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
- 정여진
- 발행연도
- 2019
- 저작권
- 국민대학교 논문은 저작권에 의해 보호받습니다.
이용수8
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
추천 시스템은 사용자의 취향이나 관심사를 고려하여 사용자들의 요구에 가장 적합한 아이템을 추천해주며 사용자의 의사결정을 도와주는 시스템이다. 과거에는 상품 추천을 할 때 사용자가 어떤 사람인지 상관없이 모든 이용자에게 똑같은 정보를 제공하여 사용자는 기호와 선호도와는 무관한 정보를 얻는 경우가 많았다. 이러한 문제를 해결하기 위해 검색, 클릭 수 및 평점 등과 같이 사용자와 아이템 간의 상호 정보를 기반으로 정확한 추천을 제시하는 협업 필터링 추천 기법이 등장하였다.
자연어 처리에서 문장 내부의 단어 간의 연관성을 파악하여 벡터로 변환하는 방법인 Word2Vec을 텍스트 분석 분야뿐만이 아닌 상품 추천 시스템에서 활용하여 사용자 및 아이템 간의 유사도를 개선한 협업 필터링 추천 연구가 제안되었다. 더 나아가 전역 문맥뿐만 아니라 단어의 지역 문맥을 함께 고려한 하이브리드 방식의 모델인 GloVe를 활용한 아이템 기반 협업 필터링 추천 방법과 또한 각각의 문서를 하나의 벡터로 표현하여 비슷한 의미를 가진 각각의 문서들을 벡터 공간상 근거리에 위치하도록 벡터를 생성하는 기법인 Doc2Vec 모델을 사용하여 Paragraph Vector를 통해 사용자 간 유사도를 개선한 사용자 기법 협업 필터링 추천이 제안되었다.
본 논문에서는 하나의 아이템에 평가한 모든 사용자를 평점순으로 나열하여 한 문장으로 구성하는 방법을 제안하여 기존 논문에서 사용한 문장 구성 방법들과 성능을 비교하고, 다양한 사용자 벡터화 기법을 활용하여 유사도를 개선하고 사용자 기반 협업 필터링에 적용시켜 추천 시스템의 성능을 높이는 방안을 제시한다. 특히 Doc2Vec에서 PV-DM 모델을 사용하여 한 문장의 문서 벡터를 하나의 아이템으로, 단어 벡터들을 한 아이템을 평가한 모든 사용자들로 치환한 후 같은 공간 안에서 평균 계산된 사용자 벡터를 활용하여 사용자 간의 유사도를 개선한 사용자 기반 협업 필터링 추천 방법과 문장 내에 있는 전체 단어의 통계정보를 제대로 활용하지 못하는 Word2Vec의 단점을 보완한 알고리즘인 GloVe를 이용한 사용자 협업 필터링 추천 방법을 함께 제시한다.
실험은 다양한 사용자 벡터화 기법을 통해 얻은 벡터들로 사용자간 유사도를 개선한 사용자 기반 협업 필터링 추천에 적용하였고 모델마다 성능을 비교하였다. 실험 결과로 본 논문에서 제안한 문장 구성 방법을 사용하였을 때 모든 기법에서 성능이 더 좋은 것을 확인하였고, 제안했던 기법인 Doc2Vec PV-DM 모델을 통해 사용자에 해당하는 Word Vector를 구하여 사용자간 유사도를 개선한 방법과 GloVe를 통해 사용자 벡터를 구하여 사용자 간 유사도를 개선시킨 모델이 더 좋은 성능을 보인 것을 확인하였다.
자연어 처리에서 문장 내부의 단어 간의 연관성을 파악하여 벡터로 변환하는 방법인 Word2Vec을 텍스트 분석 분야뿐만이 아닌 상품 추천 시스템에서 활용하여 사용자 및 아이템 간의 유사도를 개선한 협업 필터링 추천 연구가 제안되었다. 더 나아가 전역 문맥뿐만 아니라 단어의 지역 문맥을 함께 고려한 하이브리드 방식의 모델인 GloVe를 활용한 아이템 기반 협업 필터링 추천 방법과 또한 각각의 문서를 하나의 벡터로 표현하여 비슷한 의미를 가진 각각의 문서들을 벡터 공간상 근거리에 위치하도록 벡터를 생성하는 기법인 Doc2Vec 모델을 사용하여 Paragraph Vector를 통해 사용자 간 유사도를 개선한 사용자 기법 협업 필터링 추천이 제안되었다.
본 논문에서는 하나의 아이템에 평가한 모든 사용자를 평점순으로 나열하여 한 문장으로 구성하는 방법을 제안하여 기존 논문에서 사용한 문장 구성 방법들과 성능을 비교하고, 다양한 사용자 벡터화 기법을 활용하여 유사도를 개선하고 사용자 기반 협업 필터링에 적용시켜 추천 시스템의 성능을 높이는 방안을 제시한다. 특히 Doc2Vec에서 PV-DM 모델을 사용하여 한 문장의 문서 벡터를 하나의 아이템으로, 단어 벡터들을 한 아이템을 평가한 모든 사용자들로 치환한 후 같은 공간 안에서 평균 계산된 사용자 벡터를 활용하여 사용자 간의 유사도를 개선한 사용자 기반 협업 필터링 추천 방법과 문장 내에 있는 전체 단어의 통계정보를 제대로 활용하지 못하는 Word2Vec의 단점을 보완한 알고리즘인 GloVe를 이용한 사용자 협업 필터링 추천 방법을 함께 제시한다.
실험은 다양한 사용자 벡터화 기법을 통해 얻은 벡터들로 사용자간 유사도를 개선한 사용자 기반 협업 필터링 추천에 적용하였고 모델마다 성능을 비교하였다. 실험 결과로 본 논문에서 제안한 문장 구성 방법을 사용하였을 때 모든 기법에서 성능이 더 좋은 것을 확인하였고, 제안했던 기법인 Doc2Vec PV-DM 모델을 통해 사용자에 해당하는 Word Vector를 구하여 사용자간 유사도를 개선한 방법과 GloVe를 통해 사용자 벡터를 구하여 사용자 간 유사도를 개선시킨 모델이 더 좋은 성능을 보인 것을 확인하였다.
목차
국문 요약 vi제1장 서론 11.1 연구 목적 11.2 연구 내용 3제2장 관련 연구 42.1 협업 필터링 추천 기법 42.2 Word2Vec을 활용한 추천 72.3 GloVe를 활용한 추천 112.4 Doc2Vec을 활용한 추천 132.5 분산 표상 방법을 위한 문장 구성 방법 15제3장 사용자 벡터화 기법을 활용한 협업 필터링 추천 시스템 193.1 사용자를 평점순으로 나열한 문장 구성 방법 193.2 Doc2Vec과 GloVe를 활용한 사용자 기반 협업 필터링 추천 21제4장 실험 및 성능 평가 224.1 실험 환경 및 데이터 224.2 실험 방법 234.3 성능 평가 기준 294.4 실험 결과 30제5장 결론 및 향후 연구 43참고 문헌 44Abstract 49
최근 본 자료
댓글(0)
0