협력필터링의 데이터 희소성 해결을 위한 자카드 지수 반영의 유사도 성능 분석 = Performance Analysis of Similarity Reflecting Jaccard Index for Solving Data Sparsity in Collaborative Filtering

국문 초록 (Abstract)

협력 필터링 시스템에서 데이터 희소성 문제의 해결을 위해 공통평가항목수를 반영하는 방법이 연구되었다. 이러한 방법으로 널리 알려진 자카드 지수는 기존의 유사도 척도와 결합되어 성능을 개선할 수있었다. 그러나, 다양한 데이터 환경에서 여러 유사도 척도들과 각각 결합했을 때의 성능 개선 효과에 대한 분석 연구는 미미하므로, 본 연구는 이에 대한 분석을 목적으로 한다. 우선 자카드 지수 자체를 유사도 척도로 사용했을때 희소한 데이터셋 상에서 전통적인 척도들보다 월등한 예측 성능을 보였고 추천성능도 매우 우수하였다. 자카드 지수를 결합함으로써 기존 유사도 척도는 데이터 특성에 상관없이 성능이 대개 향상되었고, 특히 코사인 유사도는 희소한 데이터셋에서 가장 큰 향상을 이루었으나, 평균차이제곱(Mean Squared Difference)의 유사도는 밀집된 데이터셋에서 오히려 저하된 예측 성능을 보였다. 따라서, 자카드 지수를 결합하여 사용하기 위해 데이터 환경 특성과 유사도 척도를 고려할 필요가 있다.

다국어 초록 (Multilingual Abstract)

It has been studied to reflect the number of co-rated items for solving data sparsity problem in collaborative filtering systems. A well-known method of Jaccard index allowed performance improvement, when combined with previous similarity measures. However, the degree of performance improvement when combined with existing similarity measures in various data environments are seldom analyzed, which is the objective of this study. Jaccard index as a sole similarity measure yielded much higher prediction quality than traditional measures and very high recommendation quality in a sparse dataset. In general, previous similarity measures combined with Jaccard index improved performance regardless of dataset characteristics. Especially, cosine similarity achieved the highest improvement in sparse datasets, while similarity of Mean Squared Difference degraded prediction quality in denser sets. Therefore, one needs to consider characteristics of data environment and similarity measures before combining Jaccard index for similarity use.

참고문헌 (Reference)

1 이수정, "협력 필터링 기반의 추천 시스템을 위한 이웃 선정 전략" 한국정보과학회 42 (42): 1380-1385, 2015

2 Gao, M., "Userrank for item-based collaborative filtering recommendation" 111 (111): 440-446, 2011

3 Jamali, M., "TrustWalker: a random walk model for combining trust-based and item-based recommendation" 397-406, 2009

4 Adomavicius, G., "Toward the next generation of recommender systems: a survey of the state-of-the-art and possible extensions" 17 (17): 734-749, 2005

5 Aamir, M., "Recommendation system : state of the art approach" 120 (120): 25-32, 2015

6 Resnick, P., "GroupLens: an open architecture for collaborative filtering of Netnews" 175-186, 1994

7 Koutrica, G., "FlexRecs: expresing and combining flexible recommendations" 745-758, 2009

8 Sanchez, J. L., "Choice of metrics used in collaborative filtering and their impact on recommender systems" 432-436, 2008

9 Chen, C. C., "An effective recommendation method for cold start new users using trust and distrust networks" 224 : 19-36, 2013

10 Su, X., "A survey of collaborative filtering techniques" 2009 : 4-, 2009

11 Liu, H., "A new user similarity model to improve the accuracy of collaborative filtering" 56 : 156-166, 2014

12 Ahn, H., "A new similarity measure for collaborative filtering to alleviate the new user cold-starting problem." 178 (178): 37-51, 2008

13 Bobadilla, J., "A new collaborative filtering metric that improves the behavior of recommender systems" 23 : 520-528, 2010

14 Bobadilla, J., "A collaborative filtering approach to mitigate the new user cold start problem" 26 : 225-238, 2012