[논문]R에서 협업 필터링을 이용한 드라마 추천 시스템

임성훈; 백수빈; 박두순

R에서 협업 필터링을 이용한 드라마 추천 시스템
A drama recommendation system using collaborative filtering in R 원문보기

임성훈 (순천향대학교 컴퓨터소프트웨어공학과) , 백수빈 (순천향대학교 컴퓨터소프트웨어공학과) , 박두순 (순천향대학교 컴퓨터소프트웨어공학과)

종편 tv채널 증가와 모바일, 웹 시장의 발달로 엄청난 많은 양의 드라마가 양산되고 있다. 또한, 현대인들은 복잡한 현대의 생활 구조 때문에 드라마를 제 시간에 시청하거나 자신의 취향에 맞는 드라마를 골라서 시청하는 것은 매우 어렵다. 따라서, 본 논문에서는 R에서 협업 필터링 방법을 이용하여 사용자가 자신에게 가장 적합한 드라마를 추천하는 시스템을 제안한다.

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

문제 정의

본 논문에서는 Cold Start 문제를 개선하기 위하여 사용자들의 개인 성향들인 장르, 성별, 연령, 직업, 선호tv채널을 이용하여 각 개인에 맞는 드라마를 추천하는 시스템을 제안한다.

제안 방법

이후 “recommenderlab” 에서 제공하는 함수들을 이용하여 근접이웃을 구성한다. 근접이웃을 구성할 때 코사인 유사도(Cosine similarity)를 이용하여 시스템 사용자들 사이의 유사도를 측정하고 이를 통해 근접이웃 리스트를 생성한다.코사인 유사도의 공식은 다음(그림 5)와 같다.
본 논문에서 빅 데이터화 되고 있는 수많은 드라마들을 사용자 기호에 맞게 추천해주는 시스템들 구현하였고, 협업필터링의 문제점 중 Cold Start의 희소성을 해결하기 위해 개인화 요소를 추가하여, 근접 이웃을 추출하여 드라마를 추천 하였을 때 기존의 방식보다 조금 더 신뢰성 있는 추천결과를 도출해내는 추천시스템이다. 향후 조금 더 정확한 추천을 위하여 각 드라마에 대한 사용자들의 정보 데이터를 수집하고 보다 많은 개인화 요소들을 검증해보아야 하며 더욱 적합한 개인화 요소와, Cold Start를 보안할 방법을 찾아야 할 것이다.
본 시스템은 기본적으로 R Studio에서 구현하였다, 또한 Node.js로 서버를 구성하고 mongo DB로 데이터베이스를 구축하였다. 위 데이터베이스를 기반으로 R에서 추천 알고리즘, 개인화 요소 등의 데이터들을 다루게 된다.
사용자 성향 정보에서 연령은 자신을 기준으로 ±5년 이내인 사람과 비교한 후 연령이 비슷할 경우 더 큰 유사도를 나타낼수 있도록 분류하였다. 본 논문에서 구현할 드라마 추천 시스템의 시나리오는 다음(그림 1)과 같다.
위 데이터베이스를 기반으로 R에서 추천 알고리즘, 개인화 요소 등의 데이터들을 다루게 된다. 아직까진 다양한 사용자들이 선호하는 드라마에 대한 데이터를 구할 방법이 없기에 사용자가 어떠한 연령, 성별, 직업을 가지고 있고 어떠한 장르, tv채널을 선호하는지에 대한 데이터는 임의로 생성한후 위 데이터들을 활용하여 추천시스템을 구현하였다.mongo DB 에서 생성한 데이터들을 가독성이 좋은 툴 ROBO3T 을 통하여 살펴보면 다음(그림 2)와 같다.
협업 필터링의 주요 기술로는 사용자 기반 방식과 아이템 기반 방식이 있으나, 본 논문에서는 사용자 기반 방식을 사용한다. 협업필터링을 활용하여 사용자간 유사도를 측정하였고 이를 이용하여 근접이웃을 구성하였다. 협업 필터링은 새로운 사용자가 들어왔을 때 고객들 간의 유사도를 분별할 수 없으므로 추천의 신뢰도가 떨어진다는 단점이 존재한다.

대상 데이터

다음 555번 사용자는 경영사무 업종에 종사하며 남자이고 25살, 코미디 장르를 선호하고 MBC채널을 선호하는 사용자이며 다른 사용자들 간의 유사도를 비교한 후 제일 높은 사용자부터 차례로 나열한 데이터는 다음 (그림 6)과 같다.

이론/모형

또한 추천이 완료되면 추천시스템의 추천 알고리즘에 대한 평가가 필요함으로 생성된 사용자데이터 3000개를 대상으로 MAE(Mean Absolute Error)를 이용한다.
협업필터링을 통한 추천방식에는 크게 사용자 기반(User-based)과, 아이템 기반(Item-based) 방식이 있으나, 본 논문에서는 사용자 기반(User-based) 협업필터링을 사용하였다. 사용자간 유사도를 측정하는 방법으로는 코사인 유사도(Cosine Similarity)를 이용하여 두 사용자(A, B)간의 유사도를 측정하였다.
추천받는 두가지 방법을 통해서 추천받은 드라마 평점 데이터를 이용하여 추천 알고리즘의 평가를 위하여 MAE(Mean Abolute Error)를 이용한다. MAE의 공식은 다음 (그림 9)과 같다.
과거에 사용자들이 즐겨봤던 드라마의 장르가 비슷하다면 사용자 서로 유사한 성향을 가지고 있다고 판단한 뒤 그 판단을 근거로 추천하는 방식이다[1]. 협업필터링을 통한 추천방식에는 크게 사용자 기반(User-based)과, 아이템 기반(Item-based) 방식이 있으나, 본 논문에서는 사용자 기반(User-based) 협업필터링을 사용하였다. 사용자간 유사도를 측정하는 방법으로는 코사인 유사도(Cosine Similarity)를 이용하여 두 사용자(A, B)간의 유사도를 측정하였다.

성능/효과

087만큼 낮은걸 확인 할 수 있다. 위 결과에 따르면 전체 사용자들의 유사도를 비교하여 리스트를 생성하여 추천하는 방식보다 그룹핑후 새로운 사용자를 그룹에 추가하여 유사한 사용자의 드라마를 추천해주는 방식이 신뢰도가 더 높다고 볼 수 있다.

후속연구

본 논문에서 빅 데이터화 되고 있는 수많은 드라마들을 사용자 기호에 맞게 추천해주는 시스템들 구현하였고, 협업필터링의 문제점 중 Cold Start의 희소성을 해결하기 위해 개인화 요소를 추가하여, 근접 이웃을 추출하여 드라마를 추천 하였을 때 기존의 방식보다 조금 더 신뢰성 있는 추천결과를 도출해내는 추천시스템이다. 향후 조금 더 정확한 추천을 위하여 각 드라마에 대한 사용자들의 정보 데이터를 수집하고 보다 많은 개인화 요소들을 검증해보아야 하며 더욱 적합한 개인화 요소와, Cold Start를 보안할 방법을 찾아야 할 것이다.

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

R에서 협업 필터링을 이용한 드라마 추천 시스템
A drama recommendation system using collaborative filtering in R 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

R에서 협업 필터링을 이용한 드라마 추천 시스템 A drama recommendation system using collaborative filtering in R 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

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

R에서 협업 필터링을 이용한 드라마 추천 시스템
A drama recommendation system using collaborative filtering in R 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper