지능형 클라우드 환경에서 지각된 가치 및 행동의도를 적용한 딥러닝 기반의 관광추천시스템 설계 Design of Deep Learning-based Tourism Recommendation System Based on Perceived Value and Behavior in Intelligent Cloud Environment원문보기
본 논문은 지각된 가치가 적용된 관광 행동의도 정보를 이용한 지능형 클라우드 환경에서의 관광추천시스템을 제안한다. 이 제안 시스템은 관광정보와 관광객의 지각적 가치가 행동의도에 반영되는 실증적 분석 정보를 와이드 앤 딥러닝 기술을 이용하여 관광추천시스템에 적용하였다. 본 제안 시스템은 다양하게 수집할 수 있는 관광 정보와 관광객이 평소에 지각하고 있던 가치와 사람의 행동에서 나타나는 의도를 수집 분석하여 관광 추천시스템에 적용하였다. 이는 기존에 활용되던 다양한 분야의 관광플랫폼에 관광 정보, 지각된 가치 및 행동의도에 대한 연관성을 분석하고 매핑하여, 실증적 정보를 제공한다. 그리고 관광정보와 관광객의 지각적 가치가 행동의도에 반영되는 실증적 분석 정보를 선형 모형 구성요소와 신경만 구성요소를 합께 학습하여 한 모형에서 암기 및 일반화 모두를 달성할 수 있는 와이드 앤 딥러닝 기술을 이용한 관광추천 시스템을 제시하였고, 파이프라인 동작 방법을 제시하였다. 본 논문에서 제시한 추천시스템은 와이드 앤 딥러닝 모형을 적용한 결과 관광관련 앱 스토어 방문 페이지 상의 앱 가입률이 대조군 대비 3.9% 향상했고, 다른 1% 그룹에 변수는 동일하고 신경망 구조의 깊은 쪽만 사용한 모형을 적용하여 결과 와이드 앤 딥러닝 모형은 깊은 쪽만 사용한 모형 대비해서 가입률을 1% 증가하였다. 또한, 데이터셋에 대해 수신자 조작 특성 곡선 아래 면적(AUC)을 측정하여, 오프라인 AUC 또한 와이드 앤 딥러닝 모형이 다소 높지만 온라인 트래픽에서 영향력이 더 강하다는 것을 도출하였다.
본 논문은 지각된 가치가 적용된 관광 행동의도 정보를 이용한 지능형 클라우드 환경에서의 관광추천시스템을 제안한다. 이 제안 시스템은 관광정보와 관광객의 지각적 가치가 행동의도에 반영되는 실증적 분석 정보를 와이드 앤 딥러닝 기술을 이용하여 관광추천시스템에 적용하였다. 본 제안 시스템은 다양하게 수집할 수 있는 관광 정보와 관광객이 평소에 지각하고 있던 가치와 사람의 행동에서 나타나는 의도를 수집 분석하여 관광 추천시스템에 적용하였다. 이는 기존에 활용되던 다양한 분야의 관광플랫폼에 관광 정보, 지각된 가치 및 행동의도에 대한 연관성을 분석하고 매핑하여, 실증적 정보를 제공한다. 그리고 관광정보와 관광객의 지각적 가치가 행동의도에 반영되는 실증적 분석 정보를 선형 모형 구성요소와 신경만 구성요소를 합께 학습하여 한 모형에서 암기 및 일반화 모두를 달성할 수 있는 와이드 앤 딥러닝 기술을 이용한 관광추천 시스템을 제시하였고, 파이프라인 동작 방법을 제시하였다. 본 논문에서 제시한 추천시스템은 와이드 앤 딥러닝 모형을 적용한 결과 관광관련 앱 스토어 방문 페이지 상의 앱 가입률이 대조군 대비 3.9% 향상했고, 다른 1% 그룹에 변수는 동일하고 신경망 구조의 깊은 쪽만 사용한 모형을 적용하여 결과 와이드 앤 딥러닝 모형은 깊은 쪽만 사용한 모형 대비해서 가입률을 1% 증가하였다. 또한, 데이터셋에 대해 수신자 조작 특성 곡선 아래 면적(AUC)을 측정하여, 오프라인 AUC 또한 와이드 앤 딥러닝 모형이 다소 높지만 온라인 트래픽에서 영향력이 더 강하다는 것을 도출하였다.
This paper proposes a tourism recommendation system in intelligent cloud environment using information of tourist behavior applied with perceived value. This proposed system applied tourist information and empirical analysis information that reflected the perceptual value of tourists in their behavi...
This paper proposes a tourism recommendation system in intelligent cloud environment using information of tourist behavior applied with perceived value. This proposed system applied tourist information and empirical analysis information that reflected the perceptual value of tourists in their behavior to the tourism recommendation system using wide and deep learning technology. This proposal system was applied to the tourism recommendation system by collecting and analyzing various tourist information that can be collected and analyzing the values that tourists were usually aware of and the intentions of people's behavior. It provides empirical information by analyzing and mapping the association of tourism information, perceived value and behavior to tourism platforms in various fields that have been used. In addition, the tourism recommendation system using wide and deep learning technology, which can achieve both memorization and generalization in one model by learning linear model components and neural only components together, and the method of pipeline operation was presented. As a result of applying wide and deep learning model, the recommendation system presented in this paper showed that the app subscription rate on the visiting page of the tourism-related app store increased by 3.9% compared to the control group, and the other 1% group applied a model using only the same variables and only the deep side of the neural network structure, resulting in a 1% increase in subscription rate compared to the model using only the deep side. In addition, by measuring the area (AUC) below the receiver operating characteristic curve for the dataset, offline AUC was also derived that the wide-and-deep learning model was somewhat higher, but more influential in online traffic.
This paper proposes a tourism recommendation system in intelligent cloud environment using information of tourist behavior applied with perceived value. This proposed system applied tourist information and empirical analysis information that reflected the perceptual value of tourists in their behavior to the tourism recommendation system using wide and deep learning technology. This proposal system was applied to the tourism recommendation system by collecting and analyzing various tourist information that can be collected and analyzing the values that tourists were usually aware of and the intentions of people's behavior. It provides empirical information by analyzing and mapping the association of tourism information, perceived value and behavior to tourism platforms in various fields that have been used. In addition, the tourism recommendation system using wide and deep learning technology, which can achieve both memorization and generalization in one model by learning linear model components and neural only components together, and the method of pipeline operation was presented. As a result of applying wide and deep learning model, the recommendation system presented in this paper showed that the app subscription rate on the visiting page of the tourism-related app store increased by 3.9% compared to the control group, and the other 1% group applied a model using only the same variables and only the deep side of the neural network structure, resulting in a 1% increase in subscription rate compared to the model using only the deep side. In addition, by measuring the area (AUC) below the receiver operating characteristic curve for the dataset, offline AUC was also derived that the wide-and-deep learning model was somewhat higher, but more influential in online traffic.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
서비스 분야의 경우는 행동의도를 재이용 의도, 재방문 의도 등으로 불리고 있다. 본 논문에서의 행동의도는 소비자들이 어떤 대상에 대한 태도를 형성한 후미래에 특정한 행동으로 나타내려는 개인의 의지와 신념을 나타내는 행동을 관광 추천시스템에 적용하고자 한다.
점수는 대개 P(y|x) 즉, 사용자 변수(예: 국가, 언어, 인구통계학적), 맥락 변수(예: 기기, 시간대, 요일)와 노출 변수(예: 앱 출시 후 경과 기간, 앱 통계 이력)를 포함하여 변수 x가 주어졌을 때 사용자 동작 각 레이블 y의 확 률이다. 본 논문은 와이드 앤 딥러닝를 사용한 순위 모형에 초점을 맞출 것이다.
본 논문은 지각된 가치가 적용된 관광 행동의도 정보를 이용한 지능형 클라우드 환경에서의 관광 추천시스템을 제안한다. 이 제안 시스템은 관광정보와 관광객의 지각적 가치가 행동의도에 반영되는 실증적 분석 정보를 선형 모형 구성요소와 신경만 구성요소를 합께 학습하여 한 모형에서 암기(Memorization) 및 일반화(Generalization) 모 두를 달성할 수 있는 Wide & Deep 기술을 이용한 관광추천 시스템을 제시한다.
