$\require{mediawiki-texvc}$

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.

잠재요인 모델 기반 영화 추천 시스템
Movie Recommendation System based on Latent Factor Model 원문보기

한국전자통신학회 논문지 = The Journal of the Korea Institute of Electronic Communication Sciences, v.16 no.1, 2021년, pp.125 - 134  

(전남대학교 대학원 컴퓨터공학과) ,  김강철 (전남대학교 전기전자컴퓨터공학부)

초록
AI-Helper 아이콘AI-Helper

영화 산업의 빠른 발전으로 영화의 제작 수가 급격하게 증가하고 있으며, 영화 추천 시스템은 관객들의 과거 행동이나 영화 후기에 기반하여 관객들의 선호도를 예측하여 영화의 선택에 도움을 주고 있다. 본 논문은 평점의 평균과 편향의 보정을 이용하여 잠재요인 모델에 기반한 영화 추천 시스템을 제안한다. 특이값 분해 방법이 평점 매트릭스 분해에 사용되고, 통계 경사 하강법이 최소자승 손실 함수의 파라미터 최적합에 사용된다. 그리고 평균 제곱근 오차를 사용하여 제안한 시스템 성능을 평가한다. Surprise 패키지를 이용하여 제안한 시스템을 구현 하였으며, 모의실험 결과는 평균 제곱근 오차가 0.671이며, 다른 논문에서 방법에 비하여 좋은 성능을 가진다는 것을 확인하였다.

Abstract ▼ AI-Helper 아이콘AI-Helper

With the rapid development of the film industry, the number of films is significantly increasing and movie recommendation system can help user to predict the preferences of users based on their past behavior or feedback. This paper proposes a movie recommendation system based on the latent factor mo...

주제어

#영화 추천시스템   #향상된 잠재요인모델   #평균 평점   #소비자 편향   #영화 편향   #예측 평점 구간  

표/그림 (13)

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

제안 방법

  • the huge data sparseness. In this paper, the latent factor model adds overall average rating, user bias, movie bias and rating prediction range adjustment. Besides, Root Mean Square Error(RMSE) is calculated because it is the most commonly used indicators to measure the accuracy of variables.
  • Item-based collaborative filtering focuses on the similarities between items that a user rates. Model-based collaborative filtering technique fits a model based on the previous rating of users and makes recommendations based on predictions by the fitted model. The typical model-based collaborative filtering is the latent factor model, whose main idea is to comprise an alternative method by transforming both movies and users to the same latent factor space.
  • The proposed model obtains the final adjusted rating matrix after traversing all data training. The last step is to make personalized recommendations for users of 10 movies based on the predicted rating matrix.
  • This paper focuses on sparse data challenge faced by the movie recommendation system, and the rating predicted by the latent factor model requires to add overall average rating and biases to complete further necessary improvements. Besides, the ratings predicted by the proposed model should be in the range of 0-5, which can get more accurate results.
  • This paper proposed the improved latent factor model with adjustment of overall average rating, user bias, movie bias and prediction rating range. The datasets in MovieLens are merged to make a rating matrix.

이론/모형

  • GridSearchCV can try all parameter combinations and report the best measurement parameters. In selecting the tuning parameters, 5-fold cross-validation is performed, and chooses RMSE as the measurement method. Table 6 shows the simulation results have the best RMSE 0.
  • The optimization of the least-square loss function is achieved by using stochastic gradient descent(SGD) algorithm. The algorithm updates the parameters by taking steps in the negative direction of gradient of the objective function, which directly leads towards a local minimum in equation(2) to (5).
  • optimization part. The proposed recommendation system runs a cross-validation procedure for a given algorithm, reporting accuracy measures and RMSE is used to report accuracy.
본문요약 정보가 도움이 되었나요?

참고문헌 (17)

  1. B. Patel, P. Desai, and U. Panchal, "Methods of recommender system: A review," 2017 International Conference on Innovations in Information, Embedded and Communication Systems (ICIIECS), Coimbatore, India, 2017, pp. 1-4. 

  2. S. Sharma, A. Sharma, Y. Sharma, and M. Bhatia, "Recommender system using hybrid approach," 2016 International Conference on Computing, Communication and Automation (ICCCA), Noida, India, 2016, pp. 219-223. 

  3. K. Shah, A. Salunke, S. Dongare, and K. Antala, "Recommender systems: An overview of different approaches to recommendations," 2017 International Conference on Innovations in Information, Embedded and Communication Systems (ICIIECS), Coimbatore, India, 2017, pp. 1-4. 

  4. L. Chen and C. Kim, "Design of E-Commerce Service on The Web Based on Data Mining", J. of the Korea Institute of Electronic Communication Science, vol. 15, no. 04, Aug. 2020, pp. 703-708. 

  5. S. Jain, A. Grover, P. Thakur, and S. Choudhary, "Trends, problems and solutions of recommender system," International Conference on Computing, Communication & Automation, Noida, India, 2015, pp. 955-958. 

  6. W. Liu, B. Wang, and D. Wang, "Improved Latent Factor Model in Movie Recommendation System," 2018 International Conference on Intelligent Autonomous Systems (ICoIAS), Singapore, Singapore, 2018, pp. 101-104. 

  7. R. Manjula and A. Chilambuchelvan, "Content Based Filtering Techniques in Recommendation System using user preferences," Int. J. Innov. Eng. Technol., vol. 7, no. 4, 2016, pp. 149-154. 

  8. H. Ceong and C. Park, "Enzyme Metabolite Analysis Using Assoication Rules Mining", J. of the Korea Institute of Electronic Communication Sciences, vol. 11, no. 10, 2016, pp. 969-982. 

    원문보기 상세보기 crossref

  9. S. Gong, H. Ye, and H. Tan, "Combining Memory-Based and Model-Based Collaborative Filtering in Recommender System," 2009 Pacific-Asia Conference on Circuits, Communications and Systems, Chengdu, China, 2009, pp. 690-693. 

  10. G. Linden, B. Smith, and J. York, "Amazon.com recommendations: item-to-item collaborative filtering," in IEEE Internet Computing, vol. 7, no. 1, 2003, pp. 76-80. 

    상세보기 crossref

  11. S. Kim and D. Cho and S. Bracha, "Design and Implementation of Hashtag Recommendation System Based on Image Label Extraction using Deep Learning", J. of the Korea Institute of Electronic Communication Science, vol. 15, no. 04, Aug. 2020, pp. 709-716. 

  12. Z. Jun-Yao, Z. Zi-Qian, S. Ji-Yun, and C. Jie-Hao, "Solutions to cold-start problems for latent factor models," 2017 17th International Symposium on Communications and Information Technologies (ISCIT), Cairns, Australia, 2017, pp. 1-5. 

  13. Z. Zhang, Y. Xiao, W. Zhu, X. Jiao, K. Zhu and H. Deng, "A context-aware recommendation system based on latent factor model," 2017 13th International Conference on Natural Computation, Fuzzy Systems and Knowledge Discovery (ICNC-FSKD), Guilin, China, 2017, pp. 1-6. 

  14. J. Zeng, "Latent Factor Models for Recommender Systems and Market Segmentation Through Clustering", Master Thesis, The Ohio State University, 2017. 

  15. H. Nguyen and T. Dinh, "A Modified Regularized Non-Negative Matrix Factorization for MovieLens," 2012 IEEE RIVF International Conference on Computing & Communication Technologies, Research, Innovation, and Vision for the Future, Ho Chi Minh City, Vietnam, 2012, pp. 1-5. 

  16. 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, ACM, New York, U.S.A, 2008. pp. 426-434. 

  17. M. Khoshneshin and W. N. Street, "Collaborative filtering via euclidean embedding", RecSys '10: Proceedings of the fourth ACM conference on Recommender systems, Barcelona Spain, Sep. 2010, pp. 87-94. 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

FREE

Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문

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