[논문]협업 필터링을 위한 EMD 기반 유사 사용자 선별 기법

강윤석; 정세현; 이상철; 장민희; 김상욱

협업 필터링을 위한 EMD 기반 유사 사용자 선별 기법
A Method for Selecting Similar Users for Collaborative Filtering 원문보기

강윤석 (한양대학교 컴퓨터공학과) , 정세현 (한양대학교 컴퓨터공학과) , 이상철 (한양대학교 컴퓨터공학과) , 장민희 (한양대학교 컴퓨터공학과) , 김상욱 (한양대학교 컴퓨터공학과)

협업 필터링은 유사한 사용자를 선별하여 아이템을 추천하는 대표적인 추천 방법이다. 협업 필터링을 이용한 추천에서 추천 품질은 유사 사용자를 선별하는 기법에 따라 크게 달라질 수 있다. 본 논문에서는 협업 필터링 추천의 품질을 크게 개선 시킬 수 있는 새로운 유사 사용자 선별 기법을 제안한다. 제안하는 기법에서는 Earth Mover's Distance (EMD)를 이용하여 사용자간의 유사도를 정의한다. EMD를 적용하기 위해서 각 사용자를 히스토그램으로 표현하며, 히스토그램 빈(bin)간의 거리를 정의한다. 이렇게 정의된 유사도를 이용하여 타깃 사용자와 유사한 사용자들을 선별하며, 이를 기반으로 타깃 사용자가 부여한 타깃 아이템에 대한 점수를 예측한다. 다양한 실험을 통하여, 제안된 기법이 기존 기법들과 비교하여 추천의 정확도를 최대 30%까지 향상시키는 것으로 나타났다.

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

문제 정의

본 논문에서는 EMD 를 이용하여 유사 사용자를 선별하는 기법을 제안하였다. 유사 사용자를 선별하기 위해 각 사용자를 히스토그램의 형태로 표현하고, 히스토그램의 빈간 거리를 정의한다.
본 논문에서는 유사 사용자 선별을 위해 Earth Mover’s Distance (EMD)를 사용하여 사용자간 유사도를 계산하고자 한다.
본 논문에서는 이러한 문제를 해결할 수 있는 새로운 EMD 적용 기법을 제안한다. 제안하는 기법은 EMD 를 통해 정확한 유사 사용자 식별이 가능하기 때문에 기존 기법에 비해 높은 정확도를 보인다.

가설 설정

,q_n}가 있을 때 p_i, q_i는 각 히스토그램의 i 번째 bin 의 비중(weight)을 의미한다. P 와 Q 의 비율 총합은 동일하다고 가정한다. EMD 는 이 두 데이터간의 거리를 측정하기 위해 최소(minimum) WORK 를 계산한다.
사용자 데이터는 사용자 번호, 사용자가 구매한(혹은 이용한) 아이템 번호, 아이템 평가 점수로 구성되어 있다. 둘째, 히스토그램 빈(bin)간의 거리가 정의되어 있어야 한다.

제안 방법

협업 필터링 기법은 우선 타깃 사용자와 유사한 사용자를 찾는다. 그 뒤, 유사 사용자들이 평가한 아이템들을 이용하여 타깃 사용자가 평가하지 않은 아이템의 평점을 예측한다. 예측된 평점을 기반으로 타깃 사용자에게 아이템을 추천한다.
또한, 카테고리는 서로 독립적이기 때문에 기존 EMD 에서 일반적으로 사용하는 거리 함수 공식인 Euclidean 거리를 사용 할 수가 없다. 따라서, 본 논문에는 두 카테고리에서 동시에 존재하는 아이템의 비중을 이용하여 카테고리간 거리를 계산하는 기법을 제안하며, 그 기법은 식 2 와 같다.
본 장에서는 EMD 를 이용하여 유사 사용자 선별 기법을 제안한다. 유사 사용자 선별에 EMD 를 적용하기 위해서, 우선 사용자 데이터를 EMD 에 적용 가능한 히스토그램 형태로 표현해야 한다.
앞서 제안한 기법을 협업 필터링 기법에 적용하여 k 명의 유사 사용자를 선별하여 평가 점수를 예측하는 기법을 제안한다. 평가 점수를 예측하는 기법은 식 3 과 같다[5].
유사 사용자를 선별하기 위해 각 사용자를 히스토그램의 형태로 표현하고, 히스토그램의 빈간 거리를 정의한다. 제안하는 유사 사용자 선별 기법에 기반한 협업 필터링을 통하여, 각 유사 사용자가 평가하지 않은 아이템의 평가점수를 예측하는 기법을 제안한다. 다양한 실험을 통하여 제안하는 기법이 기존 기법에 비해 MAE 는 최대 23%, RMSE 는 최대 30% 우수함을 검증하였다.

대상 데이터

사전 실험을 통해 유사 사용자의 수를 10 명으로 설정 했을 때 정확도가 가장 우수했으며, 유사 사용자의 수가 그 이상의 경우 정확도에는 큰 변화가 없었다. 따라서 유사 사용자의 수를 10 명으로 하여 실험을 수행하였다.
본 실험을 위해 MovieLens 의 dataset 을 사용하였다[7]. 실험 결과의 정확도의 척도로는 MAE 와 RMSE 를 사용하였다[6].
그림 1 (a)는 영화 제공 사이트에서 사용자 u 와 각 영화에 대한 정보와 그 관계를 나타낸다. 사용자 데이터는 사용자 ID, 사용자가 평가한 영화 ID, 해당 영화에 대한 평가 점수로 구성되어 있다. 아이템 데이터는 영화 ID, 영화가 속한 장르 ID 로 구성되어 있다.
첫째, 사용자 데이터를 히스토그램 형태로 표현해야 한다. 사용자 데이터는 사용자 번호, 사용자가 구매한(혹은 이용한) 아이템 번호, 아이템 평가 점수로 구성되어 있다. 둘째, 히스토그램 빈(bin)간의 거리가 정의되어 있어야 한다.
본 실험에서, test 사용자에 대해 평균 MAE 와 RMSE 를 통하여 각 기법의 정확도를 보인다. 평가한 사용자‐아이템 쌍의 수는 118,860 쌍이며, 비교대상은 제안하는 기법과 Cosine 유사도, Pearson 상관계수를 이용한 협업 필터링 기법이다.

데이터처리

본 실험에서, test 사용자에 대해 평균 MAE 와 RMSE 를 통하여 각 기법의 정확도를 보인다. 평가한 사용자‐아이템 쌍의 수는 118,860 쌍이며, 비교대상은 제안하는 기법과 Cosine 유사도, Pearson 상관계수를 이용한 협업 필터링 기법이다.

이론/모형

본 실험을 위해 MovieLens 의 dataset 을 사용하였다[7]. 실험 결과의 정확도의 척도로는 MAE 와 RMSE 를 사용하였다[6]. MAE(mean absolute error)은 실제값과 예측값의 오차에 대한 절대값들의 평균이며, RMSE(Root Mean Square Error)은 실제값과 예측값의 오차의 제곱에 대한 평균의 제곱근이다.

성능/효과

제안하는 유사 사용자 선별 기법에 기반한 협업 필터링을 통하여, 각 유사 사용자가 평가하지 않은 아이템의 평가점수를 예측하는 기법을 제안한다. 다양한 실험을 통하여 제안하는 기법이 기존 기법에 비해 MAE 는 최대 23%, RMSE 는 최대 30% 우수함을 검증하였다.
제안하는 기법은 EMD 를 통해 정확한 유사 사용자 식별이 가능하기 때문에 기존 기법에 비해 높은 정확도를 보인다. 다양한 실험을 통하여 제안하는 기법이 기존 기법에 비해 정확도가 우수함을 검증한다.
사전 실험을 통해 유사 사용자의 수를 10 명으로 설정 했을 때 정확도가 가장 우수했으며, 유사 사용자의 수가 그 이상의 경우 정확도에는 큰 변화가 없었다. 따라서 유사 사용자의 수를 10 명으로 하여 실험을 수행하였다.
본 논문에서는 이러한 문제를 해결할 수 있는 새로운 EMD 적용 기법을 제안한다. 제안하는 기법은 EMD 를 통해 정확한 유사 사용자 식별이 가능하기 때문에 기존 기법에 비해 높은 정확도를 보인다. 다양한 실험을 통하여 제안하는 기법이 기존 기법에 비해 정확도가 우수함을 검증한다.
표 1 은 사용자의 선호도를 평가한 영화의 수로 했을 때의 정확도를 나타낸다. 제안하는 기법이 Cosine 유사도에 비해 MAE 는 11.33%, RMSE 는 8.49% 향상 되었으며, Pearson 상관계수에 비해 MAE 는 22.89%, RMSE 는 17.03% 향상 되었다. 표 2 는 사용자의 선호도를 장르별 평균 평점으로 했을 경우의 정확도를 나타낸다.
표 2 는 사용자의 선호도를 장르별 평균 평점으로 했을 경우의 정확도를 나타낸다. 제안하는 기법이 Cosine 유사도에 비해 MAE 는 13.10%, RMSE 는 10.16% 향상 되었으며, Pearson 상관계수보다 MAE 는 4.35%, RMSE 는 29.66%향상 되었다. 제안하는 기법이 기존 기법에 비해 유사 사용자를 정확하게 선별하였기 때문에, 아이템 평가 점수 예측에서 우수한 결과를 나타내는 것으로 보인다.
66%향상 되었다. 제안하는 기법이 기존 기법에 비해 유사 사용자를 정확하게 선별하였기 때문에, 아이템 평가 점수 예측에서 우수한 결과를 나타내는 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

협업 필터링을 위한 EMD 기반 유사 사용자 선별 기법
A Method for Selecting Similar Users for Collaborative Filtering 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

가설 설정

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

협업 필터링을 위한 EMD 기반 유사 사용자 선별 기법 A Method for Selecting Similar Users for Collaborative Filtering 원문보기

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

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

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

협업 필터링을 위한 EMD 기반 유사 사용자 선별 기법
A Method for Selecting Similar Users for Collaborative Filtering 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper