[논문]개인성향과 협업 필터링을 이용한 개선된 영화 추천 시스템

박두순

doi:10.3745/ktccs.2013.2.11.475

개인성향과 협업 필터링을 이용한 개선된 영화 추천 시스템
Improved Movie Recommendation System based-on Personal Propensity and Collaborative Filtering 원문보기

정보처리학회논문지. KIPS transactions on computer and communication systems 컴퓨터 및 통신 시스템, v.2 no.11, 2013년, pp.475 - 482

초록
AI-Helper

추천 시스템들에 대한 여러 방법들이 연구되고 있다. 개인화와 추천 시스템 중에서 가장 성공적인 방법은 협업 필터링이다. 협업 필터링은 고객들의 프로파일 정보를 기반으로 추천을 하므로 데이터가 충분하지 않다면 항목을 추천하는데 있어서 희박성의 문제가 제기된다. 본 연구에서는 희박성의 문제를 해결하는 방법으로 가중치를 가진 개인 성향을 협업 필터링에 활용하는 방법을 제안한다. 본 연구에서 가중치를 가진 최적의 개인 성향을 찾기 위해 공개 데이터인 MovieLens Data를 이용하여 성능 평가하였다. 실험 결과 본 연구에서 제안한 가중치를 가진 개인 성향들로 구축된 시스템이 기존의 개인 성향들을 이용한 시스템보다 향상된 성능을 보였다.

Abstract ▼ AI-Helper

Several approaches to recommendation systems have been studied. One of the most successful technologies for building personalization and recommendation systems is collaborative filtering, which is a technique that provides a process of filtering customer information based on such information profiles. Collaborative filtering systems, however, have a sparsity if there is not enough data to recommend. In this paper, we suggest a movie recommendation system, based on the weighted personal propensity and the collaborating filtering system, in order to provide a solution to such sparsity. Furthermore, we assess the system's applicability by using the open database MovieLens, and present a weighted personal propensity framework for improvement in the performance of recommender systems. We successfully come up with a movie recommendation system through the optimal personalization factors.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

그러나 협업 필터링에는 희박성의 문제가 있으며 이러한 문제점을 해결하는 방법으로 가중치를 부여한 개인성향을 이용한 추천시스템을 제안하였다. 본 논문에서는 개인화 추천을 위해 많은 개인 성향이 필요하지만 가중치를 주어서 가장 적은 개수의 개인 성향만을 가지고도 성능이 매우 우수한 영화 추천시스템을 제안하였다. 본 노문에서 제안한 시스템은 (선호장르, 성격, 지역) 혹은 (선호장르, 성격, 나이) 등에 가중치를 부여하여 6개의 개인성향을 모두 사용한 추천과 같은 결과를 얻었다.
본 논문에서는 기존 협업 필터링 기법에 개인의 특징을 결정하는 개인화 요인들로 나이, 선호장르, 혈액형, 성별, 지역, 성격을 고려하여 목표 고객이 가장 선호할 것이라 예측되는 영화목록을 추천하기 위한 추천 시스템을 개발한다. 본 연구에서 제안하는 추천시스템의 구조는 Fig.
개인 성향 중에서는 가장 많이 사용한 것은 장르를 비롯하여 나이, 혈액형, 성별, 지역, 성격 등이 사용되었다[1, 4]. 본 논문에서는 사용된 6개의 개인 성향 중에서 추천시스템 구축에 영향을 크게 미치는 요인을 분석하여 가중치를 부여하여 개선된 영화추천 시스템을 제안한다.
본 논문에서는 실제적인 공개 데이터인 MovieLens를 가지고 희박성 문제를 해결하기 위해 개인 성향에 가중치를 부여하여 개선된 영화 추천 시스템을 제시한다. 본 연구의 구성은 다음과 같다.
또한 어떠한 항목을 추천하는가에 따라 그 비중이 달라지기도 한다. 본 연구에서는 영화를 항목으로 추천해주는 시스템으로서 개개인의 영화 선호도를 파악하기 위한 개인성향을 알아야 함으로 기존의 개인 성향에 사용된 장르, 성격, 나이, 성별, 혈액형, 지역 등 사용자에게 가장 적합한 영화를 추천해 줄 수 있는 개인성향들을 분석한다. 분석하기 위한 도구로는 XLMiner를 사용한다.

제안 방법

63가지의 방법들에 대해서 10개씩 추천된 영화들을 분석하여 6개의 개인성향중 영화 추천에 가장 영향을 주는 요인을 찾기 위해 Table 1로부터 각 방법에서 추천된 영화들의 수를 계산하였으며 추천된 영화 중 5번 이상 추천되어야만 의미있는 영화 추천으로 판단하여 분석한다. 63가지의 방법들에 대한 추천된 영화의 수를 그래프로 표시하면 Fig.
같은 방법으로 다음으로는 성별, 성격, 혈액형, 선호장르, 지역 등 총 30가지(=16*6) 방법에 대해 분석을 수행하였다. 분석한 내용을 가시화 그래프로 몇 가지만 보면 다음과 같다.
추천 시스템 중에서 가장 성공적인 방법이 협업 필터링이다. 그러나 협업 필터링에는 희박성의 문제가 있으며 이러한 문제점을 해결하는 방법으로 가중치를 부여한 개인성향을 이용한 추천시스템을 제안하였다. 본 논문에서는 개인화 추천을 위해 많은 개인 성향이 필요하지만 가중치를 주어서 가장 적은 개수의 개인 성향만을 가지고도 성능이 매우 우수한 영화 추천시스템을 제안하였다.
기존의 협업 필터링 방법을 이용한 영화 추천 시스템에서 희박성 문제를 해결하기 위한 방법으로 여러 가지의 개인 성향들을 사용하였다. 개인 성향 중에서는 가장 많이 사용한 것은 장르를 비롯하여 나이, 혈액형, 성별, 지역, 성격 등이 사용되었다[1, 4].
나이는 전체적인 분포가 균일하게 이루어지도록 클러스터링 방법을 사용하였으며 최종적으로 8개 그룹으로 구성하였다. 지역은 미국을 기준으로 수집된 자료이므로 미국의 zip-code를 이용하여 지역을 구분하였다.
이를 순서쌍을 이용해서 표현하면 (나이, 선호장르), (나이, 혈액형), (나이, 지역), (나이, 성별), (나이, 성격) 등 5가지의 방법에 대해서 영화 추천 중 몇 가지가 공통으로 나타나는 지를 분석한다. 다음으로는 (나이, 선호장르, 혈액형), (나이, 선호장르, 지역), (나이, 선호장르, 성별), (나이, 선호장르, 성격)에 대해서 분석하였으며 같은 방법으로 (나이, 선호장르, 혈액형, 지역), (나이, 선호장르, 혈액형, 성별), (나이, 선호장르, 혈액형, 성별), (나이, 선호장르, 혈액형, 성격), (나이, 선호장르, 지역, 성별), (나이, 선호장르, 지역, 성격), (나이, 선호장르, 성별, 성격), (나이, 선호장르, 혈액형, 지역, 성별), (나이. 선호장르, 혈액형, 지역, 성격), (나이, 선호장르, 혈액형, 지역, 성별, 성격) 등에 따른 개인성향의 가중치 분석을 수행한다. 나이를 기본으로 하는 경우 모든 방법들은 Fig.
본 논문에서 사용자들이 평가한 평점 데이터가 충분한 경우에는 기존의 협업 필터링 방법으로 K-means clustering하고 추천리스트를 작성하여 추천 영화 목록을 제공한다. 하지만 사용자들의 평가한 평가 데이터가 충분하지 못한 경우 개인의 특징을 반영하는 개인화 요인을 고려하여 평가치가 존재하는 다른 고객들과 K-means clustering 기법으로 고객들을 군집화한다.
본 논문에서는 방법들 중에 3개의 개인 성향을 가지고 최대값에 도달한 (나이, 선호장르, 성격)과 (지역, 선호장르, 성격) 방법에 대해서 부분 집합을 변화시키면서 만들 수 있는 12가지의 방법에 대해 MAE 값을 구했으며 결과는 다음과 같다.
성격의 경우 정의할 수 있는 판단 기준이 필요하였으며 MBTI(Myers-Briggs Type Indicator)의 16가지 경우로 분류 하였으며 16개의 경우는 ISTJ, ISFJ, INFJ, IMTJ, ISTP, ISFP, INFP, INTP, ESTP, ESFP, ENFP, ENTP, ESTJ, ESFJ, ENFJ, ENTJ 이다[15].
4와 같은 63가지 경우의 수가 있다[3]. 이 방법들 중에서 영화추천시스템에 가장 영향을 주는 방법들을 찾기 위해 63가지에 대해 MovieLens 데이터에 적용하여 추천되는 영화들을 분석한다.
이러한 희박성 문제를 해결하는 방법들은 여러 방법들이 존재하지만 본 논문에서는 인구통계학적 방법으로 개인 성향을 파악하여 협업 필터링에 적용하는 방법을 사용한다.
예를 들어 나이를 기본으로 생각한다면 다음으로는 나이와 나머지 속성 5 가지를 포함 관계로 계산한다. 이를 순서쌍을 이용해서 표현하면 (나이, 선호장르), (나이, 혈액형), (나이, 지역), (나이, 성별), (나이, 성격) 등 5가지의 방법에 대해서 영화 추천 중 몇 가지가 공통으로 나타나는 지를 분석한다. 다음으로는 (나이, 선호장르, 혈액형), (나이, 선호장르, 지역), (나이, 선호장르, 성별), (나이, 선호장르, 성격)에 대해서 분석하였으며 같은 방법으로 (나이, 선호장르, 혈액형, 지역), (나이, 선호장르, 혈액형, 성별), (나이, 선호장르, 혈액형, 성별), (나이, 선호장르, 혈액형, 성격), (나이, 선호장르, 지역, 성별), (나이, 선호장르, 지역, 성격), (나이, 선호장르, 성별, 성격), (나이, 선호장르, 혈액형, 지역, 성별), (나이.
이젠 가중치를 계산하기 위해 (나이, 선호장르, 성격)과 (지역, 선호장르, 성격)에 도달하는 방법 중 추천된 영화가 일치하는 개수를 가지고 가중치를 계산한다. 각 개인성향 대한 가중치에 대한 계산은 Equation (3)과 같다.
추천 영화에 대한 가중치 계산은 개인성향중에 가장 영향을 주는 주요 요인들을 분석하기 위해 본 논문에서는 6개의 개인성향에 대해 부분 집합의 관계를 이용하여 분석한다.

