정보의 홍수가 발생하여 사람들이 자신이 선호하는 항목을 찾고 필터링하기가 어렵게 되었다. 이러한 문제의 해결책으로 추천 시스템(RSs)이 등장했으나, 협업 필터링과 콘텐츠 기반 필터링을 포함한 전통적인 Appen추천 시스템은 데이터 확장성, 데이터 희소성, 그리고 콜드 스타트 문제와 같은 중대한 과제에 직면해 있으며, 이를 위해 고도화된 해결책이 필요하다. 따라서 우리는 기존의 문제를 해결하기 위해 딥러닝의 결합 모델을 활용하는 순위 및 향상 시퀀스 영화 추천 시스템을 제안한다. 이러한 과제들을 완화하기 위해, 우리는 사용자 정보(나이, 성별, 직업)를 활용하는 RSs 모델을 설계하여 신규 사용자를 분석하고 유사한 선호를 가진 다른 사용자들과 매칭한다. 먼저, 사용자들의 잠재적인 다음 타깃 영화 예측을 효과적으로 수행하기 위해 사용자 행동의 시퀀스를 구성한다. 이후 입력 특징으로 사용자 정보와 영화 시퀀스 임베딩을 결합하여 차원 축소를 수행한 뒤, 이를 트랜스포머 아키텍처와 다층 퍼셉트론(multilayer perceptron, MLP)에 투입한다. 우리의 모델은 사용자 행동 시퀀스에 대한 위치 인코딩을 포함한 트랜스포머 계층과 예측 정확도를 향상시키기 위한 멀티-헤드 어텐션 메커니즘을 통합한다. 더 나아가, 이 시스템은 영화 장르 임베딩에 대해 KMeans 클러스터링을 적용하여 유사한 영화를 군집화하고, 이 클러스터링 정보를 예측 평점과 결합함으로써 타깃 사용자를 위한 개인화 추천에서 다양성을 보장한다. 두 개의 MovieLens 데이터셋(100 Kand 1 M)에서 우리 모델을 평가한 결과, 100 K 데이터셋에 대해 RMSE, MAE, precision, recall, F1 점수가 각각 1.0756, 0.8741, 0.5516, 0.3260, 0.4098로, 1 M 데이터셋에 대해 각각 0.9927, 0.8007, 0.5838, 0.4723, 0.5222로 유의미한 개선을 보였다. 본 접근법은 콜드 스타트 및 확장성 문제를 효과적으로 완화할 뿐만 아니라, Top-N 항목 추천에서 기반 기법들을 능가하여, 풍부한 데이터라는 현대 환경에서의 유효성을 입증한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.