• Proceedings of the Korean Society of Broadcast Engineers Conference
• /
• 2012.07a
• /
• pp.55-58
• /
• 2012

본 논문은 사용자의 각종 멀티미디어 콘텐츠 소비 히스토리를 수집하여 체계화 및 패턴 분석을 수행하고, 이를 바탕으로 사용자가 선호할 것으로 예측되는 멀티미디어 콘텐츠들을 추출하여 제공하는 콘텐츠 추천 시스템에 관한 연구이다. 본 논문에서는 콘텐츠 소비와 연관된 사용자 로그와 엔진에서 자동 추출한 사용자 그룹을 통하여 콘텐츠 추천을 수행한다. 각 사용자들의 선호정보 데이터를 분석하여 선호정보 패턴이 유사한 사용자들을 사용자 그룹으로 정의하고, 각 사용자들이 속한 사용자 그룹의 사용자 로그를 활용하여 사용자별 선호 콘텐츠를 예측한다. 본 시스템은 웹 또는 모바일 환경에서 음악, 방송, 광고, 기사 등의 방대하고 다양한 콘텐츠를 복합적으로 사용자들에게 선별하여 제공해 주며, 이들의 연관성과 사용자의 콘텐츠 선호패턴을 반영한 개인 맞춤형 콘텐츠 추천 엔진은 사용자가 선호할만한 콘텐츠들을 추천하여 사용자의 콘텐츠 소비 시의 만족도를 높여줄 수 있다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2006.10b
• /
• pp.34-37
• /
• 2006

디지털 방송에서의 맞춤형 서비스란 사용자가 원하는 방송 프로그램만을 사용자가 원하는 시간에 볼 수 있게 해 두는 서비스를 말한다. 본 연구는 맞춤형 방송 서비스를 위한 사용자 별 선호정보를 자동으로 추출하여 관리하는 사용자 선호정보 관리 시스템을 개발하였다. 이 시스템은 맞춤형 방송 서비스를 위한 표준인 TV-Anytime에서 제안하고 있는 메타데이터를 기반으로 사용자 선호정보와 사용자 히스토리 정보를 사용하여 맞춤형 방송 서비스를 위한 선호 프로그램과 채널을 예상하여 사용자에게 제시한다. 이 과정에서 사용하는 사용자 선호정보는 사용자 별로 청취 과정에서 채널, 시간대, 방송에 따른 반응 행동기록을 토대로 자동으로 추출하고 업데이트하는 방법을 제안한다.

• Journal of the Korea Society of Computer and Information
• /
• v.14 no.1
• /
• pp.1-8
• /
• 2009

Learning user's preference is a key issue in intelligent system such as personalized service. The study on user preference model has adapted simple user preference model, which determines a set of preferred keywords or topic, and weights to each target. In this paper, we recommend multi-perspective user preference model that factors sentiment information in the model. Based on the topicality and sentimental information processed using natural language processing techniques, it learns a user's preference. To handle timc-variant nature of user preference, user preference is calculated by session, short-term and long term. User evaluation is used to validate the effect of user preference teaming and it shows 86.52%, 86.28%, 87.22% of accuracy for topic interest, keyword interest, and keyword favorableness.

• 한국IT서비스학회:학술대회논문집
• /
• 2007.11a
• /
• pp.616-620
• /
• 2007

전자상거래에서 사용되고 있는 추천시스템은 사용자들의 프로파일과 이들의 정보를 바탕으로 사용자가 선호할 만한 아이템을 추천한다. 추천시스템에서 널리 사용되고 있는 협력적 필터링 방식은 사용자들 사이의 선호도 평가치를 비교하여 유사 사용자를 선택하고, 아이템에 대한 유사 사용자의 선호도 평가치를 기반으로 하여 추천하고자 하는 아이템에 대한 사용자의 선호도를 예측하는 것이다. 하지만 사용자의 선호도가 적은 데이터로 인한 희소성 문제는 추천시스템의 성능을 저해하는 요인으로 작용하고 있다. 이러한 희소성의 문제는 선호도 평가 자료에 나타난 아이템들의 총수에 비하여 사용자가 선호한 아이템의 수가 아주 적기 때문에 발생하며, 새로운 사용자의 경우에는 아이템에 대한 선호도 평가치가 없어 유사 사용자를 선택할 수가 없어 나타나며 심한 경우에는 아이템을 전혀 추천할 수 없게 된다. 이리할 추천 시스템의 희소성문제를 해결차기 위한 방법은 희소성이 높은 데이터들에 대한 희소성을 감소시키는 것이다. 따라서 본 논문에서는 아이템에 대한 희소성을 조사하여 협력적 필터링에서 희소성 아이템이 MAE에 미치는 영향을 분석하였다. 그리고 희소성 문제를 완화하여 예측 정확도를 높이기 위한 방법으로 선호도가 적은 아이템에 대해 희소성을 최소화하는 연구와 이에 따라 희소성과 MAE의 값을 개선하는 방법을 제안한다.

• Proceedings of the Safety Management and Science Conference
• /
• 2012.11a
• /
• pp.87-92
• /
• 2012

본 연구는 전자상거래에서 협력적 필터링 알고리즘을 통한 사용자의 선호도 예측 정확도와 사용자가 평가한 선호도 평가치의 관계를 분석하여 알고리즘의 예측 정확도에 영향을 미치는 평가치의 통계적 특성에 관하여 연구한다. 협력적 필터링 알고리즘의 예측 정확도는 상품에 대해 공통의 관심을 갖는 이웃 사용자들의 선정과 이들의 선호도 경향이 중요한 요인이지만 본 연구에서는 선호도 예측을 위한 자신의 선호도 평가치 특성이 알고리즘에 중요한 요인임을 제시한다. 이러한 평가치의 평균, 표준편차, 왜도, 첨도 등과 같은 통계적 특성이 선호도 예측 정확도와 연관성이 있음을 제시하여 차후 연구에서 선호도 예측 이전에 사용자의 선호도 예측성과에 대한 사전평가의 가능성을 제시하고자 한다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2005.07b
• /
• pp.610-612
• /
• 2005

협동적 여과를 이용한 추천 시스템은 데이터의 희소성 문제(sparseness problem)와 초기 추천 문제 (cold-start problem)에 대해 취약점을 가지고 있다. 협동적 여과를 이용한 추천 시스템에서 사용하는 선호도 데이터에 아이템들의 전체 수량에 비해 매우 적은 양의 아이템 선호도만 존재한다면 사용자들의 유사도 측정에 문제를 발생시켜 극단적인 경우엔 협동적 추천이 불가능할 경우가 발생한다. 이와 같은 문제는 선호도 데이터에 나타난 아이템들의 총수에 비해 사용자가 선호(구매)한 아이템이 극히 적은 수량으로 존재하기 때문이며 새로운 사용자의 경우에는 아이템 선호도 정보가 전혀 없기 때문에 유사 사용자를 추출하지 못하여 아이템을 전혀 추천할 수 없는 문제가 발생한다. 본 논문에서는 희소성이 높은 선호도 데이터를 희소하지 않은 상태로 변형하는 희소 데이터 변형 기법을 제안한다. 희소 데이터 변형 기법은 희소데이터에 나타난 사용자와 아이템의 추가 속성 정보의 확률분포를 이용하여 알려지지 않은 선호도 값을 예측함으로써 희소성이 높은 선호도 데이터를 변경하고, 변경된 선호도 데이터를 협동적 추천에 적용하여 추천 성능을 향상시킨다. 이와 같은 선호도 데이터 변경 기법을 데이터 블러링(data blurring)이라 한다. 몇가지 실험 결과를 통해 제안된 기법의 효과를 확인하였다.

• Proceedings of the Korean Society of Broadcast Engineers Conference
• /
• 2001.11b
• /
• pp.29-33
• /
• 2001

사용자에게 적합한 프로그램을 추천하거나 필터링을 수행하는 지능형 방송 단말 응용 소프트웨어 에이전트에서 필수적으로 사용되는 사용자 선호도 (User Preference)를 추출하는 알고리즘을 연구하였다. 시청자 선호도 추출 알고리즘으로는 시청자의 프로그램 장르나 출연 배우 등에 대한 선호도, 프로그램 시청 시간 등에 대한 선호도나 시청 프로그램에 대한 사용자의 인터랙션 습성 분석에 의한 프로그램 선호도 등을 probabilistic framework과 rule-based framework을 근간으로 추출하는 알고리즘 연구에 대한 결과를 본 논문에서 제시한다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2001.10b
• /
• pp.109-111
• /
• 2001

기존의 협력적 필터링 기술을 이용한 사용자 선호도 예측 방법에서는 아이템에 대한 사용자의 선호도를 기반으로 이웃 선정 방법(Nearest-Neighborhood Method)을 사용하고, 피어슨 상관 계수에 의해 사용자의 유사도를 구하므로 아이템에 대한 내용을 반영하지 못할 뿐만 아니라 희박성 문제를 해결하지 못하였다. 본 논문에서는 기존의 사용자 선호도 예측 방법의 문제점을 보완하기 위하여 연관 사용자 군집과 베이지안 분류를 이음한 사용자 선호도 예측 방법을 제안한다. 제안한 방법에서는 협력적 필터링 시스템에서의 희박성(Sparsity)문제를 해결하기 위하여 ARHP 알고리즘을 사용하여 사용자를 장르별로 군집하며 새로운 사용자는 Naive Bayes 분류자에 의해 이들 장르 중 하나로 분류된다. 또한, 분류된 장르 내에 속한 사용자들과 새로운 사용자의 유사도출 구하기 위해 Naive Bayes 학습을 통해 사용자가 평가한 아이템에 추정치를 달리 부여한다. 추정치가 부여된 선호도를 기존의 피어슨 상관 관계에 적용할 경우 결측치(Missing Value)로 인한 예측의 오류를 적게 하여 예측의 정확도를 높일 수 있다. 제안된 방법의 성능을 평가하기 위해서 기존의 협력적 필터링 기술과 비교 평가하였다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2017.04a
• /
• pp.439-441
• /
• 2017

Matrix factorization은 사용자의 아이템 선호도를 통해 아이템을 추천해주는 성공적인 기술 중 하나이다. 이 기법은 사용자-아이템의 선호도 행렬을 채우는 것을 목표로 한다. 이 목표를 달성하기 위해 사용자-아이템의 선호도 행렬을 사용자 행렬(user latent factor)와 아이템 행렬(item latent factor)로 분해하고, 각 행렬에 대해 추론하여 완성된 사용자-아이템의 선호도 행렬을 추론한다. 하지만 Matrix factorization은 아이템의 수가 많고, 아이템에 대한 사용자들의 선호도 데이터가 적을 때 성능이 제한된다. 또한 새로운 아이템이 추가되었을 때, 새로운 아이템에 대한 사용자들의 선호도 정보가 없기 때문에 새로운 아이템이 추천되지 않는다는 문제를 가진다. 이를 해결하기 위해 본 논문에서는 아이템에 대한 부가적인 정보인 아이템 간의 유사도 정보와 아이템의 시나리오 정보의 유사도를 모델링하여 기존의 전통적인 Matrix factorization에 추가하는 아이템 정보 기반 추천 시스템을 제안한다.

• Journal of Internet Computing and Services
• /
• v.10 no.1
• /
• pp.111-121
• /
• 2009

In this paper, we propose a multimedia recommender system using user's playback time. Proposed system collects multimedia content which is requested by user and its user‘s playback time, as web log data. The system predicts playback time.based preference level and related contents from collected transaction database by fuzzy association rule mining. Proposed method has a merit which sorts recommendation list according to preference without user’s custom preference data, and prevents a false preference. As an experimental result, we confirm that proposed system discovers useful rules and applies them to recommender system from a transaction which doesn‘t include custom preferences.