$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

협력필터링 시스템을 위한 평가 등급 범위 기반의 예측방법
A Rating Range-based Prediction Method for Collaborative Filtering Systems 원문보기

컴퓨터교육학회논문지 = The Journal of Korean Association of Computer Education, v.14 no.4, 2011년, pp.63 - 70  

이수정 (경인교육대학교 컴퓨터교육과)

초록
AI-Helper 아이콘AI-Helper

인터넷 상에서 사용자 흥미에 부합하는 항목을 예측하여 추천해 주는 추천 시스템은 e-commerce가 발달함에 따라 다양한 분야에서 적용되어 왔다. 추천 시스템의 주요 방법인 협력 필터링은 사용자가 선호했던 항목들과 유사한 항목을 추천하거나 또는 유사한 기호의 다른 사용자가 선호했던 항목을 추천하는 것이다. 따라서 유사도의 정확한 측정과 추천한 항목의 실제 평가등급 예측은 협력 필터링의 성능을 결정하는 두가지 중요한 문제이다. 본 연구에서는 후자의 문제를 다룬다. 기존 연구에서는 평가 등급의 평균값을 기반으로 하여 실제 평가등급을 예측하였으나, 본 연구에서는 평가 등급 범위 기반의 방법을 제시하고 실험을 통해 성능을 조사하였다. 실험 결과 기존 방법에 비해 제안 방법은 평균 절대 오차에 있어서 성능이 크게 향상됨을 입증하였다.

Abstract AI-Helper 아이콘AI-Helper

Recommender systems, which predict and recommend items that may possibly draw users' interests, have been applied in various fields as e-commerce systems are widespread. Collaborative filtering, one of the major methodologies of recommender systems, recommends either items similar to those preferred...

주제어

AI 본문요약
AI-Helper 아이콘 AI-Helper

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

문제 정의

  • 본 논문에서는 메모리 기반 협력 필터링을 통한 추천 시스템 상에서 새로운 항목에 대한 등급 예측을 위한 방법을 연구한다. 기존에 주로 사용했던 등급 평균을 이용한 방법의 문제점을 분석하고, 이를 보완하기 위해 각 개인이 부여한 등급의 범위를 기반으로 예측하는 방법을 제안한다.
  • 협력 필터링을 통한 추천 시스템은 광범위한 자료들 중에서 사용자에게 필요할 만한 자료들만을 골라 제시하므로 서적, 뉴스, 영화 등 다양한 분야에서 매우 유용하게 실제로 활용되어 정보화 시대에서 중요한 역할을 한다. 본 연구에서는 이러한 시스템 하에서, 추천 항목에 대해 사용자가 부여할 평가등급을 예측하는 방법을 제시하였다. 기존 연구에서는 주로 과거 평가등급의 평균을 기준으로 예측하였으나, 이는 평가등급 분포를 고려하지 않아 예측 오류 발생 가능성이 크므로, 평가등급의 범위를 근거로 새로운 예측 공식을 제안하였다.
  • 앞절에서 언급한 문제점을 해결하기 위한 한가지 방법으로 본 연구에서는 평가범위를 이용한 예측방법을 제시하려 한다. 즉, 사용자가 부여한 모든 평가등급들 중에서 항목 x의 평가는 어느 정도에 위치하는지를 고려하고, 이러한 상대적 위치 정보를 인접 사용자의 평가등급 산출에 반영한다.
  • 이 데이터는 271,379권의 서적에 대하여 278,858명의 사용자들이 평가한 1-10 사이의 등급을 1,149,790개 포함하고 있다. 이들 중 많은 사용자 또는 서적의 평가수가 매우 적어 성능 측정의 정확성이 떨어지므로, 원 데이터 행렬의 희소수준을 떨어뜨림으로써 보다 정확한 평가가 되도록 하기 위하여 사전 처리하였다. 결과적으로 [15]에서처럼 희소수준이 다른 두 종류의 데이터 집합을 산출하였는데, 첫째 집합에 속한 각 서적에 대해서는 적어도 11명의 사용자가 등급을 매겼으며, 또한 이 집합의 각 사용자는 적어도 6개의 서적에 대해 평가하였다.

가설 설정

  • 그림에서 ①의 경우에 인접 사용자 v의 평가등급에 따르면 사용자 u의 x에 대한 평가등급의 예측값은 사용자 u의 평가범위 선상에 표시된 예측값 ① 부근이 될 것이다. 물론 이때 인접 사용자는 v 한명이고 u와 v의 유사도는 고려하지 않음을 가정했다. 그런데 이 예측값은 사용자 u에 있어서는 최저 평가에 가깝지만, 사용자 v에 있어서는 그렇지 않고 평균 #보다 다소 낮은 등급임을 알 수 있다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
추천 시스템의 주요한 두가지 방법은 무엇인가? 웹 개인화의 주를 이루는 예는 추천 시스템으로서 주로 고객이 원하는 상품, 영화, 뉴스, 서적, 여행 정보 등 다양한 주제로 개발되었다[2][3]. 추천 시스템의 주요한 두가지 방법은 내용기반 필터링(content-based filtering)과 협력 필터링 (collaborative filtering)이다[4]. 내용기반 필터링은 내용 분석을 토대로, 개인적인 사용자 흥미도 프로필을 구축하여 그에 부합하는 정보를 추천한다.
어떤 문제를 경감 시키기 위해 웹 개인화 시스템이 각광받고 있는가? 문서 수가 급증함에 따라 인터넷에서 원하는 정보를 빠른 시간 내에 검색하기가 점차 어려워짐에 따라 거의 90%의 검색 결과가 사용자가 원하지 않는 불필요한 것으로 밝혀졌다[1]. 이러한 문제를 경감시키기 위해 사용자 개개인의 서로 다른 기호에 부합하는 정보를 손쉽게 찾을 수 있도록 하는 웹 개인화 시스템이 각광받고 있다.
협력 필터링이란? 이에 반하여 협력 필터링은 여러 다른 사용자들의 의견에 따라 웹 사이트를 추천하는 방법으로서 많은 e-commerce 시스템에서 성공적으로 적용하고 있다. 초창기의 Tapestry 시스템[7]은 유사한 사용자들을 수작업으로 구분하였으며, 이후 개발된 GroupLens[8], Video Recommender[9]는 사용자의 흥미도를 자동으로 예측하기 위한 시스템들이다.
질의응답 정보가 도움이 되었나요?

저자의 다른 논문 :

섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로