[논문]장르 기반 Collaborative Filtering 영화 추천

황기태

장르 기반 Collaborative Filtering 영화 추천
Genre-based Collaborative Filtering Movie Recommendation 원문보기

한국인터넷방송통신학회 논문지 = The journal of the Institute of Internet Broadcasting and Communication, v.10 no.3, 2010년, pp.51 - 59

초록
AI-Helper

Collaborative Filtering(CF) 기법에 기반을 둔 다양한 영화 추천 방법들이 제안 되어 왔다. CF는 영화를 본 사람들이 직접 영화에 대해 평가한 점수를 기반으로 같은 성향을 가진 이웃 그룹을 결정하고, 새로운 영화에 대해 그 영화를 이미 본 이웃의 점수를 기반으로 사용자의 새로운 영화에 대한 선호도 값을 예측하는 방법이다. 본 논문에서는 사용자에 따라 영화 장르에 대한 선호도 정보를 CF의 예측 값에 반영하는 새로운 방법을 제안한다. 이 방법은 CF를 기반으로 하는 모든 종류의 추천 방법에 결합하여 사용할 수 있다. 본 논문에서는 기존의 CF알고리즘에 장르기반 알고리즘을 결합한 CF-Genre의 성능과 기존의 CF 알고리즘의 성능을 측정 비교하였다. 성능 평가의 결과 CF-Genre가 기존 CF의 예측 성능을 3.3% 정도 개선하였다.

Abstract ▼ AI-Helper

There have been proposed several movie recommendation algorithms based on Collaborative Filtering(CF). CF decides neighbors whose ratings are the most similar to each other and it predicts how well users will like new movies, based on ratings from neighbors. This paper proposes a new method to improve the result predicted by CF based on genres of the movies seen by users. The proposed method can be combined to the most of all existing CF algorithms. In this paper, a performance evaluation has been conducted between an existing simple CF algorithm and CF-Genre that is the proposed genre-based method added to the CF algorithm. The result shows that CF-Genre improves 3.3% in prediction performance over existing CF algorithms.

주제어

AI 본문요약
AI-Helper

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

문제 정의

. 그러나 본 논문에서는 영화 장르에 대한 사용자의 특별한 선호도가 있을 것이라는 직관으로 사용자가 본 영화의 장르에 통계를 내어 장르에 대한 선호도를 CF 알고리즘의 최종 예측 값에 결합하는 방식을 제안하였다.
이웃의 개수가 많으면 많을수록 알고리즘의 계산 시간이 증가한다. 기존의 연구에 따르면 이웃의 개수는 20개 정도가 적합하다는 결과를 보이고 있지만 본 논문에서는 다양한 이웃의 개수에 따라 어떤 변화가 발생하는지 실험해 보았다.
본 연구는 최고의 추천 알고리즘을 찾고자 하는 것이 아니다. 본 논문에서 제안하는 장르 기반 추천 알고리즘은 CF 알고리즘을 기반으로 하는 많은 알고리즘에 추가적으로 사용할 수 있기 때문에 본 성능 평가는 기본적인 CF 알고리즘에 대해 장르 기반 추천 방식을 더한 CF-Genre가 성능을 개선하느냐 하는 점을 평가하고자 함이다. 성능 개선의 정도가 3.
이론적으로 알고리즘의 성능 개선 정도가 높다 하더라고 실제 알고리즘 실행 시간이 비현실적이면 실세계에서 적용이 불가능하다. 본 논문에서는 CF-Genre 알고리즘의 실행 시간 성능을 측정하였다. 측정에 사용된 컴퓨터는 1GB의 메모리를 가진 펜티엄 PC로서 범용으로 사용되는 컴퓨터이며, 총 10회 실험의 수행 결과는 표 11과 같이 알고리즘의 수행 시간이 평균 698ms로서 1초가 걸리지 않았다.
본 논문에서는 영화의 장르를 기준으로 사용자의 취향을 분석하고 이 분석된 정보를 이용하여 CF 알고리즘의 예측 값을 보정하는 하이브리드 방법론을 제안하였다. MovieLens 데이터베이스를 활용하여 기존의 CF 알고리즘과 CF 알고리즘에 장르 기반 가중치를 적용한 CF-Genre 방법을 실험한 결과 예측치와 Rating 실제 값 사이의 평균 오차율을 3.
본 논문에서는 장르를 기반으로 사용자 u의 영화에 대한 특성을 파악하고 새로운 영화 m에 대한 선호도의 예측 값을 계산할 때 영화 m의 장르가 사용자 u가 선호하는 것인지를 계산한 가중치, Wm을 반영하는 추천 방법을 제안한다.
CF 알고리즘은 개인의 성향을 직접적으로 반영하기보다는 집단적인 성향을 파악하여 개인의 성향이 반영되도록 한다. 본 논문은 개인의 성향을 직접적으로 반영하여 영화에 대한 선호도를 결정하기 위해 영화 장르에 대해 개인의 선호도를 분석한다. 분석된 결과를 토대로 CF 알고리즘에서 예측한 영화에 대한 선호도 값에 장르기반의 가중치를 주는 방법을 제안한다.
본 논문은 영화 추천을 위해 CF의 성능을 개선하는데 초점을 두었다. 영화는 추천의 전통적인 연구 대상이며 영화 추천 방법은 다른 비슷한 디지털 매체에도 동일하게 적용할 수 있기 때문에 추천의 기본이 되어 왔다.

가설 설정

이제 가중치를 구하는 마지막 과정을 살펴보자. 이를 위해 표 10과 같은 장르별 Rating 평균 벡터가 있다고 가정한다. 그리고 이들의 평균은 3.

제안 방법

를 통해 영화 장르가 예측성에 영향을 줄 수 있음을 어느 정도 확인하였으며, 본 논문에서는 장르에 대한 선호도를 계산하는 알고리즘을 만들고 이를 CF 알고리즘의 최종 예측 값을 수정하도록 함으로써 예측 성능을 향상시켰다. Minnesota 대학에서 오랫동안 축적한 영화 추천에 사용된 MovieLens 데이터베이스^[4,6]를 이용하여 3,883편의 영화에 6,040명이 점수를 매긴 값을 분석하여 장르에 대한 사람들의 선호 정보를 분석하고 이 데이터를 통해 이를 바탕으로 장르 기반 추천 알고리즘을 제안한다.
장르기반 추천 알고리즘은 CF 알고리즘의 결과를 보정하는 방법이므로 지금까지 연구된 모든 CF 관련 알고리즘에 적용될 수 있다. 그러므로 본 논문에서 제안하는 장르 기반 추천 알고리즘의 성능을 평가하기 위해서는 일반적인 단순한 CF 추천 시스템과 여기에 장르 기반 알고리즘을 결합한 추천 시스템의 성능을 비교하여 장르 기반 알고리즘의 추가로 인해 성능 향상이 발생하였는지를 평가한다. 비교의 기본이 되는 CF 기반의 추천 알고리즘을 CF-A라고 명명한다.
본 연구팀은 이미 사전 분석 연구^[7]를 통해 영화 장르가 예측성에 영향을 줄 수 있음을 어느 정도 확인하였으며, 본 논문에서는 장르에 대한 선호도를 계산하는 알고리즘을 만들고 이를 CF 알고리즘의 최종 예측 값을 수정하도록 함으로써 예측 성능을 향상시켰다. Minnesota 대학에서 오랫동안 축적한 영화 추천에 사용된 MovieLens 데이터베이스^[4,6]를 이용하여 3,883편의 영화에 6,040명이 점수를 매긴 값을 분석하여 장르에 대한 사람들의 선호 정보를 분석하고 이 데이터를 통해 이를 바탕으로 장르 기반 추천 알고리즘을 제안한다.
본 논문은 개인의 성향을 직접적으로 반영하여 영화에 대한 선호도를 결정하기 위해 영화 장르에 대해 개인의 선호도를 분석한다. 분석된 결과를 토대로 CF 알고리즘에서 예측한 영화에 대한 선호도 값에 장르기반의 가중치를 주는 방법을 제안한다.
식1-1 하단의 ④는 식1-1을 적용한 결과로서 사용자 U와 사용자 U1~U3사이의 상관계수이다. 사용자 U와 유사한 성향을 지닌 이웃을 결정하기 위하여 상관계수가 일정한 기준 이상을 갖는 사용자를 선별한다.
Ringo 음악 추천 시스템[3] 은 초기 GroupLens 방식을 수정하여 상관 계수가 일정 경계치보다 큰 값 들에 대해서만 이웃을 설정하는 방식을 사용하였으며, Bellcore의 비디오 추천 시스템[5]은 피어슨 상관 계수 계산 방식에 가중치를 주는 방식으로 최고의 이웃을 선택하려는 시도를 하였다. 영화를 보는 사용자의 특성 프로파일을 이용하여 CF와 하이브리드 형태의 알고리즘으로 충분한 Rating 정보가 없는 상황에서도 추천할 수 있고 추천의 예측성도 높이는 방법을 제안하였다. 영화/비디오의 추천 시스템인 MovieLens 시스템은 사용자 사이의 상관 계수를 계산할 때 다양한 가중치 방법을 제안하여 사용자 사이의 상관성을 보다 높이고자하였으며, 이웃을 결정할 때 다양한 지수를 이용하여 최고의 이웃을 선정하도록 실험하여 성능을 조금 개선하기도 하였다[4,6].
6040명의 사용자 수를 랜덤하게 300명을 추출하고 각 사용자에 대해 추천시 300개 영화를 랜덤하게 추출하여 실험하였다. 이웃을 정하기 위해 사용하는 correlation-threshould를 0.5로 하였으며 0.5 이상의 상관 계수를 가진 다른 사용자를 이웃으로 분류하였다. 성능 지수는 사용자가 대답한 실제 점수와 예측 값 사이의 오차 평균인 MAE로 하였다.
장르에 대한 일반적인 선호도가 있는지를 분석한다. R_um은 영화 m에 대한 사용자 u의 Rating 이고, #는 사용자 u가 시청한 모든 영화에 대한 Rating의 평균이라고 하면, # 는 사용자 u는 영화 m을 재미있게 시청 하였고, 그 외의 경우는 그렇지 않다고 판단한다.

대상 데이터

본 성능 평가를 위해 미네소타 대학의 MovieLenz 데이터베이스를 사용하였으며, 이 데이터베이스에 담긴 모든 영화에 대해 각각 GVm 벡터를 생성하였다. 6040명의 사용자 수를 랜덤하게 300명을 추출하고 각 사용자에 대해 추천시 300개 영화를 랜덤하게 추출하여 실험하였다. 이웃을 정하기 위해 사용하는 correlation-threshould를 0.
본 논문에서는 각 사용자에 대해서 영화 장르와의 취향을 결정하기 위해 GroupLens 데이터베이스를 대상으로 다음과 같은 절차로 분석하였다.
본 성능 평가를 위해 미네소타 대학의 MovieLenz 데이터베이스를 사용하였으며, 이 데이터베이스에 담긴 모든 영화에 대해 각각 GVm 벡터를 생성하였다. 6040명의 사용자 수를 랜덤하게 300명을 추출하고 각 사용자에 대해 추천시 300개 영화를 랜덤하게 추출하여 실험하였다.
영화 장르에 대한 사용자의 선호도 분석을 위해 우리는 MovieLens에서 지난 10년 동안 만들어 데이터베이스를 사용하였다. 이 데이터베이스는 크게 다음과 같다.
본 논문에서는 CF-Genre 알고리즘의 실행 시간 성능을 측정하였다. 측정에 사용된 컴퓨터는 1GB의 메모리를 가진 펜티엄 PC로서 범용으로 사용되는 컴퓨터이며, 총 10회 실험의 수행 결과는 표 11과 같이 알고리즘의 수행 시간이 평균 698ms로서 1초가 걸리지 않았다. 그러므로 이 알고리즘은 인터넷 상의 웹에서 서비스하기에도 충분한 시간이다.

데이터처리

5 이상의 상관 계수를 가진 다른 사용자를 이웃으로 분류하였다. 성능 지수는 사용자가 대답한 실제 점수와 예측 값 사이의 오차 평균인 MAE로 하였다. MAE는 다음과 같으며 많은 연구에서 추천 알고리즘의 성능평가 기준으로 사용되고 있다.

이론/모형

선호도 분석은 사전 연구[7]를 통해 기초 분석을 진행하였으며 이 절에서 기초분석의 내용을 요약한다.

성능/효과

본 논문에서는 영화의 장르를 기준으로 사용자의 취향을 분석하고 이 분석된 정보를 이용하여 CF 알고리즘의 예측 값을 보정하는 하이브리드 방법론을 제안하였다. MovieLens 데이터베이스를 활용하여 기존의 CF 알고리즘과 CF 알고리즘에 장르 기반 가중치를 적용한 CF-Genre 방법을 실험한 결과 예측치와 Rating 실제 값 사이의 평균 오차율을 3.3% 개선하였다. 이 방법은 어떠한 CF 알고리즘에도 적용이 가능하다는 큰 장점을 가진다.
본 논문에서 제안하는 장르 기반 추천 알고리즘은 CF 알고리즘을 기반으로 하는 많은 알고리즘에 추가적으로 사용할 수 있기 때문에 본 성능 평가는 기본적인 CF 알고리즘에 대해 장르 기반 추천 방식을 더한 CF-Genre가 성능을 개선하느냐 하는 점을 평가하고자 함이다. 성능 개선의 정도가 3.3%이므로 단순 계산에 의하면 현존하는 최고의 CF 추천 알고리즘에 본 논문에서 제안한 장르 기반 추천 방식을 결합하면 3.3%의 성능을 여전히 개선할 수 있다는 것이다. 추후 연구를 통해 현존 하는 모든 CF 알고리즘을 분석하고 본 논문의 장르 기반가중치 알고리즘이 쉽게 적용될 수 있는지 확실히 검증할 필요가 있다.
그림 2의 실험 결과는 CF-A가 보통의 CF 성능에 준하도록 작성되었음을 보이고 있다. 이 결과는 CF-A가 기존의 CF 알고리즘의 성능에 유사한 것으로 CF-Genre와 비교를 위해 충분한 대상 기준이 됨을 보여준다.

후속연구

3%의 성능을 여전히 개선할 수 있다는 것이다. 추후 연구를 통해 현존 하는 모든 CF 알고리즘을 분석하고 본 논문의 장르 기반가중치 알고리즘이 쉽게 적용될 수 있는지 확실히 검증할 필요가 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	한 해에 나오는 디지털 콘텐츠의 양은 어느정도인가?	최근에 영화, 뮤직, 비디오, 스포츠, 드라마, 다큐멘트리 등 TV 디지털 콘텐츠가 매우 다양하며 한 해 무려 31,000,000 시간에 해당하는 디지털 콘텐츠가 쏟아져 나오고 있다. 이렇게 엄청한 양의 디지털 콘텐츠로부터 사용자는 자신이 보고자 하는 프로그램을 찾느라고 많은 시간을 낭비하게 된다.
	Collaborative Filtering 이외에 또다른 방식은 어떤 것이 있고, 특징으로는 어떤 것이 있나?	대표적인 추천 기법은 Collaborative Filtering(CF)으로서 여러 사람들이 매긴 상품에 대한 점수를 기반으로 동일한 선호도를 가진 사람들인 이웃(neighbor)을 발견하고, 추천 받고자 하는 상품에 대한 이웃들의 평가 점수를 기반으로 추천 점수를 계산하는 방법이다. 또 다른 방법은 Content-based Filtering으로서 상품의 콘텐츠를 기반으로 사람들이 관심 있어 하는 콘텐츠 특성과 상품의 콘텐트 특성을 표현한 문서 내용을 비교하여 상품을 추천하는 방식이다. 이 방식은 모든 상품에 대해 콘텐츠 설명이 있어야만 추천이 가능하므로 CF에 비해 많이 사용되지는 않는다[3,4].
	CF는 어떤 방법인가?	Collaborative Filtering(CF) 기법에 기반을 둔 다양한 영화 추천 방법들이 제안 되어 왔다. CF는 영화를 본 사람들이 직접 영화에 대해 평가한 점수를 기반으로 같은 성향을 가진 이웃 그룹을 결정하고, 새로운 영화에 대해 그 영화를 이미 본 이웃의 점수를 기반으로 사용자의 새로운 영화에 대한 선호도 값을 예측하는 방법이다. 본 논문에서는 사용자에 따라 영화 장르에 대한 선호도 정보를 CF의 예측 값에 반영하는 새로운 방법을 제안한다.

