[논문]Utilizing Fuzzy Logic for Recommender Systems

Lee, Soojung

doi:10.9708/jksci.2018.23.08.045

Utilizing Fuzzy Logic for Recommender Systems 원문보기

韓國컴퓨터情報學會論文誌 = Journal of the Korea Society of Computer and Information, v.23 no.8, 2018년, pp.45 - 50

Lee, Soojung (Dept. of Computer Education, Gyeongin National University of Education)

Abstract ▼ AI-Helper

Many of the current successful commercial recommender systems utilize collaborative filtering techniques. This technique recommends products to the active user based on product preference history of the neighbor users. Those users with similar preferences to the active user are typically named his/her neighbors. Hence, finding neighbors is critical to performance of the system. Although much effort for developing similarity measures has been devoted in the literature, there leaves a lot to be improved, especially in the aspect of handling subjectivity or vagueness in user preference ratings. This paper addresses this problem and presents a novel similarity measure using fuzzy logic for selecting neighbors. Experimental studies are conducted to reveal that the proposed measure achieved significant performance improvement.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 위에서 언급한 여러 문제점들을 개선할 수 있는 새로운 유사도 척도를 제안한다. 퍼지 로직을 이용하여 평가등급을 퍼지화하고, 각 항목에 대한 전체 사용자의 평가등급의 퍼지 순위를 유사도 척도에 반영한다.
따라서 구현이 보다 용이하여 대개의 상업 시스템에서 사용하는 방식이다. 본 연구에서는 이러한 메모리 기반의 시스템에서 현 사용자와 유사한 사용자들을 산출하기 위한 새로운 유사도 척도를 제안한다.
본 연구에서는 퍼지 이론에 기반하여 사용자 평가치의 모호성과 주관성을 반영하고, 기존의 퍼지 활용 방식들과는 달리 각 항목의 평가치들을 통해 모든 사용자의 평가 행태를 고려함으로써 전체 맥락 정보를 밝혀내어 유사도 산출에 접목하는 방안을 제시한다. 제안하는 유사도 척도는 평가치만을 입력값으로 하기 때문에, 여타 인구학적 정보 등이 필요하지 않아 보다 용이한 구현이 가능하다.
본 연구에서는 협력필터링 시스템에서 인접 이웃의 산출을 위해 사용하는 새로운 유사도 척도를 제안하였다. 제안 방식은 사용자 평가등급의 모호성과 주관성, 그리고 각 항목을 평가한 모든 사용자들의 평가등급을 고려하여 사용자 평가등급을 퍼지값으로 변환하고, 기존의 코사인 유사도 척도를 이용하여 유사도값을 산출한다.

