[논문]신경망 협업 필터링을 이용한 운동 추천시스템

정우용; 경찬욱; 이승우; 김수현; 선영규; 김진영

doi:10.7236/jiibc.2022.22.6.173

초록
AI-Helper

최근, 소셜 네트워크 서비스에서 딥러닝을 활용한 추천시스템이 활발하게 연구되고 있다. 하지만 딥러닝을 이용한 추천시스템의 경우 콜드스타트 문제와 복잡한 연산으로 인해 늘어난 학습시간이 단점으로 존재한다. 본 논문에서는 사용자의 메타데이터를 활용하여 사용자 맞춤형 운동 루틴 추천 알고리즘을 제안한다. 본 논문에서 제안하는 알고리즘은 메타데이터(사용자의 키, 몸무게, 성, 등)를 입력받아 설계된 모델에 적용한다. 본 논문에서 제안한 운동 추천시스템 모델은 matrix factorization 알고리즘과 multi-layer perceptron을 활용한 neural collaborative filtering(NCF) 알고리즘을 기반으로 설계된다. 제안된 모델은 사용자 메타데이터와 운동 정보를 입력받아 학습을 진행한다. 학습이 완료된 모델은 특정 운동이 입력되면 사용자에게 추천도를 제공한다. 실험 결과에서 제안하는 운동 추천시스템 모델이 기존 NCF 모델보다 10% 추천 성능 향상과 50% 학습 시간 단축을 보였다.

Abstract ▼ AI-Helper

Recently, a recommendation system using deep learning in social network services has been actively studied. However, in the case of a recommendation system using deep learning, the cold start problem and the increased learning time due to the complex computation exist as the disadvantage. In this pa...

Recently, a recommendation system using deep learning in social network services has been actively studied. However, in the case of a recommendation system using deep learning, the cold start problem and the increased learning time due to the complex computation exist as the disadvantage. In this paper, the user-tailored exercise routine recommendation algorithm is proposed using the user's metadata. Metadata (the user's height, weight, sex, etc.) set as the input of the model is applied to the designed model in the proposed algorithms. The exercise recommendation system model proposed in this paper is designed based on the neural collaborative filtering (NCF) algorithm using multi-layer perceptron and matrix factorization algorithm. The learning proceeds with proposed model by receiving user metadata and exercise information. The model where learning is completed provides recommendation score to the user when a specific exercise is set as the input of the model. As a result of the experiment, the proposed exercise recommendation system model showed 10% improvement in recommended performance and 50% reduction in learning time compared to the existing NCF model.

주제어

표/그림 (6)

그림 그림 1. 신경망 협업 필터링 구조. Fig. 1. Structure of Neural Collaborative Filtering.
그림 그림 2. 제안한 모델의 구조. Fig. 2. Structure of proposed modified NCF.
표 표 1. 실험 파라미터. Table 1. Simulation Parameters.
그림 그림 3. 모델 성능 그래프. Fig. 3. Model performance graph.
그림 그림 4. MF, NCF, Modified NCF 모델별 테스트 데이터셋의 혼동 행렬. Fig. 4. Confusion matrix of each model about test dataset.
표 표 2. 모델 성능 지표. Table 2. Model performance metrics.

AI 본문요약
AI-Helper

문제 정의

본 논문에서는 사용자의 메타데이터를 이용하여 사용자에게 적합한 운동 루틴을 추천하기 위한 신경망 협업 필터링 모델을 제안한다. 사용자 id를 임베딩하여 연산하는 것이 아니라 사용자로부터 입력된 데이터 중 선형적인 정보를 가지고 있는 데이터를 임베딩 layer 대신 입력하여 사용자를 구별할 수 있는 정보로 활용한다.

제안 방법

9897로 12% 향상된 것을 알 수 있다. 또한 학습 시 한 epoch당 소요되는 시간을 측정하였는데 MF는 96초, NCF는 580초, 본 논문에서 제안하는 수정된 NCF는 25초로 측정되었다.
실험은 하나의 데이터셋을 이용하여 MF, NCF 알고 리즘과 본 논문에서 제안하는 수정된 NCF를 활용한다. 모델의 성능을 측정하기 위해 데이터셋을 모델 훈련용 데이터셋과 테스트용 데이터셋으로 구별하였다.

대상 데이터

신체정보 데이터셋은 나이, 성별, 키, 체지방률, 혈압과 같은 사용자의 신체정보와 악력, 제자리 뛰기, 앉았다 일어나기, 유연성과 같은 간단한 신체 능력을 측정하여 클래스를 분류한 데이터셋이다. 본 연구에서는 신체정보 데이터셋을 활용하여 운동 루틴 데이터셋을 제작한다.
활용하는 데이터셋은 신체정보 데이터셋과 운동 루틴 데이터셋이다. 신체정보 데이터셋은 나이, 성별, 키, 체지방률, 혈압과 같은 사용자의 신체정보와 악력, 제자리 뛰기, 앉았다 일어나기, 유연성과 같은 간단한 신체 능력을 측정하여 클래스를 분류한 데이터셋이다. 본 연구에서는 신체정보 데이터셋을 활용하여 운동 루틴 데이터셋을 제작한다.
활용하는 데이터셋은 신체정보 데이터셋과 운동 루틴 데이터셋이다. 신체정보 데이터셋은 나이, 성별, 키, 체지방률, 혈압과 같은 사용자의 신체정보와 악력, 제자리 뛰기, 앉았다 일어나기, 유연성과 같은 간단한 신체 능력을 측정하여 클래스를 분류한 데이터셋이다.

