• The Journal of the Korea Contents Association
• /
• v.8 no.3
• /
• pp.1-7
• /
• 2008

Due to the development of ubiquitous computing, a wide variety of information is being produced and distributed rapidly in digital form. In this excess of information, it is not easy for users to search and find their desired information in short time. In this paper, we propose the personalized item recommendation using the image based filtering. This research uses the image based filtering which is extracting the feature from the image data that a user is interested in, in order to improve the superficial problem of content analysis. We evaluate the performance of the proposed method and it is compared with the performance of previous studies of the content based filtering and the collaborative filtering in the MovieLens dataset. And the results have shown that the proposed method significantly outperforms the previous methods.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2005.11a
• /
• pp.607-610
• /
• 2005

SCORM의 Content Repository는 Asset이나 컨텐츠의 Metadata를 가지고 컨텐츠나 Asset을 검색할 수 있도록 한다. 이런 Metadata 기반 검색은 아주 많은 컨텐츠를 대상으로 검색을 할 경우, 검색을 통한 컨텐츠 결과가 너무 많을 경우 결과 내에서 재검색을 하는데 많은 시간을 들일 수 있다는 단점이 있다. 본 논문에서는 검색 효율을 높이기 위한 방법으로 SCORM 기반 LMS에 협력 필터링 방법을 적용한 시스템을 제안하였다.

• The KIPS Transactions:PartB
• /
• v.8B no.2
• /
• pp.144-154
• /
• 2001

협력적 여과 시스템은 사용자가 검색하고 읽었던 웹문서를 기반으로 사용자 군집을 생성하여 웹문서의 정확한 추천을 가능하게 한다. 이러한 목적으로 설계된 다양한 알고리즘이 있으나 속도가 느리거나 정확도가 낮다는 등의 단점이 있다. 본 논문에서는 이러한 단점을 보완하기 위하여 협력적 여과 시스템을 위한 효과적인 사용자 군집 알고리즘인 CUG알고리즘은 사용자 군집을 생성하기 위해 Apriori 알고리즘, Native Bayes 알고리즘을 이용한다. Apriori 알고리즘은 연관 단어 지식 베이스를 구축하고, Native Bayes 알고리즘은 구축된 연관 단어 지식 베이스에 가중치를 추가하며, 사용자가 검색하여 읽은 웹문서를 클래스별로 분류한다. CUG 알고리즘은 분류된 웹문서를 기반으로 하여 사용자 군집을 만든다. 이러한 방법으로 설계된 CUG 알고리즘은 사용자들이 사용할 문서를 미리 검색하여 저장함에 의해 정보검색의 효율성을 향상시키는데 사용될 수 있다. 본 논문에서 설계한 CUG 알고리즘의 선능을 평가하기 위하여 기존의 K-means 방법과 Gibbs샘플링 방법에 의한 군집과 비교한다.

• Journal of the Korea Society for Simulation
• /
• v.15 no.3
• /
• pp.23-30
• /
• 2006

A recommender system for E-commerce site receives information from customers about which products they are interested in, and recommends products that are likely to fit their needs. In this paper, we investigate several methods for large-scale product purchase data for the purpose of producing useful recommendations to customers. We apply the traditional data mining techniques of cluster analysis and collaborative filtering(CF), and CF with reduction of product-dimensionality by use of latent semantic indexing(LSI). If reduced product-dimensionality obtained from LSI shows a similar latent trend of customers for buying products to that based on original customer-product purchase data, we expect less computational effort for obtaining the nearest-neighbor for target customer may improve the efficiency of recommendation performance. From simulation experiments on synthetic customer-product purchase data, CF-based method with reduction of product-dimensionality presents a better performance than the traditional CF methods with respect to the recall, precision and F1 measure. In general, the recommendation quality increases as the size of the neighborhood increases. However, our simulation results shows that, after a certain point, the improvement gain diminish. Also we find, as a number of products of recommendation increases, the precision becomes worse, but the improvement gain of recall is relatively small after a certain point. We consider these informations may be useful in applying recommender system.

• 한국HCI학회:학술대회논문집
• /
• 2006.02a
• /
• pp.1289-1297
• /
• 2006

모든 곳에 존재하는 네트워크 환경을 의미하는 '유비쿼터스' 시대와 최신 기술로 구현되어 인간을 도와주는 '지능형 로봇'의 시대가 도래하고 있다. 기술의 흐름은, 이제 우리에게 공장과 공원 등의 공공 장소뿐 만이 아니라, 생활의 기본이 되는 가정 안에서의 로봇을 받아들일 준비를 요구하고 있다. 로봇과 사용자는 실제 생활 속에서 많은 상호 작용을 하게 되며, 필연적으로 여러 가지의 불확실성을 내포하게 되는데, 각각의 요청들과 상황들은, 미리 정해진 규칙에 의거해 처리하기에는 너무 다양하다. 그 어려움을 극복하는 방법으로, 어떤 상황에 적응하는 방법으로 기억을 사용 하는 인간과 마찬가지로, 로봇은 새로운 요청을 처리하기 위해 과거의 기록을 사용할 수 있다. 여러 가지 과거의 기록들을 잘 정리해서 분류하여 저장해둔 후, 현재의 요청에 대한 답으로, 가장 가능성 있는 과거의 기록을 찾아내는 것이다. 본 논문에서는 사용자와 로봇 사이에서 상호 작용에서 발생할 수 있는 불확실성을 과거기록의 탐색을 통해 해결하고자 하였다. 과거 기록은 시간, 장소, 대상 물건, 행동 유형으로 구분되어 저장하였으며, 각각의 유사 가능성(Possibility)들의 합을 기준으로, 전체 기록을 K-Means 알고리즘을 통하여 군집화하고 협력 필터링을 기반으로 현재의 요청이 담고 있는 불확실성에 대한 가능성 있는 값을 추천해 주었다. 제한된 공간과 제한된 자료의 수에 의한 실험 결과로서의 한계를 가지고 있지만, 실제 가정용 로봇에서의 적용 가능성을 보여주었다.

• The Journal of the Korea Contents Association
• /
• v.8 no.5
• /
• pp.38-43
• /
• 2008

As the sensibility engineering has become a mainstream information tool, searching answers has become crucial as well. Because the collaborative filtering refers to partial users information who have the similar preference, it tends to ignore the rest. In this paper, we propose the human sensibility ergonomic apparel coordination supporting method using the genetic algorithm. This proposed method calculates evaluation values using fitness function based the genetic algorithm, and gathers through a-cut. To estimate the performance, the suggested method is compared with the existing methods in the questionnaire dataset. The results have shown that the proposed method significantly outperforms the accuracy than the previous methods.

• The Journal of the Institute of Internet, Broadcasting and Communication
• /
• v.21 no.4
• /
• pp.183-188
• /
• 2021

Collaborative filtering based recommender systems are currently indispensable function of commercial systems in various fields, being a useful service by providing customized products that users will prefer. However, there is a high possibility that the prediction of preferrable products is inaccurate, when the user's rating data are insufficient. In order to overcome this drawback, this study suggests a stepwise method for prediction of product ratings. If the application conditions of the prediction method corresponding to each step are not satisfied, the method of the next step is applied. To evaluate the performance of the proposed method, experiments using a public dataset are conducted. As a result, our method significantly improves prediction and precision performance of collaborative filtering systems employing various conventional similarity measures and outperforms performance of the previous methods for solving rating data sparsity.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2008.05a
• /
• pp.822-825
• /
• 2008

최근 모바일 기술의 발달로 모바일 네트워크에서 사용자들이 가지고 있는 정보를 활용하는 P2P 서비스들이 많이 연구되고 있다. 그 중에 협력적 필터링(Collaborative Filtering, CF)을 이용한 추천 서비스는 모바일 네트워크 상의 다른 사용자의 정보를 수집하여 개인화된 추천을 수행한다. 기존에 연구 된 CF 추천 시스템에서 메시지 전달을 위해 broadcasting 방식 사용되었다. broadcasting 방식은 각 모바일 기기 주위의 모든 기기로 사용자 정보를 전송함으로써 많은 트래픽을 유발시킨다. 본 논문에서는 슈퍼 피어 방식을 이용하여 메시지 전송 양을 줄여, CF를 이용한 추천 서비스를 보다 효율적으로 하고, 추천성능을 유지하게 하였다. 실험을 통해 본 논문에서 제시한 방식이 broadcasting 방식의 메시지 양을 53% 감소시켰음을 보였다.

• Journal of the Korea Computer Industry Society
• /
• v.6 no.5
• /
• pp.775-782
• /
• 2005

The service of wireless network has problems due to low bandwidth, frequent disconnection, low packet transport and user' mobility. In this paper, we proposed the cooperative methods of update to perform efficiently wireless network services. The proposed method performs the updates by cooperative filtering and streaming by $mbuffer_{in}$ and $mbuffer_{out}$. The simulation results show performance improvement of the proposed method compared to others.

• The Journal of the Korea Contents Association
• /
• v.7 no.6
• /
• pp.1-8
• /
• 2007

In electronic commerce, it is important for users to recommend the proper item among large item sets with saving time and effort. Therefore, if the recommendation system can be recommended the suitable item, we will gain a good satisfaction to the user. In this paper, we proposed the associative relation clustering split method in the collaborative filtering in order to perform the accuracy and the scalability. We produce the lift between associative items using the ratings data. and then split the node group that consists of the item to improve an efficiency of the associative relation cluster. This method differs the association about the items of groups. If the association of groups is filled, the reminding items combine. To estimate the performance, the suggested method is compared with the K-means and EM in the MovieLens data set.