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
- 첫째는 사용자 청취 습관을 바탕으로 한 사용자 프로파일이고, 둘째는 사용자 태그 정보를 바탕으로한 사용자 프로파일이며, 셋째는 사용자 청취 습관과 태그 정보를 혼합한 프로파일이다. 각 프로파일을 생성하는 방법을 자세히 알아보자.
- 본 논문에서는 소셜 음악 사이트에서 사용자의 청취 습관과 태그 정보를 모두 고려하여 음악 아이템을 추천하는 방법을 제안하였다. 대부분의 음악 추천 시스템들이 사용자의 청취 습관을 바탕으로 음악을 추천하고 있으나 사용자 청취 습관을 수집하는데 시간이 걸리고 새로운 사용자에게 음악을 추천하거나 새로운 음악 아이템을 추천하는 데는 어려움이 따른다.
- 본 연구에서는 사용자의 청취 습관과 태그 정보를 기반으로 사용자 프로파일을 생성하고 협업 필터링 알고리즘을 적용하여 음악을 추천하는 하이브리드 음악 추천 시스템을 개발하였다. 먼저 사용자의 청취 정보와 태그 정보를 모두 수집한 다음 음악을 청취도 하고 태그도 입력한 아이템들만 제한하여 선정하였다.
- 본 연구의 공헌은 사용자의 청취 횟수와 태그 정보를 고려한 하이브리드 음악 추천 시스템을 개발하고 검증한 것이다. 태그 집합을 감정 태그와 사실 태그로 분류하고, 감정 태그들에 대해서는 감정의 정도에 따른 가중치를 부여하여 태그 점수를 생성하였다.
제안 방법
- 기본적으로 태그들을 사실 태그와 감정 태그로 분류하고 감정 태그의 경우 감정의 정도에 따라 가중치 값을 정의하였다. 감정 태그는 다시 긍정적 태그와 부정적 태그로 나뉘고, 감정의 정도에 따라 강, 중, 그리고 약으로 분류하여 가중치 값을 적용하였다. 이 가중치 값 역시 청취 습관 기반 프로파일과 함께 사용하기 위해 표준화하여 사용하였다.
- 먼저 사용자의 청취 정보와 태그 정보를 모두 수집한 다음 음악을 청취도 하고 태그도 입력한 아이템들만 제한하여 선정하였다. 다음으로 청취 횟수와 태그 점수를 계산하고 두 값을 혼합하여 사용자의 음악 아이템에 대한 선호도를 산출하였다. 마지막으로 협업 필터링 알고리즘을 수행하여 정확도, 재현율, 그리고 F-measure 값을 측정하였다.
- 다음으로, 유사 사용자의 수에 따른 정확도와 재현율을 보기 위해 추천 아이템 수를 5, 10, 15, 그리고 20 개로 나누고 유사 사용자 그룹을 2, 4, 8, 16, 32 그리고 64명으로 증가시켜가면서 실험을 시행하였다. 그림 4는 유사 사용자 수에 따른 정확도를 그림 5는 유사 사용자 수에 따른 재현율을 보여준다.
- 태그 집합을 감정 태그와 사실 태그로 분류하고, 감정 태그들에 대해서는 감정의 정도에 따른 가중치를 부여하여 태그 점수를 생성하였다. 또한, 청취 횟수를 기반으로 청취 점수를 생성한 뒤, 두 점수를 혼합하여 사용자 프로파일을 생성하였다. 제안한 방법의 효율성을 측정하기 위해서 프로토타입 시스템을 구현하였으며, last.
- 다음으로 청취 횟수와 태그 점수를 계산하고 두 값을 혼합하여 사용자의 음악 아이템에 대한 선호도를 산출하였다. 마지막으로 협업 필터링 알고리즘을 수행하여 정확도, 재현율, 그리고 F-measure 값을 측정하였다.
- 본 연구에서는 사용자의 청취 습관과 태그 정보를 기반으로 사용자 프로파일을 생성하고 협업 필터링 알고리즘을 적용하여 음악을 추천하는 하이브리드 음악 추천 시스템을 개발하였다. 먼저 사용자의 청취 정보와 태그 정보를 모두 수집한 다음 음악을 청취도 하고 태그도 입력한 아이템들만 제한하여 선정하였다. 다음으로 청취 횟수와 태그 점수를 계산하고 두 값을 혼합하여 사용자의 음악 아이템에 대한 선호도를 산출하였다.
- 본 연구에서는 사용자 프로파일을 생성할 때, 청취 습관 정보와 태그 정보를 혼합하여 사용하였다. 청취 습관은 음악 아이템에 대한 청취 횟수를 추출하였으며, 태그 정보는 사용자가 부여한 태그의 의미에 따라 긍정적 태그와 부정적 태그로 분류하고 감정 표현의 강, 중, 그리고 약에 따라 가중치를 부여하였다.
- 본 연구에서는 세 가지 종류의 프로파일을 생성하여 추천 엔진에 적용하였다. 첫째는 사용자 청취 습관을 바탕으로 한 사용자 프로파일이고, 둘째는 사용자 태그 정보를 바탕으로한 사용자 프로파일이며, 셋째는 사용자 청취 습관과 태그 정보를 혼합한 프로파일이다.
- 본 연구에서는 이러한 문제점을 해결하기 위해 사용자가 음악에 부여한 태그 정보를 활용하였다. 협업 태깅은 미리 정의된 단어나 단어의 계층 구조를 사용하지 않고 직접 선정한 단어를 아이템에 입력하는 기능으로 대부분의 소셜 네트워킹 사이트에서 사용되고 있다.
- 본 장에서는 먼저 제안하는 추천 시스템의 구조를 살펴보고, 사용자 프로파일 생성 방식에 대하여 살펴본 다음, 추천 알고리즘을 제시한다.
- 생성된 사용자 프로파일은 음악 추천 엔진에 입력되고 음악 추천 엔진은 사용자 프로파일을 바탕으로 유사한 성향이 있는 사용자를 추출한 뒤, 사용자가 듣지 않은 음악 아이템 중에서 유사 사용자들이 가장 좋은 점수를 준 음악을 추천한다. 성능 평가를 위해서, 사용자 청취 습관만을 고려한 사용자 프로파일과 태그 점수만을 고려한 사용자 프로파일을 동시에 생성하여 동일한 알고리즘을 적용하여 음악을 추천하는 실험을 하였다.
- 시스템의 성능을 평가하기 위해 전통적인 청취 습관 기반 음악 추천 방법과 태그 정보를 사용한 음악 추천 방법의 정확도, 재현율, 그리고 F-measure 값을 측정하였다. 정확도, 재현율, 그리고 F-measure값의 비대칭성을 완화하기 위하여 로그변환하여 일원 분산 분석을 시행하였다.
- 추천 시스템의 성능은 추천 아이템의 수와 유사 사용자의 수에 따라 민감하게 달라진다. 이 두 가지 변수의 다양한 효과를 살펴보기 위해서, 유사 사용자 수를 2, 4, 8, 16, 32, 그리고 64명으로 변화시키면서 성능을 측정하고, 추천 아이템의 수는 5, 10, 15, 그리고 20개로 증가시키면서 성능을 측정하였다.
- 제안한 추천 방법의 효율성을 평가하기 위해서 청취 습관 기반 사용자 프로파일, 태그 정보 기반 사용자 프로파일, 그리고 하이브리드 사용자 프로파일의 세 종류의 프로파일을 생성한 다음, 사용자 기반 협업 필터링 알고리즘을 적용하여 음악 아이템을 추천하였다. 추천 결과는 정확도, 재현율, 그리고 F-measure의 세 가지 평가 지표를 가지고 평가하였으며, 실험 결과가 유의한 차이를 보이는지 검증하기 위해서 일원 배치 분산 분석 (one-way ANOVA)을 실시하였다.
- 본 연구에서는 사용자 프로파일을 생성할 때, 청취 습관 정보와 태그 정보를 혼합하여 사용하였다. 청취 습관은 음악 아이템에 대한 청취 횟수를 추출하였으며, 태그 정보는 사용자가 부여한 태그의 의미에 따라 긍정적 태그와 부정적 태그로 분류하고 감정 표현의 강, 중, 그리고 약에 따라 가중치를 부여하였다.
