최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기한국정보통신학회논문지 = Journal of the Korea Institute of Information and Communication Engineering, v.17 no.11, 2013년, pp.2602 - 2608
오세창 (Department of Information & Communication, Sejong Cyber University) , 최민 (Department of Information and Communication Engineering, Chungbuk National University)
User-based and item-based method have been developed as the solutions of the movie recommendation problem. However, these methods are faced with the sparsity problem and the problem of not reflecting user's rating respectively. In order to solve these problems, there is a research on the combination...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
영화 추천 문제에서 혼합 방식을 적용한 예로는 어떤 것이 있는가? | 혼합 방식은 항목에 기반을 둔 방식과 사용자에 기반을 둔 방식을 결합함으로써 두 방식의 장점을 취하려는 새로운 시도이다. 영화 추천 문제에서 혼합 방식을 적용한 예로서 항목 기반 방식인 장르 정보와 사용자 기반 방식인 사용자의 주소 정보를 같이 사용한 예가 있다 [5]. 그러나 같은 장르에 속한 영화들이 비슷한 평을 받을 것이라는 가정은 근거가 약하고, 인구통계학적 분류가 선호도가 비슷한 사람들의 분류라고 보기 어렵다는 점에서 보다 근본적인 접근이 이루어져야 한다. | |
사용자에 기반을 둔 방식이란? | 사용자에 기반을 둔 방식은 협업 필터링이라고도 하며, 사용자들 간의 유사도를 미리 조사하여, 목표 사용 자와 유사한 사용자들이 좋게 평가한 항목들을 추천하는 방식이다 [2]. 이 때 사용자들 간의 유사도는 항목에 대한 사용자의 선호도 정보를 사용해서 구함으로써 사용자의 취향을 충분히 반영할 수 있다 [3]. | |
사용자 기반 추천 방법과 항목 기반 추천 방법의 한계점은? | 영화 추천 문제에 대한 해법으로 사용자 기반 추천 방법과 항목 기반 추천 방법이 연구되어왔다. 그러나 이들은 각각 희박성의 문제와 사용자의 선호도를 반영하지 못한다는 문제를 안고 있다. 이러한 문제들을 해결하기 위해서 유사도의 개념을 이용해 두 가지 방법을 조합하는 연구가 있으나 계산해야 할 파라메타 수가 많아 현실적으로 희박성의 문제에서 자유롭지 못하다. |
S. H. Jo, "Weight Recommendation Technique Based on Item Quality To Improve Performance of New User Recommendation and Recommendation on The Web," Ph. D. dissertation, Hannam University Graduation School, 2008.
Hee-Choon Lee, Seok-Jun Lee, Sun-Ok Kim, "A Study on improvements of prediction accuracy using additional information in collaborative filtering," in Proceeding of The KITS Conference 2009, pp. 349-352, 2009.
G.Lekakos and G.M.Giaglis, "Improving the Prediction Accuracy of Recommendation Algorithms : Approaches Anchored on Human Factors," Interacting with Computers, vol. 18, pp. 410-431. 2006.
Kyung-Rog Kim, Jaehee Byeon, Nammee Moon, "Collaborative Filtering Design Using Genre Similarity and Preffered Genre," in Proceeding of The KSCI Conference 2011, vol. 16, no. 4, pp. 161-170, April 2011.
Hao Ma, Irwin King and Michael R. Lyu, "Effective Missing Data Prediction for Collaborative Filtering," in Proceeding of SIGIR 2007, pp. 39-46, 2007.
P. Resnick, N. Iacovou, M. Suchak, P. Bergstrom, and J. Riedl, "Grouplens: An open architecture for collaborative filtering of netnews," in Proceeding of ACM Conference on Computer Supported Cooperative Work, 1994.
J. Wang, A. P. de Vries, and M. J. Reinders, "Unifying user-based and item-based collaborative filtering approaches by similarity fusion," in Proceeding of SIGIR, 2006.
G.-R. Xue, C. Lin, Q. Yang, W. Xi, H.-J. Zeng, Y. Yu, and Z. Chen, "Scalable collaborative filtering using cluster-based smoothing," in Proceeding of SIGIR, 2005.
T. Hofmann, "Latent semantic models for collaborative filtering," ACM Trans. Inf. Syst., vol. 22, no. 1, pp. 89-115, 2004.
D. M. Pennock, E. Horvitz, S. Lawrence, and C. L. Giles, "Collaborative filtering by personality diagnosis: A hybrid memory- and model-based approach," in Proceeding of UAI, 2000.
J. S. Breese, D. Heckerman, and C. Kadie, "Empirical analysis of predictive algorithms for collaborative filtering," in Proceeding of UAI, 1998.
GroupLens Research. MovieLens Data Sets [Internet]. Available: http://www.grouplens.org/node/73.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
오픈액세스 학술지에 출판된 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.