전이 확률 기반 벡터를 이용한 추천 시스템 성능 향상

Q: 이 논문에서 정의한 전이 확률이란 무엇인가?

특정 아이템이 선택된 이후에 다른 아이템이 선택될 확률을 나타내는 지표를 의미한다. 본 연구에서는 훈련 데이터만을 이용하여 아이템 간의 전이 확률 행렬을 생성하고, 이를 기반으로 벡터를 구축하여 추천 시스템의 미래 아이템 예측 성능을 향상시키는 데 활용한다.

Q: 전이 확률 기반 벡터가 추천 시스템의 콜드 스타트 문제에 어떤 영향을 미치는가?

연구 결과, 전이 확률 기반 벡터는 사용자의 행동 기록이 짧거나 정보가 부족한 상황에서 추천 정확도를 높임으로써 콜드 스타트 문제를 완화하는 데 기여한다. 특히 정적인 선호도를 반영하는 이 정보는 동적인 추천 모델의 성능을 보완하고 향상시키는 효과가 있다.

천우진; 강필성

doi:10.7232/JKIIE.2020.46.4.393

추천

검색

질문

자료유형: 학술저널

저자정보: 천우진 (고려대학교) 강필성 (고려대학교)

저널정보: 대한산업공학회 대한산업공학회지 대한산업공학회지 제46권 제4호

발행연도: 2020.8

수록면: 393 - 403 (11page)

DOI: 10.7232/JKIIE.2020.46.4.393

이용수

📌

연구주제

📖

연구배경

🔬

연구방법: 이 논문의 연구방법이 궁금하신가요?

🏆

연구결과: 이 논문의 연구결과가 궁금하신가요?

초록· 키워드

Numerous companies are now able to store and manage huge amounts of information about their customers. Accordingly, studies on recommender systems are actively being conducted to use the information more efficiently. Among them, studies that wish to have high predictability using additional information other than purchase information are presented in this paper with a simple method to reduce costs and increase accuracy. The corresponding module is a vector based on the probability that an item is transferred to another item. Experiments conducted on public datasets show that the performances of the proposed architecture have improved by an average of 9.7% compared to the benchmark models. It was also intended to provide direction for cold-start problem resolution at no additional cost.

#Recommendation System #Transition Probability #Sequential Recommendation #Item Embedding

참고문헌

참고문헌 신청

최근 본 자료

전체보기

UCI(KEPA) : I410-ECN-0101-2020-530-001096347

배경 및 목적
대상 및 방법론
분석 및 수행
결과 및 의의

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI가 분석한 연구 핵심

이 논문의 한줄 요약

이 논문의 연구방법

목차

참고문헌

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)