$\require{mediawiki-texvc}$

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.

LDA 기반 은닉 토픽 추론을 이용한 TV 프로그램 자동 추천
Automatic TV Program Recommendation using LDA based Latent Topic Inference 원문보기

방송공학회논문지 = Journal of broadcast engineering, v.17 no.2, 2012년, pp.270 - 283  

김은희 (한국과학기술원 전기및전자공학과) ,  표신지 (한국과학기술원 정보통신공학과) ,  김문철 (한국과학기술원 전기및전자공학과)

초록
AI-Helper 아이콘AI-Helper

다채널 TV, IPTV 및 Smart TV 서비스의 등장으로 인해 수많은 방송 채널과 방대한 TV 프로그램 콘텐츠가 시청자 단말로 제공됨으로써 시청자들은 자신이 원하는 콘텐츠를 쉽게 찾고 소비하는 것이 어려운 TV 시청 환경을 맞게 되었다. 따라서 TV 사용자들에게 자신이 선호하는 콘텐츠를 자동 추천해 줌으로써 원하는 콘텐츠로의 접근성을 증대시키는 것은 미래의 지능형 TV 서비스에 있어서 주요한 이슈이다. 이에 본 논문에서는 사용자의 선호 취향과 대중의 선호취향을 모두 고려한 협업필터링 개념의 통계적 기계학습 기반 TV 프로그램 추천 모델을 제시한다. 이를 위해 시청한 TV 콘텐츠에 대한 선호 토픽을 사용자의 시청 선호도로 보고, 최근 널리 활용되고 있는 LDA(Latent Dirichlet Allocation)모델을 TV 프로그램 추천 모델에 적용하였다. LDA 기반 TV 프로그램 추천 성능을 개선하기 위해 본 논문에서는 TV시청 이용내역 데이터를 기반으로, TV 사용자들의 관심 토픽을 은닉 변수로 하고, TV 사용자들의 관심 토픽에 대한 다양성을 반영하기 위해 은닉 변수의 확률분포 특성을 비대칭 디리클레(Dirichlet) 분포로 모형화하여 실험에 적용하였다. 제안된 LDA 기반 TV 프로그램 자동 추천 방법의 성능을 검증하기 위해, 유사 시청 특성을 갖는 사용자 그룹에 대해 상위 5개의 TV 프로그램을 일주일 단위로 추천하였을 경우 평균 66.5%, 2개월 단위의 추천에 대해서는 평균 77.9%의 precision 추천 성능을 확인할 수 있었다.

Abstract ▼ AI-Helper 아이콘AI-Helper

With the advent of multi-channel TV, IPTV and smart TV services, excessive amounts of TV program contents become available at users' sides, which makes it very difficult for TV viewers to easily find and consume their preferred TV programs. Therefore, the service of automatic TV recommendation is an...

주제어

#Collaborative Filtering   #Smart TV   #Recommendation System   #Latent Dirichlet Allocation   #Topic Modeling  

질의응답

핵심어 질문 논문에서 추출한 답변
미래의 지능형 TV가 사용자들에게 자신이 선호하는 콘텐츠를 자동 추천해 줌으로써 원하는 콘텐츠로의 접근성을 증대시키는게 주요한 이슈인 이유는? 다채널 TV, IPTV 및 Smart TV 서비스의 등장으로 인해 수많은 방송 채널과 방대한 TV 프로그램 콘텐츠가 시청자 단말로 제공됨으로써 시청자들은 자신이 원하는 콘텐츠를 쉽게 찾고 소비하는 것이 어려운 TV 시청 환경을 맞게 되었다. 따라서 TV 사용자들에게 자신이 선호하는 콘텐츠를 자동 추천해 줌으로써 원하는 콘텐츠로의 접근성을 증대시키는 것은 미래의 지능형 TV 서비스에 있어서 주요한 이슈이다.
사용자 선호도 기반 TV 프로그램 자동 추천 연구로는 어떤 모델이 있는가? 사용자 선호도 기반 TV 프로그램 자동 추천 연구로서 협업필터링을 TV 프로그램 시청 기록데이터에 적용하여 사용자 선호 프로그램을 추론한 BM(Best Match) 기반 추천 모델이 있다[12]. 제안된 추천 모델은 개인별 TV 콘텐츠에 대한 순위 정렬 모델로서, 시청 기록 데이터를 학습과 검증 기간으로 나누어 추천 성능에 대해 Precision/Recall, ANMRR(Average Normalized Modified Retrieval Rank)을 측정한 실험 결과를 제시하였다.
BM 기반 추천 모델은 무엇을 적용한 모델인가? 제안된 추천 모델은 개인별 TV 콘텐츠에 대한 순위 정렬 모델로서, 시청 기록 데이터를 학습과 검증 기간으로 나누어 추천 성능에 대해 Precision/Recall, ANMRR(Average Normalized Modified Retrieval Rank)을 측정한 실험 결과를 제시하였다. BM 기반 추천 모델은 TV 프로그램에 대해 시청 빈도 기반 협업 필터링 알고리듬을 적용한 모델로서, 사용자들이 선호한 은닉 토픽을 관찰할 수 없는 한계가 있다. 다시 말해, 사용자들의 시청 선호도를 각 그룹 내 시청된 TV 프로그램들의 장르 및 채널 등에 대한 분석은 가능하나, 이러한 분석은 추가적인 작업을 요한다.
질의응답 정보가 도움이 되었나요?

참고문헌 (16)

  1. ChoiceStream, "ChoiceStream 2007 Survey of Viewer Trends in TV and Online Video," 2007. 

  2. G. Adomavicius and A. Tuzhilin, "Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions," IEEE Trans. Knowl. Data Eng., vol. 17, no. 6, pp. 734-749,Jun. 2005. 

    상세보기 crossref

  3. Johan De Vriendt, Natalie Degrande, Marc Verhoeyen, "Video content recommendation: An overview and discussion on technologies and business models", Bell Labs Technical Journal Special Issue: Application Enablement, Volume 16, Issue 2, pages 235-250, September 2011. 

  4. T. Hofmann, Probabilistic latent semantic indexing, ACM , pp 50-57.1999. 

  5. David M.Blei, Andrew Y.Ng, Michael I.Jordan, "Latent Dirichlet Allocation," Journal of Machine Learning Research 3, pp.993-1022, 2003. 

  6. Tomas L. Griffiths, Mark Steyvers, "Finding scientific topics," Proceedings of the National Academy of Sciences, vol. 101, suppl. 1, pp. 5228-5235, April, 2006. 

    상세보기 crossref

  7. A. Asuncion, M. Welling, P. Smyth, and Y. W. Teh. On smoothing and inference for topic models. In Proceedings of the International Conference on Uncertainty in Artificial Intelligence, 2009. 

  8. H. M.Wallach. Structured Topic Models for Language. Ph.D. thesis, University of Cambridge, 2008. 

  9. H. M. Wallach, D. Mimno, and A. McCallum, Rethinking lda: Why priors matter, In Advances in Neural Information Processing Systems 22, pages 1973-1981, 2009. 

  10. C.M. Bishop. Pattern recognition and machine learning. chapter 2, 8, 10, 11, Springer, 2006. 

  11. T. Minka. Estimating a Dirichlet distribution. Technical report, M.I.T., 2003. 

  12. Eunhui kim, Shinjee Pyo, Eunkyung Park and Munchurl Kim, "An automatic TV Recommendation for (IP)TV Personalization," IEEE Transactions on Broadcasting, vol. 57, no.3, pp.674-684, Sept, 2011 

    상세보기 crossref

  13. Y.W. Teh., Tutorial, An introduction to Bayesian Nonparametric Modeling, MLSS Cambridge, Sept. 2009. 

  14. Y.W. Teh., M. I. Jordan, M.J. Beal, D.M. Blei. "Hierarchical dirichlet processes." Journal of the American Statistical Association 101(476): 1566-1581. 2006. 

    상세보기 crossref

  15. Chong Wang, C++ implementation of hierarchical Dirichlet process (HDP) with split-merge operations, http://www.cs.princeton.edu/-chongw/resource.html 

  16. Y.W. Teh., D. Newman, M. Welling, "A collapsed variational bayesian inference algorithm for latent dirichlet allocation." Advances in neural information processing systems 19: 1353, 2007. 

저자의 다른 논문 :

LOADING...

관련 콘텐츠

오픈액세스(OA) 유형

BRONZE

출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문

유발과제정보 저작권 관리 안내
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