Earticle

본 연구는 제품 속성별로 차이를 보이는 사용자 기반-, 아이템 기반 추천 알고리즘의 예측 정확도를 실증분석하는 한편 건선 치료 화장품에 대한 양 추천 방식의 상대적 적합성을 고찰하였다. 주요 관점으로는 제품 소비에 따른 고객이 기대하는 경험적 가치와 기능적 가치 실현이 다르 다는 논리를 채택하였고, 영화, 뷰티상품, 자동차, 전자제품과 더불어 건선 치료 화장품을 연구 대상으로 파이썬 알고리즘 검증 방법을 통해 핵 심 가설을 검증하였다. 실증 분석에 사용된 표본으로는 영화의 경우 Movie Lens 100k 데이터와 뷰티상품, 자동차, 전자제품은 아마존 상품 데이 터를 활용하였고, 건선 치료 화장품의 경우 연구자들이 수집한 건선 환자들의 치료 화장품 사용에 관한 평점 및 사용후기 정보를 사용하였다. 상 이한 추천 알고리즘의 예측력 비교를 위해 평가 지표로 평균제곱근오차(RMSE: Root Mean Square Error)를 사용하였고, K-겹 교차검증 기법을 채택하였다. 분석 결과, 경험적 가치가 중요한 제품(영화, 뷰티)은 아이템 기반 추천 방식 보다 사용자 기반 추천 방식이 우수한 것으로 나타났고 (가설 1 지지), 기능적 가치가 중요한 제품(자동차, 전자제품)은 아이템 기반 추천 방식이 사용자 기반 추천 방식 보다 예측력이 우수한 것으로 확인되었다(가설 2 지지). 또한 건선 치료 화장품은 아이템 기반 추천 방식이 우수한 것으로 나타나 기능적 가치가 중요한 제품임을 확인할 수 있었다(가설 3지지). 이상과 같이 발견된 사실로부터 제품 속성에 따라 추천 알고리즘의 예측력이 다양하게 나타난다는 이론적 시사점과, 건선 치료 화장품 시장을 위한 마케팅 전략 수립을 위한 실무적 시사점을 도출하였다.

This study empirically analyzes the prediction accuracy of user-based and item-based recommendation algorithms that show differences by product attribute, while examining the relative suitability of both recommendation methods for psoriasis cosmeceutical. Adopting the logic that the experiential value and functional value realization expected by customers according to product consumption are different, main hypotheses were tested. As samples used for empirical analysis, Movie Lens 100k data for movies and Amazon product data for beauty products, automobiles, and electronic products were employed, and for psoriasis treatment cosmetics, the ratings and review information for single products was used. To compare the predictive power of different recommendation algorithms, Root Mean Square Error (RMSE) was employed as an evaluation index, and a K-fold cross-validation technique was adopted. As a result of the analysis, it was found that the user-based recommendation algorithm was superior to the item-based recommendation algorithm for products for which experiential value was important, such as movies and beauty products (supporting hypothesis 1). Concerning products for which functional value was important, such as automobiles and electronic products, the superiority of item-based recommendation was confirmed. The algorithm was confirmed to have better predictive power than the user-based recommendation algorithm (supporting hypothesis 2). In addition, it was found that the item-based recommendation method for psoriasis cosmeceutical was superior, confirming that functional values are important for it(supporting hypothesis 3). From the findings, theoretical implications that the predictive power of the recommendation algorithm varies according to product attributes and practical implications for establishing a marketing strategy for the psoriasis treatment cosmetics market were derived.

The importance of recommendation algorithms is underscored by the advancement of AI technology and the growing demand for personalized services. However, there is a lack of empirical studies that analyze differences in algorithmic services across markets. The objective of this study is to draw attention to discrepancy in this field and develop a dual-path model to examine the factors that influence satisfaction with recommendations. By analyzing 641 respondents’ data through Partial Least Squares (PLS), it identifies differences in user attitudes towards algorithms across domains. e-commerce firms and content providers can improve personalized recommendations through the research, which highlights the importance of understanding consumer satisfaction and trust in technology to adapt to evolving AI innovations.

현재 추천 시스템은 실제 사용자가 선호하는 항목을 추천하는지, 아니면 단순히 관심 정도의 항목을 추천하는지 알 수 없다는 문제와 사용자들이 매우 적어 적합한 항목을 추천할 수 없는 데이터 희소성 문제, 새로운 사용자들이 유입됨 에 따라 사용자들이 만족하는 항목을 추천하기 위해 시스템의 성능이 저하되는 Cold-Start 문제 등이 발생한다. 본 연구에 서는 이러한 문제점을 해결하기 위해 불확실한 상황이나 문제들을 반영할 수 있는 퍼지-계층적 분석(Fuzzy-Analytic Hierarchy Process)과 주어진 항목들을 비슷한 항목들끼리 모으는 데이터 군집화 알고리즘을 활용하여 사용자들에게 만족 할 수 있는 영화를 추천하기 위한 시스템을 구현하였다. 61명을 대상으로 영화 선호도에 대한 설문 조사를 실시한 데이터를 본 시스템에 적용한 결과 Fuzzy-AHP 기법을 통해서 데이터 희소성 문제를 해소할 수 있었으며, 또한 데이터 군집화 알고 리즘을 통해 새로운 사용자들이 유입되어도 사용자에게 적합한 항목이 추천되었음을 확인할 수 있었다. 향후 노이즈 데이 터나 아웃라이어(Outlier) 데이터를 걸러낼 수 있는 밀도 기반 클러스터링에 대한 연구가 필요할 것으로 생각된다.

The current recommendation systems have problems including the difficulty of figuring out whether they recommend items that actual users have preference for or have simple interest in, the scarcity of data to recommend proper items due to the extremely small number of users, and the cold-start issue of the dropping system performance to recommend items that can satisfy users according to the influx of new users. In an effort to solve these problems, this study implemented a movie recommendation system to ensure user satisfaction by using the Fuzzy-Analytic Hierarchy Process, which can reflect uncertain situations and problems, and the data partition algorithm to group similar items among the given ones. The data of a survey on movie preference with 61 users was applied to the system, and the results show that it solved the data scarcity problem based on the Fuzzy-AHP and recommended items fit for a user with the data partition algorithm even with the influx of new users. It is thought that research on the density-based clustering will be needed to filter out future noise data or outlier data.

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.

To deal with the issues like existing common data sparseness in weibo social network and the phenomena of cold start, this paper puts forward a two-stage clustering based on the recommendation algorithm GCCR. The algorithm firstly selects users’ focused nodes which have higher number, so as to extract a dense subset of sparse data, and by using the method of graph paper, similar concerned interested core clustering is formed to this dense subset. Then, it is extracted that weibo content features of seed clustering and the whole data set other users. Then the entire user group is clustered based on content similarity. Finally the clustering results are used in subject recommendation. Through clustering the two phases of dense data subset and the whole data set, the clustering effect of extreme sparse data sets are improved. At the same time, because of fuzziness of graph clustering, this thesis retains a certain diversity in the process of user interest clustering, so as to avoid convergence too fast when cold start. This method is verified through the real social network data, and the experimental results show that this algorithm can effectively solve the problems such as data sparseness and cold start phenomenon.

Recommendation technology is used to help people solve the problem of information overload. Recent years, it has been widely applied to the movie ratings, e-commerce and many other fields. Researchers have noticed its powerful application prospect. But with the exponential growth of information data, the recommendation systems also have to improve the ability of data processing and this leads to that the traditional collaborative filtering recommendation algorithms cannot meet the needs of the users. To solve the problem, we designed an algorithm based on the theory of statistical analysis. This algorithm classified the data simply firstly, and then system could give users the relatively satisfactory personalized recommendations by the statistical analysis of different attributes on the data sets.

기존의 운동 관리 시스템들은 사용자에게 운동과 관련된 정보를 제공하였다. 그러나 사용자의 신체 정보를 분석하고 이에 따른 정보를 제공하는 알고리즘의 부재로 정확도가 낮은 문제점이 있었다. 이를 해결하기 위해 본 논문에서는 BMI(Body Mass Index) 지수와 BMR(Basal Metabolic Rate) 수치를 분석하여 사용자의 신체 정보를 분석한다. 또한 추천 알고리즘을 통해 사용자에게 운동 강도와 운동량을 추천하고 사용자가 사용했던 운동 기구 히스토리를 그래프로 명시한다. 이를 통해 사용자의 신체에 해당하는 정보를 제공받고 운동 관리를 진행할 수 있을 것으로 사료된다.

Existing exercise management systems provided exercise information to the user. However, there is a problem that the accuracy is low due to the absence of an algorithm for analyzing the user's body information and providing information. In this paper, BMI(Body Mass Index) and BMR(Basal Metabolic Rate) values are analyzed to analyze user's body information. It also recommends exercise intensity and momentum to the user and graphs the history of the exercise device that the user has used. Through this, it is considered that the information corresponding to the user's body can be provided and the exercise management can be carried out.

최근 인터넷의 급성장과 함께 사용자들은 물건이나 영화, 음악 등을 구매 할 때 여러 가지 추천 사이트를 참고한다. 하지만 이러한 추천 사이트에는 악의적으로 아이템의 평점을 높이거나 낮추려는 악의적인 사용자 (Sybil)들이 존재하며, 결과적으로 추천시스템은 불완전하거나 부정확한 결과를 일반 사용자들에게 추천할 수 있다. 본 논문에서는 사용자 들이 생성하는 평점들을 안정상태 (stable state) 및 불안정상태 (unstable state)로 구분하고, 상태 정보를 활용하여 악의적 사용자의 영향력을 최소화 하는 추천 알고리즘을 제안한다. 제안하는 기법의 성능을 입증하기 위해 유명한 영화사이트에서 실제 데이터를 직접 수집 (crawling)하여 성능분석을 진행하였다. 성능분석결과 제안하는 기법의 성능이 기존 알고리즘 보다 향상됨을 확인하였다.

