[논문]일관성 기반의 신뢰도 정의에 의한 협업 필터링

김형도

일관성 기반의 신뢰도 정의에 의한 협업 필터링
Collaborative Filtering by Consistency Based Trust Definition 원문보기

한국전자거래학회지 = The Journal of Society for e-Business Studies, v.14 no.1, 2009년, pp.1 - 11

초록
AI-Helper

사용자간 유사도에 의한 협업 필터링에서 추천 품질이 안정적인 상태에 이르기 위해서는 많은 이웃들이 필요하다. 이것은 높은 사용자간 유사도가 제품에 대한 동일한 선호도를 일관되게 보장하지 못하기 때문이다. 유사하지 않은 사용자라 할지라도 제품 선택에서 사용자 간에 일관성이 있다면, 선호도 예측에서 유용하게 사용될 수 있다. 이 논문에서는 일관성을 기준으로 신뢰도를 정의하고, 이를 기반으로 이웃을 선정하여 선호도를 예측하는 협업 필터링 방법을 제시한다. 이 방법에 의한 추천 품질이 안정적인 상태에 이르기 위해서 필요한 이웃들의 수가 유사도에 의한 방법보다 매우 적으며, 추천 품질 또한 우수하다.

Abstract ▼ AI-Helper

Many neighbors are needed for making the recommendation quality better and stable in collaborative filtering. Furthermore, the quality is not so good mainly due to a reason that high similarity between two users does not guarantee the same preference to items considered for recommendation. Dissimilar users who have consistency in item selection can be useful for predicting preferences. This paper proposes a new collaborative filtering method, defining trust based on consistency for improving this phenomenon. Empirical studies show that such a method reduces the number of neighbors required to make the recommendation quality stable and the recommendation quality itself is also significantly improved.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

이 논문은 일관성을 기반으로 하는 신뢰도를 정의하고 이를 이용한 이웃의 선정과 평가치 예측 방법을 제시하였다. 유사성 기반의 이웃 선정에 비하여 신뢰도 기반의 이웃 선정은 안정적인 결과를 얻기 위해 필요한 이웃의 수를 크게 줄일 수 있다.
신뢰도 기반의 협업 필터링에 관한 연구는 최근에 관심을 받기 시작하고 있으나, 신뢰도의 정도를 결정하는 방법이 불명확하거나, 유사도를 신뢰도로 사용하거나, 이웃이 중간에 변경되지 못한다는 단점이 있다[15, 18, 21]. 이러한 문제점을 해결하기 위해서 이 논문에서는 엔트로피를 이용하여 일관성을 측정할 수 있는 신뢰도 정의를 제시하고, 이를 기반으로 이웃 선정 및 평가에 대한 예측을 처리할 수 있는 방법을 제시한다.

대상 데이터

일관성 기반의 신뢰도 정의에 의한 협업 필터링 방법에 대하여 MovieLens 데이터집합[6]을 이용하여 모의 실험하였다. 이 데이터집합은 1682개 영화를 943명이 평가한 약 10만개의 기록을 포함한다. 이 방법에 의한 예측치의 품질을 평가하기 위하여, 데이터집합의 90%는 훈련용으로, 나머지 10%는 테스트용으로 사용되었다.

이론/모형

이 방법에 의한 예측치의 품질을 평가하기 위하여, 데이터집합의 90%는 훈련용으로, 나머지 10%는 테스트용으로 사용되었다. 이 방법의 정확성을 측정하고 평가하기 위해서 평균절대에러(MAE)를 사용한다. 이것은 식 (11)과 같이 계산된다.
일관성 기반의 신뢰도 정의에 의한 협업 필터링 방법에 대하여 MovieLens 데이터집합[6]을 이용하여 모의 실험하였다. 이 데이터집합은 1682개 영화를 943명이 평가한 약 10만개의 기록을 포함한다.

성능/효과

이상과 같이 두 사용자 간의 엔트로피 정의는 두 사용자 간에 일관성이 있는 평가가 많을수록 낮은 엔트로피 값을 가지게 됨을 의미한다. 즉, 두 사용자 간의 엔트로피 값이 낮을수록(불확실성이 낮을수록) 일관성이 높다고 말할 수 있다.
75수준으로 접근하는 이웃의 수 N이 매우 작음을 알 수 있다. 즉, NEAREST-N에서 100개 정도의 이웃을 사용해야 안정적인 MAE 값을 얻을 수 있는 반면에, HISTORIC에서는 10명 정도에서 안정적인 MAE 값을 얻을 수 있어서, 효율적인 추천이 가능함을 알 수 있다.
유사성 기반의 이웃 선정에 비하여 신뢰도 기반의 이웃 선정은 안정적인 결과를 얻기 위해 필요한 이웃의 수를 크게 줄일 수 있다. 추가적으로 신뢰도 전파는 협업 필터링의 희소성 문제(Sparsity Problem)를 감소시킴으로써 예측의 품질을 크게 개선할 수 있었다.

후속연구

앞으로의 연구 방향으로 다차원의 신뢰도 전파와 분산 협업 필터링을 선정하여 추진하고 있다. 현재는 1차원의 신뢰도 전파만을 대상으로 하고 있으나, 2차 이상의 다차원 신뢰도 전파를 통해서 보다 좋은 결과를 얻을 수 있을 것으로 예상하고 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	추천 시스템 중에서 가장 성공적인 기술은 무엇인가?	추천 시스템은 사용자가 가장 적합한 정보를 발견할 수 있도록 도와주는데 목적이 있 다[1, 2, 20]. 이러한 추천 시스템 중에서 가장 성공적인 기술은 협업 필터링(Collaborative Filtering)[3, 5, 9, 16, 17]으로서, 이것을 크게 보면 메모리 기반의 협업 필터링과 모델 기반의 협업 필터링으로 구분할 수 있다. 전자는 예측을 하기 위해서 두 사용자 간의 또는 제품 간의 유사도를 측정하며, 가장 활발하게 사용되고 있는 추천 기법이다[13, 19, 21].
	추천 시스템의 목적은?	추천 시스템은 사용자가 가장 적합한 정보를 발견할 수 있도록 도와주는데 목적이 있 다[1, 2, 20]. 이러한 추천 시스템 중에서 가장 성공적인 기술은 협업 필터링(Collaborative Filtering)[3, 5, 9, 16, 17]으로서, 이것을 크게 보면 메모리 기반의 협업 필터링과 모델 기반의 협업 필터링으로 구분할 수 있다.
	사용자간 유사도에 의한 협업 필터링에서 추천 품질이 안정적인 상태에 이르기 위해서는 많은 이웃들이 필요한 이유는?	사용자간 유사도에 의한 협업 필터링에서 추천 품질이 안정적인 상태에 이르기 위해서는 많은 이웃들이 필요하다. 이것은 높은 사용자간 유사도가 제품에 대한 동일한 선호도를 일관되게 보장하지 못하기 때문이다. 유사하지 않은 사용자라 할지라도 제품 선택에서 사용자 간에 일관성이 있다면, 선호도 예측에서 유용하게 사용될 수 있다.

참고문헌 (21)

박지수, 정석재, 이영훈, 김경섭, “퍼지추론을 통한 규칙 기반의 보험상품 추천 및 설계 시스템 구현”, 한국전자거래학회지, 제12권, 제1호, pp. 99-122, 2007.
이재식, 명훈식, “사례기반 추론을 이용한 인터넷 서점의 서적 추천시스템 개발”, 한국전자거래학회지, 제13권, 제4호,pp. 173-191, 2008.
Adomavicius, G. et al., “Incorporating Contextual Information in Recommender Systems Using a Multidimensional Approach,” ACM Transactions on Information Systems, Vol. 23, No. 1, pp. 103-145, Jan. 2005.

상세보기
Ahn, H. J., “A New Similarity Measure for Collaborative Filtering to Alleviate the New User Cold-Starting Problem,” Information Sciences, Vol. 128, pp. 37-51, 2008.
Chen, A., “Context-Aware Collaborative Filtering System : Predicting the User’s Preferences in Ubiquitous Computing,” Proceedings of CHI 2005, Portland, USA, Apr. pp. 2-7, 2005.
GroupLens Research, “MovieLens Datasets,” http://www.grouplens.org/taxonomy/term/14
Herlocker, J. L. et al., “An Algorithmic Framework for Performing Collaborative Filtering,” Proceedings of the 22nd Annual International ACM SIGIR Conf. on Research and Development in Information Retrieval, pp. 230-237, Berkeley,USA, 1999.
Herlocker, J. L. et al., “Evaluating Collaborative Filtering Recommender Systems,” ACM Transactions on Information Systems, Vol. 22, No. 1, pp. 5-53, 2004.

상세보기
Kim, H.-N. et al., “Error-Based Collaboration Filtering Algorithm for Top-N Recommendation,” Proceedings of APWeb 2007 and WAIM 2007(LNCS 4505), pp. 594-605, Huang Shan, China, June, pp.16-18, 2007.
Kim, T.-H., and Yang, S.-B., “An Improved Neighbor Selection Algorithm in Collaborative Filtering,” IEICE Transactions on Information and Systems, Vol. E88-D, No. 5, pp. 1072-1076, 2005.

상세보기
Konstan, J. et al., “GroupLens : Applying Collaborative Filtering to Usenet News,” Communications of the ACM, Vol. 40, No. 3, pp. 77-87, 1997.

상세보기
Lee, H. C., Lee, S. J., and Chung Y. J., “A Study on the Improved Collaborative Filtering Algorithm for Recommender System,” Proceedings of the 5th International Conference on Software Engineering Research, Management and Applications (SERA2007), pp. 297-304, 2007.
Lemire, D., and Maclachlan, A., “Slope One Predictors for Online Rating-Based Collaborative Filtering,” Proceedings of the SDM’05, Newport Beach, USA, Apr, pp. 21-23, 2005.
Massa, P., and Avesani, P., “Trust-Aware Collaborative Filtering for Recommender Systems,” Proceedings of the International Conf. on Cooperative Information Systems 2004.
Mohan, B. K., Keller, B. J., and Ramakrishnan, N., “Scouts, Promoters, and Connectors : The Roles of Ratings in Nearest Neighbor Collaborative Filtering,” Proceedings of EC’06, pp. 250-259, Ann Arbor, Michigan, USA, Jun, pp. 11-15, 2006.
Nakamoto, R. et al., “Tag-Based Contextual Collaborative Filtering,” Proceedings of DEWS2007, pp. 25-30, Hiroshima, Japan, 2007.
Papagelis, M, Plexousakis, D., and Kutsuras, T., “Alleviating the Sparsity Problem of Collaborative Filtering Using Trust Inference,” Proceedings of iTrust 2005, pp. 224-239, 2005.
Sarwar B. et al., “Analysis of Recommendation Algorithms for e-Commerce,” Proceedings of the 2nd ACM Conf. on Electronic Commerce, pp. 158-167, Minneapolis, USA, 2000.
Sarwar, B., Karypis, G., Konstan, J., and Reidl, J., “Item-Based Collaborative Filtering Recommendation Algorithms,” Proceedings of the 10th Int’l WWW Conf., pp. 285-295, Hong Kong, May 1-5, 2001.
Shardanand, U., and Maes, P., “Social Information Filtering : Algorithms for Automating ‘Word of Mouth’,” Proceedings of the ACM CHI Conf. on Human Factors in Computing Systems, pp. 210-217, Denver, USA, May 1995.
Weng, J. et al., “Trust-Based Agent Community for Collaborative Recommendation,” Proceedings of AAMAS’06, pp. 1260-1262, Hakodate, Hokkaaido, Japan, May 8-12, 2006.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증