Journal of KIISE:Software and Applications (한국정보과학회논문지:소프트웨어및응용)

Korean Institute of Information Scientists and Engineers (한국정보과학회)
권호 표지

A Recommender Agent using Association Item Trees

연관 아이템 트리를 이용한 추천 에이전트

  • 고수정 (인덕대학 컴퓨터소프트웨어과)
  • Published : 2009.04.15
Download PDF
⟨ Previous Next ⟩

Abstract

In contrast to content_based filtering systems, collaborative filtering systems not only don't contain information of items, they can not recommend items when users don't provide the information of their interests. In this paper, we propose the recommender agent using association item tree to solve the shortcomings of collaborative filtering systems. Firstly, the proposed method clusters users into groups using vector space model and K-means algorithm and selects group typical rating values. Secondly, the degree of associations between items is extracted from computing mutual information between items and an associative item tree is generated by group. Finally, the method recommends items to an active user by using a group typical rating value and an association item tree. The recommender agent recommends items by combining user information with item information. In addition, it can accurately recommend items to an active user, whose information is insufficient at first rate, by using an association item tree based on mutual information for the similarity between items. The proposed method is compared with previous methods on the data set of MovieLens recommender system.

협력적 여과 시스템은 내용 기반 여과 시스템과는 대조적으로 아이템에 대한 정보를 반영하지 않으며, 또한 사용자가 자신의 흥미에 대한 정보를 제공하지 않았을 경우 추천을 할 수 없다는 단점을 갖는다. 본 논문에서는 협력적 여과 시스템의 단점을 해결하기 위하여 연관 아이템 트리를 이용한 추천 에이전트를 제안한다. 제안된 방법은 벡터 공간 모델과 K-means 알고리즘을 이용하여 사용자를 군집시킨 후 그룹의 대표 평가값을 추출한다. 다음으로, 군집된 그룹별로 아이템간의 상호정보량을 계산하여 아이템간의 연관도를 파악하며, 이를 기반으로 연관 아이템 트리를 생성한다. 이와 같이 생성한 각 그룹의 연관 아이템 트리와 그룹의 대표 평가값을 이용하여 새로운 사용자에게 아이템을 추천한다. 제안된 추천 에이전트는 사용자 정보와 아이템 정보를 병합하여 새로운 사용자에게 아이템을 추천하며, 아이템간의 유사도를 계산하기 위하여 상호정보량을 사용하고 이를 기반으로 연관 아이템 트리를 생성함으로써 초기에 아이템에 대하여 평가한 정보가 부족한 사용자에게 정확도가 높은 아이템을 추천할 수 있다는 장점을 갖는다. 제안된 방법은 MovieLens 추천 시스템의 데이터 집합을 사용하여 기존의 방법과 비교하였다.

Keywords

References

  1. Burke, R., 'Knowledge-Based Recommender Systems,' Encyclopedia of Library and Information Systems, Vol. 69, supplement 32, A. Kent, ed., Marcel Dekker, 2000
  2. Wei, Y. Z., Moreau, L. and Jennings, N. R., 'Learning users' interests by quality classification in market-based recommender systems,' IEEE Trans on Knowledge and Data Engineering, Vol.17, No.12, pp. 1678-1688, 2005 https://doi.org/10.1109/TKDE.2005.200
  3. 고수정, '사용자-상품 행렬의 최적화와 협력적 사용자 프로파일을 이용한 그룹의 대표 선호도 추출', 정보과학회 논문지, 제32권, 제7호, 2005
  4. Salton, G., Wong, A., and Yang, C. S., 'A vector space model for automatic indexing,' Communications of ACM, Vol.18, No.11, 1975
  5. Rijsbergen, V. and Joost, C., Information Retrieval, Butterworths, London-second edition, 1979
  6. Alsabti, K., Ranka, S., and Singh, V., 'An Efficient K-Means Clustering Algorithm,' http://www.cise.ufl.edu/ranka/, 1997
  7. MovieLens collaborative filtering data set, Http://www.cs.umn.edu/Research/GroupLens/index.html, GROUPLENS RESEARCH PROJECT, 2000
  8. Shannon, C. E., 'A mathematical theory of communication,' Bell System Technical Journal, Vol. 27, pp. 379-423, 1948 https://doi.org/10.1016/S0019-9958(57)90039-6
  9. Churck, K. W. and P. Hanks, 'Word association norms, mutual information, and lexicography,' Computational Linguistics, Vol.16, No.1, 1990
  10. 이재윤, '상호정보량의 정규화에 대한 연구', 한국문헌정보학회지, 제37권, 제4호, 2003
  11. Kim, H., Lee, H., and Seo, J., 'Improving FAQ Retrieval Using Query Log Clustering in Latent Semantic Space,' In Proc. Of AIRS 2005, 2005
  12. Cleverdon, C. and Kean, M., 'Factors Determining the Performance of Indexing Systems,' Aslib Cranfield Research Project, Cranfield, England, 1968
  13. Billisus, D. and Pazzani, M. J., 'Learning Collaborative information Filters,' In proc. Of the 15th National Conference on Artificail Intelligence (AAAI-98), 1998
  14. Basu, C., Hirsh, H., and Cohen, W. W., 'Recommendation as classification:using social and content-based information in recommendation,' In Proc. Of the 15th National Conference on Artificial Intelligence(AAAI-98), 1998
  15. Sawar, B. M., Karypis, G., Konstan, J. A., and Ried l, J., 'Analysis of recommendation algorithms for E_commerce,' In Proc. Of the 2nd ACM Conference on Electric Commerce, 2000 https://doi.org/10.1145/352871.352887
  16. Sawar, B. M., Karypis, G., Konstan, J. A., and Ried l, J., 'Application of dimensionality reduction in recommender system - A case study,' In Proc. Of the ACM WebKDD, 2000 https://doi.org/10.1234/12345678
  17. Herlocker, J., Konstan, J., Terveen, L., and Riedl, J., 'Evaluating Collaborative Filtering Recommender Systems,' ACM Transactions on Information Systems, Vol.22, No.1, ACM Press, 2004 https://doi.org/10.1145/963770.963772
  18. Yang, Y. and Liu, X., 'A Re-examination of Text Categorization Methods,' In Proc. Of ACMSIGIR'99, 1999 https://doi.org/10.1145/312624.312647
  19. Mui, L., Ang, C., and Mohtashemi, M., 'A Probabilistic Model for Collaborative Sanctioning,' MIT LCS Technical Memorandum 617, 2001
  20. Shyu, M., Haruechaiyasak, C., Chen, S., and Zhao, N., 'Collaborative Filtering via Association Rule Mining from User Access Sequences,' In Proc. of the International Workshop on Challenges in Web Information Retrieval and Integration, in conjunction with ICDE 2005, 2005