초록

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

웹 로그 기반의 웹 사용 마이닝은 명시적 평가 의존, 확장성 결여, 그리고 다차원 및 희박한 데이터에 성능이 떨어지는 협력적 여과의 문제를 다소 해결할 수 있다. 그러나 k-Means 군집화 방법으로 생성된 군집속 유사 사용자 이동 패턴으로는 클러스터속 사용자 전체의 선호도를 표현할 수 없으므로 사용자 이동 패턴인 트랜잭션들로부터 사용 프로파일을 유도해야 한다. 본 논문에서는 유사 군집 사용자들의 관심과 기호를 표현할 수 있도록 클러스터 내부 데이타로부터 평균 가중치 및 빈발 지지도 임계값을 사용하여 개선된 사용 프로파일을 생성하고 실험 데이터를 통한 예측력과 추천에 대한 성능을 평가한다.

웹 로그 기반의 웹 사용 마이닝은 명시적 평가 의존, 확장성 결여, 그리고 다차원 및 희박한 데이터에 성능이 떨어지는 협력적 여과의 문제를 다소 해결할 수 있다. 그러나 k-Means 군집화 방법으로 생성된 군집속 유사 사용자 이동 패턴으로는 클러스터속 사용자 전체의 선호도를 표현할 수 없으므로 사용자 이동 패턴인 트랜잭션들로부터 사용 프로파일을 유도해야 한다. 본 논문에서는 유사 군집 사용자들의 관심과 기호를 표현할 수 있도록 클러스터 내부 데이타로부터 평균 가중치 및 빈발 지지도 임계값을 사용하여 개선된 사용 프로파일을 생성하고 실험 데이터를 통한 예측력과 추천에 대한 성능을 평가한다.

AI 본문요약

엑셀 다운로드 AI-Helper

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

• 연구 주제
• 연구 방법
• 연구 결과

문제 정의

• 평균 가중치만을 사용할 경우 트랜잭션속 페이지의 발생 빈도가 적으면서 머문 시간이 높은 페이지 가 사용 프로파일에 영향을 줄 수 있는 문제가 발생한다. 그러므로 본 연구에서는 클러스터 내부의 트랜잭션들에서 빈발 지지도를 계산하여 최소 지지도 이상의 평균 가중치를 휙득하도록 하였다. 식 (2)에서 트랜잭션 클러스터 c∈TC 로부터 페이지-가중치 쌍의 집합인 사용 프로파일 pf_c 를 생성 한다.
• 본 연구에서는 특정 웹 사이트의 웹 로그에 기반한 데이터의 주관성이 배제된 사용 프로파일을 생성하였다.
• 개인화 추천을 가능케 하기 위해서는 발견된 패턴으로부터 사용 프로파일을 유도하는 것이 필요하다. 이에 본 논문에서는 유사한 이동 패턴을 가지는 사용자들의 관심과 기호를 표현할 수 있도록 클러스터 내부 데이타로부터 평균 가중치 및 빈발 지지도 임계값올 사용하여 개선된 사용 프로 파일을 생성하고 실험 데이터를 통한 예측력과 추천에 대한 성능을 평 가한다.

제안 방법

• 이번 장에서는 개선된 사용 프로파일에 대한 성능 평가를 보인다. 먼저 간단히 실험 환경에 대해서 기술하고 성능 측정 방법을 사용하여 개선된 사용 프로파일의 사용성을 평가한다.
• 웹 로그 전처리를 통해 사용자의 이동 패턴올 보여주는 벡터화된 트랜잭션 집합을 생성하고 거리 기반의 유사도 측정에 기반한 k-means 군집화를 통해 서로 유사한 이동 패턴을 가지는 사용자들로 군집을 형성한다. 유사한 이동 패턴을 가지는 사용자들의 군집을 트랜잭션 클러스터라 한다.

