정보의 폭발적인 증가로 사용자들은 원하는 정보를 빠른 시간에 얻는 것이 힘들어졌다. 따라서 이 문제를 해결하기 위한 다양한 방식의 새로운 서비스들이 제공되고 있다. 개인에게 맞는 맞춤 서비스를 제공하는 것이 중요하게 부각되면서 개인화 추천 시스템이 매우 중요하게 되었다. 추천 시스템 중 협업 필터링은 추천 시스템에서 널리 사용되고 있고 개인화 추천 시스템 중에서 가장 성공적인 방법이다. 협업 필터링 방법은 고객들의 프로파일 정보를 기반으로 추천을 하므로 희박성 문제와 cold-start 문제가 있다. 본 논문에서는 개인에게 더 정확하게 추천하기 위해 협업 필터링 기법과 상황기반 기법을 함께 이용하는 방법을 제안한다. 상황기반 기법은 사용자를 둘러싼 시간, 감정, 장소 등과 같은 환경을 고려하여 사용자에게 맞는 아이템을 추천하는 방법으로 상황에 따라 달라지는 사용자의 선호도를 반영할 수 있다. 본 논문에서는 상황기반 기법을 활용하기 위해 상황정보로 감정을 이용하며 이를 위해 개인의 주관적인 정보를 파악하는 데 효과적인 영화 리뷰를 이용한다. 본 논문에서 제안한 방법은 기존의 협업 필터링 방법보다 성능평가 결과, 향상된 성능을 보였다.
정보의 폭발적인 증가로 사용자들은 원하는 정보를 빠른 시간에 얻는 것이 힘들어졌다. 따라서 이 문제를 해결하기 위한 다양한 방식의 새로운 서비스들이 제공되고 있다. 개인에게 맞는 맞춤 서비스를 제공하는 것이 중요하게 부각되면서 개인화 추천 시스템이 매우 중요하게 되었다. 추천 시스템 중 협업 필터링은 추천 시스템에서 널리 사용되고 있고 개인화 추천 시스템 중에서 가장 성공적인 방법이다. 협업 필터링 방법은 고객들의 프로파일 정보를 기반으로 추천을 하므로 희박성 문제와 cold-start 문제가 있다. 본 논문에서는 개인에게 더 정확하게 추천하기 위해 협업 필터링 기법과 상황기반 기법을 함께 이용하는 방법을 제안한다. 상황기반 기법은 사용자를 둘러싼 시간, 감정, 장소 등과 같은 환경을 고려하여 사용자에게 맞는 아이템을 추천하는 방법으로 상황에 따라 달라지는 사용자의 선호도를 반영할 수 있다. 본 논문에서는 상황기반 기법을 활용하기 위해 상황정보로 감정을 이용하며 이를 위해 개인의 주관적인 정보를 파악하는 데 효과적인 영화 리뷰를 이용한다. 본 논문에서 제안한 방법은 기존의 협업 필터링 방법보다 성능평가 결과, 향상된 성능을 보였다.
The explosive growth of information has been difficult for users to get an appropriate information in time. The various ways of new services to solve problems has been provided. As customized service is being magnified, the personalized recommendation system has been important issue. Collaborative f...
The explosive growth of information has been difficult for users to get an appropriate information in time. The various ways of new services to solve problems has been provided. As customized service is being magnified, the personalized recommendation system has been important issue. Collaborative filtering system in the recommendation system is widely used, and it is the most successful process in the recommendation system. As the recommendation is based on customers' profile, there can be sparsity and cold-start problems. In this paper, we propose personalized movie recommendation system using collaborative filtering techniques and context-based techniques. The context-based technique is the recommendation method that considers user's environment in term of time, emotion and location, and it can reflect user's preferences depending on the various environments. In order to utilize the context-based technique, this paper uses the human emotion, and uses movie reviews which are effective way to identify subjective individual information. In this paper, this proposed method shows outperforming existing collaborative filtering methods.
