협업 필터링의 콜드 스타트를 위한 기저 추출 오토인코더Basis extracting autoencoders for cold start in collaborative filtering

Cited 0 time in webofscience Cited 0 time in scopus
  • Hit : 1521
  • Download : 0
협업 필터링은 높은 성능으로 인해 추천시스템에서 널리 사용되는 접근 방식이다. 하지만 과거 이력이 존재하지 않는 새로운 사용자나 아이템에 대해서는 추천이 불가능하다는 단점이 있다. 이러한 문제를 cold start problem이라 한다. 최근 몇 년간 cold start problem을 해결하기 위한 방법으로 하이브리드 추천시스템들이 많이 제안되었다. 하지만 이 중 대부분은 추천 성능을 저하시키는 콘텐츠 기반 목적 항을 목적식에 포함하고 있고, 복잡한 최적화 과정을 요구한다. 또한 cold start에서 성능이 높아질수록 warm start의 성능이 낮아지는 경향을 보인다. 위 문제점들을 해결하기 위해 본 논문에서는 하이브리드 추천시스템인 content assisted basis extracting autoencoder with column-dropout(CABA-CD)를 제안한다. 제안 알고리즘은 기존 하이브리드 추천시스템의 단점들을 극복하였다. 그리고 벤치마크 데이터셋을 사용한 실험에서 warm start와 cold start 모두 state-of-the-art performance를 달성하였다.
Advisors
이용훈researcherLee, Yong Hoonresearcher
Description
한국과학기술원 :전기및전자공학부,
Publisher
한국과학기술원
Issue Date
2019
Identifier
325007
Language
kor
Description

학위논문(석사) - 한국과학기술원 : 전기및전자공학부, 2019.2,[iv, 25 p. :]

Keywords

추천시스템▼a협업 피터링▼a오토인코더▼a심층신경망▼a콜드 스타트 문제; Recommendation system▼acollaborative filtering▼aautoencoder▼adeep learning▼acold start problem

URI
http://hdl.handle.net/10203/266894
Link
http://library.kaist.ac.kr/search/detail/view.do?bibCtrlNo=843789&flag=dissertation
Appears in Collection
EE-Theses_Master(석사논문)
Files in This Item
There are no files associated with this item.

qr_code

  • mendeley

    citeulike


rss_1.0 rss_2.0 atom_1.0