Adaptive Cross-Domain Recommendation Model based on Association Analysis

Abstract

A recommender system is an information filtering system that predicts a user’s preferences or ratings for an item. The initial user and data sparsity problems have been the focus of several studies. One of the ways suggested to address these problems is cross-domain recommendation, which utilizes the knowledge learned from other domains for making recommendations for a target domain lacking evaluation information. Most previous studies on cross-domain recommendation do not reflect the characteristics between the target and source domains, the quality of recommendation may vary depending on the source domain used. Moreover, a scalability issue may arise because the data processing effort increases when multiple domains are aggregated and used for making recommendations. In this study, we investigated the impact of using a source domain with a high association degree and a target domain together on the accuracy of recommendation using Amazon dataset. We analyzed and compared the accuracies of proposed recommendation methods with reference to the conventional methods.

추천 시스템이란 항목에 대한 사용자의 선호도나 평점을 예측하는 정보 필터링 시스템이다. 추천 시스템에서 초기 사용자 문제와 데이터 희박도는 가장 많은 연구가 이루어지고 있는 분야이며, 이 문제에 대한 해결 방안으로 교차 도메인 추천 방법이 있다. 교차 도메인 추천은 평가 정보가 부족한 대상 도메인에서 추천하기 위하여 또 다른 도메인에서 학습한 지식을 활용한다. 기존 교차 도메인 추천 연구들은 대상 도메인과 원본 도메인 간 특성을 반영하지 못하기 때문에 어떤 원본 도메인을 사용하느냐에 따라 추천의 질에 차이가 생길 수 있으며, 여러 도메인을 합병하여 추천에 사용하는 경우 데이터 처리량 증가에 의한 확장성 문제가 발생할 수 있다. 본 연구에서는 아마존 온라인 쇼핑몰 데이터셋을 대상으로 여러 항목 범주에 걸쳐 사용자가 중복된 환경에서 대상 도메인과 연관도가 높은 도메인의 활용이 추천 정확도에 미치는 영향을 분석하였다.