Browse

희박한 평점데이터를 가진 사용자를 위한 멘토 기반의 영화추천 시스템

DC Field Value Language
dc.contributor.advisor이교구-
dc.contributor.author천성권-
dc.date.accessioned2017-07-19T10:59:19Z-
dc.date.available2017-07-19T10:59:19Z-
dc.date.issued2014-02-
dc.identifier.other000000016680-
dc.identifier.urihttps://hdl.handle.net/10371/133252-
dc.description학위논문 (석사)-- 서울대학교 융합과학기술대학원 : 융합과학부(디지털정보융합전공), 2014. 2. 이교구.-
dc.description.abstract통신 기술의 발달과 스마트 기기의 보급은 영화 콘텐츠를 시청 하는 방식의 다양화를 가져왔다. 그에 발맞추어 영화 콘텐츠의 양도 시간이 지남에 따라 급격하게 증가하고 있다. 그러나 자신의 취향에 맞는 영화를 고르기란 언제나 쉬운 일은 아니다. 보고 싶은 영화가 정해져 있는 경우에는 검색 서비스를 사용하여 관련 정보를 찾을 수 있지만, 그렇지 않은 경우에는 검색에 제한이 있다. 따라서 추천시스템은 검색서비스의 한계점을 개선하고, 사용자의 다양한 니즈를 해결하기 위해 적합한 대안이다. 왜냐하면, 추천시스템은 사용자 및 콘텐츠 자체의 특성(feature)을 기반으로 아이템을 추천 하기 때문에 보다 합리적인 결과를 제시할 수 있다.
지금까지 영화추천시스템에 대한 연구는 상당한 진척을 보여왔다. 하지만 기존 연구들의 특징은 무비렌즈(MovieLens)와 같이 정해진 데이터 집합을 이용하여 연구가 진행되었다는 점이다.
여기서 주목할 점은, 무비렌즈 데이터 집합이 적어도 각 사용자는 20개의 각기 다른 영화에 대한 평점 정보를 가진다라고 밝혔다는 것이다. 다시 말해, 실제 평점개수가 20개 미만인 사용자는 추천 대상에서 완전히 제외가 된다는 이야기다. 하지만 실제 영화 사이트에서 평점을 20개 이상 남긴 사용자는 전체 사용자를 기준으로 매우 적을 것이라 예상된다. 따라서 이 연구에서는 사용자 데이터 희박성(User data sparsity) 해결에 초점을 맞춘 멘토(mentor) 기반의 영화 추천시스템을 제안하고자 한다. 멘토 기반의 영화 추천시스템은 특히 사용자가 1-2개의 극도로 희박한 평점정보를 가지고 있을 때도 의미 있는 영화 추천을 가능하게 해주는 것을 목표로 한다. 멘토(mentor) 기반의 영화 추천을 설계하기 위해 실제 사용자들이 많이 사용하고 있는 다음(Daum) 포털사이트에 영화 데이터(사용자, 영화, 리뷰 정보)를 수집하여 멘토 기반의 추천시스템 알고리즘을 구현한다.
최종적으로 이 연구에서 제안하는 추천시스템과 기존 알고리즘의 추천 결과를 비교 제시하여 시스템 성능 평가를 수행한다
-
dc.description.tableofcontents목 차

제 1 장 서 론 1
제 1 절 연구 배경 1
제 2 절 연구 목표 3

제 2 장 선행연구 5
제 1 절 추천 시스템과 영화 5
1. 내용 기반 추천 (Content-based recommendation) 7
2. 협업 필터링 (Collaborative filtering) 8
3. 하이브리드 기반 추천 (Hybrid recommendation) 8
4. 상황 기반 추천 (Context aware-based recommendation) 9
5. 협업 필터링 시스템의 우수성 9

제 2 절 협업 필터링 영화추천 시스템 10
1. 협업 필터링 영화 추천 연구 12
2. 협업 필터링 한계 13
2.1 인기 편향성 (Popularity bias) 13
2.2 콜드 스타트 문제 (Cold Start Problem) 14
2.3 사용자 평가 점수 희소성 (User Rating Sparsity) 15
3. 사용자 데이터 희소성에 집중한 영화추천 17

제 3 장 멘토기반의 영화추천 시스템 18
제 1 절 시스템 구성 18
제 2 절 멘토의 정의 20
제 3 절 멘토기반의 영화추천 알고리즘 25
1. 사용자에게 적합한 멘토 그룹 찾기 26
1.1 멘토 아이템 유사도 행렬의 SVD 적용 26
1.2 멘토 찾기 27
2. 멘토 가중치 부여 28
3. 최종 선정된 멘토와 영화 아이템 추천과정 29

제 4 장 시스템 성능 평가 30
제 1 절 데이터 셋(Data Set) 30
1. 다음(Daum) 영화 데이터 수집 30
2. 다음(Daum) 영화 데이터 베이스 32
제 2 절 시스템 평가 방법 35
1. 정확도(Precision)와 재현율(Recall) 35
2. 평가를 위한 데이터 셋(Evaluation Data Set) 36
제 3 절 시스템 성능 분석 41
1. 평점개수가 1개인 사용자에 대한 성능 평가 41
2. 1개의 평점 점수에 따른 멘토기반 추천시스템의 성능 평가 43
3. 평점개수가 2개인 사용자에 대한 성능 평가 46
4. 평점개수가 10개인 사용자에 대한 성능 평가 47
5. 협업필터링 방식의 평점 개수에 따른 성능 평가 48
6. 멘토기반 알고리즘의 평점 개수에 따른 성능 평가 50

제 5 장 결 론 53
제 1 절 요약 및 시사점 53
제 2 절 연구의 의의 및 한계 54

참고문헌 55
부 록 58
Abstract 61
-
dc.formatapplication/pdf-
dc.format.extent3261315 bytes-
dc.format.mediumapplication/pdf-
dc.language.isoko-
dc.publisher서울대학교 대학원-
dc.subject영화 추천시스템-
dc.subject협업 필터링-
dc.subject사용자 데이터 희소성-
dc.subject.ddc004-
dc.title희박한 평점데이터를 가진 사용자를 위한 멘토 기반의 영화추천 시스템-
dc.typeThesis-
dc.description.degreeMaster-
dc.citation.pagesv, 62-
dc.contributor.affiliation융합과학기술대학원 융합과학부(디지털정보융합전공)-
dc.date.awarded2014-02-
Appears in Collections:
Graduate School of Convergence Science and Technology (융합과학기술대학원)Dept. of Transdisciplinary Studies(융합과학부)Theses (Master's Degree_융합과학부)
Files in This Item:
  • mendeley

Items in S-Space are protected by copyright, with all rights reserved, unless otherwise indicated.

Browse