Earticle

추천 시스템은 정보 과부하를 줄여 선택의 질을 높이는 기술로 다양한 분야에서 활용되고 있다. 기존의 추천 시스템 연구는 주로 영화나 음악과 같은 단순한 콘텐츠 추천을 대상으로 했으며, 추천 수량과 기존에 경험했던 상품의 재 추천이 고려되지 않았다. 하지만 다양한 분야에서 추천 시스템의 수요가 증가함에 따라 추천 수량과 재 추천을 고려한 보다 범용적이고 확장된 추천 시스템 개발이 필요한 시점이다. 또 기존 추천 시스템은 온라인 상에서 개별 고객을 대상으로 하는 경우가 많았는데, 오프라인 상에서 개별 고객이 아닌 매장에도 추천 시스템을 적용할 수 있다. 본 연구에서는 추천 시스템 분야에서 많이 활용되는 사용자 기반 협업 필터링 알고리즘에서 추천 수량과 재 추천을 고려하는 방법을 제안하고, 이를 오프라인 의류 매장의 재고 관리 문제에 적용함으로써 다양한 분야에 추천 시스템을 활용할 수 있음을 보인다. 제안한 방법을 통해 각 매장에 수요가 높을 것으로 예측되는 상품과 예상 판매 수량을 예측하여, 해당 상품을 진열할 것을 추천하며, 이는 MAE, Precision, Recall, F1 measure 관점에서 기준 모델보다 추천 성능이 더 뛰어나다. 또 성능을 평가하기에 적합한, 추천 수량 부족과 초과에 따른 페널티를 고려하는 새로운 Quantity Precision, Quantity Recall, Quantity F1 measure 계산 방식을 제안한다. 마지막으로 참신성 관점에서 제안한 방법의 신규 매출 창출 효과를 평가한다. 본 연구는 추천 수량과 재 추천을 고려했다는 점, 온라인이 아닌 오프라인 데이터를 사용했다는 점, 개별 고객이 아닌 매장을 추천 대상으로 했다는 점에서 기존 추천 시스템 연구와는 차별되는 의의를 가진다. 나아가 본 연구에서 제안한 방법론은 재고 관리 이외에도 추천 수량과 재 추천을 고려하는 다양한 분야에 적용될 수 있는 범용성을 가진다.

Recommender systems reduce information overload and enhance choice quality. This technology is used in many services and industry. Previous studies did not consider recommendation quantity and the repetitive recommendations of an item. This study is the first to examine recommender systems by considering recommendation quantity and repetitive recommendations. Only a limited number of items are displayed in offline stores because of their physical limitations. Determining the type and number of items that will be displayed is an important consideration. In this study, I suggest the use of a user-based recommender system that can recommend the most appropriate items for each store. This model is evaluated by MAE, Precision, Recall, and F1 measure, and shows higher performance than the baseline model. I also suggest a new performance evaluation measure that includes Quantity Precision, Quantity Recall, and Quantity F1 measure. This measure considers the penalty for short or excess recommendation quantity. Novelty is defined as the proportion of items in a recommendation list that consumers may not experience. I evaluate the new revenue creation effect of the suggested model using this novelty measure. Previous research focused on recommendations for customer online, but I expand the recommender system to cover stores offline.

협업 필터링은 추천 시스템의 대표적인 기술로, 사용자 또는 항목 간의 유사성을 기반으로 추천 대상을 결정하는 방 법이다. 협업 필터링의 계산 속도를 높이기 위해 분산 병렬 협업 필터링이 제안되었다. 그러나 데이터 분산 불균형 으로 인한 데이터 왜곡 문제는 여전히 남아 있다. 따라서 본 연구에서는 데이터 분포 불균형으로 인한 데이터 왜곡 문제를 해결하기 위해 사용자 취향 레퍼토리 분석 방법에 기반한 데이터 분포 및 처리 방법을 제안하였다. 레퍼토 리 분석은 사용자가 이전에 사용했던 서비스 영역의 범위와 수를 분석하는 것이며, 제안된 기법에서는 사용자가 이 전에 사용했던 서비스에 대한 레퍼토리 분석 결과를 기반으로 데이터를 배포한다. 레퍼토리 분석 결과를 기반으로 사용자 데이터를 배포하는 실험이다. 성능은 RMSE 및 실행 시간 측정으로 충분히 사용할 수 있음을 보였다.

