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.
제안 방법
- 유저 번호, 나이, 선호장르, 성격 순으로 구성되었으며 Mahout이 입력으로 받는 벡터 처리를 용이하기 위해 구분자(,)를 사용하여 입력 데이터를 변경 하였다. Mahout에서 벡터를 처리하기 위한 3개의 클래스 DenseVector,RandomAccessSparseVector,SequentialAcces sSparseVector 가 있으며 이중 입력 데이터를 보면 double 타입의 배열로 배열의 크기가 데이터의 특성의 수인 DenseVector를 사용하였다. Mahout에는 군집 알고리즘인 K-means Clustering을 KmeansClusterer 또는 KmeansDriver 클래스를 제공하며 KmeansClusterer는 인메모리형식으로 군집화를 실행하며, KmeansDriver는 맵리듀스 작업으로 실행한다.
- 유저 번호, 나이, 선호장르, 성격 순으로 구성되었으며 Mahout이 입력으로 받는 벡터 처리를 용이하기 위해 구분자(,)를 사용하여 입력 데이터를 변경 하였다. Mahout에서 벡터를 처리하기 위한 3개의 클래스 DenseVector,RandomAccessSparseVector,SequentialAcces sSparseVector 가 있으며 이중 입력 데이터를 보면 double 타입의 배열로 배열의 크기가 데이터의 특성의 수인 DenseVector를 사용하였다.
- 기계학습 중에서 추천엔진과 군집 분류를 주로 처리하여 추천 시스템을 구성하는데 적합하다. 이를 바탕으로 기존에 개발한 영화 추천 시스템을 아파치 Mahout을 이용하여 하둡 시스템상에서 구현해보고 동작해보고 기존의 XLMiner로 구현한 시스템과 비교해 본다.
- 본 연구는 기존 연구에서 사용자들이 평가한 평가치가 충분할 경우 기존의 알고리즘인 협업 필터링을 이용하고, 평가 데이터가 충분치 않은 희박성 문제가 발생한다면 명시적으로 개인화 요인을 입력받아 K-means Clustering 기법으로 군집군을 형성하였다. 입력받은 개인화 요인 6개를 이용한 63가지 방법을 통하여 최적의 개인화 성향으로 나이, 선호장르, 성격을 제안하였으며 데이터는 MovieLens의 데이터를 이용하였다[3]. K-means Clustering을 사용하여 군집화 하였으며 거리 측정에는 유 클리드 거리 측정법을 사용하였다.
이론/모형
- 입력받은 개인화 요인 6개를 이용한 63가지 방법을 통하여 최적의 개인화 성향으로 나이, 선호장르, 성격을 제안하였으며 데이터는 MovieLens의 데이터를 이용하였다[3]. K-means Clustering을 사용하여 군집화 하였으며 거리 측정에는 유 클리드 거리 측정법을 사용하였다.
- Mahout에는 군집 알고리즘인 K-means Clustering을 KmeansClusterer 또는 KmeansDriver 클래스를 제공하며 KmeansClusterer는 인메모리형식으로 군집화를 실행하며, KmeansDriver는 맵리듀스 작업으로 실행한다. KmeansDriver로 맵 리듀스작업으로 실행하였으며 거리 측정 방법에는 기존의 시스템에서 사용한 유클리드 거리 측정 방법을 사용하였다. (그림 2)는 Mahout을 이용한 군집화 결과의 일부이다.
- 본 연구는 기존 연구에서 사용자들이 평가한 평가치가 충분할 경우 기존의 알고리즘인 협업 필터링을 이용하고, 평가 데이터가 충분치 않은 희박성 문제가 발생한다면 명시적으로 개인화 요인을 입력받아 K-means Clustering 기법으로 군집군을 형성하였다. 입력받은 개인화 요인 6개를 이용한 63가지 방법을 통하여 최적의 개인화 성향으로 나이, 선호장르, 성격을 제안하였으며 데이터는 MovieLens의 데이터를 이용하였다[3].
※ AI-Helper는 부적절한 답변을 할 수 있습니다.