[논문]신규 사용자 추천 성능 향상을 위한 가중치 기반 기법

조성훈; 이무훈; 김정석; 김봉회; 최의인

doi:10.3745/kipstd.2009.16-d.2.273

신규 사용자 추천 성능 향상을 위한 가중치 기반 기법
Weight Based Technique For Improvement Of New User Recommendation Performance 원문보기

정보처리학회논문지. The KIPS transactions. Part D. Part D, v.16D no.2, 2009년, pp.273 - 280

조성훈 (한국원자력연구소 하나로운영부) , 이무훈 (한남대학교 컴퓨터공학과) , 김정석 (한남대학교 컴퓨터공학과) , 김봉회 ((주)유비엔씨) , 최의인 (한남대학교 컴퓨터공학과)

초록
AI-Helper

오늘날 컴퓨팅 환경의 진보와 웹의 이용이 활발해짐에 따라 오프라인에서 이루어졌던 있었던 많은 서비스들과 상품의 제공이 웹에서 이루어지고 있다. 이러한 웹 기반 서비스 및 상품은 개인에 적합하게 취사선택되어 제공되는 추세이다. 이렇듯 개인에 적합한 서비스 및 상품의 선택과 제공을 위한 패러다임을 개인화(personalization)라 한다. 개인화된 서비스 및 상품의 제공을 위한 분야로서 연구된 것이 추천(recommendation)이다. 그러나 이러한 추천 기법들은 신규 사용자에게 적합한 추천을 제공하지 못하는 문제와 사용자의 상품에 대한 평점에만 의존하여 추천을 생성한다는 계산 공간에서의 제약 사항을 가지고 있다. 두 문제 모두 추천 분야에서 지속적인 관심을 보이는 분야로서 신규사용자 추천 문제의 경우는 신규 사용자의 평점이 없기 때문에 유사 사용자들을 분류할 수 없음에 기인한다. 그리고 추천 공간 제약에 따른 문제는 추천 차원의 추가에 따른 처리 비용이 급격히 증가한다는 문제를 가지고 있기 때문에 쉽게 접근하기 어렵다. 따라서 본 논문에서는 신규사용자 추천 향상을 위한 기법과 평점 예측 시 예측에 대한 가중치를 적용하는 기법을 제안한다.

Abstract ▼ AI-Helper

Today, many services and products that used to be only provided on offline have been being provided on the web according to the improvement of computing environment and the activation of web usage. These web-based services and products tend to be provided to customer by customer's preferences. This paradigm that considers customer's opinions and features in selecting is called personalization. The related research field is a recommendation. And this recommendation is performed by recommender system. Generally the recommendation is made from the preferences and tastes of customers. And recommender system provides this recommendation to user. However, the recommendation techniques have a couple of problems; they do not provide suitable recommendation to new users and also are limited to computing space that they generate recommendations which is dependent on ratings of products by users. Those problems has gathered some continuous interest from the recommendation field. In the case of new users, so similar users can't be classified because in the case of new users there is no rating created by new users. The problem of the limitation of the recommendation space is not easy to access because it is related to moneywise that the cost will be increasing rapidly when there is an addition to the dimension of recommendation. Therefore, I propose the solution of the recommendation problem of new user and the usage of item quality as weight to improve the accuracy of recommendation in this paper.

주제어

AI 본문요약
AI-Helper

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

문제 정의

따라서 본 논문에서는 전술한 신규 사용자 추천 문제를 해결하기 위해 평가 항목을 선정하고 이를 피드백 받아 초기 평가 집합을 생성하는 기법과 정확한 추천을 제공하기 위해 상품 품질을 가중치로 가중하는 기법을 제안한다. 그리고 웹 환경에서 정확한 추천을 위해 상품 품질을 가중치로 적용하는 기법과 신규 사용자에 대한 추천을 위해 초기 평가 집합을 구성하기 위한 기법에 대한 연구를 병행하였으며, 이 연구를 통해 기존 웹 환경에서 운용되는 추천 시스템에서 추천을 위해 평가하는 2차원 추천 공간에 가중치를 적용함으로서 다차원적인 요소들을 고려한 추천이 가능하도록 하였다.
상품 품질은 상품의 품질이 높다면 그 상품을 좋아하는 사용자가 많을 것이고, 그 상품이 빠르게 사용자들 사이에서 인지된다는 것을 개념화한 것이다. 따라서 본 논문에서 이러한 가능성을 추천 시스템에 가중치로 적용하여 그 효율을 높이고자 한 것이다.
따라서 본 논문에서는 전술한 신규 사용자 추천 문제를 해결하기 위해 평가 항목을 선정하고 이를 피드백 받아 초기 평가 집합을 생성하는 기법과 정확한 추천을 제공하기 위해 상품 품질을 가중치로 가중하는 기법을 제안한다. 그리고 웹 환경에서 정확한 추천을 위해 상품 품질을 가중치로 적용하는 기법과 신규 사용자에 대한 추천을 위해 초기 평가 집합을 구성하기 위한 기법에 대한 연구를 병행하였으며, 이 연구를 통해 기존 웹 환경에서 운용되는 추천 시스템에서 추천을 위해 평가하는 2차원 추천 공간에 가중치를 적용함으로서 다차원적인 요소들을 고려한 추천이 가능하도록 하였다.
또한 본 논문에서는 신규 사용자 추천 문제로 명명된 신규 사용자 추천 문제에 대한 해결 기법을 제안함으로서 신규 사용자에 대한 추천이 가능하도록 하였다. 이는 추천 시스템이 보유한 사용자 프로파일의 인구통계학적 정보를 기반으로 평가 항목을 선정하고 이를 사용자에게 제시하여 피드백 받음으로서 유사 사용자를 구별하기 위한 초기 평가 집합을 구성함에 따라 가능하게된 것이다.
본 논문에서는 이러한 한계를 해결하기 위해서 사용자 프로파일에 기반하여 사용자를 군집하고 이를 통해 초기 평점 획득을 위한 상품을 선정하도록 한다. 이를 위해서 본 논문은 협력적 필터링 기법의 아이디어를 통해 신규 사용자 문제에 접근한다.
본 논문에서는 프로파일을 통한 사용자 그룹화를 위해서 나이, 성별, 직업 정보를 활용하여, 비슷한 나이의 사용자들 끼리 그룹화하고, 같은 성별로 그룹화한 뒤에 같은 직업을 가진 사용자들로 그룹화 한다. 이러한 방식의 그룹화는 협력적 필터링의 관점에서 같은 성별 및 직업을 갖는 비슷한 나이의 사용자들은 상품에 대해 비슷한 평가를 할 것이란 전제에서 비롯된 것이다.
본 논문에서는 협력적 필터링 기법에서 가중치로 적용할 수 있는 상품 품질을 제안하였다. 이 개념은 상품의 상대적인 인기도 변화와 사용자들의 인식률에 따라 변화하는 특성을 그대로 적용할 수 있기 때문에 유행에 따른 추천이 가능하다.
본 절에서는 이 상품 품질을 인기도와 사용자 인지도를 통해 계산하는 방법을 설명한다.

