[논문 리뷰] Capturing Knowledge of User Preferences: ontologies on recommender systems

Stuart E. Middleton, David De Roure외 1명|ArXiv.org|2002. 03. 08.

Recommender Systems and Techniques참고 문헌 19인용 수 14

한 줄 요약

이 논문은 사용자의 브라우징 행동을 비침습적으로 모니터링하여 사용자 선호도를 포착하고, 온톨로지 표현을 활용한 지도 학습을 적용해 사용자 관심사를 모델링하는 추천 시스템인 Quickstep을 제안한다. 실제 환경에서의 실험을 통해 계층적 주제 온톨로지를 사용할 경우 평탄한 목록보다 추천 효과성이 뚜렷이 향상됨을 입증한다.

ABSTRACT

Tools for filtering the World Wide Web exist, but they are hampered by the difficulty of capturing user preferences in such a dynamic environment. We explore the acquisition of user profiles by unobtrusive monitoring of browsing behaviour and application of supervised machine-learning techniques coupled with an ontological representation to extract user preferences. A multi-class approach to paper classification is used, allowing the paper topic taxonomy to be utilised during profile construction. The Quickstep recommender system is presented and two empirical studies evaluate it in a real work setting, measuring the effectiveness of using a hierarchical topic ontology compared with an extendable flat list.

연구 동기 및 목표

• 웹 환경에서 동적인 사용자 선호도를 포착하는 데 도전하는 것.
• 명시적 입력 없이도 확장 가능한 사용자 프로필을 구축하는 방법을 개발하는 것.
• 계층적 온톨로지와 평탄한 목록이 추천 정확도에 미치는 영향을 평가하는 것.
• 지도 학습 기법을 온톨로지적 구조와 통합하여 사용자 선호도 모델링을 향상시키는 것.
• 실제 작업 환경에서의 경험적 연구를 통해 접근 방식의 타당성을 검증하는 것.

제안 방법

• 사용자의 브라우징 행동을 비침습적으로 모니터링하여 선호도를 유추한다.
• 내용을 주제 기반으로 분류하기 위해 지도 학습 기법을 적용한다.
• 다중 클래스 논문 분류 접근법은 계층적 주제 분류 체계를 온톨로지로 사용한다.
• 온톨로지 구조는 의미적 그룹화 및 사용자 프로필의 정밀화를 가능하게 한다.
• 브라우징 데이터에서 학습된 주제 할당을 기반으로 사용자 프로필을 점진적으로 구축한다.
• Quickstep 시스템은 온톨로지 기반 분류와 프로필 학습을 통합하여 추천을 수행한다.

실험 결과

연구 질문

• RQ1 비침습적인 웹 브라우징 모니터링을 통해 사용자 선호도를 얼마나 효과적으로 포착할 수 있는가?
• RQ2 평탄한 목록과 비교했을 때 계층적 주제 온톨로지는 추천 정확도를 어느 정도 향상시키는가?
• RQ3 지도 학습과 온톨로지를 조합하면 동적인 환경에서 사용자 프로필 구축을 얼마나 향상시킬 수 있는가?
• RQ4 Quickstep 시스템은 실제 작업 환경에서 어떻게 성능을 발휘하는가?
• RQ5 온톨로지 구조가 사용자 선호도 모델링에 미치는 상대적 영향은 무엇인가?

주요 결과

• 계층적 주제 온톨로지는 확장 가능한 평탄한 목록에 비해 추천 효과성을 뚜렷이 향상시켰다.
• 실제 작업 환경에서의 경험적 연구를 통해 온톨로지 기반 모델링이 사용자 프로필 정확도를 향상시켰음을 확인했다.
• 브라우징 행동의 비침습적 모니터링을 통해 사용자 관심사의 신뢰성 있는 유추가 가능했다.
• 다중 클래스 분류 접근법은 주제 분류 체계를 효과적으로 활용해 프로필 구축에 기여했다.
• 온톨로지와 기계 학습의 통합은 더 일관되고 정확한 사용자 선호도 모델을 도출했다.
• Quickstep은 실제 환경 배포에서 실용성과 성능 향상을 입증했다.