협업필터링(collaborative filtering) 추천은 효과적인 추천을 위해 가장 널리 활용되는 기법 가운데 하나로 다양한 분야에서 널리 활용되고 있다. 협업필터링 추천과 관련하여 주요 이슈 가운데 하나는 왜 적용 도메인에 따라 추천 성과 간에 차이가 다르게 나타나는가이다. 이러한 추천 성과 간의 차이가 발생하는 원인에 대해 많은 연구들은 데이터의 특성에만 주목할 뿐 체계적인 설명을 제시하지 못하고 있는 것도 사실이다. 이러한 기존 연구의 문제점을 해결하기 위해 본 연구는 소셜네트워크의 구조적 측정 지표를 활용하여 추천 성과 간의 차이가 발생하는 원인을 보다 체계적으로 규명하고자 한다. 이를 위해 소셜네트워크의 구조적 측정지표와 협업필터링 추천 성과 간의 관계에 대한 가설을 수립하고 국내 H백화점의 거래데이터를 활용하여 이를 실증적으로 검증하였다. 검증 결과 밀도와 포괄성은 추천 성과에 긍정적인 영향을 미치는 반면 군집화계수는 부정적인 영향을 미치는 것을 파악하였다. 본 연구는 협업필터링 추천 성과를 이해할 수 있는 새로운 관점을 제시하였다. 또한 기업이 협업필터링 추천시스템을 도입하고자 할 때 그들의 의사결정에 도움을 줄 수 있는 가이드라인을 제시하였다는 점에서 그 의의가 있다.
협업필터링(collaborative filtering) 추천은 효과적인 추천을 위해 가장 널리 활용되는 기법 가운데 하나로 다양한 분야에서 널리 활용되고 있다. 협업필터링 추천과 관련하여 주요 이슈 가운데 하나는 왜 적용 도메인에 따라 추천 성과 간에 차이가 다르게 나타나는가이다. 이러한 추천 성과 간의 차이가 발생하는 원인에 대해 많은 연구들은 데이터의 특성에만 주목할 뿐 체계적인 설명을 제시하지 못하고 있는 것도 사실이다. 이러한 기존 연구의 문제점을 해결하기 위해 본 연구는 소셜네트워크의 구조적 측정 지표를 활용하여 추천 성과 간의 차이가 발생하는 원인을 보다 체계적으로 규명하고자 한다. 이를 위해 소셜네트워크의 구조적 측정지표와 협업필터링 추천 성과 간의 관계에 대한 가설을 수립하고 국내 H백화점의 거래데이터를 활용하여 이를 실증적으로 검증하였다. 검증 결과 밀도와 포괄성은 추천 성과에 긍정적인 영향을 미치는 반면 군집화계수는 부정적인 영향을 미치는 것을 파악하였다. 본 연구는 협업필터링 추천 성과를 이해할 수 있는 새로운 관점을 제시하였다. 또한 기업이 협업필터링 추천시스템을 도입하고자 할 때 그들의 의사결정에 도움을 줄 수 있는 가이드라인을 제시하였다는 점에서 그 의의가 있다.
Collaborative filtering (CF), one of the most successful recommendation techniques, has been used in a number of different applications such as recommending web pages, movies, music, articles and products. One of the critical issues in CF is why recommendation performances are different depending on...
Collaborative filtering (CF), one of the most successful recommendation techniques, has been used in a number of different applications such as recommending web pages, movies, music, articles and products. One of the critical issues in CF is why recommendation performances are different depending on application domains. However, prior literatures have focused on only data characteristics to explain the origin of the difference. Scant attentions have been paid to provide systematic explanation on the issue. To fill this research gap, this study attempts to systematically explain why recommendation performances are different using structural indexes of social network. For this purpose, we developed hypotheses regarding the relationships between structural indexes of social network and recommendation performance of collaboration filtering, and empirically tested them. Results of this study showed that density and inconclusiveness positively affected recommendation performance while clustering coefficient negatively affected it. This study can be used as stepping stone for understanding collaborative filtering recommendation performance. Furthermore, it might be helpful for managers to decide whether they adopt recommendation systems.
