본 논문에서는 협업 필터링의 선호도 예측 정확성의 저하를 초래하는 전통적 문제점 중 하나인 데이터 희소성 문제에 강인한 잠재적 속성 선호도 기반 협업 필터링 방법(Latent Attribute Rating-based Collaborative Filtering, LAR_CF)을 제안한다. 기존의 협업 필터링은 객체의 유사성을 판단하기 위한 특징벡터로써 사용자가 명시적으로 평가한 선호도만을 이용하며, 해당 문제 개선을 위해 속성을 사용하는 연구들은 범용적으로 사용하기 어려웠다. 이웃 기반 필터링에 근본을 두는 LAR_CF는 기존의 명시적 선호도와 함께 유사도 평가의 대상이 되는 두 객체의 고유한 속성을 특징벡터로 삼기 때문에 명시적 선호도의 수가 적어서 발생하는 데이터 희소성 문제를 개선하여 선호도 예측 정확도를 향상시키며, 속성의 종류에 구애받지 않고 손쉽게 적용할 수 있는 장점을 가진다. LAR_CF의 유효성 평가를 위해서 MovieLens 100k 데이터세트 및 해당 데이터세트에 사용된 속성정보를 활용하여 일반적 성능 실험과 인공적 데이터 희소성 실험에서 선호도 예측 정확도를 평가한 결과, 제안하는 방법이 데이터 희소 조건에서 선호도 예측 정확도를 향상시킬 수 있음을 확인하였다.
본 논문에서는 협업 필터링의 선호도 예측 정확성의 저하를 초래하는 전통적 문제점 중 하나인 데이터 희소성 문제에 강인한 잠재적 속성 선호도 기반 협업 필터링 방법(Latent Attribute Rating-based Collaborative Filtering, LAR_CF)을 제안한다. 기존의 협업 필터링은 객체의 유사성을 판단하기 위한 특징벡터로써 사용자가 명시적으로 평가한 선호도만을 이용하며, 해당 문제 개선을 위해 속성을 사용하는 연구들은 범용적으로 사용하기 어려웠다. 이웃 기반 필터링에 근본을 두는 LAR_CF는 기존의 명시적 선호도와 함께 유사도 평가의 대상이 되는 두 객체의 고유한 속성을 특징벡터로 삼기 때문에 명시적 선호도의 수가 적어서 발생하는 데이터 희소성 문제를 개선하여 선호도 예측 정확도를 향상시키며, 속성의 종류에 구애받지 않고 손쉽게 적용할 수 있는 장점을 가진다. LAR_CF의 유효성 평가를 위해서 MovieLens 100k 데이터세트 및 해당 데이터세트에 사용된 속성정보를 활용하여 일반적 성능 실험과 인공적 데이터 희소성 실험에서 선호도 예측 정확도를 평가한 결과, 제안하는 방법이 데이터 희소 조건에서 선호도 예측 정확도를 향상시킬 수 있음을 확인하였다.
In this paper, we propose the LAR_CF, latent attribute rating-based collaborative filtering, that is robust to data sparsity problem which is one of traditional problems caused of decreasing rating prediction accuracy. As compared with that existing collaborative filtering method uses a preference r...
In this paper, we propose the LAR_CF, latent attribute rating-based collaborative filtering, that is robust to data sparsity problem which is one of traditional problems caused of decreasing rating prediction accuracy. As compared with that existing collaborative filtering method uses a preference rating rated by users as feature vector to calculate similarity between objects, the proposed method improves data sparsity problem using unique attributes of two target objects with existing explicit preference. We consider MovieLens 100k dataset and its item attributes to evaluate the LAR_CF. As a result of artificial data sparsity and full-rating experiments, we confirmed that rating prediction accuracy can be improved rating prediction accuracy in data sparsity condition by the LAR_CF.
