인터넷과 모바일 기기의 사용이 보편화되면서 사용자들이 다양한 웹 사이트에서 자신이 원하는 정보를 찾기 위해 검색과 추천을 이용하는 것이 일상화되고 있다. 본 논문에서는 사용자에게 보다 적합한 아이템을 추천하기위해 사용자의 활동과 시간 정보를 적용하여 시간의 흐름에 따른 사용자의 선호도 변화를 반영한 추천 기법을 제안한다. 제안하는 기법은 아이템 선택 시 고려되는 태그 정보를 포함한 데이터를 카테고리별로 분류한 후 시간 변화에 따른 사용자 선호도 변화 정보를 반영한 데이터만을 사용한다. 해당 카테고리를 선호하는 사용자에게는 협업 필터링 기법에 태그 정보를 적용하여 추출한 아이템을 추천하고, 일반 사용자에게는 태그 정보를 사용하여 계산한 순위를 기반으로 아이템을 추천한다. 제안하는 기법은 hetrec2011-movielens-2k 데이터셋을 사용하여 실험하였으며 실험을 통해 제안한 기법이 기존의 아이템 기반, 사용자 기반 기법보다 추천의 정확성과 적합성이 향상되는 것을 확인하였다.
인터넷과 모바일 기기의 사용이 보편화되면서 사용자들이 다양한 웹 사이트에서 자신이 원하는 정보를 찾기 위해 검색과 추천을 이용하는 것이 일상화되고 있다. 본 논문에서는 사용자에게 보다 적합한 아이템을 추천하기위해 사용자의 활동과 시간 정보를 적용하여 시간의 흐름에 따른 사용자의 선호도 변화를 반영한 추천 기법을 제안한다. 제안하는 기법은 아이템 선택 시 고려되는 태그 정보를 포함한 데이터를 카테고리별로 분류한 후 시간 변화에 따른 사용자 선호도 변화 정보를 반영한 데이터만을 사용한다. 해당 카테고리를 선호하는 사용자에게는 협업 필터링 기법에 태그 정보를 적용하여 추출한 아이템을 추천하고, 일반 사용자에게는 태그 정보를 사용하여 계산한 순위를 기반으로 아이템을 추천한다. 제안하는 기법은 hetrec2011-movielens-2k 데이터셋을 사용하여 실험하였으며 실험을 통해 제안한 기법이 기존의 아이템 기반, 사용자 기반 기법보다 추천의 정확성과 적합성이 향상되는 것을 확인하였다.
As the use of internet and mobile devices became generalized, users utilizing search and recommendation in order to find the information they want in the midst of various websites have become common. In order to recommend more appropriate item for users, this paper proposes a recommendation techniqu...
As the use of internet and mobile devices became generalized, users utilizing search and recommendation in order to find the information they want in the midst of various websites have become common. In order to recommend more appropriate item for users, this paper proposes a recommendation technique that reflects the users' preference change following the flow of time by applying users' activity and time information. The proposed technique, after classifying the data in categories including the tag information that is considered at the time of choosing the items, only uses the data that users' preference change following the flow of time is reflected. For the users who prefer the corresponding category, the item that is extracted by applying tag information to collaboration filtering technique is recommended and for general users, items are recommended based on the ranking calculated by using the tag information. The proposed technique was experimented by using hetrec2011-movielens-2k data set. The experiment result indicated that the proposed technique has been more enhanced the accuracy, appropriacy, compared to item-based, user-based method.
As the use of internet and mobile devices became generalized, users utilizing search and recommendation in order to find the information they want in the midst of various websites have become common. In order to recommend more appropriate item for users, this paper proposes a recommendation technique that reflects the users' preference change following the flow of time by applying users' activity and time information. The proposed technique, after classifying the data in categories including the tag information that is considered at the time of choosing the items, only uses the data that users' preference change following the flow of time is reflected. For the users who prefer the corresponding category, the item that is extracted by applying tag information to collaboration filtering technique is recommended and for general users, items are recommended based on the ranking calculated by using the tag information. The proposed technique was experimented by using hetrec2011-movielens-2k data set. The experiment result indicated that the proposed technique 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
사용자들의 아이템에 대한 선호는 시간이 지나면 대부분 자연스럽게 변한다. 따라서 본 논문에서는 사용자 선호 변화와 태그 정보를 적용하여 더 정확한 예측값을 생성하여 추천의 정확성을 높이기 위해 전체 사용자 평가 데이터를 카테고리별로 분류한 후 아이템별 평가 시간 정보를 사용하여 데이터를 추출한다.
