평점과 리뷰의 감성 수치를 결합한 추천시스템 정확도 향상 :Improved accuracy of recommendation system by combining ratings and sentiment score of reviews

현지연

추천

검색

자료유형: 학위논문

저자정보: 현지연 (한양대학교, 한양대학교 대학원)

지도교수: 이상용

발행연도: 2019

저작권: 한양대학교 논문은 저작권에 의해 보호받습니다.

이용수17

이 논문의 연구 히스토리 (2)

2019

평점과 리뷰 텍스트 감성분석을 결합한 추천시스템 향상 방안 연구

현지연 , 유상이 , 이상용 지능정보연구 2019.03 학술저널

평점과 리뷰의 감성 수치를 결합한 추천시스템 정확도 향상

현지연 비즈니스인포매틱스학과 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

개인에게 맞춤형 서비스를 제공하는 것이 중요해지면서 개인화 추천 시스템 관련 연구들이 끊임없이 이루어지고 있다. 추천 시스템 중 협업 필터링은 학계 및 산업계에서 가장 많이 사용되고 있다. 다만 사용자들의 평점 혹은 사용 여부와 같은 정량적인 정보에 국한하여 추천이 이루어져 정확도가 떨어진다는 문제가 제기되고 있다. 이와 같은 문제를 해결하기 위해 현재까지 많은 연구에서 정량적 정보 외에 다른 정보들을 활용하여 추천시스템의 성능을 개선하려는 시도가 활발하게 이루어지고 있다. 리뷰를 이용한 감성 분석이 대표적이지만, 기존의 연구에서는 감성 분석의 결과를 추천 시스템에 직접적으로 반영하지 못한다는 한계가 있다. 이에 본 연구는 리뷰에 나타난 감성을 수치화하여 평점에 반영하는 것을 목표로 한다. 사용자가 직접 작성한 리뷰를 감성 수치화하여 정량적인 정보로 변환해 추천시스템에 직접 반영할 수 있는 새로운 알고리즘을 제안한다. 이를 위해서는 정성적인 정보인 사용자들의 리뷰를 정량화 시켜야 하므로 본 연구에서는 텍스트 마이닝의 감성 분석 기법을 통해 감성 수치를 산출하였다. 데이터는 영화 리뷰를 대상으로 하여 도메인 맞춤형 감성 사전을 구축하고, 이를 기반으로 리뷰의 감성점수를 산출한다. 본 논문에서 사용자 리뷰의 감성 수치를 반영한 협업 필터링이 평점만을 고려하는 전통적인 방식의 협업 필터링과 비교하여 우수한 정확도를 나타내는 것을 확인하였다. 이후 제안된 모델이 더 개선된 방식이라고 할 근거를 확보하기 위해 t-test 검증을 시도했고 제안된 모델이 더 우수하다는 결론을 도출하였다. 본 연구는 평점만으로 사용자의 감성을 판단한 기존의 선행연구들이 가지는 한계를 극복하고자 리뷰를 수치화하여 기존의 평점 시스템보다 사용자의 의견을 더 정교하게 추천시스템에 반영시켜 정확도를 향상시켰다. 이를 기반으로 다양한 분석을 시행한다면 추천의 정확도가 더 높아질 것으로 기대된다.

As the importance of providing customized services to individuals becomes important, researches on personalized recommendation systems are constantly being carried out. Collaborative filtering is one of the most popular systems in academic and industrial. However, there is a problem that recommendation is limited to quantitative information such as users'' ratings or usage, and the accuracy is lowered. To solve these problems, many studies have been actively attempted to improve the performance of the recommendation system by using other information besides the quantitative information. Although the sentiment analysis using the review is representative, existing research has a limitation that it does not directly reflect the results of the sentiment analysis directly to the recommendation system. The purpose of this study is to quantify the sentiment shown in the reviews and reflect them in the ratings. We propose a new algorithm that can convert the user''s own review into empirical quantitative information and reflect it directly to the recommendation system. In order to do this, quantitative evaluation of user’s qualitative information should be quantified. In this study, sentiment score was calculated through sentiment analysis technique of text mining. Based on the data, a domain specific sentiment dictionary is constructed for the movie review, and the sentiment score of the review is calculated based on this. In this paper, we confirmed that the collaborative filtering that reflects the sentiment score of the user review shows better accuracy than the conventional method of collaborative filtering that only considers the rating. We then tried t-test validation to ensure that the proposed model was a better approach and concluded that the proposed model is better. In this study, to overcome limitations of previous researches that judge user ''s sentiment with only ratings, the review was numerically evaluated and the user''s sentiment was more refined in the recommendation system than the existing rating system to improve the accuracy. Based on the quantified data, it is expected that the accuracy of recommendation will be higher if various analyzes that have not been done before are carried out.

#경영전략

제1장 연구 배경 및 목표 1
제1절 연구 배경 및 목적 1
제2절 연구 방법 3
제3절 연구 구성 4
제2장 선행연구 5
제1절 추천 시스템 5
제2절 사용자 리뷰를 반영한 추천 시스템 10
제3절 감성 분석을 활용한 추천 시스템 11
제4절 사전 구축 기반의 감성 분석 13
제3장 연구 설계 및 프로세스 15
제1절 데이터 수집(Web crawling) 16
제2절 데이터 표본 추출(Sampling) 17
제3절 평점(Rating) - 평점 정규화(Normalization) 18
제4절 리뷰(Review) - 전처리(Preprocessing) 19
제5절 리뷰(Review) - 감성분석(Sentiment Analysis) 19
3.5.1. 리뷰 데이터 수집(Data Collecting) 19
3.5.2. 리뷰 데이터 전처리(Preprocessing) 20
3.5.3. 사전 구축(Make dictionary) 20
3.5.4. 사전 정확성 검증(Verification) 23
제6절 감정수치를 반영한 평점(New rating) 25
제7절 평점 예측(Rating prediction) 26
제4장 분석 결과 30
제1절 실험 평가 방법 30
제2절 실험 결과 31
제5장 결론 36
제1절 논의 36
제2절 의의 37
제3절 한계점 38
References 39
Abstract 42

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)