KR102129583B1 - 딥러닝 기반의 아이템 추천 방법 및 장치 - Google Patents

딥러닝 기반의 아이템 추천 방법 및 장치 Download PDF

Info

Publication number
KR102129583B1
KR102129583B1 KR1020180016949A KR20180016949A KR102129583B1 KR 102129583 B1 KR102129583 B1 KR 102129583B1 KR 1020180016949 A KR1020180016949 A KR 1020180016949A KR 20180016949 A KR20180016949 A KR 20180016949A KR 102129583 B1 KR102129583 B1 KR 102129583B1
Authority
KR
South Korea
Prior art keywords
item
evaluation information
items
evaluation
deep learning
Prior art date
Application number
KR1020180016949A
Other languages
English (en)
Other versions
KR20190103505A (ko
Inventor
김상욱
채동규
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
Priority to KR1020180016949A priority Critical patent/KR102129583B1/ko
Publication of KR20190103505A publication Critical patent/KR20190103505A/ko
Application granted granted Critical
Publication of KR102129583B1 publication Critical patent/KR102129583B1/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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

딥러닝 기반의 아이템 추천 방법을 개시한다. 본 발명의 일 실시예에 따른 복수의 사용자 각각이 복수의 아이템 중 적어도 하나를 평가한 평가결과값을 포함하는 정보인 초기평가정보를 이용하여 아이템을 추천하는 방법은 상기 초기평가정보에 대하여 사용자가 평가하지 않은 아이템인 미평가아이템에 대응되는 평가결과값으로 소정의 초기결과값을 입력하여, 갱신평가정보를 생성하는 단계; 상기 갱신평가정보 및 상기 갱신평가정보에서 상기 미평가아이템에 대응되는 오차에 적용되는 소정의 차등가중치에 기초하여, 딥러닝 모델(deep learning model)을 학습시키는 단계; 상기 딥러닝 모델 및 상기 초기평가정보에 기초하여, 상기 복수의 사용자가 상기 복수의 아이템을 평가한 결과를 예측하는 예측평가정보를 생성하는 단계; 및 상기 예측평가정보를 이용하여 상기 복수의 사용자 중 하나인 추천대상자에게 상기 복수의 아이템 중에서 복수의 추천아이템을 추천하는 단계를 포함한다.

