메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
Tomoki Amano (Waseda University) Ryotaro Shimizu (Waseda University) Masayuki Goto (Waseda University)
저널정보
대한산업공학회 Industrial Engineering & Management Systems Industrial Engineering & Management Systems Vol.22 No.3
발행연도
2023.9
수록면
340 - 348 (9page)
DOI
10.7232/iems.2023.22.3.340

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
In recent years, recommender systems based on machine learning have become common tools on various web services. Among recommendation models, embedding methods such as Item2Vec that utilize embedded representations of items are widely used in actual applications due to their effectiveness and ease of use. By utilizing embedded representations acquired through learning the interaction between users and items, it is easy to discover similar items from the viewpoint of the user’s purchasing tendencies. In contrast, with this method, only biased items are recommended, making it difficult to ensure a wide variety of recommended items. However, there is a trade-off between the diversity of recommended items and accuracy and providing diversity in recommended items while maintaining accuracy is a challenging problem. Therefore, in this study, we propose a method to expand the new evaluation metric "recommendation region" (sum of distances of recommended items from the user vector in the embedding space) without significantly reducing accuracy. Specifically, we recommend not only items that are close to the user vector in the embedding space but also items with a certain distance based on detailed observation of the positional relationships. With the proposed method, we aim to increase user satisfaction by expanding the diversity of items that the user comes into contact with in the service. Finally, we demonstrate the usefulness of our proposed method through evaluation experiments using open-source datasets.
#Recommendation System #Item Embedding #Item2Vec #Recommendation Region #Business Analytics

목차

ABSTRACT
1. INTRODUCTION
2. RELATED WORK
3. PROPOSED METHOD
4. EVALUATION EXPERIMENT
5. DISCUSSIONS
6. CONCLUSION AND FUTURE WORKS
REFERENCES

참고문헌 (0)

참고문헌 신청
참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

최근 본 자료

전체보기

댓글(0)

0