$\require{mediawiki-texvc}$
  • 검색어에 아래의 연산자를 사용하시면 더 정확한 검색결과를 얻을 수 있습니다.
  • 검색연산자
검색연산자 기능 검색시 예
() 우선순위가 가장 높은 연산자 예1) (나노 (기계 | machine))
공백 두 개의 검색어(식)을 모두 포함하고 있는 문서 검색 예1) (나노 기계)
예2) 나노 장영실
| 두 개의 검색어(식) 중 하나 이상 포함하고 있는 문서 검색 예1) (줄기세포 | 면역)
예2) 줄기세포 | 장영실
! NOT 이후에 있는 검색어가 포함된 문서는 제외 예1) (황금 !백금)
예2) !image
* 검색어의 *란에 0개 이상의 임의의 문자가 포함된 문서 검색 예) semi*
"" 따옴표 내의 구문과 완전히 일치하는 문서만 검색 예) "Transform and Quantization"

논문 상세정보

협업 필터링 추천 시스템을 위한 데이터 신뢰도 기반 가중치를 이용한 하이브리드 선호도 예측 기법

Hybrid Preference Prediction Technique Using Weighting based Data Reliability for Collaborative Filtering Recommendation System

초록

협업 필터링 추천은 사용자의 아이템에 대한 선호도를 기반으로 유사 아이템 집합 또는 유사 사용자 집합을 생성하고 이를 이용해 사용자의 특정 아이템에 대한 선호도를 예측한다. 따라서 선호도 행렬이 희박할 경우, 추천의 신뢰도는 급격히 낮아진다. 본 논문에서는 위 문제를 해결하기 위해 데이터 신뢰도 기반 가중치를 이용한 하이브리드 선호도 예측 기법을 제안한다. 선호도 예측은 유사 아이템 집합과 유사 사용자 집합을 모두 생성하고 각 집합을 통해 사용자의 선호도를 예측하며, 모델의 상황을 반영한 가중치를 이용해 각 예측치를 병합하여 수행된다. 이 기법은 사용자 선호도 예측 정확도를 높이며 선호도 행렬 희박도가 높은 상황에도 추천 서비스의 신뢰도를 유지할 수 있도록 한다. 이 기법을 바탕으로 추천 시스템을 구현하고 절대평균오차를 기준으로 서비스 신뢰도 향상을 측정하였다. 실험에서 본 기법은 Hao Ji가 제안한 기존의 기법에 비해 선호도 행렬 희박도가 84% 이상인 상황에서 평균 21.7%의 성능 향상을 보여 효과적으로 행렬 희박도 문제를 해소할 수 있음을 검증하였다.

Abstract

Collaborative filtering recommendation creates similar item subset or similar user subset based on user preference about items and predict user preference to particular item by using them. Thus, if preference matrix has low density, reliability of recommendation will be sharply decreased. To solve these problems we suggest Hybrid Preference Prediction Technique Using Weighting based Data Reliability. Preference prediction is carried out by creating similar item subset and similar user subset and predicting user preference by each subset and merging each predictive value by weighting point applying model condition. According to this technique, we can increase accuracy of user preference prediction and implement recommendation system which can provide highly reliable recommendation when density of preference matrix is low. Efficiency of this system is verified by Mean Absolute Error. Proposed technique shows average 21.7% improvement than Hao Ji's technique when preference matrix sparsity is more than 84% through experiment.

질의응답 

키워드에 따른 질의응답 제공
핵심어 질문 논문에서 추출한 답변
아이템 기반 선호도 예측
아이템 기반 선호도 예측에서 이웃 관계는 무엇에 의해 구성되는가?
아이템 간의 관계

아이템 기반 선호도 예측에서 이웃 관계는 아이템 간의 관계에 의해 구성된다[14,15,16]. 아이템들의 부분 집합은 특정 아이템과 다른 아이템들 사이의 유사도를 바탕으로 선택된다.

협업 필터링 추천 기법
협업 필터링 추천 기법은 무엇인가?
사용자들의 선호도 정보를 기반으로 새로운 사용자가 관심을 가질 것으로 예측되는 항목을 추천해주는 기법

협업 필터링 추천 기법은 사용자들의 선호도 정보를 기반으로 새로운 사용자가 관심을 가질 것으로 예측되는 항목을 추천해주는 기법이다[5,6,7,8]. 규칙 기반 필터링 추천 기법이나 내용 기반 필터링 추천 기법 등의 방법이 항목 자체의 속성 정보를 이용해서 사용자에게 아이템을 추천하는 것과는 달리 협업 필터링 추천 기법은 아이템에 대한 다른 사용자들의 선호를 기반으로 한다.

협업 필터링 추천 기법의 장점
협업 필터링 추천 기법의 장점은 무엇인가?
첫째, 협업 필터링 추천 기법을 사용해서 항목의 선호도를 예측할 때 예측 대상이 되는 아이템이 다양한 분야에 속해있다고 가정하면, 사용자 A가 선호하는 분야와 같은 분야의 아이템을 선호했던 이웃이 새로운 분야를 선호하였을 경우 특정 사용자에게 새로운 분야의 아이템을 추천할 수 있다. 둘째, 협업 필터링 추천 기법은 동질적인 선호도를 가진 사용자 집단에서 비교적 정확한 예측이 가능하다. 셋째, 협업 필터링 추천 기법은 많은 계산량을 요구하지 않는 중소규모의 환경에서 실시간 추천을 위해서 고안되었기 때문에 개인화된 추천을 위한 계산은 복잡하지 않고 속도도 빠르다.

이러한 협업 필터링 추천 기법의 장점은 다음과 같다. 첫째, 협업 필터링 추천 기법을 사용해서 항목의 선호도를 예측할 때 예측 대상이 되는 아이템이 다양한 분야에 속해있다고 가정하면, 사용자 A가 선호하는 분야와 같은 분야의 아이템을 선호했던 이웃이 새로운 분야를 선호하였을 경우 특정 사용자에게 새로운 분야의 아이템을 추천할 수 있다. 둘째, 협업 필터링 추천 기법은 동질적인 선호도를 가진 사용자 집단에서 비교적 정확한 예측이 가능하다. 셋째, 협업 필터링 추천 기법은 많은 계산량을 요구하지 않는 중소규모의 환경에서 실시간 추천을 위해서 고안되었기 때문에 개인화된 추천을 위한 계산은 복잡하지 않고 속도도 빠르다.

질의응답 정보가 도움이 되었나요?

저자의 다른 논문

참고문헌 (18)

  1. 1. J. L. Herlocker, J. A. Konstan, L. G. Terveen, and J. T. Riedl, "Evaluating collaborative filtering recommender systems," ACM Transactions on Information Systems, Vol.22, No.1, 2004, pp. 5-53. 
  2. 2. Y. Song, C. L. Giles, "Efficient user preference predictions using collaborative filtering," Pattern Recognition, 2008. ICPR 2008. 19th International Conference, 2008, pp. 1-4. 
  3. 3. J. Reed, C. H. Lee, "Preference Music Ratings Prediction Using Tokenization and Minimum Classification Error Training," Audio, Speech, and Language Processing, IEEE Transactions, Vol. 19, No. 8, 2011, pp. 2294-2303. 
  4. 4. H. Ji, J. Li, C. Ren, and M. He, "Hybrid collaborative filtering model for improved recommendation," Service Operations and Logistics, and Informatics (SOLI), 2013 IEEE International Conference, 2013, pp. 142-145. 
  5. 5. K. Goldberg, T. Roeder, D. Gupta, and C. Perkins, "Eigentaste: a constant time collaborative filtering algorithm," Information Retrieval, Vol.4, No.2, 2001, pp. 133-151. 
  6. 6. M. O. Connor, J. Herlocker, "Clustering Items for Collaborative Filtering," Proc. of the ACM SIGIR Workshop on Recommender Systems, Berkeley, CA, 1999. 
  7. 7. G. Groh, C. Ehming, "Recommendations in Taste Related Domains: Collaborative filtering vs. Social filtering," Proc. of GROUP'07, 2007, pp. 127-136. 
  8. 8. J. L. Herlocker, J. A. Konstan, and J. T. Riedl, "An Empirical Analysis of Design Choices in Neighborhood-based Collaborative Filtering Systems," Information Retrieval, Vol. 5, 2002, pp. 287-310. 
  9. 9. Z. Huang, H. Chen, and D. Zeng, "Applying Associative Retrieval Techniques to Alleviate the Sparsity Problem in Collaborative Filtering," ACM Trans. Information Systems, Vol.22, No.1, 2004, pp. 116-142. 
  10. 10. J. Konstan, D. B. Miller, and D. Maltz, J. Herlocker, L. Gordon, and J. Ridl, "GroupLens: Applying collaborative filtering to Usenet news," Communication of ACM, Vol.40, No.3, 1997, pp. 77-87. 
  11. 11. B. Sarwar, G. Karypis, J. Konstan, and J. Riedl, "Item-based collaborative filtering recommendation algorithm," Proc. of the 10th international conference on World Wide Web, 2001, pp. 285-295. 
  12. 12. P. Melville, R. J. Mooney, and R. Nagarajan, "Content-Boosted Collaborative Filtering for Improved Recommendations," Proc. of the Eighteenth National Conference on Artificial Intelligence, Edmonton, Canada, 2002, pp. 187-192. 
  13. 13. M. Pazzani, "A Framework for Collaborative, Content-Based and Demographic Filtering," Artificial Intelligence Review, 1999, pp. 398-408. 
  14. 14. B. Jin, Y. Cho, and K. Ryu, "Personalized e-commerce recommendation system using RFM method and association rules," Journal of the Korea Society of Computer and Information, Vol.15, No.12, 2010, pp. 227-235. 
  15. 15. D. Park, "Improved Movie Recommendation System based-on Personal Propensity and Collaborative Filtering," KIPS transactions on computer and communication systems, Vol.2, No.11, 2013, pp. 475-482. 
  16. 16. S. B. Park, Y. T. Baek "A Study of Story Visualization Based on Variation of Characters Relationship by Time," Journal of the Korea Society of Computer and Information, Vol.18, No.3, 2013, pp. 119-126. 
  17. 17. W. J. Lee, K. W. Kim, K. D. Boo, and J. J. Woo, "A Study on the Adoption of NAC for Guaranteeing Reliability of u-Campus Network," Journal of Korean Institute of Information Technology, Vol.7, No.4, 2009, pp. 252-258. 
  18. 18. E. S. You, S. B. Park, "Story-based Information Retrieval," Journal of Intelligence and Information Systems, Vol.19, No.4, 2013, pp. 81-96. 

문의하기 

궁금한 사항이나 기타 의견이 있으시면 남겨주세요.

Q&A 등록

원문보기

원문 PDF 다운로드

  • ScienceON :
  • KCI :

원문 URL 링크

원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다. (원문복사서비스 안내 바로 가기)

DOI 인용 스타일

"" 핵심어 질의응답