다형질 데이터를 이용한 추천 시스템

Abstract

인터넷과 스마트 폰의 발전에 따라 일상에서 인터넷상에서 구매기록과 같은, 다양한 사람들의 행동이 전자적인 형태로 기록되고 있다. 소셜 네트워크의 진화에 따라, 특정 객체 간의 단순 일차원 관계의 관계뿐만 아니라 다차원의 다형질 관계도 축적되고 있다. 우리가 일상적으로 접근하는 많은 포털 사이트는 고객의 정보를 이용해서 고객의 성향을 파악하기 위해 노력하고, 파악된 성향을 이용하여 다양한 시장 전략에 활용한다. 이러한 전략의 중 하나는 추천 시스템이다. 추천 시스템은 고객의 소비를 증가시키는데 가장 효과적인 방법으로 여겨졌다. 이에 따라 추천 시스템의 중요성과 영향력은 커지는 추세다. 전통적인 추천 시스템은 협력 여과 기법을 이용해서 상품을 추천해왔다. 그러나 이러한 시스템은 추천이 어떠한 과정으로 동작했는지 설명하지 않는다. 그리고 단지 구매 기록, 선호 점수 등과 같은 단순한 기록에만 의존한다. 본 논문에서는 영화 추천에 중점을 두어 두 종류의 추천 시스템을 제안했다. 첫 번째 종류의 시스템은 `이유를 밝히는 추천 시스템’이다. 왜냐하면, 이러한 시스템은 사람들이 영화를 선택했던 이유를 분석하기 때문이다. 우리는 배우, 감독, 대중성과 같이 사람들이 볼 영화를 선택할 때, 영향력 있을지 모르는 세 가지 종류의 영화 속성을 가정했다. 영화 선택의 이유로 가장 강력한 영향을 보여주는 속성을 판별한 후에, 이런 이유를 영화 추천에 활용했다. 우리는 실험에서 이유가 추천에 적합하고 잘 동작한 경우들을 볼 수 있었다. 두 번째 종류의 추천 시스템은 추천에 행렬 분해를 이용한다. 우리는 두 가지 수학적 모델을 제안하였고, 이 두 가지 모델의 특징은 다형질 데이터와 행렬 분해 기술을 함께 융합하여 추천의 정확도를 높이는 것이다. 그리고 우리는 실험을 통해 이러한 모델들의 성능을 평가하였다. 실험 결과의 신뢰도를 높이기 위해서 우리는 두 가지 다른 방법의 평가 방법을 적용했다.|As the spread of the internet and smart phones, a variety of people behaviours in common life, such as purchase history in internet are recorded in electronic form. According to the evolution of social networks, not only just a simple one-dimensional relationships between a species of objects but also multi-dimensional heterogeneous relationships of objects have been accumulated. Many portal sites which we are able to access commonly try to find appetites of customers from the information of the customers and conjugate them in numbers of marketing strategies. One of such strategies is recommender systems. Recommender systems are treated as the most efficient way to increase consuming of customers. Therefore, the importance and influence of recommender systems are growing up. Traditional recommender systems have recommended items by using collaborative filtering techniques. But these systems do not explain the process of how a recommendation works and just rely on simple records, like purchase records, preference ratings and so on. In this paper, we focus on movie recommendations and propose two kinds of recommender systems. The first kind of systems has a property which uncover reasons why people picked a movie. We assume there exists three attributes, i.e. actor, director, and popularity, when people choose a movie. We compute the most effective attribute and utilize this for recommendations. The second kind of recommender systems utilizes matrix factorization. We suggest two mathematical models which converge heterogeneous data and matrix factorization techniques together. We verify the performance of those models. For improving reliability of our results, we apply two different measures for evaluating.; As the spread of the internet and smart phones, a variety of people behaviours in common life, such as purchase history in internet are recorded in electronic form. According to the evolution of social networks, not only just a simple one-dimensional relationships between a species of objects but also multi-dimensional heterogeneous relationships of objects have been accumulated. Many portal sites which we are able to access commonly try to find appetites of customers from the information of the customers and conjugate them in numbers of marketing strategies. One of such strategies is recommender systems. Recommender systems are treated as the most efficient way to increase consuming of customers. Therefore, the importance and influence of recommender systems are growing up. Traditional recommender systems have recommended items by using collaborative filtering techniques. But these systems do not explain the process of how a recommendation works and just rely on simple records, like purchase records, preference ratings and so on. In this paper, we focus on movie recommendations and propose two kinds of recommender systems. The first kind of systems has a property which uncover reasons why people picked a movie. We assume there exists three attributes, i.e. actor, director, and popularity, when people choose a movie. We compute the most effective attribute and utilize this for recommendations. The second kind of recommender systems utilizes matrix factorization. We suggest two mathematical models which converge heterogeneous data and matrix factorization techniques together. We verify the performance of those models. For improving reliability of our results, we apply two different measures for evaluating.