적용한 사용자 a와 사용자 1의 유사도 가중치를 기존의 협력적 여과 필터링 기술의 피어슨 상관계수에 적용한다. 이는 사용자의 선호도만을 이용하는 것이 아닌 통계적인 값에 의해 가중치를 부여하기 때문에 예측의 정확도가 향상된다.
- 예측 알고리즘올 평가하는 여러가지 방법 중에서 예측값과 실제 값의 차이를 표시하여 정확성 측면에서 성능을 평가하기 위해 MAE(Mean absolute error)방식과 예측할 수 있는 아이템의 전체 대비 비율인 Coverage 방식을 사용하여 성능평가 하였다[3, 14, 15]. 표 4와 그림 8는 본 논문에서 제안하는 방식을 아이템에 대한 사용자의 선호도를 기반으로 이웃 선정 방법올 사용하고, 피어슨 상관계수에 의해 사용자의 유사도를 구하는 기존의 협력적 필터링 방식 (P_Corr)[3] 과 비교하여 실험한 예측 값들의 MAE / Coverage-1- 평균한 값들이다.
- ARHP 알고리즘에 의한 연관사용자 군집을 위한 단계적 흐름은 그림 3와 같이 진행된다 사용자에 의해 선호도가 표시 된 아이템들을 사용자 트랜잭션으로 재구성한다[11, 12]. 이를 연관 규칙 탐사 방법 [13]을 이용하여 사용자 트랜잭션 안에 빈번하게 동시에 출현하는 사용자들의 집합을 찾는다. 사용자들에 대한 Large 항목집합을 가지고 Apriori 알고리즘[13]을 이용하여 연관 규칙과 신뢰도를 구한 후, 연관규칙에 포함되는 항목을 vertex로, 연관 관계를 Hyperedge로 매핑한다.
- 제안한 방법에서는 협력적 필터링 기법에서의 희박성문제를 해결하기 위해서 Association Rule Hypereraph Partitioning 알고리즘[11, 12]을 이용하여 사용자 행렬의 차원수를 감소시킨다. 사용자 트랜잭션에 Apriori 알이리즘[13]을 적용하여 연관규칙과 신뢰도를 구한 후, 여관규칙에 포함되는 사용자를 Vertex로, 연관관계를 Hypered-既로 매핑한다.
- 훈런집합의 아이템들은 추정치를 부여하기 위해서 Naive Bayes 알고리즘에 의해서 학습한다. 추정치가 부여된 학습집단에서 분류된 장르에 따라 아이템에 대한 사용자의 선호도의 가중치를 달리 부여하여 결측치 값 (Missing Value)에 아이템의 정보를 반영한 것은 표 3와같다.
- 훈련집합은 알고리즘 1에 의해서 사용자의 대표 장르를 구한 후 장르별 사용자 군집을 기반으로 아이템들을 장르별로 수집한 데이타이다. 훈련집합의 아이템에 추정치를 부여하기 위하여 Naive Bayes 학습 알고리즘[21]을 사용한다. 본 논문에서는 아이템의 발생여부만 사용하는 방법이 아닌 아이템의 출현빈도를 고려하는 다항 베이지안 학습법을 사용한다[21, 231.
성능/효과
- 첫째 사용자가 평가를 하지 않은 아이템들은 사용자에게 추천되지 않는 다는 초기 평가 문제(Early-Rater Problem)0] 다. 둘째, 대부분의 사용자들은 모든 상품에 대해 평가하지 않기 때문에 사용자-아이템의 데이타 집합은 희박한 특성(Sparsity Problem)을 보인다는 것이다. 셋째, 아이템의 속성에 대한 사용자의 선호도를 직접적으로 반영하지 못하는 문제점도 있다.
- 그러나 군집을 이용하여 연산할 수 있는 데이타 량이 줄어들기 때문에 연산 시간이 줄어드는 것을 알 수 있다. 전체적인 EachMovie 데이타의 예측 결과를 보면 연관 사용자 군집과 베이지안 추정치를 이용한 방법이 기존의 피어슨 상관계수 만을 적용했을 경우보다 우수한 결과를 보이나 연관사용자 군집만을 적용한 경우에는 Coverage?} 줄어든 문제가 있으므로 이를 보완해야 할 것으로 보인다.
- 제안한 방법에 대한 성능을 기존의 협력적 필터링 기술과 비교 실험한 결과 예측의 정확도가 향상되었기 때문에 본 논문에서 제안한 방식이 효과적임을 알 수 있었다
후속연구
- 향후 연구 과제로는 사용자 유사도 간의 상관 계수에 대한 연구와 영화의 장르뿐만 아니라 아이템의 속성들과 사용자가 실제로 영화를 보았는지의 여부를 알 수 있는 가증치 정보를 이용하여 사용자 유사도 가중치를 구하는데 이용한다면 좋은 결과를 기대할 수 있을 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.