협력적 필터링 추천시스템에서 사전평가 방법에 의한 선호도 예측 성능 향상 알고리즘의 개발

국문 초록 (Abstract)

연 구 내 용
본 과제는 추천시스템을 위한 알고리즘 중 협력적 필터링(collaborative filtering) 알고리즘의 선호도 예측 특성과 고객의 선호도 평가 패턴과 같은 사전정보에 의한 선호도 예측 이전의 사전평가 결과가 예측 정확도에 미치는 영향을 분석하여 알고리즘을 적용한 선호도 예측 이전에 고객과 상품의 사전정보를 이용하여 선호도 예측 정확도를 개선할 수 있는 방법에 대하여 연구하였다. 이를 위해 다음과 같은 단계로 연구를 진행하였다.
(1) 추천시스템의 추천기법과 알고리즘 연구
(2) 분석 data 수집 및 전처리
(3) 고객의 정보를 이용한 사전평가 방법 연구 및 사전평가 효과 연구
(4) 적정 이웃 수 선정을 통한 예측성능 향상에 관한 연구
연구결과를 요약하면 먼저, 협력적 필터링 알고리즘의 예측성과를 측정하기 위한 실험 dataset의 다양한 구성 방법의 제안이다. 무작위로 training dataset과 test dataset으로 분할할 경우 개인별 평가치 비율이 서로 일치하지 않아 알고리즘의 성능을 평가하는데 있어 개인별 예측 정확도 평가가 불가능하였으나 본 연구에서 개인별 평가치의 분할 방법을 제안하여 예측 결과의 평가방법을 확장할 수 있었으며 full dataset에 대한 예측 방법을 제안하여 선호도 평가치 표본 추출로 인한 예측 성능의 편차가 포함되지 않은 알고리즘 성능 평가를 구현할 수 있었다. 두 번째로 사전평가 방법을 통하여 예측 대상 고객이 평가한 패턴을 이용하여 예측 성능의 사전 평가성을 제공할 수 있었다. 이는 기존의 예측성과가 낮은 고객을 분류하는 방법을 확장하여 예측성과가 높은 고객을 분류하는 방법을 제공하여 사전평가 방법을 확장시켰다. 셋째, dataset이 표현하고 있는 정보 외에 추가적 정보를 이용하여 선호도 예측 정확도를 향상 시킬 수 있는 보정식을 제안하였다. 마지막으로 적정 이웃 수를 선정하여 선호도 예측 정확도를 높일 수 있는 회귀식을 제안함으로써 추가 정보를 이용하여 예측 정확도를 향상시킬 수 있음을 제시하고 있다.
본 과제의 결과를 이용하여 대규모 전자상거래 데이터에 효율적이고 효과적 성능을 발휘할 수 있는 접근법을 제공함으로써 규모의 확장에 대응할 수 있는 시스템의 능력을 향상 시킬 수 있을 것으로 기대한다. 또한 본 연구의 결과를 활용하여 전자상거래의 지능화와 활성화의 방향을 제공할 수 있을 것으로 기대한다. 그리고 궁극적으로 전자상거래 환경에서 고객들의 상품에 대한 평가의 신뢰성의 척도 개발과 전자상거래 이용 고객 중 고객들의 선호도를 선도하는 active user의 탐색과 추천시스템에 대한 악의적 사용자의 적발에도 유용하게 이용될 것으로 기대한다.

다국어 초록 (Multilingual Abstract)

This research devotes to improve the prediction performance of collaborative filtering algorithm for recommender system on e-commerce using pre-information of users and items which is taken before prediction process. Before using pre-information, it must be analyzed that the effect of rating patterns of users and characteristics of prediction algorithms on the result of prediction.
This research summarized in next steps.
1. recommending techniques and algorithms for recommender system
2. analytic data collection and preprocessing
3. pre-evaluation method using users’ information and the effect of pre-evaluation
4. decision for proper k on k-NN improving prediction performance
Summary of the results in this research
First, this research proposes the method for experimental dataset formation which is used for measuring the prediction performance of collaborative filtering algorithm. Because randomly divided into training dataset and test dataset have biased ratio of ratings for each user that this biased ratio of ratings make each user’s prediction accuracy impossible to assess. Formation of unbiased ratio of ratings for each user makes it possible to assess each user’s prediction performance. Also, it is possible to assess prediction performance of algorithms in unified measure that full dataset formation enables eliminate the difference of the prediction result which extracted from dataset for sample.
Second, through pre-evaluation method which using rating pattern of target user, it offers the possibility of pre-evaluation. This method expands classification for the low prediction performance users to the high prediction performance users.
Third, using additional information from dataset, it can be possible to propose the revised algorithm for improving prediction performance using original.
Last, this research proposes the regression analysis for improving the prediction performance using additional information which is used for deciding proper k in k-NN methods.
If the results of this research, which are effective and efficient for vast scale of e-commerce data, are used for actual recommender systems in e-commerce, it will be possible to advance system’s capacity for corresponding to expanding scale of users or items data. Also, it will be expected that this results offer the direction of intellectual or vital for e-commerce. Ultimately, this will be used for develop the reliability measure of customers’ appraisal for items and will be used for search the active user who leads other users’ preferences for items. Also, it will be useful to detect malicious users who act badly on the prediction performance of recommender systems.