[논문]혼합 필터링 기반의 영화 추천 시스템에 관한 연구

정인용; 양새동; 정회경

doi:10.6109/jkiice.2015.19.1.113

혼합 필터링 기반의 영화 추천 시스템에 관한 연구
A Study on Movies Recommendation System of Hybrid Filtering-Based 원문보기

한국정보통신학회논문지 = Journal of the Korea Institute of Information and Communication Engineering, v.19 no.1, 2015년, pp.113 - 118

정인용 (Department of Computer Engineering, Paichai University) , 양새동 (Department of Computer Engineering, Paichai University) , 정회경 (Department of Computer Engineering, Paichai University)

초록
AI-Helper

추천 시스템은 증가되고 있는 정보에서 사용자가 요구하는 적합한 정보를 선별해 제공해준다. 추천 시스템은 기존에 입력된 정보들을 알고리즘을 통해 선별하는 과정을 거치고 사용자의 정보나 내용 기반으로 정보를 제공한다. 추천 시스템의 문제점으로는 Cold-Start가 있으며, Cold-Start는 새로운 사용자의 정보가 충분하지 않아서 추천 시스템에서 새로운 사용자에게 정보를 추천할 때 발생한다. Cold-Start를 해결하기 위해선 사용자의 정보나 항목 정보가 충족해야 한다. 이에 본 논문에서는 협업 필터링 기법과 내용 기반의 필터링 기법을 혼합한 혼합 필터링 기법 기반으로 Cold-Start 문제를 해결하고 이를 사용하는 영화 추천 시스템을 제안한다.

Abstract ▼ AI-Helper

Recommendation system is filtering for users require appropriate information from increasing information. Recommendation system is provides the information based on user information or content that information entered in the original through process of filtering through the algorithm. Recommend system is problems with Cold-start, and Cold-start is not enough information in the occurrences for new users of recommend system in the new information to the user when recommend. Cold-start is should meet to resolve the user of information and item information. In this paper, Suggest for movie recommendation system on collaborative filtering techniques and content-based filtering techniques based to a hybrid of a hybrid filtering techniques to solve problems in cold-start.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 협업 필터링 기법과 내용 기반의 필터링 기법을 혼합하여 Cold-Start 문제를 해결하고 추천 시스템에 영향이 될 수 있는 주요 알고리즘을 비교하여 효율적인 알고리즘을 분석하고 영화 추천 시스템을 제안한다.
최근에 사용되는 추천 시스템에서는 Cold-Start 문제를 해결하는 방안으로 협업 필터링 기법과 내용 기반의 필터링 기법을 혼합한 필터링 기법을 사용한다. 혼합 필터링 기법은 장점을 부각하고 단점을 줄이는 필터링 기법으로 본 논문에서는 이러한 혼합 필터링 기법을 사용하는 영화 추천 시스템을 제안하였다. 제안하는 영화 추천 시스템에서는 유사도를 측정하는 유사 알고리즘과 추천에 사용되는 추천 알고리즘이 사용되며 우수한 알고리즘을 선별하기 위해서 실험을 진행하였다.

제안 방법

먼저 사용자 정보 수집 단계에서는 새로운 사용자의 정보를 시스템에 입력하고 데이터베이스에 등록하는 단계이다. 그리고 등록된 사용자 개인 정보와 Top-N 알고리즘을 사용해 기존의 유사한 사용자 모임으로 분류한다.
사용자 행동분석 단계에서는 인기 있는 영화들을 사용자에게 임의로 추천한다. 그리고 사용자가 등록한 영화 평가를 분석하여 사용자 등급 행렬(User-Rating Matrix)을 생성한다. 또한, 생성된 사용자 등급 행렬을 기반으로 사용자에게 더 적합한 영화들을 추천한다.
영화 추천 시스템은 먼저 수집한 데이터를 분석하고 사용자 취향에 대한 데이터 모델을 구축한다. 그리고 사용자들의 유사도를 측정하고 순위를 계산한다. 영화 추천 시스템의 주요 처리 과정은 그림 2와 같다.
영화 추천 시스템에서 Top-N 추천 알고리즘을 사용 하여 구현한 화면은 그림 7과 같다. 그리고 추천해준 영화가 사용자의 행동에 미치는 영향을 분석한 뒤 SNS을 사용하여 다른 사용자에게 연결한다.
본 장에서는 Cold-Start 문제를 해결하기 위한 방안을 제안하고 웹 사이트 형식으로 구현했다. 제안하는 영화 추천 시스템의 구성은 세 단계로 구성되어 있다.
혼합 필터링 기법은 장점을 부각하고 단점을 줄이는 필터링 기법으로 본 논문에서는 이러한 혼합 필터링 기법을 사용하는 영화 추천 시스템을 제안하였다. 제안하는 영화 추천 시스템에서는 유사도를 측정하는 유사 알고리즘과 추천에 사용되는 추천 알고리즘이 사용되며 우수한 알고리즘을 선별하기 위해서 실험을 진행하였다. 실험 결과 로그우도 알고리즘과 KNN 항목 기반 알고리즘이 다른 알고리즘에 비해 우수한 알고리즘으로 측정되었다.
실험 결과 로그우도 알고리즘과 KNN 항목 기반 알고리즘이 다른 알고리즘에 비해 우수한 알고리즘으로 측정되었다. 제안하는 영화 추천 시스템은 로그우도 알고리즘과 KNN 항목 기반 알고리즘을 사용하여 구현하였으며 정밀도와 재현율을 통해 성능을 평가했다.
추천 시스템에서 사용되는 추천 알고리즘은 트리 클러스터 기반 추천 알고리즘(TreeCluster)과 일반 항목 기반 추천 알고리즘(ItemCF), KNN 항목 기반 추천 알고리즘(ItemKNN), Slope-One 추천 알고리즘(SlopeOne), 일반 사용자 기반 추천 알고리즘(UserCF), SVD 추천 알고리즘(SVD)들의 평균 절대 차이 값 결과를 측정한다. 측정한 결과는 그림 9와 같다.

대상 데이터

실험에 사용한 데이터는 Grouplens 사이트에서 제공 하는 데이터를 사용하였다. 사용된 데이터는 2000년 6,040명의 MovieLens 사용자들이 3,900개의 영화에 1,000,209개의 평가한 데이터를 데이터베이스로 변환하여 사용하였다. 변환된 데이터베이스에서의 일부분인 사용자들의 성별과 연령, 직업, 관심 영화의 테이블은 그림 3과 같다.
실험에 사용한 데이터는 Grouplens 사이트에서 제공 하는 데이터를 사용하였다. 사용된 데이터는 2000년 6,040명의 MovieLens 사용자들이 3,900개의 영화에 1,000,209개의 평가한 데이터를 데이터베이스로 변환하여 사용하였다.
영화 추천 시스템에서는 사용자가 영화를 시청한 후 평가를 등록할 수 있다. 평가할 수 있는 영화는 15편이며 점수는 1부터 5까지 평가할 수 있거나 평가를 입력하지 않아도 된다. 구현 화면은 그림 5와 같다.

이론/모형

유사성을 계산할 때 자주 사용하는 알고리즘은 피어슨 상관관계(Pearson Correlation Similarity)와, 유클리드 거리(Euclidean Distance Similarity), 타니모토 계수(Tanimoto Coefficient Similarity), 로그우도(LogLikelihood Similarity)를 사용한다. 네 개의 알고리즘을 측정하여 그림 8과 같이 평균 절대 차이 값 결과를 측정하였다.
새로운 사용자는 추천 시스템이 요구하는 정보들이 부족하여 Cold-Start 문제가 발생할 수 있다. 이러한 문제를 해결하는 방안으로는 Top-N 추천 알고리즘을 사용한다. 시스템은 데이터베이스에서 인기가 높은 영화의 순위를 정하여 새로운 사용자에게 영화를 추천한다.
유사 알고리즘과 추천 알고리즘을 측정한 결과 로그우도 알고리즘과 KNN 항목 기반 알고리즘이 다른 알고리즘에 비해 성능이 우수하다는 결과가 나왔다. 제안하는 영화 추천 시스템에서는 로그우도 알고리즘과 KNN 항목 기반 알고리즘을 사용하였으며 결과는 그림 10과 같다.

성능/효과

제안하는 영화 추천 시스템에서는 유사도를 측정하는 유사 알고리즘과 추천에 사용되는 추천 알고리즘이 사용되며 우수한 알고리즘을 선별하기 위해서 실험을 진행하였다. 실험 결과 로그우도 알고리즘과 KNN 항목 기반 알고리즘이 다른 알고리즘에 비해 우수한 알고리즘으로 측정되었다. 제안하는 영화 추천 시스템은 로그우도 알고리즘과 KNN 항목 기반 알고리즘을 사용하여 구현하였으며 정밀도와 재현율을 통해 성능을 평가했다.
유사 알고리즘과 추천 알고리즘을 측정한 결과 로그우도 알고리즘과 KNN 항목 기반 알고리즘이 다른 알고리즘에 비해 성능이 우수하다는 결과가 나왔다. 제안하는 영화 추천 시스템에서는 로그우도 알고리즘과 KNN 항목 기반 알고리즘을 사용하였으며 결과는 그림 10과 같다.

후속연구

향후 연구로는 영화 추천 시스템의 성능을 향상시키기 위해 분산 처리 기법을 도입하는 연구가 필요하다.

질의응답

핵심어	질문	논문에서 추출한 답변
	추천 시스템은 어떻게 사용자에게 적합한 정보를 제공하는가?	추천 시스템은 사용자의 취향이나 선호의 기반으로 정보를 선별하여 사용자에게 적합한 정보를 제공한다. 따라서 추천 시스템이 적용된 기업은 다른 기업에 비해 고객관리나 매출 향상 등의 경쟁력을 갖출 수 있으며 불필요한 정보를 제공하지 않아 자원의 낭비나 고객의 만족도를 높일 수 있다[2].
	Cold-Start가 발생하는 대표적인 이유는 무엇인가?	잠재적으로 발생되는 Cold-Start는 자동화된 데이터 모델에서 발생된다. 대표적으로 추천 시스템에서 발생하며 정보 선별에 기반이 되는 정보가 부족하면 발생된다. 협업 필터링 기법에서는 식별된 사용자가 선호하는 정보와 항목 기반으로 정보를 선별하지만 이러한 정보가 충분하지 않으면 Cold-Start가 발생된다.
	협업 필터링 기법을 사용한 추천 시스템의 특징은 무엇인가?	대부분의 추천 시스템에서는 협업 필터링 기법을 사용한다. 협업 필터링 기법을 사용한 추천 시스템은 사용자들의 선호도를 수집한 뒤 이를 기반으로 사용자들의 관심사나 유사한 취향을 예측한다. 협업 필터링 기법에서는 사용자 정보와 항목 기반으로 정보를 선별한다.

참고문헌 (8)

Hornung, Thomas, et al, "Evaluating hybrid music recommender systems," Web Intelligence (WI) and Intelligent Agent Technologies (IAT), vol. 1, 2013.
Zhang, Zui, et al, "A hybrid fuzzy-based personalized recommender system for telecom products/services," Information Sciences 235, pp. 117-129, Jun. 2013.

상세보기
Sun, Mingxuan, et al, "Learning multiple-question decision trees for cold-start recommendation," Proceedings of the sixth ACM international conference on Web search and data mining, 2013.
Ortega, Fernando, et al, "Improving collaborative filteringbased recommender systems results using Pareto dominance," Information Sciences: an International Journal 239, pp. 50-61, 2013.

상세보기
Van Meteren, Robin, and Maarten Van Someren, "Using content-based filtering for recommendation," Proceedings of the Machine Learning in the New Information Age: MLnet/ECML2000 Workshop, 2000.
Basilico, Justin, and Thomas Hofmann, "Unifying collaborative and content-based filtering," Proceedings of the twenty-first international conference on Machine learning, 2004.
Sarwar, Badrul, et al, "Item-based collaborative filtering recommendation algorithms," Proceedings of the 10th international conference on World Wide Web, 2001.
Wei, Suyun, et al, "Item-based collaborative filtering recommendation algorithm combining item category with interestingness measure," Computer Science & Service System (CSSS), 2012.

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