모바일 기기의 사용이 급증하면서 앱 스토어를 이용하는 사용자들 또한 증가하고 있다. 그러나 앱 스토어들은 대부분 단순한 랭킹 방식의 추천을 사용하므로 추천의 정확성이 떨어진다. 본 논문에서는 사용자에게 더 적합한 아이템을 추천하기 위해 사용자 정보 가중치와 아이템의 최근 선호 정도를 반영한 기법을 제안한다. 제안하는 기법은 데이터 셋을 카테고리별로 구분한 후 협업필터링 기법에 사용자 정보 가중치를 적용하여 예측값을 추출한다. 카테고리별로 아이템에 대한 최근 선호 정도를 반영하기 위해 특정 기간을 지정한 아이템 평가값 평균을 구한다. 최종적으로 두 결과 값을 결합하여 아이템을 추천한다. 실험을 통해 제안한 기법이 기존의 아이템 기반, 사용자 기반 기법보다 추천의 정확성과 적합성이 향상되는 것을 확인하였다.
모바일 기기의 사용이 급증하면서 앱 스토어를 이용하는 사용자들 또한 증가하고 있다. 그러나 앱 스토어들은 대부분 단순한 랭킹 방식의 추천을 사용하므로 추천의 정확성이 떨어진다. 본 논문에서는 사용자에게 더 적합한 아이템을 추천하기 위해 사용자 정보 가중치와 아이템의 최근 선호 정도를 반영한 기법을 제안한다. 제안하는 기법은 데이터 셋을 카테고리별로 구분한 후 협업필터링 기법에 사용자 정보 가중치를 적용하여 예측값을 추출한다. 카테고리별로 아이템에 대한 최근 선호 정도를 반영하기 위해 특정 기간을 지정한 아이템 평가값 평균을 구한다. 최종적으로 두 결과 값을 결합하여 아이템을 추천한다. 실험을 통해 제안한 기법이 기존의 아이템 기반, 사용자 기반 기법보다 추천의 정확성과 적합성이 향상되는 것을 확인하였다.
As the use of mobile device is increasing rapidly, the number of users is also increasing. However, most of the app stores are using recommendation of simple ranking method, so the accuracy of recommendation is lower. To recommend an item that is more appropriate to the user, this paper proposes a t...
As the use of mobile device is increasing rapidly, the number of users is also increasing. However, most of the app stores are using recommendation of simple ranking method, so the accuracy of recommendation is lower. To recommend an item that is more appropriate to the user, this paper proposes a technique that reflects the weight of user information and recent preference degree of item. The proposed technique classifies the data set by categories and then derives a predicted value by applying the user's information weight to the collaborative filtering technique. To reflect the recent preference degree of item by categories, the average of items' rating values in the designated period is computed. An item is recommended by combining the two result values. The experiment result indicated that the proposed method has been more enhanced the accuracy, appropriacy, compared to item-based, user-based method.
As the use of mobile device is increasing rapidly, the number of users is also increasing. However, most of the app stores are using recommendation of simple ranking method, so the accuracy of recommendation is lower. To recommend an item that is more appropriate to the user, this paper proposes a technique that reflects the weight of user information and recent preference degree of item. The proposed technique classifies the data set by categories and then derives a predicted value by applying the user's information weight to the collaborative filtering technique. To reflect the recent preference degree of item by categories, the average of items' rating values in the designated period is computed. An item is recommended by combining the two result values. The experiment result indicated that the proposed method has been more enhanced the accuracy, appropriacy, compared to item-based, user-based method.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 본 논문에서는 사용자들이 원하는 아이템을좀 더 빠르고 정확하게 찾을 수 있도록 아이템에 대해 기간 정보를 적용한 평가값과 카테고리별로 사용자 정보 가중치를 사용한 협업필터링 기법을 제안한다.
이에 본 논문에서는 모바일 추천의 성능을 향상시키기 위해 아이템에 대한 기간 정보와 협업필터링 기법을 결합한 추천 기법을 제안하였다. 제안된 기법은 단순한 누적 다운로드 수를 이용한 추천이 아닌 사용자들의 최근 선호 경향을 반영하기 위해 카테고리별로 전체 아이템에 기간 정보를 적용한 아이템 평가값을 구하고 사용자의 정보 가중치를 적용한 예측값을 생성하여 두 값의 평균을 실제 예측값으로 사용하였다.
제안 방법
user-item matrix를 생성한 후 목표 사용자의 근접 이웃을 추출하기 위해 유사도를 계산한다. 유사도는 두 사용자가 공통으로 평가한 아이템의 개수가 소수인데도 유사도가 높게 나오는 경우 정확성이 떨어지므로 공통 평가 아이템 개수에 임계값을 적용하여 피어슨 상관계 수와 사용자 정보 가중치를 적용하여 계산한다.
가중치와 임계값을 지정하여 유사도를 계산한 후 모든 사용자를 목표 사용자의 이웃으로 지정하는 것이 아니라 유사도 임계값을 지정하여 그 이상의 유사도 값을 가진 사용자들만을 목표 사용자의 이웃으로 지정한다. 근접 이웃 사용자들의 평가값과 유사도만을 사용하여 목표 사용자의 평가되지 않은 아이템의 예측값을 계산한다.
아이템의 평가값 평균이 전체 아이템에 대한 평가값 평균보다 작으면 선호도가 낮으므로 기간 정보를 적용한 평가값을 사용하지 않고 아이템 평가값을 그대로 사용한다. 또한 아이템에 대한 평가 수가 적음에도 평균이 높아 선호도가 높게 평가되는 것을 방지하기 위해 최소 평가 개수를 지정한다. 기간 정보를 사용하여 아이템 평가값을 추출함으로써 누적 다운로드 횟수와 최근의 선호 경향을 함께 반영한 아이템을 사용자에게 추천할 수 있다.
본 논문에서는 추천의 정확성과 아이템에 대한 사용자들의 최근 선호도를 반영하기 위해 카테고리별로 아이템의 전체 평가값 평균과 기간 정보를 적용한 아이템 평가값을 구하여 예측값 계산에 적용한다. 아이템들에 대한 가중치 평가값은 다음 식(1)을 이용하여 계산한다.
제안하는 기법은 아이템들을 카테고리별로 분류한 후 최근의 선호도를 반영하기 위해 특정 기간 정보를 적용한 아이템 평가값을 구한다. 아이템 평가값을 계산한 후 사용자 정보 가중치를 적용하여 사용자 기반 예측값을 구하고 앞서 계산된 기간 정보를 적용한 아이템 평가값을 결합하여 최종 예측값을 계산한다. 앱 스토어들이 사용자에게 많은 정보를 요구하지 않기 때문에 사용자 정보는 연령과 성별만을 사용한다.
카테고리별로 사용자 정보를 가중치로 사용한 useritem matrix를 생성한다. 앱 스토어들은 가입 시 사용자에게 많은 정보를 요구하지 않으므로 본 논문에서는 사용자 정보로 나이와 성별 정보만을 사용한다. 같은 연령대의 소비자들은 유사한 소비 성향을 갖는 경향이 있으므로 나이 정보는 연령별로 7개의 그룹(A1~A7)으로 나누어 사용한다.
예측의 정확성 실험에서는 유사도 임계값을 0.4에서 0.1씩 증가시켜 0.9까지 변화를 주어 세 기법의 MAE 값을 측정하여 정확성을 비교하였다. 그림 6은 유사도 임계값 변화에 따른 MAE 값을 측정한 결과를 나타낸 것이다.
user-item matrix를 생성한 후 목표 사용자의 근접 이웃을 추출하기 위해 유사도를 계산한다. 유사도는 두 사용자가 공통으로 평가한 아이템의 개수가 소수인데도 유사도가 높게 나오는 경우 정확성이 떨어지므로 공통 평가 아이템 개수에 임계값을 적용하여 피어슨 상관계 수와 사용자 정보 가중치를 적용하여 계산한다. 식(2)는 피어슨 상관계수에 가중치를 적용한 유사도 계산식이다.
추천의 적합성 실험에서는 이웃의 크기에 변화를 주고 이에 따른 세 기법의 추천의 적합성을 F1척도로 비교하였다. 이웃의 크기는 10에서 50까지 10씩 증가시키고 그 변화에 따른 결과를 추출하였다.
이에 본 논문에서는 모바일 추천의 성능을 향상시키기 위해 아이템에 대한 기간 정보와 협업필터링 기법을 결합한 추천 기법을 제안하였다. 제안된 기법은 단순한 누적 다운로드 수를 이용한 추천이 아닌 사용자들의 최근 선호 경향을 반영하기 위해 카테고리별로 전체 아이템에 기간 정보를 적용한 아이템 평가값을 구하고 사용자의 정보 가중치를 적용한 예측값을 생성하여 두 값의 평균을 실제 예측값으로 사용하였다.
마지막으로 최종 예측값들 중 Top-N개의 아이템을 추출하여 사용자에게 추천한다. 제안하는 기법은 사용자 정보를 추천에 사용함으로써 단순한 아이템 순위별 추천이 아닌 사용자 특성을 반영한 추천이 가능하고 아이템에 대한 기간 정보를 사용하여 계산된 아이템 평가값을 예측에 사용함으로써 최근의 선호 경향을 적용한 추천도 가능하다.
제안하는 기법은 아이템들을 카테고리별로 분류한 후 최근의 선호도를 반영하기 위해 특정 기간 정보를 적용한 아이템 평가값을 구한다. 아이템 평가값을 계산한 후 사용자 정보 가중치를 적용하여 사용자 기반 예측값을 구하고 앞서 계산된 기간 정보를 적용한 아이템 평가값을 결합하여 최종 예측값을 계산한다.
제안하는 기법의 성능 평가를 위해 training dataset과 test dataset의 아이템들을 각각 영화 장르를 기준으로 18개(action, adventure, animation, children's, comedy, crime, documentary, drama, fantasy, film-noir, horror, musical, mystery, romance, sci-fi, thriller, war, western)의 카테고리로 분류하여 실험하였다.
추천의 적합성 실험에서는 이웃의 크기에 변화를 주고 이에 따른 세 기법의 추천의 적합성을 F1척도로 비교하였다. 이웃의 크기는 10에서 50까지 10씩 증가시키고 그 변화에 따른 결과를 추출하였다.
대상 데이터
본 논문에서 제안한 추천기법의 성능을 평가하기 위해 실험 데이터는 GroupLens Research Project에 의해 수집된 MovieLens 데이터셋을 사용하였다. MovieLens 데이터셋은 943명의 사용자가 1682개의 영화에 대하여 평가한 100,000개의 평가값을 갖는 데이터셋으로 사용자들은 최소 20개의 아이템에 대해 선호도를 1~5의 값으로 평가하였다[15].
제안하는 기법의 성능 평가를 위해 training dataset과 test dataset의 아이템들을 각각 영화 장르를 기준으로 18개(action, adventure, animation, children's, comedy, crime, documentary, drama, fantasy, film-noir, horror, musical, mystery, romance, sci-fi, thriller, war, western)의 카테고리로 분류하여 실험하였다. 제안 시스템의 구조도는 그림 5와 같으며 실험은 Eclipse, JDK SE 7, MySQL5.5, Android SDK Tools, Android Platform 환경에서 진행하였다.
데이터처리
실험은 협업 필터링 기법의 아이템 기반 추천기법과 사용자 기반 추천기법, 제안하는 추천기법에 대하여 MovieLens 데이터셋에서 예측의 정확성과 추천의 적합성 비교로 이루어졌다.
이론/모형
실험은 예측의 정확성을 평가하기 위해 MAE (Mean Absolute Error) 값 측정과 사용자에게 양질의 아이템을 추천하는지를 평가하기 위해 F1척도(F-measure)기법을 사용하였다.
성능/효과
그림 7은 이웃의 크기 변화에 따른 세 추천기법의 추천의 적합성을 측정한 결과이다. 결과를 통해 제안하는 기법이 비교 기법들보다 추천의 적합성이 높음을 알 수 있다. 세 기법 모두 이웃의 수가 증가하면 F1값이 증가하지만 제안하는 추천기법이 아이템 기반 기법보다는 평균 3.
세 기법 모두 유사도 임계값이 커지면 예측값 계산에 사용되는 이웃의 크기가 줄어들어 MAE 값이 커지지만 제안하는 추천 기법이 사용자 기반 추천 기법과 아이템 기반 추천 기법보다 MAE값이 낮은 것을 볼 수 있다. 이러한 결과는 제안하는 기법의 예측 성능이 두 비교 기법들보다 우수하다는 것을 나타낸다.
결과를 통해 제안하는 기법이 비교 기법들보다 추천의 적합성이 높음을 알 수 있다. 세 기법 모두 이웃의 수가 증가하면 F1값이 증가하지만 제안하는 추천기법이 아이템 기반 기법보다는 평균 3.8%, 사용자 기반 기법보다는 2.6% 정도 추천의 적합성이 높게 나타났다.
실험 결과 제안하는 추천 기법이 예측의 정확성에서 아이템 기반 추천 기법과 사용자 기반 추천 기법보다 각각 평균 4.9%, 8.8% 정도 정확성이 향상되었음을 알 수 있었고, 이웃의 크기 변화에 따른 적합성 비교에서도 제안하는 기법이 아이템 기반 추천 기법과 사용자기반 추천 기법보다 평균 3.8%와 2.6% 정도 적합성이 향상되었음을 알 수 있었다. 이를 통해 사용자 정보 가중치와 아이템의 최근 선호 정도를 결합한 제안 기법이 사용자에게 좀 더 정확하고 적합한 아이템을 추천함을 확인할 수 있었다.
세 기법 모두 유사도 임계값이 커지면 예측값 계산에 사용되는 이웃의 크기가 줄어들어 MAE 값이 커지지만 제안하는 추천 기법이 사용자 기반 추천 기법과 아이템 기반 추천 기법보다 MAE값이 낮은 것을 볼 수 있다. 이러한 결과는 제안하는 기법의 예측 성능이 두 비교 기법들보다 우수하다는 것을 나타낸다. 제안하는 기법은 유사도 임계값이 0.
6% 정도 적합성이 향상되었음을 알 수 있었다. 이를 통해 사용자 정보 가중치와 아이템의 최근 선호 정도를 결합한 제안 기법이 사용자에게 좀 더 정확하고 적합한 아이템을 추천함을 확인할 수 있었다.
제안하는 기법은 사용자 정보를 기반으로 예측값을 추출하기 때문에 사용자의 수가 너무 많을 경우 확장성의 문제가 있을 수 있다. 그러나 이러한 문제는 최근 활발히 연구, 적용되고 있는 빅데이터의 분석기법을 활용하면 해결될 수 있는 문제이다.
이러한 결과는 제안하는 기법의 예측 성능이 두 비교 기법들보다 우수하다는 것을 나타낸다. 제안하는 기법은 유사도 임계값이 0.7일 때 비교 기법들과 조금 더 차이를 보이며 평균적으로 아이템 기반 기법보다 4.9%, 사용자 기반 기법보다 8.8% 정도 예측 성능의 향상을 보인다.
후속연구
그러나 이러한 문제는 최근 활발히 연구, 적용되고 있는 빅데이터의 분석기법을 활용하면 해결될 수 있는 문제이다. 따라서 향후 연구과제는 앱 스토어를 이용하는 사용자들과 등록되는 애플리케이션, 콘텐츠 등의 급증으로 인해 늘어나는 데이터들을 좀 더 정확하게 분석하여 사용자에게 빠르고 정확하게 아이템을 추천할 수 있도록 빅데이터 분석을 활용한 예측방법을 연구하는 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
추천 시스템이란 무엇인가?
추천 시스템은 새로이 등장한 개인화 시스템으로 사용자의 취향에 적합한 상품이나 아이템을 찾아 사용자에게 추천하는 시스템이다[7]. 추천 시스템은 사용자가 본인이 원하는 아이템이나 서비스를 보다 빠르게 이용할 수 있어 원하는 것을 찾기 위한 시간과 노력을 줄일수 있는 이점이 있다.
협업 필터링 기법은 어디에서 활용 되는가?
협업 필터링(collaborative filtering)기법은 사용자가 선호하는 패턴과 유사한 다른 사용자들의 선호도를 이용하여 사용자에게 관련된 아이템이나 서비스를 추천 하는 기법이다. 이 기법은 추천 시스템 분야에서 가장 성공적인 추천 기법으로 전자상거래 기업이 가장 널리 이용하고 있다[11]. 협업 필터링은 사용자와 아이템의 관계에서 무엇을 중심으로 선호도를 예측하느냐에 따라 사용자 기반(user-based) 알고리즘[12]과 아이 템 기반(item-based) 알고리즘으로 분류된다[13].
추천 시스템의 장점은 무엇인가?
추천 시스템은 새로이 등장한 개인화 시스템으로 사용자의 취향에 적합한 상품이나 아이템을 찾아 사용자에게 추천하는 시스템이다[7]. 추천 시스템은 사용자가 본인이 원하는 아이템이나 서비스를 보다 빠르게 이용할 수 있어 원하는 것을 찾기 위한 시간과 노력을 줄일수 있는 이점이 있다. 그리고 기업은 이전까지의 단순 방문자를 구매자로의 전환을 유도할 수 있으며 교차 판매의 효과와 사용자 충성도를 증진시킬 수 있는 이점을 얻을 수 있다[8].
참고문헌 (21)
Korea Communications Commission, "Opening of the smartphone popularization exception : the number exceeded 20000000" press release, 2011. 11. 01
Hee-Woong Kim, Hyun-Lyung Lee, Sujin Choi, "An Exploratory study on the Determinants of Mobile Application Purchase," Society for e-Business Studies, vol. 16, no. 4, pp.173-195, Nov.2011.
Clark, N. (2011.01.27). Smartphone users 'will download 17 bn apps in 2011'. http://www.nzherald.co.nz/technology/ news/article.cfm? c_id5 &objectid 10702391
KTOA, "The trend and vision of smartphone application market", Vol. 52, 2010.
P. Resnick, N. Iacovou, M. Suchak, P. Bergstrom, J. Riedl, "GroupLens: an open architecture for collaborative filtering of netnews," Proceedings of the ACM Conference on Computer Supported Cooperative Work, pp. 175-186, 1994.
J. B. Schafer, J. A. Konstan and J. Reidle, "E-Commerce Recommendation Application," Data Mining and Knowledge Discovery, Vol. 5, Issue 1-2, pp.115-153, 2001.
J. B. Schafer, J. A. Konstan and J. Reidle, "Recom -mender systems in e-commerce," ACM Conference on Electronic Commerce, pp. 158-166, 1999.
P. Renick, H.R. Varian, "Recommender systems," Communications of the ACM Vol. 40, No 3, pp. 56-58, 1997.
M. Pazzani, D. Billsus, "Learning and revising user profiles: the identification of interesting Web sites," Machine Learning, Vol. 27, No.3, pp. 313-331, 1997.
J. A. Konstan, B. Miller, D. Maltz, J. L. Herlocker, L. R. Gordon and J. Riedl, "GroupLens: Applying Collaborative Filtering to Usenet News," Communications of the ACM, Vol. 40, No. 3, pp. 77-87, 1997.
B. Sarwar, G. Karypis, J. Konstan and J. Riedl, "Item-based Collaborative Filtering Recommendation Algorithms," Processing of the 10th International World Wide Web Conference, ACM Press, pp. 285-295, 2001.
J. Jiguang, Y. Xueli, S.Jingyu "TDCF: Time Distribution Collaborative Filtering Algorithm," International Symposium on Information Science and Engineering, vol 1, pp.98-101, Dec 2008.
B.M. Sarwar, G. Karypis, J.A. Konstan, J.A. and J. Riedl, "Item-based Collaboratie Filtering Recommendation Algorithms," 10Th International World Wide Web Conference, ACMPress, pp.285-295,2001.
J. Jiguang, Y. Xueli, S.Jingyu "TDCF: Time Distribution Collaborative Filtering Algorithm," International Symposium on Information Science and Engineering, vol 1, pp.98-101, Dec 2008.
Ji-Sun Park, Taek-Hun Kim, Young-Suk Ryu, Sung-Bong Yang "A Predictive Algorithm using 2-way Collaborative Filtering for Recommender Systems", Korean Institute of Information Scientists and Engineers, vol. 29, no. 9, pp.669-675, Oct. 2002.
B. Yan and G. Chen, "Appjoy: Personalized mobile application discovery," Proceeding od the 9th international conference on Mobile systems, applications, and services, pp.113-126, 2011.
Ju-Hong Song, Kim Hyung-hwan and Nam-mee Moon, "Desing of Recommendation System about User Customized Smart Phone Application," 2010 Korean Society of Broadcast Engineers Summer Conference, pp.156-159, Jul 2010.
T. Hofmann, "Collaborative Filtering via Gaussian Probabilistic Latent Semantic Analysis," Proceedings of the 26th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval, pp.259-266, 2003.
Su-Jeong Ko, "A Recommender Agent using Associtation Item Trees", Korean Institute of Information Scientists and Engineers, vol. 36, no. 4, pp. 298-305, Apr. 2009.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.