일반적으로 혼합 추천 시스템(hybrid recommender system)이란 협업적 여과 방법(collaborative filtering)을 다른 기술들과 결합하여 사용하여 사용자가 원하는 정보를 손쉽게 찾을 수 있도록 도와주는 시스템이다. 협업적 여과 방법과 결합된 혼합 시스템은 대체로 내용이 유사한 아이템들이 추천 되어 전반적인 아이템 추천 성능 및 새로이 추가된 아이템에 대한 추천의 질이 떨어지는 문제가 있다. 이러한 문제를 해결하기 위해, 본 논문에서는 다양성(diversity)을 고려한 새로운 혼합 추천 시스템을 제안한다. 제안된 시스템에서는 첫 번째 단계로 협업적 여과 방법으로부터 추천된 아이템들 간의 비유사도를 측정한다. 두 번째 단계로는 첫 번째 단계에선 추천된 비유사도가 높은 아이템들을 내용 기반의 여과 방법(content-based filtering)에 적용하여 새로운 아이템에 대한 추천 성능을 향상 시킨다. 제안된 방법의 성능 평가를 위해 movielens 데이터를 이용하여 기존의 내용기반 추천 시스템 및 단순 혼합 시스템과 비교 평가하였다. 실험 결과 제안된 방법이 내용기반 추천 시스템 및 단순 혼합시스템보다 높은 추천 성능을 보였다.
Combining collaborative filtering with some other technique is most common in hybrid recommender systems. As many recommended items from collaborative filtering seem to be similar with respect to content, the collaborative-content hybrid system suffers in terms of quality recommendation and recommending new items as well. To alleviate such problem, we have developed a novel method that uses a diversity metric to select the dissimilar items among the recommended items from collaborative filtering, which together with the input when fed into content space let us improve and include new items in the recommendation. We present experimental results on movielens dataset that shows how our approach performs better than simple content-based system and naive hybrid system.
