대학생 교양 강좌 추천을 위한 협업 필터링 모델의 성능 비교 = Performance Comparison of Collaborative Filtering Models for General Education Course Recommendation in Universities

국문 초록 (Abstract)

대학의 교양 강좌는 학생들이 전공 외의 다양한 지식을 습득하고 융합적 사고를 기를 수 있도록 돕는 중요한 역할을 하지만, 강좌 선택의 다양성과 정보 부족으로 인해 적절한 강좌를 선택하는 데 어려움이 존재한다. 이에 따라 본 연구에서는 다양한 협업 필터링 기반의 추천 모델을 교양 강좌 추천 시스템에 적용하여 그 성능을 비교하고, 추천 성능에 영향을 미치는 요인을 분석하고자 하였다. 실험에서는 아이템 기반 협업 필터링(IBCF), 행렬 분해 기반의 SVD, 신경망 기반의 NCF 및 성별, 전공 계열 등 개인화된 정보를 추가로 반영한 확장 NCF 모델을 비교하여 추천 성능의 차이를 분석하였다. K-Fold 교차 검증을 수행하고 RMSE 및 MAE를 평가지표로 활용한 실험 결과, NCF 기반 모델들이 IBCF 및 SVD 대비 우수한 성능을 보였으며, 특히 학생의 성별과 전공 계열 정보를 추가 반영한 모델이 가장 높은 성능을 기록하였다. 또한 permutation importance 분석을 통해 개인화 정보가 추천 성능에 일정 부분 영향을 미치는 요인임을 정량적으로 확인하였다. 본 연구의 결과는 교양 강좌 추천 시스템의 성능 향상을 위해 신경망 기반 모델과 학생 개별 특성의 적극적 반영이 효과적인 전략임을 시사한다.

다국어 초록 (Multilingual Abstract)

General education courses play a crucial role in enabling students to acquire diverse knowledge beyond their major and foster interdisciplinary thinking. However, the wide range of course options and limited access to relevant information often make it difficult for students to select appropriate courses. To address this issue, this study applies various collaborative filtering-based recommendation models to a general education course recommendation system and compare their performance to identify key influencing factors. Specifically, five models were evaluated: item- based collaborative filtering (IBCF), a matrix factorization-based SVD, a neural collaborative filtering (NCF), and two extended NCF models that incorporate personalized information such as gender and study field. Using K-fold cross-validation and evaluation metrics such as RMSE and MAE, the experimental results show that NCF-based models outperform IBCF and SVD. Among them, the extended NCF model that incorporates both gender and study field achieved the highest prediction accuracy. In addition, a permutation importance analysis quantitatively confirmed that personalized information serves as a factor that partially influences the recommendation performance. These findings suggest that the use of neural network-based models and the active incorporation of individual student characteristics are effective strategies for enhancing general education course recommendation systems.