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
- 협력적 여과를 이용하여 사용자.아이템 행렬 R에서 사용자의 아이템어i 대한 선호 경향을 파악하여 미래에 어떤 아이템을 선호할지 예측할 수 있듯이, 본 연구에서는 사용자.태그 행렬 4에서 사용자의 태그에 대한 선호 경향을 파악한다.
- 이에 따라, 본 연구에서는 협력적 태깅을 이용한 협력적 여과 방법의 추천 시스템을 제안하여 보다더 효과적인 추천이 가능하게 하고자 하였다. 또한 실험을 통하여 추천 시스템에서 협력적 태그의 효과를 살펴 보았다.
제안 방법
- 계산된 사용자의 태그 별 선호 행 렬 S에서 사용자〃의 가장 높은 선호도를 보인 w개의 태그를 선택하여, 사용자 "의 후보 태그 집합 CT&GO를 구성한다. CTSw(이)의각 태그들을 특징으로 나이브 베이즈 분류자를 이용하여 사용자가 아직 선택하지 않은 아이템 儿의사 전 확률을 계산하고 사전 확률이 높은 N개의 아이템을 추천해 준다.
- 계산된 사용자의 태그 별 선호 행 렬 S에서 사용자〃의 가장 높은 선호도를 보인 w개의 태그를 선택하여, 사용자 "의 후보 태그 집합 CT&GO를 구성한다. CTSw(이)의각 태그들을 특징으로 나이브 베이즈 분류자를 이용하여 사용자가 아직 선택하지 않은 아이템 儿의사 전 확률을 계산하고 사전 확률이 높은 N개의 아이템을 추천해 준다.
- 전체 사용자 각각에 대한 다른 사용자간의 유사도를 겨】산(식 (1))하여 사용 자간 유사도 행렬 D를 채운다. 각 사용자의 태그 선호도를 계산하기 위해 알고리즘 1을 수행하여 사용자의 태그별선호행 렬 S를계산하여 추천에 이용한다.
- 사용자의 각 태그에 대한선 호도는 각 사용 자와 다른사용 자간의 유사도를 가진 사용자간 유사도 행렬 D에서 가장유사도가 높은 k명의 이웃 집단을 선택한다. 그리고 각 태그에 대한 그 이웃 집단 내의 이웃의 사용 빈도와 이웃간의 유사도를 곱한 값을 합산하여 구한다.
- 결과를 보이고 분석한다. 그리고, 사용자기반의 협력적 여과 방법 [11] 과 아이템 기반의 협력적 여과 방법[기을 이용하여 상위・N개의 아이템추천에 따른 재현률 (recall) 을 비교 평 가한다. 제안하는 시스템의 실험은 JDK 5.
- 미친다. 따라서 후보 태그 집단의 크기 에따라성 능 실험을수행하였다.
- 또한 실험을 통하여 추천 시스템에서 협력적 태그의 효과를 살펴 보았다.
- 본 연구에서는 클래스 집합으로 아이템 집합 /={ii, i2, …, in}을 이용하며, 사용자 후보 태그 집합에 있는 태그들을 특징 (feature) 으로 사용한다. 주천대상 사용자 〃의 아2템 y에 대한 나이 브 베 이 즈분류자를 그림 5와 같이 베이지안 네트워크로 표현할 수 있다.
- 사용자가 태깅한 정보를 바탕으로 사용자의 선호 경향을 파악하고, 그 경향에 맞는컨텐츠를 여과하여 추천해 주는 방법을 제안한다.
- 적당한 이웃 집단의 크기를 찾아 보다 정확한 실험을 하기 위해 전통적인 협력적 여과 방법인 사용자 기반의 협력적 여과 방법 [11} 유사한 사용자 집단 크기와 아이템 기반의 협력적 여과 방법[7] 유사한 아이템 집단의 크기에따룬 실험을 수행하였다. 사용자에게 추천한 아이템의 개수 N 을 10개로 고정한 후 유사한 사용자 집단 크기 k를 10, 30, 50, 70, 그리고 100으로 변경하면서 추 천 성능을 측정하였다.
- 성능 측정 방법은 전통적인 협력적 여과 방법의 이웃 집단 크기에 따른 실험과 동일하게 테스트데이터 집합의 재현률을 후보 태그 집합의 크기에 대하여 평가하였다.
- 바탕으로 구한다. 우선, 사용자와 비슷한 태그선 호 성향을보이는 이웃인 이웃 집단(k nearest neighbor, KNN)을 구한다. 이를 위해 추천 대상 사용자와 각 사용자간의 유사도를 구해야 하는데, 본 연구에서는 코사인 유사도를 이용한다[1 이.
- 이번 장에서는 본문에서 제안한 사용자들의 협력적 태그를 추천 시스템에 적용했을 때의 성능에 대한 실험 결과를 보이고 분석한다. 그리고, 사용자기반의 협력적 여과 방법 [11] 과 아이템 기반의 협력적 여과 방법[기을 이용하여 상위・N개의 아이템추천에 따른 재현률 (recall) 을 비교 평 가한다.
- 요인이다[4]. 적당한 이웃 집단의 크기를 찾아 보다 정확한 실험을 하기 위해 전통적인 협력적 여과 방법인 사용자 기반의 협력적 여과 방법 [11} 유사한 사용자 집단 크기와 아이템 기반의 협력적 여과 방법[7] 유사한 아이템 집단의 크기에따룬 실험을 수행하였다. 사용자에게 추천한 아이템의 개수 N 을 10개로 고정한 후 유사한 사용자 집단 크기 k를 10, 30, 50, 70, 그리고 100으로 변경하면서 추 천 성능을 측정하였다.
- 전통적인 협력적 여과방법들과본 연구에서 제 안 한방 법의 성능을 비 교하기 위해서 상 위-N 추천 방법의 추천하는 아이템 개수인 N 을 증가시키며 성능을 비교하였다.
대상 데이터
- 본 논문의 실험에서 사용된 데이터 집합(dataset)은소셜 북마킹(social book marking) 서비스인 del.icio.us 사이트에서 크롤링 (crawling) 을 통해 일부 수집하였다. del.
- 또한, 하나의 북마크에 여러 다른 사용자들이 달아놓은 태그의 중복을 허용하는 bag 형태의 태그를 지원한다 [2]. 수집된 데이터 집합은 1, 544명의 사용자로부터 17, 390개의 북마크 웹 사이트와 10, 077개의 태그, 그리고 사용자와 웹 사이트간 27, 066 개의 북마킹 정 보, 사용자와 태 그간의 44, 681개의 태깅 정보를 포함한다.(표 1)
- 그리고, 사용자기반의 협력적 여과 방법 [11] 과 아이템 기반의 협력적 여과 방법[기을 이용하여 상위・N개의 아이템추천에 따른 재현률 (recall) 을 비교 평 가한다. 제안하는 시스템의 실험은 JDK 5.0과 MySQL 5.0을이용하였으며 실험 환경은 Dual Xeon 3.0 GHz, 2.5GB RAM의 시스템 2대를 사용하였다.
- 이웃 집단은 사용자 기반의 방법과 동일하게 각 아이템과 다른 아이템을 선호했었던 사용자가 얼마나 유사한가에 따라 아이템 간의 유사도를 통해 구한다. 추천 대상 사용자가 선호 이력을 가지고 있지 않은 아이템을 대상으로 각 아이템 별 k 개의 유사한 아이템을 선택한다. 이 유사 아이템에 대한 추천 대상 사용자의 선호 이력을 아이템간의 유사도를 가중치로 하여 종합한 결과를 추천 대상 사용자의 아이템 선호로 예측하는 방법이 아이템 기반의 협력적 여과 방법이다[기.
- 추천의 성능평가를 위해 총 사용자가 북마크 한 데이터를 80% 트레이닝 부분 (21, 653개의 북마크)과 20% 테스트 부분 (5, 413개의 菖마크)으로 나누어 사용하였다. 성능 평가 방법으로는 알고리즘에 의해 사용자에게 추천된 아이템이 얼마나 실제로 그 사용자의 과거 선호 이력에 포함되어 있는지의재현률(recall) 측정식을 이 용하였다[7, 11].
- 사용된 사용자.태그간의 사용자 기반의 협력적 여과에서의 이웃 집단의 크기는 50으로 하였으며, 사용 자에게 추천한 아이템의 개수 N 은 10개로 고정하였다 (N=10).
이론/모형
- 본 연구에서는 이러한 컨텐츠와 서비스의 변화에 맞추어 협력적 여과를 보다 효과적으로 추천에 이 용하기 위해 협력적 태깅 (Collaborative Tagging)을이용한다. 사용자가 태깅한 정보를 바탕으로 사용자의 선호 경향을 파악하고, 그 경향에 맞는컨텐츠를 여과하여 추천해 주는 방법을 제안한다.
- 본 연구에서는 추천 대상 사용자에게 확률적인 방법을 통하여 상위 N 개의 아이템을 추천하며, 확률적인 방법으로 나이브 베이즈 분류자 (Naive Bayes Classifier)를 이 용한다[9].
- 우선, 사용자와 비슷한 태그선 호 성향을보이는 이웃인 이웃 집단(k nearest neighbor, KNN)을 구한다. 이를 위해 추천 대상 사용자와 각 사용자간의 유사도를 구해야 하는데, 본 연구에서는 코사인 유사도를 이용한다[1 이. 사용자 泌牛 V의 유사도 S沥(〃”)는 식 (1)과 같은 식으로 정의할 수 있다.
성능/효과
- 그림 8에서 보는 바와 같이, 본 연구에서 제안하는 방법이 사용자 기반의 협력적 여과 방법 보다는 전반적으로 좋은 성능을 보였다. 또한, 아이템 기반의 협력적 여과 방법과 비교하여 N이 커짐에 따라 성능이 떨어지는 것이 보였지만, N이 작을 때 높은 성능을 보였다.
- 추천 아이템의 개수가 적을 때 좋은 성능을 보인다는 것은 추천 받은 아이템 목록의 상위에 추천 대상 사용자가 선호하는 아이템이 포함될 확률이 높다는 것을 의미한다. 따라서, 협력적 태그가 아이템 추천의 성능 향상에 효과적이라는 것을 알 수 있었다.
- 좋은 성능을 보였다. 또한, 아이템 기반의 협력적 여과 방법과 비교하여 N이 커짐에 따라 성능이 떨어지는 것이 보였지만, N이 작을 때 높은 성능을 보였다. 예를 들어, N=10일 때는 4%, N=20일 때는 7%, N=30일 때는 5%의 성능 향상을 보였다.
- 비교 대상인 전통적인 방법들의 이웃 집단의 크기 k는 사용자기 반의 협력적 여과 방법의 성능상 승이 감소하기 시작하는 50으로 하였으며, 제안한 방법의 후보 태그 집합의 크기 w는 이전 실험에서 가장 좋은 성능을 보인 70으로 하였다.
- 사용자의 선호 경향을 나타낼 때 태그를 사용하면, 카테고리를 이 용한추 천 보다사용자의 선호 경 향을 더 자세하고 효율적으로 나타낼 수 있다. 그리고 시간의 흐름에 따라 분류가 더 세분화되거나 다른 형태로 변형되는 경우, 카테고리 형식의 분류는 카테고리를 재구성 해야 하는 등 이에 대처하기가 힘들지만 태그를 이용한 분류는 더 자세히 태깅을 하거나 기존의 태깅된 태그의 문장을 변경하여 손쉽게 대처할 수 있다.
- 그래프로 나타낸 것이다. 실험 결과대체적으로이 웃 집단의 크기 가커짐 에 따라성 능은 좋아졌고, 사용자 기반의 협력적 여과는 이웃 집단의 크기가 50 부근에서 성능 중가율이 서서히 감소했다.
- 이는 데이터 집합의 희박성 수준이 너무 높기 때문으로 분석된다[13]. 아이템 기반의 협력적 여과 방법은 사용자 기반의 협력적 여과 방법 보다 작은 모델 사이즈를 가지고도 보다 정확한 추천 성능을 보이지만 아이템의 개수가 사용자의 수 보다 너무 많아서 아이템 기반의 협력적 여과 방법은 아이템간의 유사도 계산이 상당히 오래 걸렸다.
- 전반적으로 아이템 기반의 협력적 여과 방법이 사용자 기반의 협력적 여과 방법 보다 높은 정확도를 보였다. 이는 데이터 집합의 희박성 수준이 너무 높기 때문으로 분석된다[13].
- 전통적인 협 력적 여과 방 법에서 이웃 집 단의 크 기에 따라 성능의 차이가 있듯이, 본 연구에서 제안한 방법의 후보 태그 집단의 크기 w가 추천 성능에 영향을 미친다. 따라서 후보 태그 집단의 크기 에따라성 능 실험을수행하였다.
- 제안한 방법과 전통적인 협력적 여과 방법을 상위-N 추천 방법으로 비교하였으며, 사용자 기반의 협력적 여과 방법 보다는 전반적으로 향상된 성 능을 보였고, 아이템 기반의 협력적 여과 방법과 비교하여, 추천하는 아이템 개수 ISP] 큰 경우는 성능이 좋지 않았지만 N이 작은 경우보다 좋은 성능을 보였다.
- 향상된다. 하지만, deLicio.us에서 수집한 데이터 집합은 모든 행렬의 밀도가 상당히 낮았고, 사용자의 수 (1, 544)에 비해 아이템의 수(17, 390) 가상대적으로 너무 많아 3가지 방법 모두 낮은 추천성능을 보였다.
후속연구
- 하지만, 사용자의 선호 경향을 파악하는데 있어서, “bad”나 “my work”, “to read, , 등 개인적이거나 감정적인 불필요한 태그로 인한 잡음 (noise) 이나 태그의 동음이의어, 이음동의어와 같은 문제는 추후 보완해야 할 문제이다.
- 향후에는 동음이의어와 같은 문제를해결 하기 위해 태그의 의미를 파악하는 의미 기반의 태그(semantic tagging) 에 대한 연구와 이를 주천 시스템에 적용하는 것에 대한 연구가 요구된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.