In this paper, we propose the LAR_CF, latent attribute rating-based collaborative filtering, that is robust to data sparsity problem which is one of traditional problems caused of decreasing rating prediction accuracy. As compared with that existing collaborative filtering method uses a preference rating rated by users as feature vector to calculate similarity between objects, the proposed method improves data sparsity problem using unique attributes of two target objects with existing explicit preference. We consider MovieLens 100k dataset and its item attributes to evaluate the LAR_CF. As a result of artificial data sparsity and full-rating experiments, we confirmed that rating prediction accuracy can be improved rating prediction accuracy in data sparsity condition by the LAR_CF.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
구현 조건은 3장에서 설명한 전반적인 내용 및 단계 ③의 식 (1)을 적용하였고, 실험을 위한 유사성 척도로써 2장 및 3장에서 소개한 피어슨 상관계수(PCC) 및 코사인 계수(COS) 유사성 척도를 사용하였다. LAR_CF를 적용한 것과 적용하지 않은 것의 선호도 예측 성능 비교를 통해서 LAR_CF의 유효성을 확인하고자 하였다.
NBCF의 데이터 희소성 문제를 해결하기 위한 주된 기술적 접근 방법은 유사성 척도에 관한 연구 및 사용자와 아이템의 유사도를 모두 이용하는 하이브리드 형태의 연구로써, 최근의 연구 중 하나는 PIP(Proximity–Impact– Popularity) 유사성 척도이다[8]. 기존의 유사성 척도가 유사도 측정 대상 객체들 사이의 특징벡터 차수가 적을 때 유발시키는 여러 가지 산술적 문제점을 해결하여 선호도 예측 정확도를 향상시키기 위한 목적으로 제안되었다. 이외에도 선형 회귀 기법을 응용한 Slope One 알고리즘[9], 아이템 기반 방법과 사용자 기반 방법을 결합한 하이브리드 접근법에 관한 연구[10], 반복적 유사도 갱신을 통한 예측 결과의 조정[11], 다양한 유사성 척도의 융합을 통한 NBCF에 관한 연구[12] 및 행렬 인수분해에 기반하는 양방향 유사도[13] 등이 제안되었다.
본 논문에서는 NBCF에서 두 사용자의 유사성을 산출하고자 할 때, 객체 사이의 특징벡터 차수가 적을 때 유사도가 부정확하게 계산되거나 계산할 수 없는 상황에 봉착하는 데이터 희소성 문제를 개선하기 위해 객체의 속성을 이용하는 일반화된 방법인 LAR_CF를 제안하였다. 사용자의 주관적인 선호도 평가 결과로부터 알아낼 수 있는 공통 아이템의 속성 및 사용자 고유의 특성을 이용하면 LAR_CF를 효과적으로 적용할 수 있다.
이에 본 논문에서는 NBCF의 데이터 희소성 문제 개선을 위해 객체의 속성을 이용하되 속성의 종류에 구애받지 않고 어떠한 속성에도 적용할 수 있는 일반화된 방법으로 잠재적 속성 기반 협업 필터링 방법(Latent Attributebased Collaborative Filtering, LAR_CF)을 제안한다. 각 사용자 또는 아이템의 속성을 바탕으로 아이템 속성에 대한 사용자의 선호도 또는 사용자 속성에 대한 아이템의 선호도를 추출하고 특징벡터로 삼는다.
① 목표 사용자 및 목표 아이템 설정 단계에서는 예측 대상이 되는 사용자 및 아이템을 설정한다. 협업 필터링에서의 선호도 예측의 목적은 사용자가 경험하지 않은 아이템에 대한 선호도를 예측하고 높게 예측된 아이템을 사용자에게 추천하려는 것이다. 예를 들어, 최대 3명의 사용자가 최대 5개의 아이템에 대해 평가한 선호도 매트릭스의 예를 나타낸 (그림 3)에서 비어 있는 공간의 선택이 목표 사용자 및 목표 아이템을 결정한다.
