[논문]온라인 음악 콘텐츠 추천 시스템 구현을 위한 협업 필터링 기법들의 비교 평가

유영석; 김지연; 손방용; 정종진

doi:10.5370/kiee.2017.66.7.1083

온라인 음악 콘텐츠 추천 시스템 구현을 위한 협업 필터링 기법들의 비교 평가
Evaluation of Collaborative Filtering Methods for Developing Online Music Contents Recommendation System 원문보기

전기학회논문지 = The Transactions of the Korean Institute of Electrical Engineers, v.66 no.7, 2017년, pp.1083 - 1091

유영석 (Division of Human IT SW Convergence, Daejin University) , 김지연 (Division of Human IT SW Convergence, Daejin University) , 손방용 (Division of Human IT SW Convergence, Daejin University) , 정종진 (Division of Human IT SW Convergence, Daejin University)

Abstract ▼ AI-Helper

As big data technologies have been developed and massive data have exploded from users through various channels, CEO of global IT enterprise mentioned core importance of data in next generation business. Therefore various machine learning technologies have been necessary to apply data driven services but especially recommendation has been core technique in viewpoint of directly providing summarized information or exact choice of items to users in information flooding environment. Recently evolved recommendation techniques have been proposed by many researchers and most of service companies with big data tried to apply refined recommendation method on their online business. For example, Amazon used item to item collaborative filtering method on its sales distribution platform. In this paper, we develop a commercial web service for suggesting music contents and implement three representative collaborative filtering methods on the service. We also produce recommendation lists with three methods based on real world sample data and evaluate the usefulness of them by comparison among the produced result. This study is meaningful in terms of suggesting the right direction and practicality when companies and developers want to develop web services by applying big data based recommendation techniques in practical environment.

주제어

AI 본문요약
AI-Helper

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

문제 정의

하지만 본 연구에서 이용한 원시 데이터 역시 신규 가입자에 대한 정보의 부족으로 인해 추천 결과의 생성이 어렵게 되고 협업 필터링의 필수 요소인 N-행렬 생성을 위한 계산시간이 많이 소요되는 문제점을 여전히 내포하고 있다. 따라서 이러한 태생적인 한계점들을 극복하고 보다 다양하고 정확한 추천 결과를 생성하기 위해 다른 도메인에서의 사용자 및 히스토리 데이터, 분석 결과를 공유하거나 재사용할 수 있는 연구를 진행하고 있다.
본 논문의 구성은 2절에서 기존의 추천기법의 종류와 차이점 등의 선행 연구를 소개하고, 3절에서는 본 연구에서 개발한 웹 기반 추천 시스템을 설명하며, 4절에서는 추천 시스템 개발 시 적용한 협업 필터링 기법들의 성능평가를 수행한다. 마지막으로 결론에서는 본 연구의 가능성 및 향후 연구방향에 대해 기술한다.
최근에 대형 온라인 쇼핑몰업체인 아마존닷컴에서 이용하고 있는 아이템 간 협업 필터링(Item-toitem collaborative filtering) 방식은 성공적인 혼합 필터링 기법이라 할 수 있다[15]. 본 연구에서는 실제 환경에서 수집한 음악 콘텐츠 데이터셋에 대해 최근에 주로 사용되고 있는 협업 필터링 기법 중 사용자 기반 협업 필터링(User-based collaborative filtering) 방식, 아이템 기반 협업 필터링(Item-based collaborative filtering) 방식, 아이템 간 협업 필터링(Item-to-item collaborative filtering) 방식을 각각 적용하여 추천 결과를 생성하고 평가해 보았다. 이는 실제 비즈니스 환경에서 콘텐츠 유통 서비스를 구축하려고 할 경우 유의미한 수준의 결과로서 참고할 수 있도록 한다는데 의의를 두고 있다.
본 연구에서는 음악 콘텐츠에 대한 추천 서비스를 제공하는 웹서비스를 개발하였다. 개발한 서비스에서는 최초 사용자의 가입을 통해 기초적인 사용자 정보를 입력받아 저장하고, 사용자가 콘텐츠를 다운로드하거나 콘텐츠에 대한 평가를 할 경우 데이터가 데이터베이스에 자동으로 저장되게 하였다.
여기에 더해 요즘은 N-스크린 시대이므로 대중들이 가정에서 위치적으로 고정되어 있는 TV, 데스크톱 등의 환경뿐만 아니라 스마트폰, 태블릿 PC, 노트북 등 이동이 편리한 환경을 통해서도 다양한 콘텐츠를 끊김 없이 즐기고 있다. 본 연구에서는 이러한 시대적 흐름에 부합하는 새로운 서비스 비즈니스를 창출하려는 목적으로 음악 콘텐츠에 대한 추천 서비스를 제공하는 웹서비스를 개발하였다. 개발한 서비스에서는 사용자의 추천 정확도를 높이기 위해 협업 필터링(Collaborative filtering) 기법을 적용하되, 특히 동일 데이터에 대해 사용자 기반(User-based) 협업 필터링, 아이템 기반(Item-based) 협업 필터링, 아이템 간(Item-to-item) 협업 필터링 기법을 각각 적용하여 추천 아이템 리스트 상위 10개 목록을 생성해 보고 각각의 기법에 의한 추천 결과의 유의성에 대해 비교평가 하였다.