Collaborative filtering is a representative technique of recommendation systems. Collaborative filtering is a method of determining a recommendation target based on similarity between users or items. Distributed parallel collaborative filtering was proposed to improve the computational speed of collaborative filtering. However, the data skewness problem caused by imbalanced data distribution still remains. Therefore, in this study, we proposed a data distribution and processing method based on the user taste repertoire analysis method to solve the data skewness problem caused by data distribution imbalance. So, the repertoire analysis is to analyze the range and number of areas of the services previously used by the users. In the proposed method, data is distributed based on the results of the repertoire analysis of the services previously used by the users. Our experiment distributing data of users based on the results of the repertoire analysis. It was shown that the performance was sufficiently usable as measuring RMSE and execution time.

Collaborative filtering is a representative technique of a recommendation system. Collaborative filtering is a method of determining a recommendation target based on similarity between users or items. Distributed parallel collaborative filtering was proposed to speed up the computational speed of collaborative filtering. However, the data skewness problem caused by imbalanced data distribution still remains. Therefore, in this study, we proposed a data distribution and processing method based on the user taste repertoire analysis method to solve the data skewness problem caused by data distribution imbalance. So, the repertorie analysis is to analyze the range and number of areas of the services previously used by the users. In the proposed method, data is distributed based on the results of the repertorie analysis of the services previously used by the users. Our experiment distributing data of users based on the results of the repertoire analysis. It was shown that the performance was sufficiently usable as measuring RMSE and execution time.

Recently, medical tourism is recognized as a high value-added industry because of its longer period of stay and higher expenditure than general tourism. In particular, although the number of medical tourists visiting Korea is increasing, the perception of Korean medical services is low. The purpose of this paper is to develop the app which, based on medical tourism type, recommends tourism destinations. Additionally, this proposed app can expand general tourism as well. It can provide tourists with medical information easily by sorting types tourists. Besides, as medical tourists normally stay long, we can take the advantage of post-treatment time. This app collects medical information data and tourist destination data, and categorizes the types of medical tourists into four categories: disease medical tourism, traditional medical tourism, cosmetic medical tourism, and recreational medical tourism. It provides medical information according to each type and recommends customized tourist destinations. User-based collaborative filtering is applied for tourist destination recommendations.

The user-based collaborative filtering algorithm has been widely used in various kinds of personalized recommendation systems. But it has a serious shortcoming: with the increasing number of the users and commodities, its calculation work grows rapidly. To address the problem of vast time consumption by big dataset, we utilize MapReduce programming idea to do parallelized transformation of the algorithm; finally deploy it to be run in Hadoop cloud computing platform. Experiments have revealed that if computing data is reasonably distributed and the data volume is big, then the algorithm performance of the algorithm can realize favorable linearly speeding effect.

To overcome the problem of too much sparse by scoring matrix, the paper proposes from the part of user interests the collaborative filtering recommendation algorithm based on such interest. In the e-commerce websites, recommendation items have various appearance, function and category attributes. Items which hold similar characteristics generally gain approximate scoring values. The aforesaid method extracts useful information for improvement from user interests. Users’ scorings about different items imply their modes of interest. Interest association exists amongst items that were evaluated by the same user. Since individual interest shifts, the intensity of such correlation will gradually change along with days. By building interest intensity model with time decay, and discovering interest correlation among different items through that model, the proposed algorithm can predict scoring matrix and fill it, which is helpful to alleviate problems with sparse caused by user-item scoring matrix.

