Collaborative Filtering (CF) predicts the target user`s interests for items by aggregating rating information of similar users or items with similar profiles in the past. Although it is the most commonly used recommendation algorithm, it suffers from the fundamental problem, called the data sparsity. Sparsity refers to the fact that users tend to rate only a very small fraction of items. Because of insufficient information, the accuracy of the algorithm is degraded. In this paper, we propose a novel log-based CF algorithm that calculates similarity between two users by using ontological similarity between items to alleviate the data sparsity problem. First, we present ontology and metadata models about items, and revise ontological similarity measures based on these models. Second, we introduce a new pair-wise set similarity measure adopting fuzzy measure to accurately calculate user similarity which considers similarity of each item pair that can be made of two user profile sets. Our measure solves ‘underestimation’ and ‘overestimation’ problems that the traditional pair-wise set similarity measures such as pairwise average or pairwise maximum have. Finally, we suggest two prediction formulas using popularity or correlation of items as well as similarity between users to provide more accurate recommendations. Experimental results show that our approach indeed outperforms other existing CF approaches in terms of the recommendation accuracy.
협업 필터링(Collaborative Filtering, CF)은 사용자들의 관심 표현을 바탕으로 유사한 패턴을 갖는 사용자나 아이템을 식별해 내는 기법이다. 그러나 대부분의 사용자들이 수많은 아이템들 중 상대적으로 매우 적은 일부분의 아이템에 대해서만 관심 정도를 표시하기 때문에 이러한 패턴을 찾기 어려워 지는 ‘data sparsity’ 문제가 발생한다. 본 논문에서는 log-based 프로파일에 기반하여 이러한 문제를 해결할 수 있는 협업 필터링 기법을 제안한다. 온톨로지와 메타데이터 모델을 통해 아이템 간의 유사도를 구해서 비슷한 사용자를 찾을 때 동일한 아이템을 가지지 않거나 적게 가지는 두 사용자들도 비슷한 아이템을 가지면 유사도를 가지도록 한다. 이 때, 아이템 유사도를 두 사용자간의 유사도 계산에 정확하게 적용하기 위해 두 집합의 원소들로 만들 수 있는 각 순서쌍들의 유사도를 고려하는 기존의 pair-wise set similarity 방식의 정확도에 대한 문제점을 퍼지 척도를 적용함으로써 해결한다. 또한 사용자 간 유사도 외에도 아이템들의 인기도나 상관 관계를 관심도 예측에 고려함으로써 추천의 정확도를 좀 더 높인다. 끝으로, 실험 결과를 통해 본 논문에서 제안한 방법이 실제로 기존 협업 필터링보다 성능을 향상시켰음을 보인다.
