아파치 스파크에서의 PARAFAC 분해 기반 텐서 재구성을 이용한 추천 시스템 :PARAFAC Tensor Completion for Recommender System based on Apache Spark

임어진

추천

검색

자료유형: 학위논문

저자정보: 임어진 (이화여자대학교, 이화여자대학교 대학원)

지도교수: 용환승

발행연도: 2019

저작권: 이화여자대학교 논문은 저작권에 의해 보호받습니다.

이용수3

이 논문의 연구 히스토리 (2)

2019

아파치 스파크에서의 PARAFAC 분해 기반 텐서 재구성을 이용한 추천 시스템

임어진 , 용환승 멀티미디어학회논문지 2019.04 학술저널

아파치 스파크에서의 PARAFAC 분해 기반 텐서 재구성을 이용한 추천 시스템

임어진 컴퓨터공학과 2019.01 학위논문

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

기존의 추천 시스템은 사용자와 상품이라는 두 가지의 요소와 그에 따른 평점 값으로 이루어진 2차원 행렬 데이터를 기반으로 하여 추천을 하는 기법을 사용해왔다. 그러나 실제 상황에서는 고객이 물건을 구매할 때, 상품 자체만을 보고 구매하는 경우 외에도 다른 여러 가지 사항을 고려하여 구매에 이르는 경우가 많다. 그런 점에서 2차원 행렬 데이터를 이용한 추천 시스템은 사용자와 상품 외에 다른 여러 가지 고려 사항을 반영하지 못한다는 한계가 있기 때문에 최근에는 사용자와 상품 외에 추가적인 요소를 더하여 세 가지 이상의 항목을 고려하는 추천 시스템에 대한 연구가 활발히 이루어지고 있다. 이러한 세 가지 이상의 항목이 있는 다차원의 배열을 텐서(Tensor)라고 하며, 고차원의 텐서 데이터를 분해하는 알고리즘을 이용한 연구가 데이터 마이닝(Data Mining), 컴퓨터 비전, 선형 대수학 등 여러 분야에 활용되고 있는 추세이다.
텐서 데이터의 주된 문제점은 데이터 상당 부분의 값이 결측되었다는 희소성(Sparsity)의 문제가 있다. 이를 해결하기 위해 고차원의 텐서를 보다 낮은 차원의 배열로 변환 혹은 축소하는 텐서 분해 기법을 이용하여 텐서를 분해하고 분해된 결과를 통해 다시 재구성함으로써 본래에 비어있던 값을 계산된 값으로 복구하는 방식으로 텐서를 완성하는 기법(Tensor Completion)이 사용된다.
그리하여 본 논문에서는 드롭아웃(Dropout)기법에서 고안한 정규화 알고리즘을 통해 텐서를 정규화하고 정규화된 텐서를 분해하고 재구성하는 과정을 거쳐, 비어있는 요소가 없는 완성된 텐서를 이용하여 사용자 기반의 상위 K개의 추천 목록을 제공하는 시스템을 제안하며, 실제 데이터를 이용하여 인 메모리 빅데이터 시스템인 아파치 스파크(Apache Spark)를 기반으로 많은 양의 데이터 처리를 빠른 시간 내에 가능하도록 하였으며 정규화하지 않은 데이터와의 성능 비교를 통해 정규화 알고리즘을 적용한 추천 시스템이 더 향상된 추천 성능을 보임을 확인하였다.

The existing recommender systems have been based on a two-dimensional matrix where the elements of the matrix are value means scores that is determined based on when a certain user (customer) would choose a specific consumer item (goods). However, in the real world, when a customer purchases an item, the customer not only considers the product itself, but also takes into account other factors, such as seasonal trends or gift-giving events like anniversaries and birthdays. In this respect, the recommendation system using a two-dimensional matrix does not reflect various additional considerations. Therefore, in recent years, there has been active research on a recommender system that considers three or more inputs in addition to users and goods, making it a multi-dimensional array, also known as a tensor.
The main issue with using a tensor is that there are a lot of missing values, making it sparse. In order to solve this problem, the tensor can be transformed or shrunk using the tensor decomposition algorithm into a lower dimensional array called a factor matrix. Then, the tensor is reconstructed by calculating factor matrices to fill original empty cells with predicted values. This whole process is called tensor completion. In this paper, we used PARAFAC tensor decomposition for tensor completion based on an in-memory big data system, Apache Spark.
In this paper, we propose a user-based Top-K recommender system by normalized PARAFAC tensor completion. This method involves the factorization of a tensor into factor matrices and reconstructs the tensor again. Before decomposition of a tensor, the original tensor is normalized based on each dimension to reduce overfitting. Using the real world dataset, this paper shows the processing of a large amount of data and implements a recommender system based on Apache Spark. In addition, this study has confirmed that the recommender system performance is improved through normalization of the tensor.

Ⅰ. 서론 1
A. 연구 배경 및 내용 1
B. 논문 구성 3
Ⅱ. 관련 기술 및 연구 동향 4
A. PARAFAC 분해 알고리즘 4
B. 텐서 재구성 7
C. 텐서 기반 추천 시스템 연구 동향 8
D. 데이터 정규화 10
Ⅲ. 텐서 재구성을 이용한 추천 시스템 12
A. 정규화 알고리즘 12
B. 정규화된 행렬 재구성을 이용한 추천 시스템 15
C. 텐서 재구성을 이용한 추천 시스템 16
Ⅳ. 실험 22
A. 실험 데이터 및 실험 환경 22
B. 평가 방법 24
C. 실험 결과 및 분석 25
Ⅴ. 결론 및 향후 연구 34
참고문헌 35
ABSTRACT 39

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)