$\require{mediawiki-texvc}$
  • 검색어에 아래의 연산자를 사용하시면 더 정확한 검색결과를 얻을 수 있습니다.
  • 검색연산자
검색연산자 기능 검색시 예
() 우선순위가 가장 높은 연산자 예1) (나노 (기계 | machine))
공백 두 개의 검색어(식)을 모두 포함하고 있는 문서 검색 예1) (나노 기계)
예2) 나노 장영실
| 두 개의 검색어(식) 중 하나 이상 포함하고 있는 문서 검색 예1) (줄기세포 | 면역)
예2) 줄기세포 | 장영실
! NOT 이후에 있는 검색어가 포함된 문서는 제외 예1) (황금 !백금)
예2) !image
* 검색어의 *란에 0개 이상의 임의의 문자가 포함된 문서 검색 예) semi*
"" 따옴표 내의 구문과 완전히 일치하는 문서만 검색 예) "Transform and Quantization"

논문 상세정보

신규 사용자 추천 성능 향상을 위한 가중치 기반 기법

Weight Based Technique For Improvement Of New User Recommendation Performance

초록

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

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.

본문요약 

문제 정의
  • 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.

    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.

  • 따라서 본 논문에서 이러한 가능성을 추천 시스템에 가중치로 적용하여 그 효율을 높이고자 한 것이다.

    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.

    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.

    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.

    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.

    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.

    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.

    본 절에서는 이 상품 품질을 인기도와 사용자 인지도를 통해 계산하는 방법을 설명한다.

본문요약 정보가 도움이 되었나요?

질의응답 

키워드에 따른 질의응답 제공
핵심어 질문 논문에서 추출한 답변
협력적 필터링 기법
협력적 필터링 기법의 기본적인 아이디어는 무엇인가?
사용자와 비슷한 취향을 가진 다른 사용자들이 선호하는 것은 사용자 역시 선호할 확률이 높은 점에 착안한 것

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 기법
협력적 필터링 기법을 추천하기 위해 고려하는 사항은 무엇이 있는가?
사용자의 특징, 상품들의 특징, 사용자 간의 유사도, 사용자에 의한 상품의 평점 등

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 시스템
추천 시스템은 어떤 역할을 수행하는가?
사용자가 요구하는 것이 무엇인지 분석하여 이를 토대로 상품이나 서비스를 찾으며, 사용자의 요구를 만족시키는 상품을 제공하는 역할을 수행한다.

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].

질의응답 정보가 도움이 되었나요?

저자의 다른 논문

참고문헌 (17)

  1. 1. 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 
  2. 2. 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 
  3. 3. 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 
  4. 4. U. Shardanand and P. Maes, 'Social Information Filtering: Algorithms for Automating 'Word of Mouth',' Proc. Conf. Human Factors in Computing Systems, 1995 
  5. 5. L. Getoor and M. Sahami, 'Using Probabilistic Relational Models for Collaborative Filtering', Proc. Workshop Web Usage Analysis and User Profiling (WEBKDD '99), August. 1999 
  6. 6. 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 
  7. 7. 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 
  8. 8. Resnick P. and Varian H.R., 'Recommender systems', Communications of the ACM Vol.40, No.3, pp.56-58, 1997 
  9. 9. M. Pazzani, 'A Framework for Collaborative, Content-Based, and Demographic Filtering,' Artificial Intelligence Rev., pp.393-408, Dec., 1999 
  10. 10. Resnick P. and Varian H.R., 'Recommender systems', Communications of the ACM Vol.40, No.3, 56-58, 1997 
  11. 11. G. Salton, Automatic Text Processing. Addison-Wesley, 1989 
  12. 12. 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 
  13. 13. M. Pazzani and D. Billsus, 'Learning and Revising User Profiles:The Identification of Interesting Web Sites,' Machine Learning, Vol.27, pp.313-331, 1997 
  14. 14. 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 
  15. 15. 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 
  16. 16. 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 
  17. 17. U. Shardanand and P. Maes, 'Social Information Filtering: Algorithms for Automating 'Word of Mouth',' Proc. Conf. Human Factors in Computing Systems, 1995 

문의하기 

궁금한 사항이나 기타 의견이 있으시면 남겨주세요.

Q&A 등록

DOI 인용 스타일

"" 핵심어 질의응답