[논문]네트워크 분석을 활용한 딥러닝 기반 전공과목 추천 시스템

이재규; 박희성; 김우주

doi:10.13088/jiis.2021.27.3.095

네트워크 분석을 활용한 딥러닝 기반 전공과목 추천 시스템
Major Class Recommendation System based on Deep learning using Network Analysis 원문보기

지능정보연구 = Journal of intelligence and information systems, v.27 no.3, 2021년, pp.95 - 112

이재규 (연세대학교 산업공학과) , 박희성 (연세대학교 산업공학과) , 김우주 (연세대학교 산업공학과)

초록
AI-Helper

대학 교육에 있어서 전공과목의 선택은 학생들의 진로에 중요한 역할을 한다. 하지만, 산업의 변화에 발맞춰 대학 교육도 학과별 전공과목의 분야가 다양해지고 그 수가 많아지고 있다. 이에 학생들은 본인의 진로에 맞게 수업을 선택하여 수강하는 것에 어려움을 겪고 있다. 본 연구는 대학 전공과목 추천 모델을 제시함으로써 개인 맞춤형 교육을 실현하고 학생들의 교육만족도를 제고하고자 한다. 모델 연구에는 대학교 학부생들의 2015년~2017년 수강 이력 데이터를 활용하였으며, 메타데이터로는 학생과 수업의 전공 명을 사용했다. 수강 이력 데이터는 컨텐츠 소비 여부만을 나타낸 암시적 피드백 데이터로, 수업에 대한 선호도를 반영한 것이 아니다. 따라서 학생과 수업의 특성을 나타내는 임베딩 벡터를 도출했을 시, 표현력이 낮다. 본 연구는 이러한 문제점에 착안하여, 네트워크 분석을 통해 학생, 수업의 벡터를 생성하고 이를 모델의 입력 값으로 활용하는 Net-NeuMF 모델을 제시한다. 모델은 암시적 피드백을 가진 데이터를 이용한 대표적인 모델인 원핫 벡터를 이용하는 NeuMF의 구조를 기반으로 하였다. 모델의 입력 벡터는 네트워크 분석을 통해 학생과 수업의 특성을 나타낼 수 있도록 생성하였다. 학생을 표현하는 벡터를 생성하기 위해, 각 학생을 노드로 설정하고 엣지는 두 학생이 같은 수업을 수강한 경우 가중치를 가지고 연결되도록 설계했다. 마찬가지로 수업을 표현하는 벡터를 생성하기 위해 각 수업을 노드로 설정하고 엣지는 공통으로 수강한 학생이 있는 경우 연결시켰다. 이에 각 노드의 특성을 수치화 하는 표현 학습방법론인 Node2Vec을 이용하였다. 모델의 평가를 위해 추천 시스템에서 주로 활용하는 지표 4가지를 사용하였고, 임베딩 차원이 모델에 미치는 영향을 분석하기 위해 3가지 다른 차원에 대한 실험을 진행하였다. 그 결과 기존 NeuMF 구조에서 원-핫 벡터를 이용하였을 때보다 차원과 관계없이 평가지표에서 좋은 성능을 보였다. 이에 본 연구는 학생(사용자)와 수업(아이템)의 네트워크를 이용해 기존 원-핫 임베딩 보다 표현력을 높였다는 점, 모델을 구성하는 각 구조의 특성에 맞도록 임베딩 벡터를 활용하였다는 점, 그리고 기존의 방법론에 비해 다양한 종류의 평가지표에서 좋은 성능을 보였다는 점을 기여점으로 가지고 있다.

Abstract ▼ AI-Helper

In university education, the choice of major class plays an important role in students' careers. However, in line with the changes in the industry, the fields of major subjects by department are diversifying and increasing in number in university education. As a result, students have difficulty to choose and take classes according to their career paths. In general, students choose classes based on experiences such as choices of peers or advice from seniors. This has the advantage of being able to take into account the general situation, but it does not reflect individual tendencies and considerations of existing courses, and has a problem that leads to information inequality that is shared only among specific students. In addition, as non-face-to-face classes have recently been conducted and exchanges between students have decreased, even experience-based decisions have not been made as well. Therefore, this study proposes a recommendation system model that can recommend college major classes suitable for individual characteristics based on data rather than experience. The recommendation system recommends information and content (music, movies, books, images, etc.) that a specific user may be interested in. It is already widely used in services where it is important to consider individual tendencies such as YouTube and Facebook, and you can experience it familiarly in providing personalized services in content services such as over-the-top media services (OTT). Classes are also a kind of content consumption in terms of selecting classes suitable for individuals from a set content list. However, unlike other content consumption, it is characterized by a large influence of selection results. For example, in the case of music and movies, it is usually consumed once and the time required to consume content is short. Therefore, the importance of each item is relatively low, and there is no deep concern in selecting. Major classes usually have a long consumption time because they have to be taken for one semester, and each item has a high importance and requires greater caution in choice because it affects many things such as career and graduation requirements depending on the composition of the selected classes. Depending on the unique characteristics of these major classes, the recommendation system in the education field supports decision-making that reflects individual characteristics that are meaningful and cannot be reflected in experience-based decision-making, even though it has a relatively small number of item ranges. This study aims to realize personalized education and enhance students' educational satisfaction by presenting a recommendation model for university major class. In the model study, class history data of undergraduate students at University from 2015 to 2017 were used, and students and their major names were used as metadata. The class history data is implicit feedback data that only indicates whether content is consumed, not reflecting preferences for classes. Therefore, when we derive embedding vectors that characterize students and classes, their expressive power is low. With these issues in mind, this study proposes a Net-NeuMF model that generates vectors of students, classes through network analysis and utilizes them as input values of the model. The model was based on the structure of NeuMF using one-hot vectors, a representative model using data with implicit feedback. The input vectors of the model are generated to represent the characteristic of students and classes through network analysis. To generate a vector representing a student, each student is set to a node and the edge is designed to connect with a weight if the two students take the same class. Similarly, to generate a vector representing the class, each class was set as a node, and the edge connected if any students had taken the classes in common. Thus, we utilize Node2Vec, a representation learning methodology that quantifies the charac

