오늘날 수많은 TV 프로그램들이 방송됨에 따라 TV 프로그램을 추천해주는 추천 시스템에 관한 연구가 시작되었으며, 추천의 정확도를 더욱 높이기 위한 연구가 현재도 활발히 진행 중이다. 추천 시스템은 장르, 줄거리 등과 같은 메타데이터를 사용하여 TV 프로그램을 추천하거나, TV 프로그램에 대한 시청자의 선호도를 계산하여 TV 프로그램을 추천한다. 본 논문에서는 추천의 정확도를 높이고자 시청비율, 종료시간과의 관계, 최근시청이력 등 시청시간의 여러 패턴을 추가로 사용하여 선호도 계산에 활용하는 협업 필터링 TV 프로그램 추천 시스템을 제안한다. 연구의 효용성을 검증하기 위해 시청시간패턴의 모든 요소를 선호도 계산에 활용한 경우와 단순히 시청자가 가장 많이 시청하는 채널을 추천하는 경우의 협업 필터링 추천 결과를 비교하였다. 실험을 통해 시청시간패턴 모든 요소를 같이 선호도 계산에 활용한 경우의 성능이 증가한 것을 확인할 수 있었다.
오늘날 수많은 TV 프로그램들이 방송됨에 따라 TV 프로그램을 추천해주는 추천 시스템에 관한 연구가 시작되었으며, 추천의 정확도를 더욱 높이기 위한 연구가 현재도 활발히 진행 중이다. 추천 시스템은 장르, 줄거리 등과 같은 메타데이터를 사용하여 TV 프로그램을 추천하거나, TV 프로그램에 대한 시청자의 선호도를 계산하여 TV 프로그램을 추천한다. 본 논문에서는 추천의 정확도를 높이고자 시청비율, 종료시간과의 관계, 최근시청이력 등 시청시간의 여러 패턴을 추가로 사용하여 선호도 계산에 활용하는 협업 필터링 TV 프로그램 추천 시스템을 제안한다. 연구의 효용성을 검증하기 위해 시청시간패턴의 모든 요소를 선호도 계산에 활용한 경우와 단순히 시청자가 가장 많이 시청하는 채널을 추천하는 경우의 협업 필터링 추천 결과를 비교하였다. 실험을 통해 시청시간패턴 모든 요소를 같이 선호도 계산에 활용한 경우의 성능이 증가한 것을 확인할 수 있었다.
As a number of TV programs broadcast today, researches about TV program recommender system have been studied and many researchers have been studying recommender system to produce recommendation with high accuracy. Recommender system recommends TV program to user by using metadata like genre, plot or...
As a number of TV programs broadcast today, researches about TV program recommender system have been studied and many researchers have been studying recommender system to produce recommendation with high accuracy. Recommender system recommends TV program to user by using metadata like genre, plot or calculating users' preferences about TV programs. In this paper, we propose a new TV program Collaborative Filtering Recommender System that exploits viewing time pattern like viewing ratio, relation with finish time and recently viewing history to calculate preference for high-quality of recommendation. To verify usefulness of our research, we also compare our method which utilizes viewing time patterns and baseline which simply recommends TV program of user's most frequently watched channel. Through this experiments, we show that our method very effectively works and recommendation performance increases.
As a number of TV programs broadcast today, researches about TV program recommender system have been studied and many researchers have been studying recommender system to produce recommendation with high accuracy. Recommender system recommends TV program to user by using metadata like genre, plot or calculating users' preferences about TV programs. In this paper, we propose a new TV program Collaborative Filtering Recommender System that exploits viewing time pattern like viewing ratio, relation with finish time and recently viewing history to calculate preference for high-quality of recommendation. To verify usefulness of our research, we also compare our method which utilizes viewing time patterns and baseline which simply recommends TV program of user's most frequently watched channel. Through this experiments, we show that our method very effectively works and recommendation performance increases.
그러므로 선호도에 영향을 주는 동적 데이터의 값이 변해도 선호도 점수에 영향을 끼치지 않는다. 본 논문에서는 동적 데이터인 시간을 선호도에 반영시켜 추천 성능을 높이기 위해 시청비율, 종료시간과의 관계, 최근시청이력 등 동적인 시청시간패턴을 기반으로 계산된 선호도 점수를 활용하는 협업 필터링 TV 프로그램 추천시스템을 제안한다.
