[논문]개인화된 전문가 그룹을 활용한 추천 시스템

정연오; 이성우; 이지형

doi:10.5391/jkiis.2013.23.1.7

개인화된 전문가 그룹을 활용한 추천 시스템
Personalized Expert-Based Recommendation 원문보기

한국지능시스템학회 논문지 = Journal of Korean institute of intelligent systems, v.23 no.1, 2013년, pp.7 - 11

정연오 (성균관대학교 정보 및 지능시스템 연구실) , 이성우 (성균관대학교 정보 및 지능시스템 연구실) , 이지형 (성균관대학교 정보 및 지능시스템 연구실)

초록
AI-Helper

전문가의 지식을 기반으로 한 추천시스템에 대한 다양한 연구가 최근 활발히 진행되고 있다. 지금까지의 전문가 기반 추천 시스템이 공통된 전문가 그룹의 지식을 바탕으로 모두에게 아이템을 추천하였다면, 본 논문에서는 개인의 필요와 전문가에 대한 관점을 반영한 개인화된 전문가 그룹의 지식을 기반으로 한 추천 시스템을 제안한다. 개인화된 전문가 그룹을 찾는 과정이 제안하는 추천 시스템에서 가장 중요한 부분이다. 이를 위해 개인화된 전문가를 효율적으로 찾아내는 지지 벡터 머신(SVM) 기반 기법을 제안한다. 추천 시스템에서 널리 사용되는 k 근접이웃 알고리즘과의 비교를 통하여서 개인화된 전문가를 기반으로 한 협업 필터링 추천 시스템의 효용성을 입증한다.

Abstract ▼ AI-Helper

Taking experts' knowledge to recommend items has shown some promising results in recommender system research. In order to improve the performance of the existing recommendation algorithms, previous researches on expert-based recommender systems have exploited the knowledge of a common expert group for all users. In this paper, we study a problem of identifying personalized experts within a user group, assuming each user needs different kinds and levels of expert help. To demonstrate this idea, we present a framework for using Support Vector Machine (SVM) to find varying expert groups for users; it is shown in an experiment that the proposed SVM approach can identify personalized experts, and that the person-alized expert-based collaborative filtering (CF) can yield better results than k-Nearest Neighbor (kNN) algorithm.

주제어

AI 본문요약
AI-Helper

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

문제 정의

그렇기 때문에, 개인의 필요와 전문가에 대한 관점을 반영한 개인화된 전문가 그룹을 사용자들에게 소개할 필요가 있다. 본 논문에서는 각 사용자 별로 개인화된 전문가 그룹을 찾는 문제를 정의하고, 개인화된 전문가 지식을 활용하여 추천을 하는 추천시스템을 제안한다.
본 논문에서는 개인화된 전문가 그룹을 찾는 문제를 정의하고, 개인화된 전문가 그룹을 활용한 추천 시스템을 기술한다.
협업 필터링 기반 추천 시스템에서 널리 사용되는 k 근접이웃 알고리즘의 추천 성능과의 비교 실험을 통해 제안된 추천 시스템의 효용성을 입증하고자 한다.

가설 설정

를 얼마나 전문가로 보는지를 표현한다. 임의탐색을 통해 u_i의 최적의 개인화된 전문가 그룹에 가까운 전문가 그룹을 정답으로 가정하고, 모든 u_i와 u_j에 대해 전문가 라벨 y_ij을 준다. y_ij와 #을 가지고 지지 벡터 머신 모델을 생성하고 #을 학습시킨다.
각 사용자 별로 최적의 개인화된 전문가 그룹의 크기를 17명으로 고정한 후 추천의 정확도를 평가한 결과는 아래(표 2)와 같다. 최적의 개인화된 전문가 그룹은 임의탐색 기법을 통해 찾아낸 개인화된 전문가 그룹을 최적의 개인화된 전문가 그룹으로 가정한다.

