Earticle

As deep learning technology in natural language and visual processing has rapidly developed, collaborative filtering-based recommendation systems using deep learning technology are being actively introduced in the recommendation field. In this study, OCF-GAN, a hybrid collaborative filtering model using GAN, was proposed to solve the one-class and cold-start problems, and its usefulness was verified through performance evaluation. OCF-GAN based on conditional GAN consists of a generator that generates a pattern similar to the actual user preference pattern and a discriminator that tries to distinguish the actual preference pattern from the generated preference pattern. When the training is completed, user preference vectors are generated based on the actual distribution of preferred items. In addition, the cold-start problem was solved by using a hybrid collaborative filtering recommendation method that additionally utilizes user and item profiles. As a result of the performance evaluation, it was found that the performance of the OCF-GAN with additional information was superior in all indicators of the Top 5 and Top 20 recommendations compared to the existing GAN-based recommender. This phenomenon was more clearly revealed in experiments with cold-start users and items.

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.

추천시스템(recommender system)은 고객의 선호도를 예측하여 상품과 서비스를 제공하는 기법으로, 현재 다양한 온라인 서비스에 활용되고 있다. 이와 관련된 많은 선행 연구들은 협업필터링(collaborative filtering)에 기반한 추천시스템을 제안하였는데, 대부분의 경우 고객의 구매 내역 또는 평점 데이터만 사용하여 진행되었다. 오늘날 소비자들은 제품을 구매하는 과정에서 온라인 검색 행동을 하여 관심있는 제품을 찾는다. 그렇기 때문에 검색 키워드 데이터는 고객의 선호도를 파악하는데 매우 유용한 정보일 수 있다. 그러나 지금까지 추천시스템 연구에서 사용되는 경우는 거의 없었다. 이에 본 연구는 고객의 검색 행동에 주목하여 온라인 쇼핑몰 고객의 검색 키워드 데이터와 구매 데이터를 고려한 하이브리드 협업 필터링을 제안하였다. 본 연구는 제안된 모델의 적용 가능성을 검증하기 위해 실제 온라인 쇼핑몰 데이터를 사용하여 성능을 검증하였다. 연구 결과, 추천 상품의 개수가 많아질수록 고객의 검색 키워드를 기반으로 구축된 협업필터링의 추천 성능이 향상되는 반면 일반적인 협업필터링의 성능은 추천된 상품의 개수가 많아질수록 점차 감소함을 발견하였다. 따라서 본 연구는 검색 키워드 데이터를 활용한 하이브리드 협업필터링이 고객의 선호도를 반영한 추천할 수 있으며, 구매이력 데이터의 정보부족을 해결할 수 있음을 확인하였다. 이는 기존의 정량 데이터만을 활용한 추천 시스템이 아닌, 비정형 데이터인 텍스트를 사용함으로써 새로운 하이브리드 협업필터링 구축 방법을 제안했다는 점에서 의의가 있다.

A recommender system is a system that recommends products or services that best meet the preferences of each customer using statistical or machine learning techniques. Collaborative filtering (CF) is the most commonly used algorithm for implementing recommender systems. However, in most cases, it only uses purchase history or customer ratings, even though customers provide numerous other data that are available. E-commerce customers frequently use a search function to find the products in which they are interested among the vast array of products offered. Such search keyword data may be a very useful information source for modeling customer preferences. However, it is rarely used as a source of information for recommendation systems. In this paper, we propose a novel hybrid CF model based on the Doc2Vec algorithm using search keywords and purchase history data of online shopping mall customers. To validate the applicability of the proposed model, we empirically tested its performance using real-world online shopping mall data from Korea. As the number of recommended products increases, the recommendation performance of the proposed CF (or, hybrid CF based on the customer's search keywords) is improved. On the other hand, the performance of a conventional CF gradually decreased as the number of recommended products increased. As a result, we found that using search keyword data effectively represents customer preferences and might contribute to an improvement in conventional CF recommender systems.

In ubiquitous environment, information retrieval using collaborative filtering is a popular technique for reducing information overload. Collaborative filtering systems can produce personal recommendations by computing the similarity between your preference and the one of other people. We integrate the collaboration filtering method and context-aware information retrieval method. The proposed method enables to find some relevant information to specific user's contexts. It aims to makes more effective information retrieval to the users. The proposed method is conceptually comprised of two main tasks. The first task is to tag context tags by automatic tagging technique. The second task is to recommend items for each user's contexts integrating collaborative filtering and information retrieval. We describe a new integration method algorithm and then present a u-commerce application prototype.