제안 방법

1. 시스템에서 선택한 유사도 척도를 사용하여, 현 사용자 u와 유사한 평가등급 이력을 가진 다른 사용자들의 집합, 즉 인접이웃집합을 산출한다. 이 집합을 NNu라고 하고, 집합의 크기는 시스템 성능에 의거하여 결정한다.
일반적으로, 소속값이 1에 해당하는 구간의 길이는 (max-min)/9이며, 소속값이 0과 1 사이에 해당하는 구간의 길이는 2*(max-min)/9로 정의한다. 그러나, 다음절에서 소개할 MovieLens 데이타셋은 1부터 5까지의 등급을 사용하여 범위가 작기 때문에, 평가등급을 다섯 개의 퍼지값으로 변환하기 위해서 [1]에서 제안한 방식을 사용하기로 한다. 구체적으로, 사용자 u가 부여한 항목 x에 대한 평가값에 대해 평균으로부터의 편차값, 즉,#을 퍼지 속성값으로 변환한다.
첫째는, 앞 절에서 설명한대로 각 사용자 평가등급에 퍼지함수를 적용한다. 둘째, 각 항목에 대해서, 이를 평가한 모든 사용자들의 평가등급에 대비하여 산출되는 순위에 대해서 퍼지함수를 적용한다. 이는 두 사용자의 평가등급을 전체 사용자들의 평가 행태를 고려하여 상대적으로 평가하기 위함이다.
사용자 평가등급의 주관성 및 모호성을 반영하기 위하여, 각 사용자 평가등급을 퍼지값으로 변환하여 유사도를 산출한다. 그림 1과 같은 여러 퍼지 함수를 적용하여, 다음 절에서 실험을 통해 그 성능을 산출하여 비교할 것이다.
희소성 수준(sparsity level)은 1-총평가개수/행렬크기로 산출한다. 전체 데이터는 훈련 데이터와 시험 데이터로 나누어, 훈련 데이터를 이용하여 각 사용자의 인접 이웃(NN)을 구한 후에, 시험 데이터를 이용하여 평가기준에 따른 실험 결과를 산출하였다. 훈련 데이터와 시험 데이타의 비율은 80:20으로 구성하였다.
제안 방법은 두 가지 측면에서 평가등급의 퍼지화를 실시한다. 첫째는, 앞 절에서 설명한대로 각 사용자 평가등급에 퍼지함수를 적용한다.
본 연구에서는 협력필터링 시스템에서 인접 이웃의 산출을 위해 사용하는 새로운 유사도 척도를 제안하였다. 제안 방식은 사용자 평가등급의 모호성과 주관성, 그리고 각 항목을 평가한 모든 사용자들의 평가등급을 고려하여 사용자 평가등급을 퍼지값으로 변환하고, 기존의 코사인 유사도 척도를 이용하여 유사도값을 산출한다. 제안 척도의 성능을 파악하기 위하여, 다양한 퍼지 함수를 적용하였고, 서로 다른 특성을 가진 데이터셋을 이용하여 실험하였다.
제안 방식은 사용자 평가등급의 모호성과 주관성, 그리고 각 항목을 평가한 모든 사용자들의 평가등급을 고려하여 사용자 평가등급을 퍼지값으로 변환하고, 기존의 코사인 유사도 척도를 이용하여 유사도값을 산출한다. 제안 척도의 성능을 파악하기 위하여, 다양한 퍼지 함수를 적용하였고, 서로 다른 특성을 가진 데이터셋을 이용하여 실험하였다. 그 결과 원 평가등급 자체가 아닌 퍼지 변환값만을 사용하였음에도 불구하고 예측 성능과 추천 성능의 두 가지 측면 모두에서 기존보다 우수한 성능을 나타냈다.

대상 데이터

제안 척도의 성능을 조사하기 위하여 관련 연구 분야에서 많이 활용되는 개방형 데이터셋을 이용하였다. 의도적으로 서로 다른 특성을 가진 두 개의 데이터셋을 선택하였는데, 이는 척도들의 성능을 다양한 환경하에서 세밀히 점검하기 위함이다.

이론/모형

CF 시스템을 구현하는 방법으로서 모델 기반 방식과 메모리 기반 방식이 개발되었다[2][3]. 모델 기반 방식은 사용자의 평가등급으로부터 모델을 구축하기 위하여 latent semantic models, Bayesian belief networks, clustering, matrix factorization 등과 같은 다양한 알고리즘을 활용한다. 그러나, 이러한 모델 구축에 드는 비용이 매우 크고, 한 번 구축한 후에는 사용자들의 실시간적으로 변화하는 평가등급을 반영하기 어려운 단점이 있다.

