KR20200087318A

KR20200087318A - Gan과 비관심 아이템 생성자를 이용한 협업 필터링을 통한 아이템 추천 방법 및 장치

Info

Publication number: KR20200087318A
Application number: KR1020180172435A
Authority: KR
Inventors: 김상욱; 채동규
Original assignee: 한양대학교 산학협력단
Priority date: 2018-12-28
Filing date: 2018-12-28
Publication date: 2020-07-21

Abstract

본 발명에 따른 GAN과 비관심 아이템 생성자를 이용한 협업 필터링을 통한 아이템 추천 방법은 (a) 식별부가 똑같은 아이템들에 대해서 점수를 계산하고 차이를 구했을 때 양수가 되도록 학습하는 단계; (b) 포지티브 아이템 생성부는 구매자의 구매 벡터와 네거티브 아이템 생성부가 생성하는 비관심 아이템들의 ID를 입력받아 식별부가 높은 점수를 줄 만한 아이템을 많이 생성하는 방향으로 학습을 진행하는 단계; (c) 네거티브 아이템 생성부는 식별부가 낮은 점수를 줄 만한 아이템을 많이 생성하는 방향으로 학습을 진행하는 단계; 및 (d) 학습이 완료되면, 식별부가 구매 벡터를 인코딩 후 다시 디코딩함으로써 구매 벡터의 비어있는 차원의 값을 계산한 후, 예측 값이 높은 순서대로 정렬하여, 예측 값이 높은 순으로 N개의 아이템을 사용자에게 추천하는 단계;를 포함하여 인공신경망(neural network)에 비관심 아이템을 적용됨에 따라 추천 정확도를 향상시킬 수 있는 효과가 있다.

Description

GAN과 비관심 아이템 생성자를 이용한 협업 필터링을 통한 아이템 추천 방법 및 장치{METHOD AND DEVICE FOR RECOMMENDING ITEM THROUGH COLLABORATIVE FILTERING, AND USING GAN AND POSITIVE ITEM GENERATOR}

본 발명은 GAN과 비관심 아이템 생성자를 이용한 협업 필터링을 통한 아이템 추천 방법 및 장치에 관한 것으로써, 더욱 상세하게는 GAN을 이용한 추천시스템에서 기존의 행렬분해 모델 대신 인공신경망(neural network)을 이용하되, 여기에 비관심 아이템을 적용하여 정확도를 더욱 향상시킨 GAN과 비관심 아이템 생성자를 이용한 협업 필터링을 통한 아이템 추천 방법 및 장치에 관한 것이다.

기존의 GAN(Generative Aversarial Net)을 이용한 추천시스템 연구들은 G와 D모델을 구축할 때 모두 행렬분해(matrix factorization, singular value decomposition 등)모델을 이용하였다.

그러나 최근 추천시스템에서 인공신경망(neural network)을 이용할 경우 기존의 행렬분해 기법을 이용했을 때보다 높은 정확도를 보이는 결과들이 많이 알려져 있다.

또한, GAN은 태생적으로 인공신경망을 기반으로 하고 있어서 GAN을 이용한 추천시스템에 기존의 행렬분해 모델 대신 인공신경망 기반의 모델들을 이용한다면 더 좋은 성능을 낼 수 있을 것으로 기대하고 있다.

또한, 협업 필터링 과정에서 비관심 아이템을 이용했을 경우 정확도가 크게 향상되는 것으로 알려져있다.

그러나 종래의 GAN 관련 추천 기술들은 비관심 아이템을 전혀 이용하지 않아 정확도가 다소 떨어지는 문제점이 있다.

대한민국 등록특허공보 제10-1804170(2017. 11. 28)

상술한 문제점을 해결하기 위하여, 본 발명은 GAN을 이용한 추천시스템에서 기존의 행렬분해 모델 대신 인공신경망(neural network)을 이용하되, 여기에 비관심 아이템을 적용하여 정확도를 더욱 향상시킨 GAN과 비관심 아이템 생성자를 이용한 협업 필터링 방법의 제공을 목적으로 한다.

상술한 목적을 달성하기 위한 본 발명에 따른 GAN과 비관심 아이템 생성자를 이용한 협업 필터링을 통한 아이템 추천 방법은 (a) 식별부가 똑같은 아이템들에 대해서 점수를 계산하고 차이를 구했을 때 양수가 되도록 학습하는 단계; (b) 포지티브 아이템 생성부는 구매자의 구매 벡터와 네거티브 아이템 생성부가 생성하는 비관심 아이템들의 ID를 입력받아 상기 식별부가 높은 점수를 줄 만한 아이템을 많이 생성하는 방향으로 학습을 진행하는 단계; (c) 상기 네거티브 아이템 생성부는 상기 식별부가 낮은 점수를 줄 만한 아이템을 많이 생성하는 방향으로 학습을 진행하는 단계; 및 (d) 상기 학습이 완료되면, 상기 식별부가 상기 구매 벡터를 인코딩 후 다시 디코딩함으로써 상기 구매 벡터의 비어있는 차원의 값을 계산한 후, 예측 값이 높은 순서대로 정렬하여, 상기 예측 값이 높은 순으로 N개의 아이템을 사용자에게 추천하는 단계; 를 포함하는 것을 특징으로 한다.

본 발명에 따른 GAN과 비관심 아이템 생성자를 이용한 협업 필터링을 통한 아이템 추천 방법 및 장치는 인공신경망(neural network)에 비관심 아이템을 적용함으로써 추천 정확도를 더욱 향상시킬 수 있는 효과가 있다.

도 1은 본 발명에 따른 GAN과 비관심 아이템 생성자를 이용한 협업 필터링을 통한 아이템 추천 방법 및 장치를 설명하기 위한 도면이다.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면을 참조하여 상세하게 설명하도록 한다. 그러나 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.

제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재 항목들의 조합 또는 복수의 관련된 기재 항목들 중의 어느 항목을 포함한다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급될 때에는 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

명세서 및 청구범위 전체에서, 어떤 부분이 어떤 구성 요소를 포함한다고 할때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있다는 것을 의미한다.

이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.

도 1은 본 발명에 따른 GAN과 비관심 아이템 생성자를 이용한 협업 필터링을 통한 아이템 추천 장치의 블록도이다.

도 1에 도시된 바와 같이 본 발명에 따른 GAN과 비관심 아이템 생성자를 이용한 협업 필터링을 통한 아이템 추천 장치는 식별부(100), 포지티브 아이테 생성부(200), 및 네거티브 아이템 생성부(300를 포함한다.

상기 식별부(100)는 총 3가지의 ID를 입력으로 받는데, 하나는 사용자의 ID, 하나는 "real"로 레이블된 아이템의 ID 마지막으로 하나는 "fake"로 레이블 된 아이템의 ID이다.

이 때 "real"로 레이블된 아이템은 실제로 트레이닝 데이터에서 입력받은 사용자가 구매했거나 좋아했던 아이템들이다. "fake"로 레이블 된 아이템은 상기 포지티브 아이템 생성부(200), 또는 네거티브 아이템 생성부(300)가 생성 (혹은, 샘플링) 한 아이템들이다.

이때, 상기 식별부(100)는 출력되는 "real"로 레이블된 아이템과 "fake"로 레이블된 아이템에 각각 점수(score)를 계산한다. 상기 점수는 입력받은 사용자가 해당 아이템을 얼마나 선호할지를 나타내는 선호도 점수이다. 이후, 이 점수의 차이를 계산한다.

상기 식별부(100)의 출력을 바탕으로 해당 식별부(100)의 학습이 이루어진다. 만약 위에서 계산한 점수의 차이가 양수라면 올바르게 계산한 것이라고 할 수 있지만, 만약 음수라면 "fake"로 레이블된 아이템에 대한 점수를 더 높게 계산했다는 뜻이므로 잘못 계산한 경우이다. 따라서 다음에는 똑같은 아이템들에 대해서 점수를 계산하고 차이를 구했을 때 양수가 되도록 학습이 된다.

다음으로, 상기 포지티브 아이템 생성부(200)는 각 사용자의 purchase 벡터를 입력으로 받는다. 이후 상기 포지티브 아이템 생성부(200)의 목표는 사용자가 정말 좋아할 것 같은 (그래서 구매할 것 같은) 아이템의 ID를 생성하는 것이 목표이다. 이때 상기 포지티브 아이템 생성부(200)는 상기 네거티브 아이템 생성부(300)가 생성하는 비관심 아이템들의 ID 또한 입력으로 받는다.

즉, 각 사용자의 purchase 벡터와 그 사용자의 비관심 아이템들을 모두 고려해서 이 사용자가 구매할 것 같은 아이템을 생성해서 상기 식별부(100)에 전달하는 것이 목표이다.

이후, 상기 식별부(100)는 상기 포지티브 아이템 생성부(200)에게 받은 각 아이템에 점수를 계산한다. 상기 식별부(100)를 속이는 것이 목표인 상기 포지티브 아이템 생성부(200)의 입장에서, 이 점수가 낮다면 속이는데 실패한 것이고 높다면 속이는 데 성공한 것이다. 따라서 상기 포지티브 아이템 생성부(200)의 학습은 상기 식별부(100)가 높은 점수를 줄 만한 아이템을 많이 생성하는 방향으로 학습이 진행된다.

마지막으로, 상기 네거티브 아이템 생성부(300)의 학습은 상기 포지티브 아이템 생성부(200)의 학습과 매우 유사하다. 상기 네거티브 아이템 생성부(300)도 마찬가지로 각 사용자의 purchase 벡터를 입력으로 받는다. 그 후 상기 네거티브 아이템 생성부(300)의 목표는 상기 포지티브 아이템 생성부(200)와는 반대로, 사용자가 좋아하지 않을 것 같은 아이템 (즉, 비관심 아이템) 의 ID를 생성하는 것이 목표이다. 비관심 아이템의 ID를 생성해서 상기 식별부(100)에 전달하면, 상기 포지티브 아이템 생성부(200)는 마찬가지로 상기 네거티브 아이템 생성부(300)로부터 받은 각 아이템에 점수를 계산한다. 만약 이 점수가 낮다면 상기 네거티브 아이템 생성부(300)는 자신의 목표에 맞는 아이템을 잘 생성한 것이고, 만약 이 점수가 높다면 반대로 실패한 것이다. 따라서 상기 네거티브 아이템 생성부(300)의 학습은 상기 식별부(100)가 낮은 점수를 줄 만한 아이템을 많이 생성하는 방향으로 학습이 진행된다.

상술한 바와 같이 상기 식별부(100), 상기 포지티브 아이템 생성부(200), 또는 네거티브 아이템 생성부(300)는 학습한다. 학습이 되기 전에는 상기 식별부(100), 상기 포지티브 아이템 생성부(200), 또는 네거티브 아이템 생성부(300)는 거의 랜덤하게 동작한다.

상기 식별부(100)는 각 아이템에 대해 아무렇게나 점수를 계산할 것이고, 상기 포지티브 아이템 생성부(200), 또는 네거티브 아이템 생성부(300)도 아무렇게나 아이템의 ID를 생성한다.

그러나 학습이 진행될수록 각 모델은 각 모델의 목표에 맞는 역할을 수행할 수 있게 된다.

상술한 바와 같은 방법으로 상기 식별부(100), 상기 포지티브 아이템 생성부(200), 또는 네거티브 아이템 생성부(300) 모델의 학습이 완료되면, 그 후 상기 식별부(100) 모델을 이용해서 실제 추천을 수행한다.

이때는 purchase 벡터를 인코딩 후 다시 디코딩함으로써 purchase 벡터의 비어있는 차원의 값을 계산한다. 이후 예측 값이 높은 순서대로 정렬한 후, 값이 가장 높은 top-N개의 아이템을 사용자에게 추천한다.

본 발명에 따른 GAN과 비관심 아이템 생성자를 이용한 협업 필터링을 통한 아이템 추천 방법 및 장치의 정확도를 평가하기 위해 MovieLens 100K, Watcha, Ciao 데이터를 이용하였다. 각 데이터에서 임의로 선택한 80%의 구매이력을 모델 학습을 위한 데이터로 사용하였고, 나머지 20% 데이터를 추천 정확도를 평가하기 위한 데이터로 사용하였다.

기존의 유명한 아이템 추천 모델과 제안하는 모델을 각각 학습 데이터를 이용해서 학습시키고, 평가 데이터를 이용해서 각 모델의 top-N 추천 정확도를 계산해서 비교하였다. 정확도 계산을 위한 척도는 기존에 널리 이용되는 precision (P), recall (R), nDCG (G), MRR (M) 을 이용하였고, 상위 5개 (@5) 와 상위 20개 (@20) 에 대한 결과를 계산하였다. 실험 결과, 종래의 IRGAN 및 GraphGAN에 비해 최대 2배 이상으로 추천 정확도가 향상되는 것을 확인하였다

이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 사람이라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

100 : 식별부
200 : 포지티브 아이템 생성부
300 : 네거티브 아이템 생성부

Claims

식별부, 포지티브 아이테 생성부, 및 네거티브 아이템 생성부로 구성된 GAN과 비관심 아이템 생성자를 이용한 협업 필터링을 통한 아이템 추천 장치에 의한 아이템 추천방법에 있어서,
(a) 상기 식별부가 똑같은 아이템들에 대해서 점수를 계산하고 차이를 구했을 때 양수가 되도록 학습하는 단계;
(b) 상기 포지티브 아이템 생성부는 구매자의 구매 벡터와 상기 네거티브 아이템 생성부가 생성하는 비관심 아이템들의 ID를 입력받아 상기 식별부가 높은 점수를 줄 만한 아이템을 많이 생성하는 방향으로 학습을 진행하는 단계;
(c) 상기 네거티브 아이템 생성부는 상기 식별부가 낮은 점수를 줄 만한 아이템을 많이 생성하는 방향으로 학습을 진행하는 단계; 및
(d) 상기 학습이 완료되면, 상기 식별부가 상기 구매 벡터를 인코딩 후 다시 디코딩함으로써 상기 구매 벡터의 비어있는 차원의 값을 계산한 후, 예측 값이 높은 순서대로 정렬하여, 상기 예측 값이 높은 순으로 N개의 아이템을 사용자에게 추천하는 단계;
를 포함하는 GAN과 비관심 아이템 생성자를 이용한 협업 필터링을 통한 아이템 추천 방법.