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 연구에서는 상기의 두 가지 한계점 외에 또다른 한계점을 제시하고자 하는데, 이는 기존 협업필터링이 고객의 정성적이고 감성적인 정보를 반영하지 못한다는 점이다. 일반적으로 협업필터링은 사용자-상품 매트릭스 상의 선호도 평가점수만을 이용하여 추천함으로 사용자 간의 친분관계나 인구통계학적 정보의 유사성을 전혀 고려하지 못한다는 단점이 있다.
- 본 연구에서는 실제 추천성과의 개선 정도를 확인하기 위하여 실제 사용자의 선호도 평가정보와 사회연결망 정보를 수집하였으며, 이를 통해 전통적인 협업필터링, 임의 군집색인 협업필터링, k평균 군집분석 기반 군집색인 협업필터링 등과 추천성과를 비교할 것이다.
- 본 연구에서는 일반적인 협업필터링과 사회연결망분석을 통해 얻어진 사회연결망 정보를 추천과정에 반영할 수 있는 방법을 제안하였다. 실제 사용자의 데이터를 이용한 분석 결과, 제안한 추천시스템이 추천의 성과를 개선할 수 있는 것으로 나타났다.
- 이는 사용자 간의 친분 관계가 사용자의 정성적이고 감성적인 유사성과 신뢰성을 제고하는 효과가 있기 때문인 것으로 판단된다. 본 연구에서는 협업필터링의 추천과정에서 이러한 사용자의 정성적이고 감성적인 정보가 반영될 수 있도록 사회연결망의 정보를 반영하는 추천시스템을 제안한다.
제안 방법
- Yang and Dia (2008)는 타겟광고를 생성하는데 있어서 사회연결망의 정보를 이용하였다. 그들의 연구에서는 고객 간의 상호작용 자료를 이용하여 결속력이 강한 세부집단을 발견하고 이를 이용하여 고객의 상품 분류 별 선호확률을 추정하였으며, 이를 통해 타겟광고를 생성하는 시스템을 구축하였다. Debnath et al.
- 다음으로는 구조적 공백 분석단계에서 도출된 k명의 대표 사용자들의 특성을 이용하여 사회연결망 내의 사용자들을 비슷한 속성을 가진 여러 개의 집단으로 군집화한다. 군집화 과정은 가장 일반적인 k평균 군집분석을 이용하며 구체적으로는 k평균 군집분석의 초기 군집 중심점으로 대표 사용자들의 선호도 벡터를 이용하여 군집화를 수행한다.
- UCINET 6는 사회연결망분석을 위한 대표적인 분석 프로그램으로 Lin Freeman에 의해 개발되었으며, 학술연구에 널리 이용되고 있다. 두 번째 실험은 k 평균 군집색인 협업필터링을 수행하였다. 이 실험 환경은 Microsoft Excel의 VBA (Visual Basic Applications)를 이용하여 개발하였으며, k평균군집분석과 협업필터링이 통합되어 실행될 수 있도록 하였다.
- 본 연구에서 제안하는 추천시스템의 유용성 확인을 위하여 두 가지 독립된 실험과정을 진행하였다. 첫 번째 실험은 구조적 공백 분석으로 이를 위해 UCINET 6를 이용하였다.
- 본 연구에서 제안하는 추천시스템의 추천성과를 확인하기 위하여 실제 사용자들의 데이터를 수집하여 실험을 수행한다. 수집된 연구데이터는 사용자들의 상품 선호도 평가점수자료와 사회연결망 관계에 대한 자료이다.
- 두 번째 실험은 k 평균 군집색인 협업필터링을 수행하였다. 이 실험 환경은 Microsoft Excel의 VBA (Visual Basic Applications)를 이용하여 개발하였으며, k평균군집분석과 협업필터링이 통합되어 실행될 수 있도록 하였다. 전 장에서 설명한 바와 같이 본 연구에서 사용한 k평균 군집분석은 일반적인 k 평균 군집분석과 달리 사용자의 선호도 평가점수 벡터를 기반으로 유사성을 평가하여야 하므로 유사성 평가방법은 선호도 평가점수 벡터의 피어슨 상관계수를 이용하였다.
- 제안하는 추천시스템에서 사용자의 사회연결망 정보를 반영하기 위하여 먼저 사용자들의 사회연결망 정보를 수집한 후 사회연결망에서 의사결정의 주도자 또는 관계 형성의 주도자인 핵심인물을 추출하기 위한 구조적 공백 분석을 실시하고, 이에 따라 추출된 구조적 공백에 해당하는 사용자를 초기 중심점으로 하는 k평균 군집분석을 수행한다. 이후 군집분석을 통해 얻어진 군집색인을 이용하여 군집색인 협업필터링을 수행한다. 이를 통해 사용자와 친분관계에 있는 사용자와 그와 유사한 사용자의 정보를 추천과정에 반영할 수 있다.
- 본 연구에서 제안하는 추천시스템의 유용성 확인을 위하여 두 가지 독립된 실험과정을 진행하였다. 첫 번째 실험은 구조적 공백 분석으로 이를 위해 UCINET 6를 이용하였다. UCINET 6는 사회연결망분석을 위한 대표적인 분석 프로그램으로 Lin Freeman에 의해 개발되었으며, 학술연구에 널리 이용되고 있다.
- 이 장에서는 본 연구에서 제안하는 협업필터링과 구조적 공백을 이용한 추천시스템의 수행 절차를 설명한다. 특히 본 연구에서는 협업필터링을 수행하는 과정에서 사용자의 사회연결망정보가 반영될 수 있도록 사회연결망분석 기반의 군집색인 협업필터링을 수행하게 된다. 본 연구에서 일반적인 협업필터링 대신 군집색인 협업필터링을 활용하는 이유는 사회연결망의 대표사용자들의 특성을 협업필터링에 보다 더 많이 반영할 수 있는 장점과 일반적인 협업필터링에 비해 연산량이 적어서 효율성이 높기 때문이다.
- 한편, 본 연구에서 제안하는 추천시스템의 성과를 보다 객관적으로 평가하기 위해 본 연구에서는 여러 추천시스템과의 비교평가를 수행하였다. 비교평가에 활용된 추천시스템 중 첫 번째는 일반적인 협업필터링을 이용한 추천시스템으로 본 연구에서는 CCF (Conventional CF)라 표기하였다.
대상 데이터
- 상품 선호도 평가와 관련하여서는 일반적으로 추천시스템 연구에서 많이 사용해 온 영화에 대한 평가점수 자료를 수집하였다. 그밖에 사용자의 기초 인구통계자료를 수집하였다. 수집 대상은 국내 대학의 재학생으로 한정하였으며, 총 91명의 자료를 수집하였으나 불성실한 답변이 포함된 하나의 자료를 제외한 90명의 자료를 연구데이터로 활용하였고 선호도 평가 대상 영화는 100편으로 한정하여 평가를 실시하였다.
- 그밖에 사용자의 기초 인구통계자료를 수집하였다. 수집 대상은 국내 대학의 재학생으로 한정하였으며, 총 91명의 자료를 수집하였으나 불성실한 답변이 포함된 하나의 자료를 제외한 90명의 자료를 연구데이터로 활용하였고 선호도 평가 대상 영화는 100편으로 한정하여 평가를 실시하였다.
- 본 연구에서 제안하는 추천시스템의 추천성과를 확인하기 위하여 실제 사용자들의 데이터를 수집하여 실험을 수행한다. 수집된 연구데이터는 사용자들의 상품 선호도 평가점수자료와 사회연결망 관계에 대한 자료이다. 일반적으로 추천시스템 연구에서는 MovieLens 데이터나 EachMovie 데이터를 활용하여 추천성과를 평가하지만, 이들 데이터에는 사용자의 사회연결망 자료가 포함되어 있지 않으므로 직접 연구데이터를 수집하였다.
- 일반적으로 추천시스템 연구에서는 MovieLens 데이터나 EachMovie 데이터를 활용하여 추천성과를 평가하지만, 이들 데이터에는 사용자의 사회연결망 자료가 포함되어 있지 않으므로 직접 연구데이터를 수집하였다. 연구데이터 수집을 위해 웹 기반의 연구데이터 수집 시스템을 구축하였으며, 사용자의 사회연결망 정보와 관련하여서는 페이스북, 마이스페이스, 싸이월드와 트위터 등의 마이크로 블로그 서비스에서의 친구관계 자료를 수집하였다. 상품 선호도 평가와 관련하여서는 일반적으로 추천시스템 연구에서 많이 사용해 온 영화에 대한 평가점수 자료를 수집하였다.
데이터처리
- 본 연구에서는 추천성과의 차이가 얼마나 통계적으로 유의한 지 확인하기 위하여 대응표본 t-test를 수행하였으며, 그 결과는 [Table 3]와 같다.
- 제안하는 추천시스템에서 사용자의 사회연결망 정보를 반영하기 위하여 먼저 사용자들의 사회연결망 정보를 수집한 후 사회연결망에서 의사결정의 주도자 또는 관계 형성의 주도자인 핵심인물을 추출하기 위한 구조적 공백 분석을 실시하고, 이에 따라 추출된 구조적 공백에 해당하는 사용자를 초기 중심점으로 하는 k평균 군집분석을 수행한다. 이후 군집분석을 통해 얻어진 군집색인을 이용하여 군집색인 협업필터링을 수행한다.
이론/모형
- 하지만, 일반적으로 다른 사용자에 비해 사용자의 사회연결망 상의 친구 중 선호도까지 유사한 친구는 극히 소수인 경우가 많으므로 사회연결망의 정보를 추천과정에 반영하기에는 비효과적이다 (Liu and Lee, 2010). 따라서 본 연구에서는 Liu and Lee (2010)과 Kim and Ahn (2010)에서 제안한 방법을 활용한다. 즉, 협업필터링의 이웃 사용자로 선정된 사용자 중에서 동일한 군집색인을 가지는 경우에는 가중치(예를 들면 두 배의 가중치)를 부여하고 나머지 사용자에 대해서는 가중치를 부여하지 않아서 사회연결망 상의 친구의 선호도가 보다 더 추천과정에 반영될 수 있도록 하는 것이다.
- 여기서 사용자 간의 유사도는 상품에 대한 선호도 벡터의 유사성을 이용하여 계산하는데, 일반적으로 상품에 대한 선호도 벡터는 사용자가 모든 상품에 대한 평가를 할 수 없으므로 일반적인 유클리드 거리 방식으로 계산 하기 곤란하다. 따라서 본 연구에서는 유클리드 거리 대신 피어슨 상관계수를 이용하여 상품 간 선호도 벡터의 유사도를 계산하는 방식을 사용한다.
- 이는 k평균 군집분석의 효과를 배제하기 위하여 사용자들을 다섯 개의 군집으로 임의 배정하여 군집색인을 배정한 후 협업필터링을 수행하는 것이다. 마지막으로 본 연구에서 제안하는 구조적 공백 기반의 군집색인 협업필터링을 이용한 추천시스템으로 SCF(Structural hole-based cluster-indexing CF)로 표시하였다. 본 연구에서는 동일한 군집색인에 속하는 사용자의 선호도 점수에 대해서 두 배의 가중치를 부여하는 방식을 이용하였는데 이는 전술한 바와 같이 같은 군집색인을 가진 사용자가 소수인 경우가 많으므로 추천과정에 사회 연결망 정보를 보다 많이 반영하기 위해 Liu and Lee (2010), Kim and Ahn (2010) 등의 연구에서 사용한 방식을 이용하였다.
- 마지막으로 본 연구에서 제안하는 구조적 공백 기반의 군집색인 협업필터링을 이용한 추천시스템으로 SCF(Structural hole-based cluster-indexing CF)로 표시하였다. 본 연구에서는 동일한 군집색인에 속하는 사용자의 선호도 점수에 대해서 두 배의 가중치를 부여하는 방식을 이용하였는데 이는 전술한 바와 같이 같은 군집색인을 가진 사용자가 소수인 경우가 많으므로 추천과정에 사회 연결망 정보를 보다 많이 반영하기 위해 Liu and Lee (2010), Kim and Ahn (2010) 등의 연구에서 사용한 방식을 이용하였다.
- 본 연구에서 k평균 군집분석의 군집의 개수 (k)는 5로 결정하였는데 k평균 군집분석의 경우, k를 결정할 수 있는 일반적인 방법이 없고 실험자의 판단에 따라 결정하여야 하므로 데이터 총수를 고려하여 다섯 개로 설정하였다. 세 번째 추천시스템은 임의배정 군집분석 기반의 협업필터링을 사용하는데 본 연구에서는 RCF (Randomly selected cluster-indexing CF)로 표시하였다. 이는 k평균 군집분석의 효과를 배제하기 위하여 사용자들을 다섯 개의 군집으로 임의 배정하여 군집색인을 배정한 후 협업필터링을 수행하는 것이다.
- 이 실험 환경은 Microsoft Excel의 VBA (Visual Basic Applications)를 이용하여 개발하였으며, k평균군집분석과 협업필터링이 통합되어 실행될 수 있도록 하였다. 전 장에서 설명한 바와 같이 본 연구에서 사용한 k평균 군집분석은 일반적인 k 평균 군집분석과 달리 사용자의 선호도 평가점수 벡터를 기반으로 유사성을 평가하여야 하므로 유사성 평가방법은 선호도 평가점수 벡터의 피어슨 상관계수를 이용하였다.
- 한편, 본 연구에서 추천시스템의 추천성과를 평가하기 위하여 평균MAE를 사용하였다. MAE (mean absolute error)는 사용자의 실제 평가와 예측 평가점수의 차이를 의미하는 것으로 협업필터링 연구에서 자주 이용되고 있다 (Breese et al.
성능/효과
- [Table 2]에서 제시된 바와 같이 본 연구에서 제시하는 모형인 SCF가 다른 비교모형에 비해 평균MAE가 가장 작아서 추천성과가 가장 우수한 것으로 나타났다. 같은 군집색인 협업필터링 모형인 RCF와 KCF는 SCF와 CF에 비해 추천성과가 떨어졌으며, 둘 간의 비교에서는 KCF가 우월한 것으로 나타났다.
- [Table 2]에서 제시된 바와 같이 본 연구에서 제시하는 모형인 SCF가 다른 비교모형에 비해 평균MAE가 가장 작아서 추천성과가 가장 우수한 것으로 나타났다. 같은 군집색인 협업필터링 모형인 RCF와 KCF는 SCF와 CF에 비해 추천성과가 떨어졌으며, 둘 간의 비교에서는 KCF가 우월한 것으로 나타났다. 한편, 군집색인 기반의 협업필터링인 RCF와 KCF의 추천성과가 일반적인 CF인 CCF에 비해 저조한 것으로 나타났다.
- [Table 3]에 제시된 결과를 살펴보면, SCF의 추천성과와 RCF, KCF의 추천성과의 차이가 각각 1% 유의수준에서 통계적 유의성을 가짐을 알 수 있다. 또한, CCF도 RCF, KCF의 성과와 비교하여 각각 1% 유의수준에서 유의한 성과 차이가 있다는 것을 보여준다. 추천의 성과에서 SCF가 CCF보다 우수하였으나 그 성과의 차이는 통계적으로 유의하지 않았다.
- 실제 사용자의 데이터를 이용한 분석 결과, 제안한 추천시스템이 추천의 성과를 개선할 수 있는 것으로 나타났다. 비교모형 분석을 통해 유사한 시스템과의 성과 차이에서 확인한 것과 같이 동일한 시스템 구조에서도 사회연결망 정보가 반영될 때 추천의 성과가 보다 더 개선되는 것으로 나타났는데 이는 사회연결망 정보에 포함된 사용자의 정성적, 감성적인 정보가 반영된 것으로 생각된다.
- 본 연구에서는 일반적인 협업필터링과 사회연결망분석을 통해 얻어진 사회연결망 정보를 추천과정에 반영할 수 있는 방법을 제안하였다. 실제 사용자의 데이터를 이용한 분석 결과, 제안한 추천시스템이 추천의 성과를 개선할 수 있는 것으로 나타났다. 비교모형 분석을 통해 유사한 시스템과의 성과 차이에서 확인한 것과 같이 동일한 시스템 구조에서도 사회연결망 정보가 반영될 때 추천의 성과가 보다 더 개선되는 것으로 나타났는데 이는 사회연결망 정보에 포함된 사용자의 정성적, 감성적인 정보가 반영된 것으로 생각된다.
- 또한, Liu and Lee (2010)는 사회연결망 서비스에서의 친구관계 정보를 이용하여 협업필터링에서 친구관계에 있는 사용자의 선호도 정보를 포함하거나 가중하여 반영하는 방법을 제안하였다. 이를 통해 친구관계에 있는 사용자의 선호도가 추천과정에 보다 더 많이 반영되게 하는 것으로, 제안하는 방법에 의한 추천성과가 기존의 방법에 비해 개선되는 것으로 나타났다. 전술한 연구들은 사회연결망의 정보를 추천과정에 반영하고자 하였으나, 사회연결망분석을 실제 활용한 것은 아니고 실증분석 없는 탐색적인 연구이거나 단순히 사회연결망의 정보만을 추천과정에 반영한 연구들이었다.
- 일반적으로 구조적 공백을 측정하는 직접적인 단일 지표는 존재하지 않지만, 네트워크 제약의 측정은 효율성(efficiency), 적합한 규모(effective size), 제약성(constraint), 계층(hierarchy)을 통해 파악할 수 있다. 적합한 규모는 각 개체가 가지고 있는 연결관계의 수에서 상대방이 가지고 있는 연결관계의 수의 평균을 제외한 값으로 내가 관계를 맺고 있는 상대방이 다른 사람들과 적은 수의 관계를 유지할 경우 나의 네트워크의 효과가 커진다는 사실을 기반으로 한다. 효율성은 적합한 규모를 실제 네트워크 규모로 나누어 구하며, 이를 통해 표준화된 네트워크의 적합한 규모를 구할 수 있다.
- 이는 군집색인 협업필터링이 연산을 감소시켜서 효율성을 제고하는 반면, 정보손실이 크기 때문에 모든 사용자를 이용하여 추천을 하는 CCF에 비해 추천성과가 저조할 수 있다는 일반적인 사실을 보여준 것이다. 한편, SCF의 경우에는 모든 모형에 비해 추천성과가 우수하였으며, 특히, CCF에 비해서도 성과가 우수하였는데, 이는 일반적인 군집색인 협업필터링의 효율성을 가지면서도 추천의 성과가 떨어지지 않았음을 보여 주는 것이다.
- 같은 군집색인 협업필터링 모형인 RCF와 KCF는 SCF와 CF에 비해 추천성과가 떨어졌으며, 둘 간의 비교에서는 KCF가 우월한 것으로 나타났다. 한편, 군집색인 기반의 협업필터링인 RCF와 KCF의 추천성과가 일반적인 CF인 CCF에 비해 저조한 것으로 나타났다. 이는 군집색인 협업필터링이 연산을 감소시켜서 효율성을 제고하는 반면, 정보손실이 크기 때문에 모든 사용자를 이용하여 추천을 하는 CCF에 비해 추천성과가 저조할 수 있다는 일반적인 사실을 보여준 것이다.
후속연구
- 그러나 이 부분은 최근에 강화된 개인정보보호법 등으로 개인정보의 수집이 더욱 어려워졌기에 연구환경에서는 어쩔 수 없는 한계점이라 할 수도 있다. 따라서 연구데이터 수집과정에서 사용자의 활용동의와 함께 보다 체계적인 데이터 수집계획 수립을 통해 실제 데이터와 유사한 데이터를 수집할 수 있어야 할 것이며, 이는 향후 연구과제가 될 것이다.
- 본 연구의 제안 추천시스템의 유용성이 확인되었지만 일반적인 협업필터링에 비해 성과 개선의 정도가 유의할 정도로 크지 않다는 점과 실험실 환경에서 제한된 연구데이터를 사용하였다는 점은 본 연구의 중요한 한계점이다. 본 연구에서는 사회연결망 정보를 가중치를 주어 반영 하는 방식을 제안하였는데 사회연결망 정보를 보다 직접적으로 많이 반영할 수 있는 방안이 제안된다면 보다 큰 성과 개선이 있을 것으로 기대된다. 또, 여러 가지 환경요인이 제한된 실험실 환경의 데이터 수집과정을 통해 데이터를 수집하였기에 실제 데이터에서도 동일한 성과의 개선을 가져 올 것인지에 대한 확신을 가질 수 없다는 점도 단점이다.
- 본 연구의 제안 추천시스템의 유용성이 확인되었지만 일반적인 협업필터링에 비해 성과 개선의 정도가 유의할 정도로 크지 않다는 점과 실험실 환경에서 제한된 연구데이터를 사용하였다는 점은 본 연구의 중요한 한계점이다. 본 연구에서는 사회연결망 정보를 가중치를 주어 반영 하는 방식을 제안하였는데 사회연결망 정보를 보다 직접적으로 많이 반영할 수 있는 방안이 제안된다면 보다 큰 성과 개선이 있을 것으로 기대된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.