지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 최용석
- 발행연도
- 2016
- 저작권
- 한양대학교 논문은 저작권에 의해 보호받습니다.
이용수3
이 논문의 연구 히스토리 (3)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
본 논문에서는 기존의 협력추천기법을 적용한 영화 협력 추천 시스템의 문제점을 다각도 적으로 극복하고자, 영화를 설명하는 짧은 자연어 메타데이터를 추천에 효과적으로 활용하는 방안을 제시한다. 본 논문에서 완화하고자 하는 기존 협력추천의 문제점은 총 세 가지로, 논문의 3~4장을 통해 각 문제와 메타데이터를 이용한 극복방안을 자세히 설명한다.
제 3장에서는 기존 협력 추천 시스템 환경에서, 비교적 사용자의 숫자가 충분하지 못한 서비스 초기 단계에, 추천의 성능이 급격히 저하되는 현상을 극복하기 위한 아이템 메타데이터 활용 방안을 제시한다. 해당 절에서는 영화를 설명하는 짧은 자연어 형태의 아이템 메타데이터에 부가적으로 아이템간의 연관성을 나타내는 링크 정보와 사용자간의 Trust Network 정보를 적용하는 기법을 사용한다. 실험 결과, 아이템 메타데이터와 사용자가 Trust Network 정보를를 사용함으로써 추천 성능을 효과적으로 향상시킬 수 있었다.
제 4장에서는 기존의 전통적인 협력 추천 시스템의 성능 척도로는 평가할 수 없었던 문제점을 정의하고 그 해결 방안을 제안함으로써, 추천 시스템의 새로운 옵션을 제시한다.
제 4장 1절에서는 기존의 영화 추천시스템의 문제점으로 평가되는 사용자 의견 고립 현상, 일명 filter bubble 문제[1]를 완화시키기 위한 아이템 메타데이터 활용 방안을 제시한다. 기존의 사용자(혹은 아이템)기반 협력추천의 경우, 사용자와 유사한 의견을 갖는 사용자의 평점 패턴을 분석하여 추천을 제공하기 때문에, 그 결과에 있어 자신과 유사한 사용자들의 평점 패턴만 고려되어 사용자가 의견 측면에서 고립되는 문제가 존재한다. 이러한 문제를 해결하기 위해, 제 4장 1절에서는 아이템 메타데이터 간 유사도를 긍정적 유사도로, 아이템 간 평점 패턴 유사도를 부정적 유사도로 사용하여, 내용적으로는 유사하지만, 선호하는 사용자간 의견 유사도는 낮은 아이템 쌍을 이용하여 추천을 제공하는 기법을 제시한다. 실험 결과, 기존 기법과 비교하여 추천의 정확도를 기존 기법에 준하는 수준으로 유지하면서, 나와 상반되는 사용자의 의견이 고려된 추천을 제공할 수 있음을 확인하였다.
제 4장 2절에서는 기존의 영화 협력 추천시스템의 문제점으로 평가되는 추천된 아이템 집합의 내용적 다양성 저하 문제를 개선하기 위한 방안으로, 영화를 설명하는 아이템 메타데이터간의 유사도를 협력 추천에 새롭게 활용하는 방안을 제시한다. 기존의 협력추천에 아이템 메타데이터간의 유사도를 결합하여 추천의 성능을 높인 제 3장에서의 연구와는 차별적으로, 제 4장 2절의 연구에서는 아이템 메타데이터간의 유사도를 내용적으로 유사한 아이템이 반복적으로 추천되는 것을 제한하는 용도로 사용한다. 실험 결과, 기존 기법과 비교하여 추천의 정확도를 기존 기법에 준하는 수준으로 유지하면서 추천된 아이템의 내용적 다양성을 효과적으로 증진 시킬 수 있음을 확인하였다.
제 3장에서는 기존 협력 추천 시스템 환경에서, 비교적 사용자의 숫자가 충분하지 못한 서비스 초기 단계에, 추천의 성능이 급격히 저하되는 현상을 극복하기 위한 아이템 메타데이터 활용 방안을 제시한다. 해당 절에서는 영화를 설명하는 짧은 자연어 형태의 아이템 메타데이터에 부가적으로 아이템간의 연관성을 나타내는 링크 정보와 사용자간의 Trust Network 정보를 적용하는 기법을 사용한다. 실험 결과, 아이템 메타데이터와 사용자가 Trust Network 정보를를 사용함으로써 추천 성능을 효과적으로 향상시킬 수 있었다.
