[논문]협업필터링 기반 추천시스템에서 유사도 계산의 신뢰성 향상 방안

이건우; 전동엽; 하지운; 김형욱; 김상욱

[국내논문] 협업필터링 기반 추천시스템에서 유사도 계산의 신뢰성 향상 방안
An Approach to Improve the Credibility of Similarity Calculation in CF-based Recommender Systems 원문보기

이건우 (한양대학교 컴퓨터전공) , 전동엽 (한양대학교 컴퓨터전공) , 하지운 (한양대학교 컴퓨터.소프트웨어학과) , 김형욱 (한양대학교 컴퓨터.소프트웨어학과) , 김상욱 (한양대학교 컴퓨터.소프트웨어학과)

협업 필터링 기반 추천 시스템에서는 이웃 사용자를 정확하게 찾는 것이 추천 정확도에 핵심적인 영향을 미친다. 그러나 기존의 유사도 척도는 사용자가 공통으로 평가한 아이템만을 고려하여 유사도를 계산하기 때문에 이러한 아이템이 적은 사용자 간의 유사도가 부정확하게 계산되는 문제가 있다. 본 논문에서는 이러한 문제를 극복하기 위해 공통으로 평가하지 않은 아이템을 함께 고려하여 유사도를 계산하는 방안을 제안한다. 또한, 실험을 통해 제안하는 방안이 협업 필터링 기반 추천 시스템의 정확도 향상에 기여함을 보인다.

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

문제 정의

본 논문에서는 두 사용자가 공통으로 평가하지 않은 아이템들도 고려하여 유사도를 계산하기 위해 미평가 아이템에 0점을 부여하는 방안을 제안하였다. 실험을 통해 기존 유사도 계산 방안에 비해 제안하는 유사도 계산 방법을 사용하는 것이 추천 정확도가 향상되는 것을 보였다.
본 논문에서는 이러한 기존의 유사도 계산 방안의 한계를 극복하기 위해, 두 사용자가 공통으로 평가하지 않은 아이템들을 함께 고려하여 유사도를 계산하는 방안을 통해 협업 필터링 기반 추천 시스템의 추천 정확도를 향상시키는 방안을 제안한다.
본 논문에서는 이러한 문제를 해결하기 위해 사용자들이 공통으로 평가하지 않은 아이템도 함께 고려하여 유사도를 계산하는 방안을 제안한다.

제안 방법

이를 위해, 기존 방안과 제안하는 방안을 통해 유사도를 측정하고, 각각에 대해 사용자 및 아이템 기반 추천 시스템 각각을 이용하여 평점을 예측하고, 그 정확도를 비교하였다. 이 때, 제안하는 방안이 이웃 수 k에 관계없이 항상 기존 방안으로 유사도를 계산하였을 때보다 높은 정확도를 보이는지 검증하기 위해 이웃 수 k를 10부터 80까지 변화시키며 실험을 수행하였다.
추천 정확도 검증을 위해 100,000개의 평점을 4:1의 비율로 트레이닝 셋과 테스트 셋으로 나누어, 사용자 기반 추천 시스템과 아이템 기반 추천 시스템 이용하여 테스트 셋에 대해 평점을 예측한다[1]. 이 때, 이웃 사용자 중 타겟 아이템에 대한 평점이 존재하지 않는 (0점으로 평점이 부여된) 사용자는 이웃 사용자에서 제외하였다.
협업 필터링 기반 추천 시스템에 제안하는 방안을 적용하였을 때, 추천 정확도가 향상되는지 검증하였다. 이를 위해, 기존 방안과 제안하는 방안을 통해 유사도를 측정하고, 각각에 대해 사용자 및 아이템 기반 추천 시스템 각각을 이용하여 평점을 예측하고, 그 정확도를 비교하였다.

