[논문]연관 규칙 생성 알고리즘 기반의 개인화 의류 추천 시스템

이종현; 이석훈; 김장원; 백두권

doi:10.9709/jkss.2010.19.4.059

연관 규칙 생성 알고리즘 기반의 개인화 의류 추천 시스템
A Personalized Clothing Recommender System Based on the Algorithm for Mining Association Rules 원문보기

한국시뮬레이션학회논문지 = Journal of the Korea Society for Simulation, v.19 no.4, 2010년, pp.59 - 66

이종현 (고려대학교 컴퓨터.전파통신공학과) , 이석훈 (고려대학교 컴퓨터.전파통신공학과) , 김장원 (고려대학교 컴퓨터.전파통신공학과) , 백두권 (고려대학교 컴퓨터.전파통신공학과)

초록
AI-Helper

이 논문에서는 온톨로지로 표현한 트랜잭션으로부터 연관 규칙을 생성하고 이를 기반으로 추론을 수행하여 개인화 의류 추천을 제공하는 시스템을 제안한다. Onto-Apriori 알고리즘을 이용한 연관 규칙 생성은 유행에 따른 구매성향 변동을 능동적으로 분석할 수 있다. 생성된 규칙은 온톨로지에 메타 노드로 표현하고 이를 기반으로 추론함으로써 사용자의 질의에 맞는 추천 항목을 찾아낼 수 있다. 시스템을 평가하기 위하여 추론 소요시간과 추천 정확도 2가지 요소를 기준으로 시뮬레이션을 수행하여 유효성을 증명하였다.

Abstract ▼ AI-Helper

We present a personalized clothing recommender system - one that mines association rules from transaction described in ontologies and infers a recommendation from the rules. The recommender system can forecast frequently changing trends of clothing using the Onto-Apriori algorithm, and it makes appropriate recommendations for each users possible through the inference marked as meta nodes. We simulates the rule generator and the inferential search engine of the system with focus on accuracy and efficiency, and our results validate the system.

주제어

AI 본문요약
AI-Helper

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

문제 정의

이 논문에서는 기존 기법들을 사용하여 표현하기 어려웠던 소재 이외의 다양한 의류의 속성을 온톨로지를 통해 표현하고 협력적 필터링 알고리즘의 성능저하 문제를 해결하기 위하여 복잡도가 낮은 Onto-Apriori 알고리즘을 기반으로 한 시스템을 제안한다. 필터링 기법의 성능 평가는 분석 소요시간과 정확도의 반비례 관계를 어떻게 해결 하였는지가 중요하므로^[23], 이 논문에서는 제안하는 기법을 통한 규칙 생성의 분석 소요시간과 추천 의류 추론의 정확도를 중심으로 시뮬레이션 하여 시스템을 평가한다.
이 논문에서는 온톨로지 트랜잭션으로부터 연관 규칙을 추출하여 규칙으로 정의하고 이를 기반으로 의류 추천을 제공하기 위해 추론을 수행하는 시스템을 제안하였다. 능동적인 시스템을 구축하기 위하여 복잡도가 높은 협력적 필터링 알고리즘 대신 Onto-Apriori 알고리즘을 이용하여 연관 규칙 추출을 하였으며 메타노드를 통한 연관 규칙 기반의 추론으로 개인화 의류 추천을 가능하게 하였다.

