[논문]소셜 데이터를 이용한 협업필터링 추천 시스템 성능 개선 연구

주종민; 양형정; 김남훈; 박성현; 이건우

소셜 데이터를 이용한 협업필터링 추천 시스템 성능 개선 연구
A Study on improvement of performance of collaborative filtering recommendation system using social data 원문보기

주종민 (전남대학교 전자컴퓨터공학대학원) , 양형정 (전남대학교 전자컴퓨터공학부) , 김남훈 (전남대학교 전자컴퓨터공학대학원) , 박성현 (전남대학교 전자컴퓨터공학부) , 이건우 (전남대학교 전자컴퓨터공학대학원)

다양한 소셜 네트워크 서비스가 발달되고 많은 사람들이 소셜 미디어에 참여하면서 방대한 양의 정보가 발생하고 있다. 따라서 원하는 정보를 선별하고 가공하는 연구도 활발히 진행되고 있다. 협업필터링은 이러한 정보를 토대로 사용자에게 맞춤형 아이템을 추천해주는 알고리즘이다. 하지만 정확한 추천을 위해서는 매우 방대한 양의 정보가 필요하다. 또한 협업필터링에는 초기에는 제대로 추천이 이루어지지 않는 콜드스타터 문제가 있다. 이러한 문제를 해결하기 위해 본 논문에서는 소셜 네트워크 서비스 중의 하나인 트위터 데이터를 활용하여 협업필터링 추천 시스템의 성능을 높이고자 한다. 협업필터링의 평점에 특정 아이템 관련 트윗을 수집해서 긍정/부정을 측정하여 가중치를 부여한다. RMSE 평가 방법을 통한 실험 결과, 소셜 미디어의 긍부정 영향력을 측정하여 적용했을 때가 기존의 협업필터링 방식에 비해 약 5.5%의 성능 향상을 확인하였다.

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

문제 정의

본 논문에서는 트윗 데이터를 긍부정 분석한 값을 협업필터링에 적용하여 기존의 협업필터링의 성능을 향상시키는 방법을 제안하였다. 트윗데이터를 수집하여 긍부정 분석을 수행하였고, 이를 협업 필터링에 적용하여 긍부정을 적용하였을 때 RMSE 값이 약 5.
본 논문에서는 협업 필터링과 트윗 데이터를 활용하여 향상된 추천 시스템을 제안한다.
본 논문에서는 협업필터링에 트윗 데이터의 긍부정 분석을 결합한 추천 시스템을 제안한다. <그림 1> 은 본 논문에서 제안하는 추천 시스템 구성도이다.
즉, 트위터상에서 분석된 긍부정 값을 그대로 적용하는 것보다 해당 트윗을 작성한 사용자의 영향력을 측정하여 긍부정 값에 가중치를 부여할 수 있다. 팔로워 수가 많고 리트윗이 많이 발생한 사용자라면 그만큼 트위터상에서 다른 사용자들에게 높은 영향력을 발휘하므로 가중치를 높게 설정하는 연구를 진행하고자 한다.

