선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 80, 상품평가 횟수 5-30 사이를 만족하는 1차 인접이웃을 선정하고, 동일 제품 평가하고, 상품평가 횟수가 5-30 사이를 만족하는 2차 인접 이웃을 선정한다. 그리고 난후, 1차와 2차 인접이웃을 병합한 후, 중복된 이웃들을 삭제하여 최종 인접이웃을 선정하여 사용자의 선호도 예측값을 향상시키고자 하였다.
- 본 논문에서 제안한 HPPS에서는 사용자의 선호도 예측에 대한 정확도를 향상시키기 위해 다음과 같이 제안하였다.
- 인접이웃의 정보에 따라 추천 결과가 달라질 수 있기 때문에 추천시스템에서 인접이웃 선정은 매우 중요하다. 본 논문에서는 동일한 상품만을 평가한 이웃들을 인접이웃으로 선정하는 방법과 유사도가 높은 이웃들을 인접이웃으로 선정하는 두 가지 방법을 혼합하여 인접이웃을 선정하도록 하여 사용자의 선호도 예측값을 향상시키고자 하였다.
- 본 논문에서는 이러한 실질적인 고객 맞춤 서비스가 가능하도록 고객의 선호도를 파악하는데 필요한 HPPS(Hybrid Preference Prediction System)를 설계한다. 이 HPPS는 사용자 선호도와 특성을 분석하여 사용자에 대한 프로파일을 작성하고, 사용자와 이웃들 간의 유사도, 상품 평가여부, 상품 평가 횟수를 기준으로 인접이웃(Nearest Neighbor)을 선정한다.
제안 방법
- 본 논문에서 제안한 HPPS는 UserProfile 테이블과 Neighbor 테이블을 참조하여 선호도 예측식 (5)을 이용해 각 상품에 대한 고객의 선호도를 예측하고, 그 결과를 MAE 평가를 통해 선호도의 정확도를 계산한다. 고객의 선호도의 정확도가 높은 상품들을 Recommendation 테이블에 저장한 후, 고객에게 추천 리스트를 제공한다. 표 5는 Recommendation 테이블의 형식을 설명한 것이다.
- 이웃기반 협업 필터링 알고리즘은 Xerox Palo Alto 연구소에서 메일의 분류를 위한 실험 시스템인 Tapestry에 의해 소개되었다[5]. 그리고 GroupLens에서 인터넷을 기반으로 형성된 토론 시스템인 유즈넷 뉴스 그룹의 기사를 추천하기 위해 최초의 자동화된 협업 필터링 알고리즘인 이웃기반 협업 필터링 알고리즘(Neighborhood Based Collaborative Filtering Algorithm, 이하 NBCFA)을 제안하였다[6].
- 0GB의 노트북으로 하였으며, 데이터베이스 MySQL를 이용하였으며, 알고리즘 구현은 웹 프로그래밍 언어인 PHP를 이용하였다. 그리고 본 논문에서 제안하는 HPPS의 정확도(precision)를 측정하여 기존의 협업적 필터링 추천시스템과 비교하여 본 논문에서 제안하는 HPPS를 평가하였다.
- 본 논문에서 제안하는 개인 맞춤 서비스를 위한 HPPS의 데이터베이스는 기본적인 사용자의 정보를 저장하는 UserInfo 테이블, 상품 정보를 저장하는 ItemInfo 테이블, 실험 데이터인 Training 테이블이 있다. 그리고 사용자의 정보를 분석하여 저장하는 UserProfile 테이블과 사용자간의 유사도 분석한 결과, 평가여부, 평가횟수, 동일 상품 평가 비율, 상품 선호 비율을 저장하는 Neighbor 테이블, 추천목록을 저장하는 Recommendation 테이블로 구성된다.
- 이 HPPS는 사용자 선호도와 특성을 분석하여 사용자에 대한 프로파일을 작성하고, 사용자와 이웃들 간의 유사도, 상품 평가여부, 상품 평가 횟수를 기준으로 인접이웃(Nearest Neighbor)을 선정한다. 그리고 이웃들의 제품 선호 성향을 분석하여, 이 정보로 선호도 예측값의 가중치로 활용하여 특정 상품에 대한 사용자의 선호도 예측값을 좀 더 정확하게 추정하여 추천 리스트를 작성한다. 따라서 일반적인 추천 시스템이 사용자와 추천 제품 간의 상호 관계만을 표현하는 반면, 본 논문에서 제안하는 HPPS는 사용자의 개인별 특성을 분석하여, 그 특성 정보를 바탕으로 추천 리스트를 작성하였으므로, 이때 디스플레이 된 정보는 사용자의 선호도에 맞고 신뢰성이 높은 최적의 정보라 할 수 있다.