가설 설정
시청자가 TV 프로그램 시청을 일찍 종료했다는 것은 해당 TV 프로그램에 대한 흥미도가 떨어진 것으로 간주할 수 있다. 그래서 본 논문에서는 TV 프로그램 시청 종료시간과 TV 프로그램 방영 종료시간의 차이가 클수록 해당 프로그램에 대한 선호도가 낮다는 가정 하에 시청자 ui의 TV 프로그램 pj에 대한 k 회차의 종료시간 기반 선호도를 식 (7)과 같이 정의한다
제안 방법
본 논문의 제안 기법을 검증하기 위해 베이스라인(baseline)으로 시청시간패턴을 고려하지 않고 시청자가 가장 많이 시청한 채널을 추천하는 방식을 선택했다. 또한 좀 더 정확한 비교를 위해 시청비율 기반 선호도를 따로 사용한 경우, 종료시간 기반 선호도를 따로 사용한 경우, 최근 시청이력만을 고려한 경우와 본 논문에서 말한 시청시간패턴요소들을 모두 고려하여 선호도를 구한 경우, 총 5가지 경우를 비교하였다
본 논문에서는 시청시간패턴을 선호도 계산에 활용하는 협업 필터링 TV 프로그램 추천 시스템을 제안하였다. 이를 위해 시청시간패턴으로 각 회차에 대한 시청비율을 이용한 시청비율기반 선호도, 종료시간과 시청자의 시청 흥미도와의 관계를 이용한 종료시간 기반 선호도를 구한 후 최근시청이력에 더 가중치를 주는 방식을 이용하였다. 실험을 통해 본 논문에서 제안한 기법과 같이 시청시간패턴을 고려한 경우가 좋은 성능을 도출한 것을 확인할 수 있었다.
대상 데이터
실험 데이터는 전국 멀티미디어 통합 조사기관인 TNmS1)가수집한 6개월간의 3,318명의 시청자 개인 시청기록과 KBS1,KBS2, MBC, SBS 4개의 지상파 채널의 TV 프로그램 방영 데이터를 사용하였다. 전처리 과정으로 채널을 돌리는 과정 등의 짧은 시청 시간은 시청하지 않은 것으로 처리하기 위해 10분 미만의 시청 기록은 삭제하였다.
이론/모형
본 논문에서는 제안 기법을 이용하여 선호도를 계산한 후 성능 향상을 위해 SVD를 이용하여 근사행렬을 취함으로써 사용자-아이템 행렬에서 구해지지 못한 예측값을 구하게 된다.
성능/효과
시청시간패턴 각각을 따로 사용하였을 경우보다 시청비율과 종료시간을 기반으로 하여 최근시청기록을 가중치로 사용하는 본 논문의 제안 기법이 가장 높은 예측 정확도를 높이는 것을 확인함으로써, 시청시간패턴을 다양한 측면에서 바라보고 활용한 것이 좋은 결과를 냄을 알 수 있었다.
ratio는 시청비율을 기반으로 한 방법, finish-time은 종료시간을 기반으로 한 방법, recent는 최근시청이력을 기반으로 한 방법이다. 시청시간패턴을 활용한 방법이 전반적으로 베이스라인보다 높은 예측정확도를 보였고, 시청비율과 종료시간을 기반으로 하여 최근시청기록을 가중치로 사용하는 본 논문의 제안기법이 약 39.4%로 가장 높은 예측 정확도를 보였다.
후속연구
실험을 통해 본 논문에서 제안한 기법과 같이 시청시간패턴을 고려한 경우가 좋은 성능을 도출한 것을 확인할 수 있었다. 향후 연구에 있어서 다른 관점에서의 시청시간패턴을 함께 비교하고 분석 및 연구함으로써 추천에 적용시키면 더욱 높은 예측 정확도를 기대할 수 있을 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
추천 시스템이란?
추천 시스템이란 데이터 분석 기술을 이용해 사용자가 관심을 가지는 아이템을 사용자에게 추천해주는 것이다. 그 중 협업 필터링(Collaborative Filtering) 추천 시스템은 대표적인 추천 시스템 중 하나이다.
추천 시스템은 어떤 데이터를 사용하는가?
오늘날 수많은 TV 프로그램들이 방송됨에 따라 TV 프로그램을 추천해주는 추천 시스템에 관한 연구가 시작되었으며, 추천의 정확도를 더욱 높이기 위한 연구가 현재도 활발히 진행 중이다. 추천 시스템은 장르, 줄거리 등과 같은 메타데이터를 사용하여 TV 프로그램을 추천하거나, TV 프로그램에 대한 시청자의 선호도를 계산하여 TV 프로그램을 추천한다. 본 논문에서는 추천의 정확도를 높이고자 시청비율, 종료시간과의 관계, 최근시청이력 등 시청시간의 여러 패턴을 추가로 사용하여 선호도 계산에 활용하는 협업 필터링 TV 프로그램 추천 시스템을 제안한다.