제안 방법

따라서 적당한 수의 평가 항목이 제시되어야 한다. 논문에서는 적정한 평가 항목의 수를 20개로 정하였고, 별점 부여 방식을 적용하여 사용자 피드백을 추천 시스템에 제공토록 하였다.
이 문제는 데이터 마이닝(data mining)과 통계에서 다뤄졌던 것으로서 특성 선택 문제와 관련 있다. 문제를 이해하기 위해서, 두 개의 값 X=h, X=t를 가지는 하나의 속성 차원 X의 경우를 생각해보자. X=h와 X=t에 대한 평점의 분포(distribution)가 같다면, 차원 X는 추천을 위해 고려될 필요 없다.
본 논문에서는 신규 사용자 추천 문제를 해결하기 위해서 사용자 프로파일을 이용한다. 일반적으로 사용자 프로파일은 사용자의 생년월일, 나이, 주소, 성별과 같은 기본적인 사용자 정보를 포함하며 사용자를 나타내는 정적 정보이다.
세 그룹의 실험 데이터를 통해 순수 협력적 필터링 기법의 대표적인 알고리즘인 NBCFA와 제안한 상품 품질을 적용한 NBCFA에 대한 추천을 수행 정확도 비교를 수행하였다.
신규 사용자 문제를 해결하기 위해서 본 논문은 사용자 그룹화, 평가 상품 선정, 사용자 피드백 처리, 초기 평점 수집 단계를 통해 문제에 접근한다. 이를 위한 처리 흐름도는 (그림 2)와 같다.
<표 4>에 제시된 바와 같이 3개의 실험데이터에 대한 MAE를 비교하였다. 그 결과 상품 품질을 가중치로 적용한 NBCFA‘과 CMA Type1'의 추천 정확도가 우수하게 나타났다.
위의 두 가지 전제에 기반하여 본 논문은 사용자들을 그룹별로 나누는데, 이러한 그룹화는 3가지의 각기 다른 그룹으로 분류한 상태에서 그룹을 병합하는 방식이 아니라 한 그룹에 대해 분류하고 그 분류 속에서 또 다시 다른 정보를 통해 분류하는 방식으로 처리한다.
추천 시스템에서 특정 시점에 상품을 인지한 사용자가 얼마나 되는지 아는 것은 쉽지 않은데, 이를 위해 사용자에게 아는지 모르는지 일일이 피드백을 요구할 수 없다. 이 때문에 본 논문에서는 사용자 인지도를 추천 시스템에서 알기 위해 상품의 추천 내역을 이용한다. 사용자에게 추천된 적이 있는 상품은 사용자들이 인식하고 있을 가능성이 그렇지 않은 것보다 높으며, 상품의 추천 순위가 높은 것이 낮은 것보다 상품을 인지할 확률이 더 높다.
추천 시스템은 이러한 신규 사용자 추천 문제는 반드시 해결되어야만 한다. 이를 위해 본 논문에서는 사용자 프로파일에 기록된 사용자 정보를 토대로 신규 사용자 추천 문제에 접근하는 신규 사용자 추천 문제 해결 기법을 제안한다.
본 논문에서는 이러한 한계를 해결하기 위해서 사용자 프로파일에 기반하여 사용자를 군집하고 이를 통해 초기 평점 획득을 위한 상품을 선정하도록 한다. 이를 위해서 본 논문은 협력적 필터링 기법의 아이디어를 통해 신규 사용자 문제에 접근한다. 협력적 필터링 기법의 기본 아이디어는 특정 사용자 u와 비슷한 취향을 가진 사용자들 U의 평가는 유사한 점으로 협력적 필터링 기법의 아이디어와 동일하며 이를 신규 사용자 문제를 해결하기 위해 적용한다.
협력적 필터링 기법의 기본 아이디어는 특정 사용자 u와 비슷한 취향을 가진 사용자들 U의 평가는 유사한 점으로 협력적 필터링 기법의 아이디어와 동일하며 이를 신규 사용자 문제를 해결하기 위해 적용한다. 즉, 사용자 프로파일을 통해 비슷한 취향을 가진 사용자들을 분류하고 이들의 평가에 기반하여 추천을 수행한다. 이와 같이 비슷한 취향을 가진 사용자의 분류는 프로파일에 기술된 나이, 성별, 직업 등의 정보를 이용하며, (그림 1)과 같은 데이터를 포함하고 있다.

데이터처리

본 논문에서 제시한 성능 평가는 추천 정확도의 개선을 입증하기 위해 6,040명의 사용자에 대한 사용자간 유사도를 피어슨 상관계수(Pearson Coefficient) 기법을 통해 구하고, 이 사용자 유사도를 순수 협력적 필터링 알고리즘인 NBCFA, CMA(Correspondence Mean Algorithm) Type1과 제안한 기법을 적용했을 경우를 비교한다.

성능/효과

[34]에 제시된 것처럼 기존 NBCFA의 기법은 0.73의 MAE에서 향상되지 않음을 볼 수 있는데, 이에 비해 NBCFA’에서는 0.73보다 낮은 MAE를 보임에 따라 추천 정확도가 기존보다 개선되었음을 확인할 수 있다.
그 결과 상품 품질을 가중치로 적용한 NBCFA‘과 CMA Type1'의 추천 정확도가 우수하게 나타났다.

질의응답

핵심어	질문	논문에서 추출한 답변
	협력적 필터링 기법의 기본적인 아이디어는 무엇인가?	협력적 필터링 기법(collaborative filtering approach)의 기본적인 아이디어는 사용자와 비슷한 취향을 가진 다른 사용자들이 선호하는 것은 사용자 역시 선호할 확률이 높은 점에 착안한 것이며, 이를 이용해서 사용자가 이전에 평가한 경험이 없는 상품에 대한 추천을 수행한다. 따라서 협력적 필터링 기법은 사용자들의 평가 내역을 통해서 사용자와 비슷한 관심사를 갖는 사용자(또는 이웃)들을 찾고, 유사 사용자들이 상품에 대해 평가한 정보를 토대로 상품을 필터링하는 과정이 필요하다.
	협력적 필터링 기법을 추천하기 위해 고려하는 사항은 무엇이 있는가?	이들 기법이 추천을 위해 고려하는 사항은 사용자의 특징, 상품들의 특징, 사용자 간의 유사도, 사용자에 의한 상품의 평점 등이지만, 이들 기법은 상품 자체의 품질은 고려하지 않고 있다. 만약 상품 자체의 품질이 추천을 위한 기준으로서 제공될 수 있다면 사용자들의 요구에 보다 근접해질 수 있게 된다.
	추천 시스템은 어떤 역할을 수행하는가?	추천 시스템(recommender system)은 사용자가 요구하는 것이 무엇인지 분석하여 이를 토대로 상품이나 서비스를 찾으며, 사용자의 요구를 만족시키는 상품을 제공하는 역할을 수행한다. 이를 위해 보다 정확하고 효과적으로 수행하기 위한 연구가 1990년대 중반부터 활발히 이루어지고 있으며, 추천 시스템에 적용하기 위한 연구는 협력적 필터링 기법에서부터 시작되었다[1].

