오토인코더를 이용한 도서 추천 시스템

Abstract

본 연구의 목적은 추천 시스템의 이론적 배경을 알아보고, 오토인코더를 기반으로 한 도서 추천 시스템을 구축하는 것이다. 오토인코더는 비지도 학습을 위한 인공신경망 중 하나로 데이터의 주요 특징을 포착하는 데 뛰어나다. 오토인코더를 추천 시스템에 사용할 경우, 사용자와 아이템 간의 비선형 관계를 효율적으로 학습하여 추천 성능을 높일 수 있다. 본 논문에서는 오토인코더 및 오토인코더로부터 파생된 적층 오토인코더와 잡음 제거 오토인코더 모델을 사용하였다. Goodbooks의 도서 평점 데이터를 사용하여 구축한 추천 시스템의 성능을 비교하였다. 그 결과 오토인코더를 사용한 경우 기존의 전통적인 협업 필터링 방법에 비해 추천 성능이 향상되었다.;The purpose of the study is to review the methodology of recommender systems, and to build the book recommender system based on autoencoder. An autoencoder is one of the deep learning networks for unsupervised learning and captures useful feature representations of the data. Applying autoencoder to recommender systems allows the model to learn nonlinear features between users and items efficiently, thereby increasing performance. In this paper, we use variants of autoencoders such as stacked autoencoder and denoising autoencoder in model construction. Then, we compare the performance of traditional collaborative filtering and autoencoder-based recommender systems on book rating data in Goodbooks. As a result, autoencoder-based model has significantly improved performance for predicting book ratings.