데이터 증강 기법을 활용한 순차적 추천 시스템 성능 개선 연구
A Study on Improving Sequential Recommender Systems Performance with Data Augmentation Techniques
- 주제어 (키워드) 순차적추천시스템 , 데이터증강 , SASRec
- 발행기관 서강대학교 AI.SW대학원
- 지도교수 문의현
- 발행년도 2025
- 학위수여년월 2025. 2
- 학위명 석사
- 학과 및 전공 AI.SW대학원 데이터사이언스 · 인공지능
- 실제 URI http://www.dcollection.net/handler/sogang/000000079478
- UCI I804:11029-000000079478
- 본문언어 한국어
- 저작권 서강대학교 논문은 저작권 보호를 받습니다.
초록 (요약문)
순차적 추천 시스템은 사용자 상호작용 데이터를 시간의 흐름에 따라 분석하여 사용자에게 맞춤형 아이템을 추천하는 기술이다. 이러한 시스템은 사용자 행동의 시간적 패턴을 반영하여 정교하고 개인화된 추천을 제공할 수 있다는 점에서 다양한 산업 분야에서 널리 활용되고 있다. 그러나 데이터의 양과 질이 부족한 상황에서는 모델의 성능이 제한될 수 있으며, 이를 극복하고 성능을 극대화하기 위해 다양한 접근법이 제시되어 왔다. 최근에는 데이터 증강 기법을 활용하여 데이터셋의 다양성을 확대하고 모델이 일반화된 패턴을 학습하여 성능을 향상시키는 연구가 활발히 진행되고 있다. 본 연구에서는 순차적 추천 시스템의 성능을 향상시키기 위해 유사도 기반 아이템 대체와 반복적 패딩이라는 두 가지 데이터 증강 기법의 효과를 탐구하였다. 각 데이터셋의 특성에 따라 증강 기법의 적용 효과를 극대화하기 위해 여러 가지 설정 값들을 조정하고 두 기법을 결합하여 최적을 성능을 달성하고자 하였다. 이를 위해 무비렌즈(ML-1M)와 비디오게임(Games) 데이터셋을 활용하여 각 데이터 증강 기법의 성능을 평가하고 시퀀스 길이와 사용자 수와 같은 데이터셋 특성이 증강 효과에 미치는 영향을 분석하였다. 실험 결과, 두 가지 증강 기법 모두 베이스라인 대비 유의미한 성능 향상을 이루었으며 특히 두 기법을 결합했을 때 더 높은 성능을 보였다. 유사도 기반 아이템 대체는 긴 시퀀스를 가지고 사용자 수가 상대적으로 적은 데이터셋에서 더 효과적이었으며, 반복적 패딩은 짧은 시퀀스를 가진 데이터셋에서 더 큰 성능 향상을 보였다. 본 연구에서는 데이터 부족 문제를 해결하고 추천 시스템의 성능을 강화할 수 있는 데이터 증강 기법의 효과를 입증하였다. 또한 데이터셋 특성을 기반으로 증강 기법을 선택하고 최적화함으로써 성능 향상을 극대화 할 수 있음을 보였다. 나아가 데이터 증강 기법이 단순한 데이터 보완 도구를 넘어 추천 시스템에서 효과적인 학습 전략으로 활용될 가능성을 제시 하였다.
more목차
제 1 장 서론 1
제 2 장 배경 및 관련 연구 3
제 1 절 배경 3
제 2 절 관련 연구 5
제 3 장 제안 방법론 12
제 1 절 SASRec 모델 14
제 2 절 데이터 증강 기법 18
제 4 장 실험 결과 25
제 1 절 실험 환경 26
제 2 절 데이터셋 26
제 3 절 성능 평가지표 28
제 4 절 실험 결과 30
제 5 장 결론 43
참고문헌 48