따라서 본 논문에서는 사용자들이 원하는 아이템을 좀 더 정확하게 추천하기 위해 태그 정보와 시간의 흐름에 따른 사용자들의 선호도 변화를 적용한 추천 기법을 제안하였다. 제안하는 기법은 아이템들을 카테고리 별로 분류한 후 태그 정보 가중치와 시간의 흐름에 따른 사용자 선호도 변화, 아이템 선호도 변화를 적용하여 사용자 기반과 순위 기반으로 예측값을 생성하고 해당 카테고리를 선호하는 사용자들과 일반 사용자들에게 다른 방식으로 아이템을 추천 하였다.
본 논문에서는 협업필터링 기법의 단점을 보완하고 좀 더 정확한 추천을 위해 태그 정보와 시간의 흐름에 따른 사용자들의 선호 변화를 적용하여 아이템을 추천하는 방식을 제안한다.
제안 방법
제안하는 기법은 사용자의 선호도 변화에 따른 적합한 이웃 선정을 위해 카테고리별로 분류된 데이터들에 시간의 변화에 따른 사용자의 선호도 변화 정보를 적용하여 조건에 맞는 데이터만을 최근접 이웃 선정과 예측값 생성에 사용한다. 또한 아이템에 대한 선호도 변화와 태그 정보를 아이템 평가값 계산에 적용하여 아이템 순위를 구한 후 해당 카테고리를 선호하는 사용자는 이웃 기반 예측값과 순위 기반 예측값을 사용하여 아이템을 추천하고 일반 사용자에게는 순위 기반 예측값만을 사용하여 아이템을 추천한다. 제안하는 기법은 사용자의 선호도 변화를 이용해 선호도가 변화된 사용자를 제외함으로써 좀 더 정확한 이웃 사용자 평가 정보를 사용할 수 있으며, 단순히 누적된 태그 정보가 아닌 시간정보를 적용한 태그 정보를 사용함으로써 아이템들에 대한 최근 선호 흐름을 좀 더 정확히 반영할 수 있어 결과적으로 사용자에게 더 정확한 추천이 가능하다.
본 논문에서는 추천의 정확성을 높이기 위해 사용자들이 특정 카테고리에서 아이템을 선택할 때 참고하는 순위 정보를 아이템 추천에 활용한다. 순위는 단순 누적 카운트만을 사용하여 구하는 것이 아니라 태그 정보를 사용한 가중치와 시간의 변화에 따른 사용자들의 아이템 선호도 변화를 적용한다.
성능 실험을 위해 dataset에서 사용자, 태그, 영화 정보만을 사용하여 dataset을 training dataset과 test dataset으로 분류한 후 다시 아이템들을 장르를 기준으로 18개의 카테고리로 분류하여 실험에 활용하였다.
실험은 협업 필터링 기법의 아이템 기반 추천기법, 사용자 기반 추천기법과 제안하는 추천기법에 대하여 이웃 사용자 수 변화에 따른 Precision, Recall, F1 비교로 이루어졌다. 실험 데이터에서 근접 이웃의 수를 10명에서 50명까지 10명씩 변화를 주어 평균 결과 값을 추출하였다.
아이템에 대한 평가값 3 이상인 사용자의 태그 정보는 선택한 아이템에 만족함을 추가적으로 표현한 것으로, 평가값이 3미만인 사용자의 태그 정보는 선택 아이템에 만족하지 못함을 추가적으로 표현한 것으로 간주한다. 이를 바탕으로 목표 사용자와 이웃 사용자가 공통으로 평가한 아이템의 태그 정보의 유무와 평가값의 차에 따라 차등적으로 태그 값을 지정한다. 목표 사용자와 이웃 사용자가 공통으로 평가한 태그 정보를 가진 아이템들의 태그 값의 합을 공통으로 태그 정보를 남긴 아이템들의 수의 합으로 나누어 태그 가중치 wt로 정한다.
