[논문]LOD-기반 추천 시스템에서 LOD 그래프에 가중치를 사용한 의미 거리 측정 모델

허원회

doi:10.15207/jkcs.2021.12.7.053

LOD-기반 추천 시스템에서 LOD 그래프에 가중치를 사용한 의미 거리 측정 모델
A Semantic Distance Measurement Model using Weights on the LOD Graph in an LOD-based Recommender System 원문보기

한국융합학회논문지 = Journal of the Korea Convergence Society, v.12 no.7, 2021년, pp.53 - 60

허원회 (성결대학교 미디어소프트웨어학부)

초록
AI-Helper

LOD-기반 추천 시스템은 보통 DBpedia와 같은 LOD 데이터세트 내에서 사용가능한 데이터를 활용하여 최종 사용자에게 영화, 책, 음악과 같은 아이템을 추천한다. 이러한 시스템은 링크드 데이터 리소스 쌍 간의 일치 정도를 측정하는 의미 유사도 알고리즘을 사용한다. 이 논문에서는 LOD 그래프의 링크에 사용자 평가 등급을 변환한 가중치를 할당하여 LOD-기반 추천 시스템에서 의미 거리를 측정하는 새로운 접근방식을 제안했다. 이 논문에서 제안된 의미 거리 측정 모델은 가중치 계산을 통해 그래프가 사용자에게 개인화되는 처리 단계와 이러한 가중치를 LDSD에 적용하는 방법을 기반으로 한다. 실험 결과는 다른 유사한 방법들과 비교하여 제안된 방법이 더 높은 정확도를 보였으며, 추천 시스템의 의미 거리 측정의 범위를 넓혀서 유사도 향상에 기여하였다. 향후 연구로는 다른 방법의 LOD-기반 유사도 측정을 사용하여 모델에 미치는 영향을 분석하는 것을 목표로 한다.

Abstract ▼ AI-Helper

LOD-based recommender systems usually leverage the data available within LOD datasets, such as DBpedia, in order to recommend items(movies, books, music) to the end users. These systems use a semantic similarity algorithm that calculates the degree of matching between pairs of Linked Data resources. In this paper, we proposed a new approach to measuring semantic distance in an LOD-based recommender system by assigning weights converted from user ratings to links in the LOD graph. The semantic distance measurement model proposed in this paper is based on a processing step in which a graph is personalized to a user through weight calculation and a method of applying these weights to LDSD. The Experimental results showed that the proposed method showed higher accuracy compared to other similar methods, and it contributed to the improvement of similarity by expanding the range of semantic distance measurement of the recommender system. As future work, we aim to analyze the impact on the model using different methods of LOD-based similarity measurement.

주제어

표/그림 (7)

그림 Fig. 1. RDF Structure
그림 Fig. 2. The system architecture of the proposed method
그림 Fig. 3. A portion of dataset describing a movie domain
표 Table 1. The Conversion of Rating Scale
표 Table 2. Collection of user triples from graph G'
표 Table 3. Collection of source triples from graph G'
표 Table 4. Results of the recommender system using different distance measures

참고문헌 (15)

T. D. Noia & V. C. Ostuni. (2015). Recommender System and Linked Open Data. Reasoning Web 2015: Reasoning Web. Web Logic Rules, 88-113. DOI: 10.1007/978-3-319-21768-0_4
J. G. Cho. (2020). A New Semantic Distance Measurement Method using TF-IDF in Linked Open Data. Journal of the Korea Convergence Society, 11(10), 89-96. DOI : 10.15207/JKCS.2020.11.10.089

원문보기 상세보기
S. Alfarhood, K. Labille & S. Gauch. (2017) PLDSD: Propagated Linked Data Semantic Distance. IEEE 26th International Conference on Enabling Technologies: Infrastructure for Collaborative Enterprises(WETICE), 278-283. DOI: 10.1109/WETICE.2017.16
A. Passant. (2010, March). Measuring Semantic Distance on Linking Data and Using it for Resources Recommendations. In AAAI Spring Symposium: Linked Data Meets Artificial Intelligence, 77, 123-129.
G. Piao & J. G. Breslin. (2016). Measuring Semantic Distance for Linked Open Data-enabled Recommander Systems. SAC '16: Proceedings of the 31st Annual ACM Symposium on Applied Computing, 315-320. DOI: 10.1145/2851613.2851839
C. Figueroa, I. Vagliano, O. R. Rocha & M. Morisio. (2015, December). A systematic literature review of Linked Data-based recommender systems. Concurrency and Computation: Practice and Experience, 27(17), 4659-4684. DOI: 10.1002/cpe.3449

상세보기
G. Piao, S. S. Ara & J. G. Breslin. (2015). Computing the Semantic Similarity of Resources in DBpedia for Recommendation Purposes. In 5th Joint International Semantic Technology Conference, 185-200, Springer, Cham. DOI: 10.1007/978-3-319-31676-5
C. Musto, P. Lops, P. Basile, M. D. Gemmis & G. Semeraro. (2016). Semantics-aware Graph-based Recommender Systems Exploiting Linked Open Data. In UMAP'16, 229-237. DOI: 10.1145/2930238.2930249
T. D. Noia, C. Magarelli, A. Maurino, M. Palmonari & A. Rula. (2018). Using Ontology-Based Data Summarization to Develop Semantics-Aware Recommender Systems. In ESWC 2018, 128-144.
A. Passant. (2010). Dbrec: Music Recommendations Using DBpedia. In ISWC 2010- Volume Part II, Springer-Verlag, 209-224.
F. Ricci, L. Rokach & B. Shapira. (2015). Recommender systems: introduction and challenges. In Recommender systems handbook. Springer International Publishing, 1-34.
Google. (2021). Movielens 1M Dataset. grouplens [Online]. https://grouplens.org/datasets/movielens/1m/
Google. (2021). MappingMovielens2DBpedia.researchGate [Online]. https://www.researchgate.net/publication/297369577_mapping-movielens-dbpedia
D. Khongorzul, S. M. Lee & M. H. Kim. (2019). OrdinalEncoder based DNN for Natural Gas Leak Prediction. Journal of the Korea Convergence Society, 10(10), 7-13. DOI : 10.15207/JKCS.2019.10.10.007

원문보기 상세보기
J. G. Cho. (2020). A User's location localization method using Smartphone sensor on a subway. Journal of the Korea Convergence Society, 11(3), 37-43. DOI : 10.15207/JKCS.2020.11.3.037

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