TV program data has been increased significantly in recent years, which makes it difficult TV viewing environment. It is important for TV users to easily obtain their preferred contents (items) from excessive amounts of TV program contents available at TV terminal sides. Matrix Factorization (MF) is known as a powerful technique, which is one of the collaborative filtering methods for item recom-mendation. Basically, the MF based methods has popularly been used in movie recommendation sys-tems where user’s rating data on movie contents are usually available. However this is not a common case in TV recommendation applications because TV recommendation systems can only access the implicit data with browsing history, watching history and so on. The accurate computation of rating values from user’s watching history of TV programs is essential for TV program recommendation. Therefore, the basic MF cannot be directly applied for TV program recommendation and cannot cap-ture the temporal changes in user preference for watching TV programs. The basic MF learns all the data at one time. In this thesis, we propose a rating computation model and a recommendation system with a hybrid MF update method based on a probabilistic MF framework. The proposed method of estimating the rating value reflect user watching history with the frequency of watching TV program series. Also, the hybrid MF update method can capture the dynamics of the time-varying user prefer-ence based on the off-line and on-line update. For test, we propose a top-k list model of MF based on the user preference on TV program genres and the watching history. Our model outperforms the basic MF model in precision performance with 80.4% precision accuracy.
방송 기술의 발달과 다양한 서비스 플랫폼의 등장으로 사용자에게 제공되는TV 프로그램의 수는 계속해서 증가하고 있으며, 이로 인해 TV 프로그램 시청자들은 수많은 TV 프로그램 속에서 그들이 선호하는 TV 프로그램을 선택하는데 어려움을 겪고 있다. 이에 따라 사용자에게 보다 편리한 TV 시청 환경을 제공하기 위해 사용자 맞춤 TV 프로그램 자동 추천시스템이 개발되고 있다. 추천시스템 알고리즘으로 사용자의 과거 행동 방식에 기반하여 추천을 해주는 협업 필터링 방식이 많이 사용되고 있으며, 최근에는 협업 필터링 방식 중에서 성능이 우수하다고 증명된 행렬 분해 방식이 연구되고 있다. 하지만 영화 추천 시스템에서 주로 사용되는 행렬 분해 방식은 사용자들의 영화 평점 정보를 기반으로 수행되는 알고리즘이기 때문에, TV 프로그램 추천에서 사용하기 위해 사용자들의 TV 프로그램 시청 이력을 이용하여 평점 정보를 추론해야 한다.
본 논문에서는 행렬 분해 방식을 TV 프로그램 추천 시스템에서 활용하기 위해 다음과 같이 세가지 방법을 제안한다. 첫째, 사용자들의 TV 프로그램 시청 이력을 바탕으로 평점을 추론하기 위해 사용자들의 해당 프로그램에 대한 시청시간과 주 단위 시청 횟수를 고려한다. 둘째, 사용자들의 선호도 변화를 반영하기 위하여 기존 Off-line update로 진행되는 행렬분해 방식에 On-line update를 추가하여 사용자들의 장기적인 선호도와 최근에 변화된 선호도를 동시에 반영한다. 셋째, 행렬분해 방식으로 얻은 TV 프로그램에 대한 선호도를 바탕으로 추천 프로그램 목록을 만들기 위하여 사용자의 장르 선호도와 과거 시청 이력을 고려한다.
제안한 방법의 추천 성능을 검증하기 위해서 한국 TV 프로그램 시청률 조사 기관인 TNmS로부터 얻은 2011.1.1부터 2011.7.30일까지 수집된 2032명의 사용자들의 TV 프로그램 시청 이력을 이용하였다. 그 결과, 기존 행렬분해 방식에 비해 온라인 가중치 행렬 분해 방식이 Top-5 추천 방식에서 80.4% 추천 정확도로 우수한 성능을 보였다.
