• 정보과학회 논문지
• /
• 제44권5호
• /
• pp.486-495
• /
• 2017

협업 필터링(CF, Collaborative Filtering)은 추천을 수행하기 위해 필요한 비용(시간/공간 복잡도 등)이 현실 데이터에 적용하기에는 한계가 있다. 평점 빈도 가중치 기반의 Baseline Predictor(RFWBP, Rating Frequency Weight-based Baseline Predictor)는 정확도가 기존의 방법과 근사하며, 비용을 크게 줄일 수 있는 효율적인 방법 중 하나이다. 그러나 효율성을 고려해 RFWBP만 사용할 경우, 1)학습을 수행하지 않기 때문에 발생되는 오차를 감소시킬 수 없고, 2)적합한 추천 목록을 작성하기 위한 조건이 없기 때문에 모두 추천했다. 본 논문은, 제시된 문제를 해결하기 위한 BBP(Bias-Based Predictor)를 제안한다. BBP는 Bias를 보정하여 오차의 범위를 감소시킴으로써 1)을 해결했고, 선호에 적합한 추천 목록 작성을 위한 몇 가지 Case를 정하고, 추천 목록을 구성함으로써 2)를 해결하였다.

• 지능정보연구
• /
• 제21권2호
• /
• pp.1-18
• /
• 2015

협업 필터링은 학계나 산업계에서 우수한 성능으로 인해 많이 사용되는 추천기법이지만, 정량적 정보인 사용자들의 평가점수에만 국한하여 추천결과를 생성하므로 간혹 정확도가 떨어지는 문제가 발생한다. 이에 새로운 정보를 추가로 고려하여, 협업 필터링의 성능을 개선하려는 연구들이 지금까지 다양하게 시도되어 왔다. 본 연구는 최근 Web 2.0 시대의 도래로 인해 사용자들이 구입한 상품에 대한 솔직한 의견을 인터넷 상에 자유롭게 표현한다는 점에 착안하여, 사용자가 직접 작성한 리뷰를 참고하여 협업 필터링의 성능을 개선하는 새로운 추천 알고리즘을 제안하고, 이를 스마트폰 앱 추천 시스템에 적용하였다. 정성 정보인 사용자 리뷰를 정량화하기 위해 본 연구에서는 텍스트 마이닝을 활용하였다. 구체적으로 본 연구의 추천시스템은 사용자간 유사도를 산출할 때, 사용자 리뷰의 유사도를 추가로 반영하여 보다 정밀하게 사용자간 유사도를 산출할 수 있도록 하였다. 이 때, 사용자 리뷰의 유사도를 산출하는 접근법으로 중복 사용된 색인어의 빈도로 산출하는 방안과 TF-IDF(Term Frequency - Inverse Document Frequency) 가중치 합으로 산출하는 2가지 방안을 제시한 뒤 그 성능을 비교해 보았다. 실험결과, 제안 알고리즘을 통한 추천, 즉 사용자 리뷰의 유사도를 추가로 반영하는 알고리즘이 평점만을 고려하는 전통적인 협업 필터링과 비교해 더 우수한 예측정확도를 나타냄을 확인할 수 있었다. 아울러, 중복 사용 단어의 TF-IDF 가중치의 합을 고려했을 때, 단순히 중복 사용 단어의 빈도만을 고려했을 때 보다 조금 더 나은 예측정확도를 얻을 수 있음도 함께 확인할 수 있었다.