신뢰 네트워크의 연결 속성을 이용한 사용자 모델링 기반의 추천 시스템

국문 초록 (Abstract)

최근 사용자의 소셜 프로파일, 소셜 네트워크, 그리고 소셜 미디어 등의 정보 활용을 이용한 사용자 정보 기반의 소셜 추천 시스템이 빅데이터 시대의 핵심 전략이 되고 있다. 소셜 네트워크 분석을 통해 소셜 관계를 추론할 수 있으며, 소셜 그룹의 형성을 통해 소셜 이웃 사용자 집단을 구성함으로써 추천의 효율성을 높이고 신뢰성 있는 정보를 제공할 수 있다. 일반적으로 추천 시스템에서 추천의 정확도 및 추천의 질을 향상시키기 위해 어떻게 이웃 사용자 집단을 구성하는지가 중요한 이슈 사항이다. 많은 연구자들이 이웃 사용자 집단을 구성하기 위해 KNN(K-Nearest Neighbor), K-Means 클러스터링 그리고 신뢰 기반의 클러스터링 기법 등을 사용한다.
본 논문에서는 소셜 추천 시스템을 위해 신뢰 기반의 클러스터링 기법을 사용하며, 구체적으로 사용자 신뢰 네트워크에서 연결 속성 정보를 기반으로 한 사용자 모델링을 제안한다. 제안된 방법은 전형적인 사용자 기반의 협업적 여과 방법을 통해 사용자간의 아이템 선호 성향 유사도를 계산하고, 사용자들이 명시적으로 표시한 신뢰 정보를 이용하여 사용자간의 연결 정도를 계산한다. 여기서 사용자들의 신뢰 정보는 링크를 통해 표현하며, 사용자들의 직•간접 연결 정보를 통하여 사용자들의 연결 정도와 연결 강도를 모델링 한다. 사용자들의 아이템 평가 값이 너무 적거나 균형적이지 않은 경우 이웃 사용자 집단을 구성하기 어려워 추천의 정확도가 떨어진다. 이를 해결하기 위해 사용자들의 신뢰 관계 정보를 고려한 사용자 모델링을 통하여 추천의 예측 정확도와 추천의 질을 높이고자 한다.
본 논문에서 제안하는 연결 속성은 크게 2 단계로 나뉜다. 먼저, 연결 정도는 케빈 베이컨의 6 단계 정도(six degrees)를 이용하여 사용자간의 관계를 수치로 표현하며, 연결 정도가 6 이하인 경로 중 최적의 경로를 선택하여 사용자 모델링 구축에 이용한다. 두 번째, 사용자와 직접적으로 연결되어 있는 관계와 간접적으로 연결된 관계 수를 고려하여 연결 강도 가중치를 계산하고 사용자 모델링 구축에 적용한다.
제안된 사용자 모델 기반의 소셜 추천 시스템의 성능을 평가하기 위하여 Epinion.com 데이터를 활용하여 실험하였고, 실험 평가한 결과 벤치마크 알고리즘인 trust_CF의 경우 선호도 예측 정확도가 높은 반면 추천 정확도는 가장 낮은 성능을 보였고, social_CF의 경우 선호도 예측 정확도가 낮은 반면 추천 정확도는 높았다. 즉, 신뢰정보를 이용하는 경우 예측 정확도가 향상이 되고, 사용자 관계를 이용하는 경우 추천 정확도가 향상됨을 알 수 있다. 하지만 본 논문에서 제안하는 LinkAttribute는 신뢰정보와 사용자 관계를 포함하는 연결 속성 기반의 사용자 모델링을 이용함으로써 선호도 예측과 추천 정확도를 모두 향상 시키는 것을 볼 수 있다.

목차 (Table of Contents)

• 제 1 장 서 론 1
• 1.1 연구 배경 및 필요성 4
• 1.2 연구의 목적 및 범위 5
• 1.3 논문 구성 7
• 제 2 장 배경 지식 및 관련 연구 8
• 2.1 배경 지식 9
• 2.1.1 협업적 여과 기반의 사용자 모델링 12
• 2.1.2 소셜 네트워크에서의 소셜 관계 16
• 2.2 관련 연구(벤치마크 알고리즘) 18
• 2.2.1 신뢰 모델 기반의 강건한 협업적 여과 추천 19
• 2.2.2 소셜 네트워크에서의 사용자 기반 협업적 여과 추천 21
• 제 3 장 신뢰 기반의 연결 속성을 이용한 사용자 모델링 24
• 3.1 신뢰 기반의 연결 정도 모델 구축 26
• 3.2 신뢰 기반의 연결 강도 모델 구축 36
• 3.3 연결 속성 기반의 사용자 모델링 46
• 제 4 장 실험 분석 및 결과 50
• 4.1 실험 평가 방법 50
• 4.1.1 실험 평가 척도 51
• 4.1.2 비교 평가 시스템 54
• 4.2 연결 속성 기반의 사용자 모델 성능 비교 평가 55
• 4.2.1 연결 강도 모델을 위한 가중치 55
• 4.2.2 선호 아이템 예측 정확성 평가 57
• 4.2.3 추천 정확성 성능 비교 평가 59
• 4.2.4 추천 시스템의 유용성 성능 평가 60
• 4.2.5 모델 구축 및 예측에 대한 계산 복잡도 62
• 4.3 성능 비교 분석 63
• 4.3.1 아이템 선호 예측 정확성 64
• 4.3.2 상위 N개 아이템 추천 정확성 65
• 4.3.3 추천 시스템의 유용성 68
• 4.3.4 계산 복잡도 비교 분석 70
• 제 5 장 결론 및 향후 연구 72
• 참고문헌 76