[논문]영양성분 프로파일링 기반 사료추천 알고리듬

송희석

doi:10.21219/jitam.2018.25.4.145

영양성분 프로파일링 기반 사료추천 알고리듬
Nutrient Profiling-based Pet Food Recommendation Algorithm 원문보기

Journal of information technology applications & management = 한국데이타베이스학회지, v.25 no.4, 2018년, pp.145 - 156

송희석 (Department of Global IT Business in Hannam University)

Abstract ▼ AI-Helper

This study proposes a content-based recommendation algorithm (NRA) for pet food. The proposed algorithm tries to recommend appropriate or inappropriate feed by using collective intelligence based on user experience and prior knowledge of experts. Based on the physical and health status of the dogs, this study suggests what kind of nutrients are necessary for the dogs and the most recommended pet food containing these nutrients. Performance evaluation was performed in terms of recall, precision, F1 and AUC. As a result of the performance evaluation, the AUC and F1 value of the proposed NRA was 15% and 42% higher than that of the baseline model, respectively. In addition, the performance of NRA is shown higher for recommendation of normal dogs than disease dogs.

주제어

표/그림 (4)

그림 The Process of Performance Evaluation
그림 Performance Comparison by Model
그림 Performance Applied to Training set by Dog Type
그림 Performance Applied to Test Set by Dog Type