대상 데이터

MovieLens 데이터는 User Id와 Movie Id, 각 고객들이 관람한 영화에 대해 1점에서 5점까지의 5점 척도로 부여한 평가치로 구성되어 있고, 고객*영화 행렬 칸의 총 개수는 1586126(=943*1682)개 인데, 이 중에서 10000개의 칸에 평가치가 부여되어 있어서 희박성이 93.7%이다.
COM에서 제공하는 페이지에서 지역을 구분할 수 있다. 데이터의 가공 중에서 지역이 조회되지 않는 일부의 인원이 있었으며 이 인원들은 지역에 대한 개인화요인을 파악할 수 없으므로 이러한 인원을 제외한 총 906명의 데이터를 변화시켰다. 변화시킨 데이터 중에서 앨리버마에 속해있는 인원은 3명에 불과하고 아칸소 주에 속한 인원은 1명이 존재하는 등 일부 주의 데이터가 충분지 못하여 미국 통계청에서 구분하는 4개의 지역(북부, 남부, 중서부, 서부)로 지역 데이터를 변경하였다.
데이터의 가공 중에서 지역이 조회되지 않는 일부의 인원이 있었으며 이 인원들은 지역에 대한 개인화요인을 파악할 수 없으므로 이러한 인원을 제외한 총 906명의 데이터를 변화시켰다. 변화시킨 데이터 중에서 앨리버마에 속해있는 인원은 3명에 불과하고 아칸소 주에 속한 인원은 1명이 존재하는 등 일부 주의 데이터가 충분지 못하여 미국 통계청에서 구분하는 4개의 지역(북부, 남부, 중서부, 서부)로 지역 데이터를 변경하였다.
본 논문의 영화추천 시스템을 위해 사용한 데이터는 공개 데이터인 MovieLens로서 미네소타 대학의 GroupLens Research Project에서 1997년 9월부터 1998년 4월 까지 수집된 데이터로 1682개의 영화에 대한 943명의 고객들의 평가치가 구성되어 있으며 총 10,000개 레코드가 있다[1, 10].

데이터처리

각 방법들에 대한 성능 평가는 MAE를 통해 성능 평가를 시행한다. MAE는 실제 목표 값과 출력 값의 차이를 평균한 것으로 Equation (2)와 같이 나타낼 수 있다.