- 청취 횟수는 실수로써 0회에서 최대 150,000회까지 범위가 넓고 숫자가 태그 점수를 바탕으로 한 경우보다 크다. 청취 횟수와 태그 점수를 모두 표준화하여 사용하였다.
- 추천 시스템은 사용자 데이터베이스로 MySQL 5.0을 사용하였으며, 청취 습관 수집기와 태그 점수 생성기는 Apache 웹 서버와 PHP를 이용하여 구현하였다. 추천 엔진과 UniTag 온톨로지, 그리고 태그 추출기는 JDK 6.
- 본 연구의 공헌은 사용자의 청취 횟수와 태그 정보를 고려한 하이브리드 음악 추천 시스템을 개발하고 검증한 것이다. 태그 집합을 감정 태그와 사실 태그로 분류하고, 감정 태그들에 대해서는 감정의 정도에 따른 가중치를 부여하여 태그 점수를 생성하였다. 또한, 청취 횟수를 기반으로 청취 점수를 생성한 뒤, 두 점수를 혼합하여 사용자 프로파일을 생성하였다.
대상 데이터
- 표1, 표2, 그리고 표3은 정확도, 재현율, 그리고 F-measure에 따른 Tukey 다중 비교 결과이다. 실험은 유사 사용자 수 2, 4, 8, 16, 32, 그리고 64명 그리고 추천 아이템 수 5, 10, 15, 그리고 20명에 대해 실시하였으며 데이터 수는 각 그룹마다 24개이다. Tukey 다중비교의 결과 유의한 차이를 보이는 그룹들은 다른 알파벳 문자로 표시하였다.
- 시스템의 성능을 평가하기 위해서, 각 프로파일 기반 추천 결과의 정확도, 재현율, 그리고 F-measure를 계산하였다. 실험을 위해 무작위로, 1,000 사용자 정보를 last.fm으로부터 수집하였으며, 대상이 된 사용자들이 청취한 약 18,700 음악가와 사용자가 부여한 약 12,600 태그 집합을 수집하였다. 전체 데이터 집합의 70%를 트레이닝 데이터로, 나머지 30%를 테스트 데이터로 사용하였다.
- 먼저 음악 아이템을 추천하고자 하는 목표 사용자 X와 다른 사용자들의 유사성을 계산한 다음, X와 가장 유사한 n명의 사용자를 선정한다(1-3). 음악 아이템도 전체 음악 아이템 It중에서 사용자 X가 청취한 음악 아이템 Ix을 제외한 음악 아이템 Ic만을 선정한다(4). 태그 점수 기반 프로파일의 경우는 태그를 부여하지 않은 음악 아이템만을 선정하고, 하이브리드 사용자 프로파일의 경우에는 청취도 하고 태그도 부여한 음악 아이템들을 제외한 음악 아이템을 선정한다.
- fm으로부터 수집하였으며, 대상이 된 사용자들이 청취한 약 18,700 음악가와 사용자가 부여한 약 12,600 태그 집합을 수집하였다. 전체 데이터 집합의 70%를 트레이닝 데이터로, 나머지 30%를 테스트 데이터로 사용하였다.
- 0을 사용하였으며, 청취 습관 수집기와 태그 점수 생성기는 Apache 웹 서버와 PHP를 이용하여 구현하였다. 추천 엔진과 UniTag 온톨로지, 그리고 태그 추출기는 JDK 6.0을 사용하였다.
데이터처리
- 실험 결과를 토대로 정확도와 재현율 그리고 F-measure에서 유의한 차이가 있다고 판단할 수 있는지를 알기 위하여 통계적 검증을 시행하였다. 모집단을 청취 습관 기반 추천 방법 A, 태그 점수 기반 추천 방법 B, 하이브리드 추천 방법 C의 세 가지로 보고 일원 분산 분석법 (one-way ANOVA)을 실시하였다.