이론/모형

모델의 제일 마지막 Layer에서 활성화 함수를 sigmoid로 적용하여 예측값을 0과 1 사이의 값으로 제한한다. 모델학습의 Loss function은 binary crossentropy (4)를 사용한다.
NCF는 MF에 비선형 연산을 추가하여 사용자와 아이템 관계의 복잡성을 설명할 수 있도록 한다. 비선형 연산은 Multi Layer Perceptron(MLP)을 이용하여 적용한다. 그림 1에서 좌측 Layer는 MF, 우측 Layer는 MLP를 구현하여 출력한다.

성능/효과

각 모델의 성능 지표를 비교해볼 때 본 논문에서 제시하는 모델이 성능과 연산시간 모두 기존 모델들보다 좋은 수치를 보여준다. 그림 4은 각 모델별 confusion matrix를 나타낸다.
이를 통해 임베딩 연산 시간을 절약할 뿐만 아니라 사용자의 임베딩 값이 의미를 지닌 값으로 활용할 수 있다. 또한 모델 성능 지표인 정확도(accuracy)와 재현율(recall) 값이 5% ~ 10% 향상되어 사용자에게 더욱 적절한 운동을 추천할 수 있다. 본 논문에서 제안하는 모델은 운동 추천할 수 있을 뿐만 아니라 사용자의 선형적인 메타데이터가 존재할 때 추천모델에 충분히 적용될 수 있다.
또한 모델 성능 지표인 정확도(accuracy)와 재현율(recall) 값이 5% ~ 10% 향상되어 사용자에게 더욱 적절한 운동을 추천할 수 있다. 본 논문에서 제안하는 모델은 운동 추천할 수 있을 뿐만 아니라 사용자의 선형적인 메타데이터가 존재할 때 추천모델에 충분히 적용될 수 있다.
실험 결과 본 논문에서 제안하는 수정된 NCF 모델의 성능이 다른 모델에 비해 더 나은 성능을 보여준다. 그림 3은 각 세 개의 모델을 학습 진행에 따른 metrics를 그래프로 그린 것이다.

참고문헌 (9)

KB management research institute. 2020. KB Self-Employment Analysis Report: Fitness Center Status and Market Condition Analysis. no.4
D. Kim, M. Cho, Y. Park, Y. Yand, "Effect of an exercise program for posture correction on musculoskeletal pain," Journal of Physical Therapy Science, vol. 27, no. 6, pp. 1791-1794, Jun. 2015. DOI : https://doi.org/10.1589/jpts.27.1791

상세보기
S. Lee, "The effect of an integrated rating prediction method on performance improvement of collaborative filtering", The Journal of the Institute of Internet, Broadcasting and Communication, vol. 21, no. 5, pp.221-226, Oct. 2021. DOI : https://doi.org/10.7236/JIIBC.2021.21.5.221

원문보기 상세보기
J. Kim,, R. Bell, C. Volinsky, "Matrix factorization techniques for recommender systems," IEEE, Computer Journal, vol. 42, pp. 30-37, Aug. 2009. DOI : https://doi.org/10.1109/MC.2009.263

상세보기
J. Kim, R. Monteiro, H.Park, "Group Sparsity in Nonnegative Matrix Factorization," Proceedings of the 2012 SIAM International Conference on Data Mining, pp. 851-862, Apr. 2012. DOI : https://doi.org/10.1137/1.9781611972825.73
S. Zhang, L. Yao, A. Sun, Y. Tay, "Deep Learning based Recommender System: A Survey and New Perspectives," ACM Computing Surveys, vol. 52, no. 1, pp 1-38, Jan. 2020. DOI : https://doi.org/10.1145/3285029

상세보기
X. He, L. Liao, H. Zhang, L. Nie, X. Hu, T. S. Chua, "Neural Collaborative Filtering," WWW '17: Proceedings of the 26th International Conference on World Wide Web, pp. 173-182, Apr. 2017. DOI : https://doi.org/10.1145/3038912.3052569
Agarap, A. F. "Deep learning using rectified linear units (relu)," arXiv preprint arXiv:1803.08375, 2018. DOI : https://doi.org/10.48550/arXiv.1803.08375
S. Hochreiter, "The vanishing gradient problem during learning recurrent neural nets and problem solutions," International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, vol. 6, no. 2, pp107-116, Apr. 1998. DOI : https://doi.org/10.1142/S0218488598000094

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

신경망 협업 필터링을 이용한 운동 추천시스템
Exercise Recommendation System Using Deep Neural Collaborative Filtering 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (6)

표/그림 (6)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

참고문헌 (9)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

신경망 협업 필터링을 이용한 운동 추천시스템 Exercise Recommendation System Using Deep Neural Collaborative Filtering 원문보기

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

Abstract ▼ AI-Helper

주제어

표/그림 (6) 모든 표/그림 보기

표/그림 (6) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

참고문헌 (9)

이 논문을 인용한 문헌

저자의 다른 논문 :

김수현 (15) 선영규 (28) 김진영 (228)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

신경망 협업 필터링을 이용한 운동 추천시스템
Exercise Recommendation System Using Deep Neural Collaborative Filtering 원문보기

초록
AI-Helper

표/그림 (6)

표/그림 (6)

AI 본문요약
AI-Helper