의미 확장 검색과 감성 기반 후보 선별을 통한 영화 추천 알고리즘

국문 초록 (Abstract)

본 연구는 사용자 리뷰에 포함된 감성 정보를 기반으로 부정적인 평가가 집중된 영화를 사전에 제거하고, 키워드 및 장르 정보를 활용하여 하이브리드 방식으로 영화를 추천하는 시스템을 제안한다. 감성 분석은 사전학습된 한국어 분류 모델 (KcELECTRA)을 활용하며, 부정 리뷰 비율이 일정 기준 이상(예: 60%)인 영화는 추천 후보군에서 제외된다. 키워드는 Word2Vec 임베딩과 도메인 지식 기반 연관어 사전을 통해 확장되며, 관련 리뷰의 밀도를 기준으로 추천 순위가 결정된다. 키워드 기반 추천이 어려운 경우, 입력 장르를 바탕으로 평균 평점 상위 영화를 대체 추천한다. 실험 결과, 제안 방식은 두 조 건(noisy/clean)에서 Precision 0.424, Recall 1.00, F1 0.582/0.564, Neg-Filter-Rate 8.873%/9.224%를 보였다.

다국어 초록 (Multilingual Abstract)

This study proposes a personalized movie recommendation system that filters out negatively reviewed films based on sentiment analysis and recommends content using a hybrid approach that incorporates keyword and genre information. Sentiment classification is performed using the pre-trained Korean language model KcELECTRA, and movies with a negative review ratio exceeding a predefined threshold (e.g., 60%) are excluded from the recommendation pool. Keywords are expanded using Word2Vec embeddings and a domain-specific association dictionary, and the recommendation ranking is determined based on the density of related reviews. When keyword-based recommendation is infeasible, high-rated movies within the selected genre are provided as alternatives. Experimental results show that, across two conditions(noisy/clean), the proposed method achieved Precision 0.424, Recall 1.000, F1 0.582/0.564, and a Neg-Filter-Rate of 8.873%/9.224%.

목차 (Table of Contents)

• 요약
• Abstract
• 1. 서론
• 2. 선행 연구
• 2.1 추천 시스템의 기술적 분류
• 2.2 관련 연구 고찰
• 3. 연구방법본
• 4. 분석 결과
• 5. 논의
• 6. 결론 및 향후 연구
• REFERENCES