제안 방법

기존의 협업필터링에서 긍부정을 적용했을 때 성능이 향상되는지 알아보기 위해 트위터에서 크롤링을 진행하였다. REST API로 각 데이터의 아이템에 대해 트윗 데이터를 4주 동안 수집하였다. 실험은 데이터를 80%/20%로 훈련/테스트 집합으로 나누었고, 협업필터링만으로 측정한 값과 긍부정 값을 적용했을 때를 RMSE(Root Mean Square Error)로 비교 분석하였다.
k-nn의 적절한 k 값을 찾기 위해 k 값을 10, 30, 50, 100, 500으로 실험하였고 최근접 이웃을 구할 때 사용되는 유사도 방식으로 본문에서 설명한 4가지 방식을 사용하여 , 의 결과를 얻었다.
각 아이템에 대해 트위터에서 크롤링을 수행하여 수집된 트윗마다 긍부정 분석을 실시한다. 긍부정 분석은 감정어 사전을 통해 트윗 문장을 긍정/부정으로 구분한다.
협업 필터링에서 사용된 아이템 목록을 트위터에서 크롤링하여 트윗 데이터를 수집하고, 수집된 데이터로 긍부정 분석을 실시하여 아이템에 대한 SNS (Social Network Service)상의 선호도를 분석한다. 긍부정의 결과를 협업필터링의 평점에 적용하여 성능을 향상시켰다. 기존 협업필터링의 결과와 본 논문에서 제시하는 긍부정 분석을 적용한 결과를 RMSE(Root Mean Square Error)로 측정하였을 때 긍부정을 적용한 값이 기존의 협업필터링과 비교하여 약 5.
기존의 협업필터링에서 긍부정을 적용했을 때 성능이 향상되는지 알아보기 위해 트위터에서 크롤링을 진행하였다.
따라서 전체 데이터를 사용할 경우와 평점이 0인 항목을 제거한 데이터를 비교 분석하였다[11].
본 논문에서 제안하는 SNS의 긍부정 분석을 이용한 추천시스템은 해당 아이템에 대해 관련 트윗을 수집하고 수집된 트윗의 긍부정 분석을 통해 아이템에 대한 선호도를 측정하여 기존의 협업필터링 시스템에 적용하게 된다.
본 논문에서는 협업 필터링과 트윗 데이터를 활용하여 향상된 추천 시스템을 제안한다. 협업 필터링에서 사용된 아이템 목록을 트위터에서 크롤링하여 트윗 데이터를 수집하고, 수집된 데이터로 긍부정 분석을 실시하여 아이템에 대한 SNS (Social Network Service)상의 선호도를 분석한다. 긍부정의 결과를 협업필터링의 평점에 적용하여 성능을 향상시켰다.
온톨로지는 사용자와 아이템간의 관계를 계층적으로 표현하는 방법이다. 협업필터링에서 데이터가 부족한 경우 성능이 많이 낮아지기 때문에 온톨로지를 기반으로 사용자의 아이템에 대한 선호도를 측정하여 데이터를 확장하였다. 따라서 데이터의 희박성 문제를 개선하여 협업필터링의 성능이 향상되었다.

대상 데이터

278,858명의 사용자가 271,379개의 책에 대해 평점을 1~10점까지 정수 단위로 매겨 총 1,149,780 개의 데이터로 이루어졌다.
본 논문에서는 MovieLens의 여러 데이터 중 약 100,000개의 데이터를 포함하는 ‘ml-100k’를 사용하였다. 데이터의 구성은 943명의 사용자가 1,682개의 영화에 대해 평점을 1~5점까지 정수 단위로 매겨 총 10만 개의 데이터로 이루어졌다. 각 사용자는 최소 20개 이상의 영화에 대해 평가를 하였다.
본 논문에서는 MovieLens의 여러 데이터 중 약 100,000개의 데이터를 포함하는 ‘ml-100k’를 사용하였다.
본 실험에 사용된 데이터는 추천시스템에 많이 사용되는 MovieLens와 Book-Crossing[9]이다. MovieLens는 1997년 미네소타 대학의 그룹렌즈 프로젝트에서 개발되었다.
추천 시스템에서는 추천해주는 개수에 따라 성능이 달라진다. 추천의 개수를 10, 50, 100개로 변화시켜 Book-Crossing 데이터로 실험하였다[12]. <표 8>에서 일반적으로 추천의 개수가 적을 때 RMSE 값이 더 낮게 나왔다.
평점을 부여한 개수가 너무 적을 경우 추천이 어렵기 때문에 실험에서는 15개 미만은 제외한 데이터를 생성하였다[10].

데이터처리

실험은 데이터를 80%/20%로 훈련/테스트 집합으로 나누었고, 협업필터링만으로 측정한 값과 긍부정 값을 적용했을 때를 RMSE(Root Mean Square Error)로 비교 분석하였다.