대상 데이터

• 본 실험은 DePaul CTI Web site 에 2002 년 4 월 2 주간 사이트에 방문한 사용자들의 웹 로그 정보를 통해서 수행했다. 실험 데이터는 5446 명 사용자로부터 683 개의 고유 페이지와 13745 개의 사용자 세션으로 구성되어 있으며 각 사용자가 접속한 페이지에 대해서 머문 시간을 0-999 수치로 표현되어있다.
• 본 실험은 DePaul CTI Web site 에 2002 년 4 월 2 주간 사이트에 방문한 사용자들의 웹 로그 정보를 통해서 수행했다. 실험 데이터는 5446 명 사용자로부터 683 개의 고유 페이지와 13745 개의 사용자 세션으로 구성되어 있으며 각 사용자가 접속한 페이지에 대해서 머문 시간을 0-999 수치로 표현되어있다. 실험을 위해서 평균 트랜잭션 크기가 5 이하인 트랜잭션은 제거했으며 전체 트랜잭션 데이타를 학습 데이터와 테스트 데이터의 비율을 8 : 2 로 분할하여 학습데이타는 개선된 사용 프로파일을 생성하는데 사용했고 테스트 데이터는 사용 프로파일 의 성능을 평가하는데 사용하였다.
• 실험 데이터는 5446 명 사용자로부터 683 개의 고유 페이지와 13745 개의 사용자 세션으로 구성되어 있으며 각 사용자가 접속한 페이지에 대해서 머문 시간을 0-999 수치로 표현되어있다. 실험을 위해서 평균 트랜잭션 크기가 5 이하인 트랜잭션은 제거했으며 전체 트랜잭션 데이타를 학습 데이터와 테스트 데이터의 비율을 8 : 2 로 분할하여 학습데이타는 개선된 사용 프로파일을 생성하는데 사용했고 테스트 데이터는 사용 프로파일 의 성능을 평가하는데 사용하였다.

이론/모형

• 본 실험에서는 개선된 사용 프로파일의 추천에 대한 성능 측정을 위해 F1 방법올 사용하였다[1]. 성능 평가에 앞서 추천에 영향을 미치는 요소인 세션 윈도우 크기는 2로 설정하고 평균 가중치 0.
• 사용자 세션 파일을 추출하기 위해서는 데이터 전처리가 필요하다. 웹 로그에 대한 전처리 방법은 Cooley가 제안한 방법을 사용하여 세션 파일을 추출한다 [1][4].데이터 전처리 과정올 통해 사용자 트랜잭션 파일을 추출한다.
• 클러스터 내부 빈발 지지도 적응후 개선된 사용 프로파일의 예측력을 평가하는 방법으로 가중치를 고려한 WAVP를 사용 하였다[1][2].

성능/효과

• 군집화가 가장 좋은 40개의 클러스터에서 클러스터 내부의 빈발 지지도 0.3을 적용해 개선시킨 사용 프로파일의 WAVP 값이 최대 값을 가지며 평균 가중치 만을 적용한 사용 프로파일보다 15% 예측력 상승이 있었다.
• 빈발 임계값을 적용한 개선된 사용 프로파일의 추천 정확도가 전체적으로 다소 높았으며 추천 임 계값 0.5 에서 추천 정확도가 가장 높음을 알 수 있다.
• 사용 프로파일 생성시 클러스터속 페이지에 대한 평균 가중치 임계값 및 빈발 지지도 임계값을 통해 일부 트랜잭션에 민감하게 작용한 사용 프로파일의 생성을 피할 수 있으며 활성화된 사용자 세션에 대한 예측력 및 추천 성능이 향상 되는 것을 알 수 있었다. 하지만 본 연구에서 사용한 k-means 방법은 차원에 제약이 없는 장점이 있음에도 불구하고 수행 속도가 트랜잭션 및 차원의 수에 비례해서 증가하는 비용을 감수해야 하는 문제가 있었다.

후속연구

• 하지만 본 연구에서 사용한 k-means 방법은 차원에 제약이 없는 장점이 있음에도 불구하고 수행 속도가 트랜잭션 및 차원의 수에 비례해서 증가하는 비용을 감수해야 하는 문제가 있었다. 향후 연구에서는 차원 감소를 통한 계산 비 용의 단축과 다양한 웹 사이트의 로그 데이터 및 기존의 군집화 알고리즘에 의해 생성된 사용 프로파일의 비교 평가를 통해 효과를 검증해 보고자 한다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기