초록
지난 10년간 추천 시스템에 대한 연구가 활발히 진행되면서 다양한 기업의 수익 증대에 중요한 기여를 해왔다. 논문 추천 시스템을 다루는 접근 방식은 여러 가지가 존재한다. 기존의 대부분의 추천 시스템은 콘텐츠 기반 또는 협업 필터링 기반의 접근 방식 중 하나에 의존하지만, 두 가지 방식을 결합한 하이브리드 접근 방식도 존재하며, 이는 추천 정확도를 향상시킬 수 있다. 비록 이러한 방법을 활용한 많은 알고리즘이 제안되었지만, 여전히 개선의 여지가 있다. 본 논문에서는 사용자 평가의 유사성에 기반한 그래프 기반 모델을 사용자 인구통계학적 정보 및 위치 정보와 결합하여 추천 시스템을 제안한다. 자동에코더(Autoencoder)를 활용한 특성 추출 기법을 통해 모든 결합된 속성 기반으로 새로운 특성을 추출한다. 추출된 새로운 특성 집합을 이용해 사용자를 군집화함으로써 제안하는 방식(GHRS)은 냉시작 문제(Cold-start problem) 상황에서 기존 방법들을 압도하는 성능 향상을 달성하였다. MovieLens 데이터셋을 대상으로 한 실험 결과, 제안된 알고리즘이 기존의 여러 추천 알고리즘보다 추천 정확도에서 뛰어난 성능을 보였다.