[논문]사용자 기반의 협력필터링을 위한 퍼지 논리를 이용한 새로운 유사도 척도

이수정

doi:10.32431/kace.2018.21.5.006

사용자 기반의 협력필터링을 위한 퍼지 논리를 이용한 새로운 유사도 척도
A New Similarity Measure using Fuzzy Logic for User-based Collaborative Filtering 원문보기

컴퓨터교육학회논문지 = The Journal of Korean Association of Computer Education, v.21 no.5, 2018년, pp.61 - 68

초록
AI-Helper

협력 필터링은 다수의 상업용 추천 시스템에서 구현되어 온라인 사용자들에게 성공적으로 서비스되고 있는 핵심적 기술이다. 이 기술은 현 사용자와 유사한 평가이력을 가진 다른 사용자들로부터 항목을 추천하기 때문에, 유사도 척도는 시스템 성능에 매우 큰 영향을 미친다. 본 연구에서는 기존 유사도 측정 방법의 문제점을 해결하고자 퍼지 논리에 입각하여 사용자 평가등급의 주관성 및 모호성과 사용자들의 평가 행태를 반영하는 새로운 유사도 척도를 제안한다. 성능 평가를 위한 다양한 실험을 실시하였고, 그 결과 제안 방법은 예측 정확도와 추천 정확도 면에서 우수한 성능 개선 효과를 보였다.

Abstract ▼ AI-Helper

Collaborative filtering is a fundamental technique implemented in many commercial recommender systems and provides a successful service to online users. This technique recommends items by referring to other users who have similar rating records to the current user. Hence, similarity measures critically affect the system performance. This study addresses problems of previous similarity measures and suggests a new similarity measure. The proposed measure reflects the subjectivity or vagueness of user ratings and the users' rating behavior by using fuzzy logic. We conduct experimental studies for performance evaluation, whose results show that the proposed measure demonstrates outstanding performance improvements in terms of prediction accuracy and recommendation accuracy.

주제어

AI 본문요약
AI-Helper

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

문제 정의

SM 척도는 각 항목에 대한 사용자들의 평가행태를 반영한 흔치 않은 연구 결과이므로, 본 연구의 제안 방법과 성능 비교를 위하여 포함하였다.
본 연구에서는 기존 유사도 척도들의 두 가지 중요한 문제점들을 동시에 다루고자 한다. 첫째는 사용자 평가등급의 주관성 및 모호성 문제이며, 둘째는 각 항목을 평가한 전체 사용자들의 평가행태를 반영하는 문제이다.
또한, 각 항목에 대한 평가등급이 독립적으로 취급되어 전체 사용자들의 평가 행태를 반영하지 못한다[4][5]. 본 연구에서는 이러한 문제점들을 개선한 새로운 유사도 측정방식을 제안한다. 퍼지 이론에 입각하여 평가등급의 퍼지값을 구하고 이를 이용한 유사도값을 산출한다.
본 연구에서는 협력 필터링 시스템을 위한 새로운 유사도 척도를 제안하였다. 제안 방법은 기존 방법의 두 가지 주요한 문제점을 모두 다루었다는 점에서 차별화된다.
이제 두 번째 문제에 대해 언급하자면, 특정 공통평가항목 x와 y에 대한 두 사용자의 평가등급 차이가 동일하다고 할지라도, 각 항목을 평가한 모든 사용자들의 평가등급 범위가 다르다면 차이가 동일하지 않은 것으로 취급하고자 한다. 예를 들어, 사용자 u의 두 항목에 대한 평가등급이 모두 3이고, 사용자 v는 모두 5라고 하자.

가설 설정

사용자의 선호 여부를 결정하는 한계값은 4로 선정하였다. 즉, 항목 평가값이 4 이상이면 사용자가 선호하는 것으로 가정하였다.

제안 방법

협력 필터링 시스템에서는 항목에 대한 평가기록이 유사한 사용자들은 향후 다른 항목에 대한 평가도 유사하게 부여할 것이라는 가정에 근거를 둔다. 따라서, 현 사용자가 미평가한 항목 x의 예상 평가치를 산출하기 위해서, 우선 모든 다른 사용자들을 대상으로 평가기록을 참조하여 현 사용자와의 유사도를 측정한다. 현 사용자 u의 인접이웃 사용자들(Nearest Neighbors, NN)로부터 항목 x에 대한 평가치를 참조하여 x에 대한 예상 평가치를 구하는데, 인접이웃이란 미리 정해진 한계점을 넘는 유사도값을 가진 사용자들 또는 시스템 매개변수로서 미리 정해진 수의 사용자들을 일컫는다[6].
우선 첫번째 문제에 대한 해결 방안으로서, 각 사용자 평가등급을 퍼지값으로 변환하여 유사도를 산출한다. [그림 1]은 다음 절의 실험에서 사용할 세 가지 퍼지함수를 제시한다.
이러한 상대적인 차이를 계상하기 위하여, 우선각 사용자의 평가등급을 해당 항목의 모든 평가등급에 대한 상대적인 퍼지값으로 변환하고, 유사도 산출 대상의 두 사용자의 모든 공통평가항목들에 대해서 이와 같이 구한 퍼지값들의 평균차이를 가중치로 정의한다. 마지막으로, 식 (2)에 이러한 가중치를 부과하여 최종적인 유사도값을 산출한다.
기존 유사도 척도들의 또다른 문제점은 각각의 평가등급을 독립적으로 취급하기 때문에, 사용자들의 전반적인 평가 행태를 고려하지 않는다는 점이다. 일부 연구 결과에서는 Shannon이 제안한 엔트로피(entropy)[14]를 활용하여 추가적인 정보를 개발하고 이를 기존의 유사도 척도에 병합함으로써 이러한 문제점을 개선하려 하였다. [5]의 방법은 두 사용자의 평가등급 엔트로피 차이값을 전통적 유사도 척도에 통합하여 유사도를 계산하였고, [15]은 사용자 평가등급 차이의 엔트로피를 피어슨 상관도와 접목하였다.
제안 방법은 평균자승차이(mean squared differences, MSD)를 기본으로 하여 퍼지화된 평가등급들 간의 유사도를 측정한다. 우선 MSD에 대해 설명하자면, r_u,i를 사용자 u의 항목 i에 대한 평가등급이라고 하고, I_{u, v}를 두 사용자 u와 v의 공통평가항목집합이라고 할 때, 두 사용자 간 MSD는 다음과 같이 계산된다.
추천 정확도의 측정을 위해서는 문헌에서 주로 사용되는 정밀도(precision)와 재현율(recall)을 도입하였다. 정밀도는 모든 추천 항목들 중에서 사용자가 선호하는 항목들 개수의 비율이며, 재현율은 모든 사용자의 선호 항목들 중 실제로 추천된 항목들 개수의 비율이다.
본 연구에서는 이러한 문제점들을 개선한 새로운 유사도 측정방식을 제안한다. 퍼지 이론에 입각하여 평가등급의 퍼지값을 구하고 이를 이용한 유사도값을 산출한다. 또한, 각 항목을 평가한 전체 사용자들의 평가등급을 퍼지화하여 유사도를 산출하기 위한 가중치로 활용한다.

이론/모형

대개 협력 필터링 시스템의 성능은 크게 두 가지 측면, 즉, 예측 정확도와 추천 정확도로서 평가된다[16]. 본 연구에서는 예측 정확도의 대표적인 평가 척도로서 관련 연구에서 주로 사용하는 MAE (Mean Absolute Error)[7]를 도입하였고 이 척도는 다음과 같이 정의된다.
첫째는 사용자 평가등급의 주관성 및 모호성 문제이며, 둘째는 각 항목을 평가한 전체 사용자들의 평가행태를 반영하는 문제이다. 본 연구의 제안 척도에서는 이들 문제의 해결을 위해 퍼지 이론을 이용한다.
예측 정확도 측정을 위한 또다른 척도로서 RMSE(Root Mean Squared Error)를 도입하였다. 이 척도는 넷플릭스 대회[6]를 계기로 많이 활용되어 왔는데, MAE보다 에러 크기를 더욱 증폭 반영하며 다음과 같이 정의한다.
제안 방법의 성능 측정을 위해 관련 연구에서 널리 사용되는 공개 데이타셋인 Jester를 활용한다. 이 데이타셋의 허용 평가범위는 –10 부터+10 사이의 실수값이며, 사용자수가 998명, 항목 수가 100, 각 사용자당 평가개수는 36^~100개인 특성을 지녔다.

성능/효과

결과적으로 메모리 기반 CF에서는 과 같은 사용자-항목 매트릭스를 유지 관리하는데, 수치는 해당 항목에 대한 사용자의 선호 강도를 나타낸다.
이는 추천 성능의 측정을 위해서는 한계값인 4보다 크기만 하면 사용자가 선호하는 것으로 간주하므로, 예측 정확도에서와 같은 정밀한 측정을 요구하지 않기 때문에 퍼지 집합 개수의 차이가 큰 영향을 주지 않는 것으로 판단된다. 그러나, 퍼지 집합 개수가 매우 적은 수인 둘인 경우에는 2SET_F의 결과에서 볼 수 있듯이 3SET_F나 5SET_F보다 현저히 저하된 성능을 나타내는 것으로 확인되었다.
다른 유사도 척도들의 추천 성능을 살펴보면 예측 성능 결과와 다소 다른 양상을 보이는데, 인접이웃수가 80을 넘을 때 3SET_F의 성능이 대체로 미미하지만 가장 우수하고, 5SET_F와 NO_F는 전반적으로 뚜렷한 성능 차이를 나타내지 않는다. 이는 추천 성능의 측정을 위해서는 한계값인 4보다 크기만 하면 사용자가 선호하는 것으로 간주하므로, 예측 정확도에서와 같은 정밀한 측정을 요구하지 않기 때문에 퍼지 집합 개수의 차이가 큰 영향을 주지 않는 것으로 판단된다.
그 이유는 Jester 데이타셋은 매우 밀집되어 있어, 각 항목에 대한 평가개수가 322^~998로 상당히 많으므로, 평가치의 특이성 개념이 유효하게 작용하지 않기 때문인 것으로 판단된다. 또한 MAE 보다 RMSE에서 다른 유사도 척도들보다 상대적으로 더욱 저조한 성능을 보이므로, SM을 통해 산출되는 개별적인 에러 크기가 더욱 크다는 것을 알 수 있다.
[그림 2]는 인접이웃수의 변화에 따른 예측 정확도를 보여준다. 미평가 항목에 대한 평가치를 참조할 인접이웃수가 증가함에 따라 에러 크기는 감소하며, 대략 30명 이상에 대해서 MAE와 RMSE 모두 안정적인 결과를 보임을 알 수 있다. 매우 특이한 점은 SM의 결과인데, SM은 MSD를 기반으로 하고 여기에 특이성(singularity) 값을 가중치로 통합하여 유사도를 산출한다.
또한, 각 항목을 평가한 전체 사용자들의 평가등급을 퍼지화하여 유사도를 산출하기 위한 가중치로 활용한다. 실험을 통하여 다양한 퍼지 함수에 대한 성능 측정을 실시하였고, 기존의 유사도 척도들과 비교하였으며, 그 결과, 제안 척도의 우수성을 입증하였다.
정밀도와 재현율은 정의에 따라 서로 역의 관계를 가지므로[그림 3]에서 정밀도가 증가함에 따라 재현율은 감소하는 경향을 보인다. 예측 정확도의 결과와 마찬가지로 SM의 결과가 가장 저조하나, 다른 유사도 척도들에 비해 인접이웃 수의 증가에 따라 성능 개선의 속도가 다소 가파르게 진행되는 경향을 볼 수 있다. 이는 정밀도와 재현율 모두에서 확인된다.
[그림 2]에서 제안 방법의 성능은 두 개의 퍼지 집합을 사용했을 때 원래의 방법(NO_F)보다 낮았으나, 퍼지 집합 개수를 증가시킴에 따라 성능이 좋아짐을 확인할 수 있다. 즉, 3SET_F의 성능은 NO_F와 거의 동일하였고, 5SET_F의 성능은 가장 우수함을 보였다. 이는 Jester 데이타셋의 평가범위가 20으로서 매우 크므로, [그림 1](c)와 같이 많은 수의 퍼지집합을 사용하여 평가등급을 변환하는 것이 두 평가등급 간의 차이를 더욱 정밀하게 표현할 수 있기 때문인 것으로 분석된다.
매우 특이한 점은 SM의 결과인데, SM은 MSD를 기반으로 하고 여기에 특이성(singularity) 값을 가중치로 통합하여 유사도를 산출한다. 즉, MSD의 부족한 점을 보완하고자 개발된 것임에도 불구하고, [그림 2]에서 보이듯이 MSD 자체(NO_F)보다도 현저히 저조한 성능 결과를 나타냈다. 그 이유는 Jester 데이타셋은 매우 밀집되어 있어, 각 항목에 대한 평가개수가 322^~998로 상당히 많으므로, 평가치의 특이성 개념이 유효하게 작용하지 않기 때문인 것으로 판단된다.
첫째는 사용자 평가등급의 주관성 및 모호성이며, 둘째는 전체 사용자의 평가 행태를 반영한 것이다. 퍼지 이론을 활용하여 새로운 유사도 척도를 개발하였고, 다양한 퍼지 함수에 대해 실험한 결과 예측 정확도와 추천 정확도 측면 모두에서 우수한 성능을 나타냈다.

후속연구

실험에 사용한 퍼지 함수는 모두 세 종류로서 최적의 성능 도출을 목표로 하여 정의된 것은 아니므로, 향후 또다른 형태의 퍼지 함수를 활용하여 성능 조사를 실시하는 연구가 필요할 수 있다. 또한 서로 다른 퍼지 함수를 복합적으로 적용한 유사도 척도에 대한 실험도 필요하다고 본다. 마지막으로, 본문에서 사용한 데이터셋과는 다른 특성을 가진 데이터셋들을 사용한 실험도 향후 수행할 계획이다.
또한 서로 다른 퍼지 함수를 복합적으로 적용한 유사도 척도에 대한 실험도 필요하다고 본다. 마지막으로, 본문에서 사용한 데이터셋과는 다른 특성을 가진 데이터셋들을 사용한 실험도 향후 수행할 계획이다.
그러나, 이러한 연구들이 성능 개선에 도움이 되었을지라도, 각 사용자 중심의 방법이므로, 대개의 실제 시스템에서처럼 사용자의 평가개수가 적을 때는 효과를 발휘하지 못한다. 사용자 중심이 아닌 각 항목에 대한 평가치들을 기준으로 하는 추가 정보를 정의하고 이를 평균자승차이 유사도 척도에 통합한 Bobadilla 외 2인[4]의 연구 결과가 있으나, 이 연구에서 제안한 특이성(singularity) 개념은 미리 정한 한계치에 의해 고평가등급와 저평가등급을 결정하기 때문에 이 한계치에 따라 시스템 성능이 좌우되며, 각 항목별 평가등급 데이터의 분포 특성을 반영하지 않는다는 문제점이 있다.
실험에 사용한 퍼지 함수는 모두 세 종류로서 최적의 성능 도출을 목표로 하여 정의된 것은 아니므로, 향후 또다른 형태의 퍼지 함수를 활용하여 성능 조사를 실시하는 연구가 필요할 수 있다. 또한 서로 다른 퍼지 함수를 복합적으로 적용한 유사도 척도에 대한 실험도 필요하다고 본다.

