• 한국정보통신학회:학술대회논문집
• /
• 한국정보통신학회 2021년도 추계학술대회
• /
• pp.563-564
• /
• 2021

협업 필터링은 데이터 분석을 통한 추천 시스템에서 대표적인 방법이다. 사용 방법은 다양한 아이템에 대해서 사용자들의 평가 데이터를 활용하여 공통적인 패턴을 찾아서 특정 사용자에 대한 선호 아이템을 추천하는 기법이다. 이에 본 논문에서는 여러 가지 알고리즘을 사용하여 지표 측정에 활용하였으며, 사용자 선호에 대한 예측에 적합한 알고리즘을 찾아서 제시하였다.

• 한국콘텐츠학회논문지
• /
• 제11권5호
• /
• pp.67-74
• /
• 2011

협업 추천은 전자상거래 기업들이 고객별로 개인화 된 상품추천을 하기 위하여 널리 활용하는 추천기법이다. 추천 행위는 고객들이 상품에 대해 가지고 있는 선호도를 분석하고 이를 프로필화 하는 것을 전제로 한다. 전통적인 명시적 평가법은 취급하는 상품이 매우 다양한 전자상거래 기업의 고객들에게 구매활동외에 추가적 부담을 준다는 점에서 한계를 가진다. 따라서 고객의 개입 없이 간접적으로 선호도를 파악할 수 있는 묵시적 평가법이 보다 바람직하다고 볼 수 있는데, 여기에도 추정된 선호도의 지표화에 주로 사용하는 카디널 척도가 추정 오차를 증가 시킨다는 점에서 문제점이 있다. 따라서 본 연구에서는 이러한 문제의 개선을 위해 웹 마이닝과 사전식 컨센서스 기법에 근간하여 서열 척도 기반의 고객 프로필을 생성, 활용하는 협업 추천 기법을 제안하고자 한다. 실제 온라인 쇼핑몰의 거래 데이터를 이용한 실험을 통해 제안된 기법의 우수성을 입증 하였다.

• 한국컴퓨터정보학회:학술대회논문집
• /
• 한국컴퓨터정보학회 2022년도 제66차 하계학술대회논문집 30권2호
• /
• pp.59-60
• /
• 2022

갈수록 개인화되어 가는 추천시스템은 다양한 모델에 의해 그 성능이 향상되고 있으며 최근 추세는 다른 분야와 마찬가지로 딥러닝 기반 모델을 적용하여 추천 품질을 향상하고 있다. 그러나 대다수의 추천시스템은 하나의 도메인에서 개별적으로 사용될 뿐, 유사도메인이나 상이한 도메인이나 모두 다른 도메인에서의 사용자 성향이나 아이템 유사성을 거의 또는 전혀 고려하지 않고 있다. 이는 추천결과의 sparsity와 cold-start 문제를 더 악화시키는 원인이 된다. 본 논문은 다양한 딥러닝 모델 적용 추천 모델 중 오토인코더 모델을 지역특화 협업에 적용한 모델을 간략하게 소개하고 해당 모델을 상이한 도메인 간의 적용하기 위한 첫 단계로 손실함수 부분에 대해 개념적으로 설명하고자 한다.

• 한국지능정보시스템학회:학술대회논문집
• /
• 한국지능정보시스템학회 2007년도 한국지능정보시스템학회
• /
• pp.246-254
• /
• 2007

최근 유비쿼터스 환경이 대두됨에 따라 정보의 밀도가 높아지고 있으며, 기업에서는 고객이 제품을 구매함과 동시에 고객의 정보를 저장하여 활용할 수 있게 되었다. 이와 같은 환경은 고객의 요구사항을 사전에 미리 파악하여 적절한 시점과 상황에 맞는 정보를 전달할 수 있도록 하는 추천시스템에 대한 필요성을 증대시켰으며, 다양한 영역에서 추천시스템과 관련된 연구들이 활발하게 이루어지고 있다. 지금까지의 추천시스템은 주로 제품 중심으로 논의되어 왔으나, 유비쿼터스 시장 환경에서는 매장에 대한 논의가 필요하게 되었다. 이는 고객이 다양한 매장을 방문할 수 있으며, 동일한 제품이라도 여러 매장에 동시에 존재할 수 있고, 매장 간의 동선이나 매장의 위치 및 분위기, 제품의 품질이나 가격 등에 대한 개인 선호도에 따라 같은 제품이라도 선호하는 매장은 다를 수 있기 때문이다. 따라서 본 연구에서는 고객의 선호도를 기반으로 유비쿼터스 시장 환경에 적합한 매장 추천시스템을 제안하고자 한다. 매장 추천시스템은 협업 필터링을 기반으로 하고 있으며, Apriori 알고리즘을 이용하여 관련성이 높은 매장들의 집합을 찾아 추천한다. 이 시스템은 기업보다는 고객 중심의 서비스를 제공해 줌으로써 고객의 쇼핑 효율성을 제고시킬 뿐 아니라 장기적인 관점에서 시장 활성화에 기여할 수 있을 것으로 기대한다.

