[논문]상황인지 추천시스템 연구 동항

김누리; 방한별; 김베드로; 이세희; 이지형

상황인지 추천시스템 연구 동항 원문보기

정보과학회지 = Communications of the Korean Institute of Information Scientists and Engineers, v.34 no.6, 2016년, pp.22 - 29

김누리 (성균관대학교) , 방한별 (성균관대학교) , 김베드로 (성균관대학교) , 이세희 (성균관대학교) , 이지형 (성균관대학교)

초록이 없습니다.

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 상황인지 추천시스템의 최근 연구동향에 대해서 기술하였다. 상황인지 추천을 위한 기법은 크게 Contextual Pre-Filtering, Contextual Post-Filtering, Contextual Modeling으로 구분할 수 있으며, 일반적으로 Contextual Modeling0]] 속하는 기법들을 많이 사용하고 있다.
본 논문에서는 상황인지추천 연구에 대한 최근 연구 동향을 살펴보고자 한다. 2장에서 상황인지추천에일반적으로 사용될 수 있는 접근방법론을 정리하고, 3장에서 기존 연구를 영화/음악, 장소/경로, 기타(음식 /문서/헬스앱/소셜 등)로 정리하여 각 도메인별로 진행된 연구의 공통점과 차이점을 비교할 수 있게 하였다.
추천해 주는 모델을 제안하였다. 이때 현재위치와 추천 위치와의 거리, 다음 승객의 대기 시간, 예상되는 경비 등을 고려하여 택시 운전자의 다음 이동 경로를 추천해 주고자 하였다. 이를 위해 좌표 기반의 클러스터링 기법을 이용하고, 탑승객이 타고 내리는 위치를 그룹화하여 승객들의 시간 분포 및 요일별 수익 분포 분석, 위치별 평균 대기시간을 추출해상황 정보로 활용함으로써 택시 운전자에게 다음 이동할 위치를 추천해주는 모델을 생성하였다.
추천시스템의 주요 연구 주제는 전통적으로 연구되고 있는 협업필터링, 내용기반추천 등의 추천 기법을 비롯하여 추천을 위해 사용되는 사용자 데이터의 희박성(Sparsity)문제, Cold start 문제, Scalability 등이 있으몌 1-3], 최근에는 사용자 상황 (Context)을 고려하는 상황인지추천[4-25]과 그룹사용자추천[26-28] 등으로 확대되고 있다. 이러한 다양한방향 중 본 논문에서는 최근 증가하고 있는 상황인지추천의 주요 기법과 연구동향에 대해서 기술한다.
장소 추천 중 호텔과 같은 특정 장소만을 위한 상황인지 추천 연구 또한 진행되었다. Hariri 외 3인[15] 은 호텔 도메인에서 여행의 형태(단독 여행, 사업차), 여행 동반자(가족, 커플, 친구)와 같은 상황 정보를 이용하여 사용자가 선호할만한 호텔을 추천하는 연구를진행하였다.