기존의 TV 프로그램 추천 시스템은 어떤 문제를 가지고 있는가?
하지만 이와 같은 기법들은 채널, 장르와 같은 TV 프로그램의 정적인 메타데이터만을 사용하기 때문에, TV 프로그램이 시간의 영향을 받는 콘텐츠임에도 불구하고 동적 데이터인 시간 데이터의 값이 변해도 선호도 점수에 영향을 끼치지 않는다는 문제가 있다.
참고문헌 (14)
Jinoh Oh, Sungchul Kim, Jinha Kim and Hwanjo Yu, "When to recommend: A new issue on TV show recommendation," Information Sciences, pp. 261-274, 2014.
Ana Belen Barragans-Martinez, Enrique Costa-Montenegro, Juan C. Burguillo, Marta Rey-Lopez, Fernando A. Mikic-Fonte and Ana Peleteiro, "A hybrid content-based and item-based collaborative filtering approach to recommend TV programs enhanced with singular value decomposition," Information Sciences, vol. 180, no. 22, pp. 4290-4311, 2010.
P. Cotter and B. Smyth, "PTV: Intelligent Personalized TV Guides," Proceedings of the Seventeenth National Conference on Artificial Intelligence, pp. 957-964, Austin, TX, USA, 2000.
Kaushal Kurapati, Srinivas Gutta, David Schaffer, Jacquelyn Martino and John Zimmerman, "A Multi-Agent TV Recommender," Proceedings of the UM 2001 workshop "Personalization in Future TV, 2001.
Srinivas Gutta, Kaushal Kurapati, KP Lee, Jacquelyn Martino, John Milanski, J. David Schaffer and John Zimmerman, "TV Content Recommender System," Proceedings of the 17th National Conference of AAAI, 2000.
Ana Belen Barragans Martinez, Jose J. Pazos Arias, Ana Fernandez Vilas, Jorge Garcia Duque and Martin Lopez Nores, "What's on TV Tonight? An Efficient and Effective Personalized Recommender System of TV Programs," Consumer Electronics, vol. 55, no. 1, pp. 286-294, 2009.
Hyunho Yoon, Yonggil Kang, Seongiin Lee and Soowon Lee, "User Preference based personalized Electronic Program Guide," The Korean Institute of Information Scientists and Engineers, vol. 32, no. 1, pp. 730-732, 2005.
Sangwon Yoo, Hongrae Lee, Hyungdong Lee and Hyoung-Joo Kim, "A Content-based TV Program Recommender," The Korean Institute of Information Scientists and Engineers Transactions on Computing Practices, vol. 9, no. 6, pp. 683-692, 2003.
Jinoh Oh, Youngchul Sung, Jinha Kim, Muhammad Humayoun, Young-Ho Park and Hwanjo Yu, "Time-dependent user profiling for TV recommendation," Cloud and Green Computing (CGC), 2012 Second International Conference on. IEEE, pp. 783-787, 2012.
Roberto Turrin, Andrea Condorelli, Paolo Cremonesi and Roberto Pagano, "Time-based TV programs prediction," 1st Workshop on Recommender Systems for Television and Online Video, 2014.
Badrul Sarwar, George Karypis, Joseph Konstan and John Riedl, "Item-based Collaborative Filtering Recommendation Algorithms," Proceedings of the 10th international conference on World Wide Web. ACM, pp. 285-295, 2001.
Jonathan L. Herlocker, Joseph A. Konstan, Al Borchers and John Riedl, "An algorithmic framework for performing collaborative filtering," Proceedings of the 22nd annual international ACM SIGIR conference on Research and development in information retrieval. ACM, pp. 230-237, 1999.
John S. Breese, David Heckerman and Carl Kadie, "Empirical Analysis of Predictive Algorithms for Collaborative Filtering," Proceedings of the Fourteenth conference on Uncertainty in artificial intelligence, pp. 43-52, 1998.
Xiaoyuan Su and Taghi M. Khoshgoftaar, "A Survey of Collaborative Filtering Techniques," Advances in Artificial Intelligence, vol. 4, pp. 1-20, 2009.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.