• Proceedings of the Korean Operations and Management Science Society Conference
• /
• 2003.05a
• /
• pp.843-848
• /
• 2003

의사결정에 관련된 지식을 선별하고 이를 효과적으로 활용하기 위하여 많은 기업들이 지식관리시스템을 도입하여 활용하고 있다. 방대한 지식에서 사용자에게 적합한 지식을 제공하는 지식추천 기능은 지식관리시스템의 주요한 기능 중의 하나이다. 대부분의 시스템들이 사용자에게 직접 관심분야를 입력받고 이 정보를 바탕으로 지식추천을 하고 있으나, 사용자가 과거 지식관리시스템을 활용하면서 보인 관심표명 행동들을 활용한 지능적인 지식 주전 방안에 대한 연구는 미진한 편이다. 본 연구에서는 지식 카테고리 또는 문서 키워드를 활용하여 지식을 추천하는 방안과 사용자의 관심분야를 표현하는 프로파일 생성을 위한 다양한 방안을 설계하고 각 방안들의 지식추천 성과를 비교하였다.

• Proceedings of the Korean Society of Precision Engineering Conference
• /
• 2004.05a
• /
• pp.211-211
• /
• 2004

최근 인터넷 비즈니스의 증가로 고객 수요를 정확하게 예측하여 적절한 상품을 추천하는 추천 시스템의 개발 및 사용이 활발해지고 있다. 현재의 추천 시스템은 주로 내용 기반 추천(Content based Filtering)과 협력적 추천(Collaborative Filtering)을 사용하고 있으나 이러한 추천 시스템으로는 추천의 이유나 배경의 설명이 곤란하며, 시시각각 변하는 사용자의 의도를 파악하고 적절하게 응답하기에는 부족한 면이 있다.(중략)

• Proceedings of the Korean Information Science Society Conference
• /
• 2005.11b
• /
• pp.664-666
• /
• 2005

이 논문에서는 기존의 지식관리시스템과 P2P방식을 접목한 P2P 지식관리시스템을 제안하고 제안된 시스템의 구조와 효율적으로 지식을 검색하기 위한 지능형 에이전트 대하여 기술하였다. 에이전트의 종류는 지식추출과 추천 에이전트가 있으며, 지식추출 에이전트는 대량의 데이터에서 지식을 추출하고, 개인 맞춤형 지식 추천 에이전트는 추출된 지식에서 사용자가 관심 있는 분야의 지식을 추천해 주는 것이다. 제안된 시스템의 구조와 에이전트 기법은 회사나 단체에 속한 사용자들이 방대한 데이터, 정보 또는 사용자들의 전문성과 경험으로 축적된 지식을 빠르고 쉽게 검색하게 해주어 양질의 지식을 사용자들이 추천 받아 사용하도록 함으로써 전체 구성원의 지식도를 높이며, 이러한 지식들을 재활용하여 더욱 많은 지식과 부가 가치를 창출하도록 지원하여 준다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2022.05a
• /
• pp.356-358
• /
• 2022

추천 시스템에서 사용되는 피드백은 단일 클래스와 다중 클래스 피드백으로 구분할 수 있다. 추천 시스템을 위한 지식 증류 기법들은 단일 클래스 환경에서 주로 연구되어 왔다. 우리는 다중 클래스 환경에서 또한 추천 시스템을 위한 최신 지식 증류 기법들이 효과적인지에 대해 알아보고자 하며, 해당 방법들 간의 추천 정확도를 비교해보고자 한다. 추천 시스템에서 보편적으로 사용되는 데이터 셋들을 기반으로 한 실험들을 통해 추천 시스템을 위한 지식 증류 기법들은 같은 조건의 기본적인 추천 시스템에 비해 정확도가 최대 193%까지 개선되는 것을 확인했다.

• Smart Media Journal
• /
• v.12 no.4
• /
• pp.27-40
• /
• 2023

Many researchers have investigated ways to enhance recommender systems by integrating heterogeneous data to address the data sparsity problem. However, only a few studies have successfully integrated heterogeneous data using knowledge graph. Additionally, most of the knowledge graphs built in these studies only incorporate explicit relationships between entities and lack additional information. Therefore, we propose a method for expanding knowledge graphs by using deep learning to model latent relationships between heterogeneous data from multiple knowledge bases. Our extended knowledge graph enhances the quality of entity features and ultimately increases the accuracy of predicted user preferences. Experiments using real music data demonstrate that the expanded knowledge graph leads to an increase in recommendation accuracy when compared to the original knowledge graph.

• Smart Media Journal
• /
• v.12 no.9
• /
• pp.89-94
• /
• 2023

Recommender systems provide users with the most favorable items by analyzing explicit or implicit feedback of users on items. Recently, as the size of deep-learning-based models employed in recommender systems has increased, many studies have focused on reducing inference time while maintaining high recommendation accuracy. As one of them, a study on recommender systems with a knowledge distillation (KD) technique is actively conducted. By KD, a small-sized model (i.e., student) is trained through knowledge extracted from a large-sized model (i.e., teacher), and then the trained student is used as a recommendation model. Existing studies on KD for recommender systems have been mainly performed only for implicit feedback settings. Thus, in this paper, we try to investigate the performance and accuracy when applied to explicit feedback settings. To this end, we leveraged a total of five state-of-the-art KD methods and three real-world datasets for recommender systems.