제안 방법

먼저 모바일 앱 종류에 대한 선호도를 일반화하기 위하여, 데이터가 상황 정보에 조건부독립인 경우 Topic Modeling을 통해 선호도를 얻고, 데이터가 상황 정보에 의존적인 경우 Matrix Factorization 기법을 사용하여 선호도를 얻는다. Topic Modeling 기법은 효율적이지만 성능이 좋지 않고, Matrix Factorization 기법은 성능이 좋지만 학습복잡도가 높기 때문에 이를 비교하여 선택적으로 사용하였다.
추천을 위하여 사용자-영화 행렬과 두 영화의 mood 유사도 행렬인 영화- 영화 행렬을 결합하여 동시에 학습하는 Contextual Modeling 기반의 Joint Matrix Factorization 기법을 활용하였다. Colombo-Mendozaa 외 4인[5]은 사용자의 장소시간 영화에 대한 이용자수 정보 등의 상황 정보를 이용하여 영화와 영화관, 상영시간을 추천하는 상황인지 추천시스템을 연구하였으며 Karatzoglou 외 3인[6]은 나。], 성별, 영화 개봉 날짜 계절 등과 같은 다양한 상황 정보를 활용하여 영화를 추천하는 기법을 제안하였다. 이때 발생할수 있는 모델의 복잡성 문제를 해결하기 위해 데이터에상황 정보를 포함하여 표준화된 n차원 tensor로 모델링한 후, 이에 Tensor Factorization 기법을 적용하여 협업필터링 추천을 가능하게 하고 데이터 희박성, 연산 속도저하와 같은 문제점을 해소하고자 하였다.
연구되었다[17]. 기존의 일반적인 문서 추천시스템의 경우 사용자의 프로필같은 단순한 리스트에 의존하고 있고, 토픽을 기반으로 한 인용 추천을 위해서는토픽 모델링을 위한 긴 학습 시간이 요구되는 문제를해결하기 위해 문서의 제목과 초록으로 이루어진 상황정보간의 관계를 이용한 방법을 제안하였다. 제목과 초록, 인용부분 근처 텍스트를 상황 정보로 사용하고 각상황 정보를 Bag-OfWords (BOW)로 표현하여 각 상황정보 사이의 유사도를 구해 인용 추천에 활용하였다.
이 때 확률 밀도로 사용자와 시간과의 상관관계를 고려하는 기법을 사용하여 연속적인 시간 정보를 확률 밀도기반의 평가를 통해 사용자가 새로운 장소에 방문했을때의 시간 정보에 대한 손실 문제를 해결하였다. 또한 다른 사용자가 같은 장소에 다른 시간에 방문할 때의 상관관계와 다른 장소에 같은 사용자가 다른 시간에 방문할때의 상관관계를 이용하여 사용자 간의 유사도를 계산흐卜 고, 이를 이용하여 사용자가 방문한 적 이 없는 장소에대한 점수를 계산해 장소를 추천하였다. Braunhofer 외 3인[12]은 여행 중 장소 추천을 위해 여행 시간, 여행지방문 시간(전체 시간 중 머문 비율), 날씨, 사용자가 방문한 장소 등의 상황 정보를 이용한 Contextual PostFiltering 방식의 상황인지 추천시스템을 제안하였다.
DSPF는 각 상황 정보에 따라 데이터를나눌 때, 상황 정보 사이의 유사도를 각 상황 정보별선호도 점수 행렬을 기반으로 계산하고 유사한 상황정보별 데이터를 상황별 추천 과정에 함께 사용한다. 또한 상황 변수가 많아질 때 계산의 복잡성을 피하기위해 클러스터링 방법을 이용하여 유사한 상황 변수를 그룹화하였다. 이러한 기법은 상황 정보에 대한 일반화를 적용할 때, 도메인에 대한 이해 및 전문가 지식을 최소화할 수 있게 하는 장점을 가진다.
Hariri 외 3인[15] 은 호텔 도메인에서 여행의 형태(단독 여행, 사업차), 여행 동반자(가족, 커플, 친구)와 같은 상황 정보를 이용하여 사용자가 선호할만한 호텔을 추천하는 연구를진행하였다. 또한 장소에 대한 상황 정보를 획득하기위해서, 장소에 대한 리뷰 데이터에 Labeled-LDA 기법을 사용함으로써 여행의 형태와 관련된 상황 정보를 추출한 후, 상황 정보를 반영할 수 있는 유틸리티함수를 설계하였다.
Chen 외 4인[21]은 소셜 도메인에서 사용자 상황 정보(방문 횟수, truster 수, trustee 수 등)와 평점 정보, 소셜 네트워크에서의 관계 이용하여 사용자들에게아이템을 추천하는 연구를 진행하였다. 사용자들 간의신뢰 관계를 반영하기 위해 LDA 모델을 이용 추출된내재적 상황 정보를 이용하여 유사 아이템과 사용자를그룹화하고, 계층적 베이지안 모델을 이용하여 사용자들 간의 신뢰 관계를 파악하였다. Liu 와 Aberer[22]는 SNS와 같은 소셜 정보와 상황 정보를 함께 활용하여희박성 문제를 해결하고 영화, 음악, 책과 같은 다양한컨텐츠를 추천하는 기법을 제안하였다.
Zhu 외 5인[2이은 모바일 환경에서 요일, 시간, 배터리, 장소 (집, 길, 일터) 등의 상황 정보를 사용하여 사용자에게적절한 종류의 앱(액션게임, SNS, 스포츠 웹)을 추천하는 상황인지 추천시스템을 개발하였다. 상황에 따른 선호도를 수집하기 어려운 문제를 해결하기 위해, 상황 정보가 간접적으로 많이 포함된 로그를 가공함으로써 일반적인 상황에 따른 선호정보를 수집하는방법을 제안하였다. 먼저 모바일 앱 종류에 대한 선호도를 일반화하기 위하여, 데이터가 상황 정보에 조건부독립인 경우 Topic Modeling을 통해 선호도를 얻고, 데이터가 상황 정보에 의존적인 경우 Matrix Factorization 기법을 사용하여 선호도를 얻는다.
Unger 외 3인[9]은 사용자가 방문했던 장소들에서 휴대폰을 통해 수집되는 위치(위도, 경도), 시간, 신호 모드(소리, 진동, 음소거) 등의 상황정보를 활용하여 사용자가 관심있는 장소를 추천하는연구를 진행하였다. 이 때, 모바일 기기로부터 수집된데이터를 상황 정보로 직접 사용하지 않고, 딥러닝기반의 차원 변환을 적용하여 가공된 정보로 사용하였다. 이를 위해 먼저 모바일 기기로부터 얻은 센서 데이터에서 통계적 방식으로 花atu炽를 추출한 후, 딥러닝 기법을 통해 feature들 간의 상관관계를 분석하여 장소에대한 평점 예측 모델 생성에 사용하였다.
Colombo-Mendozaa 외 4인[5]은 사용자의 장소시간 영화에 대한 이용자수 정보 등의 상황 정보를 이용하여 영화와 영화관, 상영시간을 추천하는 상황인지 추천시스템을 연구하였으며 Karatzoglou 외 3인[6]은 나。], 성별, 영화 개봉 날짜 계절 등과 같은 다양한 상황 정보를 활용하여 영화를 추천하는 기법을 제안하였다. 이때 발생할수 있는 모델의 복잡성 문제를 해결하기 위해 데이터에상황 정보를 포함하여 표준화된 n차원 tensor로 모델링한 후, 이에 Tensor Factorization 기법을 적용하여 협업필터링 추천을 가능하게 하고 데이터 희박성, 연산 속도저하와 같은 문제점을 해소하고자 하였다.
상황 정보를 이용하였다. 이때 적합한 상황 정보는 사용자들의 응답 및 통계 분석을 통해 선별하여상황인지 추천을 수행하였다. Xu 외 2인 [14] 은 geotagged photo(지리적 정보가 태그된 사진)를 통해날씨(습도, 온도 등), 계절(봄, 여름, 가을, 겨울), 위치등과 같은 상황 정보를 습득하여 여행 도시를 추천하는 연구를 진행하였다.
Braunhofer 외 3인[12]은 여행 중 장소 추천을 위해 여행 시간, 여행지방문 시간(전체 시간 중 머문 비율), 날씨, 사용자가 방문한 장소 등의 상황 정보를 이용한 Contextual PostFiltering 방식의 상황인지 추천시스템을 제안하였다. 이때, 상황 정보에 대한 선호도를 계산하기 위하여 휴리스틱한 방법으로 유틸리티 함수를 설계하였으며, 이를 통해 계산된 상황에 대한 선호도를 반영하였다.
