KR101953802B1 - 내연적 및 외연적 신뢰 관계를 이용한 아이템 추천 방법 및 장치 - Google Patents

내연적 및 외연적 신뢰 관계를 이용한 아이템 추천 방법 및 장치 Download PDF

Info

Publication number
KR101953802B1
KR101953802B1 KR1020170120669A KR20170120669A KR101953802B1 KR 101953802 B1 KR101953802 B1 KR 101953802B1 KR 1020170120669 A KR1020170120669 A KR 1020170120669A KR 20170120669 A KR20170120669 A KR 20170120669A KR 101953802 B1 KR101953802 B1 KR 101953802B1
Authority
KR
South Korea
Prior art keywords
trust relationship
trust
item
users
relationship
Prior art date
Application number
KR1020170120669A
Other languages
English (en)
Other versions
KR20190004629A (ko
Inventor
김상욱
홍지원
이르판알리
Original Assignee
한양대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한양대학교 산학협력단 filed Critical 한양대학교 산학협력단
Publication of KR20190004629A publication Critical patent/KR20190004629A/ko
Application granted granted Critical
Publication of KR101953802B1 publication Critical patent/KR101953802B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0254—Targeted advertisements based on statistics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Game Theory and Decision Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

내연적 및 외연적 신뢰 관계를 이용한 아이템 추천 방법을 개시한다. 본 발명의 일 실시예에 따른 내연적 및 외연적 신뢰 관계를 이용한 아이템 추천 방법은 복수의 사용자 각각이 복수의 아이템 중 적어도 하나를 평가한 결과를 포함하는 평가 정보에 기초하여, 상기 복수의 사용자 중의 2인으로 구성되는 복수의 2인 조합에 관한 내연적(implicit) 신뢰 관계를 추론하는 단계; 상기 평가 정보에 기초하여, 상기 복수의 2인 조합 중 외연적(explicit) 신뢰 관계가 존재하는 적어도 하나의 조합에 대하여 상기 외연적 신뢰 관계를 검증하는 단계; 및 상기 추론된 내연적 신뢰 관계 및 상기 검증된 외연적 신뢰 관계를 이용하여, 상기 복수의 사용자 중 하나인 추천대상자에게 상기 복수의 아이템 중에서 추천할 아이템을 결정하는 단계를 포함한다.

