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
- 본 논문에서는 TV 프로그램 환경에서 실용적으로 협업 필터링을 사용하여 개인화된 추천을 적용할 수 있는 방법을 연구하였다. 실제 TV 프로그램이 소비되고 추천되는 단위 아이템은 회차별 프로그램이지만 회차별 프로그램 단위로 협력 필터링을 적용하면 사용자 선호에 대한 불확실함으로 추천 정확도가 다소 낮으며 계산량도 많다.
제안 방법
- Ⅱ에서 분석한 데이터 특성을 기반으로 사용자 피드백 데이터를 모델링한다. [그림 1]의 사용자의 회별 프로그램 시청 기록인 r(u, i)를 사용자 프로그램 선호점수인 rp(u, i)로 변환하는 것이 목적이다.
- 본 논문에서는 개인화된 추천을 위하여 사용자 소비 이력을 이용하는 기법 중 가장 널리 활용되는 아이템 기반 협력 필터링(Item Based CF : IBCF)을 기본적으로 사용하되, 위와 같은 추천 도메인에 대한 분석 결과에 특화된 방식으로 적용한다. 협력 필터링은 사용자들의 과거 소비 이력을 바탕으로 유사한 사용자나 아이템을 도출함으로써 사용자의 미래의 선호를 예측하는 방법이다.
- 통상적으로 협력 필터링은 2단계로 이루어지는데 유사도 계산부와 추천을 위한 콘텐츠 리스트를 생성하는 부분으로 나뉜다[2]. 본 논문에서는 유사도를 계산하기 전 단계에 피드백 데이터를 전처리하는 부분을 고안하였고, 해당 데이터 전처리에 맞추어 추천 콘텐츠 리스트를 생성하는 단계에 변형을 가하였다. 데이터 처리 방식의 변형으로 계산량이 줄어드는 것을 확인할 수 있으며 실험을 통하여 정확도 향상을 검증한다.
- Ⅲ장에서 제안된 내용의 효과를 알아보기 위하여 실험을 수행하였다. 실험에서 확인하고자 하는 첫 번째 는 예측 정확도에 대한 것으로 제안된 알고리즘을 구성하는 요소들을 변경하며 실험하여 프로그램 단위별 처리, 데이터 전처리 시의 가중치 추가가 예측 정확도에 미치는 영향을 알아본다. 두 번째는 제안 알고리즘의 처리 속도 개선 효과이다.
- 아이템 기반의 협력 필터링을 적용하므로 각각 다른 프로그램들 사이의 유사도를 구한다[4]. 이 논문에서는 이 중 기본적인 코사인 유사도(Cosine Similarity : COS)와 피어슨 유사도(Pearson Correlation Coefficient : PCC)를 적용해 본다. 각 유사도 지표는 식(4)와 식(5)와 같다.
- 각 실험에서 사용한 유사도 지표(PCC, COS)을 함께 표시하였다. 회별 프로그램을 협력 필터링 처리 단위로 하는 아이템 기반 IBCF(Item-Based Collaborative Filtering)를 RoSE에 대한 베이스라인으로 비교하였다. 또한 RoSE를 사용하되, 프로그램 단위의 평가 점수에 식 (2), 식(3)의 가중치를 적용했을 때의 결과를 도시하였다.
대상 데이터
- 추천 점수 예상을 위한 트레이닝 셋(Training Set)과 추천 시스템의 성능을 평가하기 위한 테스트 셋(Test Set)은 KBS 콘팅 사이트의 실제 VOD 시청 로그 데이터를 사용하였다. KBS 콘팅 사이트에서 2010년 3월에서 4월까지 수집된 이용 로그를 트레이닝 셋으로, 5월 한 달 간 수집된 이용 로그를 테스트 셋으로 사용하였다. 데이터 상세 내역은 [표 2]와 같다.
- Ⅲ장에서 제안된 내용의 효과를 알아보기 위하여 실험을 수행하였다. 실험에서 확인하고자 하는 첫 번째 는 예측 정확도에 대한 것으로 제안된 알고리즘을 구성하는 요소들을 변경하며 실험하여 프로그램 단위별 처리, 데이터 전처리 시의 가중치 추가가 예측 정확도에 미치는 영향을 알아본다.
- 추천 점수 예상을 위한 트레이닝 셋(Training Set)과 추천 시스템의 성능을 평가하기 위한 테스트 셋(Test Set)은 KBS 콘팅 사이트의 실제 VOD 시청 로그 데이터를 사용하였다. KBS 콘팅 사이트에서 2010년 3월에서 4월까지 수집된 이용 로그를 트레이닝 셋으로, 5월 한 달 간 수집된 이용 로그를 테스트 셋으로 사용하였다.
이론/모형
- 사용자 선호 평가 점수 자체가 실제 데이터가 아니기 때문에 결과 평가를 위하여 MAE(Mean Absolute Error)와 같은 예측 정확도를 사용할 수는 없으므로 사용자의 시청 여부에 대한 분류 정확도 기준(Classification Accuracy Metrics) 중 F1 점수를 사용한다. F1 점수는 정확도(Precision)와 재현도(Recall)의 조화평균(Harmonic Mean)이며 정확도는 추천 시스템이 추천한 리스트의 수 중 사용자가 실제 시청한 것으로 나타난 것의 비율이이며, 재현도는 사용자의 소비 리스트 중 추천이 된 것의 비율이다.