- 또한, 사용자의 프로파일 분석에 따라 사용자의 상품 성향에 맞는 인접 이웃의 유사도를 분석해 그 값을 가중치로 활용한다. 즉, 0과 1사이의 가중치를 이용함으로써 사용자의 상품 i에 대한 선호도를 좀 더 정확하게 예측할 수 있다.
- 본 논문에서 제안하는 HPPS의 인접 이웃 선정 방법은 유사도, 동일 제품 평가 여부, 평가 참여 횟수를 적용하여 인접이웃을 선정하는 혼합방식이지만, 인접 이웃 선정 방법의 정확도 분석 실험을 위해 인접 이웃 선정 방식을 아래와 같이 3가지로 구분하였다. 그리고 본 논문에 제안한 HPPS의 선호도 예측식 (5)와 기존의 NBCFA의 선호도 예측식 (1)로 선호도 예측값을 계산하였으며, 선호도 예측값의 정확도는 MAE 방법으로 분석하였다.
- 본 논문에서 제안한 HPPS는 UserProfile 테이블과 Neighbor 테이블을 참조하여 선호도 예측식 (5)을 이용해 각 상품에 대한 고객의 선호도를 예측하고, 그 결과를 MAE 평가를 통해 선호도의 정확도를 계산한다. 고객의 선호도의 정확도가 높은 상품들을 Recommendation 테이블에 저장한 후, 고객에게 추천 리스트를 제공한다.
- 본 논문에서는 상품에 대한 선호도를 나타낸 사용자 Ux와 유사도, 상품 평가여부, 평가 횟수의 조건에 맞는 사용자들을 인접이웃 Uy으로 선정한 후, 상품 i에 대한 사용자 Ux의 선호도를 예측하는 선호도 예측식을 식 (5)과 같이 제안하였다.
- 본 논문에서는 유사도, 동일 제품 평가 여부, 상품평가 횟수를 모두 반영하여 HPPS의 유사도 임계치 0.80, 상품평가 횟수 5-30 사이를 만족하는 1차 인접이웃을 선정하고, 동일 제품 평가하고, 상품평가 횟수가 5-30 사이를 만족하는 2차 인접 이웃을 선정한다. 그리고 난후, 1차와 2차 인접이웃을 병합한 후, 중복된 이웃들을 삭제하여 최종 인접이웃을 선정하여 사용자의 선호도 예측값을 향상시키고자 하였다.
- 본 논문에서는 유사도, 동일한 상품 평가 여부, 상품 평가 횟수를 모두 반영하여 사용자 1에 대한 인접이웃을 선정하고, 인접이웃 그룹의 크기를 5, 10, 15, 20, 30으로 설정해 이웃 크기별 MAE 평가를 하였다. MAE는 기존의 NBCFA의 선호도 예측식과 본 논문에서 제안하는 HPPS의 선호도 예측식을 이용하여 실험하였다.
- 본 논문에서는 인접이웃 선정의 단점을 해결하고자 유사도, 상품평가 여부, 평가 참여 횟수를 기준으로 선정하도록 설계하였고, 이때 선정된 인접 이웃 J가 상품 i에 평가하지 않은 경우에 상품 i의 평가 평균을 이용하도록 설계하여 선호도 예측값을 좀 더 정확하게 측정하도록 하였다.
- 본 논문에서는 좀 더 정확한 선호도를 예측하기 위해, 사용자의 프로파일을 분석하여 그 결과와, 사용자와 인접 이웃의 평가의 일치 정도를 가중치로 사용하도록 설계하였으며, 가중치 계산 기준은 다음과 같다.
- 셋째, 인접 이웃을 설정할 때, 유사도, 상품 평가 여부, 평가 횟수를 반영하여 선정하도록 하였다.
- 이웃을 선정하는 실험에는 MovieLens의 훈련 데이터에서 이웃들은 전체 943명이었는데, 본 논문에서는 이 이웃들 중에 사용자 1 유사도가 0 이하인 사용자를 제외시킨 552명의 데이터를 이용하였으며, 552명의 이웃들의 평가횟수에 따른 유사도 평균은표 6과 같다. 이 표에서는 구간 [1, 10] 사이의 유사도 평균이 가장 높은 것을 알 수 있지만, 이것은 그림 6에서 설명했듯이 유사도가 1인 이웃이 26명으로 유사도 평균값이 커진 것이기 때문에 본 논문에서는[1, 10] 구간에서 5미만은 제외하고, 나머지 구간 중에서 가장 높은 이웃수와 유사도 평균값을 갖는 구간[11, 30]내에 포함되는 이웃들을 인접 이웃을 선정하였다.