Description

내연적 및 외연적 신뢰 관계를 이용한 아이템 추천 방법 및 장치{METHOD AND APPARATUS FOR RECOMMENDING ITEM USING IMPLICIT AND EXPLICIT SIGNED TRUST RELATIONSHIPS}
본 발명은 내연적 및 외연적 신뢰 관계를 이용한 아이템 추천 방법 및 장치에 관한 것으로, 보다 상세하게는 사용자의 평가 점수에 기반하여 추론된 내연적 신뢰 관계와 외부로 드러난 외연적 신뢰 관계를 조합하고, 신뢰의 전이성과 불신의 비전이성을 반영함으로써 보다 정확한 추천을 수행하는 방법 및 장치에 관한 것이다.
협업 필터링을 이용한 추천 시스템의 데이터 희소성(data sparsity) 문제 및 콜드 스타트(cold-start) 문제를 해소하기 위해 신뢰 네트워크가 널리 사용되고 있다. 최근에는 외연적인(explicit) 부호있는(signed) 신뢰 관계(즉, 신뢰 및 불신 관계)를 이용하는 연구들이 제안된 바 있다. 그러나, 이러한 기법들은 사용자가 신뢰 네트워크에서 신뢰하거나 불신하는 대상과 실제로는 서로 다른/같은 선호도(preference)를 가질 수 있다는 점을 무시하고 있다. 이러한 기법들 중 대부분은 신뢰 및 불신 관계의 전이성(transitivity) 또한 다루고 있다. 그러나, 관계의 전이성에 대한 다른 연구들에 따르면 신뢰 관계는 전이될 수 있지만 불신 관계는 전이될 수 없다. 또한, 외연적 부호있는 신뢰 관계들 역시 추천 시스템에서 사용자의 취향을 나타내기에는 여전히 희소한 문제가 있다.
본 발명에서는 내연적인(implicit) 부호있는 신뢰 관계를 생성하고, 이를 외연적 부호있는 신뢰 관계와 함께 활용하여 신뢰 관계의 희소성 문제를 해결하고자 한다. 또한, 사용자 취향의 유사성(similarity) 및 비유사성(dissimilarity)과 신뢰 및 불신 관계를 유저 간의 유사성 점수를 계산하여 다시 한번 확인(confirm)함으로써, 더 정확한 사용자 취향을 추론해 내고자 한다.
또한, 이러한 전략들에 더해 추천을 위해 외연적 및 내연적 부호있는 신뢰 관계와 사용자의 평가(rating) 정보를 동시에 활용하며 신뢰 관계의 전이성과 불신 관계의 비전이성을 이용하는 행렬 분해(matrix factorization) 모델을 제안하고자 한다.
관련 선행기술로는 대한민국 공개특허공보 제 10-2014-0046108호(발명의 명칭: 온라인 쇼핑몰에서 상품 간의 연관 분석을 통한 상품추천시스템, 공개일자: 2014년 4월 18일)가 있다.
본 발명은 내연적 및 외연적 신뢰 관계를 이용하여 보다 효과적으로 추천하는 방법 및 장치를 제공하고자 한다.
본 발명이 해결하고자 하는 과제는 이상에서 언급한 과제(들)로 제한되지 않으며, 언급되지 않은 또 다른 과제(들)은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기 과제를 해결하기 위한 본 발명의 일 실시예에 따른 내연적 및 외연적 신뢰 관계를 이용한 아이템 추천 방법은 복수의 사용자 각각이 복수의 아이템 중 적어도 하나를 평가한 결과를 포함하는 평가 정보에 기초하여, 상기 복수의 사용자 중의 2인으로 구성되는 복수의 2인 조합에 관한 내연적(implicit) 신뢰 관계를 추론하는 단계; 상기 평가 정보에 기초하여, 상기 복수의 2인 조합 중 외연적(explicit) 신뢰 관계가 존재하는 적어도 하나의 조합에 대하여 상기 외연적 신뢰 관계를 검증하는 단계; 및 상기 추론된 내연적 신뢰 관계 및 상기 검증된 외연적 신뢰 관계를 이용하여, 상기 복수의 사용자 중 하나인 추천대상자에게 상기 복수의 아이템 중에서 추천할 아이템을 결정하는 단계를 포함한다.
바람직하게는, 상기 내연적 신뢰 관계 및 상기 외연적 신뢰 관계는 신뢰를 나타내는 양의 부호 및 불신을 나타내는 음의 부호 중 하나의 부호를 가질 수 있다.
바람직하게는, 상기 추천할 아이템을 결정하는 단계는 상기 양의 부호를 가지는 신뢰 관계의 전이성(transitivity) 및 상기 음의 부호를 가지는 신뢰 관계의 비전이성(intransitivity)에 기반하여 결정할 수 있다.
바람직하게는, 상기 내연적 신뢰 관계를 추론하는 단계는 상기 평가 정보를 이용하여 상기 복수의 2인 조합 각각에 대하여 구성원 간의 유사도(similarity)를 산출하는 단계; 및 소정의 임계치 및 상기 산출된 유사도에 기초하여, 상기 복수의 2인 조합 각각의 상기 내연적 신뢰 관계를 추론하는 단계를 포함할 수 있다.
바람직하게는, 상기 외연적 신뢰 관계를 검증하는 단계는 상기 평가 정보를 이용하여, 상기 외연적 신뢰 관계가 존재하는 적어도 하나의 조합 각각에 대하여 구성원 간의 유사도를 산출하는 단계; 및 소정의 임계치 및 상기 산출된 유사도에 기초하여, 상기 적어도 하나의 조합 각각의 상기 외연적 신뢰 관계를 검증하는 단계를 포함할 수 있다.
또한, 상기 과제를 해결하기 위한 본 발명의 일 실시예에 따른 내연적 및 외연적 신뢰 관계를 이용한 아이템 추천 장치는 복수의 사용자 각각이 복수의 아이템 중 적어도 하나를 평가한 결과를 포함하는 평가 정보에 기초하여, 상기 복수의 사용자 중의 2인으로 구성되는 복수의 2인 조합에 관한 내연적 신뢰 관계를 추론하는 추론부; 상기 평가 정보에 기초하여, 상기 복수의 2인 조합 중 외연적 신뢰 관계가 존재하는 적어도 하나의 조합에 대하여 상기 외연적 신뢰 관계를 검증하는 검증부; 및 상기 추론된 내연적 신뢰 관계 및 상기 검증된 외연적 신뢰 관계를 이용하여, 상기 복수의 사용자 중 하나인 추천대상자에게 상기 복수의 아이템 중에서 추천할 아이템을 결정하는 추천결정부를 포함한다.
바람직하게는, 상기 내연적 신뢰 관계 및 상기 외연적 신뢰 관계는 신뢰를 나타내는 양의 부호 및 불신을 나타내는 음의 부호 중 하나의 부호를 가질 수 있다.
바람직하게는, 상기 추천결정부는 상기 양의 부호를 가지는 신뢰 관계의 전이성 및 상기 음의 부호를 가지는 신뢰 관계의 비전이성에 기반하여 결정할 수 있다.
바람직하게는, 상기 추론부는 상기 평가 정보를 이용하여 상기 복수의 2인 조합 각각에 대하여 구성원 간의 유사도를 산출하고, 소정의 임계치 및 상기 산출된 유사도에 기초하여, 상기 복수의 2인 조합 각각의 상기 내연적 신뢰 관계를 추론할 수 있다.
바람직하게는, 상기 검증부는 상기 평가 정보를 이용하여, 상기 외연적 신뢰 관계가 존재하는 적어도 하나의 조합 각각에 대하여 구성원 간의 유사도를 산출하고, 소정의 임계치 및 상기 산출된 유사도에 기초하여, 상기 적어도 하나의 조합 각각의 상기 외연적 신뢰 관계를 검증할 수 있다.
본 발명의 일 실시예에 따른 추천 방법 및 장치는 내연적 및 외연적 신뢰 관계를 이용하여 데이터의 희소성 문제 및 콜드 스타트 문제를 완화하며, 더 정확한 추천을 수행할 수 있는 효과가 있다.
또한, 본 발명의 일 실시예에 따른 추천 방법 및 장치는 신뢰의 전이성 및 불신의 비전이성을 반영하여 추천함으로써, 보다 정확한 추천을 수행할 수 있는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 내연적 및 외연적 신뢰 관계를 이용한 아이템 추천 방법을 설명하기 위한 흐름도이다.
도 2는 본 발명의 일 실시예에 따른 내연적 및 외연적 신뢰 관계를 이용한 아이템 추천 장치를 설명하기 위한 블록도이다.
도 3은 3개의 실제 생활 데이터셋의 통계를 설명하기 위한 도면이다.
도 4는 다양한 유형의 신뢰 관계에 대한 SimSocial 및 RecSSN의 정확도를 설명하기 위한 도면이다.
도 5 및 6는 다양한 추천 접근법에 대하여, 모든 유저와 콜드 스타트 유저에 대한 추천의 오차를 설명하기 위한 도면이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
