The KIPS Transactions:PartB (정보처리학회논문지B)

Korea Information Processing Society (한국정보처리학회)
권호 표지
DOI QR코드

DOI QR Code

A Collaborative Filtering using SVD on Low-Dimensional Space

SVD을 이용한 저차원 공간에서 협력적 여과

  • 정준 (인하대학교 대학원 전자계산공학과) ;
  • 이필규 (인하대학교 전자계산공학과)
  • Published : 2003.06.01
Download PDF
⟨ Previous Next ⟩

Abstract

Recommender System can help users to find products to Purchase. A representative method for recommender systems is collaborative filtering (CF). It predict products that user may like based on a group of similar users. User information is based on user's ratings for products and similarities of users are measured by ratings. As user is increasing tremendously, the performance of the pure collaborative filtering is lowed because of high dimensionality and scarcity of data. We consider the effect of dimension deduction in collaborative filtering to cope with scarcity of data experimentally. We suggest that SVD improves the performance of collaborative filtering in comparison with pure collaborative filtering.

추천 시스템은 구매할 상품을 사용자가 찾는 것을 도와주는 시스템이다. 추천 시스템에서 사용되고 있는 여러 가지 방법 중에 대표적인 방법인 협력적 여과는 유사한 사용자들에 기초하여 그 사용자들이 선호하는 상품을 교차 추천해주는 방법이다. 사용자들에 대한 정보는 상품을 평가한 등급에 기초하고, 유사한 사용자는 평가 패턴의 유사성으로 판단된다. 순수한 협력적 여과는 사용자가 증가함에 따라서 평가 자료의 차원이 증가한다. 평가 자료의 고차원성은 자료의 희소성을 증가시켜 협력적 여과의 성능이 저하되는 문제점을 가지고 있다. 따라서, 본 논문에서는 SVD를 이용하여 평가 자료의 차원을 감소시켜 희소성을 최소화하는 방법을 고찰하며, 협력적 여과에 미치는 영향을 실험적으로 제시한다. 결과적으로 SVD를 이용한 협력적 방법은 순수한 협력적 여과 방법과 비교하여 충분히 정확한 성능을 보였다.

Keywords

References

  1. Belkin, N. J. and Croft, B. W., 'Information filtering and information retrieval-two sides of the same coin,' CACM, 35(2), December, 1992
  2. DEC Eachmovie collaborative filtering data set, http://www.research.digital.com/SRC/eachmovie/
  3. David Goldberg, David Nichols, Brian M.Oki and Douglas Terry, Using collaborative filtering to weave an information tapestry, Communication of the ACM, 35(12), pp.61-70, December, 1992 https://doi.org/10.1145/138859.138867
  4. J. Herlocker, J. Konstan, A. Borchers and J. Riedl., An algorithmic framework for performing collaborative filtering, Proceedings of the ACM Conference on Research and Development in Information Retrieval(SIGIR'99). Berkeley, CA https://doi.org/10.1145/312624.312682
  5. John S. Breese, David Hecherman and Carl Kadie, Empirical Analysis of Predictive Algorithms for Collaborative Filtering, In Proceeding of the 14th Conference on Uncertainty in Artificial Intelligence(UAI-98), pp.43-52, San Francisco, July, 1998
  6. Movielens data set, http://www.cs.umn.edu/Research/GrouaLens/
  7. Pattie Maes, Agents that reduce work and information overload, Communication of the ACM, Vol.37, No7, pp.31-40, 1994 https://doi.org/10.1145/176789.176792
  8. Paul, R. Neophytos, I. Mitesh, S. Peter, B. John, R. GroupLens: an open architecture for collaborative filtering of netnews, In Proceedings of ACM CSCW'94 Conference on Computer Supported Cooperative Work, pp.175-186, 1994
  9. Resrick, P. and Varian, H. R., Recommender systems, CACM, 40(3), pp.56-58, March, 1997 https://doi.org/10.1145/245108.245121
  10. Schafer, J. B., Konstan, J. A. and Riedl, J., Recommender Systems in E-Commerce, In ACM Conference on Electronic Commerce(EC-99), pp.158-166 https://doi.org/10.1145/336992.337035
  11. Shardanand, Upendra, Social Information Filtering for Music Recommendation, S.M.Thesis, Program in Media Arts and Sciences, Massachusetts Institute of Technology, 1994
  12. Steven J. Leon, Linear Algebra Applications second edition, Macmillan publishing company, 1996