• Proceedings of the Korean Operations and Management Science Society Conference
• /
• 2004.05a
• /
• pp.347-350
• /
• 2004

전자상거래와 고객관계관리에서 고객의 개인화를 위해 사용되는 협동적 필터링 방안은 고객이 상품에 대해 표시한 선호도에 기반을 두어 선호도가 유사한 사용자를 찾고, 유사한 사용자의 선호도를 활용하여 추천할 상품을 선정하는 방안이다. 고객간의 유사도 계산과 상품에 대한 선호도 계산을 위한 다양한 방안들의 계산식에 대해서는 명확하게 정의되어 있으나, 이에 활용되는 데이터의 선정에 대해서는 명확한 규정이나 가이드라인이 존재하지 않는다. 즉, 몇 번 이상의 선호도를 표시한 사용자를 대상으로 추천을 수행할 것인지, 혹은 몇 번 이상 선호도가 표시된 상품을 추천에 활용할 것인지와 같은 데이터 선정에 활용되는 계수와 협동적 필터링의 추천 성과간의 관계에 대한 연구는 아직 부족하다. 본 연구에서는 협동적 필터링의 연구에 많이 활용되는 EachMovie 데이터를 가지고 협동적 필터링의 계수와 추천 성과간의 관계에 대해 실험적으로 연구하였다. 첫 번째는 몇 번 이상 선호도를 표시한 사용자를 협동적 필터링에 활용하는 것이 추천 성과를 높일 수 있는지에 대해 연구하였으며, 두 번째는 몇 번 이상 선호도가 표시된 상품을 고객에게 추천하는 것이 협동적 필터링의 추천 성과를 높일 수 있는가에 대한 연구를 수행하였다. 계수와 추천 성과간의 관계에 대한 두 가지 실험에서 선호도 표시의 한계가치(marginal value)가 점진적으로 감소하는 것을 볼 수 있었다. 본 연구의 결과는 협동적 필터링의 수행을 위한 효과적인 데이터의 선정에 도움을 줄 수 있을 것이다.

• Proceedings of the Korea Database Society Conference
• /
• 2001.06a
• /
• pp.362-368
• /
• 2001

본 논문에서는 고객의 특성을 고려한 최적의 추천시스템을 개발하기 위하여 기존의 인구통계학적 특성에 따른 협동적필터링 기법의 추천 효율을 비교 분석하였다. 비디오에 대한 사용자 평가 값과 예측 값간의 추천 효율에 대한 비교실험을 통하여 상품에 대한 단순한 선호도만을 고려한 기존의 협동적필터링 방법에 의한 추천시스템의 문제점을 개선하여 추천된 상품이나 콘텐츠에 대한 개인별 추천 효율을 향상시키기 위한 모델을 제시하였다. 본 연구 결과를 이용하여 인터넷 비즈니스 분야에서 활발하게 도입되고 있는 eCRM 시스템에서 가장 중요한 요소인 고객들의 인구통계학적인 다양한 특성을 고려한 협동적필터링 기반의 추천시스템을 개발할 수 있으리라 기대한다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2004.05a
• /
• pp.453-456
• /
• 2004

전자상거래에서 추천 시스템은 일반적으로 협동적 필터링이라는 정보 필터링 기술을 사용한다. 협동적 필터링 기술은 유사한 성향을 갖는 다른 고객들이 상품에 대해서 매긴 평가에 기반한다. 협동적 필터링이 유사 선호도를 갖는 이웃 고객들의 평가에 근거하기 때문에 고객에게 가장 적합한 유사 이웃들을 적절히 선정해 내는 것은 추천 시스템에서 예측의 질 향상을 위해 필요하다. 본 논문에서 우리는 ordered clustering을 이용하여 협동적 필터링을 위한 향상된 이웃선정 방법을 제안한다. 이 방법은 탐색 공간을 줄이기 위해 k-means 클러스터링 방법을 사용한다. 그리고 클러스터링에 의해 구성된 고객들에 대해서 threshold 값에 의해 보다 정제된 고객들을 최종 선정함으로써 고객에게 보다 의미 있는 적합한 고객이 최종적인 이웃으로 선정될 수 있도록 한다. 실험은 Compaq Computer Corporation에 의해 제공된 EachMovie 데이터 셋을 사용하였다. 실험 결과로 우리는 제안한 방법이 다른 방법보다 좋은 예측 정확도를 갖는 것을 확인할 수 있었다.

