[논문]사용자 선호도와 군집 알고리즘을 이용한 퍼지-계층적 분석 기법 기반 영화 추천 시스템

오재택; 이상용

doi:10.14400/jdc.2017.15.11.425

사용자 선호도와 군집 알고리즘을 이용한 퍼지-계층적 분석 기법 기반 영화 추천 시스템
A Movie Recommendation System based on Fuzzy-AHP with User Preference and Partition Algorithm 원문보기

디지털융복합연구 = Journal of digital convergence, v.15 no.11, 2017년, pp.425 - 432

초록
AI-Helper

현재 추천 시스템은 실제 사용자가 선호하는 항목을 추천하는지, 아니면 단순히 관심 정도의 항목을 추천하는지 알 수 없다는 문제와 사용자들이 매우 적어 적합한 항목을 추천할 수 없는 데이터 희소성 문제, 새로운 사용자들이 유입됨에 따라 사용자들이 만족하는 항목을 추천하기 위해 시스템의 성능이 저하되는 Cold-Start 문제 등이 발생한다. 본 연구에서는 이러한 문제점을 해결하기 위해 불확실한 상황이나 문제들을 반영할 수 있는 퍼지-계층적 분석(Fuzzy-Analytic Hierarchy Process)과 주어진 항목들을 비슷한 항목들끼리 모으는 데이터 군집화 알고리즘을 활용하여 사용자들에게 만족할 수 있는 영화를 추천하기 위한 시스템을 구현하였다. 61명을 대상으로 영화 선호도에 대한 설문 조사를 실시한 데이터를 본 시스템에 적용한 결과 Fuzzy-AHP 기법을 통해서 데이터 희소성 문제를 해소할 수 있었으며, 또한 데이터 군집화 알고리즘을 통해 새로운 사용자들이 유입되어도 사용자에게 적합한 항목이 추천되었음을 확인할 수 있었다. 향후 노이즈 데이터나 아웃라이어(Outlier) 데이터를 걸러낼 수 있는 밀도 기반 클러스터링에 대한 연구가 필요할 것으로 생각된다.

Abstract ▼ AI-Helper

The current recommendation systems have problems including the difficulty of figuring out whether they recommend items that actual users have preference for or have simple interest in, the scarcity of data to recommend proper items due to the extremely small number of users, and the cold-start issue of the dropping system performance to recommend items that can satisfy users according to the influx of new users. In an effort to solve these problems, this study implemented a movie recommendation system to ensure user satisfaction by using the Fuzzy-Analytic Hierarchy Process, which can reflect uncertain situations and problems, and the data partition algorithm to group similar items among the given ones. The data of a survey on movie preference with 61 users was applied to the system, and the results show that it solved the data scarcity problem based on the Fuzzy-AHP and recommended items fit for a user with the data partition algorithm even with the influx of new users. It is thought that research on the density-based clustering will be needed to filter out future noise data or outlier data.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 연구에서는 데이터 희소성과 Cold-Start 문제를 어떻게 해소하는지 확인하기 위하여 61명을 대상으로 영화 선호도에 대한 조사를 실시하였다. 설문 항목은 크게 두 가지로, 첫 번째는 영화 제작 국가, 영화에 대한 장르, 영화에 대한 평가의 쌍대비교, 두 번째는 평가 항목에 대한 각각의 세부 평가 항목으로 한국 영화와 외국 영화, 7가지의 장르, 전문가 평가가 좋은 영화와 관객 평가가 좋은 영화에 대한 쌍대비교의 설문을 조사하였다.
본 연구에서는 위와 같은 문제점들을 해소하기 위해 계산 복잡도가 비교적 복잡하지 않으며, 사용자의 주관적인 선호도를 직접적으로 반영할 수 있는 Fuzzy-AHP 기법과 데이터 군집화 알고리즘인 K-means 클러스터링을 이용하여 사용자들에게 적합한 항목을 추천하고자 하였다.
본 연구에서는 추천 시스템의 고질적인 문제인 데이터 희소성과 Cold-Start를 해결하기 위해 Fuzzy-AHP와 데이터 군집화 알고리즘인 K-means 클러스터링을 이용한 영화 추천 시스템을 구현하였다.
이러한 관점에서 본 연구에서는 Fuzzy-AHP 기법을 적용하여 사용자의 주관적인 선호도를 직접적으로 반영하고, K-means 클러스터링을 이용하여 사용자들의 선호도 군집화를 통해 보다 적합한 항목을 추천하기 위한 영화 추천 시스템을 제안하고자 한다.

제안 방법

본 연구에서 제안하는 영화 추천 시스템은 [Fig. 1]과같이 웹 서버와 데이터베이스 그리고 클라이언트로 구성된다.
본 연구에서는 Fuzzy-AHP 기법을 이용하여 사용자의 주관적인 선호도를 직접적으로 반영하고, 반영된 선호도를 이용하여 사용자들에게 적합한 영화를 추천할 수 있도록 하였다.
본 연구에서는 사용자들에게 보다 적합한 영화를 추천하기 위해 사용자들의 선호도를 K-means 클러스터링을 이용하여 군집화하였으며, 군집화를 통해 새로운 사용자들이 지속적으로 유입함에 따라 추천 시스템의 성능이 저하되는 Cold-Start 문제를 군집 추천을 이용하여 해소할 수 있도록 하였다.
본 연구에서는 데이터 희소성과 Cold-Start 문제를 어떻게 해소하는지 확인하기 위하여 61명을 대상으로 영화 선호도에 대한 조사를 실시하였다. 설문 항목은 크게 두 가지로, 첫 번째는 영화 제작 국가, 영화에 대한 장르, 영화에 대한 평가의 쌍대비교, 두 번째는 평가 항목에 대한 각각의 세부 평가 항목으로 한국 영화와 외국 영화, 7가지의 장르, 전문가 평가가 좋은 영화와 관객 평가가 좋은 영화에 대한 쌍대비교의 설문을 조사하였다.
웹 서버 개발 응용 소프트웨어로는 ‘ASP.NET 4.5.2’를 사용하여 웹 사이트를 구성하였으며, 프로그래밍 언어는 ‘Java for Android’와 ‘XML’,‘HTML5.0’, ‘CSS 3.0 ’그리고 ‘Visual C#’을 사용하여 ‘Android Studio’와 ‘Visual Studio 2015’를 통해 클라이언트를 구현하였다.

대상 데이터

먼저 데이터 희소성 문제 해소를 확인하기 위하여 61명의 설문 데이터에서 60명의 데이터를 제외한 1명의 데이터만으로 실험을 하였다. 그리고 Cold-Start 문제 해소를 확인하기 위해서 60명의 설문 데이터를 기반으로 새로 유입된 1명의 설문 데이터를 사용하여 실험을 하였다.
먼저 데이터 희소성 문제 해소를 확인하기 위하여 61명의 설문 데이터에서 60명의 데이터를 제외한 1명의 데이터만으로 실험을 하였다. 그리고 Cold-Start 문제 해소를 확인하기 위해서 60명의 설문 데이터를 기반으로 새로 유입된 1명의 설문 데이터를 사용하여 실험을 하였다.
본 연구에서의 웹 서버는 Microsoft의 인터넷 정보 서비스를 사용하였으며, 각 모듈은 각각의 프로세스를 담당하게 된다.

이론/모형

사용자가 선호하는 영화를 알기위해 구성된 계층 구조에서 각 평가 항목(Level 2)은 ‘Reddy’가 문헌 연구를 통해 제안한 영화 흥행이 성공적으로 이루어지기 위한 요인들의 내용을 참고하였으며, 각각의 세부 평가 항목(Level 3)은 한국영화진흥위원회와 포털 사이트인 ‘Naver’에서 영화를 분류하는 기본적인 방법을 따랐다[18, 19, 20].
4]은 처리 모듈과 클러스터링 모듈을 거친 선호도 데이터를 이용하여 사용자가 선호하는 군집에 가까운 영화를 추천하는 추천 모듈을 구현한 사용자 인터페이스로, 처리 모듈에서 계산된 종합 중요도가 가장 큰 순서로 우선순위가 계산되며, 우선순위가 가장 큰 영화에 대해 사용자들이 선호하는 군집에 가까운 영화를 추천한다. 우선순위를 계산하기 위한 알고리즘은 버블 정렬(Bubble Sort)을 사용하여 우선순위를 정렬하였다.

성능/효과

그 결과 Fuzzy-AHP 기법을 통해서 데이터 희소성 문제를 해소할 수 있음을 확인할 수 있었으며, 데이터 군집화 알고리즘을 통해 새로운 사용자들이 유입되어도 사용자에게 적합한 항목이 추천되었음을 알 수 있었다.
새로 유입된 사용자의 선호도는 [Table 3]와 같이 판타지/모험 영화(Fantasy/Adventure Movie)와 스릴러/미스터리 영화(Thriller/Mystery Movie)를 선호하는데, 그 중에서도 스릴러/미스터리 영화를 가장 선호하는 것으로 나타났다.

후속연구

향후 대규모 데이터에서도 효과적으로 군집화할 수 있으며, 노이즈 데이터나 아웃라이어 데이터를 걸러낼 수 있는 밀도 기반 클러스터링(Density-based Clustering)에 대한 연구가 필요할 것으로 생각된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	추천 시스템이란 무엇인가?	추천 시스템이란 사용자의 정보를 바탕으로 선호도를 예측하여 적합한 항목을 제공하는 시스템을 말한다[3, 9].
	행렬 분해 기법을 이용한 추천 시스템의 단점은 무엇인가?	행렬 분해 기법은 주어진 데이터 정보 행렬을 항목(Item)의 정보나 사용자의 정보 등의 행렬로 분해하여 잠재적인 요소들을 추출한 다음, 다시 조합하여 추천 시스템의 성능을 높이는 기법으로 주로 Cold-Start 문제를 해소하기 위해 적용되어 왔다. 그러나 계산 복잡도가 비교적 높다는 단점이 있다[6, 13].
	현재 추천 시스템에서 나타나는 문제점에는 무엇이 있는가?	현재 추천 시스템은 실제 사용자가 선호하는 항목을 추천하는지, 아니면 단순히 관심 정도의 항목을 추천하는지 알 수 없다는 문제와 사용자들이 매우 적어 적합한 항목을 추천할 수 없는 데이터 희소성 문제, 새로운 사용자들이 유입됨에 따라 사용자들이 만족하는 항목을 추천하기 위해 시스템의 성능이 저하되는 Cold-Start 문제 등이 발생한다. 본 연구에서는 이러한 문제점을 해결하기 위해 불확실한 상황이나 문제들을 반영할 수 있는 퍼지-계층적 분석(Fuzzy-Analytic Hierarchy Process)과 주어진 항목들을 비슷한 항목들끼리 모으는 데이터 군집화 알고리즘을 활용하여 사용자들에게 만족할 수 있는 영화를 추천하기 위한 시스템을 구현하였다.

참고문헌 (20)

Doo-Soon Park, Yang-Se Moon, Young-Hyo Park, Chan-Hyun Yoon, Young-Sik Jung, Hyung-Suk Jang, Co-Author, "Big Data Computing Techniques", p.126-127, Hanbit Academy, Inc., 2015.
Hwa-Jong Kim, "Introduction to Data Science", p.188, Hongreung Science Publishing Co., 2014.
Il Lim, "Recommendation System Using R", pp.3-4, Chaosbook, 2015.
Jiawei Han, Micheline Kamber, Jian Pei, Co-Author, Sa-Bum Jung, Yong-Keun Song, Translation, "Data Mining: Concepts and Techniques", pp.577-582, Acorn, 2015.
Michael Negnevitsky, Author, Yong-Hyuk Kim, Translation, "Artificial Intelligence 2nd Ed", p.269, Hanbit Academy, Inc., 2013.
Dong-Hyun Kim, Chan-Young Park, Gene-Oh Oh, Hwan-Jo Yu, "Research on Cold-Start Recommendation" Communications of KIISE, Vol. 34, No. 6, pp. 16-21, 2016.
Hyang-Soon Joun, Sang-Yong Lee, "Technical Entrepreneurchip Education Service Quality Evaluation System based on FAHP", Journal of Digital Convergence, Vol. 13, No. 10, pp. 509-516, 2015.
Hae-Chun Rhee, Kyu-Yong Lee, In-Jae Lee, "Fuzzy Set Theory As a Method of Policy Evaluation: With a Case of Job Creation Policy", The Korea Association for Policy Studies, Vol. 16, No. 3, pp. 67-91, 2007.
Hong-Bok Lee, Dong-Ok Won, Seong-Whan Lee, "Collaborative Filtering Recommender System With Clustering and Histogram", Proceedings of KISS Winter Conference 2016, pp. 588-590, 2016.
Jae-Taek Oh, Sang-Yong Lee, "AHP-Based Recommendation System of Mobile Games Reflecting User Preferences", Journal of Digital Convergence, Vol. 15, No. 1, pp. 427-433, 2017.
Jae-Taek Oh, "Fuzzy-AHP Based Mobile Games Recommendation System Using Bayesian Network", Dept. of Computer Science and Engineering the Graduate School of Kongju National University, 2017.
Jee-Woon Ha, Hyung-Wook Kim, Sang-Wook Kim, "Data Imputation Methods for Effective Collaborative Filtering", Communications of KIISE, Vol. 34, No. 6, pp. 8-15, 2016.
Noo-Ri Kim, Han-Byul Bang, Bedeuro Kim, Sei-Hee Lee, Jee-Hyoung Lee, "Research Trends in Context-aware Recommender Systems", Communications of KIISE, Vol. 34, No. 6, pp. 22-29, 2016.
You-Jin Park, "Analyzing the Efficiency of SCM Using Fuzzy-AHP/DEA", Dept. of Business Administration the Graduate School of Yonsei University, 2013.
A. Vattani, "K-means Requires Exponentially Many Iterations Even in the Plane", Proceedings of the Twenty-Fifth Symposium on Computational Geometry 2009, pp. 324-332, 2009.
Da-Yong Chang, "Applications of the Extent Analysis Method on Fuzzy AHP", European Journal of Operational Research, Vol. 95, No. 3, pp. 649-655, 1996.

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

상세보기
S. K. Reddy, V. Swaminathan, C. M. Motley, "Exploring the Determinants of Broadway Show Success", Journal of Marketing Research, Vol. 35, No. 3, pp. 296-315, 1998.

상세보기
http://movie.naver.com/movie/sdb/rank/rmovie.nhn
http://www.kobis.or.kr/kobis/business/main/main.do

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