RISS 검색 - 국내학술지논문 상세보기

부가정보

국문 초록 (Abstract)

빅데이터 기반의 추천시스템 모델링에서 바이어스, 분산, 오류 및 학습은 성능에 중요한 요소이다. 이러한 시스템 에서는 추천 모델이 설명도를 유지하면서 복잡도를 줄여야 한다. 또한 데...

빅데이터 기반의 추천시스템 모델링에서 바이어스, 분산, 오류 및 학습은 성능에 중요한 요소이다. 이러한 시스템 에서는 추천 모델이 설명도를 유지하면서 복잡도를 줄여야 한다. 또한 데이터의 희소성과 시스템의 예측은 서로 반비례 의 속성을 가지기 마련이다. 따라서 희소성의 데이터를 인수분해 방법을 활용하여 상품간의 유사성을 학습을 통한 상품 추천모델이 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 것이 다. 많은 실험을 통하여 데이터가 희박해질수록 기존의 방법에 비해 제안된 규제 방법이 상대적으로 효과가 있다는 것을 확인하였다.

다국어 초록 (Multilingual Abstract)

Bias, variance, error and learning are important factors for performance in modeling a big data based recommendation system. The recommendation model in this system must reduce complexity while maintaining the explanatory diagram. In addition, the sparsity of the dataset and the prediction of the system are more likely to be inversely proportional to each other. Therefore, a product recommendation model has been proposed through learning the similarity between products by using a factorization method of the sparsity of the dataset. In this paper, the generalization ability of the model is improved by applying the max-norm regularization as an optimization method for the loss function of this model. The solution is to apply a stochastic projection gradient descent method that projects a gradient. The sparser data became, it was confirmed that the propsed regularization method was relatively effective compared to the existing method through lots of experiment.

목차 (Table of Contents)

요약
Abstract
Ⅰ. 서론
Ⅱ. 관련연구
Ⅲ. 협업필터링의 규제기반 최적화

요약
Abstract
Ⅰ. 서론
Ⅱ. 관련연구
Ⅲ. 협업필터링의 규제기반 최적화
Ⅳ. 실험 및 결과
Ⅴ. 결론
References

참고문헌 (Reference)

1 전인오, "침입방지시스템의 보안성 품질 평가기준 및 측정체계의 개발" 한국산학기술학회 11 (11): 1449-1457, 2010

2 오정수, "온도상태에 따른 신축관 이음의 수명예측에 관한 연구" 한국산학기술학회 19 (19): 424-429, 2018

3 임용순, "양자화된 DCT 영역에서의 MPEG-2 비디오 워터마킹" 한국인터넷방송통신학회 11 (11): 81-86, 2011

4 X. Ning, "Slim: Sparse linear methods for top-n recommender systems. In Data Mining" 497-506, 2011

5 P. Cremonesi, "Performance of recommender algorithms on top-n recommendation tasks" 39-46, 2010

6 X. Yan, "Optimization Algorithms Based on Combining FD Approximations and Stochastic Gradients Compared With Methods Based Only on a Stochastic Gradient" 19 (19): 873-890, 2014

7 R. Gemulla, "Large-scale Matrix factorization with distributed stochastic gradient descent" ACM 69-77, 2011

8 M. Deshpande, "Item-based top-n recommendation algorithms" 22 (22): 143-177, 2004

9 S. Kabbur, "FISM: Factored Item Similarity Models for Top-N Recommender Systems" 2013

10 R. J. Mooney, "Content-based book recommending using learning for text categorization" ACM 195-204, 2000