The explosive growth of information has been difficult for users to get an appropriate information in time. The various ways of new services to solve problems has been provided. As customized service is being magnified, the personalized recommendation system has been important issue. Collaborative filtering system in the recommendation system is widely used, and it is the most successful process in the recommendation system. As the recommendation is based on customers' profile, there can be sparsity and cold-start problems. In this paper, we propose personalized movie recommendation system using collaborative filtering techniques and context-based techniques. The context-based technique is the recommendation method that considers user's environment in term of time, emotion and location, and it can reflect user's preferences depending on the various environments. In order to utilize the context-based technique, this paper uses the human emotion, and uses movie reviews which are effective way to identify subjective individual information. In this paper, this proposed method shows outperforming existing collaborative filtering methods.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
이에 본 연구에서는 사용자에게 더 정확한 맞춤형 추천을 위해 협업 필터링 기법의 선호도 정보뿐 아니라 상황기반 기법의 상황에 따라 달라지는 개인의 상황을 고려할 수 있는 리뷰를 이용해 이 두 개의 기법을 결합한 하이브리드 협업 필터링 기법을 제안한다.
즉 본 연구에서는 선호도를 이용한 협업 필터링 기법과 다양한 개인화 요인 중 사용자의 상황에 따라 달라지는 사용자의 선호도를 반영하기 위해 상황기반 기법의 상황정보이자 개인화 요인으로 개개인이 처한 상황을 반영할 수 있는 영화리뷰의 감정을 이용해 개인에게 더 정확하게 맞는 아이템을 추천한다.
제안 방법
본 논문의 시스템은 온톨로지를 기반으로 상황을 모델링하였으며, 현재 감정이 슬픈지, 행복한지에 따라 아이템을 다르게 선택하는 경우도 있기 때문에 상황정보를 고려하기 위해 사용자의 상황정보로 다양한 요소 중에서 수많은 사용자들이 작성한 인터넷상의 의미 있는 텍스트 정보이고 감정이 풍부하게 드러낸 영화 리뷰를 이용한다. 본 논문에서 제안하는 기법을 평가하기 위해 상황기반 기법의 상황정보인 리뷰를 바탕으로 영화에 대한 감정 사전인 리뷰 온톨로지를 구축해 협업 필터링 방법과 결합하여 하이브리드 방법으로 사용자에게 더 정확하게 영화를 추천해주는 시스템을 구축하고 성능평가하였다.
상황기반 기법을 이용한 추천 서비스를 위해서는 상황에 대한 모델링이 필수적이다[9]. 본 논문에서는 상황을 표현하고 추론할 수 있도록 온톨로지를 기반으로 모델링 한다. 사용자에게 영화의 연관성을 도출하기 위해 상황정보인 리뷰의 감정단어들을 기반으로 한 감정 사전 온톨로지를 정의해 영화목록을 검색하고 추천할 수 있도록 한다.
본 논문에서는, 협업 필터링 방법에서는 선호도 분석을 위해 사용자가 남긴 평가치를 사용하였으며 상황 기법에서는 영화 사이트에 남겨진 리뷰의 감정 추론을 위해 영화에 대한 감정 사전인 리뷰 온톨로지를 정의하며 이를 기반으로 영화 리뷰의 감정단어에 대한 감정 정도를 분석하여 협업 필터링 방법과 상황기반 기법을 함께 활용하여 사용자에게 더 정확한 개인화 영화를 추천한다.
협업 필터링 방법은 고객들의 프로파일 정보를 기반으로 추천하는 방법으로, 개인에게 더 정확하게 추천하기 위해 협업 필터링의 선호도 정보와 사용자의 상황 정보를 이용한 상황기반 기법을 함께 이용한다. 본 논문의 시스템은 온톨로지를 기반으로 상황을 모델링하였으며, 현재 감정이 슬픈지, 행복한지에 따라 아이템을 다르게 선택하는 경우도 있기 때문에 상황정보를 고려하기 위해 사용자의 상황정보로 다양한 요소 중에서 수많은 사용자들이 작성한 인터넷상의 의미 있는 텍스트 정보이고 감정이 풍부하게 드러낸 영화 리뷰를 이용한다. 본 논문에서 제안하는 기법을 평가하기 위해 상황기반 기법의 상황정보인 리뷰를 바탕으로 영화에 대한 감정 사전인 리뷰 온톨로지를 구축해 협업 필터링 방법과 결합하여 하이브리드 방법으로 사용자에게 더 정확하게 영화를 추천해주는 시스템을 구축하고 성능평가하였다.
본 절에서는 기존의 협업 필터링 방법보다 더 정확한 개인화 추천을 위해 협업 필터링 방법과 상황기반 기법을 같이 이용하는 하이브리드 방법을 제안한다. Fig.
본 절에서는 리뷰 온톨로지에 정의되어있는 각 단어들의 가중치를 계산하기 위한 성능평가를 먼저 하고, 다음으로 제안하는 방법과 협업 필터링 방법에 대해서 성능평가한다. 감성 강도 중에 가장 영향이 큰 주요 감성들을 분석하기 위해 4개의 감성관계를 이용하여 분석하고, 각 방법들에 대한 성능평가는 MAE를 통해 성능평가를 시행한다.
제안된 방법은 협업 필터링 방법의 데이터 준비, 사용자 평가 분석, 이웃 분석, 아이템 분석을 포함하며 상황기반 기법은 데이터 준비와 리뷰 감정 분석, 감정 분석을 통한 아이템 분석을 포함한다. 협업 필터링 방법에서는 사용자의 평가치를 활용해 선호도 분석을 하였으며 상황기반 기법에서는 3절에서 제안된 리뷰 온톨로지에 정의된 각 단어에 대한 가중치를 부여하는 방법을 사용하였다.
즉, 본 논문에서는 보다 더 정확한 개인화된 서비스를 위해 협업 필터링의 사용자의 선호도 분석과 상황기반 기법의 상황정보로 사용자의 현재 상황을 파악하는 중요한 변수로 리뷰를 이용해 사용자의 상황정보와 선호정보를 동시에 고려한 협업 필터링 기반 하이브리드 추천 방법을 제안한다.
즉, 본 논문에서는 상황기반 기법을 이용하기 위해 상황 정보의 변수로 리뷰를 사용해 리뷰 온톨로지 모델을 이용한 접근 방법을 제안한다.
협업 필터링은 아이템 정보를 파악할 필요가 없고 실제 사용자가 평가한 점수를 바탕으로 추천해주기 때문에 사용자의 만족도가 높으며, 본 연구에서는 선호도 정보로 평가치를 활용하여 사용자와 사용자 간의 유사점을 분류하는 방식의 방법을 사용했다.
대상 데이터
본 연구에서 사용한 데이터는 MovieLens 1M dataset로 사용자의 수가 6040명, 항목, 즉 영화의 수가 3883편, 선호도 평가 데이터의 수가 약 1,000,000개이다. 또한 영화 리뷰는 IMDB로부터 수집해 사용한다.
데이터처리
본 절에서는 리뷰 온톨로지에 정의되어있는 각 단어들의 가중치를 계산하기 위한 성능평가를 먼저 하고, 다음으로 제안하는 방법과 협업 필터링 방법에 대해서 성능평가한다. 감성 강도 중에 가장 영향이 큰 주요 감성들을 분석하기 위해 4개의 감성관계를 이용하여 분석하고, 각 방법들에 대한 성능평가는 MAE를 통해 성능평가를 시행한다. 또한 이 연구에서 제안하는 추천 시스템을 평가하기 위해 협업 필터링 알고리즘과 제안하는 알고리즘에 대해 정확도(Precision)와 재현율(Recall)을 기준으로 평가를 수행하였다.
다양한 가중치값을 적용하여 MAE 방식으로 실험한 결과 긍정의 강도값을 용어 샘플의 수로 나눈 방법인 Equation (7)로 가중치를 주었을 경우에 가장 높은 성능을 보여 최종 가중치로 선정하였다.
