Journal of Intelligence and Information Systems (지능정보연구)

Korea Intelligent Information System Society (한국지능정보시스템학회)
권호 표지

Collaborative Filtering System using Self-Organizing Map for Web Personalization

자기 조직화 신경망(SOM)을 이용한 협력적 여과 기법의 웹 개인화 시스템에 대한 연구

  • 강부식 (목원대학교 경영정보학과)
  • Published : 2003.12.01
Download PDF
⟨ Previous Next ⟩

Abstract

This study is to propose a procedure solving scale problem of traditional collaborative filtering (CF) approach. The CF approach generally uses some similarity measures like correlation coefficient. So, as the user of the Website increases, the complexity of computation increases exponentially. To solve the scale problem, this study suggests a clustering model-based approach using Self-Organizing Map (SOM) and RFM (Recency, Frequency, Momentary) method. SOM clusters users into some user groups. The preference score of each item in a group is computed using RFM method. The items are sorted and stored in their preference score order. If an active user logins in the system, SOM determines a user group according to the user's characteristics. And the system recommends items to the user using the stored information for the group. If the user evaluates the recommended items, the system determines whether it will be updated or not. Experimental results applied to MovieLens dataset show that the proposed method outperforms than the traditional CF method comparatively in the recommendation performance and the computation complexity.

개인화 된 정보를 제공하기 위한 협력 여과 기법에 대한 많은 연구가 이루어지고 있는데, 유사 사용자들을 찾는 과정에서 상관계수와 같은 유사성 척도를 이용하여 모든 사용자와의 유사성을 계산하는 과정을 거친다. 이때 사용자 수가 많아지게 되면, 계산의 복잡도가 지수적으로 증가하게 되는 규모의 문제가 발생한다. 본 연구는 협력 여과 기법에서 주로 사용하는 유사성 척도가 사용자 집단이 커짐에 따라 계산의 복잡도가 지수적으로 증가하는 문제를 해결하기 위한 방안을 제시하는 것이 주목적이다. 규모의 문제를 해결하기 위해 클러스터링 모델 기반 접근 방식을 사용하고 아이템의 선호도 계산을 위해 RPM(Recency, Frequency, Momentary) 기준의 사용을 제안한다. 먼저 SOM을 이용하여 전체 사용자를 사용자 집단으로 클러스터링하고 사용자 집단별로 RFM 기준에 의해 아이템의 점수를 계산하여 선호도가 높은 순으로 정렬하여 저장한다. 사용자가 로그인하면 학습된 SOM을 이용하여 대상 사용자 집단을 선정하고 미리 저장된 추천 아이템을 추천한다. 추천결과에 대해 사용자가 평가하면 그 결과를 이용하여 현 시스템의 개정 여부를 결정한다. 제안한 방안에 대해 MovieLens 데이터 셋에 적용하여 실험한 결과 기존의 협력적 여과 기법에 비해 추천 성능이 비교적 우수하면서도 추천 시스템 운용시의 계산 복잡도를 일정하게 유지시킬 수 있음을 보였다.

Keywords

References

  1. 한국과학기술원 석사학위논문 데이터 마이닝을 활용한 인터넷 쇼핑몰의 상품 추천 시스템 개발 안현철
  2. Constructing intelligent agents using JAVA Bigus,J.P.;J.Bigus
  3. Proceedings of the 14th Conference on Uncertainty in Artificial Intelligence Empirical Analysis of Predictive Algorithms for Collaborative Filtering Breese,J.S.;D.Heckerman;C.Kadie
  4. Marketing Science v.14 no.4 Optimal selection for direct mail Bult,J.R.;T.Wansbeek
  5. Expert Systems with Applications v.20 Mining Association Rules Procedure to Support On-line Recommendation by Customers and Products Fragmentation Changchien,S.W.;T.C.Lu
  6. Computer Networks v.33 Web-collaborative filtering: recommending music by ctawling the Web Cohen,W.W.;W.Fan
  7. Communications of the ACM Using Collaborative Filtering to Weave an Information Tapestry Goldberg,D.;D.Nichols;B.M.Oki;D.Terry
  8. Proc. of the ACM SIGIR '99 Jester 2.0: A Linear Time Collaborative Filtering Algorithm Applied to Jokes Gupta,D.;K.Goldberg
  9. Expert Systems with Applications v.15 Application of Data Mining Tools to Hotel Data Mart on the Intranet for Database Marketing Ha,S.H.;S.C.Park
  10. Proceedings of the 1999 Conference on Research and Development in Information Retrieval An Algorithm Framework for Performing Collaborative Filtering Herlocker,J.;J.Konstan;A.Borchers;J.Riedl
  11. Proceedings of ACM CHI '95 Conference on Human Factors in Computing Systems Recommending and evaluating choices in a virtual community of use Hill,W.;L.Stead;M.Rosenstein;G.Furnas
  12. Neural Networks v.1 An introduction to neural computing Kohonen,T.
  13. Interacting Computers v.13 Creating user-adapted Websites by the use of collaborative filtering Kohrs,A.;B.Merialdo
  14. Communications of the ACM v.40 no.3 GroupLens: Applying Collaborative Filtering to Usenet News Konstan,J.;B.Miller;D.Maltz;J.Herlocker;L.Gordon;J.Riedl
  15. Expert Systems with Applications v.21 Web personalization expert with combining collaborative filtering and association rule mining technique Lee,C.H.;Y.H.Kim;P.K.Rhee
  16. Pattern Recognition v.36 no.2 A Web-based collaborative filtering system Lee,D.S.;G.Y.Kim;H.I.Choi
  17. Special issue of Communications of the ACM v.40 no.3 Recommender Systems Resnick,P.;H.R.Varian
  18. ACM WebKDD 2000 Web Mining for E-Commerce Workshop Application of Dimensionality Reduction in Recommender System-A Case Study Sarwar,B.;G.Karypis;J.Konstan;J.Riedl
  19. Proceedings of the 10th International World Wide Web Conference Item-Based Collaborative Filtering Recommendation Algorithms Sarwar,B.;G.Karypis;J.Konstan;J.Riedl
  20. Proc. of the Fifth International Conference on Computer and Information Technology (ICCIT 2002) Recommender Systems for Large-scale E-Commerce: Scalable Neighborthood Formation Using Clustering Sarwar,B.;G.Karypis;J.Konstan;J.Riedl
  21. Proceedings of ACM CHI '95 Conference on Human Factors in Computing Systems Social Information Filterings: Algorithms for automating 'word of mouth' Shardanand,U.;P.Maes
  22. Decision Support Systems v.35 Web Page Clustering using Self-Organizing Map of User Navigation Patterns Smith,K.A.;A.Ng
  23. Workshop on Recommender Systems at the 15th National Conference on Artificial Intelligence Clustering Methods for Collaborative Filtering Ungar,L.H.;D.P.Forster