• 한국멀티미디어학회논문지
• /
• 제24권12호
• /
• pp.1673-1681
• /
• 2021

Item cold start is a well studied problem in the research field of recommender systems. Still, many existing collaborative filters cannot recommend items accurately when only a few user-item interaction data are available for newly introduced items (Cold items). We propose a interaction feature prediction method to mitigate item cold start problem. The proposed method predicts the interaction features that collaborative filters can calculate for the cold items. For prediction, in addition to content features of the cold-items used by state-of-the-art methods, our method exploits the interaction features of k-nearest content neighbors of the cold-items. An attention network is adopted to extract appropriate information from the interaction features of the neighbors by examining the contents feature similarity between the cold-item and its neighbors. Our evaluation on a real dataset CiteULike shows that the proposed method outperforms state-of-the-art methods 0.027 in Recall@20 metric and 0.023 in NDCG@20 metric.

• Industrial Engineering and Management Systems
• /
• 제13권4호
• /
• pp.421-431
• /
• 2014

The market basket data in the form of a binary user-item matrix or a binary item-user matrix can be modelled as a binary classification problem. The binary logistic regression approach tackles the binary classification problem, where principal components are predictor variables. If users or items are sparse in the training data, the binary classification problem can be considered as a cold-start problem. The binary logistic regression approach may not function appropriately if the principal components are inefficient for the cold-start problem. Assuming that the market basket data can also be considered as a special regression problem whose response is either 0 or 1, we propose three supervised learning approaches: random forest regression, random forest classification, and elastic net to tackle the cold-start problem, comparing the performance in a variety of experimental settings. The experimental results show that the proposed supervised learning approaches outperform the conventional approaches.

• KSII Transactions on Internet and Information Systems (TIIS)
• /
• 제10권7호
• /
• pp.3192-3212
• /
• 2016

With the advent and popularity of e-commerce, an increasing number of consumers prefer to order tourism products online. A recommender system can help these users contend with information overload; however, such a system is affected by the cold start problem. Online tourism destination searching is a more difficult task than others on account of its more restrictive factors. In this paper, we therefore propose a tourism destination recommender system that employs opinion-mining technology to refine user preferences and item opinion reputations. These elements are then fused into a hybrid collaborative filtering method by combining user- and item-based collaborative filtering approaches. Meanwhile, we embed an artificial interactive module in our recommender system to alleviate the cold start problem. Compared with several well-known cold start recommendation approaches, our method provides improved recommendation accuracy and quality. A series of experimental evaluations using a publicly available dataset demonstrate that the proposed recommender system outperforms existing recommender systems in addressing the cold start problem.

• 한국멀티미디어학회논문지
• /
• 제25권8호
• /
• pp.1242-1250
• /
• 2022

When recommending cold items that do not have user-item interactions to users, even we adopt state-of-the-arts algorithms, the predicted information of cold items tends to have lower accuracy compared to warm items which have enough user-item interactions. The lack of information makes for recommender systems to recommend monotonic items which have a few top popular contents matched to user preferences. As a result, under-diversified items have a negative impact on not only recommendation diversity but also on recommendation accuracy when recommending cold items. To address the problem, we adopt a diversification algorithm which tries to make distributions of accumulated contents embedding of the two items groups, recommended items and the items in the target user's already interacted items, similar. Evaluation on a real world data set CiteULike shows that the proposed method improves not only the diversity but also the accuracy of cold item recommendation.

• 디지털산업정보학회논문지
• /
• 제15권3호
• /
• pp.69-78
• /
• 2019

The amount of data is increasing significantly as information and communication technology advances, mobile, cloud computing, the Internet of Things and social network services become commonplace. As the data grows exponentially, there is a growing demand for services that recommend the information that users want from large amounts of data. Collaborative filtering method is commonly used in information recommendation methods. One of the problems with collaborative filtering-based recommendation method is the cold start problem. In this paper, we propose a method to improve the cold start problem. That is, it solves the cold start problem by mapping the item evaluation data that does not exist to the initial user to the automatically generated data from the mobile app. We describe the main contents of the proposed method and explain the proposed method through the book recommendation scenario. We show the superiority of the proposed method through comparison with existing methods.

• 한국정보통신학회논문지
• /
• 제19권1호
• /
• pp.113-118
• /
• 2015

추천 시스템은 증가되고 있는 정보에서 사용자가 요구하는 적합한 정보를 선별해 제공해준다. 추천 시스템은 기존에 입력된 정보들을 알고리즘을 통해 선별하는 과정을 거치고 사용자의 정보나 내용 기반으로 정보를 제공한다. 추천 시스템의 문제점으로는 Cold-Start가 있으며, Cold-Start는 새로운 사용자의 정보가 충분하지 않아서 추천 시스템에서 새로운 사용자에게 정보를 추천할 때 발생한다. Cold-Start를 해결하기 위해선 사용자의 정보나 항목 정보가 충족해야 한다. 이에 본 논문에서는 협업 필터링 기법과 내용 기반의 필터링 기법을 혼합한 혼합 필터링 기법 기반으로 Cold-Start 문제를 해결하고 이를 사용하는 영화 추천 시스템을 제안한다.

• Journal of Information Technology Applications and Management
• /
• 제29권6호
• /
• pp.81-93
• /
• 2022

As deep learning technology in natural language and visual processing has rapidly developed, collaborative filtering-based recommendation systems using deep learning technology are being actively introduced in the recommendation field. In this study, OCF-GAN, a hybrid collaborative filtering model using GAN, was proposed to solve the one-class and cold-start problems, and its usefulness was verified through performance evaluation. OCF-GAN based on conditional GAN consists of a generator that generates a pattern similar to the actual user preference pattern and a discriminator that tries to distinguish the actual preference pattern from the generated preference pattern. When the training is completed, user preference vectors are generated based on the actual distribution of preferred items. In addition, the cold-start problem was solved by using a hybrid collaborative filtering recommendation method that additionally utilizes user and item profiles. As a result of the performance evaluation, it was found that the performance of the OCF-GAN with additional information was superior in all indicators of the Top 5 and Top 20 recommendations compared to the existing GAN-based recommender. This phenomenon was more clearly revealed in experiments with cold-start users and items.

• 지능정보연구
• /
• 제29권3호
• /
• pp.145-165
• /
• 2023

추천 시스템은 인터넷의 발달로 급격하게 증가하는 정보의 양으로 인해 생긴 정보 선택의 어려움을 소비자에게 덜어주고 각 개인의 취향에 맞는 정보를 효율적으로 보여주는 중요한 역할을 한다. 특히, E-commerce와 OTT 기업은 상품과 콘텐츠 양이 급격하게 증가하면서 추천 시스템의 도움 없이는 인기 있는 상품만 소비되는 현상을 극복하지 못한다. 이러한 현상을 극복하고 고객 개인 취향에 맞는 정보 혹은 콘텐츠를 제공해 고객의 소비를 유도하기 위해 추천 시스템의 연구가 활발히 진행되고 있다. 일반적으로 유저(user)의 과거 행동 이력을 활용한 협업 필터링이 유저가 선호한 콘텐츠의 정보를 활용하는 콘텐츠 기반 필터링에 비해 높은 성능을 보여준다. 하지만 협업 필터링은 과거 행동 데이터가 부족한 유저에 대해서는 추천의 성능이 낮아지는 콜드 스타트(Cold Start) 문제를 겪게 된다. 본 논문에서는 카카오 아레나 경진대회에서 주어진 음악 스트리밍 서비스 멜론의 플레이리스트 데이터를 기반으로 앞에서 언급한 콜드 스타트 문제를 해결할 수 있는 하이브리드 음악 추천 시스템을 제시했다. 본 연구에서는 플레이리스트에 수록된 곡 목록과 각 음악과 플레이리스트의 메타데이터를 활용해 절반 혹은 전부 가려진 플레이리스트의 다른 수록 곡을 예측하는 것을 목표로 하였다. 이를 위해 플레이리스트 안에 곡이 있는 경우와 아예 곡이 없는 경우를 나눠서 추천을 진행하였다. 플레이리스트 안에 곡이 있는 경우에는 해당 플레이리스트의 곡 목록과 각 곡의 메타데이터를 활용하기 위해 LightFM을 활용하였다. 그 다음에 Item2Vec을 활용해 플레이리스트에 있는 수록 곡과 태그 및 제목의 임베딩 벡터를 생성하고 이를 추천에 활용하였다. 최종적으로 LightFM과 Item2Vec 모델의 앙상블을 통해 최종 추천 결과를 생성하였다. 플레이리스트 안에 곡이 없고 태그 혹은 제목만이 존재할 경우에는 플레이리스트의 메타데이터인 태그와 제목을 FastText를 활용해 사전 학습을 시켜 생성된 플레이리스트 벡터를 기반으로 플레이리스트 간의 유사도를 활용하여 추천을 진행하였다. 이렇게 추천한 결과, 기존 Matrix Factorization(MF)에서 해결하지 못한 콜드 스타트 문제를 해결할 수 있었을 뿐만 아니라 곡과 플레이리스트의 메타데이터를 활용해 기존 MF 모델인 ALS와 BPR 그리고 Word2Vec 기반으로 추천해 주는 Item2Vec 기술보다 높은 추천 성능을 낼 수 있었다. 또한, LightFM을 토대로 다양한 곡의 메타데이터를 실험한 결과, 여러 메타데이터 중에서 아티스트 정보를 단독으로 활용한 LightFM 모델이 다른 메타데이터를 활용한 LightFM 모델들과 비교해 가장 높은 성능을 보여준다는 것을 확인할 수 있었다.

• KSII Transactions on Internet and Information Systems (TIIS)
• /
• 제15권7호
• /
• pp.2399-2413
• /
• 2021

A recommendation system is an information filter tool, which uses the ratings and reviews of users to generate a personalized recommendation service for users. However, the cold-start problem of users and items is still a major research hotspot on service recommendations. To address this challenge, this paper proposes a high-efficient hybrid recommendation system based on Fuzzy C-Means (FCM) clustering and supervised learning models. The proposed recommendation method includes two aspects: on the one hand, FCM clustering technique has been applied to the item-based collaborative filtering framework to solve the cold start problem; on the other hand, the content information is integrated into the collaborative filtering. The algorithm constructs the user and item membership degree feature vector, and adopts the data representation form of the scoring matrix to the supervised learning algorithm, as well as by combining the subjective membership degree feature vector and the objective membership degree feature vector in a linear combination, the prediction accuracy is significantly improved on the public datasets with different sparsity. The efficiency of the proposed system is illustrated by conducting several experiments on MovieLens dataset.

• 한국정보과학회논문지:소프트웨어및응용
• /
• 제31권12호
• /
• pp.1672-1683
• /
• 2004

추천 시스템은 일상의 정보를 필터링 해주는 웹 지능화 기술 중의 하나이다. 현재까지 협력기반 (사회기반) 추천 시스템, 내용기반 추천시스템과 이들의 장점을 혼합한 추천시스템들이 개발되어 왔다. 본 논문에서는 클러스터링 기법을 항목기반 협력필터링 틀에 적용한 일명 ICHM이라 불리는 새로운 형태의 혼합 추천 시스템을 소개한다. 이 방법은 항목의 내용 정보를 협력필터링 틀 안에 통합시킴으로써 평가 데이타의 희박성을 줄일 수 있을 뿐만 아니라 새로운 항목 추천 시 발생하는 문제점을 해결할 수 있다. ICHM 방법의 특성 및 성능을 평가하기 위하여 MovieLense 데이타를 이용한 다양한 실험을 하였다. 실험 결과, ICHM 방법이 항목기반 협력 필터링의 예측 질을 향상시킬 뿐만 아니라 새로운 항목 추천 시에도 아주 유용함을 확인할 수 있었다.