본 논문은 소셜 미디어 스트림에서 그룹 추천을 개선하기 위한 Enhanced Influence-aware Group Recommendation (EIGR) 프레임워크를 제안합니다. 기존의 Influence-aware Group Recommendation (IGR)은 대규모의 사회적 그래프, 역동적인 영향력 전파, 실시간 계산 비용 등의 문제점을 가지고 있었습니다. EIGR은 Graph Extraction-based Sampling (GES) 전략을 통해 중복성을 줄이고 그룹과 아이템의 변화를 효과적으로 포착하며, DYnamic Independent Cascade (DYIC) 모델을 이용하여 시간에 따른 영향력 전파를 예측하고, two-level hash-based User Group Index (UG-Index)를 통해 사용자 그룹을 효율적으로 정리하여 실시간 추천 생성을 가능하게 합니다. 실제 데이터셋을 이용한 실험 결과, EIGR은 기존 방법들보다 효율성과 효과성 모두에서 우수한 성능을 보였습니다.
시사점, 한계점
•
시사점:
◦
대규모 소셜 네트워크 상에서의 그룹 추천 문제에 대한 효율적이고 효과적인 해결책 제시
◦
GES, DYIC, UG-Index 등의 새로운 기법을 통해 실시간 그룹 추천의 성능 향상
