BERT를 리뷰 인코더로 사용하는 호텔을 위한 다 기준 고객 추천 시스템

Zhuang, Yuanyuan 경희대학교 대학원 2021 국내석사

With the development of internet technology, numerous reviews are posted every day on travel information sharing platforms and sites. For hotels, it is not possible to quickly and effectively identify potential target customers due to a large amount of review data, so it is necessary to develop a customer recommender system suitable for each hotel characteristic using information filtering technology. Using such a recommender system, it is possible to recommend available customers to the hotel through personalized recommendation and increase the order rate. Alternatively, if a hotel uses a recommender system to push advertisements, it can promote more effectively by recommending potential target customers. The single criteria-based recommender system, which recommends using the existing overall rating, causes a cold start problem, apart from the accuracy problem of the recommendation. In order to solve this problem, there has been a growing number of recent studies that analyze and recommend review data left by customers on hotel reservation-related sites. Most existing studies classify reviews into positive, negative, and neutral reviews by extracting sentiment terms through simple sentimental analysis using the NLP(Natural Language Processing) model and making recommendations based on this analysis. However, this method has limitations in that it does not consider context or preferences in various aspects used by customers when evaluating a hotel. Therefore, in this study, the review was analyzed using the BERT (Bidirectional Encoder Representations from Transformers) model to accurately analyze the context in the review text and accurately express opinions or preferences in various properties used in hotel evaluation. The BERT model is the most advanced NLP model that can analyze text in sentence units and achieve better performance than existing word unit analysis methods. Since the criteria by which a customer evaluates a hotel may vary from customer to customer, hotel reservation sites and hotel-related communities adopt a method that allows customers to rate a hotel in several predetermined dimensions. TripAdvisor, the travel website that provided the data used in this study, allows customers to rate the hotel based on six criteria: Value, Service, Location, Room, Cleanliness, and Sleep Quality. In this study, to complement the limitations of the existing overall rating-based single-criteria recommender system and improve the efficiency and order rate when hotels push promotion events, this study suggests a multi-criteria recommender system to recommend a suitable target customers for the hotel. The proposed recommender system uses BERT to analyze the user's review text to predict six criteria ratings (Value, Service, Location, Room, Cleanliness, Sleep Quality) and overall rating, and based on this, a multi-criteria recommender system recommends personalized Top-N customers for each hotel. The performance of the multi-criteria recommender system proposed in this study is better than that of the benchmark system, a single-criteria recommender system.

