메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
김현진 (단국대학교) 신동진 (단국대학교) 신원용 (단국대학교) 황창하 (단국대학교)
저널정보
한국통신학회 한국통신학회논문지 한국통신학회논문지 제43권 제8호
발행연도
2018.8
수록면
1,357 - 1,367 (11page)
DOI
10.7840/kics.2018.43.8.1357

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

이 논문의 연구 히스토리 (2)

2018

효과적인 협업 필터링을 위한 평점 정보 도움을 받는 잡음제거 오토인코더
김현진 ,  신동진 ,  신원용 외 1명 한국통신학회논문지 2018.08 학술저널
JinnieNet : 효과적인 협업필터링을 위한 가중치 추정 기반 잡음제거 오토인코더
김현진 ,  신동진 ,  신원용 외 1명 한국통신학회 학술대회논문집 2018.06 학술대회자료

초록· 키워드

오류제보하기
추천 시스템은 사용자의 선호도를 기반으로 상품을 추천해 주는 것으로, 대표적으로 협업 필터링 방법이 있다. 그러나 협업 필터링은 사용자가 부여한 평점 데이터가 충분하지 않은 경우, 추천 정확도가 낮아지는 문제가 있다. 본 논문에서는 희소한 데이터에 주로 사용되는 기계 학습 방법인 잡음제거 오토인코더를 응용한 새로운 협업 필터링 방법을 소개하고, 이를 통해 개선된 추천 정확도를 보이고자 한다. 제안한 방법에서는 평점을 효과적으로 예측하기 위해서 해당 사용자의 평점 평균과 해당 상품의 평점 평균의 선형 결합을 고려한다. 즉, 각각의 평점 평균과 가중치의 곱으로 평점을 예측하며, 각 가중치는 잡음제거 오토인코더를 통하여 학습된다. 제안하는 모델은 Top-N 추천 시스템 환경에서 정밀도, 재현율, F-measure, nDCG의 측면에서 성능 검증된다. MovieLens 데이터셋 사용 시 기존의 잡음제거 오토인코더 기반 협업 필터링보다 nDCG의 측면에서 최대 210% 향상된 성능을 보이는 것을 확인한다.
#Collaborative Filtering (CF) #Denoising AutoEncoder (DAE) #Rating #Recommender System

목차

요약
ABSTRACT
Ⅰ. 서론
Ⅱ. 협업 필터링 개요
Ⅲ. 제안방법
Ⅳ. 실험결과
Ⅴ. 결론
References

참고문헌 (20)

참고문헌 신청
G. Linden, B. Smith, and J. York, “Amazon.com recommendations: item-to-item collaborative filtering,” in IEEE Internet Computing, vol. 7, no. 1, pp. 76-80, Jan. 2003. Netflix Prize, Retrieved Jul., 30, 2018, from http://www.netflixprize.com C. A. G.-Uribe and N. Hunt, “The Netflix recommender system: algorithms, business value, and innovation,” ACM TMIS, vol. 6, no. 4, Jan. 2015. B. W. Seo, The evolution of contents recommendation algorithm(2016), Retrieved Jul., 31, 2018, from http://www.kocca.kr/ insight/vol05/vol05_04.pdf D. Jannach, M. Zanker, A. Felfernig, and G. Friedrich, Recommender systems: an introduction, Cambridge University Press, 2010.

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이 논문과 함께 이용한 논문

잡음제거 오토인코더 연구 동향 조사
하지훈 ,  김용혁 한국정보과학회 학술발표논문집 2016 .06
JinnieNet : 효과적인 협업필터링을 위한 가중치 추정 기반 잡음제거 오토인코더
김현진 ,  신동진 ,  신원용 외 1명 한국통신학회 학술대회논문집 2018 .06
딥 오토인코더 기반의 개인화 추천 시스템 : 사용자의 내재적 특성 고려
제현우 ,  김준우 ,  이문용 한국정보과학회 학술발표논문집 2017 .06
오토인코더를 활용한 유사도 기반 영화 추천 시스템
봉원재 ,  방한별 ,  이지형 한국지능시스템학회 학술발표 논문집 2016 .04
Recommendation system using Deep Autoencoder for Tensor data
Jina Pa ,  k ,  Hwan-Seung Yong 한국컴퓨터정보학회논문지 2019 .08

최근 본 자료

전체보기

댓글(0)

0