[논문]컨텐츠 선호도 정보를 이용한 딥러닝 기반의 하이브리드 추천 시스템

채동규; 김상욱

컨텐츠 선호도 정보를 이용한 딥러닝 기반의 하이브리드 추천 시스템
A Hybrid Recommender System based on Deep Learning using Contents Preference 원문보기

채동규 (한양대학교 컴퓨터소프트웨어학과) , 김상욱 (한양대학교 컴퓨터소프트웨어학과)

본 논문에서는 사용자의 상품에 대한 평점 정보와 상품의 컨텐츠 정보를 모두 이용하는 하이브리드 추천 모델에 대해서 논의한다. 기존 논문들과는 다르게, 본 논문은 추천의 정확도를 높이기 위해 사용자가 상품의 컨텐츠 (예를 들면, 영화의 장르 또는 상품의 카테고리 등) 에 가질 수 있는 선호도를 예측하고, 이를 추가적으로 활용할 수 있는 딥러닝 기반의 추천 모델을 제안한다. 실세계의 데이터를 이용해서 제안하는 방법의 우수성을 보인다.

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

문제 정의

예를 들면, 위의 예시에서 사용자는 “코메디”, 혹은 “다큐멘터리” 등의 장르의 영화는 시청하지 않았으므로 해당 장르에 대한 선호도는 아직 모르는 상황이며, 이를 예측하고자 하는 것이 본 논문의 목표이다.
따라서, 만약 컨텐츠 정보가 사용가능하다면, 이를 이용해서 추천 모델에 반영하는 것이 효과적이다. 이에 따라, 본 논문에서는 사용자의 상품에 대한 평점 정보와 상품의 컨텐츠 정보를 모두 활용하는 하이브리드 추천 모델에 대해서 논의한다. 구체적으로, 본 논문에서 제안하는 모델은 오토인코더를 기반으로 하며, 기존의 하이브리드 추천 모델과는 달리 사용자가 평가하지 않은 컨텐츠 정보에 대해서 사용자의 선호도를 예측하여 이를 추가적으로 모델에 반영한다.

제안 방법

구체적으로, 본 논문에서 제안하는 모델은 오토인코더를 기반으로 하며, 기존의 하이브리드 추천 모델과는 달리 사용자가 평가하지 않은 컨텐츠 정보에 대해서 사용자의 선호도를 예측하여 이를 추가적으로 모델에 반영한다.
우리는 10만 건의 평점들 중 임의로 선택한 80%의 평점을 모델 학습을 위한 데이터로 사용하였고, 나머지 20% 데이터를 추천 정확도를 평가하기 위한 데이터로 사용하였다. 기존의 U-AutoRec, I-AutoRec, Hybrid AutoEncoder 모델과 제안하는 모델을 각각 학습 데이터를 이용해서 학습시키고, 평가 데이터를 이용해서 각 모델의 top-5 추천 정확도를 계산해서 비교하였다. 또한, baseline으로써, 단순히 상품의 인기도만으로 추천하는 방법의 정확도와도 비교하였다.
기존의 U-AutoRec, I-AutoRec, Hybrid AutoEncoder 모델과 제안하는 모델을 각각 학습 데이터를 이용해서 학습시키고, 평가 데이터를 이용해서 각 모델의 top-5 추천 정확도를 계산해서 비교하였다. 또한, baseline으로써, 단순히 상품의 인기도만으로 추천하는 방법의 정확도와도 비교하였다. 정확도 계산을 위한 척도는 기존에 널리 이용되는 precision, recall, nDCG, MRR [3] 을 이용하였다.
위는 평균을 예로 든 것이며, 평균 대신 빈도수를 사용할 수도 있다. 본 연구에서는 평균과 빈도수를 곱한 수치를 사용자의 해당 컨텐츠 (즉, 장르)에 대한 선호도로 이용한다.
예를 들면, 위의 예시에서 사용자는 “코메디”, 혹은 “다큐멘터리” 등의 장르의 영화는 시청하지 않았으므로 해당 장르에 대한 선호도는 아직 모르는 상황이며, 이를 예측하고자 하는 것이 본 논문의 목표이다. 예측을 위해 위에서 설명한 컨텐츠 선호도 데이터를 이용해서 오토인코더를 학습시킨다. 학습 방법은 AutoRec [1] 논문에서 이용된 방법과 동일하다.
제안하는 방법은 두 개의 오토인코더를 이용하는 추천 모델이다. 본 논문은 각각을 (1) 평점 예측 네트워크, (2) 컨텐츠 선호도 예측 네트워크로 명명한다.
오토인코더는 입력 데이터를 그대로 재현하는 것을 목적으로 하는 모델이다. 즉, 입력 데이터와 모델의 출력 간의 차이를 최소화하는 목적 함수를 통해 학습된다. 추천시스템에서의 오토인코더는 사용자의 평점 벡터를 입력으로 받아서 이 벡터를 그대로 재현하도록 모델을 학습시키는데, 이 때 모델은 사용자의 평점 벡터의 비어있는 차원에 값을 예측할 수 있게 된다.

대상 데이터

이 데이터는 943명의 사용자와 1682편의 영화, 10만 건의 평점으로 구성되어 있다. 우리는 10만 건의 평점들 중 임의로 선택한 80%의 평점을 모델 학습을 위한 데이터로 사용하였고, 나머지 20% 데이터를 추천 정확도를 평가하기 위한 데이터로 사용하였다. 기존의 U-AutoRec, I-AutoRec, Hybrid AutoEncoder 모델과 제안하는 모델을 각각 학습 데이터를 이용해서 학습시키고, 평가 데이터를 이용해서 각 모델의 top-5 추천 정확도를 계산해서 비교하였다.
우리는 제안하는 방법의 정확도를 평가하기 위해 MovieLens 100K 데이터를 이용하였다. 이 데이터는 943명의 사용자와 1682편의 영화, 10만 건의 평점으로 구성되어 있다.
우리는 제안하는 방법의 정확도를 평가하기 위해 MovieLens 100K 데이터를 이용하였다. 이 데이터는 943명의 사용자와 1682편의 영화, 10만 건의 평점으로 구성되어 있다. 우리는 10만 건의 평점들 중 임의로 선택한 80%의 평점을 모델 학습을 위한 데이터로 사용하였고, 나머지 20% 데이터를 추천 정확도를 평가하기 위한 데이터로 사용하였다.

이론/모형

본 연구는 AutoRec [1] 모델을 기반으로 한다. AutoRec은 하나의(혹은, 다수의) 은닉 층을 가지는 오토인코더 기반의 추천 모델이다.
또한, baseline으로써, 단순히 상품의 인기도만으로 추천하는 방법의 정확도와도 비교하였다. 정확도 계산을 위한 척도는 기존에 널리 이용되는 precision, recall, nDCG, MRR [3] 을 이용하였다. 표 1은 실험 결과를 나타낸다.

성능/효과

표 1은 실험 결과를 나타낸다. 표에서 볼 수 있듯이 제안하는 방법이 기존의 다른 모델보다 항상 정확한 추천을 수행한다. 이는 제안하는 방법이 기존 방법들과는 다르게 사용자들이 각 컨텐츠에 가질 수 있는 선호도를 예측하고 이를 추천 모델 학습에 활용했기 때문에 더 정확한 추천을 수행한 것으로 보인다.

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

컨텐츠 선호도 정보를 이용한 딥러닝 기반의 하이브리드 추천 시스템
A Hybrid Recommender System based on Deep Learning using Contents Preference 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

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

컨텐츠 선호도 정보를 이용한 딥러닝 기반의 하이브리드 추천 시스템 A Hybrid Recommender System based on Deep Learning using Contents Preference 원문보기

초록 AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

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

컨텐츠 선호도 정보를 이용한 딥러닝 기반의 하이브리드 추천 시스템
A Hybrid Recommender System based on Deep Learning using Contents Preference 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper