선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 이러한 문제듷을 해결하기 위해 상황 정보를 이용하여 추천의 성능을 향상시킨 시스템을 제안한다. 첫째, 인구통계학적 변수 외애도 날从I, 온도, 사용자의 기분 등의 상 황정보를 고려하여 다양한 상황에 따른 분석을 가능하게 하였 다.
제안 방법
- 사용자가 추천을 요청하면 추천 시스템은 사용자의 개인정보 와 상황정보를 수집한다. 개인정보는 사용자의 성별, 나이, 지 출액, 결혼유무, 직업을 포함하고, 상황정보를 위해서는 날씨, 몬도, 사용자의 기분, 날짜, 시간대昼 수집한다, 본 논문에서는 시스템의 성능 테스트를 위하여 설문조사를 시행하였다. 설문 에서는 사용자들의 개인정보와 상황정보를 조사하고 원하는 음 식점을 선택하게 하였다.
- 본 논문에서 제안하는 시스템은 [그림 1]과 같으며, 세 단계를 거쳐 추천이 이루어진다.
- 사용자의 유사도(Similarity)譽 측정하기 위해서는 유사 매트릭 스 또는 여러 차원으로 유사도룰 판단할 수 있는 방법이 있어 야 한다 [5]. 본 논문에서는 추천 사용자로부터 추출된 개인 등록 정보와 설문을 통해 얻어진 기존 사용자들의 개인 등록 정보를 가지고 유사도를 분석한다. 사용자 유사도의 합(側은 식 (1)과 같고 속성별 유사도는 식 (2)과 같다.
- 개인정보는 사용자의 성별, 나이, 지 출액, 결혼유무, 직업을 포함하고, 상황정보를 위해서는 날씨, 몬도, 사용자의 기분, 날짜, 시간대昼 수집한다, 본 논문에서는 시스템의 성능 테스트를 위하여 설문조사를 시행하였다. 설문 에서는 사용자들의 개인정보와 상황정보를 조사하고 원하는 음 식점을 선택하게 하였다. [표 1]에 설문조사를 통해 얻은 데이 터 중 하나를 나타내었다.
- 각 노드는 속성 값에 대한 정보이득(Infomation Gain)을 구한 후 정보이득이, 가장 큰 속성이 최상위에 위치하게 된다. 엔트 로피(Entropy)라는 척도의 감소량을 통해 정보이득을 구하고, 이를 이용하여.의사결정 트리를 구성하게 된다.
- 본 논문에서는 이러한 문제듷을 해결하기 위해 상황 정보를 이용하여 추천의 성능을 향상시킨 시스템을 제안한다. 첫째, 인구통계학적 변수 외애도 날从I, 온도, 사용자의 기분 등의 상 황정보를 고려하여 다양한 상황에 따른 분석을 가능하게 하였 다. 둘째, 유사도 측정을 통해 사용자와 유사한 성향을 가진 데이터만을 학습데이터로 이용하였다.
대상 데이터
- 첫째, 인구통계학적 변수 외애도 날从I, 온도, 사용자의 기분 등의 상 황정보를 고려하여 다양한 상황에 따른 분석을 가능하게 하였 다. 둘째, 유사도 측정을 통해 사용자와 유사한 성향을 가진 데이터만을 학습데이터로 이용하였다. 이러한 전처리 과정은 데이터 신뢰도의 향상을 가져왔다.
- 본 논문의 실험을 위해서 IIS 5.0, Microsoft Active Server Page 와 MS-SQL Serve「을 사용해서 구현하였으며, 실험환경 은 펜티엄4 2.8GHz, 512MB RAM의 시스템이었다.
- 학습 및 테스트에 사용된 데이터들은 2005년 4월부터 8월까 지 설문을 통해 수집되었으며 설문 전에 본 연구의 주요 목적, 조사의 필요성 및 조사방법에 대하여 충분한 설명을 하였다. 회수된 설문지 중 총 500부의 설문지를 실험에 이용하였다.
- 학습 및 테스트에 사용된 데이터들은 2005년 4월부터 8월까 지 설문을 통해 수집되었으며 설문 전에 본 연구의 주요 목적, 조사의 필요성 및 조사방법에 대하여 충분한 설명을 하였다. 회수된 설문지 중 총 500부의 설문지를 실험에 이용하였다.
데이터처리
- 유사도 값의 최적 임계치 값을 구하기 위한 실험을 수행하였 다. 샘플데이터를 학습데이터와 테스토데이터로 분류하기 위해 K-중첩 교차조사 방법을 이용하였으며 k너0 으로 설정하였으 며 임계치 별로 의사결정 트리를 이용하여 평균절대오차율을 구하였다.
- 이러한 전처리 과정은 데이터 신뢰도의 향상을 가져왔다. 셋짜{, 추천의 정확성 향상 을 위해 전처리 단계를 거친 데이터를 의사결정 트리플 이용하 여 분석하였다, 실험에서는 K-중첩 교차조사 (k 너이 d cross-validation) 방법을 이용하여 학습데이터와 테스트데이터 를 분류하고 평균절대오차율(Mean Absolute E「「o「)을 측정하여 제안된 추천시스템의 성능을 증명하였匚L
- 8일 때 보다 높게 평가되었다. 제안된 시스템(Context and Data mining System)의 성능을 증명하기 위해 유사도를 이용한 추천시스템(Similarity System) 고卜 :그리고 의사결정 트리 기법을 이용한 추천시스템(Decision tree System)과 성능 비교를 하였다. 제안된 시스템의 임계치 는 0.
이론/모형
- 사용자의 요청이 들어왔을 때, 첫 번째 단계는 사용쟈의 개인 정보와 상황정보를 수집하고, 다음 단계에서는 기존의 학습 데 이터들에서 사용자의 개인정보와 유사한 그룹만을 분류해 낸 다. 마지막 단계는 유사도를 통해 필터링된 데이터를 의사결정 트리 기법을 이용하여 분석한다. 위의 세 단계豊 거쳐 요청한 사용자에게 추천을 한다.
- 제안하는 시스템의 정확성을 측정하기 위해서 K-중첩 교차조 사(k니이d cross-validation) 방법을 이용하여 학습과 테스트를 k번 반복 수행한다, K-중첩 교차조사 방법은 데이터 셋을 k개 의 상호 배반 부분 집합으로 분할한 후 [번째 집합을 테스트 집합으로 나머지를 학습 집합으로 사용한다 [7]. k번의 실험에 서 평균절대오차율(Mean Absolute 타「。「)율 측정해서 성능을 평가한다.
성능/효과
- 1%. 4.1% 낮게 측정되었는데, 이는 제안된 추천 시스템의 성능이 기존보다 향상되었응을 의미한다.
- 둞째, 방대한 자료를 이용할 경우 사용자와는 전혀 다른 개인정보나 성향을 가진 사 용자도 분석의 대상이 될 수 있다. 셋째, 단순한 필터링 시스 템이 가지는 추천의 정확성 한계를 들 수 있다.
- 시스템의 정확성을 나타내는 평균절대오차율의 측정치가 유사 도만율 이용하거나 의사결정 트리만을 이용한 시스템보다 7.1%. 4.
- 똔 논문은 사용자의 기분이나 주변 환경 등의 상황정보를 고려한 추천 시 스템을 제얀하였다. 제안하는 시스템은 정확성의 향상을 가져 왔으나 상황정보에 대한 수집에 있어서 객관성이 요구된다. 또 한 속성별로 주어지는 가중치에 대한 논의가 필요하며 상황정 보로부터 상황을 인식하는 수준의 연구가 진행되어야 한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.