지식그래프 기반의 문화유산 추천시스템 = A Cultural Heritage Recommender System Based on a Knowledge Graph

국문 초록 (Abstract)

추천 시스템은 문화 컨텐츠를 제공하는 응용 소프트웨어의 핵심 요소로 자리잡고 있다. 그러나, 기존의 잠재요인 협업 필터링 방법은 사용자와 문화유산 및 속성정보 간의 관계를 충분히 반영하지 못하는 한계가 있으며, 이는 데이터가 적은 상황에서 추천 시스템의 낮은 예측 성능을 야기한다. 본 연구에서는 이러한 문제를 해결하기 위해 방대한 문화유산 온톨로지 데이터와 관람객-문화유산 인터랙션 데이터를 결합한 문화유산 협업 지식그래프(Collaborative Knowledge graph)를 설계하고, 이를 기반으로 한 문화유산 추천시스템을 개발한다. 본 시스템은 협업 지식그래프와 Graph Attention Network을 결합한 Knowledge Graph Attention Network(KGAT)를 활용하며, 여기에 협업 필터링(Collaborative Filtering) 손실함수를 결합하여 사용자가 선호할 가능성이 높은 문화유산을 추천하는 방법론을 제안한다. 최종적으로, 예측된 선호도를 활용하여 각 사용자가 관람할 문화 유산 목록을 작성한다. 성능 검증을 위해 한국전통문화대학교 학생들의 문화유산 관람 이력데이터를 사용하여, 제안된 추천 시스템이 특정 사용자의 추후 문화유산 선호도를 NDCG기준에서 높은 정확도로 예측함을 확인하였다. 이는 기존의 사용자 및 상품 기반 협업 필터링에 비해 우수한 성능을 나타내며, 개인화된 문화유산 추천을 통해 사용자가 문화 유산을 더 효과적으로 탐색하고 경험할 수 있음을 시사한다.

다국어 초록 (Multilingual Abstract)

A recommendation system has become a core application software element for providing cultural content. However, traditional latent factor collaborative filtering methods have limitations in adequately reflecting relationships between users, cultural heritage, and attribute information, leading to decreased prediction performance of the recommendation system in situations with sparse data. In this study, we addressed this issue by designing a collaborative knowledge graph that combined extensive cultural heritage ontology data with user-heritage interaction data. We then developed a cultural heritage recommendation system based on this graph. The system utilized a Knowledge Graph Attention Network (KGAT), which combined a collaborative knowledge graph with a Graph Attention Network. We proposed a methodology that could incorporate a collaborative filtering loss function to recommend cultural heritage items likely to be preferred by users. Ultimately, predicted preferences could be used to create a list of cultural heritage items for each user to visit. The proposed recommendation system demonstrated high accuracy in predicting individual student preferences for cultural heritage from the perspective of Normalized Discounted Cumulative Gain (NDCG) using cultural heritage visit history data of students from the Korea National University of Cultural Heritage. It outperformed traditional user-based and item-based collaborative filtering methods, suggesting that personalized cultural heritage recommendations could enable users to explore and experience cultural heritage more effectively.