순위일치도와 응답자 분포의 형상에 대한 연구

Study on the Rank Fitting and Shape Measure of Distribution of Users

펼치기

추천시스템의 목적은 특정 사용자가 전자상거래에서 선호할 것이라고 예상되는 상품의 추천목록을 만드는 것이다. 사용자들의 선호도와 일치하는 추천 상품의 목록을 만드는 것은 추천시스템의 신뢰성을 좌우하는 것이다. 비록, 특정 사용자의 선호도와 정확히 일치하는 상품 추천 목록을 만드는 것이 매우 어렵지만 사용자의 선호도와 유사한 추천 상품 목록을 만드는 것은 추천시스템을 사용하는 목적이기 때문이다. 현재까지 추천목록의 순위적합에 대한 연구들은 여전히 미진하다. 본 연구의 목적은 실제 사용자의 응답값과 예측값의 순위일치도가 응답자의 응답 특성과 어떤 관련성이 있는지를 분석하기 위한 연구이며 특히 응답자의 응답분포 형상도인 첨도, 왜도가 순위일치도와 관련성이 있는지를 탐색하는 것이다. 이 관련성을 통계적으로 분석하기 위해 MovieLens의 100k dataset과 1million dataset의 각각의 응답자 943명과 6040명으로 분할하여 사용하였다. 실험결과에서 개별 사용자의 응답자 분포의 형상과 순위상관계수는 통계적으로 유의한 결과를 나타내고 있다. 따라서 본 연구의 결과는 이웃의 분포특성을 이용하여 추천시스템의 성능을 향상시키기 위한 기초적이며 기반이 되는 연구이다.

One of the aims of recommender systems is to make recommending list of items for active user who is expected to prefer to something in the e-commerce. It is important to make coincident list with active user’s preference because consistency of user’s preference and predicted list makes recommender systems very confident that customers willing to use. Even though it is very difficult to make recommending lists that exactly match up with active user’s preference, recommender systems should make approximate prediction list for user’s preference. However, studies on the accuracy of predicting users’ preference values with the rank fitting of recommending items list are still a lack of awareness. The purpose of this research is dedicated to investigate possible relationships between the rank fitting of user’s real preference ratings with predicted preference and user’s responsive characteristics such as kurtosis, skewness of each user’s ratings. For statistically testing this relationships, 100k and 1million MovieLens dataset, which are divided each user’s ratings into 943 files for 100k and 6040 files for 1million, are used. The results of testing 100k and 1million MovieLens dataset show that shapes of distribution of each user is statistically significant with Spearman’s rank correlation coefficient of predicted list. Thus, this results will be the basis that helps to further study for finding effective neighbor users’ response characteristics improving the performance of recommender systems.