이재식 박석두 2007-02 2277 https://aurora.ajou.ac.kr/handle/2018.oak/5408 학위논문(석사)--아주대학교 일반대학원 :경영정보학과,2007.2 경쟁이 점점 치열해지는 시장경제에서 서비스 제공자들이 고객에게 맞춤 아이템이나 정보를 제공하는 것은 서비스 제공자들의 중요한 성공 요인이 되고 있다. 이런 개인화 서비스를 현실화하는 방법중의 하나가 바로 추천시스템이다. 추천시스템의 많은 기법 중에서 대표적인 것이 협업 필터링이다. 협업 필터링은 명시적인 속성만으로는 기술하기 어려운 동영상이나 음악 같은 아이템들에 대해서도 효과적인 추천 성능을 보이고 있다. 하지만 협업 필터링은 희박성과 확장성의 한계점을 가지고 있다. 본 연구는 이러한 한계점들을 극복하고자 단계적 협업 필터링을 제안하였다. 제안된 방법을 검증하기 위해 단계적 협업 필터링을 적용한 영화 추천시스템 Step_CF를 설계 및 구현하였다 실험 결과, 본 연구에서 제안한 Step_CF의 추천 적중률이 전통적인 협업 필터링으로 구현된 Basic_CF의 적중률보다 최소 3.7% 포인트, 최대 7.2% 포인트 향상되었다. 제１장 서론 = 1 제１절 연구의 배경 및 목적 = 1 제２절 연구의 방법 = 2 제３절 논문의 구성 = 3 제２장 문헌 연구 = 4 제１절 추천 시스템 = 4 제２절 협업 필터링 = 5 제１항 협업 필터링의 과정 = 5 제２항 협업 필터링의 예 = 8 제３항 협업 필터링의 성능 측정 = 12 제４항 협업 필터링의 연구분야 = 14 제５항 협업 필터링의 과제들 = 15 제３장 연구 방법 = 16 제１절 연구대상 시나리오 = 16 제２절 데이터 준비 = 16 제３절 학습 및 테스트를 위한 데이터 선정 = 20 제４절 최근접이웃의 수 설정 = 21 제４장 기본적인 협업 필터링 모델 = 23 제１절 기본적인 협업 필터링 모델의 설계 및 구현 = 23 제２절 Basic_CF의 성능 = 25 제５장 단계적 협업 필터링시스템 = 26 제１절 시스템의 설계 = 26 제２절 빈도수기반의 장르점수 계산 = 27 제３절 선정된 장르 내 영화 추천 = 30 제１항 Step_CF_O = 30 제２항 Step_CF_N = 32 제４절 제안 모델의 성능 평가 = 35 제５절 Step_CF를 적용한 추천시스템의 구현 = 37 제６장 결론 및 향후 연구 = 40 제１절 결론 = 40 제２절 향후 과제 = 40 참고문헌 = 42 ABSTRACT = 44 kor The Graduate School, Ajou University 아주대학교 논문은 저작권에 의해 보호받습니다. 추천시스템의 성능 향상을 위한 단계적 협업 필터링의 설계 및 구현 Park, Seog-Du Thesis 아주대학교 일반대학원 Park, Seog-Du 일반대학원 경영정보학과 2007. 2 Master http://dcoll.ajou.ac.kr:9080/dcollection/jsp/common/DcLoOrgPer.jsp?sItemId=000000002277 협업필터링 추천시스템 Under the severe competition of today’s economy, it has become a major success factor for service providers to provide personalized service or information to their customers. Recommendation system is one way of implementing personalized service. The collaborative filtering is one of the major techniques that have been employed for recommendation systems. It has proven its effectiveness in the recommendation systems for such domain as motion picture or music. However, it has some limitations, i.e., sparsity and scalability. In this research, as one way of overcoming such limitations, we proposed the stepwise collaborative filtering method. To show the practicality of our proposed method, we designed and implemented a movie recommendation system which we shall call Step_CF. Its performance was evaluated using MovieLens data. Compared to Basic_CF that was implemented using the original collaborative filtering method, the accuracy of recommendation of Step_CF was from 3.7% point to 7.2% point higher than that of Basic_CF.