[논문]협동적 필터링에서 고품질 예측을 위한 효과적인 추천 알고리즘

김택헌; 박석인; 양성봉

협동적 필터링에서 고품질 예측을 위한 효과적인 추천 알고리즘
Effective Recommendation Algorithms for Higher Quality Prediction in Collaborative Filtering 원문보기

정보과학회논문지. Journal of KIISE. 컴퓨팅의 실제 및 레터, v.16 no.11, 2010년, pp.1116 - 1120

김택헌 (고려대학교 컴퓨터학과) , 박석인 (연세대학교 컴퓨터과학과) , 양성봉 (연세대학교 컴퓨터과학과)

초록
AI-Helper

본 논문에서 우리는 추천 시스템을 위한 두 개의 정제된 이웃선정 알고리즘을 제시하고, 또한 아이템의 속성정보가 어떻게 고품질의 예측을 위해 사용될 수 있는지를 보인다. 정제된 이웃선정 알고리즘은 가상 이웃과 대체 이웃을 각각 사용하여 이행적 유사도를 기반으로 한 이웃선정 방법을 적용한다. 실험 결과는 본 논문에서 제안한 알고리즘을 적용한 추천 시스템이 다른 시스템에 비해 보다 우수한 성능을 가짐을 보여준다. 이러한 제안 시스템은 예측 품질의 저하 없이 대규모 데이터셋 문제 및 초기 참여자 문제를 극복할 수 있게 한다.

Abstract ▼ AI-Helper

In this paper we present two refined neighbor selection algorithms for recommender systems and also show how the attributes of the items can be used for higher prediction quality. The refined neighbor selection algorithms adopt the transitivity-based neighbor selection method using virtual neighbors and alternate neighbors, respectively. The experimental results show that the recommender systems with the proposed algorithms outperform other systems and they can overcome the large scale dataset problem as well as the first rater problem without deteriorating prediction quality.

주제어

AI 본문요약
AI-Helper

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

문제 정의

In this paper we present two refined neighbor selection algorithms for recommender systems and also show how the attributes of the items can be used for higher prediction quality. These two proposed algorithms adopt the transitivity-based neighbor selection method using virtual neighbors and alternate neighbors, respectively.

가설 설정

-The recommender systems using the attribute information have improved the prediction quality, compared with the ones without using it.
A virtual neighbor we mean a cust젾mer who has the same properties as the test customer t. Let TNSAu denote TNSA with virtual neighbors.

제안 방법

In this paper we proposed a transitivity-based neighbor section method that can use either virtual neighbors or alternate neighbors in searching for the useful neighbors. We also showed that utilizing the attributes of the items in collaborative filtering improves proiiction quality.

대상 데이터

In the experiments we used the MovieLens dataset of the GroupLens Research Group [7]. We used two types of evaluation metrics; they are prediction accuracy and recommendation list accuracy.

이론/모형

It uses a refined neighbor selection algorithm that considers both high and low similarities with respect to the test customer and exploits the transitivity of similarity using a graph approach. The proposed algorithm also utilizes the attributes of the items in the process of prediction for high prediction quality.

성능/효과

of TNSA% to KCF is more than 10%. And the recommendation list accuracy improvement ratio of TNSA% to KCF is more than 5% for each metric. In TNSAaa the improvement ratio is more than 9% for MAE and is 4% and over for precision, recall, and F-measure.
In the results we found that both TNSA% and TNSA% improve the prediction quality significantly for all the cases. On the other hand the prediction qualities of both TNSAu and TNSAa improved not much.
The experimental results show us that TNSA% outperforms other systems for both the prediction accuracy and the recommendation list accuracy. We also found that the prediction quality of TNSA% is better than other systems except TNSA%.

참고문헌 (10)

B. M. Sarwar, G. Karypis, J. A. Konstan, and J. T. Riedl, "Analysis of Recommendation Algorithms for E-Commerce," Proc. of ACM E-Commerce 2000, 2000.
B. M. Sarwar, G. Karypis, J. A. Konstan, and J. T. Riedl, "Recommender Systems for Large-Scale E-Commerce: Scalable Neighborhood Formation Using Clustering," Proc. of the Fifth International Conference on Computer and Information Technology, 2002.
J. A. Konstan, B. Miller, D. Maltz, J. L. Herlocker, L. Gordon, and J. T. Riedl, "GroupLens: Applying Collaborative Filtering to Usenet News," Communications of the ACM, vol.40, 1997.
T. H. Kim and S. B. Yang, "Using Attributes to Improve Prediction Quality in Collaborative Filtering," Proc. of EC-Web 2004, 2004.
J. Riedl, T. Beaupre, J. Sanders, "Research Challenges in Recommenders," Proc. of ACM Recommender Systems 2009 Tutorial, 2009.
X. N. Lam, T. Vu, T.D. Le, and A.D.Duong, "Addressing Cold-start Problem in Recommendation Systems," Proc. of ICUIMC'08, 2008.
MovieLens dataset, GroupLens Research Group, url: http://www.grouplens.org/.
J. S. Breese, D. Heckerman, and C. Kadie, "Empirical Analysis of Predictive Algorithms for Collaborative Filtering," Proc. of UAI 1998 Conference, 1998.
H. Nguyen and P. Haddawy, "The Decision- Theoretic Interactive Video Advisor," Proc. of UAI 1999 Conference, 1999.
R. J. Mooney and L. Roy, "Content-Based Book Recommending Using Learning for Text Categorization," Proc. of ACM Conference on Digital Libraries, 2000.

저자의 다른 논문 :

LOADING...

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

협동적 필터링에서 고품질 예측을 위한 효과적인 추천 알고리즘
Effective Recommendation Algorithms for Higher Quality Prediction in Collaborative Filtering 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

참고문헌 (10)

이 논문을 인용한 문헌

저자의 다른 논문 :

연구과제 타임라인

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

협동적 필터링에서 고품질 예측을 위한 효과적인 추천 알고리즘 Effective Recommendation Algorithms for Higher Quality Prediction in Collaborative Filtering 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

참고문헌 (10)

이 논문을 인용한 문헌

저자의 다른 논문 :

양성봉 (29)

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

협동적 필터링에서 고품질 예측을 위한 효과적인 추천 알고리즘
Effective Recommendation Algorithms for Higher Quality Prediction in Collaborative Filtering 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper