지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 박기진
- 발행연도
- 2018
- 저작권
- 아주대학교 논문은 저작권에 의해 보호받습니다.
이용수0
이 논문의 연구 히스토리 (3)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
그룹 추천 기법(Group Recommendation Method)은 다수의 구성원으로 형성된 그룹을 대상으로 선호도(Preference)가 높을 것으로 예측되는 특정 아이템(e.g., 상품, 서비스 등)을 추천하는 방법이며, 이는 그룹 구성원의 불만족도(Dissatisfaction)를 고려하여 아이템을 추천하는 것을 목적으로 한다. 이를 위한 기존 그룹 추천 기법들은 그룹 구성원의 불만족도를 고려할 수 있으나 사용자의 아이템에 대한 실제 선호도(Actual Preference)와 예측 선호도(Predicted Preference)의 차이를 의미하는 선호도 예측 정확도(Preference Prediction Accuracy)가 낮은 단점이 있다. 이에 본 논문에서는 기회 비용 (Opportunity Cost: 특정 아이템을 선택하였을 때, 포기되는 아이템의 평점 중 가장 큰 값을 의미) 개념과 그룹 구성원의 영향력이 각기 다른 점을 반영한 개인 활동성 (Personal Activity)을 측정하여 선호도 예측 정확도를 개선하고자 하였다.
세부적인 연구 내용으로써 기회 비용의 경우, 그룹이 구매할 수 있는 아이템에서 기회 비용을 적용하여 각 아이템에서 발생하는 불만족도를 반영하는 방법을 제안하였고, 그룹 구성원의 개인 활동성을 아이템 평가의 반복성(Repeatability)과 평가 내용의 유익성(Helpfulness)으로 구분하여 측정하였으며, 이를 불만족도에 적용하여 각 구성원이 그룹의 미치는 영향력을 반영하고자 하였다. 또한 대용량 데이터를 분산 저장하고 효율적인 반복 처리를 위해 하둡 기반 Spark Framework을 채택하여 그룹 추천 기법 프로토타입을 개발하였다.
제안된 기법의 성능 평가를 통해 기회 비용을 반영한 그룹 추천 기법이 기존 그룹 추천 기법들에 비해 선호도 예측 정확도가 개선되는 것을 확인할 수 있었으며, 이는 그룹 구성원의 불만족을 고려한 아이템을 추천하면서 그룹의 아이템에 대한 선호도를 더 정확히 예측할 수 있음을 의미한다.
세부적인 연구 내용으로써 기회 비용의 경우, 그룹이 구매할 수 있는 아이템에서 기회 비용을 적용하여 각 아이템에서 발생하는 불만족도를 반영하는 방법을 제안하였고, 그룹 구성원의 개인 활동성을 아이템 평가의 반복성(Repeatability)과 평가 내용의 유익성(Helpfulness)으로 구분하여 측정하였으며, 이를 불만족도에 적용하여 각 구성원이 그룹의 미치는 영향력을 반영하고자 하였다. 또한 대용량 데이터를 분산 저장하고 효율적인 반복 처리를 위해 하둡 기반 Spark Framework을 채택하여 그룹 추천 기법 프로토타입을 개발하였다.
제안된 기법의 성능 평가를 통해 기회 비용을 반영한 그룹 추천 기법이 기존 그룹 추천 기법들에 비해 선호도 예측 정확도가 개선되는 것을 확인할 수 있었으며, 이는 그룹 구성원의 불만족을 고려한 아이템을 추천하면서 그룹의 아이템에 대한 선호도를 더 정확히 예측할 수 있음을 의미한다.
목차
Ⅰ. 서 론 11.1 연구 필요성 및 목적 11.2 연구의 범위 및 구성 2Ⅱ. 관련 연구 42.1 그룹 추천 기법 설계 프로세스 42.1.1 그룹 탐색(Group Detection) 42.1.2 그룹 모델링(Group Modeling) 52.1.3 그룹 선호도 예측(Group Preference Prediction) 72.2 협업필터링(CF: Collaborative Filtering) 82.2.1 사용자 기반 협업필터링 82.2.2 아이템 기반 협업필터링 92.2.3 협업필터링을 적용한 그룹 추천 기법 112.3 MF 및 ALS 122.4 기회 비용 및 개인 활동성 142.4.1 기회 비용 142.4.2 개인 활동성 142.5 하둡 기반 Spark Framework 15Ⅲ. 기회 비용을 반영한 그룹 추천 기법 163.1 그룹 탐색: K-Means Clustering 163.2 그룹 모델링: 기회비용(Opportunity Cost) 173.3 그룹 모델링: 개인 활동성(Personal Activity) 18Ⅳ. 성능 평가(Performance Evaluation) 204.1 프로토타입 시스템 구축 환경 204.2 K-Means의 Cluster 값 결정 234.3 프로토타입 구현 244.4 실험 결과 26Ⅴ. 결론 및 향후 연구 28
최근 본 자료
댓글(0)
0