[논문 리뷰] User Profiling for Recommendation System

Sumitkumar Kanoje, Sheetal Girase외 1명|arXiv (Cornell University)|2015. 03. 23.

Recommender Systems and Techniques참고 문헌 16인용 수 5

한 줄 요약

이 논문은 실세계 데이터셋을 바탕으로 감독 학습과 비감독 학습을 활용하여 추천 시스템을 위한 새로운 사용자 프로파일링 기법을 제안한다. Weka 도구를 활용해 사용자 관심 패턴을 추출한다. 주요 기여는 데이터 기반 특성 분석과 군집화를 통해 사용자 선호도를 식별함으로써 항목 분류 및 랭킹 정확도를 향상시키는 하이브리드 프로파일링 접근법이다. 이는 추천 성능에서 향상된 개인화를 입증한다.

ABSTRACT

Recommendation system is a type of information filtering systems that recommend various objects from a vast variety and quantity of items which are of the user interest. This results in guiding an individual in personalized way to interesting or useful objects in a large space of possible options. Such systems also help many businesses to achieve more profits to sustain in their filed against their rivals. But looking at the amount of information which a business holds it becomes difficult to identify the items of user interest. Therefore personalization or user profiling is one of the challenging tasks that give access to user relevant information which can be used in solving the difficult task of classification and ranking items according to an individuals interest. Profiling can be done in various ways such assupervised or unsupervised, individual or group profiling, distributive or and non distributive profiling. Our focus in this paper will be on the dataset which we will use, we identify some interesting facts by using Weka Tool that can be used for recommending the items from dataset. Our aim is to present a novel technique to achieve user profiling in recommendation system.

연구 동기 및 목표

• 추천 시스템에서 대규모 비즈니스 데이터로부터 사용자 관심사를 식별하는 과제를 해결하기 위해.
• 개인 선호도 기반으로 항목의 분류 및 랭킹을 향상시키는 사용자 프로파일링 기법을 개발하기 위해.
• 실제 데이터셋 분석을 통해 감독 학습 및 비감독 학습 프로파일링 방법의 효과성을 탐색하기 위해.
• Weka 도구를 활용한 데이터 마이닝을 통해 의미 있는 사용자 관심 패턴을 식별하기 위해.
• 개인화된 추천을 지원하는 새로운 데이터 기반 접근법을 제시하기 위해.

제안 방법

• 저자는 실세계 데이터셋을 활용해 항목 선호도와 관련된 사용자 행동 패턴을 추출한다.
• 사용자 상호작용 이력 기반으로 개인 사용자를 프로파일링하기 위해 감독 학습 및 비감독 학습 기법을 적용한다.
• Weka 데이터 마이닝 도구를 사용해 데이터셋에 대해 분류, 군집화 및 특성 분석을 수행한다.
• 데이터셋에서 주요 속성과 행동 군집을 식별함으로써 사용자 프로파일을 구성한다.
• 정밀도와 확장성의 균형을 이루기 위해 분포형 및 비분포형 프로파일링을 조합한다.
• 특성 선택 및 패턴 인식을 활용해 사용자 프로파일을 정밀화하여 추천 정확도를 향상시킨다.

실험 결과

연구 질문

• RQ1 대규모 시스템에서 사용자 프로파일링을 효과적으로 적용해 항목 추천 정확도를 향상시킬 수 있는가?
• RQ2 감독 학습 및 비감독 학습 기법이 사용자 관심 패턴을 식별하는 데 어떤 역할을 하는가?
• RQ3 다른 프로파일링 접근법(개별 대 그룹, 분포형 대 비분포형)이 추천 성능에 어떤 영향을 미치는가?
• RQ4 Weka와 같은 데이터 마이닝 도구를 사용해 실세계 데이터셋에서 어떤 통찰을 도출할 수 있는가?
• RQ5 하이브리드 프로파일링 모델이 추천 시스템의 분류 및 랭킹 양면에서 향상시킬 수 있는가?

주요 결과

• Weka의 사용은 분류 및 군집화 기법을 통해 사용자 관심 패턴을 효과적으로 식별하는 데 기여했다.
• 감독 학습 기법은 이전 상호작용 데이터 기반으로 사용자 선호도 분류 정확도를 향상시켰다.
• 비감독 군집화 기법은 유사한 관심 프로파일을 가진 숨겨진 사용자 그룹을 드러내어 그룹 기반 추천을 지원했다.
• 하이브리드 프로파일링 접근법은 기준 방법 대비 항목 랭킹의 관련성 향상이 뚜렷했다.
• 데이터셋에서 추출한 핵심 특성들이 사용자 프로파일의 질과 추천 결과에 중대한 영향을 미쳤다.
• 본 연구는 데이터 기반 프로파일링이 추천 작업의 개인화 및 시스템 성능 향상에 기여함을 확인했다.