• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2017년도 춘계학술발표대회
• /
• 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.

• 한국통계학회:학술대회논문집
• /
• 한국통계학회 2003년도 추계 학술발표회 논문집
• /
• pp.239-244
• /
• 2003

본 연구에서는 확률모형의 모수로부터 얻어지는 여러형태의 함수간의 크기를 다중비교 하는 방법을 제안하고자 한다. 이 방법은 비교대상인 모수 함수간의 선호확률을 베이지안 방법으로 추정하고, 이들로부터 얻어지는 선호행렬을 이용한 새로운 다중비교법이다. 이러한 방법의 제안에 필요한 이론과 비교기준을 고안하였으며, 응용 예로, 제안된 방법을 s개의 독립인 지수분포 모수의 기하평균 크기비교에 적용하였다.

• 한국컴퓨터정보학회논문지
• /
• 제19권5호
• /
• pp.61-69
• /
• 2014

협업 필터링 추천은 사용자의 아이템에 대한 선호도를 기반으로 유사 아이템 집합 또는 유사 사용자 집합을 생성하고 이를 이용해 사용자의 특정 아이템에 대한 선호도를 예측한다. 따라서 선호도 행렬이 희박할 경우, 추천의 신뢰도는 급격히 낮아진다. 본 논문에서는 위 문제를 해결하기 위해 데이터 신뢰도 기반 가중치를 이용한 하이브리드 선호도 예측 기법을 제안한다. 선호도 예측은 유사 아이템 집합과 유사 사용자 집합을 모두 생성하고 각 집합을 통해 사용자의 선호도를 예측하며, 모델의 상황을 반영한 가중치를 이용해 각 예측치를 병합하여 수행된다. 이 기법은 사용자 선호도 예측 정확도를 높이며 선호도 행렬 희박도가 높은 상황에도 추천 서비스의 신뢰도를 유지할 수 있도록 한다. 이 기법을 바탕으로 추천 시스템을 구현하고 절대평균오차를 기준으로 서비스 신뢰도 향상을 측정하였다. 실험에서 본 기법은 Hao Ji가 제안한 기존의 기법에 비해 선호도 행렬 희박도가 84% 이상인 상황에서 평균 21.7%의 성능 향상을 보여 효과적으로 행렬 희박도 문제를 해소할 수 있음을 검증하였다.

• 응용통계연구
• /
• 제14권2호
• /
• pp.305-320
• /
• 2001

다차원선호분석(mutidimensional preference analysis)은 여러 상품들에 대한 개인(또는 그룹)의 선호도를 알아보기 위한 분석방법으로 결과는 보통 2차원 그림으로 제공된다. 본 연구에서는 의미있는 두 가지 최적척도 기준을 제안하고 이와 연관된 행 및 열표시자를 유도하고 있으며, 아울러 사전지식을 반영하기 위해 부분수량화를 다차원선호분석에 도입하는 방법을 제시한다. 또한 본 연구에서 제시한 다차원분석기법들을 실제 인터넷 검색엔진에 대한 선호도 자료에 적용한다.

• 응용통계연구
• /
• 제19권3호
• /
• pp.447-460
• /
• 2006

본 연구에서는 확률모형의 모수로부터 얻어지는 여러 형태의 함수간의 크기를 다중 비교 하는 방법을 제안하고자 한다. 이 방법은 비교대상인 모수 함수 간의 선호확률을 베이지안 방법으로 추정하고, 이들로부터 얻어지는 선호행렬을 이용한 새로운 다중비교법이다. 이러한 방법의 제안에 필요한 이론과 비교기준을 고안하였으며, 응용 예로 제안된 방법을 s의 독립인 지수분포 모수의 기하평균 크기 비교에 적용하였다.

• 한국항행학회논문지
• /
• 제18권5호
• /
• pp.468-475
• /
• 2014

추천시스템은 선호 데이터가 대형화, 컴퓨터 처리능력과 추천 알고리즘 등에 의해 실시간 추천이 어려워지고 있다. 이에 따라 추천시스템은 대형 선호데이터를 분산처리 하는 방법에 대한 연구가 활발히 진행되고 있다. 본 논문은 하둡 분산처리 플랫폼과 머하웃 기계학습 라이브러리를 이용하여, 선호데이터를 분산 처리하는 방법을 연구하였다. 추천 알고리즘은 아이템 협업필터링과 유사한 동시발생 행렬을 이용하였다. 동시발생 행렬은 하둡 클러스터의 여러 노드에서 분산처리를 할 수 있으며, 기본적으로 많은 계산량이 필요하지만, 분산처리과정에서 계산량을 줄일 수 있다. 또한, 본 논문은 동시발생 행렬처리의 분산 처리과정을 4 단계에서 3 단계로 단순화하였다. 결과로서, 맵리듀스 잡을 감소할 수 있으며, 동일한 추천 파일을 생성할 수 있었다. 또한, 하둡 의사 분산모드를 이용하여 데이터를 처리하였을 때 빠른 처리속도를 보였으며, 맵 출력 데이터가 감소되었다.

• 한국전자파학회논문지
• /
• 제11권3호
• /
• pp.337-344
• /
• 2000

파수영역에서 모멘트법의 엄피던스 행렬의 특정을 관찰하고 이를 웨이블릿 변환을 이용하여 효율적으로 표현 하는 방법을 연구하였다. 영상 선호처리 분야에서 자주 사용되는 이차원 쿼드트리(2-D Quadtree)방법(행렬의 $\phi$ 부분에만 웨이블릿 변환을 적용하는 방법)을 적용하여 모멘트 행렬을 성기게 만들었다. 웨이블릿이 적용된 모멘트 행렬을 CG( Conjugate-Gradient)법을 이용하여 모멘트 법의 계산량과 메모리를 줄였다. 수치적 결과는 정사 각형 실린더의 경우 임피던스 행렬의 0이 아닌 값이 O($N^{1.6}$)으로 증가하는 것을 관찰하였다.

• 한국인터넷방송통신학회논문지
• /
• 제14권3호
• /
• pp.111-117
• /
• 2014

본 논문은 안정된 결혼문제의 최적 해를 쉽고 빠르게 찾는 알고리즘을 제안하였다. 첫 번째로, 남성의 여성선호도와 여성의 남성 선호도 합 $p_{ij}$의 $n{\times}n$ 정방행렬 할당문제로 변환시킨다. 두 번째로, 행렬에서 최대 선호도 합(최소 값)인 $_{min}p_{ij}$를 선택하고 i행과 j열을 삭제한다. 이 과정을 $i=0{\cap}j=0$일 때까지 수행한다. 세 번째로, 가능한 최초 또는 마지막 선택 $_{min}p_{ij}$에 대해 다른 값으로 변경시 선호도를 증가시킬 수 있으면 상호 교환하는 검증 절차를 수행한다. 제안된 알고리즘을 7개의 안정된 결혼문제에 적용한 결과 기존 알고리즘의 해를 개선하는 효과를 얻었다.

• 응용통계연구
• /
• 제23권5호
• /
• pp.933-941
• /
• 2010

행렬도는 고차원의 자료를 저차원 공간에 투영하여 자료를 시각화하는 비교적 현대적인 방법으로써, 자료의 산포도, 집단 구분, 변수사이의 상관관계 등 유용한 정보들을 제공한다. 본 연구에서는 이러한 행렬도를 간략하게 소개하고, 행렬도의 구현을 위해 대중성이 높아지고 있는 무료 소프트웨어인 R의 BiplotGUI 패키지를 사용하였다. 그리고 전북대학교에서 2009년도에 실시된 신입생의 진로의식 조사 자료를 이용하여, 신입생의 선호직업과 진로성숙도의 관계를 행렬도 분석방법으로 살펴보았다.

• 한국지능시스템학회논문지
• /
• 제16권2호
• /
• pp.164-171
• /
• 2006

최근에 서비스되기 시작한 디지털 멀티미디어 방송은 다양한 종류의 수많은 컨텐츠를 제공하기 때문에 고객은 때로 자신이 선호하는 컨텐츠를 찾는데 많은 시간을 소비한다. 심지어는 선호 컨텐츠를 찾는 동안 이미 방송이 끝날 수도 있다. 이와 같은 문제를 해결하기 위해서는 고객이 필요로 하는 최소 정보만을 추천하기 위한 방법이 필요하다. 본 논문에서는 고객이 시청한 컨텐츠 선호도 전이 확률을 이용하여 고객이 선호하는 컨텐츠를 미리 예측하여 추천하기 위한 알고리즘과 시스템을 제안한다. 제안하는 시스템은 클라이언트 관리자 에이전트, 모니터링 에이전트, 러닝 에이전트, 그리고 추천 에이전트 모듈로 구성된다. 클라이언트 관리자 에이전트는 다른 모듈과 상호 작용을 하면서 조정자 역할을 한다. 모니터링 에이전트는 컨텐츠에 대한 고객의 선호도를 분석하기 위해 고객이 이용했던 usage history 데이터를 수집하기 위한 에이전트이다. 러닝 에이전트는 고객으로부터 수집된 usage history 데이터를 정제하여 시간 변화에 따른 상태 전이 행렬로 모델링하기 위한 에이전트이다. 추천 에이전트는 고객의 상태 전이 행렬로 구성된 모델링 데이터에 본 논문에서 제안하는 선호도 전이 확률 모델을 이용하여 고객이 바로 다음에 선호하게 될 컨텐츠를 추천하기 위한 에이전트이다. 추천 에이전트 모듈에서 컨텐츠에 대한 고객의 선호도 전이 확률을 이용하는 추천 알고리즘을 제안한다. 제안하는 추천 시스템은 무선 인터넷 표준 플랫폼인 WIPI(Wireless Internet Platform for Interoperability) 플랫폼에서 프로토타입 시스템을 설계, 구현하였으며, 실험결과 제안된 선호도 전이 확률 모델의 추천 정확도가 전형적인 방법에 비해 효과적임을 보인다.