• 한국정보통신학회논문지
• /
• 제20권8호
• /
• pp.1407-1414
• /
• 2016

본 연구에서는 사용자의 감성 정보를 이용한 협업 필터링 기반 장소 추천 시스템을 개발하였다. 기존의 장소 추천 시스템은 장소에 대한 사용자들의 평점이나 방문패턴, 사용자들의 위치를 통해 장소를 추천하였다. 이러한 시스템들은 객관적이지 못 한 정보를 갖고 있거나 사용자의 상태를 고려하지 않아 만족도가 높지 않다. 사용자의 감성 정보를 이용하면 비슷한 감성을 느낀 사용자들이 방문하였던 선호도 높은 장소를 객관적으로 추천하여 장소에 대한 만족도를 높일 수 있다. 본 연구에서는 사용자가 직접 모바일 애플리케이션을 이용하여 현재 위치와 생체신호를 이용하여 인식한 감성 정보를 등록하고, 등록된 감성 정보를 이용하여 비슷한 감성을 가진 사용자들의 유사도를 측정하고 장소에 대한 선호도를 예측하여 사용자에게 감성 장소를 추천한다.

• 한국인터넷방송통신학회논문지
• /
• 제12권3호
• /
• pp.75-81
• /
• 2012

인터넷이 발달하고 접할 수 있는 데이터가 폭증하면서 데이터들에서 사용자는 자신의 기호에 맞는 정보를 찾기가 점점 힘들어 진다. 추천 시스템은 사용자의 기호에 맞는 정보들을 추출하는데 큰 도움을 줄 수 있다. 본 연구는 강화 학습 알고리즘을 기반으로 한 하이브리드 추천 시스템을 사용하여 사용자의 선호도 예측에 대한 정확도를 향상 시켰다. 본 연구는 2000장의 이미지로 테스트를 진행하였다. 테스트 할 때 평균 절대 오차를 구하여 분석한 결과 제안하는 시스템이 협업적 필터링, 내용 기반 필터링, 단순 하이브리드 필터링의 성능보다 더 우수한 것으로 나타났다.

• 인터넷정보학회논문지
• /
• 제11권6호
• /
• pp.1-11
• /
• 2010

특정 기능을 중심으로 연구 개발되었던 LBS는 GPS 기능이 탑재된 스마트폰의 급속한 보급에 의해 개인을 위한 솔루션으로 점차 변모하고 있다. 이에 본 논문에서는 협업 필터링 기술에 기반한 추천 시스템을 개인용 LBS에 적용하여 위치기반 콘텐츠 제공 시스템의 개인화 방안을 제안하고자 한다. 제안하는 개인화 LBS 시스템은 사용자의 현재 위치를 중심으로 사용자가 설정한 반경 거리 안에 공유된 위치기반 콘텐츠의 선호도를 예측하여 사용자가 관심을 보일 것이라 예상되는 콘텐츠를 추천한다. 제안하는 시스템의 성능을 평가하기 위해 실지 구현한 프로토타입을 바탕으로 다양한 조건에서 선호도 예측 정확도를 관찰한 결과, 협업 필터링 기술과 LBS의 융합이 LBS의 개인화를 위한 측면에서 유효함을 확인할 수 있었다.

• 컴퓨터교육학회논문지
• /
• 제14권4호
• /
• pp.63-70
• /
• 2011

인터넷 상에서 사용자 흥미에 부합하는 항목을 예측하여 추천해 주는 추천 시스템은 e-commerce가 발달함에 따라 다양한 분야에서 적용되어 왔다. 추천 시스템의 주요 방법인 협력 필터링은 사용자가 선호했던 항목들과 유사한 항목을 추천하거나 또는 유사한 기호의 다른 사용자가 선호했던 항목을 추천하는 것이다. 따라서 유사도의 정확한 측정과 추천한 항목의 실제 평가등급 예측은 협력 필터링의 성능을 결정하는 두가지 중요한 문제이다. 본 연구에서는 후자의 문제를 다룬다. 기존 연구에서는 평가 등급의 평균값을 기반으로 하여 실제 평가등급을 예측하였으나, 본 연구에서는 평가 등급 범위 기반의 방법을 제시하고 실험을 통해 성능을 조사하였다. 실험 결과 기존 방법에 비해 제안 방법은 평균 절대 오차에 있어서 성능이 크게 향상됨을 입증하였다.

• 감성과학
• /
• 제9권spc3호
• /
• pp.179-185
• /
• 2006

본 연구는 다른 분야에서 성공적으로 활용되고 있는 다양한 추천 기법들을 비교하는 사례 연구를 통해 더욱 효과적인 디자인 개인화 서비스 개발의 기회를 모색하고자 하였다. 우선, 문헌연구를 통하여 '컨텐츠 기반 기법', '협력적 필터링 기법', 그리고 '인구통계적 필터링 기법'과 같은 대표적인 추천 기법들의 특징과 장단점을 고찰하였다. 다음으로 이러한 기법들이 디자인과 같은 컨텐츠를 대상으로 적용되었을 때 예상되는 추천 정확성을 분석하기 위해 실험을 실시하였다. 그 결과, 인구통계적 필터링 기법은 나머지 기법에 비해서 비교적 낮은 정확성을 보였으며 컨텐츠 기반 기법이 가장 좋은 높은 추천 정확성을 나타내었다. 아울러 협력적 필터링 기법은 참여자들의 수가 증가할수록 좀 더 높은 추천 정확성을 나타냄을 알 수 있었다. 결론적으로 디자인 추천 서비스는 컨텐츠 기반 기법이나 협력적 필터링 기법의 적용을 통해 그 추천 정확성을 향상시킬 수 있으며 대상 사용자의 수가 일정 수준 이상으로 증가된다면 협력적 필터링 기법이 가장 우수한 효율을 나타낼 가능성이 높음을 제시하였다.

• 한국컴퓨터정보학회논문지
• /
• 제19권5호
• /
• pp.61-69
• /
• 2014

협업 필터링 추천은 사용자의 아이템에 대한 선호도를 기반으로 유사 아이템 집합 또는 유사 사용자 집합을 생성하고 이를 이용해 사용자의 특정 아이템에 대한 선호도를 예측한다. 따라서 선호도 행렬이 희박할 경우, 추천의 신뢰도는 급격히 낮아진다. 본 논문에서는 위 문제를 해결하기 위해 데이터 신뢰도 기반 가중치를 이용한 하이브리드 선호도 예측 기법을 제안한다. 선호도 예측은 유사 아이템 집합과 유사 사용자 집합을 모두 생성하고 각 집합을 통해 사용자의 선호도를 예측하며, 모델의 상황을 반영한 가중치를 이용해 각 예측치를 병합하여 수행된다. 이 기법은 사용자 선호도 예측 정확도를 높이며 선호도 행렬 희박도가 높은 상황에도 추천 서비스의 신뢰도를 유지할 수 있도록 한다. 이 기법을 바탕으로 추천 시스템을 구현하고 절대평균오차를 기준으로 서비스 신뢰도 향상을 측정하였다. 실험에서 본 기법은 Hao Ji가 제안한 기존의 기법에 비해 선호도 행렬 희박도가 84% 이상인 상황에서 평균 21.7%의 성능 향상을 보여 효과적으로 행렬 희박도 문제를 해소할 수 있음을 검증하였다.

• 한국경영과학회:학술대회논문집
• /
• 대한산업공학회/한국경영과학회 2004년도 춘계공동학술대회 논문집
• /
• pp.702-705
• /
• 2004

Collaborative filtering (CF) is originally based on the ratings of customers who vote on the items they used. When customers' votes are not available, user-item binary data set which represents choice and non-choice can also be used in this analysis. In this case the similarities between active user and the other users must be modified. Therefore we compare eight types of binary similarities by applying them in the modified CF Algorithm. Some experimental results will be reported.

• Management Science and Financial Engineering
• /
• 제11권3호
• /
• pp.137-153
• /
• 2005

Collaborative filtering-based recommendation systems make personalized recommendations based on users' ratings on products. Recommender systems must collect sufficient rating information from users to provide relevant recommendations because less user rating information results in poorer performance of recommender systems. To learn about new users, recommendation systems must first present users with an initial item list. In this study, we designed and analyzed seven selection strategies including the popularity, favorite, clustering, genre, and entropy methods. We investigated how these strategies performed using MovieLens, a public dataset. While the favorite and popularity methods tended to produce the highest average score and greatest average number of ratings, respectively, a hybrid of both favorite and popularity methods or a hybrid of demographic, favorite, and popularity methods also performed within acceptable ranges for both rating scores and numbers of ratings.

• 한국멀티미디어학회논문지
• /
• 제19권11호
• /
• pp.1878-1890
• /
• 2016

Web 2.0 has features produced the content through the user of the participation and share. The content production activities have became active since social network service appear. The social bookmark, one of social network service, is service that lets users to store useful content and share bookmarked contents between personal users. Unlike Internet search engines such as Google and Naver, the content stored on social bookmark is searched based on tag keyword information and unnecessary information can be excluded. Social bookmark can make users access to selected content. However, quick access to content that users want is difficult job because of the user of the participation and share. Our paper suggests a method recommending search word to be able to access quickly to content. A method is suggested by using Collaborative Filtering and Jaccard similarity coefficient. The performance of suggested system is verified with experiments that compare by 'Delicious' and "Feeltering' with our system.

• 한국지능시스템학회논문지
• /
• 제20권2호
• /
• pp.189-194
• /
• 2010

사용자들의 추천 서비스를 위해 다른 사용자들의 평가값을 이용하여 특정 사용자에게 서비스를 추천해 주는 추천 시스템은 협력적 필터링 방법을 널리 사용되고 있다. 하지만 이러한 추천시스템은 클러스터링 과정에서 이미 분류된 그룹에 특정 사용자가 분류되어 정확히 분류되지 못하고, 사용자들의 평가값 오차가 클 경우 정확하지 못한 결과를 추천할 수 있다. 본 논문에서는 예측 정확도를 높이기 위하여 특정 사용자의 분류 항목을 기준으로 재분류하고, 시간적으로 임계치를 넘어 선 사용자의 평가값을 찾아내어 보정한 후 협력적 필터링에 적용한 추천 시스템을 제안하였다. 본 시스템에서는 클러스터링 과정에서 이미 분류된 그룹에 특정 사용자를 분류하는 것이 아니라, 특정 사용자를 기준으로 그룹을 재편성하는 방법을 사용하였다. 또한 평가 정보를 표본 절사평균에서 하위 10%를 절사하여 평가 정보들을 보정하고, 나머지 자료들은 시간에 따른 가중치를 적용하였다. 실험 결과 제안한 방법은 일반적인 협력적 필터링보다 MAE를 사용할 경우 예측 정확도가 14.9% 정도 우수함을 보였다.