이 때, 모바일 기기로부터 수집된데이터를 상황 정보로 직접 사용하지 않고, 딥러닝기반의 차원 변환을 적용하여 가공된 정보로 사용하였다. 이를 위해 먼저 모바일 기기로부터 얻은 센서 데이터에서 통계적 방식으로 花atu炽를 추출한 후, 딥러닝 기법을 통해 feature들 간의 상관관계를 분석하여 장소에대한 평점 예측 모델 생성에 사용하였다. Zhang과 Chow[10, ll]는 장소 도메인에서 사용자가 방문했던 장소와 사용자와의 상관관계, 사용자간의 관계를 고려하기위해 사용자의 check-in 빈도, check-in 시간, 위치 등의상황 정보를 이용한 상황인지 추천시스템을 제안하였다.
Baltrunas 외 7인[8]은 음악을 듣는 장소에 따라 반영해야할 상황 정보가 달라진다는 점에 착안하여, 차 안에서 현재교통상황, 운전자의 기분 등의 상황 정보에 따라 음악을추천하는 모델을 제안하였다. 이를 위해 사용자들의 음악에 대한 평가와 함께 상황 정보의 평가를 함께 수집하였으며, 상황 정보와 선호도와의 관련성을 확률적으로 수치화시키고 동반자가 있을 경우 동반자들의 평가도 함께 활용하여 상황 정보를 더욱 효과적으로 반영하였다.
이때 현재위치와 추천 위치와의 거리, 다음 승객의 대기 시간, 예상되는 경비 등을 고려하여 택시 운전자의 다음 이동 경로를 추천해 주고자 하였다. 이를 위해 좌표 기반의 클러스터링 기법을 이용하고, 탑승객이 타고 내리는 위치를 그룹화하여 승객들의 시간 분포 및 요일별 수익 분포 분석, 위치별 평균 대기시간을 추출해상황 정보로 활용함으로써 택시 운전자에게 다음 이동할 위치를 추천해주는 모델을 생성하였다.
대부분의 상황인지 추천시스템에서는 상황 정보들을 밀도 높게 수집하기 어려운 한계가존재한다. 이를 해결하기 위해 C-HMM (Context Hidden Markov Model)을 이용함으로써 데이터에 상황 정보를보완하여, 협업필터 링을 적용한 상황인지 추천시스템을제안하였다 이는 C-HMM을 통해 상황 정보와 아이템간의 정보를 반영함으로써 약간의 상황 정보만으로 각각다른 서비스 모델을 추천할 수 있게 하였다.
기존의 상황인지 추천시스템은 아이템과 상황 정보가 다양할수록 희박성이 악화된다는 문제가 존재하였다. 이를 해결하기위해 상황 정보 값에 따라 사용자-아이템 행렬을 여러개의 부분행렬로 나누는 Random Decision Tree 알고리즘을 이용함으로써 희박성 문제를 해소하였고, SNS 데이터에 대한 상황 정보를 유사도 계산에 활용함으로써추천 성능을 향상시켰다.
Shia 외 5인[19]은 모바일 앱 도메인에서 휴대폰 센서를 통해 수집되는 사용자의 움직임(느림, 빠름) 및 위치(작업장, 집 등) 정보와 같은 상황 정보를 활용하여 사용자에게 모바일 앱을 추천하는 모델을 개발하였다. 정확한 선호도 예측 대신 추천 목록 랭킹의 정확도를향상시키기 위해, 상황 정보를 tensor 형태로 만들어학습함에 있어서 MAP (Mean Average Precision)를 기반으로 한 목적 함수를 설계하여 정답 아이템의 순위가 높은 아이템 리스트를 추천하도록 하였다. Zhu 외 5인[2이은 모바일 환경에서 요일, 시간, 배터리, 장소 (집, 길, 일터) 등의 상황 정보를 사용하여 사용자에게적절한 종류의 앱(액션게임, SNS, 스포츠 웹)을 추천하는 상황인지 추천시스템을 개발하였다.
기존의 일반적인 문서 추천시스템의 경우 사용자의 프로필같은 단순한 리스트에 의존하고 있고, 토픽을 기반으로 한 인용 추천을 위해서는토픽 모델링을 위한 긴 학습 시간이 요구되는 문제를해결하기 위해 문서의 제목과 초록으로 이루어진 상황정보간의 관계를 이용한 방법을 제안하였다. 제목과 초록, 인용부분 근처 텍스트를 상황 정보로 사용하고 각상황 정보를 Bag-OfWords (BOW)로 표현하여 각 상황정보 사이의 유사도를 구해 인용 추천에 활용하였다.

이론/모형

상황에 따른 선호도를 수집하기 어려운 문제를 해결하기 위해, 상황 정보가 간접적으로 많이 포함된 로그를 가공함으로써 일반적인 상황에 따른 선호정보를 수집하는방법을 제안하였다. 먼저 모바일 앱 종류에 대한 선호도를 일반화하기 위하여, 데이터가 상황 정보에 조건부독립인 경우 Topic Modeling을 통해 선호도를 얻고, 데이터가 상황 정보에 의존적인 경우 Matrix Factorization 기법을 사용하여 선호도를 얻는다. Topic Modeling 기법은 효율적이지만 성능이 좋지 않고, Matrix Factorization 기법은 성능이 좋지만 학습복잡도가 높기 때문에 이를 비교하여 선택적으로 사용하였다.
Shi 외 2인[4]은 영화의 mood (우울, 공포 등)를 16가지로 나누어 상황 정보로 사용하였다. 추천을 위하여 사용자-영화 행렬과 두 영화의 mood 유사도 행렬인 영화- 영화 행렬을 결합하여 동시에 학습하는 Contextual Modeling 기반의 Joint Matrix Factorization 기법을 활용하였다. Colombo-Mendozaa 외 4인[5]은 사용자의 장소시간 영화에 대한 이용자수 정보 등의 상황 정보를 이용하여 영화와 영화관, 상영시간을 추천하는 상황인지 추천시스템을 연구하였으며 Karatzoglou 외 3인[6]은 나。], 성별, 영화 개봉 날짜 계절 등과 같은 다양한 상황 정보를 활용하여 영화를 추천하는 기법을 제안하였다.

성능/효과

그러나 상황 수집 및 분석은 도메인 의존적 일 수밖에 없는 특징으로 인하여, 대다수의 연구에서 각 도메인에 적합한 방법론을 선택하여 사용하고 있다. 연구의 적용 도메인 관점에서는상대적으로 응용서비스와 관련된 상황의 정의 및 수집 이 용이한 장소, 경로, 영화, 음악 등의 분야가 많았으나, 현재 음식, 문서, 헬스, 앱, 소셜 등으로 확장되고 있음을 알 수 있었다. 일반적으로 사용자가 어떤서비스를 선택한다는 것은 사용자의 상황에 의존적일수밖에 없으며 컴퓨팅 환경도 더욱 사용자 중심적으로 진화해 나아갈 것이므로, 계속적으로 상황인지 추천에 대한 관심 및 연구가 증가할 것으로 판단된다.

후속연구

또한 대부분의 상황인지 추천의 연구에서는 일반적인 방법론보다는 도메인 의존적인 상황파악및 분석 방법론을 사용하기 때문에, 다수의 상황인지추천에서 사용될 수 있는 공통의 기술이 아직까지 다양하지 않은 실정이다. 그러나, 앞으로 컴퓨팅 환경이더욱 사용자 중심적으로 진화해 나아갈 것이므로, 상황인지추천에 대한 관심 및 연구는 더욱 활발해질 것으로 판단된다.

참고문헌 (38)

Huang, Z., Chen, H. and Zeng, D., "Applying associative retrieval techniques to alleviate the sparsity problem in collaborative filtering," ACM Transactions on Information Systems (TOIS), Vol. 22, No. 1, pp.116-142, 2004.

