심층신경망을 이용한 행렬분해 추천시스템 개선 연구
A Study on Improving Matrix Factorization Recommendation Systems Using Deep Neural Networks
- 주제어 (키워드) 추천시스템 , 심층신경망 , 협업필터링 , 행렬분해 , 임베딩 벡터 , 무비렌즈; Recommendation Systems , Collaborative filtering , Matrix Factorization , Embedding Vector , MovieLens data
- 발행기관 서강대학교 일반대학원
- 지도교수 이윤동
- 발행년도 2024
- 학위수여년월 2024. 2
- 학위명 석사
- 학과 및 전공 일반대학원 경영학과
- 실제URI http://www.dcollection.net/handler/sogang/000000076738
- UCI I804:11029-000000076738
- 본문언어 한국어
- 저작권 서강대학교 논문은 저작권 보호를 받습니다.
초록
본 논문에서는 여러 기업 및 서비스에서 널리 활용되고 있는 추천시스템에 대 하여, 최근 주목받고 있는 추천 알고리즘 및 성과 지표에 대하여 고찰하고 심층신경망과 행렬분해를 활용한 협업필터링을 중심으로 성능 개선을 위한 방법을 제안한다. 사용자와 상품의 상호작용 데이터를 활용하는 여러 추천 알고리즘 중 상호작용의 선형 및 비선형 패턴을 반영하기 위해 심층신경망과 행렬분해를 동시에 활용하는 방법이 알려져 있다. 또한 연구에 활용된 무비렌즈 데이터는 많은 결측치를 포함하고 있고, 일부 사용자들이 특이한 평가 패턴을 보인다는 점에 착안하여 사용자 및 상품 정보를 최대한 반영하기 위해 기존 방법에 사용자, 상품 임베딩 벡터를 추가로 결합하여 사용자의 선택 가능성을 보다 효과적으 로 예측하게 된다. 따라서 본 연구에서는 기존에 알려진 심층신경망 활용 협업필터링 방법과 새롭게 제안한 방법의 성능을 다양한 조율 모수에 대하여 비교 평가하였다. 비교 결과에 의하면, 새롭게 제안한 방법이 우수한 특성을 보임을 확인하였다.
more초록
In this paper, we examine recommendation systems widely used by various companies and services. We review recent notable recommendation algorithms and performance measures for recommendation algorithms. Out of many recommendation algorithms, Neural Collaborative Filtering (NCF), which extends the concept of matrix factorization by using the idea of deep neural network, has received great attention in recent days. NCF captures linear and nonlinear patterns of user-item interactions well, and shows good performances. In this thesis, we propose a method, called new NCF (New_NCF), by adding a term obtained by concatenating two embedding vectors of user and item. New_NCF enables us to utilize more information of user preferences for each item. For comparison of algorithms, we considered MovieLens data, and tested major performance measures, such as MAP, NDCG, Precision and Recall, at various conditions of tuning parameters. We found New_NCF, we propose, shows a little superior margin compared to NCF in their performances.
more목차
제 Ⅰ 장 서 론 1
제 Ⅱ 장 추천시스템 성능 평가 방법 3
제 1 절 추천시스템의 개요 3
제 2 절 추천시스템 성능 평가 방법 5
1. 접근 방법 5
2. MAP 6
3. NDCG 7
4. Precision & Recall 9
제 Ⅲ 장 주요 추천시스템 검토 12
제 1 절 주요 추천 알고리즘 12
1. SAR 12
2. BPR 15
3. NCF 19
제 Ⅳ 장 심층신경망을 활용한 알고리즘 개선 25
제 1 절 무비렌즈 데이터 25
1. 무비렌즈 데이터 25
2. 데이터 특성 26
제 2 절 NCF 알고리즘 개선 제안 30
1. 개요 30
2. NCF 알고리즘 변경안 - New_NCF 32
제 3 절 성능 평가 34
1. 평가 방법 34
2. 평가 결과 35
제 Ⅴ 장 결 론 41
참고문헌 43