Collaborative filtering (CF), one of the most successful recommendation techniques, has been used in a number of different applications such as recommending web pages, movies, music, articles and products. One of the critical issues in CF is why recommendation performances are different depending on application domains. However, prior literatures have focused on only data characteristics to explain the origin of the difference. Scant attentions have been paid to provide systematic explanation on the issue. To fill this research gap, this study attempts to systematically explain why recommendation performances are different using structural indexes of social network. For this purpose, we developed hypotheses regarding the relationships between structural indexes of social network and recommendation performance of collaboration filtering, and empirically tested them. Results of this study showed that density and inconclusiveness positively affected recommendation performance while clustering coefficient negatively affected it. This study can be used as stepping stone for understanding collaborative filtering recommendation performance. Furthermore, it might be helpful for managers to decide whether they adopt recommendation systems.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
이를 통해 고객 간 구매 선호도 유사성을 기반으로 형성한 소셜네트워크에서는 고객 간 관계가 많을수록, 고립된 고객들이 적을수록, 추천 대상 고객의 이웃 간 구매가 이질적일수록 추천 성과는 향상됨을 알 수 있었다. 본 연구는 협업필터링 추천 성과를 소셜네트워크 구조적인 관점에서 이해함으로써 추천 성과 간의 차이가 발생하는 원인을 이론적으로 규명하고자 하는 초석이 되는 연구라는 점에서 그 의의가 있을 것이다. 또한 실무적인 관점에서 소셜네트워크의 구조를 파악함으로써 협업필터링의 추천 성과를 예측할 수 있는 가이드라인을 제시하였다는 점에서 그 의의가 있을 것이다.
본 연구는 협업필터링 추천 성과에 영향을 미치는 소셜네트워크의 구조적 측정지표에 대해 고찰하였다. 기존 협업필터링에서 연구되어 온 추천 성과에 영향을 미치는 요인(데이터 희박성, 독특한 취향의 고객, 신규고객 추천의 문제, 추천 범위, 우연성 추천)을 기반으로 그에 대응하는 소셜네트워크의 구조적 측정지표들(밀도, 포괄성, 군집화계수, 집중도)을 파악하였다.
협업필터링 추천 성과의 차이를 발생시키는 원인 가운데 주요 원인으로는 데이터 희박성, 독특한 취향의 고객(gray sheep), 신규 고객 추천의 문제, 추천 범위(coverage), 우연성 추천 등이 지적되고 있다(<표 2> 참조). 본 연구에서는 협업필터링을 기반으로 형성된 소셜네트워크를 활용하기 때문에 협업필터링 추천 성과의 차이를 발생시키는 요인과 소셜네트워크의 측정지표 간의 관계를 바탕으로 가설을 수립하고자 한다.
본 연구의 목적을 달성하기 위해 국내 유명 H 백화점의 거래 데이터를 기반으로 소셜네트워크를 구성하고 소셜네트워크의 구조적 측정지표가 추천 성과에 미치는 영향을 실증적으로 분석하고자 한다. 보다 구체적으로 기존 연구를 기반으로 소셜네트워크 측정지표에 따른 협업필터링 추천 성과에 대한 가설을 설정한 후 회귀분석을 실행하여 가설을 검증함으로써 추천 성능을 보다 정밀하게 예측할 수 있는 회귀모형을 도출하고자 한다.
가설 설정
H1:밀도가 증가하면 추천 성능은 향상될 것이다.
H2:포괄성이 증가하면 추천 성능이 향상될 것이다.
H3:군집화 계수가 낮을수록 추천 성능은 향상될 것이다.
H4:집중도가 낮을수록 추천 성능은 향상될 것이다.
보다 구체적으로 기존 연구를 기반으로 소셜네트워크 측정지표에 따른 협업필터링 추천 성과에 대한 가설을 설정한 후 회귀분석을 실행하여 가설을 검증함으로써 추천 성능을 보다 정밀하게 예측할 수 있는 회귀모형을 도출하고자 한다. 이를 통해 i) 소셜네트워크 관점에서 협업필터링 추천 성과 간의 차이가 발생하는 원인에 대한 보다 명확한 이유를 규명하고 ii) 경영자로 하여금 협업필터링 활용의 효과성을 추천시스템 도입 이전에 예측 가능하도록 함으로써 추천시스템 도입과 관련된 의사결정에 도움을 줄 수 있을 것이다.
제안 방법
본 연구의 종속변수인 협업필터링 추천 성과를 측정하기 위해 가장 널리 활용되는 메모리 기반 알고리즘 [27]을 적용하여 추천시스템을 구축한 후, 구축된 추천시스템을 396개의 데이터 셋 각각에 적용하여 추천 정확도를 측정하였다. 각 데이터 셋은 2개월간의 거래 데이터를 포함하고 있기 때문에 거래일자가 빠른 순으로 40일 간의 거래 데이터를 훈련(training) 데이터로 나머지 20일의 거래 데이터를 검정(test) 데이터로 분할한 후, 훈련 데이터에 메모리기반 추천 알고리즘을 적용하여 각 고객들에게 추천할 상품을 선정하고 이를 검정 데이터의 실제 구매 상품 과 비교하여 추천 성과를 측정하였다.
본 연구는 협업필터링 추천 성과에 영향을 미치는 소셜네트워크의 구조적 측정지표에 대해 고찰하였다. 기존 협업필터링에서 연구되어 온 추천 성과에 영향을 미치는 요인(데이터 희박성, 독특한 취향의 고객, 신규고객 추천의 문제, 추천 범위, 우연성 추천)을 기반으로 그에 대응하는 소셜네트워크의 구조적 측정지표들(밀도, 포괄성, 군집화계수, 집중도)을 파악하였다. 나아가 소셜네트워크 측정 지표와 추천 성과 간의 관계에 대한 가설을 도출하였으며 이를 회귀모형을 통해 검증하였다.
첫째, 백화점의 거래데이터의 경우 월별로 거래량이 다르고 포함되는 고객과 상품의 종류가 다르기 때문에 전체 표본을 12달의 거래데이터로 분할하였다. 둘째, 샘플의 확보를 위해 2개월을 조합하여 66(12C2)개의 샘플을 도출하였다. 셋째, 각 샘플에 대해 포함되어 있는 고객의 수가 100, 200, 300명인 샘플을 추출하여 198(66×3)개를 도출하였다.
892) 간의 매우 높은 상관관계가 있음이 파악되었다. 따라서 분산확대인자(VIF:variance inflation factor)를 통해 독립변수 간 다중공선성(multicollinearity)이 있는지를 파악하였다. 분석결과 모든 변수의 VIF 값이(밀도 = 5.
본 연구의 목적을 달성하기 위해 국내 유명 H 백화점의 거래 데이터를 기반으로 소셜네트워크를 구성하고 소셜네트워크의 구조적 측정지표가 추천 성과에 미치는 영향을 실증적으로 분석하고자 한다. 보다 구체적으로 기존 연구를 기반으로 소셜네트워크 측정지표에 따른 협업필터링 추천 성과에 대한 가설을 설정한 후 회귀분석을 실행하여 가설을 검증함으로써 추천 성능을 보다 정밀하게 예측할 수 있는 회귀모형을 도출하고자 한다. 이를 통해 i) 소셜네트워크 관점에서 협업필터링 추천 성과 간의 차이가 발생하는 원인에 대한 보다 명확한 이유를 규명하고 ii) 경영자로 하여금 협업필터링 활용의 효과성을 추천시스템 도입 이전에 예측 가능하도록 함으로써 추천시스템 도입과 관련된 의사결정에 도움을 줄 수 있을 것이다.
본 연구의 종속변수인 협업필터링 추천 성과를 측정하기 위해 가장 널리 활용되는 메모리 기반 알고리즘 [27]을 적용하여 추천시스템을 구축한 후, 구축된 추천시스템을 396개의 데이터 셋 각각에 적용하여 추천 정확도를 측정하였다. 각 데이터 셋은 2개월간의 거래 데이터를 포함하고 있기 때문에 거래일자가 빠른 순으로 40일 간의 거래 데이터를 훈련(training) 데이터로 나머지 20일의 거래 데이터를 검정(test) 데이터로 분할한 후, 훈련 데이터에 메모리기반 추천 알고리즘을 적용하여 각 고객들에게 추천할 상품을 선정하고 이를 검정 데이터의 실제 구매 상품 과 비교하여 추천 성과를 측정하였다.
대상 데이터
결론적으로 총 396(198×2)개의 데이터 셋이 가설 검증을 위해 활용되었다.
본 연구에서 제안한 가설 검증을 위해 다양한 소셜네트워크 구조를 가지고 있는 국내 유명 H 백화점의 1년간(2000년 5월 1일부터 2001년 4월 30일까지) 거래데이터를 표본으로 자료를 수집하였다. 전체 1,660,814건의 거래 내역(50,000명의 고객이 구매한 4,038개의 상품)을 기반으로 4단계 자료수집 절차를 소셜네트워크를 형성하였다(<표 4> 참조).
전체 1,660,814건의 거래 내역(50,000명의 고객이 구매한 4,038개의 상품)을 기반으로 4단계 자료수집 절차를 소셜네트워크를 형성하였다( 참조).
데이터처리
가설 검증을 다중회귀 분석을 실시하였다. 또한 최종 회귀모형은 단계선택법(stepwise)을 적용하여 도출하였다.
기존 협업필터링에서 연구되어 온 추천 성과에 영향을 미치는 요인(데이터 희박성, 독특한 취향의 고객, 신규고객 추천의 문제, 추천 범위, 우연성 추천)을 기반으로 그에 대응하는 소셜네트워크의 구조적 측정지표들(밀도, 포괄성, 군집화계수, 집중도)을 파악하였다. 나아가 소셜네트워크 측정 지표와 추천 성과 간의 관계에 대한 가설을 도출하였으며 이를 회귀모형을 통해 검증하였다. 분석결과 밀도와 포괄성은 추천 성과에 긍정적인 영향을 미치고 군집화계수는 부정적인 영향을 미치는 것으로 나타났다.
이론/모형
가설 검증을 다중회귀 분석을 실시하였다. 또한 최종 회귀모형은 단계선택법(stepwise)을 적용하여 도출하였다. <표 5>는 변수에 대한 기초통계량과 변수 간 상관관계를 나타내고 있다.
본 연구의 독립변수인 밀도, 포괄성, 연결정도 집중도, 군집화계수는 기존 연구를 준용하여 측정하였다( 참조).
이러한 한계를 극복하기 위해 본 연구에서는 소셜네트워크 분석(social network analysis) 기법을 활용하고자 한다. 소셜네트워크 분석은 의사소통 집단 내 개체의 상호작용에 관심을 두고, 개체 간 연결 상태 및 연결 구조의 특성을 계량적으로 파악하여 시각적으로 표현하는 분석 기법이다[6].
추천 성과 측정을 위한 지표로는 재현율(recall)4)과 정확률5)(precision)을 동일한 가중치로 결합한 F1-척도(measure)를 사용하였다[5, 18].
성능/효과
따라서 향후 연구에서는 이러한 점을 보완하여 다양한 기업의 거래데이터를 활용하는 연구가 필요하다. 둘째, 비록 VIF 검정결과 다중공선성에 큰 문제가 없는 것으로 파악되었으나 밀도와 포괄성의 VIF 값이 상대적으로 높은 것으로 나타났다. 따라서 이에 대한 면밀한 검토가 필요할 것이다.
001). 또한 예측한 바와 같이 군집화 계수는 추천 성과에 유의한 음의 영향을 미치는 것으로 파악되었다(p < 0.01). 따라서 가설 2와 3은 채택된다.
따라서 분산확대인자(VIF:variance inflation factor)를 통해 독립변수 간 다중공선성(multicollinearity)이 있는지를 파악하였다. 분석결과 모든 변수의 VIF 값이(밀도 = 5.978, 포괄성 = 5.821, 군집화계수 = 1.220, 집중도 = 1.305) 10 이하로 다중공선성이 크게 문제가 되지 않는 것으로 나타났다.
