[논문]딥러닝을 이용한 강좌 추천시스템

임민아; 황승연; 신동진; 오재곤; 김정준

doi:10.7236/jiibc.2023.23.3.193

초록
AI-Helper

딥러닝을 이용한 학습자 맞춤 강의 추천 프로젝트를 연구한다. 추천시스템은 웹과 앱에서 쉽게 발견할 수 있으며 이 특성을 이용한 예제는 사용자 클릭으로 특성 영상 추천과 SNS에서 평소 사용자가 관심 있던 분야의 아이템을 광고하는 것이 있다. 본 연구에서는 문장 유사도인 Word2Vec를 주로 이용하여 2번의 필터링을 거쳤으며 Surprise 라이브러리를 통해 강좌 추천을 하였다. 이러한 시스템으로 사용자에게 간편하고 편리하게 원하는 분류의 강좌 데이터를 제공한다. Surprise 라이브러리는 Python scikit-learn 기반의 라이브러리이며 추천시스템에 편리하게 사용된다. 데이터를 분석하여 시스템을 빠른 속도로 구현하고 딥러닝을 사용하여 강좌 단계를 거쳐 보다 더 정밀한 결과를 구현해낸다. 사용자가 관심 있는 키워드를 입력하면 해당 키워드와 강좌 제목과의 유사도를 실행하고 추출된 영상 데이터로 또 음성 텍스트와의 유사도를 실행하여 추출된 데이터로 Surprise 라이브러리를 통해 가장 높은 순위의 영상 데이터를 추천한다.

Abstract ▼ AI-Helper

We study a learner-customized lecture recommendation project using deep learning. Recommendation systems can be easily found on the web and apps, and examples using this feature include recommending feature videos by clicking users and advertising items in areas of interest to users on SNS. In this ...

We study a learner-customized lecture recommendation project using deep learning. Recommendation systems can be easily found on the web and apps, and examples using this feature include recommending feature videos by clicking users and advertising items in areas of interest to users on SNS. In this study, the sentence similarity Word2Vec was mainly used to filter twice, and the course was recommended through the Surprise library. With this system, it provides users with the desired classification of course data conveniently and conveniently. Surprise Library is a Python scikit-learn-based library that is conveniently used in recommendation systems. By analyzing the data, the system is implemented at a high speed, and deeper learning is used to implement more precise results through course steps. When a user enters a keyword of interest, similarity between the keyword and the course title is executed, and similarity with the extracted video data and voice text is executed, and the highest ranking video data is recommended through the Surprise Library.

주제어

표/그림 (6)

그림 그림 1. 잠재요인 행렬 분해 기법 과정 Fig. 1. Latent Factor Matrix Decomposition Technique Process
그림 그림 2. 강좌 추천 시스템 절차 구성도 Fig. 2. Course Recommendation System Procedure Chart
그림 그림 3. 1차 필터링의 음성 텍스트화 Fig. 3. Speech-to-text in first-order filtering
표 표 1. 1차 유사도 결과 Table 1. 1st similarity result
표 표 2. 2차 유사도 결과 Table 2. 2st similarity result
표 표 3. test() 함수 반환 예측 목록 Table 3. test function return prediction list

AI 본문요약
AI-Helper

문제 정의

본 논문에선 교육사이트에서 학습자가 학습하는 데에 있어서 도움이 될 수 있도록 학습자 맞춤 강좌를 추천하는 추천알고리즘에 관련해서 적합한 강좌를 추천해주는 연구를 진행하였다.

제안 방법

이번 연구에서는 여러 기술이 종합적으로 사용되었다. 웹사이트에서 필요한 정보들만 뽑아오는 크롤링과 음성을 텍스트로 변환하는 기술, 단어를 벡터화하여 비슷한 단어의 유사도를 구해는 Word2Vec, 파이썬 기반의 라이브러리인 Surprise 라이브러리로 추천 시스템을 구현하였다. 협업 필터링의 특성으로 개인 회원의 평점이 필요로 된다.
협업 필터링 알고리즘으로 SVD, KNN, BaselineOnly 등 다양한 클래스를 활용하여 추천시스템을 구현할 수 있다. 주로 K-최근접 이웃(K-Neighbor Nearest, KNN) 알고리즘과 특이값 분해(Singular Value Decomposition, SVD) 알고리즘 클래스가 사용되며 본 연구에선 SVD 클래스를 활용하여 추천시스템을 구축하였다.
협업 필터링의 특성으로 개인 회원의 평점이 필요로 된다. 하지만 유튜브에서 추출한 강좌이기 때문에 개인의 평점을 매길 수 없다는 단점이 있지만 좋아요 수 또는 조회수로 평점을 대신하여 가상의 회원과 예측 평점을 출력하여 강좌를 추천하는 방식을 이용했다.

대상 데이터

유튜브 웹사이트에서 크롤링을 이용하여 제목, 조회수, 좋아요 수, 사이트 주소(Uniform Resource Locator, URL) 및 채널명을 스크래핑하여 데이터들을 수집한다. 수집된 데이터들은 csv 파일로 저장하여 스크래핑 한 정보들(제목, 조회수 … )을 컬럼으로 지정한다.