제안 방법

제안한 시스템은 지지도와 신뢰도를 규칙을 생성할 때 이용한다. 각 빈발 항목 집합들 중 최소 지지도(minsup) 이상의 지지도를 만족하는 항목들을 빈발 항목 집합에 포함시키며 최종 빈발 항목 집합으로부터 최소 신뢰도(minconf)을 갖는 항목들을 규칙으로 생성한다.
이 논문에서는 온톨로지 트랜잭션으로부터 연관 규칙을 추출하여 규칙으로 정의하고 이를 기반으로 의류 추천을 제공하기 위해 추론을 수행하는 시스템을 제안하였다. 능동적인 시스템을 구축하기 위하여 복잡도가 높은 협력적 필터링 알고리즘 대신 Onto-Apriori 알고리즘을 이용하여 연관 규칙 추출을 하였으며 메타노드를 통한 연관 규칙 기반의 추론으로 개인화 의류 추천을 가능하게 하였다. 실제 시스템을 구현하여 제안한 기법의 연관 규칙 생성과 추론적 검색은 기존의 필터링 기법들을 이용한 시스템보다 더 많은 항목과 규칙을 적용할 수 있음을 검증하였다.
지지도는 전체 트랜잭션 중 추론 결과에 X와 Y가 모두 포함될 확률이며, 신뢰도는 X에 대한 추론 결과 트랜잭션 중에서 X와 Y과 모두 추론될 확률이다. 제안한 시스템은 지지도와 신뢰도를 규칙을 생성할 때 이용한다. 각 빈발 항목 집합들 중 최소 지지도(minsup) 이상의 지지도를 만족하는 항목들을 빈발 항목 집합에 포함시키며 최종 빈발 항목 집합으로부터 최소 신뢰도(minconf)을 갖는 항목들을 규칙으로 생성한다.
제안한 연관 규칙 추출기의 적용 범위를 분석을 위하여 각각 Itemset1-10, Itemset2-20, Itemset3-30개의 항목을 갖는 세 가지 의류 항목 집합을 정의하고 트랜잭션을 증가시키며 시뮬레이션을 수행하였다. 실제 전자 상거래에서 사용되는 협력적 필터링은 기존 알고리즘의 복잡도 문제 때문에 약 70,000개의 트랜잭션 밖에 적용 할 수 없는 문제를 가지고 있다^[12].
이 논문에서는 기존 기법들을 사용하여 표현하기 어려웠던 소재 이외의 다양한 의류의 속성을 온톨로지를 통해 표현하고 협력적 필터링 알고리즘의 성능저하 문제를 해결하기 위하여 복잡도가 낮은 Onto-Apriori 알고리즘을 기반으로 한 시스템을 제안한다. 필터링 기법의 성능 평가는 분석 소요시간과 정확도의 반비례 관계를 어떻게 해결 하였는지가 중요하므로^[23], 이 논문에서는 제안하는 기법을 통한 규칙 생성의 분석 소요시간과 추천 의류 추론의 정확도를 중심으로 시뮬레이션 하여 시스템을 평가한다.

데이터처리

이 논문에서 제안한 시스템의 추천 정확도를 평가하기 위하여 추천결과와 예측의 1:1 비교 방법을 사용하였다^[25]. 전문가가 미리 예측 결과를 정의하고 추출된 연관 규칙을 통해 추론된 결과를 비교하여 나타난 결과는 그림 9와 같다.

이론/모형

연관 규칙을 자동으로 생성하기 위해 온톨로지 기반의 Onto-Apriori 알고리즘을 사용하여 구매자들의 성향을 능동적으로 분석한다^[10]. Onto-Apriori 알고리즘은 기존의 Apriori 알고리즘과 달리 연관 규칙 생성 시 추론을 이용한다^[11].
이를 바탕으로 추론적 검색기는 Jena 추론엔진을 기반으로 연관 규칙을 이용해 추론하여 사용자에게 그림 5와 같은 추천을 제공한다.
추론적 검색을 위한 규칙을 생성하기 위해 온톨로지 추론을 기반으로 하는 Onto-Apriori 알고리즘을 사용한다. Onto-Apriori 알고리즘에서는 기존 정의와 달리 알고리즘에서의 지지도(Support), 신뢰도(Confidence)를 아래 식과 같이 트랜잭션 집합 온톨로지로부터 추론을 통해 계산한다.
하지만 협력적 필터링에 의존한 추천을 기반으로 하기 때문에 사전에 아이템에 대한 평가 데이터가 필요하고 알고리즘의 추천 제공 성능 때문에 방대한 데이터에 적용하기 어려운 문제점이 있다. 텍스타일 기반의 기술으로는 협럭적 필터링의 예측에 사용될 이웃의 수를 결정하기 위해서 Representative Attribute-Neighborhood 방법을 사용한다^[9]. 이 방법은 소재에 대한 사용자의 감성이나 선호도에 대한 텍스타일의 대표 감성어휘를 추출하는 데는 적합하지만 의류의 소재 이외의 다양한 속성들을 적용하기 어렵다.