이론/모형

유사한 데이터를 구할 때 다양한 유사 계수를 구하는 공식이 있으며 본 논문에서는 EuclideanDistance, loglikelihood, pearsonCorrelation, TanimotoCoefficient 4가지를 사용한다.
협업 필터링에서 항목간의 유사도를 구할 때 k-nn(k-nearest neighbors) 알고리즘을 사용한다. k-nn 알고리즘은 가장 유사한 k개의 데이터를 이용해서 새로운 데이터를 예측하는 방법이다[6].

성능/효과

기존 협업필터링의 결과와 본 논문에서 제시하는 긍부정 분석을 적용한 결과를 RMSE(Root Mean Square Error)로 측정하였을 때 긍부정을 적용한 값이 기존의 협업필터링과 비교하여 약 5.5%가량 낮아졌다.
따라서 데이터의 희박성 문제를 개선하여 협업필터링의 성능이 향상되었다.
<표 6>은 [3]의 온톨로지를 이용한 협업필터링과의 성능차이를 보여주고 있다. 모든 k값에서 제안한 방법의 성능이 더 높았고 k가 10일 때 가장 많이 성능이 개선되었다.
즉, 아이템에 대한 평가치 정보를 아이템의 상위 개념인 장르에 대한 정보로 집적함으로써, 협업 필터링의 대상이 되는 사용자×아이템 매트릭스의 차원을 축소시켜 희박성을 완화시키고, 계산양이 줄어들어 확장성 문제를 해결해 협업필터링의 성능이 향상되었다.
본 논문에서는 트윗 데이터를 긍부정 분석한 값을 협업필터링에 적용하여 기존의 협업필터링의 성능을 향상시키는 방법을 제안하였다. 트윗데이터를 수집하여 긍부정 분석을 수행하였고, 이를 협업 필터링에 적용하여 긍부정을 적용하였을 때 RMSE 값이 약 5.5%정도 더 낮아진 것을 확인하였다.

후속연구

향후 연구로는 트위터 데이터의 영향력을 분석하여 추천 시스템에 적용하고자 한다. 즉, 트위터상에서 분석된 긍부정 값을 그대로 적용하는 것보다 해당 트윗을 작성한 사용자의 영향력을 측정하여 긍부정 값에 가중치를 부여할 수 있다.

핵심어

질문

논문에서 추출한 답변

협업필터링의 장점은?

협업 필터링은 특정 사용자와 비슷한 특성을 가진 사용자들의 선호 목록을 기반으로 아이템을 추천해주는 방식이며 추천 시스템 중 가장 많이 사용되는 기법 중 하나이다. 기존 추천 시스템들이 아이템의 연관성만을 고려해 아이템의 특성을 기술하는데 한계가 있지만 협업필터링은 이러한 기술적 한계를 극복하는 장점이 있다[1].

협업 필터링의 단점은?

협업 필터링의 두 가지 유형인 유저 기반 또는 아이템 기반 모두 유사 목록을 찾아내고 사용자에게 이를 기반으로 아이템을 추천해준다. 따라서 정확한 추천을 위해서는 사용자간의 유사성을 측정하고, 아이템 사이의 유사성을 측정하여 추천에 이용할 수 있도록 매우 많은 양의 정보가 필요하다는 단점이 있다[2].

협업 필터링이란?

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

소셜 데이터를 이용한 협업필터링 추천 시스템 성능 개선 연구
A Study on improvement of performance of collaborative filtering recommendation system using social data 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

소셜 데이터를 이용한 협업필터링 추천 시스템 성능 개선 연구 A Study on improvement of performance of collaborative filtering recommendation system using social data 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

후속연구

질의응답

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

소셜 데이터를 이용한 협업필터링 추천 시스템 성능 개선 연구
A Study on improvement of performance of collaborative filtering recommendation system using social data 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper