KR20220008140A - 가상 사용자 및 상품 증강을 이용한 콜드-스타트 문제 해결 방안 - Google Patents

가상 사용자 및 상품 증강을 이용한 콜드-스타트 문제 해결 방안 Download PDF

Info

Publication number
KR20220008140A
KR20220008140A KR1020200086370A KR20200086370A KR20220008140A KR 20220008140 A KR20220008140 A KR 20220008140A KR 1020200086370 A KR1020200086370 A KR 1020200086370A KR 20200086370 A KR20200086370 A KR 20200086370A KR 20220008140 A KR20220008140 A KR 20220008140A
Authority
KR
South Korea
Prior art keywords
user
product
data
item
grade
Prior art date
Application number
KR1020200086370A
Other languages
English (en)
Other versions
KR102454317B1 (ko
Inventor
김상욱
채동규
김지후
Original Assignee
한양대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한양대학교 산학협력단 filed Critical 한양대학교 산학협력단
Priority to KR1020200086370A priority Critical patent/KR102454317B1/ko
Publication of KR20220008140A publication Critical patent/KR20220008140A/ko
Application granted granted Critical
Publication of KR102454317B1 publication Critical patent/KR102454317B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0454—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0641—Shopping interfaces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

가상 사용자 및 상품 증강을 이용한 콜드-스타트 문제 해결 방안이 개시된다. 일 실시예에 따른 콜드 스타트 문제를 해결하기 위한 아이템 추천 방법은, 아이템을 추천하기 위하여 학습된 학습 모델에 사용자 데이터 및 상품 데이터를 입력하는 단계; 상기 학습된 학습 모델에 입력된 사용자 데이터 및 입력된 상품 데이터와 유사한 이웃 데이터를 생성하는 단계; 상기 생성된 이웃 데이터에 기초하여 사용자-상품 평점 행렬을 구성하는 단계; 및 아이템을 추천하기 위하여 학습된 또 다른 학습 모델을 이용하여 상기 구성된 사용자-상품 평점 행렬로부터 사용자의 선호도에 따른 아이템을 추천하는 단계를 포함할 수 있다.

Description

가상 사용자 및 상품 증강을 이용한 콜드-스타트 문제 해결 방안{AUGMENTING VIRTUAL USERS AND ITEMS IN COLLABORATIVE FILTERING FOR ADDRESSING COLD START PROBLEMS}
아래의 설명은 콜드-스타트 문제를 해결하기 위한 기술에 관한 것으로, 딥러닝을 이용한 아이템 추천 방법 및 시스템에 관한 것이다.
추천 시스템은 오늘날 대부분의 온라인 쇼핑몰에서 사용자의 구매 촉진을 위해 필수적으로 이용되고 있으며, 학계에서도 활발히 연구되고 있다. 추천 알고리즘의 여러 접근 방법들 중 가장 대표적인 것으로 협업 필터링을 들 수 있다. 협업 필터링은 사용자가 남긴 평점을 기반으로 사용자의 취향과 상품의 성향을 분석한 후, 사용자가 아직 구매하지 않은 상품들에 부여할 평점 혹은 구매할만한 상위 N(N은 자연수)개의 아이템을 예측한다.
최근, 딥러닝과 GAN(Generative Adversarial Network)이 실제 데이터와 매우 유사한 데이터를 생성할 수 있는 기술로 각광받고 있다. GAN은 생성 모델과 판별 모델 간의 경쟁 구조를 통해 생성 모델을 훈련시켜서 생성 모델이 그럴듯한 데이터를 생성하도록 만드는 기술이다. 이미지 생성 분야에서 가장 활발히 연구되고 있으며, 추천 등 다른 분야에도 적용되고 있다.
가상 사용자 및 상품 증강을 이용한 콜드-스타트 문제를 해결하는 방법 및 시스템을 제공할 수 있다.
GAN 기술을 이용하여 가상의 사용자 데이터와 가상의 상품 데이터를 생성하고, 생성된 가상의 사용자 데이터 및 가상의 상품 데이터를 학습된 추천 모델에 입력하여 사용자가 평가하지 않은 상품의 등급(평점)을 예측하고, 예측된 등급이 높은 상위 N개의 상품을 추천하는 방법 및 시스템을 제공할 수 있다.
콜드 스타트 문제를 해결하기 위한 아이템 추천 방법은, 아이템을 추천하기 위하여 학습된 학습 모델에 사용자 데이터 및 상품 데이터를 입력하는 단계; 상기 학습된 학습 모델에 입력된 사용자 데이터 및 입력된 상품 데이터와 유사한 이웃 데이터를 생성하는 단계; 상기 생성된 이웃 데이터에 기초하여 사용자-상품 평점 행렬을 구성하는 단계; 및 아이템을 추천하기 위하여 학습된 또 다른 학습 모델을 이용하여 상기 구성된 사용자-상품 평점 행렬로부터 사용자의 선호도에 따른 아이템을 추천하는 단계를 포함할 수 있다.
상기 학습된 학습 모델은, 생성 모델과 판별 모델로 구성된 GAN을 포함하고, 복수 개의 생성 모델과 복수 개의 판별 모델로 구성된 유저 GAN와, 복수 개의 생성 모델과 복수 개의 판별 모델로 구성된 아이템 GAN을 포함하고, 상기 사용자 데이터 및 상품 데이터를 입력하는 단계는, 사용자-상품 행렬에서 행을 의미하는 사용자 벡터를 이용하여 복수 개의 생성 모델과 복수 개의 판별 모델로 구성된 유저 GAN을 학습시키고, 사용자-상품 행렬의 열을 의미하는 상품 벡터를 이용하여 복수 개의 생성 모델과 복수 개의 판별 모델로 구성된 아이템 GAN을 학습시키는 단계를 포함할 수 있다.
상기 사용자 데이터 및 상품 데이터를 입력하는 단계는, 상기 학습된 유저 GAN 및 상기 학습된 아이템 GAN에 상기 사용자 데이터 및 상품 데이터에서 지정된 콜드-스타트 사용자 데이터 및 콜트-스타트 상품 데이터를 입력하는 단계를 포함할 수 있다.
상기 이웃 데이터를 생성하는 단계는, 상기 생성된 이웃 데이터에 포함된 가상의 사용자 데이터 및 가상의 상품 데이터를 사용자-상품 평점 상품 행렬에 대한 추가적인 행, 열로 간주하는 단계를 포함할 수 있다.
상기 학습된 또 다른 학습 모델은, SVD, PMF 또는 오토인코더에 기반하여 구성된 추천 모델이고, 상기 아이템을 추천하는 단계는, 상기 구성된 사용자-상품 평점 행렬에 삽입된 가상의 이웃 데이터의 등급을 이용하여 사용자가 평가하지 않은 상품의 등급을 예측하고, 상기 예측된 상품의 등급에 기초하여 기 설정된 등급 이상의 상품을 추천하는 단계를 포함할 수 있다.
상기 아이템을 추천하는 단계는, 상기 구성된 사용자-상품 행렬에 삽입된 가상 이웃 데이터 중 사용자의 이웃 데이터를 이용하여 추론된 등급을 집계하여 사용자의 등급을 예측하고, 상기 예측된 사용자의 등급을 조정한 후, 상품의 가상 데이터를 이용하여 추론된 등급을 집계하여 사용자에 대한 상품의 등급을 예측하고, 상기 예측된 사용자에 대한 상품의 등급을 조정하는 단계를 포함할 수 있다.
콜드 스타트 문제를 해결하기 위한 아이템 추천 시스템은, 아이템을 추천하기 위하여 학습된 학습 모델에 사용자 데이터 및 상품 데이터를 입력하는 학습부; 상기 학습된 학습 모델에 입력된 사용자 데이터 및 입력된 상품 데이터와 유사한 이웃 데이터를 생성하는 이웃 데이터 생성부; 상기 생성된 이웃 데이터에 기초하여 사용자-상품 평점 행렬을 구성하는 사용자-상품 평점 행렬 구성부; 및 아이템을 추천하기 위하여 학습된 또 다른 학습 모델을 이용하여 상기 구성된 사용자-상품 평점 행렬로부터 사용자의 선호도에 따른 아이템을 추천하는 아이템 추천부를 포함할 수 있다.