데이터처리

학습 데이터(train data)와 테스트 데이터(test data)로 분리해주고 fit() 함수를 사용하여 학습 데이터를 학습시킨다. SVD 행렬 분해 기법을 실행하기 위해 잠재 요인의 크기를 50으로 지정하고 fit() 함수를 통해 모델을 학습하여 테스트 데이터로 평점을 예측한다.
Surprise는 예측 함수로 test() 함수와 predict() 함수를 제공한다. test()를 호출해 RMSE(Root Mean Squared Error) 성능을 평가한다. RMSE는 평균 제곱근 오차로 모델이 예측한 값과 실제 값의 차이를 뜻한다.

이론/모형

주로 아이템의 특성으로 텍스트 데이터인 카테고리와 이름 이미지 데이터인 이미지로 나타낼 수 있다. 본 연구에선 Word2Vec 모델을 활용하여 강좌 추천을 위한 필터링 작업에 사용되었다.
수집된 모든 데이터를 대상으로 1차 필터링을 하기 위해 Word2Vec 알고리즘을 사용한다. 사용자는 특정 키워드를 입력하여 ‘해당 키워드’와 영상 데이터의 ‘제목’과의 유사도를 측정한다.
이는 파일에 저장된 URL의 음성을 텍스트로 변화하기 위함이다. 크롤링을 통해 수집된 종합 데이터는 Word2Vec 알고리즘을 통해 사용자가 입력한 키워드와 비슷한 키워드를 추출 해낸다. 예로 ‘파이썬’을 입력 키워드로 지정하면 가장 높은 유사도를 가진 10개의 키워드가 순서대로 출력되며 가장 높은 유사도를 나타낸 키워드로 ‘정보처리기사’가 출력된다.

성능/효과

결론적으로 충분한 데이터양은 정확성과 비례된다. 이러한 이유로 충분한 데이터양과 각 기술들의 설정들을 정밀하게 조정한다면 만족스러운 결과를 얻을 것이다.

참고문헌 (8)

Tae-su Wang, JaeBaek Song, Dayeon Son, Minyoung Kim, Donggyu Choi, Jongwook Jang, "Web crawler Improvement and Dynamic process Design and Implementation for Effective Data Collection", Journal of the Korea Institute of Information and Communication Engineering, Vol. 26, No. 11, pp.1729-1740, Nov 2022 DOI:https://www.dbpia.co.kr/journal/articleDetail?nodeIdNODE11169034？
Dong-Hyun Won, Hyuk-Gyu Park, Yun-Jeong Kang, Min-Hye Lee, "Asynchronous Web Crawling Algorithm", Journal of the Korea Institute of Information and Communication Engineering, pp.364-366, Oct 2022 DOI:https://www.dbpia.co.kr/journal/articleDetail?nodeIdNODE11161558？
Wooyong Jung, Chanuk Kyeong, Seongwoo Lee, Soo-Hyun Kim, Young-Ghyu Sun, Jin-Young Kim, "Exercise Recommendation System Using Deep Neural Collaborative Filtering", The Journal of The Institute of Internet, Broadcasting and Communication (IIBC), Vol. 22, No. 6, pp.173-178, Dec. 31, 2022 DOI:http://koreascience.or.kr/article/JAKO202201856699617.page？
Sejoon Park, Yungcheol Byun, "Improving Recommendation Accuracy based on Machine Learning using Multi-Dimensional Features of Word2Vec", Journal of KIIT, . Vol. 19, No. 3, pp. 9-14, Mar. 31, 2021 DOI:http://dx.doi.org/10.14801/jkiit.2021.19.3.9？

상세보기
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. 31, 2018 DOI:http://koreascience.or.kr/article/JAKO201833469090754.page？
Tae-Hoon Kim, Sung Kwon Kim, "SVD-based Cross-Domain Recommendation Using K-means Clustering", Journal of KIISE, Vol. 49, No. 5, pp. 360-368, May, 2022 DOI:https://www.dbpia.co.kr/journal/articleDetail?nodeIdNODE11063208&languageko_KR&hasTopBannertrue？
Hyunjong Lee, Hogyeong Jeong, Gwangseop Gim, Dohyun Yun, "Evaluation Methods for Personalized Collaborative Filtering and Improvement using Singular Value Decomposition", Korea Information Science Association, Vol.38, No.2(B), pp.283 - 286, Nov, 2011 DOI:https://www.dbpia.co.kr/journal/articleDetail?nodeIdNODE11063208&languageko_KR&hasTopBannertrue？
Seon-Woong Gil, Ki-Young Lee, "A Behavior-based Authentication Usingthe Measuring Cosine Similarity", The Journal of The Institute of Internet, Broadcasting and Communication (IIBC), Vol. 20, No. 4, pp.17-22, Aug. 31, 2020 DOI:https://doi.org/10.7236/JIIBC.2020.20.4.17

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

딥러닝을 이용한 강좌 추천시스템
Course recommendation system using deep learning 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (6)

표/그림 (6)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

참고문헌 (8)

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

딥러닝을 이용한 강좌 추천시스템 Course recommendation system using deep learning 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

데이터처리

이론/모형

성능/효과

참고문헌 (8)

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

딥러닝을 이용한 강좌 추천시스템
Course recommendation system using deep learning 원문보기

초록
AI-Helper

표/그림 (6)

표/그림 (6)

AI 본문요약
AI-Helper