감성 강도 중에 가장 영향이 큰 주요 감성들을 분석하기 위해 4개의 감성관계를 이용하여 분석하고, 각 방법들에 대한 성능평가는 MAE를 통해 성능평가를 시행한다. 또한 이 연구에서 제안하는 추천 시스템을 평가하기 위해 협업 필터링 알고리즘과 제안하는 알고리즘에 대해 정확도(Precision)와 재현율(Recall)을 기준으로 평가를 수행하였다.
예측의 정확도는 일반적으로 MAE(Mean Absolute Error)와 RMSE(Root Mean Squared Error) 같은 지표를 통해 측정된다. 본 논문에서는 각 감성단어의 가중치 분석을 위해 성능평가는 MAE를 통해 값을 구했다. 본 연구에서 사용한 성능 측정 지표 MAE는 Equation (6)과 같다.
이론/모형
이러한 추천 시스템 중 영화 추천에서 주로 사용하는 기법은 데이터마이닝 기법 중 가장 성공한 알고리즘 기법인 협업 필터링 알고리즘이 많이 사용되고 있다. 본 논문에서는 추천 시스템에서 가장 성공적인 방법인 협업 필터링 방법을 이용한다. 협업 필터링 방법은 고객들의 프로파일 정보를 기반으로 추천하는 방법으로, 개인에게 더 정확하게 추천하기 위해 협업 필터링의 선호도 정보와 사용자의 상황 정보를 이용한 상황기반 기법을 함께 이용한다.
상황기반 기법의 대표적인 영화 추천 사례는 Ono가 제안한 베이지안 네트워크(Bayesian Network)를 적용한 상황 인식 영화 선호 모델이다. 이 시스템은 사용자의 상황정보(동행 인물, 장소, 감정)를 입력받고 등록되어있는 사용자 정보와 결합, 베이지안 네트워크 추론 엔진을 사용하여 후보 영화들의 평점을 확률적으로 계산하는 방법을 제시하였다[8].
이처럼 추천 시스템은 고객이 얼마나 만족할만한 항목을 추천할 수 있는지에 초점을 맞추고 있다. 이 연구에서는 추천 시스템에서 가장 많이 연구되고 있는 협업 필터링 기법과 개개인의 상황을 고려한 상황기반 기법을 이용한다.
성능/효과
본 논문에서 가중치 분석을 위한 MAE와 추천 시스템의 성능을 평가하기 위해 정확도, 재현율 방식으로 성능평가를 수행한 결과, 모든 평가에서 기존 협업 필터링 추천 시스템보다 협업 필터링과 상황기반 기법을 이용한 하이브리드 추천 방식의 성능이 향상된 결과를 보였다.
성능평가 결과, 본 논문에서 제안하는 협업 필터링과 상황기반 기법을 이용한 추천 알고리즘은 기존의 협업 필터링 방법을 이용한 추천 방법과 비교하여 평균 오류를 0.028 낮추는 결과를 보였고 성능 정도를 3.85% 개선하였으며, 협업 필터링 추천 시스템과 협업 필터링과 상황기반 기법을 이용한 추천 시스템의 성능평가 결과 정확도와 재현율의 평균이 각각 0.007, 0.027 향상된 결과를 보여 기존 추천 시스템의 정확도와 재현율을 개선해 개인에게 더 정확한 추천을 할수 있다.
제안하는 방법은 기존의 협업 필터링 방법에 비해 성능을 약 3.85% 개선한다. 3.
후속연구
향후 연구로 감정단어의 분류기준을 최적화할 수 있는 연구와 사용자의 리뷰 이력 분석을 통하여 사용자의 특정 아이템에 대한 선호도를 분석하여 최적화된 개인화 추천을 제공받기 위한 기법을 연구하고자 한다.
질의응답
핵심어
질문
논문에서 추출한 답변
상황 기반 추천은 무엇인가?
이때 독립체는 사람, 장소, 물리적 또는 컴퓨터 객체가 될 수 있다. 이처럼 상황 기반 추천은 사용자를 둘러싼 시간, 감정, 장소 등과 같은 여러 가지 환경을 고려하여 사용자에게 맞는 아이템을 추천하는 방법이다[7].
추천 시스템은 무엇인가?