Traditional collaborative filtering methods just use user-item rating matrix to generate recommendations, and lead to difficult to computer the similarity because of the data sparsity. We propose a hybrid collaborative filtering algorithm combining the rating matrix and item attributes. First, we design a user similarity measurement method by computing the user’s preference to different item attributes, this approach is consistent with the true relationship between users, and also can effectively alleviate the issue of rating matrix sparse. Then, when computing the similarity of two users, we combine the Pearson correlation and the items attribute preference similarity, with a weighting coefficient “w” to balance the importance of two parts. Experiments show that this algorithm effectively solves the problem of data sparsity, and outperforms better when the sparsity is more serious, compared to the traditional CF algorithms.

It is not easy for the user to find the information that is appropriate for the user among the suddenly increasing information in recent years. One of the ways to help individuals make decisions in such a lot of information is the recommendation system. Although there are many recommendation methods for such recommendation systems, a representative method is collaborative filtering. In this paper, we design and implement the movie recommendation system on user-based collaborative filtering of apache mahout based on mongoDB. In addition, Pearson correlation coefficient is used as a method of measuring the similarity between users. We evaluate Precision and Recall using the MovieLens 100k dataset for performance evaluation.

협력 필터링은 가장 널리 알려진 추천 시스템의 구현 방식들 중의 하나로서, 유사한 사용자들이 과거에 선호하였던 항목들을 추천한다. 따라서 유사도 측정은 시스템의 성능을 좌우하는 매우 중요한 요소이다. 본 연구에서는 기존의 단일의 또는 통합된 휴리스틱 유사도 척도의 단점을 해결하기 위한 목적으로, 유전 알고리즘을 활용하여 항목 장르별로 사용자 간 최적의 유사도를 산출하였다. 또한 데이터 확장성 문제를 해결하기 위하여 미리 설정한 임계치에 따라 각 장르별 유사도 산출 대상 사용자 수를 제한하였고, 데이터 희소성 문제 해결을 위하여 항목의 평가치 평균을 활용하였다. 성능 실험을 통하여 유전 연산자 확률의 적정값을 구하였고, 예측 성능을 분석한 결과, 제안 방법의 성능이 기존보다 우수하고, 특히 희소 데이터 환경에서 더욱 우수함을 확인하였다.

Collaborative filtering is one of the most widely known implementation methods of recommender systems, which recommends items that similar users have preferred in the past. Therefore, similarity measurement is a very important factor that determines the performance of the system. In this study, in order to solve the shortcomings of the existing single or integrated heuristic similarity measures, the genetic algorithm was used to calculate the optimal similarity between users per item genre. In addition, in order to solve the data scalability problem, the number of users for calculating similarity for each genre was limited according to a preset threshold, and the average of the ratings of the items was used to solve the data sparsity problem. Through performance experiments, the optimal probabilities of the genetic operators were obtained and the prediction accuracy performance was analyzed. As a result, it was confirmed that the performance of the proposed method was superior to the existing methods, especially in a sparse data environment.

추천 시스템의 구현 방식들 중 하나인 사용자 기반의 협력 필터링 기법은 유사한 평가 이력을 가진 이웃 사용자들의 산출을 기반으로 하여, 이들의 선호 항목들을 추천한다. 그러나 공통된 평가 이력이 적을 경우에 추천의 질이 현저히 저하되는 데이터 희소성 문제를 근본적으로 갖고 있다. 이러한 문제의 해결을 위하여 많은 기존 연구에서 자카드 계수를 유사도 척도와 접목하는 다양한 방법들을 제안해 왔다. 본 연구에서는 자카드 계수에 시간 인지 개념을 도입하여 공통 항목의 평가 시간에 따라 다른 비중으로 가중합하는 방안을 제시한다. 다양한 성능 척도와 시간 주기를 활용하여 실험을 수행한 결과, 제안 방법이 대부분의 척도에서 원래의 자카드 계수에 비해 가장 우수한 성능을 보였으며, 최적의 시간 주기는 성능 척도의 종류에 따라 다름을 확인하였다.