협력적 여과는 특별한 아이템에 대한 사용자의 선호도를 예측하는 데 사용하는 기술이다. 이러한 협력적 여과 기술은 사용자 기반 접근 방식과 아이템 기반 접근 방식으로 구분할 수 있으며, 많은 상업적인 추천 시스템에서 광범위하게 사용되고 있다. 본 논문에서는 저차원 선형 모델을 사용하여 사용자 기반과 아이템 기반을 통합하는 하이브리드 협력적 여과 방법을 제안한다. 제안한 방법에서는 저차원 선형모델 중 비음수 행렬 분해(NMF)를 이용하여 기존의 협력적 여과 시스템의 문제점인 희박상과 대용량성의 문제점을 해결한다. 협력적 여과 시스템에서 NMF를 이용하는 방법은 사용자를 의미 관계로 표현할 때 유용하게 사용되나 사용자-아이템 행렬의 평가값에 따라 정확도가 낮아질 수 있으며, 모델 기반의 방법이기 때문아 계산 과정이 복잡하여 동적인 추천이 불가능하다는 단점을 갖는다. 이러한 단점을 보완하기 위하여 제안된 방법에서는 NMF에 의해 군집된 그룹을 대상으로 TF-lDF를 이용하여 그룹의 특징을 추출한다. 또한, 아이템 기반에서 아이템간의 유사도를 계산하기 위하여 상호정보량(mutual information)을 이용한다. 오프라인 상에서 훈련집합의 사용자를 군집시키고 그룹의 특징을 추출한 후, 온라인 상에서 추출한 그룹의 특징을 이용하여 새로운 사용자를 가장 최적의 그룹으로 분류함으로써 사용자를 분류하는 데 걸리는 시간을 단축시켜 동적인 추천을 가능하게 하며, 사용자 기반과 아이템 기반을 병합함으로써 기존의 방법보다 정확도를 높인다.

Collaborative filtering is a technique used to predict whether a particular user will like a particular item. User-based or item-based collaborative techniques have been used extensively in many commercial recommender systems. In this paper, a hybrid collaborative filtering method that combines user-based and item-based methods using a low-dimensional linear model is proposed. The proposed method solves the problems of sparsity and a large database by using NMF among the low-dimensional linear models. In collaborative filtering systems the methods using the NMF are useful in expressing users as semantic relations. However, they are model-based methods and the process of computation is complex, so they can not recommend items dynamically. In order to complement the shortcomings, the proposed method clusters users into groups by using NMF and selects features of groups by using TF-IDF. Mutual information is then used to compute similarities between items. The proposed method clusters users into groups and extracts features of groups on offline and determines the most suitable group for an active user using the features of groups on online. Finally, the proposed method reduces the time required to classify an active user into a group and outperforms previous methods by combining user-based and item-based collaborative filtering methods.

Recommender systems help customers find products they want to buy from a business. Hence, on one hand, recommender systems benefit customers by enabling them to find products they like and, on the other hand, they also help the business by generating more sales. Recommender systems are rapidly becoming a crucial tool in Electronic commerce on the Web because of the increasing volume of customer data available on the Web including the clickstream data. Collaborative filtering algorithms are the most successful and popular technologies used for product recommendation to date and is used in many of the most successful recommender systems on the Web. Recommender systems using collaborative filtering algorithms store the preferences and opinions/evaluations of many users of the system. These opinions may be recorded as ratings by users for items. When an active user would like a recommendation, the system finds users with similar taste and uses their opinions to generate a recommendation. However, we believe that current collaborative filtering algorithms which are being used popularly in many areas are not as effective as we expect. Therefore, we need to improve the performance of recommender systems by enhancing the accuracy of their recommendations. In this paper, we modify the current collaborative filtering algorithm (nearest user neighbor algorithm) to improve the performance of its recommendations and propose a hybrid collaborative filtering algorithm which considers not only the similarity between customers but also the similarity between products (items) purchased. It is shown that our hybrid collaborative filtering algorithm has better performance in the experiment with the MovieLens data set. We also discuss how our algorithm can be applied to the E-commerce on the Web. Particularly, it is suggested to use the Web log data for customer's preference on a product which may provide more information on the customer's preference. We also discuss how demographic data and traditional data mining techniques could be used with our algorithm to reduce some of the problems current collaborative filtering algorithms have and to improve the performance of recommendation.

본 연구는 사용자 평점 이외에 사용자 간 직접 간접적 신뢰 및 불신 관계 네트워크의 분석 결과를 추가로 반영한 새로운 하이브리드 협업필터링(Collaborative filtering, CF) 추천방법을 제안한다. 구체적으로 사용자 간의 유사도를 계산할 때 사용자 평가점수의 유사성만을 고려하는 기존의 CF와 다르게, 사용자 신뢰 및 불신 관계 데이터의 사회연결망분석 결과를 추가적으로 고려하여 보다 정교하게 사용자 간의 유사도를 산출하였다. 이 때, 사용자 간의 유사도를 재조정하는 접근법으로 특정 이웃 사용자가 신뢰 및 불신 관계 네트워크에서 높은 신뢰(또는 불신)를 받을 때, 추천 대상이 되는 사용자와 해당 이웃 간의 유사도를 확대(강화) 또는 축소(약화)하는 방안을 제안하고, 더 나아가 최적의 유사도 확대 또는 축소의 정도를 결정하기 위해 유전자 알고리즘(genetic algorithm, GA)을 적용하였다. 본 연구에서는 제안 알고리즘의 성능을 검증하기 위해, 특정 상품에 대한 사용자의 평가점수와 신뢰 및 불신 관계를 나타낸 실제 데이터에 추천 알고리즘을 적용하였으며 그 결과, 기존의 CF와 비교했을 때 통계적으로 유의한 수준의 예측 정확도 개선이 이루어짐을 확인할 수 있었다. 또한 신뢰 관계 정보보다는 불신 관계 정보를 반영했을 때 예측 정확도가 더 향상되는 것으로 나타났는데, 이는 사회적인 관계를 추적하고 관리하는 측면에서 사용자 간의 불신 관계에 대해 좀 더 주목해야 할 필요가 있음을 시사한다.

