상품 및 서비스에 대한 개인화된 추천 서비스가 중요해짐에 따라, 많은 연구자들은 추천시스템 개발을 위한 다양한 지식과 기법들을 제공해왔다. 이러한 기법들 중에서 협업 필터링(Collaborative Fitering) 기법은 여러 분야에서 널리 사용되고 있으며, 그 유용성이 입증되었다. 하지만, 추천시스템의 성능을 더욱 높이기 위해서 현재의 협업 필터링 기법은 다음과 같은 점들을 고려해야 한다. 첫째, 대부분의 추천시스템과 관련한 연구에서 특정 고객과 성향이 유사한 다른 고객들을 찾기 위해 사용되는 유사도 함수들(Similarity Functions)은 대부분 특정한 관점에 초점을 두고 있기 때문에 다양한 관점에서 성향이 유사한 다른 고객들을 찾는데 한계를 가진다. 따라서, 특정 관점에 치우치지 않는 통합된 유사도 함수를 사용해야 할 필요가 있다. 둘째, 고객들의 성향은 시간이 지남에 따라 변화하기 때문에, 이를 추천결과에 반영하기 위해서는 시간에 따른 고객들의 구매 성향의 변화를 고려해야 한다. 본 연구는 여러 실험들을 통해 다음의 가설을 검정하는 것을 목적으로 하였다-다양한 관점이 동시에 반영된 통합 유사도 함수의 이용과 시간정보를 이용한 사용자의 구매 성향의 변화를 반영할 경우 추천의 정확도가 향상될 것이다. 다양한 실험을 통해, 본 연구에서 제시한 추천시스템은 전통적인 협업 필터링 기반의 추천시스템들에 비해 일반적으로 상당히 높은 정확도를 보였으며 이를 통해, 본 연구에서 제시한 가설이 채택될 수 있음을 확인하였다.
As personalized recommendation of products and services is rapidly growing in importance, a number of studies provided fundamental knowledge and techniques for developing recommendation systems. Among them, the CF technique has been most widely used and has proven to be useful in many practices. However, current collaborative filtering (CF) technique has still considerable rooms for improving the effectiveness of recommendation systems: 1) a similarity function most systems use to find so-called like-minded people is not well defined in that similarity is computed from a single perspective of similarity concept; and 2) temporal information that contains the changing preference of customers needs to be taken into account when making recommendations. We hypothesize that integration of multiple aspects of similarity and utilization of temporal information will improve the accuracy of recommendations. The objective of this paper is to test the hypothesis through a series of experiments using MovieLens data. The experimental results show that the proposed recommendation system highly outperforms the conventional CF-based systems, confirming our hypothesis.
