항목-항목 상호협력 필터링

Item-item collaborative filtering

항목-항목-상호협력 필터링 또는 항목 기반, 항목-항목-항목-항목-항목-항목은 해당 항목에 대한 사람들의 등급을 사용하여 계산된 항목 간의 유사성에 기반한 추천자 시스템의 협업 필터링의 한 형태다.항목-항목 협업 필터링은 1998년에 아마존닷컴에 의해 발명되어 사용되었다.[1][2]2001년 학술대회에서 처음 발표되었다.[3]null

사용자 간의 유사성(사용자-사용자 협업 필터링으로 알려져 있음)에 기반한 초기 협업 필터링 시스템에는 다음과 같은 몇 가지 문제가 있었다.

  • 항목은 많지만 등급은 비교적 적은 시스템인 경우 낮은 성능을 보였다.
  • 모든 사용자 쌍 간의 유사성 계산은 비용이 많이 들었다.
  • 사용자 프로필이 빠르게 변경되어 전체 시스템 모델을 다시 계산해야 했다.

항목-항목 모델은 항목보다 사용자가 많은 시스템에서 이러한 문제를 해결한다.항목별 모델은 사용자가 아닌 항목별 등급 분포를 사용한다.아이템보다 사용자가 많을수록 각 아이템의 등급이 각 사용자보다 더 많은 경향이 있기 때문에 아이템의 평균 등급은 빠르게 바뀌지 않는다.이렇게 하면 모형에서 더 안정적인 등급 분포를 얻을 수 있으므로 모형을 자주 재구성할 필요가 없다.사용자가 항목을 소비한 후 등급을 매길 때, 해당 항목의 유사한 항목이 기존 시스템 모델에서 선택되어 사용자의 권장 사항에 추가된다.null

방법

첫째, 이 시스템은 모든 항목 쌍의 유사성을 찾아 모델 구축 단계를 실행한다.이 유사함수는 등급 벡터의 등급 또는 코사인 사이의 상관관계와 같은 많은 형태를 취할 수 있다.사용자-사용자 시스템에서와 같이 유사성 함수는 평준화된 등급(예를 들어 각 사용자의 평균 등급에 대한 보정)을 사용할 수 있다.null

둘째, 시스템은 권고 단계를 실행한다.사용자의 이미 등급이 매겨진 항목과 가장 유사한 항목을 사용하여 권장사항 목록을 생성한다.일반적으로 이 계산은 가중 합계 또는 선형 회귀 분석이다.이런 형태의 추천은 "당신처럼 X항목을 높게 평가하는 사람들도 Y항목을 높게 평가하는 경향이 있고, 아직 Y항목을 평가하지 않았으니 한번 시도해봐야 한다"는 것과 비슷하다.null

결과.

항목-항목 상호협력 필터링은 사용자-사용자 상호협력 필터링보다 오류가 적었다.또한, 덜 동적인 모델은 덜 자주 계산되고 더 작은 매트릭스에 저장되었기 때문에 사용자-사용자 시스템보다 항목-항목-시스템 성능이 더 좋았다.null

참조

  1. ^ "Collaborative recommendations using item-to-item similarity mappings".
  2. ^ Linden, G; Smith, B; York, J (22 January 2003). "Amazon.com recommendations: item-to-item collaborative filtering". IEEE Internet Computing. 7 (1): 76–80. doi:10.1109/MIC.2003.1167344. ISSN 1089-7801.
  3. ^ Sarwar, Badrul; Karypis, George; Konstan, Joseph; Riedl, John (2001). Item-based collaborative filtering recommendation algorithms. Proceedings of the 10th International Conference on the World Wide Web. ACM. pp. 285–295. CiteSeerX 10.1.1.167.7612. doi:10.1145/371920.372071. ISBN 978-1-58113-348-6. S2CID 8047550.


추천자 시스템
개념
방법 및 과제
구현
리서치