협업 필터링에서 데이터 희소성을 위한 항목 속성 기반 의미적 유사도
Item-attribute-based Semantic Similarity for Data Sparsity in Collaborative Filtering
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
이웃 기반 협력 필터링은 사용자 또는 항목 간의 유사도를 바탕으로 선호를 예측하는 대표적인추천 알고리즘으로서, 구현이 간단하고 해석이 용이하다는 장점을 가진다. 그러나 이 방식은 사용자의 평가 데이터가 충분하지 않을 경우에 유사도 계산의 정확도가 저하되는 데이터 희소성 문제에 직면하게 된다. 본 연구에서는 이러한 한계를 극복하기 위해 항목의 속성 정보만을 활용하는새로운 대칭 및 비대칭의 항목 기반 유사도 척도를 제안한다. 제안 방법은 사용자 간 공통 평가항목 수 또는 평가치의 분포를 필요로 하지 않으며, 항목 간 공통 속성에 기반한 의미적 유사도를 산출하여 희소한 환경에서도 견고한 성능을 보인다. 두 가지 공개 데이터셋을 활용한 실험 결과, 평균 정밀도 및 커버리지 측면에서 기존 기법보다 우수한 성능을 확인하였다. 제안 척도는 사용자의 직접적인 평가치를 제공하지 않는 시스템에서도 적용 가능하며, 항목 속성 정보가 고정적일 경우에 유사도 계산을 1회만 수행해도 되므로 시스템 확장성이 우수하다는 잇점이 있다.
Abstract
Neighbor-based collaborative filtering is a representative recommendation algorithm that predicts user preferences based on user or item similarity and it is known for its simplicity and interpretability. However, this approach faces the data sparsity problem, in which the accuracy of similarity computation deteriorates when user rating data is insufficient. To address this limitation, this study proposes novel symmetric and asymmetric item-based similarity measures that rely solely on item attribute information. The proposed measures do not require the number of co-rated items or the ratings distribution, but they compute semantic similarity based on common item attributes, which allows for robust performance even under sparse conditions. Experimental results using two public datasets demonstrate that the proposed method outperforms existing techniques in terms of average precision and coverage. The method is applicable even in systems with no explicit ratings provided, and if item attributes are static, similarity computation needs to be performed only once, offering strong system scalability advantages.