AI 본문요약
AI-Helper

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

문제 정의

, 2011] 반려견을 위한 사료추천서비스는 아직 상용화된 사례를 찾기 어렵다. 따라서 여기서는 사료추천과 가장 유사한 분야인 조리법(Recipe) 도메인에서 추천시스템 관련 연구들을 살펴보고 사료추천시스템 설계에 필요한 아이디어를 도출하기로 한다 [Almeida, 2015].
첫째, 사료추천은 선호도 기반이 아니라 적합도 기반의 콘텐츠 기반 추천방식이 되어야 한다. 물론 반려견별로 좋아하는 향미와 재료가 다를 수 있으므로 선호도 기반의 추천도 고려해볼 수 있으나 본 연구에서는 반려견의 신체 상태나 건강 상태에 적합한 영양성분을 갖춘 사료를 추천하는 것이 더 필요할 것이란 판단에서 적합도 기반의 사료추천 방법을 제안한다. 둘째, 사료 급여 시 특정 사료는 해당 반려견에게 탈을 일으키기도 하므로 추천 시 적합도 외에도 부적합도를 고려하여 추천이 이루어져야 한다.
이 때 적합 영양성분은 동일한 특성을 가지는 반려견에게 동시에 적용될 수 있기 때문에 동일한 특성의 반려견별로 프로파일링 하는 것이 적합한데 비해 선호사료 정보는 동일한 특성의 반려견이라도 개별적으로 선호도는 다를 수 있기 때문에 적합 영양성분과 선호사료 정보를 동시에 고려하는 형태로 추천이 이루어지기 보다는 적합영양성분 기준의 추천과 선호기반의 추천이 별도로 이루어지도록 구현하는 것이 바람직 할 것이다. 본 연구는 반려견 시장의 급성장과 때를 같이하여 반려인들의 사료 선택의 복잡성 문제를 해결하기 위해 시도된 첫 번째 연구라는 점에서 의의를 찾을 수 있다.
본 연구에서는 반려견 사료추천을 위한 콘텐츠 기반 추천 알고리듬을 제안하였다. 본 연구에서 제안하는 사료추천 방법은 사용자경험에 기반한 집단지성과 전문가의 사전지식을 동시에 활용하여 적합사료 또는 부적합 사료를 추천하는 방법이다.
본 연구에서는 반려견 사료추천을 위해 다음과 같은 몇 가지 원칙을 기반으로 추천 알고리듬을 설계하고자 한다. 첫째, 사료추천은 선호도 기반이 아니라 적합도 기반의 콘텐츠 기반 추천방식이 되어야 한다.
본 연구에서는 반려견의 신체 및 건강 상태에 따른 적합 또는 부적합 사료를 추천하는 알고리듬을 제안하였다. 그러나 반려견이 건식 사료를 좋아하는지 습식사료를 좋아하는지, 또는 반려견이 좋아하는 향미나 재료가 무엇인지 등과 같이 반려견의 사료에 대한 선호도를 동시에 고려하여 추천할 수 있다면 한층 사료추천의 만족도를 높일 수 있을 것이다.
셋째, 사용자 후기정보와 전문가의 선험적 지식을 결합하여 사료추천이 이루어지도록 한다. 본 연구에서는 이러한 설계 원칙하에 영양성분 프로파일링 기반의 사료추천 알고리듬(NRA;Nutrient profiling-based Recommendation Algorithm)을 제안하기로 한다. 제안한 사료추천 알고리듬의 성능을 비교할 목적으로 베이스라인 모형과 협업필터링 기반 모형을 동시에 구성하여 제시하기로 한다.
본 연구에서는 이상의 설계 이슈를 해결할 수 있는 사료추천 알고리듬을 제안하는 것을 목표로 한다. 이를 위해 Ueda et al.
잠재요인모형은 이렇게 긴 사용자 특성이나 상품 특성을 몇 개의 요인 벡터로 간략화 할 수 있다는 가정에서 출발한다. 여기서는 잠재요인 모형 중 SVD(Singular Value Decomposition)를 사용하여 반려견 급여 사료에 대한 적합성 여부를 예측하기로 한다. SVD 적용을 위한 오차함수는 다음과 같다.
이 연구에서는 조리법을 재료성분, 카테고리, 요리법, 영양성분 등으로 부터 추출된 각종 특징들의 집합체로 정의하고 행렬분해 방법(Matrix Factorization)을 이용한 추천방식을 제안하였는데, 행렬분해는 아이템에 대한 사용자의 평가가 잠재된 특징에 기반 한다고 보고 이러한 잠재된 특징을 발견하여 미지의 아이템에 대한 평가치를 예측하는 것이다. 이 연구에서는 시간의존적인 특성을 포함하여 추천모형을 구성했다는 점이 특징이다. Freyne and Berkovsky[2010]는 음식 및 식이요법 영역에서 사용자의 음식 선호도에 따라 다이어트와 라이프스타일을 감안한 개인화된 콘텐츠 기반의 조리법 추천기를 제안하였다.
[2014]는 조리법 추천이 요리 절차와 성분에 대한 다양한 이질적인 정보를 포함하고 있기 때문에 기존에 많이 시도된 음악, 영화, 책 등의 아이템 추천과는 다른 특성을 가진다고 하였다. 이 연구에서는 조리법을 재료성분, 카테고리, 요리법, 영양성분 등으로 부터 추출된 각종 특징들의 집합체로 정의하고 행렬분해 방법(Matrix Factorization)을 이용한 추천방식을 제안하였는데, 행렬분해는 아이템에 대한 사용자의 평가가 잠재된 특징에 기반 한다고 보고 이러한 잠재된 특징을 발견하여 미지의 아이템에 대한 평가치를 예측하는 것이다. 이 연구에서는 시간의존적인 특성을 포함하여 추천모형을 구성했다는 점이 특징이다.
특히 4차 산업혁명의 핵심기술인 빅데이터와 인공지능 기술에 관심이 집중되면서 모바일을 기반으로 한 공공서비스 추천에서부터 맛집이나 뉴스, 기호 제품의 추천 등 추천서비스의 활용범위가 보다 광범위해지고 있다. 이에 본 연구에서는 반려견의 신체 상태나 건강상태를 토대로 해당 반려견에게 필요한 영양성분이 무엇인지 판단하여 이들 영양성분을 가장 충실히 포함하는 사료를 추천하는 알고리듬을 제안하고 성능평가를 통해 실제 적용가능성을 확인해 보기로 한다. 현재 인터넷 상에 많은 사료 쇼핑몰이 존재하고 있으나 대부분의 쇼핑몰은 반려견 특성에 맞춤화된 사료를 추천하는 기능을 제공하지 못하고 있으며 사료특성별 조건 검색 기능을 제공하거나 인기 사료를 추천하는 수준에 그치고 있다.

제안 방법

한편, 프로파일링은 사료급여 후기 평점 정보를 가중치로 사용하여 각 영양성분을 가중 평균하는 방식으로 프로파일을 계산한다. 또한 사료급여 후기 외에도 전문가의 선험적 지식을 추천에 동시에 반영하기 위해 전문가가 입력한 반려견 상태별 적합 영양성분함량 정보에도 가중치를 부여함으로써 사용자급여후기와 전문가정보를 종합하여 추천이 이루어지도록 한다. 전문가 정보에 부여하는 가중치는 입력파라미터로 설계하여 추천 실행 시 중요도를 조정할 수 있도록 한다.
제안한 영양성분 프로파일링 기반 사료추천 알고리듬(NRA)의 성능을 평가하기 위하여 시중에 유통되고 있는 사료와 주요 영양성분을 대상으로 코드화하고 각 사료별 영양성분 함량 정보를 수집하였다. 먼저 사료의 주요 영양성분으로 조 단백질, 조지방, 조회분, 조섬유, 수분, 칼슘, 인, 오메가 6, 오메가3, 글루코사민, 타우린, 탄수화물 등 12가지의 주요 영양성분을 추출하여 코드화 하였다. 또한 시중에 유통되고 있는 758개의 사료들을 수집하여 코드화 하고 사료별 영양성분 함량정보를 수집하였다.
본 연구에서 제안하는 사료추천 방법은 사용자경험에 기반한 집단지성과 전문가의 사전지식을 동시에 활용하여 적합사료 또는 부적합 사료를 추천하는 방법이다. 보다 구체적으로 사용자가 반려 견 특성 정보를 입력하면 반려견 특성정보별 사용자 후기 평점 정보와 반려견 특성정보별 적합한 영양성분에 대한 전문가의 지식을 결합하여 해당 반려견 특성정보에 요구되는 영양성분을 발견하며, 이들 영양성분을 가장 적절하게 포함하고 있는 사료를 추천하는 시스템을 제안하고 기존 협업필터링 기반의 모형과 성능을 비교하였다. 성능 평가는 재현율, 정밀도, F1, AUC 관점에서 이루어졌으며 성능평가 결과 제안한 NRA가 베이스라인 모형 및 SVD 모형에 비해 높은 성능을 보여주는 것을 확인하였다.
[2011]이 조리법 추천에서 사용한 콘텐츠기반 추천방식을 확장하여 영양성분 프로파일링 기반의 사료추천 알고리듬을 제시한다. 보다 구체적으로 사용자가 자신의 반려견에 대한 특성정보를 입력하면 해당 반려견과 유사한 반려견들에게 급여된 사료급여 후기와 전문가의 지식을 결합하여 해당 반려견에게 필요한 영양성분을 발견하며, 이들 영양성분을 가장 적절하게 포함하고 있는 사료를 추천하는 방법을 제안한다. 반려견을 위한 사료 추천은 반려견 시장의 급성장과 다수 반려인들의 요구에도 불구하고 아직 시도된 적이 없다.
사료급여 후기 평점은 특정 반려견에게 특정 사료를 급여한 결과 얼마나 만족스러웠는지를 나타내는 정보이다. 사료급여 후기평점은 반려견 커뮤니티 회원을 대상으로 조사하는 방식으로 수집하거나 크롤링을 통해 수집할 수 있으나, 본 연구에서는 제안한 알고리듬의 상용화 가능성을 확인하기 위한 성능비교 및 평가가 목적이기 때문에 난수를 발생하여 사료급여 후기 평점 정보를 생성하였다. 커뮤니티 회원을 대상으로 사료급여 후기평점을 수집한다면 반려견 특성과 급여한 사료 간에 내재된 패턴이 존재할 가능성이 높은데 비해, 랜덤으로 생성된 사료급여 후기 평점 정보에는 이러한 패턴이 존재하기 어렵다.
둘째, 사료 급여 시 특정 사료는 해당 반려견에게 탈을 일으키기도 하므로 추천 시 적합도 외에도 부적합도를 고려하여 추천이 이루어져야 한다. 셋째, 사용자 후기정보와 전문가의 선험적 지식을 결합하여 사료추천이 이루어지도록 한다. 본 연구에서는 이러한 설계 원칙하에 영양성분 프로파일링 기반의 사료추천 알고리듬(NRA;Nutrient profiling-based Recommendation Algorithm)을 제안하기로 한다.
그리고 훈련용 데이터를 입력받아 반려견 특성별로 적합사료성분 프로파일과 부적합사료성분 프로파일을 각각 생성한다. 이렇게 생성된 프로파일을 급여한 사료의 성분벡터와 비교하여, 급여한 사료의 성분벡터와 적합성 분 프로파일과의 유사도가 부적합성분 프로파일과의 유사도 보다 높으면 적합한 사료로 그렇지 않으면 부적합한 사료로 판정하는 방식으로 추천 성능을 평가하였다. 이 과정을 그림으로 표현하면 [Figure 1]과 같다.
또한 사료급여 후기 외에도 전문가의 선험적 지식을 추천에 동시에 반영하기 위해 전문가가 입력한 반려견 상태별 적합 영양성분함량 정보에도 가중치를 부여함으로써 사용자급여후기와 전문가정보를 종합하여 추천이 이루어지도록 한다. 전문가 정보에 부여하는 가중치는 입력파라미터로 설계하여 추천 실행 시 중요도를 조정할 수 있도록 한다. 추천단위별 각 영양성분에 대한 프로파일링은 적합성 피드백을 위한 Rocchio’s Algorithm[Pazzani and Billsus, 2007]을 변형하여 적용한다.
본 연구에서는 이러한 설계 원칙하에 영양성분 프로파일링 기반의 사료추천 알고리듬(NRA;Nutrient profiling-based Recommendation Algorithm)을 제안하기로 한다. 제안한 사료추천 알고리듬의 성능을 비교할 목적으로 베이스라인 모형과 협업필터링 기반 모형을 동시에 구성하여 제시하기로 한다.
추천단위별 각 영양성분에 대한 프로파일링은 적합성 피드백을 위한 Rocchio’s Algorithm[Pazzani and Billsus, 2007]을 변형하여 적용한다.

