Earticle

협력 필터링은 상업적 추천 시스템에서 널리 사용되어 왔는데, 고객의 사회적 행태를 구현하여 사용자의 흥 미에 부합하는 항목들을 제안하기 때문이다. 현재까지 적절한 항목을 추천하기 위한 가장 보편적인 방법은 유사한 사용자들을 찾아 그들의 평가치를 참조하는 방법이다. 본 논문은 영화를 추천하기 위해서 장르 흥미도를 기반으로 하는 새로운 유사도 공식을 제안하는데, 이는 기존 공식에서 사용자들의 평가등급 차이를 기반으로 하는 것과 대비 된다. 광범위한 실험 결과에 따르면, 제안한 공식은 정확도와 추천의 질에 있어서 전통적인 유사도 공식의 성능을 크게 향상시키는 것으로 확인되었다.

Collaborative filtering has been popular in commercial recommender systems, as it successfully implements social behavior of customers by suggesting items that might fit to the interests of a user. So far, most common method to find proper items for recommendation is by searching for similar users and consulting their ratings. This paper suggests a new similarity measure for movie recommendation that is based on genre interest, instead of differences between ratings made by two users as in previous similarity measures. From extensive experiments, the proposed measure is proved to perform significantly better than classic similarity measures in terms of both prediction and recommendation qualities.

The success of an exhibition depends on the number of visitors and exhibitors. For such a purpose, it is necessary to recommend right exhibitor and right prospective visitors into right exhibition. In this research, we suggest a recommendation methodology for acquisition of prospectors. The proposed methodology is evaluated with the collected data from surveys. From the experimental results, we can see that degree of recommendation satisfaction, and novelty and serendipity of the proposed methodology are better than those of the item-based collaborative filtering. We expect that the proposed methodology can be extended into other areas such as museum and concert.

The purpose of this paper is to strengthen trust on the automated collaborative filtering system. Automated collaborative filtering system is quickly becoming a popular technique for recommendation system. This elaborative methodology contributes for reducing information overload and the result becomes index of users' preference. In addition, it can be applied to various industries in various fields. After it collaborative filtering system was developed, many researches are executed to enhance credibility and to apply in various fields. Among these diverse systems, collaborative filtering system which uses Pearson correlation coefficient is most common in many researches. In this paper, we proposed new process diagram of collaborative filtering algorithm and new factors which should improve the credibility of system. In addition, the effects and relationships are also tested.

사람들은 자신의 더 나은 선택을 위하여 끊임없이 노력한다. 이러한 이유로 추천시스템이 개발되었으며, 1990년대 초반부터 계속해서 발전하고 있다. 그 중, 협업필터링 기법은 추천시스템 분야에서 우수한 성능을 보였으며, 기계학습이 등장하면서 기계학습을 이용한 추천시스템에 관한 연구가 활발히 진행되었다. 본 연구는 앙상블 방법 중에서 스태킹 모형 을 사용하여 추천시스템을 구축하며, 실제 고객의 상품 구매 데이터를 활용하여 협업필터링과 기계학습 기반 스태킹 모형 으로 추천시스템을 개발하였다. 제시한 모형의 추천 성능은 기존의 협업필터링과 기계학습 기반 추천시스템과 비교하여 모형의 우수성을 확인하며, 연구결과는 스태킹 모형을 이용한 추천시스템 모형의 추천 성능이 개선됨을 확인하였다. 향후 본 연구에서 제안한 모형은 개인이나 기업이 더 나은 선택을 하여 상품을 추천할 때 도움을 줄 것으로 기대한다.

People constantly strive for better choices. For this reason, recommender system has been developed since the early 1990s. In particular, collaborative filtering technique has shown excellent performance in the field of recommender systems, and research of recommender system using machine learning has been actively conducted. This study constructs recommender system using collaborative filtering and machine learning based on stacking model which is one of ensemble methods. The results of this study confirm that the recommender system with the stacking model is useful in aspects of recommender performance. In the future, the model proposed in this study is expected to help individuals or firms to make better choices.

본 연구는 온라인 사회연결망서비스(SNS)를 기반으로 하는 전자상거래, 즉 소셜 커머스 상의 콘텐츠 또는 상품광고에 대하여 형성되는 사용자 평판 형성의 신뢰도를 강화시키는 기법을 도출하고자 하는 데에 목적을 두고 있 다. 온라인 평판정보는 소비자들의 의사결정에 중요한 요인으로 작용하고 있음에도 불구하고 평가자의 주관적 성향 에 의존적이고 또한 이러한 평가를 자신 또는 판매자의 이익을 위해 악용하는 경우가 있기 때문에 온라인 여론 형 성의 신뢰도에 문제가 있을 수 있다. 따라서, 본 연구에서는 협업필터링 기법을 기반으로 각 사용자 평판에 차별적 인 가중치를 부여하는 방식을 적용해 SNS용 온라인 평판시스템 신뢰도를 향상시키고자 하였다. 본 연구의 결과는 사용자 평가 값에 각 개인의 신뢰도 가중치를 반영함으로써 좀 더 신뢰할 수 있는 평판결과를 제시할 수 있고, 아울 러 특정집단의 이익을 위해 사용자 평판시스템을 악용하는 것을 막는 데 기여할 수 있을 것으로 기대된다.

