• Annual Conference of KIPS
• /
• 2020.11a
• /
• pp.982-983
• /
• 2020

추천 시스템은 사용자들의 과거 구매 이력 등을 학습해서 사용자들이 미래에 구매할 것 같은 상품을 추천한다. 대부분의 추천 시스템 관련 연구들은 사용자들과의 상호작용을 고려하지 않은 채 한 번의 모델 학습과 한 번의 추천만 수행하며, 사용자로부터 추천 결과에 대한 피드백을 받아서 더 나은 추천을 수행하려는 시도는 거의 이루어지지 않았다. 본 논문에서는 기존의 추천 모델들이 사용자와의 상호작용을 추가적으로 고려했을 때 어느 정도의 정확도 향상을 이룰 수 있는지에 대해서 분석한다. 특히 사용자와의 상호작용을 통해 사용자 취향의 다양성을 파악하고 이를 반영하여 더 나은 추천을 제공하는 방법에 대해서 논의한다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2022.01a
• /
• pp.35-38
• /
• 2022

콘텐츠 기반 추천 시스템은 대표적인 추천 모델 방법 중 하나이다. 하지만 콘텐츠 기반 추천 시스템은 사용자 관련 메타데이터를 고려하기보다 내용 관련 메타데이터에만 의존하는 경향이 있다. 본 논문에서는 영화의 특징을 담고 있는 메타데이터를 이용해 추천 시스템을 간단히 구현하고, 추천한 영화와 사용자의 영화 평점을 이용해 추천 시스템의 정확도를 측정하였다. 영화 메타데이터 keywords, genres, cast의 개수를 늘려가며 정확도가 변화하는지 알아보았다. 메타데이터 각각의 개수가 증가하면 정확도도 향상할 것이라고 기대했으나 큰 차이가 나타나지 않았다. 모델 평가 결과, 미세한 차이지만 영화 메타데이터를 상위 3개씩 추출해 영화를 추천했을 때의 정확도가 1.2100318041248186으로 가장 높았다.

• Annual Conference of KIPS
• /
• 2023.05a
• /
• pp.459-460
• /
• 2023

기존의 추천시스템은 상품간 혹은 사용자 간의 유사도를 기반으로 작동한다. 하지만 이는 사용자가 유사한 상품 추천 속에 갇히게 되는 필터 버블의 문제와 추천시스템의 고질적인 문제인 데이터 희소성 문제를 피할 수 없게 된다. 따라서 본 연구에서는 사용자의 취향과 체형 정보를 반영하여 사용자의 평점을 예측하는 협업 필터링 기반 딥러닝 추천과 상품간 비유사성을 고려하여 사용자의 평점을 예측하는 내용 기반 추천을 혼합한 하이브리드 추천 모델을 구축하여 기존 추천시스템의 문제점을 해결하였다. 모델의 성능평가를 위해 인터넷 의류 쇼핑몰을 대상으로 유사한 이미지를 활용한 하이브리드 추천 모델과 NDCG 값을 비교하였고 유사도가 낮은 이미지를 활용한 모델이 더 우수한 성능을 보였다. 이는 다른 제품과는 달리 소비자가 의류를 구매할 경우 이미 구매한 상품과 유사한 상품보다는 유사하지 않은 상품을 구매할 가능성이 크다는 것을 보여준다.

• Annual Conference of KIPS
• /
• 2023.05a
• /
• pp.501-503
• /
• 2023

추천 시스템 연구들 중 사용자의 추천 만족도와 플랫폼의 이윤 측면을 함께 고려한 여러 연구들이 제안되어 왔다. 그런데 그동안 플랫폼의 이윤을 고려한 추천 시스템의 경우 방법들 간 분석 및 성능 비교가 되어오지 않았다. 본 논문에서는 먼저 기존 이윤 고려 추천 시스템들의 방법을 분석하고, 실 세계 데이터셋을 이용한 실험을 통해 추천 정확도 및 플랫폼 이윤 측면에서 이들간의 성능을 비교하였다. 그 결과, 추천 정확도와 플랫폼 이윤 간의 상충 관계가 있음을 확인할 수 있었고, 이윤 고려 추천 시스템 방법들이 이윤을 고려하지 않은 일반적인 추천 방법 대비 7~35%의 플랫폼 이윤 향상 효과가 있음을 관찰할 수 있었다.

• The Journal of the Convergence on Culture Technology
• /
• v.7 no.3
• /
• pp.523-528
• /
• 2021

Current YouTube recommends similar contents to users based on the contents they actually consumed. Due to the feature of these algorithms, users are well recommended for contents in similar fields, but it is difficult to be recommended contents in fields that have never been consumed. There is a limit to being widely recommended for videos. I want to solve this problem by utilizing crowd sourcing. I propose a platform that can be recommended for various channels, through direct participation of the public people using youtube. Users can be recommended a variety of channels, communicate with people in the channel discussion room, and at the same time generate revenue by recommending channels. I hope that this platform can be used in various crowd sourcing-based recommendation platforms.

• Annual Conference of KIPS
• /
• 2022.05a
• /
• pp.356-358
• /
• 2022

추천 시스템에서 사용되는 피드백은 단일 클래스와 다중 클래스 피드백으로 구분할 수 있다. 추천 시스템을 위한 지식 증류 기법들은 단일 클래스 환경에서 주로 연구되어 왔다. 우리는 다중 클래스 환경에서 또한 추천 시스템을 위한 최신 지식 증류 기법들이 효과적인지에 대해 알아보고자 하며, 해당 방법들 간의 추천 정확도를 비교해보고자 한다. 추천 시스템에서 보편적으로 사용되는 데이터 셋들을 기반으로 한 실험들을 통해 추천 시스템을 위한 지식 증류 기법들은 같은 조건의 기본적인 추천 시스템에 비해 정확도가 최대 193%까지 개선되는 것을 확인했다.

