The KIPS Transactions:PartB (정보처리학회논문지B)

Korea Information Processing Society (한국정보처리학회)
권호 표지
DOI QR코드

DOI QR Code

Dynamic Web Information Predictive System Using Ensemble Support Vector Machine

앙상블 SVM을 이용한 동적 웹 정보 예측 시스템

  • 박창희 (연세대학교 대학원 전자공학) ;
  • 윤경배 (김포대학 컴퓨터계열)
  • Published : 2004.08.01
Download PDF
⟨ Previous Next ⟩

Abstract

Web Information Predictive Systems have the restriction such as they need users profiles and visible feedback information for obtaining the necessary information. For overcoming this restrict, this study designed and implemented Dynamic Web Information Predictive System using Ensemble Support Vector Machine to be able to predict the web information and provide the relevant information every user needs most by click stream data and user feedback information, which have some clues based on the data. The result of performance test using Dynamic Web Information Predictive System using Ensemble Support Vector Machine against the existing Web Information Predictive System has preyed that this study s method is an excellence solution.

기존의 웹 정보 예측 시스템은 예측에 필요한 정보를 얻기 위하여 사용자 프로파일과 사용자로부터의 명시적 피드백 정보를 필요로 하는 단점이 존재한다. 본 논문에서는 이러한 단점을 극복하고자 웹 사이트에 접속한 고객의 행동을 나타내는 클릭 스트림 데이터와 이를 기반으로 한 사용자의 암시적 피드백 정보를 이용하여 각 사용자가 가장 필요로 하는 웹 정보를 예측한다. 이를 이용하여 관련 정보를 제공할 수 있는 앙상블 SVM을 이용한 동적 웹 정보 예측 시스템을 설계하고 구현하며, 기존의 웹 정보 예측 시스템과 성능 비교를 수행한 결과, 제안된 방법의 우수함이 입증되었다.

Keywords

References

  1. 윤경배, 최준혁, 왕창종, '하이브리드 SOM을 이용한 효율적인 지식베이스 관리', 정보처리학회논문지B, 제9-B권 제5호, pp.46-53, 2002
  2. B. Scholkopf, K. Sung, C. Burges, F. Girosi, P. Niyogi, T. Poggio, and V. Vapnik, 'Comparing Support Vector Macnines with Gaussian Kernels to Radial Basis Function Classifiers,' IEEE Transaction on signal processing, Vol.45, No.11, pp.2758-2765, 1997 https://doi.org/10.1109/78.650102
  3. D. Lewis, 'Evaluating text caterorization,' Proceedings of Speech and Natural Language Workshop, pp.122-132, 1991
  4. E. Frank, 'Data Mining,' Morgan Kaufmann Publisher, 2000
  5. H. C. Kim, S. Pang, H. M. Je, D. J. Kim and S. Y. Bang, 'Constructing support vector machine ensemble,' Pattern Recognition, 36, pp.2757-2767, 2003 https://doi.org/10.1016/S0031-3203(03)00175-4
  6. 'http://www.ecn.purdue.edu/KDDCUP/,' 2003
  7. K. Ting and I. Witten, 'Stacking bagged and dagged models,' Proceedings of the 14th International Conference on Machine Learning, Sapporo, Japan, 1997
  8. M. Pontil and A. Verri, 'Properties of Support Vector Machines,' A. I. Memo No. 1612, CBCL paper No.152. Massachusetts Institute of Technology, Cambridge, 1997
  9. R. Maclin and D. Opitz, 'An empirical evaluation of bagging and boosting,' Proceedings of the fourth National Conference on Artificial Intelligence, Austin, Texas, 1997
  10. R. Srikant and R. Agrawal, 'Mining Generalized Association Rules,' VLDB, pp.407-419, 1995
  11. T. Dietterich, 'An experimental comparison of three methods for constructing ensembles of decision trees : bagging, boosting, and randomization,' Mach. Learn, 26, pp.1-22, 1998
  12. V. N. Vapnik and C. Cortes, 'Support vector networks,' Machine Learning, 20, pp.273-297, 1995 https://doi.org/10.1007/BF00994018
  13. V. N. Vapnik, 'Statistical Learning Theory,' John Wiley and Sons, 1998