타겟팅 서비스는 다양한 미디어 서비스 환경에서 사용자 프로파일, 선호도 및 사용 내역 등을 기반으로 사용자의 취향에 가장 적합한 서비스를 추천 및 제공함으로써, 서비스의 만족도와 이용량을 향상 시키는 주요한 응용서비스로서 주로 방송분야에서 연구되어 왔다. 타겟팅 서비스는 방송 콘렌츠에서 interstitial콘텐츠로, 고정형 TV단말에서 모바일 단말로 서비스의 영역이 확대되고 있으며, 단순한 방송 데이터에서 광고 데이터, 쿠폰 및 관련 미디어 콘텐츠 정보 등으로 데이터의 종류가 다양해지고 있다. 본 논문에서는 사용자 정보를 기반으로 기사, 광고 및 방송정보에 대한 타겟팅 데이터 서비스를 설계, 구현하고자 한다. 이를 위해 웹 기반의 미디어 콘텐츠에 적용할 수 있도록 사용자 프로파일, 선호도 및 사용 내역 정보를 기존 TV-Anytime Forum의 사용자 메타데이터 및 OpenSocial의 사용자 정보를 기반으로 새롭게 정의하였다. 또한, 사용자 정보와 콘텐츠 정보간 유사도 및 사용 내역을 기반으로 사용자 선호도 정보 및 행동 패턴 정보를 생성하여 타겟팅 데이터 서비스를 구현하였다. 성능평가를 통해서 제안하는 타겟팅 데이터 서비스 기술이 기존의 방송 서비스뿐만 아니라, 웹 기반의 미디어 콘텐츠에서도 적용 가능 하다는 것을 확인하였다.
타겟팅 서비스는 다양한 미디어 서비스 환경에서 사용자 프로파일, 선호도 및 사용 내역 등을 기반으로 사용자의 취향에 가장 적합한 서비스를 추천 및 제공함으로써, 서비스의 만족도와 이용량을 향상 시키는 주요한 응용서비스로서 주로 방송분야에서 연구되어 왔다. 타겟팅 서비스는 방송 콘렌츠에서 interstitial 콘텐츠로, 고정형 TV단말에서 모바일 단말로 서비스의 영역이 확대되고 있으며, 단순한 방송 데이터에서 광고 데이터, 쿠폰 및 관련 미디어 콘텐츠 정보 등으로 데이터의 종류가 다양해지고 있다. 본 논문에서는 사용자 정보를 기반으로 기사, 광고 및 방송정보에 대한 타겟팅 데이터 서비스를 설계, 구현하고자 한다. 이를 위해 웹 기반의 미디어 콘텐츠에 적용할 수 있도록 사용자 프로파일, 선호도 및 사용 내역 정보를 기존 TV-Anytime Forum의 사용자 메타데이터 및 OpenSocial의 사용자 정보를 기반으로 새롭게 정의하였다. 또한, 사용자 정보와 콘텐츠 정보간 유사도 및 사용 내역을 기반으로 사용자 선호도 정보 및 행동 패턴 정보를 생성하여 타겟팅 데이터 서비스를 구현하였다. 성능평가를 통해서 제안하는 타겟팅 데이터 서비스 기술이 기존의 방송 서비스뿐만 아니라, 웹 기반의 미디어 콘텐츠에서도 적용 가능 하다는 것을 확인하였다.
As an useful application in broadcasting services, the targeting service has been mainly studied to improve the service satisfaction and user usage in various media service environments based on user profile, preferences, and usage history. Targeting service is expanding its domain from broadcasting...
As an useful application in broadcasting services, the targeting service has been mainly studied to improve the service satisfaction and user usage in various media service environments based on user profile, preferences, and usage history. Targeting service is expanding its domain from broadcasting contents to interstitial contents and from fixed TV devices to mobile devices. Service data also include advertisement data, coupon, and information about media contents as well as simple broadcasting data. In this paper, the targeting data service is designed and implemented on articles, advertisement and broadcasting information on the basis of the user information. To adapt this to web-based media contents, information on user profile, preferences, and usage history is newly defined on the basis of the user metadata developed in TV-Anytime Forum and the user information defined in OpenSocial. The targeting data service is implemented to generate user preferences information and usage history pattern based on the similarity among user preference, contents information, and usage history. Based on performance evaluation, we prove that the proposed targeting data service is effectively applicable to web-based media contents as well as broadcasting service.