Description

딥러닝 기반의 아이템 추천 방법 및 장치 {METHOD AND APPARATUS FOR RECOMMENDING ITEMS BASED ON DEEP LEARNING}
본 발명은 딥러닝에 기반하여 아이템을 추천하는 방법 및 장치에 관한 것으로, 더욱 상세하게는, 딥러닝 모델 기반의 협업 필터링을 구현함으로써 추천 정확도가 향상된 아이템 추천 방법 및 장치에 관한 것이다.
추천 시스템은 오늘날 대부분의 온라인 쇼핑몰에서 사용자의 구매 촉진을 위해 필수적으로 이용되고 있으며, 학계에서도 활발히 연구되고 있다. 추천 알고리즘의 여러 접근방법들 중 가장 대표적인 것으로 협업 필터링(collaborative filtering, CF)을 들 수 있다. 협업 필터링은 사용자가 남긴 평점을 기반으로 사용자의 취향과 아이템(상품)에 관한 성향을 분석한 후, 사용자가 아직 구매하지 않은 아이템들에 부여할 평점 혹은 구매할만한 상위 N개(top-N)의 아이템을 예측한다.
또한, 최근 딥러닝(deep learning)이 여러 분야에 성공적으로 적용됨에 따라, 추천 시스템에도 딥러닝을 접목하려는 시도가 늘고 있다. 그 중 오토인코더(autoencoder)는 대표적인 딥러닝 모델로써 다양한 추천 연구들에서 활발하게 사용되고 있다.
그러나, 기존의 딥러닝 모델을 이용한 추천 시스템은 모두 사용자가 아이템에 어떤 평점을 부여할 것인지를 정확하게 예측하는 것에 초점을 맞추었으며, 상위 N개 아이템 추천의 정확도를 높이려는 시도는 이루어지지 않고 있다.
따라서, 딥러닝 모델을 기반으로 하는 협업 필터링을 이용하여 상위 N개 아이템 추천을 수행할 때, 추천 결과의 정확성을 향상시킬 수 있는 방법 및 장치에 관한 필요성이 대두되고 있다.
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 딥러닝 모델을 기반으로 하는 협업 필터링을 이용하여 상위 N개(top-N) 아이템을 보다 높은 정확도로 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 딥러닝 기반의 아이템 추천 방법은 복수의 사용자 각각이 복수의 아이템 중 적어도 하나를 평가한 평가결과값을 포함하는 정보인 초기평가정보를 이용하여 아이템을 추천하는 방법에 있어서, 상기 초기평가정보에 대하여 사용자가 평가하지 않은 아이템인 미평가아이템에 대응되는 평가결과값으로 소정의 초기결과값을 입력하여, 갱신평가정보를 생성하는 단계; 상기 갱신평가정보 및 상기 갱신평가정보에서 상기 미평가아이템에 대응되는 오차에 적용되는 소정의 차등가중치에 기초하여, 딥러닝 모델(deep learning model)을 학습시키는 단계; 상기 딥러닝 모델 및 상기 초기평가정보에 기초하여, 상기 복수의 사용자가 상기 복수의 아이템을 평가한 결과를 예측하는 예측평가정보를 생성하는 단계; 및 상기 예측평가정보를 이용하여 상기 복수의 사용자 중 하나인 추천대상자에게 상기 복수의 아이템 중에서 복수의 추천아이템을 추천하는 단계를 포함한다.
바람직하게는, 상기 초기결과값은 상기 복수의 아이템 각각에 부여할 수 있는 평가결과값 중에서, 소정의 임계평가값 이하의 값으로 결정될 수 있다.
바람직하게는, 상기 딥러닝 모델을 학습시키는 단계는 상기 갱신평가정보에서 상기 미평가아이템에 대응되는 오차에 적용되는 가중치로 상기 차등가중치를 설정하는 단계; 상기 갱신평가정보에서 상기 미평가아이템을 제외한 나머지 아이템인 평가아이템에 대응되는 오차에 적용되는 가중치로 상기 차등가중치보다 큰 값을 갖는 기본가중치를 설정하는 단계; 및 상기 차등가중치, 상기 기본가중치 및 상기 갱신평가정보를 이용하여, 상기 딥러닝 모델을 반복적으로 학습시키는 단계를 포함할 수 있다.
바람직하게는, 상기 딥러닝 모델은 오토인코더(autoencoder)에 기반할 수 있다.
바람직하게는, 상기 복수의 추천아이템을 추천하는 단계는 상기 예측평가정보로부터 상기 추천대상자에 대한 상기 복수의 아이템에 대응되는 평가결과값을 추출하는 단계; 상기 추출된 평가결과값을 내림차순으로 정렬하는 단계; 및 상기 정렬된 평가결과값의 크기 순서에 따라, 상기 복수의 추천아이템을 추천하는 단계를 포함할 수 있다.