본 논문은 지각된 가치가 적용된 관광 행동의도 정보를 이용한 지능형 클라우드 환경에서의 관광추천시스템을 제안하였다. 이 제안 시스템은 관광정보와 관광객의 지각적 가치가 행동의도에 반영되는 실증적 분석 정보를 선형 모형 구성요소와 신경만 구성요소를 합께 학습하여 한 모형에서 암기 및 일반화 모두를 달성할 수 있는 와이드 앤 딥러닝 기술을 이용한 관광추천 시스템을 제시하였고, 파이프라인 동작 방법을 제시하였다.
본 연구는 관광객 대상으로 관광 정보와 지각된 가치가 행동의도에 미치는 영향을 실증적으로 규명하는 데 있다. 이론적 배경을 근거로 [fig.
1]에서 제시하였다. 본 연구는 관광지를 방문할 때 관광정보와 지각된 가치가 미치는 영향 관계를 측정하는 데 목적이 있다. 이를 측정하기 위하여 설문 조사를 실시하였다.
가설 설정
Hypothesis 2. The perceived value will have a significant effect on behavioral intention.
Hypothesis 3. Tourist information will have a significant effect on behavioral intention.
제안 방법
점수는 Wide & Deep 모형에 대한 순방향 추론을 시행하여 계산한다. 10ms 단위로 각 요청을 처리하기 위해 추론 단계를 단일 배치로 후보 앱 전체에 점수를 매기는 대신 멀티스레딩 병렬 처리를 통해 미니 배치를 병렬로 돌려서 성능을 최적화했다.
모형 서버에 모형을 적재하기 전에 실제 트래픽을 처리하는 데 문제가 없는지 예행연습 삼아 모형을 돌려 보았다. sanity-test로써 이전 모형 대비 모형 품질을 직접 확인해보았다.
본 실험은 3주 동안 A/B 테스트 프레임워크로 온라인 실험을 실제 환경에서 진행했다. 대조군으로 사용자 1%를 무작위로 선정해서 이전 버전의 순위 모형 즉 교차곱 변수 변환을 다수 집어넣어 높은 수준으로 최적화시킨, 넓은 쪽만 이용한 로지스틱 회귀 모형을 적용해 추천했다. 실험군인 1%의 다른 사용자에게는 동일한 변수 집합으로 훈련시킨 와이드 앤 딥러닝 모형을 적용하여 추천했다.
이 문제를 해결하기 위해 임베딩과 이전 모형의 선형 모형 가중치를 사용하여 새 모형 초기값을 설정하는 식의 warm-starting 시스템을 구현했다. 모형 서버에 모형을 적재하기 전에 실제 트래픽을 처리하는 데 문제가 없는지 예행연습 삼아 모형을 돌려 보았다. sanity-test로써 이전 모형 대비 모형 품질을 직접 확인해보았다.
본 논문에서 제안한 관광추천시스템에서 와이드 앤 딥러닝 학습 효과를 평가하기 위해 실제 실험을 진행하였고, 앱 가입 및 서비스 성능 두 가지 측면에서 시스템을 평가하였다. 본 실험은 3주 동안 A/B 테스트 프레임워크로 온라인 실험을 실제 환경에서 진행했다.
이를 측정하기 위하여 설문 조사를 실시하였다. 본 설문 조사는 관광지 소비자를 대상으로 설문 조사를 실시하였으며, 설문지는 응답자가 설문 항목에 직접 기입하는 자기평가 기입방식을 이용하였다. 조사 기간은 2019년 6월 4일에서 6월 14일까지 203부의 설문지를 배포하 고 그중에 불성실한 답변이나 일부 항목에서 응답을 하지 않은 22명을 제외한 총 181명의 설문 응답자를 분석대상에 포함시켰다.
본 논문에서 제안한 관광추천시스템에서 와이드 앤 딥러닝 학습 효과를 평가하기 위해 실제 실험을 진행하였고, 앱 가입 및 서비스 성능 두 가지 측면에서 시스템을 평가하였다. 본 실험은 3주 동안 A/B 테스트 프레임워크로 온라인 실험을 실제 환경에서 진행했다. 대조군으로 사용자 1%를 무작위로 선정해서 이전 버전의 순위 모형 즉 교차곱 변수 변환을 다수 집어넣어 높은 수준으로 최적화시킨, 넓은 쪽만 이용한 로지스틱 회귀 모형을 적용해 추천했다.
본 연구의 목적에 적합하도록 선행연구를 참고하여 설문 문항을 작성하였으며, 측정항목은 리커트 5점 척도로 설문 조사를 진행하였으며, 설문지 구성 및 척도는 다음의[Table. 1]에서 제시하였다. 본 연구는 관광지를 방문할 때 관광정보와 지각된 가치가 미치는 영향 관계를 측정하는 데 목적이 있다.
이 제안 시스템은 관광정보와 관광객의 지각적 가치가 행동의도에 반영되는 실증적 분석 정보를 선형 모형 구성요소와 신경만 구성요소를 합께 학습하여 한 모형에서 암기(Memorization) 및 일반화(Generalization) 모 두를 달성할 수 있는 Wide & Deep 기술을 이용한 관광추천 시스템을 제시한다. 본 제안 시스템은 다양하게 수집할 수 있는 관광 정보와 관광객이 평소에 지각하고 있던 가치와 사람의 행동에 서 나타나는 의도를 수집 분석하여 관광 추천시스템에 적용하였다. 이는 기존에 활용되던 다양한 분야의 관광플랫폼에 관광 정보, 지각된 가치 및 행동의도에 대한 연관성을 분석하고 매핑하여, 실증적 정보를 제공한다.
온라인 실험에 덧붙여 오프라인에서 미리 덜어 놓은 데이터셋에 대해 수신자 조작 특성 곡선 아래 면적(AUC)을 측정했다. 오프라인 AUC 또한 와이드 앤 딥러닝 모형이 다소 높지만 온라인 트래픽에서 영향력이 더 강하다.
그러나 매번 처음부터 재훈련시키는 건 계산 비용이 많이 들고 데이터수집부터 업데이트된 모형 서비스까지 시간이 많이 소요된다. 이 문제를 해결하기 위해 임베딩과 이전 모형의 선형 모형 가중치를 사용하여 새 모형 초기값을 설정하는 식의 warm-starting 시스템을 구현했다. 모형 서버에 모형을 적재하기 전에 실제 트래픽을 처리하는 데 문제가 없는지 예행연습 삼아 모형을 돌려 보았다.
본 논문은 지각된 가치가 적용된 관광 행동의도 정보를 이용한 지능형 클라우드 환경에서의 관광추천시스템을 제안하였다. 이 제안 시스템은 관광정보와 관광객의 지각적 가치가 행동의도에 반영되는 실증적 분석 정보를 선형 모형 구성요소와 신경만 구성요소를 합께 학습하여 한 모형에서 암기 및 일반화 모두를 달성할 수 있는 와이드 앤 딥러닝 기술을 이용한 관광추천 시스템을 제시하였고, 파이프라인 동작 방법을 제시하였다.
이 제안 시스템은 관광정보와 관광객의 지각적 가치가 행동의도에 반영되는 실증적 분석 정보를 선형 모형 구성요소와 신경만 구성요소를 합께 학습하여 한 모형에서 암기(Memorization) 및 일반화(Generalization) 모 두를 달성할 수 있는 Wide & Deep 기술을 이용한 관광추천 시스템을 제시한다.
본 연구는 관광지를 방문할 때 관광정보와 지각된 가치가 미치는 영향 관계를 측정하는 데 목적이 있다. 이를 측정하기 위하여 설문 조사를 실시하였다. 본 설문 조사는 관광지 소비자를 대상으로 설문 조사를 실시하였으며, 설문지는 응답자가 설문 항목에 직접 기입하는 자기평가 기입방식을 이용하였다.
