[논문]A personalized exercise recommendation system using dimension reduction algorithms

Lee, Ha-Young; Jeong, Ok-Ran

doi:10.9708/jksci.2021.26.06.019

A personalized exercise recommendation system using dimension reduction algorithms 원문보기

韓國컴퓨터情報學會論文誌 = Journal of the Korea Society of Computer and Information, v.26 no.6, 2021년, pp.19 - 28

Lee, Ha-Young (Dept. of AI.SW, Gachon University) , Jeong, Ok-Ran (Dept. of AI.SW, Gachon University)

초록
AI-Helper

코로나로 인해 건강관리에 대한 관심이 증가하고 있는 요즘, 여러 사람이 함께 이용하는 헬스장이나 공용시설을 이용하는데 어려움이 늘어남에 따라 홈 트레이닝을 하는 이들이 늘어나고 있다. 이에 본 연구에서는 홈 트레이닝 사용자들에게 좀 더 정확하고 의미 있는 운동 추천을 제공하기 위해 개인 성향 정보를 활용한 개인화된 운동 추천 알고리즘을 제안한다. 이를 위해 식습관 정보, 육체적 조건 등 개인을 나타낼 수 있는 개인 성향 정보를 사용해 k-최근접 이웃 알고리즘으로 데이터를 비만의 기준에 따라 분류하였다. 또한, 운동 데이터 셋을 운동의 레벨에 따라 등급을 구별하였으며 각 데이터 셋의 이웃 정보를 바탕으로 모델 기반 협업 필터링 방법 중 차원 축소모델인 특이값 분해 알고리즘(SVD)을 통해 사용자들에게 개인화된 운동 추천을 제공한다. 따라서 메모리 기반 협업 필터링 추천 기법의 데이터 희소성과 확장성의 문제를 해결할 수 있고, 실험을 통해 본 연구에서 제안하는 알고리즘의 정확도와 성능을 검증한다.

Abstract ▼ AI-Helper

Nowadays, interest in health care is increasing due to Coronavirus (COVID-19), and a lot of people are doing home training as there are more difficulties in using fitness centers and public facilities that are used together. In this paper, we propose a personalized exercise recommendation algorithm using personalized propensity information to provide more accurate and meaningful exercise recommendation to home training users. Thus, we classify the data according to the criteria for obesity with a k-nearest neighbor algorithm using personal information that can represent individuals, such as eating habits information and physical conditions. Furthermore, we differentiate the exercise dataset by the level of exercise activities. Based on the neighborhood information of each dataset, we provide personalized exercise recommendations to users through a dimensionality reduction algorithm (SVD) among model-based collaborative filtering methods. Therefore, we can solve the problem of data sparsity and scalability of memory-based collaborative filtering recommendation techniques and we verify the accuracy and performance of the proposed algorithms.

주제어

표/그림 (14)

그림 Fig. 1. Content-based Filtering Process
그림 Fig. 2. Memory-based Collaborative Filtering
표 Table 1. Result of logistic regression
표 Table 2. Obesity user dataset
표 Table 3. Exercise item dataset
그림 Fig. 3. Recommendation System Architecture
그림 Fig. 4. Item User Make Matrix
표 Table 4. Item user matrix
그림 Fig. 5. Result of different epochs
그림 Fig. 6. Result of different learning rate
표 Table 5. Result of different n_epochs
표 Table 6. Result of different learning rate
표 Table 7. Comparison with other techniques by precision, recall, f1 score values
표 Table 8. Comparison with other model by RMSE values