- 본 장에서는 먼저 제안하는 추천 시스템의 성능을 평가하기 위한 실험 방법과 결과를 제시하고, 실험 결과에 대해 통계적 검증을 시행하여 세 가지 추천 방법의 성능을 비교하였다.
- 세 그룹의 정확도, 재현율, F-measure의 분포가 비대칭적이어서 로그 변환하여 분산분석을 수행한 후 Tukey의 다중비교법으로 그룹간 차이를 확인하였다. 다중비교법은 Tukey 방법 이외에 Duncan 방법, Scheffe 방법 등이 있는데, 이중에서 Tukey 방법을 선정한 이유는 귀무가설을 기각할 가능성이 낮은 가장 보수적인 방법으로서 널리 사용되고 있기 때문이다.
- 시스템의 성능을 평가하기 위해서, 각 프로파일 기반 추천 결과의 정확도, 재현율, 그리고 F-measure를 계산하였다. 실험을 위해 무작위로, 1,000 사용자 정보를 last.
- 실험 결과를 토대로 정확도와 재현율 그리고 F-measure에서 유의한 차이가 있다고 판단할 수 있는지를 알기 위하여 통계적 검증을 시행하였다. 모집단을 청취 습관 기반 추천 방법 A, 태그 점수 기반 추천 방법 B, 하이브리드 추천 방법 C의 세 가지로 보고 일원 분산 분석법 (one-way ANOVA)을 실시하였다.
- 시스템의 성능을 평가하기 위해 전통적인 청취 습관 기반 음악 추천 방법과 태그 정보를 사용한 음악 추천 방법의 정확도, 재현율, 그리고 F-measure 값을 측정하였다. 정확도, 재현율, 그리고 F-measure값의 비대칭성을 완화하기 위하여 로그변환하여 일원 분산 분석을 시행하였다. 분석 결과는 제안하는 하이브리드 추천 시스템이 다른 두 시스템에 비해 통계적으로 유의하게 높은 정확도, 재현율, 그리고 F-measure를 보여 우수한 것으로 나타났다.
- 또한, 청취 횟수를 기반으로 청취 점수를 생성한 뒤, 두 점수를 혼합하여 사용자 프로파일을 생성하였다. 제안한 방법의 효율성을 측정하기 위해서 프로토타입 시스템을 구현하였으며, last.fm으로부터 1,000명의 정보를 추출하여 전통적인 방법과 비교 실험을 수행하였다. 실험 결과는 제안한 추천 방법이 전통적인 청취 습관 기반 추천 방법이나 태그 정보만을 고려한 추천 방법보다 정확도, 재현율, 그리고 F-measure의 평가 모델에 대해 효율적임을 보여주었다.
- 제안한 추천 방법의 효율성을 평가하기 위해서 청취 습관 기반 사용자 프로파일, 태그 정보 기반 사용자 프로파일, 그리고 하이브리드 사용자 프로파일의 세 종류의 프로파일을 생성한 다음, 사용자 기반 협업 필터링 알고리즘을 적용하여 음악 아이템을 추천하였다. 추천 결과는 정확도, 재현율, 그리고 F-measure의 세 가지 평가 지표를 가지고 평가하였으며, 실험 결과가 유의한 차이를 보이는지 검증하기 위해서 일원 배치 분산 분석 (one-way ANOVA)을 실시하였다.
이론/모형
- MusicBox[4]는 소셜 태그를 기반으로 한 개인화된 음악 추천 시스템이다. 사용자, 태그, 그리고 음악 아이템 간의 관계를 찾아내기 위해서, 3-order tensor 모델을 사용하였으며, 추천의 성능이 향상됨을 보여주었다.
- 기본적인 협업 필터링 방식의 음악 추천 알고리즘의 첫 단계는 유사 사용자 그룹을 선정하는 것이다. 유사한 사용자 그룹을 선정하기 위해 사용자 간의 거리를 구하는 방법은 여러가지가 있으나 본 연구에서는 두 사용자 간의 공분산과 표준 편차 간의 비율을 계산하는 Pearson 상관 계수 유사성 계산법을 사용한다. 사용자 X와 Y 사이의 거리는 Pearson 상관 계수 계산법을 사용하면 식 (1)과 같다.