추천 시스템은 고객이 관심을 가지는 상품에 관한 정보나 인구 통계학적 정보, 과거 구매 행동 분석을 토대로 고객의 요구에 맞는 항목을 추천해주는 시스템이다[4]. Amazon과 Netflix를 시작으로 성과를 거두기 시작하면서 사용자의 취향에 맞는 추천을 위해 기존에 입력했거나 사용했던 기록 및 사용자로부터 정보를 입력받는 등 다양한 방법을 이용한 추천 시스템이 제공되고 있으며, 해외뿐만 아니라 국내에서도 이러한 추천 시스템들이 등장하기 시작하였고 네이버 뮤직 라디오, 왓차 등이 그 대표적인 예라고 할 수 있다.
상황기반 기법의 대표적인 영화 추천 사례 중 하나인 Ono가 제안한 베이지안 네트워크(Bayesian Network)를 적용한 상황 인식 영화 선호 모델은 무엇을 제시하였는가?
상황기반 기법의 대표적인 영화 추천 사례는 Ono가 제안한 베이지안 네트워크(Bayesian Network)를 적용한 상황 인식 영화 선호 모델이다. 이 시스템은 사용자의 상황정보(동행 인물, 장소, 감정)를 입력받고 등록되어있는 사용자 정보와 결합, 베이지안 네트워크 추론 엔진을 사용하여 후보 영화들의 평점을 확률적으로 계산하는 방법을 제시하였다[8]. 그러나 사용자의 입력을 요구하며 항상 정보 개념의 변화 없이 같은 개념 수준의 추천 정보만을 제공하는 단점이 있다.
참고문헌 (13)
Fernando Ortega, Jose-Luis Sanchez, Jesus Bobadilla, and Abraham Gutierrez, "Improving collaborative filtering- based recommender systems results using Pareto dominance," Information Sciences, Vol.239, pp.50-61, 2013.
W. H. Jeong, S. J. Kim, D. S. Park, and J. Kwak, "Performance Improvement of a Movie Recommendation System based on Personal Propensity and Secure Collaborative Filtering," Journal of Information Processing Systems, Vol.9, Issue.1, Mar., 2013.
Subhash K. Shinde and Uday Kulkarni, "Hybrid personalized recommender system using centering-bunching based clustering algorithm," Contents lists avaiable as SciVerse ScienceDirect, pp.1381-1387, 2012.
Zui Zhang, Hua Lin, Kun Liu, Dianshuang Wu, Guangquan Zhang, and Jie Lu, "A hybrid fuzzy-based personalized recommender system for telecom products/services," Information Sciences 235, pp.117-129, 2013.
Y. Ding, "Time weight collaborative filtering," Proceedings of the 14th ACM international conference, pp.485-492, 2005.
L. H. Ungar and D. P. Foster, "Clustering Methods for Collaboraltive Filtering," in AAAI Workshop on Recommendation System, pp.114-129, 1998.
P. Sessing, "Towards a Better Understanding of Context and Context-Awareness," Computing System, pp.304-307, 1999.
C. Ono, M. Kurokawa, and Y. Motomura, "A context-aware movie preference model using a Bayesian network for recommendation and promotion," User Modeling 2007, pp.247-257, 2007.
M. H. Ahn and J. H. Kwon, "Ontology based Context-Aware Recommendation System using Concept Hierarcht," Korea Network Information Society, Vol.8, No.5, Oct., 2007.
Gamon M, Aue A, Corston S, and Ringer E, "Mining customer opinions from free text," International symposium on intelligent data analysis(IDA), pp.121-132, 2005.
Wong, W., Liu, W., and Bennamoun, M., "Ontology learning from text: A Look Back and into the Future," ACM Computing Surveys(CSUR), Vol.44, Issue.4, 2012.
P. Ekman, "Expression and the nature of emotion," Approaches to Emotion, pp.319-343, 1984.
InSu Kang, "A Comparative Study on Using SentiWordNet for English Twitter Sentiment Analysis," Journal of Korean Institute of Intelligent System, Vol.23, No.4, Aug., pp.317-324, 2013.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.