성능/효과

전문가가 미리 예측 결과를 정의하고 추출된 연관 규칙을 통해 추론된 결과를 비교하여 나타난 결과는 그림 9와 같다. 결과의 정확도는 minsup, minconf의 값을 어떻게 정하느냐에 따라 크게 변동 되는 것을 확인할 수 있다. 본 시스템의 minsup, minconf 값은 사람이 직접 지정해 주어야 하기 때문에 각 항목 집합의 특징에 부합하는 적절한 값을 분석하여 정확도를 향상시키는 것이 중요하다는 것을 알 수 있다.
결과의 정확도는 minsup, minconf의 값을 어떻게 정하느냐에 따라 크게 변동 되는 것을 확인할 수 있다. 본 시스템의 minsup, minconf 값은 사람이 직접 지정해 주어야 하기 때문에 각 항목 집합의 특징에 부합하는 적절한 값을 분석하여 정확도를 향상시키는 것이 중요하다는 것을 알 수 있다.
능동적인 시스템을 구축하기 위하여 복잡도가 높은 협력적 필터링 알고리즘 대신 Onto-Apriori 알고리즘을 이용하여 연관 규칙 추출을 하였으며 메타노드를 통한 연관 규칙 기반의 추론으로 개인화 의류 추천을 가능하게 하였다. 실제 시스템을 구현하여 제안한 기법의 연관 규칙 생성과 추론적 검색은 기존의 필터링 기법들을 이용한 시스템보다 더 많은 항목과 규칙을 적용할 수 있음을 검증하였다.
실제 전자 상거래에서 사용되는 협력적 필터링은 기존 알고리즘의 복잡도 문제 때문에 약 70,000개의 트랜잭션 밖에 적용 할 수 없는 문제를 가지고 있다^[12]. 이에 비해 Onto-Apriori 알고리즘을 이용한 시스템은 그림 8과 같이 1,000,000개 이상의 트랜잭션을 적용하여 더 많은 트랜잭션으로부터 규칙을 생성할 수 있음을 보였다. 제안한 시스템의 연관 규칙추출은 더 많은 트랜잭션으로부터 규칙을 생성함으로써 각 규칙에 더 넓은 케이스들을 적용하여 규칙의 신뢰성을 높일 시킬 수 있다.
이에 비해 Onto-Apriori 알고리즘을 이용한 시스템은 그림 8과 같이 1,000,000개 이상의 트랜잭션을 적용하여 더 많은 트랜잭션으로부터 규칙을 생성할 수 있음을 보였다. 제안한 시스템의 연관 규칙추출은 더 많은 트랜잭션으로부터 규칙을 생성함으로써 각 규칙에 더 넓은 케이스들을 적용하여 규칙의 신뢰성을 높일 시킬 수 있다. 또 다양한 트랜잭션을 바탕으로 기존의 시스템 보다 더 많은 규칙들을 생성할 수 있다.
Onto-Apriori 알고리즘에서는 기존 정의와 달리 알고리즘에서의 지지도(Support), 신뢰도(Confidence)를 아래 식과 같이 트랜잭션 집합 온톨로지로부터 추론을 통해 계산한다. 지지도는 전체 트랜잭션 중 추론 결과에 X와 Y가 모두 포함될 확률이며, 신뢰도는 X에 대한 추론 결과 트랜잭션 중에서 X와 Y과 모두 추론될 확률이다. 제안한 시스템은 지지도와 신뢰도를 규칙을 생성할 때 이용한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	개인화 추천 시스템을 위한 필터링 기법들로는 무엇이 있는가?	개인화 추천 시스템을 위한 필터링 기법들은 협력적 필터링, 내용 기반 필터링, 규칙 기반 필터링이 있다[20-22].
	협력적 필터링 개인화 기법은 어떠한 방법인가?	협력적 필터링 개인화 기법은 고객들의 상품 선호에 대한 데이터베이스를 구축하고, 고객의 구매내역에 기반을 두어 유사한 취향을 가진 이웃들을 찾아내어 이웃들의 선호하는 상품을 그 고객에게 추천하는 방법이다. 이는 개인화 알고리즘과 추천 제공의 성능 문제 때문에 방대한 데이터에 적용이 어려운 단점이 있다.
	협력적 필터링 개인화 기법의 단점은 무엇인가?	협력적 필터링 개인화 기법은 고객들의 상품 선호에 대한 데이터베이스를 구축하고, 고객의 구매내역에 기반을 두어 유사한 취향을 가진 이웃들을 찾아내어 이웃들의 선호하는 상품을 그 고객에게 추천하는 방법이다. 이는 개인화 알고리즘과 추천 제공의 성능 문제 때문에 방대한 데이터에 적용이 어려운 단점이 있다. 내용 기반 필터링은 항목의 속성과 사용자의 선호도를 비교하여 가장 동일한 항목을 추천하는 방식이다.