• Annual Conference of KIPS
• /
• 2023.05a
• /
• pp.453-455
• /
• 2023

의약품 추천 방법은 환자의 현재 건강 상태가 주어졌을 때, 해당 환자에게 효과적이면서도 안전한 의약품들을 추천해주기 위한 방법이다. 최근 의약품 추천 방법들은 환자에게 효과적이면서도 안전한 의약품들을 추천해주기 위해, 환자의 방문 정보(즉, 환자에게 진단된 질병, 수술 정보) 뿐만 아니라 의약품들 간의 (1) 동시 처방 여부 관계와 (2) 부작용 유발 관계를 추가적으로 활용하고 있다. 구체적으로, 이들은 의약품들 간의 두 관계를 각각 임베딩으로 나타낸 뒤 하나의 임베딩으로 융합하여 활용한다. 그러나 기존 의약품 추천 방법들은 이 두 임베딩을 융합하는데 있어서, 두 임베딩 간의 관계를 깊게 고려하지 않고 단순히 뺄셈 연산을 적용하고 있다. 따라서 본 논문에서는 실세계 데이터 집합을 활용하여, 의약품들 간의 두 관계에 대한 임베딩들을 다양한 방법을 통해 융합한 뒤각 방법이 추천 정확도에 어떠한 영향을 미치는지 비교 및 분석하여 더욱 정확한 의약품 추천을 제공하고자 한다.

• Annual Conference of KIPS
• /
• 2021.11a
• /
• pp.1168-1171
• /
• 2021

일반적인 검색엔진을 가진 포털 환경에서 정보검색 시 사용자가 원치 않는 수많은 검색결과가 동반되기도 하고 자신의 취향에 맞는 글을 검색하지 않았다는 이유만으로 원하는 정보를 놓치는 상황도 일어난다. 이러한 검색환경의 문제를 개선하기 위해 본 논문에서는 사용자들의 검색환경 개선을 위한 맞춤형 검색결과 정렬, 검색어 추천, 게시글 추천의 추천 시스템을 설계하고 제작한다. 이러한 추천 시스템은 워드 임베딩 모델과 추천 시스템 모델을 포함한다. 기존에 존재하던 워드 임베딩 모델의 성능을 실험을 통해 비교 및 분석하고, 크롤링을 통해 모은 데이터로 성능을 24.98%P 개선하였다. 추천 시스템 모델은 RMSE 비교를 통해 최적이 알고리즘을 제안한다. 해당 기술을 통해 사용자 스스로 자신의 검색환경을 개선할 수 있도록 구현하는 것이 이 시스템의 목표이다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2022.01a
• /
• pp.23-26
• /
• 2022

OTT 서비스의 이용자가 폭발적으로 증가하고 있는 지금, 사용자에게 맞춤형 상품을 추천하는 것은 해당 서비스에서 중요한 사안이다. 본 논문에서는 콘텐츠 기반 추천 시스템의 모델을 제안하고, 영화 데이터를 추가 해가며 예측력을 높일 최종적인 모델을 채택하고자 한다. 이를 위해 GroupLens와 Kaggle에서 영화 데이터를 수집하고 총 1111개의 영화, 943명의 사용자에게서 나온 71026개의 영화 평가 데이터를 이용하였다. 모델 평가 결과, 장르와 키워드만을 이용한 추천 시스템 모델의 RMSE는 1.3076, 단계적으로 데이터를 추가해 최종적으로 장르, 키워드, 배우, 감독, 나라, 제작사를 이용한 추천 시스템 모델의 RMSE는 1.1870으로 모든 데이터를 추가한 모델의 예측력이 더 높았다. 이에 따라 장르, 키워드, 배우, 감독, 나라, 제작사를 이용해 구현한 모델을 최종적인 모델로 채택, 무작위로 추출한 한 명의 사용자에 대한 영화 추천 리스트를 뽑아낸다.

• Annual Conference of KIPS
• /
• 2023.05a
• /
• pp.445-447
• /
• 2023

최근, 환자의 현재와 과거 방문 정보(즉, 환자가 현재와 과거 각 방문에서 진단 받은 질병들과 수술들)를 활용하여 환자 임베딩을 획득한 뒤, 환자의 현재 방문에서 효과적인 의약품들을 추천해주는 의약품 추천 연구들이 활발하게 진행되고 있다. 이들은 환자 임베딩을 획득하기 위해, 현재와 과거 방문 정보를 유형 별(즉, 질병과 수술 별)로 각각 융합하여 하나의 질병과 수술 임베딩으로 나타낸 뒤 이 두 임베딩을 융합한다. 이로 인해, 방문 정보 유형 별 임베딩을 융합하는 방법은 의약품들을 추천하는데 있어서 큰 영향을 미칠 수 있다. 그러나 지금까지 방문 정보 유형 별 임베딩을 어떻게 융합하는 것이 환자에게 의약품들을 추천하는데 가장 효과적인지 탐구한 연구는 없다. 따라서, 본 논문에서 우리는 실세계 데이터 집합을 활용한 실험을 통해 방문 정보 유형들 간의 다양한 융합 방법들 중 어떠한 방법이 추천 정확도 개선에 가장 효과적인지 비교하고 분석하여 환자에게 가장 효과적인 의약품들을 추천해주고자 한다.