• 한국인터넷방송통신학회논문지
• /
• 제21권1호
• /
• pp.87-92
• /
• 2021

빅데이터 기반의 추천시스템 모델링에서 바이어스, 분산, 오류 및 학습은 성능에 중요한 요소이다. 이러한 시스템에서는 추천 모델이 설명도를 유지하면서 복잡도를 줄여야 한다. 또한 데이터의 희소성과 시스템의 예측은 서로 반비례의 속성을 가지기 마련이다. 따라서 희소성의 데이터를 인수분해 방법을 활용하여 상품간의 유사성을 학습을 통한 상품추천모델이 제안되어 왔다. 본 논문에서는 이 모델의 손실함수에 대한 최적화 방안으로 max-norm 규제를 적용하여 모델의 일반화 능력을 향상시키고자 한다. 해결방안은 기울기를 투영하는 확률적 투영 기울기 강하법을 적용하는 것이다. 많은 실험을 통하여 데이터가 희박해질수록 기존의 방법에 비해 제안된 규제 방법이 상대적으로 효과가 있다는 것을 확인하였다.

• 한국정보통신학회논문지
• /
• 제23권11호
• /
• pp.1321-1329
• /
• 2019

소셜 정보망의 발달로 마케팅의 방법도 다양하게 변화되고 있다. 기존의 유명인, 경제적 지원 기반의 성공적인 마케팅방법론과 달리, 최근 인플루언서 기반 유튜브 마케팅이 큰 대세를 이루고 있다. 본 논문 에서는 처음으로 유튜브 양적 정보 및 댓글분석 기반 다각도 질적 분석을 활용하여 54개 이상의 유튜브 채널에서 인플루언서 특징을 추출하고 대표적인 주제들을 모델링하여 개인 맞춤형 영상 만족도 극대화는 물론 기업체가 새로운 아이템을 마케팅 할 때 기존의 인플루언서 특징을 참고하여 새로운 아이템의 영상을 제작하고 배포함으로써 성공적인 홍보 효과를 누릴 수 있도록 보조 수단 제공을 목적으로 한다. 유튜브 채널 별 다양한 영상의 모든 댓글을 각 문서로 가정하고 TF-IDF 및 LDA알고리즘을 적용하여 성능 극대화 향상을 보였다.

• 한국컴퓨터정보학회논문지
• /
• 제27권3호
• /
• pp.201-207
• /
• 2022

본 논문에서는 영화 추천 시 평점뿐 아니라 사용자 리뷰도 함께 사용하는 영화 추천 모형을 제안한다. 제안 모형은 고객의 선호도를 다기준 관점에서 이해하기 위해, 사용자 리뷰에 속성기반 감성분석을 적용하도록 설계되었다. 이를 위해, 제안 모형은 고객이 남긴 리뷰를 다기준 속성별로 나누어 암시적 속성을 파악하고, BERT를 통해 이를 감성 분석함으로써 각 사용자가 중요시 생각하는 속성을 선별적으로 협업필터링에 결합하여 추천 결과를 생성한다. 본 연구에서는 유용성을 검증하기 위해 제안모형을 실제 영화 추천 사례에 적용해 보았다. 실험결과 전통적인 협업필터링 보다 제안 모형의 추천 정확도가 향상되는 것을 확인할 수 있었다. 본 연구는 개인의 특성을 고려하여 모형을 선별하여 사용하는 새로운 접근법을 제시하였고, 속성 각각에 대한 평가 없이 리뷰로부터 여러 속성을 파악할 수 있는 방법을 제시했다는 측면에서 학술적, 실무적 의의가 있다.

• 한국컴퓨터정보학회논문지
• /
• 제27권7호
• /
• pp.93-100
• /
• 2022

인터넷 상의 정보 과부하 시대에 필수 불가결한 기능인 추천 시스템은 사용자가 선호할 만한 상품을 추천하는 서비스로서 여러 상업용 사이트에서 성공적으로 제공되고 있다. 최근 대표적인 추천 기법인 협력 필터링의 성능 개선을 위하여 항목 평가 시간을 반영하려는 연구가 활발하다. 이 연구들의 핵심 아이디어는 과거에 평가한 항목일수록 기하급수적으로 낮은 가중치를 두어 추천 결과를 산출하는 것이다. 그러나 이는 항목의 특성에 따른 사용자들의 선호도 변화를 고려하지 않고 모든 항목들에 대하여 일률적인 시간 함수를 적용한다는 단점을 가진다. 본 연구는 시간에 따른 항목 간의 유사도값 변화를 가중합으로 통합하는 새로운 유사도 척도를 개발함으로써 기존과 전혀 다른 관점의 시간 인지 협력 필터링 기법을 제안한다. 실험 결과, 제안 방법의 예측 성능과 추천 성능은 기존의 대표적 시간 인지 방법과 전통적 방법들에 비해 월등하게 우수하였다.

• 한국컴퓨터정보학회논문지
• /
• 제28권1호
• /
• pp.9-16
• /
• 2023

IoT 환경은 다양한 사물들이 상호 유기적으로 동작하며 이를 바탕으로 여러 서비스를 구성할 수 있다. 앞선 연구에서 우리는 자원 협업을 이용해 사용자의 개인용 단말에 부족한 자원들을 대체하여 서비스하기 위한 자원 협업 시스템을 개발했다. 그러나 앞선 시스템은 자원과 상황의 수가 증가하면 자원 추론 시간이 기하급수적으로 증가한다. 이러한 문제를 해결하기 위하여 본 연구는 BIG5 사용자 유형 분류 방법을 적용하여 사용자와 자원을 분류한다. 또한, 본 논문은 BIG5 유형 기반의 전처리를 통해 사용자가 선호하는 자원들을 필터링하고, 필터된 자원들을 추천 시스템의 입력으로 사용하여 추론 시간을 줄이는 방법을 제안한다. 논문은 제안한 방법을 프로토타입 시스템으로 구현하고 성능 평가와 사용자들의 만족도 평가를 통해 제안한 방법의 유효성을 보인다.

• 한국컴퓨터정보학회논문지
• /
• 제27권9호
• /
• pp.149-155
• /
• 2022

인터넷 상의 전자 상거래 시스템의 인기는 나날이 높아지고 있는데, 추천 시스템은 이러한 시스템들의 핵심 기능으로서, 고객들이 선호할만한 상품을 추천함으로써 원하는 상품을 검색하기 위한 노력을 크게 경감시킨다. 협력 필터링 기법은 많은 상업용 시스템에서 성공적으로 구현되어온 추천 알고리즘이지만 메모리 기반의 구현 방식은 학계에서의 인기와 유용함에도 불구하고 참조 인접 이웃의 부정확성이 존재한다. 본 연구에서는 이러한 문제점을 해결하고자 사용자와 항목 각각의 인접 이웃을 통합하여 활용하고, 이들과의 과거 유사성 보다 최근의 유사성을 더욱 가중하여 추천 리스트 결정에 반영하는 새로운 시간 인지 협력 필터링 기법을 제안한다. 실험 평가를 통하여, 기존의 여러 방법들보다 제안 방법이 예측 정확도 측면에서 월등한 성능을 보임을 확인하였다.

• KSII Transactions on Internet and Information Systems (TIIS)
• /
• 제16권12호
• /
• pp.3798-3814
• /
• 2022

Social recommendation algorithm can alleviate data sparsity and cold start problems in recommendation system by integrated social information. Among them, matrix-based decomposition algorithms are the most widely used and studied. Such algorithms use dot product operations to calculate the similarity between users and items, which ignores user's potential preferences, reduces algorithms' recommendation accuracy. This deficiency can be avoided by a metric learning-based social recommendation algorithm, which learns the distance between user embedding vectors and item embedding vectors instead of vector dot-product operations. However, previous works provide no theoretical explanation for its plausibility. Moreover, most works focus on the indirect impact of social friends on user's preferences, ignoring the direct impact on user's rating preferences, which is the influence of user rating preferences. To solve these problems, this study proposes a user bias drift social recommendation algorithm based on metric learning (BDML). The main work of this paper is as follows: (1) the process of introducing metric learning in the social recommendation scenario is introduced in the form of equations, and explained the reason why metric learning can replace the click operation; (2) a new user bias is constructed to simultaneously model the impact of social relationships on user's ratings preferences and user's preferences; Experimental results on two datasets show that the BDML algorithm proposed in this study has better recommendation accuracy compared with other comparison algorithms, and will be able to guarantee the recommendation effect in a more sparse dataset.

• 한국컴퓨터정보학회논문지
• /
• 제28권5호
• /
• pp.75-82
• /
• 2023

협력 필터링 시스템에서 추천 리스트의 고객 만족도를 위하여 시스템이 산출하는 항목 평가 예측치는 매우 중요하다. 시간 인지 기반 시스템에서는 사용자들의 평가 시간을 반영하여 예측치를 산출하는데, 대개 과거 평가치일수록 기하급수적으로 낮은 가중치를 부여하였다. 본 연구에서는 평가치에 대한 평가 시간의 영향력이 다양한 요인에 따라 달라지는지 알아 보기 위하여, 사용자의 평가 적극성 정도, 항목의 인기도, 그리고 항목 장르별로 사용자 평가치와 평가 시간의 상관도를 조사하였다. 두 종류의 공개 데이터셋을 활용한 분석 결과, 특히 희소 데이터셋에서 각 요인에 따라 현저히 다른 상관지수 값을 얻었다. 따라서 평가 예측치에 대한 평가 시간의 영향력의 크기는 평가 데이터 밀집도 뿐만 아니라 상기한 여러 가지 요소를 고려하여 다르게 책정되어야 한다는 사실을 확인하였다.

• KSII Transactions on Internet and Information Systems (TIIS)
• /
• 제17권7호
• /
• pp.1773-1793
• /
• 2023

Automated machine learning, often referred to as "AutoML," is the process of automating the time-consuming and iterative procedures that are associated with the building of machine learning models. There have been significant contributions in this area across a number of different stages of accomplishing a data-mining task, including model selection, hyper-parameter optimization, and preprocessing method selection. Among them, preprocessing method selection is a relatively new and fast growing research area. The current work is focused on the recommendation of preprocessing methods, i.e., feature subset selection (FSS) algorithms. One limitation in the existing studies regarding FSS algorithm recommendation is the use of a single learner for meta-modeling, which restricts its capabilities in the metamodeling. Moreover, the meta-modeling in the existing studies is typically based on a single group of data characterization measures (DCMs). Nonetheless, there are a number of complementary DCM groups, and their combination will allow them to leverage their diversity, resulting in improved meta-modeling. This study aims to address these limitations by proposing an architecture for preprocess method selection that uses ensemble learning for meta-modeling, namely AutoFE-Sel. To evaluate the proposed method, we performed an extensive experimental evaluation involving 8 FSS algorithms, 3 groups of DCMs, and 125 datasets. Results show that the proposed method achieves better performance compared to three baseline methods. The proposed architecture can also be easily extended to other preprocessing method selections, e.g., noise-filter selection and imbalance handling method selection.

• 한국컴퓨터정보학회논문지
• /
• 제28권10호
• /
• pp.163-170
• /
• 2023

추천 시스템의 구현 방식들 중 하나인 사용자 기반의 협력 필터링 기법은 유사한 평가 이력을 가진 이웃 사용자들의 산출을 기반으로 하여, 이들의 선호 항목들을 추천한다. 그러나 공통된 평가 이력이 적을 경우에 추천의 질이 현저히 저하되는 데이터 희소성 문제를 근본적으로 갖고 있다. 이러한 문제의 해결을 위하여 많은 기존 연구에서 자카드 계수를 유사도 척도와 접목하는 다양한 방법들을 제안해 왔다. 본 연구에서는 자카드 계수에 시간 인지 개념을 도입하여 공통 항목의 평가 시간에 따라 다른 비중으로 가중합하는 방안을 제시한다. 다양한 성능 척도와 시간 주기를 활용하여 실험을 수행한 결과, 제안 방법이 대부분의 척도에서 원래의 자카드 계수에 비해 가장 우수한 성능을 보였으며, 최적의 시간 주기는 성능 척도의 종류에 따라 다름을 확인하였다.