The user-based collaborative filtering technique, one of the implementation methods of the recommendation system, recommends the preferred items of neighboring users based on the calculations of neighboring users with similar rating histories. However, it fundamentally has a data scarcity problem in which the quality of recommendations is significantly reduced when there is little common rating history. To solve this problem, many existing studies have proposed various methods of combining Jaccard index with a similarity measure. In this study, we introduce a time-aware concept to Jaccard index and propose a method of weighting common items with different weights depending on the rating time. As a result of conducting experiments using various performance metrics and time intervals, it is confirmed that the proposed method showed the best performance compared to the original Jaccard index at most metrics, and that the optimal time interval differs depending on the type of performance metric.

교육 분야에서 온라인 저지 시스템이 활발하게 활용됨에 따라 학습자 데이터를 활용하는 다양한 연구가 진행되고 있다. 본 연구에서는 학습자 데이터를 활용하여 학습자의 문제 선택을 지원할 수 있는 사용자 기반 협업 필터링 방식의 문제추천 기능을 제안한다. 온라인 저지 시스템에서 학습자의 문제 선택을 위한 지원은 그들의 향후 학습에 영향을 미치므로 교육의 효과성 제고를 위해 필요하다. 이를 위해 학습자의 문제풀이 성향과 유사한 학습자를 식별하고 그들의 문제풀이 이력을 활용한다. 제안 기능은 충북교육연구정보원에서 운영하는 알고리즘과 프로그래밍 관련 온라인 저지 사이트에 구현됐고, 서비스 유용성과 사용 편이성 측면에서 델파이 기법을 통한 전문가 검토를 수행했다. 또한 사이트 사용자 대상 시범 운영에서 바른코드 제출 비율을 분석한 결과 추천문제에 대해 제출한 경우가 전체 제출에 비해 16% 정도 높았고, 추천문제 사용자 대상 설문조사에서 '도움 된다' 응답은 78%였다. 시범 운영에서는 추천문제 선택과 사용자 피드백 관련 설문 응답 비율이 낮았으므로, 향후 연구과제로 제안 기능의 접근성 향상, 사용자 피드백 수집 및 학습자 데이터 분석 다각화 등을 제시했다.

With the active utilization of Online Judge (OJ) systems in the field of education, various studies utilizing learner data have emerged. This research proposes a problem recommendation based on a user-based collaborative filtering approach with learner data to support learners in their problem selection. Assistance in learners' problem selection within the OJ system is crucial for enhancing the effectiveness of education as it impacts the learning path. To achieve this, this system identifies learners with similar problem-solving tendencies and utilizes their problem-solving history. The proposed technique has been implemented on an OJ site in the fields of algorithms and programming, operated by the Chungbuk Education Research and Information Institute. The technique's service utility and usability were assessed through expert reviews using the Delphi technique. Additionally, it was piloted with site users, and an analysis of the ratio of correctness revealed approximately a 16% higher submission rate for recommended problems compared to the overall submissions. A survey targeting users who used the recommended problems yielded a 78% response rate, with the majority indicating that the feature was helpful. However, low selection rates of recommended problems and low response rates within the subset of users who used recommended problems highlight the need for future research focusing on improving accessibility, enhancing user feedback collection, and diversifying learner data analysis.

Collaborative filtering algorithms often encounter data sparsity issues. To overcome this issue, auxiliary information of relevant items is analyzed and an item attribute matrix is derived. In this study, we combine the user-item attribute preference with the traditional similarity calculation method to develop an improved similarity calculation approach and use weights to control the importance of these two elements. A collaborative filtering algorithm based on user-item attribute preference is proposed. The experimental results show that the performance of the recommender system is the most optimal when the weight of traditional similarity is equal to that of user-item attribute preference similarity. Although the rating-matrix is sparse, better recommendation results can be obtained by adding a suitable proportion of user-item attribute preference similarity. Moreover, the mean absolute error of the proposed approach is less than that of two traditional collaborative filtering algorithms.

인터넷 상의 전자 상거래 시스템의 인기는 나날이 높아지고 있는데, 추천 시스템은 이러한 시스템들의 핵심 기능으로서, 고객들이 선호할만한 상품을 추천함으로써 원하는 상품을 검색하기 위한 노력을 크게 경감시킨다. 협력 필터링 기법은 많은 상업용 시스템에서 성공적으로 구현되어온 추천 알고리즘이지만 메모리 기반의 구현 방식은 학계에서의 인기와 유용함에도 불구하고 참조 인접 이웃의 부정확성이 존재한다. 본 연구에서는 이러한 문제점을 해결하고자 사용자와 항목 각각의 인접 이웃을 통합하여 활용하고, 이들과의 과거 유사성 보다 최근의 유사성을 더욱 가중하여 추천 리스트 결정에 반영하는 새로운 시간 인지 협력 필터링 기법을 제안한다. 실험 평가를 통하여, 기존의 여러 방법들보다 제안 방법이 예측 정확도 측면에서 월등한 성능을 보임을 확인하였다.

The popularity of e-commerce systems on the Internet is increasing day by day, and the recommendation system, as a core function of these systems, greatly reduces the effort to search for desired products by recommending products that customers may prefer. The collaborative filtering technique is a recommendation algorithm that has been successfully implemented in many commercial systems, but despite its popularity and usefulness in academia, the memory-based implementation has inaccuracies in its reference neighbor. To solve this problem, this study proposes a new time-aware collaborative filtering technique that integrates and utilizes the neighbors of each item and each user, weighting the recent similarity more than the past similarity with them, and reflecting it in the recommendation list decision. Through the experimental evaluation, it was confirmed that the proposed method showed superior performance in terms of prediction accuracy than other existing methods.

Word2Vec은 최근 텍스트 마이닝에서 가장 활발하게 사용되고 있는 방법이다. 텍스트 문장내의 단어 간의 연관성을 파악하여 문장의 단어를 벡터로 변환한다. 벡터 공간에서 유사한 단어일수록 가까이 위치하게 된다. 추천 알고리즘의 예측 정확도를 높이는 것은 상품추천시스템 영역에서 주요 과제 중 하나이다. 사용자 기반 협업필터링은 선호도 유사성이 높은 이웃사용자의 상품 선호 정보를 이용하여 상품을 추천한다. 본 연구에서는 사용자기반 협업필터링 방식의 예측 정확도를 높이기 위해서 기존의 상품 정보를 이용하여 사용자 유사도를 계산하는 대신 Word2Vec의 사용자 벡터를 이용하여 사용자 유사도를 계산하는 방법에 대해 제안하였다. Word2Vec을 사용하기 위해서는 먼저 문장을 구분하고 문장내의 의미 있는 단어의 조합인 말뭉치를 찾아낸다. 사용자기반 영화추천방식에서 Word2Vec을 사용하기 위해서는, 먼저 동일 영화를 본 사용자 조합을 구하여 사용자를 단어로, 개별 영화의 사용자 조합을 문장의 말뭉치로 대체한다. 이때 문장을 구성하는 방안에 여러 가지가 있다. 개별 영화 당 하나의 문장을 구성하는 방안과 개별 영화당 여러 개의 문장을 구성하는 문장 확장 방안이 있다. 문장의 말뭉치를 입력으로 받아 Word2Vec으로 사용자 벡터를 구하면, 사용자 벡터의 상관관계로 사용자의 유사도를 구한다. 이를 이용하여 사용자기반 협업필터링으로 상품 추천을 한다. 제안한 방안의 검증을 위해 filmtrust 데이터에 적용하여 실험하였다. 10-겹 상호검증을 3회 실시한 결과 Word2Vec을 활용한 사용자기반 협업필터링 방식이 예측 정확도를 크게 개선시킴을 알 수 있었다. 또한 중간 이상의 평점을 부여한 사용자만을 대상으로 하여 개별 영화당 여러 개의 문장으로 확장하는 문장 확장 방식(wvCFthree)이 개별 문장 방식(wvCF3.0)에 비해 예측 정확도를 높임을 실험결과 알 수 있었다. 통계적 유의성을 검정하기 위해 uCF와 wvCF3.0, wvCF3.0과 wvCFthree에 대한 쌍체 t-검정을 실시한 결과 통계적으로 유의함을 확인하였다.