또한, 상기 과제를 해결하기 위한 본 발명의 일 실시예에 따른 딥러닝 기반의 아이템 추천 장치는 복수의 사용자 각각이 복수의 아이템 중 적어도 하나를 평가한 평가결과값을 포함하는 정보인 초기평가정보를 이용하여 아이템을 추천하는 장치에 있어서, 상기 초기평가정보에 대하여 사용자가 평가하지 않은 아이템인 미평가아이템에 대응되는 평가결과값으로 소정의 초기결과값을 입력하여, 갱신평가정보를 생성하는 갱신부; 상기 갱신평가정보 및 상기 갱신평가정보에서 상기 미평가아이템에 대응되는 오차에 적용되는 소정의 차등가중치에 기초하여, 딥러닝 모델(deep learning model)을 학습시키는 학습부; 상기 딥러닝 모델 및 상기 초기평가정보에 기초하여, 상기 복수의 사용자가 상기 복수의 아이템을 평가한 결과를 예측하는 예측평가정보를 생성하는 예측부; 및 상기 예측평가정보를 이용하여 상기 복수의 사용자 중 하나인 추천대상자에게 상기 복수의 아이템 중에서 복수의 추천아이템을 추천하는 추천부를 포함한다.
바람직하게는, 상기 초기결과값은 상기 복수의 아이템 각각에 부여할 수 있는 평가결과값 중에서, 소정의 임계평가값 이하의 값으로 결정될 수 있다.
바람직하게는, 상기 학습부는 상기 갱신평가정보에서 상기 미평가아이템에 대응되는 오차에 적용되는 가중치로 상기 차등가중치를 설정하고, 상기 갱신평가정보에서 상기 미평가아이템을 제외한 나머지 아이템인 평가아이템에 대응되는 오차에 적용되는 가중치로 상기 차등가중치보다 큰 값을 갖는 기본가중치를 설정한 후, 상기 차등가중치, 상기 기본가중치 및 상기 갱신평가정보를 이용하여, 상기 딥러닝 모델을 반복적으로 학습시킬 수 있다.
바람직하게는, 상기 딥러닝 모델은 오토인코더(autoencoder)에 기반할 수 있다.
바람직하게는, 상기 추천부는 상기 예측평가정보로부터 상기 추천대상자에 대한 상기 복수의 아이템에 대응되는 평가결과값을 추출하고, 상기 추출된 평가결과값을 내림차순으로 정렬하고, 상기 정렬된 평가결과값의 크기 순서에 따라, 상기 복수의 추천아이템을 추천할 수 있다.
본 발명은 사용자들의 아이템 각각에 대한 상대적 선호도를 보다 효과적으로 학습하는 딥러닝 모델을 기반으로 하는 협업 필터링을 이용함으로써, 사용자들에게 상위 N개(top-N) 아이템을 보다 높은 정확도로 추천할 수 있는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 딥러닝 기반의 아이템 추천 방법을 설명하기 위한 흐름도이다.
도 2는 본 발명의 일 실시예에 따른 딥러닝 모델의 학습 방법을 설명하기 위한 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 복수의 추천아이템을 추천하는 방법을 설명하기 위한 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 딥러닝 기반의 아이템 추천 장치를 설명하기 위한 블록도이다.
도 5는 본 발명의 일 실시예에 따른 딥러닝 기반의 아이템 추천 방법의 효과를 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.
도 1은 본 발명의 일 실시예에 따른 딥러닝 기반의 아이템 추천 방법을 설명하기 위한 흐름도이다.
단계 S110에서는, 아이템 추천 장치가 초기평가정보에 대하여 사용자가 평가하지 않은 아이템인 미평가아이템에 대응되는 평가결과값으로 소정의 초기결과값을 입력하여, 갱신평가정보를 생성한다.
이때, 초기평가정보는 복수의 사용자 각각이 복수의 아이템 중 적어도 하나를 평가한 평가결과값을 포함하는 정보일 수 있다.
예컨대, 초기평가정보는, 사용자 M명과 영화 N개가 존재하는 인터넷 영화사이트에서, 그 사용자 M명 각각이 N개의 영화 각각에 대하여 평가한 평가결과값을 포함하는 정보일 수 있다. 하지만, 현실적으로 그 사용자 M명 모두가 N개의 영화를 전부 관람하고 평가하는 것은 극히 가능성이 낮은 일이다. 따라서, 초기평가정보는 사용자별로 관람한 N개 이하의 영화에 대한 평가결과값을 포함하지만, 관람하지 않은 나머지 영화에 대한 평가결과값은 포함하지 않을 수 있다.
여기서, 아이템 추천 장치는 초기평가정보에 존재하는 미평가아이템에 대응되는 평가결과값으로 초기결과값을 입력하여, 갱신평가정보를 생성할 수 있다. 즉, 갱신평가정보는 사용자가 평가한 아이템인 평가아이템에 대하여는 사용자가 직접 평가한 값으로 구성된 평가결과값을 포함하고, 미평가아이템에 대하여는 초기결과값으로 구성된 평가결과값을 포함하여 구성될 수 있다.
다른 실시예에서는, 초기결과값은 사용자가 복수의 아이템 각각에 부여할 수 있는 평가결과값 중에서, 소정의 임계평가값 이하의 값으로 결정될 수 있다.
예컨대, 사용자가 아이템에 관하여 {0, 1, 2, 3, 4, 5} 중 하나의 평가결과값으로 평가하는 경우를 가정할 수 있다. 이때, 임계평가값이 0이라면 초기결과값은 0이하인 0으로 결정될 수 있다. 또한, 임계평가값이 1이라면 초기결과값은 0 및 1 중 하나로 결정될 수 있다.
이처럼, 초기결과값이 사용자가 부여할 수 있는 평가결과값 중에서 적절히 낮은 값으로 결정됨으로써, 아이템 추천 장치가 추후에 아이템에 관한 평가결과값을 정확하게 예측하는 측면에서는 불리할 수 있지만, 각 아이템 간의 상대적인 선호도를 예측하는 측면에서는 유리할 수 있다. 이는, 미평가아이템에 대한 평가결과값이 상대적으로 낮아져서, 평가아이템과 미평가아이템 간의 평가결과값의 차이가 두드러질 수 있기 때문이다.
단계 S120에서는, 아이템 추천 장치가 그 갱신평가정보 및 갱신평가정보에서 미평가아이템에 대응되는 오차에 적용되는 소정의 차등가중치에 기초하여, 딥러닝 모델(deep learning model)을 학습시킨다.
즉, 아이템 추천 장치는 그 갱신평가정보 및 차등가중치를 이용하여, 딥러닝 모델을 반복적으로 학습시킴으로써, 보다 정확하게 상위 N개의 아이템을 추천할 수 있다.
한편, 아이템 추천 장치가 딥러닝 모델을 학습시키는 구체적인 방법에 관하여는 도 2에 대한 설명에서 구체적으로 후술한다.
다른 실시예에서는, 딥러닝 모델은 오토인코더(autoencoder)에 기반할 수 있다.
여기서, 오토인코더는 비감독 학습(unsupervised learning)을 위하여 사용되는 인공신경망(artificial neural network)으로, 입력과 출력이 최대한 같아지도록 학습될 수 있다.
나아가, 본 발명의 딥러닝 모델은 오토인코더에 기반하는 오토렉(AutoRec) 모델에 기반할 수 있다. 오토렉은 하나 또는 다수의 은닉층을 가지는 오토인코더 기반의 추천 모델로, 협업 필터링의 접근 방법을 이용한다.
한편, 오토렉의 동작 방법을 간략히 설명하면, 오토렉은 사용자의 평점 벡터를 은닉층으로 인코딩한 후, 인코딩된 정보를 다시 디코딩한다. 이때, 그 디코딩된 결과가 최초 입력된 평점 벡터와 같아지도록 인코딩 모델 파라미터와 디코딩 모델 파라미터가 학습될 수 있다. 몇 번의 반복 학습을 통해 인코딩 모델 파라미터와 디코딩 모델 파라미터의 학습이 완료되면, 오토렉은 사용자의 평점 벡터를 인코딩한 후 다시 디코딩함으로써, 각 사용자의 평점 벡터의 비어있는 평가결과값(즉, 평가되지 않은 아이템에 관한 평가결과값)을 예측하여 계산할 수 있다.
한편, 본 발명의 딥러닝 모델은 상술한 종래 기술의 오토렉을 이용하는 예측 방법과 비교할 때, 딥러닝 모델을 학습시키기 위한 방법 및 학습 데이터의 구성에서 차이가 존재한다. 이는, 본 발명의 딥러닝 모델은 평가결과값의 정확한 예측을 위한 모델이 아니라, 상위 N개 아이템 추천을 정확하게 수행하기 위한 모델이기 때문이다. 이러한 차이점에 관하여는 도 2에 대한 설명에서 구체적으로 후술한다.
단계 S130에서는, 아이템 추천 장치가 그 딥러닝 모델 및 초기평가정보에 기초하여, 복수의 사용자가 복수의 아이템을 평가한 결과를 예측하는 예측평가정보를 생성한다.
예컨대, 아이템 추천 장치는 그 학습된 딥러닝 모델을 이용하여 초기평가정보를 인코딩하고, 디코딩함으로써 초기평가정보에 포함된 미평가아이템에 대응되는 평가결과값을 산출하여, 예측평가정보를 생성할 수 있다.
보다 구체적으로, M1-M10까지의 사용자가 존재하고, N1-N10까지의 아이템이 존재하는 경우를 가정한다. 만일, 사용자 M1은 N1-N5의 아이템만을 평가하였고, 사용자 M2는 N5-N10의 아이템만을 평가하였다면, 초기평가정보에서 사용자 M1 및 M2 각각이 평가하지 않은 미평가아이템에 관한 평가결과값은 존재하지 않을 수 있다. 이때, 아이템 추천 장치가 그 학습된 딥러닝 모델을 이용하여 초기평가정보를 인코딩 및 디코딩함으로써, 사용자 M1 및 M2 각각의 미평가아이템(즉, N6-N10 및 N1-N4)에 관한 평가결과값을 산출하여 예측평가정보를 생성할 수 있다.
마지막으로 단계 S140에서는, 아이템 추천 장치가 그 예측평가정보를 이용하여 복수의 사용자 중 하나인 추천대상자에게 복수의 아이템 중에서 복수의 추천아이템을 추천한다.
즉, 아이템 추천 장치는 추천대상자에게 그 예측평가정보에 포함된 복수의 아이템별로 평가결과값이 높은 순서에 따라 복수의 추천아이템을 추천할 수 있다. 이때, 복수의 추천아이템은 평가결과값이 높은 상위 N개(top-N) 아이템에 해당할 수 있다.
한편, 도 5를 참조하면, N이 5 및 20일 때, 본 발명에 따른 딥러닝 모델(proposed)와 오토렉 모델(AutoRec)의 은닉 노드(hidden nodes) 수에 따른 추천의 정확도가 나타나 있다. 여기서, x축은 은닉 노드의 수, y축은 precision@N의 값을 나타낸다.
실험 결과에서 볼 수 있듯이 본 발명의 딥러닝 모델을 이용하는 방법이 기존의 오토렉 모델을 이용하는 방법보다 정확한 top-N 아이템 추천을 수행하는 것을 알 수 있다. 이는 본 발명의 딥러닝 모델을 이용하는 방법이 평가결과값을 정확하게 예측하기 보다는 사용자별로 아이템에 대한 상대적인 선호도를 정확하게 예측하는 것을 목적으로 학습데이터(초기평가정보)에 적절히 낮은 값(초기결과값)을 채우고, 이를 고려하기 위하여 차등적인 가중치를 부여하는 학습 방법을 적용하였기 때문이다.
보다 구체적으로 도 5의 실험을 설명하면 다음과 같다. 도 5의 실험은 MovieLens 100K 데이터를 이용하여 수행되었으며, 이 데이터는 943명의 사용자와 1682편의 영화, 10만 건의 평점으로 구성되어 있다. 이때, 10만 건의 평점들 중 임의로 선택한 80%의 평점을 딥러닝 모델 학습을 위한 데이터로 사용하였고, 나머지 20% 데이터를 추천 정확도를 평가하기 위한 데이터로 사용하였다. 본 발명의 딥러닝 모델과 기존의 오토렉 모델을 각각 학습 데이터를 이용하여 학습시키고, 평가 데이터를 이용하여 각 모델의 top-N 추천 정확도를 계산한 후, 그 결과를 비교하였다. 학습을 이용한 최적화 알고리즘은 널리 이용되는 Adam optimizer를 이용하였으며, learning rate는 0.001로 설정하였다. 정확도 계산을 위한 척도는 기존에 널리 이용되는 precision@N을 이용하였다. 각 모델의 은닉 층은 하나만 두었으며, 은닉 층에 존재하는 은닉 노드의 수는 20개부터 60개까지 20개씩 증가시켜 가며 각각의 정확도를 측정하다.
이와 같이, 본 발명의 일 실시예에 따른 딥러닝 기반의 아이템 추천 방법은 사용자들의 아이템 각각에 대한 상대적 선호도를 보다 효과적으로 학습하는 딥러닝 모델을 기반으로 하는 협업 필터링을 이용함으로써, 사용자들에게 상위 N개 아이템을 보다 높은 정확도로 추천할 수 있는 효과가 있다.
도 2는 본 발명의 일 실시예에 따른 딥러닝 모델의 학습 방법을 설명하기 위한 흐름도이다.
단계 S210에서는, 아이템 추천 장치가 갱신평가정보에서 미평가아이템에 대응되는 오차에 적용되는 가중치로 차등가중치를 설정한다.
즉, 아이템 추천 장치는 딥러닝 모델의 학습 과정에서 미평가아이템과 관련된 오차에 적용되는 가중치로 차등가중치를 설정할 수 있다. 보다 구체적으로, 차등가중치는 딥러닝 모델의 학습 과정에서 이용되는 가중치로, 아이템 추천 장치가 딥러닝 모델에 차등가중치를 설정할 수 있다.
단계 S220에서는, 아이템 추천 장치가 갱신평가정보에서 미평가아이템을 제외한 나머지 아이템인 평가아이템에 대응되는 오차에 적용되는 가중치로 차등가중치보다 큰 값을 갖는 기본가중치를 설정한다.
즉, 아이템 추천 장치는 딥러닝 모델의 학습 과정에서 평가아이템과 관련된 오차에 적용되는 가중치로 기본가중치를 설정할 수 있다. 보다 구체적으로, 기본가중치는 딥러닝 모델의 학습 과정에서 이용되는 가중치로, 아이템 추천 장치가 딥러닝 모델에 기본가중치를 설정할 수 있다.
이때, 기본가중치는 차등가중치보다 큰 값을 가진다. 예컨대, 기본가중치는 1.0이고 차등가중치는 0.7일 수 있다.
이처럼, 기본가중치의 값을 차등가중치의 값보다 크게 설정하는 이유는 사용자가 평가결과값을 부여한 아이템인 평가아이템과 그렇지 않은 미평가아이템에 대응되는 오차를 동등하게 고려하여 딥러닝 모델을 학습시키는 것이 적절하지 않기 때문이다. 즉, 아이템 추천 장치는 미평가아이템에 대응되는 오차에 기본가중치보다 낮은 차등가중치를 부여함으로써, 평가아이템에 대응되는 오차와 미평가아이템에 대응되는 오차가 차등적으로 고려되도록 할 수 있다.
마지막으로 단계 S230에서는, 아이템 추천 장치가 차등가중치, 기본가중치 및 갱신평가정보를 이용하여, 딥러닝 모델을 반복적으로 학습시킨다.
예컨대, 아이템 추천 장치는 차등가중치, 기본가중치 및 갱신평가정보를 딥러닝 모델에 입력한 후, 그 딥러닝 모델이 갱신평가정보를 반복적으로 인코딩 및 디코딩함으로써 인코딩 모델 파라미터와 디코딩 모델 파라미터를 보다 정확하게 학습시킬 수 있다.
이와 같이, 본 발명의 일 실시예에 따른 딥러닝 모델의 학습 방법은 평가아이템에 대응되는 오차에 기본가중치보다 낮은 차등가중치를 부여함으로써, 평가아이템에 대응되는 오차와 미평가아이템에 대응되는 오차를 차등적으로 고려하여, 상위 N개 아이템의 추천 정확도를 향상시킬 수 있도록 딥러닝 모델을 학습시킬 수 있는 효과가 있다.
도 3은 본 발명의 일 실시예에 따른 복수의 추천아이템을 추천하는 방법을 설명하기 위한 흐름도이다.
단계 S310에서는, 아이템 추천 장치가 예측평가정보로부터 추천대상자에 대한 복수의 아이템에 대응되는 평가결과값을 추출한다.
