콘텐츠 타입을 활용한 적응적 협력 추천

Abstract

본 연구에서는 기존의 협력 추천이 가지고 있는 Sparse Matrix Problem과 Cold Start Problem을 완화시키면서 추천 성능을 향상시킬 수 있는 콘텐츠의 타입을 활용한 적응적 협력 추천을 제안한다. 기존 협력 추천 시스템에서는 사용자가 최초 접속하여 사용자의 평점 정보 데이터가 존재하지 않거나 콘텐츠에 반영한 평점의 충분한 정보가 없을 경우에는 Sparse Matrix Problem으로 인해 추천 성능이 떨어지거나 추천이 불가능해진다. 이러한 문제점을 해결하기 위해 콘텐츠의 타입을 활용해 User-Content Matrix에 비해 상대적으로 밀도가 높은 User-Content_Type Matrix를 만들고 협력 추천을 적용하여 콘텐츠 타입에 대한 선호도를 계산하고 이를 User-Content Matrix를 사용한 콘텐츠에 대한 선호도 예측 값에 반영하였다. 반영하는 방법은 콘텐츠에 대한 선호도 예측 값과 콘텐츠 타입에 대한 선호도 예측 값에 각각의 가중치를 적용하여 조합한다. 본 추천 시스템의 성능 평가를 위해 MAE(Mean Absolute Error)와 Coverage를 사용하였으며 실험 결과를 통하여 기존의 협력 추천과 선행 연구한 CRCT와 비교하여 성능향상을 확인하였다. This paper proposes an adaptive and collaborative recommendation method using content type, which can improve performance considerably by alleviating sparse matrix and cold start problems. If conventional methods don't have user's rating data when a new user comes into the system or don't have enough data for some users, they can't recommend any content to the users due to insufficiency of matrix data. To resolve these problems, we propose a user-content_type matrix with relatively higher density than conventional user-content matrix. Using user-content_type matrix, we compute user's preference for a content type and then reflect it to the prediction of preference for each content. A method of reflection is combining prediction of preference for a content with prediction for its type. Using a MAE(Mean Absolute Error) and Coverage measures for performance evaluation. We identify significant performance improvement compared to existing collaborative recommendation methods.