Collaborative Filtering with Improved Quantification Process for Real-time Context Information

In general, recommendation systems quantify real-time context information obtained in the stage of collaborative filtering and use quantified context information in order to recommend services. But the recommendation systems can have problems of recommending inaccurate information because of lack of context information or classifying users into inaccurate groups because of simple classification works in the stage of quantification. In this paper, we solved the problems of lack of context information obtained in real-time by combining users' profile information used in the contents-based filtering and context information obtained in real-time. In addition, we tried collaborative filtering at the quantification stage by improving absolute classification methods to relative ones. As the result of experiments, this method improved prediction preference by 5.8% than real-time recommendation systems using context information in pure P2P environment.

실시간 컨텍스트 정보의 정량화 단계를 개선한 협력적 필터링

추천 시스템은 일반적으로 서비스를 추천하기 위해 협력적 필터링 단계에서 실시간으로 얻어진 컨텍스트 정보를 정량화하여 사용하고 있다. 하지만 이러한 추천시스템은 컨텍스트 정보의 부족으로 부정확한 추천 결과를 가져오거나, 정량화 단계의 단순한 분류과정으로 인해 사용자를 부정확한 그룹으로 분류하는 문제점이 발생한다. 본 논문에서는 실시간으로 획득되는 컨텍스트 정보 부족 문제를 내용 기반 필터링에서 사용하는 사용자 프로파일 정보와 실시간으로 획득된 컨텍스트 정보를 결합하여 해결하였다. 그리고 정량화 단계의 분류 과정을 절대적인 방법이 아니라 상대적인 방법으로 개선하여 협력적 필터링하였다. 실험 결과, pure P2P 환경에서 컨텍스트 정보를 이용한 실시간 추천 시스템보다 예측 선호도가 5.8% 향상되었다.