Collaborative filtering (CF) algorithm has been popularly used for implementing recommender systems. Until now, there have been many prior studies to improve the accuracy of CF. Among them, some recent studies adopt 'hybrid recommendation approach', which enhances the performance of conventional CF by using additional information. In this research, we propose a new hybrid recommender system which fuses CF and the results from the social network analysis on trust and distrust relationship networks among users to enhance prediction accuracy. The proposed algorithm of our study is based on memory-based CF. But, when calculating the similarity between users in CF, our proposed algorithm considers not only the correlation of the users' numeric rating patterns, but also the users' in-degree centrality values derived from trust and distrust relationship networks. In specific, it is designed to amplify the similarity between a target user and his or her neighbor when the neighbor has higher in-degree centrality in the trust relationship network. Also, it attenuates the similarity between a target user and his or her neighbor when the neighbor has higher in-degree centrality in the distrust relationship network. Our proposed algorithm considers four (4) types of user relationships - direct trust, indirect trust, direct distrust, and indirect distrust - in total. And, it uses four adjusting coefficients, which adjusts the level of amplification / attenuation for in-degree centrality values derived from direct / indirect trust and distrust relationship networks. To determine optimal adjusting coefficients, genetic algorithms (GA) has been adopted. Under this background, we named our proposed algorithm as SNACF-GA (Social Network Analysis - based CF using GA). To validate the performance of the SNACF-GA, we used a real-world data set which is called 'Extended Epinions dataset' provided by 'trustlet.org'. It is the data set contains user responses (rating scores and reviews) after purchasing specific items (e.g. car, movie, music, book) as well as trust / distrust relationship information indicating whom to trust or distrust between users. The experimental system was basically developed using Microsoft Visual Basic for Applications (VBA), but we also used UCINET 6 for calculating the in-degree centrality of trust / distrust relationship networks. In addition, we used Palisade Software's Evolver, which is a commercial software implements genetic algorithm. To examine the effectiveness of our proposed system more precisely, we adopted two comparison models. The first comparison model is conventional CF. It only uses users' explicit numeric ratings when calculating the similarities between users. That is, it does not consider trust / distrust relationship between users at all. The second comparison model is SNACF (Social Network Analysis - based CF). SNACF differs from the proposed algorithm SNACF-GA in that it considers only direct trust / distrust relationships. It also does not use GA optimization. The performances of the proposed algorithm and comparison models were evaluated by using average MAE (mean absolute error). Experimental result showed that the optimal adjusting coefficients for direct trust, indirect trust, direct distrust, indirect distrust were 0, 1.4287, 1.5, 0.4615 each. This implies that distrust relationships between users are more important than trust ones in recommender systems. From the perspective of recommendation accuracy, SNACF-GA (Avg. MAE = 0.111943), the proposed algorithm which reflects both direct and indirect trust / distrust relationships information, was found to greatly outperform a conventional CF (Avg. MAE = 0.112638). Also, the algorithm showed better recommendation accuracy than the SNACF (Avg. MAE = 0.112209). To confirm whether these differences are statistically significant or not, we applied paired samples t-test. The results from the paired samples t-test presented that the difference between SNAC

Two defects have been pointed out in existing user-based collaborative filtering such as sparsity and scalability, and the research has been also made progress, which tries to improve these defects using item-based collaborative filtering. Actually there were many results, but the problem of sparsity still remains because of being based on an explicit data. In addition, the issue has been pointed out. which attributes of item arenot reflected in the recommendation. This paper suggests a recommendation method using nave Bayesian algorithm in hybrid user and item-based collaborative filtering to improve above-mentioned defects of existing item-based collaborative filtering. This method generates a similarity table for each user and item, then it improves the accuracy of prediction and recommendation item using naive Bayesianalgorithm. It was compared and evaluated with existing item-based collaborative filtering technique to estimate the accuracy.

본 연구는 예측력 향상 방안이자, 기존 협업 필터링의 문제점을 보완 할 수 있는 하이브리드 협업 필터링 알고리즘을 제안하고 검증하였다. 협업 필터링은 상품 추천 기법으로 가장 널리 이용되는 성공적인 추천 기법이자 추천 알고리즘 연구의 근간을 이루고 있다. 그러나 예측력이 크게 높지 않다는 문제점이 있어서, 본 연구에서는 이를 해결할 수 있는 방법으로 하이브리드 협업 필터링 알고리즘을 제안하고자 한다. 하이브리드 협업필터링은 기존의 아이템 기반 협업 필터링과 사용자기반 협업 필터링기법을 교차 적용한 형태이다. 이에 대한 검증과 형성된 하이브리드 협업 필터링 알고리즘에 대해서는 MovieLens의 데이터를 이용하여 검증하였다. 특히 데이터 희소성이라는 문제점도 고려하여, 830편 이상을 선택한 사용자만 별도로 추출하여 실험을 하였다. 기법별로 30회에 걸쳐 실험을 하였으며, 실험 결과 하이브리드 협업 필터링의 예측력이 가장 우수한 것으로 나타났다.

Collaborative Filtering Algorithms are the most successful and popular technologies used for product recommendation to date and is used in many of the most successful recommender systems on the Web. And Collarborative Filtering Algorithms are now widely applied in e-commerce to assist customers to find their needs. However, we belive that current Collarborative Filtering Algorithms which are being used popularly in many areas are not as effective as we expect. Therefore, we need to improve the performance of Collarborative Filtering Algorithms recommendations. So, we modify the current Collarborative Filtering Algorithms to improve the performance of its recommendations and propose a Hybrid Collarborative Filtering Algorithms wihich considers not only the similarity between customers but also the similarity between products purchased. Also we experimented a Hybrid Collarborative Filtering Algorithms which could be demonstrated a better accuracy. It is shown that our Hybrid Collarborative Filtering Algorithms has better performance in the experiment with the MovieLens Data Set. The Hybrid Collaborative Filtering Algorithms will enable efficient product selection in the internet shopping-mall. And It is expected that The Hybrid Collaborative Filtering Algorithms will reduce the possibility of customer complaints on recommender systems.

최근 다양한 직업을 가진 SNS 사용자가 증가함에 따라, SNS 사용자들은 전문가 간 협업 및 기술적 의사소통을 위한 전문가 추천 기능을 요구하고 있다. 하지만 기존 협업적 여과 기법은 전문가 추천 서비스를 효율적으로 제공하지 못한다. Content-boosted 협업적 여과 기법은 다양한 예측 알고리즘을 제시하여, 효과적인 추천을 수행할 수 있도록 지원한다. 그러나 명확한 계산 조건이 제시되지 못하는 경우 아이템 및 사용자 유사도 계산을 수행할 수 없는 단점이 존재한다. 따라서 본 논문에서는 Content-boosted 협업적 여과 기법의 단점을 해결하는 하이브리드 협업적 여과기법을 이용한 새로운 전문가 추천기법을 제안한다. 또한, 이를 이용하여 SNS에서의 전문가 추천 시스템을 설계한다.

최근 인터넷 기반의 웹 및 모바일 기기를 통한 소비 패턴의 다양화와 개성화가 급진전됨에 따라 전통적 유통채널인 오프라인 매장의 효율적 운영이 더욱 중요해졌다. 매장의 매출과 수익 모두를 제고하기 위해 매장은 소비자에게 가장 매력적인 상품을 적시에 공급-판매 해야 하는데 많은 상품들 중에서 어떤 SKU를 취급하는 것이 판매 확률을 높이고 재고 비용을 낮출 수 있는지에 대한 연구가 부족한 실정이다. 특히, 여러 지역에 걸쳐 다수의 오프라인 매장을 통해 상품을 판매하는 기업의 경우 고객에게 매력적인 적절한 SKU를 추천 받아 취급할 수 있다면 매장의 매출 및 수익률 제고에 도움이 될 것이다. 본 연구에서는 개인화 추천에 이용되어 왔던 협업 필터링과 하이브리드 필터링 등의 추천 시스템(Recommender System)을 국가별, 지역별로 복수의 판매 매장을 통해 동종 브랜드를 취급하는 유통 기업의 매장 단위 취급 SKU 추천 방식을 제안하였다. 각 매장의 취급 품목별 구매 데이터를 활용하여 각 매장 별 유사성(Similarity)을 계산하고 각 매장의 SKU별 판매 이력에 따라 협업 필터링을 하여 최종적으로 매장에 개별 SKU를 추천하였다. 또한 매장 프로파일 데이터를 활용하여 주변수 분석 (PCA : Principal Component Analysis) 및 군집 분석(Clustering)을 통하여 매장을 4개의 군집으로 분류한 뒤 각 군집 내에서 협업 필터링을 적용한 하이브리드 필터링 방식으로 추천 시스템을 구현하고 실제 판매 데이터를 바탕으로 두 방식의 성능을 측정하였다. 현존하는 대부분의 추천 시스템은 사용자에게 영화, 음악 등의 아이템을 추천하는 방식으로 연구가 진행되어 왔고 실제로 산업계에서의 적용 또한 개인화 추천 시스템이 주류를 이루고 있다. 그 동안 개인화 서비스 영역에서 주로 다루어져 왔던 이러한 추천 시스템을 동종 브랜드를 취급하는 유통 기업의 매장 단위에 적용하여 각 매장의 취급 SKU를 추천하는 방식에 대한 연구는 거의 이루어지지 않고 있는 실정이다. 기존 추천 방법론의 추천 적용 대상이 '개인의 영역이었다면 본 연구에서는 국가별, 지역별로 복수의 판매 매장을 통해 개인의 영역을 넘어 매장의 영역으로 확대하여 동종 브랜드를 취급하는 유통 기업의 매장 단위 취급 SKU 추천 방식을 제안하고 있다. 또한 기존의 추천시스템은 온라인에 한정되었다면 이를 오프라인으로 활용 범위를 넓히고, 기존 개인을 기반으로 분석을 하는 것보다 매장영역으로 확대 적용하기에 적합한 알고리즘을 개발하기 위해 데이터마이닝 기법을 적용하여 추천 방법을 제안한다. 본 연구의 결과가 갖는 의의는 개인화 추천 알고리즘을 동일 브랜드를 취급하는 복수의 판매 매장에 적용하여 의미 있는 결과를 도출하고 실제 기업을 대상으로 시스템으로 구축하여 활용할 수 있는 구체적 방법론을 제시했다는 데에 있다. 개인화 영역을 위주로 이루어졌던 기존의 추천 시스템과 관련한 학계의 연구 영역을 동종 브랜드를 취급하는 기업의 판매 매장으로 확장시킨 첫 시도라는 데에도 의미가 있다. 2014년 03주차 ~ 05주차 전(全) 매장 판매 수량 실적 Top 100개 SKU로 추천의 대상을 한정하여 협업 필터링과 하이브리드 필터링 방식으로 52개 매장 별로 취급 SKU를 추천하고, 추천 받은 SKU에 대한 2014년 06주차 매장별 판매 실적을 집계하여 두 추천 방식의 성과를 비교하였다. 두 추천 방식을 비교한 이유는 본 연구의 추천 방법이 기존 추천 방식

Recently, the diversification and individualization of consumption patterns through the web and mobile devices based on the Internet have been rapid. As this happens, the efficient operation of the offline store, which is a traditional distribution channel, has become more important. In order to raise both the sales and profits of stores, stores need to supply and sell the most attractive products to consumers in a timely manner. However, there is a lack of research on which SKUs, out of many products, can increase sales probability and reduce inventory costs. In particular, if a company sells products through multiple in-store stores across multiple locations, it would be helpful to increase sales and profitability of stores if SKUs appealing to customers are recommended. In this study, the recommender system (recommender system such as collaborative filtering and hybrid filtering), which has been used for personalization recommendation, is suggested by SKU recommendation method of a store unit of a distribution company that handles a homogeneous brand through a plurality of sales stores by country and region. We calculated the similarity of each store by using the purchase data of each store's handling items, filtering the collaboration according to the sales history of each store by each SKU, and finally recommending the individual SKU to the store. In addition, the store is classified into four clusters through PCA (Principal Component Analysis) and cluster analysis (Clustering) using the store profile data. The recommendation system is implemented by the hybrid filtering method that applies the collaborative filtering in each cluster and measured the performance of both methods based on actual sales data. Most of the existing recommendation systems have been studied by recommending items such as movies and music to the users. In practice, industrial applications have also become popular. In the meantime, there has been little research on recommending SKUs for each store by applying these recommendation systems, which have been mainly dealt with in the field of personalization services, to the store units of distributors handling similar brands. If the recommendation method of the existing recommendation methodology was 'the individual field', this study expanded the scope of the store beyond the individual domain through a plurality of sales stores by country and region and dealt with the store unit of the distribution company handling the same brand SKU while suggesting a recommendation method. In addition, if the existing recommendation system is limited to online, it is recommended to apply the data mining technique to develop an algorithm suitable for expanding to the store area rather than expanding the utilization range offline and analyzing based on the existing individual. The significance of the results of this study is that the personalization recommendation algorithm is applied to a plurality of sales outlets handling the same brand. A meaningful result is derived and a concrete methodology that can be constructed and used as a system for actual companies is proposed. It is also meaningful that this is the first attempt to expand the research area of the academic field related to the existing recommendation system, which was focused on the personalization domain, to a sales store of a company handling the same brand. From 05 to 03 in 2014, the number of stores' sales volume of the top 100 SKUs are limited to 52 SKUs by collaborative filtering and the hybrid filtering method SKU recommended. We compared the performance of the two recommendation methods by totaling the sales results. The reason for comparing the two recommendation methods is that the recommendation method of this study is defined as the reference model in which offline collaborative filtering is applied to demonstrate higher performance than the existing recommendation method. The results of this model are compared with the Hybrid filtering metho

추천시스템은 사용자의 과거 구매행동을 통해 향후 구매할 것이라고 예상되는 제품을 자동으로 검색하여 추천해준다. 특히 전자상거래 기업의 상품추천시스템은 일대일 마케팅의 대표적 실현수단으로 가치가 있다. 하지만, 전통적인 추천시스템, 특히 학계 및 산업계에서 가장 널리 사용되고 있는 전통적인 협업필터링 기법은 단일차원의 '종합 평점'만을 고려하여 추천결과를 생성하도록 설계되어 있어, 사용자들의 정확한 니즈를 이해하고 대응하는데 근본적인 한계가 있다. 최근에는 전자 상거래 기업들도 고객들로부터 보다 다각화된, 다기준 방식으로 피드백을 받고 있다. 특히 다기준 평점은 정량적으로 입력되는 정보이므로 상대적으로 분석 및 처리가 용이하다는 장점이 있다. 그러나 다기준 평점 역시 사전에 정해진 기준에 대해서만 사용자의 피드백이 이루어지기 때문에, 보다 상세하게 사용자의 의견을 이해하여 추천에 반영하는 데에는 한계가 있다. 이에 본 연구는 다기준 평점 정보와 선택적 협업필터링의 서로 다른 접근방법을 통해 도출된 추천결과를 종합하여, 최종적으로 추천 대상리스트를 산출할 수 있는 하이브리드 기술을 제안한다. 본 연구에서 제안한 연구모형의 유용성을 검증하기 위해, 식음료점(식당, 카페 등)에 대한 실제 이용자를 대상으로 온라인 설문을 통해 종합 평점과 다기준 평점을 수집하였으며, 데이터를 학습용과 검증용으로 구분하여 학습시키고 성과를 평가하였다. 이 기법은 결합 함수 기반 접근법과 사용자마다 구매의사결정의 체계가 다르다는 전제하에, 사용자들을 유형화하고, 유형에 따라 정보원을 선택적으로 활용하는 협업필터링 알고리즘을 활용했다. 실험결과, 제안 알고리즘을 통한 추천 방법이 단일 차원을 고려하는 전통적인 협업필터링과 비교해 더 우수한 예측정확도를 나타냄을 확인했다. 아울러, 본 연구가 제안하는 다기준 평점과 선택적 협업필터링 알고리즘을 종합하여 추천하는 방법이, 단순히 다기준 평점을 고려했을 때 보다 통계적으로 유의한 수준의 정확도의 개선이 이루어짐을 확인할 수 있었다.

Recommender system recommends the items expected to be purchased by a customer in the future according to his or her previous purchase behaviors. It has been served as a tool for realizing one-to-one personalization for an e-commerce service company. Traditional recommender systems, especially the recommender systems based on collaborative filtering (CF), which is the most popular recommendation algorithm in both academy and industry, are designed to generate the items list for recommendation by using 'overall rating' - a single criterion. However, it has critical limitations in understanding the customers' preferences in detail. Recently, to mitigate these limitations, some leading e-commerce companies have begun to get feedback from their customers in a form of 'multicritera ratings'. Multicriteria ratings enable the companies to understand their customers' preferences from the multidimensional viewpoints. Moreover, it is easy to handle and analyze the multidimensional ratings because they are quantitative. But, the recommendation using multicritera ratings also has limitation that it may omit detail information on a user's preference because it only considers three-to-five predetermined criteria in most cases. Under this background, this study proposes a novel hybrid recommendation system, which selectively uses the results from 'traditional CF' and 'CF using multicriteria ratings'. Our proposed system is based on the premise that some people have holistic preference scheme, whereas others have composite preference scheme. Thus, our system is designed to use traditional CF using overall rating for the users with holistic preference, and to use CF using multicriteria ratings for the users with composite preference. To validate the usefulness of the proposed system, we applied it to a real-world dataset regarding the recommendation for POI (point-of-interests). Providing personalized POI recommendation is getting more attentions as the popularity of the location-based services such as Yelp and Foursquare increases. The dataset was collected from university students via a Web-based online survey system. Using the survey system, we collected the overall ratings as well as the ratings for each criterion for 48 POIs that are located near K university in Seoul, South Korea. The criteria include 'food or taste', 'price' and 'service or mood'. As a result, we obtain 2,878 valid ratings from 112 users. Among 48 items, 38 items (80%) are used as training dataset, and the remaining 10 items (20%) are used as validation dataset. To examine the effectiveness of the proposed system (i.e. hybrid selective model), we compared its performance to the performances of two comparison models - the traditional CF and the CF with multicriteria ratings. The performances of recommender systems were evaluated by using two metrics - average MAE(mean absolute error) and precision-in-top-N. Precision-in-top-N represents the percentage of truly high overall ratings among those that the model predicted would be the N most relevant items for each user. The experimental system was developed using Microsoft Visual Basic for Applications (VBA). The experimental results showed that our proposed system (avg. MAE = 0.584) outperformed traditional CF (avg. MAE = 0.591) as well as multicriteria CF (avg. AVE = 0.608). We also found that multicriteria CF showed worse performance compared to traditional CF in our data set, which is contradictory to the results in the most previous studies. This result supports the premise of our study that people have two different types of preference schemes - holistic and composite. Besides MAE, the proposed system outperformed all the comparison models in precision-in-top-3, precision-in-top-5, and precision-in-top-7. The results from the paired samples t-test presented that our proposed system outperformed traditional CF with 10% statistical significance level, and multicriteria CF with 1% statistical significance level from the p

추천 시스템은 개인화 서비스의 한 종류로서 사용자의 요구 사항에 적합한 상품이나 서비스를 추천한다. 이러한 추천 기법 중 하나인 협력적 필터링은 우수한 성능(정확도와 계산 속도 측면)으로 인해 많이 사용되지만, 상황에 따라 적합한 추천을 하지 못하기도 한다. 이를 해결하기 위해 새로운 복합 추천 시스템을 제안한다. 먼저 콘텐츠 기반의 추천 시스템을 구축하고, 이 시스템이 예측하는 평점들을 다양한 신뢰도 척도를 사용하여 양질의 일부분만 선택한다. 선택된 평점들을 사용자가 실제로 매긴 평점 데이터에 더한 후, 이 모두를 협력적 필터링의 입력으로 사용하여 평점을 예측한다. 이렇게 제안한 시스템은 기존의 여러 협력적 필터링 방법의 추천 정확도를 추가적으로 상승시켰으며, 더욱 안전하게 콘텐츠 정보를 통합할 수 있다.

Recommender system is a kind of personalized services which recommends products or services suitable to users' requirements. Collaborative filtering is one of the recommendation techniques and widely used because of great performance in terms of computation and prediction accuracy. But it fails to produce good recommendations in particular situations. To solve this problem, we introduce a new hybrid recommender system. We first construct the content-based recommender and predict ratings. After then, we select quality ratings from them with various confidence measures. The selected ratings are combined with actual user ratings and used for recommendation with other collaborative filtering methods. The proposed system improves several existing collaborative filtering systems in terms of prediction accuracy, by combining content information safely and effectively.

기존의 사용자 기반 협력적 필터링이 가지는 단점으로 지적되었던 희박성과 확장성의 문제를 아이템 기반 협력적 필터링 기법을 통하여 개선하려는 연구가 진행되어 왔다. 실제로 많은 성과가 있었지만. 여전히 명시적 데이터를 기반으로 하기 때문에 희박성이 존재하며, 아이템의 속성이 반영되지 않는 문제점이 있다. 본 논문에서는 기존의 아이템 기반 협력적 필터링의 문제점을 보완하기 위하여 사용자와 아이템의 혼합 협력적 필터링에서 Naive Bayesian 알고리즘을 이용한 추천 방법을 제안한다. 제안된 방법에서는 각 사용자와 아이템에 대한 유사도 검색 테이블을 생성한 후, Naive Bayesian 알고리즘으로 아이템을 예측 및 추천함으로써, 성능을 개선하였다. 성능 평가를 위해 기존의 아이템 기반 협력적 필터링 기술과 비교 평가하였다.

전 세계적으로 크루즈 관광 산업이 급격히 성장함에 따라, 여행객의 다양한 요구를 충족하는 지능형 맞춤형 서비스 제공의 중요성이 증대되고 있다. 디지털 플랫폼의 발달로 방대한 이용자 생성 데이터가 축적되고 있음에도 불구하고, 기존의 관광 추천 연구는 주로 평점 기반의 협업 필터링에 치중되어 리뷰 텍스트에 내재된 풍부한 문맥적 정보를 충분히 활용하지 못하는 한계가 있었다. 본 연구는 이러한 연구 공백을 해소하기 위해 RoBERTa 기반 감성 분석과 협업 필터링을 결합하여 크루즈 도메인에 특화된 하이브리드 추천 프레임워크를 개발하였다. 연구 방법론은 데이터 준비, 감성 분석, 하이브리드 점수 생성, 협업 필터링 기반 추천, 그리고 순위 안정성 검증의 5단계 절차로 구성된다. 분석을 위해 크루즈 전문 리뷰 플랫폼인 Cruise Critic에서 2025년 7월부터 9월까지 30,000 건의 리뷰 데이터를 수집하였으며, 데이터 무결성 확보와 전략적 표본 추출의 단계적 정제 과정을 거쳐 최종 8,424건의 고품질 리뷰를 확보하였다. 최종 데이터는 리뷰당 평균 681.5개의 단어를 포함하고 있어 문맥 인지 분석을 위한 충분한 정보 밀도를 갖추고 있다. 본 연구에서 채택한 RoBERTa 모델은 비정형 크루즈 리뷰에 내재된 문맥적 중의성을 효과적으로 해소하며 연속적인 감성 점수를 추출하며, 이를 정규화된 평점과 결합하여 추천 엔진의 입력값인 '하이브리드 점수'를 산출한다. 실증 분석 결과, 제안된 하이브리드 모델은 기존 평점 기반 모델 대비 예측 정밀도를 5.05% 향상시키는 성과를 거두었다. 또한 Pairwise Margin 분석을 통해 약 11.1%의 예측치 변화를 확인하였으며, 이는 동일한 평점을 가진 아이템 간의 '점수 중첩' 현상을 효과적으로 해소하여 변별력 있는 개인화 순위를 제공할 수 있음을 입증한다. 특히 ESG 요인에 관한 특화 분석 결과, 지속가능성에 민감한 고관여 여행자들에게는 일반적인 감성 신호보다 ESG 특화 감성 점수가 실제 만족도를 예측하는 데 더욱 정교한 변별력을 제공하는 것으로 나타났다. 실무적으로 본 연구는 크루즈 선사가 고객관계관리 시스템 내에서 개인별 맞춤형 선내 활동 및 기항지 투어를 제안할 수 있는 과학적 기법을 제시한다. 여행자 측면에서는 정보 과부하를 완화하고 자신의 가치관과 취향에 부합하는 현명한 선택을 지원한다. 궁극적으로 추천 로직에 지속가능성 인식을 통합함으로써, 본 연구는 크루즈 산업의 질적 성장을 견인하고 환경적으로 책임 있는 관광 소비 문화를 확산시키는 데 기여한다.