대상 데이터

먼저 사료의 주요 영양성분으로 조 단백질, 조지방, 조회분, 조섬유, 수분, 칼슘, 인, 오메가 6, 오메가3, 글루코사민, 타우린, 탄수화물 등 12가지의 주요 영양성분을 추출하여 코드화 하였다. 또한 시중에 유통되고 있는 758개의 사료들을 수집하여 코드화 하고 사료별 영양성분 함량정보를 수집하였다. 사료추천에 필요한 또 다른 중요한 정보는 사료급여 후기평점 정보이다.
생성된 사료급여 후기평점 데이터셋에 따르면, 질병 없는 정상견에 대한 후기는 220건, 1개 이상 질병이 있는 질병견의 후기는 780건이다. 전체 후기 중 평점이 3(보통)인 사례를 제거하고, 적합도 필드를 추가하여 평점이 1또는 2인 경우 불만족(0), 평점이 4 또는 5인 경우 만족 (1)으로 코딩하였으며 최종 774개의 사례가 실험에 사용되었다.
제안한 영양성분 프로파일링 기반 사료추천 알고리듬(NRA)의 성능을 평가하기 위하여 시중에 유통되고 있는 사료와 주요 영양성분을 대상으로 코드화하고 각 사료별 영양성분 함량 정보를 수집하였다. 먼저 사료의 주요 영양성분으로 조 단백질, 조지방, 조회분, 조섬유, 수분, 칼슘, 인, 오메가 6, 오메가3, 글루코사민, 타우린, 탄수화물 등 12가지의 주요 영양성분을 추출하여 코드화 하였다.

이론/모형

따라서 랜덤으로 생성된 사료급여 후기평점 정보를 이용한 알고리듬의 성능비교 및 평가는 보다 보수적인 접근방법이라 할 수 있다. 사료급여 후기 평점 정보의 생성은 엑셀의 INDEX 함수를 이용하였으며, 총 1,000개의 후기를 유니폼 분포로 생성하였다. 생성된 사료급여 후기평점 데이터셋에 따르면, 질병 없는 정상견에 대한 후기는 220건, 1개 이상 질병이 있는 질병견의 후기는 780건이다.
이 시스템에서는 사용자가 인터넷에서 열람했던 조리법 또는 이미 요리를 한 이력을 바탕으로 사용자 선호재료 프로파일을 작성하고 이 프로파일과 가장 유사한 조리법을 추천하게 된다. 사용자 선호재료 프로파일은 조리법에 사용된 재료들을 키워드로 구성한 벡터모델을 사용하는데, 각 재료에 대한 선호 가중치는 TF-IDF를 응용한 FF(성분빈도)-IRF(역조리법빈도)를 사용하고 있다. 또한 Almeida[2015]는 식당별 조리법 추천을 위해 YoLP 시스템을 제안하였다.

성능/효과

[Figure 2]는 세 가지 모형의 정밀도, 재현율, F1, AUC 값을 나타내고 있다. 네 가지 성능지표 모두에서 베이스라인 모형과 SVD 모형은 유사한 결과를 나타내고 있는데 비해 본 연구에서 제안한 NRA의 성능 평가치는 베이스라인 모형 대비 AUC의 경우 15%, F1 Score의 경우 42% 가량 향상된 성능 값을 보여주고 있다. 이는 영양성분 함량을 고려하지 않고 단순히 사료에 대한 적합여부만을 이용하여 추천에 활용하는 방식에서는 반려견-사료 행렬의 희박성이 높기 때문에 추천 성능이 저하되는 결과를 초래한 것으로 추측해 볼 수 있다.
영양성분 함량을 고려하지 않고 단순히 사료에 대한 적합 여부만을 이용하여 추천에 활용하는 방식인 베이스라인 모형 및 SVD 모형에서는 반려견-사료 행렬의 희박성이 높기 때문에 추천 성능이 저하되는 결과를 초래한 것으로 추측해 볼 수 있다. 또한 NRA 추천 알고리듬이 질병견 보다는 정상견에 대한 사료추천에 있어서 보다 높은 성능을 나타내었다. 이러한 결과는 반려견의 질병상태에 적합한 사료를 추천하기 위한 당초 추천시스템 개발 동기를 충족시키지 못하는 결과이다.
보다 구체적으로 사용자가 반려 견 특성 정보를 입력하면 반려견 특성정보별 사용자 후기 평점 정보와 반려견 특성정보별 적합한 영양성분에 대한 전문가의 지식을 결합하여 해당 반려견 특성정보에 요구되는 영양성분을 발견하며, 이들 영양성분을 가장 적절하게 포함하고 있는 사료를 추천하는 시스템을 제안하고 기존 협업필터링 기반의 모형과 성능을 비교하였다. 성능 평가는 재현율, 정밀도, F1, AUC 관점에서 이루어졌으며 성능평가 결과 제안한 NRA가 베이스라인 모형 및 SVD 모형에 비해 높은 성능을 보여주는 것을 확인하였다. 영양성분 함량을 고려하지 않고 단순히 사료에 대한 적합 여부만을 이용하여 추천에 활용하는 방식인 베이스라인 모형 및 SVD 모형에서는 반려견-사료 행렬의 희박성이 높기 때문에 추천 성능이 저하되는 결과를 초래한 것으로 추측해 볼 수 있다.
따라서 사료 추천 시 적합도 외에도 부적합도를 고려하여 추천이 이루어져야 한다. 셋째, 사료추천시스템에 사용되는 학습데이터는 기존 추천시스템과 마찬가지로 사료 급여에 대한 후기평점 정보가 될 수 있다. 그러나 사용자 후기 외에도 수의사와 같은 반려견 전문가의 지식이 사료추천에 반영된다면 보다 정확한 추천이 이루어질 수 있다.
Freyne and Berkovsky[2010]는 음식 및 식이요법 영역에서 사용자의 음식 선호도에 따라 다이어트와 라이프스타일을 감안한 개인화된 콘텐츠 기반의 조리법 추천기를 제안하였다. 이 연구에서는 사용자로 하여금 조리법에 대해 평가하게 하고 조리법별 평가 내용을 성분별 평가로 변환한 후 사용자별 성분 선호도 평가치를 도출하였으며 간단한 인공지능 기법을 도입함으로써 추천의 정확도를 높일 수 있음을 보여주었다. 구체적인 추천방법은 사용자가 특정 조리법을 5점 만점에 5점만큼 좋아했다면 해당 조리법의 성분을 전개한 후 각 성분에 5점을 부여하는 방식으로, 모든 사용자가 평가한 조리법에 대해 성분평가점수를 합산한 후 평가횟수로 나누어준 것이 사용자가 특정성분을 얼마나 좋아하는지의 값이 된다.
반려견을 위한 사료추천은 기존 추천시스템과 비교하여 다음과 같은 몇 가지 설계 이슈를 갖는다. 첫째, 기존의 추천시스템이 주로 사용자의 선호도에 기반하여 추천이 이루어지는데 비해 사료추천시스템은 특정 사료가 반려견의 신체 및 건강 상태에 적합한 영양성분을 갖추고 있는지와 같이 적합도에 기반한 추천이 이루어져야 한다. 또한 사용자가 추천의 단위가 되는 기존 추천시스템과 달리 사료추천시스템에서 추천의 단위는 품종, 색상, 연령, 질병상태 등이 유사한 반려견 그룹이 되기 때문에 반려견 특성정보가 추천시스템을 구성하는 추가적인 요소가 된다.
본 연구에서는 반려견 사료추천을 위해 다음과 같은 몇 가지 원칙을 기반으로 추천 알고리듬을 설계하고자 한다. 첫째, 사료추천은 선호도 기반이 아니라 적합도 기반의 콘텐츠 기반 추천방식이 되어야 한다. 물론 반려견별로 좋아하는 향미와 재료가 다를 수 있으므로 선호도 기반의 추천도 고려해볼 수 있으나 본 연구에서는 반려견의 신체 상태나 건강 상태에 적합한 영양성분을 갖춘 사료를 추천하는 것이 더 필요할 것이란 판단에서 적합도 기반의 사료추천 방법을 제안한다.