성능/효과

2. 사용자 u가 아직 미평가한 항목 x에 대해 추천 여부를 결정하기 위하여, 사용자 u가 x에 대해 부여할 평가등급 r′u,x을 예측한다.
3. 2번 절차에 의해서 모든 미평가항목에 대해 등급 예측이 완료되면, 가장 높은 예측등급 순으로 항목들을 추천한다. 추천 항목개수는 시스템이 미리 정해 놓은 예측 등급의 한계치에 의해 결정된다.
MovieLens 결과와는 달리 FUZZY_3SET의 결과가 두 성능지표에서 모두 가장 우수하며 NO_FUZZY의 성능은 이와 약간의 경쟁력이 있는 것으로 나타났다. 즉, FUZZY_2SET의 성능이 가장 나쁜데, 이는 평가범위가 큰 BookCrossing 데이타셋에서 단지 두 개의 퍼지집합만으로 평가등급을 변환하는 것이 낮은 정밀도를 갖기 때문인 것으로 판단된다.
결론적으로, 데이터셋의 속성에 따라 적절한 퍼지화 함수를 사용하였을 때, 제안 방법을 사용하는 협력 필터링 시스템의 성능이 원래의 유사도 척도를 사용했을 때보다 크게 개선될 수 있음을 확인할 수 있다.
제안 척도의 성능을 파악하기 위하여, 다양한 퍼지 함수를 적용하였고, 서로 다른 특성을 가진 데이터셋을 이용하여 실험하였다. 그 결과 원 평가등급 자체가 아닌 퍼지 변환값만을 사용하였음에도 불구하고 예측 성능과 추천 성능의 두 가지 측면 모두에서 기존보다 우수한 성능을 나타냈다. 또한 성능 개선 정도는 실험에 사용한 데이터셋과 제안한 유사도 척도에 적용한 퍼지함수의 종류에 따라 차이를 나타냈으므로, 향후 이와 관련된 더욱 심화된 연구가 필요할 것으로 보인다.
즉, 인접이웃수가 한계치에 도달하면 더 이상 이웃의 평가등급을 참조하는 것이 평가치 예측의 에러를 감소시키는데에 효과가 없음을 알 수 있다. 두 평가지수 모두에 있어서 전통적 방식인 코사인 유사도를 사용한 NO_FUZZY의 성능이 가장 낮으며, 본 연구의 제안 방법이 이를 크게 개선하는 것으로 나타났다. 따라서 원 평가등급을 그대로 사용하는 것보다 사용자 평가등급의 주관성과 전체 평가등급 행태를 반영한 방식이 우수함을 입증하는 것이다.
퍼지 로직을 이용하여 평가등급을 퍼지화하고, 각 항목에 대한 전체 사용자의 평가등급의 퍼지 순위를 유사도 척도에 반영한다. 또한 매우 다른 성격의 두 데이터셋에 대해 제안한 척도를 실험함으로써 다양한 데이터 환경에서 제안 척도의 성능을 점검하여 그 우수성을 확인하였다.
본 연구에서는 퍼지함수로써 삼각함수 또는 사다리꼴 함수를 사용하였으나, 가우시안 등 다른 함수의 사용도 가능하며, 또한 퍼지소속함수의 개수를 2, 3, 5가 아닌 다른 값으로 정의할 수도 있다. 다만, 본 연구 목적이 최적의 퍼지함수 개발이 아니라, 평가등급을 퍼지화하여 유사도를 계산하는 방법의 개발이므로, 그림 1의 세 가지 예시 함수만을 사용하기로 한다.
본 연구에서는 퍼지 이론에 기반하여 사용자 평가치의 모호성과 주관성을 반영하고, 기존의 퍼지 활용 방식들과는 달리 각 항목의 평가치들을 통해 모든 사용자의 평가 행태를 고려함으로써 전체 맥락 정보를 밝혀내어 유사도 산출에 접목하는 방안을 제시한다. 제안하는 유사도 척도는 평가치만을 입력값으로 하기 때문에, 여타 인구학적 정보 등이 필요하지 않아 보다 용이한 구현이 가능하다.
전반적으로 인접이웃수가 증가함에 따라 MAE는 초기에 급격히 감소하다가 안정화되는 경향을 보인다. 즉, 인접이웃수가 한계치에 도달하면 더 이상 이웃의 평가등급을 참조하는 것이 평가치 예측의 에러를 감소시키는데에 효과가 없음을 알 수 있다. 두 평가지수 모두에 있어서 전통적 방식인 코사인 유사도를 사용한 NO_FUZZY의 성능이 가장 낮으며, 본 연구의 제안 방법이 이를 크게 개선하는 것으로 나타났다.
이는 MovieLens 데이터셋의 평가범위가 작으므로 각 사용자 평가등급을 많은 수의 퍼지 속성값으로 변환하여 사용하는 것이 오히려 역효과를 나타냄을 의미한다. 특히 5개의 퍼지집합을 사용한 FUZZY_5SET의 F1 성능은 다른 두 퍼지화 방법보다 훨씬 뒤떨어짐이 확인되었다.
퍼지함수를 적용한 척도들 중에서는 FUZZY_2SET의 성능이 가장 뛰어난 것으로 나타났다. 이는 MovieLens 데이터셋의 평가범위가 작으므로 각 사용자 평가등급을 많은 수의 퍼지 속성값으로 변환하여 사용하는 것이 오히려 역효과를 나타냄을 의미한다.

후속연구

그 결과 원 평가등급 자체가 아닌 퍼지 변환값만을 사용하였음에도 불구하고 예측 성능과 추천 성능의 두 가지 측면 모두에서 기존보다 우수한 성능을 나타냈다. 또한 성능 개선 정도는 실험에 사용한 데이터셋과 제안한 유사도 척도에 적용한 퍼지함수의 종류에 따라 차이를 나타냈으므로, 향후 이와 관련된 더욱 심화된 연구가 필요할 것으로 보인다.