또한, 범주형의 비선형적인 특성은 범주형 데이터 사이의 교차곱을 추가적으로 고려하여 와이드 모델에 비선형적인 특성을 추가한다 [12, 13]. 하지만 본 연구에서는 지각된 가치와 행동의도가 반영된 관광키워드 계산 수행을 위하여 교차곱은 제외하고 [Fig. 2]를 참조하여 와이드 모델을 만들 것이다. 둘째로 연속적인 데이터 는 딥러닝의 심화신경망(DNN)[14]으로 학습이 가능하다.
대상 데이터
본 설문 조사는 관광지 소비자를 대상으로 설문 조사를 실시하였으며, 설문지는 응답자가 설문 항목에 직접 기입하는 자기평가 기입방식을 이용하였다. 조사 기간은 2019년 6월 4일에서 6월 14일까지 203부의 설문지를 배포하 고 그중에 불성실한 답변이나 일부 항목에서 응답을 하지 않은 22명을 제외한 총 181명의 설문 응답자를 분석대상에 포함시켰다.
이론/모형
둘째로 연속적인 데이터 는 딥러닝의 심화신경망(DNN)[14]으로 학습이 가능하다. 딥모델에서는 활성함수로 ReLU[15]와 오버핏팅을 방지하기 위하여 드롭아웃 기법[8]을 적용한다. 와이드 모델에서 범주형 데이터의 일부를 높은 차원으로 임베딩 벡터[16]로 만들어서 계산을 수행한다.
따라서 딥모델은 연속 데이터의 일반적인 특성을 추출 할 수 있다. 마지막으로 와이드 앤 딥러닝 모델은 와이드 모델과 딥모델을 합하는 하이브리드 모델로 활성함수는 잘 알려진 시그모이드 함수를 사용하고, 역전파 알고리즘[17]을 이용하여 와이드-앤-딥러닝 모델의 각각의 웨이트 값들을 최적화 시키는 구조로 되어 있다.
대조군으로 사용자 1%를 무작위로 선정해서 이전 버전의 순위 모형 즉 교차곱 변수 변환을 다수 집어넣어 높은 수준으로 최적화시킨, 넓은 쪽만 이용한 로지스틱 회귀 모형을 적용해 추천했다. 실험군인 1%의 다른 사용자에게는 동일한 변수 집합으로 훈련시킨 와이드 앤 딥러닝 모형을 적용하여 추천했다. [Table 4]에서와 같이 와이드 앤 딥러닝 모형은 앱 스토어 방문 페이지 상의 앱 가입률이 대조군 대비 3.
와이드 앤 딥러닝모형 공동 훈련은 미니 배치 확률적 최적화를 이용하여 출력 값 기울기를 모형 넓은 쪽과 깊은 쪽 동시에 역전파시킨다. 실험에서 모형 넓은 쪽에 대한 최적화로 L1 정규화를 따르는 Follow-the-regularized-leader(FTRL) 알고리즘을 사용했고 깊은 쪽에 대해서는 AdaGrad[22]를 사용했다. 결합 모형은 [Fig.
성능/효과
가설 2 지각된 가치가 행동의도에 미치는 영향은 R2=.551로서 회귀분석 결과, 독립변수인 효용적 가치( =.335, p<.001), 쾌락적 가치( =.477, p<.001)이 행동의도에 유의한 정(+)의 영향을 미치는 것으로 나타났으며, 가설 2는 채택되었다.
이는 10억 명 이상의 활성 사용자와 100만개 넘는 앱이 있는 모바일 앱스토어인 구글 플레이에서 와이드 앤 딥러닝 추천시스템 제품화 구현에 적용될 수 있다. 또한, TensorFlow 고수준 API를 통한 오프소스 구현이 가능한 것으로 단순하지만 와이드 앤 딥러닝을 적용한 추천시스템은 모형 훈련 및 서비스 속도 요건을 만족시키면서 모바일 앱스토어 앱 가입률이 크게 향상시킬 수 있다. 본 논문의 구성은 다음과 같다.
9% 향상했고, 이는 통계적인 의미가 있는 수치이다. 또한, 다른 1% 그룹에 변수는 동일하고 신경망 구조의 깊은 쪽만 사용한 모형을 적용하여 결과를 비교했고 와이드 앤 딥러닝 모형은 깊은 쪽만 사용한 모형 대비해서 가입률을 1% 증가시켰고, 이는 통계적인 의미가 있는 수치이다.
단일 스레딩을 사용하는 경우 모든 후보를 일괄 처리로 점수 매기는데 31ms가 걸린다. 멀티스레딩을 구현하고 각 배치 크기를 작게 분할하여 [Fig 6]에 표시된 대로 클라이언트 측 대기 시간을 14ms(서비스 오버헤드 포함)로 크게 줄였다.
연구가설을 검증하기 위하여 다중회귀분석(Multiple Regression Analysis)을 실시한 결과는 가설1 관광 정보가 효용적 가치에 미치는 영향은 R2=.186으로서 회귀분석 결과, 독립변수 중 신뢰성( =.199, p<.01)과 확산성( =.209, p<.01)이 효용적 가치에 유의한 정(+)의 영향을 미치는 것으로 나타났으며, 가설 1은 부분 채택되었다.
소비자의 경험적 측면과 경제적인 측면이 포함된 지각된 가치는 마케팅 분야에서 활용되고 있으며 관광객의 만족과 재방문 의사에 영향을 미치기 때문에 관광 분야에서 적극적으로 활용하고 있다 [10]. 종합해보면, 지각된 가치는 무엇을 주고(서비스 획득과 이용에서 비용 또는 희생), 무엇을 받았는지(서비스로 제공된 이점)을 바탕으로 한 서비스의 순수한 가치에 대한 소비자들의 전반적인 평가로 정의될 수 있다. 행동 의도는 신념과 태도가 행동화될 주관적 가능성이며 이는 개인의 태도와 행동 사이의 중간 변수로써 인식되는 것 이며, 개인의 주관적인 상태를 의미하는 것이다 [10].
후속연구
이로써 기존에 있던 관광지 추천에 대한 효과를 극대화할 수 있다. 향후에는 모바일 앱스토어인 구글플레이에서 와이드 앤 딥러닝 관광추천앱 제품화 구현에 적용될 수 있다. 또한, 단순하지만 와이드 앤 딥러닝을 적용한 관광추천 앱으로 모형 훈련 및 서비스 속도 요건을 만족시키면서 모바일 앱스토어 앱 가입률이 크게 향상 시킬 수 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
관광추천검색 시스템에서 암기란?
그러나, 관광추천검색 시스템의 한 가 지 난점은 일반적인 검색 순위 문제와 마찬가지 로 암기(Memorization)와 일반화(Generalization) 를 모두 달성해야 하는 문제가 존재한다[4]. 암기 는 동시에 발생하는 관광품목 또는 변수를 학습 하고 과거의 이력에서 이용 가능한 상관관계를 뽑아내는 작업으로 대략 정의된다[5]. 한편, 일반 화는 상관관계의 이행성(transtivity)에 기반하고 결코 또는 거의 발생하지 않은 새로운 변수 조합 을 탐구한다.
관광추천검색 시스템의 한계점은 무엇인가?
이런 추천 작업은 질의문이 주어졌을 때 데이터베이스 에서 관련 관광품목을 찾고 클릭 또는 구매 같은 특정 목표에 기반하여 품목 순위를 정하는 과정 이다[2, 3]. 그러나, 관광추천검색 시스템의 한 가 지 난점은 일반적인 검색 순위 문제와 마찬가지 로 암기(Memorization)와 일반화(Generalization) 를 모두 달성해야 하는 문제가 존재한다[4]. 암기 는 동시에 발생하는 관광품목 또는 변수를 학습 하고 과거의 이력에서 이용 가능한 상관관계를 뽑아내는 작업으로 대략 정의된다[5].
관광추천시스템의 작동 원리는?
