[논문]연관 관계 군집에 의한 협력적 여과 방법

김진현; 정경용; 김태용; 이정현

연관 관계 군집에 의한 협력적 여과 방법
A New Collaborative Filtering Using Associative Relation Clustering 원문보기

김진현 (인하대학교 전자계산공학과) , 정경용 (인하대학교 전자계산공학과) , 김태용 (인하대학교 전자계산공학과) , 이정현 (인하대학교 전자계산공학과)

협력적 여과 방법은 사용자의 평가 데이터를 이용하므로, 항상 초기 평가 문제(First-Rating Problem)와 희박성 문제(Sparsity Problem)가 발생한다. 최근 이러한 문제를 해결하기 위해 많은 연구가 진행되고 있는 데, 본 논문에서는 연관 규칙을 이용하여 이러한 문제를 해결하고자 한다. 사용자의 평가 데이터를 이용하여 아이템간의 연관성을 산출하고, 연관성이 높은 아이템끼리 군집한다. 사용자와 군집간에 피어슨 상관 계수(Pearson Correlation Coefficient)를 이용하여 가중치를 구하고, 이것으로 선호도를 예측한다. 이러한 방법을 기존의 협력적 여과 방법과 함께 속성에 의한 군집 방식과 비교 평가하였다. 또한, 효율적인 군집을 위한 Split Cluster Method를 제안하고, 기존의 트리 방식의 군집과 비교 평가하였다.

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

문제 정의

본 논문에서는 연관 규칙을 이용하여 아이템을 군집하고, 이 군집을 평가한 사용자들의 선호도를 기반으로 사용자들의 선호도를 예측해 보았다. 이 방법이 모든 방면에 명확한 성능 개선을 이루지는 못했지만, 상대적으로 적은 로그에 대해 정확도가 높은 예측값을 구할 수 있었다.

제안 방법

기존 알고리즘 중, 가장 빠른 군집 알고리즘은 Hypergraph Clique Clustering의 Bottom -up 알고리즘이다[7丄 그러나, 위의 Tree 알고리즘도 0(n!) 이라는 복잡도로 인해서 본 논문에서 실험할 수 없었다. 그러므로, 본 논문에서는 Split Cluster Algorithm을 제안한다.
사용자들의 경우, 프로파일(Profile)이나 나이, 성별 등의 속성을 이용하여 군집하였고, 아이템들의 경우는 아이템 간의 유사도가 높은 것끼리 군집하거나, 내용 기반 여과(Context- based Filtering)를 병합하여 비슷한 내용을 군집하였다. 또한, 선호도에 가장 영향을 미치는 대표 속성을 이용하여 군 집을 하였다[1H₂M3].
따라서, 펴지 집합 % 는 퍼지 집합에 속할 소속 정도의 값이 a 값 이상으로 이루어진 집합이다. 본 논문에서는 Item Similarity Matrix의 값을 Boolean 값으로 변환시켜서 아이템 간의 노드를 만드는 역할을 한다. 또한, 자기 자신과의 관계는 1보다 높으므로 제외시킨다.
기존의 협력적 여과 방법에서도 군집을 이용한 방법을 사용하였다. 사용자들의 경우, 프로파일(Profile)이나 나이, 성별 등의 속성을 이용하여 군집하였고, 아이템들의 경우는 아이템 간의 유사도가 높은 것끼리 군집하거나, 내용 기반 여과(Context- based Filtering)를 병합하여 비슷한 내용을 군집하였다. 또한, 선호도에 가장 영향을 미치는 대표 속성을 이용하여 군 집을 하였다[1H₂M3].
아이템 간의 연관 규칙은 사용자의 아이템에 대한 평가 값을 이용하여 찾아낸다. 여기서, 기존의 논문에서는 지지도나 신뢰도를 사용하여 규칙을 찾아냈지만, 본 논문에서는 향상도를 사용한다. 향상도는 실제의 신뢰도를 독립 가정하에 서의 신뢰도로 나눈 값으로 식(1)과 같이 계산한다.
분리된 군집들은 기존 군집들과 비교하여 포함관계가 성립하면, 삭제한다. 이렇게 삭제된 노드들을 모두 이용하여 분할된 최종 군집을 본 논문에서는 이용한다. 복잡도는 위【알고리즘 H 에서 보는 것과 같이 0(F)이 된다.

대상 데이터

이 중에서 데이터의 관계가 모호한 레코드를 삭제하여 영화를 100씩 1。개의 그룹으로 나누어 실험하였다. 또한, 전체 평가 수는 1, 428, 362개이다(T10I100D1395k).
본 논문에서는 EachMovie[8] 데이터를 이용하였다. 이 중에서 데이터의 관계가 모호한 레코드를 삭제하여 영화를 100씩 1。개의 그룹으로 나누어 실험하였다.

데이터처리

이를 이용하면 위 아이템은 많은 군집에 속하게 되므로 회박성 문제를 해결할 수 있다. 제안한 방법의 성능을 평가하기 위해서 기존의 협력적 여과 시스템과 대표속성을 이용한 군집에 의한 협력적 여과 방법과 비교 평가하였다.

성능/효과

그림 3을 보면, 사용자의 평가 수가 0에서 2500명인 지점에서 본 논문에서 제안한 알고리즘이 더 좋은 성눙을 보임을 알 수 있었다. 그러나, 사용자 수가 증가할수록 기존 알고리즘보다 성농이 저하되었다.
군집의 이점은 아이템에 대한 평가 데이터가 적더라도 그 아이템이 속한 군집에 대한 평가 데이터는 많다는 점이다. 본 논문에서는 연관 규칙을 협력적 필터링 시스템에 적용할 경우, 평가 데이터가 적은 아이템에 대해 다른 아이템과의 향상성(Lift)이 높다는 것을 발견하였다. 이를 이용하면 위 아이템은 많은 군집에 속하게 되므로 회박성 문제를 해결할 수 있다.
본 논문에서는 연관 규칙을 이용하여 아이템을 군집하고, 이 군집을 평가한 사용자들의 선호도를 기반으로 사용자들의 선호도를 예측해 보았다. 이 방법이 모든 방면에 명확한 성능 개선을 이루지는 못했지만, 상대적으로 적은 로그에 대해 정확도가 높은 예측값을 구할 수 있었다.

후속연구

반면, 많은 사용자들이 평가한 아이템에 대해서는 많은 군집에 속하게 되어 평가의 정확도가 낮아진다. 그러므로, 한 아이템이 군집 속에 들어가는 수를 제한하고, n 수보다 많아질 경우 기존의 피어슨 상관 계수를 이용하여 예측하고, 그 수보다 적을 경우 본 논문에서 제한하는 방법을 사용한다면 더 높은 적중률을 나타낼 것이다.
향후에 본 논문에서 발생하는 클러스터 간의 아이템 편중 문제, 많은 군집에 한 아이템이 들어가는 문제, 클러스터링 알고리즘의 수행 시간이 오래 걸리는 문제 등을 해결한다면, 제안한 알고리즘이 더 좋은 결과를 낼 수 있을 것이다.

원문 보기

ScienceON 원문보기

*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.

내보내기 메뉴

내보내기 구분

파일저장
인쇄
메일전송

구성항목

기본정보
상세정보

관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관

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

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

AI-Helper ※ AI-Helper는 을 사용합니다.

AI-Helper

안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

연합인증

연관 관계 군집에 의한 협력적 여과 방법
A New Collaborative Filtering Using Associative Relation Clustering 원문보기

초록
AI-Helper