• 한국조사연구학회지:조사연구
• /
• 제9권2호
• /
• pp.29-49
• /
• 2008

설문조사에서 어떤 주제와 관련된 여러 항목들을 제시하고 응답자들의 가치 기준에 따라 응답하게 한 후, 그 응답들을 종합하여 항목들 간의 순위를 결정할 목적으로 설문을 제시하는 경우가 많이 있다. 이 경우 가장 일반적으로 사용하는 것이 순위척도(ranking scales)와 평정 척도(rating scales)이다. 순위척도 중에서도 주어진 항목들 중 가장 중요한 것을 하나 이상 선택하게 하는 축소순위척도(reduced ranking scales)가 많이 사용된다. 그러나 실제로 항목간의 순위를 결정하는 과정에서 순위응답을 고려하는 경우는 극히 드물다. 본 연구는 순위절차(ranking procedures)에 의한 설문응답에서, 순위응답을 고려하여 항목순위를 결정하는 방법들을 고찰하였다. 또 몇 가지 사례를 통해 그 방법들을 비교 분석하였으며, 이 과정에서 순위척도를 조건부평정척도로 간주하였다. 축소순위척도에 의한 항목순위결정의 경우, 1순위와 2순위 그리고 3순위에 각각 2와 1 그리고 0의 값을 부여함으로써 1순위의 응답비율을 희석하지 않으면서 2순위 응답비율을 적절히 수용하여 보다 합리적인 항목순위를 결정할 수 있음을 확인할 수 있었다.

• 지능정보연구
• /
• 제27권3호
• /
• pp.157-173
• /
• 2021

소비자의 욕구와 관심에 맞추어 개인화된 제품을 추천하는 추천 시스템은 비즈니스에 필수적인 기술로서의 그 중요성이 증가하고 있다. 추천 시스템의 대표적인 모형 중 협업 필터링은 우수한 성능으로 다양한 분야에서 활용되고 있다. 그러나 협업필터링은 사용자-아이템의 선호도 정보가 충분하지 않을 경우 성능이 저하되는 희소성의 문제가 있다. 또한 실제 평점 데이터의 경우 대부분 높은 점수에 데이터가 편향되어 있어 심한 불균형을 갖는다. 불균형 데이터에 협업 필터링을 적용할 경우 편향된 클래스에 과도하게 학습되어 추천 성능이 저하된다. 이러한 문제를 해결하기 위해 많은 선행연구들이 진행되어 왔지만 추가적인 외부 데이터 또는 기존의 전통적인 오버샘플링 기법에 의존한 추천을 시도하였기에 유용성이 떨어지고 추천 성능 측면에서 한계점이 있었다. 본 연구에서는 CGAN을 기반으로 협업 필터링 구현 시 발생하는 희소성 문제를 해결함과 동시에 실제 데이터에서 발생하는 데이터 불균형을 완화하여 추천의 성능을 높이는 것을 목표로 한다. CGAN을 이용하여 비어있는 사용자-아이템 매트릭스에 실제와 흡사한 가상의 데이터를 생성하여, 희소성을 가지고 있는 기존의 매트릭스로만 학습한 것과 비교했을 때 높은 정확도가 예상된다. 이 과정에서 Condition vector y를 이용하여 소수 클래스에 대한 분포를 파악하고 그 특징을 반영하여 데이터를 생성하였다. 이후 협업 필터링을 적용하고, 하이퍼파라미터 튜닝을 통해 추천 시스템의 성능을 최대화하는데 기여하였다. 비교 대상으로는 전통적인 오버샘플링 기법인 SMOTE, BorderlineSMOTE, SVM-SMOTE, ADASYN와 GAN을 사용하였다. 결과적으로 데이터 희소성을 가지고 있는 기존의 실제 데이터뿐만 아니라 기존 오버샘플링 기법들보다 제안 모형의 추천 성능이 우수함을 확인하였으며, RMSE, MAE 평가 척도에서 가장 높은 예측 정확도를 나타낸다는 사실을 증명하였다.