비선호 분리 적용 컨텐츠 추천 방안

국문 초록 (Abstract)

코로나19 팬데믹 시대를 거치며, 오프라인에서 이루어졌던 많은 활동 들이 거리 두기와 비대면 원격근무 등으로 대면 모임에 제약이 걸리며, 사람들의 활동이 온라인으로 급격하게 이동하며 디지털화가 가속화되었다. 온라인에서 다양한 활동들이 비약적으로 증가하며, 사람들이 이전보다 많은 양의 온라인 컨텐츠를 소비하게 되었고, 온라인을 통해 이전보다 다양한 데이터들이 수집되는 상황이다.
추천시스템은 일반적으로 사용자가 온라인 쇼핑몰 등에서 구매한 상품정보, 상품구매 또는 이용 후 점수를 매긴 평점, 사용 후기 등 명시적 데이터(Explicit Data)와 사용자가 클릭한 링크, 검색 때 사용한 검색어, 상품 페이지 등에서 머무른 시간 등의 암시적 데이터(Implicit Data) 등의 수집된 데이터를 분석해 사용자에게 맞춤형 컨텐츠를 소비할 수 있는 기능을 제공한다. 이러한 시스템은 영화, 음악, 책, 제품 및 서비스 등 다양한 컨텐츠에 적용될 수 있으며, 개인화된 추천을 통해 사용자들의 만족도를 높인다. 따라서 사용자의 충성도와 유지율을 높이고 방문자 수를 증가시켜 매출에 긍정적인 영향을 미칠 수 있는 추천 시스템의 개발이 필요하다.
본 논문에서는 가장 많이 사용되는 추천시스템인 협업 필터링(Collaborative Filtering) 알고리즘에 하나인 행렬 분해(Matrix Factorization)를 이용한 잠재 요인 모델(Latent Factor Model)[20] 에 기반하여 학습한 추천시스템을 제안한다. 특히, 추천 컨텐츠 목록과 비선호 추천 컨텐츠 목록을 만들어, 추천 컨텐츠 목록에서 비선호 추천 컨텐츠를 제거하는 형태의 개념을 도입하여, 궁극적으로 사용자가 소비하는 컨텐츠의 만족도를 높이는 방법을 제시한다. 실험 결과 비선호하는 컨텐츠 목록을 별개로 만들어 비선호 컨텐츠를 찾아내는 방법이 기존에 추천 목록으로 비선호하는 컨텐츠를 찾아내는 것보다 정밀도(Precision) 135%, 정확도(Accuracy) 149%, F1 점수(F1-score) 72% 가 증가함을 확인하였다. 또한 제안된 알고리즘을 통하여 비선호 컨텐츠를 사용자가 보지 않게 되는 경우를 가정하면, 실험에 사용한 특정 사용자의 평가 점수의 평균이 2.55점에서, 3.44점으로 추천 점수가 약 35% 향상되어 사용자의 만족도가 올라감을 알 수 있었다. 이러한 알고리즘이 기존의 추천시스템의 알고리즘보다 효과적인 방법인 것을 확인할 수 있었다.
향후 연구해야 할 과제로는 이렇게 찾은 비선호 컨텐츠를 추천 컨텐츠 목록에 어떻게 적용해야지 효과적으로 비선호 컨텐츠를 제거할 수 있을지 가중치 부분의 추가 연구가 필요하겠다.

다국어 초록 (Multilingual Abstract)

During the COVID-19 pandemic, numerous activities that were previously conducted in person were restricted. This included remote work and non-face-to-face interactions. As a result, digitization accelerated, and people's activities rapidly shifted online. With the rapid increase of online activities, people are consuming more online content than ever before. Additionally, a vast amount of data is being collected through online channels.
Recommendation systems typically incorporate both explicit and implicit data. Explicit data may include information about products that users have purchased from online shopping websites, as well as ratings and reviews that users have provided after buying or using the products. Implicit data, on the other hand, may include links that users have clicked on, search terms they have used when searching, and the amount of time they have spent on product pages. Through the analysis of collected data, users are provided with the ability to access personalized content. This system can be applied to various types of content, including movies, music, books, products, and services. The goal is to increase sales by attracting more visitors, providing personalized recommendations to enhance user satisfaction, and improving user loyalty and retention.
In this paper, we utilized the Latent Factor Model via Matrix Factorization to facilitate learning and make recommendations. This approach is a widely used collaborative filtering algorithm in recommendation systems. By creating a list of preferred content and a list of non-preferred content, we introduce the concept of removing non-preferred content from the list of recommendations. Ultimately, we propose a method for enhancing user satisfaction with the content they consume.
After conducting the experiment, we discovered that creating a separate list of non-preferred content to identify such material increased precision by 135%, accuracy by 149%, and F1-score by 72% compared to using the existing recommendation list to find non-preferred content. Assuming that the user does not view non-preferred content through this algorithm, the average evaluation score of a specific user used in the experiment was from 2.55 for 3.44 points, and the recommendation score increases by approximately 35%. This suggests that user satisfaction increases. It has been confirmed that this algorithm is more effective than the algorithm used by the existing recommendation system.
As a future task, further research is needed on the weighting aspect to determine how to incorporate non-preferred content into the recommended content list and effectively remove it.

목차 (Table of Contents)

• I. 서 론 1
• II. 컨텐츠 추천 시스템 고찰 3
• 1. 배경 이론 3
• 2. 관련 연구 10
• 3. 제안 모델 11
• III. 비선호 분리 적용 컨텐츠 추천 방안 13
• 1. 실험 데이터 13
• 2. 실험 방법 15
• 3. 성능 평가 20
• IV. 제안 방안 실험 및 분석 23
• 1. 제안 방안 실험 23
• 2. 분석 29
• V. 결론 및 향후 연구방안 30
• 1. 결론 30
• 2. 향후 연구방안 30
• 참고문헌 32
• 영문초록(Abstract) 34