[논문]추천 시스템의 예측 정확도 향상을 위한 전처리 방법

박석인; 김택헌; 류영석; 양성봉

[국내논문] 추천 시스템의 예측 정확도 향상을 위한 전처리 방법
Preprocessing Methods for Improving Prediction Accuracy in Recommender Systems 원문보기

박석인 (연세대학교 컴퓨터과학과) , 김택헌 (연세대학교 컴퓨터과학과) , 류영석 (연세대학교 컴퓨터과학과) , 양성봉 (연세대학교 컴퓨터과학과)

협력적 여과(collaborative filtering) 방법을 사용하는 추천 시스템에서 예측 정확도를 높이는 방법들 중 하나는 군집화(clustering)방법이 있다. 군집화 방법은 선호도가 유사한 사용자들을 미리 같은 군집으로 만들고, 군집 내에 속한 사용자들을 이웃으로 선정하여 예측을 수행하기 때문에 군집화의 결과가 예측의 정확도에 직접적인 영향을 주게 된다. 본 연구에서는 군집화 결과의 향상을 위해 데이터를 전 처리하는 두 가지 방법과 군집화의 특성을 이용한 새로운 예측식을 제안하고, 기존 연구 방법과의 비교 실험을 통해 실험결과를 분석한다.

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

그리고, 기존 협력적 여과 방법에서 사용하는 예측식은 사용자간의 유사도를 반영하여 값을 계산하는데, 군집화 를 이용할 경우, 이미 각 군집이 유사한 선호도를 갖는 사 용자들로 분류되기 때분에 유사도에 대한 중복성을 갖;:- 다. 본 논문에서는 이러한 경우, 예측식에서 유사도흘 반 영하지 않아도 유사한 기능을 수행할 것으로 보-고, 새로 운 예측식을 제안한다.

제안 방법

k-Means 알고리즘은 각 사용자의 선호도 집합을 다자 원 공간 상의 점으로 간주하고, 그. 점들의 거리를 계산함 으로써 군집화를 수행한다. 二I러나, 단순히 거리를 계산 하는 특성 때문에 두 사용자의 선호도가 유사해도 같은 군집 안에 포함되지 않을 수 있는 단점을 갖게 된다.
본 논문에서 는 이 런 단점을 보안하기 위해 사용자의 선 호도 값들을 먼저 등수(rank)나 편차(deviation)로 치판 한 후, 그 값들을 군집화에 이용함으로써 선호도가 유사 한 사용자들이 같은 군집 내에 들 수 있도록 하는 방법을 제안한다.
이런 문제점은 본 연구에서 제안하는 동수 방법 (RANK)과 편자 방법 (DEV)을 사용하여 사용자의 정보를 전처리 함으로써 보완 할 수 있다.
실험에는 전체 데이터 셋 중에서 최소한 100회 이상 각 장르 당 죄소한 1회 이상 선호도를 입력한 사용자 3763명을 선택하였고, 무작위로 선택한 188명 (5%)을 테스트 사용자로-, 나머지 3575명 (95%)은 준련용으로 구분하여 사용하였다. 그리고, 테스트 사용자가 선호도 를 평가한 영화들 중 무작위로 5개를 선택하여, 선호노른 예즉하고 실제 값과 비교하였다. 이와 같은 방법으로 3 회 반복 수행하여 각 결과의 평균 값을 실험 견과로 하였 다.
기존 방법과 실험 결과를 비교하기 위해 GroupLens (CF) 방법, k-Nearest Neighbor 빙.법 (kNN)과 k- Means 방법을 통해 군집하 한 후의 협력적 여과 방법 (kCF)을실험하였다.
본 논문에서는 주전 시스템에서 k-Means 군집화 방법 음 이용할 때 군집 결과의 향상과 二!.에 따른 예즉 정확도 의 향상을 위해 전처리 방법을 제안 하였다. 또한, 같은 군집에 있는 사용자간의 높은 유사성은 이용하여 새로운 예즉식을 제시하고 실험하였다.
에 따른 예즉 정확도 의 향상을 위해 전처리 방법을 제안 하였다. 또한, 같은 군집에 있는 사용자간의 높은 유사성은 이용하여 새로운 예즉식을 제시하고 실험하였다.

대상 데이터

본 는문의 실험에눈 1997년 Digital Equipment Corporation에서 공개한 EachMovie[5] 데이터 셋을 사 용하였다, 이 것은 종 72916명의 사용자가 1628개의 각 잉화에 대해 평가한 선호도로 구성되어 있으며, 선호도는 0.0 부터 1.0 사이의 값으로 0.2의 차이를 두고 명시적으 로 평 가되 어 있다. 그리고, 영화의 장르는 액션, 애니메 이션, 코미디 등 총 10 가지로 구분되어 있다.
실험에는 전체 데이터 셋 중에서 최소한 100회 이상 각 장르 당 죄소한 1회 이상 선호도를 입력한 사용자 3763명을 선택하였고, 무작위로 선택한 188명 (5%)을 테스트 사용자로-, 나머지 3575명 (95%)은 준련용으로 구분하여 사용하였다. 그리고, 테스트 사용자가 선호도 를 평가한 영화들 중 무작위로 5개를 선택하여, 선호노른 예즉하고 실제 값과 비교하였다.

데이터처리

전처리 방법은 RANK 방법과 DEV 방법을 이용한 방법 은 실험하여 기존 방법과 예즉 징확도를 비교하였고, 새 로운 예즉식, 식 (4)(P_AVG 방법)와 식 ⑸ (P_MDEV 방 법)에 대한 실험은 kCF 와 실험 결과를 비교하였다.

이론/모형

예즉의 정확성을 평가하기 위해서 MAE (Mean Absolute Error) 방법을 사용하였다. 식 (6)는 MAE를 나타낸 것이며, N 은 총 예즉 횟수, £는 예측된 선호도 와 실제 선호도 간의 오자를 나타낸다.

성능/효과

군집화 방법으로는 k-Means 알고리즘[3]이 주로 사용되고 있다. 두 가지 방법은 모두 선호도가 비숫 한 사용자들을 이웃으로 선정하고, 그 이웃들을 기반으로 선호도를 예즉하는 방법으로, k-Means 알고리즘을 사용 한 방법이 k-NN 방법보다 예측 정확도가 더 높다.
MAE는 :1 k값에서의 오자를 보여준다. 표에서 보는 바와 같이 전처리를 거친 방법들 이 기존 방법들에 비해 더 낮은 오사 값을 가졌고, 그 중 에서 DEV 방법이 가장 좋은 결과를 보였다.
전서리 방법은 사용자 사이의 유사도른 기존 방법들보 다 잘 반영하게 함으로써 예측 오사를 줄였고, 새로운 예 측식에 대한 실험은 유사도에 대한 중복 사용을 피 함으로 써 기존 연구들 보다 향상된 결과를 보였다.

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

[국내논문] 추천 시스템의 예측 정확도 향상을 위한 전처리 방법
Preprocessing Methods for Improving Prediction Accuracy in Recommender Systems 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] 추천 시스템의 예측 정확도 향상을 위한 전처리 방법 Preprocessing Methods for Improving Prediction Accuracy in Recommender Systems 원문보기

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

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] 추천 시스템의 예측 정확도 향상을 위한 전처리 방법
Preprocessing Methods for Improving Prediction Accuracy in Recommender Systems 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper