[논문]시간스키마 기법 2단계 클러스터링 적용 추천시스템의 성능 향상

김룡; 부종수; 홍종규; 박원익; 김영국

시간스키마 기법 2단계 클러스터링 적용 추천시스템의 성능 향상
Two-step Clustring Method Using Time Schema for Performance Improvement in Recommender System 원문보기

김룡 (충남대학교 컴퓨터과학과) , 부종수 (충남대학교 컴퓨터과학과) , 홍종규 (충남대학교 컴퓨터공학) , 박원익 (충남대학교 컴퓨터공학) , 김영국 (충남대학교 컴퓨터과학과)

기존의 추천 시스템들은 사용자 수가 증가함에 따라 추천시간이 증가하는 확장성(Scalability) 문제가 있으며, 새로운 고객의 경우 선호도 정보가 부족하여 추천 정확도가 저하되는 희박성(Saparsity) 문제가 있다. 본 논문에서는 고객의 기본 프로파일 정보 중 가장 변별력이 있는 성과 나이에 대한 그룹을 생성하고 클러스터링 함으로써 집단 내 선호 상품을 우선적으로 추천하는 1단계 클러스터링 방법을 사용하여 새로운 고객의 희박성 문제를 해결 했으며, 추천결과에 따른 피드백을 받아 시간 흐름에 따른 선호 경향을 클러스터링 하는 시간스키마 방법을 적용한 2단계 클러스터링 방법을 사용함으로써 확장성 문제를 해결함은 물론 예측 정확도를 높일 수 있는 방법을 제안한다.

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

문제 정의

5장에서는 실험 데미터에 대한 대 용과 제안방법에 대한 성능 평가를 수행한다. 마지막으로 결론 및 향후 연구 방향에 대해 기술한다.
본 논문에서는 시간스키마 적묭 2단계 클러스터링 기법을 이용하여 확장성 문제와 희박성 문제를 해결하려했다.
본 논문에서는 추천 시스템에서 가장 보편적으로 보이고 있는 협력적 필터링(C이abortive Filtering) 방법 하에서 이러한 문제들을 해결하기 위한 방안을 제시하였다, 대부분의 협력적 필터링 시스템들은 사용자간의 유사도를 구하는데 코사인함수 나 피어슨 상관계수식을 이용하므로 아이템수가 많아잘수록 사 용자가 아이템에 관련된 정보를 얻는데 어느 정도 한계가 있기 때문에 두 사욤자간에 선호도를 표시할 확률은 적어지게 되고, 상관관계를 비교 할 아이템 수는 증가하게 된다.

