Influential Factor Based Hybrid Recommendation System with Deep Neural Network-Based Data Supplement

심층신경망 기반 데이터 보충과 영향요소 결합을 통한 하이브리드 추천시스템

Abstract

In the real world, the user's preference for a particular product is determined by many factors besides the quality of the product. The reflection of these external factors was very difficult because of various fundamental problems including lack of data. However, access to external factors has become easier as the infrastructure for public data is opened and the availability of evaluation platforms with diverse and vast amounts of data. In accordance with these changes, this paper proposes a recommendation system structure that can reflect the collectable factors that affect user's preference, and we try to observe the influence of actual influencing factors on preference by applying case. The structure of the proposed system can be divided into a process of selecting and extracting influencing factors, a process of supplementing insufficient data using sentence analysis, and finally a process of combining and merging user's evaluation data and influencing factors. We also propose a validation process that can determine the appropriateness of the setting of the structural variables such as the selection of the influence factors through comparison between the result group of the proposed system and the actual user preference group.

특정 상품에 대한 사용자의 선호도는 상품의 질 외에도 많은 요소들에 의해 결정된다. 추천시스템에 있어 이러한 외적 요소들의 반영은 데이터의 부족을 포함한 여러 가지 근본적인 문제가 존재하여 지난한 일이었다. 그러나 공공데이터의 개방과 다양하고 방대한 양의 데이터를 가진 평가 플랫폼의 등장 등 기반 환경이 갖춰짐에 따라 외적 요소들의 접근이 용이해 졌다. 이러한 변화에 따라 본 논문은 상품의 품질 외에 사용자의 선호도에 영향을 주는 요소들을 반영할 수 있는 추천시스템 구조를 제안하고 사례를 적용하여 이러한 요소가 실제 선호도에 미치는 영향을 관찰하고자 한다. 제안하는 시스템의 구조는 크게 영향요소를 선정하고 추출하는 과정과 문장 분석을 활용하여 부족한 데이터를 보충하는 과정, 평가데이터와 영향요소를 결합하고 병합하는 과정으로 나눌 수 있으며 제안시스템의 결과 그룹과 실제 사용자 선호도 그룹 간 비교를 통해 구조 변수 설정의 적절성 등을 판단할 수 있는 검증 과정 또한 함께 제안한다.

그림 1. IFBHR 전체 흐름도 Fig. 1. The overall flow diagram of the IFBHR

그림 2. 영향요소 추출 과정 Fig. 2. Factor extraction process

그림 3. 데이터 보충 과정 Fig. 3. Data Supplementation Process

그림 4. 가중평균합 의사코드 Fig. 4. Weighted average sum pseudo code

그림 5. 검증과정 Fig. 5. Verification process

그림 6. 관광지 좌표 획득 의사코드 Fig. 6. Pseudo code to acquire tourist spot coordinates

그림 7. 가장 가까운 관측소 획득 의사코드 Fig. 7. Obtain the nearest station Pseudo code

그림 8. 영향요소 획득 의사코드 Fig. 8. Influence factors acquisition pseudo code

그림 9. 평점 테이블 및 병합 과정 결과물 Fig. 9. Rating table and merge process output

그림 10. 상위 10개 범주의 데이터 분포 비율 Fig. 10. Data Distribution Ratio for the Top 10 Categories

그림 11. 상위 10개 범주의 선호도 차트 Fig. 11. Affinity charts for the top 10 categories

표 1. 유사 시스템 비교 표(●: 가능,존재 ◐: 부분 가능,부분 존재, X: 불가능, 존재하지 않음) Table 1. Similar system comparison chart(●: possible, existence ◐: partial possible, partial existence, X: impossible, not present))

표 2. 병합 기준 표 Table 2. Merge criteria table

표 3. 실험 사용 학습 파라미터 Table 3. Experimental use learning parameter