$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

추천 시스템의 성능 안정성을 위한 예측적 군집화 기반 협업 필터링 기법

Predictive Clustering-based Collaborative Filtering Technique for Performance-Stability of Recommendation System

지능정보연구 = Journal of intelligence and information systems, v.21 no.1, 2015년, pp.119 - 142  

이오준 (중앙대학교 컴퓨터공학과) ,  유은순 (단국대학교 미디어콘텐츠연구원)

초록
AI-Helper 아이콘AI-Helper

사용자의 취향과 선호도를 고려하여 정보를 제공하는 추천 시스템의 중요성이 높아졌다. 이를 위해 다양한 기법들이 제안되었는데, 비교적 도메인의 제약이 적은 협업 필터링이 널리 사용되고 있다. 협업 필터링의 한 종류인 모델 기반 협업 필터링은 기계학습이나 데이터 마이닝 모델을 협업 필터링에 접목한 방법이다. 이는 희박성 문제와 확장성 문제 등의 협업 필터링의 근본적인 한계를 개선하지만, 모델 생성 비용이 높고 성능/확장성 트레이드오프가 발생한다는 한계점을 갖는다. 성능/확장성 트레이드오프는 희박성 문제의 일종인 적용범위 감소 문제를 발생시킨다. 또한, 높은 모델 생성 비용은 도메인 환경 변화의 누적으로 인한 성능 불안정의 원인이 된다. 본 연구에서는 이 문제를 해결하기 위해, 군집화 기반 협업 필터링에 마르코프 전이확률모델과 퍼지 군집화의 개념을 접목하여, 적용범위 감소 문제와 성능 불안정성 문제를 해결한 예측적 군집화 기반 협업 필터링 기법을 제안한다. 이 기법은 첫째, 사용자 기호(Preference)의 변화를 추적하여 정적인 모델과 동적인 사용자간의 괴리 해소를 통해 성능 불안정 문제를 개선한다. 둘째, 전이확률과 군집 소속 확률에 기반한 적용범위 확장으로 적용범위 감소 문제를 개선한다. 제안하는 기법의 검증은 각각 성능 불안정성 문제와 확장성/성능 트레이드오프 문제에 대한 강건성(robustness)시험을 통해 이뤄졌다. 제안하는 기법은 기존 기법들에 비해 성능의 향상 폭은 미미하다. 또한 데이터의 변동 정도를 나타내는 지표인 표준 편차의 측면에서도 의미 있는 개선을 보이지 못하였다. 하지만, 성능의 변동 폭을 나타내는 범위의 측면에서는 기존 기법들에 비해 개선을 보였다. 첫 번째 실험에서는 모델 생성 전후의 성능 변동폭에서 51.31%의 개선을, 두 번째 실험에서는 군집 수 변화에 따른 성능 변동폭에서 36.05%의 개선을 보였다. 이는 제안하는 기법이 성능의 향상을 보여주지는 못하지만, 성능 안정성의 측면에서는 기존의 기법들을 개선하고 있음을 의미한다.

Abstract AI-Helper 아이콘AI-Helper

With the explosive growth in the volume of information, Internet users are experiencing considerable difficulties in obtaining necessary information online. Against this backdrop, ever-greater importance is being placed on a recommender system that provides information catered to user preferences an...

주제어

질의응답

핵심어 질문 논문에서 추출한 답변
CBCF의 문제점은 무엇인가? CBCF는 적용범위 감소 문제와 성능 불안정 문제에도 불구하고, CF의 확장성 문제와 희박성의 문제를 개선하는데 유용한 방법이다. 때문에 위의 두 가지 문제를 해결하기 위한 다양한 방법들이 제안되고 있다.
모델 기반 협업 필터링은 무엇인가? 이를 위해 다양한 기법들이 제안되었는데, 비교적 도메인의 제약이 적은 협업 필터링이 널리 사용되고 있다. 협업 필터링의 한 종류인 모델 기반 협업 필터링은 기계학습이나 데이터 마이닝 모델을 협업 필터링에 접목한 방법이다. 이는 희박성 문제와 확장성 문제 등의 협업 필터링의 근본적인 한계를 개선하지만, 모델 생성 비용이 높고 성능/확장성 트레이드오프가 발생한다는 한계점을 갖는다.
모델 기반 CF의 장점은 무엇인가? 이 중, 모델 기반 CF는 베이지안(Bayesian) 모델이나 군집화 모델, 의존성 네트워크(dependency network) 등의 모델을 사용해서 CF의 단점을 보완한 방법이다. 이는 희박성(sparsity) 문제와 확장성 문제 등을 개선하며, 예측 성능을 높일 수 있다. 하지만, 모델 생성 비용이 크고(expensive model-building) 성능과 확장성 간의 트레이드오프(trade-off)가 발생한다.
질의응답 정보가 도움이 되었나요?

참고문헌 (28)

  1. Ali, K. and W. Van Stam, "Tivo: Making show recommendations using a distributed collaborative filtering architecture," Proceedings of the tenth ACM SIGKDD international conference on Knowledge discovery and data mining, ACM, (2004), 394-401. 

  2. Bellogin, A. and J. Parapar, "Using graph partitioning techniques for neighbor selection in user-based collaborative filtering," Proceedings of the sixth ACM conference on Recommender systems, ACM, (2012), 213-216. 

  3. Bennet, J. and S. Lanning, "The netflix prize," Proceedings of KDD Cup and Workshop, (2007). Available at http://www.netflixprize.com/ (Accessed 20 March, 2015). 

  4. Bhosale, N. S. and S. S. Pande. "A Survey on Recommendation System for Big Data Applications," Data Mining and Knowledge Engineering, Vol.7, No.1(2015), 42-44. 

  5. Bobadilla, J., F. Ortega, A. Hernando, and A. Gutierrez, "Recommender systems survey," Knowledge-Based Systems, Vol. 46(2013), 109-132. 

  6. Cho, Y.-B., and Y.-H. Cho, "Considering Customer Buying Sequences to Enhance the Quality of Collaborative Filtering," Journal of Intelligence and Information Systems, Vol.13, No.2(2007), 69-80 

  7. Das, A. S., M. Datar, A. Garg, A., and S. Rajaram, "Google news personalization: Scalable online collaborative filtering," Proceedings of the 16th international conference on World Wide Web, ACM, (2003), 271-280. 

  8. George, T., and S. Merugu, "A scalable collaborative filtering framework based on co-clustering," Proceedings of the Fifth IEEE International Conference on Data Mining, IEEE, (2005), 4. 

  9. Gong, S., "A collaborative filtering recommendation algorithm based on user clustering and item clustering," Journal of Software, Vol.5, No.7 (2010), 745-752. 

  10. Hameed, M. A., O. A. Jadaan, and S. Ramachandram, "Collaborative Filtering Based Recommendation System: A survey," International Journal on Computer Science & Engineering, Vol. 4, No.5(2012). 

  11. Im, I. and B. H. Kim, "The Effect of the Personalized Settings for CF-Based Recommender Systems," Journal of Intelligence and Information Systems, Vol.18, No.2(2012), 131-141. 

  12. Joshi, R. C. and R. S. Paswan, "A Survey Paper on Clustering-based Collaborative Filtering Approach to Generate Recommendations," International Journal of Science and Research, Vol.4, No.1(2015), 1395-1398. 

  13. Khoshneshin, M. and W. N. Street, "Incremental collaborative filtering via evolutionary coclustering," Proceedings of the fourth ACM conference on Recommender systems, ACM, (2010), 325-328. 

  14. Lee, J., M. Sun, and G. Lebanon, "A comparative study of collaborative filtering algorithms," arXiv preprint arXiv:1205.3193, (2012), 1-27. 

  15. Lee, O.-J., M.-S. Hong, W.-j. Lee, and J.-D. Lee, "Scalable Collaborative Filtering Technique based on Adaptive Clustering," Journal of Intelligence and Information Systems, Vol.20, No.2(2014), 73-92. 

  16. Lee, O.-J. and Y.-t. Baek, "Hybrid Preference Prediction Technique Using Weighting based Data Reliability for Collaborative Filtering Recommendation System," Journal of the Korea Society of Computer and Information, Vol.19, No.5 (2014), 61-69. 

  17. Renaud-Deputter, S., T. Xiong, and S. Wang, "Combining collaborative filtering and clustering for implicit recommender system," Proceedings of 2013 IEEE 27th International Conference on Advanced Information Networking and Applications (AINA), IEEE, (2013), 748-755. 

  18. Li, Q. and Z. Dong, "Research of collaborative filtering algorithm based on the probabilistic clustering model," Proceedings of 2010 5th International Conference on Computer Science and Education (ICCSE), IEEE, (2010), 380-383. 

  19. Li, X. and T. Murata, "Using multidimensional clustering based collaborative filtering approach improving recommendation diversity," Proceedings of 2012 IEEE/WIC/ACM International Conferences on Web Intelligence and Intelligent Agent Technology (WI-IAT), IEEE, Vol. 3(2012), 169-174. 

  20. Linden, G., B. Smith, and J. York, "Amazon.com recommendations: Item-to-item collaborative filtering," IEEE Internet Computing, (2003), 76-80. 

  21. Natarajan, N., D. Shin, and I. S. Dhillon, "Which app will you use next?: Collaborative filtering with interactional context," Proceedings of the 7th ACM conference on Recommender systems, ACM, (2013), 201-208. 

  22. Park, S. T. and D. M. Pennock, "Applying collaborative filtering techniques to movie search for better ranking and browsing," Proceedings of the 13th ACM SIGKDD international conference on Knowledge discovery and data mining, ACM, (2007), 550-559. 

  23. Pham, M. C., Y. Cao, R. Klamma, and M. Jarke, "A Clustering Approach for Collaborative Filtering Recommendation Using Social Network Analysis," J. UCS, Vol.17, No.4 (2011), 583-604. 

  24. Su, X. and T. M. Khoshgoftaar, "A survey of collaborative filtering techniques," Advances in artificial intelligence, (2009), 4. 

  25. Tseng, K. C., C. S. Hwang, and Y. C. Su, "Using Cloud Model for Default Voting in Collaborative Filtering," Journal of Convergence Information Technology (JCIT) Vol.6, No.12 (2011), 68-74 

  26. Wen, J. and W. Zhou, "An improved item-based collaborative filtering algorithm based on clustering method," Journal of Computational Information Systems, Vol.8, No.2(2012), 571-578. 

  27. Zhirao, J., "Based on Java Technology System and Implement the Personalized Recommendations of the system," Jilin: Jilin University, 2011. 

  28. Zhou, Z., M. Sellami, W. Gaaloul, M. Barhamgi, and B. Defude, "Data providing services clustering and management for facilitating service discovery and replacement," IEEE Transactions on Automation Science and Engineering, Vol. 10, No. 4(2013), 1131-1146. 

저자의 다른 논문 :

섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트