상세보기
Bobadilla, J., Ortega, F., Hernando, A. and Bernal, J., "A collaborative filtering approach to mitigate the new user cold start problem," Knowledge-Based Systems, Vol. 26, pp.225-238, 2012

상세보기
Takacs, G., Pilaszy, I., Nemeth, B. and Tikk D., "Scalable collaborative filtering approaches for large recommender systems," The Journal of Machine Learning Research, Vol. 10, pp.623-656, 2009.
Shi, Y., Larson, M. and Hanjalic, A., "Mining Mood-specific Movie Similarity with Matrix Factorization for Context-aware Recommendation," Proceedings of the workshop on context-aware movie recommendation, 2010.
Colombo-Mendozaa, L. O., Valencia-Garciaa, R., Rodriguez-Gonzalezb, A., Alor-Hernandezc, G. and Samper-Zapaterd, J. J., "RecomMetz: A context-aware knowledge-based mobile recommender system for movie showtimes," Expert Systems with Applications, Vol. 42, No. 3, pp.1202-1222, 2015.

상세보기
Karatzoglou, A., Amatriain, x., Baltrunas, L. and Oliver, N., "Multiverse recommendation: n-dimensional tensor factorization for context-aware collaborative filtering," Proceedings of the fourth ACM conference on Recommender systems, pp.79-86, 2010.
Wang, X., Rosenblum, D. and Wang, Y., "Context -aware mobile music recommendation for daily activities," The 20th ACM international conference on Multimedia, pp.99-108, 2012.
Baltrunas, L., Kaminskas, M., Ludwig, B., Moling, O., Ricci, F., Aydin, A., Luke, K. H. and Schwaiger, R., "InCarMusic: Context-aware Music Recommendations in a Car," In EC-Web, Vol. 11, pp.89-100, 2011.
Unger, M., Bar, A., Shapira, B. and Rokach, L., "Towards latent context-aware recommendation systems," Knowledge-Based Systems, 2016.
Zhang, J. D. and Chow, C. Y., "GeoSoCa: Exploiting geographical, social and categorical correlations for point-of-interest recommendations," Proceedings of the 38th International ACM SIGIR Conference on Research and Development in Information Retrieval, pp.443-452, 2015.
Zhang,J. D. and Chow, C. Y., "TICRec: A Probabilistic Framework to Utilize Temporal Influence Correlations for Time-aware Location Recommendations," IEEE Transactions on Services Computing, 2015.
Braunhofer, M., Ricci, F., Lamche, B. and Worndl, W., "A Context-Aware Model for Proactive Recommender Systems in the Tourism Domain," Proceedings of the 17th International Conference on Human-Computer Interaction with Mobile Devices and Services Adjunct, pp. 1070-1075, 2015.
Baltrunas, L., Ludwig, B., Peer, S. and Ricci, F., "Context-aware places of interest recommendations and explanations," Joint Proceedings of the Workshop on Decision Making and Recommendation Acceptance Issues in Recommender Systems, Vol. 740, pp.19-26, 2011.
Xu, Z., Chen, L. and Chen, G., "Topic based context-aware travel recommendation method exploiting geotagged photos," Neurocomputing, pp. 99-107, 2015.
Hariri, N., Zheng, Y., Mobasher, B. and Burke, R., "Context-aware recommendation based on review mining," General Co-Chairs, 2011.
Hwang, R. H., Hsueh, Y. L. and Chen, Y. T., "An effective taxi recommender system based on a spatio-temporal factor analysis model," Information Sciences, pp.28-40, 2015
Qi He, Jian Pei, Daniel Kifer, Prasenjit Mitra, Lee giles, "Context-aware citation recommendation", The 19th international conference on World wide web, 2010.
Kim, J., Lee, D. and Chung, K., "Item recommendation based on context-aware model for personalized u-healthcare service," Multimedia Tools and Applications, Vol. 71, No. 2, pp.855-872, 2014.

상세보기
Shia, Y., Karatzogloub, A., Baltrunasb, L., Larsona, M., Hanjalica, A. and Oliver, N., "TFMAP: optimizing MAP for top-n context-aware recommendation," Proceedings of the 35th international ACM SIGIR conference on Research and development in information retrieval, 2012.
Zhu, H., Chen, E., Xiong, H., Yu, K., Cao, H. and Tian, J., "Mining mobile user preferences for personalized context-aware recommendation," ACM Transactions on Intelligent Systems and Technology, Vol. 5, No. 4, 2015.

상세보기
Chen, C., Zheng, X., Wang, Y., Hong, F. and Lin, Z., "Context-Aware Collaborative Topic Regression with Social Matrix Factorization for Recommender Systems," Twenty-Eighth AAAI Conference on Artificial Intelligence, 2014
Liu, X. and Aberer, K., "SoCo: a social network aided context-aware recommender system," The 22nd international conference on World Wide Web, pp.781-802 ,2013.
Rendle, S., Gantner, Z., Freudenthaler, C. and Schmidt-Thieme, L., "Fast context-aware recommendations with factorization machines," The 34th international ACM SIGIR conference on Research and development in Information Retrieval, pp.635-644, 2011.
Codina, V., Ricci, F. and Ceccaroni, L., "Distributional Sematic Pre-filtering in Context-Aware Recommender Systems," User Modeling and User-Adapted Interaction, pp.1-32, 2015.
Liu, Q., Wu, S. and Wang, L., "COT: Contextual Operating Tensor for Context-Aware Recommender Systems," Association for the Advancement of Artificial Intelligence, pp.203-209, 2015.
Kim, N. R. and Lee, J. H., "Performance Analysis of Group Recommendation Systems in TV Domains," International Journal of Fuzzy Logic and Intelligent Systems, Vol. 15, No. 1, pp. 45-52, 2015.

원문보기 상세보기
Baltrunas, L., Makcinskas, T. and Ricci, F., "Group recommendations with rank aggregation and collaborative filtering," Proceedings of the 4th ACM Conference on Recommender Systems (RecSys), pp. 119-126, 2010.
Zheng, N., Li, Q., Liao, S. and Zhang, L., "Flickr group recommendation based on tensor decomposition," Proceedings of the 33rd international ACM SIGIR conference on Research and development in information retrieval, pp.737-738, 2010.
Adomavicius, G. and Tuzhilin, A., "Context-Aware Recommender Systems," Recommender systems handbook, Springer US, pp.217-253, 2011.
Adomavicius, G., Sankaranarayanan, R., Sen, S. and Tuzhilin, A., "Incorporating contextual information in recommender systems using a multidimensional approach," ACM Transactions on Information Systems (TOIS), Vol. 23 , No. 1, pp.103-145, 2005.

상세보기
Chaudhry, M. U., Oh, S., Kim, N. R. and Lee, J. H., "Heterogeneous Information Network based TV Program Recommendation," The 16th International Symposium on advanced Intelligent Systems, pp.808-816, 2015.
Bang, H., Lee H. and Lee, J. H., "The YouTube Video Recommendation by Considering Subscription Information," The 16th International Symposium on advanced Intelligent Systems, pp.824-833, 2015.
Kim, B. S., Kim, H., Lee J. and Lee, J. H., "Improving a Recommender System by Collective Matrix Factorization with Tag Information," SCIS & ISIS Joint 7th International Conference on Soft Computing and Intelligent Systems and The 15th International Symposium on Advanced Intelligent Systems, pp.981-984, 2014.
Bobadilla, J. , Serradilla, F. and Bernal, J. "A new collabrative filtering metric that improves the behavior of recommender systems," The Knowledge Based Systems, Vol. 23 , No. 6, pp. 520-528, 2010.

상세보기
Bedi, P. and Sharma, R., "Trust based recommender system using ant colony for trust computation," Expert Systems with Applications, Vol. 39, No. 1, pp. 1183-1190, 2012.

상세보기
Berry, M. J. and Linoff, G., "Data Mining Techniques: For Marketing, Sales, and Customer Support," John Wiley & Sons, Inc., 1997
Dey, A. K., "Understanding and using context," Personal and ubiquitous computing, Vol. 5, No. 1, pp.4-7, 2001.

상세보기
De Lathauwer, L., De Moor, B. and Vandewalle, J., "A multilinear singular value decomposition," SIAM journal on Matrix Analysis and Applications, Vol. 21, No. 4, pp.1253-1278, 2000.

상세보기

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