이때, 예측평가정보에는 복수의 사용자 각각에 대하여 평가아이템 및 미평가아이템에 대응되는 평가결과값의 산출 결과가 모두 포함되어 있다. 아이템 추천 장치는 그 예측평가정보로부터 추천대상자에 대한 복수의 아이템에 대한 평가결과값을 모두 추출할 수 있다.
단계 S320에서는, 아이템 추천 장치가 그 추출된 평가결과값을 내림차순으로 정렬한다.
즉, 아이템 추천 장치는 추천대상자의 복수의 아이템에 대응되는 평가결과값을 크기에 따라 내림차순으로 정렬할 수 있다. 즉, 평가결과값이 가장 큰 아이템부터 가장 작은 아이템의 순서로 정렬할 수 있다.
마지막으로 단계 S330에서는, 아이템 추천 장치가 그 정렬된 평가결과값의 크기 순서에 따라, 복수의 추천아이템을 추천대상자에게 추천한다.
이때, 아이템 추천 장치는 그 정렬된 평가결과값의 크기에 따라, 상위 N개의 추천아이템을 추천대상자에게 추천할 수 있다. 즉, 아이템 추천 장치는 상위 N개(즉, top-N)의 아이템을 복수의 추천아이템으로 추천할 수 있다.
도 4는 본 발명의 일 실시예에 따른 딥러닝 기반의 아이템 추천 장치를 설명하기 위한 블록도이다.
도 4를 참조하면, 본 발명의 일 실시예에 따른 딥러닝 기반의 아이템 추천 장치(400)는 갱신부(410), 학습부(420), 예측부(430) 및 추천부(440)를 포함한다.
한편, 딥러닝 기반의 아이템 추천 장치(400)는 PC, 서버, 스마트폰 및 태블릿과 같은 다양한 컴퓨팅 장치에 탑재되어, 아이템을 추천하기 위하여 이용될 수 있다.
갱신부(410)는 초기평가정보에 대하여 사용자가 평가하지 않은 아이템인 미평가아이템에 대응되는 평가결과값으로 소정의 초기결과값을 입력하여, 갱신평가정보를 생성한다.
다른 실시예에서는, 초기결과값은 복수의 아이템 각각에 부여할 수 있는 평가결과값 중에서, 소정의 임계평가값 이하의 값으로 결정될 수 있다.
학습부(420)는 그 갱신평가정보 및 갱신평가정보에서 미평가아이템에 대응되는 오차에 적용되는 소정의 차등가중치에 기초하여, 딥러닝 모델을 학습시킨다.
다른 실시예에서는, 학습부(420)는 갱신평가정보에서 미평가아이템에 대응되는 오차에 적용되는 가중치로 차등가중치를 설정하고, 갱신평가정보에서 미평가아이템을 제외한 나머지 아이템인 평가아이템에 대응되는 오차에 적용되는 가중치로 차등가중치보다 큰 값을 갖는 기본가중치를 설정한 후, 그 차등가중치, 기본가중치 및 갱신평가정보를 이용하여, 딥러닝 모델을 반복적으로 학습시킬 수 있다.
또 다른 실시예에서는, 딥러닝 모델은 오토인코더에 기반할 수 있다.
예측부(430)는 그 딥러닝 모델 및 초기평가정보에 기초하여, 복수의 사용자가 복수의 아이템을 평가한 결과를 예측하는 예측평가정보를 생성한다.
마지막으로 추천부(440)는 그 예측평가정보를 이용하여 복수의 사용자 중 하나인 추천대상자에게 복수의 아이템 중에서 복수의 추천아이템을 추천한다.
다른 실시예에서는, 추천부(440)는 그 예측평가정보로부터 추천대상자에 대한 복수의 아이템에 대응되는 평가결과값을 추출하고, 그 추출된 평가결과값을 내림차순으로 정렬하고, 그 정렬된 평가결과값의 크기 순서에 따라, 복수의 추천아이템을 추천할 수 있다.
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. 복수의 사용자 각각이 복수의 아이템 중 적어도 하나를 평가한 평가결과값을 포함하는 정보인 초기평가정보를 이용하여 아이템 추천 장치가 아이템을 추천하는 방법에 있어서,
    상기 아이템 추천 장치가 상기 초기평가정보에 대하여 사용자가 평가하지 않은 아이템인 미평가아이템에 대응되는 평가결과값으로 초기결과값을 입력하여, 갱신평가정보를 생성하는 단계;
    상기 아이템 추천 장치가 상기 갱신평가정보 및 상기 갱신평가정보에서 상기 미평가아이템에 대응되는 오차에 적용되는 소정의 차등가중치에 기초하여, 딥러닝 모델(deep learning model)을 학습시키는 단계;
    상기 아이템 추천 장치가 상기 딥러닝 모델 및 상기 초기평가정보에 기초하여, 상기 복수의 사용자가 상기 복수의 아이템을 평가한 결과를 예측하는 예측평가정보를 생성하는 단계; 및
    상기 아이템 추천 장치가 상기 예측평가정보를 이용하여 상기 복수의 사용자 중 하나인 추천대상자에게 상기 복수의 아이템 중에서 복수의 추천아이템을 추천하는 단계를 포함하고,
    상기 초기결과값은 상기 복수의 아이템 각각에 부여할 수 있는 평가결과값 중에서 기설정된 임계평가값 이하의 값으로 결정되며,
    상기 딥러닝 모델을 학습시키는 단계는
    상기 아이템 추천 장치가 상기 갱신평가정보에서 상기 미평가아이템에 대응되는 오차에 적용되는 가중치로 상기 차등가중치를 설정하는 단계;
    상기 아이템 추천 장치가 상기 갱신평가정보에서 상기 미평가아이템을 제외한 나머지 아이템인 평가아이템에 대응되는 오차에 적용되는 가중치로 상기 차등가중치보다 큰 값을 갖는 기본가중치를 설정하는 단계; 및
    상기 아이템 추천 장치가 상기 차등가중치, 상기 기본가중치 및 상기 갱신평가정보를 이용하여, 상기 딥러닝 모델을 반복적으로 학습시키는 단계를 포함하는 것을 특징으로 하는 딥러닝 기반의 아이템 추천 방법.
  2. 삭제
  3. 삭제
  4. 제1항에 있어서,
    상기 딥러닝 모델은
    오토인코더(autoencoder)에 기반하는 것을 특징으로 하는 딥러닝 기반의 아이템 추천 방법.
  5. 제1항에 있어서,
    상기 복수의 추천아이템을 추천하는 단계는
    상기 아이템 추천 장치가 상기 예측평가정보로부터 상기 추천대상자에 대한 상기 복수의 아이템에 대응되는 평가결과값을 추출하는 단계;
    상기 아이템 추천 장치가 상기 추출된 평가결과값을 내림차순으로 정렬하는 단계; 및
    상기 아이템 추천 장치가 상기 정렬된 평가결과값의 크기 순서에 따라, 상기 복수의 추천아이템을 추천하는 단계
    를 포함하는 것을 특징으로 하는 딥러닝 기반의 아이템 추천 방법.
  6. 복수의 사용자 각각이 복수의 아이템 중 적어도 하나를 평가한 평가결과값을 포함하는 정보인 초기평가정보를 이용하여 아이템을 추천하는 장치에 있어서,
    상기 초기평가정보에 대하여 사용자가 평가하지 않은 아이템인 미평가아이템에 대응되는 평가결과값으로 소정의 초기결과값을 입력하여, 갱신평가정보를 생성하는 갱신부;
    상기 갱신평가정보 및 상기 갱신평가정보에서 상기 미평가아이템에 대응되는 오차에 적용되는 소정의 차등가중치에 기초하여, 딥러닝 모델(deep learning model)을 학습시키는 학습부;
    상기 딥러닝 모델 및 상기 초기평가정보에 기초하여, 상기 복수의 사용자가 상기 복수의 아이템을 평가한 결과를 예측하는 예측평가정보를 생성하는 예측부; 및
    상기 예측평가정보를 이용하여 상기 복수의 사용자 중 하나인 추천대상자에게 상기 복수의 아이템 중에서 복수의 추천아이템을 추천하는 추천부를 포함하고,
    상기 초기결과값은 상기 복수의 아이템 각각에 부여할 수 있는 평가결과값 중에서 기설정된 임계평가값 이하의 값으로 결정되며,
    상기 학습부는 상기 갱신평가정보에서 상기 미평가아이템에 대응되는 오차에 적용되는 가중치로 상기 차등가중치를 설정하고,
    상기 갱신평가정보에서 상기 미평가아이템을 제외한 나머지 아이템인 평가아이템에 대응되는 오차에 적용되는 가중치로 상기 차등가중치보다 큰 값을 갖는 기본가중치를 설정한 후,
    상기 차등가중치, 상기 기본가중치 및 상기 갱신평가정보를 이용하여, 상기 딥러닝 모델을 반복적으로 학습시키는 것을 특징으로 하는 딥러닝 기반의 아이템 추천 장치.
  7. 삭제
  8. 삭제
  9. 제6항에 있어서,
    상기 딥러닝 모델은
    오토인코더(autoencoder)에 기반하는 것을 특징으로 하는 딥러닝 기반의 아이템 추천 장치.
  10. 제6항에 있어서,
    상기 추천부는
    상기 예측평가정보로부터 상기 추천대상자에 대한 상기 복수의 아이템에 대응되는 평가결과값을 추출하고,
    상기 추출된 평가결과값을 내림차순으로 정렬하고,
    상기 정렬된 평가결과값의 크기 순서에 따라, 상기 복수의 추천아이템을 추천하는 것을 특징으로 하는 딥러닝 기반의 아이템 추천 장치.
KR1020180016949A 2018-02-12 2018-02-12 딥러닝 기반의 아이템 추천 방법 및 장치 KR102129583B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180016949A KR102129583B1 (ko) 2018-02-12 2018-02-12 딥러닝 기반의 아이템 추천 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180016949A KR102129583B1 (ko) 2018-02-12 2018-02-12 딥러닝 기반의 아이템 추천 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20190103505A KR20190103505A (ko) 2019-09-05
KR102129583B1 true KR102129583B1 (ko) 2020-07-03

