[논문]학습률 향상을 위한 딥러닝 기반 맞춤형 문제 추천 알고리즘

임민아; 황승연; 김정준

doi:10.7236/jiibc.2022.22.5.171

초록
AI-Helper

최근 딥러닝 기술의 발전과 함께 추천 시스템의 영역도 다양해졌다. 본 논문은 학습률 향상을 위한 알고리즘을 연구하였으며 Word2Vec 모델의 성능 특징과 비교를 통해 단어에 따른 유의어 결과를 연구하였다. 문제 추천 알고리즘은 Word2Vec 모델의 특징인 텍스트 간 의미 반영 및 유사성 테스트를 통해 표현된 값으로 구현됐다. Word2Vec 의 학습 결과를 통해 텍스트 유사도 값을 이용해 문제 추천을 진행하였으며 유사도가 높은 문제를 추천할 수 있다. 실험 과정에서 정량적인 데이터양으로는 정확성이 낮아지는 결과를 보았으며 데이터 셋의 데이터양이 방대할수록 정확성을 높일 수 있음을 확인하였다.

Abstract ▼ AI-Helper

With the recent development of deep learning technology, the areas of recommendation systems have also diversified. This paper studied algorithms to improve the learning rate and studied the significance results according to words through comparison with the performance characteristics of the Word2V...

With the recent development of deep learning technology, the areas of recommendation systems have also diversified. This paper studied algorithms to improve the learning rate and studied the significance results according to words through comparison with the performance characteristics of the Word2Vec model. The problem recommendation algorithm was implemented with the values expressed through the reflection of meaning and similarity test between texts, which are characteristics of the Word2Vec model. Through Word2Vec's learning results, problem recommendations were conducted using text similarity values, and problems with high similarity can be recommended. In the experimental process, it was seen that the accuracy decreased with the quantitative amount of data, and it was confirmed that the larger the amount of data in the data set, the higher the accuracy.

주제어

표/그림 (13)

그림 그림 1. CBOW와 skip-gram 모델 그림 Fig. 1. CBOW and skip-gram model picture.
그림 그림 2. 코사인 유사도 각도에 따른 값 Fig. 2. Value according to cosine similarity angle
그림 그림 3. 문제 추천 알고리즘 절차 Fig. 3. Problem Recommendation Algorithm Procedure
표 표 1. 데이터양에 따른 결과 비교 Table 1. Comparison of results according to the amount of data.
표 그림 4. 과목 데이터 셋 분류 코드 Fig. 4. Subject Dataset Classification Code
그림 그림 5. 유의어 및 학습 파일 간 비교 Fig. 5. A comparison between a significant word and a learning file.
표 표 2. 유의어 분류 예시 Table 2. Examples of similar word classification.
표 표 3. 불용어 정의에 따른 결과 비교 Table 3. Comparison of results according to stopword definitions
그림 그림 6. 컴퓨터 활용 자격증 기출문제 Fig. 6. Value according to cosine similarity angle
그림 그림 7. 유의어와 기출문제 간 유사도 Fig. 7. Similarity between synonyms and previous questions.
그림 그림 8. 유사도가 가장 높은 문제 Fig. 8. The question with the highest similarity.
표 표 4. 벡터와 윈도우 크기에 따른 결과 비교 Table 4. Compare the results according to the vector size and window size.
표 표 5. 입력 단어에 따른 유의어 결과 Table 5. Significance results according to the input word.

AI 본문요약
AI-Helper

문제 정의

콘텐츠 기반 알고리즘은 본 연구에서 사용한 알고리즘으로 벡터 기반으로 메타데이터를 분석하여 학습을 위한 문제 또는 영화, 도서 등을 추천한다. 본 논문에서는 추천 시스템의 콘텐츠 기반 알고리즘을 이용하여 추천 알고리즘 사례를 정리하고 학습자의 학습률 향상을 위한 연구를 진행한다.

제안 방법

딥러닝 기반 알고리즘인 콘텐츠 기반 필터의 Word2Vec 모델과 텍스트 유사도 중 하나인 코사인 유사도를 사용하여 문제 추천 알고리즘을 연구하여 문맥상 비슷한 위치에서의 단어들은 비슷한 뜻을 찾아내어 이를 이용한 문제 추천을 해보고자 한다.

대상 데이터

추천시스템의 콘텐츠 기반 필터링인 Word2Vec은 스스로 학습하여 비슷한 단어(유의어)를 찾아내는 예측 방식이며 예측 모델을 학습하면서 비슷한 단어가 비슷한 벡터로 표현된다. 모델은 2가지 방식으로 나뉘는데 CBOW와 SG(skip-gram)이다.
정확도는 1과 가까워 높은 수치를 나타낸다. 본연구에선 27개년의 기출문제를 사용했으며 총 1617개의 문제로 구성했다.

데이터처리

출력된 단어 txt는 텍스트 유사도 프로젝트에 연결하여 비교할 기출문제의 유사도를 구한다. 비교할 기출문제는 총 60문제로 그림 5의 코드를 이용해 효율성과 편리성을 위해 반복문을 이용하여 유사도를 검사하였다. 유의어에 대한 문제들의 유사도 결과는 4장 실험 및 결과에서 확인하고자 한다.

