• 한국컴퓨터정보학회논문지
• /
• 제15권8호
• /
• pp.51-58
• /
• 2010

프로그래밍 교육은 학습자 개개인의 특성에 맞는 수준별 단계별 학습이 필요하다. 추천시스템은 개인화서비스를 위해 사용되는 방법의 하나로, 본 연구에서는 추천시스템을 사용하여 웹기반 프로그래밍 교육 환경에서 학습자 개개인에 적합한 학습을 추천할 수 있는 방법을 제공한다. 제안하는 수준별 프로그래밍 학습을 위한 추천시스템은 학습주제별 학습수준 기반 학습자 프로파일과 학습주제사이의 연관성 프로파일을 이용한 협업 필터링을 사용하여 특정 학습자의 학습수준과 학습범위에 적절한 프로그래밍 문제를 제공하도록 한다. 그 결과 프로그래밍 언어 교육과정에서 발생하는 수준별 단계별 학습에 맞는 프로그래밍 문제 제공의 어려움을 해결하여, 학습자의 프로그래밍 능력 향상의 결과를 얻을 수 있었다. 더 나아가 기존 협업필터링 방법을 사용하는 경우와 비교해 볼 때 추천 성능향상 및 분석 시간 감소를 통해 추천시스템의 한계점 중의 하나인 확장성을 해결할 수 있는 방법을 제시한다.

• 한국컴퓨터정보학회논문지
• /
• 제13권2호
• /
• pp.41-50
• /
• 2008

모바일 환경하에의 RFM 기법을 이용한 개인화 된 추천 시스템을 제안한다. 사용자의 평가 자료에 의존하지 않고 사용자에게 번거로운 질의 응답 과정이 없이 묵시적인(Implicity) 방법을 이용하여 고객정보와 구매이력정보를 기반으로 RFM 기법을 이용하여 고객 세분화와 아이템 세분화 통해서 대상 사용자에게 구매 가능성이 높은 아이템을 추천한다. 또한 기존의 추천시스템의 문제점의 해결 방안으로 신규 고객이나 신규 아이템 추천을 고려하여 적용한다. 추천 아이템과 사용자가 구매한 아이템 이력 데이터를 비교하여 추천된 아이템이 중복 추천을 제거하였고 현업에서 사용하는 데이터 셋을 구성하여 실험을 통해서 효용성과 타당성을 입증 및 평가하여 개인화된 일대일 웹 마케팅을 실현하였다.

• 지능정보연구
• /
• 제10권3호
• /
• pp.133-146
• /
• 2004

네트워크 기술의 발달로 인하여 사용자가 접하게 되는 정보의 종류와 양이 급속하게 증가되고 있으며, 이로 인해 사용자는 자신이 필요로 하는 정보를 찾아내어 관리하는데 많은 시간과 노력을 소비하고 있다. 이에 본 연구에서는 대표적인 추천기법 중에 하나인 내용기반 추천(Content-based Recommendation)과 사용자 지식에 의해 정의된 키워드 유사성(Keyword Affinity)을 이용하여 사용자가 보다 적은 비용으로 자신의 정보를 효율적으로 관리할 수 있도록 지원하는 방법론을 제시한다. 즉, 사용자의 선호도가 자주 변하거나 새로운 내용이 지속적으로 생성되는 환경에서는 추천의 성능이 떨어지고, 사용자의 선호도가 충분히 축적되기까지 정확한 추천이 어려운 내용기반 추천의 한계점을 사용자 지식에 의해 정의된 키워드 유사성을 응용하여 해결한다. 본 연구는 수시로 새로운 정보가 생성되고 삭제되는 개인 이메일 환경을 그 대상으로 하며, 사용자의 효율적인 이메일 관리를 위한 폴더 추천을 지원한다. 또한 실험을 통해 기존에 연구되었던 폴더 추천 방법론과 성능을 비교함으로써 본 연구에서 제시하는 방법론을 검증하였다.

• 한국산업정보학회논문지
• /
• 제24권6호
• /
• pp.11-24
• /
• 2019

웹에서 정보 구매자들의 성향은 가성비에서 가심비 형태로 변해가는 추세이다. 멀티미디어 콘텐츠 추천에도 그러한 흐름이 있는데, 바로 폭소노미 (Folksonomy) 기반의 분위기를 이용한 추천 방법이다. 하지만 이런 방법의 경우 동의어를 고려하지 못한다는 문제점이 존재한다. 이 문제를 해결하기 위해 일부 연구에서는 Thayer모델의 12 분위기를 AV(Arousal and Valence)값으로 정의하여 그 문제점을 해결하였지만, 추천 성능이 재현 수준 0.1에서 키워드 기반 검색 방법보다 떨어지는 문제점을 보였다. 본 논문에서는 재현 수준 0.1에서도 키워드 기반 검색 방법과 동일한 추천 성능을 유지하면서 동의어 문제를 해결할 수 있도록 멀티미디어 콘텐츠의 분위기 벡터를 이용하는 방법을 제안하였다. 또한, 추천 성능 분석을 위해 기존 AV값 기반 방법과 키워드 기반 방법과 비교 분석하였다. 추천 성능 분석결과, 본 논문에서 제안한 방법이 전체적으로 기존 방법들 보다 우수한 추천 성능을 보였다.

• KSII Transactions on Internet and Information Systems (TIIS)
• /
• 제12권5호
• /
• pp.2082-2102
• /
• 2018

In recent years, social network related applications such as WeChat, Facebook, Twitter and so on, have attracted hundreds of millions of people to share their experience, plan or organize, and attend social events with friends. In these operations, plenty of valuable information is accumulated, which makes an innovative approach to explore users' preference and overcome challenges in traditional recommender systems. Based on the study of the existing social network recommendation methods, we find there is an abundant information that can be incorporated into probability matrix factorization (PMF) model to handle challenges such as data sparsity in many recommender systems. Therefore, the research put forward a unified social network recommendation framework that combine tags, trust between users, ratings with PMF. The uniformed method is based on three existing recommendation models (SoRecUser, SoRecItem and SoRec), and the complexity analysis indicates that our approach has good effectiveness and can be applied to large-scale datasets. Furthermore, experimental results on publicly available Last.fm dataset show that our method outperforms the existing state-of-art social network recommendation approaches, measured by MAE and MRSE in different data sparse conditions.

• 전자공학회논문지 IE
• /
• 제43권1호
• /
• pp.67-72
• /
• 2006

무선 기술의 빠른 발달과 이동통신 사용자의 급증으로 모바일 커머스에서 각 소비자들에게 컨텍스트에 맞게 효과적으로 정보를 권유하는 서비스의 필요성이 점차 부각되고 있다. 본 논문에서는 컨텍스트 인식환경에서 모바일 커머스 서비스를 위한 차별화된 프로액티브 권유 기법을 제안한다. 제안한 기법에서는 컨텍스트에 따라 한번에 모든 정보를 권유하지 않고 레벨별로 차별화하여 프로액티브하게 권유하고, 소비자의 패턴과 프리패칭 기법을 사용함으로써 효율적인 권유 서비스가 가능하다. 이를 위해 제안된 기법을 설명하고 이를 모바일 커머스 어플리케이션 프로토타입에 적용해본다. 또한, 실험을 통해 기존 기법보다 제안된 기법이 우수함을 보인다.

• 인터넷정보학회논문지
• /
• 제15권5호
• /
• pp.73-82
• /
• 2014

최근 SNS가 이슈가 되고 다양한 분야에서 이를 이용한 연구가 활발하게 진행되고 있다. 특히 SNS 상에서 생성되는 여러 소셜 데이터를 기반으로 사용자의 관심사를 찾아내고 추천해 주는 시스템에 대한 연구가 대두되고 있다. 사용자의 관심과 선호도는 단순히 사용자가 작성한 글에서만 나타나는 것이 아니라, 친구와의 관계와 작성한 내용기반으로 분류되는 카테고리를 이용하여 파악될 수 있다. 본 논문에서는 사용자의 사회적 관계와 사용자가 작성한 소셜 데이터의 카테고리를 이용하여 사용자의 선호도를 자동으로 추출하고, 이를 기반으로 추천하는 방법을 제안한다. 그리고 실험을 통해 제안한 기법의 유효성을 검증한다.

• 방송공학회논문지
• /
• 제24권6호
• /
• pp.1013-1023
• /
• 2019

수많은 채널과 VoD 콘텐츠, 웹 콘텐츠들이 존재하는 콘텐츠 소비 환경에서의 추천은 이제 선택이 아닌 필수가 되었다. 현재 OTT서비스나 IPTV서비스에서도 많은 사람들이 선호하는 콘텐츠를 추천하거나 사용자가 시청한 콘텐츠와 유사한 콘텐츠들을 추천하는 등, 다양한 종류의 추천 서비스들이 제공되고 있다. 하지만 TV, IPTV와 같이 대체로 한 가구당 하나의 가입정보와 하나의 TV, 셋탑박스를 공유하는 TV를 통한 콘텐츠 시청환경의 경우, 하나의 가입정보에 1명 이상의 사용 이력이 쌓여 특정 사용자에 대한 추천을 제공하기에 어려움이 존재한다. 본 논문에서는 이러한 문제를 해결하기 위해 가족의 개념을 {사용자, 시간}으로 해석하여, 기존의 {사용자, 콘텐츠}로 정의하는 추천 관계를 {사용자, 시간, 콘텐츠}으로 확장하고 이를 딥러닝 기반으로 해결하는 방법을 제안한다. 제안한 방법을 통해 추천 성능을 정성적 정량적으로 평가하였으며, 기존의 시간대를 고려하지 않은 방법과 비교하여 추천 정확도가 향상됨을 확인할 수 있었다.

• 한국정보통신학회논문지
• /
• 제24권8호
• /
• pp.970-977
• /
• 2020

협업 필터링 추천 기법은 전자상거래 기업들이 추천시스템을 도입한 이래로 가장 널리 사용되고 있다. 그러나 온라인에서 상품이나 콘텐츠의 구매가 일상화되면서 단순히 구매 고객의 평점만을 사용하는 추천 방식으로는 추천의 정확성이 낮아지는 문제점이 발생하였다. 본 논문에서는 추천의 정확성을 향상시키기 위해, 상품 리뷰를 분석하고 이를 가중치로 사용한 협업 필터링 추천 기법을 제안한다. 제안하는 기법은 상품에 대한 리뷰를 텍스트 마이닝 기법으로 정제하여 특징을 추출하고 감성 기반 분석을 통해 감성 점수를 산출한다. 사용자에게 더 나은 아이템을 추천하기 위해 산출된 점수를 아이템 예측 값 계산 시 가중치로 사용한다. 실험을 통해 전통적인 협업 필터링 기법보다 제안하는 기법의 정확성이 향상되는 것을 확인할 수 있었다.

• 한국IT서비스학회지
• /
• 제6권2호
• /
• pp.113-123
• /
• 2007

In ubiquitous computing environment such as ubiquitous marketplace (u-market), there is a need of providing context-based personalization service while considering the nomadic user preference and corresponding requirements. To do so, the recommendation systems should deal with the tremendous amount of context data. Hence, the purpose of this paper is to propose a novel recommendation method which provides the products-group list of the customers in u-market based on the shopping intention and preferences. We have developed FREPIRS(FREquent Purchased Item-sets Recommendation Service), which makes recommendation listof product-group, not individual product. Collaborative filtering and apriori algorithm are adopted in FREPIRS to build product-group.