제 4장에서는 기존의 전통적인 협력 추천 시스템의 성능 척도로는 평가할 수 없었던 문제점을 정의하고 그 해결 방안을 제안함으로써, 추천 시스템의 새로운 옵션을 제시한다.
제 4장 1절에서는 기존의 영화 추천시스템의 문제점으로 평가되는 사용자 의견 고립 현상, 일명 filter bubble 문제[1]를 완화시키기 위한 아이템 메타데이터 활용 방안을 제시한다. 기존의 사용자(혹은 아이템)기반 협력추천의 경우, 사용자와 유사한 의견을 갖는 사용자의 평점 패턴을 분석하여 추천을 제공하기 때문에, 그 결과에 있어 자신과 유사한 사용자들의 평점 패턴만 고려되어 사용자가 의견 측면에서 고립되는 문제가 존재한다. 이러한 문제를 해결하기 위해, 제 4장 1절에서는 아이템 메타데이터 간 유사도를 긍정적 유사도로, 아이템 간 평점 패턴 유사도를 부정적 유사도로 사용하여, 내용적으로는 유사하지만, 선호하는 사용자간 의견 유사도는 낮은 아이템 쌍을 이용하여 추천을 제공하는 기법을 제시한다. 실험 결과, 기존 기법과 비교하여 추천의 정확도를 기존 기법에 준하는 수준으로 유지하면서, 나와 상반되는 사용자의 의견이 고려된 추천을 제공할 수 있음을 확인하였다.
제 4장 2절에서는 기존의 영화 협력 추천시스템의 문제점으로 평가되는 추천된 아이템 집합의 내용적 다양성 저하 문제를 개선하기 위한 방안으로, 영화를 설명하는 아이템 메타데이터간의 유사도를 협력 추천에 새롭게 활용하는 방안을 제시한다. 기존의 협력추천에 아이템 메타데이터간의 유사도를 결합하여 추천의 성능을 높인 제 3장에서의 연구와는 차별적으로, 제 4장 2절의 연구에서는 아이템 메타데이터간의 유사도를 내용적으로 유사한 아이템이 반복적으로 추천되는 것을 제한하는 용도로 사용한다. 실험 결과, 기존 기법과 비교하여 추천의 정확도를 기존 기법에 준하는 수준으로 유지하면서 추천된 아이템의 내용적 다양성을 효과적으로 증진 시킬 수 있음을 확인하였다.
목차
국문 요약 ·························································· 1제 1장 서 론 ······················································ 3제 1절 연구 배경 ························································· 3제 2절 연구 내용 ························································· 5제 2장 관련 연구 ················································· 8제 1절 사용자(아이템) 기반 협력 추천 기법 ························· 8제 2절 콘텐츠 기반 협력 추천 ········································· 9제 3절 Naive Bayesian Classifier를 이용한 콘텐츠 기반 추천 기법 ················································································10제 4절 Trust Network 기반 협력 추천 기법 ·························11제 3장 아이템 메타데이터를 이용한 Data Sparsity 완화 기법··13제 1절 시스템 개요 ······················································ 13제 2절 Item with Metadata based Harmonic Approach (IMA)···· 17제 3절 Combined Harmonic Approach (CHA) ······················ 19제 4절 Priority-based Harmonic Approach (PHA) ················· 20제 5절 Item Link Network Collaborative Recommendation (INCR) ·············································································· 21제 6절 Item Link Network Collaborative Recommendation with Combined Harmonic Approach (INCHA) ····························· 22제 7절 Item Link Network Collaborative Recommendation with Priority-based Harmonic Approach (INPHA) ························ 23제 4장 사용자 견해 및 아이템 내용 고립현상 완화기법········· 24제 1절 사용자 견해 고립 현상(Filter bubble) 완화 기법 ··········· 24제 2절 추천 시스템에서의 추천 다양성 개선 기법 ·················· 26제 5장 실험 및 성능평가 ········································· 28제 1절 실험 환경 ························································· 28제 2절 실험 척도 ························································· 31제 3절 아이템 메타데이터를 이용한 Data Sparsity 완화 기법 실험 ··· 35제 4절 사용자 견해 및 아이템 내용 고립현상 완화기법 실험······ 37제 6장 결론 및 향후 연구 ········································ 41참고 문헌 ·························································· 43ABSTRACT ······················································ 45
최근 본 자료
댓글(0)
0