- HPPS는 UserProfile 테이블, ItemInfo 테이블, Training 테이블을 참조하여 사용자 X와 이웃 Y의 유사도, 평가여부, 평가횟수에 대한 조건 값이 맞는 사용자들을 HPPS의 인접 이웃을 선정해 Neighbor 테이블에 저장한다. 이때, 선정된 인접이웃과 사용자의 동일한 평가값 비율(s_rates), 상품 선호 비율(p_rates)을 측정하여 본 논문에서 제안한 선호도 예측식 (5)의 가중치로 이용하여 좀 더 정확한 고객의 선호도를 예측하고자 한다.
- 첫째, 사용자의 선호도를 측정하기 위해 사용하는 선호도 예측식에서 이웃의 상품 평가가 없을 경우 상품에 대한 평가 평균값을 이용하도록 설계하였다.
대상 데이터
- 본 논문에서 제안하는 개인 맞춤 서비스를 위한 HPPS 설계의 실험은 GroupLens 연구 프로젝트로 수집된 MovieLens 데이터 중에서 100K 데이터를 이용하였다. 100K 데이터는 943명의 인원이 1682편의 영화에 대한 평가 자료 100,000건으로 구성되며, 각 사용자는 적어도 20개의 영화에 대해 평가하였으며, 이 데이터는 80%의 훈련 데이터와 20%의 실험 데이터로 구성된다[9,10].
- 본 논문에서 제안하는 개인 맞춤 서비스를 위한 HPPS 설계의 실험은 GroupLens 연구 프로젝트로 수집된 MovieLens 데이터 중에서 100K 데이터를 이용하였다. 100K 데이터는 943명의 인원이 1682편의 영화에 대한 평가 자료 100,000건으로 구성되며, 각 사용자는 적어도 20개의 영화에 대해 평가하였으며, 이 데이터는 80%의 훈련 데이터와 20%의 실험 데이터로 구성된다[9,10].
- 본 논문에서 제안하는 개인 맞춤 서비스를 위한 HPPS의 데이터베이스는 기본적인 사용자의 정보를 저장하는 UserInfo 테이블, 상품 정보를 저장하는 ItemInfo 테이블, 실험 데이터인 Training 테이블이 있다. 그리고 사용자의 정보를 분석하여 저장하는 UserProfile 테이블과 사용자간의 유사도 분석한 결과, 평가여부, 평가횟수, 동일 상품 평가 비율, 상품 선호 비율을 저장하는 Neighbor 테이블, 추천목록을 저장하는 Recommendation 테이블로 구성된다.
- 이웃을 선정하는 실험에는 MovieLens의 훈련 데이터에서 이웃들은 전체 943명이었는데, 본 논문에서는 이 이웃들 중에 사용자 1 유사도가 0 이하인 사용자를 제외시킨 552명의 데이터를 이용하였으며, 552명의 이웃들의 평가횟수에 따른 유사도 평균은표 6과 같다. 이 표에서는 구간 [1, 10] 사이의 유사도 평균이 가장 높은 것을 알 수 있지만, 이것은 그림 6에서 설명했듯이 유사도가 1인 이웃이 26명으로 유사도 평균값이 커진 것이기 때문에 본 논문에서는[1, 10] 구간에서 5미만은 제외하고, 나머지 구간 중에서 가장 높은 이웃수와 유사도 평균값을 갖는 구간[11, 30]내에 포함되는 이웃들을 인접 이웃을 선정하였다.
데이터처리
- 본 논문에서 제안하는 HPPS의 인접 이웃 선정 방법은 유사도, 동일 제품 평가 여부, 평가 참여 횟수를 적용하여 인접이웃을 선정하는 혼합방식이지만, 인접 이웃 선정 방법의 정확도 분석 실험을 위해 인접 이웃 선정 방식을 아래와 같이 3가지로 구분하였다. 그리고 본 논문에 제안한 HPPS의 선호도 예측식 (5)와 기존의 NBCFA의 선호도 예측식 (1)로 선호도 예측값을 계산하였으며, 선호도 예측값의 정확도는 MAE 방법으로 분석하였다.
이론/모형
- 본 논문에서는 유사도, 동일한 상품 평가 여부, 상품 평가 횟수를 모두 반영하여 사용자 1에 대한 인접이웃을 선정하고, 인접이웃 그룹의 크기를 5, 10, 15, 20, 30으로 설정해 이웃 크기별 MAE 평가를 하였다. MAE는 기존의 NBCFA의 선호도 예측식과 본 논문에서 제안하는 HPPS의 선호도 예측식을 이용하여 실험하였다.
- NBCFA에선 고객 간의 선호도 유사 정도를 나타내기 위한 유사도는 피어슨의 상관계수를 사용하였으며, 이 유사도를 이용해 사용자가 상품에 대해 어떤 선호도를 가질 수 있는지를 예측하는 식은 (1)과 같다.
- 본 논문에 제안한 HPPS에서는 추천 접근 방식 중에서 혼합방식을 사용하고 있다.
- 본 논문에서도 피어슨의 상관계수를 이용해 고객간의 선호도를 나타내는 유사도 측정에 이용하였다.
- 최초의 GroupLens 시스템에서는 피어슨 상관계수를 유사도로 이용하였다[6]. 아래의 식 (2)은 고객의 선호도 유사 정도를 나타내는 피어슨 상관계수를 설명한 것이다.
성능/효과
- NBCFA의 경우 인접이웃 크기를 5에서 10으로 증가시키면 선호도 예측값의 정확도가 72.14% 증가하고, 본 논문에서 제안하는 HPPS의 선호도 예측값의 정확도는 57.14% 증가하지만, 인접 이웃 크기를 15로 증가시키면 모두 선호도 예측값의 정확도가 감소한다.
- 그 결과, 인접이웃 크기를 10으로 하였을 경우에 HPPS의 정확도는 기존의 NBCFA에 비해 정확도가 97.24% 향상되었으며, HPPS는 인접이웃 선정방법에 따라 정확도가 75% 향상되었다.
- 사용자의 선호도에 맞는 추천 리스트를 작성하기 위해, HPPS는 사용자의 선호도에 맞는 분야를 필터링해 디스플레이 한다. 그런데 본 논문에서 제안하는 HPPS는 피어슨 상관계수를 사용하는데, 이 피어슨의 상관계수는 모든 고객을 동일하게 취급하는 문제점을 가지고 있다. 즉, 사용자와 많은 상품에 대해 공통적으로 선호도를 표시한 다른 사용자와 한두 개의 상품에만 공통으로 선호도를 나타낸 사용자와의 상관계수를 계산할 때 다르게 취급되어야 한다.
- 그리고 이웃 선정 방법에 따라 기존의 NBCFA와 본 논문에서 제안한 HPPS의 고객 선호도 예측값에 대한 MAE 평가 결과가 90.48%, 92.75%, 97.24%가 각각 향상된 것을 알 수 있다. 따라서 Combination 기법을 사용한 HPPS는 고객 선호도 예측값의 정확도를 향상시켰다고 할 수 있다.
- 둘째, 사용자의 선호도를 측정하기 위해 사용하는 선호도 예측식에 사용자의 특성을 분석한 가중치를 접목하여 사용자 선호도 예측의 정확도를 향상시켰다.
- 그리고 이웃들의 제품 선호 성향을 분석하여, 이 정보로 선호도 예측값의 가중치로 활용하여 특정 상품에 대한 사용자의 선호도 예측값을 좀 더 정확하게 추정하여 추천 리스트를 작성한다. 따라서 일반적인 추천 시스템이 사용자와 추천 제품 간의 상호 관계만을 표현하는 반면, 본 논문에서 제안하는 HPPS는 사용자의 개인별 특성을 분석하여, 그 특성 정보를 바탕으로 추천 리스트를 작성하였으므로, 이때 디스플레이 된 정보는 사용자의 선호도에 맞고 신뢰성이 높은 최적의 정보라 할 수 있다.
- 본 논문에서 제안하는 HPPS는 제한적인 개념의 정보를 제공하는 시스템이 아니라, 사용자 특성 정보를 입력받아 선호도를 계산하여 제공하므로 제한적인 개념의 정보를 제공하는 단점을 해결하였으며, 사용자의 특성 정보를 프로파일링 하여 좀 더 정확한 정보를 추천하기 위한 데이터로 활용하여 사용자의 특성에 따른 정보를 고려하지 않고 서비스를 제공하는 어려움을 극복하였다고 볼 수 있다.
- 그림 9에서 알 수 있듯이 인접 이웃 크기가 10일 때, 본 논문에서 제안한 HPPS의 선호도 예측식 (5)을 이용한 사용자의 선호도 예측값이 가장 정확한 것으로 나타난다. 즉, 사용자의 특성을 분석한 HPPS 의 가중치를 이용한 선호도 예측값의 정확도를 측정 했을 때, Similarity 선정 기법 보다 Rating 선정기법이 37.50% 증가하였고, Similarity 선정기법과 Rating 선정기법보다 Combination 선정 기법이 각각 75%, 60% 증가하였다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.