본 발명에서 신뢰 관계는 반드시 상호 신뢰하는 관계를 의미하는 것은 아니며, 신뢰의 관계와 불신의 관계를 모두 포괄할 수 있다. 따라서, 신뢰 관계라는 것 자체로는 신뢰 및 불신 중 어느 것을 내포하는지 파악할 수 없다. 예컨대, 내연적 신뢰 관계가 신뢰의 관계일 수 있으나, 불신의 관계일 수도 있는 것이다. 마찬가지로, 외연적 신뢰 관계가 신뢰의 관계일 수 있으나, 불신의 관계일 수도 있는 것이다. 따라서, 아래에서는 불신의 신뢰 관계와 신뢰의 신뢰 관계를 구분하기 위하여, 불신의 내연적 신뢰 관계, 신뢰의 외연적 신뢰 관계, 불신의 신뢰 관계 및 신뢰의 신뢰 관계 등과 같이 구별하여 기재하기로 한다.
도 1은 본 발명의 일 실시예에 따른 내연적 및 외연적 신뢰 관계를 이용한 아이템 추천 방법을 설명하기 위한 흐름도이다.
인터넷의 기하 급수적인 성장으로 인해 정보의 과부하가 주요 문제로 대두되고 있다. 관련성이 높고 중요한 정보를 찾는 것이 사용자에게 지루한 작업이 되었다. 이러한 정보의 과부하 문제를 해결하기 위해 다양한 기술들이 제안되었다. 이 문제에 대한 가장 유망한 해결방안 중 하나인 추천 시스템 기술은 추천대상자가 관심을 가질만한 정보를 찾는다. 이 정보에는 추천 아이템(recommendation items), 곧 아이템(items)이라고 불리는 제품(products), 내용(contents) 및 활동(activities)이 포함될 수 있다. 또한, 그 목표를 달성하기 위해 추천 시스템은 그 추천대상자에게 관련성 있는 아이템을 찾는데, 아이템에 대한 평가(ratings), 클릭(clicks) 및 북마크(bookmarks)의 정보를 포함하는 데이터로 저장된 대상 사용자의 행동 내역을 활용하고 있다. 협업 필터링(collaborative filtering) 및 콘텐츠 기반 필터링(content-based filtering)은 추천 시스템에서 가장 일반적으로 사용되는 기술이다. 본 발명에서는 추천대상자의 선호도(preference)의 평가를 참고하여 추천대상자에게 추천할 아이템을 식별하는 협업 필터링에 초점을 맞추고 있다.
그러나, 협업 필터링의 상당한 성공에도 불구하고 여전히 몇몇 내재하는 데이터-관련 문제가 존재한다. 협업 필터링은 대부분의 사용자가 소수의 아이템만을 평가하는 경향이 있는 경우에 좋은 권고를 하지 못한다. 또한, 그것은 실세계에서 자주 발생한다. 예를 들어, 추천 시스템의 평가를 위해 가장 일반적으로 사용되는 데이터셋(dataset)인 MovieLens, Epinions 및 Netflix는 95 ~ 98 %의 희소성이 있다. 이 문제를 데이터 희소성 문제(data sparsity problem)라고 한다. 또한 협업 필터링은 몇 가지 아이템만을 평가한 사용자에게 효과적인 추천 아이템을 제시하지 못한다. 이 문제를 콜드 스타트 사용자 문제(cold-start user problem)라고 한다.
이러한 문제를 해결하기 위해 여러 가지 접근법이 문헌에서 제안되었다. 이러한 접근법의 대부분은 사용자의 평가 정보(ratings information)와 함께 신뢰 정보(trust information), 인구 통계 학적 정보(demographic information) 및 위치 정보(location information)와 같은 추가적인 정보를 사용한다. 본 발명에서는 신뢰 네트워크(trust network)의 정보를 이용하는 접근법에 초점을 맞추고 있다. 이하에서는 이러한 접근 방식을 신뢰-인식 추천(trust-aware recommendation) 접근 방식이라고 한다. 우리는 일상 생활에서 우리가 신뢰하는 사람 (동료 또는 친구)에게 종종 추천을 요청하며, 동일한 개념이 추천 시스템에도 적용될 수 있는 것이다. Epinions는 사용자가 아이템을 검토(review)하고 평가(rating)하고 다른 사용자와의 신뢰(trust) 및/또는 불신(distrust) 관계를 형성하는 문헌에서 가장 널리 사용되는 신뢰 네트워크(trust network)이다.
신뢰 네트워크에서 다른 사용자를 신뢰하는 사용자는 신뢰자(trustor)라고 하고, 다른 사용자에게 신뢰받는 사용자는 피신뢰자(trustee)라고 한다. 유사하게, 사용자가 다른 사용자와의 불신 관계를 만드는 사용자는 불신자(distruster)로 불려지며, 다른 사용자에 의해 불신되는 사용자는 피불신자(distrustee)로 불린다.
단계 S110에서는, 아이템 추천 장치가 복수의 사용자 각각이 복수의 아이템 중 적어도 하나를 평가한 결과를 포함하는 평가 정보에 기초하여, 그 복수의 사용자 중의 2인으로 구성되는 복수의 2인 조합에 관한 내연적(implicit) 신뢰 관계를 추론한다.
여기서, 내연적 신뢰 관계(implicit trust relationship)는 신뢰 네트워크의 두 사용자 간의 또 다른 유형의 관계이다. 예컨대, 비슷한 선호도를 갖고 있거나 같은 문화 그룹(예, 국적, 나이, 취미 등)에 속해 있다는 증거에 기초하여, 2명의 사용자간에 설정될 수 있다. 이러한 유형의 관계가 사용자에 의해 외연적으로 설정되지는 않았지만, 외연적 및 내연적 관계(explicit and implicit relationships)는 추천의 정확성을 향상시키는데 동일하게 중요할 수 있다.
아이템 추천 장치는 2명의 사용자가 각각 복수의 아이템을 평가한 결과인 평가 정보를 이용하여, 그 2명의 사용자 간에 내연적 신뢰 관계가 존재하는지를 추론할 수 있다. 예컨대, 아이템 추천 장치는 그 2명의 사용자가 동일한 아이템에 관한 비슷한 선호도를 가지고 있으면, 내연적 신뢰 관계가 존재하는 것으로 추론할 수 있다.
이때, 아이템 추천 장치는 그 2명의 사용자가 공통적으로 평가한 아이템의 개수가 소정의 임계치(h)보다 작은 경우, 그 2명의 사용자 간에 내연적 신뢰 관계가 존재하지 않는 것으로 판단할 수 있다. 즉, 그 2명의 사용자는 신뢰 관계도 아니고, 불신 관계도 아닌 관계일 수 있다.
한편, 평가 정보에는 복수의 사용자 각각이 복수의 아이템을 평가 또는 미평가한 결과가 포함될 수 있으며, 평가 정보는 데이터베이스(database)에 저장되어 필요에 따라 조회될 수 있다. 이때, 사용자별로 그 복수의 아이템 중에서 평가한 아이템의 종류 및 개수가 다를 수 있는 것은 물론이다.
또한, 복수의 사용자 중의 2인으로 구성되는 복수의 2인 조합은 복수의 사용자가 N명인 경우, 최대 NC2로 결정될 수 있다. 그러나, 이와 같이 한정되는 것은 아니며, 소정의 기준에 의해 최대 NC2의 범위 내에서 결정될 수 있다.
본 발명에서 내연적 신뢰 관계를 이용하는 주된 이유는 겉으로 드러나는 외연적 신뢰 관계에 관한 정보가 제공되지 않는 많은 환경이 존재하기 때문이다. 즉, 내연적 신뢰 관계가 추천 접근법에 기반하는 행렬 분해의 정확도를 향상시키는데 크게 기여할 수 있다. 그 이유는 콜드 스타트 사용자(cold-start user)는 평가 결과가 거의 없고, 행렬 분해는 사용자의 선호도를 추론하기 위하여 사용자의 평가 결과를 이용하기 때문이다. 결과적으로, 행렬 분해는 콜드 스타트 사용자의 실제 선호도를 유추하지 못할 수 있다. 따라서, 콜드 스타트 사용자의 경우 내연적인 피신뢰자 중 일부가 존재한다면, 그 내연적인 피신뢰자의 기본 선호도와 유사하게 함으로써 그 콜드 스타트 사용자의 선호도가 유추될 수 있다.
이때, 설사 외연적 신뢰 관계가 사용가능 하더라도 외연적 신뢰 또는 불신에 대한 정보가 상당히 희소(sparse)하기 때문에, 내연적 신뢰 관계도 통합하는 것이 바람직할 수 있다. 즉, 추가 정보(내연적 신뢰 관계)의 이용이 사용자의 특징 벡터(feature vector)를 보다 정확하게 학습하는데 기여할 수 있기 때문이다.
다른 실시예에서는, 아이템 추천 장치가 유사도(similarity)를 이용하여 내연적 신뢰 관계를 추론할 수 있다.
즉, 아이템 추천 장치가 아래의 단계 S113 및 단계 S116을 통해 유사도를 이용하여 내연적 신뢰 관계를 추론할 수 있다.
단계 S113에서는, 아이템 추천 장치가 그 평가 정보를 이용하여 복수의 2인 조합 각각에 대하여 구성원 간의 유사도(similarity)를 산출한다.
예컨대, 아이템 추천 장치는 PCC(Pearson correlation coefficient)를 이용하여, 그 복수의 2인 조합 각각에 대하여 구성원 간의 유사도를 산출할 수 있다. 이때, PCC를 이용한 사용자 i 및 u 간의 유사도 sim(i,u)는 아래의 수학식 1과 같이 산출될 수 있다.
[수학식 1]
Figure 112017091401276-pat00001
여기서, i 및 u는 사용자이고, I는 사용자 i와 u가 공통적으로 평가한 아이템 집합이고, rij는 사용자 i가 I의 j번째 아이템을 평가한 점수이고, r uj 는 사용자 u가 I의 j번째 아이템을 평가한 점수이고,
Figure 112017091401276-pat00002
및
Figure 112017091401276-pat00003
는 모든 아이템에 대한 사용자 u 및 i의 평가의 평균값이다.
이때, 아이템 추천 장치는 sim(i,u)를 0이 아닌 값으로 만들기 위해 2명의 사용자가 적어도 h개의 아이템을 공통으로 평가하였으면 유사성 점수를 계산할 수 있다. 만일, 2명의 사용자 간에 공통으로 평가한 항목의 개수가 h개 미만이면, 그 2명의 사용자 간에 내연적 신뢰 관계(즉, 신뢰 또는 불신)가 존재하지 않는 것으로 본다.
단계 S116에서는, 아이템 추천 장치가 소정의 임계치 및 그 산출된 유사도에 기초하여, 그 복수의 2인 조합 각각의 내연적 신뢰 관계를 추론한다.
예컨대, 아이템 추천 장치는 2인의 사용자 간의 유사도가 소정의 임계값(σs)보다 높은 경우, 그 2명의 사용자 간에 신뢰의 내연적 신뢰 관계가 존재한다고 추론할 수 있다. 마찬가지로, 아이템 추천 장치는 2인의 사용자 간의 유사도가 소정의 임계치(σs) 이하인 경우, 그 2명의 사용자 간에 불신의 내연적 신뢰 관계가 존재한다고 추론할 수 있다.
또한, 그러나, 일부의 외연적 관계의 경우, 공동 평가 항목의 수가 h보다 적을 때 유사성 점수는 사용할 수 없게 된다. 이 경우, 신뢰자와 피신뢰자가 유사한 선호도를 가지고, 불신자와 피불신자가 유사하지 않은 선호도를 가진다라는 기존의 가정을 따른다.
단계 S120에서는, 아이템 추천 장치가 그 평가 정보에 기초하여, 그 복수의 2인 조합 중 외연적(explicit) 신뢰 관계가 존재하는 적어도 하나의 조합에 대하여 그 외연적 신뢰 관계를 검증한다.
여기서, 외연적 신뢰 관계(explicit trust relationship)는 신뢰 네트워크의 두 사용자 간의 외부로 드러나는 신뢰 또는 불신의 관계이다. 예컨대, 신뢰 네트워크의 2명의 사용자 간의 신뢰 관계 또는 불신 관계가 명시적으로 공개되어 있을 수 있다. 이때, 아이템 추천 장치는 그 평가 정보를 이용하여, 그 2명의 사용자 간의 외연적 신뢰 관계를 검증할 수 있다.
이때, 외연적 신뢰 관계에 대한 검증이 필요한 이유는, 신뢰 네트워크에서의 신뢰 또는 불신 여부와 무관하게, 사용자는 그 피신뢰자 및 피불신자와 각각 비유사하거나 유사한 선호도를 가질 수 있기 때문이다. 따라서, 외연적 신뢰 관계가 존재하는 피신뢰자 및 피불신자에 대하여도 유사성 및 비유사성을 각각 확인하는 것이 필요할 수 있다. 검증을 통해 사용자와 선호도가 가장 유사한 신뢰의 외연적 신뢰 관계의 피신뢰자의 선호도에 가까우면서, 선호도가 가장 불일치하는 불신의 외연적 신뢰 관계의 불신자의 선호도와는 거리가 먼 방식으로 사용자의 선호도를 추론할 수 있다. 즉, 이와 같은 검증을 통해 선호도가 가장 유사한 피신뢰자로부터만 사용자의 선호도를 추론하고, 가장 비유사한 피불신자로부터는 거리를 둘 수 있는 효과가 있다.
다른 실시예에서는, 아이템 추천 장치가 유사도(similarity)를 이용하여 외연적 신뢰 관계를 검증할 수 있다.
이때, 아이템 추천 장치가 아래의 단계 S123 및 단계 S126을 통해 유사도를 이용하여 외연적 신뢰 관계를 검증할 수 있다.
단계 S123에서는, 아이템 추천 장치가 그 평가 정보를 이용하여, 외연적 신뢰 관계가 존재하는 적어도 하나의 조합 각각에 대하여 구성원 간의 유사도를 산출한다.
이때, 아이템 추천 장치는 앞서 상술한 수학식 1을 이용하여 2인 조합의 구성원 간의 유사도를 산출할 수 있다.
단계 S126에서는, 아이템 추천 장치가 소정의 임계치 및 그 산출된 유사도에 기초하여, 그 적어도 하나의 조합 각각의 외연적 신뢰 관계를 검증한다.
즉, 아이템 추천 장치는 신뢰의 외연적 신뢰 관계가 존재하는 (신뢰자, 피신뢰자) 조합에 대하여, 구성원 간의 유사도가 임계치(σs)이상이면, 그들의 신뢰의 외연적 신뢰 관계가 검증이 된 것으로 판단할 수 있다. 또한, 아이템 추천 장치는 불신의 외연적 신뢰 관계가 존재하는 (불신자, 피불신자) 조합에 대하여, 구성원 간의 비유사도가 임계치(σs)이상이면, 그들의 불신의 외연적 신뢰 관계가 검증이 된 것으로 판단할 수 있다.
그러나, 외연적 신뢰 관계의 경우, 구성원 간의 공동 평가 항목의 수가 h보다 적을 때 유사도는 사용할 수 없게 될 수 있다. 이 경우, (신뢰자, 피신뢰자)가 유사한 선호도를 가지고, (불신자, 피불신자)가 유사하지 않은 선호도를 가진다라는 기존의 가정을 따를 수 있다.
마지막으로 단계 S130에서는, 아이템 추천 장치가 그 추론된 내연적 신뢰 관계 및 검증된 외연적 신뢰 관계를 이용하여, 복수의 사용자 중 하나인 추천대상자에게 추천할 아이템을 복수의 아이템 중에서 결정한다.
즉, 아이템 추천 장치는 그 추론된 내연적 신뢰 관계를 이용하거나, 검증된 외연적 신뢰 관계를 이용하여 추천대상자에게 추천할 아이템을 복수의 아이템 중에서 결정할 수 있다.
보다 구체적으로, 아이템 추천 장치는 사용자 간에 존재하는 내연적 신뢰 관계 및 외연적 신뢰 관계를 신뢰 또는 불신의 관계로 파악한 뒤, 신뢰의 신뢰 관계가 존재하는 (신뢰자, 피신뢰자)가 유사한 선호도를 가지고, 불신의 신뢰 관계가 존재하는 (불신자, 피불신자)가 유사하지 않은 선호도를 가진다라는 가정에 근거하여, 추천할 아이템을 결정할 수 있다.
다른 실시예에서는, 내연적 신뢰 관계 및 외연적 신뢰 관계는 신뢰를 나타내는 양의 부호 및 불신을 나타내는 음의 부호 중 하나의 부호를 가질 수 있다.
즉, 앞서 언급한 바와 마찬가지로, 신뢰 관계는 신뢰의 관계와 불신의 관계를 모두 포괄할 수 있으며, 부호는 신뢰 관계에 대하여 신뢰의 관계인지 불신의 관계인지를 결정하는 수단이 될 수 있다. 보다 구체적으로, 양의 부호는 신뢰의 관계를 나타내고 음의 부호는 불신의 관계를 나타낼 수 있다.
마찬가지로, 부호있는(signed) 신뢰 관계는 신뢰의 관계와 불신의 관계를 모두 포괄할 수 있으며, 부호없는(unsigned) 신뢰 관계는 신뢰의 유무만을 의미할 수 있다.
또 다른 실시예에서는, 아이템 추천 장치가 추천할 아이템을 결정할 때, 양의 부호를 가지는 신뢰 관계의 전이성(transitivity) 및 음의 부호를 가지는 신뢰 관계의 비전이성(intransitivity)에 기반하여 결정할 수 있다.
예컨대, 사용자 E가 사용자 C를 불신하고 사용자 C가 사용자 F를 불신한다고 가정한다. 세 명의 사용자 C, E 및 F가 공통적으로 평가한 아이템은 각각 점수(score)가 2, 5 및 5 인 아이템 오직 1개이다. 불신의 신뢰 관계에 관한 가정에 따르면, 사용자 E는 사용자 C를 불신하기 때문에 사용자 E와 C는 선호도가 서로 비유사해야 한다. 사용자 C와 F도 같은 이유 때문에 선호도가 서로 비유사해야 한다. 이 예에서, 한 쌍의 (불신자, 피불신자)가 선호도의 측면에서 서로 다르다는 가정은 그들의 평가에 의해 확인된다. 이제, 불신의 전이성을 적용하면, 사용자 E는 사용자 F를 불신하여야 하고, 그런 까닭에 두 사용자 E와 F가 선호도가 서로 다른 것으로 취급되어야 한다. 그러나 그들의 평가 점수로부터, 사용자 E와 F는 선호도가 매우 유사하다는 것을 확인할 수 있다. 따라서, 추천 접근법에서 신뢰의 전이성과 불신의 비전이성을 사용하는 것이 바람직할 수 있다.
이와 같이, 본 발명의 일 실시예에 따른 내연적 및 외연적 신뢰 관계를 이용한 아이템 추천 방법은 내연적 및 외연적 신뢰 관계를 이용하여 데이터의 희소성 문제 및 콜드 스타트 문제를 완화하며, 더 정확한 추천을 수행할 수 있는 효과가 있다.
도 2는 본 발명의 일 실시예에 따른 내연적 및 외연적 신뢰 관계를 이용한 아이템 추천 장치를 설명하기 위한 블록도이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 내연적 및 외연적 신뢰 관계를 이용한 아이템 추천 장치(200)는 추론부(210), 검증부(220) 및 추천결정부(230)를 포함한다.
한편, 본 발명의 일 실시예에 따른 내연적 및 외연적 신뢰 관계를 이용한 아이템 추천 장치(200)는 PC, 노트북, 스마트폰, 태블릿PC 및 서버 등에 탑재되어 아이템을 추천하는데 이용될 수 있다.
추론부(210)는 복수의 사용자 각각이 복수의 아이템 중 적어도 하나를 평가한 결과를 포함하는 평가 정보에 기초하여, 그 복수의 사용자 중의 2인으로 구성되는 복수의 2인 조합에 관한 내연적 신뢰 관계를 추론한다.
다른 실시예에서는, 추론부(210)는 그 평가 정보를 이용하여 복수의 2인 조합 각각에 대하여 구성원 간의 유사도를 산출하고, 소정의 임계치 및 그 산출된 유사도에 기초하여, 복수의 2인 조합 각각의 내연적 신뢰 관계를 추론할 수 있다.
검증부(220)는 그 평가 정보에 기초하여, 그 복수의 2인 조합 중 외연적 신뢰 관계가 존재하는 적어도 하나의 조합에 대하여 그 외연적 신뢰 관계를 검증한다.
다른 실시예에서는, 검증부(220)는 그 평가 정보를 이용하여, 외연적 신뢰 관계가 존재하는 적어도 하나의 조합 각각에 대하여 구성원 간의 유사도를 산출하고, 소정의 임계치 및 그 산출된 유사도에 기초하여, 그 적어도 하나의 조합 각각의 외연적 신뢰 관계를 검증할 수 있다.
마지막으로 추천결정부(230)는 그 추론된 내연적 신뢰 관계 및 검증된 외연적 신뢰 관계를 이용하여, 복수의 사용자 중 하나인 추천대상자에게 추천할 아이템을 복수의 아이템 중에서 결정한다.
다른 실시예에서는, 내연적 신뢰 관계 및 외연적 신뢰 관계는 신뢰를 나타내는 양의 부호 및 불신을 나타내는 음의 부호 중 하나의 부호를 가질 수 있다.
또 다른 실시예에서는, 추천결정부(230)는 양의 부호를 가지는 신뢰 관계의 전이성 및 음의 부호를 가지는 신뢰 관계의 비전이성에 기반하여 결정할 수 있다.
한편, 기존의 신뢰-인식 추천 접근법과 함께 본 발명의 접근법을 설명하면 다음과 같다.
기존의 협업 필터링 방법(collaborative filtering methods)을 검토한다. 특히, 본 발명의 접근법이 그것을 기반으로 하기 때문에 행렬 분해(matrix factorization) 기반의 방법을 자세하게 논의한다. 그런 다음, 부호없는 신뢰 관계를 통합하는 신뢰-인식 추천 접근 방법에 대해 간략히 설명한다. 마지막으로 부호있는 신뢰 관계를 통합하는 신뢰-인식 추천 접근을 소개하고, 그 접근의 문제를 지적한다.
단순성, 효율성 및 정확성은 추천 시스템에서 널리 사용되는 협업 필터링의 중요한 특성이다. 협업 필터링 방법에는 메모리 기반(memory-based) 및 모델 기반(model-based) 필터링의 두 가지 유형이 있다. 사용자 기반(user-based) 협업 필터링 및 아이템 기반(item-based) 협업 필터링은 가장 일반적으로 사용되는 메모리 기반 방법이다. 사용자 기반(아이템 기반) 협업 필터링은 사용자(아이템) 간의 유사성 관계를 이용하여 대상 사용자에 대한 추천을 생성한다. 모델 기반 방법에서 행렬 분해를 기반으로 하는 방법은 최근에 인기를 얻고 있다. 행렬 분해 기반의 방법은 효과적이며, 평가 숫자에 따라 선형적으로 확장된다.
nxm 의 행렬 R∈Dnxm이 사용자-아이템 평가 행렬이고, 여기서 각 항목 rij는 사용자 i가 아이템 j에 대해 부여하는 평가를 나타낸다. 행렬 분해의 목적은 U∈Dnxk 및 V∈Dkxm 이 평가 행렬 R = UV를 효과적으로 회복할 수 있도록 2 개의 잠재적인 저차원(low-dimensional) 행렬 U 및 V를 얻는 것이다.
특히, 행렬 분해는 다음과 같은 목적 함수를 최소화함으로써 잠재 사용자 특징 행렬 U와 잠재 항목 특징 행렬 V를 얻으려고 한다.
[수학식 2]
Figure 112017091401276-pat00004
여기서, ∥∥2 F는 Frobenius norm을 나타내고, 첫번째 항은 사용자 평가와 U와 V에 의해 얻어지는 그 사용자의 상응하는 예측 평가 간의 차이를 최소화한다. 이 첫번째 항은 분해 파트(factorization part)라고 할 수 있다. 두 항의 λU와 λV는 정규화 변수(regularization parameter)이고, 오버피팅(over-fitting)을 방지하기 위해 이용된다. 이 두 항은 정규화 파트(regularization part)라고 할 수 있다. 평가가 매겨지지 않은 항목 j에 대한 사용자 i의 평가 ri,j는 대응하는 특징 벡터(feature vector) Ui 및 Vj의 내적(dot product)에 의해 간단히 예측될 수 있다.
Pi와 Ni를 이전 단계에서의 사용자 i의 피신뢰자 및 피불신자 집합이라고 가정하자. 나아가, Pi에 포함된 모든 사용자는 i와 유사하다고 가정하자. 따라서, i의 선호도를 Pi에 포함된 사용자의 선호도에 가능한 가깝도록 할 수 있다.
신뢰의 전파를 반영하기 위하여, 수학식 2의 정규화 파트에 이러한 항을 추가한 결과는 다음과 같다.
[수학식 3]
Figure 112017091401276-pat00005
여기서, λs는 사회적 정규화 변수(social regularization parameter)이고,　
Figure 112017091401276-pat00006
는 사용자 i의 피신뢰자의 잠재적인(latent) 특징 벡터의 평균이다. 수학식 3에서 볼 수 있듯이, 사용자 i의 특징 벡터는 그 사용자의 직접적인 피신뢰자(direct trustees)의 특징 벡터에 종속적(dependent)이다. 재귀적으로, 그 피신뢰자의 특징 벡터 각각은 그 피신뢰자의 직접적인 피신뢰자의 특징벡터에 종속된다. 이러한 방법으로, 본 발명의 접근법에서 신뢰의 전파가 반영될 수 있다.
유사한 방법으로, 사용자의 선호도를 그 사용자의 피불신자로부터 가능한 멀리 떨어트려야 할 수 있다. 불신은 비전이성의 특징이 있기 때문에, 피불신자를 수학식 1의 분해 파트에 다음과 같이 통합할 수 있다.
[수학식 4]
Figure 112017091401276-pat00007
여기서, α는 사용자의 선호도와 그 사용자의 피불산자의 선호도를 조정(tune)하기 위한 변수이고,
Figure 112017091401276-pat00008
는 사용자 i의 피불신자의 잠재적인(latent) 특징 벡터의 평균이다. 수학식 4는 Ni의 특징 벡터가 i의 특징 벡터 대신에 i의 평가에 영향을 미친다라는 점을 나타낸다. 이 점은 본 발명의 행렬 분해 모델이 불신의 전이성을 신뢰의 전이성과는 다르게 통합하고 있지 않아, 불신이 신뢰 네트워크를 통해 전파되는 것을 막고 있다는 것을 나타낸다.
모든 사용자에 대해 피신뢰자 집합과 피불신자 집합을 얻으면, 평가 정보를 이용하여 내연적 및 외연적 부호없는 신뢰 관계를 효과적으로 통합하는 신뢰-인식 추천을 모델링할 수 있다. 대부분의 기존 신뢰-인식 추천은 효율성과 확장성을 고려하여 행렬 분해 기법(matrix factorization technique)에 기반하고 있다. 본 발명도 역시 행렬 분해 기법을 사용하며 효과적인 추천을 위하여 신뢰 및 불신 관계를 통시에 이용하는 통합된 모델을 제안한다. 그 제안된 모델은 다음과 같은 최적화 문제를 해결한다.