• The Journal of the Korea Contents Association
• /
• v.10 no.8
• /
• pp.26-31
• /
• 2010

This research does focus on realization of customizing recommendation service that all of formal, or informal learning is accomplished at real time according to worker's current situation or business context corresponding with the individual ability and the learning progress at industry or education field. For this, we designed the customizing intelligent recommendation system based on compound knowledge that workers can listen to coaching advices at real time and to retrieve and recommend multidimensional relation easily. Also, we constructed the repository based on compound knowledge and process engine for efficient management of compound knowledge. In specific industry, expert solution or coaching service will be created using the knowledge which is accumulated in long-term.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2016.04a
• /
• pp.408-411
• /
• 2016

애플리케이션에서 고객들에 의해 생성된 평가정보는 해당 콘텐츠에 대한 고객별 선호도 정보로 볼 수 있기 때문에, 개인에게 맞춤형 추천 시스템을 설계하기 위해서 매우 중요하다. 현재 추천 시스템 분야에서 가장 많이 사용되고 있는 사용자 기반 추천 시스템은 사용자의 평점 정보만을 가지고 유사도를 측정하여 추천에 사용하고 있다. 그러나 이러한 평점 정보만을 가지고 사용자 유사도를 도출하는 것은 정밀하지 못할 수 있다. 따라서 본 연구에서는 사용자의 평점 정보 뿐만 아니라 콘텐츠의 내용을 활용하여 사용자의 선호 콘텐츠를 지식구조의 형태로 나타냄으로써 콘텐츠와 사용자의 관계를 유기적으로 표현하였다. 이와 같은 사용자의 지식구조를 바탕으로 사용자간의 유사도를 평가하고 추천에 활용하였고, 실험결과 제시된 방법으로 더 우수한 성능을 얻을 수 있는 것으로 나타났다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2012.06b
• /
• pp.315-317
• /
• 2012

지식iN 등의 지식검색 서비스는 잘못된 답변으로 인한 낮은 신뢰성과 다수의 중복 답변 등의 문제점을 가진다. 질의문 '세상에서 가장 큰 나라'에 대해서 관련된 모든 질문과 답변을 제시하지 않고 질의문과 관련된 다수의 답변을 분석하여 답변 '러시아'를 추천하여 제시할 수 있다면 지식검색의 효용성과 신뢰성이 크게 향상될 수 있다. 본 논문에서는 질문-답변의 유형을 단어, 글, 도표, 목록의 네가지로 분류하고, 그 중 단어 유형에 대한 답변 추천 방법을 제시한다. 질의문에 대해 검색된 질문을 군집화하고, 질문에 대한 답변들에 대해서 TF, IDF, 어휘간 거리 정보를 다양하게 결합하여 어휘의 점수를 계산한다. 각 군집에서 가장 높은 점수를 가지는 어휘를 해당 군집에서 가장 중요한 어휘로 보고 추천 정답으로 제시한다. 단어 유형인 질문 100개에 대한 네이버 지식iN에 대한 시스템 평가에서 추천된 상위 1위에 대해서는 68%의 정답률을, 상위 5위까지에 대해서는 89%의 정답률을 보였다.

• Proceedings of the Korea Inteligent Information System Society Conference
• /
• 2004.11a
• /
• pp.349-357
• /
• 2004

최근 메일이 커뮤니케이션의 중요한 수단 중 하나로 자리잡고 있으나 과다한 정보 전달 및 원하는 않는 정보의 전달 등으로 인해 사용자가 메일을 확인하고 정리하기 위해 많은 시간과 노력을 투자하고 있다. 본 연구에서는 사용자가 적은 시간과 노력으로 메일을 활용하고, 보다 편리하게 사용할 수 있는 폴더 추천 방법론 개발을 목표로 하고 있다. 이러한 목표를 위해 TF-IDF를 기반으로 하는 다양한 방법론이 개발되고 활용되어 왔으나, 메일이라는 영역의 특성상 단어의 수나 내용에 한계가 있는 경우 안정적인 추천이 이루어지지 못할 수 있었다. 따라서 본 연구에서는 기존의 TF-IDF 방법에 사용자의 지식을 부여한 새로운 방법을 제시함으로써 단어의 수나 내용에 한계가 있는 경우에도 안정적인 추천이 이루어질 수 있도록 하였다. 또한 실제 데이터를 활용하여 기존의 방법과 본 연구에서 제시한 방법론을 비교 실험해 봄으로써, 본 연구에서 제시하고 있는 방법론의 성능을 입증하고자 하였다.