나아가 소셜네트워크 측정 지표와 추천 성과 간의 관계에 대한 가설을 도출하였으며 이를 회귀모형을 통해 검증하였다. 분석결과 밀도와 포괄성은 추천 성과에 긍정적인 영향을 미치고 군집화계수는 부정적인 영향을 미치는 것으로 나타났다. 이를 통해 고객 간 구매 선호도 유사성을 기반으로 형성한 소셜네트워크에서는 고객 간 관계가 많을수록, 고립된 고객들이 적을수록, 추천 대상 고객의 이웃 간 구매가 이질적일수록 추천 성과는 향상됨을 알 수 있었다.
<표 5>는 변수에 대한 기초통계량과 변수 간 상관관계를 나타내고 있다. 상관관계 분석결과 밀도와 포괄성(0.892) 간의 매우 높은 상관관계가 있음이 파악되었다. 따라서 분산확대인자(VIF:variance inflation factor)를 통해 독립변수 간 다중공선성(multicollinearity)이 있는지를 파악하였다.
셋째, 각 샘플에 대해 포함되어 있는 고객의 수가 100, 200, 300명인 샘플을 추출하여 198(66×3)개를 도출하였다.
왜냐하면, 포괄성의 증가는 고립된 고객들의 수가 감소함을 의미하고 이는 유사한 구매 패턴의 관계를 형성하는 고객의 비율이 증가함을 의미한다. 이를 종합하면, 포괄성이 증가는 독특한 취향의 고객 또는 신규고객과 같은 고립된 고객 수의 감소를 의미하며, 이는 결과적으로 협업필터링 추천 성과의 향상을 의미한다. 이를 근거로 다음과 같은 가설을 제안한다.
분석결과 밀도와 포괄성은 추천 성과에 긍정적인 영향을 미치고 군집화계수는 부정적인 영향을 미치는 것으로 나타났다. 이를 통해 고객 간 구매 선호도 유사성을 기반으로 형성한 소셜네트워크에서는 고객 간 관계가 많을수록, 고립된 고객들이 적을수록, 추천 대상 고객의 이웃 간 구매가 이질적일수록 추천 성과는 향상됨을 알 수 있었다. 본 연구는 협업필터링 추천 성과를 소셜네트워크 구조적인 관점에서 이해함으로써 추천 성과 간의 차이가 발생하는 원인을 이론적으로 규명하고자 하는 초석이 되는 연구라는 점에서 그 의의가 있을 것이다.
본 연구는 다음과 같은 한계점이 있다. 첫째, H 백화점의 거래데이터만을 이용하여 분석을 진행하여 해당 거래데이터에 종속적인 결과가 도출됐을 가능성이 있다. 따라서 향후 연구에서는 이러한 점을 보완하여 다양한 기업의 거래데이터를 활용하는 연구가 필요하다.
첫째, 백화점의 거래데이터의 경우 월별로 거래량이 다르고 포함되는 고객과 상품의 종류가 다르기 때문에 전체 표본을 12달의 거래데이터로 분할하였다. 둘째, 샘플의 확보를 위해 2개월을 조합하여 66(12C2)개의 샘플을 도출하였다.
회귀분석 결과 밀도는 추천 성과에 유의한 영향을 미치는 것으로 파악되었다(p <0.001).
후속연구
첫째, H 백화점의 거래데이터만을 이용하여 분석을 진행하여 해당 거래데이터에 종속적인 결과가 도출됐을 가능성이 있다. 따라서 향후 연구에서는 이러한 점을 보완하여 다양한 기업의 거래데이터를 활용하는 연구가 필요하다. 둘째, 비록 VIF 검정결과 다중공선성에 큰 문제가 없는 것으로 파악되었으나 밀도와 포괄성의 VIF 값이 상대적으로 높은 것으로 나타났다.
질의응답
핵심어
질문
논문에서 추출한 답변
협업필터링이란 무엇인가?
협업필터링은 고객의 구매정보를 바탕으로 고객 간 구매 유사성을 분석함으로써 유사한 고객들을 파악하고 이들의 구매정보를 활용함으로써 추천대상 고객에게 적합하다고 판단되는 상품을 추천하는 기법을 말한다. Amazone.
