$\require{mediawiki-texvc}$
  • 검색어에 아래의 연산자를 사용하시면 더 정확한 검색결과를 얻을 수 있습니다.
  • 검색연산자
검색연산자 기능 검색시 예
() 우선순위가 가장 높은 연산자 예1) (나노 (기계 | machine))
공백 두 개의 검색어(식)을 모두 포함하고 있는 문서 검색 예1) (나노 기계)
예2) 나노 장영실
| 두 개의 검색어(식) 중 하나 이상 포함하고 있는 문서 검색 예1) (줄기세포 | 면역)
예2) 줄기세포 | 장영실
! NOT 이후에 있는 검색어가 포함된 문서는 제외 예1) (황금 !백금)
예2) !image
* 검색어의 *란에 0개 이상의 임의의 문자가 포함된 문서 검색 예) semi*
"" 따옴표 내의 구문과 완전히 일치하는 문서만 검색 예) "Transform and Quantization"

논문 상세정보

사용자 선호도를 사용한 군집 기반 추천 시스템

Clustering-Based Recommendation Using Users' Preference

초록

사용자가 좋아할만한 콘텐츠를 정확하게 추천하는 것은 추천 시스템에서 매우 중요한 요소 중 하나이다. 원치 않는 콘텐츠를 추천하거나, 원하는 것을 추천하지 않는 것은 사용자 만족도 측면에서 안 좋은 영향을 끼친다. 본 연구에서는 콘텐츠의 정확한 추천을 위해 사용자 군집 기반 추천 시스템을 제안한다. 제안하는 알고리즘에서 사용자들의 실제 선호도 점수와 피어슨 상관 계수를 기반으로 사용자들을 여러 군집으로 나눈다. 이 후, 특정 사용자에게 어떤 콘텐츠의 추천 여부 결정은, 같은 군집 내에 있는 다른 사용자들의 해당 콘텐츠의 실제 선호도 점수를 근거로 정한다. 제안하는 알고리즘은 군집화를 사용하지 않는 아이템 기반 협력 필터링 알고리즘보다 정밀도, 재현율, F1 스코어와 같은 추천 정확도에 있어서 의미 있는 성능 향상을 보인다.

Abstract

In a flood of information, most users will want to get a proper recommendation. If a recommender system fails to give appropriate contents, then quality of experience (QoE) will be drastically decreased. In this paper, we propose a recommender system based on the intra-cluster users' item preference for improving recommendation accuracy indices such as precision, recall, and F1 score. To this end, first, users are divided into several clusters based on the actual rating data and Pearson correlation coefficient (PCC). Afterwards, we give each item an advantage/disadvantage according to the preference tendency by users within the same cluster. Specifically, an item will be received an advantage/disadvantage when the item which has been averagely rated by other users within the same cluster is above/below a predefined threshold. The proposed algorithm shows a statistically significant performance improvement over the item-based collaborative filtering algorithm with no clustering in terms of recommendation accuracy indices such as precision, recall, and F1 score.

질의응답 

키워드에 따른 질의응답 제공
핵심어 질문 논문에서 추출한 답변
추천시스템
추천시스템은 알고리즘에 따라 어떻게 나눌 수 있는가?
추천시스템은 알고리즘에 따라 크게 사용자/아이템 기반의 협업 필터링 (user/item based collaborative filtering), 콘텐츠1) 기반의 추천 (content-based recommendations) 으로 나눌 수 있다

추천시스템은 알고리즘에 따라 크게 사용자/아이템 기반의 협업 필터링 (user/item based collaborative filtering), 콘텐츠1) 기반의 추천 (content-based recommendations) 으로 나눌 수 있다[1]. 협업 필터링은 나와 선호도가 유사한 사용자들을 기반으로 내가 접하지 않았던 아이템들에 대한 선호도를 예측하는 기법이다.

콘텐츠 기반의 추천 기법
콘텐츠 기반의 추천 기법의 단점은 무엇인가?
포털 사이트 뉴스와 같은 환경에서는 항상 같은 주제를 가지는 뉴스만을 추천해 주기 때문에 사용자는 피로도와 지루함을 쉽게 느낄 수 있는 단점을 가진다

콘텐츠 기반의 추천 기법은 사용자가 선호하는 아이템들을 선별하여 추천해 주기 때문에 일정수준 이상의 사용자 경험 만족도 (user experience: UX)를 보장할 수 있다. 그러나 포털 사이트 뉴스와 같은 환경에서는 항상 같은 주제를 가지는 뉴스만을 추천해 주기 때문에 사용자는 피로도와 지루함을 쉽게 느낄 수 있는 단점을 가진다.

콘텐츠 기반 추천
콘텐츠 기반 추천은 어떤 방법인가?
콘텐츠 기반 추천은 내가 평상시에 자주 접했던 아이템을 분석하여 이와 유사한 아이템들을 추천하는 방법이다

협업 필터링은 나와 선호도가 유사한 사용자들을 기반으로 내가 접하지 않았던 아이템들에 대한 선호도를 예측하는 기법이다. 반면에 콘텐츠 기반 추천은 내가 평상시에 자주 접했던 아이템을 분석하여 이와 유사한 아이템들을 추천하는 방법이다[2, 3]. 각각의 추천 기법은 고유한 장점 및 단점을 가진다.

질의응답 정보가 도움이 되었나요?

저자의 다른 논문

참고문헌 (15)

  1. 1. D. Jannach, M. Zanker, A. Felfernig, and G. Friedrich, "Recommender systems: An introduction," Cambridge University Press, 2010. 
  2. 2. J. A. Konstan and J. Riedl, "Recommender systems: From algorithms to user experience," Springer User Modeling and User-Adapted Interaction, vol. 22, no. 1, pp. 101-123, March 2012. 
  3. 3. X. Su and T. M. Khoshgoftaar, "A survey of collaborative filtering techniques," Advances in Artificial Intelligence, vol. 2009, no. 421425, pp. 1-19, 2009. 
  4. 4. M. J. Pazzani and D. Billsus, "Content-based recommendation systems," Springer Lecture Notes in Computer Science, vol. 4321, pp. 325-341, 2007. 
  5. 5. Netflix Prize, http://www.netflixprize.com/ 
  6. 6. Y. LeCun, Y. Bengio, and G. Hinton, "Deep learning," Nature, 521, pp. 436-444, May 2015. 
  7. 7. P. M. Napol, "Special issue introduction: Big data and media management," International Journal on Media Management, vol. 18, no. 1, pp. 1-7, June 2016. 
  8. 8. M. S. Berrie, "Curatorial compass: Organising meaning in institutional and online displays," Museological Review, vol. 18, no. 1, pp. 61-68, 2014. 
  9. 9. C. Cheng, X. Wang, Z. Li, and Y. Lin, "A new TV recommendation algorithm based on interest quantification and item clustering," in Proceedings of the IEEE ICSESS, Beijing, China, pp. 215-200, September 2015. 
  10. 10. X. Wang, X. Wang, Z. Ding, X. Nie, and L. Xiao, "A new algorithm based on item clustering and matrix factorization," International Journal of Engineering and Technology, vol. 9, no. 2, pp. 160-165, January 2017. 
  11. 11. W. H. Gomaa and A. A. Fahmy, "A survey of text similarity approaches," International Journal of Computer Applications, vol. 68, no. 13, pp. 13-18, April 2013. 
  12. 12. U. Luxburg, "A tutorial on spectral clustering," Springer Statistics and Computing, vol. 17, no. 4, pp. 395-416, December 2007. 
  13. 13. J. Lee, D. Lee, Y.-C. Lee, W.-S. Hwang, and S.-W. Kim, "Improving the accuracy of top-N recommendation using a preference model," Information Sciences, vol. 348, no. 20, pp. 290-304, June 2016. 
  14. 14. J. Schaffer, T. Hollerer, and J. O'Donovan, "Hypothetical recommendation: A study of interactive profile manipulation behavior for recommender systems," in Proceedings of the FLAIRS, Hollywood, USA, pp. 507- 512, May 2015. 
  15. 15. D. Song and D. A. Meyer, "Recommending positive links in signed social networks by optimizing a generalized AUC," in Proceedings of the AAAI, Austin, USA, pp. 290-296, January 2015. 

문의하기 

궁금한 사항이나 기타 의견이 있으시면 남겨주세요.

Q&A 등록

DOI 인용 스타일

"" 핵심어 질의응답