[논문]사용자 영화취향을 반영한 크로스미디어 플랫폼 도서 추천 시스템

김성섭; 한선우; 목하은; 최혜봉

doi:10.17703/jcct.2021.7.1.582

사용자 영화취향을 반영한 크로스미디어 플랫폼 도서 추천 시스템
Cross Media-Platform Book Recommender System: Based on Book and Movie Ratings 원문보기

Journal of the convergence on culture technology : JCCT = 문화기술의 융합, v.7 no.1, 2021년, pp.582 - 587

김성섭 (한동대학교 ICT 창업학부) , 한선우 (한동대학교 ICT 창업학부) , 목하은 (한동대학교 ICT 창업학부) , 최혜봉 (한동대학교 ICT 창업학부)

초록
AI-Helper

도서 취향을 고려하여 도서를 추천해주는 도서 추천 시스템은 사용자의 독서 경험과 독서에 대한 인식 개선에 효과적이다. 축적된 사용자 평점 기록이 상대적으로 적은 도서의 경우 추천 정확도에 한계가 나타난다. 본 연구에서는 상대적으로 풍부한 사용자 평점 데이터를 가진 영화 평점 정보를 이용하여 사용자에게 맞춤형 도서를 추천하는 추천 시스템을 제안한다. 제안하는 방법을 통해 도서 추천의 정확도를 높이고 보다 다양한 종류의 추천을 수행하는데 효과적임을 보였다. 영화 평점 데이터를 활용한 도서추천 시스템은 도서 분야 외 타 미디어 플랫폼의 데이터를 도서추천에 활용하는 의미 있는 시도가 될 것으로 예상한다.

Abstract ▼ AI-Helper

Book recommender system, which suggests book to users according to their book taste and preference effectively improves users' book-reading experience and exposes them to variety of books. Insufficient dataset of book rating records by users degrades the quality of recommendation. In this study, we suggest a book recommendation system that makes use of user's book ratings collaboratively with user's movie ratings where more abundant datasets are available. Through comprehensive experiment, we prove that our methods improve the recommendation quality and effectively recommends more diverse kind of books. In addition, this will be the first attempt for book recommendation system to utilize movie rating data, which is from the media-platform other than books.

주제어

표/그림 (6)

표 표 1. 사용자 평점 행렬 Table 1. User Rating Matrix
표 표 2. 상품 유사도 행렬 Table 2. Item Similarity Matrix
표 표 3. 도서 평점 행렬과 영화 평점 행렬 Table 3. User Book Rating Matrix and User Movie Rating Matrix
그림 그림 1. 유사도 가중치(α) 변화에 따른 추천 정확도 변화 Figure 1. RMSE values over α value settings
그림 그림 2. 사용자 평점 수에 따른 추천 정확도 변화 Figure 2. RMSE values according to the number of user's ratings
그림 그림 3. delta 값에 따른 추천 정확도 변화 Figure 3. RMSE values according to delta settings

AI 본문요약
AI-Helper

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

문제 정의

data-checked="false">그러나현재까지도서추천을위해영화나TV프로그램과같은다른미 디어플랫폼의데이터를활용하는사례는찾기어렵다. 본연구에서는도서평가점수데이터가불충분하여도 서의 추천 정확도가 낮아지는 문제를 해결하기 위해, 상대적으로데이터가풍부한영화평점데이터를함께 활용하여도서추천의정확도및효과를향상하고자하 였다.
부족한평점데이터의양은추천정확도의저하를일으 킨다.본연구에서는상대적으로풍부하고접근성이높 은영화평점기록을도서평점기록과함께도서추천 에사용하는방법을제안한다.이를통해도서평점만 사용하는추천과비교하여보다정확하고효과적인추 천을수행한다.

가설 설정

data-checked="false">제안한추천알고리즘에서는사용자의영화취향과독서취향사이에일관성이있음을가정하였다.따라서 영화평점과도서평점을사용하여사용자들사이의취 향의 유사도를 판단하였다.
그림3edelta값의변화에따라추천정확도 가어떻게변화하는지나타낸그래프이다.유사도가중 치(α)는0.25로설정하였다.delta값이커지면영화평 점유사도와도서평점유사도의간극이큰사용자를 허용한다.

제안 방법

261, 449건의 도서 평점 중 75%인 196, 087건의 평점을 추천에 사용하여 사용자유사도를계산하였고, 나머지25%인65, 362 건의평점은배제하였다.UBCF알고리즘에의해계산 된예상평점과추천에서배제한65, data-checked="false">362건의평점을비교하여오차를계산추천의정확도를측정하였다.정확 도계산은평균제곱근오차(RootMeanSquareError; RMSE)를 사용하였다.
평점기록을바탕으로사 용자사이의유사도를측정하는방법을사용자기반협 업필터링(User-based CF: UBCF)이라고한다. data-checked="false">추천은사용자의평점기록이없는상품들을대상으로이루어 지며, 유사한 사용자들의 해당 상품들에 대해 data-checked="false">평가한평점들의평균을계산하여상품에대한선호도를예상 한다.아래표1은각상품에대한사용자평점을표현 한사용자평점행렬(UserRatingMatrix)이다.
도서 평점 데이터를 사용 한도서 추천시스템의성능을평가하기위해서261, data-checked="false">449건의도서평점을사용하여사용자기반협업필터링알고리즘을사용하여추천 시스템을 구현하였다. 실험 환경은 R version 4.
data-checked="false">그림2는사용자의도서평점수에따른추천정확도변화를나타낸그래프이다.도서평점수에따라평 점이50개미만인사용자, 50개 이상 100개 미만인 사용자, 100개이상200개미만인사용자, 200개 이상인 사용자 4그룹으로 나누어 추천 정확도를 측정하였다. 도서평점데이터만추천에사용한경우와마찬가지로 평점데이터가풍부한사용자에대한추천성능이높게 나타났으며, data-checked="false">유사도계산에서영화평점의비중을높일때정확도가높아졌다.
data-checked="false">제안한추천알고리즘에서는사용자의영화취향과독서취향사이에일관성이있음을가정하였다.따라서 영화평점과도서평점을사용하여사용자들사이의취 향의 유사도를 판단하였다. 그러나 이러한 가정은 data-checked="false">두사용자사이의영화평점유사도와도서평점유사도가 크게 차이가 나는 경우에 어긋날 가능성이 높아진다.
기존의도서추천시스템은사용자의도서평점기록이 누적됨에따라추천정확도가높아지는데, data-checked="false">이러한특성으로인해독서경험이상대적으로적은사용자에게효 과적인 추천이 어려운 한계점이 있다. 본 data-checked="false">연구에서는상대적으로풍부하고접근성이높은영화평점기록을 도서추천에반영하여, data-checked="false">정확도높고효과적인도서추천방법을제안하였다.종합적인실험을통해영화평점 데이터를도서평점데이터와함께도서추천에반영할 때, 추천의정확도를개선할수있음을검증하였다.
98로나타나실제평점과약1점정 도의오차가나타나는것을 알 수 있었다.사용자의도 서평점수에따른추천정확도의차이를살피기위해 5개이하의평점기록을가진사용자S그룹(75%), 6개 이상 500 이하의평점을기록한 사용자 M그룹(15%), 501개이상의평점기록을가진사용자L그룹(10%)으 로 분류하여 분석하였다. 각 그룹별 추천 결과의 RMSE값eS그룹1.
게얻을 수 있다.사용자의도서취향과영화취향사 이에는일정이상의연관성이있다는가정을갖고본 연구에서는영화평점과도서평점을동시에사용하여 도서를추천하는방법을제안한다.
실험을위해서Rversion4.0.2를사용하였고, data-checked="false">제안한알고리즘의유사도계산방식을적용하기위해서패키 지를사용하지않고사용자기반협업필터링을직접 구현하여추천을수행하였다.전체도서평점261, 449건 중 25%인 65, 362건에 대한 예상 평점을 계산하여 실제평점과의 평균 제곱근 오차(RMSE)를 계산하여 추천정확도를 측정하였다.
도서추천을 위해CBF를적용하는연구또한이루어졌다.이연구 에서는 TF-IDF(Term Frequency-Inverse Document Frequency), data-checked="false">LDA(LatentDirichletAllocation)알고리즘과같은텍스트마이닝기법을사용하여도서의핵심 내용을추출하여이를이용하여사용자에게도서를추 천하였다[12].또한다른연구에서는효과적인도서추 천을위해협업필터링과CBF의단점을서로보완하는 하이브리드방식을제안하였다[10].
이 를해결하기위해서사용자별로더욱많은평점기록이 필요하지만정작추천이필요한“어떤책을읽을지몰 라서”독서에어려움을느끼는사용자들의대부분은충 분한도서평점기록을가지지못한다.이처럼데이터 가풍부하지못하고불충분함으로인해나타나는추천 성능의한계점을극복하기위해서, data-checked="false">상대적으로풍부한데이터를갖춘영화평점정보를함께활용하여사용자 의성향을파악하고추천을수행하는알고리즘을제안 한다.
첫째, data-checked="false">도서평점기록을수집/분석하여데이터의특성을파악하고협업필터링기반도서추천시스템의 성능과한계를확인하였다.

대상 데이터

도서 추천시스템 구현을위해 왓챠피디아 사용자 2520명을임의로추출하여, 사용자들의 영화 및책평점을 수집하였다.왓챠피디아는영화, TV프로그램, data-checked="false">도서세종류의미디어플랫폼에대해사용자평점및리 뷰를제공한다.
수집한데이터 는261, 449건의도서평점과1, 378, 815건의 영화 평점으로 구성되었으며, 각평점기록은평점>의형태로저장된다.

데이터처리

2-6을사용하여UBCF를수행하였다[13].사용자간유사도 계산은피어슨상관계수를사용하였다.261, 449건의 도서 평점 중 75%인 196, 087건의 평점을 추천에 사용하여 사용자유사도를계산하였고, 나머지25%인65, 362 건의평점은배제하였다.
시스템을 구현하였다. 실험 환경은 R version 4.0.2를 사용하였고 recommenderlab package version data-checked="false">0.2-6을사용하여UBCF를수행하였다[13].사용자간유사도 계산은피어슨상관계수를사용하였다.
2를사용하였고, data-checked="false">제안한알고리즘의유사도계산방식을적용하기위해서패키 지를사용하지않고사용자기반협업필터링을직접 구현하여추천을수행하였다.전체도서평점261, 449건 중 25%인 65, 362건에 대한 예상 평점을 계산하여 실제평점과의 평균 제곱근 오차(RMSE)를 계산하여 추천정확도를 측정하였다.
UBCF알고리즘에의해계산 된예상평점과추천에서배제한65, data-checked="false">362건의평점을비교하여오차를계산추천의정확도를측정하였다.정확 도계산은평균제곱근오차(RootMeanSquareError; RMSE)를 사용하였다. 실제 평점과 예상평점의 차를 제곱한 후 평균을 내어, data-checked="false">이를제곱근한값으로예상평점이실제평점과어느정도의차이를나타내는지표현 하는 지표이다.