참고문헌 (12)

Resnick, P., Iacovou, N., Suchak, M., Bergstrom, P., and Rie, J., "GroupLens: An Open Architecture for Collaborative Filtering of Netnews," Proceedings of ACM CSCW94 Conference on Computer Supported Cooperative Work, 1994.
Kostan J., Miller B., Maltz D., Herlocker J., Gordon L., Riedl J., "GroupLens: Applying Collaborative Filtering to Usenet News" Communications of the ACM, Vol. 40, No. 3, pp. 77-87, 1997

상세보기
Marco Balabanovic and Yoav Shoham, "Fab: Content-based collaborative recommendation", Communications of the ACM, Vol, 40, No, 3, pp.66-72, 1997

상세보기
Good N.,Schafer J. B., Kostan J., Borchers A., Sarwar B., Herlocker J., and Riedl J., "Combining Collaborative Filtering with Personal Agents for Better Recommendations", Conf. on the American Association of Artificial Intelligence. pp. 439-446, 1999.
Will Hill, Larry Stead, Mark Rosenstein, and George Furnas, "Recommending and evaluating choices in a virtual community of use". Proc. of ACM CHI'95 Conf. in Human Factors in Computing Systems, pp. 195-201, 1995.
Herlocker J., Konstan J., Borchers A., Riedl J., "An Algorithm Framework for Performing Collaborative Filtering", Proc. of ACM SIGIR'99, ACM Press, 1999
Jin Won Park, Min Cheul Shin, Sang Min Choi, Kitae Hwang, "Analysis for Genre-based Movie Recommendation", Journal of Engineering Research, Hansung University, 2009
J. Ben Schafer, Joseph Konstan, Jhon Riedl, "Recommender Systems in E-Commerce," GroupLens Research Project Department of Computer Science and Engineering University of Minnesota, 1999.
J. Ben Schaferm Joseph A. Konstan, John Riedl, "E-Commerce Recommendation Applications", Journal of Data Mining and Knowledge Discovery, Vol. 5, No, 1/2, pp.115-152, 2000
Badrul Sarwar, George Karypis, Joseph Konstan, and John Rie, "Analysis of Recommendation Algorithms for E-Commerce," The ACM E-Commerce 2000 Conference, 2000.
Badrul Sarwar, George Karypis, Joseph Konstan, and John Rie, "Item-based Collaborative Filtering Recommendation Algorithms," Accepted for publication at the WWW10 Conference, May, 2001.
Ling. K., Beenen G., Ludford P., Wang X., Chang K., Li X., Cosley D., Frankowski D., Terveen L., Rashid A. M., Resnick P., Kraut R. "Using Social Psychology to Motivate Contributions to Online Communities", Journal of Computer-Mediated Communication, Vol. 10, No. 4, 2005

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