Family

ID=67949601

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180016949A KR102129583B1 (ko) 2018-02-12 2018-02-12 딥러닝 기반의 아이템 추천 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102129583B1 (ko)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102223161B1 (ko) 2019-10-11 2021-03-03 노주현 기상데이터에 기초한 시기성상품 예측 시스템 및 방법
KR20210082977A (ko) * 2019-12-26 2021-07-06 삼성전자주식회사 컴퓨팅 장치 및 그 동작 방법
KR20210117623A (ko) 2020-03-19 2021-09-29 삼성전자주식회사 컴퓨팅 장치 및 그 동작 방법
US20230259703A1 (en) * 2020-05-29 2023-08-17 Samsung Electronics Co., Ltd. Electronic device and method for controlling the electronic device
KR102553259B1 (ko) * 2020-12-28 2023-07-10 엠케이지 주식회사 인공지능 기반 커피 추천 시스템
CN113515704B (zh) * 2021-07-22 2024-05-03 中移（杭州）信息技术有限公司 推荐效果评价方法、装置、***及计算机程序产品
KR102596352B1 (ko) * 2023-03-29 2023-11-01 주식회사 리버트리 인공지능을 통한 사용자 심리에 기반한 상품 추천 시스템

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170132509A1 (en) * 2015-11-06 2017-05-11 Adobe Systems Incorporated Item recommendations via deep collaborative filtering

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130046688A (ko) * 2011-10-28 2013-05-08 주식회사 비트컴퓨터 개인화 서비스를 위한 아이템 추천 시스템 및 방법
KR101572719B1 (ko) * 2013-09-06 2015-12-01 한양대학교 산학협력단 행렬 분해 기반 추천 방법을 위한 신뢰 네트워크를 이용하는 데이터 대치 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170132509A1 (en) * 2015-11-06 2017-05-11 Adobe Systems Incorporated Item recommendations via deep collaborative filtering

Also Published As

Publication number Publication date
KR20190103505A (ko) 2019-09-05

Similar Documents

Publication Publication Date Title
KR102129583B1 (ko) 딥러닝 기반의 아이템 추천 방법 및 장치
US11699095B2 (en) Cross-domain recommender systems using domain separation networks and autoencoders
CN111797321B (zh) 一种面向不同场景的个性化知识推荐方法及***
CN112115377B (zh) 一种基于社交关系的图神经网络链路预测推荐方法
Sim et al. Missing values and optimal selection of an imputation method and classification algorithm to improve the accuracy of ubiquitous computing applications
CN110162709B (zh) 一种结合对偶对抗生成网络的鲁棒的个性化排名方法
CN115082142A (zh) 一种基于异构关系图神经网络的推荐方法、装置及介质
AU2015246423A1 (en) Method and apparatus for judging age brackets of users
CN114780831A (zh) 基于Transformer的序列推荐方法及***
CN112507245B (zh) 基于图神经网络的社交网络好友推荐方法
KR102195894B1 (ko) 하이브리드 아이템 추천 방법 및 장치
CN114386513A (zh) 一种集成评论与评分的交互式评分预测方法及***
Sridhar et al. Content-Based Movie Recommendation System Using MBO with DBN.
Wang et al. Online course recommendation algorithm based on multilevel fusion of user features and item features
KR102280301B1 (ko) 명시적 및 내연적 평가 정보를 이용한 아이템 추천 방법 및 장치
CN111782934A (zh) 一种缓解数据稀疏性的电影推荐***和方法
Insuwan et al. Improving missing values imputation in collaborative filtering with user-preference genre and singular value decomposition
CN112784153B (zh) 融合属性特征注意力与异质类型信息的旅游景点推荐方法
Sharma et al. A generalized novel image forgery detection method using generative adversarial network
CN114912031A (zh) 基于聚类和协同过滤的混合推荐方法和***
KR20200023686A (ko) 딥러닝을 이용한 아이템 추천 방법 및 장치
Song et al. Algorithm for generating negative cases for collaborative filtering recommender
Liu et al. A research on the improved slope one algorithm for collaborative filtering
Haidn Flight recommender system using implicit feedback
CN116628310B (zh) 内容的推荐方法、装置、设备、介质及计算机程序产品

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)