Journal of KIISE:Computing Practices and Letters (한국정보과학회논문지:컴퓨팅의 실제 및 레터)

Korean Institute of Information Scientists and Engineers (한국정보과학회)
권호 표지

A Content-based TV Program Recommender

TV프로그램을 위한 내용기반 추천 시스템

  • 유상원 (서울대학교 전기.컴퓨터공학부) ;
  • 이홍래 (서울대학교 전기.컴퓨터공학부) ;
  • 이형동 (서울대학교 전기.컴퓨터공학부) ;
  • 김형주 (서울대학교 전기.컴퓨터공학부)
  • Published : 2003.12.01
Download PDF
⟨ Previous Next ⟩

Abstract

The rapid increase of the number of channels makes it hard to find wanted programs from TV. In recent years, the number of channels come up to hundreds with the digital TV arrival. So, it will drive us to the new way of watching TV. In this paper, we introduce a recommendation system for TV programs to overcome this difficulty. We model user profiles and design each module of the system, considering TV environment. Our system gathers basic information from people manually and then updates user profiles automatically by tracking viewing and usage history. As a result, our system recommends daily TV programs based on the changing interest of users. In this paper, we address the problems and solutions by describing our system and the experiment.

인터넷에 이어 TV환경에서도 넘쳐나는 정보로 인해 시청자들이 원하는 정보를 얻는데 어려움을 겪게 되는 상황이 발생하고 있다. 최근 들어 디지털 방송시대가 열리면서 국내에서도 선택 가능한 채널이 세 자리 수까지 늘어나게 되어 기존의 방법으로는 채널 선택이 곤란하게 되었다. 본 논문은 이러한 문제점의 해결을 위한 TV프로그램 추천 시스템의 프로토타입을 제안한다. 본 논문에서는 TV환경에 알맞은 사용자 정보를 모델링하고 내용기반 방식을 이용하여 추천 시스템의 각 모듈을 설계하였다. 우리의 시스템은 사용자의 기본 정보를 입력받은 후 사용자의 시청 및 사용기록을 추적하여 자동으로 선호도를 파악하고 날짜별로 프로그램을 추천한다. 본 논문은 TV 프로그램 추천이 가지는 문제와 이에 대한 접근 방법을 시스템의 구조에 대한 설명과 실험을 통해 밝힌다.

Keywords

References

  1. Paul Resnick and Hal R. Varian, Recommender Systems, CACM 40(3) pp.56-58, 1997 https://doi.org/10.1145/245108.245121
  2. Peter W. Foltz and Susan T. Dumais, Personalized Information Delivery: An Analyis of Information Filtering Methods, CACM 35(12) pp.51-60, 1992 https://doi.org/10.1145/138859.138866
  3. Resnick, P., Iacovon, N., Sushak, M., Bergstrom, P., and Riedl, J., GroupLens: An open architecture for collaborative filltering of netnews. Proceedings of the 1994 Computer Supported Collaborative Work Conference. 1994 https://doi.org/10.1145/192844.192905
  4. Marko Balabnovic and Yova Shoham, Fab: Content-Based, Collaborative Recommedndation, CACM 40(3) pp.66-72, 1997 https://doi.org/10.1145/245108.245124
  5. Ricardo Baeza-Yates and Berthier Ribeiro-Neto, Modern Information Retrieval, Addison-Wesley, 1999
  6. http://www.tv-anytime.org/
  7. R. Korfhage, Information Storage and Retrieval, John Wiley, New York, 1997
  8. Herlocker, J. Understadning and Improving Automated Collaborative Filtering Systems. Ph.D. Thesis, Computer Science Dept., University of Minnesota, 2000
  9. J. J. Rocchio Relevance feedback in information retrieval. In The Smart System-Experiments in Automatic Document Processing, pp.313-323, Prentice Hall, 1971
  10. Breese, Heckermen and Kadie. Emperical analysis of predictive algorithms for collaborative filtering. Technical report, Microsoft Research, October 1998
  11. P. Melville and R. Mooney and R. Nagarajan, Content-boosted collaborative filtering, SIGIR 2001
  12. Barry Smyth and Paul Cotter, Surfing the Digital Wave: Generating Personalised {TV} Listings Using Collaborative, Case-Based Recommendation, LNCS 1650, 1999
  13. K. Kurapati and S. Gutta and D. Schaffer and J. Martino and J. Zimmerman, A multi-agent TV recommender, User Modeling, 2001
  14. Workshop on personalization in Future TV 2001/2002
  15. http://www.canalplus-technologies.com
  16. http://www.tivo.com