상기 학습된 학습 모델은, 생성 모델과 판별 모델로 구성된 GAN을 포함하고, 복수 개의 생성 모델과 복수 개의 판별 모델로 구성된 유저 GAN와, 복수 개의 생성 모델과 복수 개의 판별 모델로 구성된 아이템 GAN을 포함하고, 상기 학습부는, 사용자-상품 행렬에서 행을 의미하는 사용자 벡터를 이용하여 복수 개의 생성 모델과 복수 개의 판별 모델로 구성된 유저 GAN을 학습시키고, 사용자-상품 행렬의 열을 의미하는 상품 벡터를 이용하여 복수 개의 생성 모델과 복수 개의 판별 모델로 구성된 아이템 GAN을 학습시킬 수 있다.
상기 학습부는, 상기 학습된 유저 GAN 및 상기 학습된 아이템 GAN에 상기 사용자 데이터 및 상품 데이터에서 지정된 콜드-스타트 사용자 데이터 및 콜트-스타트 상품 데이터를 입력할 수 있다.
상기 이웃 데이터 생성부는, 상기 생성된 이웃 데이터에 포함된 가상의 사용자 데이터 및 가상의 상품 데이터를 사용자-상품 평점 상품 행렬에 대한 추가적인 행, 열로 간주할 수 있다.
상기 학습된 또 다른 학습 모델은, SVD, PMF 또는 오토인코더에 기반하여 구성된 추천 모델이고, 상기 아이템 추천부는, 상기 구성된 사용자-상품 평점 행렬에 삽입된 가상의 이웃 데이터의 등급을 이용하여 사용자가 평가하지 않은 상품의 등급을 예측하고, 상기 예측된 상품의 등급에 기초하여 기 설정된 등급 이상의 상품을 아이템으로 추천할 수 있다.
상기 아이템 추천부는, 상기 구성된 사용자-상품 행렬에 삽입된 가상 이웃 데이터 중 사용자의 이웃 데이터를 이용하여 추론된 등급을 집계하여 사용자의 등급을 예측하고, 상기 예측된 사용자의 등급을 조정한 후, 상품의 가상 데이터를 이용하여 추론된 등급을 집계하여 사용자에 대한 상품의 등급을 예측하고, 상기 예측된 사용자에 대한 상품의 등급을 조정할 수 있다.
GAN 기술과 행렬을 채워넣는 방식을 동시에 사용함으로써 사용자가 평가하지 않은 상품에 대하여 예측된 등급이 높은 상품을 추천할 수 있다.
GAN 기술을 이용하여 사용자 및 상품과 비슷한 이웃 데이터를 사용자-상품 평점 행렬에 삽입하여 추천 모델을 학습시킴으로써 상품 추천의 정확도를 향상시킬 수 있다.
도 1은 일 실시예에 따른 아이템 추천 시스템의 구성을 설명하기 위한 블록도이다.
도 2는 일 실시예에 따른 아이템 추천 시스템에서 콜드 스타트 문제를 해결하기 위한 아이템 추천 방법을 설명하기 위한 흐름도이다.
도 3은 일 실시예에 따른 아이템 추천 시스템에서 GAN을 학습시키는 동작을 설명하기 위한 도면이다.
도 4는 일 실시예에 따른 아이템 추천 시스템에서 아이템을 추천하는 동작을 설명하기 위한 도면이다.
도 5 및 도 6은 일 실시예에 있어서, 아이템 추천 결과를 비교한 그래프이다.
이하, 실시예를 첨부한 도면을 참조하여 상세히 설명한다.
온라인 상에서의 아이템 추천 시스템은 고객과 추천 대상이 되는 상품이나 서비스에 대한 정보들 각각에 대한 선호도 정보가 요구되지만, 시스템에 신규로 가입하는 고객과 새롭게 등록되는 상품이나 서비스와 같은 추천 대상 정보들에 대해서는 선호도 정보를 취득할 수 없어 추천을 수행하는 데 어려움이 발생하게 된다. 이렇게 신규 가입이나 신규 상품에 대하여 추천 대상 정보를 위한 기초 정보가 없거나 부족한 상황을 콜드 스타트 문제라고 부른다. 이에, 추천 모델 입장에서 이용할 수 있는 정보가 매우 적어서 정확한 추천을 해주는 것이 어렵고, 상품들 또한 정보 부족으로 인해 사용자들에게 많이 노출시키는 것에 한계가 있다. 이하, 콜트-스타트 문제를 해결하기 위한 방안에 대하여 설명하기로 한다.
도 1은 일 실시예에 따른 아이템 추천 시스템의 구성을 설명하기 위한 블록도이고, 도 2는 일 실시예에 따른 아이템 추천 시스템에서 콜드 스타트 문제를 해결하기 위한 아이템 추천 방법을 설명하기 위한 흐름도이다.
아이템 추천 시스템(100)은 학습부(110), 이웃 데이터 생성부(120), 사용자-상품 평점 행렬 구성부(130) 및 아이템 추천부(140)를 포함할 수 있다. 이러한 아이템 추천 시스템(100)의 구성요소들은 아이템 추천 시스템(100)에 저장된 프로그램 코드가 제공하는 명령에 따라 프로세서에 의해 수행되는 서로 다른 기능들(different functions)의 표현들일 수 있다. 아이템 추천 시스템(100) 및 아이템 추천 시스템(100)의 구성요소들은 도 2의 아이템 추천 방법이 포함하는 단계들(210 내지 240)을 수행하도록 아이템 추천 시스템(100)을 제어할 수 있다. 이때, 아이템 추천 시스템(100) 및 아이템 추천 시스템(100)의 구성요소들은 메모리가 포함하는 운영체제의 코드와 적어도 하나의 프로그램의 코드에 따른 명령(instruction)을 실행하도록 구현될 수 있다.
아이템 추천 시스템(100)은 아이템 추천 방법을 위한 프로그램의 파일에 저장된 프로그램 코드를 메모리에 로딩할 수 있다. 예를 들면, 아이템 추천 시스템(100)에서 프로그램이 실행되면, 프로세서는 운영체제의 제어에 따라 프로그램의 파일로부터 프로그램 코드를 메모리에 로딩하도록 아이템 추천 시스템을 제어할 수 있다. 이때, 아이템 추천 시스템(100) 및 아이템 추천 시스템(100)이 포함하는 학습부(110), 이웃 데이터 생성부(120), 사용자-상품 평점 행렬 구성부(130) 및 아이템 추천부(140) 각각은 메모리에 로딩된 프로그램 코드 중 대응하는 부분의 명령을 실행하여 이후 단계들(210 내지 240)을 실행하기 위한 아이템 추천 시스템(100)의 서로 다른 기능적 표현들일 수 있다.
단계(210)에서 학습부(110)는 아이템을 추천하기 위하여 학습된 학습 모델에 사용자 데이터 및 상품 데이터를 입력할 수 있다. 학습부(110)는 사용자-상품 행렬에서 행을 의미하는 사용자 벡터를 이용하여 복수 개의 생성 모델과 복수 개의 판별 모델로 구성된 유저 GAN을 학습시키고, 사용자-상품 행렬의 열을 의미하는 상품 벡터를 이용하여 복수 개의 생성 모델과 복수 개의 판별 모델로 구성된 아이템 GAN을 학습시킬 수 있다. 학습부(110)는 학습된 유저 GAN 및 학습된 아이템 GAN에 사용자 데이터 및 상품 데이터에서 지정된 콜드-스타트 사용자 데이터 및 콜트-스타트 상품 데이터를 입력할 수 있다.
단계(220)에서 이웃 데이터 생성부(120)는 학습된 학습 모델에 입력된 사용자 데이터 및 입력된 상품 데이터와 유사한 이웃 데이터를 생성할 수 있다. 이웃 데이터 생성부(120)는 생성된 이웃 데이터에 포함된 가상의 사용자 데이터 및 가상의 상품 데이터를 사용자-상품 평점 상품 행렬에 대한 추가적인 행, 열로 간주할 수 있다.
단계(230)에서 사용자-상품 평점 행렬 구성부(130)는 생성된 이웃 데이터에 기초하여 사용자-상품 평점 행렬을 구성할 수 있다.
단계(240)에서 아이템 추천부(140)는 아이템을 추천하기 위하여 학습된 또 다른 학습 모델을 이용하여 구성된 사용자-상품 평점 행렬로부터 사용자의 선호도에 따른 아이템을 추천할 수 있다. 아이템 추천부(140)는 구성된 사용자-상품 평점 행렬에 삽입된 가상의 이웃 데이터의 등급을 이용하여 사용자가 평가하지 않은 상품의 등급을 예측하고, 예측된 상품의 등급에 기초하여 기 설정된 등급 이상의 상품을 추천할 수 있다. 아이템 추천부(140)는 구성된 사용자-상품 행렬에 삽입된 가상 이웃 데이터 중 사용자의 이웃 데이터를 이용하여 추론된 등급을 집계하여 사용자의 등급을 예측하고, 예측된 사용자의 등급을 조정한 후, 상품의 가상 데이터를 이용하여 추론된 등급을 집계하여 사용자에 대한 상품의 등급을 예측하고, 예측된 사용자에 대한 상품의 등급을 조정할 수 있다.
도 3은 일 실시예에 따른 아이템 추천 시스템에서 GAN을 학습시키는 동작을 설명하기 위한 도면이다.
도 3(A)는 GAN을 학습시키는 동작이고, 도 3(B)는 학습된 GAN을 이용하여 이웃 데이터를 생성하는 동작을 설명하기 위한 도면이다.
도 3(A)를 참고하면, 아이템 추천 시스템은 아이템을 추천하기 위한 학습 모델을 구성할 수 있다. 일례로, 아이템을 추천하기 위한 딥러닝 기반의 학습 모델이 구성될 수 있다. 실시예에서는 GAN을 이용하는 것을 예를 들어 설명하기로 한다. GAN은 서로 경쟁하는 생성 모델과 판별 모델로 구성될 수 있다. 판별 모델은 데이터가 생성 모델에서 온 것이 아니라 실측자료(ground truth)에서 온 것일 가능성을 평가한다. 완전히 훈련된 생성 모델은 실제 모델을 생성할 수 있다. GAN은 랜덤 노이즈 입력 z와 연계하여 추가 입력으로서 원하는 조건을 생성 모델에게 공급함으로써 주어진 특정 조건과 관련된 데이터를 생성할 수 있다.
도 3(A)의 학습 모델에는 사용자 GAN 및 아이템 GAN으로 구성될 수 있다. 각각의 GAN이 각각의 사용자 데이터와 상품 데이터에 기반하여 GAN이 학습(training)되는 것을 설명하기 위한 것이다. 예를 들면, 수학식 1에 근거하여
Figure pat00001
로 표시된 사용자를 위한 두 개의 GAN의 목적 함수를 다음과 같이 정의할 수 있다.
수학식 1:
Figure pat00002
zU는 사용자에 대한 랜덤 노이즈 벡터를 나타내고, ru는 사용자 u의 실제 등급 벡터를 나타내며, cu는 사용자 u의 조건 벡터를 나타내고, BU는 조건화할 사용자의 미니 배치(mini batch)를 나타낸다. 이때, mu가 상품 i에 대한 사용자 u의 등급(rating)이 관측되는지(eui = 1) 관측되지 않는지(eui = 0) 여부를 지정하는 사용자 u의 실제 미싱니스 벡터에 해당한다. 동일한 입력
Figure pat00003
,
Figure pat00004
와
Figure pat00005
는 각각
Figure pat00006
와
Figure pat00007
로 표시된 사용자 u의 등급 벡터와 미싱니스 벡터가 합성됨에 따라 생성될 수 있다. 마찬가지로, 사용자 별 조건 cu에 의해 조건화된
Figure pat00008
와
Figure pat00009
모두 각각 가짜 데이터
Figure pat00010
와
Figure pat00011
로부터 사용자 u에 대한 실제의 등급 벡터 ru와 실제의 미싱니스 벡터 mu가 구별되도록 학습될 수 있다. 이와 같이, GAN에 존재하는 모든 생성 모델과 판별 모델은 미니 배치와 함께 확률적 경사로 강하(SGD)와 역전파 알고리즘이 사용되는 DNN에 의해 구현될 수 있다. 이러한 설명은 상품의 등급 분포와 미싱니스 분포를 학습하기 위한 것에도 동일하게 적용될 수 있다.
Figure pat00012
상품에 대한 GAN의 목적 함수를 다음과 같이 공식화할 수 있다.
수학식 2:
Figure pat00013
zI는 상품에 대한 랜덤 노이즈 벡터를 나타내고, BI는 상품의 미니 배치를 나타내며, ci는 상품 i를 지정하는 조건 벡터를 나타내고, ri은 상품 i에 대한 등급 벡터 및 mi는 상품 i에 대한 미싱니스 벡터를 나타낸다.
이러한 학습 결과, GAN에 구성된 생성 모델과 판별 모델을 통하여 사용자, 상품에 대한 각각의 레이팅(rating) 분포와, 상품을 구매하지는 않지만 무엇을 구매할 것인지를 예상하는 미싱니스(missingness) 분포가 도출될 수 있다.
두 개의 GAN(사용자 GAN, 아이템 GAN)을 동시에 학습하는 동안
Figure pat00014
에 의한
Figure pat00015
의 실제 미싱니스 벡터 mu 출력을 곱할 수 있다. 이러한 곱을 통해 관측된 등급에 대해서만
Figure pat00016
의 출력이 GAN의 전체 학습 과정에 기여될 수 있다.
GAN의 학습이 완료됨에 따라 실제 사용자 및 실제 상품에 대한 가상 이웃 데이터가 생성될 수 있다. 도 3(B)를 참고하면, 전체 사용자 및 상품 중 누구의 이웃을 생성할 것인지 지정될 수 있다. LU와 LI는 학습된 생성 모델에 의해 이웃이 생성될 사용자와 상품의 목록이다. 이때, 콜드 스타트 사용자와 몇 개의 등급이 있는 상품이 우선적으로 고려될 수 있다. 또한, 상대적으로 충분한 등급을 가진 일반 사용자들과 상품들도 고려될 수 있다.
Iu와 Ui는 각각의 사용자u가 등급을 매긴 상품과 상품 i 등급을 매긴 사용자의 상품 집합을 의미한다. 이때, 이용 가능한 등급이 적은 사용자와 상품은 샘플링되어 LU/LI에 포함될 수 있다. 이에, 실제의 사용자와 상품을 고려하면서도 콜드 스타트 사용자와 콜드 스타트 상품에 주로 초점을 맞출 수 있다. 사용자 및 상품에 대하여 샘플링될 수 있다. 샘플링 후 LU의 각 사용자 u마다
Figure pat00017
와
Figure pat00018
에 대해
Figure pat00019
가
Figure pat00020
와
Figure pat00021
를 생성하도록 한다. 랜덤 노이즈 zU와 사용자 u의 특정 조건 cu로 인해 생성된
Figure pat00022
는 만약 사용자 u의 이웃이 존재했다면 제공할 수 있는 모든 상품에 대한 예측 등급을 포함할 수 있다. 마찬가지로,
Figure pat00023
도 사용자u의 이웃에 의해 각 상품이 사용되었을 가능성을 포함할 수 있다. 마지막으로,
Figure pat00024
를 이웃이 등급을 부여할 가능성이 가장 높은 상품에만 등급을 부여한 희소 벡터로 만들어 가상의 사용자 생성이 완료될 수 있다.
Figure pat00025
에서 최상위 값이 1이 되고 나머지 값이 0이 되도록 표시된
Figure pat00026
를 1 또는 0으로 변환하고,
Figure pat00027
에
Figure pat00028
를 곱하여 수행될 수 있다. 가상의 상품을 생성하는 작업은 앞서 언급한 가상의 사용자를 생성하는 프로세스와 매우 유사한 방식으로
Figure pat00029
와
Figure pat00030
생성 모델을 사용하여 수행될 수 있다. 여기서, k값은 가상의 사용자와 가상의 상품이 가질 수 있는 등급 수를 제어할 수 있다. 예를 들면, 가상의 사용자를 생성할 때 실제 사용자의 평균 등급 수, 가상의 상품을 생성할 때 실제 상품의 평균 등급 수로 k가 설정될 수 있다.
도 4는 일 실시예에 따른 아이템 추천 시스템에서 아이템을 추천하는 동작을 설명하기 위한 도면이다.
일례로, 사용자-상품 평점 행렬을 학습 데이터로 활용하여 또 다른 학습 모델(추천 모델)이 학습될 수 있고, 학습된 또 다른 학습 모델을 이용하여 이웃 데이터에 기초하여 사용자-상품 평점 행렬의 빈 셀이 유추될 수 있다. 이때, 또 다른 학습 모델은 SVD, PMF, 오토인코더 등에 기반하여 구성될 수 있다. 가상의 사용자가 포함된 사용자 데이터가 가상의 상품을 포함하는 미평가 상품 데이터에 대해 예측된 등급(점수)이 유추될 수 있다. 각 사용자 및 각 상품에 대한 가상의 이웃 데이터로부터 추론된 등급을 예측하여 각 사용자의 등급을 예측하고, 예측된 등급에 기초하여 상품이 추천될 수 있다.
실제 상품에 대한 실제 사용자의 등급뿐만 아니라 가상의 상품에 대한 실제의 사용자의 등급, 실제의 상품에 대한 가상의 사용자의 등급 등, 알 수 없는 등급이 예측되는 사용자-상품 평점 매트릭스가 도출될 수 있다. 이때, 가상의 상품에 대한 가상의 사용자의 등급은 최종 추천 결과를 생성하는 데 사용되지 않으므로 가상의 상품에 대한 가상의 사용자의 등급을 예측하지 않는다.
가상의 이웃 데이터의 등급을 이용하여 실제 사용자의 예측 등급이 도출될 수 있다. 사용자에 대한 가상의 이웃(가상의 사용자)은 사용자와 취향이 비슷할 수 있기 때문에 또 다른 학습 모델에서 예측한 각 대상 상품 i에 대한 사용자 u의 등급을 보다 정확하게 추론하는 데 도움이 될 수 있다. 마찬가지로, 상품 i의 가상의 이웃(가상의 상품)에 대한 사용자 u의 예측 등급 또한 추론에 도움이 될 수 있다. 여기서, 상품 i과 상품에 대한 이웃들이 사용자들의 취향에서 많은 유사점을 공유할 수 있기 때문이다.
먼저, 사용자 이웃의 등급을 수집하여 실제 사용자의 등급을 예측하고, 상품 이웃의 등급을 수집하여 실제 상품의 등급을 조정할 수 있다. 예를 들면, Vu 로 알려진 사용자 u의 이웃을 수집하고 상관 계수를 사용하여 사용자 u와 Vu의 각 이웃 v 사이의 유사성이 계산될 수 있다. 이때, Pearson 상관 계수가 사용될 수 있다.
수학식 3:
Figure pat00031
여기서 Iu,v는 교차 지점, 즉, 사용자 u와 가상의 사용자 v가 모두 등급을 매긴 상품 집합, rui는 상품 i에 대한 사용자 u의 등급을 매기고,
Figure pat00032
는 Iu,v에 포함된 상품에 대한 사용자 u의 평균 등급을 매기는 것으로, 다음과 같이, 사용자 u의 예측 등급인
Figure pat00033
와 그 이웃의 등급을 가중 평균하여 계산할 수 있다.
수학식 4:
Figure pat00034
여기서 αU는 가상의 사용자 등급의 중요성을 제어하는 조정 가능한 파라미터를 의미한다. 이때, αU=1이면 가상의 사용자의 등급을 전혀 고려하지 않는다는 것이고, αU=0이면 실제 사용자의 등급을 무시한 채 가상의 사용자의 등급에만 의존한다는 것을 의미한다.
모든 실제 사용자의 예상 등급을 조정한 후, 실제 상품의 예상 등급을 조정할 수 있다. Pi 로 알려진 상품 i의 이웃을 수집한 다음 Pi 에 있는 가상의 상품을 기반으로
Figure pat00035
를 다음과 같이 다시 조정할 수 있다.
수학식 5:
Figure pat00036
여기서 αI는 가상 상품의 등급의 중요성을 제어하고, wi,p는 실제 상품 i와 각 상품 i의 이웃 p 사이의 유사성을 나타낸다. 모든 실제 상품의 예측 등급을 조정한 후, 실제의 사용자에게 등급이 가장 높은 실제 상품의 정보를 추천 아이템으로 제공할 수 있다.
도 5 및 도 6은 일 실시예에 있어서, 아이템 추천 결과를 비교한 그래프이다.
실시예에서는 아이템의 추천 정확도를 판단하기 위하여 MovieLens 100K, Watcha, Ciao, Movielens 1M 데이터를 이용할 수 있다. 각 데이터에서 임의로 선택한 80%의 구매 이력을 모델 학습을 위한 데이터로 사용하였고, 나머지 20% 데이터를 추천 정확도를 평가하기 위한 데이터로 사용할 수 있다.
도 5를 참고하면, 콜드-스타트 사용자에 대한 추천 정확도 그래프를 나타낸 것이다. 기존 방법인 AutoRec과 ZI에 비해, 실시예에서 제안된 아이템 추천 방법(AR-CF)가 콜드-스타트 사용자에 대한 추천 정확도가 높은 것을 확인할 수 있다.
도 6을 참고하면, 콜드-스타트 상품이 사용자들에게 얼마나 많이 노출되는지를 나타내는 그래프이다. 기존 방법인 AutoRec 및 ZI에 비해 실시예에서 제안된 아이템 추천 방법(AR-CF)이 콜드-스타트 상품을 사용자들에게 많이 노출시키는 것을 확인할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (12)

  1. 콜드 스타트 문제를 해결하기 위한 아이템 추천 방법에 있어서,
    아이템을 추천하기 위하여 학습된 학습 모델에 사용자 데이터 및 상품 데이터를 입력하는 단계;
    상기 학습된 학습 모델에 입력된 사용자 데이터 및 입력된 상품 데이터와 유사한 이웃 데이터를 생성하는 단계;
    상기 생성된 이웃 데이터에 기초하여 사용자-상품 평점 행렬을 구성하는 단계; 및
    아이템을 추천하기 위하여 학습된 또 다른 학습 모델을 이용하여 상기 구성된 사용자-상품 평점 행렬로부터 사용자의 선호도에 따른 아이템을 추천하는 단계
    를 포함하는 아이템 추천 방법.
  2. 제1항에 있어서,
    상기 학습된 학습 모델은,
    생성 모델과 판별 모델로 구성된 GAN을 포함하고, 복수 개의 생성 모델과 복수 개의 판별 모델로 구성된 유저 GAN와, 복수 개의 생성 모델과 복수 개의 판별 모델로 구성된 아이템 GAN을 포함하고,
    상기 사용자 데이터 및 상품 데이터를 입력하는 단계는,
    사용자-상품 행렬에서 행을 의미하는 사용자 벡터를 이용하여 복수 개의 생성 모델과 복수 개의 판별 모델로 구성된 유저 GAN을 학습시키고, 사용자-상품 행렬의 열을 의미하는 상품 벡터를 이용하여 복수 개의 생성 모델과 복수 개의 판별 모델로 구성된 아이템 GAN을 학습시키는 단계
    를 포함하는 아이템 추천 방법.
  3. 제1항에 있어서,
    상기 사용자 데이터 및 상품 데이터를 입력하는 단계는,
    상기 학습된 유저 GAN 및 상기 학습된 아이템 GAN에 상기 사용자 데이터 및 상품 데이터에서 지정된 콜드-스타트 사용자 데이터 및 콜트-스타트 상품 데이터를 입력하는 단계
    를 포함하는 아이템 추천 방법.
  4. 제1항에 있어서,
    상기 이웃 데이터를 생성하는 단계는,
    상기 생성된 이웃 데이터에 포함된 가상의 사용자 데이터 및 가상의 상품 데이터를 사용자-상품 평점 상품 행렬에 대한 추가적인 행, 열로 간주하는 단계
    를 포함하는 아이템 추천 방법.
  5. 제1항에 있어서,
    상기 학습된 또 다른 학습 모델은,
    SVD, PMF 또는 오토인코더에 기반하여 구성된 추천 모델이고,
    상기 아이템을 추천하는 단계는,
    상기 구성된 사용자-상품 평점 행렬에 삽입된 가상의 이웃 데이터의 등급을 이용하여 사용자가 평가하지 않은 상품의 등급을 예측하고, 상기 예측된 상품의 등급에 기초하여 기 설정된 등급 이상의 상품을 추천하는 단계
    를 포함하는 아이템 추천 방법.
  6. 제5항에 있어서,
    상기 아이템을 추천하는 단계는,
    상기 구성된 사용자-상품 행렬에 삽입된 가상 이웃 데이터 중 사용자의 이웃 데이터를 이용하여 추론된 등급을 집계하여 사용자의 등급을 예측하고, 상기 예측된 사용자의 등급을 조정한 후, 상품의 가상 데이터를 이용하여 추론된 등급을 집계하여 사용자에 대한 상품의 등급을 예측하고, 상기 예측된 사용자에 대한 상품의 등급을 조정하는 단계
    를 포함하는 아이템 추천 방법.
  7. 콜드 스타트 문제를 해결하기 위한 아이템 추천 시스템에 있어서,
    아이템을 추천하기 위하여 학습된 학습 모델에 사용자 데이터 및 상품 데이터를 입력하는 학습부;
    상기 학습된 학습 모델에 입력된 사용자 데이터 및 입력된 상품 데이터와 유사한 이웃 데이터를 생성하는 이웃 데이터 생성부;
    상기 생성된 이웃 데이터에 기초하여 사용자-상품 평점 행렬을 구성하는 사용자-상품 평점 행렬 구성부; 및
    아이템을 추천하기 위하여 학습된 또 다른 학습 모델을 이용하여 상기 구성된 사용자-상품 평점 행렬로부터 사용자의 선호도에 따른 아이템을 추천하는 아이템 추천부
    를 포함하는 아이템 추천 시스템.
  8. 제7항에 있어서,
    상기 학습된 학습 모델은,
    생성 모델과 판별 모델로 구성된 GAN을 포함하고, 복수 개의 생성 모델과 복수 개의 판별 모델로 구성된 유저 GAN와, 복수 개의 생성 모델과 복수 개의 판별 모델로 구성된 아이템 GAN을 포함하고,
    상기 학습부는,
    사용자-상품 행렬에서 행을 의미하는 사용자 벡터를 이용하여 복수 개의 생성 모델과 복수 개의 판별 모델로 구성된 유저 GAN을 학습시키고, 사용자-상품 행렬의 열을 의미하는 상품 벡터를 이용하여 복수 개의 생성 모델과 복수 개의 판별 모델로 구성된 아이템 GAN을 학습시키는
    것을 특징으로 하는 아이템 추천 시스템.
  9. 제7항에 있어서,
    상기 학습부는,
    상기 학습된 유저 GAN 및 상기 학습된 아이템 GAN에 상기 사용자 데이터 및 상품 데이터에서 지정된 콜드-스타트 사용자 데이터 및 콜트-스타트 상품 데이터를 입력하는
    것을 특징으로 하는 아이템 추천 시스템.
  10. 제7항에 있어서,
    상기 이웃 데이터 생성하부는,
    상기 생성된 이웃 데이터에 포함된 가상의 사용자 데이터 및 가상의 상품 데이터를 사용자-상품 평점 상품 행렬에 대한 추가적인 행, 열로 간주하는
    것을 특징으로 하는 아이템 추천 시스템.
  11. 제7항에 있어서,
    상기 학습된 또 다른 학습 모델은,
    SVD, PMF 또는 오토인코더에 기반하여 구성된 추천 모델이고,
    상기 아이템 추천부는,
    상기 구성된 사용자-상품 평점 행렬에 삽입된 가상의 이웃 데이터의 등급을 이용하여 사용자가 평가하지 않은 상품의 등급을 예측하고, 상기 예측된 상품의 등급에 기초하여 기 설정된 등급 이상의 상품을 아이템으로 추천하는
    것을 특징으로 하는 아이템 추천 시스템.
  12. 제11항에 있어서,
    상기 아이템 추천부는,
    상기 구성된 사용자-상품 행렬에 삽입된 가상 이웃 데이터 중 사용자의 이웃 데이터를 이용하여 추론된 등급을 집계하여 사용자의 등급을 예측하고, 상기 예측된 사용자의 등급을 조정한 후, 상품의 가상 데이터를 이용하여 추론된 등급을 집계하여 사용자에 대한 상품의 등급을 예측하고, 상기 예측된 사용자에 대한 상품의 등급을 조정하는
    것을 특징으로 하는 아이템 추천 시스템.
KR1020200086370A 2020-07-13 2020-07-13 가상 사용자 및 상품 증강을 이용한 콜드-스타트 문제 해결 방안 KR102454317B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200086370A KR102454317B1 (ko) 2020-07-13 2020-07-13 가상 사용자 및 상품 증강을 이용한 콜드-스타트 문제 해결 방안

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200086370A KR102454317B1 (ko) 2020-07-13 2020-07-13 가상 사용자 및 상품 증강을 이용한 콜드-스타트 문제 해결 방안

Publications (2)

Publication Number Publication Date
KR20220008140A true KR20220008140A (ko) 2022-01-20
KR102454317B1 KR102454317B1 (ko) 2022-10-14

Family

ID=80053138

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200086370A KR102454317B1 (ko) 2020-07-13 2020-07-13 가상 사용자 및 상품 증강을 이용한 콜드-스타트 문제 해결 방안

Country Status (1)

Country Link
KR (1) KR102454317B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023140671A1 (ko) 2022-01-19 2023-07-27 주식회사 엘지에너지솔루션 에너지 저장 장치

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014095966A (ja) * 2012-11-08 2014-05-22 Sony Corp 情報処理装置、情報処理方法およびプログラム
KR101953802B1 (ko) * 2017-07-03 2019-03-07 한양대학교 산학협력단 내연적 및 외연적 신뢰 관계를 이용한 아이템 추천 방법 및 장치
KR20200023686A (ko) * 2018-08-17 2020-03-06 한양대학교 산학협력단 딥러닝을 이용한 아이템 추천 방법 및 장치
KR20200027089A (ko) * 2018-08-30 2020-03-12 한양대학교 산학협력단 하이브리드 아이템 추천 방법 및 장치
KR20200046189A (ko) * 2018-10-19 2020-05-07 네이버 주식회사 생성적 적대 신경망에 기반한 협업 필터링을 위한 방법 및 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014095966A (ja) * 2012-11-08 2014-05-22 Sony Corp 情報処理装置、情報処理方法およびプログラム
KR101953802B1 (ko) * 2017-07-03 2019-03-07 한양대학교 산학협력단 내연적 및 외연적 신뢰 관계를 이용한 아이템 추천 방법 및 장치
KR20200023686A (ko) * 2018-08-17 2020-03-06 한양대학교 산학협력단 딥러닝을 이용한 아이템 추천 방법 및 장치
KR20200027089A (ko) * 2018-08-30 2020-03-12 한양대학교 산학협력단 하이브리드 아이템 추천 방법 및 장치
KR20200046189A (ko) * 2018-10-19 2020-05-07 네이버 주식회사 생성적 적대 신경망에 기반한 협업 필터링을 위한 방법 및 시스템

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023140671A1 (ko) 2022-01-19 2023-07-27 주식회사 엘지에너지솔루션 에너지 저장 장치

Also Published As

Publication number Publication date
KR102454317B1 (ko) 2022-10-14

Similar Documents

Publication Publication Date Title
van Rijn et al. Fast algorithm selection using learning curves
KR102468827B1 (ko) 인공지능 기반 상품 소싱 및 카테고리 맞춤형 리뷰 분석 서비스 제공 방법, 장치 및 시스템
CN110956272A (zh) 实现数据处理的方法和系统
CN107766547A (zh) 电子书推荐方法、电子设备及计算机存储介质
Salehinejad et al. Customer shopping pattern prediction: A recurrent neural network approach
KR20190070625A (ko) 메타데이터를 이용한 아이템 추천 방법 및 장치
KR102203253B1 (ko) 생성적 적대 신경망에 기반한 평점 증강 및 아이템 추천 방법 및 시스템
JP7245961B2 (ja) 対話型機械学習
Guàrdia-Sebaoun et al. Latent trajectory modeling: A light and efficient way to introduce time in recommender systems
CN113761388B (zh) 一种推荐方法、装置、电子设备及存储介质
US20210110298A1 (en) Interactive machine learning
KR20210058171A (ko) 주식 예측 딥러닝 모델 생성 및 파라미터 최적화를 위한 Automated Deep Learning Studio
KR102454317B1 (ko) 가상 사용자 및 상품 증강을 이용한 콜드-스타트 문제 해결 방안
CN113763031B (zh) 一种商品推荐方法、装置、电子设备及存储介质
JP7502963B2 (ja) 情報処理システムおよび情報処理方法
JP7310827B2 (ja) 学習装置、学習方法、及びプログラム
CN117056595A (zh) 一种交互式的项目推荐方法、装置及计算机可读存储介质
KR20240048815A (ko) 모달리티 특징 반영과 타겟 아이템에 대한 사용자 흥미 모델링을 위한 멀티미디어 추천 방법 및 장치
JP7458352B2 (ja) 学習装置、学習方法および学習プログラム
KR20240050166A (ko) 추천 시스템의 데이터 희소성 문제 해결을 위한 불확실성 측정 및 행렬 대치 기법
JP7489275B2 (ja) 情報処理装置、情報処理システムおよび情報処理方法
KR20230034608A (ko) 판매데이터를 기반으로 인공지능을 활용한 상품 판매량 예측 및 상품 추천 정보 생성 방법, 장치 및 시스템
CN113076471A (zh) 信息处理方法及装置、计算设备
JP4940407B2 (ja) モデル作成装置、情報分析装置、モデル作成方法、情報分析方法およびプログラム
Kordík et al. On performance of meta-learning templates on different datasets

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right