[수학식 5]
Figure 112017091401276-pat00009
수학식 6에서 이용되는 목적함수(objective function)의 로컬 최소값은 Ui 및 Vj에 대한 기울기 하강(gradient descent)을 통해 발견될 수 있다.
[수학식 6]
Figure 112017091401276-pat00010
여기서, ψi와 Ψi는 각각 사용자 i의 불신자 집합 및 신뢰자 집합이다.
한편, 기존의 우수한 신뢰-인식 추천 접근법에 대한 본 발명의 제안 기술의 효과를 나타내는 실험이 수행되었다. 이러한 실험은 본 발명의 접근법에 관한 다음의 주요 질문(key question)에 대답하기 위하여 수행되었다.
(Q1) 제안된 신뢰 관계의 집합은 정말로 신뢰-인식 추천 접근의 추천 정확도를 향상하는데 효과적인가?
(Q2) 신뢰의 전파와 불신의 비전파가 추천 정확도를 향상하는데 도움이 되는가?
(Q3) 콜드 스타트 사용자가 본 발명의 접근법에 따를 때, 보다 정확한 추천을 얻게 되는가?
(Q1)에 대답하기 위해 우리는 SimSocial(본 발명의 접근법) 및 RecSSN(경쟁 접근법)과 함께 4가지 유형의 부호있는 신뢰 관계를 사용한다. 그 신뢰 관계의 4가지 유형은 ExpRel, ClassExpRel, ImpRel 및 (ClassExp + Imp) Rel이다. ExpRel은 원본 신뢰 네트워크에서 사용자 간의 외연적 관계이다. ClassExpRel은 앞서 언급된 외연적 피신뢰자 및 피불신자의 유사성 및 비유사성을 확인하는 방법을 이용하여 ExpRel을 분류하여 얻어진 외연적 관계이다. ImpRel은 앞서 언급된 부호없는 내연적 및 외연적 신뢰 관계를 조합하는 방법을 사용하여 생성된 내연적인 관계이다. (ClassExp + Imp) Rel은 단순히 ClassExpRel과 ImpRel의 결합이다.
그 결과를 도 4에 나타낸다. SimSocial이 모든 유형의 신뢰 관계 하에서 지속적으로 RecSSN보다 우수한 것을 알 수 있다. 또한, 두 접근법 모두 ExpRel보다 ClassExpRel에서 더 우수한 성능을 나타낸다. 이 결과는 신뢰 네트워크에서 신뢰 관계가 있음에도 불구하고 한 쌍의 사용자가 서로 다른 선호도를 가질 수 있다는 주장을 뒷받침한다. 사용자 간의 유사성 점수를 기반으로 외연적 관계를 분류함으로써, 사용자의 특징 벡터를 편향시키는 비유사한 사용자가 본 발명의 접근법에서는 추천에서 제외될 수 있다. 이 방법은 사용자의 진정한 선호도를 배우는데 도움을 줌으로써, 추천을 보다 정확하게 만든다.
도 4의 결과로부터 신뢰의 전이성과 불신의 비전이성을 처리하는 효과를 관찰할 수 있다. RecSSN은 외연적인 부호있는 신뢰 관계에서만 작동하며, 불신뿐만 아니라 신뢰의 전이성도 통합한다. 외연적 부호있는 신뢰 관계의 경우에도 SimSocial은 RecSSN보다 성능이 우수하다.
반면에, 두 방법 모두 ExpRel보다 ImpRel에서 성능이 다소 떨어진다. 그 이유는 내연적 관계가 평가 데이터(rating data)에서 얻어진다는 것이다. 콜드 스타트 사용자는 평가가 거의 없으므로 내연적 관계의 수가 충분하지 않을 수 있다. 따라서 콜드 스타트 사용자는 여전히 불충분한 정보로 인해 효과적인 추천을 받지 못할 수 있다. 결과적으로 추천 접근법의 전체 정확도가 감소할 수 있다. 흥미롭게도 (ClassExp + Imp) Rel은 신뢰-인식 추천 접근이 최상의 정확도를 달성하도록 한다. 이것은 두 가지 유형의 관계를 조합하면, 사용자의 특징 벡터를 추론하는 정보의 양이 증가하기 때문이다. 이는 이후 사용자의 진정한 선호도를 이해하고 효과적인 추천을 생성하기 위한 추천 접근 방법을 돕는데 기여한다.
도 5 및 6은 (Q2)와 (Q3)에 대한 답을 찾고 모든 사용자와 콜드 스타트 사용자에 대해 계산된 RMSE(Root Mean Square Error)와 MAE(Mean Absolute Error) 값을 나타낸다. 이때, RMSE와 MAE는 평가 예측(rating prediction)을 검증하기 위한 가장 유명한 2개의 행렬이다. 모든 신뢰-인식 추천 접근법은 MF보다 잘 수행되며, 이는 신뢰 관계에 대한 추가 정보를 통합하는 것이 추천에서 중요하다는 것을 나타낸다. 신뢰-인식 추천 접근법 중에서 Impl은 최악의 성능을 나타내고, SimSocial이 가장 우수한 성능을 나타낸다. Impl은 사용자 간의 내연적인 관계만을 고려하기 때문에, 그림 5와 같이 콜드 스타트 사용자에게 좋은 추천 아이템을 제공할 수 없다. 나아가, 불신의 전이성 (transitivity)을 통합하고 있다. 따라서, 이 2개의 요소는 정확성이 떨어지도록 하는 것을 알 수 있다.
PushTrust가 RecSSN보다 성능이 떨어지는 것은 흥미로운 일이다. 그 이유는 PushTrust가 사용자의 가장 유사한 외연적이고 중립적인 피신뢰자로부터의 사용자 선호를 학습하기 때문이다. 이러한 외연적 피신뢰자는 유사성 점수가 그 사용자의 피불신자 또는 중립적인 피신뢰자와 같거나 그 이상인 사용자와 가장 유사하게 선택된다. 이때, 사용자의 중립적인 피신뢰자 또는 피불신자가 그 사용자의 신뢰자보다 보다 유사한 사용자를 포함하게 되는 것이 가능할 수 있다. 이 경우에, 모든 외연적인 피신뢰자는 무시되며, 사용자의 선호도는 그 사용자의 평가로부터만 학습될 수 있다.
그 결과로 PushTrust의 전체 정확도가 감소한다. 반면에 RecSSN은 놀랍게도 PushTrust보다 뛰어나지만 SimSocial보다는 우수하지 않다. 그 이유는 RecSSN이 외연적인 부호있는 관계만을 고려하기 때문에, 신뢰 관계가 거의 또는 전혀없는 사용자에게 효과적인 추천 아이템을 찾지 못할 수 있기 때문이다. 또한, 불신의 전이성을 고려하기 때문에 사용자 특징이 제대로 모델링되지 않아 정확성이 떨어질 수 있다. 반면에, SimSocial은 매우 잘 수행된다. 그 이유는 (1) 충분한 수의 신뢰 관계, (2) 유사성 점수에 기반한 분류에 의해 확인된 유사성과 비유사성 (3) 신뢰와 불신의 적절한 전파 때문이다. 이러한 모든 요소는 추천 프로세스가 사용자의 선호도를 정확하게 학습하고 보다 만족스러운 추천 아이템을 제공하는 데 도움이 된다.
이와 같이, 본 발명에서는 내연적 및 외연적인 부호있는 신뢰 관계를 동시에 이용하여 행렬 분해를 기반으로 하는 새로운 신뢰-인식 추천 접근을 제안한다. 사용자의 선호도를 보다 정확하게 파악하기 위해, 외연적 신뢰 관계에 더하여 내연적 신뢰 관계를 포함하도록 신뢰 관계의 수를 증가시킨다. 실제 유사성 점수를 기반으로 내연적 및 외연적 신뢰 관계의 유사성과 비유사성을 확인한다. 또한, 신뢰의 전이성과 불신의 비전이성을 효과적으로 처리함으로써 사용자와 아이템의 특징 행렬을 학습하는 새로운 모델을 제안한다. 대규모 실생활 데이터셋을 대상으로 한 실험은 제안된 신뢰-인식 추천 접근법이 다른 접근법보다 일관되게 더 우수한 성능을 나타냈음을 보여준다.
한편, 상술한 본 발명의 실시예들은 컴퓨터에서 실행될 수 있는 프로그램으로 작성가능하고, 컴퓨터로 읽을 수 있는 기록매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다.
상기 컴퓨터로 읽을 수 있는 기록매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드디스크 등), 광학적 판독 매체(예를 들면, 시디롬, 디브이디 등) 를 포함한다.
이제까지 본 발명에 대하여 그 바람직한 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.

