사용자 감성을 이용한 클러스터링 기반 하이브리드 추천 시스템

Abstract

최근 스마트폰, 태블릿 등 개인화 서비스가 가능한 기기들이 활발히 보급됨에 따라, ‘개인화된 서비스’의 중요성이 날로 증대되고 있다. 특히, 기업 경쟁력 강화에 개인화된 추천 시스템의 구축은 필수적인 요소로 자리매김 하고 있는 추세이다. 추천 시스템(Recommendation System)은 목표고객에게 그가 좋아할 만한 서비스나 아이템을 추천해주는 서비스로서 사용자들이 선호하는 아이템을 일일이 검색하고 선택하는 시간과 노력의 낭비를 줄여준다. 실제로 추천시스템은 Amazon, Netflix, CDNOW, IMDB 등과 같이 많은 기업들에 도입되어 활용되고 있는데, 특히 Netflix의 자체 영화 추천 시스템인 ‘씨네매치(Cinematch)’의 추천 성공률은 80%에 육박한다. 추천을 위한 여러가지 기법들 중에서, 대표적으로 많이 사용되는 기법들로는 대표적인 콘텐츠 기반 필터링 기법(Content-based Filtering)과 협업 필터링 기법(Collaborative Filtering)이 있다. 콘텐츠 기반 필터링 기법이란 목표 사용자가 기존에 평가한 아이템들을 분석하고 그와 유사한 아이템들을 추천해 주는 기법이다. 이러한 콘텐츠 기반 필터링은 사용자 자신이 과거 평가했던 정보만으로 추천이 이루어지기 때문에 다양한 아이템에 대한 추천이 어려워지며, 텍스트 정보가 충분하지 않은 영화나 음악 아이템 등은 추천의 질이 떨어지는 문제점이 존재한다. 협업 필터링은 목표 사용자와 유사한 성향을 지닌 유사 사용자 그룹을 형성하고, 목표 사용자 자신의 평가치 정보와 유사 사용자들이 평가한 아이템들의 평가치 정보를 이용하여, 목표 사용자가 평가하지 않은 아이템의 평가치를 예측한다. 이렇게 예측된 평가치를 기반으로 목표 고객이 높게 평가할 것이라고 예상되는 서비스나 아이템을 추천한다. 이러한 협업 필터링 기반의 추천 시스템 구현을 위해서는 추천 대상이 되는 사용자와 유사한 사용자가 누구인지를 정확하게 식별해내는 것이 중요한데, 전통적인 협업 필터링에서는 고객 간 유사도 산출을 위해 상품 구매 여부 또는 평점과 같은 정량적인 정보들에 의존하여 왔다. 그러나 최근 SNS와 온라인 쇼핑몰 등의 발전으로 정보 공유가 활발해짐에 따라 고객들의 구매패턴이 변화하고 있다. 고객들은 상품에 대한 평가에 적극 적으로 참여하고 있으며, 이렇게 축적된 상품 평가정보는 소비자들의 구매행위에 적지않은 영향을 미치고 있다. 특히 상품에 대한 고객들의 의견을 공유할 수 있도록 하는 사용자 리뷰가 크게 활성화되고 있는데, 이와 같은 리뷰는 해당 상품에 대해 고객이 갖고 있는 선호에 대한 보다 상세한 정보를 담고 있어 추천 시스템에서 활용하기에 매우 유용하다. 이러한 배경에서 본 연구는 정성적 지표인 사용자의 리뷰 데이터를 사용하여 세부적인 사용자 선호를 파악한 후 이를 군집화 하여, 전통적인 협업 필터링의 추천 정확도를 개선하고자 한다. 사용자 선호를 더욱 정교하게 파악하기 위해 아이템 카테고리별 속성기반 감성분석을 수행한다. 이를 통해 만들어진 카테고리별 User profile을 통합하여 취향이 비슷한 사용자들을 군집화 한 후 군집별 추천을 진행하는 기법을 제시하고, 기존의 협업 필터링 기법과의 성과 비교를 통해 그 유효성을 입증하고자 한다.;Due to development of personalized smart devices such as mobile phone and tablets, the importance of 'personalized services' has been increased in recent year. Thus, the establishment of a personalized recommendation system is becoming an essential element for enhancing corporate competitiveness. The Recommendation System provides service or item to a target customer. It reduces the time and effort of searching for and selecting items that users prefer. In fact, the recommendation system has been introduced and used by many companies such as Amazon, Netflix, CDNOW, and IMDB. Among the various techniques for recommendation, representative methods include content-based filtering and collaborative filtering. The content-based filtering technique is a technique for analyzing items that the target user has evaluated and recommending similar items. Such a content-based filtering is difficult to recommend for various items because the recommendation is performed based only on the information that the user has previously evaluated, and there is a problem that the quality of recommendation is low for movies or music items in which text information is not sufficient. Collaborative filtering forms a group of similar users with a similar tendency to the target user. The evaluation value of the item which has not been evaluated by the target user is predicted using the evaluation value information of the target user's own evaluation value and the evaluation value of the items evaluated by the similar users. Based on these predicted estimates, recommend services or items that are expected to be highly evaluated by the target customer. In order to implement the recommendation system based on the collaborative filtering, it is important to accurately identify similarity between users. In the conventional collaborative filtering, quantitative information such as transaction and rated data is used in calculation. However, customer’s purchasing pattern changes due to influence of increasing amount of information gain through reviews on SNS and e-commerce web site. Customers are actively participating in the evaluation of products, and the accumulated product evaluation information has a considerable influence on the purchasing behavior of consumers. In the contents of review of products contains insightful information with their opinion to represent user’s preference. Thus, we use user review data as a qualitative indicator to recommend appropriate products. In this research paper, we focus on building user profile with review data to improve prediction by performing aspect-based sentiment analysis. This research proposed a method to cluster users with user profiles and recommend by community. And then compare the performance with existing collaborative filtering techniques to prove its effectiveness.