소셜네트워크 분석이란 무엇인가?
이러한 한계를 극복하기 위해 본 연구에서는 소셜네트워크 분석(social network analysis) 기법을 활용하고자 한다. 소셜네트워크 분석은 의사소통 집단 내 개체의 상호작용에 관심을 두고, 개체 간 연결 상태 및 연결 구조의 특성을 계량적으로 파악하여 시각적으로 표현하는 분석 기법이다[6]. 이 기법은 소셜네트워크 내의 정보 흐름과 구조적인 특성을 파악하고 이들이 갖는 의미를 해석 할 수 있는 장점이 있기 때문에 다양한 분야에 걸쳐 네트워크의 구조와 관계를 분석하는데 활용되어 왔다[22].
고객-상품 간의 행렬은 희박 행렬이 되는 이유는 무엇인가?
희박성은 상품과 고객의 수는 많은데 비해 고객이 구매한 데이터 자체가 너무 희박하여 고객 간 상품 추천관계를 형성하는데 문제가 있어 추천 성능이 저하될 수 있다는 것을 의미한다[3, 6]. 상품이 많아질수록 상품에 대한 고객의 평가정보나 구매정보를 통하여 수집되는 선호도 데이터가 존재하지 않는 상품의 수가 상대적으로 많아진다. 따라서 고객-상품 간의 행렬은 희박 행렬(sparse matrix)이 된다.
특히, 최근 들어 추천 성능을 향상시키기 위해 소셜네트워크의 정보와 협업필터링을 결합하는 연구가 활발하게 진행되고 있다[7].
Adomavicious, G. and Tuzhilin, A., "Toward the Next Generation of Recommender Systems : A Survey of the State-of-the-art and Possible Extensions," IEEE Transactions on Knowledge and Data Engineering, Vol. 17, No. 6, pp. 734-749, 2005.
소셜네트워크는 Barnes[9]에 의해 처음 사용된 용어로, 개인적인 인간관계가 확산되어 형성된 사람들 사이의 관계형태나 유형 혹은 구조를 말한다[6].
Breese, J. S., Heckerman, D., and Kadie, C., "Empirical Analysis of Predictive Algorithms for Collaborative Filtering," In Proceedings of the 14th Conference on Uncertainty in Artificial Intelligence (UAI-98), San Francisco, California, pp. 43-52, 1998.
Chee, S. H. S., Han, J., and Wang, K., "RecTree : An Efficient Collaborative Filtering Method," Lecture Notes in Computer Science, Vol. 2114, pp. 141-151, 2001.
Cho, Y. H. and Kim, J. K., "Application of Web Usage Mining and Product Taxonomy to Collaborative Recommendations in E-commerce," Expert Systems with Applications, Vol. 26, No. 3, pp. 234-246, 2004.
Choi, S., Cha, S., and Tappert, C. C., "A Survey of Binary Similarity and Distance Measures," Journal of Systemics, Cybernetics and Informatics, Vol. 8, No. 1, pp. 43-48, 2010.
De Amorim, S., Barthelemy, J. P., and Ribeiro, C., "Clustering and Clique Partitioning : Simulated Annealing and Tabu Search Approaches," Journal of Classification, Vol. 9 , pp. 17-41, 1992.
Delgado, J. and Ishii, N., "Memory-based Weighted-majority Prediction for Recommender Systems," In ACM SIGIR'99 Workshop on Recommender Systems : Algorithms and Evaluation, 1999.
Freeman, L., "Centrality in Social Networks : Conceptual Clarification," Social Networks, No. 1, pp. 215-239, 1979.
Getoor, L. and Sahami, M., "Using Probabilistic Relational Models for Collaborative Filtering," In Workshop on Web Usage Analysis and User Profiling (WEBKDD'99), 1999.
모델 기반 협업필터링은 선형대수, 뉴럴 네트워크(neural network) 클러스터링 등을 기반으로 사전에 모델을 수립하여 추천하는 방식으로 클러스터링 협업필터링[10, 11], 잠재 시멘틱(latent semantic) 협업필터링[19, 24], 확률 관계 모형 협업필터링[17] 등이 있다.