Recommender System for Personalized Exhibition Guidance and Tour Package

최일영 경희대학교 대학원 2011 국내박사

Social tensor model for recommender systems

홍민성 중앙대학교 대학원 2018 국내박사

텐서는 3차원 이상의 다양한 요소들 사이의 다중 관계를 직관적으로 모델링 할 수 있는 행렬의 일반화된 모델로서 추천 시스템에 유용하게 사용되고 있다. 전형적인 텐서 기반의 추천 시스템들은 모델을 구성을 위해 전체 사용자와 아이템을 이용하기 때문에 크기가 크다. 따라서 근사 모델을 계산을 위한 시간이 매우 길어지며, 특히 새로운 사용자나 아이템을 반영하기 어려운 콜드 스타트 문제를 갖는다. 본 논문에서는 이러한 문제를 해결하기 위해 새로운 소셜 텐서 모델을 제안한다. 소셜 정보를 기반으로 추천을 요청한 사용자와 관련된 사용자들로만 구성되기 때문에 제안한 모델은 전형적인 모델에 비해 상당히 작고 개인화 된다. 따라서 근사 텐서를 계산하는 시간이 기존 방법에 비해 상당히 줄어들고, 더욱이 사용자들의 소셜 관계를 반영하여 성능을 높일 수 있다. 최근 가족여행 및 회식과 같은 소셜 활동이 증가함에 따라 그룹을 대상으로 한 추천이 연구되고 있다. 기존 연구에서는 단순히 그룹내 사용자들을 위한 개 인 추천 결과를 합치는 방법과 그룹을 모델링하고 추천하는 방법이 주로 연구되 고 있다. 하지만 그룹의 아이템 선택에서 발생하는 사회적인 영향력과 감정적 인 전염, 순응을 고려하지 않거나 일부만을 반영한다. 이를 위해 본 논문에서는 그룹 내의 사용자들의 소셜 텐서를 기반으로 한 그룹 모델을 생성하고, 근사 텐서를 구하는 과정에서 사회적인 영향력과 감정적인 전염을 반영한다. 특히 그룹의 크기에 따른 순응도를 반영하여 그룹에 적합한 아이템을 예측한다. 실증적인 실험으로써, 개인 사용자와 그룹 사용자를 위한 추천 성능 향상을 확인하기 위해 세 가지 주요 측면을 고려하였다. 첫째, 희소성과 콜스 스타트 문제, 응답 시간을 고려하여, 제안한 방법을 개인 추천 시스템들과 비교한다. 둘째로 그룹 크기 측면에서 세 가지 현상의 효과를 분석한다. 마지막으로 추천 아이템과 함께 제공되는 여러 요소의 효과와 상호 관계를 평가하기 위해 통계 적인 방법과 설문 조사를 이용한다. 실험 결과로부터, 제안된 접근법의 성능은 희박성 문제에서 다른 텐서 기반 권고와 유사한 성능을 보였지만, 콜드 스타트 문제에 대해서는 다른 추천 시스템보다 성능이 뛰어났다. 더욱이 응답 시간은 약 1.5초로써 제안된 방법이 실시간 시스템에 적용될 수 있음을 보여주었다. 또한 제안된 접근법은 다른 그룹 추천 시스템보다 높은 성능을 보였고, 세 가지 현상 반영에 따른 긍정적인 효과를 발견할 수 있었다. 특히 정서적 전염과 적합성은 그룹 크기에 대해서도 긍정적인 효과를 나타냈다. 더욱이 추천의 설명 측면에서, 통계학적 방법과 설문을 통해 추천 된 아이템과 다양한 추가 정보 간의 시너지 효과와 상관관계를 밝혔다. 마지막으로 본 논문의 향후 연구 방향을 제시하기 위해 제안된 사회적 텐서 모델과 교차 도메인 추천 서비스의 통합에 대해 다양한 측면에서 논의한다. As a generalization of a matrix, a tensor which can model multiple relations between more three dimensions factors is usefully applied in recommendation. Conventional tensor-based recommender systems consider the whole users and items to construct a tensor. Hence, their models are usually very large and require long computational time. Furthermore, it is difficult to immediately reflect new users or items into the model (i.e., cold-start problem), and eventually recommendation performance is lower. In this dissertation, to solve these problems, I propose a new social tensor model. The proposed model is significantly smaller than conventional model and different for each user, since the model consists of related users who are obtained by considering the social information of active users. Therefore, computational time of an approximate tensor is significantly shorter than the conventional approaches, besides relationships between users are considered in the process of tensor factorization to improve the recommendation performance. With the recent increase of social activities such as movie appreciation and family trips, recommender systems have been studied for group users. Existing studies can be separated into two methods. One combines the results of individual recommendations. The other generates a group model then predicts recommended items. However, they only consider one or two among three phenomena (i.e., social influence, emotional contagion, and conformity) which are caused when users select items for their group. On the other hand, in this dissertation, social tensor models of individual users who belong to a group are combined into a single group model, where social influence and emotional contagion are applied to calculate the approximate tensor. With respect to group size, conformity is used to predict proper items for group users. As empirical experimentation of this dissertation, three main aspects are considered to show the improvement of recommendation performance for individual and group users. Firstly, with sparsity and cold-start problems and response time, the proposed approach is compared with individual recommender systems. Secondly, in terms of the group size, the three group characteristics are analyzed. Finally, the effect and interrelationship of multiple factors that are provided with recommended items are evaluated by statistical methods and a survey. From experimental results, although the performance of the proposed approach was similar with other tensor-based recommendations in terms of sparsity, the proposed recommendation method outperformed the other recommender systems in regard to the cold-start problem. Furthermore, experiments on the response time showed that the proposed method can be applied in a real-time system (i.e., round 1.5 sec). Additionally, the proposed approach had higher performance than the other group recommender systems. Furthermore, positive effects of the three group characteristics were found for group recommendation. Emotional contagion and conformity showed especially positive effects according to group size. Moreover, in terms of recommendation explanation, synergy effects and correlations between recommended items and additional information (i.e., temporal context, spatial context, and social context) were revealed by statistical analysis and a survey. Finally, with various aspects, I discussed the combination of the proposed social tensor model and the cross-domain recommendation to show the direction of future work for this dissertation.

NuriCF : a deep learning-based neural collaborative filtering for early childhood education

Kim, Eunji Sungkyunkwan University 2022 국내석사

With the implementation of the recently 2019 revised Nuri Education Curriculum, early childhood teachers have to be flexible in managing classrooms, taking into consideration the changing interests of young children. Teachers look for resources on children’s education websites as inspiration for activities that are relevant to the children's interests. However, due to information overload, the abundance of material on websites makes it difficult for teachers to decide. Therefore, a recommendation system that alleviates information overload is required. This study developed a recommender system that suggests activities for children and can be linked through activity information. In addition, the study aims to investigate the factors influencing the behavioral intention prompting the use of the recommender system, and whether the use of children's education websites affects teachers' perceptions of the necessity for a recommender system. In this study, the neural collaborative filtering model for the Nuri curriculum (NuriCF) was proposed by extending the neural collaborative filtering (NCF) model suitable for recommendation. The study recommends an activity plan appropriate for the classroom situation through a model learned using feature information such as month, topic, activity type, subject type, and Nuri element from the activity plan data provided by Nurinori. To evaluate the performance of NuriCF, a memory-based collaborative filtering and an NCF were used. As a result, it was confirmed that the NuriCF feature information provides higher accuracy than the existing collaborative filtering models. An online survey was conducted with 47 early childhood teachers through questions on the factors of unified theory of acceptance and use of technology (UTAUT) model, the frequency and preference of children’s education websites, and the adequacy and necessity of a recommender system. As a result of the adequacy assessment, it was confirmed that the activities presented on the online website and the activities recommended by the NuriCF model were comparable to some extent. Multiple regression analysis was conducted to identify factors affecting the behavioral intention to use the recommender system. It was confirmed that performance expectancy and social influence had a positive effect. Lastly, a simple regression analysis was performed to determine whether the use of children’s education websites had an effect on teachers' perceptions of the necessity for a recommender system. This study is significant in that the recommender system was applied in the field of early childhood education for the first time, and an empirical study was conducted for early childhood teachers to verify the recommender system. 최근 2019 개정 누리과정이 시행되면서 변하는 유아의 흥미를 고려하여 유연하게 교실을 운영해야 하는 유아 교사의 역할이 강조되고 있다. 유아의 흥미와 연관된 활동 자료를 얻기 위하여 교사들은 유아 교육 웹사이트를 활용하지만 웹사이트에 있는 수많은 자료들은 정보 과부화를 일으키며 교사의 의사결정을 어렵게 만든다. 따라서 정보 과부화를 해소시켜주는 추천시스템의 개발이 필요하다. 본 연구에서는 유아들이 흥미를 보인 활동을 통해 연계될 수 있는 활동을 추천하는 추천시스템의 개발하고, 잠재적인 사용자인 유아 교사의 추천시스템 사용의도에 어떠한 요인들이 영향을 미치며, 유아 교육 웹사이트의 사용이 교사의 추천시스템 필요성에 대한 인식에 어떤 영향을 미치는지에 대하여 알아보고자 한다. 본 연구에서는 추천에 적합한 심층 신경망 기반 협업 필터링 (NCF) 모델을 확장하여 NuriCF 모델을 제안하였다. 본 연구는 누리놀이에서 제공하는 활동 계획안 데이터에서 월, 주제, 활동 타입, 수업 유형, 누리과정 관련요소 등의 특징 정보를 사용하여 딥러닝 모델을 학습시키고, 해당 모델을 통해 교실 상황에 적합한 활동 계획안을 추천한다. NuriCF 모델의 성능을 비교 평가하기 위하여 메모리 기반 협업 필터링 모델과 NCF 모델을 사용하였고, 그 결과 특징 정보를 활용한 NuriCF 모델이 기존의 협업 필터링 모델들보다 정확성이 더 높은 것을 확인하였다. 본 연구는 47명의 유아 교사를 대상으로 NuriCF 모델이 추천한 활동 계획안의 적합성과 기존 통합기술수용모델에서 제시된 성과기대, 노력기대, 사회적 영향과 함께 유아 교육 웹사이트 이용 빈도 및 선호도, 추천시스템에 대한 필요성에 대한 인식 등으로 구성된 온라인 설문을 진행하였다. 적합성 평가 결과, 온라인 웹사이트에서 제시된 활동 계획안과 NuriCF 모델이 추천한 활동 계획안들이 어느 정도 대등하다는 것을 확인하였다. 추천시스템 사용의도에 영향을 미치는 요인들을 규명하고자 다중회귀분석을 실시하였으며, 성과기대와 사회적 영향이 정적 영향을 미친다는 것을 확인하였다. 마지막으로 추천시스템 필요성에 대한 교사의 인식에 유아 교육 웹사이트의 사용이 영향을 미치는지 파악하기 위해 단순회귀분석을 실시하였고, 그 결과 웹사이트 이용 빈도와 선호도가 필요성에 대한 인식에 영향을 미치는 것을 확인하였다. 본 연구는 추천시스템을 처음으로 유아 교육 분야에 적용하였으며, 이를 검증하기 위해 유아 교사들을 대상으로 실증연구를 진행하였다는 것에 의의가 있다.