질의응답

핵심어	질문	논문에서 추출한 답변
	협력 필터링 시스템은 어떻게 분류되는가?	협력 필터링 시스템은 크게 메모리 기반과 모델 기반으로 분류된다. 모델 기반 시스템은 사용자의 항목 평가 데이터로부터 모델을 구축하는데 이를 위해 다양한 기계학습 기술이 사용될 수 있다[1][2].
	협력 필터링 시스템의 대표적인 상업용 추천 시스템에는 무엇이 있는가?	항목이란 시스템에서 취급하는 소재에 따라 다양할 수 있는데, 서적, 영화, 음악 등이 그 예이다. 대표적인 상업용 추천 시스템으로서 아마존, Barns&Noble 등이 있다.
	협력 필터링 시스템은 무엇인가?	협력 필터링 시스템(collaborative filtering, CF)은 주로 온라인 상에서 사용자들에게 항목을 추천하기 위해 개발된 추천시스템(recommender system)의 주요 기술이다[1]. 항목이란 시스템에서 취급하는 소재에 따라 다양할 수 있는데, 서적, 영화, 음악 등이 그 예이다.

참고문헌 (16)

Su, X., & Khoshgoftaar, T. M. (2009). A survey of collaborative filtering techniques. Advances in Artificial Intelligence, 2009.
이수정 (2016). 사용자 기반의 협력필터링 시스템을 위한 유사도 측정의 최적화. 컴퓨터교육학회논문지, 19(1), 111-118.

원문보기 상세보기
Al-Shamri, M.Y.H. & Al-Ashwal, N.H. (2014). Fuzzy-weighted similarity measures for memory-based collaborative recommender systems. Journal of Intelligent Learning Systems and Applications, 6, 1-10.

상세보기
Bobadilla, J., Ortega, F., & Hernando, A. (2012). A collaborative filtering similarity measure based on singularities. Information Processing and Management, 48(2), 204-217.

상세보기
Kwon, H.-J., Lee, T.-H., & Hong, K.-S. (2009). Improving prediction accuracy using entropy weighting in collaborative filtering. Symposia and Workshops on Ubiquitous, Autonomic and Trusted Computing, (pp. 40-45).
Cacheda, F., Carneiro, V., Fernandez, D., & Formoso, V. (2011). Comparison of collaborative filtering algorithms: limitations of current techniques and proposals for scalable, high-performance recommender systems. ACM Transactions on Web, 5(1), 1-33.
Resnick, P., Iacovou, N., Suchak, M., Bergstrom, P., & Riedl, J. (1994). GroupLens: an open architecture for collaborative filtering of netnews. In Proceedings of the ACM Cconference on Computer Supported Cooperative Work (pp. 175-186). ACM
Bellogin, A. & de Vries, A.P. (2013). Understanding similarity metrics in neighbour-based recommender systems. Proceedings of the Conference on the Theory of Information Retrieval.
Saranya, K.G., Sadasivam, G.S., & Chandralekha, M. (2016). Performance comparison of different similarity measures for collaborative filtering technique. Indian Journal of Science and Technology, 9(29), 1-8.
Boulkrinat, S., Hadjali, A., & Mokhtari, A. (2013). Towards recommender systems based on a fuzzy preference aggregation. Proceeding of the Eighth Conference of the European Society for Fuzzy Logic and Technology (pp. 146-153).
Herrera-Viedma, E.S.-G., Olivas, J.A., Cerezo, A., & Romero, F.P. (2011). A Google wave-based fuzzy recommender system to disseminate information in university digital libraries 2.0. Information Sciences, 181(9), 1503-1516.

상세보기
Son, L.H. (2014). HU-FCF: A hybrid user-based fuzzy collaborative filtering method in recommender systems. Expert Systems with Applications, 41, 6861-6870.

상세보기
S. Lee. (2017). Similarity measures using fuzzified ratings for collaborative filtering. Frontiers in Artificial Intelligence and Applications, 299, 269-274.
Shannon, C.E. (1951). Prediction and entropy of printed English. The Bell System Technical Journal, 30, 50-64.

상세보기
Wang, W., Zhang, G., & Lu, J. (2015). Collaborative filtering with entropy-driven user similarity in recommender systems. International Journal of Intelligent Systems, 30(8), 854-870.

상세보기
Herlocker, J. L., Konstan, J. A., Terveen, L. G., & Riedl, J. T. (2004). Evaluating collaborative filtering recommender systems. ACM Transactions on Information Systems, 22(1), 5-53.

상세보기

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