[논문]빅데이터 추천시스템을 위한 과립기반 연관규칙 마이닝

박인규

doi:10.7236/jiibc.2021.21.3.67

초록
AI-Helper

연관규칙 마이닝은 여러 테이블에 숨겨진 패턴들의 관계를 나타내주는 방법이다. 요즈음에는 연관규칙 마이닝에 보다 세부적인 의미를 추가하기 위하여 과립화 논리를 이용하고 있다. 또한 기존의 데이터를 이용하여 추천하는 기존의 시스템과는 달리 과립화 연관규칙에서는 신규 가입자나 신규상품에 대한 추천의 경우도 가능하다. 따라서 연관규칙의 과립화의 정성적인 크기를 결정하는 것이 추천 시스템의 성능을 좌우한다. 본 논문에서는 관람자가 평가한 영화에 대한 관계를 파악하기 위하여 퍼지논리와 샤논 엔트로피 개념을 이용하여 관람자와 영화데이터에 대한 과립화 방법을 제안한다. 연구는 관람자와 영화간의 연관규칙의 함의에 결정적인 역할을 하는 데이터의 과립화의 크기를 결정하는 부분과 이러한 과립화를 이용하여 관람자와 영화간의 연관규칙을 추출하는 두 번째 부분으로 구성되어 있으며 넷플릭스의 MovieLens데이터를 이용하여 분석하였다. 최종적으로 도출된 연관규칙의 의미와 추천의 정확도 및 고려해야하는 함의를 제시하였다.

Abstract ▼ AI-Helper

Association rule mining is a method of showing the relationship between patterns hidden in several tables. These days, granulation logic is used to add more detailed meaning to association rule mining. In addition, unlike the existing system that recommends using existing data, the granulation relat...

Association rule mining is a method of showing the relationship between patterns hidden in several tables. These days, granulation logic is used to add more detailed meaning to association rule mining. In addition, unlike the existing system that recommends using existing data, the granulation related rules can also recommend new subscribers or new products. Therefore, determining the qualitative size of the granulation of the association rule determines the performance of the recommendation system. In this paper, we propose a granulation method for subscribers and movie data using fuzzy logic and Shannon entropy concepts in order to understand the relationship to the movie evaluated by the viewers. The research is composed of two stages: 1) Identifying the size of granulation of data, which plays a decisive role in the implications of the association rules between viewers and movies; 2) Mining the association rules between viewers and movies using these granulations. We preprocessed Netflix's MovieLens data. The results of meanings of association rules and accuracy of recommendation are suggested with managerial implications in conclusion section.

주제어

표/그림 (9)

표 표 1. 다대다 객체 관계시스템 Table I. Many-to-many entity-relationship system
그림 그림 1. 샤논 엔트로피 함수 Fig. 1. Shannon entropy function
그림 그림 3. 나이속성의 이산화에 대한 클러스터링 Fig. 3. Clustering of age's discretization
그림 그림 4. 배급년도의 이산화에 대한 클러스터링 Fig. 4. Clustering of release_year's discretization
그림 그림 2. 연관 규칙추출 알고리즘 Fig. 2. Association rule mining algorithm
그림 그림 5. 연관 규칙의 수(k₁=7) Fig. 5. The number of generated rules(k₁=7)
그림 그림 6. 발생된 규칙의 수(k₂=11) Fig. 6. The number of generated rules(k₁=11)
그림 그림 7. 발생된 규칙의 수(k₁=7 와 k₂=11) Fig. 7. The number of generated rules(k₁=7 and k₂=11)
그림 그림 8. 콜드 스타트 추천 성능(새로운 관람자의 경우) Fig. 8. Performance of cold-start recommandation (new users)

AI 본문요약
AI-Helper

문제 정의

본 논문에서는 Granular 연관 규칙 마이닝을 위하여 퍼지논리 기반의 이산화 접근법을 제안하였다. 제안된 방법의 이산화는 퍼지엔트로피에 기반하고 있기 때문에 정성적인 특성이 고려되어 의미적으로 더 풍부하고 강력하며 정확한 규칙을 추출하였다.
본 논문에서는 숫자 데이터에서 의미적으로 더 풍부하고 강력한 규칙을 보장하는 granules의 정확성을 높이기 위하여 퍼지논리와 샤논 엔트로피를 이용한 클러스터링 기법을 제안한다.

대상 데이터

콜드 스타트 추천을 위하여 새로운 관람자의 상황을 고려한다. sc = 0.4 및 tc = 0.3이고 60 % 데이터 (사용자 565 명, 영화 1009 개)를 훈련 세트로, 나머지 데이터 (사용자 378 명, 영화 673 개)를 테스트 세트로 무작위로 선택하였다. 그림 8에서는 각기 다른 30회의 샘플링을 통하여 계산된 평균값을 계산하였다.