Online reputation systems for social network services(SNS) aggregate users’ feedback and estimate the reputation of contents or providers. The aim of this research is to enhance credibility of the online reputation system on the SNS based e-Commerce(we called it as social commerce). SNS users usually refer to evaluations from other users who bought the products before. Most social commerce sites provide reputation system to help their customer make a decision, but sometimes we can't believe the reputation because the reputation is too subjective and the seller can deceive the customer for sales promotion. Threrefore, we usually use just the average value to show the general customer's evaluation result. We applied collaborative filtering method to give more weighting to the users who have evaluated correctly in the past. As a result, we could get more accurate evaluation results by considering each customers' credibility value that was computed by collaborative filtering.

온라인에서 보험 정보를 찾는 이용자들이 많은 반면, 보험사 웹 사이트 콘텐츠 추천 연구 사례는 많지 않았으므 로 본 연구에서는 보험사 웹 사이트의 페이지 방문 이력을 활용하여 사용자에게 선호 가능성이 높은 페이지 추천 시스 템을 제안하였다. 데이터는 웹 브라우저 이용 시 발생하는 클라이언트 사이트 스토리지(Client-side storage)를 활용하 여 수집하였으며, 추천 기술로는 협업 필터링(Collaborative filtering)을 연구에 적용하였다. 실험을 실시한 결과 방문 여부를 의미하는 이진화된 데이터를 사용한 자카드 인덱스(Jaccard index) 기반의 아이템 기반 협업 필터링 (Item-based collaborative, IBCF)에서 좋은 성능을 나타내었다. 향후에는 아이템에 가중치를 부여한 추천 기술을 연 구하여, 기업에서 사용 시 마케팅 전략에 부합하는 콘텐츠 추천 시스템을 구현할 수 있을 것이다.

While many users searched for insurance information online, there were not many cases of contents recommendation researches on insurance companies' websites. Therefore, this study proposed a page recommendation system with high possibility of preference to users by utilizing page visit history of insurance companies' websites. Data was collected by using client-side storage that occurs when using a web browser. Collaborative filtering was applied to research as a recommendation technique. As a result of experiment, we showed good performance in item-based collaborative (IBCF) based on Jaccard index using binary data which means visit or not. In the future, it will be possible to implement a content recommendation system that matches the marketing strategy when used in a company by studying recommendation technology that weights items.

인공지능은 4차 산업혁명을 선도하는 중요 기술로 기존 ICT 산업뿐 아니라 전체 산업 분야에 적 용될 수 있는 융합기술이다. 인공지능 서비스를 활용하기 위해 직접 시스템을 구축하는 것은 많은 시간 과 노력을 필요로 한다. 이러한 문제점을 해결하기 위해 사용자가 웹 인터페이스를 활용하여 분석방법 을 선택하고 대상 데이터를 업로드 하여 스스로 분석하고 결과를 조회할 수 있는 인공지능 클라우드 서 비스를 구현하였다. 분산병렬 플랫폼 기반의 인공지능 클라우드는 대용량의 데이터를 빠르게 처리할 수 있으며, 다양한 인공지능 알고리즘을 활용하여 분석할 수 있다. 본 연구에서는 군집 분석, 나이브베이 즈, 협업 필터링 알고리즘을 클라우드 서비스로 구현하고, 데이터양 변화에 따른 성능을 측정하였다. 앞 으로 딥러닝 등 다양한 인공지능 알고리즘을 제공하여 더욱 다양한 산업 분야에 활용할 수 있도록 연 구개발을 진행할 예정이다.

An important technology leading the Fourth Industrial Revolution, Artificial Intelligence, is a convergence technology that can be applied not only to the existing ICT industry but also to the entire industrial field. Setting up a system to take advantage of AI services requires a lot of time and effort. In order to solve the above low-efficiency method, we implement the AI cloud service that analyzes the data and retrieves the results when users select analysis method and upload target data through User Interface on the web.AI cloud based on distributed parallel platform can process a large amount of data quickly and can be analyzed by using various AI algorithms. In this study, we implement a cloud service using Clustering Analysis, Naïve Bayes Classification, and Collaborative Filtering algorithms to measure the performance according to the change of data size. In the future, we will continue to develop various AI algorithms such as deep learning for use in a wider range of industries.

최근 소프트웨어 교육이 4차 산업혁명의 핵심요소로 강조되고 있으며, 이러한 시대적 요구에 따라 많은 대학들 이 전교생을 대상으로 하는 소프트웨어 교육을 강화하고 있다. 전교생을 대상으로 하는 SW교육 도입을 위해 온라인 콘텐츠의 활용은 효과적인 방안이라고 할 수 있다. 그러나 일률적인 온라인 콘텐츠의 제공은 학생들의 개별적인 특성(전 공, 흥미, 이해력, 관심분야 등)을 고려하지 못하는 한계를 갖는다. 본 연구에서는 불리언 형태의 시청이력 데이터 환경 에서 콘텐츠 간의 방향성 있는 유사도를 활용하는 추천 기법을 제안한다. 연관규칙 분석의 확신도를 유사도 값으로 활용 하는 새로운 아이템기반 추천 수식을 제안하여 국내의 실제 유료 콘텐츠 사이트의 데이터에 적용하였다. 실험 결과 코사 인, 자카드 등의 전통적인 유사도 방식을 기반으로 하는 협력적 추천방식을 사용할 때 보다 추천 정확도가 향상됨을 확인할 수 있었다.

Recently, software education has been emphasized as a key element of the fourth industrial revolution. Many universities are strengthening the software education for all students according to the needs of the times. The use of online content is an effective way to introduce SW education for all students. However, the provision of uniform online contents has limitations in that it does not consider individual characteristics(major, sw interest, comprehension, interests, etc.) of students. In this study, we propose a recommendation method that utilizes the directional similarity between contents in the boolean view history data environment. We propose a new item-based recommendation formula that uses the confidence value of association rule analysis as the similarity level and apply it to the data of domestic paid contents site. Experimental results show that the recommendation accuracy is improved than when using the traditional collaborative recommendation using cosine or jaccard for similarity measurements.

국내 공공전자조달은 국내외에 우수성을 인정받고 있다. 하지만 수요기관이 발주 시 조달업체가 관련 공고를 일일이 확인하거나, 전체 조달공고현황을 한눈에 파악하기에는 어려움이 있다. 그에 따라 본 논문에서는 효과적인 전자조달시스템 의 활용을 위해 빅데이터 기술인 HDFS와 아파치 스파크 기술, 협업필터링 기술을 이용하여, 조달공고 추천서비스와 조달 공고·계약 트렌드 분석 서비스 구현을 통한 전자조달공고 분석지원 시스템을 개발하였다. 조달공고 추천서비스는 조달업체 의 특성과 성격에 맞는 공고를 추천함에 따라 조달업체가 일일이 공고를 검색하는 수고를 덜어 줄 수 있으며, 조달 공고·계 약 트렌드 분석 서비스는 조달 공고/계약 정보를 시각화하여 조달업체와 수요기관에게 전자조달의 분석정보를 한눈에 확인 할 수 있도록 구현하였다.

Domestic public e-procurement has been recognized excellence at home and abroad. However, it is difficult for procurement companies to check the related announcements and to grasp the status of procurement announcements at a glance. In this paper, we propose an e-Procurement Announcement Analysis Support System using the HDFS, HDFS, Apache Spark, and Collaborative Filtering Technology for procurement announcement recommendation service and procurement announcement and contract trend analysis service for effective e-procurement system. Procurement announcement recommendation service can relieve the procurement company from searching for announcements according to the characteristics and characteristics of the procurement company. The procurement announcement/contract trend analysis service visualizes the procurement announcement/contract information and procures It is implemented so that the analysis information of electronic procurement can be seen at a glance to the company and the demand organization.

As the rapid growth of mobile device, a recommender system is required to provide adequate recommendation list even if the customers provide their needs explicitly. In this research, the problem that customers provide their needs is modeled as constraint satisfaction problem. However the existing constraint satisfaction is too rigid, so we employ approximate constraint satisfaction by adopting indifference interval. The proposed recommendation methodology is composed of two phases; the first phase is related to CF-based filtering to generate the candidate recommendation set. The second phase is related to approximate constraint filtering to find the final adequate items fitting individual customers’ concerns. We expect that the proposed methodology contribute to display the adequate items to customer’s concerns for better recommendation in mobile environment.

