닫기
Loading..

Please wait....

국내 논문지

홈 홈 > 연구문헌 > 국내 논문지 > 한국정보통신학회 논문지 (J. of the Korea Inst. of Information&Communication Engineering)

한국정보통신학회 논문지 (J. of the Korea Inst. of Information&Communication Engineering)

Current Result Document : 3 / 18 이전건 이전건   다음건 다음건

한글제목(Korean Title) 암시적 피드백 데이터의 행렬 분해 기반 누락 데이터 모델링
영문제목(English Title) Missing Data Modeling based on Matrix Factorization of Implicit Feedback Dataset
저자(Author) 기가기   정영지   Ji JiaQi   Yeongjee Chung  
원문수록처(Citation) VOL 23 NO. 05 PP. 0495 ~ 0507 (2019. 05)
한글내용
(Korean Abstract)
데이터 희소성은 추천 시스템의 주요 과제 중 하나이다. 추천 시스템에서는, 일부분만 관찰된 데이터이고 다른 부분은 데이터가 누락된 대용량 데이터를 포함하고 있다. 대부분의 연구에서는, 데이터 세트에서 무작위로 데이터가 누락되었다고 가정하고, 관찰된 데이터만을 사용하여 추천 모델을 학습함으로써 사용자에게 항목을 추천하고 있다. 그러나, 실제로는 누락된 데이터는 무작위로 손실되었다고 볼 수 없다. 본 연구에서는, 누락 된 데이터를 사용자적 관심의 부정적인 예라고 간주하였다. 또한, 3가지 샘플 접근 방식을 SVD 알고리즘과 결합하여 SVD _W, SVD _R 그리고 SVD _KNN 알고리즘을 제안하였다. 실험결과를 통하여, 제안한 3가지 샘플 접근 방식이 기존의 기본적인 알고리즘 보다 Top-N 추천에서 정확성과 회수율을 효과적으로 향상시킬 수 있다는 것을 보였다. 특히, SVD _KNN 가 가장 우수한 성능을 보였는데, 이는 KNN 샘플 접근 방식이 사용자적 관심의 부정적인 예를 추출하는데 가장 효율적인 방법이라는 것을 보여주었다.
영문내용
(English Abstract)
Data sparsity is one of the main challenges for the recommender system. The recommender system contains massive data in which only a small part is the observed data and the others are missing data. Most studies assume that missing data is randomly missing from the dataset. Therefore, they only use observed data to train recommendation model, then recommend items to users. In actual case, however, missing data do not lost randomly. In our research, treat these missing data as negative examples of users’ interest. Three sample methods are seamlessly integrated into SVD algorithm and then propose SVD _W, SVD _R and SVD _KNN algorithm. Experimental results show that proposed sample methods effectively improve the precision in Top-N recommendation over the baseline algorithms. Among the three improved algorithms, SVD _KNN has the best performance, which shows that the KNN sample method is a more effective way to extract the negative examples of the users’ interest.
키워드(Keyword) 추천 시스템   행렬 분해   누락 데이터   데이터 희소성   Recommender System   Matrix Factorization   Missing Data   Data Sparsity  
파일첨부 PDF 다운로드