Word2Vec is a most popular method in text mining area, recently. It converts words to vectors using association among words in sentences. Similar words are nearly located in the vector space. Improving predictive accuracy of recommender algorithms is a major work in the area of recommender systems. User-based collaborative filtering recommends products using the information about product preference of Neighbors. This study proposed a method to compute user similarity using vectors of users by Word2Vec instead of using traditional method. In order to use Word2Vec, we separate sentences first, and then find corpus that is meaningful word set of the sentences. For using Word2Vec in user-based movie recommender, we find users that have seen same movies first, we substitute an user to a word and user list of a movie to corpus of one sentence. There can be several methods to compose the sentences in recommender systems. This study considers two methods, first method constructs a sentence per movie and second method can construct several sentences per movie. After sentence construction, it enters corpus of sentences into Word2Vec and computes vectors of users, and then computes user similarity by coefficient corelation method using the vectors of users. Using the similarity, it recommends products by user-based collaborative filtering. To validate, the proposed methods were applied to filmtrust dataset. The experimental results of repeating 10-fold cross validation three times showed that mean MAE of user-based collaborative filtering(wvCF3.0) applying Word2Vec improved the predictive accuracy greatly than that of conventional collaborative filtering method(uCF). Also, it showed that the sentence expansion method(wvCFthree) constructing several sentences per movie is better than the one sentence method(wvCF3.0) constructing one sentence per movie for improving the predictive accuracy. To test statistical significance between uCF and wvCF3.0, and between wvCF3.0 and wvCFthree, we experimented paired t-test and confirmed the statistical significance.

협력 필터링 기반의 추천시스템에서 유사도 측정은 시스템의 성능에 큰 영향을 미치는데, 이는 유사한 다른 사용자들로부터 항목을 추천받기 때문이다. 본 연구에서는 전통적인 유사도 측정 방법의 가장 큰 문제인 데이터 희소성을 극복하기 위해, 기존의 유사도 측정값과 공통평가항목수의 반영값을 최적으로 결합하는 새로운 유사도 측정방식을 제안한다. 제안 방식의 성능 평가를 위해 다양한 조건으로 실험한 결과 기존 방식들보다 우수한 예측 정확도를 나타냈으며, 구체적으로 전통적인 피어슨 상관보다 최대 약 7%, 코사인 유사도보다는 최대 약 4% 향상된 결과를 보였다.

Measuring similarity in collaborative filtering-based recommender systems greatly affects system performance. This is because items are recommended from other similar users. In order to overcome the biggest problem of traditional similarity measures, i.e., data sparsity problem, this study suggests a new similarity measure that is the optimal combination of previous similarity and the value reflecting the number of co-rated items. We conducted experiments with various conditions to evaluate performance of the proposed measure. As a result, the proposed measure yielded much better performance than previous ones in terms of prediction qualities, specifically the maximum of about 7% improvement over the traditional Pearson correlation and about 4% over the cosine similarity.

협력 필터링은 다수의 상업용 추천 시스템에서 구현되어 온라인 사용자들에게 성공적으로 서비스되고 있는 핵심적 기술이다. 이 기술은 현 사용자와 유사한 평가이력을 가진 다른 사용자들로부터 항목을 추천하기 때문에, 유사도 척도는 시스템 성능에 매우 큰 영향을 미친다. 본 연구에서는 기존 유사도 측정 방법의 문제점을 해결하고자 퍼지 논리에 입각하여 사용자 평가등급의 주관성 및 모호성과 사용자들의 평가 행태를 반영하는 새로운 유사도 척도를 제안한다. 성능 평가를 위한 다양한 실험을 실시하였고, 그 결과 제안 방법은 예측 정확도와 추천 정확도 면에서 우수한 성능 개선 효과를 보였다.

Collaborative filtering is a fundamental technique implemented in many commercial recommender systems and provides a successful service to online users. This technique recommends items by referring to other users who have similar rating records to the current user. Hence, similarity measures critically affect the system performance. This study addresses problems of previous similarity measures and suggests a new similarity measure. The proposed measure reflects the subjectivity or vagueness of user ratings and the users' rating behavior by using fuzzy logic. We conduct experimental studies for performance evaluation, whose results show that the proposed measure demonstrates outstanding performance improvements in terms of prediction accuracy and recommendation accuracy.