본 논문은 Extrapolative Collaborative Filtering 방법론의 유용성을 컨텐트 추천 분야에서 확인하고자 한다. 컨텐트 서비스들은 개별적으로 운영되고, 그들간의 정보 공유가 이루어지지 않아, 타 서비스를 이용할 경우 다른 서비스에서의 자신의 성향이 반영되지 않는 한계가 있다. 이에 본 연구에서는 다양한 컨텐트 사이트를 이용하는 사용자의 편의를 위해 타 사이트간의 최소한의 협력이 있는 환경에서, 상호적 추천을 하는 Extrapolative Collaborative Filtering (ECF) 방법론이 유용한지를 검증하였다. 이를 위해 공개된 4개의 컨텐트 사이트 데이터셋을 확보하여 실험하였다. 그 결과, 적절한 협력을 하는 경우가 독자적으로 하는 것보다 추천의 성과가 향상될 수 있음을 확인하였다.

The proliferation of items increased the difficulty of customers in finding the specific items they want to purchase. To solve this problem, companies adopted recommender systems, such as collaborative filtering systems, to provide personalization services. However, companies use only meaningful and essential data given the explosive growth of data. Some customers are concerned that their private information may be exposed because CF systems necessarily deal with personal information. Based on these concerns, we analyze the effects of the amount of information on recommendation performance. We assume that a customer could choose to provide overall information or partial information. Experimental results indicate that customers who provided overall information generally demonstrated high performance, but differences exist according to the characteristics of products. Our study can provide companies with insights concerning the efficient utilization of data.

This study proposes novel recommender systems which collect qualitative and emotional information for recommendation engine in order to mitigate the limitations of typical collaborative filtering (CF) algorithm. The proposed model selects subgroups of users in Internet community through social network analysis (SNA), and then performs clustering analysis using the information about subgroups. Finally, it makes recommendations using cluster-indexing CF based on the clustering results. This study tries to use the cores in subgroups as an initial seed for a conventional clustering algorithm. This model chooses five cores which have the highest value of degree centrality from SNA, and then performs clustering analysis by using the cores as initial centroids (cluster centers). Then, the model amplify the impact of friends in social network in the process of cluster-indexing CF. The experimental results show the proposed model outperforms conventional CF and other comparative models with statistical significance.

This paper presents a novel method for evaluating the usefulness of online product recommendation. Previous studies on evaluating recommendation systems have mostly relied on two methods：testing the accuracy of estimating user preferences by recommendation systems, or empirically testing the effectiveness with lab experiments involving human participants. The former does not measure the usefulness directly and hence can be misleading; the latter is expensive in that it requires a working online store system and test participants. In order to address the problems, the proposed approach uses simulation to imitate customer behavior and evaluate the usefulness of recommendation. Models for user behavior and an abstract Internet store are developed for simulation. Actual simulation experiments are performed to illustrate the use of the approach.

협업 필터링은 사용자의 기록을 바탕으로 선호도를 예측하여 추천하는 방법이다. 최근 협업 필터링 중 머신러닝 알 고리즘을 이용하는 연구가 활발히 이루어지고 있으며 그중에서 오토인코더 모델들의 추천 성능이 뛰어났다. 오토인 코더 모델들은 추천 성능 향상을 위해 별도의 데이터 셋 전처리 과정을 거친다. 하지만 현재 모델들이 사용하는 기 존의 전처리에서는 차원 축소 및 복원으로 인한 정보손실 문제와 데이터 셋들의 불균일한 분포 문제를 해결하지 못 한다. 따라서 본 연구에서는 사용자 기반의 오토인코더 모델에 적합한 전처리 시스템을 제안한다. 본 연구는 필터 모듈과 분배 모듈로 이루어져 있으며 기존의 전처리의 문제들을 순차적으로 개선한다. 필터 모듈에서는 정보손실 문 제를 개선하고 분배 모듈에서는 데이터 셋들의 불균일한 분포 문제를 개선하였다. 그리고 각각의 모듈들을 기존의 전처리 방법과 비교하는 실험을 하여 개선된 결과를 확인하였다. 또한 제안한 방법을 적용한 데이터 셋으로 사용자 기반 오토인코더 모델을 학습시켰을 때 추천 성능이 올라가는 것을 실험을 통해 확인하였다.

Collaborative filtering(CF) is a method of recommending possible preferences of a user based on existing records. Recently, CF research using machine learning algorithms has been actively conducted, among which Autoencoder models have outstanding recommendation performances. Autoencoder models go through preprocessing to improve recommendation performance. However, traditional preprocessing used by current models cannot solve information loss due to dimensional reduction and restoration as well as uneven distribution of datasets. Therefore, in this work, we propose a preprocessing system suitable for user-based Autoencoder models. This work consists of filter modules and distribution modules, which sequentially reduce the problems of traditional preprocessing. We minimized the information loss problems in filter modules and the uneven distribution of datasets in distribution modules. We then conducted experiments comparing each module to conventional preprocessing to confirm the improved results. We also proved that recommendation performance increase when we train a user-based Autoencoder model with datasets that applied the suggested method through an experiment.