[논문]사용자 간 신뢰·불신 관계 네트워크 분석 기반 추천 알고리즘에 관한 연구

노희룡; 안현철

doi:10.21219/jitam.2017.24.1.169

사용자 간 신뢰·불신 관계 네트워크 분석 기반 추천 알고리즘에 관한 연구
A Study on the Recommendation Algorithm based on Trust/Distrust Relationship Network Analysis 원문보기

Journal of information technology applications & management = 한국데이타베이스학회지, v.24 no.1, 2017년, pp.169 - 185

노희룡 (Graduate School of Business IT, Kookmin University) , 안현철 (Graduate School of Business IT, Kookmin University)

Abstract ▼ AI-Helper

This study proposes a novel recommendation algorithm that reflects the results from trust/distrust network analysis as a solution to enhance prediction accuracy of recommender systems. The recommendation algorithm of our study is based on memory-based collaborative filtering (CF), which is the most popular recommendation algorithm. But, unlike conventional CF, our proposed algorithm considers not only the correlation of the rating patterns between users, but also the results from trust/distrust relationship network analysis (e.g. who are the most trusted/distrusted users?, whom are the target user trust or distrust?) when calculating the similarity between users. To validate the performance of the proposed algorithm, we applied it to a real-world dataset that contained the trust/distrust relationships among users as well as their numeric ratings on movies. As a result, we found that the proposed algorithm outperformed the conventional CF with statistical significance. Also, we found that distrust relationship was more important than trust relationship in measuring similarities between users. This implies that we need to be more careful about negative relationship rather than positive one when tracking and managing social relationships among users.

주제어

AI 본문요약
AI-Helper

문제 정의

본 연구에서는 협업 필터링의 사용자의 선호도 예측과 추천의 질을 향상시키기 위하여, 사용자의 상품 평가 정보 외에 사용자 간 신뢰 및 불신 관계 네트워크 정보를 추가로 활용하는 새로운 추천 알고리즘인 TDARA를 제안하였다. 실제 데이터를 활용하여 제안 알고리즘의 성능을 검증한 결과, 신뢰 및 불신의 내향 연결정도 중심성을 반영한 TDARA#1 알고리즘이 전통적인 협업필터링과 비교해, 통계적으로 유의한 예측 정확도의 개선을 가져옴을 확인할 수 있었다.

제안 방법

[2016]의 연구를 한 단계 더 확장하여, 사용자 간 신뢰관계 네트워크 뿐 아니라, 불신관계 네트워크까지 추가로 고려하는 새로운 추천 알고리즘을 제안하였다. 메모리 기반 협업 필터링 알고리즘에 기반하여 설계된 본 연구의 추천 알고리즘은 사용자 간 유사도를 산출할 때, 신뢰도가 높은 이웃 사용자에게는 본래보다 더 큰 가중치를 반영하고, 불신의 수준이 높은 이웃 사용자에게는 반대로 본래보다 약화된 가중치가 반영되도록 하는 조정의 과정을 포함하고 있다. 본 연구에서는 이 같은 제안모형을 실제 데이터에 적용하여 그 효과를 확인하고,이를 통해, 사용자 간 신뢰관계 정보와 불신관계정보 중 과연 어떤 정보가 사용자의 선호를 파악하는데 더 큰 의미가 있는지 고찰해 보고자 하였다.
본 연구에서는 제안 알고리즘인 TDARA를구현하기 위해, 우선 사용자 간 신뢰, 불신관계 네트워크 데이터는 UCINET 6를 이용하여 내향 연결 중심성 지수를 산출하고, VBA(Visual Basic for Application)으로 제작된 소프트웨어를 활용하여 사용자 간 직접 및 간접 신뢰(불신)관계를 나타내는 사용자-사용자 간 신뢰/불신 관계 행렬을 산출하였다. 이어 상기 결과들을 토대로 사용자 간 유사도의 조정을 수행할 수 있는 협업 필터링 알고리즘을 역시 VBA로 개발하여, 실험에 사용하였다.

대상 데이터

txt 파일에 수록된 데이터의 규모는 총 841,372건 인데, 이 중 717,667건(약 85%)은 신뢰 관계를, 123,705건(약 15%)은 불신 관계를 나타낸다. 본 연구에서는 신뢰 및 불신 관계의 정보 효과를 정확하게 파악하기 위하여, 전체 데이터셋 중 신뢰 및 불신 관계 정보가 충실하게 담겨 있는 총 506명의 사용자와 200개의 아이템을 선정해 실험에 사용하였다.
본 연구에서 제안하는 추천 알고리즘인 TDARA의 유용성을 검증하기 위하여 ‘trustlet.org’으로부터 제공받은 공개 데이터를 사용해 실험을 수행하였다. 실험에 사용된 데이터는 ‘ExtendedEpinions dataset’라는 이름의 데이터 셋으로서, 사용자들이 다양한 항목(자동차, 책, 음악 등)의 거래에 따른 인기제품 리뷰를 게시하고 공유하는 Epinions.
org’으로부터 제공받은 공개 데이터를 사용해 실험을 수행하였다. 실험에 사용된 데이터는 ‘ExtendedEpinions dataset’라는 이름의 데이터 셋으로서, 사용자들이 다양한 항목(자동차, 책, 음악 등)의 거래에 따른 인기제품 리뷰를 게시하고 공유하는 Epinions.com 사이트로부터 추출된 데이터이다. 2001년 1월 10일부터 2003년 8월 12일 사이에 수집된 데이터를 담고 있는 본 데이터 셋은 두 개의 파일로 구성되어 있는데, 그 중 첫 번째 ratings_ data.

데이터처리

끝으로 알고리즘 간 성과의 차이가 통계적으로 유의한 지를 검증하기 위해, 대응표본 t-검정을 수행하였다. 본 연구에서 적용된 대응표본 t-검정의 귀무가설 H₀는 μ_A > μ_B, 대립가설 H_a는 μ_A >μ_B(μ_X : 알고리즘 X의 평균 MAE)이다.
본 연구에서는 사용자의 평가점수가 입력된 상품에 대해서 제안한 추천 알고리즘으로 예상 평가점수를 도출한 다음, 실제 평가점수와 비교하여 평균 오차를 확인해보는 방식으로 검증을 진행하였다[Kim and Kim, 2014]. 이 때, 평가점수 간의 오차는 추천시스템 관련 연구에서 가장 많이 사용되는 척도 중 하나인 평균 MAE(Mean Absolute Error)를 활용하였다[Breese et al.
본 연구에서는 사용자의 평가점수가 입력된 상품에 대해서 제안한 추천 알고리즘으로 예상 평가점수를 도출한 다음, 실제 평가점수와 비교하여 평균 오차를 확인해보는 방식으로 검증을 진행하였다[Kim and Kim, 2014]. 이 때, 평가점수 간의 오차는 추천시스템 관련 연구에서 가장 많이 사용되는 척도 중 하나인 평균 MAE(Mean Absolute Error)를 활용하였다[Breese et al., 1998;Sarwar et al., 2001].

성능/효과

둘째, 특히 본 연구의 결과는 신뢰와 불신 중에서 불신에 대한 네트워크 정보가 추천시스템의 성능을 개선하는데 더 중요하다는 점을 시사한다. 가장 우수한 결과를 산출한 TDARA#1의 경우, 신뢰에 대한 조정승수로 0.
본 연구에서는 협업 필터링의 사용자의 선호도 예측과 추천의 질을 향상시키기 위하여, 사용자의 상품 평가 정보 외에 사용자 간 신뢰 및 불신 관계 네트워크 정보를 추가로 활용하는 새로운 추천 알고리즘인 TDARA를 제안하였다. 실제 데이터를 활용하여 제안 알고리즘의 성능을 검증한 결과, 신뢰 및 불신의 내향 연결정도 중심성을 반영한 TDARA#1 알고리즘이 전통적인 협업필터링과 비교해, 통계적으로 유의한 예측 정확도의 개선을 가져옴을 확인할 수 있었다. 구체적으로 본 연구가 갖는 시사점을 고찰해 보면 다음과 같다.
한편 직·간접 신뢰와 불신 관계를 탐색하여 추천결과를 생성하는 TDARA#2의 실험 결과는 다음의 [Table 3]에 제시되어 있다. 이 표에서 볼 수 있듯이, TDARA#2에서 직접 신뢰와 직접불신에 3의 강화(약화) 조정계수를, 간접 신뢰와 간접 불신에 2의 강화(약화) 조정계수를 부여했을 때 가장 우수한 결과를 산출했으며, 이때의 평균 MAE는 0.112381인 것으로 나타났다. 이는 전통적인 협업필터링(Avg.

후속연구

끝으로 현재 제안된 연구 모형에서 네트워크에서 매개중심성을 고려한 접근법으로 ‘선정된 상품 중 사용자의 평점을 대상으로 매개 중심성을 반영하여 이 매개 상품을 통한 신뢰 네트워크 확장’으로 신뢰 상품 전파(전이)가 신뢰 및 불신결합 추천알고리즘 성능에 미치는 영향에 관한 연구가 의미 있는 후속 연구의 주제가 될 것으로 예상된다.
하지만 이는 다른 접근법에 비해 훨씬 많은 컴퓨팅 자원과 실험시간을 요구하게 된다. 따라서 추후 후속연구에서 제안알고리즘의 효율성을 개선하는 동시에, 간접 신뢰(또는 불신) 관계를 보다 확장하여 분석하는 연구가 필요할 것으로 보인다.
첫째, 현재 신뢰 및 불신 관계 정보의 효과를 극대화하기 위해, 해당 정보가 충분히 존재하는 사용자들만 선별하여 실험에 활용하였는데, 이 과정에서 표본추출의 오류가 발생했을 가능성이 크다. 따라서, 본 연구의 제안 알고리즘이 보다 일반화된 성능 향상을 가져오는지 확인하기 위해서는 다소 신뢰 및 불신 관계 정보가 부족해지더라도, 임의표본추출과 같은 방식을 적용하거나 혹은 데이터 전수를 대상으로 제안 알고리즘을 적용해 보고, 그 성능을 확인해 보아야 할 것으로 생각된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	협업필터링 기법은 어떻게 분류할 수 있는가?	협업필터링(CF) 기법은 크게 메모리 기반, 모델기반, 하이브리드 CF로 분류할 수 있다[Adomavicious and Tuzhilin, 2005]. 메모리 기반 CF는 사용자 혹은 상품 간 유사도를 측정하고 이를 기반으로 추천하는 방식으로, 이 때 유사도를 평가하기 위한 지표로는 피어슨 상관계수(Pearson correlation coefficient)나 코사인 벡터(cosine vector)가 널리 활용되고 있다.
	모델 기반 CF의 단점은 무엇인가?	이 방식은 베이지안 네트워크(bayesian network)나 군집분석(clustering) 등을 통해 사용자-상품 점수행렬을 기반으로 사용자 등급을 설명하는 모형을 개발, 학습하는데, 모델 학습 시 많은 연산량과 시간이 소요되나, 그 다음 적용 시에는 시간과 연산량이 크게 단축되는 장점이 있다. 다만,추천 정확도가 메모리 기반 접근법에 비해 다소 떨어질 수 있고, 사용자들의 선호가 빠르거나 잦은 갱신 환경에 적합하지 않은 단점이 있다. 하지만 일반적으로 내용 기반 추천 알고리즘에 비해서는 상대적으로 더 우수한 추천 정확도를 보이는 것으로 알려져 있다[Kim et al.
	추천시스템은 무엇인가?	추천시스템은 사용자의 행동으로부터 정보를 획득하여, Top-N 추천상품 리스트를 생성하거나 사용자의 평가점수를 질의 또는 예측하는 방법을 통하여 그들이 구매에 관심을 갖는 상품이나 구매를 원하는 상품을 쉽게 찾도록 지원해주는 데이터 분석기술 기반의 정보 필터링 시스템(information filtering system)이다[Sarwar et al.,2001].

참고문헌 (34)

Adomavicious, G. and Tuzhilin, A., "Toward the Next Generation of Recommender Systems : A Survey of the State-of-theart and Possible Extensions", IEEE Transactions on Knowledge and Data Engineering, Vol. 17, No. 6, 2005, pp. 734-749.

상세보기
Ahn, H., "Improvement of a Context-aware Recommender System through User's Emotional State Prediction", Journal of Information Technology Applications and Management, Vol. 21, No. 4, 2014, pp. 203-223.
Ahn, H., Han, I., and Kim, K.-J., "The Product Recommender System Combining Association Rules and Classification Models : The Case of G Internet Shopping Mall", Information Systems Review, Vol. 8, No. 1, 2006, pp. 181-201.
Ahn, S.-M., Kim, I. H., Choi, B., Cho, Y., Kim, E., Kim, and M.-K., "Understanding the Performance of Collaborative Filtering Recommendation through Social Network Analysis", Journal of Society for e-Business Studies, Vol. 17, No. 2, 2012, pp. 129-147.
Ahn, Y. Y., Han, S., Kwak, H., Moon, S., and Jeong, H., "Analysis of Topological Characteristics of Huge Online Social Network Service", Proceeding of 16th International Conference on World Wide Web, 2007, pp. 835-844.
Barabasi, A. L., Wang, P., Gonzalez, M. C., and Hidalgo, C. A., "Understanding the Spreading Patterns of Mobile Phone Viruses", Science, Vol. 324, 2009, p. 1071.

상세보기
Breese, J. S., Heckerman, D., and Kadie, C., "Empirical Analysis of Predictive Algorithms for Collaborative Filtering", Proceedings of the 14th Conference on Uncertainty in Artificial Intelligence (UAI-98), San Francisco, California, 1998, pp. 43-52.
Cho, Y. H. and Bang, J., "Social Network Analysis for New Product Recommendation", Journal of Intelligence and Information Systems, Vol. 15, No. 4, 2009, pp. 183-200.
Choi, S., Kwahk, K.-Y., and Ahn, H., "Enhancing Predictive Accuracy of Collaborative Filtering Algorithms using the Network Analysis of Trust Relationship among Users", Journal of Intelligence and Information Systems, Vol. 22, No. 3, 2016, pp. 113-127.

원문보기 상세보기
Du, Y., Du, X., and Huang, L., "Improve the Collaborative Filtering Recommender System Performance by Trust Network Construction", Chinese Journal of Electronics, Vol. 25, No. 3, 2016, pp. 418-423.

상세보기
Ellison, N. B., Steinfield, C., and Lampe, C., "The Benefits of Facebook Friends : Social Capital and College Students' Use of Online Social Network Sites", Journal of Computer-Mediated Communication, Vol. 12, No. 4, 2007, pp. 1143-1168.

상세보기
Golbeck, J., "Generating predictive movie recommendations from trust in social networks", Proceedings of the 4th International Conference on Trust Management, Lecture Notes in Computer Science, Vol. 3986, 2006, pp. 93-104.
Ha, I., "User Modeling-based Recommender System with Link Attributes of Trust Network", Ph.D. Dissertation, Inha University, 2014.
Jeon, B. and Ahn, H., "A Collaborative Filtering System Combined with Users' Review Mining : Application to the Recommendation of Smartphone Apps", Journal of Intelligence and Information Systems, Vol. 21, No. 2, 2015, pp. 1-18.
Jeong, J.-H. and Kim, J.-W., "Collaborative Filtering Techniques Using Social Network Analysis for UCC Recommendation", Journal of Intelligence and Information Systems, Vol. 11, No. 1, 2013, pp. 185-195.
Kang, B. S., "A Novel Web Recommendation Method for New Customers Using Structural Holes in Social Networks", Journal of Industrial Economics and Business, Vol. 23, No. 5, 2010, pp. 2371-2385.
Kim, K.-J. and Ahn, H., "User-Item Matrix Reduction Technique for Personalized Recommender Systems", Journal of Information Technology Applications and Management, Vol. 16, No. 1, 2009, pp. 97-113.
Kim, K.-J. and Ahn, H., "Collaborative Filtering with a User-Item Matrix Reduction Technique", International Journal of Electronic Commerce, Vol. 16, No. 1, 2011, pp. 107-128.

상세보기
Kim, M. and Kim, K.-J., "Recommender Systems using Structural Hole and Collaborative Filtering", Journal of Intelligence and Information Systems, Vol. 20, No. 4, 2014, pp. 107-120.

원문보기 상세보기
Kim, Y. H., Social Network Analysis, Parkyoungsa Publishing, 2003.
Kwahk, K. Y., Social Network Analysis, Cheongram, 2014.
Liu, F. and Lee, H. J., "Use of social network information to enhance collaborative filtering performance", Expert Systems with Applications, Vol. 37, No. 7, 2010, pp. 4772-4778.

상세보기
Lu, Y., Yang, S., Chau, P. Y. K., and Can, Y., "Dynamics between the trust transfer process and intention to use mobile payment services : A cross-environment perspective", Information and Management, Vol. 48, No. 8, 2011, pp. 393-403.

상세보기
Massa, P. and Avesani, P., "Trust Metrics in Recommender Systems", Proceedings of Computing with Social Trust, 2009, pp. 259-285.
Mislove, A., Marcon, M., Gummadi, K. P., Druschel, P., and Bhattacharjee, B., "Measurement and Analysis of Online Social Networks", Proceedings of the 7th ACM SIGCOMM Conference on Internet Measurement, 2007, pp. 29-42.
Park, J. H., Cho, Y. H., and Kim, J. K., "Social Network : A Novel Approach to New Customer Recommendations", Journal of Intelligence and Information Systems, Vol. 15, No. 1, 2009, pp. 123-140.
Ryu, Y. U., Kim, H. K., Cho, Y. H., and Kim, J. K., "Peer-oriented content recommendation in a social network", Proceedings of the Sixteenth Workshop on Information Technologies and Systems, 2006, pp. 115-120.
Sarwar, B., Karypis G., Konstan, J., and Riedl, J., "Item-based collaborative filtering recommendation algorithms", Proceeding of the 10th International Conference on World Wide Web, 2001, pp. 285-295.
Shin, C.-H., Lee, J.-W., Yang, H.-N., and Choi, I. Y., "The Research on Recommender for New Customers Using Collaborative Filtering and Social Network Analysis", Journal of Intelligence and Information Systems, Vol. 18, No. 4, 2012, pp. 19-42.
Su, X. and Khoshgoftaar, T. M., "A Survey of Collaborative Filtering Techniques", Advances in Artificial Intelligence, 2009, Article ID 421425.
Tang, J., Aggarwal, C., and Liu, H., "Recommendations in signed social networks", Proceedings of the 25th International Conference on World Wide Web, 2016, pp. 31-40.
Thelwall, M., "Social Networks, Gender, and Friending : An Analysis of MySpace Member Profiles", Journal of the American Society for Information Science and Technology, Vol. 59, No. 8, 2008, pp. 1321-1330.

상세보기
Wei, C., Richard K., and Simon F., "Web 2.0 Recommendation service by multi-collaborative filtering trust network algorithm", Information Systems Frontiers, Vol. 15, No. 4, 2013, pp. 533-551.

상세보기
Yuan, W., "Improved Trust-Aware Recommender System using Small-Worldness of Trust Networks", Ph.D. Dissertation, Kyung Hee University, 2010.

저자의 다른 논문 :

LOADING...

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