참고문헌 (17)

M.Y.H. Al-Shamri and N.H. Al-Ashwal, "Fuzzy-weighted Similarity Measures for Memory-based Collaborative Recommender Systems," Journal of Intelligent Learning Systems and Applications, Vol. 6, pp. 1-10, 2014.

상세보기
X. Su and T.M. Khoshgoftaar, "A Survey of Collaborative Filtering Techniques," Advances in Artificial Intelligence, Vol. 2009, Article ID 421425, 19 pages, 2009.
K.G. Saranya, G.S. Sadasivam, and M. Chandralekha, "Performance Comparison of Different Similarity Measures for Collaborative Filtering Technique," Indian Journal of Science and Technology, Vol. 9, No. 29, 2016.
A. Bellogin and A.P. de Vries, "Understanding Similarity Metrics in Neighbour-based Recommender Systems," Proceedings of the 2013 Conference on the Theory of Information Retrieval, 2013.
J. Bobadilla, F. Ortega, and A. Hernando, "A Collaborative Filtering Similarity Measure based on Singularities," Information Processing and Management, Vol. 48, No. 2, pp. 204-217, 2012.

상세보기
H. Liu, Z. Hu, A. Mian, H. Tian, and X. Zhu, "A New User Similarity Model to Improve the Accuracy of Collaborative Filtering," Knowledge-Based Systems, Vol. 56, pp. 156-166, 2014.

상세보기
M. Jamali and M. Ester, "Trustwalker: A Random Walk Model for Combining Trust-based and Item-based Recommendation," Proceedings of the 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. ACM, pp. 397-406, 2009.
H.-J. Kwon, T.-H. Lee, J.-H. Kim, and K.-S. Hong, "Improving Prediction Accuracy using Entropy Weighting in Collaborative Filtering," Symposia and Workshops on Ubiquitous, Autonomic and Trusted Computing, pp. 40-45, 2009.
S. Lee, "Entropy-weighted Similarity Measures for Collaborative Recommender Systems," Int'l Conf. Mathematical Methods & Computational Techniques in Science & Engineering, Feb. 2018.
L.H. Son, "HU-FCF: A Hybrid User-based Fuzzy Collaborative Filtering Method in Recommender Systems," Expert Systems with Applications, Vol. 41, pp. 6861-6870, 2014.

상세보기
F. Cacheda, V. Carneiro, D. Fernandez, and V. Formoso, "Comparison of Collaborative Filtering Algorithms: Limitations of Current Techniques and Proposals for Scalable, High-performance Recommender Systems," ACM Transactions on the Web, Vol. 5, No. 1, pp. 1-33, 2011.
P. Resnick, N. Lakovou, M. Sushak, P. Bergstrom, and J. Riedl, "Grouplens: An Open Architecture for Collaborative Filtering of Netnews," Proc. the ACM Conference on Computer Supported Cooperative Work. ACM Press, pp. 175-186, 1994.
G. Koutrica, B. Bercovitz, and H. Garcia, "FlexRecs: Expressing and Combining Flexible Recommendations," Proc. of the ACM SIGMOD Int'l Conf. on Management of Data, pp. 745-758, 2009.
C.W.-K. Leung, S.C.-F. Chan, and F.-L. Chung, "A Collaborative Filtering Framework based on Fuzzy Association Rules and Multiple-level Similarity," Knowledge and Information Systems, Vol. 10, No. 3, pp. 357-381, 2006.

상세보기
S. Boulkrinat, A. Hadjali, and A. Mokhtari, "Towards Recommender Systems based on a Fuzzy Preference Aggregation," Proceeding of the Eighth Conference of the European Society for Fuzzy Logic and Technology (EUSFLAT-13), pp. 146-153, 2013.
E.S.-G. Herrera-Viedma, J.A. Olivas, A. Cerezo, and F.P. Romero, "A Google Wave-based Fuzzy Recommend er System to Disseminate Information in University Digital Libraries 2.0," Information Sciences, Vol. 181, No. 9, pp. 1503-1516, 2011.

상세보기
F.P. Romero, M. Ferreira-Satler, J.A. Olivas, M.E. Prieto-Mendez, and V.H. Menendez-Dominguez, "A Fuzzy-based Recommender Approach for Learning Objects Management Systems," Proceeding of the IEEE 11th International Conference on Intelligent Systems Design and Applications (ISDA), pp. 984-989, 2011.

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