한국통신학회논문지 (The Journal of Korean Institute of Communications and Information Sciences)

  • 제41권7호
  • /
  • Pages.768-774
  • /
  • 2016
  • /
  • 1226-4717(pISSN)
  • /
  • 2287-3880(eISSN)
한국통신학회 (The Korean Institute of Commucations and Information Sciences)
권호 표지
DOI QR코드

DOI QR Code

협업 필터링과 빈발 패턴을 이용한 개인화된 그룹 추천

Personalized Group Recommendation Using Collaborative Filtering and Frequent Pattern

  • 투고 : 2016.06.29
  • 심사 : 2016.07.06
  • 발행 : 2016.07.31
PDF 다운로드
⟨ 이전 논문 다음 논문 ⟩

초록

본 논문에서는 개인화 서비스를 제공하기 위해 책, 음악, 영화 등과 같이 단일 항목을 추천하는 기존 방법의 한계를 극복하고, 패션, 요리 등과 같이 연관성에 따른 항목의 조합, 즉 그룹을 추천하는 방법을 다룬다. 협업 필터링은 사용자 간의 유사도를 측정하여 비슷한 성향의 사용자들이 선택한 항목을 추천하는 방법이며, 사용자의 성향을 예측할 수 있다는 장점이 있다. 본 논문에서는 이러한 협업 필터링과 연관 규칙을 바탕으로 빈발 항목 집합을 생성하고, 그룹 간의 유사도에 따라 그룹을 추천하는 알고리즘을 제안한다. 제안하는 방법의 타당성을 검증하기 위하여 의류 전자상거래에서 4개월 동안 소비자가 구매한 목록 데이터로 실험을 수행하였다.

This paper deals with a method to recommend the combination of items as a group according to similarity to handle application area such as fashion and cooking, while the previous methods recommend single item such as a book, music or movie. Collaborative filtering is a method to recommend an item selected by users with similar tendency based on similarity between users. In this paper, the proposed method generates a set of frequent items based on collaborative filtering and association rules and recommends a group by similarity between groups. To show the validity of the proposed method, experiments are performed with purchase data collected from e-commerce for four months.

키워드

참고문헌

  1. M. D. Ekstrand, J. T. Riedl, and J. A. Konstan, "Collaborative filtering recommender systems," Foundations and Trends in Human-Computer Interaction, vol. 4, no. 2, pp. 81-173, 2010.
  2. J. Moon, I. Jang, Y. C. Choe, J. G. Kim, and G. Bock, "Case study of big data-based agri-food recommendation system according to types of customers," J. KICS, vol. 40, no. 5, pp. 903-913, 2015. https://doi.org/10.7840/kics.2015.40.5.903
  3. D.-J. Seo and T.-S. Kim, "Influence of personal information security vulnerabilities and perceived usefulness on bank customers' willingness to stay," J. KICS, vol. 40, no. 8, pp. 1577-1587, 2015. https://doi.org/10.7840/kics.2015.40.8.1577
  4. T.-N. Phan and M. Yoo, "Facebook fan page evaluation system based on user opinion mining," J. KICS, vol. 40, no. 12, pp. 2488- 2490, 2015. https://doi.org/10.7840/kics.2015.40.12.2488
  5. P. Harrington, Machine Learning in Action, Manning, 2012.
  6. D. Goldberg, D. Nichols, B. M. Oki, and D. Terry, "Using collaborative filtering to weave an information tapestry," Commun. ACM, vol. 35, no. 12, pp. 61-70, Dec. 1992.
  7. Y. Koren, R. Bell, and C. Volinsky, "Matrix factorization techniques for recommender systems," IEEE Computer, pp. 42-49, Aug. 2009.
  8. B. Sarwar, G. Karypis, J. Konstan, and J. Riedl, "Item-based collaborative filtering recommendation algorithms," in Proc. 10th Int. Conf. World Wide Web, pp. 285-295, 2001.
  9. X. Su and T. M. Khoshgoftaar, "A survey of collaborative filtering techniques," Advances in Artificial Intelligence, vol. 2009, no. 4, pp. 1-19, Jan. 2009.
  10. P. Cremonesi, R. Turrin, E. Lentini, and M. Matteucci, "An evaluation methodology for collaborative recommender systems," in Proc. International Conf. Automated solutions for Cross Media Content and Multi-channel Distribution, pp. 224-231, 2008.
  11. R. Agrawal and R. Srikant, "Fast algorithms for mining association rules," in Proc. 20th Int. Conf. Very Large Data Bases, pp. 487-499, 1994.

피인용 문헌

  1. 공간 태그된 트윗을 사용한 밀도 기반 관심지점 경계선 추정 vol.42, pp.2, 2016, https://doi.org/10.7840/kics.2017.42.2.453
  2. 효율적인 빅 데이터 마이닝을 위한 iSSD 기반 협업 처리 방안 vol.42, pp.2, 2016, https://doi.org/10.7840/kics.2017.42.2.460
  3. 협업필터링을 활용한 보험사 웹 사이트 내의 콘텐츠 추천 시스템 제안 vol.17, pp.11, 2016, https://doi.org/10.14400/jdc.2019.17.11.201
  4. 사용자 영화취향을 반영한 크로스미디어 플랫폼 도서 추천 시스템 vol.7, pp.1, 2016, https://doi.org/10.17703/jcct.2021.7.1.582