이론/모형

본 연구에서는 영화를 항목으로 추천해주는 시스템으로서 개개인의 영화 선호도를 파악하기 위한 개인성향을 알아야 함으로 기존의 개인 성향에 사용된 장르, 성격, 나이, 성별, 혈액형, 지역 등 사용자에게 가장 적합한 영화를 추천해 줄 수 있는 개인성향들을 분석한다. 분석하기 위한 도구로는 XLMiner를 사용한다.

성능/효과

결론적으로 시스템의 구성도에 따라서 (선호장르, 성격, 지역) 혹은 (선호장르, 성격, 나이) 등 3개의 성향을 가중치를 부여하여 추천 시스템을 구성하는 것이 가장 적절한 방법임을 실험결과로 알 수 있다.
결국은 (선호장르, 성격, 지역, 나이)등 가중치를 가진 4가지 개인 성향을 가지고 영화 추천을 하면 6개의 개인 성향을 모두 사용한 경우와 같은 결과가 나왔다. 또한, (선호장르, 성격, 지역)과 (선호장르, 성격, 나이) 등 가중치를 부여한 3개의 개인 성향을 가져도 6개의 개인성향을 모두 사용한 경우와 같은 결과가 나왔다. 가중치를 부여한 방법은 (Algorithm 2)와 같다.
본 논문에서는 개인화 추천을 위해 많은 개인 성향이 필요하지만 가중치를 주어서 가장 적은 개수의 개인 성향만을 가지고도 성능이 매우 우수한 영화 추천시스템을 제안하였다. 본 노문에서 제안한 시스템은 (선호장르, 성격, 지역) 혹은 (선호장르, 성격, 나이) 등에 가중치를 부여하여 6개의 개인성향을 모두 사용한 추천과 같은 결과를 얻었다.
영화 추천 결과 6개의 개인 성향을 모두 사용한 경우 10개의 영화 추천 중 9개가 일치하였으며, 가중치를 사용한 (선호장르, 성격, 지역) 혹은 (선호장르, 성격, 나이) 등 3개의 개인 성향을 사용한 경우에도 9개가 정확하게 일치함을보였으며, 선호장르 한 가지만 고려하여도 9개중 8개가 일치하였다. 반면에 (선호장르, 성격)의 개인 성향을 이용한 경우에도 9개중 8개가 일치한다.
전반적으로는 나이는 성격, 성별은 선호장르, 성격은 나이와 선호장르에 효과가 있음을 보여주고 있다. 결국은 (선호장르, 성격, 지역, 나이)등 가중치를 가진 4가지 개인 성향을 가지고 영화 추천을 하면 6개의 개인 성향을 모두 사용한 경우와 같은 결과가 나왔다.

후속연구

본 논문에서 사용한 MovieLens 데이터에서 개인화 요인은 주어지는 것이 아니기 때문에 제공된 정보를 바탕으로 요인들을 추출해야 할 필요성이 있다. MovieLens에서 제공하는 개인정보의 일부는 Fig.

질의응답

핵심어	질문	논문에서 추출한 답변
	협업 필터링의 가진 문제는 무엇인가?	개인화와 추천 시스템 중에서 가장 성공적인 방법은 협업 필터링이다. 협업 필터링은 고객들의 프로파일 정보를 기반으로 추천을 하므로 데이터가 충분하지 않다면 항목을 추천하는데 있어서 희박성의 문제가 제기된다. 본 연구에서는 희박성의 문제를 해결하는 방법으로 가중치를 가진 개인 성향을 협업 필터링에 활용하는 방법을 제안한다.
	희박성의 문제를 해결하기 위한 방법에는 무엇이 제안되었는가?	희박성의 문제를 완화하기 위한 많은 연구들이 진행되고 있다. Breese[11]는 평가치가 비어있는 칸에 default 평가치를 부여하는 방법인 default voting을 사용하였고, Sarwar[4]는 고객들 간이 아닌 항목들 간의 유사도를 계산하여 추천에 활용하는 방안을 제안하였다. 개인 성향 중에서는 장르, 나이, 혈액형, 성별, 지역, 성격 등을 이용하여 추천하였다[1, 4]. 다른 방법으로는 차원 감소법이 있다. 이는 직접적으로 고객*항목 행렬의 차원을 감소시키는 방법으로서 고객이나 항목을 군집화하여 군집화된 그룹을 기본단위로 하여 협업 필터링 기법을 적용하는 방법이다[1]. 그리고 협업 필터링과 내용 기반 필터링을 결합한 하이브리드 기법은 데이터가 희박하여 협업 필터링 기법으로는 추천이 힘들 때, 고객들의 인구 통계정보나 거래내역기록, 항목의 속성 정보를 활용하여 추천하는 기법이다.
	개인화와 추천 시스템 중에서 가장 성공적인 방법은 무엇인가?	추천 시스템들에 대한 여러 방법들이 연구되고 있다. 개인화와 추천 시스템 중에서 가장 성공적인 방법은 협업 필터링이다. 협업 필터링은 고객들의 프로파일 정보를 기반으로 추천을 하므로 데이터가 충분하지 않다면 항목을 추천하는데 있어서 희박성의 문제가 제기된다.

