Attention 기반 Neural Collaborative Filtering을 활용한 화장품 평점예측 모델 개발
- 주제어 (키워드) Cosmetic Recommendation System , Recommendation System , 추천 시스템 , Rating Prediction , 평점예측 , Cosmetic Recommendation System , 화장품 추천 시스템 , Deep Learning , Neural Collaborative Filtering (NCF) , Natural Language Processing (NLP) , 자연어처리 , Attention Mechanism , KoBERT , Review Analysis
- 발행기관 서강대학교 AI.SW대학원
- 지도교수 문의현
- 발행년도 2025
- 학위수여년월 2025. 8
- 학위명 석사
- 학과 및 전공 AI.SW대학원 데이터사이언스 · 인공지능
- 실제 URI http://www.dcollection.net/handler/sogang/000000082089
- UCI I804:11029-000000082089
- 본문언어 한국어
- 저작권 서강대학교 논문은 저작권 보호를 받습니다.
초록 (요약문)
본 연구는 온라인 화장품 시장의 성장과 더불어, 리뷰 텍스트에 내재된 의미 정보를 효과적으로 반영하여 사용자–아이템 간의 선호도를 정밀하게 추정하고, 추천 시스템의 성능을 향상시키기 위한 평점 예측 모델을 제안한다. 기존 협업 필터링 기반 추천 시스템은 사용자–아이템 상호작용 정보에만 의존함에 따라, cold-start 문제 및 데이터 희소성에 대한 대응력이 제한되는 구조적 한계를 가진다. 이를 극복하기 위해 본 연구에서는 사전학습된 한국어 언어모델인 KoBERT 및 DeBERTa 로부터 추출한 리뷰 임베딩을 NCF(Neural Collaborative Filtering) 구조에 융합하고, 다양한 피처 조합과 모델 구조를 비교 분석하였다. 실험에는 국내 화장품 리뷰 데이터를 활용하였으며, 사용자, 아이템, 피부 정보(타입, 톤, 고민), 리뷰 텍스트를 조합한 입력 피처를 기반으로 총 네 가지의 NCF 기반 모델이 구현되었다. 그 결과, 사용자–아이템 변수로 구성된 Baseline 대비 피부 정보와 리뷰 텍스트를 추가한 경우 전반적으로 평점 예측 성능이 향상되었다. 특히 KoBERT 기반 모델이 DeBERTa 기반 모델보다 더 낮은 RMSE 및 MAE 를 기록하였으며, 이는 한국어 리뷰 데이터를 활용한 추천 시스템에서 KoBERT 가 보다 적합한 언어모델임을 시사한다. 본 연구는 단순한 예측 성능 개선을 넘어 리뷰가 없는 cold-start 사용자에 대해서는 피부 프로필 기반 유사 사용자군을 구성하여 예측이 가능하도록 설계하였으며, 1 회 이상 구매 사용자와 2 회 이상 구매 사용자를 분리한 실험에서도 유사한 성능 향상 경향이 관찰되었다. 이는 제안된 모델이 다양한 사용자군에 실용적으로 적용 가능함을 의미한다. 추천 시스템의 핵심 구성요소로 평점 예측이 수행하는 역할을 실험적으로 입증하였으며, 정형 및 비정형 정보를 통합한 딥러닝 기반 구조의 실용성, 확장 가능성, 통계적 유의성(Friedman 검정, 대응표본 t-검정, Wilcoxon 부호순위 검정)을 종합적으로 검증하였다.
more목차
제 1 장 서론 1
제 1 절 연구배경 1
제 2 절 연구목적 4
제 2 장 이론적 배경 및 관련 연구 7
제 1 절 추천 시스템 7
제 2 절 평점예측 추천 시스템 11
제 3 절 화장품 추천시스템 12
제 4 절 인공신경망 모델 기반의 추천시스템 14
(1) GMF: Generalized Matrix Factorization 15
(2) NCF: Neural Collaborative Filtering 16
제 5 절 인공신경망 기반의 한국어 임베딩 추천시스템 모델 19
제 3 장 제안방법 23
제 1 절 제안모델 23
제 2 절 입력 피처(feature) 및 임베딩 구성 28
(1) 데이터 수집 및 전처리 28
제 4 장 실험 및 분석 33
제 1 절 실험환경 33
제 2 절 데이터셋 34
제 3 절 데이터 분포 분석 34
제 4 절 평가기준 43
제 5 절 실험결과 44
(1) 실험 구성 44
(2) 입력 변수 조합과 모델 구성 45
(3) 실험 결과 47
제 6 절 통계적 유의성 검정 57
제 5 장 결론 65
제 1 절 실험 결과 및 시사점 65
제 2 절 향후연구 69