Herlocker, J. L., Konstan, J. A., Terveen, L. G., and Riedl, J. T., "Evaluating Collaborative Filtering Recommender Systems," ACM Transactions on Information Systems, Vol. 22, No. 1, pp. 5-53, 2004.
Human, S. E. and Provan, K. G., "Legitimacy Building in the Evolution of Small-firm Multilateral Networks : A Comparative Study of Success and Demise," Administrative Science Quarterly, Vol. 45, No. 2, pp. 327-365, 2000.
Huang, Z. and Zeng, D., "Why Does Collaborative Filtering Work? Recommendation Model Validation and Selection by Analyzing Random Bipartite Graphs," the Fifteenth Annual Workshop on Information Technologies and Systems, 2005.
Kukkonen, H. O., Lyytinen, K., and Yoo, Y. J., "Social Networks and Information Systems : Ongoing and Future Research Streams," Journal of the Association for Information Systems, Vol. 11, Special Issue, pp. 61-68, 2010.
이 기법은 소셜네트워크 내의 정보 흐름과 구조적인 특성을 파악하고 이들이 갖는 의미를 해석 할 수 있는 장점이 있기 때문에 다양한 분야에 걸쳐 네트워크의 구조와 관계를 분석하는데 활용되어 왔다[22].
소셜네트워크는 팀이나 조직, 산업등과 같은 다양한 사회적 구조의 행동을 설명하고 이해하는데 사용되어왔다[22].
Liu, F. and Lee, H. J., "Use of Social Network Information to Enhance Collaborative Filtering Performance," Expert Systems with Applications, Vol. 37, pp. 4772-4778, 2010.
예를 들면, Liu and Lee[23]는 협업필터링에서 이웃의 형성을 소셜네트워크에서 직접 연결된 친구로만 제한함으로써 추천 성능이 향상됨을 주장하였다.
Marlin, B., "Modeling User Rating Profiles for Collaborative Filtering," In Proceedings of the 17th Annual Conference on Neural Information Processing Systems (NIPS '03), 2003.
Resnick, P., Iakovou, N., Sushak, M., Bergstrom, P., and Riedl, J., "GroupLens : An Open Architecture for Collaborative Filtering of Netnews," In Proceedings of the 1994 Computer Supported Cooperative Work Conference, pp. 174-186, 1994.
Ryu, Y. U., Kim, H. K., Cho, Y. H., and Kim, J. K., "Peer-oriented Content Recommendation in a Social Network," Proceedings of the Sixteenth Workshop on Information Technologies and Systems, pp. 115-120, 2006.
Sarwar, B., Karypis, G., Konstan, J. A., and Riedl, J., "Analysis of Recommendation Algorithms for E-commerce," Proceedings of ACM E-commerce 2000 conference, pp. 158-167, 2000.
본 연구의 종속변수인 협업필터링 추천 성과를 측정하기 위해 가장 널리 활용되는 메모리 기반 알고리즘 [27]을 적용하여 추천시스템을 구축한 후, 구축된 추천시스템을 396개의 데이터 셋 각각에 적용하여 추천 정확도를 측정하였다.
Schank, T. and Wagner, D., "Approximating Clustering Coefficient and Transitivity," Journal of Graph Algorithms and Applications, Vol. 9, No. 2, pp. 265-275, 2005.
Shardanand, U. and Maes, P., "Social Information Filtering : Algorithms for Automating 'Word of Mouth'," In Proceedings of the Conference on Human Factors in Computing Systems, pp. 210-217, 1995.
Soboroff, I. and Nicholas, C., "Combining Content and Collaboration in Text Filtering," In IJCAI '99 Workshop : Machine Learning for Information Filtering, pp. 86-91, 1999.
Wasserman, S. and Faust, K. Social Network Analysis : Methods and Application, New York : Cambridge University Press, 1994.
Weare, C., Loges, W. E., and Oztas, N., "Email Effects on the Structure of Local Associations : A Social Network Analysis," Social Science Quarterly, Vol. 88, No. 1, pp. 222-243, 2007.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.