후속연구

본 연구에서는 반려견의 신체 및 건강 상태에 따른 적합 또는 부적합 사료를 추천하는 알고리듬을 제안하였다. 그러나 반려견이 건식 사료를 좋아하는지 습식사료를 좋아하는지, 또는 반려견이 좋아하는 향미나 재료가 무엇인지 등과 같이 반려견의 사료에 대한 선호도를 동시에 고려하여 추천할 수 있다면 한층 사료추천의 만족도를 높일 수 있을 것이다. 이 때 적합 영양성분은 동일한 특성을 가지는 반려견에게 동시에 적용될 수 있기 때문에 동일한 특성의 반려견별로 프로파일링 하는 것이 적합한데 비해 선호사료 정보는 동일한 특성의 반려견이라도 개별적으로 선호도는 다를 수 있기 때문에 적합 영양성분과 선호사료 정보를 동시에 고려하는 형태로 추천이 이루어지기 보다는 적합영양성분 기준의 추천과 선호기반의 추천이 별도로 이루어지도록 구현하는 것이 바람직 할 것이다.
또한 재현율은 “후기조사 결과 반려견에게 특정 사료를 급여했을 때 적합했던 경우의 수 중 추천 결과도 동일하게 적합할 것으로 예측된 경우의 수의 비율”로 계산한다. 한편 정밀도와 재현율을 동시에 고려한 F1 score도 예측 품질을 가늠하는 중요한 지표가 될 것이다. 또한 모형의 ROC 그래프는 가로축을 특이도(Specificity)로 하고 세로축을 재현율(Recall) 또는 민감도(Sensitive)로 하여 시각화 한 그래프이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	사료를 선택하는 것이 어려운 이유는?	반려견 가구의 증가와 함께 사료의 종류도 급증하게 되면서 반려인들은 사료급여에 늘 민감하지만, 해당사료가 반려견에게 적합한 사료인지 판단하기가 어려워 브랜드 인지도 만으로 사료를 구매하는 것이 일반적이다. 또한 반려견은 품종이 다양하며 연령이나 크기, 신체 상태, 질병 등에 따라 섭취해야 할 영양성분이 달라지기 때문에 반려견에게 필요한 영양성분을 포함한 사료를 선택하는 것은 복잡한 의사결정과정이라 할 수 있다. 한편, 추천시스템은 전자상거래를 위한 제품 및 서비스의 추천, 소셜 네트워크에서 친구 추천 및 태그 추천 등 다양한 분야에서 성공적으로 적용되고 있다.
	사료 추천서비스에 대한 필요성이 강하게 제기되고 있는 배경은 무엇인가?	최근 반려인 가구가 급증하면서 반려견을 위한 사료 추천서비스에 대한 필요성이 강하게 제기되고 있다. 반려견 가구의 증가와 함께 사료의 종류도 급증하게 되면서 반려인들은 사료급여에 늘 민감하지만, 해당사료가 반려견에게 적합한 사료인지 판단하기가 어려워 브랜드 인지도 만으로 사료를 구매하는 것이 일반적이다.
	반려견의 신체 및 건강 상태에 따른 적합 또는 부적합 사료를 추천하는 알고리듬의 사료 추천 만족도를 올릴 수 있는 요소는 무엇인가?	본 연구에서는 반려견의 신체 및 건강 상태에 따른 적합 또는 부적합 사료를 추천하는 알고리듬을 제안하였다. 그러나 반려견이 건식 사료를 좋아하는지 습식사료를 좋아하는지, 또는 반려견이 좋아하는 향미나 재료가 무엇인지 등과 같이 반려견의 사료에 대한 선호도를 동시에 고려하여 추천할 수 있다면 한층 사료추천의 만족도를 높일 수 있을 것이다. 이 때 적합 영양성분은 동일한 특성을 가지는 반려견에게 동시에 적용될 수 있기 때문에 동일한 특성의 반려견별로 프로파일링 하는 것이 적합한데 비해 선호사료 정보는 동일한 특성의 반려견이라도 개별적으로 선호도는 다를 수 있기 때문에 적합 영양성분과 선호 사료 정보를 동시에 고려하는 형태로 추천이 이루어지기 보다는 적합영양성분 기준의 추천과 선호기반의 추천이 별도로 이루어지도록 구현하는 것이 바람직 할 것이다.

