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
- 발행연도
- 2020
- 저작권
- 서울대학교 논문은 저작권에 의해 보호받습니다.
이용수1
이 논문의 연구 히스토리 (4)
2020
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
추천시스템은 유저의 소비를 이끌기 위해 여러 기업에서 사용하고 있다. 초기 행렬분해법을 이용한 방식은 데이터 희소성과 콜드 스타트 문제로 인해 정확도 높은 추천이 어려웠다.
최근 신경망을 기반으로 리뷰를 이용하여 데이터 희소성을 보완함과 동시에 성능을 향상하는 모델들이 등장하였다. 이 중에 어텐션 메커니즘을 활용하여 유저와 아이템에서 각각 특징 벡터를 뽑아낸 후 고차원에서 유저와 아이템 특징 벡터와 평점의 관계를 찾아내는 방식이 효과적이었다. 하지만, 어텐션 스코어를 구하는데 리뷰의 단어로부터 개별적인 유저 또는 아이템의 성향을 찾아 반영한다면 단어 수준에서 더 효과적인 어텐션 스코어를 구할 수 있다. 또한 유저는 여러 아이템에 대해 리뷰들을 쓰고, 아이템도 여러 유저들에 의해 리뷰들이 쓰인다. 이를 구분하여 유저의 선호도 혹은 아이템의 특성을 추출하는데 유용한 리뷰들을 찾을 수 있다.
따라서, 본 논문에서는 단어 수준으로 기존 어텐션 스코어 계산 방식을 변형하여 유저와 아이템 아이디에 대한 개별적 잠재 요인을 적용한 어텐션 계산방식을 사용하는 모델을 제안한다. 또한 개별적 요인이 반영된 단어 수준 어텐션 방식과 리뷰 수준으로 중요한 리뷰를 반영하는 방식을 계층적으로 융합하는 또 하나의 모델을 제안한다. 3가지 실생활 데이터에 대해 제안하는 모델의 추천 성능이 기존연구보다 우수함을 검증하였다.
최근 신경망을 기반으로 리뷰를 이용하여 데이터 희소성을 보완함과 동시에 성능을 향상하는 모델들이 등장하였다. 이 중에 어텐션 메커니즘을 활용하여 유저와 아이템에서 각각 특징 벡터를 뽑아낸 후 고차원에서 유저와 아이템 특징 벡터와 평점의 관계를 찾아내는 방식이 효과적이었다. 하지만, 어텐션 스코어를 구하는데 리뷰의 단어로부터 개별적인 유저 또는 아이템의 성향을 찾아 반영한다면 단어 수준에서 더 효과적인 어텐션 스코어를 구할 수 있다. 또한 유저는 여러 아이템에 대해 리뷰들을 쓰고, 아이템도 여러 유저들에 의해 리뷰들이 쓰인다. 이를 구분하여 유저의 선호도 혹은 아이템의 특성을 추출하는데 유용한 리뷰들을 찾을 수 있다.
따라서, 본 논문에서는 단어 수준으로 기존 어텐션 스코어 계산 방식을 변형하여 유저와 아이템 아이디에 대한 개별적 잠재 요인을 적용한 어텐션 계산방식을 사용하는 모델을 제안한다. 또한 개별적 요인이 반영된 단어 수준 어텐션 방식과 리뷰 수준으로 중요한 리뷰를 반영하는 방식을 계층적으로 융합하는 또 하나의 모델을 제안한다. 3가지 실생활 데이터에 대해 제안하는 모델의 추천 성능이 기존연구보다 우수함을 검증하였다.
목차
제 1 장 서론 1제 1 절 연구의 배경 및 내용 1제 2 장 관련 연구 3제 1 절 행렬분해법 3제 2 절 사전학습 단어 임베딩 5제 3 절 컨볼루션 신경망 10제 4 절 어텐션 메커니즘 12제 3 장 제안하는 어텐션 메커니즘 15제 1 절 개별적 정보를 반영한 어텐션 메커니즘 15제 2 절 리뷰 수준 어텐션 메커니즘 18제 4 장 실험 20제 1 절 실험 환경 및 실험 데이터 20제 2 절 성능 측정 지표 및 실험 설정 21제 3 절 실험 결과 및 분석 22제 5 장 결론 25참고문헌 26Abstract 28
최근 본 자료
댓글(0)
0