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.

제품의 품질 및 가격 뿐만 아니라 물질적 풍요로움과 더불어 다변화 되어가는 생활 환경 속에서 소비자의 감성과 선호도를 파악하는 것은 제품 판매 전략의 중요한 성공요소가 되고 있다. 이를 위하여 제품의 기능적 측면 뿐만 아니라 개개인의 정서적 감정과 선호도가 반영된 제품의 설계나 디자인 또한 요구되고 있다. 본 연구에서는 소재 개발의 프로세스가 고객 중심으로 변화하는 것에 대응하여 사용자의 감성과 선호도를 중심으로 소재를 개발하는 방법의 하나로 협력적 필터링 개인화 기법을 응용하여 섬유 패션 디자인 추천 시스템을 제안한다. Textile 기반의 협력적 필터링 시스템에서 예측에 사용될 이웃의 수를 결정하기 위해서 Representative Attribute-Neighborhood를 사용한다. 이웃들간의 사용자 유사도 가중치는 피어슨 상관 계수(Pearson Correlation Coefficient)를 사용한다. 소재에 대한 사용자의 감성이나 선호도에 대한 Textile의 대표 감성 형용사를 추출함으로써 소재 개발을 위한 감성 형용사 데이터 베이스를 구축한다. 구축된 감성 형용사 데이터 베이스를 기반으로 성향이 비슷한 사용자에게 Textile을 추천한다. 사용자 선호도 예측과 Textile 기반의 협력적 필터링 기술을 이용한 섬유 패션 디자인 추천 에이전트를 구축하여 시스템의 논리적 타당성과 유효성을 검증하기 위해 실험적인 적용을 시도하고자 한다.

웹의 성장에 따른 기하급수적인 정보의 축적으로 인한 정보과다(Information Overload) 현상의 심화를 해결하기 위해 이루어져 온 많은 연구 중 하나인 추천 시스템은 사용자에게 고수준의 편의성을 제공하기 위한 시스템으로써 발전해 왔다. 그러나 과거에 고도로 집중화되어 관리, 구축되어 오던 정보와는 달리 Web2.0라는 새로운 웹 환경의 도래와 함께 태그, 블로그 등 새로운 형태와 특성을 가지는 점보들이 등장하게 되었다. 웹의 컨텐츠에 대한 메타정보를 사용자가 직접 입력한 Web2.0 기반의 태그 데이터론 활용해서 추천 시스템의 성능을 향상시킬 수 있는 기법을 연구하였다. 추천 기법 중 가장 대표적이고 기초적인 협업 필터링 기법에 태그를 활용하며 태그에 사용자에 대한 중요도를 감안한 가중치 부여 기법에 연구한다. 유사한 성향을 가진 사용자를 식별하는데 있어 태그 집합간의 유사도를 비교하는 방법을 사용하며 사용자의 성향을 반영하기 위해서 태그와 사용자의 선호도 정수와의 연관성을 분석해서 이를 태그의 가중치로 환산하는 기법을 제안한다.

협업적 여과 시스템은 사용자에 대한 클러스터링을 구축한 후, 구축된 클러스터를 기반으로 사용자에게 영화를 추천한다. 하지만 사용자 클러스터링 구축에 많은 시간이 소요되고, 사용자가 평가한 영화가 피드백이 되었을 경우 재구축이 쉽지 않다. 본 논문에서는 사용자 클러스터링의 재구축을 용이하게 하기 위해 빈발패턴 네트워크를 이용하여 클러스터링을 구축하고, 이를 협업적 여과 시스템에 적용하여 영화를 추천한다. 구축된 클러스터를 통해 사용자 클러스터를 재구축시 소요되는 시간 비용을 줄이면서, 전통적인 협업적 여과 시스템과 유사한 성능의 추천이 가능하게 되었다.