$\require{mediawiki-texvc}$

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.

심층신경망 기반 데이터 보충과 영향요소 결합을 통한 하이브리드 추천시스템
Influential Factor Based Hybrid Recommendation System with Deep Neural Network-Based Data Supplement 원문보기

방송공학회논문지 = Journal of broadcast engineering, v.24 no.3, 2019년, pp.515 - 526  

안현우 (호서대학교 컴퓨터정보공학부) ,  문남미 (호서대학교 컴퓨터정보공학부)

초록
AI-Helper 아이콘AI-Helper

특정 상품에 대한 사용자의 선호도는 상품의 질 외에도 많은 요소들에 의해 결정된다. 추천시스템에 있어 이러한 외적 요소들의 반영은 데이터의 부족을 포함한 여러 가지 근본적인 문제가 존재하여 지난한 일이었다. 그러나 공공데이터의 개방과 다양하고 방대한 양의 데이터를 가진 평가 플랫폼의 등장 등 기반 환경이 갖춰짐에 따라 외적 요소들의 접근이 용이해 졌다. 이러한 변화에 따라 본 논문은 상품의 품질 외에 사용자의 선호도에 영향을 주는 요소들을 반영할 수 있는 추천시스템 구조를 제안하고 사례를 적용하여 이러한 요소가 실제 선호도에 미치는 영향을 관찰하고자 한다. 제안하는 시스템의 구조는 크게 영향요소를 선정하고 추출하는 과정과 문장 분석을 활용하여 부족한 데이터를 보충하는 과정, 평가데이터와 영향요소를 결합하고 병합하는 과정으로 나눌 수 있으며 제안시스템의 결과 그룹과 실제 사용자 선호도 그룹 간 비교를 통해 구조 변수 설정의 적절성 등을 판단할 수 있는 검증 과정 또한 함께 제안한다.

Abstract ▼ AI-Helper 아이콘AI-Helper

In the real world, the user's preference for a particular product is determined by many factors besides the quality of the product. The reflection of these external factors was very difficult because of various fundamental problems including lack of data. However, access to external factors has beco...

주제어

#Hybrid Recommendation   #influencing Factor   #Recommendation System  

표/그림 (14)

질의응답

핵심어 질문 논문에서 추출한 답변
사람의 감성은 어떤 것에 지대한 영향을 받는가? 사람의 감성은 환경에 지대한 영향을 받는다. 선호도 또한 사용자의 당시 감성에 크게 영향을 받는데, 이렇게 독립적인 요소로써 사용자의 감성에 영향을 주는 요소들은 명 백히 존재하나 적절히 활용되지는 못하고 있다.
선호도가 사용자의 당시 감성에 크게 영향을 받는 것처럼 독립적인 요소로써 사용자의 감성에 영향을 주는 요소들은 명백히 존재하나 적절히 활용되지는 못하고 있는 가장 큰 이유는 무엇인가? 선호도 또한 사용자의 당시 감성에 크게 영향을 받는데, 이렇게 독립적인 요소로써 사용자의 감성에 영향을 주는 요소들은 명 백히 존재하나 적절히 활용되지는 못하고 있다. 이것에는 여러 이유가 있는데 가장 큰 이유로는 영향요소의 수집이 매우 힘들다는 점이다. 예를 들어 음악 평가와 관련된 영향 요소들을 본다면 크게는 사용자의 현재 감성, 운동 형태, 주변 날씨 등이 있을 것이고 작게는 사용자의 프로파일, 인기순위 등을 들 수 있을 것인데 평가 데이터에서 직접적으 로 수집하기 힘든 것들이다.
영향요소란 무엇인가? 영향요소란 사용자의 감상에 영향을 미치는 요소이다. 일반적으로 영향요소와 선호도 사이의 관계가 선형을 이루고 있을 때, 선형 회귀 분석을 통해 감상에 미치는 영향력을 관찰할 수 있으며 하나가 아닌 여러 개의 영향요소를 검증 하고자 할 때는 아래와 같은 다중 회귀 분석식을 활용할 수 있다.
질의응답 정보가 도움이 되었나요?

참고문헌 (13)

  1. J. Son, S. Kim, H. Kim and S. Cho. "Review and Analysis of Recommender Systems" Journal of the Korean Institute of Industrial Engineers, Vol. 41, No. 2, pp. 185-208, April 2015, https://doi.org/10.7232/JKIIE.2015.41.2.185 (accessed April. 15, 2015). 

    원문보기 상세보기 crossref

  2. Goldberg, David, et al. "Using collaborative filtering to weave an information Tapestry." Communications of the ACM, Vol. 35, No. 12, pp. 61-71, Dec 1992. (https://go.galegroup.com/ps/anonymous?idGALE%7CA13039895&sidgoogleScholar &v2.1&itr&linkaccessabs&issn00010782&pAONE&sww) 

  3. Su, Xiaoyuan, and Taghi M. Khoshgoftaar. "A survey of collaborative filtering techniques." Advances in artificial intelligence, Vol. 2009, Article ID 421425, 19 pages, 2009, https://doi.org/10.1155/2009/421425 (accessed Aug. 3, 2009). 

    상세보기 crossref

  4. Wu, Yi-Hung, and Arbee LP Chen. "Index structures of user profiles for efficient web page filtering services." Proceedings 20th IEEE International Conference on Distributed Computing Systems. IEEE, April 2000. (DOI. 10.1109/ICDCS.2000.840981) 

  5. Adomavicius, Gediminas, and Alexander Tuzhilin. "Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions." IEEE Transactions on Knowledge & Data Engineering 6. vol. 17, pp. 734-749, June 2005. (DOI. 10.1109/TKDE.2005.99) 

    상세보기 crossref

  6. Soboroff, Ian, and Charles Nicholas. "Combining content and collaboration in text filtering." Proceedings of the IJCAI. Vol. 99. pp. 86-91, sn, 1999. (https://www.csee.umbc.edu/csee/research/cadip/1999Symposium/mlif.pdf) 

  7. Noh, Yunseok, Yong-Hwan Oh, and Seong-Bae Park. "A locationbased personalized news recommendation." 2014 International Conference on Big Data and Smart Computing (BIGCOMP). IEEE, 2014. (DOI. 10.1109/BIGCOMP.2014.6741416) 

  8. Park, Kyong-Su, and Nam-Me Moon. "Multidimensional Optimization Model of Music Recommender Systems." The KIPS Transactions: PartB. Vol. 19, No. 3, pp. 155-164, June 2012, https://doi.org/10.3745/KIPSTB.2012.19B.3.155 (accessed Feb. 31, 2012) 

    원문보기 상세보기 crossref

  9. Hyunwoo Je, Junwoo Kim, Mun Y. Yi. "Deep AutoEncoder based Personalized Recommendation System : Considering user's intrinsic characteristics." KOREA INFORMATION SCIENCE SOCIETY. 773-775. June 2017. (http://www.dbpia.co.kr/journal/articleDetail?nodeIdNODE07207377&languageko_KR) 

  10. Scott, D., and Chr Lemieux. "Weather and climate information for tourism." Procedia Environmental Sciences. Vol 1, pp. 146-183, 2010, https://doi.org/10.1016/j.proenv.2010.09.011 (accessed Nov. 18, 2010) 

    상세보기 crossref

  11. Becken, Susanne, and Jude Wilson. "The impacts of weather on tourist travel." Tourism Geographies. Vol. 15, No. 4, pp. 620-639, Feb 2013, https://doi.org/10.1080/14616688.2012.762541 (accessed Feb. 12, 2013) 

    상세보기 crossref

  12. Dzogang, Fabon, Stafford Lightman, and Nello Cristianini. "Diurnal variations of psychometric indicators in Twitter content." PloS one. Vol. 13, No. 6, e0197002, June 2018 (https://journals.plos.org/plosone/article/file?id10.1371/journal.pone.0197002&typeprintable) 

    상세보기 crossref

  13. Kim, Yoon. "Convolutional neural networks for sentence classification." arXiv preprint arXiv:1408.5882, Aug 2014. (https://arxiv.org/abs/1408.5882) 

저자의 다른 논문 :

LOADING...

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
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