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

추천
검색

논문 기본 정보

자료유형
학위논문
저자정보

이경찬 (서울과학기술대학교, 서울과학기술대학교 대학원)

지도교수
김경옥
발행연도
2022
저작권
서울과학기술대학교 논문은 저작권에 의해 보호받습니다.

이용수7

표지
AI에게 요청하기
추천
검색

이 논문의 연구 히스토리 (2)

초록· 키워드

오류제보하기
세션 기반 추천 모델(Session-based recommendation)은 세션 내에 포함된 아이템들의 연속적으로 나열된 정보를 이용하여 다음에 클릭할 아이템을 예측하는 추천시스템으로 최근 활발히 연구되고 있는 분야이다. 세션 기반 추천 모델은 유저의 시간적 선호도를 모델링하여 추천하는 순차적 추천시스템(Sequential recommendation) 방법의 한 종류로서, 이에 대한 선행 연구는 주로 연속적인 정보를 모델링하는데 적합한 순환신경망(Recurrent neural network, RNN) 구조를 채택해왔다.
세션 기반 추천시스템은 유저의 동적 선호도를 정확히 모델링하기 위하여 다양한 방향으로 발전되어왔으나, 명시적 피드백(Explicit feedback)(평점 등)이 없이 유저의 암시적 행동(Implicit behavior)(방문 등)을 사용하기 때문에 데이터가 희소하고 유저가 적은 상황에서 활용될 가능성이 높다. 만약 이처럼 데이터의 양이 적은 경우에 세션 기반 순환신경망 추천시스템을 사용한다면 적은 학습데이터에 과적합되어 일반화 성능이 저하되기 쉽다.
본 논문에서는 세션 데이터가 부족한 상황에서 순환신경망을 이용한 세션 기반 추천시스템의 성능을 향상시킬 수 있는 세션 데이터 증강 기법을 제안한다. 세션 내 아이템의 출현은 순차적 정보 외에도 아이템 사이의 관계 정보를 포함하고 있다. 제안 방법은 이러한 세션 데이터의 특성을 고려하고 유저 식별 정보 없이 세션 내 아이템의 시퀀스 정보만을 이용하여 관측 데이터와 유사한 데이터를 생성할 수 있다. 결과적으로 제안 방법을 통해 학습데이터의 양을 증가시킴으로써 세션 기반 추천 모델의 성능을 향상시킬 수 있다. 본 연구에서는 실제 데이터에 대한 실험을 통하여 세션 기반 추천시스템의 성능 향상을 입증하였다.

목차

요약 ⅰ
표목차 ⅲ
그림목차 ⅲ
I. 서 론 1
II. 관련 연구 4
1. 순차적 추천시스템 4
2. 세션 기반 추천시스템 4
3. 시퀀스 데이터 증강 6
III. 연구 방법 9
1. 아이템 간 유사도 측정 10
2. 변형 아이템 선택 16
3. 증강 방법 18
IV. 실험 설계 및 결과 20
1. 실험 데이터 20
2. 평가지표 20
3. 활용 모델 20
4. 실험 설계 21
5. 실험 결과 27
V. 결 론 47
1. 연구 요약 47
2. 한계점 및 추후연구 47
참고문헌 50
영문초록(Abstract) 53
감사의 글

최근 본 자료

전체보기

댓글(0)

0