네트워크 그룹기반의 협업필터링 하이브리드 추천시스템

Abstract

시장이 점차 확대 되어가면서 소비자들의 제품의 선택 폭도 넓어지게 되었다. 확대된 시장에서 판매자의 경쟁은 더욱더 커져갔다. 확대된 소비시장에서 구매자의 의사결정에 도움을 줄 수 있고 판매자에겐 이윤창출 효과를 줄 수 있는 추천시스템이 90년대부터 도입되었다. 현재까지 추천시스템은 다양한 분야에서 활발히 사용되고 있으며 그 중요성 또한 꾸준히 언급되고있다. 추천시스템의 대표적인 모형 중 협업필터링은 우수한 성능으로 많은 연구에서 사용했다. 하지만 우수한 성능과 함께 문제점 또한 존재한다. 대표적인 협업필터링의 문제점은 데이터 희소성,확장성,신규고객 문제로 많은 연구자들이 문제점을 해결하기 위해 연구해왔다. 소셜 서비스의 성장으로 소셜 데이터가 나날이 축적되고 있다. 소셜 데이터는 다양한 분야로 활용되고 있고, 그 중 추천시스템 모형에도 적용되고있다. 소셜 데이터와 협업필터링의 하이브리드 기법으로 기존 협업필터링의 문제점을 개선한 연구가 활발히 진행되었다. 주로 기존 소셜 네트워크 분석기법을 사용한 하이브리드 연구에서는 사용자간 신뢰도를 계산하여 추천시스템을 구축하였다. 하지만 신뢰도는 소셜 상에서 사용자 사이의 신뢰정보가 필요하기 때문에 다양한 도메인에서 활용하는데 문제점이 있다. 또한 소셜 네트워크 분석 척도 중 국내 연구에서는 중심성을 사용한 연구는 활발하였지만, 커뮤니티 감지 활용 연구는 미비한 실정이다. 그리고 기존 연구들은 소셜 데이터를 활용할 경우 친구관계 데이터 안에서만 실험이 이루어졌다. 이는 현재에는 친구가 없지만 후에 생길 가능성이 있는 소셜 서비스 이용자를 포함하지 못했다는 점에서 한계가 있다. 따라서 본 연구에서는 소셜 데이터 상에서 친구가 없는 사용자를 포함하여 소셜 네트워크 분석기법 중 하나인 커뮤니티 감지를 활용한 하이브리드 협업필터링 추천시스템을 연구하고자 한다. 본 연구에서는 소셜 서비스 상에서 소셜 관계 정보가 있는 사용자와, 소셜 관계 정보가 없는 사용자를 사용하여 협업필터링의 단점을 보완하면서 정확도를 높이는 연구에 진행하였다. 그 결과, 소셜 정보를 사용하여 생성된 커뮤니티 그룹은 전체 데이터 셋의 희소성 문제를 해결하였고, 전체 데이터 셋을 그룹으로 나눠 기존 사용자 기반 협업필터링이 가지고 있었던 유사도 계산시간을 단축시켰다. 커뮤니티는 유사한 사용자가 유유상종으로 뭉쳐진 그룹으로 기존 점수기반 유사도를 측정하는 협업필터링 보다 유용한 데이터 셋으로 활용되었다. 연구 결과 제안 모형의 RMSE는 비교 모형보다 작은 값으로 모형성능을 입증하였다. 본 연구는 기존 소셜 네트워크 분석에서는 사용하지 않았던 소셜 관계가 없는 데이터를 연구에 사용하여 소셜 서비스에서 제공하는 데이터를 모두 활용하였다는 점에서 의의를 갖는다. 기존 선행 연구에서는 소셜 네트워크 분석과 협업필터링을 결합했을 때 소셜 데이터가 존재하는 데이터만 활용했었다. 하지만 소셜 서비스 특성상 미래에 친구관계가 생길 수도 있는 데이터를 사용하지 않는다는 것은 한계점으로 볼 수 있기에 이를 사용한 본 연구는 소셜 데이터의 충분한 활용을 의의로 볼 수 있다. 본 연구는 준연결망 유사도에서 다양한 임계치 설정, 협업필터링 내에서 다양한 이웃 수 설정, Yelp 데이터 이외의 다른 데이터에 적용해보지 못했다는 점을 한계점으로 볼 수 있다. 본 연구의 의의점과 한계점 그리고 분석결과를 기반으로 향후 연구에서는 `콜드 스타트 문제를 다루고, 사용자의 후기 데이터도 활용하여 감성분석을 결합한 소셜 네트워크 활용 추천시스템의 발전으로 기대된다. 또한 친구가 있는 사용자와 친구가 없는 사용자로 나눠서 실험을 진행했지만 두 데이터를 결합해 기존의 친구관계는 유지하면서 새로운 관계를 추가해 협업필터링을 진행하는 연구도 기대된다.;Recommendation systems have been researched since the 1990s and it has been assisting buyer and seller to make better decision such as Amazon.com, Netflix and Pandora. Collaborative filtering, one of the representative models in recommendation systems, has been researched in diverse application with remarkable performance. Despite of this performance, the limitation still exists such as data sparsity, scalability and cold start. Social Networking Service(SNS) has been used in various fields and applied to recommendation systems. Many Researchers have been actively contributed to alleviate limitations of collaborative filtering by applying hybrid methods. Therefore, in this paper, we proposed a hybrid collaboration filtering recommendation system using one of the social network analysis technique (community detection). The proposed model is divided into two parts, which are friends network and none friends network. First, the friends network is generating communities through real users’ social relationships. Second, the none friends network is a building quasi network to generate virtual friend relationships for users who do not have social relationship. When making community groups who have no friends, we use community detection algorithm on quasi network. Last, each community group is model with collaborative. We show that our proposed model outperforms collaborative filtering while alleviate the limitation such as sparsity and scalability. The contribution of this research paper is to generate virtual relationship for users who do not have social friends in social network analysis. This approach of application in social network analysis is meaningful considering not all users necessarily have friends who have influence on their behavior or presences. In our future work, we will expand the dataset to user’s review to specify user’s preference with social network data. Due to characteristic of sentiment analysis with review data, it can analyze implicit feedback of users on top of explicit feedback with friend’s relationship. This hybrid approach can build more accurate and precise social network recommendation system to predict future preference.