(A) Deep Learning-based Course Recommender System for Job Career Management

Li, Qinglong 경희대학교 대학원 2021 국내석사

The development of information technology and the popularization of mobile devices result in information overload. Personalized recommendation services are widely used in internet applications to help users find their favorite items or services in overload information. Recently, the Covid-19 pandemic raging worldwide was increasing demand for online education platforms such as edX, Coursera, and K-MOOC. However, it is challenging to correctly select the course content with many online education resources due to the user's knowledge structure differences. Therefore, the personalized course recommender system an essential role in improving the learning efficiency of users. At present, many of the online education platforms have built a personalized recommendation service based on traditional data mining methods such as Collaborative Filtering. However, the logic of the recommendation algorithm's analysis is simple, and it is challenging to build a deep model for a personalized recommendation. Collaborative Filtering algorithm has the cold start problem, whereby new users' recommendations suffer from unpredictability because of a lack of past preference information. Another is the first start problem, which cannot recommend until a user's preference information is reflected, which is also widely prevalent. Besides, there are problems regarding the model's scalability, arising from the user's preferred information's continued growth. Therefore, the traditional approach could reduce models' performance if it used all user's preference information. Many studies have recently been conducted using deep learning techniques to supplement data sparsity and scalability problems in recommender systems applications in various fields. However, currently few studies apply deep learning techniques to course recommendations for online education platforms. Therefore, to solve the traditional approach problem, this study proposes a novel deep learning-based course recommender system (DECOR), which elaborately extracts user behavior and course attribute information. The proposed model can solve high-dimensional data sparsity problems in the traditional approach and has high performance for feature information extraction. The proposed model can also have represented the interaction structure's internal features in a relatively complex form. We performed several experiments utilizing real-world datasets to evaluate the proposed model's performance compared with the traditional recommendation approach. The experiment result indicates that the proposed DECOR model offers better recommendation performance. These results imply that developers of recommender systems need to use several types of additional information to extract the user's knowledge structure, further improving the recommender system's model performance in online education platforms. 정보 기술의 발전과 모바일 기기의 대중화로 인해 다양한 유형의 정형 데이터와 비정형 데이터가 폭발적으로 증가하면서 많은 정보를 생산하고 수집할 수 있게 되 었다. 하지만 급속도로 증가하는 정보의 양으로 인해 사용자들은 필요한 상품 또는 서비스를 선택하는데 많은 시간이 소요되고 의사결정을 하기 어려운 정보 과부화 문제에 직면하고 있다. 이에 따라 개인화 추천 서비스의 중요성이 대두되고 있으며 영화, 뉴스, 상품 등 분야에서는 추천 시스템을 개발하여 다양한 사용자 맞춤형 서 비스를 제공하고 있다. 특히, 최근에는 전 세계적으로 확산되고 있는 코로나19로 인해 온라인 교육 플랫폼에 대한 수요가 증가하고 있다. 그러나 사용자는 지식구조 차이로 인해 수많은 과목 중에서 자신에게 적합한 과목을 올바르게 선택하기 어려 운 문제가 존재하고 있다. 따라서 사용자에게 맞춤형 과목을 제공하는 개인화 서비 스는 사용자의 학습 효율성을 높이는데 중요한 역할을 하므로 필수적이다. 현재 대 부분의 온라인 교육 플랫폼은 전통적인 협업 필터링(Collaborative Filtering) 알고 리즘을 적용하여 추천 서비스를 제공하고 있다. 하지만 이러한 기존 추천 알고리즘 의 분석 논리는 단순하기 때문에 사용자의 다양한 정보를 활용하여 모델을 구축하 기 어려운 문제가 존재한다. 최근 다양한 분야에서 기존 개인화 추천 서비스 연구 의 한계를 개선하기 위해 딥러닝 기법을 적용하는 연구가 활발하게 이루어지고 있 다. 그러나 현재 온라인 교육 분야의 개인화 추천 서비스 연구에서는 사용자의 지 식구조에 적합한 과목을 추천하기 위해 딥러닝 기법을 적용하는 연구는 많지 않다. 따라서 본 연구에서는 사용자의 전공, 직업 등을 고려하여 사용자가 자신의 지식구 조에 적합한 과목을 선택할 수 있는 새로운 딥러닝 기반 추천 시스템을 제안하고자 한다. 본 연구에서 제안하는 모델은 기존 개인화 추천 서비스 연구의 데이터 희소 성 문제점과 확장성 문제점을 보완할 수 있다. 또한, 사용자와 과목의 상호작용 정 보를 정교하게 추출하기 위해 상대적으로 복잡한 비선형의 형태로 사용자 행동 정 보와 과목 속성 정보를 통합한다. 이와 같이 사용자 정보와 과목 정보를 통합하는 딥러닝 기반 추천 접근 방식을 제안하여 사용자들이 자신의 관심사에 적합한 과목 을 선택할 수 있도록 지원한다. 본 연구에서는 제안한 모델의 추천 성능을 평가하 기 위해 교육 분야의 실제 데이터를 사용하여 기존 추천 모델과 비교하는 여러 실 험을 수행했다. 실험 결과 본 연구에서 제안하는 추천 모델이 기존 모델과 비교했 을 때 더 나은 추천 성능을 나타냄을 확인했다. 이러한 결과는 온라인 교육 분야의 개인화 추천 서비스 실무자는 모델의 추천 성능을 향상시키기 위해 사용자의 지식 구조 정보를 정교하게 추출할 수 있는 다양한 유형의 정보를 사용해야 함을 시사하 고 있다.

Integration Methods for Heterogeneous Data on Recommendation Systems from the Perspective of User Feedback and Knowledge Graph

이승주 인하대학교 대학원 2023 국내석사

인터넷의 발전과 소비 패턴의 변화로 많은 연구자들은 추천 시스템에서 다양한 보조 데이터를 활용하여 데이터 희소성 문제를 해결하기 위한 여러 방안을 제안했으나 여전 히 해결하지 못하고 데이터 품질 고려를 간과하는 경우가 많다. 명시적 및 암묵적 사용 자 피드백을 통합하는 기존 방법들은 편향된 훈련이나 공동 훈련으로 인한 정보 손실에 시달리는 반면, 지식 데이터 통합 방법들은 주로 개체 간의 명시적인 관계만을 고려하 여 잠재 관계를 간과하여 지식 데이터 품질 문제를 야기한다. 또한, 단일 지식 베이스에 의존하여 지식 그래프를 구축하는 경우가 많아 지식의 불완전성과 데이터 부족 문제가 발생한다. 이를 해결하기 위해, 본 논문에서는 데이터 유형을 기반으로 두 가지 방법을 제안한다. 첫 번째 방법은 사용자의 이종 피드백을 통합하는 것에 중점을 두고 있으며, 두 번째 방법은 관계 모델링을 통해 지식 그래프를 통합 및 확장하는 것을 목표로 한 다. 이 두 가지 접근 방식은 추천 시스템에서 다양한 데이터 유형을 더욱 원활하게 통 합하여 개인화된 추천 시스템을 개선하는 데 유용하게 기여한다. 실제 데이터셋에 대한 실험 결과, 두 개의 통합 데이터 기반의 추천 시스템이 기존의 추천 시스템보다 우수한 추천 성능을 보인다는 것을 확인하였다. 결론적으로, 본 연구는 데이터 희소성 문제와 데이터 품질 문제를 효과적으로 해결하기 위해 이종 데이터를 통합하는 방법에 대한 중 요성을 강조한다. 명시적 및 암묵적 피드백을 통합하고 지식 그래프를 확장함으로써 개 인화된 추천 시스템의 정확성과 성능을 향상시킴으로써 사용자 경험을 개선할 수 있다. With the advancement of the Internet and changes in consumer behavior, many researchers have proposed various approaches to utilize auxiliary data in recommender systems, aiming to address the problem of data sparsity. However, many studies still fail to effectively resolve this issue and often overlook data quality considerations. Existing methods for integrating explicit and implicit user feedback suffer from biased training or information loss due to joint training, while knowledge data integration methods often only consider explicit relations between entities and neglect latent relations, leading to data quality issues. Moreover, relying on a single knowledge base in constructing a knowledge graph results in incomplete knowledge and data scarcity. To address these challenges, we propose two methods based on data types. The first method focuses on integrating heterogeneous user feedback, with an emphasis on combining explicit and implicit feedback without information loss. The second method aims to integrate and expand the knowledge graph through relation modeling, considering both explicit and latent relations between entities. These two integration methods effectively contribute to improving personalized recommendation systems by offering a more seamless integration of different types of data in recommender systems. Finally, our experimental results on real-world datasets showed that our integration methods for heterogeneous data outperforms existing methods in recommender systems, and solves the challenges of data sparsity and data quality in recommender systems

Hybrid Recommender System with the Consideration of User Degree of Seasonality

Guhya Eka Wijaya 동국대학교 2013 국내석사

Recommender system plays important role in high-traffic websites, such as Amazon.com, YouTube, IMDb, and Netflix. Many techniques in producing recommendations have been researched and implemented with great success. Recommender systems which exist in various domains can be improved by filtering the recommendation output or considering contextual information in recommendation process. One of the important contexts that need to be considered is seasonality, which is the seasonal information that can be found in a product. In this paper, we propose a new recommendation system which combines the traditional collaborative method with a seasonal effect to produce better item recommendation. We tested our approach on Netflix movie dataset which was publicly opened during Netflix Prize competition and showed that considering seasonality in recommendation process is indeed beneficial.

(A) Deep Learning-Based System for Recommending Advertisement Through Real-Time User Face Recognition

김기휘 경희대학교 대학원 2021 국내석사

As the amount of data has grown exponentially due to the development of information technology, the era of Big data has come. Since large amounts of data allow artificial intelligence to be able to solve difficult pattern recognition, learning, and forecasting problems, so the development of artificial intelligence is growing actively along with the Big data era. In particular, various analytical methodologies for unstructured data such as image, voice, and text have been studied, among which deep learning-based models attract the most attention from many researchers. Recommender system is a field of study that provides personalized recommendations to users, which are often using collaborative filtering algorithms. However, collaborative filtering algorithms have Cold-start problems that are not recommended to new users and Long-tail problems that only recommend a few popular items. This study proposes a new methodology to solve the Cold-start problem and Long-tail problem of existing collaborative filtering. In this study, we develop a system for recommending advertisements to new users who do not have existing information, using SIFT, a classic computer vision algorithm, and CNN, a deep learning-based computer vision algorithm. 정보기술 (Information Technology)의 발달로 데이터 양이 기하급수적으로 늘어나면서 빅데이터 (Big data)의 시대가 도래했다. 데이터의 양이 증가할수록 어려운 패턴 인식, 학습, 예측 문제를 해결하기 쉬워지는 인공지능 (Artificial Intelligence)의 특성으로부터, 빅데이터 시대에 따라 인공지능이 발전이 활발하게 이루어지고 있다. 특히, 이미지, 음성 및 텍스트와 같은 비정형 데이터에 대한 다양한 분석 방법론이 연구되었으며, 그 중 딥러닝 (Deep learning) 기반의 모델은 많은 연구자들로부터 가장 많은 관심을 끌고 있다. 추천 시스템 (Recommender system)은 사용자에게 개인화된 추천을 제공하는 연구 분야로, 주로 협업 필터링 (Collaborative Filtering) 알고리즘으로부터 추천이 이루어진다. 그러나 협업 필터링 알고리즘에는 새로운 사용자에게 권장되지 않는 콜드 스타트 문제 (Cold-start problem)와 몇 가지 인기 있는 항목만 권장하는 롱테일 문제 (Long-tail problem)가 있다. 연구는 기존 협업 필터링의 콜드 스타트 문제와 롱테일 문제를 해결하기 위한 새로운 방법론을 제안한다. 본 연구에서는 기존의 정보가 없는 신규 사용자에게 38 고전적인 컴퓨터 비전 알고리즘인 SIFT 와 딥러닝 기반 컴퓨터 비전 알고리즘인 CNN 을 사용한 광고를 추천하는 시스템을 개발한다.

