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
- 김현철
- 발행연도
- 2022
- 저작권
- 고려대학교 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
협업 필터링(collaborative filtering, CF)기반 추천 시스템이 갖는 데이터 희소성 문제 등의 한계를 극복하기 위해, 최근 지식 그래프(knowledge graph, KG)가 부가 정보(side information)로 주목받고 있다. 그러나, 현재 존재하는 지식 그래프 기반 추천 기법을 대규모 온라인 공개강좌(massive open online courses, MOOCs) 플랫폼에서 강좌를 추천하는 데에 쓰기에는 어려움이 존재한다. 이를 극복하기 위해 본 연구에서는 지식 그래프 기반 맞춤형 강좌 추천 기법(Knowledge Graph Enhanced Course Recommendation, KPCR)을 제안한다. KPCR에서는 MOOCs 플랫폼 내부의 정보(internal information)와 외부 지식 베이스(external knowledge base)가 학습자 및 강좌와 관련된 키워드를 매개로 통합되어 부가 정보로 사용된다. 또한, 강좌와 학습자의 수준을 예측하며 학습되는 레벨 임베딩 모듈(level embedding module)을 추가하여 지식 그래프 임베딩 모듈(knowledge graph embedding module)과 함께 보조적인 모듈로서 추천 모듈(recommendation module)의 학습을 guide하게된다.
실세계 데이터 세트들로 수행한 실험을 통해 통합된 지식 그래프가 부가 정보로 강좌 추천의 성능을 향상시켰음을 확인하였고, 또한 지식 그래프 임베딩 모듈과 레벨 임베딩 모듈이 보조적인 모듈로 함께 학습되며 강좌 추천의 성능을 향상시키는 것을 확인하였다. 추가로, 실제 MOOCs 플랫폼 사용자들을 대상으로 실시한 사용자 만족도 조사에서도 KPCR의 효과성이 입증되었다.
실세계 데이터 세트들로 수행한 실험을 통해 통합된 지식 그래프가 부가 정보로 강좌 추천의 성능을 향상시켰음을 확인하였고, 또한 지식 그래프 임베딩 모듈과 레벨 임베딩 모듈이 보조적인 모듈로 함께 학습되며 강좌 추천의 성능을 향상시키는 것을 확인하였다. 추가로, 실제 MOOCs 플랫폼 사용자들을 대상으로 실시한 사용자 만족도 조사에서도 KPCR의 효과성이 입증되었다.
목차
1 서론 11.1 연구 배경 ...........................................................11.2 연구 내용 ...........................................................21.3 논문 구성 ...........................................................22 관련 연구 42.1 MOOCs에서의 추천 시스템과 지식 그래프 .............42.2 지식 그래프 임베딩 ..............................................52.3 지식 그래프 기반 추천 시스템 ................................53 지식 그래프 구축 및 문제 정의 73.1 내부 지식 그래프 ..................................................73.2 외부 지식 그래프 ..................................................83.3 학습자-강좌 수준 그래프.........................................93.4 문제 정의............................................................104 지식 그래프 임베딩 및 모델 예측 114.1 구조적 임베딩 ......................................................114.2 레벨 임베딩 .........................................................124.3 모델 최적화 및 예측 ..............................................135 데이터를 이용한 실험 155.1 데이터 세트 .........................................................155.2 지식 그래프 구축 ..................................................165.3 학습자-강좌 수준 그래프 구축.................................165.4 실험 세팅 ............................................................175.5 실험 결과 ............................................................186 사용자 만족도 조사 226.1 참여자 정보 .........................................................236.2 측정 도구 ............................................................236.2.1 맞춤형 서비스에 대한 사용자 만족도..................236.2.2 추천 시스템의 가치 ........................................246.3 조사 결과 ............................................................247 결론 및 향후 과제 25참고 문헌 26
최근 본 자료
댓글(0)
0