$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

암시적 피드백 데이터의 행렬 분해 기반 누락 데이터 모델링
Missing Data Modeling based on Matrix Factorization of Implicit Feedback Dataset 원문보기

한국정보통신학회논문지 = Journal of the Korea Institute of Information and Communication Engineering, v.23 no.5, 2019년, pp.495 - 507  

기가기 (Department of Information Center, Hebei Normal University for Nationalities) ,  정영지 (Department of Computer and Software Engineering, Wonkwang University)

초록
AI-Helper 아이콘AI-Helper

데이터 희소성은 추천 시스템의 주요 과제 중 하나이다. 추천 시스템에서는, 일부분만 관찰된 데이터이고 다른 부분은 데이터가 누락된 대용량 데이터를 포함하고 있다. 대부분의 연구에서는, 데이터 세트에서 무작위로 데이터가 누락되었다고 가정하고, 관찰된 데이터만을 사용하여 추천 모델을 학습함으로써 사용자에게 항목을 추천하고 있다. 그러나, 실제로는 누락된 데이터는 무작위로 손실되었다고 볼 수 없다. 본 연구에서는, 누락 된 데이터를 사용자적 관심의 부정적인 예라고 간주하였다. 또한, 3가지 샘플 접근 방식을 SVD++ 알고리즘과 결합하여 SVD++_W, SVD++_R 그리고 SVD++_KNN 알고리즘을 제안하였다. 실험결과를 통하여, 제안한 3가지 샘플 접근 방식이 기존의 기본적인 알고리즘 보다 Top-N 추천에서 정확성과 회수율을 효과적으로 향상시킬 수 있다는 것을 보였다. 특히, SVD++_KNN 가 가장 우수한 성능을 보였는데, 이는 KNN 샘플 접근 방식이 사용자적 관심의 부정적인 예를 추출하는데 가장 효율적인 방법이라는 것을 보여주었다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Data sparsity is one of the main challenges for the recommender system. The recommender system contains massive data in which only a small part is the observed data and the others are missing data. Most studies assume that missing data is randomly missing from the dataset. Therefore, they only use o...

주제어

#추천 시스템   #행렬 분해   #누락 데이터   #데이터 희소성  

표/그림 (14)

참고문헌 (13)

  1. V. Bajpai, and Y. Yadav, "Survay Ppaer on Dynamic Recommendation System for e-Commerce," International Journal of Advanced Research in Computer Science [Online], vol. 9, no. 1, pp. 774-777, 2018. Available: http://www.ijarcs.info/index.php/Ijarcs/article/view/5503/4595 

    상세보기 crossref

  2. I. E. Kartoglu, and M. W. Spratling, "Two collaborative filtering recommender systems based on sparse dictionary coding," in Knowledge and Information Systems, vol. 57, no. 3, pp. 709-720, 2018. 

    상세보기 crossref

  3. W. Lu, F.-l. Chung, K. Lai, and L. Zhang, "Recommender system based on scarce information mining," Neural Networks, Elsevier, vol. 93, pp. 256-266, 2017. 

    상세보기 crossref

  4. H. S. Moon, J. H. Yoon, and J. K. Kim, "The impact of information amount on the performance of recommender systems," in Proceedings of the 18th Annual International Conference on Electronic Commerce(ICEC 2016): e-Commerce in Smart connected World, Suwon, Republic of Korea: ACM New York, NY, Article no. 6, 2016. 

  5. R. Heckel, and K. Ramchandran, "The Sample Complexity of Online One-Class Collaborative Filtering," Machine Learning (cs.LG) arXiv preprint arXiv:1706.00061, 2017 [Online]. Available: https://arXiv.org/abs/1706.00061. 

  6. I. Jordanov, N. Petrov, and A. Petrozziello, "Classifiers Accuracy Improvement Based on Missing Data Imputation," Journal of Artificial Intelligence and Soft Computing Research(JAISCR), vol. 8, no. 1, pp. 31-48, 2018. 

    상세보기 crossref

  7. D. Li, C. Miao, S. Chu, J. Mallen, T. Yoshioka, and P. Srivastava, "Stable Matrix Approximation for Top-N Recommendation on Implicit Feedback Data," in Proceedings of the 51st Hawaii International Conference on System Sciences(HICSS-51), Waikoloa Village, HI: HICSS, pp. 1563-1572, Jan. 2018. 

  8. X. Zhao, Z. Niu, K. Wang, K. Niu, and Z. Liu, "Improving top-N recommendation performance using missing data," Mathematical Problems in Engineering [Online], vol. 2015, Article ID 380472, 2015. Available: https://www.hindawi.com/journals/mpe/2015/380472/ 

  9. M. H. Abdi, G. O. Okeyo, and R. W. Mwangi, "Matrix Factorization Techniques for Context-Aware Collaborative Filtering Recommender Systems: A Survey," Computer and Information Science, Canadian Center of Science and Education, vol. 11, no. 2, pp. 1-10, 2018. 

  10. B. Marlin, R. S. Zemel, S. Roweis, and M. Slaney, "Collaborative filtering and the missing at random assumption," Machine Learning (cs.LG) arXiv preprint arXiv:1206.5267, 2012 [Online]. Available: https://arXiv.org/abs/1206.5267. 

  11. D. Jannach, and G. Adomavicius, "Recommendations with a purpose," in Proceedings of the 10th ACM Conference on Recommender Systems, Boston, MA: ACM New York, NY, pp. 7-10, 2016. 

  12. Y. Koren, "Factorization Meets the Neighborhood: a Multifaceted Collaborative Filtering Model," in Proceedings of the 14th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. Las Vegas, NV: ACM New York, NY, pp. 426-434, Aug. 2008. 

  13. D.-K. Chae, S.-C. Lee, S.-Y. Lee, and S.-W. Kim, "On identifying k-nearest neighbors in neighborhood models for efficient and effective collaborative filtering," Neurocomputing, Elsevier, vol. 278, pp. 134-143, 2018. 

    상세보기 crossref

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로