• 정보과학회 논문지
• /
• 제44권6호
• /
• pp.621-627
• /
• 2017

협업필터링은 사용자들이 평가한 항목들의 유사성을 기반으로 평가되지 않은 항목을 효과적으로 추천해주는 기법이다. 기존에는 사용자가 평가하지 않은 항목 중 상위 N개 항목의 추천 정확도를 높이기 위하여 사용자의 항목의 대한 상대적 선호도를 반영하는 쌍 기반 선호도(pair-wise preference)와 목록 기반 선호도(list-wise preference)가 제안되었다. 하지만 이러한 방법들은 사용자가 평가한 항목 간의 상대적인 선호도를 표현하는데 한계가 있으며, 각각의 항목들의 중요도를 반영할 수 없는 단점이 있다. 본 논문에서는 유사도 및 순위 값을 계산할 때 평점 선호도 표현 방법과 역 사용자 빈도수(inverse user frequency)를 이용하여 사용자의 잠재된 선호도를 표현하는 새로운 방법을 제안한다. 제안 방법을 메모리 기반 협업필터링에 적용하여 비교한 결과 기존 방법보다 최대 2배 이상 정확도가 향상되는 것을 확인할 수 있었다.

• 한국전자거래학회지
• /
• 제14권1호
• /
• pp.1-11
• /
• 2009

사용자간 유사도에 의한 협업 필터링에서 추천 품질이 안정적인 상태에 이르기 위해서는 많은 이웃들이 필요하다. 이것은 높은 사용자간 유사도가 제품에 대한 동일한 선호도를 일관되게 보장하지 못하기 때문이다. 유사하지 않은 사용자라 할지라도 제품 선택에서 사용자 간에 일관성이 있다면, 선호도 예측에서 유용하게 사용될 수 있다. 이 논문에서는 일관성을 기준으로 신뢰도를 정의하고, 이를 기반으로 이웃을 선정하여 선호도를 예측하는 협업 필터링 방법을 제시한다. 이 방법에 의한 추천 품질이 안정적인 상태에 이르기 위해서 필요한 이웃들의 수가 유사도에 의한 방법보다 매우 적으며, 추천 품질 또한 우수하다.

• 지능정보연구
• /
• 제19권4호
• /
• pp.1-10
• /
• 2013

개인화는 개인적인 기호를 바탕으로 각 사용자에게 맞춤화된 컨텐츠를 제공하는 것을 목표로 한다. 이러한 관점에서, 개인화의 핵심적인 부분은 각 사용자의 기호에 적합한 컨텐츠나 상품을 추천할 수 있는 추천기술이라 할 수 있다. 선행연구들은 추천시스템의 중요성을 인지하고 새로운 추천기술을 제안하여 왔다. 여러 추천기술들 중에서 협업필터링은 실무에서 활발하게 연구되고 활용되어 왔다. 그러나, 협업필터링은 종종 희박성 또는 확장성 문제를 겪게 된다. 선행연구들 역시 이 두 가지 문제점의 중요성을 인지하고 그에 대한 여러 가지 해결방안들을 제안하였다. 하지만, 여러 선행연구들은 기존의 사용자-상품 매트릭스 외에 다른 원천들로부터 생성된 추가적인 정보를 이용함으로써 문제점들을 해결하려 함으로 인하여 추가적인 시간과 비용을 요하는 다른 문제를 야기하였다. 본 연구에서는 희박성 문제를 완화하고 추천시스템의 성능을 개선하기 위하여 협업필터링을 위한 새로운 내재적 평가방법을 제안한다. 즉, 본 연구에서는 기존 사용자-상품 매트릭스를 이용하여 사용자 간의 신뢰수준을 측정할 수 있는 내재적 평가법에 기반한 사용자-상품 매트릭스의 보완을 통해 희박성 문제를 완화할 수 있는 방안을 제안한다. 또한, 본 연구에서는 제안하는 방안의 유용성을 평가하기 위한 탐색적 실험 결과를 제공한다.