성능/효과
- 마지막으로 표 3은 정확도와 재현율의 조화 평균인 F-measure에 대해 다중 비교를 실시한 결과이다. F-measure역시 제안하는 하이브리드 추천 방법이 가장 우수한 성능을 보이며 그 다음이 청취 습관 기반 추천 방법, 마지막이 태그 점수 기반 추천 방법이며 세 가지 방법은 유의한 차이를 보인다.
- 반면 재현율의 경우는 각각 극대치를 갖는 사용자 수가 다른데 A와 B의 경우는 8명일 경우, C는 4명일 경우 재현율이 극대치를 갖는다. 또한 정확도와 재현율 모두가 제안하는 C 방법이 다른 두 가지 방법보다 효율적임을 알 수 있다. F-measure의 경우는 정확도와 재현율의 조화 평균이므로 생략하기로 한다.
- 정확도와 재현율 모두 제안하는 추천 방법 C가 다른 두 가지 방법보다 우수함을 알 수 있다. 또한, 추천 아이템의 수를 증가시킴에 따라 하이브리드 추천 방식의 경우 정확도는 함께 증가하는 경향을 보이지만, 재현율은 추천 아이템의 수에 큰 영향을 받지 않는다. 다른 두 가지 방식은 추천 아이템의 수에 따른 정확도와 재현율이 특별한 경향성을 보이지 않는다고 할 수 있다.
- 정확도, 재현율, 그리고 F-measure값의 비대칭성을 완화하기 위하여 로그변환하여 일원 분산 분석을 시행하였다. 분석 결과는 제안하는 하이브리드 추천 시스템이 다른 두 시스템에 비해 통계적으로 유의하게 높은 정확도, 재현율, 그리고 F-measure를 보여 우수한 것으로 나타났다.
- 성능 평가 결과 청취 습관과 태그 정보를 모두 고려한 하이브리드 추천 방법이 정확도, 재현율, 그리고 F-measure의 세 가지 측면에서 다른 두 가지 추천 방법과 비교하여 통계적으로 유의한 차이를 보여 성능이 우수한 것으로 나타났다. 이는 사용자의 태그 정보가 추천 시스템의 전형적인 cold-start 문제를 해결하면서 사용자 선호도를 구체적으로 반영하므로 추천 성능을 향상하는데 기여할 수 있다는 것을 알려준다.
- fm으로부터 1,000명의 정보를 추출하여 전통적인 방법과 비교 실험을 수행하였다. 실험 결과는 제안한 추천 방법이 전통적인 청취 습관 기반 추천 방법이나 태그 정보만을 고려한 추천 방법보다 정확도, 재현율, 그리고 F-measure의 평가 모델에 대해 효율적임을 보여주었다.
- 표 2는 세 집단 간의 재현율에 대한 다중 비교 결과이다. 재현율도 정확도와 마찬가지로 제안하는 방법인 3번이 가장 우수하고 다음으로 1번, 2번 순으로 나타나 세 가지 방법이 모두 유의한 차이를 보였다.
- 그림에서 A는 청취 습관 기반 추천, B는 태그 점수 기반 추천, 그리고 C는 하이브리드 추천 방식을 나타낸다. 정확도와 재현율 모두 제안하는 추천 방법 C가 다른 두 가지 방법보다 우수함을 알 수 있다. 또한, 추천 아이템의 수를 증가시킴에 따라 하이브리드 추천 방식의 경우 정확도는 함께 증가하는 경향을 보이지만, 재현율은 추천 아이템의 수에 큰 영향을 받지 않는다.
후속연구
- 특히 음악 아이템 간의 관계를 소셜 네트워크 분석 방법[13]을 이용하여 추출한 다음 음악 아이템에 가중치를 부여하여 추천하는 연구가 진행 중이다. 또한, 본 논문에서 사용된 성능 평가 모델 외에 다양한 모델[14]에서 성능 테스트를 수행할 예정이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.