다중 에이전트 강화학습 기반 상품 추천 모델 개발 연구
A Research on the Development of a Product Recommendation Model based on Multi-Agent Reinforcement Learning
1
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구는 다중 에이전트 강화학습을 활용하여 상품 추천 모델을 개발하는 것을 목표로 한다. 기존의 상품 추천 시스템은 개인의 취향과 상호작용을 충분히 반영하지 못하고, 상호작용의 복잡성을 처리하는 데 어려움이 있음을 확인하였다. 이에 본 논문에서는 다중 에이전트 강화학습을 도입하여 복잡한 상호작용을 처리하고 효과적인 추천을 제공하는 모델을 개발한다. 연구에서는 UCI에서 제공하는 Online Retail 데이터셋을 활용하여 개발을 진행하며, 다중 에이전트 강화학습을 기반으로 한 상품 추천 모델의 아키텍처와 알고리즘을 기반으로 개발한다. 상품 추천 모델은 고객의 구매 내역을 고려하여 추천 모델을 개발한다. 실험 결과, 다중 에이전트 강화학습 기반 상품 추천 모델은 기존의 추천 기법들보다 향상된 추천 정확성을 나타내었다. 본 연구는 다중 에이전트 강화학습을 활용한 상품 추천 모델의 개발과 응용에 실무적인 적용 가능성을 제시한다. 상품 추천 시스템의 실무적인 적용에 기여할 수 있는 중요한 결과를 도출하였으며, 향후 연구 방향과 모델의 실제 서비스 적용을 위한 고려 사항에 대해 검토하였다. 이러한 결과들은 다중 에이전트 강화학습을 활용한 상품 추천 분야에 기반을 제공하며, 산업계에서의 활용을 기대할 수 있을 것이다.
Abstract
This research aims to develop a product recommendation model using multi-agent reinforcement learning. It was confirmed that the existing product recommendation system did not sufficiently reflect individual tastes and interactions, and had difficulty in handling the complexity of interactions. In this paper, we introduce multi-agent reinforcement learning to develop a model that handles complex interactions and provides effective recommendations. In this study, the development is carried out using the Online Retail dataset provided by UCI, and the architecture and algorithm of the product recommendation model based on multi-agent reinforcement learning are developed. The product recommendation model develops a recommendation model by considering the purchase history of the customer. As a result of the experiment, the product recommendation model based on multi-agent reinforcement learning showed improved recommendation accuracy compared to existing recommendation methods. This study suggests practical applicability to the development and application of a product recommendation model using multi-agent reinforcement learning. Important results that can contribute to the practical application of the product recommendation system were derived, and future research directions and considerations for the actual service application of the model were reviewed. These results provide the basis for the product recommendation field using multi-agent reinforcement learning, and can be expected to be used in the industry.
참고문헌 (16)
- Y. Koren, "Matrix actorization techniques for recommender systems", 42(8), pp.30~37 (2009)
- G. Adomavicius, "Toward the next generation of recommender systems : a survey of the state-of-the-art and possible extensions", IEEE Transactions on Knowledge and Data Engineering, 17(6), pp.734~749 (2005)
- R. Burke, "Hybrid recommender systems:survey and experiments", user modeling and user-adapted interaction, 12(4), pp.331~370 (2002)
- D. W. Hosmer Jr, "Applied logistic regression" (2013), John Wiley & Sons
- S. Rendle, "Factorization machines", Proceedings of the 2012 IEEE International Conference on Data Mining, pp.995~1000 (2012)
- H. T. Cheng, "Wide & deep learning for recommender systems", Proceedings of the 1st workshop on deep learning for recommender systems, pp.7~10 (2016), ACM
- R. Agrawal, "Analysis of thompson sampling for the multi-armed bandit problem", Conference on learning theory, pp.39~ (2012)
- Q. Yang, "Multi-agent reinforcement learning : A survey", International Journal of Automation and Computing, 15(6), pp.643~673 (2018)
- V. Mnih, "Human-level control through deep reinforcement learning", Nature, 518(7540), pp.529~533 (2015)
- P. Christiano, "Deep reinforcement learning from human preferences", Advances in Neural Information Processing Systems, pp.4302~4310 (2017)
- D. Silver, "Mastering the game of go with deep neural networks and tree search", Nature, 529(7587), pp.484~489 (2017)
- X. Zheng, "DRN: A deep reinforcement learning framework for news recommendation", arXiv preprint arXiv:1804.03900, ~ (2018)
- C. J. C. H. Watkins, "Q-learning", Machine learning, 8(3-4), pp.279~292 (1992)
- J. Schulman, "Proximal policy optimization algorithms", arXiv preprint arXiv : 1707. 06347, ~ (2017)
- "Online Retail Dataset" (2019)[URL]
- 김철진, "상품 추천 기법의 성능평가 분석", 한국지식정보기술학회 논문지, 14(5), pp.515~525 (2019), 한국지식정보기술학회[DOI]