메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
한정규 (동아대학교) 천세진 (동아대학교)
저널정보
한국멀티미디어학회 멀티미디어학회논문지 멀티미디어학회논문지 제24권 제12호
발행연도
2021.12
수록면
1,673 - 1,681 (9page)

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
Item cold start is a well studied problem in the research field of recommender systems. Still, many existing collaborative filters cannot recommend items accurately when only a few user-item interaction data are available for newly introduced items (Cold items). We propose a interaction feature prediction method to mitigate item cold start problem. The proposed method predicts the interaction features that collaborative filters can calculate for the cold items. For prediction, in addition to content features of the cold-items used by state-of-the-art methods, our method exploits the interaction features of k-nearest content neighbors of the cold-items. An attention network is adopted to extract appropriate information from the interaction features of the neighbors by examining the contents feature similarity between the cold-item and its neighbors. Our evaluation on a real dataset CiteULike shows that the proposed method outperforms state-of-the-art methods 0.027 in Recall@20 metric and 0.023 in NDCG@20 metric.
#Item Cold Start #Cold Start #Recommender System #Recommendation #Attention Network #Collaborative Filter #Contents-based Filter

목차

ABSTRACT
1. 서론
2. 관련 연구
3. 제안 방법
4. 실험 결과 및 고찰
5. 결론
REFERENCE

참고문헌 (22)

참고문헌 신청
F. Ricci, L. Rokach, and B. Shapira, “Introduction to Recommender Systems Handbook,” Recommender Systems Handbook, Springer, 2011. google schola J. Bobadilla, F. Ortega, A. Hernando, and J. Bernal, “A Collaborative Filtering Approach to Mitigate the New User Cold Start Problem,” Knowledge-Based Systems, Vol. 26, pp. 225-238, 2012. google schola M. Volkovs, G. Yu, and T. Poutane, “Dropoutnet: Addressing Cold Start in Recommender Systems,” Proceedings of Advances in Neural Information Processing Systems, 2017. google schola Z. Zhu, S. Sefati, P. Saadatpanah, and J. Caverlee, “Recommendation for New Users and New Items via Randomized Training and Mixture- of-Experts Transformation,” Proceedings of the 43rd International ACM SIGIR Conference, pp. 1121-1130, 2020. google schola A. Vaswani, N. Shazeer, N. Parmar, J. Uszkoreit, L. Jones, A.N. Gomez, et al. “Attention is All You Need,” Proceedings of the 31st International Conference on Neural Information Processing Systems, pp. 6000-6010, 2017. google schola

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-ECN-0101-2022-004-000132112