As the global cruise tourism industry experiences rapid growth, the necessity for intelligent systems that provide personalized services to meet diverse traveler needs has become increasingly critical. While digital platforms generate vast amounts of User-Generated Content, existing tourism recommendation research has primarily focused on numerical rating-based collaborative filtering, often overlooking the rich contextual information embedded in review texts. This study addresses this research gap by developing a hybrid recommendation framework that integrates RoBERTa-based sentiment analysis with collaborative filtering, specifically for the cruise domain. The research methodology comprises a five-step procedure: data preparation, sentiment analysis, hybrid score generation, collaborative filtering-based recommendation, and ranking stability verification. For analysis, an initial 30,000 reviews were collected from Cruise Critic, a specialized cruise review platform, between July and September 2025. Following a stepwise refinement process to ensure data integrity and systematic sample selection, a final dataset of 8,424 high-quality reviews was obtained. The final dataset contains an average of 681.5 words per review, providing sufficient information density for context-aware analysis. The RoBERTa model adopted in this study effectively resolves the contextual ambiguity inherent in unstructured cruise reviews, extracts continuous sentiment scores, and combines these with normalized ratings to produce a 'hybrid score' as input for the recommendation engine. The empirical results demonstrate that the proposed hybrid model significantly enhances predictive accuracy, achieving a 5.05% reduction in RMSE compared to traditional rating-only models. The pairwise margin analysis reveals an 11.1% predictive shift, effectively mitigating the "score tie" phenomenon where different items share identical ratings. Furthermore, a specialized analysis of ESG factors shows that ESG-specific sentiment scores predict overall satisfaction more accurately than general sentiment signals for high-involvement travelers. Practically, this research provides cruise operators with a scientific tool to enhance Customer Relationship Management by recommending tailored onboard activities and shore excursions. For travelers, the system alleviates information overload, enabling choices that align with personal values and preferences. Ultimately, by integrating sustainability perceptions into the recommendation logic, this study supports the long-term sustainable development of the cruise industry and encourages environmentally responsible consumption.

온라인 환경에서 상품과 콘텐츠의 선택지가 폭발적으로 늘어나면서, 사용자가 원하는 정보를 제시하고, 구매로 이어질 수 있는 추천 시스템의 중요성이 커지고 있다. 기존에는 협업 필터링이 가장 많이 사용되는 추천 기법이었으나, 평점 정보만으로는 추천의 정확도가 한계에 부딪히는 문제가 있었다. 본 논문에서는 추천의 정확성을 높이기 위해, 영화 평점 데이터와 더불어 리뷰 텍스트에서 추출한 감성 점수를 결합한 하이브리드 추천 시스템을 제안한다. 콘텐츠 기반 필터링(CBF)은 영화의 장르와 태그 정보를 TF-IDF 벡터로 변환해 사용자 프로필과 영화 간의 유사도를 계산하는 방식으로 활용하였고, 아이템 기반 협업필터링(IBCF)은 평점 행렬을 바탕으로 유사 아이템의 평점과 감성 점수를 가중 결합해 예측 값을 산출하였다. 실험 결과, 제안한 하이브리드 모델이 단일 모델이나 감성분석을 제외한 모델보다 추천 정확성 면에서 가장 우수한 성능을 보였다.

With the explosive growth of online content and products, recommender systems have become essential for helping users efficiently discover relevant items. While collaborative filtering has been the most widely used technique, relying solely on rating data often limits recommendation accuracy. This paper proposes a hybrid movie recommendation system that combines user ratings with sentiment scores extracted from review texts. Content-based filtering (CBF) uses TF-IDF vectors of genres and tags to calculate similarity between user profiles and movies, while item-based collaborative filtering (IBCF) predicts ratings by combining similar items’ scores with sentiment analysis results. Experiments show that the proposed hybrid model achieves superior recommendation performance compared to single models or models without sentiment integration.