[추천시스템] 추천 시스템 기법 연구동향 분석 논문 요약

 

 

1. 서론 

- 추천시스템의 종류 

 

 

추천 시스템 기법 연구동향 분석 (2015) (손지은, 김성범, 김현중, 조성준)

 

- 베스트셀러기반 추천방법 :

판매량이 많은 순서대로 상품을 추천, 고객의 개인정보 없이 신속한 추천 가능, 개인화 추천 불가 

- 최소 질의대상 상품결정방법 :

설문에 의거하여 추천 , 고객의 응답 불완전성 추천결과에 대한 신뢰성 저하 

 

2. 콘텐츠기반 접근방식 

 

추천 시스템 기법 연구동향 분석 (2015) (손지은, 김성범, 김현중, 조성준)

 

 

    2.1 콘텐츠기반 접근방식의 특징 

        (1) 독립적 정보활용 

            - 다른 사용자의 정보가 부족할 경우에도 유용하게 쓰일 수 있음

            - 과거 구매이력이 부족할 경우 추천의 성능을 보장할 수 없음  

        (2) 새로운 아이템 

            - 아이템에 대한 평가점수가 존재하지 않더라도, 아이템 간의 속성을 파악하여 카테고리에 할당됌 

            - 신규 아이템이 추천 리스트에 포함되지 않는 First rater 문제가 발생하지 않음 

        (3) 과도한 특수화(Over Specialization) 

            - 이전에 구매한 상품과 너무 비슷한 상품들 만이 추천됌. 

 

    2.2 콘텐츠 기반 접근방식 

        (1) 아이템 속성 분석 

            - 구조적 데이터 : ex) 주연배우, 감독, 개봉일 , 장르, 배급사의 속성값을 갖고있는 영화 DB 

               K-menas와 같은 기계학습 알고리즘 적용, 카테고리 생성할 수 있음 

            - 비구조적 데이터 : ex) 이미지, 소리, 텍스트 

               -키워드 분석 : TF-IDF 

 

 

                  * TF: 한 아이템 내에서 특정 단어가 출현한 빈도수 

 

 

                 * item - keyword 행렬 

               -아이템 간의 유사도 계산 - 코사인 유사도 

 

 

             아이템3을 선호하는 사용자에게는 아이템 3과 아이템 2를 추천하게 됌 

         - 문제점 :

             하나의 단어가 다양한 의미를 가지는 경우, 실제로 유사하지 않은 아이템이 추천될 수 있음 

             다양한 단어로 표현되지만 실제로 같은 의미를 가지는 경우엔 내용적으로 유사하더라도 추천리스트에서 누락될 수 있음 

           - 의미 분석 : Wordnet : (품사별 동의어 관계를 링크로 연결한 대형 네트워크) 활용 

        (2) 사용자 선호도 학습 

           - 나이브 베이즈모델, 의사결정나무, K-근접 이웃기법 등과 같은 기계학습을 이용 

 

3. 협력필터링 

    3.1 협력필터링의 특징 

        (1) 데이터 희소성(Sparsity) 

        (2) 확장성(Scalability) 

        (3) Grey Sheep 

        (4) Shilling Attack 

    3.2 기억 기반 협력필터링 

        (1) 유사도 측정 

        (2) 선호도 예측 

        (3) 상위 N개 아이템 추천 

    3.3 모델 기반 협력필터링 

        (1) 나이브 베이즈 

        (2) 군집화

    3.4 차원 축소 

    3.5 그 밖의 협력필터링 기반 추천 시스템 

4. 하이브리드 시스템 

5. 연관성 분석 

6. 시간적 역동성을 고려한 추천 시스템 

7. 다양성 향상을 위한 추천 시스템 

8. 평가 방법 

    8.1 점수 예측 알고리즘의 평가방법 

    8.2 아이템 추천 알고리즘의 평가방법 

    8.3 기타 정확도 기반 평가방법 

    8.4 다양성 기반 평가방법 

    8.5 기타 평가방법에 대한 논의 

9. 적용 사례 

    9.1 해외 적용 사례 

        (1) GroupLens Research 

        (2) Amazon.com 

        (3) Netflix 

        (4) 그 밖의 사례 

    9.2 국내 적용 사례 

        (1) 알라딘 

        (2) 왓챠

        (3) 다음 쇼핑하우 

10. 추천시스템 소프트 웨어 

    10.1 추천 시스템 소프트웨어의 종류 

    10.2 'Recommenderlab' 구현 

        (1) 데이터 

        (2) 예측 및 평가 

11. 결론 

 

 

 

 

 

 

논문 출처: 

http://www.ndsl.kr/soc_img/society/kiie/SGHHB1/2015/v41n2/SGHHB1_2015_v41n2_185.pdf