다양한 분석 툴을 이용한 추천 시스템에 대한 연구

Abstract

본 연구의 목적은 다양한 추천 시스템에 대해 소개하고 이를 구현할 수 있는 프레임 워크에 대해 설명하는 것이다. 먼저 콘텐츠 기반 추천 시스템, 협업 필터링 추천 시스템과 같은 전통적인 추천 시스템의 각각의 특징과 방법에 대해 설명한다. 또한 두 가지의 전통기법의 추천 시스템의 장점을 취하고 단점을 최소화 하기 위해 두 추천 시스템을 결합하는 하이브리드 추천 시스템의 5가지 방법(Weighted, Switching, Feature Combination, Cascade, Feature Augmentation)에 대해 소개한다. 다음으로는 최근 대두되고 있는 딥러닝 추천 시스템의 장점에 대해 소개하고 유튜브와 구글 플레이의 추천 알고리즘에 대해 살펴본다. 마지막으로 협업 필터링 추천 시스템을 구현할 수 있는 파이썬(Surprise)과 R(Recommenderlab)의 프레임워크를 설명하고 내장 데이터인 MovieLense 데이터를 이용하여 두 프레임워크의 성능을 간단히 비교해 본다. ;The purpose of the study is to introduce various recommendation systems and describe the framework for implementing recommendation systems. First, we describe the various properties and methods of traditional recommended systems such as content-based recommendation systems and collaborative recommendation systems. In addition, we introduce hybrid recommendation system, which is system to gain the advantages and minimize the disadvantages of the two traditional recommendation systems, and five combination methods (such as Weighted, Switching, Feature combination, Cascade. Feature augmentation). Next, we introduce the advantages of the newly emerging Deep Running Recommendation System and explain the recommended algorithms for YouTube and Google Play. Finally, we explain the frameworks of Python (Surprise) and R (Recommenderlab) that can implement collaborative filtering recommendations, and simply compare the performance of the two frameworks using built-in data (MovieLense).