선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- Hidasi 등[2]에서는 이러한 RNN 기반의 알고리즘인 GRU(Gated Recurrent Unit)를 통한 추천방법을 제안하였고, 사용자가 구매한 상품의 순서적의 의미를 고려하는 GRU기반 추천시스템이 CFR, CBR 기반의 추천시스템 보다 더 좋은 성능을 보여주었다. 본 연구는 Hidasi 등[2]에서 제안한 RNN기반 추천 시스템을 활용한 여행지 추천 시스템을 제안하고자 하며, 오차함수의 앙상블을 통하여 기존 추천 시스템의 성과를 향상시키고자 한다.
- Hidasi 등[2]은 RNN(Recurrent Neural Network)기반의 알고리즘을 활용하여 시퀀스를 고려한 추천 방법을 제안하였다. 본 연구는 Hidasi 등[2]이 제안한 방법을 활용하여 여행지 추천에서 여행경로 내에 존재하는 여행지들의 방문순서, 즉 시퀀스적인 의미를 고려한 추천시스템을 제안하고자 한다.
- 본 연구에서는 여행경로 추천에 관한 기존의 연구에서 여행지들의 시퀀스를 고려하지 못한다는 단점을 보완하기 위하여 RNN 기반의 추천 방법론을 적용하였고, 오차함수의 변형을 통하여 성능이 개선되었음을 보여 주었다. 또한, RNN 기반 모델이 데이터에 시퀀스의 특징을 반영한다는 점을 통하여 여행경로내의 여행지가 가지는 의미가 반영된 추천이 이루어진다는 것을 확인하였다.
- 여행지 임베딩은 단어를 벡터로 표현하는 텍스트 임베딩과 같은 방식이다. 본 연구의 임베딩 벡터 값의 차원은 50, 80, 100, 120, 150으로 변화시키며 어떤 환경에서 생성된 여행지 임베딩 데이터를 이용하였을 때 성능이 가장 높은지 확인해 보았다. 생성된 임베딩 데이터는 1361건의 여행지를 포함한다.
- 즉, 데이터에 관광지의 좌표나 여행지에 대한 정보가 없지만 여행경로 시퀀스 내에 여행지에 대한 특징이 내재되어 있기 때문에 GRU모델은 내재된 관광지의 특징을 고려하여 학습을 한다. 여행지 추천에서도 여행지가 가지는 의미를 파악하여 추천이 이루어지는지 확인하고자 한다. 제주공항에 도착한 관광객은 대중교통 또는 렌트카와 같은 교통수단을 갖추지 못한 상태에서 거리가 먼 관광지로 이동하지 못한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.