성능/효과
- 1) 한 시리즈 내의 모든 에피소드들은 정도 차이는 있으나 시리즈 내에서 공통적으로 갖는 일관성이 존재한다. 그 공통점은 줄거리의 연속성, 동일 출연자, 프로그램 의도와 같은 요소일 수 있으며 시리즈가 매회 다른 출연자에 다른 주제를 다루고 있을 때조차도 매회의 에피소드들은 전체 시리즈에 대한 일관성을 가진다.
- VOD로 제공되는 콘텐츠들은 실시간으로 방송된 프로그램들 중 인기 있는 것들로 구성된다. 2개월간 총 67개의 프로그램에 대하여 1067개의 회별 프로그램이 제공되었으며 한 개의 프로그램 당 작게는 1개, 크게는 86개의 회별 프로그램이 서비스되었으며 평균은 16개이다.
- [그림 7]은 동일 유사도 지표 PCC를 사용하여 테스트 셋의 10000명의 사람들에게 추천 결과를 생성해 내는 데 걸리는 시간을 보여준다. RoSE의 처리 시간이 회별 프로그램들을 독립적인 아이템으로 처리(베이스라인)했을 때의 약 4.4%만 소요되었다.
- TV 프로그램 서비스 플랫폼에서 수집된 데이터를 사용한 실험 결과는 본 논문에서 제시한 방식이 정확도와 계산 복잡도 면에 있어서 더 향상된 결과를 가져옴을 알 수 있다. 정확도 향상은 아이템 단위 기준 변경, 평가 데이터 변환 기법 등에 의한 것이며, 계산 복잡도 감소는 유사도 계산 대상의 차원 축소에 의한 것으로 처리 속도를 단축시켜 준다.
- 본 논문에서는 유사도를 계산하기 전 단계에 피드백 데이터를 전처리하는 부분을 고안하였고, 해당 데이터 전처리에 맞추어 추천 콘텐츠 리스트를 생성하는 단계에 변형을 가하였다. 데이터 처리 방식의 변형으로 계산량이 줄어드는 것을 확인할 수 있으며 실험을 통하여 정확도 향상을 검증한다.
- 동일하게 RoSE를 적용한 경우 유사도 지표를 COS에서 PCC로 변경하자 정확도가 더 높아지는 것은 적당한 유사도를 채택함에 따라 정확도는 더 높아질 수 있음을 보여준다. 또한 RoSE와 PCC가 적용된 경우에 프로그램 단위의 평가 점수의 특성을 고려한 세밀한 가중치 적용을 더하자 추천 정확도가 약 10.6% 향상되는 것을 확인할 수 있다. 본 실험을 통하여 각각의 회별 프로그램 시청 기록만으로 알 수 없었던 사용자의 미래 선호 예측이 협력 필터링 처리 단위를 프로그램 단위로 변환하여 계산한 뒤 다시 회별 프로그램으로 변환하여 추천함으로써 정확해진 것을 알 수 있다.
- 본 실험을 통하여 각각의 회별 프로그램 시청 기록만으로 알 수 없었던 사용자의 미래 선호 예측이 협력 필터링 처리 단위를 프로그램 단위로 변환하여 계산한 뒤 다시 회별 프로그램으로 변환하여 추천함으로써 정확해진 것을 알 수 있다. 또한 세밀한 가중치 부여를 통하여 추가적인 정확도 개선을 얻을 수 있음을 알 수 있었다.
- 6% 향상되는 것을 확인할 수 있다. 본 실험을 통하여 각각의 회별 프로그램 시청 기록만으로 알 수 없었던 사용자의 미래 선호 예측이 협력 필터링 처리 단위를 프로그램 단위로 변환하여 계산한 뒤 다시 회별 프로그램으로 변환하여 추천함으로써 정확해진 것을 알 수 있다. 또한 세밀한 가중치 부여를 통하여 추가적인 정확도 개선을 얻을 수 있음을 알 수 있었다.
- 실험 결과는 RoSE 기법을 적용하여 추천을 처리한 경우들이 회별 프로그램들을 독립적인 아이템으로 처리한 베이스라인보다 높은 추천 성능을 보여줌을 알 수 있다. 동일한 COS 유사도 지표 선택시 베이스라인보다 RoSE의 정확도가 약 3.
후속연구
- 제안한 방식은 추천 분야에서 광범위하게 쓰이고 연구되는 협력 필터링의 여러 가지 기법의 조합에 유연하게 적용될 수 있는데, 그 이유는 해당 방법이 사용자 소비 이력 데이터 전처리와 추천 결과 후처리에 초점을 두고 있기 때문이다. 본 논문에서는 제시한 방법의 효과만을 알아보기 위하여 가장 일반적인 방식의 협업 필터링 기법을 적용하였지만 실제 시스템 구현시 다양한 협업 필터링 기법의 조합 실험과 설정값 튜닝이 수반될 것이다. 해당 기법은 시리즈 특성을 가진 아이템을 추천하는 다른 도메인들에도 사용될 수 있으나 시리즈가 각 아이템에 대한 대표성이 약하거나 시리즈나 단편의 비율이 비슷할 때는 본 제안 방법의 효과가 줄어들 수 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.