ML 기반 대규모 이종 음악-교통 데이터 분석

개인 맞춤형 음악 추천 시스템은 사용자의 과거 행동을 기반으로 선호 모델을 구축하여 관심 음악을 추천합니다. 사용자 선호는 장단기적으로 구분되며, 머신러닝과 컴퓨팅 기술 발전은 사용자 선호도 분석 및 추천 시스템 효율성 증진에 기여합니다. 그러나 대규모 이종 음악-교통 데이터의 정보 과부하와 데이터 희소성 문제는 여전히 존재하며, 데이터 가치를 극대화하기 위한 효과적인 통합이 주요 과제입니다. 이러한 문제를 해결하기 위해, 본 연구는 먼저 장단기 선호 모델링 기반의 음악 추천 모델을 제안합니다. 다음으로, 대규모 이종 음악-교통 데이터 분석에서 발생하는 불균형 및 희소성 문제를 고려하여, 비음수 행렬 분해에 기반한 2단계 분해 방법을 제시합니다. 마지막으로, 데이터 규모 증가에 따른 에너지 소비 문제를 해결하고자 에너지 효율적인 스케줄링 전략을 설계했습니다. 제안된 모델은 절제 실험(ablation trial)을 통해 그 효과성을 검증했습니다. 실험 결과, 본 연구의 음악 추천 모델이 기존 벤치마크 모델들보다 우수한 성능을 보임을 입증했습니다. 동시에, 제안된 알고리즘이 에너지 효율성 측면에서도 효과적임을 확인했습니다. 본 연구는 대규모 이종 데이터 환경에서 개인화된 추천 시스템의 성능을 향상시키고, 동시에 에너지 효율적인 데이터 처리 방안을 제시함으로써 관련 분야의 발전에 기여할 수 있습니다.