이론/모형

CBOW 모델은 주변 단어(맥락)로 타겟 단어를 예측한다. 주변 단어(맥락)의 범위를 window라고 부르며 데이터 셋을 만들 때 sliding window라는 방법을 사용한다. 이때 window는 우리의 학습 데이터가 된다.
먼저 협업적 필터링은 앞서 말한 상품 판매와 구매에서 고객의 만족도 또는 영화 만족도 등 정보 기반으로 추천하는 방식이다. 콘텐츠 기반 알고리즘은 본 연구에서 사용한 알고리즘으로 벡터 기반으로 메타데이터를 분석하여 학습을 위한 문제 또는 영화, 도서 등을 추천한다. 본 논문에서는 추천 시스템의 콘텐츠 기반 알고리즘을 이용하여 추천 알고리즘 사례를 정리하고 학습자의 학습률 향상을 위한 연구를 진행한다.

성능/효과

종합적으로 정리했을 때 불용어 정의를 추가할수록, 데이터의 양이 적을수록 정확도는 낮아진다. 따라서 제한된 데이터의 양으로는 한계가 있으며 이는 대처해야 할 문제라고 생각된다.
가장 유의한 단어는 '인터넷'이며 이때 왼쪽 상단부 가장 첫 번째는 저장된 기출문제의 1번 문제이다. 총 6개의 기출문제를 활용하였으며 총 360개의 문제 중 유의어와 비교한 결과 13개의 파일에서 유사도가 나왔으며 가장 높은 유사도를 나타낸 파일은 0.25918698이다. 다음 그림 9는 높은 유사도가 나온 문제인 2019년도 1회 컴퓨터 활용 1급 필기의 10번 문제이다.

참고문헌 (6)

Soojung Lee "A Stepwise Rating Prediction Method for Recommender Systems", The Journal of the Institute of Internet, Broadcasting and Communication, Vol.21 No.4, pp.183-188, 2021 DOI:http://jiibc.iibc.kr/read.php?pageGubunjournalsearch&pageNmarticle&searchRecommender&journal%EC%A0%9C21%EA%B6%8C%%EC%A0%9C4%ED%98%B8&code399270&issue399270&Page1&year2021&searchTypeall&searchValueRecommender
Su-Mi Shin, Kyung-Chang Kim, "Addressing the New User Problem of Recommender Systems Based on Word Embedding Learning and Skip-gram Modelling", Journal of The Korea Society of Computer and Information, Vol. 21 No. 7, pp. 9-16, July 2016. DOI:https://www.dbpia.co.kr/journal/articleDetail?nodeIdNODE06724206
Heeryong Noh, Hyunchul Ahn, "A Study on the Recommendation Algorithm based on Trust/Distrust Relationship Network Analysis", Journal of Information Technology Applications and Management, Vol. 24 No. 1, pp. 169-185, Mar 2017. DOI:http://koreascience.or.kr/article/JAKO201731063314125.page
Jee-Uk Heu, "Korean Language Clustering using Word2Vec", The Journal of The Institute of Internet, Broadcasting and Communication (IIBC), Vol. 18, No. 5, pp.25-30, Oct 2018 DOI:http://jiibc.iibc.kr/read.php?pageGubunjournalsearch&pageNmarticle&searchWord2vec&journal%EC%A0%9C18%EA%B6%8C%%EC%A0%9C5%ED%98%B8&code340376&issue340376&Page1&year2018&searchTypeall&searchValueWord2vec
"Visualization through Web Crawling and Morphological Analysis of National Petition Site", Proceedings of KIIT Conference, pp.353-356, Oct 2020 DOI:https://www.dbpia.co.kr/journal/articleDetail?nodeIdNODE10490823
Jeong-Myeong Choi, Yu-Seop Kim, "Performance Comparison of Word Embedding Model according to Variation of Parameters in Movie Review Sentiment Analysi", Journal of Computing Science and Engineering, pp. 1400-1402, Dec 2019. DOI:https://www.dbpia.co.kr/journal/articleDetail?nodeIdNODE09301946

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

학습률 향상을 위한 딥러닝 기반 맞춤형 문제 추천 알고리즘
Deep learning-based custom problem recommendation algorithm to improve learning rate 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (13)

표/그림 (13)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

참고문헌 (6)

이 논문을 인용한 문헌

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

학습률 향상을 위한 딥러닝 기반 맞춤형 문제 추천 알고리즘 Deep learning-based custom problem recommendation algorithm to improve learning rate 원문보기

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

Abstract ▼ AI-Helper

주제어

표/그림 (13) 모든 표/그림 보기

표/그림 (13) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

참고문헌 (6)

이 논문을 인용한 문헌

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

학습률 향상을 위한 딥러닝 기반 맞춤형 문제 추천 알고리즘
Deep learning-based custom problem recommendation algorithm to improve learning rate 원문보기

초록
AI-Helper

표/그림 (13)

표/그림 (13)

AI 본문요약
AI-Helper