일반적으로 관광추천시스템은 사용자 및 연관 정보 집합이 입력에 대한 관광키워드 기반의 질 의문이고, 관광품목마다 순위가 정해진 리스트인 검색 순위 시스템 일종으로 볼 수 있다[1]. 이런 추천 작업은 질의문이 주어졌을 때 데이터베이스 에서 관련 관광품목을 찾고 클릭 또는 구매 같은 특정 목표에 기반하여 품목 순위를 정하는 과정 이다[2, 3]. 그러나, 관광추천검색 시스템의 한 가 지 난점은 일반적인 검색 순위 문제와 마찬가지 로 암기(Memorization)와 일반화(Generalization) 를 모두 달성해야 하는 문제가 존재한다[4].
참고문헌 (17)
Fink, Kevin, and Todd Otis. "Systems and methods for recommended content platform." U.S. Patent No. 10,528,637. 7 Jan. (2020).
Wang, Zheng; Yinghao, J. I. A. Systems and methods for determining recommended information of a service request. U.S. Patent Application No 16, pp.729,277, (2020).
J. J. Tompson, A. Jain, Y. LeCun, and C. Bregler. Joint training of a convolutional network and a graphical model for human pose estimation. In Z. Ghahramani, M. Welling, C. Cortes, N. D. Lawrence, and K. Q.Weinberger, editors, NIPS, pp.1799-1807. (2014).
Duchi, John, Elad Hazan, and Yoram Singer. "Adaptive subgradient methods for online learning and stochastic optimization." Journal of machine learning research 12.Jul, pp.2121-2159, (2011).
He, Kaiming, et al. Deep residual learning for image recognition. In: Proceedings of the IEEE conference on computer vision and pattern recognition. pp.770-778, (2016).
T. Mikolov, A. Deoras, D. Povey, L. Burget, and J. H. Cernocky. Strategies for training large scale neural network language models. In IEEE Automatic Speech Recognition & Understanding Workshop, (2011).
Rendle, Steffen. "Factorization machines with libfm." ACM Transactions on Intelligent Systems and Technology (TIST) 3.3: pp.1-22, (2012).
H. Wang, N. Wang, and D.-Y. Yeung. Collaborative deep learning for recommender systems. In Proc. KDD, pages 1235-1244, (2015).
A. Dion, Paul, Rajshekhar Javalgi, and Janet Dilorenzo-Aiss. "An empirical assessment of the Zeithaml, Berry and Parasuraman service expectations model." Service Industries Journal 18.4: pp.66-86, (1998).
Fyall, Alan, et al. Marketing for Tourism and Hospitality: Collaboration, Technology and Experiences. Routledge, (2019).
Srivastava, Medha, and Saurabh Kumar Srivastava. "Revisiting the Inter-relations of Service Quality & Customer Loyalty: An Empirical Examination of Effects on Two Dimensional Model of Loyalty." PURUSHARTHA-A journal of Management, Ethics and Spirituality 12.1: pp.50-72, (2019).
GUO, Huifeng, et al. Deepfm: An end-to-end wide & deep learning framework for CTR prediction. arXiv preprint arXiv: 1804.04950, (2018).
Burel, Gregoire, Hassan Saif, and Harith Alani. "Semantic wide and deep learning for detecting crisis-information categories on social media." International Semantic Web Conference. Springer, Cham, (2017).
Seide, Frank, Gang Li, and Dong Yu. "Conversational speech transcription using context-dependent deep neural networks." Twelfth annual conference of the international speech communication association. (2011).
AGARAP, Abien Fred. Deep learning using rectified linear units (relu). arXiv preprint arXiv:1803.08375, (2018).
Ba, Jimmy, and Brendan Frey. "Adaptive dropout for training deep neural networks." Advances in neural information processing systems. (2013).
Truong, Trung, Dinh-Liem Nguyen, and Michael Klibanov. "A numerical reconstruction algorithm for the inverse scattering problem with backscatter data." arXiv preprint arXiv:2002.08427 (2020).
※ AI-Helper는 부적절한 답변을 할 수 있습니다.