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
- 본 논문에서는 기존 추천시스템의 단점을 개선하고 추천 정확성을 향상시키기 위해 인공신경망을 이용한 추천 시스템을 제안하였다. 인공신경망을 이용한 ANN 추천시스템을 설계하고 기존 추천시스템의 추천 기법과 성능을 비교 분석하였다.
- 본 연구에서는 ANN을 적용한 추천시스템을 제안한다. ANN 추천시스템은 [그림 1]과 같이 ANN생성 단계와 ANN을 이용한 추천 단계로 나누어진다.
- 본 연구에서는 기존 추천 방법의 문제점인 가중치 적용, 한정된 데이터 처리와 협업필터링 추천 방법의 성능을 개선, 향상시키기 위해 ANN을 적용한 추천 방법을 제안하고 추천 시스템을 구축했다.
- 본 연구에서는 인공신경망(Artificial Neural Network: ANN) 의 역전파 알고리즘을 적용한 협업필터링 기법을 이용하여 위에서 제시한 단점들을 보완하고 추천 능력을 개선할 수 있는 새로운 모델을 제안한다.
제안 방법
- ANN 추천시스템에 사용될 최종 네트워크 가중치를 만들기 위해 별도의 네트워크 가중치 생성 프로그램을 구축하였다. 대량의 데이터를 웹상에서 훈련시키기 위해서는 많은 연산시간이 필요하기 때문에 이런 문제를 해결하기 위해 네트워크 가중치 생성 시스템을 통해 시간을 단축 시켰다.
- 대량의 데이터를 웹상에서 훈련시키기 위해서는 많은 연산시간이 필요하기 때문에 이런 문제를 해결하기 위해 네트워크 가중치 생성 시스템을 통해 시간을 단축 시켰다. 네트워크 가중치 생성 시스템은 Visual 얘 2005를 이용하여 구축하였으며 [그림 4] 에는얘으로 구현한 네트워크 가중치 생성 시스템을 나타내었다.
- 사용자의 선호도 입력 후 추천 알고리즘을 통해 사용자에게 제시되는 추천 결과 값은 위 변수 선정에서 5 가지 요인으로 분류된 휴양형, 휴양+관광형, 고급휴양형, 레저형, PIC/CLUB MED에 해당하는 상품 3가지를 제시한다. [그림 기은 추천 결과 값 중에서 'PIC/CLUB MED'에 해당되는 상품 군을 추천한 화면이다.
- 설문 문항은 각 변수의 개념에 맞게 여행사에서 제공하는 정보를 참고로 하여 본 연구에 맞게 작성하였다. 출력 변수는 현재 여행 사이트에서 사용하고 있는 여행상품 중에서 인기도가 높은 상품으로 선정하였다.
- 시스템을 통해 Learning rate 변화에 따른 성능을 평가해 보았다. 그 결과 Learning rate가 150일 때 가장 좋은 성능을 나타냈으며 그 밖에 Training Parameter 는 최대반복수=300, 에러 임계치 =0.
- 과정과 그 결과를 설명하였다. 신혼여행 상품을 아이템으로 하여 ANN 추천시스템을 구축하였으며 성능 평가를 위해 필요한 데이터를 수집하고 데이터 분석과 함께 ANN 추천시스템의 성능을 분석하였다.
- 웹 설문의 문항은 입력변수 11개와 출력변수 5개로 구성하였다. 입력변수는 사용자의 선호도를 휴양형, 휴양+관광형, 고급휴양형, 레저형, PIC/CLUB MED와 같이 5가지 요인으로 분류하여 각 요인을 설명하는 설문을 구성하였다.
- 이와 같이 구성된 웹 설문을 통해 수집된 데이터를 본 실험에 사용하기에 앞서 데이터 검증을 시행하였다. 데이터들의 내적 일관성 검증을 위한 신뢰성 분석과, 타당성 검증을 위한 요인분석을 수행하였다.
- 시스템을 제안하였다. 인공신경망을 이용한 ANN 추천시스템을 설계하고 기존 추천시스템의 추천 기법과 성능을 비교 분석하였다. 기존 추천 기법보다 우수하다고 평가되는 결과를 토대로 php와 얘을 이용하여 실제 적용 가능한 ANN 추천시스템의 구현을 통해 인터넷상에서 개인화 서비스를 행할 수 있도록 하였다.
- 입력변수는 사용자의 선호도를 휴양형, 휴양+관광형, 고급휴양형, 레저형, PIC/CLUB MED와 같이 5가지 요인으로 분류하여 각 요인을 설명하는 설문을 구성하였다. 각 요인에 대한 정의는 [표 1]과 같다.
- 이런 전 . 후향 단계를 거쳐 오차를 최소로 하는 최종적인 연결 가중치 값을 구해 재설정한다.
대상 데이터
- 두 가지로 구성되어있다. 100K 데이터는 943명의 사용자를 대상으로 1682개의 영화에 대하여 1-5점 척도로 평가 되었으며 100,000개의 선호도 평가치로 구성되어있다. Imillione 6040명이 3900개의 영화에 대하여 평가한 자료로 L000.
- 총 385개의 데이터를 수집하였으며 그 중 공란이 존재하거나 응답이 불성실하다고 생각되는 설문을 제외하고 350개의 데이터를 본 연구에 사용하였다. 350개의 데이터 중 80%는 ANN 추천 시스템의 훈련 데이터로 나머지 20%는 성능 평가를 위한 테스트데이터로 사용하였다.
- ANN 추천시스템에 필요한 최종 네트워크 가중치 생성과 성능 평가에 사용하기 위한 데이터를 웹 설문 조사를 통해 수집하였다. 데이터 수집 대상은 추천 상품의 주 고객층이 될 수 있는 20~30대인 본 연구자의 지인들로 구성하였다.
- 위해 성능 평가를 시행하였다. ANN 추천시스템의 성능 평가는 본 연구에서 수집한 데이터를 사용한 평가와 함께 협업필터링 추천시스템 연구에서 주로 사용되는 Movielens 데이터를 사용하여 성능을 평가하였다. Movielens의 데이터를 사용하여 성능 평가 실험을 수행함으로써 ANN 추천시스템의 성능을 다시 한 번 검증할 수 있으며 본 연구에서 사용된 여행상품의 데이터에 한정되지 않고 다른 데이터와의 유연성을 입증할 수 있다.
- 100K 데이터는 943명의 사용자를 대상으로 1682개의 영화에 대하여 1-5점 척도로 평가 되었으며 100,000개의 선호도 평가치로 구성되어있다. Imillione 6040명이 3900개의 영화에 대하여 평가한 자료로 L000.209개의 선호도 평가치로 구성되어있다. 이 중 100K의 100,000개의 데이터를 실험에 사용하였다.
- MovieLens의 데이터는 GroupLens 연구소에서 공개한 영화에 대한 평가 자료로써 100K lmillion dataset 의 두 가지로 구성되어있다. 100K 데이터는 943명의 사용자를 대상으로 1682개의 영화에 대하여 1-5점 척도로 평가 되었으며 100,000개의 선호도 평가치로 구성되어있다.
- 통해 수집하였다. 데이터 수집 대상은 추천 상품의 주 고객층이 될 수 있는 20~30대인 본 연구자의 지인들로 구성하였다. 총 385개의 데이터를 수집하였으며 그 중 공란이 존재하거나 응답이 불성실하다고 생각되는 설문을 제외하고 350개의 데이터를 본 연구에 사용하였다.
- 본 논문에서는 [18]의 연구에서 제시한 최근접 이웃을 추출하는 협업필터링 추천방법(CBR_CF), 사용자의 선호도별로 클러스터링 된 소속 군집 내에서 사례기반추론을 수행하는 협업필터 링 방법(UC_CBR_CF), 사용자별 클러스터링 사례기반추론과 아이템 속성별 클러스터링에 기반을 둔 사례기반추론을 결합한 하이브리드 추천 시스템(UC_IC_CBR_CF)과 [19]의 연구에서 제시한 Kmeans, 신경망 알고리즘인 SOM을 이용하여 실험한 성능 측정 결과를 비교대상으로 하여 분석하였다.
- 209개의 선호도 평가치로 구성되어있다. 이 중 100K의 100,000개의 데이터를 실험에 사용하였다.
- ANN을훈련시키기 위한 사용자 선호도에 대한 데이터는 웹을 통해 수집하고 데이터베이스에 저장된다. 저장된 데이터는 ANN의 훈련 데이터로 사용된다. 훈련을 통해 오차를 최소화하는 반복학습이 이루어지고 반복학습 과정에서 오차를 최소화하기 위해 출력층과 은닉층, 은닉층과 입력층 사이의 연결 가중치 값이 갱신된다.
- 데이터 수집 대상은 추천 상품의 주 고객층이 될 수 있는 20~30대인 본 연구자의 지인들로 구성하였다. 총 385개의 데이터를 수집하였으며 그 중 공란이 존재하거나 응답이 불성실하다고 생각되는 설문을 제외하고 350개의 데이터를 본 연구에 사용하였다. 350개의 데이터 중 80%는 ANN 추천 시스템의 훈련 데이터로 나머지 20%는 성능 평가를 위한 테스트데이터로 사용하였다.
- 작성하였다. 출력 변수는 현재 여행 사이트에서 사용하고 있는 여행상품 중에서 인기도가 높은 상품으로 선정하였다. 구성된 설문 문항을 [표 2]에 제시하였으며 웹 설문 화면은 [그림 3]과 같이 구현하였다.
데이터처리
- 시행하였다. 데이터들의 내적 일관성 검증을 위한 신뢰성 분석과, 타당성 검증을 위한 요인분석을 수행하였다. 신뢰성은크론바하 알파 값을 계산하여 0.
- 본 연구에서 제안한 ANN 추천시스템의 정확도 측정을 위해 성능 평가를 시행하였다. ANN 추천시스템의 성능 평가는 본 연구에서 수집한 데이터를 사용한 평가와 함께 협업필터링 추천시스템 연구에서 주로 사용되는 Movielens 데이터를 사용하여 성능을 평가하였다.
이론/모형
- 대량의 데이터를 웹상에서 훈련시키기 위해서는 많은 연산시간이 필요하기 때문에 이런 문제를 해결하기 위해 네트워크 가중치 생성 시스템을 통해 시간을 단축 시켰다. 네트워크 가중치 생성 시스템은 Visual 얘 2005를 이용하여 구축하였으며 [그림 4] 에는얘으로 구현한 네트워크 가중치 생성 시스템을 나타내었다.
- 7을 넘으면 신뢰성이 있다고 보았다. 또한 요인분석은 요인추출방법으로 주성분 분석 (principal component method)을 사용하였고 회전 방법으로는 베리맥스(varimax rotation)를 사용하였다. 요인분석에서의 요인 적재값(factor loading)은 0.
- 본 실험에서 사용한 측정지표는 통계적 정확도 측정지표인 정규화 된 MAE(NMAE: Normalized Mean Absolute &ror)를 사용하였다. MAE는 모든 테스트 대상에 대해서 평가치와 예측치 간의 오류를 구하고 이오류의 절대값을 합한 후 테스트 대상의 수로 나누어 구할 수 있다.
- MAE가 낮을수록 예측의 정확도는 좋아지게 된다. 본 연구에서는 측정 데이터의 선호도 척도가 다르기 때문에 MAE를 식(9)와 같이 정규화 하여 분석하였다. MAE와 NMAE는 다음과 같이 표현된대14].
- 전향단계는 신경망의 입력 패턴을 제시하고 각 노드에 대해서 입력함수와 활성화 함수를 이용하여 출력을 산출한다. 연결 가중치 값의 계산에 사용되는 활성화 함수는식(4)와 같은 시그모이드 함수를 사용하였다.
