개인 선호도 반영 임베딩을 활용한 순환신경망 추천 모델의 성능 향상 기법 (Improving Performance of Recurrent Neural Network based Recommendations by Utilizing Personal Preferences)

서지정보

· 발행기관 : 한국정보과학회
· 수록지 정보 : 정보과학회논문지 / 48권 / 11호 / 1211 ~ 1220페이지
· 저자명 : 임동신, 양용준, 조신

초록

플랫폼에서 제공하는 콘텐츠 양이 급증하면서 추천 시스템은 플랫폼에서 필수적 요소가 되었다. 추천 시스템 가운데 협업 필터링 기법은 학계나 산업계에서 널리 활용되지만, 평점, 구매 이력 등 소비자의 정량적 정보에 의존한다는 한계가 있다. 이를 극복하고자 리뷰 데이터 등의 정성적 정보를 모델에 학습시켜 성능을 향상하는 연구들이 시도되어 왔다. 또한 최근에 순환 신경망을 적용하는 연구들은 소비자의 시계열 행동 데이터만으로 기존 추천시스템보다 좋은 성능을 보여주었다. 그러나 고객별 선호도를 추천 모델에 반영하는 연구는 아직 이루어지지 않았다. 본 논문은 고객의 로그 데이터를 기반으로 선호도 행렬을 산출하고, 이를 임베딩 벡터를 통해 순환 신경망에 학습시켜 개선된 추천 모델을 제시하였다. 이 모델은 기존 순환 신경망 모델에 비해 예측 성능이 향상됨을 확인할 수 있었다.

영어초록

As the amount of content provided on the platform surged, a recommendation system became an essential element of the platform. The collaborative filtering technique is a widely used recommendation system in academia and industry, but it also has a limitation because it relies on quantitative information from consumers such as ratings and purchase history. To overcome this shortcoming, various studies have been done in a bid to improve its performance by collecting qualitative information such as review data in a model. Recently, some studies that applied recurrent neural networks showed better performance than the existing recommendation system by using time-series behavioral data only, but studies that reflect each customer's preference in the recommendation model have not yet been made. In this paper, an improved recommendation model was presented by calculating a preference matrix based on customer log data and learning it in a recurrent neural network through an embedding vector. It was confirmed that the prediction performance was improved compared to the existing recurrent neural network recommendation model.

참고자료

· 없음