참고문헌 (15)

J. Lee, S. Park, "Performance Improvement of a Movie Recommendation System using Genre-wise Collaborative Filtering," Journal of Intelligence Information Systems, Vol.13, No.4, pp.65-78, 2007.
Xiaoyuan Su and Taghi M. Khoshgoftaar, "A Survey of Collaborative Filtering Techniques," Advances in Artificial Intelligence, Vol.2009, Article ID 421425, pp.1-19, 2009.

상세보기
W. Jeong, S. Kim, D. Park, and J. Kwak, "Performance Improvement of a Movie Recommendation System based on Personal Propensity and Secure Collaborative Filtering," J Inf Process Syst, Vol.9, No.1, pp.707-722, 2013.
B. Sarwar, G. Karypis, J. Konstan, J. Riedl, "Item based Collaborative Filtering Recommendarion Algorithms" Proceedings of the 10th International World Wide Web Conference, pp.285-295, 2001.
T. Hong, H. Lee, B. Su, "A Web Personalized Recommender Systems Using Clustering - based CBR", Journal of Intelligence Information Systems, Vol.11, No.1, pp.107-121, 2005.
S. Lee, H. Lee, and H. Kim, "Dynamic Recommender on user taste tendency model : Focusing on Movie Recommender Systems," K.I.S.S. Journal, Vol.31, No.2, pp.153-163, 2004.
R. J. Mooney and L. Roy, "Content-based Book Recommending Using Learning for Text Categorization," In Proceedings of ACM SIGIR '99 Workshop Recommender Systems: Algorithms and Evaluation, 1999.
J. Le and O.R. Zaiane, "Combining Usage, Content, and Structure Data to Improve Web Site Recommendation," Fifth International Conference on Electronic Commerce and Web Technologies (EC-Web '04), pp.305-315, 2004.
R. J. Mooney and L. Roy, "Content-based Book Recommending Using Learning for Text Categorization," In Proceedings of ACM SIGIR '99 Workshop Recommender Systems: Algorithms and Evaluation, 1999.
P. Resnick, N. Iacovou, M. Suchak, P. Bergstrom and J. Riedl, "Grouplens : An Open Architecture for Collaborative Filtering of Netnews," Proceedings of the ACM Conf. on Computer Supported Cooperateive Work, pp.175-186, 1994.
J. S. Breese, D. Heckeman and C. Kadie, "Empirical analysis of predictive algorithms for collaborative filtering," Proceedings of the Fourteenth Annual Conference on Uncertainty in Artificial Intelligence, pp.43-52, 1998.
G. Linden, B. Smith, and J. York, "Amazon.com recommendations:item-to-item collaborative filtering," IEEE Internet Computing, Vol.7, No.1, pp.76-80, 2003.

상세보기
U. Shardanand and P. Maes, "Social information filtering: algorithms for automating 'word of mouth'," Proceedings of the SIGCHI conference on Human factors in computing system, pp.1210-217, 1995.
L. Terveen, W. Hill, B. Amento, D. McDonald, J. Creter, "PHOAKS: a system for sharing recommendations," Communications of the ACM Vol.40, No.3, pp.59-62, 1997.

상세보기
S. Lee, D. Park, M. Hong, H. Lee, Y. Jeong, "A Personalized Movie Recommendation System Based on the Blood Types and Collaborative Filtering," Proceedings of Korea information Processing Society Fall Annual Conference, Vol.16, No.2, 2009.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증