성능/효과

실제 평점과 예상평점의 차를 제곱한 후 평균을 내어, data-checked="false">이를제곱근한값으로예상평점이실제평점과어느정도의차이를나타내는지표현 하는 지표이다. 65, 362건의 검증용 데이터에 대한 RMSE의값이약0.98로나타나실제평점과약1점정 도의오차가나타나는것을 알 수 있었다.사용자의도 서평점수에따른추천정확도의차이를살피기위해 5개이하의평점기록을가진사용자S그룹(75%), 6개 이상 500 이하의평점을기록한 사용자 M그룹(15%), 501개이상의평점기록을가진사용자L그룹(10%)으 로 분류하여 분석하였다.
사용자의도 서평점수에따른추천정확도의차이를살피기위해 5개이하의평점기록을가진사용자S그룹(75%), 6개 이상 500 이하의평점을기록한 사용자 M그룹(15%), 501개이상의평점기록을가진사용자L그룹(10%)으 로 분류하여 분석하였다. 각 그룹별 추천 결과의 RMSE값eS그룹1.1, M그룹1.05, L그룹 0.96으로나타났다.즉, data-checked="false">독서를많이하여도서평점기록이많은사용자일수록더욱정확한추천이가능하다.
도서평점수에따라평 점이50개미만인사용자, 50개 이상 100개 미만인 사용자, 100개이상200개미만인사용자, 200개 이상인 사용자 4그룹으로 나누어 추천 정확도를 측정하였다. 도서평점데이터만추천에사용한경우와마찬가지로 평점데이터가풍부한사용자에대한추천성능이높게 나타났으며, data-checked="false">유사도계산에서영화평점의비중을높일때정확도가높아졌다.특히추천수가적은사용자그 룹에서는영화비중을높일때추천정확도가비교적 큰폭으로개선됨을확인할 수 있다.
둘째, data-checked="false">영화평점기록을반영한도서추천시스템을제안하여기존도서추천방법의한계점을극복하고성 능을개선하였다.
셋째, data-checked="false">종합적인실험을통해서제안하는도서추천시스템의효과를입증하고추천정확도가개선되었음 을확인하였다.
본 data-checked="false">연구에서는상대적으로풍부하고접근성이높은영화평점기록을 도서추천에반영하여, data-checked="false">정확도높고효과적인도서추천방법을제안하였다.종합적인실험을통해영화평점 데이터를도서평점데이터와함께도서추천에반영할 때, 추천의정확도를개선할수있음을검증하였다.

참고문헌 (13)

S.H. Yoon, "The economic effects of reading (독서의 경제적 영향)" KERI Brief 16-11 pp.3, 2016.
Ministry of Culture, Sports and Tourism and KPRI(Korean Publishing Research Institute), "National Reading Survey 2019 (2019년 국민 독서실태 조사)" 2020.
Jie Lu, Dianshuang Wu, Mingsong Mao, Wei Wang, Guangquan Zhang, "Recommender System Application Developments: A Survey." Decision Support Systems pp.12-32, 2015
N.J. Kwak, D.Y. Kim, M.H. Kim, J.S. Kim, S.H. Myung, Y.B. Yoon, J.H. Choi, "Cody Recommendation System Using Deep Learning and User Preferences" International Journal of Advanced Culture Technology (IJACT) Vol. 7, No.4, pp.321-326, 2019

원문보기 상세보기
K.H. Sung, G.H. Ryu, D.Y. Yun, "Proposal of Personalized Recommendation for Korean Food and Tour Using Beacon System" The Journal of the Convergence on Culture Technology (JCCT) Vol. 6, No. 3 pp.267-273, 2020

원문보기 상세보기
Yan Shen, H.C. Shin, D.G. Kim, Y.H. Hong, P.K. Rhee "Reinforcement Learning Algorithm Based Hybrid Filtering Image Recommender System" The institute of internet, Broadcasting and Communication (IIBC) Vol. 12, No. 3, 2012
J.W. Kim, K.H. Park, "Personalized Group Recommendation Using Collaborative Filtering and Frequent Pattern" The Journal of Korean Institute Of Communications and Information Sciences, Vol. 41, No. 7, pp.768-774, 2016

원문보기 상세보기
Y.J. Jung, Y.H. Cho, "Topic Modeling-based Book Recommendations Considering Online Purchase Behavior" The Knowledge Management Society of Korea, Vol. 18, No. 4, pp.97-118, 2017
WatchaPedia, https://pedia.watcha.com/ko-KR
J.W. Kim, K.H. Park, "Personalized Group Recommendation Using Collaborative Filtering and Frequent Pattern" The Journal of Korean Institute of Communications and Sciences Vol. 41, No. 7, pp. 768-774, 2016
W.T. Yoon, D.S. Park "Book recommendation system using collaborative filtering and opinion mining" Korea Information Processing Society pp.504-507, 2018
G.Y. Oh, D.D. Kim, C.Y. Kim, "Givemebook, best book recommendation system through data analysis" Korean Institute of Information Scientists And Engineers Academic Publications pp.2357-2359, 2018
M. Hahsler, "recommenderlab: A framework for developing and testing recommendation algorithms.", 2015

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증