제안 방법

따라서 기존의 협력적 필터링 시스템은 예측하기 전에 전 형적으로 새로운 고객이 초기 정보 수집댠계에서 요청 항목에 대해 평가하도록 요구한다. 그리고 그 평가를 기반으로 코사인 함수나 피어슨 상관계수식을 적용하여 사基자간의 유사도를 구 한 다음, 아이템에 대한 선호도를 예측하는 방식을 사용한다. 그러나 모든 사용자간의 유사도 계산을 기본으로 하는 방식은 데이터의 희박성(spa「seness)으로 인해 실제로 적용하는데 중요한 문제점을 가지고 있다.
모델기반 알고리줌은 모델을 추정하거나 학습하기 위해 사용자 데이터버}이스를 사용하여, 그렇게 생성된 모델은 예측을 위해 이용한다. 모델 중심 알고리즘은 사용자의 선호도를 사용 자, 아이템, 그리고 평가 내용을 갖는 기술적인 모델로 재구성 한다. 그리고 추천은 구성된 모델에 의뢰함으로써 이루어진다.
본 논문에서는 {그림 4]와 같이 시간에 따른 성향 변화를 고 려하고 2단계에 걸쳐 클러스터링 하는 기법을 사용하여 새로문 사용자에 대한 예측 정확도 및 시스템 속도 면에서 선호도 계 산시 간믈 단축시킴으로써 효율성을 개선하였다.
본 논문에서는 시간스키마에 따른 2단계 클러스터링 생성 기 법 적용으로 평가시점별 사용자의 선호도 테이블을 갱신함으로 써 사용자의 최근 선호경향을 반영하였다.
본 실험에서는 2단계 클러스터링 방법이 섬과 나이 그룹에 독립적이냐 또는 포함관계에 있느냐에 따라 기존 피어슨 상관 관계를 이용한 추천과 연산시간과 이측정확도면에서 어느 정도 향상되었는지 평가한다. 그리고 장르를 10개에서 76개로 세분 화하였을 경우 추천리스트를 비교함으로써 香 더 개인화된 맞 춤정보 제공을 위해서는 아이템 속성이 반영되어야 함을 평가 한다, [그림 3]은 실험 결과로 기존 피어슨 상관계수식을 이용한 추천 예측정확도 평가와 본 논문에서 제안한 2단계 클러스 터링 방법의 예측정확도 평가 결과이다.
본 논문에서 제안하는 1단계 클러스터링 과정에서 이 문제를 해결한다. 아이템에 대한 어떤 평가정보도 없는 새로운 고객에 게 어느 정도 성향에 맞는 아이템을 제시하기 위하여 가장 변 별력이 있는 성과 나이에 대한 1단계 클러스터링을 수행한다. 그리고 그룹 프로파일에서 높이 평가된 아이템 순으로 우선적 으로 추천하는 것이다.

대상 데이터

[그림 2]는 본 논문에서 제안한 2단계 클러스터링 기법을 적 용할 목표 시스템 환경구조이다. 실헝에 사용한 웹사이트는 Dynamic Learning VOD(Video On Demand) 시스템으로 고객 이 원하는 비디오를 찾을 수 있도록 도와주는 추천 사이트 이다. 추천 사이트는 고객들에게 비디오를 대여해주고, 그 대여 정보를 데이터베이스에 저장하며, 피드백을 줄 패마다 동적으 로 선호도 정보를 갱신하며 최신 선호 경향을 반영하여 준다.

이론/모형

협력 필터링믈 이용한 추천 시스템의 실험에서는 일반적으로 예측 정확도 평가 방법으로는 MAE(Mean Absolute 타「。「)를 사용한다. MAE는 살험에서 발생한 평균 절대 오차 값을 말하며, 전체 예측 회수에 대해 발생한 평균 예측 오차쯜 의미하 고, 아래 [식 1]과 같이 계산된다.

후속연구

또한, 추천대상자(Target Use「)와 유사한 히스토리를 가지는 특정 N영의 이웃이 가진 정보를 바탕으로 추천이 이루 어지므.로 국소적 추천에 머물게 되고, 나머지 이웃들에게서 이 끌어낼 수 있는 전역적 추천을 놓칠 수 있으므로 그에 대한 방 안의 연구가 필요하다.
향후 연구과제로는 사용자의 선호도를 보다 잘 표현할 수 있는 데이터를 선택 연구하여 보다 높은 성능을 보장할 수 있는 시스템을 구축하는 것이 필요하고 본질적으로 협력추천시스템 이 안고 있는 결여 데이터를 해결 혹은 완화할 수 있는 방안들 이 결합되었을 때 본 모델도 더 나은 성능믈 기대할 수 있을 것이다. 또한, 추천대상자(Target Use「)와 유사한 히스토리를 가지는 특정 N영의 이웃이 가진 정보를 바탕으로 추천이 이루 어지므.

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

시간스키마 기법 2단계 클러스터링 적용 추천시스템의 성능 향상
Two-step Clustring Method Using Time Schema for Performance Improvement in Recommender System 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

시간스키마 기법 2단계 클러스터링 적용 추천시스템의 성능 향상 Two-step Clustring Method Using Time Schema for Performance Improvement in Recommender System 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

이론/모형

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

시간스키마 기법 2단계 클러스터링 적용 추천시스템의 성능 향상
Two-step Clustring Method Using Time Schema for Performance Improvement in Recommender System 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper