통합 평가치 예측 방안의 협력 필터링 성능 개선 효과
협력 필터링 기반의 추천 시스템은 사용자들의 평가 이력을 바탕으로 하여 현 사용자가 선호할 만한 상품들을 추천해 주며 현재 다양한 상업용 목적의 필수불가결한 기능이다. 추천 상품을 결정하기 위하여, 유사한 평가 이력을 기반 으로 미평가 상품들에 대한 선호 예측치를 산출하는데, 기존 연구에서 대개 두 가지 방법, 즉, 유사 사용자 기반 또는 유사 항목 기반 방법을 각기 개별적으로 활용해 왔다. 이들 방법들은 사용자들의 평가 데이터가 희소할 경우 또는 유사 사용자나 유사 항목을 구하기 어려울 경우에 산출한 예측치의 정확성이 저하되는 문...
Saved in:
| Published in | The journal of the institute of internet, broadcasting and communication : JIIBC Vol. 21; no. 5; pp. 221 - 226 |
|---|---|
| Main Author | |
| Format | Journal Article |
| Language | Korean |
| Published |
한국인터넷방송통신학회
31.10.2021
|
| Subjects | |
| Online Access | Get full text |
| ISSN | 2289-0238 2289-0246 |
| DOI | 10.7236/JIIBC.2021.21.5.221 |
Cover
| Abstract | 협력 필터링 기반의 추천 시스템은 사용자들의 평가 이력을 바탕으로 하여 현 사용자가 선호할 만한 상품들을 추천해 주며 현재 다양한 상업용 목적의 필수불가결한 기능이다. 추천 상품을 결정하기 위하여, 유사한 평가 이력을 기반 으로 미평가 상품들에 대한 선호 예측치를 산출하는데, 기존 연구에서 대개 두 가지 방법, 즉, 유사 사용자 기반 또는 유사 항목 기반 방법을 각기 개별적으로 활용해 왔다. 이들 방법들은 사용자들의 평가 데이터가 희소할 경우 또는 유사 사용자나 유사 항목을 구하기 어려울 경우에 산출한 예측치의 정확성이 저하되는 문제점이 있다. 본 연구에서는 이들 두가지 방법을 통합하여 평가치를 예측하는 새로운 방법을 제안한다. 제안 방법의 장점은 보다 많은 수의 유사 평가치들 을 참조할 수 있으므로 추천의 질이 향상된다는 점이다. 성능 실험 결과 제안 방법은 희소한 데이터셋에서 예측치 정확 도, 추천 항목 적합도, 항목 순위 적합도의 모든 측면에서 기존 방법의 성능을 크게 향상시켰으며, 다소 밀집한 데이터셋 에서는 예측치 정확도 측면에서는 가장 우수하고, 다른 평가 척도에서는 기존 방법과 대등한 결과를 보였다. |
|---|---|
| AbstractList | 협력 필터링 기반의 추천 시스템은 사용자들의 평가 이력을 바탕으로 하여 현 사용자가 선호할 만한 상품들을 추천해 주며 현재 다양한 상업용 목적의 필수불가결한 기능이다. 추천 상품을 결정하기 위하여, 유사한 평가 이력을 기반 으로 미평가 상품들에 대한 선호 예측치를 산출하는데, 기존 연구에서 대개 두 가지 방법, 즉, 유사 사용자 기반 또는 유사 항목 기반 방법을 각기 개별적으로 활용해 왔다. 이들 방법들은 사용자들의 평가 데이터가 희소할 경우 또는 유사 사용자나 유사 항목을 구하기 어려울 경우에 산출한 예측치의 정확성이 저하되는 문제점이 있다. 본 연구에서는 이들 두가지 방법을 통합하여 평가치를 예측하는 새로운 방법을 제안한다. 제안 방법의 장점은 보다 많은 수의 유사 평가치들 을 참조할 수 있으므로 추천의 질이 향상된다는 점이다. 성능 실험 결과 제안 방법은 희소한 데이터셋에서 예측치 정확 도, 추천 항목 적합도, 항목 순위 적합도의 모든 측면에서 기존 방법의 성능을 크게 향상시켰으며, 다소 밀집한 데이터셋 에서는 예측치 정확도 측면에서는 가장 우수하고, 다른 평가 척도에서는 기존 방법과 대등한 결과를 보였다. 협력 필터링 기반의 추천 시스템은 사용자들의 평가 이력을 바탕으로 하여 현 사용자가 선호할 만한 상품들을추천해 주며 현재 다양한 상업용 목적의 필수불가결한 기능이다. 추천 상품을 결정하기 위하여, 유사한 평가 이력을 기반으로 미평가 상품들에 대한 선호 예측치를 산출하는데, 기존 연구에서 대개 두 가지 방법, 즉, 유사 사용자 기반 또는유사 항목 기반 방법을 각기 개별적으로 활용해 왔다. 이들 방법들은 사용자들의 평가 데이터가 희소할 경우 또는 유사사용자나 유사 항목을 구하기 어려울 경우에 산출한 예측치의 정확성이 저하되는 문제점이 있다. 본 연구에서는 이들두가지 방법을 통합하여 평가치를 예측하는 새로운 방법을 제안한다. 제안 방법의 장점은 보다 많은 수의 유사 평가치들을 참조할 수 있으므로 추천의 질이 향상된다는 점이다. 성능 실험 결과 제안 방법은 희소한 데이터셋에서 예측치 정확도, 추천 항목 적합도, 항목 순위 적합도의 모든 측면에서 기존 방법의 성능을 크게 향상시켰으며, 다소 밀집한 데이터셋에서는 예측치 정확도 측면에서는 가장 우수하고, 다른 평가 척도에서는 기존 방법과 대등한 결과를 보였다. Collaborative filtering based recommender systems recommend user-preferrable items based on rating history and are essential function for the current various commercial purposes. In order to determine items to recommend, prediction of preference score for unrated items is estimated based on similar rating history. Previous studies usually employ two methods individually, i.e., similar user based or similar item based ones. These methods have drawbacks of degrading prediction accuracy in case of sparse user ratings data or when having difficulty with finding similar users or items. This study suggests a new rating prediction method by integrating the two previous methods. The proposed method has the advantage of consulting more similar ratings, thus improving the recommendation quality. The experimental results reveal that our method significantly improve the performance of previous methods, in terms of prediction accuracy, relevance level of recommended items, and that of recommended item ranks with a sparse dataset. With a rather dense dataset, it outperforms the previous methods in terms of prediction accuracy and shows comparable results in other metrics. KCI Citation Count: 0 Collaborative filtering based recommender systems recommend user-preferrable items based on rating history and are essential function for the current various commercial purposes. In order to determine items to recommend, prediction of preference score for unrated items is estimated based on similar rating history. Previous studies usually employ two methods individually, i.e., similar user based or similar item based ones. These methods have drawbacks of degrading prediction accuracy in case of sparse user ratings data or when having difficulty with finding similar users or items. This study suggests a new rating prediction method by integrating the two previous methods. The proposed method has the advantage of consulting more similar ratings, thus improving the recommendation quality. The experimental results reveal that our method significantly improve the performance of previous methods, in terms of prediction accuracy, relevance level of recommended items, and that of recommended item ranks with a sparse dataset. With a rather dense dataset, it outperforms the previous methods in terms of prediction accuracy and shows comparable results in other metrics. 협력 필터링 기반의 추천 시스템은 사용자들의 평가 이력을 바탕으로 하여 현 사용자가 선호할 만한 상품들을 추천해 주며 현재 다양한 상업용 목적의 필수불가결한 기능이다. 추천 상품을 결정하기 위하여, 유사한 평가 이력을 기반으로 미평가 상품들에 대한 선호 예측치를 산출하는데, 기존 연구에서 대개 두 가지 방법, 즉, 유사 사용자 기반 또는 유사 항목 기반 방법을 각기 개별적으로 활용해 왔다. 이들 방법들은 사용자들의 평가 데이터가 희소할 경우 또는 유사 사용자나 유사 항목을 구하기 어려울 경우에 산출한 예측치의 정확성이 저하되는 문제점이 있다. 본 연구에서는 이들 두가지 방법을 통합하여 평가치를 예측하는 새로운 방법을 제안한다. 제안 방법의 장점은 보다 많은 수의 유사 평가치들을 참조할 수 있으므로 추천의 질이 향상된다는 점이다. 성능 실험 결과 제안 방법은 희소한 데이터셋에서 예측치 정확도, 추천 항목 적합도, 항목 순위 적합도의 모든 측면에서 기존 방법의 성능을 크게 향상시켰으며, 다소 밀집한 데이터셋에서는 예측치 정확도 측면에서는 가장 우수하고, 다른 평가 척도에서는 기존 방법과 대등한 결과를 보였다. |
| Author | 이수정 |
| Author_xml | – sequence: 1 fullname: 이수정 |
| BackLink | https://www.kci.go.kr/kciportal/ci/sereArticleSearch/ciSereArtiView.kci?sereArticleSearchBean.artiId=ART002769045$$DAccess content in National Research Foundation of Korea (NRF) |
| BookMark | eNo9kE9LAkEAxYcwyMxPEMRcOnTQZue_R5MyTRDC-zDjrrFoGrteuhUsYV2ig7BEgR2kvG1EUNAncne_Q5YRPPi9w493eOsg0x_0HQA2LVQUmPDdeq22VylihK3iIqyIsbUCshjLUgFhyjP_ncg1kPd91yCCrBLllGdBNb16T8czmN5ez6OL5DOESThKPp5gHM2S8Sh5DGEa3sWTKUzHQRpE8fMlTILX-GYK59FDEkxgev8yf_vaAKsd3fOd_B9zoHWw36ocFhrNaq1SbhQcKUjB4oYT4uAORtK0ibFFW0hKJGWcSJtqom0t7BKTjiCcScKMcYwWTCCbGYoNyYGd5Wzf66hu21UD7f7yZKC6nioft2qqJAUViCzc7aXbdf2hq_q231P18lHz5ymCBEcIcc7lwttaeo72hm6756gzzz3V3rmiCDOLkW9j3nre |
| ContentType | Journal Article |
| DBID | M1Z JDI ACYCR |
| DEWEY | 004 |
| DOI | 10.7236/JIIBC.2021.21.5.221 |
| DatabaseName | e-articles KoreaScience Korean Citation Index |
| DatabaseTitleList | |
| DeliveryMethod | fulltext_linktorsrc |
| Discipline | Computer Science |
| DocumentTitleAlternate | The Effect of an Integrated Rating Prediction Method on Performance Improvement of Collaborative Filtering |
| EISSN | 2289-0246 |
| EndPage | 226 |
| ExternalDocumentID | oai_kci_go_kr_ARTI_9874703 JAKO202130760006668 402515 |
| GroupedDBID | ALMA_UNASSIGNED_HOLDINGS M1Z .UV JDI ACYCR M~E |
| ID | FETCH-LOGICAL-e873-16b633e2f208bc3bd7c7843845638d4a3ada7d958e7365835bbeba7570d5b42b3 |
| ISSN | 2289-0238 |
| IngestDate | Tue Nov 21 21:41:27 EST 2023 Fri Dec 22 12:04:00 EST 2023 Tue Apr 22 16:21:05 EDT 2025 |
| IsDoiOpenAccess | true |
| IsOpenAccess | true |
| IsPeerReviewed | false |
| IsScholarly | true |
| Issue | 5 |
| Keywords | Collaborative filtering Data sparsity Recommender system Rating prediction |
| Language | Korean |
| LinkModel | OpenURL |
| MergedId | FETCHMERGED-LOGICAL-e873-16b633e2f208bc3bd7c7843845638d4a3ada7d958e7365835bbeba7570d5b42b3 |
| Notes | KISTI1.1003/JNL.JAKO202130760006668 |
| OpenAccessLink | http://click.ndsl.kr/servlet/LinkingDetailView?cn=JAKO202130760006668&dbt=JAKO&org_code=O481&site_code=SS1481&service_code=01 |
| PageCount | 6 |
| ParticipantIDs | nrf_kci_oai_kci_go_kr_ARTI_9874703 kisti_ndsl_JAKO202130760006668 earticle_primary_402515 |
| PublicationCentury | 2000 |
| PublicationDate | 20211031 |
| PublicationDateYYYYMMDD | 2021-10-31 |
| PublicationDate_xml | – month: 10 year: 2021 text: 20211031 day: 31 |
| PublicationDecade | 2020 |
| PublicationTitle | The journal of the institute of internet, broadcasting and communication : JIIBC |
| PublicationTitleAlternate | The journal of the institute of internet, broadcasting and communication : JIIBC |
| PublicationYear | 2021 |
| Publisher | 한국인터넷방송통신학회 |
| Publisher_xml | – name: 한국인터넷방송통신학회 |
| SSID | ssib030194646 ssib053377388 ssib023738960 ssib044745939 ssib021620247 ssib036278198 ssib022331885 |
| Score | 2.1613812 |
| Snippet | 협력 필터링 기반의 추천 시스템은 사용자들의 평가 이력을 바탕으로 하여 현 사용자가 선호할 만한 상품들을 추천해 주며 현재 다양한 상업용 목적의 필수불가결한 기능이다. 추천 상품을 결정하기 위하여, 유사한 평가 이력을 기반 으로 미평가 상품들에 대한 선호 예측치를 산출하는데, 기존... Collaborative filtering based recommender systems recommend user-preferrable items based on rating history and are essential function for the current various... 협력 필터링 기반의 추천 시스템은 사용자들의 평가 이력을 바탕으로 하여 현 사용자가 선호할 만한 상품들을추천해 주며 현재 다양한 상업용 목적의 필수불가결한 기능이다. 추천 상품을 결정하기 위하여, 유사한 평가 이력을 기반으로 미평가 상품들에 대한 선호 예측치를 산출하는데, 기존... |
| SourceID | nrf kisti earticle |
| SourceType | Open Website Open Access Repository Publisher |
| StartPage | 221 |
| SubjectTerms | 컴퓨터학 |
| TableOfContents | 요약
Abstract
Ⅰ. 서론
Ⅱ. 관련 연구 내용
Ⅲ. 제안 방법
1. 배경
2. 상세 기술
Ⅳ. 성능 평가
1. 실험 배경
2. 실험 결과
Ⅴ. 결론
References |
| Title | 통합 평가치 예측 방안의 협력 필터링 성능 개선 효과 |
| URI | https://www.earticle.net/Article/A402515 http://click.ndsl.kr/servlet/LinkingDetailView?cn=JAKO202130760006668&dbt=JAKO&org_code=O481&site_code=SS1481&service_code=01 https://www.kci.go.kr/kciportal/ci/sereArticleSearch/ciSereArtiView.kci?sereArticleSearchBean.artiId=ART002769045 |
| Volume | 21 |
| hasFullText | 1 |
| inHoldings | 1 |
| isFullTextHit | |
| isPrint | |
| ispartofPNX | 한국인터넷방송통신학회 논문지, 2021, 21(5), , pp.221-226 |
| link | http://utb.summon.serialssolutions.com/2.0.0/link/0/eLvHCXMwnR1Na9RAdKj14kUUv-pHCWJOZddkPjIzx-x2a1upXir0FpJNIu3KVmp78SAKi1Qv4qGwiEI9FO1tRQQFf4-HbvIffG-S3U2hggpLMjvvzZs37w1v3ksmbwi5lfIUFpbEqel2Qmuca16LJO7MUREsRl4aCRe_HV655y0-4MtrYm1q6ldl19LOdlRvPz3xu5L_0SrUgV7xK9l_0OyYKFRAGfQLV9AwXP9Kx3Zr3lae3RBY0ML2IcLHqgVbabvl2w0HNzK0mnZD21rNYUkrWylTpWzfhaoGYvnawEQJ0_MFOt5s7SKSD0hiruxHcdMNx6YIk-CPGupYZdCVX6AbHnSzhPlOQQGAysCYXZ6svTEZENDHBj4Oy58v2QFuqz1iQR7jHcTguxV5QI1huiSoy35V0wxZCejYsG4EAdg4hvGbm1Gn3NBRKAVEgZGI6lMS6laWF2NMKcUJSItMMiPLT93KDBdVM15CkvKfd9JiI6k5DWd5aanRrGOfdfiJ-rjtsSzeHGM5cYqcplKa7QQrz1oju0ddD5pPwjqK2ab0JGwFG6x5JQ0c-BwSHLmx3eRccqEn2V3Bg5dAwRzGOBp2kXALWb59AsPoiZWzGII0jFzWwdfqbqUVX2v1HDlbBkmWX-CeJ1OdzQvkTv7yW753aOVvXh0Nnmc_-lbW382-f7SGg8Nsbzf70Lfy_tvh_oGV7_Xy3mD46YWV9b4MXx9YR4P3WW_fyt99Pvr68yJZXWitNhdr5TEgtURJVnO9yGMsoSkF-9FmUSzbUnGmwPNnKuYhC-NQxlqoRDJwp5mIoiQKpZBOLCJOI3aJTHc3u8kVYiWeVjxNQzdxGA8TR3Gt0pQxL3ZTr03DGXJ5JIbgcZHsJSgUN0NmjVSCbvzkUbDs372P8mPmtTY-AVAz5CaIK-i01wNM2I73h5tBZyuAsHQp0Aqidodd_SP9a-TMZNZeJ9PbWzvJDfB2t6NZM1V-A69QgP8 |
| linkProvider | ISSN International Centre |
| openUrl | ctx_ver=Z39.88-2004&ctx_enc=info%3Aofi%2Fenc%3AUTF-8&rfr_id=info%3Asid%2Fsummon.serialssolutions.com&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=%ED%86%B5%ED%95%A9+%ED%8F%89%EA%B0%80%EC%B9%98+%EC%98%88%EC%B8%A1+%EB%B0%A9%EC%95%88%EC%9D%98+%ED%98%91%EB%A0%A5+%ED%95%84%ED%84%B0%EB%A7%81+%EC%84%B1%EB%8A%A5+%EA%B0%9C%EC%84%A0+%ED%9A%A8%EA%B3%BC&rft.jtitle=%ED%95%9C%EA%B5%AD%EC%9D%B8%ED%84%B0%EB%84%B7%EB%B0%A9%EC%86%A1%ED%86%B5%EC%8B%A0%ED%95%99%ED%9A%8C+%EB%85%BC%EB%AC%B8%EC%A7%80&rft.au=%EC%9D%B4%EC%88%98%EC%A0%95&rft.date=2021-10-31&rft.issn=2289-0238&rft.volume=21&rft.issue=5&rft.spage=221&rft.epage=226&rft_id=info:doi/10.7236%2FJIIBC.2021.21.5.221&rft.externalDocID=402515 |
| thumbnail_l | http://covers-cdn.summon.serialssolutions.com/index.aspx?isbn=/lc.gif&issn=2289-0238&client=summon |
| thumbnail_m | http://covers-cdn.summon.serialssolutions.com/index.aspx?isbn=/mc.gif&issn=2289-0238&client=summon |
| thumbnail_s | http://covers-cdn.summon.serialssolutions.com/index.aspx?isbn=/sc.gif&issn=2289-0238&client=summon |