As an useful application in broadcasting services, the targeting service has been mainly studied to improve the service satisfaction and user usage in various media service environments based on user profile, preferences, and usage history. Targeting service is expanding its domain from broadcasting contents to interstitial contents and from fixed TV devices to mobile devices. Service data also include advertisement data, coupon, and information about media contents as well as simple broadcasting data. In this paper, the targeting data service is designed and implemented on articles, advertisement and broadcasting information on the basis of the user information. To adapt this to web-based media contents, information on user profile, preferences, and usage history is newly defined on the basis of the user metadata developed in TV-Anytime Forum and the user information defined in OpenSocial. The targeting data service is implemented to generate user preferences information and usage history pattern based on the similarity among user preference, contents information, and usage history. Based on performance evaluation, we prove that the proposed targeting data service is effectively applicable to web-based media contents as well as broadcasting service.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 사용자 정보 기반의 타켓팅 데이터 서비스 시스템에 대한 만족도를 평가하기 위하여 IP망을 통하여 3개 채널의 방송정보(EPG) 및 방송 데이터를 전송하고, 사용자 선호도를 기반으로 추천하는 서비스와 사용자 정보를 기반으로 타겟팅 광고 동영상을 방송 및 기사 서비스 이전에 강제적으로 제공하는 서비스를 실험적으로 구현하였다. 단, 타겟팅 데이터 서비스를 위한 사용자 선호도 정보 관리 에이전트의 구현 및 이에 대한 평가는 아직 다양한 본격적인 서비스가 이루어지지않고 있는 모바일 IPTV 서비스 환경을 대신하여, 방송채널 및 방송 정보의 확보가 가능한 공중파 및 케이블방송 환경에서 진행하였으며, 성능의 평가는 정보검색시스템의 평가 방법인 역순위 평균(Mean Reciprocal Rank : MRR) 방법을 적용하였다[19].
본 논문에서는 사용자 정보 분류 및 표현 방법, 이에따른 선호도 정보 추출 및 관리 방법에 대해 제안하고, 이를 통해 기사, 광고 데이터 및 방송정보 데이터에 대한 타겟팅 데이터 서비스를 설계 및 구현하고자 한다. 보다 효율적인 타겟팅 서비스 제공을 위해서는 사용자정보의 효율적 획득, 처리가 요구되는데, 이를 위해 TV-Anytime Forum의 사용자 메타데이터 및 OpenSocial 의 사용자 정보를 기반으로 다양한 미디어 서비스에 적용 가능하도록 사용자 정보를 새로이 정의하였다.
본 논문에서는 효율적인 타겟팅 데이터 서비스를 제공하기 위하여 TV-Anytime Forum 및 OpenSocial을 기반으로 사용자 정보의 분류 및 범위를 새롭게 정의하고, 사용자의 선호도 정보에 대한 관리와 사용자 행동패턴 결정을 기반으로 선호도 정보 추출을 수행하였다.
본 논문은 사용자 정보를 기반으로 방송, 방송정보, 기사, 광고 데이터 뚱을 사용자 맞춤형으로 제공하는 타겟팅 데이터 서비스 설계 및 구현에 대한 연구이다. 사용자 선호도 관리 에이전트는 사용자의 서비스 이용 기록올 저장하고, 사용자 행동 기록을 분석하여, 사용자의 행동 패턴을 추출한다.
웹기반의 다양한 미디어 콘탠츠 및 서비스를 지원하기 위하여 마우스 이용 패턴, 서비스 이용 시간, 콘텐츠 이름및 URL 정보를 추가하였으며, 이를 확장된 Extended-Data element로 새로이 정의하셔 usage history information 획득에 적용하였다. 새로이 정의된 확장된 element 를 기반으로 타겟팅 서비스를 위한 보다 자세한 사용자의 usage histoiy information 획득이 가능하도록 하였다.
