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 P2P 네트워크 환경에서 Peer들 간의 음악 선호 정보를 실시간으로 공유하여 음악을 추천할 수 있는 시스템을 제안하였다. 음악 추천 알고리즘으로는 협업 필터링 기술을 사용하였다.
- 본 연구에서는 협업 필터링기반의 P2P 음악 추천시스템 (MRS, Music Recommendation System)을 제안하였다. 제안 시스템은 P2P 구조에서 사용자 peer들 간에 실시간으로 음악 선호 정보를 공유함으로써 모든 참여자가 서비스 제공자(Server)인 동시에 서비스 수요자(Client)가 되어 보다 정확한 음악추천을 할 수 있는 장점을 가진다.
제안 방법
- (1) 추천 시스템의 핵심이랄 수 있는 사용자 선호도 프로파일(user preference profile) 구축 시 기존연구서처럼 음악에 대한 특징벡터를 추출해 사용하는 대신, 모든 합법적 음악 파일이 포함하고 있는 고유의 음악 id와 KID 장르 분류 색인을 사용하였다. 즉, peer 사용자의 음악 선호도 특성을 선호 음악 장르로 표현하였기 때문에 부정확한 특징벡터 추출로 인한 시스템 성능 저하와 연산 부하를 줄일 수 있다.
- (4) 본 연구에서 제안한 P2P-MRS 시스템의 성능평가는 국내 음악 포탈사인 S사에서 구축된 약 16주 분량의 실제 사용자 음악 청취 기록과 유료 다운로드 기록을 바탕으로 수행되었다.
- 그림에서 보듯이 트랜잭션 수가 늘어날수록 Hit ratio가 약간 증가하는 결과를 보이나 연산 시간을 고려하여 본 연구에서는 트랜잭션 수를 7로 고정하여 사용하였다.
- 이웃 peer 그룹의 크기에 따른 성능 변화를 알아보기 위해 이웃 peer 그룹의 크기를 부터 100까지 변화시 켜 Hit ratio와 연산 시간을 측정하였다、그림에서 보듯이 전반적으로 이웃 peer 그룹 크기가 전체 시스템의 성능에 별 다른 영향을 미치지 않는 반면, peer 그룹 크기가 증가할수록 추천에 소요되는 시간이 더욱 늘어나는 것을 볼 수 있다. 따라서 본 연구에서는 이웃 peer 그룹의 크기를 20으로 고정하여 실험에 적용하였다.
- 된다. 따라서 본 절에서는 위의 다양한 시스템 파라메터에 의해 제안한 음악 추천 시스템의 성능을 비교 분석한다. 그림 5는 구현된 시스템의 추천 UI를 보이고 있다.
- 본 연구에서 제안한 P2P-MRS 시스템의 추천 성능은 트레 이닝-테스트 기간 비율, peer 프로파일 구축 방법, 이웃 peer 그룹의 크기, 사용자 Peer 프로파일을 구성하는 트랜잭션 수, 연산 부하 등에 따라 좌우 된다. 따라서 본 절에서는 위의 다양한 시스템 파라메터에 의해 제안한 음악 추천 시스템의 성능을 비교 분석한다.
- 본 연구의 P2P-MRS 시스템은 크게 음악 추천에 사용되는 협업 필터링 (CF-R) 알고리즘, Top-N 음악 추천 모듈, 사용자 peer 프로파일 관리자, 협업 필터링 추천을 위한 이웃 peer 그룹 생성 및 갱신, 장르별 음악 선호도 계산 등으로 구성된다. 그림 1에서 각 peer 사용자의 청취 및 유료 다운로드 기록은 개 인별 peer 트랜잭션(transaction)으로 기록되고 이웃 peer 그룹(neighborhood peer group)을 생성하거나 음악 장르별 선호도를 계산하는데 사용된다.
- 그림 6의 결과에 따라 본.연구에서는 트레이닝 기간을 12주, 테스트 기간을 4주로 최종 선정하여 나머지 실험에 적용하였다. 한편, 추천 목록 수에 따른 성능은 이전과 같이 0=20일 때가 더 우수함을 알 수 있다.
- 음악 추천은 먼저 훈련 데이터로부터 초기 이웃 peer 그룹을 생성해 호스트 pe(江에 음악을 추천하고, 이 중 호스트 peer의 프로파일에 포함되지 않은 음악만을 대상으로 peer 선호 점수인 PPS를 계산해 점수가 높은 순으로 0개의 음악 추천 리스트를 제공한다. 이를 위해 협업 필터링 추천 알고리즘은 23장에서 구한 C개 이웃 peer 그룹에서 호스트 peer를 제외한 나머지 C-1개 peer의 프로파일로부터 추천 받은 음악으로부터 가장 높은 선호도를 갖는 a개 음악을 선정한디.
- 제공받은 사용자 peer 데이터들을 임의로 기간별 트레이닝(training) 데이터와 테스트(test) 데이터로 나누었으며, 트레이닝 기간 동안의 peer 데이터는 협업 필터링 시스템에서 초기 이웃 pwr 그룹을 생성하는데 사용되고, 테스트 기간의 peer 데이터는 제안시스템에 의해 추천된 음악 파일과 비교하는 방식으로 시스템 성능을 평가하는데 사용하였다.
- 제안 P2P-MRS 시스템은 크게 음악 추천에 사용되는 추천 알고리 즘 모듈, peer 프로파일 관리자, 이웃 peer 그룹 생성/갱신, 장르별 음악 선호도 계산 등으로 구성된다.
- Peer 사용자의 음악 선호도 특성을 나타내는 사용자 프로파일(user profile)은 음악 파일이 포함하고 있는 고유 KID 장르 색인을 사용하여 기존의 부정확한 특징 벡터 추출로 인한 시스템 성능 저하와 연산 부하를 줄일 수 있다. 제안 시스템의 성능은 음악 포탈회사의 실제 16주 분량의 사용자 음악 청취 기록과 유료다운로드 기록을 바탕으로 트레이닝-테스트 기간 비율, peer 프로파일 구축 방법, 이웃 ger 그룹의 크기, 사용자 Peer 프로파일을 구성하는 트랜잭션 수, 연산 부하 등 다양한 각도로 평가되었다. 실험 결과 제안시스템의 추천 성능은 약 12주의 트레이닝 기간이 적절하다는 것을 알 수 있었다.
- P2P 기반 추천 시스템에 대한 대표적인 연구로 Olsson[9]은 P2P 구조에서 뉴스 헤드라인 추천 시스템을 제안하였고, PengU이은 추천 시스템의 연산량을 감소시키 기 위해 분산 해쉬 테이블(hash tableX 이용한 분산 협 업 필터 링 알고리즘을 제안하였다. 한편, KimlMe 협 업 필터 링 알고리즘을 이용한 이미지 추천 시스템을 구현하였다. 이러한 P2P 기반 추천시스템은 대부분의 연산을 분산 처리함으로써 Server의 연산 부하를 줄일 수 있으며 시간에 따른 각 peer 사용자들의 선호도 변화를 즉시 반영할 수 있는 장점을 가질 수 있다.
대상 데이터
- 본 연구에서는 제안한 시스템의 성능을 평가하기 위해 국내 P2P 음악공유 서비스 업체인 S사로부터 실제 peer 사용자들의 청취 및 유료 다운로드 자료를 제공받아 다양한 실험을 수행하였다. 실험에 사용된 자료는 2008년 1월 7일부터 出08년 4월 27일까지 총 16주간의 데이터중의 일부로 총 124, 765명의 사용자와 199, 067곡을 대상으로 하였다’
- 다양한 실험을 수행하였다. 실험에 사용된 자료는 2008년 1월 7일부터 出08년 4월 27일까지 총 16주간의 데이터중의 일부로 총 124, 765명의 사용자와 199, 067곡을 대상으로 하였다’
- 제공한다. 이를 위해 협업 필터링 추천 알고리즘은 23장에서 구한 C개 이웃 peer 그룹에서 호스트 peer를 제외한 나머지 C-1개 peer의 프로파일로부터 추천 받은 음악으로부터 가장 높은 선호도를 갖는 a개 음악을 선정한디..
이론/모형
- 수 있는 시스템을 제안하였다. 음악 추천 알고리즘으로는 협업 필터링 기술을 사용하였다. Peer 사용자의 음악 선호도 특성을 나타내는 사용자 프로파일(user profile)은 음악 파일이 포함하고 있는 고유 KID 장르 색인을 사용하여 기존의 부정확한 특징 벡터 추출로 인한 시스템 성능 저하와 연산 부하를 줄일 수 있다.
- 제안 시스템의 추천 성능 평가 방법은 Hit ratio, Ranking point average, Percentage of contents 등 다양한 기법들이 존재하나 본 연구에서는 Hit ratio 를 사용하였다. Hit ratio는 제안 시스템의 추천 성능을 평가할 수 있는 척도로 훈련 과정을 거친 제안시스템의 7V개 추천 음악 중 테스트 기간 동안 해당 peer들이 실제 청취하거나 유료 다운로드한 것과 일치하는 음악 파일 수 叫의 비율로 다음과 같이 구할 수 있다.
성능/효과
- 즉, peer 사용자의 음악 선호도 특성을 선호 음악 장르로 표현하였기 때문에 부정확한 특징벡터 추출로 인한 시스템 성능 저하와 연산 부하를 줄일 수 있다. (2) 사용자 선호도 프로파일 구축 시 Server에 자동으로 기록되는 peer 사용자의 음악 청취나 유료음악 다운로드 이력 (transaction)을 사용함으로써 기존 협업 필터링 시스템에서 사용자가 직접 음악 취향에 대한 정보를 제공해야 하는 불편함을 제거하였다. (3) Peer 사용자의 시간에 따른 음악 선호도 변화를 반영하여 가장 최근의 선호도를 갖는 음악 파일만을 대상으로 음악을 추천함으로써 보다 정확한 추천을 할 수 있다.
- (2) 사용자 선호도 프로파일 구축 시 Server에 자동으로 기록되는 peer 사용자의 음악 청취나 유료음악 다운로드 이력 (transaction)을 사용함으로써 기존 협업 필터링 시스템에서 사용자가 직접 음악 취향에 대한 정보를 제공해야 하는 불편함을 제거하였다. (3) Peer 사용자의 시간에 따른 음악 선호도 변화를 반영하여 가장 최근의 선호도를 갖는 음악 파일만을 대상으로 음악을 추천함으로써 보다 정확한 추천을 할 수 있다.
- 본 연구의 peer 프로파일은 peer에 자동으로 기록되는 peer 사용자의 음악 청취나 유료 다운로드 기록 (transaction)사용함으로써 기존 협업 필터링 시스템에서와 같이 사용자가 직접 음악 취향에 대한정보를 제공해야 하는 불편함을 제거하였다. 또한 기존 연구에서처럼 음악에 대한 특징벡터를 주줄 하는 대신 음원 파일에 포함된 29개 KID 장르 분류체계를 이용해 각 peer의 시 간대 별 음악 청취 특성 이나 유료 다운로드 특성을 트랜잭션으로 표현하기 때문에 부정확한 특징벡터 추출로 인한 시스템 성능 저하와 연산 부하를 줄일 수 있는 장점이 있다.
- 한다. 본 연구의 peer 프로파일은 peer에 자동으로 기록되는 peer 사용자의 음악 청취나 유료 다운로드 기록 (transaction)사용함으로써 기존 협업 필터링 시스템에서와 같이 사용자가 직접 음악 취향에 대한정보를 제공해야 하는 불편함을 제거하였다. 또한 기존 연구에서처럼 음악에 대한 특징벡터를 주줄 하는 대신 음원 파일에 포함된 29개 KID 장르 분류체계를 이용해 각 peer의 시 간대 별 음악 청취 특성 이나 유료 다운로드 특성을 트랜잭션으로 표현하기 때문에 부정확한 특징벡터 추출로 인한 시스템 성능 저하와 연산 부하를 줄일 수 있는 장점이 있다.
- 제안 시스템의 성능은 음악 포탈회사의 실제 16주 분량의 사용자 음악 청취 기록과 유료다운로드 기록을 바탕으로 트레이닝-테스트 기간 비율, peer 프로파일 구축 방법, 이웃 ger 그룹의 크기, 사용자 Peer 프로파일을 구성하는 트랜잭션 수, 연산 부하 등 다양한 각도로 평가되었다. 실험 결과 제안시스템의 추천 성능은 약 12주의 트레이닝 기간이 적절하다는 것을 알 수 있었다. 한편, 사용자 peer 프로파일을 구축할 때 사용자의 유료 다운로드 기록 못지않게 청취 기록도 아주 중요하다는 점을 알 수 있었고, 프로파일을 구성하는 트랜잭션의 수가 7개 그리고 이웃 peer 그룹의 크기가 20일 때 약 75%에 이르는 최적의 결과를 얻을 수 있었다.
- 실험 결과는 트랜잭션을 7개로, 이웃 peer 그룹을 20개로 그리고 총 추천 음악의 개수를 20으로 했을 때 얻은 결과이다. 그림에서 보듯이 전체 시스템의 추천 성능에는 큰 차이가 없는 것을 알 수 있다.
- 비교한 것이다. 이웃 peer 그룹의 크기에 따른 성능 변화를 알아보기 위해 이웃 peer 그룹의 크기를 부터 100까지 변화시 켜 Hit ratio와 연산 시간을 측정하였다、그림에서 보듯이 전반적으로 이웃 peer 그룹 크기가 전체 시스템의 성능에 별 다른 영향을 미치지 않는 반면, peer 그룹 크기가 증가할수록 추천에 소요되는 시간이 더욱 늘어나는 것을 볼 수 있다. 따라서 본 연구에서는 이웃 peer 그룹의 크기를 20으로 고정하여 실험에 적용하였다.
- 제안 시스템은 P2P 구조에서 사용자 peer들 간에 실시간으로 음악 선호 정보를 공유함으로써 모든 참여자가 서비스 제공자(Server)인 동시에 서비스 수요자(Client)가 되어 보다 정확한 음악추천을 할 수 있는 장점을 가진다. 본 연구는 다음과 같은 점에서 기존의 연구와 차별성을 갖는다.
- 실험 결과 제안시스템의 추천 성능은 약 12주의 트레이닝 기간이 적절하다는 것을 알 수 있었다. 한편, 사용자 peer 프로파일을 구축할 때 사용자의 유료 다운로드 기록 못지않게 청취 기록도 아주 중요하다는 점을 알 수 있었고, 프로파일을 구성하는 트랜잭션의 수가 7개 그리고 이웃 peer 그룹의 크기가 20일 때 약 75%에 이르는 최적의 결과를 얻을 수 있었다.
후속연구
- 연구가 필요할 것으로 예상된다. 또한 제안 시스템의 좀 더 엄밀한 성능평가를 위해서는 더 많은 peer 사용자들을 대상으로 다양한 실험이 필요할 것으로 사료된다.
- 향후 연구로는 추천 시스템의 정확도와 안정성을 높이기 위해 기존의 내용기반 필터링과 협업 필터링 알고리즘을 최적으로 조합할 수 있는 방법이나 사용자 peer 프로파일 구축 시 peer 사용자의 음악 선호변화를 좀 더 세밀하게 감안할 수 있는 방법 등에 대한 연구가 필요할 것으로 예상된다. 또한 제안 시스템의 좀 더 엄밀한 성능평가를 위해서는 더 많은 peer 사용자들을 대상으로 다양한 실험이 필요할 것으로 사료된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.