가설 설정
본 논문에서 제안하는 LAR_CF에 의해 개발된 속성 특징벡터 생성의 예를 (그림 4)에 나타냈다. 공통 선호도 6개에 대해서 각 공통 선호도 아이템이 가질 수 있는 속성의 목록이 {A, B, C, D, E, F} 중에서 복수의 속성을 가질 수 있는 상황을 가정하였다. f(a)는 사용자가 아이템에 대해 부여한 선호도를 입력받아 각 아이템이 가진 속성에 대한 선호도를 출력하는 함수이며, 최종적으로 {A, B, C, D, E, F} 속성에 대한 사용자의 속성 특징벡터 aru 를 출력하는 것이다.
제안 방법
LAR_CF의 성능 평가를 위해 C 컴파일러를 이용하여 아이템 기반 방법이 적용된 실험용 NBCF 시뮬레이터를 구현하였다. 구현 조건은 3장에서 설명한 전반적인 내용 및 단계 ③의 식 (1)을 적용하였고, 실험을 위한 유사성 척도로써 2장 및 3장에서 소개한 피어슨 상관계수(PCC) 및 코사인 계수(COS) 유사성 척도를 사용하였다.
첫 번째 절차는, 예측 대상 사용자가 아직 선호도 평가를 수행하지 않은 모든 아이템들을 예측 대상 아이템으로 선정하고, 예측 대상 사용자를 제외한 다른 모든 사용자 중에서 예측 대상 아이템에 선호도 평가를 수행한 사용자들의 목록을 만든다. 두 번째 절차는, 만들어진 목록에 포함된 모든 이웃과 예측 대상 사용자가 공통적으로 평가한 아이템 목록을 만들고, 해당 아이템 목록에 대응되는 선호도 목록을 특징벡터로 활용하여 예측 대상 사용자와 다른 사용자 사이의 유사도를 산출한다. 이 때 고려될 수 있는 유사성 척도는 공통 아이템의 선호도 목록이 선형적 관계에 있으므로 피어슨 상관계수(Pearson Correlation Coefficient), 스피어만(Spearman) 상관계수 및 코사인 계수(Cosine Coefficient) 등을 사용할 수 있다[2, 5].
본 논문에서 제안하는 LAR_CF의 근간인 NBCF는 세부적으로 사용자 또는 아이템 중 어느 객체를 기준으로 선호도 예측을 수행할 것인지에 따라서 사용자 기반 및 아이템 기반 방법으로 나뉜다. NBCF가 사용자의 선호도를 예측하는 절차를 단계적으로 구분하면 세 단계로 구분할 수 있는데, 사용자 기반 방법과 아이템 기반 방법의 전반적인 프로세스는 동일하며 단지 유사도 측정 대상이 사용자인지 또는 아이템인지에 관한 것만 차이가 있다.
피어슨 상관계수와 코사인 계수는 특징이 정규분포를 따른다고 가정할 수 있는 모수적 특성을 따를 때, 스피어만 상관계수는 비모수적일 때 고려되는 유사성 척도이다. 세 번째 절차는, 예측 대상 사용자와 유사도가 높은 상위 k개의 객체인 최근접 이웃과 해당 유사도 및 그들이 예측 대상 아이템에 평가한 선호도를 이용하여 가중 평균 또는 편차의 가중 평균으로 예측 대상 아이템에 대한 예측 대상 사용자의 선호도를 예측한다.
유사성 측정을 위한 최소 공통 선호도 개수인 2부터 개수를 점차 증가시키며 예측 정확도를 관찰하는 인공적 데이터 희소 조건 실험을 수행하면 LAR_CF가 데이터 희소성 문제에 강인한 지 확인할 수 있다. 이를 위해서 데이터 희소성 실험 이전에 Full-rating 실험을 우선적으로 실시하여 각 유사성 척도 별 최적의 최근접 이웃 수인 k 값을 탐색하였다. 그 결과는 (그림 6)과 같다.
영화는 16개 중 다수의 장르를 속성으로 가지고 있으므로, LAR_CF에 의해 최대 16개의 잠재적 속성 선호도가 특징벡터로 추가될 수 있다. 전체 데이터세트에서 임의로 20%의 데이터를 추출하여 실험용 데이터로 사용하였으며 나머지 80%의 데이터를 훈련용 데이터로 사용하여 2장 및 3장에서 설명한 바 있는 MAE를 성능 비교의 척도로 삼았다. 유사성 측정을 위한 최소 공통 선호도 개수인 2부터 개수를 점차 증가시키며 예측 정확도를 관찰하는 인공적 데이터 희소 조건 실험을 수행하면 LAR_CF가 데이터 희소성 문제에 강인한 지 확인할 수 있다.
