추천상품 순위선정을 위한 유동적인 응답수에 반응하는 협력적 필터링에 관한 연구

A Study on Collaborative Filtering in Responding to Fluid Responses for Recommend Product Ranking

추천시스템은 추천상품 순위를 선정하기 위한 시스템으로 예측정확도가 높은 알고리즘을 구축하는 것이 중요하다. 알고리즘의 예측정확도는 고객이 상품에 평가한 선호도의 개수, 즉 응답수에 영향을 받는다. 기존의 연구들은 임의의 가중치를 응답수에 부가하여 예측정확도를 높였으나, 임의의 수치에 대한 명확한 이유는 제시되지 않았다. 본 연구는 고객별 응답수에 대한 정보들과 고객별 순위일치도를 시뮬레이션하여 응답수에 따라 반응하여 형성된 가중치를 적용한 알고리즘을 제안하고, 기존의 알고리즘들과 순위일치도를 비교평가하였다. 그 결과, 제안한 알고리즘의 순위일치도가 가장 높게 나타났으며, 특히 응답수가 적은 경우에 제안한 알고리즘의 순위일치도의 상승률이 매우 높은 것으로 나타났다. 연구의 진행을 위해 GroupLens의 자료들(100k 자료, 1M 자료)을 사용하였으며, 제안한 알고리즘의 순위일치도를 비교평가하기 위해 이웃기반의 협력적 필터링, Herlocker의 협력적 필터링, 대응평균알고리즘, 지수-대응평균알고리즘을 사용하였다.

Recommend system is important to build an algorithm with high predictive accuracy as a system for selecting the ranking of recommend products. The predictive accuracy of algorithms is influenced by the number of preferences that the customer has evaluated on the product, that is, the number of responses. Conventional studies have increased the accuracy of predictions by adding arbitrary weights to the number of responses, but no clear reason for that number has been presented. This study simulated information on the number of responses per customer and the ranking fitting per customer, proposed an algorithm that applied the weight formed by responding according to the size of the response number, and compared the rank fitting with existing algorithms. As a result, the rank fitting of the proposed algorithm was higher than that of the existing algorithms, and the rate of increase of the rank fitting of the proposed algorithm was very high, especially when the number of responses was low. For this study, we used GroupLens dataset (100k data, 1M data) and used NBCF, 50n, CMA, and ExCMA to compare and evaluate the rank fitting of the proposed algorithm.