참고문헌 (25)

M. Davis, "Semantic Wave 2007: Industry Roadmap to Web 3.0", Tutorial of Semantic Technology Conference, 2007.
A. Felferning, M. Mandl, J. Tihonen, M. Schubert, G. Leitner, "Personalized user interfaces for product configuration", ACM Proceeding of the 14th international conference on Intelligent user interfaces, 2010, pp 317-320.
Linden, G., Smith, B., and York, J, "Amazon.com recommendations: item-to-item collaborative filtering", Internet Computing, IEEE Computer Society, 2003, pp. 76-80.
J Choi, HJ Lee, YC Kim, "The Influence of Social Presence on Evaluating Personalized Recommender Systems", Pacific Asia Conference on Information Systems (PACIS), AIS Electronic Library (AISeL), 2009.
J. L. Herlocker, J. A. Konstan, L. G. Terveen, J. T. Riedl, "Evaluating collaborative filtering recommender systems", ACM Transactions on Information Systems (TOIS), 2004, pp. 5-53.
J. Ben Schafer, Joseph Konstan, John Riedi, "Recommender systems in e-commerce", Proceedings of the 1st ACM conference on Electronic commerce, 1999, pp. 158-166.
J. Ben Schafer, Dan Frankowski, Jon Herlocker, Shilad Sen, "Collaborative filtering recommender systems", Lecture Notes In Computer Science, 2007, pp. 291-324.
은채수, 정경용, 조동주, 이정현, "시맨틱 웹에서 개인화된 선호도를 이용한 의상 코디 시스템 개발", 한국콘텐츠학회논문지 제7권, 2007, pp. 66-73.
K. Jung, Y. Na ,and J. Lee, "FDRAS: Fashion Design Recommender Agent System Using the Extraction of Representative Sensibility and the Two-Way Combined Filtering on Textile", Lecture Notes in Computer Science, 2003, pp. 631-640.
이종현, 이석훈, 김장원, 백두권, "Onto-Apriori 알고리즘을 이용한 개인화 의류 추천 시스템", 한국시뮬레이션학회 2010 춘계학술대회 논문집, May 2010, pp. 134-138.
Pollock, Stephen, "Rule-based message filtering system", ACM transactions on office information systems, 1988.
Kim, W., Lee, S.K., and Choi, D.W., "Semantic web based intelligent product and service search framework for location-based services", Lecture notes in Computer Sciences, Vol. 3483, 2005, pp. 103-112.
Mike Uschold and Michael Gruninger. "Ontologies: principles, methods and applications", The Knowledge Engineering Review, 11, 1996, pp. 93-136.

상세보기
A. Muller, "Fast sequential and parallel algorithms for a s sociation ruleminin g : a comparison", University of Maryland-College Park CS Technical Report, CS-TR-3515, 76 pages, August, 1995.
R. Agrawal, T. Imielinski, and A. Swami, "Mining association rules in large databases", In Proceedings of ACM SIGMOD Conference on Management of Data, Washington D.C., May 1993, pp. 207-216.
R. Agrawal, T. Imielinski, and A. Swami, "Database mining: a performance perspective", IEEE Transactions on Knowledge and Data Engineering, Vol. 5, No. 6, Dec. 1993, pp. 914-925.

상세보기
M. Houtsma and A. Swami, "Set-Oriented mining for association rules", IBM Research Report, RJ 9567 (83573) October 22, 1993.
R. Agrawal and R. Srikant, "Fast algorithms for mining association rules", In Proceedings of the 20th VLDB Conference, Santiago, Chile, Sept., 1994.
R. Agrawal, T. Imielinski, and A. Swami, "Database mining: a performance perspective", IEEE Transactions on Knowledge and Data Engineering, Vol. 5, No. 6, Dec. 1993, pp. 914-925.

상세보기
P. Resnick, et. al., "GroupLens: An Open Architecture for Collaborative Filtering of Netnews", In Proc. of ACM CSCW'94 Conference on Computer Supported Cooperative Work, 1994, pp. 175-186.
J. Herlocker, J. Konstan, A. Borchers and J. Riedl, "An Algorithm Framework for Performing Collaborative Filtering", In Proc. of ACM SIGIR'99, 1999.
J. S. Breese and D. Heckerman and C. Kadie, "Empirical Analysis of Predictive Algorithms for Collaborative Filtering", In Proc. of the 14th Conference on Uncertainty in Artificial Intelligence, 1998.
B. M. Sarwar, G.Karypis, J. A. Konstan, and J. Riedl, "Analysis of Recommender Algorithms for ECommerce", ACM E-Commerce Workshop, 2000.
Jeremy J. Carroll, Ian Dickinson, Chris Dollin, "Jena: Implementing the Semantic Web Recommendations," Hewlett-Packard Company Technical Report, 2003.
C. Romero, Sebastian V., J. A. Delgado, and P. D. Bra, "Personalized Links Recommendation Based on Data Mining in Adaptive Educational Hypermedia Systems", Creating New Learning Experiences on a Global Scale, 2007.

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