AI 본문요약
AI-Helper

문제 정의

또한, 사용자가 구매한 아이템이 너무 적을 때 성향 분석을 통한 추천이 거의 불가능하고, 반대로 사용자와 아이템의 수가 너무 많을 경우 유사도와 선호도의 계산에 있어 많은 계산 비용이 발생하는 문제인 메모리 기반 협업 필터링 방법의 문제점을 해결하고자, 본 논문에서는 모델 기반협업 필터링 방법으로 추천을 진행한다.
본 연구에서는 비만 데이터 셋인 사용자 관련 데이터 셋과 운동 데이터 셋인 아이템 관련 데이터 셋을 사용해 사용자들에게 의미 있는 운동 추천을 제공하고자 한다. 이때, 더욱 개인 맞춤화된 운동을 사용자에게 추천하기 위해 신체적 조건, 식습관 정보 등의 개인 성향 정보를 사용하여 비만의 정도를 구별하였다.
이에 본 연구에서는 홈 트레이닝을 하는 사용자들에게 개인 맞춤화된 운동 추천을 제공하도록 개인 성향 정보를 활용한 추천시스템을 개발한다. 비만 데이터 셋에서 사용자의 식습관 정보, 육체적 조건 등 개인 성향 정보를 바탕으로 그룹으로 나누는 데이터 분류 알고리즘을 진행하고, 운동 데이터 셋 역시 운동의 레벨에 따라 데이터를 분류한다.
또한, 건강관리에 더욱 신경을 쓰게 되면서 자연스럽게 헬스케어 시스템에 대한 요구도 증가하고 있다. 이에 사람들은 자신의 신체조건 등의 개인 정보에 따라 운동 효율을 높일 수 있는 운동을 찾고자 한다.

제안 방법

따라서 해당 그룹 정보와 모델 기반 협업 필터링 방법 중 차원 축소 기법인 특이값 분해 알고리즘(SVD)을 사용해 추천 시스템을 구현한다. 그 후, 추천이 제대로 제공되고 있는지 정확도, 재현율, 정밀도 등 값의 계산을 통해 알아본다. 또한 다른 추천 실험 방법과의 비교 실험을 통해본 연구의 성능을 검증한다.
비만 데이터 셋에서 사용자의 식습관 정보, 육체적 조건 등 개인 성향 정보를 바탕으로 그룹으로 나누는 데이터 분류 알고리즘을 진행하고, 운동 데이터 셋 역시 운동의 레벨에 따라 데이터를 분류한다. 따라서 해당 그룹 정보와 모델 기반 협업 필터링 방법 중 차원 축소 기법인 특이값 분해 알고리즘(SVD)을 사용해 추천 시스템을 구현한다. 그 후, 추천이 제대로 제공되고 있는지 정확도, 재현율, 정밀도 등 값의 계산을 통해 알아본다.
그 후, 추천이 제대로 제공되고 있는지 정확도, 재현율, 정밀도 등 값의 계산을 통해 알아본다. 또한 다른 추천 실험 방법과의 비교 실험을 통해본 연구의 성능을 검증한다.
본 연구에서 제안하는 추천 시스템이 잘 구현되었는지 알아보기 위해 분류와 회귀의 평가 척도들 중 정확도, 재현율 등 값의 계산을 통해 이를 확인한다. 또한, 본 연구에서 주장하는 추천 기법과 다른 추천 기법과의 비교 실험을 통해 본 연구의 정확도 및 성능에 대해 검증하고자 한다.
본 연구에서는 비만 데이터 셋인 사용자 관련 데이터 셋과 운동 데이터 셋인 아이템 관련 데이터 셋을 사용해 사용자들에게 의미 있는 운동 추천을 제공하고자 한다. 이때, 더욱 개인 맞춤화된 운동을 사용자에게 추천하기 위해 신체적 조건, 식습관 정보 등의 개인 성향 정보를 사용하여 비만의 정도를 구별하였다. 즉, 협업 필터링의 단점인데 이 터 희소성과 확장성의 문제를 해결하기 위해, 데이터를 분류하는 Classification 기법 중 k-최근접 이웃 알고리즘을 사용하여 사용자들을 k개의 이웃으로 나누어 추천을 진행한다.
본 장에서는 각 데이터 셋의 이웃 정보와 SVD 알고리즘을 사용하여 추천 시스템의 구현 방법에 대해 설명한다. 제안하는 추천 기법은 먼저 Item user matrix를 생성하고 여기에 SVD 알고리즘 적용하여 본 연구에서 소개하는 기준에 따라 추천 시스템을 구현한다.
이때, 더욱 개인 맞춤화된 운동을 사용자에게 추천하기 위해 신체적 조건, 식습관 정보 등의 개인 성향 정보를 사용하여 비만의 정도를 구별하였다. 즉, 협업 필터링의 단점인데 이 터 희소성과 확장성의 문제를 해결하기 위해, 데이터를 분류하는 Classification 기법 중 k-최근접 이웃 알고리즘을 사용하여 사용자들을 k개의 이웃으로 나누어 추천을 진행한다.

대상 데이터

운동 데이터 셋은 운동의 이름과 kg당 소모 칼로리 column으로 구성되어 있으며, 248개의 데이터가 존재한다. 비만 데이터 셋과 같이 데이터 셋을 여러 그룹으로 묶어 추천 시스템에 활용하고자 한다.

데이터처리

이에 모델의 복잡도를 줄이고자 여러 변수 중에서 유의미한 변수를 선택해 추출하는 과정이 필요하다. 따라서 여러 개인 성향 요소들이 비만의 정도를 결정하는데 각각 얼마나 영향을 미치는지 알아보기 위해 로지스틱 회귀 실험을 진행한다.
본 논문에서 제안하는 시스템의 실험을 위해 구글 Colab 에서 파이썬 Surprise 라이브러리를 사용하여 특이값 분해알고리즘을 구현하여 성능 계산과 비교 실험을 수행한다.
앞에서 제시한 분류 평가 척도인 precision, recall, F1, 그리고 accuracy를 사용해 본 연구에서 제안하는 추천 시스템의 예측 성능을 평가해 보았다.

이론/모형

위의 문제를 해결하기 위해 고차원의 행렬을 저차원의 행렬로 축소시키는 기법인 특이값 분해 SVD 알고리즘을 사용하여 추천을 구현한다. 차원을 축소시켜 분석의 정확성을 높이며 계산 속도도 줄일 수 있는 SVD 알고리즘을 통해 본 연구에서 정확도, 정밀도, 재현율, F1 measure 값, 그리고 RMSE 값까지 모두 우수한 성능을 나타냄을 확인할 수 있다.

성능/효과

차원을 축소시켜 분석의 정확성을 높이며 계산 속도도 줄일 수 있는 SVD 알고리즘을 통해 본 연구에서 정확도, 정밀도, 재현율, F1 measure 값, 그리고 RMSE 값까지 모두 우수한 성능을 나타냄을 확인할 수 있다. 또한, 다른 추천 기법과 비교 실험을 진행해 본 논문에서 제안하는 시스템이 충분한 성능을 발휘하고 있음을 알 수 있다.
위의 문제를 해결하기 위해 고차원의 행렬을 저차원의 행렬로 축소시키는 기법인 특이값 분해 SVD 알고리즘을 사용하여 추천을 구현한다. 차원을 축소시켜 분석의 정확성을 높이며 계산 속도도 줄일 수 있는 SVD 알고리즘을 통해 본 연구에서 정확도, 정밀도, 재현율, F1 measure 값, 그리고 RMSE 값까지 모두 우수한 성능을 나타냄을 확인할 수 있다. 또한, 다른 추천 기법과 비교 실험을 진행해 본 논문에서 제안하는 시스템이 충분한 성능을 발휘하고 있음을 알 수 있다.

후속연구

본 연구에서 제안하는 추천 시스템이 잘 구현되었는지 알아보기 위해 분류와 회귀의 평가 척도들 중 정확도, 재현율 등 값의 계산을 통해 이를 확인한다. 또한, 본 연구에서 주장하는 추천 기법과 다른 추천 기법과의 비교 실험을 통해 본 연구의 정확도 및 성능에 대해 검증하고자 한다.
향후 연구에서는 운동 추천뿐만 아니라 사용자들의 건강에 영향을 미칠 수 있는 다양한 요소들을 추천할 수 있도록 확장하고자 한다.

참고문헌 (16)

Jong-Chan Lee, and Moon-Ho Lee, "Big data-based information recommendation system," Journal of the Korea Institute of Information and Communication Engineering, Vol. 22, No. 3, pp. 443-450, Mar. 2018.