제안 방법

이를 바탕으로 통계분석 언어인 R을 사용하여 사용자 기반 협업 필터링, 아이템 기반 협업 필터링, 아이템 간 협업 필터링 추천 알고리즘으로 각각 구현하였다. 개발된 시스템에서는 세 가지 협업 필터링 기법을 각각 적용하여 목표 사용자와 콘텐츠의 유사도 계산을 수행한 후 목표 사용자가 가장 선호할 만한 콘텐츠를 예측하여 추천하도록 하였다. 다음의 그림1은 개발한 웹 기반 추천 시스템의 플랫폼 구조를 보여준다.
본 연구에서는 이러한 시대적 흐름에 부합하는 새로운 서비스 비즈니스를 창출하려는 목적으로 음악 콘텐츠에 대한 추천 서비스를 제공하는 웹서비스를 개발하였다. 개발한 서비스에서는 사용자의 추천 정확도를 높이기 위해 협업 필터링(Collaborative filtering) 기법을 적용하되, 특히 동일 데이터에 대해 사용자 기반(User-based) 협업 필터링, 아이템 기반(Item-based) 협업 필터링, 아이템 간(Item-to-item) 협업 필터링 기법을 각각 적용하여 추천 아이템 리스트 상위 10개 목록을 생성해 보고 각각의 기법에 의한 추천 결과의 유의성에 대해 비교평가 하였다. 이러한 연구는 기업과 개발자들이 실제적인 환경에서 빅데이터 기반의 추천 기법을 적용하여 웹서비스를 개발하고자 할 때 올바른 방향성을 제시한다는 측면에서 의의가 있다고 할 수 있다.
해당 데이터에서는 만약 어떤 사용자가 다른 아티스트의 곡을 듣지 않았다고 해서 그 아티스트를 선호하지 않는다고는 볼 수 없기 때문에 코사인 거리 계산 방법을 이용해서 유사도를 계산하였다. 또한 사용자가 청취한 아티스트와 유사도가 높은 아티스트들을 확인하기 위한 방법으로 세 가지 알고리즘들을 통해 예측된 유사 아이템을 가지고 사용자에게 추천 가능한 것으로 예상되는 상위 10개 아이템을 각각 구하였다. 이 때 구매한 경험이 없는 41번, 48번, 69번, 89번, 112번, 130번, 181번, 230번, 281번 등 9명을 결측값으로 처리한 후 z 291명의 사용자에 대해 결과 값을 도출하였다.
본 연구에서 개발한 추천 시스템에서는 사용자 데이터를 바탕으로 내용 기반 필터링 기법, 협업 필터링 기법, 아이템 간 협업 필터링 기법을 이용하여 추천 결과를 각각 생성하고 가장 적합한 추천 아이템을 제공하도록 한다. 개발한 추천 시스템의 성능평가를 위해 인터넷 라디오 방송과 오디오 스크로블러(Audio scrobbler)를 병합한 웹사이트인 Last.
대표적인 성공 사례가 Amazon이 자사의 전자상거래에 적용하고 있는 아이템 간 협업 필터링 기법이다. 본 연구에서도 대표적인 세 가지 협업 필터링 기법을 적용하여 음악 콘텐츠 추천 웹 서비스를 개발하였으며 실제 환경의 신뢰성 있는 원시 데이터를 사용하여 각 추천 기법들의 결과를 비교 및 평가하였다. 특히 이미 검증된 아이템 간 협업 필터링 기법의 적용 도메인을 확장시킨다는 의미에서 아이템 간 협업 필터링 기법을 적용하였다.