제안 방법

먼저, u_i와 선호도가 유사한 사용자 그룹, # = {u_j}, 중 임의로 정해진 숫자의 사용자들을 선택한다. 그리고 협업 필터링을 통해 추천을 하고 그 결과를 평가한다. 위 과정을 여러 번 반복하여 최적의 추천 성능을 내는 사용자 그룹 V^′_ui 을 V ^*_ui에 가까운 개인화된 전문가 그룹으로 설정한다.
이러한 문제를 해결하기 위해 먼저 임의 탐색을 사용하여 최적의 개인화된 전문가 그룹에 근사한 전문가들을 찾아낸다. 근사한 전문가들을 트레이닝 샘플로 활용해 개인화된 전문가 그룹을 효율적으로 찾는 지지 벡터 머신 기반 모델을 학습 시킨다.
둘째, u_i가 u_j에 비해 얼마나 더 자주 서비스를 사용하는지를 측정한다. 서비스를 자주 사용하는 사용자가 해당 서비스나 도메인에 더 높은 전문성을 가질 수 있다:
방대한 양의 실제 사용자와 아이템간의 선호도 정보를 담고있는 데이터를 사용한 실험을 통해서 사용자 마다 최선의 추천을 제공해 줄 수 있는 서로 다른 전문가 그룹이 존재함을 확인하였으며, 이를 임의탐색과 지지 벡터 머신 모델을 사용해 찾는 방법을 제안한다.
사용자 그룹, U = {u_i}, 아이템 그룹, I = {i_j}, 그리고 아이템 선호도, r_uj, 가 주어졌을 때 개인화된 전문가 그룹을 찾고자 한다. 여기서 전문가란 추천시스템의 정확도를 높이는데 도움이 되는 아이템 선호도 정보나 히스토리를 가진 사용자들을 의미한다.
셋째, u_j가 u_i에게 새로운 아이템들을 얼마나 많이 이용해 봤는지를 측정한다. u_i가 이미 사용해 본 아이템들만을 사용해 본 사용자의 지식은 u_i 입장에서 상대적으로 비전문가 지식이거나 필요 없는 지식일 수 있다:
이 과정을 효율적으로 처리하기 위해서, 패턴인식이나 이진분류 문제에 널리 사용되는 지지 벡터 머신 기법을 사용하는데[6], 지지 벡터 머신 모델학습을 위해 실제 개인화된 전문가 트레이닝 샘플이 필요하다. 이러한 문제를 해결하기 위해 먼저 임의 탐색을 사용하여 최적의 개인화된 전문가 그룹에 근사한 전문가들을 찾아낸다. 근사한 전문가들을 트레이닝 샘플로 활용해 개인화된 전문가 그룹을 효율적으로 찾는 지지 벡터 머신 기반 모델을 학습 시킨다.
이 과정을 효율적으로 처리하기 위해서, 패턴인식이나 이진분류 문제에 널리 사용되는 지지 벡터 머신 기법을 사용하는데[6], 지지 벡터 머신 모델학습을 위해 실제 개인화된 전문가 트레이닝 샘플이 필요하다. 이러한 문제를 해결하기 위해 먼저 임의 탐색을 사용하여 최적의 개인화된 전문가 그룹에 근사한 전문가들을 찾아낸다. 근사한 전문가들을 트레이닝 샘플로 활용해 개인화된 전문가 그룹을 효율적으로 찾는 지지 벡터 머신 기반 모델을 학습 시킨다.
제안된 시스템에서는 추천 대상자와 선호도가 비슷한 사용자들 내에서 최적의 개인화된 전문가를 찾는다. 먼저, u_i와 선호도가 유사한 사용자 그룹, # = {u_j}, 중 임의로 정해진 숫자의 사용자들을 선택한다.
첫째, u_i와 u_j 사이에 조정 코사인 유사성(adjusted cosine similarity)은 두 사용자의 선호도가 얼마나 비슷한지를 측정한다. 비슷하지 않은 선호도를 가진 전문가보다는, 비슷한 선호도를 가진 전문가의 의견이 더 의미가 있을 수 있다.

대상 데이터

실험에는 Netflix Prize¹⁾ 데이터를 사용하였다. Netflix Prize 데이터는 480,189 사용자, 17,770개 아이템(영화)에 대한 선호도 정보, 〈u_i, i_j, #〉를 포함하고 있다.
Netflix Prize 데이터는 480,189 사용자, 17,770개 아이템(영화)에 대한 선호도 정보, 〈u_i, i_j, #〉를 포함하고 있다. 효율적인 실험 진행을 위해 전체 데이터에서 10,000명의 사용자와 1,000개의 아이템(영화)에 대한 선호도, 〈u_i, i_j, #〉, 데이터만을 가지고 실제 실험을 진행하였으며, 이를 사용자를 기준으로 다시 9000명의 사용자로 이루어진 트레이닝 데이터와 1000명의 사용자로 이루어진 테스팅 데이터로 구분한다.

이론/모형

본 논문에서는 개인화된 전문가 그룹들을 찾는데 단 한개의 지지 벡터 머신 모델을 사용하고, 추천에는 전문가들의 지식을 활용하는 협업 필터링 알고리즘을 활용한다.

성능/효과

k 근접이웃 알고리즘과의 비교 실험을 통하여 사용자 별로 상이한 개인화된 전문가가 존재한다는 것과 개인화된 전문가를 기반으로 한 추천시스템의 효용성을 입증하였다.
k 근접이웃 알고리즘의 결과에 비해 92% 향상된 결과는 추천에 더 큰 도움을 줄 수 있는 사용자 그룹, 즉 개인화된 전문가 그룹이 존재함을 보여준다.
전문성을 세 가지 다른 수식으로 정의하고, 상대적으로 더 높은 전문성을 가진 사용자들을 기반으로 추천을 한다. 이를 통해 전문가 기반 추천시스템의 가능성을 보여주었을 뿐만 아니라, 정의된 전문성의 의미와 추천 성능과의 상관관계를 보여주었다.
Amatrianin 등은 소수의 영화 평론가의 의견을 종합하여 상대적으로 더 큰 사용자 그룹에게 추천을 하는 방식을 제안하였다[1]. 이를 통해 추천시스템에서 일반적으로 사용되는 협업 필터링 알고리즘의 문제점들(sparse data, cold start problem)을 완화하였을 뿐만 아니라, 전문가 지식이 실제로 추천시스템에서 활용될 수 있음을 보여주었다.
임의탐색을 사용해 찾아낸 개인화된 전문가 그룹을 활용할 경우 k 근접이웃을 활용하는 경우보다 추천의 정확도를 92% 높일 수 있었다. 지지 벡터 머신 모델은 계산 복잡도나 연상량의 측면에서 임의탐색에 비해 훨씬 효율적이다.
지지 벡터 머신이 전문가라고 판별한 사용자 중에 실제 전문가가 얼마나 되었는지를 나타내는 Precision이 81.91%로 나타났다. 정확한 추천을 위해서는 적절한 양의 의견들을 종합하여야 할 뿐만 아니라, 도움이 되는 의견들을 종합하는 것이 중요하다.

