최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기융합정보논문지 = Journal of Convergence for Information Technology, v.9 no.6, 2019년, pp.83 - 90
박성종 (연세대학교 정보통계학과) , 김영민 (순천향대학교 빅데이터공학과) , 안재준 (연세대학교 정보통계학과)
People constantly strive for better choices. For this reason, recommender system has been developed since the early 1990s. In particular, collaborative filtering technique has shown excellent performance in the field of recommender systems, and research of recommender system using machine learning h...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
스태킹 모형의 장점은 무엇인가? | 하지만 본 연구에 서는 여러 가지 파라미터들에 의해 생성된 서로 독립인 모델들의 결과를 모두 합쳐 하나의 데이터 셋으로 생성하는 스태킹 모형을 적용하여 추천시스템의 성능을 향상시키고자 한다. 앙상블 방법 중 하나인 스태킹 모형은 새로운 데이터 셋을 생성함으로써 모델 구축의 복잡성을 해결하고 데이터 속에 함축된 복잡하고 다양한 정보들을 반영할 수 있다는 장점이 있다[15]. 이러한 장점 때문에 스태킹 모형은 최근 다양한 분야의 연구에서 사용되고 있다. | |
협업필터링은 무엇인가 | 협업필터링은 상품추천시스템에서 널리 사용되는 추천 알고리즘으로써, 추천대상 사용자의 행동을 다른 사용자의 행동과 비교하고 가장 가까운 이웃을 선정하여 이웃의 선호도를 기반으로 추천대상 사용자의 관심 또는 선호도를 예측 한다[1]. 특정 고객에게 구매확률이 높을 것으로 기대되는 상품을 추천하기 위한 협업필터링 알고리즘은 크게 3단계로 구성하였다. | |
본 연구에서 제안한 추천시스템의 한계점은 무엇인가? | 그럼에도 불구하고 본 연구는 고객의 구매 이력 데이터 이외에 고객의 인구통계학적 데이터와 같은 상품 추천에 영향을 줄 수 있는 추가적인 데이터를 활용하지 못했다는 한계점을 가지고 있다. 협업필터링 알고리즘을 적용함에 있어서 구매 이력 데이터 이외에 고객의 인구 통계학적인 데이 터를 추가적으로 사용한다면 추천 성능이 더욱 좋은 추천시 스템을 구축할 수 있을 것으로 기대된다. |
P. Resnick & H. R. Varian. (1997). Recommender systems. Communications of the ACM, 40, 56-58.
J. Bennett & S. Lanning. (2007). The netflix prize. Proceedings of KDD cup and workshop, 35.
D. Goldberg, D. Nichols, B. M. Oki & D. Terry. (1992). Using collaborative filtering to weave an information tapestry. Communications of the ACM, 35, 61-70.
B. S. Kang. (2019). A Study on the Accuracy Improvement of Movie Recommender System Using Word2Vec and Ensemble Convolutional Neural Networks. Journal of Digital Convergence, 17(1), 123-130.
Z. D. Zhao & M. S. Shang. (2010). User-based collaborative-filtering recommendation algorithms on hadoop. IEEE, 2010 Third International Conference on Knowledge Discovery and Data Mining, 478-481.
B. M. Marlin. (2003). Modeling user rating profiles for collaborative filtering. Advances in neural information processing systems, 16, 627-634.
G. Linden, B. Smith & J. York. (2003). Amazon. com recommendations: Item-to-item collaborative filtering. IEEE Internet computing, 7, 76-80.
J. T. Oh & S. Y. Lee. (2017). A Movie Recommendation System based on Fuzzy-AHP with User Preference and Partition Algorithm. Journal of Digital Convergence, 15(11), 425-432.
K. Tsuji, F. Yoshikane, S. Sato & H. Itsumura. (2014). Book Recommendation Using Machine Learning Methods Based on Library Loan Records and Bibliographic Information. IEEE, 2014 IIAI 3rd International Conference on Advanced Applied Informatics. (pp. 76-79).
M. Piotte & M. Chabbert. (2009). The pragmatic theory solution to the netflix grand prize. Netflix prize documentation, Canada
I. Portugal, P. Alencar & D. Cowan. (2017). The use of machine learning algorithms in recommender systems: A systematic review. Expert Systems with Applications, 97, 205-227.
R. Polikar. (2006). Ensemble based systems in decision making. IEEE Circuits and systems magazine, 6, 21-45.
A. Ekbal & S. Saha. (2013). Stacked ensemble coupled with feature selection for biomedical entity extraction. Knowledge-Based Systems, 46, 22-32.
J. Thorne, M. Chen, G. Myrianthous, J. Pu, X. Wang & A. Vlachos. (2017). Fake news stance detection using stacked ensemble of classifiers. In Proceedings of the 2017 EMNLP Workshop: Natural Language Processing meets Journalism. (pp. 80-83).
C. F. Tsai. (2005). Training support vector machines based on stacked generalization for image classification. Neurocomputing, 64, 497-503.
Y. Huang, G. Zhang, & X. Xu. (2009, November). Speech emotion recognition research based on the stacked generalization ensemble neural network for robot pet. In 2009 Chinese Conference on Pattern Recognition (pp. 1-5). IEEE.
Z. Cao, X. Pan, Y. Yang, Y. Huang & H. B. Shen. (2018). The lncLocator: a subcellular localization predictor for long non-coding RNAs based on a stacked ensemble classifier. Bioinformatics, 34(13), 2185-2194.
J. L. Herlocker, J. A. Konstan, L. G. Terveen & J. T. Riedl. (2004). Evaluating collaborative filtering recommender systems. ACM Transactions on Information Systems (TOIS), 22(1), 5-53.
H. Kim, G. Yang, H. Jung, S. H. Lee & J. J. Ahn. (2019). An intelligent product recommendation model to reflect the recent purchasing patterns of customers. Mobile Networks and Applications, 24(1), 163-170.
S. J. Lee. (2009). A study on neighbor selection methods in k-NN collaborative filtering recommender system. Journal of the Korean Data & Information Science Society, 20, 809-818.
J. Herlocker, J. A. Konstan & J. Riedl. (2002). An empirical analysis of design choices in neighborhood-based collaborative filtering algorithms. Information retrieval, 5(4), 287-310.
L. Rokach. (2010). Ensemble-based classifiers. Artificial Intelligence Review, 33, 1-39.
K. S. Eo & K. C. Lee. (2019). Investigating Opinion Mining Performance by Combining Feature Selection Methods with Word Embedding and BOW (Bag-of-Words). Journal of Digital Convergence, 17(2), 163-170.
J. Yan & S. Han. (2018). Classifying Imbalanced Data Sets by a Novel RE-Sample and Cost-Sensitive Stacked Generalization Method. Mathematical Problems in Engineering, 2018.
F. Gunes, R. Wolfinger & P. Y. Tan. (2017). Stacked Ensemble Models for Improved Prediction Accuracy. SAS Global Forum 2017, SAS0437-2017.
D. H. Wolpert. (1992). Stacked Generalization. Neural networks, 5(2), 241-259.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.