주제어

표/그림 (11)

그림 Collaborative Filtering Process
그림 Neural Matrix Factorization Model
표 Number of Data after preprocessing
그림 Distribution with the number of students according to the number of classes taken
표 Density of Dataset
그림 Process of constructing network
그림 Process of node embedding from structured network
그림 Structure of Net-NeuMF
표 Evaluation metrics (Embedding size = 64, %)
그림 Comparison of Training Loss
표 Impact of Embedding Size (%)

참고문헌 (20)

Dudani, Sahibsingh A. "The distance-weighted k-nearest-neighbor rule." IEEE Transactions on Systems, Man, and Cybernetics 4 (1976): 325-327.

상세보기
Grover, Aditya, and Jure Leskovec. "node2vec: Scalable feature learning for networks." Proceedings of the 22nd ACM SIGKDD international conference on Knowledge discovery and data mining. (2016)
Han. Ji Won, HS. Lim, "The Recommendation System based on Collaborative Filtering for Adaptive Learning", The Korean Association Of Computer Education a collection of essays 157-160, (2015)
Harper, F. Maxwell, and Joseph A. Konstan. "The movielens datasets: History and context.", Acm transactions on interactive intelligent systems (tiis) 5.4 1-19 (2015)
He, Xiangnan, et al., "Neural collaborative filtering.", Proceedings of the 26th international conference on world wide web. (2017)
Herlocker, Jonathan L., Joseph A. Konstan, and John Riedl. "Explaining collaborative filtering recommendations.", Proceedings of the 2000 ACM conference on Computer supported cooperative work. (2000)
Kim Du hyeung, WS. Shin, KW. Han, JS. Lee, KB. Moon, SG. Lee, SY. Han, HJ. Kwon, SW. Han, "A system for recommending university liberal arts courses using collaborative filtering", Korean Institute Of Industrial Engineers Autumn Conference a collection of essays 2551-2556, (2020)
Kim Eun-Seok, "A Study on the Difference of Job Satisfaction by Means of Major Selection Criteria of College Graduates", The Journal of Career Education Research 28(3) 85-101, (2015)
Kim Gui-Jung, BH. Kim, JS. Han, "Customizing Intelligent Recommendation System based on Compound Knowledge", JOURNAL OF THE KOREA CONTENTS ASSOCIATION 10(8) 26-31, (2010)

원문보기 상세보기
Koo Yoo Young, DH Park, JJ Kim, YH Park, CK Ko, BK Lee, "Meta-analysis of course selection data of the university graduates revealed the problems of course structures", Korean Journal of General Education 13(2) 369-396, (2019)
Lee Hayeon, JE. Go, MH. Joo, "Effects of University belonging and College Life Satisfaction on Learning Persistence in Non-face-to-face Learning Environment due to COVID-19 Pandemic", The Journal of Career Education Research 34(1) 231-251, (2021)
Mikolov, Tomas, et al., "Efficient estimation of word representations in vector space.", arXiv preprint arXiv:1301.3781 (2013).
P. D. Hoff, A. E. Raftery, and M. S. Handcock. "Latent space approaches to social network analysis", J. of the American Statistical Association, (2002)
Park Roh-Gook, "A Study on Selection Altenatives of Basic and Major Courses for College Students", Journal of the Korea Industrial Information Systems Research 6(1) 48-55, (2001)
S. Fortunato. "Community detection in graphs", Physics Reports, 486(3-5):75 - 174, 2010.

상세보기
Sarwar, Badrul, et al., "Item-based collaborative filtering recommendation algorithms.", Proceedings of the 10th international conference on World Wide Web. (2001)
Wang Xiang, H. Xiangnan, Y. Cao, M. Liu and T. Chua, "KGAT: Knowledge Graph Attention Network for Recommendation", The 25th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD '19), August 4-8, (2019)
Y. Zheng, B. Tang, W. Ding, and H. Zhou. "A neural autoregressive approach to collaborative filtering", In ICML, 764-773, (2016)
Yehuda Koren, R. Bell, C. Volinsky, "Matrix factorization techniques for recommender systems.", IEEE Computer 42(8) 30-37, (2009)
Zhang, Fuzheng, et al., "Collaborative knowledge base embedding for recommender systems.", Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining. (2016).

저자의 다른 논문 :

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