최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기한국콘텐츠학회논문지 = The Journal of the Korea Contents Association, v.13 no.7, 2013년, pp.379 - 385
최준연 (세종대학교 디지털콘텐츠학과) , 이석기 (한성대학교 산업경영공학과) , 조영빈 (건국대학교 국제비즈니스대학 경영학과)
On the internet, the rating scores assigned by customers are considered as the preference information of themselves and thus, these can be used efficiently in the customer profile generation process of recommender system. However, since anyone is free to assign a score that has a biased rating, usin...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
본 연구에서 평가정보의 신뢰도를 고객 프로필 생성과정에 개입하여 추천 예측의 정확도를 향상시키는 방법을 제안한 이유는? | PC, 태블릿 컴퓨터, 스마트폰과 같은 다양한 디바이스를 통해 인터넷 상거래는 지속적으로 증가하고 있고, 상품을 구입한 고객들의 상품 평가 행위도 같이 증가하고 있다. 온라인에 일반 사용자들이 만들어내는 방대한 데이터를 이용한 추천 시스템들이 만들어지고 있지만, 데이터의 신뢰성을 고려하지 않게 되면 추천 결과의 정확도도 떨어지게 된다. 이에 본 연구에서는 점점 증가하고 있는 일반 고객들의 평가정보를 직접적으로 고객 프로필로 활용하되, 이들 평가정보의 신뢰도를 고객 프로필 생성과정에 개입시킴으로써 추천 예측의 정확도를 향상시키는 방법을 제안 하였다. | |
협업 추천 시스템이란? | 그 중에서도 협업 필터링을 근간으로 하는 협업 추천 시스템이 가장 성공적인 기법으로 평가되고 있다[4][6]. 협업 추천 시스템은 고객 프로필에 따라 비슷한 이웃들을 찾고 이웃들이 구매하지 않은 상품 중 구매가능성이 높은 상품을 찾아 추천하는 기법이다. 비슷한 이웃을 찾기 위해서는 고객 프로필을 필요로 한다. | |
사용자 수준에서 신뢰도를 측정할 경우, 신뢰도가 높은 상대로 판단되면 상대가 남긴 모든 상품리뷰들에 대해서 일괄적으로 높은 신뢰도가 부여되는 이유는? | 하지만 이러한 기존연구들은 개별 상품리뷰 수준이 아닌 사용자 수준 (user level)에서 상호간 신뢰도를 측정한다는 점에서 한계점이 존재한다. 사용자 수준에서 신뢰도를 측정할 경우, 신뢰도가 높은 상대로 판단되면 상대가 남긴 모든 상품리뷰들에 대해서 일괄적으로 높은 신뢰도가 부여되는데, 한 사용자에 의해 작성된 상품리뷰들이라 하더라도 개별 리뷰별로 모두 똑같은 신뢰도를 갖는다고 단정 지을 수 없기 때문이다. 이러한 이유에서, 본 연구는 개별 상품리뷰 수준에서 각각의 신뢰도를 측정하여 일정 수준 이상의 높은 신뢰도를 갖는 상품평가 정보만을 선별하여 고객선호도로 채택하는 방법을 제안하고자 한다. |
C. Dellarocas, "The digitization of word of mouth: Promise and challenges of online feedback mechanisms," Management Science, Vol.49, No.13, pp.1407-1424, 2003.
J. Liu, Y. Cao, C. Lin, Y. Huang, and M. Zhou, "Low-Quality product review detection in opinion summarization, Proceedings of the 2007 Joint Conference on Empirical Methods in Natural Language Processing and Computational Natural Language Learning (EMNLP- CoNLL)," Publishing, pp.334-342, 2007.
Y. Y. Shih and D. R. Liu, "Product recommendation approaches: collaborative filtering via customer lifetime value and customer demands," Expert Systems with Applications, Vol.35, No.1, pp.350-360, 2008.
P. Bedi and R. Sharma, "Trust based recommender system using ant colony for trust computation," Expert Systems With Applications, Vol.39, pp.1183-1190, 2012.
Y. Jia, H. Cai, and C. Huang, "A Collaborative Filtering Recommendation Algorithm Based on User Trust Model," Networking and Distributed Computing (ICNDC), 2010 First International Conference, pp.213-217, 2010.
S. Raghavan, S. Gunasekar, and J. Ghosh, "Review quality aware collaborative filtering," Proceedings of the sixth ACM conference on Recommender Systems, pp.123-130, 2012.
Y. Hong, J. Lu, J. Yao, Q. Zhu, and G. Zhou, "What reviews are satisfactory: novel features for automatic helpfulness voting," Proceedings of the 35th international ACM SIGIR conference on research and development in information retrieval, pp.495-504, 2012.
S. Moghaddam, M. Jamali, and M. Ester, "ETF: extended tensor factorization model for personalizing prediction of review helpfulness," Proceedings of the 5th ACM international conference on Web search and data mining, pp.163-172, 2012.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.