참고문헌 (11)

Almeida, D., Personalized Food Recommendations, Dissertation of MS, Tecnico Risboa, 2015.
Bengio, Y., Simard, P., and Frasconi, P., "Learning long-term dependencies with gradient descent is difficult", IEEE Transactions on Neural Networks, Vol. 5, No. 2, 1994, pp. 157-166.

상세보기
Forbes, P. and Zhu, M., "Content-boosted Matrix Factorization for Recommender Systems: Experiments with Recipe Recommendation", RecSys 2011 Proceedings of the fifth ACM conference on Recommender systems, 2011, pp. 261-264.
Freyne, J. and Berkovsky, S., "Recommending food: Reasoning on recipes and ingredients", In Proceedings of the 18th International Conference on User Modeling, Adaptation, and Personalization, Vol. 6075, 2010, pp. 381-386.
Koren, Y. and Sill, J., "Collaborative Filtering on Ordinal User Feedback", ACM Conference on Recommendation Systems (RecSys'11), 2011.
Lin, C. J., Kuo, T. T., and Lin, S. D., "A Content-Based Matrix Factorization Model for Recipe Recommendation", Advances in Knowledge Discovery and Data Mining, Vol. 8444, 2014.
Pazzani, M. J. and Billsus, D., "Content-Based Recommendation Systems", The Adaptive Web, Vol. 4321, 2007, pp. 325-341.
Rendle, S., Freudenthaler, C., and Schmidt-Thieme, L., "Factorizing personalized markov chains for next-basket recommendation", In WWW Conference, 2010, pp. 811-820.
Sato, M., Izumo, H., and Sonoda, T., "Discount Sensitive Recommender System for Retail Business", Proceedings of the 3rd Workshop on Emotions and Personality in Personalized Systems, 2015, pp. 33-40.
Ueda, M., Takahata, M., and Nakajima, S., "User's food preference extraction for personalized cooking recipe recommendation", In CEUR Workshop Proceedings, Vol. 781, 2011, pp. 98-105.
Wang, J., Sarwar, B., and Sundaresan, N., "Utilizing related products for post-purchase recommendation in e-commerce", Proceedings of the fifth ACM Conference on Recommender Systems, 2011, pp. 329-332.

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