후속연구

정확한 추천을 위해서는 적절한 양의 의견들을 종합하여야 할 뿐만 아니라, 도움이 되는 의견들을 종합하는 것이 중요하다. 지지 벡터 머신이 더 정확하게 실제 전문가들을 판별해 낼 수 있다면, 전체 추천 시스템의 성능이 최적의 개인화된 전문가 그룹을 활용한 경우만큼 향상될 것 이다.
향후 연구로는 지지 벡터 머신을 클래스 불균형 데이터에서의 학습성과 성능을 최적화 하여 개인화된 전문가 기반 추천 시스템의 효용성과 성능을 향상 시키는 연구와, 확률 추론 기반 모델을 통해 개인화된 전문가를 찾아내는 연구를 진행할 계획이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	계산 복잡도나 연상량의 측면에서 임의탐색에 비해 훨씬 효율적인 지지 벡터 머신 모델의 한계는?	지지 벡터 머신 모델은 계산 복잡도나 연상량의 측면에서 임의탐색에 비해 훨씬 효율적이다. 하지만, 전문가의 수가 일반 사용자에 비해 상대적으로 매우 적기 때문에 일반적인 지지 벡터 머신의 정확한 학습에 어려움이 있다.
	전문가 기반 추천시스템에서 전문가의 의미는?	사용자 그룹, U = {ui}, 아이템 그룹, I = {ij}, 그리고 아이템 선호도, ruj, 가 주어졌을 때 개인화된 전문가 그룹을 찾고자 한다. 여기서 전문가란 추천시스템의 정확도를 높이는데 도움이 되는 아이템 선호도 정보나 히스토리를 가진 사용자들을 의미한다.
	임의탐색은 어떤 방법인가?	임의탐색은 독립변수들(사용자)을 불규칙하게 선택하고, 선택된 독립변수들을 평가함수(추천 정확도)를 이용해 평가하게 된다. 충분한 수의 샘플이 사용된다면 결국 최적값을 찾을 수 있다[7].

참고문헌 (10)

X. Amatrian, N. Lathia, J. M. Pujol, H. Kwak, and N. Oliver. "The Wisdom of The Few: A Collaborative Filtering Approach Based On Expert Opinions From The Web," Proceedings of the 32nd international ACMSIGIR conference on Research and development in information retrieval (SIGIR'09). pp. 532-539. 2009.
S. Song, S. Lee, S. Park, and S.-g. Lee. "Determining User Expertise For Improving Recommendation Performance," Proceedings of the 6th International Conference on Ubiquitous Information and Communication 2012 (ICUIMC 2012). 2012.
Z. Xia, Y. Dong and Y. Xing. "Support Vector Machines For Collaborative Filtering," Proceedings of the 44th Annual Southeast Regional Conference. pp. 169-174, 2006.
J. A, Xu and K. Araki. "A SVM-based Personal Recommendation System for TV Programs," Proceedings of the 12th Internaional Conference on Multi Media Modeling (MMM 2006). 2006.
S. Min and I. Goo. "Recommender Systems Using Support Vector Machines" Proceedings of the 5th Internaional Conference on Web Engineering (ICWE 2005). pp. 387-393, 2005.
V. N. Vapnik. The Nature of Statistical Learning Theory. Springer-Verlag. 1995.
Z. Zabinsky. (2009, April 5). "Random Search Algorithm". Available: http://courses.washington.edu/inde510/516/RandomSearch4.05.2009.pdf. 2009. [Accessed: Sep. 15. 2012]
Z. Wen. (2008, December 12). "Recommendation System Based on Collaborative Filtering". Available: http://cs229.stanford.edu/proj2008/Wen-RecommendationSystemBasedOnCollaborativeFiltering.pdf. 2008. [Accessed: Sep. 15. 2012]
R. Bell and Y. Koren, "Scalable Collaborative Filtering with Jointly Derived Neighborhood Interpolation Weights," Proceedings of the 2007 Seventh IEEE Internaional Conference on Data Mining (ICDM'07). pp. 43-52. 2007.
J. Herlocker, J. Konstan, L. Terveen, and J. Riedl, "Evaluating collaborative filtering recommender systems," ACM Transactions on Information Systems (TOIS) . Vol. 22. no. 1. pp. 5-53. 2004.

상세보기

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증