Claims (10)

  1. 내연적 및 외연적 신뢰 관계를 이용한 아이템 추천 장치를 이용하여 아이템을 추천하는 방법에 있어서,
    복수의 사용자 각각이 복수의 아이템 중 적어도 하나를 평가한 결과를 포함하는 평가 정보에 기초하여, 상기 복수의 사용자 중의 2인으로 구성되는 복수의 2인 조합에 관한 내연적(implicit) 신뢰 관계를 추론하는 단계;
    상기 평가 정보에 기초하여, 상기 복수의 2인 조합 중 외연적(explicit) 신뢰 관계가 존재하는 적어도 하나의 조합에 대하여 상기 외연적 신뢰 관계를 검증하는 단계; 및
    상기 추론된 내연적 신뢰 관계 및 상기 검증된 외연적 신뢰 관계를 이용하여, 상기 복수의 사용자 중 하나인 추천대상자에게 추천할 아이템을 상기 복수의 아이템 중에서 결정하는 단계
    를 포함하고,
    상기 내연적 신뢰 관계 및 상기 외연적 신뢰 관계는
    신뢰를 나타내는 양의 부호 및 불신을 나타내는 음의 부호 중 하나의 부호를 가지며,
    상기 추천할 아이템을 결정하는 단계는
    상기 양의 부호를 가지는 신뢰 관계의 전이성(transitivity) 및 상기 음의 부호를 가지는 신뢰 관계의 비전이성(intransitivity)에 기반하여 결정하는 것을 특징으로 하는 내연적 및 외연적 신뢰 관계를 이용한 아이템 추천 방법.
  2. 삭제
  3. 삭제
  4. 제1항에 있어서,
    상기 내연적 신뢰 관계를 추론하는 단계는
    상기 평가 정보를 이용하여 상기 복수의 2인 조합 각각에 대하여 구성원 간의 유사도(similarity)를 산출하는 단계; 및
    소정의 임계치 및 상기 산출된 유사도에 기초하여, 상기 복수의 2인 조합 각각의 상기 내연적 신뢰 관계를 추론하는 단계
    를 포함하는 것을 특징으로 하는 내연적 및 외연적 신뢰 관계를 이용한 아이템 추천 방법.
  5. 제1항에 있어서,
    상기 외연적 신뢰 관계를 검증하는 단계는
    상기 평가 정보를 이용하여, 상기 외연적 신뢰 관계가 존재하는 적어도 하나의 조합 각각에 대하여 구성원 간의 유사도를 산출하는 단계; 및
    소정의 임계치 및 상기 산출된 유사도에 기초하여, 상기 적어도 하나의 조합 각각의 상기 외연적 신뢰 관계를 검증하는 단계
    를 포함하는 것을 특징으로 하는 내연적 및 외연적 신뢰 관계를 이용한 아이템 추천 방법.
  6. 복수의 사용자 각각이 복수의 아이템 중 적어도 하나를 평가한 결과를 포함하는 평가 정보에 기초하여, 상기 복수의 사용자 중의 2인으로 구성되는 복수의 2인 조합에 관한 내연적 신뢰 관계를 추론하는 추론부;
    상기 평가 정보에 기초하여, 상기 복수의 2인 조합 중 외연적 신뢰 관계가 존재하는 적어도 하나의 조합에 대하여 상기 외연적 신뢰 관계를 검증하는 검증부; 및
    상기 추론된 내연적 신뢰 관계 및 상기 검증된 외연적 신뢰 관계를 이용하여, 상기 복수의 사용자 중 하나인 추천대상자에게 추천할 아이템을 상기 복수의 아이템 중에서 결정하는 추천결정부
    를 포함하고,
    상기 내연적 신뢰 관계 및 상기 외연적 신뢰 관계는
    신뢰를 나타내는 양의 부호 및 불신을 나타내는 음의 부호 중 하나의 부호를 가지며,
    상기 추천결정부는
    상기 양의 부호를 가지는 신뢰 관계의 전이성 및 상기 음의 부호를 가지는 신뢰 관계의 비전이성에 기반하여 결정하는 것을 특징으로 하는 내연적 및 외연적 신뢰 관계를 이용한 아이템 추천 장치.
  7. 삭제
  8. 삭제
  9. 제6항에 있어서,
    상기 추론부는
    상기 평가 정보를 이용하여 상기 복수의 2인 조합 각각에 대하여 구성원 간의 유사도를 산출하고,
    소정의 임계치 및 상기 산출된 유사도에 기초하여, 상기 복수의 2인 조합 각각의 상기 내연적 신뢰 관계를 추론하는 것을 특징으로 하는 내연적 및 외연적 신뢰 관계를 이용한 아이템 추천 장치.
  10. 제6항에 있어서,
    상기 검증부는
    상기 평가 정보를 이용하여, 상기 외연적 신뢰 관계가 존재하는 적어도 하나의 조합 각각에 대하여 구성원 간의 유사도를 산출하고,
    소정의 임계치 및 상기 산출된 유사도에 기초하여, 상기 적어도 하나의 조합 각각의 상기 외연적 신뢰 관계를 검증하는 것을 특징으로 하는 내연적 및 외연적 신뢰 관계를 이용한 아이템 추천 장치.
KR1020170120669A 2017-07-03 2017-09-19 내연적 및 외연적 신뢰 관계를 이용한 아이템 추천 방법 및 장치 KR101953802B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020170084105 2017-07-03
KR20170084105 2017-07-03

Publications (2)

Publication Number Publication Date
KR20190004629A KR20190004629A (ko) 2019-01-14
KR101953802B1 true KR101953802B1 (ko) 2019-03-07

Family

ID=65027713

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170120669A KR101953802B1 (ko) 2017-07-03 2017-09-19 내연적 및 외연적 신뢰 관계를 이용한 아이템 추천 방법 및 장치

Country Status (1)

Country Link
KR (1) KR101953802B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220008140A (ko) * 2020-07-13 2022-01-20 한양대학교 산학협력단 가상 사용자 및 상품 증강을 이용한 콜드-스타트 문제 해결 방안

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102266853B1 (ko) * 2019-02-11 2021-06-18 한양대학교 산학협력단 다중 유형 페어와이즈 기반 아이템 추천 방법 및 장치
KR102456409B1 (ko) * 2019-12-23 2022-10-19 주식회사 제로원에이아이 인공 신경망의 추론 데이터에 대한 신뢰도를 판단하는 방법
KR102327029B1 (ko) * 2020-01-09 2021-11-16 고려대학교 산학협력단 Poi 추천 방법 및 이를 수행하는 추천 제공 시스템

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101691220B1 (ko) * 2016-03-28 2016-12-29 주식회사 쿨리오 콘텐츠 평가에 따른 개인화 된 콘텐츠 추천 시스템

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007515713A (ja) * 2003-12-03 2007-06-14 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ 推奨の拡張協調フィルタリング技術
US9552055B2 (en) * 2013-07-15 2017-01-24 Facebook, Inc. Large scale page recommendations on online social networks

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101691220B1 (ko) * 2016-03-28 2016-12-29 주식회사 쿨리오 콘텐츠 평가에 따른 개인화 된 콘텐츠 추천 시스템

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220008140A (ko) * 2020-07-13 2022-01-20 한양대학교 산학협력단 가상 사용자 및 상품 증강을 이용한 콜드-스타트 문제 해결 방안
KR102454317B1 (ko) * 2020-07-13 2022-10-14 한양대학교 산학협력단 가상 사용자 및 상품 증강을 이용한 콜드-스타트 문제 해결 방안

Also Published As

Publication number Publication date
KR20190004629A (ko) 2019-01-14

Similar Documents

Publication Publication Date Title
Lei et al. Estimation-action-reflection: Towards deep interaction between conversational and recommender systems
WO2022041979A1 (zh) 一种信息推荐模型的训练方法和相关装置
Sedhain et al. Low-rank linear cold-start recommendation from social data
CN104462385B (zh) 一种基于用户兴趣模型的电影个性化相似度计算方法
Fang et al. Multi-faceted trust and distrust prediction for recommender systems
Tang et al. Trust in social media
KR101953802B1 (ko) 내연적 및 외연적 신뢰 관계를 이용한 아이템 추천 방법 및 장치
Massa et al. Trust metrics in recommender systems
US9727653B2 (en) System and method for identifying and ranking user preferences
CN110033097B (zh) 基于多个数据域确定用户与物品的关联关系的方法及装置
Oh et al. Can you trust online ratings? A mutual reinforcement model for trustworthy online rating systems
Liu et al. An integrated clustering‐based approach to filtering unfair multi‐nominal testimonies
Gras et al. Identifying grey sheep users in collaborative filtering: a distribution-based technique
Najafi et al. Investigation of the correlation between trust and reputation in B2C e-commerce using Alexa ranking
KR102083624B1 (ko) 관심대상 분석 시스템 및 그 방법, 그리고 이에 적용되는 장치
Panagiotakis et al. Unsupervised and supervised methods for the detection of hurriedly created profiles in recommender systems
Wu et al. Are neighbors alike? A semisupervised probabilistic collaborative learning model for online review spammers detection
Li et al. A revisit to social network-based recommender systems
US20160171228A1 (en) Method and apparatus for obfuscating user demographics
Renckes et al. A new hybrid recommendation algorithm with privacy
Yadav et al. A survey of implicit trust on social networks
Bertini et al. Keeping up with the influencers: Improving user recommendation in instagram using visual content
CN110795640B (zh) 一种弥补群组成员差异的自适应组推荐方法
Wang et al. Recommender systems and their security concerns
Okkalioglu et al. On the privacy of horizontally partitioned binary data-based privacy-preserving collaborative filtering

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant