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
이태범 (국민대학교) 이승학 (국민대학교) 마민정 (국민대학교) 조윤호 (국민대학교)
저널정보
한국지능정보시스템학회 지능정보연구 지능정보연구 제29권 제3호
발행연도
2023.9
수록면
167 - 183 (17page)

이용수

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

초록· 키워드

오류제보하기
최근 추천시스템 분야에서는 희소한 데이터를 효과적으로 모델링하기 위한 다양한 연구가 진행되고 있다. GLocal-K(Global and Local Kernels for Recommender Systems)는 그중 하나의 연구로 전역 커널과 지역 커널을 결합하여 데이터의 전역적인 패턴과 개별 사용자의 특성을 모두 고려해 사용자 맞춤형 추천을 제공하는 모델이다. 하지만 GLocal-K는 커널 트릭을 사용하기 때문에 매우 희소한 데이터에서 성능이 떨어지고 부가 정보를 사용하지 않아 새로운 사용자나 아이템에 대한 추천을 제공하는 데 어려움이 있다. 본 논문에서는 이러한 GLocal-K의 단점을 극복하기 위해 EASE(Embarrassingly Shallow Autoencoders for Sparse Data) 모델과 부가 정보를 활용한 GEase-K(Global and EASE kernels for Recommender Systems) 모델을 제안한다. 우선 GLocal-K의 지역 커널 대신 EASE를 활용하여 매우 희소한 데이터에서 추천 성능을 높이고자 하였다. EASE는 단순한 선형 연산 구조로 이루어져 있지만, 규제화와 아이템 간 유사도 학습을 통해 매우 희소한 데이터에서 높은 성능을 내는 오토인코더이다. 다음으로 Cold Start 완화를 위해 부가 정보를 활용하였다. 학습 과정에서 부가 정보를 추가하기 위해 조건부 오토인코더 구조를 적용하였으며 이를 통해 사용자-아이템 간의 유사성을 더 잘 파악할 수 있도록 하였다. 결론적으로 GEase-K는 선형 구조와 비선형 구조의 결합, 부가 정보의 활용을 통해 매우 희소한 데이터와 Cold Start 상황에서 강건한 모습을 보인다. 실험 결과, GEase-K는 매우 희소한 GoodReads, ModCloth 데이터 세트에서 RMSE, MAE 평가 지표 기준 GLocal-K 보다 높은 성능을 보였다. 또한 GoodReads, ModCloth 데이터 세트를 4개의 집단으로 나누어 실험한 Cold Start 실험에서도 GLocal-K 대비 Cold Start 상황에서 좋은 성능을 보였다.
#추천시스템 #딥러닝 #오토인코더 #부가 정보 #희소성 문제 #Recommender Systems #Deep Learning #Autoencoder #Side Information #Sparsity Problem

목차

1. 서론
2. 문헌 연구
3. GEase-K (Global and EASE Kernels for Recommender Systems)
4. 실험
5. 결론
참고문헌(References)
Abstract

참고문헌 (32)

참고문헌 신청
박호연, 김경재. (2021). BERT 기반 감성분석을 이용한 추천시스템. 지능정보연구, 27(2), 1-15. google schola 송경우, 문일철. (2021). 추천시스템 최근 연구 동향 및 향후 연구 방향 소개. 정보과학회지, 39(3), 16-23. google schola 장동수, 이청용, 김재경. (2023). 딥러닝 기반 온 라인 리뷰의 언어학적 특성을 활용한 추천 시스템 성능 향상에 관한 연구. 지능정보연구, 29(1), 41-63. google schola 전채연. (2010). [Bad to Good, Good to Great] 사소한 다수에 실리는 힘, 롱테일 법칙. 브레인 25, 28-31. google schola 홍태호, 홍준우, 김은미, 김민수. (2022). 영화 리뷰의 상품 속성과 고객 속성을 통합한 지능형 추천시스템. 지능정보연구, 28(2), 1-18. google schola

함께 읽어보면 좋을 논문

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

이 논문의 저자 정보

이 논문과 함께 이용한 논문

딥러닝 기반 추천시스템 성능 비교 연구
이학림 ,  박철용 한국데이터정보과학회지 2024 .01
프롬프팅 러닝을 활용한 리뷰 텍스트 기반 추천시스템
황선진 ,  강채원 ,  이영훈 대한산업공학회 춘계공동학술대회 논문집 2023 .05
Graph Neural Network 기반 추천시스템 성능 향상을 위한 유저 행동 시간 기반 데이터 사용 방안 분석
이상민 ,  김희찬 ,  김남기 한국정보기술학회논문지 2023 .05
Review-based Personalized Recommendation System using Effective Personalized Fusion and BERT
국희진 ,  신유현 Journal of KIISE 2023 .08
AI 기반 음식 추천시스템
권하영 ,  김해민 ,  이슬 외 2명 한국통신학회 학술대회논문집 2023 .02

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-151-24-02-088055363