성능/효과

제안된 방법의 이산화는 퍼지엔트로피에 기반하고 있기 때문에 정성적인 특성이 고려되어 의미적으로 더 풍부하고 강력하며 정확한 규칙을 추출하였다. 따라서 이산화에 의한 granules의 적절한 설정은 연관규칙에 의한 접근 방식에서 유용한 규칙을 얻는 데 중요한 요소임을 확인하였다. 제안된 방법은 동일 빈도 접근, 동일 너비 및 k- 평균 접근 방식보다 더 많은 규칙을 생성하는데 일조하였고 cold start 추천에서 더 나은 성과를 거두었다.
이는 이산화에 의한 클러스터링의 정확성에 기인한다고 생각된다. 위의 실험에서 알 수 있듯이 제안된 방법이 다른 콜드 스타트 권장 상황에서 추천을 개선하기 위해 다른 방식보다 성능이 우수하다는 것을 알 수 있었다.
따라서 이산화에 의한 granules의 적절한 설정은 연관규칙에 의한 접근 방식에서 유용한 규칙을 얻는 데 중요한 요소임을 확인하였다. 제안된 방법은 동일 빈도 접근, 동일 너비 및 k- 평균 접근 방식보다 더 많은 규칙을 생성하는데 일조하였고 cold start 추천에서 더 나은 성과를 거두었다.
본 논문에서는 Granular 연관 규칙 마이닝을 위하여 퍼지논리 기반의 이산화 접근법을 제안하였다. 제안된 방법의 이산화는 퍼지엔트로피에 기반하고 있기 때문에 정성적인 특성이 고려되어 의미적으로 더 풍부하고 강력하며 정확한 규칙을 추출하였다. 따라서 이산화에 의한 granules의 적절한 설정은 연관규칙에 의한 접근 방식에서 유용한 규칙을 얻는 데 중요한 요소임을 확인하였다.
그림 8에서는 각기 다른 30회의 샘플링을 통하여 계산된 평균값을 계산하였다. 추천 규칙의 수는 ms와 mt가 증가함에 따라 크게 감소함을 알 수 있었다. 또한 속성 데이터의 복잡성의 척도인 엔트로피에 의한 방법이 다른 항목보다 훨씬 더 많은 항목을 추천하였다.

참고문헌 (12)

R. Srikant and R. Agrawal, "Mining quantitative association rules in large relational tables," ACM SIGMOD Rec., vol. 25, no. 2, pp. 1-12, Jun. 1996.

상세보기
T. Y. Lin, "Granular computing on binary relations I: Data mining and neighborhood systems," in Proc. Rough Sets Knowl. Discovery, 1998, pp. 107-121.
A. I. Schein, A. Popescul, L. H. Ungar, and D. M. Pennock, "Methods and metrics for cold-start recommendations," in Proc. SIGIR, 2002, pp. 253-260.
G. Adomavicius and A. Tuzhilin, "Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions," IEEE Trans. Knowl. Data Eng., vol. 17, no. 6, pp. 1-18, Jun. 2005.

상세보기
M. Pazzani and D. Billsus, "Content-based recommendation systems," in The Adaptive Web, vol. 4321. Berlin, Germany: Springer-Verlag, 2007, pp. 325-341.

상세보기
L. Zadeh, "Towards a theory of fuzzy information granulation and its centrality in human reasoning and fuzzy logic," Fuzzy Sets Syst., vol. 19, no. 1, pp. 111-127, Sep. 1997.

상세보기
T. J. Li and W. X. Zhang, "Rough fuzzy approximations on two universes of discourse," Inf. Sci., vol. 178, no. 3, pp. 892-906, Feb. 2008.

상세보기
X. He, F. Min, and W. Zhu, "Parametric rough sets with application to granular association rule mining," Math. Problems Eng., vol. 2013, pp. 1-13, Oct. 2013.
Internet Movie Database. [Online]. Available: http://movielens. umn.edu, accessed Oct. 15, 2013.
Y. S. Im, E. Y. Kang, "MPEG-2 Video Watermarking in Quantized DCT Domain," The Journal of The Institute of Internet, Broadcasting and Communication(JIIBC), vol. 11, no. 1, pp. 81-86, 2011. DOI: https://doi.org/10.1109/tip.2006.873476

상세보기
I. Jeon, S. Kang, H. Yang, "Development of Security Quality Evaluate Basis and Measurement of Intrusion Prevention System," Journal of the Korea Academia-Industrial cooperation Society (JKAIS), vol. 11, no. 1, pp. 81-86, 2010. DOI: https://doi.org/10.5762/kais.2010.11.4.1449

원문보기 상세보기
J. S. Oh, B, S. Lee, "A Study for Lifespan Prediction of Expansion by Temperature Status", The Journal of KISTI, vol. 19, no. 10, pp. 424-429, 2018. DOI: http://dx.doi.org/10.5762/KAIS.2018.19.10.424

원문보기 상세보기

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

빅데이터 추천시스템을 위한 과립기반 연관규칙 마이닝
Granule-based Association Rule Mining for Big Data Recommendation System 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (9)

표/그림 (9)

AI 본문요약
AI-Helper

문제 정의

대상 데이터

성능/효과

참고문헌 (12)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

빅데이터 추천시스템을 위한 과립기반 연관규칙 마이닝 Granule-based Association Rule Mining for Big Data Recommendation System 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (9) 모든 표/그림 보기

표/그림 (9) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

대상 데이터

성능/효과

참고문헌 (12)

이 논문을 인용한 문헌

저자의 다른 논문 :

박인규 (40)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

빅데이터 추천시스템을 위한 과립기반 연관규칙 마이닝
Granule-based Association Rule Mining for Big Data Recommendation System 원문보기

초록
AI-Helper

표/그림 (9)

표/그림 (9)

AI 본문요약
AI-Helper