선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 연구는 기존의 선행연구들과는 다르게, 사용자 간의 신뢰 관계뿐만 아니라, 오늘날 많은 연구자들 사이에서 활발하게 연구되고 있는 불신 관계도 함께 고려한 새로운 하이브리드 협업필터링을 제안한다. 그리고 과연 신뢰 및 불신관계 정보 중 어느 것이 더 중요한 의미를 갖는지도 살펴보고자 한다.
- 본 연구는 기존의 선행연구들과는 다르게, 사용자 간의 신뢰 관계뿐만 아니라, 오늘날 많은 연구자들 사이에서 활발하게 연구되고 있는 불신 관계도 함께 고려한 새로운 하이브리드 협업필터링을 제안한다. 그리고 과연 신뢰 및 불신관계 정보 중 어느 것이 더 중요한 의미를 갖는지도 살펴보고자 한다.
- )의 최적값을 찾는 작업이 이루어지게 된다. 본 연구에서는 유전자알고리즘을 이용해 승수들의 최적 값을 결정하고자 하였다. 이 단계에서는 우선 4개 조정승수에 대한 후보값들을 무작위로 생성하여, 50～100개 사이의 염색체(chromosome)들로 구성된 모집단(population)을 구성하게 된다.
- 본 연구에서는 직접·간접적 신뢰 및 불신 관계정보의 사회연결망분석 결과를 반영하여, 전통적인 협업필터링보다 더 우수한 예측 정확도를 보이는 하이브리드 추천 알고리즘을 제안한다.
제안 방법
- 구체적으로 본 연구가 제안하는 추천 알고리즘은 사용자 간의 유사도를 산출할 때 직접 신뢰(불신)관계, 간접 신뢰(불신)관계 이렇게 총 4개의 관계 네트워크에 대한 사회연결망분석 결과를 추가적으로 반영한다. 이 때, 새롭게 반영된 정보에 의해 사용자 간의 유사도가 재조정되는 과정에서, 유사도를 확대하거나 축소하는 4개의 조정승수의 최적값을 찾는 방법으로 유전자 알고리즘을 적용하였다.
- 이 단계에서는 우선 4개 조정승수에 대한 후보값들을 무작위로 생성하여, 50～100개 사이의 염색체(chromosome)들로 구성된 모집단(population)을 구성하게 된다. 그런 다음 각 염색체 별로 코딩된 승수값들을 적용하여 4단계의 유사도 조정에 기반한 협업 필터링을 수행한 뒤, 각 염색체별 성능을 측정한다. 이 때 염색체별 성능을 측정하기 위한 적합도 함수(fitness function)은 협업 필터링의 예측 정확도를 반영할 수 있는 평균 MAE(Mean Absolute Error)로 하였다.
- 본 연구는 지금까지 신뢰 관계만을 고려했던 선행연구들과는 달리, 사용자 간 신뢰 및 불신관계를 동시에 고려하고, 이를 분석한 결과를 추가로 활용하는 하이브리드 협업필터링인 SNACF-GA를 제안하였다. 본 연구는 제안 알고리즘의 타당성을 검증하기 위하여 웹에서 제공받은 데이터에 적용하여 실험한 결과, 전통적인 CF는 물론 SNACF와도 비교했을 때 통계적으로 유의미한 예측 정확도의 개선을 확인할 수 있었다.
- 이 때, 새롭게 반영된 정보에 의해 사용자 간의 유사도가 재조정되는 과정에서, 유사도를 확대하거나 축소하는 4개의 조정승수의 최적값을 찾는 방법으로 유전자 알고리즘을 적용하였다. 이 때, 신뢰 및 불신 관계데이터를 분석하기 위해서 사회연결망분석 기술 중 하나인 내향 연결정도 중심성 척도를 계산하였다.
- 제안 알고리즘의 성능을 보다 면밀히 파악하기 위해, 본 연구에서는 2개의 비교모형을 사용하였다. 첫 번째 비교모형은 전통적인 CF이다.
- 제안 알고리즘의 성능을 확인하기 위해, 본 연구에서는 사용자의 평점이 입력된 상품들에 대해서 본 연구의 제안 알고리즘인 SNACF-GA로 예상 평점를 도출해 본 다음, 이 예상 평점과 실제 평점과의 오차를 확인하여 이 오차가 비교모형 대비 작은지를 확인해 보는 방식을 통하여 검증을 진행하였다. 이 때, 평점간의 오차는 전통적으로 가장 많이 사용되어 온 MAE(Mean Absolute Error)를 사용해 측정하였다(Breese et al.
- 반면 본 연구의 한계점은 다음과 같다. 첫째, 본 연구는 사용자 간 신뢰 및 불신 관계가 갖는 영향력을 최대한 반영하기 위해서, 해당 관계 정보가 충분히 존재하는 사용자들 위주로 표본을 임의 추출하여 실험에 활용하였다. 때문에, 이과정에서 표본 추출의 오류가 포함되었을 가능성이 있으며, 이로 인해 연구 결과의 성능을 일반화하기에는 한계점이 존재한다.
대상 데이터
- com 사이트에서 사용자들이 다양한 상품(자동차, 책, 음악 등)을 구매한 후 직접 제품 리뷰를 작성하고 다른 사용자들에게 공유한 정보이다. 데이터는 지난 2001년 1월부터 2003년 8월까지 약 2년 7개월 동안 수집된데이터로, 두 개의 파일로 구성되어있다. 첫 번째 파일명은 ‘ratings_data.
- 본 연구가 제안한 SNACF-GA의 유용성을 논리적으로 검증하기 위하여, 'trustlet.org'에서 제공하는 ‘Extended Epinions dataset’을 사용하였다.
- txt'로 사용자 ID, 상품구매에 따른 평가 점수(5점 척도)를 부여한 내용이 포함되어있다. 이 파일에 저장된 사용자 수는 모두 132,000명이고, 평가된 상품은 동일 상품을 제외한 총 539,460종이다. 두 번째 파일명은‘user_rating.
- 제안 알고리즘의 성능을 보다 면밀히 파악하기 위해, 본 연구에서는 2개의 비교모형을 사용하였다. 첫 번째 비교모형은 전통적인 CF이다. 이는 오로지 평점만 고려하고, 신뢰 또는 불신네트워크 정보는 전혀 고려하지 않는 알고리즘이다.
데이터처리
- 본 연구는 SNACF-GA을 구현하기 위하여 사회연결망분석 도구 중의 하나인 UCINET 6를 사용하였으며, 사용자 간 신뢰 및 불신 네트워크의 내향 연결정도 중심성을 계산하였다. 그리고 Microsoft Excel VBA로 본 연구가 제안하는 추천 알고리즘을 구현하였다. 아울러, 앞서 언급한 4개의 조정승수의 최적값을 찾기 위한 방법으로 유전자 알고리즘을 적용하기 위해서 Excel에서 작동이 가능한 Palisade Software사의 Evolver를 사용하였다.
- 끝으로 알고리즘 간의 예측 정확도 차이가 과연 통계적으로 유의한 차이인지 검증하기 위하여, 대응표본 t-검정을 수행하였다. 다음의 [Table 5]는 이러한 대응표본 t-검정의 결과를 나타내고 있다.
- 그런 다음 각 염색체 별로 코딩된 승수값들을 적용하여 4단계의 유사도 조정에 기반한 협업 필터링을 수행한 뒤, 각 염색체별 성능을 측정한다. 이 때 염색체별 성능을 측정하기 위한 적합도 함수(fitness function)은 협업 필터링의 예측 정확도를 반영할 수 있는 평균 MAE(Mean Absolute Error)로 하였다. 이렇게 각 염색체별 성능이 측정되면, 그 성능에 따라 우성의 염색체를 선택(selection), 교배(crossover)하고, 간혹 돌연변이(mutation)를 일으켜 전역 최적해를 탐색하게 하는 유전 조작(genetic operation)을 수행한다.
이론/모형
- 여기서는 오로지 직접 신뢰 및 불신 관계만을 고려하므로 조정승수도 2개(\(\mu_{dt},\mu_{dd}\))만 사용하게 된다. 따라서 여기서는 조정승수 값 결정에 GA 최적화 대신 그리드 탐색(grid search) 기법을 사용한다.
- 본 연구는 SNACF-GA을 구현하기 위하여 사회연결망분석 도구 중의 하나인 UCINET 6를 사용하였으며, 사용자 간 신뢰 및 불신 네트워크의 내향 연결정도 중심성을 계산하였다. 그리고 Microsoft Excel VBA로 본 연구가 제안하는 추천 알고리즘을 구현하였다.
- 본 연구에서 제안하는 추천시스템 알고리즘은 편의상 SNACF-GA(Social Network Analysis -based CF using GA)로 명명하였다. SNACF-GA는 다음의 [Figure 2]에 제시된 것처럼, 총 6단계의 절차에 따라 구현된다.
- 본 연구에서는 위에서 소개한 다양한 중심성척도 중, 가장 간단하게 중심성을 측정할 수 있는 방법으로 알려져 있는 연결정도 중심성 척도를 기반으로 연구를 진행하였다(Jeong and Kim, 2013). 연결정도 중심성은 가장 대표적인 중심성척도로, 한 개의 노드(액터)와 직접 연결 관계를 갖고 있는 노드 개수의 합으로 구할 수 있다.
- 3단계에서는 사용자-상품 평점 행렬을 참조하여 사용자 간의 평점 유사도를 산출한다. 본 연구에서는 유사도 산출을 위해서 피어슨 상관계수(PCC)를 사용하였다. PCC 식은 식 (1)과 같다.
- 그리고 Microsoft Excel VBA로 본 연구가 제안하는 추천 알고리즘을 구현하였다. 아울러, 앞서 언급한 4개의 조정승수의 최적값을 찾기 위한 방법으로 유전자 알고리즘을 적용하기 위해서 Excel에서 작동이 가능한 Palisade Software사의 Evolver를 사용하였다.
- 구체적으로 본 연구가 제안하는 추천 알고리즘은 사용자 간의 유사도를 산출할 때 직접 신뢰(불신)관계, 간접 신뢰(불신)관계 이렇게 총 4개의 관계 네트워크에 대한 사회연결망분석 결과를 추가적으로 반영한다. 이 때, 새롭게 반영된 정보에 의해 사용자 간의 유사도가 재조정되는 과정에서, 유사도를 확대하거나 축소하는 4개의 조정승수의 최적값을 찾는 방법으로 유전자 알고리즘을 적용하였다. 이 때, 신뢰 및 불신 관계데이터를 분석하기 위해서 사회연결망분석 기술 중 하나인 내향 연결정도 중심성 척도를 계산하였다.
- 제안 알고리즘의 성능을 확인하기 위해, 본 연구에서는 사용자의 평점이 입력된 상품들에 대해서 본 연구의 제안 알고리즘인 SNACF-GA로 예상 평점를 도출해 본 다음, 이 예상 평점과 실제 평점과의 오차를 확인하여 이 오차가 비교모형 대비 작은지를 확인해 보는 방식을 통하여 검증을 진행하였다. 이 때, 평점간의 오차는 전통적으로 가장 많이 사용되어 온 MAE(Mean Absolute Error)를 사용해 측정하였다(Breese et al., 1998; Choi et al., 2016; Jeon and Ahn, 2015; Noh and Ahn, 2017; Sarwar et al., 2001).
성능/효과
- 둘째, 본 연구의 실증분석 결과는 신뢰와 불신중사용자 간 불신 관계 정보가 협업필터링의 성능 개선에 더 큰 영향을 미친다는 점을 시사한다. 가장 우수한 결과를 산출한 SNACF의 경우를 보면, 신뢰 정보를 사용했을 때 보다 불신 정보를 사용했을 때 예측정확도가 더 크게 개선됨을 확인할 수 있다. 또한 제안 알고리즘인 SNACF-GA에서도 신뢰 정보, 그 중에서도 특히직접 신뢰관계로부터 추출된 중심성은 사실상 전혀 도움이 안되는 것으로 나타났다.
- 앞서 소개한 연구는 신뢰 관계를 직접적으로 참조한 것은 아니지만, SNS 상에서의 친구 관계는 서로에 대한 신뢰를 동반할 것이라고 보았다. 그 결과, 제안한 추천 알고리즘의 예측 정확도가 개선됨을 확인할 수 있었다. Ha(2014)가 제안한 추천 알고리즘은, 사용자들이 직접적으로 명시한 신뢰 정보와 관계 정보(예를 들어, SNS 상의 친구관계 등)를 고려했으며, 이들의 연결강도를 모델에 반영하였다.
- 둘째, 본 연구의 실증분석 결과는 신뢰와 불신중사용자 간 불신 관계 정보가 협업필터링의 성능 개선에 더 큰 영향을 미친다는 점을 시사한다. 가장 우수한 결과를 산출한 SNACF의 경우를 보면, 신뢰 정보를 사용했을 때 보다 불신 정보를 사용했을 때 예측정확도가 더 크게 개선됨을 확인할 수 있다.
- 또한 제안 알고리즘인 SNACF-GA에서도 신뢰 정보, 그 중에서도 특히직접 신뢰관계로부터 추출된 중심성은 사실상 전혀 도움이 안되는 것으로 나타났다.
- 이 표에서 알 수 있듯이, SNACF-GA 알고리즘은 전통적인 CF는 물론 SNACF와도 통계적으로 유의한 성과 차이를 보이는 것으로 나타났다. 또한, SNACF와 전통적인 CF 사이에도 통계적으로 유의한 성과차이가 있음을 확인할 수 있었다.
- 본 연구는 지금까지 신뢰 관계만을 고려했던 선행연구들과는 달리, 사용자 간 신뢰 및 불신관계를 동시에 고려하고, 이를 분석한 결과를 추가로 활용하는 하이브리드 협업필터링인 SNACF-GA를 제안하였다. 본 연구는 제안 알고리즘의 타당성을 검증하기 위하여 웹에서 제공받은 데이터에 적용하여 실험한 결과, 전통적인 CF는 물론 SNACF와도 비교했을 때 통계적으로 유의미한 예측 정확도의 개선을 확인할 수 있었다. 이와 같은 본 연구의 실험 결과를 바탕으로 몇 가지 시사점을 제시한다.
- 셋째, 본 연구는 사회연결망분석을 통한 사용자 간 신뢰 및 불신 관계 분석 시, 직접적인 관계뿐 아니라 간접적인 관계를 추가로 고려할 경우보다 효과적이라는 점을 시사하고 있다. 특히 본 연구에서는 매개자가 1인인 간접관계만 고려하였음에도 불구하고, 상당히 유의미한 성과개선 효과를 얻을 수 있었는데, 매개자가 2인 이상인 간접관계까지 추가로 고려한다면 보다 나은 성능의 향상을 기대해 볼 수 있을 것으로 예상된다.
- 이에 비추어 볼 때, 웹에서 수집된 신뢰 관계 정보는 불신 관계 정보에 비하여 더 많은 오류를 갖고 있을 가능성이 높다. 실제로 본 연구의 성능을 검증하기 위해 사용된 Epinions 데이터셋의 경우에도 불신 관계 정보가 전체 100% 중 약 15%에 해당되며, 신뢰 관계 정보에 비해 약 6배 더 적게 입력된 것으로 조사되었다. 이것만 보더라도 사용자들이 불신 보다는 신뢰를 표출하는 경우가 더 많다는 사실을 알 수 있다.
- Ha(2014)가 제안한 추천 알고리즘은, 사용자들이 직접적으로 명시한 신뢰 정보와 관계 정보(예를 들어, SNS 상의 친구관계 등)를 고려했으며, 이들의 연결강도를 모델에 반영하였다. 실험 결과, 제안 모델 중 신뢰 모델은 선호도 예측에서, 그리고 소셜 모델은 추천상품 예측에서 우수한 예측 정확도를 보였음을 확인할 수 있었다.
- 이 표에 제시된 바와 같이 본 연구의 전체 실증분석 결과를 종합해 본다면, SNACF-GA > SNACF > 전통적인 CF의 순서로 예측 정확도가 높게 나타났음을 확인할 수 있다.
- 한편 직·간접 신뢰와 불신 관계를 모두 분석하여 추천결과를 생성하는 본 연구의 제안모형인SNACF-GA의 실험 결과는 다음 [Table 3]에 제시되어 있다. 이 표에서 볼 수 있듯이, SNACF-GA는 직접 신뢰 0.0000와 직접 불신 1.4282의 조정계수를, 간접 신뢰 1.5000와 간접 불신 0.4615의 조정계수를 부여했을 때 가장 최적의 결과를 산출했으며, 이 때의 평균 MAE는0.111943인 것으로 나타났다. 이는 전통적인CF(Avg.
- 다음의 [Table 5]는 이러한 대응표본 t-검정의 결과를 나타내고 있다. 이 표에서 알 수 있듯이, SNACF-GA 알고리즘은 전통적인 CF는 물론 SNACF와도 통계적으로 유의한 성과 차이를 보이는 것으로 나타났다. 또한, SNACF와 전통적인 CF 사이에도 통계적으로 유의한 성과차이가 있음을 확인할 수 있었다.
- 111943인 것으로 나타났다. 이는 전통적인CF(Avg. MAE = 0.112638)에 비해 크게 개선된 예측 정확도로서, SNACF(평균 MAE = 0.112209)와 비교해도 괄목할 정도로 성과가 개선된 것임을 확인할 수 있다.
- 이처럼 전통적인 CF 예측 성과를 포함하고 있는 [Table 2]의 비교모형 실험 결과를 보면, 신뢰정보를 고려한 SNACF(Avg. MAE = 0.112546) 는 전통적인 CF(Avg. MAE = 0.112638) 대비 소폭의 성과개선을 보이는 것을 알 수 있다. 그리고 불신정보를 고려한 SNACF(Avg.
- 첫째, 본 연구는 신뢰와 불신 관계 정보가 추천 알고리즘 성능 개선에 중요한 정보가 될 수 있음을 확인하였다. 실험에 사용된 Epinions Dataset에서도 알 수 있듯이 전자상거래 환경에서는 상대방의 의견에 대한 평가를 기준으로 특정 사용자가 신뢰하거나 혹은 불신하는 대상을 쉽게 추정할 수 있다.
후속연구
- 이것만 보더라도 사용자들이 불신 보다는 신뢰를 표출하는 경우가 더 많다는 사실을 알 수 있다. 따라서 본 연구는 사용자간의 사회적인 관계를 추적하고 관리하는 측면에서 우호적인 관계보다는 사용자 간의 불신 관계, 즉 대립되는 관계에 좀 더 주목할 필요가 있음을 시사한다. 특히 선행연구들이 주로 신뢰 관계에만 집중하고, 오늘날 중요성이 점차 증대되고 있는 불신 관계를 추가적으로 고려한 사례가 지금까지 거의 없었는데, 본 연구의 이 같은 발견은 향후 연구자들이 불신 관계에 보다 주목할 필요가 있음을 시사한다.
- 때문에, 이과정에서 표본 추출의 오류가 포함되었을 가능성이 있으며, 이로 인해 연구 결과의 성능을 일반화하기에는 한계점이 존재한다. 따라서 일반화된 성능 향상을 확인하기 위해서는 관계 정보가 다소 부족해지더라도, 모든 데이터를 대상으로 실험을 하거나, 임의표본추출 방식을 적용해야할 것으로 생각된다.
- , 2016). 따라서 직간접적인 신뢰 또는 불신관계를 직접 탐색하여 유사도 산출시 고려하는 보다 고도화된 추천 알고리즘에 대한 후속 연구를 앞으로 진행할 필요가 있다.
- 실험에 사용된 Epinions Dataset에서도 알 수 있듯이 전자상거래 환경에서는 상대방의 의견에 대한 평가를 기준으로 특정 사용자가 신뢰하거나 혹은 불신하는 대상을 쉽게 추정할 수 있다. 최근 전자상거래 사이트들의 플랫폼은 사용자들이 자유롭게 의견을 작성하거나 상대방의 의견의 유용성도 평가할 수 있도록 구축되어 있기 때문에, 본 연구의 제안 알고리즘을 적용할 수 있다는 점에서 실무적인 가치가 상당히 높을 것으로 기대된다.
- 셋째, 본 연구는 사회연결망분석을 통한 사용자 간 신뢰 및 불신 관계 분석 시, 직접적인 관계뿐 아니라 간접적인 관계를 추가로 고려할 경우보다 효과적이라는 점을 시사하고 있다. 특히 본 연구에서는 매개자가 1인인 간접관계만 고려하였음에도 불구하고, 상당히 유의미한 성과개선 효과를 얻을 수 있었는데, 매개자가 2인 이상인 간접관계까지 추가로 고려한다면 보다 나은 성능의 향상을 기대해 볼 수 있을 것으로 예상된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.