콘텐츠 타입을 활용한 적응적 협력 추천 시스템

Abstract

본 연구에서는 기존의 추천 시스템에서 널리 사용되고 있는 협력 추천(Collaborative Recommendation)이 가지고 있는 Sparse Matrix Problem과 Cold Start Problem을 완화시키면서 추천 성능을 향상시킬 수 있는 콘텐츠의 타입을 활용한 적응적 협력 추천 시스템을 제안한다. 기존의 협력 추천 시스템에서는 사용자가 시스템에 처음 접속하여 사용자의 평점 정보 데이터가 존재하지 않는 Cold Start Problem이나 콘텐츠에 반영한 평점 정보가 충분하지 않은 경우의 Sparse Matrix Problem으로 인해 추천의 성능이 떨어지거나 추천이 불가능해진다. 이러한 문제점을 해결하기 위해 콘텐츠의 타입을 활용하여 User-Content Matrix에 비해 상대적으로 밀도가 높은 User-Content_Type Matrix를 만들고 협력 추천을 적용하여 사용자의 콘텐츠 타입에 대한 선호도를 예측하였다. 그 후에 User-Content_Type Matrix를 이용하여 구해진 콘텐츠 타입에 대한 선호도 예측 값과 User-Content Matrix를 이용하여 구한 콘텐츠에 대한 선호도 예측 값을 전체 데이터의 크기나 사용자가 평가한 평점의 개수에 따라 적응적으로 각각의 예측 값에 가중치를 적용하여 조합하고 이를 사용자에 대한 추천에 사용한다. 본 연구의 마지막에서는 콘텐츠 타입을 활용한 적응적 협력 추천 시스템의 성능 평가를 위해 MAE(Mean Absolute Error)와 Coverage를 측정하였으며 실험 결과를 기존의 협력 추천과 선행 연구한 콘텐츠 타입을 활용한 협력추천(CRCT)과 비교하여 성능향상을 확인하였다.