신뢰관계 기반 사회연결망의 구조적 공백을 활용한 추천 알고리즘의 예측 정확도 개선
The Study of Recommendation Algorithm's Predictive Accuracy Improvement Using Structural Holes on Trust-based Social Networks
- 발행
- 2017 등록KCI API에는 발행일 항목이 없어 원문 등록일을 쓰고 있습니다. 실측으로 발행보다 최대 6년 늦습니다 — 재수집하면 발행연월로 바뀝니다.
- 소속·발행
- 목원대학교
- 출처
- 국내 KCI
- DOI
- 10.34163/jkits.2017.12.1.019
- 원문
- 원문 보기 ↗
개념
키워드
Predictive accuracy, Collaborative filtering, Structural holes, Social network analysis, Trust-base social networks, Recommender systems, Recommendation algorithm, Predictive accuracy, Collaborative filtering, Structural holes, Social network analysis, Trust-base social networks, Recommender systems, Recommendation algorithm
초록
추천 알고리즘의 예측 정확도를 높이는 것은 상품추천시스템 영역에서 주요 과제 중 하나이다. 상품추천시스템에서 많이 활용되고 있는 방법에 협업필터링 이 있다. 사용자 기반 협업필터링은 선호도 유사성이 높은 이웃사용자의 상품 선호 정보를 이용하여 상품을 추천한다. 신뢰관계나 친구관계가 있는 사용자간에는 이런 관계 정보를 추천에 활용할 경우 추천시스템의 예측 정확도가 개선될 수 있음을 보이는 연구가 최근 발표되고 있다. 본 연구에서는 협업필터링 방식의 예측 정확도를 높이기 위해서 신뢰관계 기반 사회연결망을 생성하고 구조적 공백을 적용하는 방법에 대해 제안하였다. 신뢰관계를 나타낸 데이터를 이용하여 사회연결망을 구성하고 사회연결망 분석 기법 중 하나인 구조적 공백을 적용하여 연결망에서의 사용자 영향도를 찾아낸다. 추천 대상자의 이웃사용자 유사도는 찾아진 이웃사용자의 영향도를 반영하여 조정된다. 유사도를 조정하는 방식으로 두 가지를 실험하였다. LinearImpCF는 이웃사용자의 영향도에 를 곱하고, 이 값을 기존의 유사도에 곱하여 조정한다. ExpImpCF는 이웃사용자의 영향도에 승을 하고 이 값을 기존의 유사도에 곱하여 조정한다. 제안한 알고리즘의 검증을 위해 filmtrust 데이터셋에 제안된 알고리즘을 적용하여 실험하였다. 10-겹 상호검증 결과 LinearImpCF과 ExpImpCF의 평균 MAE가 전통적인 협업필터링 방식인 CF보다 낮았다. 연구에서 제안한 LinearImpCF과 ExpImpCF의 방법이 예측 정확도를 개선했음을 알 수 있다. 통계적 유의성을 검정하기 위해 10-겹 상호검증을 3회 실시하였다. 실험결과를 바탕으로 쌍체 t-검정을 실시한 결과 통계적으로 유의함을 확인하였다. 결론적으로 전통적인 협업필터링 방식에 사용자 간의 신뢰관계를 사회연결망으로 구성하고, 구조적 공백을 활용하여 사용자의 영향도를 찾아 반영하는 제안된 추천 알고리즘이 예측 정확도를 개선시킴을 알 수 있었다.