제안하는 방법은 총 6단계로 구성되며 2단계부터 4단계까지는 최근접 이웃 수를 의미하는 k 만큼 이웃을 변경하며 반복 수행된다. LAR_CF는 기존의 NBCF 프로세스에 객체의 속성 정보를 이용하는 절차를 더하여 객체 사이의 유사도를 보다 정확하게 산출하려는 것을 목적으로 하는 방법이다.
대상 데이터
실험용 데이터는 기존의 연구들에 의해 널리 사용된 바 있는 GroupLens의 MovieLens 100k 데이터세트 중, 데이터세트 제공자가 실험용 및 학습용 데이터로 분리 제공하는 U1을 사용하였다[19, 20]. 본 데이터세트는 1,682개의 영화 아이템에 943명의 사용자가 부여한 1부터 5까지의 정수형 선호도 데이터 100,000개로 구성되어 있으며, 각 사용자는 최소 20개의 영화에 대해 선호 점수를 부여한 데이터로 구성되어 있다. 영화는 16개 중 다수의 장르를 속성으로 가지고 있으므로, LAR_CF에 의해 최대 16개의 잠재적 속성 선호도가 특징벡터로 추가될 수 있다.
실험용 데이터는 기존의 연구들에 의해 널리 사용된 바 있는 GroupLens의 MovieLens 100k 데이터세트 중, 데이터세트 제공자가 실험용 및 학습용 데이터로 분리 제공하는 U1을 사용하였다[19, 20]. 본 데이터세트는 1,682개의 영화 아이템에 943명의 사용자가 부여한 1부터 5까지의 정수형 선호도 데이터 100,000개로 구성되어 있으며, 각 사용자는 최소 20개의 영화에 대해 선호 점수를 부여한 데이터로 구성되어 있다.
데이터처리
⑥ 성능 평가 단계에서는 예측된 선호도와 실제 사용자가 평가한 선호도의 오차에 대한 절대치를 반복적으로 구하여 그 평균을 취하는 절대 평균 오차(Mean Absolute Error, MAE) 또는 평균 제곱근의 오차를 취하는 평균 제곱근 오차(Root Mean Squared Error, RMSE)를 사용한다. 각 방법은 식 (6) 및 식 (7)과 같다.
이론/모형
LAR_CF의 성능 평가를 위해 C 컴파일러를 이용하여 아이템 기반 방법이 적용된 실험용 NBCF 시뮬레이터를 구현하였다. 구현 조건은 3장에서 설명한 전반적인 내용 및 단계 ③의 식 (1)을 적용하였고, 실험을 위한 유사성 척도로써 2장 및 3장에서 소개한 피어슨 상관계수(PCC) 및 코사인 계수(COS) 유사성 척도를 사용하였다. LAR_CF를 적용한 것과 적용하지 않은 것의 선호도 예측 성능 비교를 통해서 LAR_CF의 유효성을 확인하고자 하였다.
두 번째 절차는, 만들어진 목록에 포함된 모든 이웃과 예측 대상 사용자가 공통적으로 평가한 아이템 목록을 만들고, 해당 아이템 목록에 대응되는 선호도 목록을 특징벡터로 활용하여 예측 대상 사용자와 다른 사용자 사이의 유사도를 산출한다. 이 때 고려될 수 있는 유사성 척도는 공통 아이템의 선호도 목록이 선형적 관계에 있으므로 피어슨 상관계수(Pearson Correlation Coefficient), 스피어만(Spearman) 상관계수 및 코사인 계수(Cosine Coefficient) 등을 사용할 수 있다[2, 5]. 피어슨 상관계수와 코사인 계수는 특징이 정규분포를 따른다고 가정할 수 있는 모수적 특성을 따를 때, 스피어만 상관계수는 비모수적일 때 고려되는 유사성 척도이다.
성능/효과
사용자의 주관적인 선호도 평가 결과로부터 알아낼 수 있는 공통 아이템의 속성 및 사용자 고유의 특성을 이용하면 LAR_CF를 효과적으로 적용할 수 있다. LAR_CF의 효과를 살펴보기 위해 영화 아이템의 장르 속성을 이용하여 Full-rating 및 인공적 데이터 희소 조건에서 실험한 결과, LAR_CF가 데이터 희소 조건에서 유효하였고 이러한 내용이 전반적 성능의 개선으로 이어짐을 확인하였다. 제안하는 방법은 일반화 관점에서 개발되었으므로 실제 적용 시에는 아이템의 속성과 사용자의 속성을 잘 결정하여 더 나은 유사도를 도출할 수 있도록 하는 것이 바람직할 것이다.
즉, 특정 데이터세트에 최적화되어 개발된 방법이어서 다양한 데이터세트에 적용되기 어렵다. 본 논문에서 제안하는 LAR_CF는 속성을 이용하여 데이터 희소성 문제를 해결함과 동시에, 데이터세트가 포함하는 속성의 종류에 상관없이 범용적으로 활용될 수 있는 방법이어서 기존의 연구보다 확장 및 활용이 용이하다.
(그림 6)의 A-COS 및 A-PCC는 코사인 계수와 피어슨 상관계수에 LAR_CF를 적용한 것이다. 실험 결과를 살펴보면, COS 및 A-COS는 k=60, PCC는 k=50, A-PCC는 k=55에서 최적의 성능을 보이는 가운데 최고 성능은 A-PCC의 0.762였다. 이를 COS의 0.
전체 데이터세트에서 임의로 20%의 데이터를 추출하여 실험용 데이터로 사용하였으며 나머지 80%의 데이터를 훈련용 데이터로 사용하여 2장 및 3장에서 설명한 바 있는 MAE를 성능 비교의 척도로 삼았다. 유사성 측정을 위한 최소 공통 선호도 개수인 2부터 개수를 점차 증가시키며 예측 정확도를 관찰하는 인공적 데이터 희소 조건 실험을 수행하면 LAR_CF가 데이터 희소성 문제에 강인한 지 확인할 수 있다. 이를 위해서 데이터 희소성 실험 이전에 Full-rating 실험을 우선적으로 실시하여 각 유사성 척도 별 최적의 최근접 이웃 수인 k 값을 탐색하였다.
762였다. 이를 COS의 0.765 및 PCC의 0.764와 비교하면 LAR_CF가 기존의 방법보다 더 나은 성능을 보임이 확인된 것이며 Full-rating 조건에서 피어슨 상관계수가 LAR_CF가 가장 효과적으로 적용되었음을 의미하는 것이다. 모든 사용자를 이웃으로 사용하는 ALL은 k의 수만큼 목표 사용자와 유사한 사용자를 예측에 활용하는 TOP-k 구조에서 모든 사용자를 이웃으로 사용하는 것에 해당한다.
때문에 실세계 적용 관점에서는 NBCF가 더 정확한 예측 정확도를 보이게 된다[7]. 즉, 모델 생성 시간을 제외한 예측 속도 측면에서는 MBCF가 우위에 있으며, 예측 정확도 및 실세계 적용 측면에서는 NBCF가 우위에 있다.
Full-rating 실험에서 좋은 성능을 보인 유사성 척도인 PCC가 데이터 희소 조건에서 나쁜 성능을 보이는 이유는 특징벡터의 수가 약 5개 미만인 경우에 잘못된 상관계수를 보이는 단점과 특징벡터의 수가 2개 미만인 경우에 유사도 측정이 불가능한 점 때문인데, 이를 뒷받침할 수 있는 근거는 기존의 연구들에서 발견된다[7, 8]. 즉, 피어슨 상관계수는 데이터 희소 문제에 매우 취약한 단점이 있으며, LAR_CF에 의한 특징벡터의 차수 증가에 의해 이를 개선하였음을 확인할 수 있다.