- 인공 신경망(Artificial Neural Network: ANN)은 다층 퍼셉트론(Multi-Layer Perceptron: MLP)의 효율적 학습 방법인 역전파 신경망(Back Propagation Neural Network: BPN)을 사용하였다. BPNe 입력층과 출력층 사이에 은닉층을 갖는 삼층전향구조로 되어있다.
성능/효과
- ANN 추천시스템의 성능 평가는 본 연구에서 수집한 데이터를 사용한 평가와 함께 협업필터링 추천시스템 연구에서 주로 사용되는 Movielens 데이터를 사용하여 성능을 평가하였다. Movielens의 데이터를 사용하여 성능 평가 실험을 수행함으로써 ANN 추천시스템의 성능을 다시 한 번 검증할 수 있으며 본 연구에서 사용된 여행상품의 데이터에 한정되지 않고 다른 데이터와의 유연성을 입증할 수 있다. 또한 많은 논문에서 검증된 데이터를 사용함으로써 정확한 결과를 도출할 수 있으며 선행 논문에서 제안한 추천기법과 비교평가가 가능하다.
- 보았다. 그 결과 Learning rate가 150일 때 가장 좋은 성능을 나타냈으며 그 밖에 Training Parameter 는 최대반복수=300, 에러 임계치 =0.0002 으로 설정하였다. ANN 가중치 생성 시스템을 통해 나온 최종 네트워크의 가중치는 [그림 5]와 같다.
- 그 결과 Movielens 데이터로 평가한 ANN 추천 시스템의 성능이 0.051, 본 연구에서 수집한 Honeymoon 데이터로 평가한 ANN 추천 시스템의 성능이 0.075로 기존 추천방법보다 더 우수하다는 것을 알 수 있었다.
- 인공신경망을 이용한 ANN 추천시스템을 설계하고 기존 추천시스템의 추천 기법과 성능을 비교 분석하였다. 기존 추천 기법보다 우수하다고 평가되는 결과를 토대로 php와 얘을 이용하여 실제 적용 가능한 ANN 추천시스템의 구현을 통해 인터넷상에서 개인화 서비스를 행할 수 있도록 하였다. ANN 추천 시스템은 다음과 같은 우수성을 지닌다.
- 둘째, ANN 추천시스템 구축에 있어서 얘을 이용하여 가중치 생성 시스템을 병합함으로써 고객그룹과 거래 데이터가 많아질수록 유사한 고객그룹을 찾기 위한 연산량이 기하급수적으로 증가하는 단점을 보완할 수 있다. 가중치 생성에 있어서 데이터의 양과 연산 시간은 비례한다.
- Movielens의 데이터를 사용하여 성능 평가 실험을 수행함으로써 ANN 추천시스템의 성능을 다시 한 번 검증할 수 있으며 본 연구에서 사용된 여행상품의 데이터에 한정되지 않고 다른 데이터와의 유연성을 입증할 수 있다. 또한 많은 논문에서 검증된 데이터를 사용함으로써 정확한 결과를 도출할 수 있으며 선행 논문에서 제안한 추천기법과 비교평가가 가능하다.
- 분석 결과 각 즉정문항의 요인 적재 값은 NO1_3 문항을 제외한 나머지 문항 모두 0.5이상으로 수용 가능한 것으로 나타났다. 또한 크론바하 알파값은 5개 변수 모두 0.
- 셋째, 웹을 통한 ANN 추천시스템은 다른 추천시스템보다도 실제 사용자에게 쉽고 정확한 개인화 서비스를 제공할 수 있으며 추천 상품의 종류에 관계없이 쉽게 적용할 수 있다.
- 첫째, ANN 추천시스템은 기존 사용자 혹은 아이템 기반 추천 기법에서 가중치를 고려하지 않아 추천 정확도가 떨어진다는 단점을 개선하였다. 사용자간이나 아이템 간의 가중치를 학습 할 수 있으므로 보다 정확한 선호도 계산이 가능하다.
후속연구
- 향후 연구에서는 데이터 축적에 따라 자동적으로 네트워크 가중치가 업데이트 되도록 자동화된 시스템 연구가 필요하다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.