가설 설정
본 연구에서 사용자 선호도 정보 관리 에이전트의 성능을 평가하기 위해 방송정보를 기반으로 방송시청에 있어 사용자가 실제 선택하여 시청한 프로그램을 정답 데이터로 가정하였다. 사용자가 선택한 프로그램이 사용자의 선호도 정보 기반 추천 목록에서 몇 위에 위치하고 있는지를 파악하여 식 (3)의 방식으로 역순위 평균을 계산하였다.
평가 대상 데이터에 대해 4명의 이용자가 7일간 이용한 기록을 수집하여, 그 중 5일치의 시청기록으로 사용자별 선호도 정보를 자동으로 학습하였다. 자동추출된 사용자 선호도 정보를 기반으로 선호도 정보 관리 에이전트가 추천한 사용자별 추천 프로그램 목록에서 사용자가 나머지 2일 동안 실제로 시청, 시청예약, 녹화, 추가정보 보기 및 선호 리스트에 추가하는 등 실제 이용한 프로그램을 선호도 정보 관리 에이전트가 성공적으로 추천한 정답 콘텐츠로 가정하였다. 이를 기반으로 사용자에게 추천된 추천 목록에서의 사용자가 이용한 정답콘텐츠의 순위정보를 도출할 수 있으며, 이 결과를 가지고 계산한 MRR 기반의 평가 결과는 표 6과 같다.
제안 방법
(3)은 디지털 TV에서 타겟팅 서비스 위해 TV 시청자들을 유사한 선호도를 가지는 하나의 그룹으로 분류하고, 해당 그룹의 방송 시청 내역을 기반으로 시청자들이 선호할 것으로 판단되는 콘텐츠를 디지털 TV용 collaborative filtering통해 추정하여 전달하는 기법을 제안하였다.
User Preferences Update Module에는 사용자 행동패턴을 분석하는 Pattern Collector와 사용자별 선호 및 비선호 프로그램에 대한 행동패턴을 수집하는 Feature Predictor를 포함된다. Pattern Collector에서 수집된 최적의 선호 및 비선호 패턴들을 기반으로 Preferences Predictor는 TV-Anytime Forum에서 제안하고 있는사용자 선호도 정보를 추출하고 업데이트를 수행한다. User Preferences Update Module 에서 추출된 사용자별선호도 정보를 기반으로 Recommendation and Push Modulee 선호도 정보와 프로그램 별 메타데이터를 비교하여 EPG의 프로그램들을 점수화하고, 순위화하여 선호할 것으로 예상되는 프로그램 리스트를 사용자에게 제시하거나, 사용자의 선호도를 기반으로 광고 데이터를 사용자에게 전송하게 된다.
TV-Anytime Forume OpenSocial에서 제공하지 못하는 다양한 user preferences information-S- 제공하고있기 때문어〕, 타겟팅 서비스를 위한 user preferences infoimatione TV-Anytime Forum에서 규정된 user preferences를 기준으로 설계를 진행하였다. 사용자의 usage history information6!] 대해서는 TV-Anytime 규격을 기준으로 설계 및 구현을 수행하였으며, 사용자의 행동양식에 대한 정보인 ActionType도 TV-Any-time 규격올 기준으로 하였다.
history information6!] 대해서는 TV-Anytime 규격을 기준으로 설계 및 구현을 수행하였으며, 사용자의 행동양식에 대한 정보인 ActionType도 TV-Any-time 규격올 기준으로 하였다. 그러나 TV-Anytime 규격은 방송 서비스를 기반으로 사용자에게 맞춤형 서비스를 지원하기 위해 제정된 규격이기 때문에 텍스트, 이미지, 동영상 등 웹 기반의 미디어 콘텐츠 통해 타겟팅서비스를 제공하기에는 한계가 존재한다.
4 및 MySQL 모듈을 설치했으며, XML-RPC 통신이 가능하도록 설정하였다. 그 외에 사용자 정보를 관리하는 사용자 정보 서버, 광고 및 동영상을 모바일 단말로 스트리밍 하기 위한 스트리밍 서버 및 콘텐츠 DB 서버를 구현하였으며, 유튜브, 구글맵 및 가젯 서버 등의 외부 서버와 연동이 가능하도록 하였다.
제안하는 선호도 정보 관리 에이전트는 사용자가 번거롭게 자신의 선호도 정보를 입력하고, 수정하지 않아도 최적의 추천결과를 통하여 원하는 서비스를 추천받을 수 있도록 서비스를 제공한다. 또한, 국제 표준인 TV-Anytime Forum의 메타데이터 및 구글의 OpenSocial을 기반으로 시스템을 설계하여 호환성 및 확장성을 증가시키도록 하였다.
사용자 정보 기반의 타겟팅 데이터 서비스의 구현을 위해 모바일 플랫폼으로는 안드로이드 2.1 기반의 스마트폰인 HTC Desire를 사용하였으며, 돌핀 브라우저 HD를 기본 브라우저로 적용하였다. 이와 연동되는 타겟팅 데이터 서버는 Tomcat Server 5.
시스템의 추천 내용과 실제 사용자가 선택한 프로그램과의 차이에 대해 평균 에러율을 계산하여 성능평가 방법을 제안하였다. 선호도 특성들을 자동으로 순위화 및 체계화하기 위하여 추론 네트워크를 구성하는 Bayesian 네트워크 방법을 사용하였고, 자동화를 위하여 본격적으로 통계적 학습 방법을 도입하였다는 점에서 이 연구의 의의를 둘 수 있다.
웹기반의 다양한 미디어 콘탠츠 및 서비스를 지원하기 위하여 마우스 이용 패턴, 서비스 이용 시간, 콘텐츠 이름및 URL 정보를 추가하였으며, 이를 확장된 Extended-Data element로 새로이 정의하셔 usage history information 획득에 적용하였다. 새로이 정의된 확장된 element 를 기반으로 타겟팅 서비스를 위한 보다 자세한 사용자의 usage histoiy information 획득이 가능하도록 하였다.
해당 프로그램에 대한 선호도가 높은 경우와 낮은 경우의 사용자 행동들을 규칙화하고, 사용자 히스토리에서 추출한 행동패턴과 규칙과의 비교를 통하여 사용자별 세부 선호도정보들을 추출하고 있다. 이 연구는 MPEG-7의 user history와 user preferences metadata 규격을 기반으로 시스템을 실현하였으며, 기본적인 사용자 선호도 정보의 자동 추출에 대한 개념을 정리하였지만, 사용자의 행동패턴의 분석을 임의로 선정한 간단한 몇 가지 규칙들을 토대로 구현하는데 머물렀다.
이를 위해 본 논문에서는 usage history information 에 정의된 element를 확장하여 추가적인 ExtendedAc-tionDataltem element를 표 5와 같이 정의하였다. 웹기반의 다양한 미디어 콘탠츠 및 서비스를 지원하기 위하여 마우스 이용 패턴, 서비스 이용 시간, 콘텐츠 이름및 URL 정보를 추가하였으며, 이를 확장된 Extended-Data element로 새로이 정의하셔 usage history information 획득에 적용하였다.
추출한 패턴에 의하여 사용자 선호도정보를 추출 및 수* 정하면서 사용자에게 최적의 선호 프로그램 추천이 가능하게 된다. 제안하는 선호도 정보 관리 에이전트는 사용자가 번거롭게 자신의 선호도 정보를 입력하고, 수정하지 않아도 최적의 추천결과를 통하여 원하는 서비스를 추천받을 수 있도록 서비스를 제공한다. 또한, 국제 표준인 TV-Anytime Forum의 메타데이터 및 구글의 OpenSocial을 기반으로 시스템을 설계하여 호환성 및 확장성을 증가시키도록 하였다.
식 (1)의 MI값을 기준으로 관리한다. 패턴 풀의전체 패턴의 평균 상호 정보 값인 Mlavg 값을 기준으로 Mlavg와 0보다 큰 MI를 가지는 패턴을 선호 패턴으로, 0보다 작은 MI의 패턴을 비선호 패턴으로 결정하였다. 이러한 Pattern Collector 및 Feature Predictor 과정은 사용자가 서비스를 이용하지 않는 시간에 주기적으로 수행되며, 자동적인 사용자별 행동 패턴 관찰 과정을 통해 사용자의 최신의 선호도 정보를 확보 및 관리할 수 있다.