대상 데이터

제안하는 유사도 계산 방안의 타당성을 검증하기 위해 MovieLens 데이터를 이용하여 실험을 수행하였다. MovieLens 데이터는 사용자가 943명, 영화가 1,682개이며, 사용자가 영화에 부여한 평점은 총 100,000개이다. 각 사용자는 최소 20개 이상의 영화에 1점과 5점 사이의 정수를 평점으로 부여하였다.
제안하는 유사도 계산 방안의 타당성을 검증하기 위해 MovieLens 데이터를 이용하여 실험을 수행하였다. MovieLens 데이터는 사용자가 943명, 영화가 1,682개이며, 사용자가 영화에 부여한 평점은 총 100,000개이다.

데이터처리

예측한 평점과 실제 평점과의 오차 측정에는 mean abs olute error(MAE)와 root-mean-square deviation(RMSE)을 이용하였으며, 5번의 교차 검증(5-cross validation)을 수행하였다.
협업 필터링 기반 추천 시스템에 제안하는 방안을 적용하였을 때, 추천 정확도가 향상되는지 검증하였다. 이를 위해, 기존 방안과 제안하는 방안을 통해 유사도를 측정하고, 각각에 대해 사용자 및 아이템 기반 추천 시스템 각각을 이용하여 평점을 예측하고, 그 정확도를 비교하였다. 이 때, 제안하는 방안이 이웃 수 k에 관계없이 항상 기존 방안으로 유사도를 계산하였을 때보다 높은 정확도를 보이는지 검증하기 위해 이웃 수 k를 10부터 80까지 변화시키며 실험을 수행하였다.

이론/모형

그림 3은 실험 결과를 그래프로 나타낸 것이다. 이 때, 유사도 척도로는 피어슨 상관계수를 사용하였다. 각 그래프의 x 축은 이웃 수 k를, y축은 MAE, RMSE 값을 나타낸다.

성능/효과

그 결과, 모든 k 값에서 제안하는 방안을 통해 유사도를 계산하였을 때, 기존 방안에 비해 정확도가 높아지는 것을 알 수 있다. 특히, 사용자 및 아이템 기반 추천 시스템 각각에서 기존 방안의 최적의 k 값에서의 정확도와 제안하는 방안의 최적의 k 값에서의 정확도를 비교하였을 때에도 제안하는 방안을 적용하였을 때, 더 높은 정확도를 보이는 것으로 나타났다.
본 논문에서는 두 사용자가 공통으로 평가하지 않은 아이템들도 고려하여 유사도를 계산하기 위해 미평가 아이템에 0점을 부여하는 방안을 제안하였다. 실험을 통해 기존 유사도 계산 방안에 비해 제안하는 유사도 계산 방법을 사용하는 것이 추천 정확도가 향상되는 것을 보였다.
이는 기존의 유사도 계산 방안을 통해 유사도를 계산했을 때에 비해 더욱 직관적으로 타당한 것이라 할 수 있다. 이로부터, 미평가 아이템을 고려하지 않고 유사도를 계산하는 것보다 미평가 아이템을 함께 고려하여 유사도를 계산하는 것이 합리적임을 알 수 있다.
그 결과, 모든 k 값에서 제안하는 방안을 통해 유사도를 계산하였을 때, 기존 방안에 비해 정확도가 높아지는 것을 알 수 있다. 특히, 사용자 및 아이템 기반 추천 시스템 각각에서 기존 방안의 최적의 k 값에서의 정확도와 제안하는 방안의 최적의 k 값에서의 정확도를 비교하였을 때에도 제안하는 방안을 적용하였을 때, 더 높은 정확도를 보이는 것으로 나타났다. 또한, 유사도 척도를 코사인 유사도로 사용하였을 때에도 동일한 결과가 나타났다.

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

[국내논문] 협업필터링 기반 추천시스템에서 유사도 계산의 신뢰성 향상 방안
An Approach to Improve the Credibility of Similarity Calculation in CF-based Recommender Systems 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] 협업필터링 기반 추천시스템에서 유사도 계산의 신뢰성 향상 방안 An Approach to Improve the Credibility of Similarity Calculation in CF-based Recommender Systems 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

데이터처리

이론/모형

성능/효과

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] 협업필터링 기반 추천시스템에서 유사도 계산의 신뢰성 향상 방안
An Approach to Improve the Credibility of Similarity Calculation in CF-based Recommender Systems 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper