• KSII Transactions on Internet and Information Systems (TIIS)
• /
• 제13권9호
• /
• pp.4684-4705
• /
• 2019

Collaborative filtering recommender systems are vulnerable to shilling attacks in which malicious users may inject biased profiles to promote or demote a particular item being recommended. To tackle this problem, many robust collaborative recommendation methods have been presented. Unfortunately, the robustness of most methods is improved at the expense of prediction accuracy. In this paper, we construct a robust Bayesian probabilistic matrix factorization model for collaborative filtering recommender systems by incorporating the detection of user anomaly rating behaviors. We first detect the anomaly rating behaviors of users by the modified K-means algorithm and target item identification method to generate an indicator matrix of attack users. Then we incorporate the indicator matrix of attack users to construct a robust Bayesian probabilistic matrix factorization model and based on which a robust collaborative recommendation algorithm is devised. The experimental results on the MovieLens and Netflix datasets show that our model can significantly improve the robustness and recommendation accuracy compared with three baseline methods.

• 정보처리학회논문지B
• /
• 제19B권1호
• /
• pp.31-36
• /
• 2012

최근 사용자의 흥미에 맞는 아이템이나 서비스를 추천해 주는 추천 시스템에 대한 관심이 높아지고 있다. 최근 종료된 Netflix 경연대회(Netflix Prize)가 이 분야에 대한 연구자들의 연구 의욕을 고취시켰고, 특히 협력적 여과(Collaborative Filtering) 방법은 아이템의 종류에 상관없이 적용 가능한 범용성 때문에 활발히 연구되고 있다. 본 논문은 강화 학습을 이용해서 추천 시스템의 협력적 여과 문제를 푸는 방법을 제안한다. 강화 학습을 통해, 영화 평점 데이터에서 각 사용자가 평점을 매긴 순서에 따른 평점 간의 연관 관계를 학습하고자 하였다. 이를 위해 협력적 여과문제를 마르코프 결정 과정(Markov Decision Process)로 수학적으로 모델링하였고, 강화 학습의 가장 대표적인 알고리즘인 Q-learning을 사용해서 평가의 순서의 연관 관계를 학습하였다. 그리고 실제로 평가의 순서가 평가에 미치는 영향이 있음을 실험을 통해서 검증하였다.

• 한국정보과학회논문지:컴퓨팅의 실제 및 레터
• /
• 제9권5호
• /
• pp.521-529
• /
• 2003

본 논문에서는 추천시스템에서 많이 활용되는 협업 여과 방법의 문제점으로 지적되고 있는 희소성(sparsity)으로 인한 유사도의 부정확한 문제를 개선하기 위하여, 인구 통계 정보를 이용한 기법을 제안하였다. 두 사용자간의 유사도는 같은 항목에 동시에 평가된 점수를 기반으로 결정되며, 두 사용자가 동시에 평가하지 않은 항목은 유사도 계산에서 제외된다. 제안된 기법은 이러한 평가 점수 부족으로 인하여 유사도 계산이 정확치 못한 단점을 보완하기 위하여, 인구 통계 정보를 이용한 가상 평가 점수를 부가하여 유사도 계산을 개선, 예측의 정확도를 향상시킨 방식으로 기존의 피어슨 상관관계를 이용한 협업여과 방식의 확장이다. 실험은 Grouplens의 영화 평가 자료를 활용하였고, 평균절대오차(MAE)와 반응자 작용특성(ROC)값을 이용하여 제안 기법과 피어슨 상관관계를 이용한 협업 여과 방식을 비교하였다. 제안한 기법이 피어슨 상관관계를 이용한 협업 여과 추천 방식에 비하여 평균절대오차는 9%, 반응자 작용 특성의 민감도는 13% 향상되었음을 확인하였다.

• 정보처리학회논문지B
• /
• 제16B권1호
• /
• pp.55-62
• /
• 2009

협업여과는 추천시스템에서 널리 사용되는 기법으로 다른 사용자의 평가를 기반으로 아이템을 추천하는 기법이다. 사용자 데이터베이스를 이용하는 메모리기반 협업여과에는 사용자기반 기법과 아이템기반 기법이 있다. 사용자기반 협업여과는 유사한 선호도를 가지는 이웃사용자들의 선호도를 바탕으로 특정 아이템에 대한 선호도를 예측하는 반면, 아이템기반 협업여과는 아이템들의 유사도를 바탕으로 특정 사용자의 선호도를 예측한다. 본 논문에서는 추천의 성능을 향상시키기 위하여 이웃사용자와 이웃아이템 크기의 비율을 가중치로 하여 사용자기반 예측값과 아이템기반 예측값을 결합함으로써 최종 예측값을 생성하는 결합예측기법을 제안한다. MovieLens 데이터 셋과 BookCrossing 데이터 셋을 이용한 실험을 통해 본 논문에서 제안한 결합예측기법이 영화와 책에 대하여 사용자기반과 아이템기반보다 예측의 정확성을 향상시킴을 보인다.

• 한국정보과학회논문지:데이타베이스
• /
• 제34권5호
• /
• pp.389-395
• /
• 2007

협업 필터링은 정보 과잉 문제를 해결하기 위한 정보 필터링의 주요 기법이며, 전자 상거래 분야에서 추천 시스템과 같은 응용 프로그램에서 널리 사용된다. 협업 필터링 시스템은 사용자들의 대상 항목에 대한 평가를 수집한 후 취향이 서로 비슷한 사용자들의 의견을 바탕으로 아직 평가되지 않은 항목에 대해 예측을 수행한다. 시스템의 예측 성능은 사용자들에 의해 공통적으로 평가된 항목들의 개수에 좌우된다. 그러므로 대상 항목들이 수시로 추가되거나 제거되는 동적 컬렉션의 경우 협업 필터링 알고리즘을 그대로 적용하기 어렵다. 본 논문에서는 동적 컬렉션에 대한 협업 필터링 적용 방법을 제시한다. 제안한 방법에서는 SVD 기법을 이용하여 항목들의 취향 공간을 생성한 후 과거 항목들과 새로운 항목들 간의 연관성을 구하기 위해 핵심 항목들의 클러스터를 구성한다. 이를 평가하기 위해서 사용자 평가 데이타베이스를 시간에 의해 두 부분으로 나누고, 동적으로 추가되는 상황을 시뮬레이션해석 시스템의 예측 성능을 분석했다. 이를 통해 본 방법이 동적 컬렉션에 효과적으로 적용됨을 보인다.

• 정보처리학회논문지:컴퓨터 및 통신 시스템
• /
• 제12권1호
• /
• pp.25-40
• /
• 2023

추천 시스템은 지능적인 자동 결정을 생성하기 위해 사용자가 자주 사용한다. 영화 추천 시스템의 연구에서, 기존 접근 방식은 협업 및 콘텐츠 기반 필터링 기술을 사용한다. 협업 필터링은 사용자 유사성을 고려하는 반면, 콘텐츠 기반 필터링은 단일 사용자의 활동에 중점을 두고 있다. 또한 협업 필터링과 콘텐츠 기반 필터링을 결합한 혼합 필터링 접근법은 서로의 한계를 보완하기 위해 사용되고 있다. 최근엔 더 나은 추천 서비스를 제공하기 위해 사용자 간의 유사성을 찾는데 몇 가지 AI 기반 유사성 기법을 사용하고 있다. 본 논문은 기존의 다양한 영화 추천 시스템과 문제점 분석을 통해 가능한 해결책을 도출하여 유용한 확장 방안을 제공하는 것을 목표로 한다.

• 디지털융복합연구
• /
• 제12권8호
• /
• pp.329-335
• /
• 2014

협력 필터링은 상업적 추천 시스템에서 널리 사용되어 왔는데, 고객의 사회적 행태를 구현하여 사용자의 흥미에 부합하는 항목들을 제안하기 때문이다. 현재까지 적절한 항목을 추천하기 위한 가장 보편적인 방법은 유사한 사용자들을 찾아 그들의 평가치를 참조하는 방법이다. 본 논문은 영화를 추천하기 위해서 장르 흥미도를 기반으로 하는 새로운 유사도 공식을 제안하는데, 이는 기존 공식에서 사용자들의 평가등급 차이를 기반으로 하는 것과 대비된다. 광범위한 실험 결과에 따르면, 제안한 공식은 정확도와 추천의 질에 있어서 전통적인 유사도 공식의 성능을 크게 향상시키는 것으로 확인되었다.

• 감성과학
• /
• 제9권spc3호
• /
• pp.179-185
• /
• 2006

본 연구는 다른 분야에서 성공적으로 활용되고 있는 다양한 추천 기법들을 비교하는 사례 연구를 통해 더욱 효과적인 디자인 개인화 서비스 개발의 기회를 모색하고자 하였다. 우선, 문헌연구를 통하여 '컨텐츠 기반 기법', '협력적 필터링 기법', 그리고 '인구통계적 필터링 기법'과 같은 대표적인 추천 기법들의 특징과 장단점을 고찰하였다. 다음으로 이러한 기법들이 디자인과 같은 컨텐츠를 대상으로 적용되었을 때 예상되는 추천 정확성을 분석하기 위해 실험을 실시하였다. 그 결과, 인구통계적 필터링 기법은 나머지 기법에 비해서 비교적 낮은 정확성을 보였으며 컨텐츠 기반 기법이 가장 좋은 높은 추천 정확성을 나타내었다. 아울러 협력적 필터링 기법은 참여자들의 수가 증가할수록 좀 더 높은 추천 정확성을 나타냄을 알 수 있었다. 결론적으로 디자인 추천 서비스는 컨텐츠 기반 기법이나 협력적 필터링 기법의 적용을 통해 그 추천 정확성을 향상시킬 수 있으며 대상 사용자의 수가 일정 수준 이상으로 증가된다면 협력적 필터링 기법이 가장 우수한 효율을 나타낼 가능성이 높음을 제시하였다.

• 한국전자거래학회지
• /
• 제14권4호
• /
• pp.47-57
• /
• 2009

협업에 의한 태그 작성 시스템은 소셜 네트워크에서 다양한 공유 콘텐츠에 사용자가 태그를 부착할 수 있도록 허용하는데, 이러한 태그들은 본인뿐만 아니라 모든 커뮤니티 사용자들이 콘텐츠를 이용하는데 유용함을 준다. 협업 태그 기반의 추천에서는 사용자와 항목, 그리고 태그로 이루어진 3차원 데이터를 이용하는데, 이 데이터는 일반적으로 사용자와 항목으로 이루어진 2차원 데이터에 비하여 더 방대한 반면, 희소성(Sparsity)이 더 높다. 따라서 기존의 협업 필터링 기법을 바로 적용하는데 어려움이 많다. 잠재 요인 모델(Latent Factor Model)은 관찰된 값을 설명하는 잠재된 특징(요인)들을 밝히고, 이를 이용해서 문제를 해결하기 위한 모델로서 최근 협업 필터링에서도 성공적으로 적용되고 있으나, 모델을 학습하거나 개선하는 단계에서는 많은 시간과 노력이 필요하다는 단점이 있다. 이러한 잠재 요인 모델을 3차원 협업 태그 데이터에 적용하기 위해서는, 계산이 복잡한 협업 필터링 모델 수립의 어려움을 극복해야 한다. 이 논문에서는 사용자가 항목에 대해 사용한 태그들을 사용자 및 항목에 대한 잠재요인으로 간주하여 직관적인 모델을 수립하고, 사용자의 아이템에 대한 선호도를 결정하는 여러 가지 방법들을 제안하고, 실제 협업 태그 데이터를 이용하여 이들을 비교 평가한다.

• 지능정보연구
• /
• 제8권2호
• /
• pp.91-103
• /
• 2002

기존의 인터넷 웹사이트에서는 사용자의 만족을 극대화시키기 위하여 사용자별로 개인화 된 서비스를 제공하는 협력적 필터링 방식을 적용하고 있다. 협력적 여과 기술은 비슷한 선호도를 가지는 사용자들과의 상관관계를 기반으로 취향에 맞는 아이템을 예측하여 특정 사용자에게 추천하여준다. 그러나 협력적 필터링은 추천을 받기 위해서 특정 수 이상의 아이템에 대한 평가를 요구하며, 또한 전체 사용자에 대해 단지 비슷한 선호도를 가지는 일부 사용자 정보에 의지하여 추천함으로써 나머지 사용자 정보를 무시하는 경향이 있다. 그러나 나머지 사용자 정보에도 추천을 위한 유용한 정보가 숨겨져 있다. 우리는 이러한 숨겨진 유용한 추천 정보를 발견하기 위하여 본 논문에서는 협력적 여과 방식과 함께 데이터 마이닝(Data Mining)에서 사용되는 연관 규칙(Association Rule)을 추천에 사용한다. 연관 규칙은 한 항목 그룹과 다른 항목 그룹 사이에 존재하는 연관성을 규칙(Rule)의 형태로 표현한 것이다. 이와 같이 생성된 연관 규칙은 개인 구매도 분석, 상품의 교차 매매(Cross-Marketing), 카탈로그 디자인, 염가 매출품(Loss Leader)분석, 상품 진열, 구매 성향에 따른 고객 분류 다양하게 사용되고 있다. 그러나 이런 연관 규칙은 추천 시스템에서 잘 응용되지 못하고 있는 실정이다. 본 논문에서 우리는 연관 규칙을 추천 시스템에 적용해, 항목그룹 사이에 연관성을 유도함으로써 추천에 효율적으로 사용할 수 있음을 보였다 즉 전체 사용자의 히스토리(History) 정보를 기반으로 아이템 사이의 연관 규칙을 유도하고 협력적 여과 방식과 함께 보조적으로 연관 규칙을 추천을 위해 사용함으로써 추천 시스템에 효율성을 높였다.