With the extreme development of Internet, recently most users refer the sites with the various Recommendation Systems (RSs) when they want to buy some stuff, movie and music. However, the possibilities of the Sybils with the malicious behaviors may exists in these RSs sites in which Sybils intentionally increase or decrease the rating values. The RSs cannot play an accurate role of the proper recommendations to the general normal users. In this paper, we divide the given rating values into the stable or unstable states and propose a system information based recommendation algorithm that minimizes the malicious user's influence. To evaluate the performance of the proposed scheme, we directly crawl the real trace data from the famous movie site and analyze the performance. After that, we showed proposed scheme performs well compared to existing algorithms.

추천 서비스는 사용자에게 적합한 서비스를 선응적으로 제공하는 기술로써, 전자상거래 환경을 중심으로 널리 이용되고 있다. 그러나, 유비쿼터스 환경에서도 가장 활발한 기술 접목이 이루어지는 홈 네트워크 환경 내에 추천 서비스가 적용된 사례는 많지 않다. 본 논문에서는 홈 네트워크 환경에서 누적된 사용자와 기기 간 상호작용 정보들을 바탕으로 사용자 위치 기반의 개인화된 서비스를 추천하는 알고리즘을 제안한다. 본 알고리즘에서는 밀도기반 초기값 선정 기법을 적용한 군집화를 통해 필요한 데이터만을 추출함으로써 서비스 추천의 효율성 및 정확성을 높인다. 또한, 사용자 기반의 협업 필터링을 이용하여 데이터가 충분히 많지 않은 상황에서도 정확한 서비스 추천을 수행한다.

추천 서비스는 사용자에게 적합한 서비스를 선응적으로 제공하는 기술로써, 전자상거래 환경을 중심으로 널리 이용되고 있다. 그러나, 유비쿼터스 환경에서도 가장 활발한 기술 접목이 이루어지는 홈 네트워크 환경 내에 추천 서비스가 적용된 사례는 많지 않다. 본 논문에서는 홈 네트워크 환경에서 누적된 사용자와 기기 간 상호작용 정보들을 바탕으로 사용자 위치 기반의 개인화된 서비스를 추천하는 알고리즘을 제안한다. 본 알고리즘에서는 밀도기반 초기값 선정 기법을 적용한 군집화를 통해 필요한 데이터만을 추출함으로써 서비스 추천의 효율성 및 정확성을 높인다. 또한, 사용자 기반의 협업 필터링을 이용하여 데이터가 충분히 많지 않은 상황에서도 정확한 서비스 추천을 수행한다.

스마트폰이나 태블릿 PC와 같이 GPS를 탑재한 모바일 기기 보급으로 위치 기반 정보는 모바일 생활의 필수 요소로 자리잡았다. 이제 사용자들은 더 나아가 개인별 성향에 따른 맞춤형 정보를 원하고 있다. 개인 맞춤형 추천을 위해서는 사용자의 행동을 이해하는 것이 필요한데 실생활에 많은 부분을 차지하고 있는 음식점 방문도 맞춤형 추천 서비스를 제공해 줄 수 있다. 본 논문에서는 음식점 방문에 대한 비슷한 태도를 보인 사용자를 추출한 후 방문했던 장소를 비교하여 추천하는 사용자 행동기반 다속성 태도 모델 기반의 장소 추천 모델을 연구한다. 다속성 태도점수를 산출하기 위해 피쉬바인(Fishbein) 방정식을 활용하고 피어슨 상관계수를 이용하여 사용자들이 방문했던 장소의 중 유사한 속성을 가진 장소를 추출했다. 그리고 그룹렌즈의 선호도 예측 알고리즘을 활용하여 추천 대상 장소를 선정하고 유클라디안 거리법으로 사용자에게 거리기반 장소를 추천하였다. 또한 실제 데이터를 이용한 실험을 통해 본 논문에서 제시한 시스템의 우수성도 입증하였다.

For a place-recommendation model based on user's behavior and multi-attribute attitude in this thesis. We focus groups that show similar patterns of visiting restaurants and then compare one and the other. We make use of The Fishbein Equation, Pearson's Correlation Coefficient to calculate multi-attribute attitude scores. Furthermore, We also make use of Preference Prediction Algorithm and Distance based method named "Euclidean Distance" to provide accurate results. We can demonstrate how excellent this system is through several experiments carried out with actual data.

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.