• 정보관리연구
• /
• 제41권4호
• /
• pp.227-249
• /
• 2010

정보기술과 인터넷의 발달로 학술정보가 폭발적으로 증가하고 있다. 정보 과잉으로 인해 연구자들은 필요한 정보를 찾거나 필터링하는데 더 많은 시간과 노력을 투입하고 있다. 이용자들이 원하는 정보를 예측하여 관심 가질만한 정보를 선별하여 추천하는 시스템을 전문가시스템, 데이터마이닝, 정보검색 등 다양한 분야에서 오래 전부터 연구하여 왔다. 최근에는 콘텐츠기반추천시스템과 협업필터링을 결합하거나 다른 분야 모델을 접목한 하이브리드 추천시스템으로 발전하고 있다. 본 연구에서는 기존 추천시스템 문제를 해결하고 대규모 정보센터나 도서관에서 학술논문을 효율적이고 지능적으로 추천하기 위해 협업필터링과 나이브베이즈모델을 결합한 새로운 방식의 추천시스템을 제시하였다. 즉, 협업필터링 방식으로 과도한 특성화(Over-specialization) 문제를 해결하고, 나이브베이즈모델을 통해 평가정보나 이용정보가 부족한 신규콘텐츠 추천문제를 해소하였다. 본 모델을 검증하기 위해 한국과학기술정보연구원 NDSL에서 제공하는 식품과 전기 분야 학술논문에 적용하여 실험하였다. 현재 NDSL 이용자 4명에게 피드백을 받은 결과 추천논문에 상당히 만족하는 것으로 나타났다.

• 경영정보학연구
• /
• 제8권2호
• /
• pp.139-154
• /
• 2006

추천시스템은 사용자들의 관심을 끄는 아이템을 그들이 보다 쉽게 찾도록 도와주거나, 그들의 기호에 기반하여 의미 있는 아이템들을 제공한다. 지금까지 가장 성공적이었던 협업 필터링 기반 추천시스템은 다른 사용자들의 의견을 참조하여 추천을 원하는 사용자에게 추천을 한다. 즉, 아이템들에 대한 사용자 기호를 나타내는 다른 사용자들의 평가정보가 추천을 위한 정보원으로 사용된다. 이처럼, 협업 필터링 기반 추천시스템이 사용자들의 기호만을 이용하도록 설계되었지만, 다른 정보를 이용하면 추천시스템의 성능과 정확도를 높일 수 있을 것으로 사료되어, 본 논문에서는 유사 정도와 인구통계학 정보를 이용한 협업 필터링 기반 추천시스템을 제안한다. 이런 추천시스템에서는 평가정보가 계속적으로 누적되기 때문에, 추천시스템의 정확도를 유지할 수 있는 한, 사용하는 데이터의 양을 줄이는 게 중요하다. 본 논문에서는 유사 정도와 인구통계학 정보를, 사용할 데이터의 양을 줄이기 위한 기준으로 사용하여 자연스레 시스템의 성능을 향상시켰다. 본 논문에서는 실험을 통하여 유사 정도의 사용이 추천시스템의 정확도를 높여주었고, 특정 인구통계학 정보의 사용도 추천시스템의 정확도를 높였음을 보였다.

• 디지털콘텐츠학회 논문지
• /
• 제18권4호
• /
• pp.707-712
• /
• 2017

데이터의 양이 기하급수적으로 증가함에 따라 추천 시스템(recommender system)은 영화, 도서, 음악 등 다양한 산업에서 관심을 받고 있고 연구 대상이 되고 있다. 추천시스템은 사용자들의 과거 선호도 및 클릭스트림(click stream)을 바탕으로 사용자에게 적절한 아이템을 제안하는 것을 목적으로 한다. 대표적인 예로 넷플릭스의 영화 추천 시스템, 아마존의 도서 추천 시스템 등이 있다. 기존의 선행 연구는 협업적 여과, 내용 기반 추천, 혼합 방식의 3가지 방식으로 크게 분류할 수 있다. 하지만 기존의 추천 시스템은 희소성(sparsity), 콜드스타트(cold start), 확장성(scalability) 문제 등의 단점들이 있다. 이러한 단점들을 개선하고 보다 정확도가 높은 추천 시스템을 개발하기 위해 실제 온라인 기업의 상품구매 데이터를 이용해 factorization machine으로 추천시스템을 설계했다.