One of the challenging issues in TV recommendation applications based on implicit rating data is how to make robust recommendation for the users who irregularly watch TV programs and for the users who have their time-varying preferences on watching TV programs. To achieve the robust recommendation for such users, it is important to capture dynamic behaviors of user preference on watched TV programs over time. In this dissertation, we propose a topic-tracking based dynamic user model (TDUM) which extends the previous multi-scale dynamic topic model (MDTM) by incorporating topic-tracking into dynamic user modeling. In the proposed TDUM, the prior of the current user preference is estimated online as a weighted combination of the previously learned user preferences in multi-time spans where the optimal weight set is found in the sense of the evidence maximization of the Bayesian probability model. So, the proposed TDUM supports the dynamics of public user preferences on TV programs for collaborative filtering based TV program recommendation. We also propose a rank model for TV program recommendation. In order to verify the effectiveness of the proposed TDUM, we use a real data set of watched TV programs by 1,999 TV users for 7 months. The experiment results demonstrate that the proposed TDUM outperforms the Latent Dirichlet Allocation (LDA) model and the MDTM in terms of log-likelihood for the topic modeling performance, and also shows its superiority in comparison with LDA, MDTM, user-KNN and BPR-MF for TV program recommendation performance in terms of top-N precision-recall. Furthermore, the proposed TDUM is extended with TV user clustering, called CTDUM (Clustering based TDUM) which allows for not only the dynamic topic tracking of TV programs but also the dynamic clustering of TV users with time-varying preferences on TV program topics. So, the CTDUM is capable of recommending both the TV programs based on personal and public preferences of TV program topics, and also recommending the similar taste TV user groups for social TV. CTDUM can cluster users dynamically according to the change of preferences or the change of TV program schedules epoch by epoch.
네트워크에 연결된 TV의 등장과 함께, 접근할 수 있는 TV콘텐츠 수의 기하 급수적인 증가는 사용자들로 하여금 자신이 원하는 콘텐츠로의 접근을 어렵게 하고 있어, 자동 추천 시스템에 대한 필요성 날로 증가하고 있다. 기존의 추천 시스템들은 시청이 불규칙적이거나 시간 흐름에 따른 선호도 변화가 있는 사용자들, 그리고 TV 프로그램 편성 변화로 오는 대중의 선호도 변화를 고려하지 못하였기 때문에 추천 성능에 한계를 보여왔다. 이에 본 박사학위 논문은 불규칙적인 시청 패턴을 보이는 사용자와 시간에 가변적인 개별 사용자 및 대중 선호도를 추적할 수 있는 적응적 토픽 모델인 TDUM(Topic-Tracking based Dynamic User Model)을 제안한다. 제안 모델은 LDA(Latent Dirichlet Allocation) 기반 MDTM(Multiscale Dynamic Topic Model) 모델을 확장함으로써, MDTM모델이 사용자 개인의 시간흐름에 따른 선호도 변화를 추적하지 못한 한계점을 극복하였다. 제안된 TDUM 모델은 TV 사용자의 불규칙적인 시청 패턴에 적응적으로 TV 프로그램 토픽에 대한 개인 선호도 변화에 대한 추적을 가능하게 하였다. 현재 시점에서의 개인 선호도에 대한 prior(과거 시점에서의 토픽 선호도)를 계산하기 위해, 다중 길이 시간 구간(multiple time spans)에서 계산된 과거 토픽 선호도 파라미터들에 최적가중치(optimal weighting) 방법을 적용함으로써, 사용자 개인 선호도 학습 복잡도(learning complexity)를 감소시켰을 뿐만 아니라, 다중 길이 시간 구간을 통한 파라미터 학습의 smoothing 효과를 통해 향상된 추천 성능 결과를 얻을 수 있었다. 제안된 TDUM 모델에 대해 실제 사용자의 TV시청 이용내역 데이터를 적용하여 추천 성능을 검증한 결과, 최대 1주일 단위 추천에 대해 상위 5개 TV프로그램을 추천하였을 경우, 평균 72%의 추천 정확도(precision)를 확인할 수 있었다. 1,999명의 사용자들에 대해 1주일 단위로 18주 동안 TV프로그램 추천 실험을 수행한 결과, 기존 LDA 모델, MDTM 모델, user KNN 및 BPR MF(Bayesian Personalized Ranking Matrix Factorization)알고리즘에 비해 평균 precision-recall 값이 높은 추천 성능을 확인할 수 있었다. 그리고, log-likelihood 기반 모델 성능 비교에서도 TDUM이 LDA 및 MDTM에 비해 더 빠른 수렴을 보이면서 성능도 우수함을 확인할 수 있었다. 또한, 시청 패턴이 일정하지 않은 사용자 191명에 대해 제안 TDUM모델이 LDA와 MDTM모델보다 평균 precision이 10~20% 높은 성능을 보이는 것을 확인하였다. 시간흐름에 따른 은닉토픽의 의미론적 분석을 통해 사용자들의 TV 프로그램 시청선택에 대한 복합적 이유 및 시청 행태의 변화에 대해 보다 의미 있는 분석이 가능하였다. 마지막으로TDUM을 확장하여 개인들의 토픽에 대한 선호도를 기반으로 사용자들을 자동으로 그룹핑 함으로써, 그룹별 추론 과정을 수행하여 추론 성능을 향상시킨 CTDUM(Clustering based TDUM)을 제안하였다. CTDUM 시간에 따른 사용자 선호도 변화 및 TV 프로그램 편성 변화에 대응하여 동적으로 사용자들을 그룹핑 할 수 있다. 또한 개인별 선호도 및 대중 선호도를 모두 고려한 추천뿐 만 아니라, 사용자 그룹핑을 동시에 생성함으로써, 시간 흐름에 따른 사용자 그룹의 구성 변화와 개인 사용자 별 선호도의 변화, 그리고 토픽내의 TV프로그램 구성 변화를 동시에 추적할 수 있는 장점이 있다.