참고문헌 (17)

Sarwar, B., Karypis, G., Konstan, J. and Riedl, J., 'Application of Dimensionality Reduction in Recommendation System-A Case Study', ACM WebKDD 2000 Web Mining for E-Commerce Workshop, http://robotics.stanford. edu/~ronnyk/WEBKDD2000/papers/, 2000
J.A. Konstan, B.N. Miller, D. Maltz, J.L. Herlocker, L.R. Gordon, and J. Riedl, 'GroupLens: Applying Collaborative Filtering to Usenet News,' Comm. ACM, Vol.40, No.3, pp. 77-87, 1997

상세보기
D. Goldberg, D. Nichols, B.M. Oki, and D. Terry, 'Using Collaborative Filtering to Weave an Information Tapestry,' Comm. ACM, Vol.35, No.12, pp.61-70, 1992

상세보기
U. Shardanand and P. Maes, 'Social Information Filtering: Algorithms for Automating 'Word of Mouth',' Proc. Conf. Human Factors in Computing Systems, 1995
L. Getoor and M. Sahami, 'Using Probabilistic Relational Models for Collaborative Filtering', Proc. Workshop Web Usage Analysis and User Profiling (WEBKDD '99), August. 1999
K. Goldberg, T. Roeder, D. Gupta, and C. Perkins, 'Eigentaste: A Constant Time Collaborative Filtering Algorithm,' Information Retrieval J., Vol.4, No.2, pp.133-151, July, 2001

상세보기
Breese, J. S., Heckerman, D., Kadie. C. 1998. 'Empirical Analysis of Predictive Algorithms for Collaborative Filtering', In Proceedings of the Fourteenth Annual Conference on Uncertainty in Artificial Intelligence, pp.43-52, Madison, Wisconsin, July, 1998
Resnick P. and Varian H.R., 'Recommender systems', Communications of the ACM Vol.40, No.3, pp.56-58, 1997

상세보기
M. Pazzani, 'A Framework for Collaborative, Content-Based, and Demographic Filtering,' Artificial Intelligence Rev., pp.393-408, Dec., 1999
Resnick P. and Varian H.R., 'Recommender systems', Communications of the ACM Vol.40, No.3, 56-58, 1997

상세보기
G. Salton, Automatic Text Processing. Addison-Wesley, 1989
R.J. Mooney, P.N. Bennett, and L. Roy, 'Book Recommending Using Text Categorization with Extracted Information,' Proc. Recommender Systems Papers from 1998 Workshop, Technical Report WS-98-08, 1998
M. Pazzani and D. Billsus, 'Learning and Revising User Profiles:The Identification of Interesting Web Sites,' Machine Learning, Vol.27, pp.313-331, 1997
D. Goldberg, D. Nichols, B.M. Oki, and D. Terry, 'Using Collaborative Filtering to Weave an Information Tapestry,' Comm. ACM, Vol.35, No.12, pp.61-70, 1992

상세보기
M. Claypool, A. Gokhale, T. Miranda, P. Murnikov, D. Netes, and M. Sartin, 'Combining Content-Based and Collaborative Filters in an Online Newspaper,' Proc. ACM SIGIR'99 Workshop Recommender Systems: Algorithms and Evaluation, Aug., 1999
Gediminas Adomavicius, Alexander Tuzhilin, 'Toward the Next Generation of Recommender Systems: A Survey of the State-of-the-Art and Possible Extensions', Knowledge and Data Engineering, IEEE Transaction, Vol.17, pp.734-749, 2005

상세보기
U. Shardanand and P. Maes, 'Social Information Filtering: Algorithms for Automating 'Word of Mouth',' Proc. Conf. Human Factors in Computing Systems, 1995

저자의 다른 논문 :

LOADING...

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