심층 강화학습 기반의 대학 전공과목 추천 시스템

기존의 단순 통계 기반 추천 시스템은 학생들의 수강 이력 데이터만을 활용하기 때문에 선호하는 수업을 찾는 것에 많은 어려움을 겪고 있다. 이를 해결하기 위해, 본 연구에서는 심층 강화학습 기반의 개인화된 전공과목 추천 시스 템을 제안한다. 이 시스템은 학생의 학과, 학년, 수강 이력 등의 정형 데이터를 기반으로 학생들 간의 유사도를 측정하 며, 이를 통해 각 전공과목에 대한 정보와 학생들의 강의 평가를 종합적으로 고려하여 가장 적합한 전공과목을 추천한다. 본 논문에서는 이 DRL 기반의 추천 시스템을 통해 대학생들이 전공과목을 선택...

Full description

Saved in:
Bibliographic Details
Published inThe journal of the institute of internet, broadcasting and communication : JIIBC Vol. 23; no. 4; pp. 9 - 15
Main Authors 임덕선, 민연아, 임동균
Format Journal Article
LanguageKorean
Published 한국인터넷방송통신학회 31.08.2023
Subjects
Online AccessGet full text
ISSN2289-0238
2289-0246
DOI10.7236/JIIBC.2023.23.4.9

Cover

Abstract 기존의 단순 통계 기반 추천 시스템은 학생들의 수강 이력 데이터만을 활용하기 때문에 선호하는 수업을 찾는 것에 많은 어려움을 겪고 있다. 이를 해결하기 위해, 본 연구에서는 심층 강화학습 기반의 개인화된 전공과목 추천 시스 템을 제안한다. 이 시스템은 학생의 학과, 학년, 수강 이력 등의 정형 데이터를 기반으로 학생들 간의 유사도를 측정하 며, 이를 통해 각 전공과목에 대한 정보와 학생들의 강의 평가를 종합적으로 고려하여 가장 적합한 전공과목을 추천한다. 본 논문에서는 이 DRL 기반의 추천 시스템을 통해 대학생들이 전공과목을 선택하는 데에 유용한 정보를 제공하며, 이를 통계 기반 추천 시스템과 비교하였을 때 더 우수한 성능을 보여주는 것을 확인하였다. 시뮬레이션 결과, 심층 강화학습 기반의 추천 시스템은 통계 기반 추천 시스템에 비해 수강 과목 예측률에서 약 20%의 성능 향상을 보였다. 이러한 결과 를 바탕으로, 학생들의 강의 평가를 반영하여 개인화된 과목 추천을 제공하는 새로운 시스템을 제안한다. 이 시스템은 학생들이 자신의 선호와 목표에 맞는 전공과목을 찾는 데에 큰 도움이 될 것으로 기대한다.
AbstractList 기존의 단순 통계 기반 추천 시스템은 학생들의 수강 이력 데이터만을 활용하기 때문에 선호하는 수업을 찾는 것에 많은 어려움을 겪고 있다. 이를 해결하기 위해, 본 연구에서는 심층 강화학습 기반의 개인화된 전공과목 추천 시스 템을 제안한다. 이 시스템은 학생의 학과, 학년, 수강 이력 등의 정형 데이터를 기반으로 학생들 간의 유사도를 측정하 며, 이를 통해 각 전공과목에 대한 정보와 학생들의 강의 평가를 종합적으로 고려하여 가장 적합한 전공과목을 추천한다. 본 논문에서는 이 DRL 기반의 추천 시스템을 통해 대학생들이 전공과목을 선택하는 데에 유용한 정보를 제공하며, 이를 통계 기반 추천 시스템과 비교하였을 때 더 우수한 성능을 보여주는 것을 확인하였다. 시뮬레이션 결과, 심층 강화학습 기반의 추천 시스템은 통계 기반 추천 시스템에 비해 수강 과목 예측률에서 약 20%의 성능 향상을 보였다. 이러한 결과 를 바탕으로, 학생들의 강의 평가를 반영하여 개인화된 과목 추천을 제공하는 새로운 시스템을 제안한다. 이 시스템은 학생들이 자신의 선호와 목표에 맞는 전공과목을 찾는 데에 큰 도움이 될 것으로 기대한다.