사용자 소셜 관계 정보를 활용한 트랜스포머 모델 기반의 추천 시스템

김철희 서강대학교 일반대학원 2024 국내석사

In recent years, due to the information explosion, there is a growing need for high-performance recommender systems to improve user experience and satisfaction. Traditional recommender systems only use user-item interactions to recommend new items to users. However, using only user-item interactions may not consider users' diverse interests or social contexts. Therefore, it is necessary to use social information in addition to user-item interactions, which represents the relationships between users. In this paper, we propose a Transformer-based recommender system that utilizes user social information. Self-attention is used to learn the relationship between users in social information, and cross-attention is used to learn the relationship between users and items in user-item interactions. In addition, we propose a method to encode structural information of social information and user-item interactions, which can be represented as graphs, to the Transformer. Experimental results on two datasets with social information show that our proposed model outperforms a deep learning-based model without social information and a graph neural network-based model with social information in terms of RMSE and MAE, respectively. Specifically, our proposed model achieves up to 10.1% and 8.0% improvement in RMSE, and up to 14.8% and 11.9% improvement in MAE, compared to the two baseline models. In addition, experimental results show that the proposed model with structural information outperforms the model without structural information by up to 1.4% and 4.3% in RMSE and MAE, respectively. These results demonstrate that social information can be effectively used to improve the performance of recommender systems. Moreover, our proposed Transformer-based recommender system with the structural information of graphs can effectively learn the user-item relationships, which leads to better performance. 최근 다양한 아이템이 생성되는 환경에서 사용자의 경험과 만족도를 향상시키기 위해 고도의 추천 시스템이 요구된다. 기존 추천 시스템은 사용자와 아이템의 상호작용 정보만을 활용하여 사용자에게 새로운 아이템을 추천하였다. 하지만 이러한 상호작용 정보만을 활용할 경우 사용자의 다양한 관심사와 소셜 컨텍스트를 고려하지 못할 수 있다. 따라서 기존 추천 시스템에서 사용되는 상호작용 정보 외에 사용자와 사용자 간의 관계를 나타내는 소셜 관계 정보가 함꼐 활용되어야 한다. 본 논문에서는 사용자 소셜 관계 정보를 활용한 Transformer 기반의 추천 시스템 모델을 제안한다. 소셜 관계 정보에 나타나는 사용자와 사용자 간의 관계를 학습하기 위해 셀프-어텐션을 활용하고, 상호작용 정보에 나타나는 사용자와 아이템 간의 관계를 학습하기 위해 크로스-어텐션을 활용한다. 또한 그래프로 표현될 수 있는 소셜 관계 정보와 상호작용 정보에서 그래프의 구조적인 정보를 Transformer 모델에 전달하기 위한 방법을 제안한다. 소셜 관계 정보가 포함된 두 데이터 셋을 활용해 제안한 모델과 소셜 관계 정보를 활용하지 않은 딥 러닝 기반 모델, 소셜 관계 정보를 활용한 그래프 신경망 기반 모델에 대하여 평점 예측 실험을 진행한 결과 제안한 모델이 두 모델에 비해 RMSE가 최대 10.1%, 8.0%, MAE가 최대 14.8%, 11.9%개선되었다. 또한 제안한 모델에서 그래프의 구조적인 정보를 활용하지 않은 경우와의 비교 실험을 진행한 결과 해당 정보를 활용한 기존의 모델이 활용하지 않은 모델에 비해 RMSE가 최대 1.4%, MAE가 최대 4.3% 개선되었다. 실험을 통해 추천 시스템의 설계에 있어 소셜 관계 정보를 활용한다면 추천 시스템의 성능을 높일 수 있으며, 그래프의 구조적인 정보를 활용하는 제안한 Transformer 기반 모델이 사용자와 아이템의 관계를 기존 모델들 보다 효과적으로 학습할 수 있음을 확인할 수 있다.

USE OF INNER-ENTERPRISE INFORMATION RECOMMENDER SYSTEMS AND ITS IMPACTS

AngelotKOGNOT 한양대학교 2015 국내석사

The rapid development of information technologies (Internet, SNS, user-generated content) has increased the speed of information overload. The Information Recommender Systems (IRS) that are automated information filtering systems seem to be the remedies to address this problem. Many organizations have adopted the Information Recommender Systems in order to streamline users’ information search efforts and enhance their productivity. While researchers have been addressing the filtering algorithm accuracy problem and the recommender systems’ design features mainly in the Internet and ecommerce recommender systems field , studies addressing the revisit (reuse ) of the information recommender system within an organization are still very scarce. Therefore , this study attempted to establish a new model and find out how the IRS related capabilities influence an employee’s behavior or tendency to reuse the system . Capabilities such as information sources accessibility, user’s preference capture, and notification were investigated. Data was gathered from 205 employees of Korean companies. Based on the framework that mainly uses the IS success model and the IT post adoption literature, a structural equation modeling approach was used to test the relationships between variables. The results show a similar influence of each capability with the notification much more powerful. And the revisit intension was directly influenced only by the user’s satisfaction while the benefits have no direct impact on the revisit intension. Theoretical and practical implications are discussed.