후속연구
LAR_CF의 효과를 살펴보기 위해 영화 아이템의 장르 속성을 이용하여 Full-rating 및 인공적 데이터 희소 조건에서 실험한 결과, LAR_CF가 데이터 희소 조건에서 유효하였고 이러한 내용이 전반적 성능의 개선으로 이어짐을 확인하였다. 제안하는 방법은 일반화 관점에서 개발되었으므로 실제 적용 시에는 아이템의 속성과 사용자의 속성을 잘 결정하여 더 나은 유사도를 도출할 수 있도록 하는 것이 바람직할 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
협업 필터링은 무엇인가?
방법론적으로 크게 NBCF 및 MBCF 방법으로 구분되는 협업 필터링은 특정 사용자가 아직 경험하지 않은 아이템에 대한 선호도를 다른 사용자의 선호도를 참조하여 예측하는 것으로, 오늘날 RS의 구축에 최우선적으로 고려되는 기술임을 이미 설명하였다. 잘 알려진 소프트컴퓨팅 알고리즘을 CF에 적용하는 MBCF는 초기에 나이브 베이즈 분류(Naive Bayes Classification)와 같은 다소 기초적인 확률 모델이 적용되었으나, 최근에는 지지 벡터 머신(Support Vector Machine, SVM), 주성분 분석(Principal Component Analysis, PCA), 인공 신경망(Artificial Neural Network, ANN), K-평균 클러스터링(K-means Clustering) 등 전통적인 인공지능, 패턴인식 및 확률적 알고리즘들이 적용되어 왔다[2].
LAR_CF가 개선하려는 데이터 희소성 문제는 어떤 현상을 지칭하는가?
제안방법인 LAR_CF가 개선하려는 데이터 희소성 문제는 사용자 사이의 유사도 계산 시에 공통 선호도의 개수가 적을 때 유사도 측정이 정확히 되지 않아서 선호도 예측 성능이 저하되는 현상을 지칭하며, 콜드-스타트 문제는 사용자 사이의 유사도 계산 시에 공통 선호도의 개수가 적을 때 유사도 측정이 정확히 되지 않는 문제와 함께 데이터베이스에 신규 진입한 사용자 또는 아이템에 대해 추천 프로세스가 동작할 수 없는 현상을 말한다. 콜드-스타트 문제가 선호도 개수가 부족하여 생기는 문제를 포함한다는 점이 데이터 희소성 문제와 동일한 맥락에 있다.
실세계 적용 관점에서 NBCF가 MBCF보다 더 정확한 예측 정확도를 보이는 이유는 무엇인가?
이는 NBCF의 태생적인 문제이므로 개선하기가 매우 어렵기 때문에 MBCF가 대안으로써 제시된 것이다. 그러나 MBCF는 실시간으로 축적되는 사용자의 선호도를 즉각적으로 활용하기 어렵고, 기존에 잘 알려진 알고리즘을 사용하기 때문에 부가적인 정보를 적용하는 것 외에는 특별한 성능 개선 방법이 제시되지 못했다. 때문에 실세계 적용 관점에서는 NBCF가 더 정확한 예측 정확도를 보이게 된다[7].
참고문헌 (20)
Joseph A. Konstan and Jhon Riedl, "Deconstructing Recommender Systems", IEEE Spectrum, October 2012.
Adomavicius G. and Tuzhilin, A., "Toward the Next Generation of Recommender Systems: A Survey of the State-of-the-Art and Possible Extensions", IEEE Trans. Know. and Data Eng., Vol. 17 No. 6, pp. 734-749, 2005.
Jonathan L. Herlocker, Joseph A. Konstan, Al Borchers and Jhon Riedl, "An Algorithmic Framework for Performing Collaborative Filtering" ACM SIGIR 22nd Int. Conf. Research and Development in Information Retrieval, pp. 230-237, 1999.
D. Goldberg, D. Nichols, B. M. Oki, and D. Terry, "Using Collaborative Filtering to Weave an Information Tapestry", Communications of the ACM, Vol. 35, No. 12, pp. 61-70 1992.
John S. Breese, David Heckerman and Carl Kadie, "Empirical Analysis of Predictive Algorithms for Collaborative Filtering", Proc. the 14th Conf. Uncertainty in Artificial Intelligence, pp. 43-52, 1998.
K. Goldberg, T. Roeder, D. Gupta and C. Perkins, "Eigentaste: A Constant Time Collaborative Filtering Algorithm", Information Retrieval, Vol. 4, No. 2, pp. 133-151, 2001.
H. J. Kwon and K. S. Hong, "Personalized Smart TV Program Recommender Based on Collaborative Filtering and a Novel Similarity Method", IEEE Trans. Consum. Electron., Vol. 57, No. 3, pp. 1416-1423, 2011.
H. J. Ahn, "A New Similarity Measure for Collaborative Filtering to Alleviate the New User Cold-starting Problem", Information Sciences, Vol. 178, No. 1, pp. 37-51, 2008.
D. Lemire and A. Maclachlan, "Slope One Predictors for Online Rating-Based Collaborative Filtering", Proc. 5th SIAM Int. Conf. Data Mining, pp. 471-475, 2005.
Yu Li, Liu Lu and Li Xuefeng, "A Hybrid Collaborative Filtering Method for Multiple-interests and Multiple-content Recommendation in E-Commerce", Expert Systems with Applications, Vol. 28, No. 1, pp. 67-77, 2005.
Buhwan Jeong, Jaewook Lee and Hyunbo Cho, "Improving Memory-based Collaborative Filtering via Similarity Updating and Prediction Modulation", Information Sciences, Vol. 18, No. 5, pp. 602-612, 2010.
Jun Wang, Arjen P. de Vries and Marcel J. T. Reinders, "Unifying User-based and Item-based Collaborative Filtering Approaches by Similarity Fusion", Proc. 29th ACM SIGIR Conf. Research and Development in Information Retrieval, pp. 501-508, 2006.
Bin Cho, Jian-Tao Sun, Jianmin Wu, Qiang Yang and Zheng Chen, "Learning Bidirectional Similarity for Collaborative Filtering", LNCS 5211, pp. 178-194, 2008.
T. H. Kim and S. B. Yang, "An Improved Neighbor Selection Algorithm in Collaborative Filtering", IEICE Trans. Inform. and Syst., Vol. E88-D, No. 5, pp. 1072-1076, 2005.
Souvik Debnath, Niloy Ganguly and Pabitra Mitra, "Feature Weighting in Content based Recommendation System Using Social Network Analysis", Proc. of the 17th Int. Conf. on World Wide Web, pp. 1041-1042, 2008.
Karen H. L. Tso-Sutter, Leonardo Balby Marinho and Lars Schmidt-Thieme, "Tag-aware Recommender Systems by Fusion of Collaborative Filtering Algorithms", Proc. of the 2008 ACM Symposium on Applied computing, pp. 1995-1999, 2008.
Andrew I. Schein, Alexandrin Popescul, Lyle H. Ungar and David M. Pennock, "Methods and Metrics for Cold-start Recommendations", Proc. of the 25th Annual Int. ACM SIGIR Conf. on Research and Development in Information Retrieval, pp. 253-260, 2002.
Huang, Z., Chen, H. and Zeng, D. "Applying Associative Retrieval Techniques to Alleviate the Sparsity Problem in Collaborative Filtering", ACM Transactions on Information Systems, Vol. 22, No. 1, pp. 116-142, 2004.
B. N. Miller, I. Albert, S.K. Lam, J.A. Konstan, J. T. Riedl, "MovieLens Unplugged: Experiences with an Occasionally Connected Recommender System on Four Mobile Devices", Proc. of the 2003 Int. Conf. Intelligent User Interfaces, pp. 263-266, 2003.
http://www.grouplens.org/node/73, MovieLens Data Sets, GroupLens Research in Department of Computer Science and Engineering at the University of Minnesota.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.