각 콘텐츠의 장르 정보는 10개의 대분류와 78개의 세부장르로 분류하고 있다. 평가 대상 데이터에 대해 4명의 이용자가 7일간 이용한 기록을 수집하여, 그 중 5일치의 시청기록으로 사용자별 선호도 정보를 자동으로 학습하였다. 자동추출된 사용자 선호도 정보를 기반으로 선호도 정보 관리 에이전트가 추천한 사용자별 추천 프로그램 목록에서 사용자가 나머지 2일 동안 실제로 시청, 시청예약, 녹화, 추가정보 보기 및 선호 리스트에 추가하는 등 실제 이용한 프로그램을 선호도 정보 관리 에이전트가 성공적으로 추천한 정답 콘텐츠로 가정하였다.
표 4에 정의되어 있는 OpenSocial의 user profile information중 biographic informatione 표 3에 정의된 TV-Anytime Forum에서 규정총}는 정보를 모두 포함하고 있으며, 맞춤형 서비스에 적용 가능한 personal information 및 experience infonnation 정보들도 포함하고있어 본 논문에서 user profile의 biographic informatione OpenSocial을 기준으로 하였다.
대상 데이터
평가를 위한 데이터는 케이블과 공중파 방송을 포함한 78개 채널의 7일 간의 EPG 정보를 대상으로 하였다. 평가 대상인 EPG에는 77, 882개의 콘텐츠와 각 콘텐츠에 대한 채널정보, 제목, 방송시간, 캐스팅 정보 등의 메타데이터를 포함하고 있다. 각 콘텐츠의 장르 정보는 10개의 대분류와 78개의 세부장르로 분류하고 있다.
다음과 같다. 평가를 위한 데이터는 케이블과 공중파 방송을 포함한 78개 채널의 7일 간의 EPG 정보를 대상으로 하였다. 평가 대상인 EPG에는 77, 882개의 콘텐츠와 각 콘텐츠에 대한 채널정보, 제목, 방송시간, 캐스팅 정보 등의 메타데이터를 포함하고 있다.
데이터처리
선호도 특성들을 자동으로 순위화 및 체계화하기 위하여 추론 네트워크를 구성하는 Bayesian 네트워크 방법을 사용하였고, 자동화를 위하여 본격적으로 통계적 학습 방법을 도입하였다는 점에서 이 연구의 의의를 둘 수 있다. 사용한 특성 정보가 단순하여 통계적 추론방식의 장점을 최대한 살리지 못하였지만, 통계적인 평가 방법을 최초로 제안하여 시스템의 객관적인 평가를 시도하였다.
이론/모형
구현하였다. 단, 타겟팅 데이터 서비스를 위한 사용자 선호도 정보 관리 에이전트의 구현 및 이에 대한 평가는 아직 다양한 본격적인 서비스가 이루어지지않고 있는 모바일 IPTV 서비스 환경을 대신하여, 방송채널 및 방송 정보의 확보가 가능한 공중파 및 케이블방송 환경에서 진행하였으며, 성능의 평가는 정보검색시스템의 평가 방법인 역순위 평균(Mean Reciprocal Rank : MRR) 방법을 적용하였다[19].
성능/효과
본 논문에서 제안하는 타겟팅 데이터 시스템의 사용자 정보 관리 에이전트에서는 최근에 수집한 사용자 행동 기록들을 바탕으로 Feature 및 Preferences Predictor 과정을 주기적으로 수행하여 최신의 사용자선호도 정보를 관리할 수 있다. 이러한 사용자 선호도정보의 확보는 사용자의 만족도가 높은 방송 및 광고데이터의 추천을 가능하게 하므로, 이를 통해 높은 만족도의 타겟팅 서비스를 실현할 수 있다.
보다 효율적인 타겟팅 서비스 제공을 위해서는 사용자정보의 효율적 획득, 처리가 요구되는데, 이를 위해 TV-Anytime Forum의 사용자 메타데이터 및 OpenSocial 의 사용자 정보를 기반으로 다양한 미디어 서비스에 적용 가능하도록 사용자 정보를 새로이 정의하였다. 제안한 기법은 사용자 정보와 콘텐츠 정보간 유사도를 계산하고, 이를 기반으로 사용 내역 정보를 반영하여 사용자의 선호도 정보를 결정함으로써, 사용자 프로파일, 사용자 선호도 및 사용 내역을 동시에 고려할 수 있으며, 타겟팅 서비스의 정확도 및 범용성을 확보할 수 있다.
후속연구
따라서 다양한 미디어 콘텐츠를 기반으로 사용자의 이용 패턴을 분석하고, 이를 기반으로 사용자에게 적합한 타겟팅 서비스 제공을 위한 기술의 연구가 요구된다.
보완되어야 할 것이다. 또한, 사용자 정보 기반의 타겟팅 서비스 시스템의 보다 정확한 성능 평가를 위해, 웹 정보추출 시스템의 성능 평가에서 가져온 MRR 기반평가 방식에 대한 보완 및 평가 결과를 시스템에 반영하는 피드백 방식의 시스템 구현도 필요하다.
보다 많은 실험 대상에 대한 테스트 및 관리 에이전트에 대한 지속적인 학습을 통해 사용자 선호도 정보관리 에이전트의 성능 개선이 가능할 것으로 판단된다.
향후, 사용자 선호도 정보 추출 방식을 정교화하는 연구와 선호도 정보 자동 학습의 효율성을 높이기 위해 학습 시간을 단축하기 위한 알고리즘에 대한 연구가 추가적으로 보완되어야 할 것이다. 또한, 사용자 정보 기반의 타겟팅 서비스 시스템의 보다 정확한 성능 평가를 위해, 웹 정보추출 시스템의 성능 평가에서 가져온 MRR 기반평가 방식에 대한 보완 및 평가 결과를 시스템에 반영하는 피드백 방식의 시스템 구현도 필요하다.
참고문헌 (19)
S. Park, J. Lee, and S. Lee, "Design and implementation for targeting advertisement service on any-mobile device," Proceeding of the Conference of Institute of Embedded Engineering of Korea, Session 2, P-33, Nov. 2009. (in Korean)
J. Lim, M Kim, B. Lee, M. Kim, H. Lee, and H. Lee, "A target advertisement system based on TV viewer's profile reasoning," Handbook of Multimedia for Digital Entertainment and Arts, part 1, pp.115-137, 2009.
K. Chorianopoulos, "Personalized and mobile digital TV applications," Journal of Multimedia Tools and Applications, vol.36, no.10, pp.1-10, Jan. 2008.
TV-Anytime Forum, "Requirements series : R-1 (phase 2) on business models (informative)," RQ0001v21, Sep. 2004.
OpenSocial Forum, "Opensocial specification 1.0," Mar. 2010.
TV-Anytime Forum, "Specification series : S-3 on metadata (normative) part A : metadata schemas," SP003v13, Dec. 2002.
TV-Anytime Forum, "Specification series : S-6 on metadata services over a bi-directional network," SP006v10, Mar. 2003.
TV-Anytime Forum, "Specification series : S-4 on content referencing (normative)," SP004v12, Jun. 2002.
F. Kazasis, N. Moumoutzis, N. Pappas, A. Karanastasi, and S. Christodulakis, "Designing ubiquitous personalized TV-anytime services," Proceeding of the Workshop on Ubiquitous Mobile Information and Collaboration Systems, pp.136-149, Dec. 2003.
OpenSocial Forum, "Opensocial social data specification 1.0," Mar. 2010.
OpenSocial Forum, "Opensocial core gardget specification 1.0," Mar. 2010.
J. Ryu, B. Bae, M. Kim, J. Nam, and K. Kang, "Digital program guide for digital broadcasting," Proceeding of the Conference of The Korean Society of Broadcast Engineers, pp.9-14, Nov. 2001. (in Korean)
B. Bae, J. Ryu, M. Kim, J. Nam, K. Kang, and Y. Noh, "User preference extraction and update algorithm for TV anytime applications," Proceeding of the Conference of The Korean Society of Broadcast Engineers, pp.29-33, Nov. 2001. (in Korean)
S. Kang, J. Lim, and M. Kim, "Modeling the user preference of broadcasting content using bayesian networks," Journal of Electronic Image, vol.14, pp.958-967, Apr. 2005.
KETI, "Final report : development of personalized service solution," Ministry of Commerce, Industry and Energy, vol.14, May 2005. (in Korean)
T. Liang, H. Lai, and Y. Ku, "Personalized content recommendation and user satisfaction: theoretical synthesis and empirical findings," Journal of Management Information Systems, vol.23, no.3, pp.45-70, 2007.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.