딥러닝 알고리즘을 활용한 인테리어 추천 시스템

Abstract

최근 디지털 기술의 발전으로 사용자들은 다양하고 많은 정보에 노출되고 있으며, 이에 따라 고객의 욕구와 취향은 더욱 다양해지고 복잡해지고 있다. 이로 인해 사용자 개인에게 특화된 서비스를 제공하는 추천 시스템의 중요성은 증대되고 있으며, 이는 온라인 상에서의 경쟁력 강화 및 사용자 경험의 향상을 위한 필수적인 과제로 부각되고 있다. 사용자의 선호도와 행동 패턴을 기반으로 한 사용자 기반 아이템 추천 시스템을 탐구하고자 한다. 이러한 추천 시스템은 사용자들 간의 유사성을 파악하고, 비슷한 취향을 가진 사용자가 선호한 아이템을 추천함으로써 사용자 경험을 향상시키는 데 중점을 두었다. 인터넷과 온라인 플랫폼의 발전으로 다양한 아이템이 제공되고 있으나, 사용자들은 너무 많은 선택지로 인해 결정하기 어려워하는 경우가 빈번하다. 사용자 기반 아이템 추천 시스템은 이러한 문제를 해결하기 위해 사용자의 선호도를 분석하고, 비슷한 사용자들이 선호한 디자인 스타일을 추천하여 개인화된 경험을 추천의 품질을 향상시키고자 한다. 본 연구는 KNN(K-Nearest Neighbor), MF(Matrix Factorization) Neural Collaborative Filtering(Neural CF), Deep Factorization Machine(DeepFM) 등 4가지 주요 추천 시스템 모델의 성능을 비교 분석하였다. 이렇게 분석된 결과를 토대로, 기존 모델의 한계를 극복하고 가장 우수한 성능을 보였던 2가지 모델을 Ensemble한 모델을 제안하였다.

제안된 이 Ensemble Model은 DeepFM의 Wide & Deep 구조와 NeuralCF의 잠재 요인학습 능력을 결합하여 다양한 특성을 효과적으로 학습하고 반영하였다. 이로써 다른 추천 시스템보다 성능을 향상시킬 수 있으며, 다양한 사용자 특성과 아이템 속성을 효과적으로 모델링할 수 있었다. 이 연구에서는 DeepFM과 NeuralCF을 Ensemble한 Model이 주어진 4가지에 기존 모델들보다 추천 정확도가 더욱 높았다. 이는 즉, 제안된 시간 기반 Ensemble 모델이 기존의 사용자 기반의 구매 이력 정보를 고려하지 않은 모델들에 비해 더욱 향상된 성능을 보여주었다.|Interior recommendation system utilizing deep learning algorithms Lee, Hyun-Ho Dept of Electrical Engineering and Computer Science The Graduate School of Engineering Hanyang University With the recent advancement of digital technology, users are exposed to a wide variety of information, and their needs and tastes are becoming more diverse and complex. As a result, the importance of recommender systems that provide specialized services to individual users is increasing, and it is emerging as an essential task for enhancing online competitiveness and improving user experience. In this paper, we explore user-based item recommendation systems based on user preferences and behavior patterns. These recommendation systems focus on identifying similarities among users and enhancing user experience by recommending items preferred by users with similar tastes. With the development of the Internet and online platforms, a wide variety of items are available, but users often find it difficult to make a decision due to too many choices. To solve this problem, user-based item recommendation systems aim to improve the quality of recommendations by analyzing users' preferences and recommending design styles preferred by similar users to provide a personalized experience. This study compares the performance of four major recommendation

system models, including K-Nearest Neighbor (KNN), Matrix Factorization (MF) Neural Collaborative Filtering (Neural CF), and Deep Factorization Machine (DeepFM). Based on these analyzed results, we proposed a model that overcomes the limitations of existing models and ensembles the two best performing models. The proposed ensemble model combines the wide and deep structure of DeepFM and the latent factor learning ability of NeuralCF to effectively learn and reflect various characteristics. It can outperform other recommendation systems and effectively model various user characteristics and item attributes. This study shows that the DeepFM and NeuralCF ensemble model is effective in improving collaborative filtering performance in recommendation systems, and is expected to contribute to the development of recommendation systems that consider users' diverse tastes and item characteristics.