사용자들에게 추천하기 위한 음악 아이템 리스트를 생성하기 위해 본 연구에서는 각각 아이템 기반 협업 필터링, 사용자 기반 협업 필터링, 아이템 간 협업 필터링 방법을 구현하였다. 먼저 유사도 계산은 KNN(K-Nearest Neighbor) 방법을 이용하였고, 그 절차는 그림 3과 같다.
또한 콘텐츠에 대한 사용자의 이용정보가 추가될수록 데이터베이스가 자동적으로 업데이트되도록 하였다. 이를 바탕으로 통계분석 언어인 R을 사용하여 사용자 기반 협업 필터링, 아이템 기반 협업 필터링, 아이템 간 협업 필터링 추천 알고리즘으로 각각 구현하였다. 개발된 시스템에서는 세 가지 협업 필터링 기법을 각각 적용하여 목표 사용자와 콘텐츠의 유사도 계산을 수행한 후 목표 사용자가 가장 선호할 만한 콘텐츠를 예측하여 추천하도록 하였다.
그림 10과 같이 획득한 데이터는 사용자가 특정 아티스트의 곡을 청취한 음악의 개수가 아닌 아티스트의 음악을 청취한 경험이 있으면 1, 없으면 0으로 표시되어 있다. 이를 토대로 세 가지 기법을 이용하여 각각의 사용자 추천 리스트를 생성하고, 해당 리스트들의 관계성을 조사하였다.
사용자 기반 협업 필터링에서는 목표 사용자가 구매한 아이템 목록을 필터링하여 해당 아이템들의 각 아이템들에 대한 유사도 점수를 계산한다. 이후 원시 데이터의 사용자 구매 내역을 통해 목표 사용자와 이용 패턴이 유사한 사용자를 구하여 유사 사용자의 구매 내역을 통해 목표 사용자가 구매하지 않은 아이템 중 구매 확신도가 높은 아이템을 추천한다. 사용자 기반 협업 필터링을 통해 추천 목록을 생성하기 위한 알고리즘은 그림 7과 같다.
본 연구에서도 대표적인 세 가지 협업 필터링 기법을 적용하여 음악 콘텐츠 추천 웹 서비스를 개발하였으며 실제 환경의 신뢰성 있는 원시 데이터를 사용하여 각 추천 기법들의 결과를 비교 및 평가하였다. 특히 이미 검증된 아이템 간 협업 필터링 기법의 적용 도메인을 확장시킨다는 의미에서 아이템 간 협업 필터링 기법을 적용하였다. 그 결과를 보면, 먼저 협업 필터링의 경우 특정 콘텐츠에 대한 추천의 편중이 발생하였다.
획득한 샘플 데이터에서는 사용자가 아티스트의 곡을 들었는지, 듣지 않았는지에 대한 정보가 들어있다. 해당 데이터에서는 만약 어떤 사용자가 다른 아티스트의 곡을 듣지 않았다고 해서 그 아티스트를 선호하지 않는다고는 볼 수 없기 때문에 코사인 거리 계산 방법을 이용해서 유사도를 계산하였다. 또한 사용자가 청취한 아티스트와 유사도가 높은 아티스트들을 확인하기 위한 방법으로 세 가지 알고리즘들을 통해 예측된 유사 아이템을 가지고 사용자에게 추천 가능한 것으로 예상되는 상위 10개 아이템을 각각 구하였다.

대상 데이터

다만 이는 다른 협업 필터링 기법을 이용하였을 경우보다는 중복되어 추천되는 아티스트의 숫자와 등장 횟수를 곱하여 계산하였을 때 훨씬 적은 숫자이며 이는 곧 치우침이 상대적으로 약하다는 뜻으로 해석할 수 있다. 실제 사용자가 구매한 아이템의 아티스트는 1위가 214번으로 z 59명이 구매하였으며, 2위는 61번으로 47명이 구매, 3위가 163번으로 41명 구매하였다. 61번의 경우 사용자 기반 필터링의 결과에서 2번 아티스트로 10위권 순위 내에 자주 등장하는 것을 알 수 있었으며 1위인 214번과 3위인 163번은 추천 순위 10위권 내에서 등장하지 않았다.
fm[22]에서 제공하는 사용자별 콘텐츠 사용 원시 데이터를 획득하여 세 가지 방법에 대한 추천 결과를 생성하고 분산 분석을 실시하였다. 실험 데이터는 285명 아티스트의 음악 콘텐츠에 대해 300명 사용자들이 이용한 정보이다. 다음의 그림 10은 Last.
또한 사용자가 청취한 아티스트와 유사도가 높은 아티스트들을 확인하기 위한 방법으로 세 가지 알고리즘들을 통해 예측된 유사 아이템을 가지고 사용자에게 추천 가능한 것으로 예상되는 상위 10개 아이템을 각각 구하였다. 이 때 구매한 경험이 없는 41번, 48번, 69번, 89번, 112번, 130번, 181번, 230번, 281번 등 9명을 결측값으로 처리한 후 z 291명의 사용자에 대해 결과 값을 도출하였다. 또한 아티스트명이 문자열로 되어 있으므로 아티스트들을 1번부터 285번까지의 숫자로 구분하였다.

데이터처리

본 연구에서 개발한 추천 시스템에서는 사용자 데이터를 바탕으로 내용 기반 필터링 기법, 협업 필터링 기법, 아이템 간 협업 필터링 기법을 이용하여 추천 결과를 각각 생성하고 가장 적합한 추천 아이템을 제공하도록 한다. 개발한 추천 시스템의 성능평가를 위해 인터넷 라디오 방송과 오디오 스크로블러(Audio scrobbler)를 병합한 웹사이트인 Last.fm[22]에서 제공하는 사용자별 콘텐츠 사용 원시 데이터를 획득하여 세 가지 방법에 대한 추천 결과를 생성하고 분산 분석을 실시하였다. 실험 데이터는 285명 아티스트의 음악 콘텐츠에 대해 300명 사용자들이 이용한 정보이다.
다음으로는 291명 사용자에 대해 1위부터 10위까지 추천된 아이템들 간에 차이가 있는지를 알아보기 위해 그림 14와 같이 일원배치 분산분석을 실시하였다. 분산분석을 수행할 때 사용자 기반 협업 필터링으로 도출된 1위부터 10위, 아이템 기반 협업 필터링으로 도출된 1위부터 10위, 아이템 간 협업 필터링으로 도출된 1위부터 10위를 각각의 처리 수준으로 보고 291명에 사용자들에 의해 매겨진 순위에 대해 차이점이 있는지를 확인한 결과 P-value 값이 2.

이론/모형

사용자들에게 추천하기 위한 음악 아이템 리스트를 생성하기 위해 본 연구에서는 각각 아이템 기반 협업 필터링, 사용자 기반 협업 필터링, 아이템 간 협업 필터링 방법을 구현하였다. 먼저 유사도 계산은 KNN(K-Nearest Neighbor) 방법을 이용하였고, 그 절차는 그림 3과 같다.

성능/효과

개발한 서비스에서는 최초 사용자의 가입을 통해 기초적인 사용자 정보를 입력받아 저장하고, 사용자가 콘텐츠를 다운로드하거나 콘텐츠에 대한 평가를 할 경우 데이터가 데이터베이스에 자동으로 저장되게 하였다.
이는 협업 필터링의 전형적인 한계점으로서 소비자가 선호할만한 다양한 콘텐츠를 추천하는데 저해요소가 될 수 있음을 확인하였다. 그러나 아이템 간 협업 필터링은 아이템 기반 협업 필터링이나 사용 기반 협업 필터링에 비해 좀 더 폭 넓은 수준의 콘텐츠를 추천해줄 수 있음이 확인되었다. 또한 기존의 협업 필터링 기법이 사용자의 별점과 선호/비선호 행위를 구분하여 사용자와 콘텐츠를 군집화하고 추천하는 반면, 아이템 간 협업 필터링은 단지 구매를 했는지 안했는지에 대한 정보만으로 사용자에게 콘텐츠 추천이 가능하여 최소의 정보만으로도 효율적인 결론을 도출해 내는 방법이었다.
그러나 아이템 간 협업 필터링은 아이템 기반 협업 필터링이나 사용 기반 협업 필터링에 비해 좀 더 폭 넓은 수준의 콘텐츠를 추천해줄 수 있음이 확인되었다. 또한 기존의 협업 필터링 기법이 사용자의 별점과 선호/비선호 행위를 구분하여 사용자와 콘텐츠를 군집화하고 추천하는 반면, 아이템 간 협업 필터링은 단지 구매를 했는지 안했는지에 대한 정보만으로 사용자에게 콘텐츠 추천이 가능하여 최소의 정보만으로도 효율적인 결론을 도출해 내는 방법이었다.
사후검정 결과 차이가 발생한 집단은 주로 아이템 간 협업 필터링과 사용자 기반 협업 필터링, 아이템 간 협업 필터링과 아이템 기반 협업 필터링으로 사용자 기반 필터링과 아이템 기반 필터링은 같은 그룹으로 분류되었고 아이템 간 협업 필터링 기법만이 다른 그룹으로 분류되었다.
그 결과를 보면, 먼저 협업 필터링의 경우 특정 콘텐츠에 대한 추천의 편중이 발생하였다. 이는 협업 필터링의 전형적인 한계점으로서 소비자가 선호할만한 다양한 콘텐츠를 추천하는데 저해요소가 될 수 있음을 확인하였다. 그러나 아이템 간 협업 필터링은 아이템 기반 협업 필터링이나 사용 기반 협업 필터링에 비해 좀 더 폭 넓은 수준의 콘텐츠를 추천해줄 수 있음이 확인되었다.

질의응답

핵심어	질문	논문에서 추출한 답변
	인구통계학적 추천 기법은 무엇이며, 어떤 기능을 수행하는가?	인구통계학적 추천 기법은 가장 기초적인 형태의 추천방식으로서, 사용자가 입력하여 알려준 인구통계학적 정보(나이, 지역, 성별 등)를 기반으로 사용자와 콘텐츠의 연관성을 예측한다. 그러나 콘텐츠 서비스 구축 시 신규 사용자에 대한 정보의 불충분으로 인해 분석이 어려워지는 문제에 부딪히게 되는데 개인정보제공에 대한 법률이 까다로운 국내의 경우 서비스 제공처의 사용자 정보 수집의 범위는 더 제한적일 수밖에 없고 이를 통한 사용자 정보 분석에 문제가 발생한다.
	추천 서비스에 쓰이는 수학 기법은 무엇인가?	사용자에게 적절한 추천 서비스를 제공하기 위해서는 사용자가 가지고 있는 특성을 파악하고 해당 사용자 특성과 매치되는 특성을 가진 콘텐츠를 선별해 내야 한다. 이를 위해 군집화(Clustering) 기법이 쓰이고 있으며, 군집화 기법은 사용자와 사용자, 콘텐츠와 콘텐츠 개체들이 가지고 있는 특성값을 수치적으로 계산하는 유사도 계산을 통해 개체들 간에 가장 차이가 작은 개체들을 묶는다. 유사도 계산을 통해 사용자가 아직 구매하지 않은 상품들에 대한 점수가 예측되면 높은 점수를 바탕으로 사용자가 선호할만한 상품을 추천해 주게 된다.
	다른 디지털 콘텐츠들에 비해 음악 콘텐츠가 유리한 점은 무엇인가?	디지털 콘텐츠들 중에 영화와 같은 동영상 콘텐츠는 큰 용량의 모바일 데이터와 함께 관람을 위한 충분한 시간이 필요하다. 반면 음악의 경우 여유 시간을 이용하기에 충분한 콘텐츠이면서 동영상 콘텐츠에 비해 월등히 크기가 작고, 웹브라우저를 통해서 바로 이용할 수도 있다. 여기에 더해 요즘은 N-스크린 시대이므로 대중들이 가정에서 위치적으로 고정되어 있는 TV, 데스크톱 등의 환경뿐만 아니라 스마트폰, 태블릿 PC, 노트북 등 이동이 편리한 환경을 통해서도 다양한 콘텐츠를 끊김 없이 즐기고 있다.

참고문헌 (22)

M. Kim, J. H. Jeon, K. G. Woo and M. H. Kim, "A New Similarity Measure for Categorical Attribute-Based Clustering", Journal of KISS : Databases, vol. 37 no. 2, pp. 71-81, 2010.
M. Kim and Y. Cho, "A Multimodal Profile Ensemble Approach to Development of Recommender Systems Using Big Data", Journal of Intelligent Information System, vol. 21, no. 4, pp. 93-110, 2015.
J. Byun and D. K. Kim, "Design and Implementation of Location Recommending Services using Personal Emotional Information based on Collaborative Filtering", Journal of the Korea Institute of Information and Communication Engineering vol. 20, no. 8, pp. 1407-1414, 2016.

원문보기 상세보기
B. M. Kim and Q. Li, "A Hybrid Recommendation Method based on Attributes of Items and Ratings", Journal of KISS : Software and Applications, vol. 31, no. 12, pp. 1672-1683, 2004.
S. Ahn, I. H. Kim, B. Choi, Y. Cho, E. Kim and M. Kim, "Understanding the Performance of Collaborative Filtering Recommendation through Social Network Analysis", The Jounal of Society for e-Business Studies, vol. 17, no. 2, pp. 129-147, 2012.
H. An, D. Lee, T. Hwang and J. Koh, "Template User Profile for Demographic Filtering Recommendation", Proceedings of Korean Information and Science Society, vol. 36, mo. 2(C), pp. 140-144, 2009.
O. Lee and E. You, "Predictive Clustering-based Collaborative Filtering Technique for Performance- Stability of Recommendation System", Journal of Intelligent Information System, vol. 21, no. 1. pp. 119-142, 2015.

원문보기 상세보기
J. Kim, Y. Kim and J. Jung, "A Study of Extended Recommendation Method Using Synonym Tags Mapping Between Two Types of Contents", The transactions of The Korean Institute of Electrical Engineers, vol. 66, no. 1, pp. 82-88, 2017.

원문보기 상세보기
K. Chung and S. Cho, "Discovery of Preference through Learning Profile for Content-based Filtering", Journal of The Korea Contents Association, vo. 8, no. 2, pp. 1-8, 2008.
Y. Chung, S. Lee and J. Lee, "Personalized Expert-Based Recommendation", Journal of Korean Institute of Intelligent Systems, vol. 23, no. 1, pp. 7-11, 2013.

원문보기 상세보기
I. Jeong, X. Yang and H. Jung, "A Study on Movies Recommendation System of Hybrid Filtering-Based", Journal of the Korea Institute of Information and Communication Engineering, vol. 19, no. 1, pp. 113-118, 2015.

원문보기 상세보기
S. Han, Y. Oh and H. J. Kim, "Personalized TV Program Recommendation in VOD Service Platform Using Collaborative Filtering", Journal of Broadcasting Engineering, no. 18, no. 1, pp88-97, 2013.

원문보기 상세보기
R. Burke, Hybrid web recommender systems. The Adaptive Web, Springer, Berlin, Heidelberg, 2007.
Kaminskas. M & F. Ricci., Contextual music information retrieval and recommendation : State of the art and challenges. Computer Science Review, Free University of Bozen-Bolzano, 2012.
G. Linden, B. Smith, J. York, "Amazon.com recommendations: item-to-item collaborative filtering", IEEE Computer Society, pp. 76-80, 2003.
M. A. Ghazanfar and A. Prugel-Bennett, "A Content-Boosted Collaborative Filtering Approach for Movie Recommendation Based on Local and Global Similarity and Missing Data Prediction", Lecture Notes in Electrical Engineering vol. 62, pp. 109-112, 2014.
Faezeh Sadat Gohari, Hassan Haghighi, Fereidoon Shams Aliee, "A semantic-enhanced trust based recommender system using ant colony optimization", Applied Intelligence Vol. 46, No. 2, pp. 328-364, 2016.
Evangelia Christakopoulou, George Karypis, "Local Item-Item Models For Top-N Recommendation", Proceedings of the 10th ACM Conference on Recommender Systems, pp. 67-74, 2016.
Anand Deepa, Bharadwaj Kamal K , "Utilizing various sparsity measures for enhancing accuracy of collaborative recommender systems based on local and global similarities", Expert Systems with Applications Vol. 38 No. 5 pp. 5101-5109, 2016.
Jia Zhang, Yaojin Lin, Menglei Lin, Jinghua Liu, "An effective collaborative filtering algorithm based on user preference clustering", Applied Intelligence Vol. 45, No. 2, pp.230-240, 2016.

상세보기
S. Park, "Study on multimedia content recommendation system based on usage pattern information", Ph. D Thesis at Kwangwoon University, 2012.
Last.fm. http://www.last.fm/

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