인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
개인구독
소속 기관이 없으신 경우, 개인 정기구독을 하시면 저렴하게
논문을 무제한 열람 이용할 수 있어요.
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
피인용 0
초록·키워드
정보 통신 기술의 급속한 발전으로 온라인 플랫폼 내 사용자 수와 정보량이 폭발적으로 증가하면서, 사용자들은 정보 과부하 문제에 직면하고 있다. 이에 따라 다양한 플랫폼에서는 사용자 선호도를 반영해 정보를 선별적으로 제공하는 추천 시스템을 도입하고 있으며, 많은 연구에서는 추천 정확도를 높이기 위해 사용자 및 제품을 표현하는 벡터의 의미적 풍부함을 강화하는 방법을 모색해왔다. 본 연구는 사용자와 제품의 잠재 벡터를 고도화하여 정교한 추천을 제공하는 ADAR(Aspect-based Dual graph Autoencoder Representation learning for Recommendation system) 프레임워크를 제안한다. 이를 위해 리뷰 텍스트에서 사용자의 선호 정보를 추출하는데, 기존 연구들이 단일 감정 수준의 표현에 그쳤던 것과 달리, 본 연구는 감성 정보를 측면별로 정제하여 잠재 벡터에 반영한다. 또한, 사용자-제품 간 상호작용만을 고려하던 기존 방식의 한계를 보완하기 위해 제품 간 동시 발생성 정보를 활용하며, 사용자 간 유사성과 제품 간 연관성을 명시적으로 반영하기 위해 사용자-사용자 및 제품-제품 그래프를 별도로 구축한다. 이후, GNN(Graph Neural Network)를 통해 사용자 및 제품 임베딩을 생성하고, 특히 VGAE(Variational Graph AutoEncoder)를 활용하여 수학적 기반이 강한 고성능 임베딩을 실현하고자 하였다. 제안된 ADAR 프레임워크는 사용자 측면 선호와 제품 간 동시 발생성을 통합한 동종 그래프 기반 임베딩 고도화 방식을 바탕으로, 기존 추천 시스템의 표현력을 강화한다. Yelp.com의 레스토랑 리뷰 데이터를 활용한 실험 결과, 기존 베이스라인 모델 대비 최대 52.8%까지 성능 개선을 달성함을 통해 제안 모델의 효과성을 확인하였다.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
UCI(KEPA) : I410-151-25-02-093576981
