통합 평가치 예측 방안의 협력 필터링 성능 개선 효과 = The Effect of an Integrated Rating Prediction Method on Performance Improvement of Collaborative Filtering

다국어 초록 (Multilingual Abstract)

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.

국문 초록 (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 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.

참고문헌 (Reference)

1 안예진, "챗봇 형태로 구현한 사용자 맞춤형 레시피 추천 시스템" 한국산학기술학회 21 (21): 543-550, 2020

2 박인규, "빅데이터 기반 추천시스템을 위한 협업필터링의 최적화 규제" 한국인터넷방송통신학회 21 (21): 87-92, 2021

3 배은영, "능동적 도메인 선택을 이용한 교차 도메인 추천 시스템에 관한 연구" 한국정보기술학회 17 (17): 9-16, 2019

4 L.A. Hassanieh, "Similarity Measures for Collaborative Filtering Recommender Systems" 1-5, 2018

5 K. G. Saranya, "Performance Comparison of Different Similarity Measures for Collaborative Filtering Technique" 9 (9): 1-8, 2016

6 D. Wang, "Improving Neighbor-based Collaborative Filtering by Using a Hybrid Similarity Measurement" 160 : 2020

7 M. Jalili, "Evaluating Collaborative Filtering Recommender Algorithms: A Survey" 6 : 74003-74024, 2018

8 A. Jain, "EMUCF:Enhanced Multistage User-based Collaborative Filtering through Non-linear Similarity for Recommendation Systems" 161 : 2020

9 J. Guo, "An Efficient and Accurate Recommendation Strategy using Degree Classification Criteria for Item-based Collaborative Filtering" 164 : 2021

10 N. Maleki, "A k-NN Method for Lung Cancer Prognosis with the Use of a Genetic Algorithm for Feature Selection" 164 : 2021

11 B. Shao, "A Survey of Research Hotspots and Frontier Trends of Recommendation Systems from the Perspective of Knowledge Graph" 165 : 2021

12 Y. Wang, "A New Item Similarity based on α-divergence for Collaborative Filtering in Sparse Data" 166 : 2021

13 J. Bobadilla, "A Collaborative Filtering Similarity Measure based on Singularities" 48 (48): 204-217, 2012