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
- [5][6][7] 이렇게 추출된 선호도 특성을 이용하여 새로운 사용자들에게 스토리의 경로를 추천하는 과정을 기술한다. 최종적으로 PCA와 NMF 중 어떤 특성 추출 방법이 더 정확한 스토리의 경로를 추천하는지 살펴본다.
제안 방법
- 은 가중치이다. 분석결과에 의해, 각 주성분의 고유치가 1 이상 또는 누적기여율이 70%를 넘는 것을 기준으로 하여 주성분을 선택한다.[15]
- 3장에서는 시스템 설계를 위한 시스템의 구조와 알고리즘에 대해 기술한다. 먼저 시스템의 흐름을 설명하기 위해 시스템의 구조를 명시하였고, 그 후 구현을 위한 알고리즘을 제시하였다.
- 본 논문에서는 효율적이고 정확한 특성 추출을 위해두 개의 알고리즘을 사용하였다. 하나는 PCA에서 고유 벡터를 구하기 위한 Nonlinear Iterative Partial Least Squares (이하 NIPALS) 알고리즘[15]이고, 또 다른 하나는 NMF에서의 비용 함수를 줄이는 증배 갱신 규칙 알고리즘[6][16]이다.
- 먼저 선호도 행렬과 그 행렬에 따른 PCA, NMF를 통해 훈련 데이터를 만들어 사용자들의 특성을 파악한다. 그 후 훈련 데이터를 통해 나타난 사용자들의 특성을 바탕으로 40명의 새로운 사용자에게 추천을 하여 어떤 알고리즘이 더 정확한 추천을 제공하였는지 확인한다.
- 먼저 선호도 행렬과 그 행렬에 따른 PCA, NMF를 통해 훈련 데이터를 만들어 사용자들의 특성을 파악한다. 그 후 훈련 데이터를 통해 나타난 사용자들의 특성을 바탕으로 40명의 새로운 사용자에게 추천을 하여 어떤 알고리즘이 더 정확한 추천을 제공하였는지 확인한다.
- 훈련 데이터는 그림 6의 선호도 행렬을 통해 생성하였고, 그 훈련 데이터를 PCA와 NMF를 이용하여 선호도 특성을 추출하였다.
- 두 번째 행렬은 행이 특성, 열이 사용자인 행렬로 특성에 따른 각 사용자의 선호도를 나타낸다. 본 논문에서는 2개의 특성이 나오도록 실험을 진행하였다.
- PCA와 NMF을 통해 추출된 특성을 이용하여 스토리 경로를 추천하였다. 실험 결과에서는 PCA와 NMF를 통해 나타난 선호도 특성에 따라 추천한 후, 두 알고리즘의 추천 성공률을 비교하여 어떤 알고리즘이 더 정확하게 추천하였는지 확인한다.
- PCA와 NMF을 통해 추출된 특성을 이용하여 스토리 경로를 추천하였다. 실험 결과에서는 PCA와 NMF를 통해 나타난 선호도 특성에 따라 추천한 후, 두 알고리즘의 추천 성공률을 비교하여 어떤 알고리즘이 더 정확하게 추천하였는지 확인한다. 실험은 40명의 새로운 사용자를 대상으로 진행하였다.
대상 데이터
- 본 논문에서는 그림 2와 같이 노드 47개로 구성된 대화식 드라마의 스토리를 이용하여 사용자 20명을 대상으로 훈련 데이터를 만들고, 훈련 데이터를 통해 추출한 선호도 특성을 기반으로 같은 구조의 스토리를 이용하여 새로운 사용자 40명에게 실험을 진행하였다.
- 실험 결과에서는 PCA와 NMF를 통해 나타난 선호도 특성에 따라 추천한 후, 두 알고리즘의 추천 성공률을 비교하여 어떤 알고리즘이 더 정확하게 추천하였는지 확인한다. 실험은 40명의 새로운 사용자를 대상으로 진행하였다.
이론/모형
- 첫 번째 과정은 선호도 특성을 추출하기 위해 훈련 데이터를 만드는 것이다. 그 후 훈련 데이터를 이용하여 선호도 특성을 추출하는데, 이를 위해 주성분 분석(Principal Component Analysis, 이하 PCA)과 비음수 행렬 인수분해(Non-negative Matrix Factorization, 이하 NMF)를 이용한다. PCA는 고차원 데이터로부터 데이터의 구조를 밝히거나, 데이터의 차원을 낮추는 데 많이 이용되는 다변량 통계분석 방법[4]이고, NMF는 대량의 정보를 의미 특징(Semantic Feature)과 의미 변수(Semantic Variable)로 나누어 효율적으로 표현할 수 있는 방법이다.
- 선호도 행렬이 작성된 훈련 데이터를 PCA와 NMF 알고리즘을 이용하여 특성을 추출한다. 이렇게 추출된 선호도 특성을 이용하여 새로운 사용자에게 스토리 경로를 추천한다.
- NIPALS 알고리즘은 Python으로 구현된 모듈을 사용 하였다. 그림 4는 NIPALS 알고리즘을 Python으로 구현한 소스의 일부이다.
- 행렬 인수분해의 비용 함수를 줄이기 위해 행렬을 점진적으로 갱신(update)하는 방법이 필요하다. 본 논문에 서는 좋은 해답을 찾는 효율적인 방법으로 증배 갱신 규칙(multiplicative update rules)을 사용한다.
- 증배 갱신 규칙 알고리즘은 Python으로 구현된 모듈을 사용하였다. 그림 5는 증배 갱신 규칙 알고리즘을 Python으로 구현한 소스의 일부이다.
성능/효과
- 실험의 결과는 위의 표2, 표3를 통해 알 수 있다. PCA 를 이용한 스토리 경로 추천 성공률은 실험 사용자 40명중 30명으로 75%, NMF를 이용한 스토리 경로 추천 성공률은 실험 사용자 40명 중 25명으로 62.5%로 나타났다. 실험을 통해 NMF보다 PCA를 통해 보다 더 정확한 스토리 경로 추천이 가능한 것을 확인할 수 있다.
- 5%로 나타났다. 실험을 통해 NMF보다 PCA를 통해 보다 더 정확한 스토리 경로 추천이 가능한 것을 확인할 수 있다.
- 본 논문에서는 PCA와 NMF를 이용한 대화식 드라마의 스토리 경로 추천 시스템을 구현하였고, 실험을 통해 PCA를 이용해 얻은 선호도 특성으로 추천한 결과 추천 성공률 75%, NMF를 이용해 얻은 선호도 특성으로 추천한 결과 추천 성공률 62.5%를 얻어냈다.
후속연구
- 향후 과제로는 다양한 사용자 군에 따른 스토리 경로 선호도를 통해 각 군집에 맞는 추천 시스템을 구현하고, PCA와 NMF 이외의 베이지안 분류기나 군집 알고리즘 등을 이용한 특성 추출 알고리즘을 적용해 더 높은 성공률을 가질 수 있는 알고리즘이 있는지 살펴본다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.