• Proceedings of the Korean Information Science Society Conference
• /
• 1999.10b
• /
• pp.69-71
• /
• 1999

정보의 양이 많아질수록 사용자가 자신이 원하는 정보를 찾는 작업은 많은 시간과 노력을 요구하게 된다. 이러한 시간과 노력을 줄이기 위해 정보 필터링 시스템이 제시되었고, 정보검색과 자연언어처리 등을 이용한 많은 방법들이 연구되었다. 그러나 이러한 접근방법들은 모두 사용자에게 새로운 정보요구가 생긴 경우 이를 지능적으로 대처하지 못하는 Cold-Start 문제를 안고 있다. 이를 극복하기 위해 협동 정보 필터링 시스템이 등장하였다. 이러한 협동 정보 필터링 시스템은 같은 관심도를 가지는 사람들로 공동체를 형성하기 위해 사용자로부터 관심도를 명시적으로 나타낼 것을 요구하는 등 사용자가 직접 필터링 시스템을 학습시켜야 하는 문제점을 가지고 있다. 본 논문에서는 이러한 문제를 해결하기 위해 사용자들의 선호도를 담고 있는 사용자 프로파일의 유사성을 기반으로 한 공동체 형성 방법을 제안한다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2000.10a
• /
• pp.473-476
• /
• 2000

최근 전자상거래에서 에이전트 기술들이 많이 나타나고 있는데, 주목해야 할 것은 패키지 형태로 내장될 수 있는 에이전트이다. 전자상거래 솔루션에 탑재되어 자동화시킨 에이전트로서 NetPerception 의 GroupLens 엔진과 MacroMedia의 LikeMinds가 있는데 이들은 협동적 필터링을 구현한 것들이다. 현재 이러한 협동적 필터링 에이전트 시스템이 탑재된 전자상거래 솔루션들이 등장하고 있다. 하지만 add-on 성격이 부족하고, 실제 협동적 필터링 알고리즘에 의해 고객의 취향이나 기호에 맞는 아이템을 추천하는 진정한 의미의 에이전트 시스템은 찾아보기 힘들다. 그래서, 이러한 점을 보완한 MindReader 시스템을 개발하였다. 제안된 알고리즘은 기존의 GroupLens 알고리즘에 클러스터링을 접목시킨 알고리즘을 사용하였다.

• Journal of Korea Multimedia Society
• /
• v.11 no.9
• /
• pp.1213-1226
• /
• 2008

A recommender system supports people in making recommendations finding a set of people who are likely to provide good recommendations for a given person, or deriving recommendations from implicit behavior such as browsing activity, buying patterns, and time on task. We proposed new recommender system which combined SOM(Self-Organizing Map) neural networks with the Collaborative filtering which most recommender systems hat applied First, we segmented user groups according to demographic characteristics and then we trained the SOM with people's preferences as ito inputs. Finally we applied the classic collaborative filtering to the clustering with similarity in which an recommendation seeker belonged to, and therefore we didn't have to apply the collaborative filtering to the whose data set. Experiments were run for EachMovies data set. The results indicated that the predictive accuracy was increased in terms of MAE(Mean-Absolute-Error).

• Proceedings of the Korean Information Science Society Conference
• /
• 2002.04b
• /
• pp.139-141
• /
• 2002

본 논문에서는 인터넷 컨텐츠 사이트에서 개인별로 컨텐츠를 효과적으로 추천하기 위한 개인화 시스템모델을 제안하였다. 제안한 모델은 묵시적인 평가정보를 이용한 사례기반추론 기법으로서 협동적필터링 기법과 달리 유사집단의 평가정보를 이용하지 않고 개인별 속성에 대한 가중치와 속성 값을 이용하여 추천하는 기법이다. 이 기법은 각 사용자의 상품 추매 속성을 추천에 반영할 수 있는 장점이 있으며 사용자 프로파일을 이용하여 개인화된 추천이 가능하다. 제안한 기법이 Recall, Precision, F-measure의 평가 방법을 통해 실험한 결과 협동적필터링 기법 보다 모든 부분에서 더 좋은 결과가 나왔음을 볼 수 있다. 그러므로 제안 시스템이 유사 사용자의 평가정보를 이용한 협동적필터링 기법보다 효율적인 개인화 전략이 가능하다고 말 수 있다. 본 제안 모델을 이용하여 일대일 마케팅을 위한 eCRM 시스템 개발이 가능하리라 예상된다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2007.11a
• /
• pp.525-528
• /
• 2007

추천시스템은 일반적으로 협동적 필터링이라는 정보 필터링 기술을 사용한다. 협동적 필터링은 유사한 성향을 갖는 다른 고객들이 상품에 대해서 매긴 평가에 기반하기 때문에 고객에게 가장 적합한 유사 이웃들을 적절히 선정해 내는 것이 추천시스템의 예측의 질 향상을 위해서 필요하다. 본 논문에서는 속성 정보를 기반으로 한 다단계 클러스터링을 통한 이웃선정 방법을 제안한다. 이 방법은 대규모 데이터 셋에서 탐색 공간을 줄이기 위해 클러스터링을 수행하여 적절한 이웃 고객들의 집합을 추출한다. 이 때, 속성 정보에 따라 단계적으로 클러스터링을 수행함으로써 보다 정제된 고객집합을 구성할 수 있도록 한다. 본 논문에서는 고객 선호도와 위치 정보를 대표적인 속성 정보로 사용함으로써 모바일 환경에서 보다 정확한 추천이 이루어질 수 있도록 한다.

• Proceedings of the Korea Inteligent Information System Society Conference
• /
• 2002.05a
• /
• pp.383-390
• /
• 2002

본 논문에서는 Peer-to-Peer 환경에서의 협동적 필터링의 필요성에 대해 논의하고, 이를 위한 P2P 컴퓨팅의 구조 설계, Peer Clustering기법, Peer간 메시지의 종류, 그리고 이를 구현한 시스템에 대하여 설명한다.

• Journal of KIISE:Software and Applications
• /
• v.29 no.9
• /
• pp.669-675
• /
• 2002

In recent years most of personalized recommender systems in electronic commerce utilize collaborative filtering algorithm in order to recommend more appropriate items. User-based collaborative filtering is based on the ratings of other users who have similar preferences to a user in order to predict the rating of an item that the user hasn't seen yet. This nay decrease the accuracy of prediction because the similarity between two users is computed with respect to the two users and only when an item has been rated by the users. In item-based collaborative filtering, the preference of an item is predicted based on the similarity between the item and each of other items that have rated by users. This method, however, uses the ratings of users who are not the neighbors of a user for computing the similarity between a pair of items. Hence item-based collaborative filtering may degrade the accuracy of a recommender system. In this paper, we present a new approach that a user's neighborhood is used when we compute the similarity between the items in traditional item-based collaborative filtering in order to compensate the weak points of the current item-based collaborative filtering and to improve the prediction accuracy. We empirically evaluate the accuracy of our approach to compare with several different collaborative filtering approaches using the EachMovie collaborative filtering data set. The experimental results show that our approach provides better quality in prediction and recommendation list than other collaborative filtering approaches.