기존의 단순 통계 기반 추천 시스템은 학생들의 수강 이력 데이터만을 활용하기 때문에 선호하는 수업을 찾는것에 많은 어려움을 겪고 있다. 이를 해결하기 위해, 본 연구에서는 심층 강화학습 기반의 개인화된 전공과목 추천 시스템을 제안한다. 이 시스템은 학생의 학과, 학년, 수강 이력 등의 정형 데이터를 기반으로 학생들 간의 유사도를 측정하며, 이를 통해 각 전공과목에 대한 정보와 학생들의 강의 평가를 종합적으로 고려하여 가장 적합한 전공과목을 추천한다. 본 논문에서는 이 DRL 기반의 추천 시스템을 통해 대학생들이 전공과목을 선택하는 데에 유용한 정보를 제공하며, 이를 통계 기반 추천 시스템과 비교하였을 때 더 우수한 성능을 보여주는 것을 확인하였다. 시뮬레이션 결과, 심층 강화학습기반의 추천 시스템은 통계 기반 추천 시스템에 비해 수강 과목 예측률에서 약 20%의 성능 향상을 보였다. 이러한 결과를 바탕으로, 학생들의 강의 평가를 반영하여 개인화된 과목 추천을 제공하는 새로운 시스템을 제안한다. 이 시스템은 학생들이 자신의 선호와 목표에 맞는 전공과목을 찾는 데에 큰 도움이 될 것으로 기대한다 Existing simple statistics-based recommendation systems rely solely on students' course enrollment history data, making it difficult to identify classes that match students' preferences. To address this issue, this study proposes a personalized major subject recommendation system based on deep reinforcement learning (DRL). This system gauges the similarity between students based on structured data, such as the student's department, grade level, and course history. Based on this information, it recommends the most suitable major subjects by comprehensively considering information about each available major subject and evaluations of the student's courses. We confirmed that this DRL-based recommendation system provides useful insights for university students while selecting their major subjects, and our simulation results indicate that it outperforms conventional statistics-based recommendation systems by approximately 20%. In light of these results, we propose a new system that offers personalized subject recommendations by incorporating students' course evaluations. This system is expected to assist students significantly in finding major subjects that align with their preferences and academic goals KCI Citation Count: 1
Existing simple statistics-based recommendation systems rely solely on students' course enrollment history data, making it difficult to identify classes that match students' preferences. To address this issue, this study proposes a personalized major subject recommendation system based on deep reinforcement learning (DRL). This system gauges the similarity between students based on structured data, such as the student's department, grade level, and course history. Based on this information, it recommends the most suitable major subjects by comprehensively considering information about each available major subject and evaluations of the student's courses. We confirmed that this DRL-based recommendation system provides useful insights for university students while selecting their major subjects, and our simulation results indicate that it outperforms conventional statistics-based recommendation systems by approximately 20%. In light of these results, we propose a new system that offers personalized subject recommendations by incorporating students' course evaluations. This system is expected to assist students significantly in finding major subjects that align with their preferences and academic goals. 기존의 단순 통계 기반 추천 시스템은 학생들의 수강 이력 데이터만을 활용하기 때문에 선호하는 수업을 찾는 것에 많은 어려움을 겪고 있다. 이를 해결하기 위해, 본 연구에서는 심층 강화학습 기반의 개인화된 전공과목 추천 시스템을 제안한다. 이 시스템은 학생의 학과, 학년, 수강 이력 등의 정형 데이터를 기반으로 학생들 간의 유사도를 측정하며, 이를 통해 각 전공과목에 대한 정보와 학생들의 강의 평가를 종합적으로 고려하여 가장 적합한 전공과목을 추천한다. 본 논문에서는 이 DRL 기반의 추천 시스템을 통해 대학생들이 전공과목을 선택하는 데에 유용한 정보를 제공하며, 이를 통계 기반 추천 시스템과 비교하였을 때 더 우수한 성능을 보여주는 것을 확인하였다. 시뮬레이션 결과, 심층 강화학습 기반의 추천 시스템은 통계 기반 추천 시스템에 비해 수강 과목 예측률에서 약 20%의 성능 향상을 보였다. 이러한 결과를 바탕으로, 학생들의 강의 평가를 반영하여 개인화된 과목 추천을 제공하는 새로운 시스템을 제안한다. 이 시스템은 학생들이 자신의 선호와 목표에 맞는 전공과목을 찾는 데에 큰 도움이 될 것으로 기대한다.
Author 임동균
임덕선
민연아
Author_xml – sequence: 1
  fullname: 임덕선
– sequence: 2
  fullname: 민연아
– sequence: 3
  fullname: 임동균
BackLink https://www.kci.go.kr/kciportal/ci/sereArticleSearch/ciSereArtiView.kci?sereArticleSearchBean.artiId=ART002993111$$DAccess content in National Research Foundation of Korea (NRF)
BookMark eNo9kM9Kw0AQxhepYK19AC-SixchcbOz2d0c2-Kf1EJBel-SNJHQmkrSizcPemk9ttBCBQ9eFA_FUunBJ2q372C0Igx8Mx8_5mNmF-XiThwgtG9igxNgx1XHKVcMggkYWVHD3kJ5QoStY0JZ7r8HsYOKaRp5GLBpU0ZZHpVV_10t5tpyOlyPB-vhWPWyYTFdTUfqaaStHu8yT1PP98vZfDn7Wr29aupzoD4mmupPVO9l_TDZQ9uh206D4p8WUOP0pFE512v1M6dSqumBEFT3BMMWDxlksbaHfS480wbiNpkrfCF8zE3bFBAwn2HX5sK3cMixIGHgecBJCAV0tFkbJ6Fs-ZHsuNGvXnVkK5Gly4YjzewyAEoz-HADt6K0G8m4mbZltXRR__kRYcTiHJgQVsYdbLjATbqR3w7kTRJdu8mtpGABteAbdq94aQ
ContentType Journal Article
DBID M1Z
JDI
ACYCR
DEWEY 004
DOI 10.7236/JIIBC.2023.23.4.9
DatabaseName eARticle
KoreaScience
Korean Citation Index
DatabaseTitleList


DeliveryMethod fulltext_linktorsrc
Discipline Computer Science
DocumentTitleAlternate Recommendation System of University Major Subject based on Deep Reinforcement Learning
EISSN 2289-0246
EndPage 15
ExternalDocumentID oai_kci_go_kr_ARTI_10303344
JAKO202326257736885
435345
GroupedDBID ALMA_UNASSIGNED_HOLDINGS
M1Z
.UV
JDI
ACYCR
ID FETCH-LOGICAL-e884-b86057f636469b0c78b1932ad6a8c88c0719183e6c60a978c50f7082febb372f3
ISSN 2289-0238
IngestDate Thu Mar 28 06:51:15 EDT 2024
Fri Dec 22 12:04:02 EST 2023
Tue Apr 22 16:21:12 EDT 2025
IsDoiOpenAccess true
IsOpenAccess true
IsPeerReviewed false
IsScholarly true
Issue 4
Keywords Dueling Deep Q-Network
Recommendation System
Deep Reinforcement Learning
Markov Decision Process
Deep Q-Network
Language Korean
LinkModel OpenURL
MergedId FETCHMERGED-LOGICAL-e884-b86057f636469b0c78b1932ad6a8c88c0719183e6c60a978c50f7082febb372f3
Notes KISTI1.1003/JNL.JAKO202326257736885
OpenAccessLink http://click.ndsl.kr/servlet/LinkingDetailView?cn=JAKO202326257736885&dbt=JAKO&org_code=O481&site_code=SS1481&service_code=01
PageCount 7
ParticipantIDs nrf_kci_oai_kci_go_kr_ARTI_10303344
kisti_ndsl_JAKO202326257736885
earticle_primary_435345
PublicationCentury 2000
PublicationDate 20230831
PublicationDateYYYYMMDD 2023-08-31
PublicationDate_xml – month: 08
  year: 2023
  text: 20230831
  day: 31
PublicationDecade 2020
PublicationTitle The journal of the institute of internet, broadcasting and communication : JIIBC
PublicationTitleAlternate The journal of the institute of internet, broadcasting and communication : JIIBC
PublicationYear 2023
Publisher 한국인터넷방송통신학회
Publisher_xml – name: 한국인터넷방송통신학회
SSID ssib030194646
ssib053377388
ssib023738960
ssib044745939
ssib021620247
ssib036278198
Score 2.2457874
Snippet 기존의 단순 통계 기반 추천 시스템은 학생들의 수강 이력 데이터만을 활용하기 때문에 선호하는 수업을 찾는 것에 많은 어려움을 겪고 있다. 이를 해결하기 위해, 본...
Existing simple statistics-based recommendation systems rely solely on students' course enrollment history data, making it difficult to identify classes that...
기존의 단순 통계 기반 추천 시스템은 학생들의 수강 이력 데이터만을 활용하기 때문에 선호하는 수업을 찾는것에 많은 어려움을 겪고 있다. 이를 해결하기 위해, 본...
SourceID nrf
kisti
earticle
SourceType Open Website
Open Access Repository
Publisher
StartPage 9
SubjectTerms 컴퓨터학
TableOfContents 요약 Abstract Ⅰ. 서론 Ⅱ. 연구 데이터 및 관련 연구 1. 연구 데이터 2. 관련 연구 Ⅲ. 제안 방법 1. 원-핫 인코딩 기반의 데이터 전처리 2. 환경 설정 3. Dueling Deep Q-Network Ⅳ. 실험 및 결과 Ⅴ. 결론 References
Title 심층 강화학습 기반의 대학 전공과목 추천 시스템
URI https://www.earticle.net/Article/A435345
http://click.ndsl.kr/servlet/LinkingDetailView?cn=JAKO202326257736885&dbt=JAKO&org_code=O481&site_code=SS1481&service_code=01
https://www.kci.go.kr/kciportal/ci/sereArticleSearch/ciSereArtiView.kci?sereArticleSearchBean.artiId=ART002993111
Volume 23
hasFullText 1
inHoldings 1
isFullTextHit
isPrint
ispartofPNX 한국인터넷방송통신학회 논문지, 2023, 23(4), , pp.9-15
journalDatabaseRights – providerCode: PRVHPJ
  databaseName: ROAD: Directory of Open Access Scholarly Resources
  customDbUrl:
  eissn: 2289-0246
  dateEnd: 99991231
  omitProxy: true
  ssIdentifier: ssib044745939
  issn: 2289-0238
  databaseCode: M~E
  dateStart: 20140101
  isFulltext: true
  titleUrlDefault: https://road.issn.org
  providerName: ISSN International Centre
link http://utb.summon.serialssolutions.com/2.0.0/link/0/eLvHCXMwvV3Na9RAFA9tvXgRxa_6UQI6pyVrdjKfx0ma0laqlwq9hXytlJWt1PbiQTzopfXYQgsVPHhRPBRLpaB_UZv-D76ZJE2sRaoHYQlvJ7-8eR-bfe-FyRvLuk-SLIWqK3VkyqVDOE0cEXvcwbwnMyyzWJpG2nOP2PQTMrtAF0ZGv7dWLa2uJN305ZnvlfyLV2EM_Krfkv0Lz54whQGgwb9wBA_D8Vw-RmGAhI9UoAlfIJ92UKiQ7yJJUTiJpESSGIJqWqPVCUhoXOgbtNDnJOBERw-JQC-AqK_r6JPKRYKY6zzgUBOBRiuFVAnymZkPCIxk0KnEk0E1szKyCOAZtHPieqLAcKVITVbSgIgaTypBNcEriVWpDUOqZzDMCFVaw21pDIQCdUqtaC2wMZZWims9sd6fDxJt0noqYiQIjcpwoWGnuRPg3kCA05RhCVhuhAw0UJCzuUwZiZRWouJSPW3BXv34uLo__oNFmgCAsV7OhsvuN928PUbaQUe2spfy3djTcZFjs3HP7MyMH3S1Wl34kK5skoB64cOp3OCXLuSDdDF6uhQNliOotWYivUGd5xEyal3AnDG9fcjcq7D-M8c9BhM1tSrWLbRkU4tDYJGk1dsOEikO2elJMCCEEyqblrVQlnDgYHaYrO1SrlLQyj34TTWdXFY3JtSduhhbhPRxuNxvpY_zl61LVd1nqxJ7xRoZLF21_GL9S3Gwbx_ubh5vbxxvbhdr8OVg92h3q3i_ZR-9ew1jdvHhzeHe_uHej6PPn-zi20bxdccu1neKtY_Hb3euWfNT4Xww7VSbmji5EMRJBIMKqc88UF0mbspFokuoOGOxSIVIIeOXEGVzljI3llyk1O1zSNP7eZJ4HPe969bYcGmY37RsmsVxz2MJFklKMjdN4n4qqScpxXlOEjZu3agtED0vW9dEUBx5hI5bE8Yg0TB78SyaVQ8fa8NhBuGbe0wIANwDSxmH_8Hxt86Fum1dbG6kO9bYyvJqfhcS-ZVkwvxgfgI8r7bt
linkProvider ISSN International Centre
openUrl ctx_ver=Z39.88-2004&ctx_enc=info%3Aofi%2Fenc%3AUTF-8&rfr_id=info%3Asid%2Fsummon.serialssolutions.com&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=%EC%8B%AC%EC%B8%B5+%EA%B0%95%ED%99%94%ED%95%99%EC%8A%B5+%EA%B8%B0%EB%B0%98%EC%9D%98+%EB%8C%80%ED%95%99+%EC%A0%84%EA%B3%B5%EA%B3%BC%EB%AA%A9+%EC%B6%94%EC%B2%9C+%EC%8B%9C%EC%8A%A4%ED%85%9C&rft.jtitle=%ED%95%9C%EA%B5%AD%EC%9D%B8%ED%84%B0%EB%84%B7%EB%B0%A9%EC%86%A1%ED%86%B5%EC%8B%A0%ED%95%99%ED%9A%8C+%EB%85%BC%EB%AC%B8%EC%A7%80%2C+23%284%29&rft.au=%EC%9E%84%EB%8D%95%EC%84%A0&rft.au=%EB%AF%BC%EC%97%B0%EC%95%84&rft.au=%EC%9E%84%EB%8F%99%EA%B7%A0&rft.date=2023-08-31&rft.pub=%ED%95%9C%EA%B5%AD%EC%9D%B8%ED%84%B0%EB%84%B7%EB%B0%A9%EC%86%A1%ED%86%B5%EC%8B%A0%ED%95%99%ED%9A%8C&rft.issn=2289-0238&rft.eissn=2289-0246&rft.spage=9&rft.epage=15&rft_id=info:doi/10.7236%2FJIIBC.2023.23.4.9&rft.externalDBID=n%2Fa&rft.externalDocID=oai_kci_go_kr_ARTI_10303344
thumbnail_l http://covers-cdn.summon.serialssolutions.com/index.aspx?isbn=/lc.gif&issn=2289-0238&client=summon
thumbnail_m http://covers-cdn.summon.serialssolutions.com/index.aspx?isbn=/mc.gif&issn=2289-0238&client=summon
thumbnail_s http://covers-cdn.summon.serialssolutions.com/index.aspx?isbn=/sc.gif&issn=2289-0238&client=summon