제안하는 기법은 사용자의 선호도 변화에 따른 적합한 이웃 선정을 위해 카테고리별로 분류된 데이터들에 시간의 변화에 따른 사용자의 선호도 변화 정보를 적용하여 조건에 맞는 데이터만을 최근접 이웃 선정과 예측값 생성에 사용한다. 또한 아이템에 대한 선호도 변화와 태그 정보를 아이템 평가값 계산에 적용하여 아이템 순위를 구한 후 해당 카테고리를 선호하는 사용자는 이웃 기반 예측값과 순위 기반 예측값을 사용하여 아이템을 추천하고 일반 사용자에게는 순위 기반 예측값만을 사용하여 아이템을 추천한다.
따라서 본 논문에서는 사용자들이 원하는 아이템을 좀 더 정확하게 추천하기 위해 태그 정보와 시간의 흐름에 따른 사용자들의 선호도 변화를 적용한 추천 기법을 제안하였다. 제안하는 기법은 아이템들을 카테고리 별로 분류한 후 태그 정보 가중치와 시간의 흐름에 따른 사용자 선호도 변화, 아이템 선호도 변화를 적용하여 사용자 기반과 순위 기반으로 예측값을 생성하고 해당 카테고리를 선호하는 사용자들과 일반 사용자들에게 다른 방식으로 아이템을 추천 하였다. 카테고리를 선호하는 사용자에게는 태그 가중치를 적용한 사용자 기반 기법과 순위 기반 예측을 모두 사용하여 아이템을 추천하고 일반 사용자에게는 순위 기반 예측만을 사용하여 아이템을 추천하였다.
제안하는 기법은 현재 목표 사용자와 선호도가 더 유사한 근접 이웃을 추출하기 위해 시간정보를 적용하여 데이터를 선별하는 유사 선호자 분류 모듈과 태그 정보를 사용하여 목표 사용자와 선호도가 유사한 사용자를 기반으로 아이템 예측값을 생성하는 가중치 적용 사용자 예측값 모듈, 시간 정보와 태그 정보를 사용하여 아이템의 평가값을 계산하고 이를 바탕으로 순위를 계산하는 가중치 적용 아이템 예측값 모듈, 그리고 두 가중치 적용 예측값 모듈들을 사용하여 최종적으로 아이템을 추천하는 부분으로 구성된다.
태그 가중치를 적용하여 목표 사용자와 이웃 사용자간의 유사도를 구한 후 유사도 임계값 이상의 유사도를 가진 이웃 사용자들만을 최근접 이웃으로 지정한다. 최근접 이웃들의 평가값과 유사도 만을 사용하여 목표 사용자가 아직 선택하지 않은 아이템들의 예측값을 식(8)을 사용하여 계산한다.
아이템에 대한 태그 정보는 사용자들이 아이템을 선택할 때 참고할 수 있는 유용한 정보로서 해당 아이템에 대한 사용자 만족도의 적극적 표현이다. 평가값이 유사하고 동일 아이템에 태그 정보를 기술한 사용자들은 성향이 더 비슷하다고 할 수 있으며 제안하는 기법은 이러한 속성을 태그 정보 가중치 wt로 지정하여 사용자 유사도 계산에 적용한다. 아이템에 대한 평가값 3 이상인 사용자의 태그 정보는 선택한 아이템에 만족함을 추가적으로 표현한 것으로, 평가값이 3미만인 사용자의 태그 정보는 선택 아이템에 만족하지 못함을 추가적으로 표현한 것으로 간주한다.
대상 데이터
본 논문에서는 제안하는 추천기법의 성능을 평가하기 위해 실험 데이터로 GroupLens Research Project에 의해 수집된 MovieLens10M dataset을 확장한 hetrec 2011-movielens-2k dataset을 사용하였다. Dataset은 2113명의 사용자가 10197개의 영화에 대하여 평가한 855598개의 평가값을 가지며, 사용자, 영화, 감독, 배우, 국가, 태그 정보 등을 포함하고 있다.
데이터처리
비교로 이루어졌다. 실험 데이터에서 근접 이웃의 수를 10명에서 50명까지 10명씩 변화를 주어 평균 결과 값을 추출하였다.
이론/모형
성능 평가를 위해 검색 분야에서 많이 사용되는 Precision, Recall, F1-measure 기법을 사용하였다. Precision은 추천시스템이 생성한 추천 목록의 아이템들 중에서 목표고객이 실제로 구매한 아이템의 비율이고, Recall은 목표 고객이 실제로 구매한 아이템 중 추천 시스템이 추천한 상품의 비율이다.
유사도 계산과 이웃선정 단계에서는 생성된 매트릭스를 기반으로 목표 사용자와 가장 유사한 사용자들을 찾아낸다. 이를 위해 사용자 간의 유사도를 계산하고 유사도를 기반으로 KNN기법을 이용하여 최근접 이웃을 선정한다. 유사도 계산에는 코사인(Cosine) 유사도, 피어슨(Pearson) 유사도 측정 방식 등이 사용된다[13].
성능/효과
Dataset은 2113명의 사용자가 10197개의 영화에 대하여 평가한 855598개의 평가값을 가지며, 사용자, 영화, 감독, 배우, 국가, 태그 정보 등을 포함하고 있다. 사용자들은 평균 404개의 아이템에 대해 선호도를 1~5의 값으로 평가하였고, 아이템에 평균 22개의 태그 정보를 남겼다. 영화는 평균 84개의 평가 값과 8개의 태그 값을 가지고 있다.
실험 결과 제안하는 기법이 기존 기법들보다 Precision은 평균 21%~37% 정도, Recall은 23%~51% 정도, F1은 22%~42% 정도 향상되어 추천의 정확성과 적합성이 향상된 것을 알 수 있다. 표 1은 실험의 평균 결과를 나타낸 것이다.
실험 평가를 통해 제안하는 기법과 두 비교 기법의 예측값을 비교한 결과 제안하는 기법의 추천의 정확성은 두 비교 기법보다 평균 21%~37% 정도 향상되었고 적합성은 22%~42%정도 향상됨을 알 수 있었다. 제안하는 기법은 카테고리 선호 사용자 뿐 아니라 구매 빈도가 낮거나 cold-start 사용자에게도 선호도 변화와 태그 가중치가 적용된 순위기반 추천을 통해 비교 기법들보다 정확한 추천이 가능하다.
또한 아이템에 대한 선호도 변화와 태그 정보를 아이템 평가값 계산에 적용하여 아이템 순위를 구한 후 해당 카테고리를 선호하는 사용자는 이웃 기반 예측값과 순위 기반 예측값을 사용하여 아이템을 추천하고 일반 사용자에게는 순위 기반 예측값만을 사용하여 아이템을 추천한다. 제안하는 기법은 사용자의 선호도 변화를 이용해 선호도가 변화된 사용자를 제외함으로써 좀 더 정확한 이웃 사용자 평가 정보를 사용할 수 있으며, 단순히 누적된 태그 정보가 아닌 시간정보를 적용한 태그 정보를 사용함으로써 아이템들에 대한 최근 선호 흐름을 좀 더 정확히 반영할 수 있어 결과적으로 사용자에게 더 정확한 추천이 가능하다.
실험 평가를 통해 제안하는 기법과 두 비교 기법의 예측값을 비교한 결과 제안하는 기법의 추천의 정확성은 두 비교 기법보다 평균 21%~37% 정도 향상되었고 적합성은 22%~42%정도 향상됨을 알 수 있었다. 제안하는 기법은 카테고리 선호 사용자 뿐 아니라 구매 빈도가 낮거나 cold-start 사용자에게도 선호도 변화와 태그 가중치가 적용된 순위기반 추천을 통해 비교 기법들보다 정확한 추천이 가능하다.
후속연구
향후 연구과제는 빅데이터 분석기술을 사용해 급격히 늘어나는 데이터들을 좀 더 빠르게 분석해 사용자에게 빠르고 정확한 추천이 가능하도록 하는 예측방법을 연구하는 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
사용자들이 남긴 태그는 어떤 단점이 있는가?
그러나 사용자들이 남긴 태그는 개인적인 표현으로 매우 다양하여 정보들 간에 관련성을 추출하기에는 많은 어려움이 있고, 단순한 태그 개수의 합을 사용하는 방식은 사용자들의 선호도 변화를 적용하지 못하는 단점이 있다.
아이템 기반 알고리즘은 어떤 문제점이 있는가?
아이템 기반 알고리즘은 사용자들이 한번 선택한 아이템과 비슷한 아이템을 다시 선택하는 경향이 있음을 전제로 하여 아이템 간의 유사도를 측정하여 유사한 아이템을 목표 사용자에게 추천하는 방식이다. 이 알고리즘은 아이템 간의 유사도만을 고려하므로 선호도가 비슷하지 않은 사용자들의 평가로 인해 예측 성능이 저하되는 문제점이 있다[11,12].
협업 필터링 기법은 무엇인가?
이 때 사용되는 추천 시스템은 다양한 e-commerce 사이트에서 사용자들이 이용 가능한 서비스나 제품들에 대해 가치 있는 정보를 찾는데 도움을 주기 위해 사용되는 시스템으로[1] 사용자들이 선호하는 아이템 리스트를 찾기 위해 입력 받은 선호정보를 사용한다[2]. 추천 시스템에서 가장 많이 사용 되는 방식은 협업 필터링(collaborative filtering) 기법으로[3] 목표 사용자와 유사한 선호도를 가진 사용자들을 추출하여 이들의 선호에 기반하여 목표 사용자에게 아이템을 추천하는 방식이다[4].
참고문헌 (16)
X.Su, T.M.Khoshgoftaar, "A survey of colleaborative filtering techniques," Advances in Artificial Intelligence, vol. 2009, no. 4, January 2009.
P. Resnick, N. Iacovou, M. Suchak, P. Bergstrom, and J. Riedl, "Grouplens: an open architecture for collaborative filtering of Netnews," Proceedings of the ACM Conference on Computer Supported Cooperative Work, pp. 175-186, New York, NY, USA, 1994.
G. Linden, B. Smith, and J. York, "Amazon.com recommendations: item-to-item collaborative filtering," IEEE Internet Computing, vol. 7, no. 1, pp. 76-80, January/February 2003.
Manow Papagelisa, Dimitris Plexoosakis, "Qualotative analysis of user-based and item-based prediction algorithms for recommendation agents," ACM Transactions on Information Systems, 22, vol 1. pp.116-142, 2004.
Y. Ding, X. Li, "Time weight collaborative filtering," in Proceedings of the 14th ACM international conference on Information and knowledge management, pp. 485-492, Bremen, Germany, November 2005.
S. Meng, W. Dou, X. Zhang, and J. Chen, "KASR : A Keyword-Aware Service Recommendation Method on MapReduce for Big Data Applications," IEEE Transations on Parallel and Distributed Systems, TPDS-2013-12-1141, pp1-11, Dec. 2013.
H. Liang, Y. Xu, Y. Li, R. Nayak, and G. Shaw. "A Hybrid Recommender Systems based on Weighted Tags," 10th SIAM International Conference on Data Mining, 2010.
A. Stanescu, S. Nagar and D. Caragea. "A Hybrid Recommender System : User Profiling from Keywords and Ratings," 2013 IEEE/WIC/ACM International Joint Conferences on Web Intelligence(WI) and Intelligenr Agent Technologies(IAT), pp. 73-80, 2013.
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.
B. Sarwar, G. Karypis, J. Konstan and J. Riedl, "Analysis of Recommendation Algorithms for E-Commerce," Proc of ACM EC '00 conference, pp. 158-167, Oct. 2000.
Yoon Kyoung Choi, Sung Kwon Kim, "Recommendation Algorithms for Online Shopping Malls with Periodically Purchasing Users", Korean Institute of Information Scientists and Engineers, vol. 40, no. 8, pp. 453-462, Aug. 2013.
So Young Yun, Sung-Dae Youn, "The User Informationbased Mobile Recommendation Technique", Journal of the Korea Institute of Information and Communication Engineering, Vol. 18, No. 2, pp. 379-386, Feb. 2014.
Su-Jeong Ko, "A Recommender Agent using Associt -ation 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.