초록

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

협업 필터링 기술은 명시적 피드백이 아닌 암시적 피드백이 주어졌을 때 다음과 같은 문제 (단일-클래스 협업 필터링 문제)를 갖는다. (1) 사용자의 취향을 정확하게 파악하기 어렵다; (2) 상대적으로 더 희소(sparse)하다. 최근, 이러한 단일 클래스 협업 필터링 문제를 완화하기 위해, 사용자가 관심이 없을 것으로 예상되는 무관심 상품을 추가로 활용하는 기술이 제안되었다. 그러나, 이 기술은 무관심 상품을 찾는 과정에서 사용자들이 평가하지 않은 상품에 대한 선호 정도를 추론할 때 한 가지 기술만을 사용하였다. 본 논문에서는, 다양한 기술들을 기반으로 무관심 상품을 찾은 후 각 기술에 의한 무관심 상품의 정확도를 비교함으로써, 어떠한 기술이 무관심 상품 결정에 가장 효과적인지를 분석하고자한다.

협업 필터링 기술은 명시적 피드백이 아닌 암시적 피드백이 주어졌을 때 다음과 같은 문제 (단일-클래스 협업 필터링 문제)를 갖는다. (1) 사용자의 취향을 정확하게 파악하기 어렵다; (2) 상대적으로 더 희소(sparse)하다. 최근, 이러한 단일 클래스 협업 필터링 문제를 완화하기 위해, 사용자가 관심이 없을 것으로 예상되는 무관심 상품을 추가로 활용하는 기술이 제안되었다. 그러나, 이 기술은 무관심 상품을 찾는 과정에서 사용자들이 평가하지 않은 상품에 대한 선호 정도를 추론할 때 한 가지 기술만을 사용하였다. 본 논문에서는, 다양한 기술들을 기반으로 무관심 상품을 찾은 후 각 기술에 의한 무관심 상품의 정확도를 비교함으로써, 어떠한 기술이 무관심 상품 결정에 가장 효과적인지를 분석하고자한다.

AI 본문요약

엑셀 다운로드 AI-Helper

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

• 연구 주제
• 연구 방법
• 연구 결과

문제 정의

• 따라서, 본 논문에서는 다양한 기술들에 의해 결정된 무관심 상품들의 정확도를 비교함으로서, 어떠한 기술이 단일-클래스 협업 필터링 환경에서 무관심 상품을 결정하는 데 가장 효과적인지 분석하고자 한다.
• 본 논문에서 우리는 당므 4 가지의 OCCF 기술들과 3 가지의 CF 기술들에 대한 성능 평가를 수행하고자한다. (1) OCCF 기술: WRMF[2], ldNMF[5], BPRMF[6], SLIM[7]; (2) CF 기술: BIM[3], SVD, PMF.
• 본 논문에서는 단일-클래스 협업 필터링 환경에서 무관심 상품을 결정할 수 있는 다양한 기술들의 성ㄴ으을 평가하였다. 실험을 통해, 우리는 CF 기술들에 비해 OCCF 기술들의 성능이 더 우수한 것을 확인하였다.

제안 방법

• Lee et al[4]은 단일-클래스 환경에서 Zero-Injection이 갖는 한계들을 극복하기 위해, 그래프 이론 관점에서 관찰된 데이터 집합을 분석한 결과를 기반으로 사용자 별 무관심 상품을 결정하여 활용하는 gOCCF 기술을 제안하였다. gOCCF 기술은 다음 4 가지 단계를 거쳐 사용자 별 선호 상품을 추천한다: (1) Zero-Injection과 마찬가지로 관찰된 데이터 집합을 WRMF 기술로 분석하여 관찰되지 않은 데이터 집합 내의 사용자-상품 쌍들의 관심 정도를 추론한다; (2) 추론된 상품들의 관심 정도, 그래프 조각화(graph shattering) 이론, 정보전파의 변화를 함께 고려하여, 사용자 별 무관심 상품의 수를 결정한다: (3) 사용자-상품 간의 관계와 새롭게 추론된 사용자-무관심 상품 간의 관계들을 그래프로 모델링한다; (4) 모델링된 그래프에 대해 잘 알려진 소셜 네트워크 분석 기술들을 수행하여 분석하고, 분석된 결과를 기반으로 추천을 수행한다.
• x 축은 무관심 상품 수를 나타내며, y 축은 각 기술에 의해 측정된 에러율을 나타낸다. 우리는 무관심 상품의 수를 10 개부터 시작하여 사용자들이 평가한 적 없는 사용자-상품 쌍의 90%가 포함될 때까지 2 배씩 늘려가며 에러율을 측정하였다.

대상 데이터

• 본 논문에서는 MovieLens 100K 데이터 집합을 사용하여 실험을 수행하였다. 해당 데이터는 943 명의 사용자, 1682 개의 상품, 그리고 100,000 개의 평점으로 구성된다.
• 본 논문에서는 MovieLens 100K 데이터 집합을 사용하여 실험을 수행하였다. 해당 데이터는 943 명의 사용자, 1682 개의 상품, 그리고 100,000 개의 평점으로 구성된다. 평점은 1 부터 5 까지의 범위를 갖지만, 본 논문은 단일-클래스 환경을 목표로 하기 때문에 모든 평점을 1 로 변환했다.

이론/모형

• 최근 이러한 OCCF 문제를 다루기 위해, 사용자가 관심이 없을 것으로 예상되는 무관심 상품(uninteresting itesm, U-items)[3]을 추가로 활용하는 gOCCF 라는 기술이 제안되었다[4]. 그러나, 이 기술은 무관심 상품을 찾는 과정에서 사용자들이 평가하지 않은 상품에 대한 선호 정도를 추론할 때, 기존에 잘 알려진 WRMF 기술[2]만을 사용하였다.

성능/효과

• 특히, CF 기술들의 에러율은 OCCF 기술들의 에러율보다 매우 빠르게 증가하는 것을 확인할 수 있다. 게다가, 우리는 OCCF 기술들 중에서는 WRMF 와 ldNMF 의 에러율이 가장 낮은 것을 확인하였다.
• 는 특정 기술에 의해 사용자 i 의 무관심 상품으로 결정된 상품들의 집합을 나타낸다. 다시 말해, 사용자들의 에러율이 낮아질수록, 해당 기술의 정확도는 높다는 것을 의미한다.
• 실험을 통해, 우리는 CF 기술들에 비해 OCCF 기술들의 성능이 더 우수한 것을 확인하였다. 또한, OCCF 기술들 중에서도 WRMF 와 ldNMF 의 성능이 가장 우수하다는 것을 보였다.
• 본 논문에서는 단일-클래스 협업 필터링 환경에서 무관심 상품을 결정할 수 있는 다양한 기술들의 성ㄴ으을 평가하였다. 실험을 통해, 우리는 CF 기술들에 비해 OCCF 기술들의 성능이 더 우수한 것을 확인하였다. 또한, OCCF 기술들 중에서도 WRMF 와 ldNMF 의 성능이 가장 우수하다는 것을 보였다.
• 우리는 이러한 문제들을 단일-클래스 협업 필터링(one-class collaborative filtering, OCCF) 문제[2]라 부른다. 첫째, 단일-클래스 환경의 데이터 집합은 사용자들의 평가 혹은 구매 유무의 정보만을 가지기 때문에, 평가 혹은 구매한 상품들에 대한 사용자의 상대적인 선호도가 구별되지 않는다. 둘째, 대부분의 단일-클래스 환경의 데이터 집합은 다중-클래스 환경의 데이터 집합보다 상대적으로 더 희소(sparse)하다고 알려져 있다[2].
• 전반적으로, 무관심 상품의 수가 증가할수록 모든 기술들의 에러율이 증가한다. 특히, CF 기술들의 에러율은 OCCF 기술들의 에러율보다 매우 빠르게 증가하는 것을 확인할 수 있다. 게다가, 우리는 OCCF 기술들 중에서는 WRMF 와 ldNMF 의 에러율이 가장 낮은 것을 확인하였다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기