원문보기 상세보기
S. B. Ahire and H. K. Khanuja, "A Personalized Framework for Health Care Recommendation," 2015 International Conference on Computing Communication Control and Automation, pp. 442-445, Feb. 2015. doi: 10.1109/ICCUBEA.2015.92.
J. Das, P. Mukherjee, S. Majumder and P. Gupta, "Clustering-based recommender system using principles of voting theory," 2014 International Conference on Contemporary Computing and Informatics (IC3I), pp. 230-235, Nov. 2014. doi: 10.1109/IC3I.2014.7019655.
Dong-Wook Kim, Sung-Geun Kim, and Ju-Young Kang, "An Empirical Study on Hybrid Recommendation System Using Movie Lens Data," Korea Bigdata Society, Vol. 2, No. 1, pp.41-48, Feb. 2017.
J. Kim, K. Lee, D. Park and E. Jung, "Context-Aware U-Health Service: Identification of Exercise Recommendation Factors and Creation of Decision-Making Model Using Association Rule," 2013 International Conference on Information Science and Applications (ICISA), pp. 1-4, Aug. 2013. doi: 10.1109/ICISA.2013.6579439.
Jieun Son, Seoung Bum Kim, Hyunjoong Kim, and Sungzoon Cho, "Review and Anaylsis of Recommender Systems," Journal of the Korean Institute of Industrial Engineers, Vol. 41, No. 2, pp. 185-208, April. 2015.

원문보기 상세보기
Hyemin Ko, Serim Kim, and Namhi Kang, "Design and Implementation of Smart-Mirror Supporting Recommendation Service based on Personal Usage Data," KIISE Transactions on Computing Practices, Vol. 23, No. 1, pp. 65-73, Jan. 2017.

원문보기 상세보기
Seung-Yoon Jeong, and Hyoung Joong Kim, "A Recommender System Using Factorization Machine," Journal of Digital Contents Society, Vol. 18, No. 4, pp.707-712, 7. 2017.

원문보기 상세보기
Jiyeon Hyun, Sangyi Ryu, and Sang-Yong Lee, "How to improve the accuracy of recommendation systems : Combining ratings and review texts sentiment scores," Journal of Intelligence and Information Systems, Vol. 25, No. 1, pp. 219-239, Mar. 2019.

원문보기 상세보기
Kaggle, "Obesity based on eating habits & physical cond.", https://www.kaggle.com/ankurbajaj9/obesity-levels
Kaggle, "Calories Burned During Exercise and Activities", https://www.kaggle.com/aadhavvignesh/calories-burned-duringexercise-and-activities
Fabio Mendoza Palechor, and Alexis de la Hoz Manotas, "Dataset for estimation of obesity levels based on eating habits and physical condition in individuals from Colombia, Peru and Mexico," Data in Brief, Vol. 25, Aug. 2019.

상세보기
Geetha G, Safa M, Fancy C, and Saranya D, "A Hybrid Approach using Collaborative filtering and Content based Filtering for Recommender System," National Conference on Mathematical Techniques and its Applications (NCMTA 18), Vol. 1000, Jan. 2018. doi :10.1088/1742-6596/1000/1/012101

상세보기
Soyeon Jung, and Keumjin Lee, "Prediction Model with a Logistic Regression of Sequencing Two Arrival Flows," Journal of Korean Society for Aviatioin and Aeronautics, Vol. 23, No. 4, pp. 42-48, Dec. 2015.
Chan-soo Park, Taegyu Hwang, Junghwa Hong, and Sung Kwon Kim, "Recommendation Algorithm by Item Classification Using Preference Difference Metric," KIISE Transactions on Computing Practices, Vol. 21, No. 2, pp. 121-125, Feb. 2015.

원문보기 상세보기
In-Jeong Jeong, Bo-Mi Kim, Su-Kyung Kim, Kyeonah Yu, "News Recommendation System Based on Text and Image Tag Data," Journal of Digital Contents Society, Vol. 21, No. 3, pp. 479-486, Mar. 2020.

상세보기

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