퍼지 AHP와 퍼지 연관규칙을 이용하여 고차원 데이터를 처리하는 영화 추천 시스템
A Movie Recommendation System processing High-Dimensional Data with Fuzzy-AHP and Fuzzy Association Rules
2
조회
0
다운로드
3
인용
0
참고문헌
키워드
초록
최근 추천 시스템들은 고차원 데이터를 사용할 수 있는 시스템으로 발전하고 있다. 그러나 고차원 데이터는 차원을 확장시켜 알고리즘 복잡도가 증가하여 추천 항목의 정확도를 저하시킬 수 있다. 또한 데이터의 희소성(Sparsity) 문제가 발생할 수 있어 사용자들에게 적합한 추천 항목을 제공하는 것이 어렵다. 본 연구에서는 Fuzzy-AHP를 이용하여 사용자들의 주관적 기준의 데이터를 객관적 기준으로 분류한 후, 퍼지 연관규칙 분석을 이용하여 반복적 패턴을 띄는 규칙들을 활용하는 알고리즘을 제안하였다. 본 연구에서 적용된 알고리즘이 고차원 데이터의 문제점들을 어떻게 완화하는지 확인하기 위해 사용자 수의 변화에 따른 5-fold Cross Validation을 진행하였다. 그 결과 본 알고리즘이 적용된 시스템의 정확도는 Fuzzy-AHP만을 적용한 시스템보다 12.5% 정도 정확도가 우수하였고, 데이터의 희소성 문제도 완화할 수 있다는 것을 확인하였다.
Abstract
Recent recommendation systems are developing toward the utilization of high-dimensional data. However, high-dimensional data can increase algorithm complexity by expanding dimensions and be lower the accuracy of recommended items. In addition, it can cause the problem of data sparsity and make it difficult to provide users with proper recommended items. This study proposed an algorithm that classify users’ subjective data with objective criteria with fuzzy-AHP and make use of rules with repetitive patterns through fuzzy association rules. Trying to check how problems with high-dimensional data would be mitigated by the algorithm, we performed 5-fold cross validation according to the changing number of users. The results show that the algorithm-applied system recorded accuracy that was 12.5% higher than that of the fuzzy-AHP-applied system and mitigated the problem of data sparsity.
참고문헌 (24)
- I. Lim, "Recommendation System Using R" (2015), Chaosbook
- S. K. Gorakala, "Building Recommendation Engines" (2017), Acorn
- J. W. Ha, "Data Imputation Methods for Effective Collaborative Filtering", Communications of KIISE, 34(6), pp.8~15 (2016)
- J. T. Oh, "Design of a Recommendation System using Fuzzy Association Rules and Fuzzy-AHP", Proceedings of KAICS Spring Conference 2018, 19(1), pp.387~389 (2018)
- 진고환, "영상 이미지의 특정 영역 검출을 위한 정렬 보정 알고리즘 연구", 한국융합학회논문지, 9(11), pp.9~14 (2018), 한국융합학회[DOI]
- S. Y. Kim, "Machine Learning for the first time" (2017), Hanbit Media
- S. Rendle, "Fast Context-aware Recommendations with Factorization Machines", Proceeding SIGIR '11 Proceedings of the 34th international ACM SIGIR conference on Research and development in Information Retrieval, pp.635~644 (2011)
- M. Unger, "Towards Latent Context-aware Recommendation Systems", Knowledge-Based Systems, 104, pp.165~178 (2016)
- 서재현, "NIDS의 비정상 행위 탐지를 위한 단일 클래스 분류성능 평가", 한국융합학회논문지, 9(11), pp.15~21 (2018), 한국융합학회[DOI]
- 최은복, "클라우드 컴퓨팅 환경에서 가상화 관리 융합접근제어 모델", 융합정보논문지, 8(5), pp.69~75 (2018), 중소기업융합학회[DOI]
- 윤희진, "뉴럴네트워크를 이용한 심음의 정상 비정상 분류", 융합정보논문지, 8(5), pp.131~135 (2018), 중소기업융합학회[DOI]
- 오재택, "사용자 선호도와 군집 알고리즘을 이용한 퍼지-계층적 분석 기법 기반 영화 추천 시스템", 디지털융복합연구, 15(11), pp.425~432 (2017), 한국디지털정책학회[DOI]
- I. A. Jeon, "Large Scale Tensor –Mining Algorithms and Applications -", Communications of the Korean Institute of Information Scientists and Engineers, 32(7), pp.33~39 (2014)
- "Definition of Tensor" (2018)[URL]
- J. Han, "Data Mining:Concepts and Techniques" (2015), Acorn
- W. S. Lee, "Analysis of Association Rules and Frequent Item Sets" (2015), Chaosbook
- G. Shmueli, "Data Mining for Business Analytics, 3rd Edition Concepts, Techniques, and Applications" (2017), E&B Plus
- J. Leskovec, "Mining of Massive Datasets" (2017), Acorn
- J. Bell, "Machine Learning" (2016), Gilbut
- "R, Python Analysis and Programming" (2016)[URL]
- S. K. Reddy, "Exploring the Determinants of Broadway Show Success", Journal of Marketing Research, 35(3), pp.296~315 (1998)
- "Naver Movie" (2018)[URL]
- S. H. Lee, "ASP 4.5.1 Web Programming" (2014), Allthat Media
- 전향순, "FAHP에 기반을 둔 기술창업교육서비스품질 평가 시스템", 디지털융복합연구, 13(10), pp.509~516 (2015), 한국디지털정책학회[DOI]