[논문]건강관리를 위한 혼합 필터링을 이용한 개인화 식이영양 콘텐츠 추천

정경용; 이영호

doi:10.5392/jkca.2011.11.11.001

건강관리를 위한 혼합 필터링을 이용한 개인화 식이영양 콘텐츠 추천
Personalized Dietary Nutrition Contents Recommendation using Hybrid Filtering for Managing Health 원문보기

한국콘텐츠학회논문지 = The Journal of the Korea Contents Association, v.11 no.11, 2011년, pp.1 - 9

정경용 (상지대학교 컴퓨터정보공학부) , 이영호 (가천의과학대학교 의료공학부)

초록
AI-Helper

차세대 IT융합기술의 발전에 따라 개인화 건강관리 서비스를 위한 인프라스트럭처가 구축되면서, 사용자의 선호도 기반 서비스의 중요성이 부각되고 있다. 만성질환자가 증가함에 따라 건강관리 서비스는 특정 질병의 치료 및 관리에서 서비스 대상자에 대한 식이영양 관리로 진화하고 있다. 본 논문에서는 건강관리를 위한 혼합 필터링을 이용한 개인화 식이영양 콘텐츠 추천을 제안하였다. 제안한 방법에서는 유사한 콘텐츠만을 제공하는 추천 특수화 경향을 개선하기 위해 협력적 필터링과 이미지 기반 필터링을 결합한 혼합 필터링을 사용한다. 이를 웹 어플리케이션으로 구축하여 논리적 타당성과 유효성을 검증하기 위해 실험적인 적용을 시도한다. 따라서 식이영양 콘텐츠를 추천하여 건강관리에 대한 만족도와 서비스의 질을 향상시켰다. 연구결과를 활용하면 시장성 증대와 고부가 가치를 창출할 수 있을 것으로 기대하며 다양한 응용분야에 활용이 가능하다.

Abstract ▼ AI-Helper

With the development of next IT convergence technology and the construction of infrastructure for personalized healthcare services, the importance of services based on user's preference is being spotlighted. Healthcare service have been progressed as treatment and management for specific diseases and dietary nutrition managements to customers according to the increase in chronic patients. In this paper, we proposed the personalized dietary nutrition contents recommendation using the hybrid filtering for managing health. The proposed method uses the hybrid filtering through combining the collaborative filtering and the image filtering in order to reinforce the special trend that recommendation provides similar contents. We developed the Web application for this purpose, and experimented with it to verify the logical validity and effectiveness. Accordingly, the satisfaction and the quality of services will be improved the healthcare by recommending the dietary nutrition contents. This evaluation found that the difference of satisfaction by service was statistically meaningful and showed high satisfaction.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

기존의 추천 시스템에서 가장 많이 사용하는 협력적 필터링만으로 사용자의 관심이나 선호도에 맞는 식이영양 콘텐츠에 대한 예측은 잘 수행할 수 있으나, 특정 식이영양 콘텐츠의 내용에 대한 사용자의 정보 요구를 해결하는 것은 효율적이지 못하다. 본 논문에서는 보다 정확한 예측을 하기 위해서 이미지 필터링과 협력적 필터링을 조합한 혼합 필터링을 이용한 개인화 식이영양 콘텐츠 추천 시스템을 제안하고 구현하였다. 이는 이미지 필터링이 협력적 필터링을 이용한 식이영양 콘텐츠 예측에 보정하는 역할을 하기 때문에 정확한 추천이 가능하다.
이러한 개인화 아이템 추천 시스템에서 사용되는 추천 기법은 내용 기반 필터링과 협력적 필터링이 주류를 이루고 있다. 본 논문에서는 협력적 필터링과 이미지 필터링을 결합한 혼합필터링을 이용하여 개인화 식이영양 콘텐츠 추천을 제안하였다. 만성질환자를 위한 건강관리 서비스를 위해서는 의료 서비스와 의학적 가이드라인에 기반을 두어 자기관리를 통해 건강증진을 휘해 노력을 해야 한다[10].
사용자들이 식이영양 콘텐츠에 평가를 할 때 분류된 클래스에 따른 메뉴타입별, 메뉴분류별, 연령별, 열량별로 나누어 평가를 함으로써 전체 데이터베이스를 검색하거나 무작위 식이영양 콘텐츠를 선택하는 것을 피할 수 있다. 이는 사용자가 선택한 식이영양 콘텐츠에 대해서 효율적인 평가가 이루어지도록 한다. [그림 6]은 협력적 필터링만으로 사용자에게 식이영양 콘텐츠가 추천되는 예를 보인다.
그러므로 이미지 필터링에서 첫번째 입력한 질의를 다음번 검색할 때에도 그대로 이용하여, 원하는 정보를 얻지 못하였을 경우에는 원하는 정보를 얻을 때까지 계속하여 개인화 식이영양 콘텐츠 추천 시스템에 질의를 보내게 된다. 이렇게 사용자가 질의를 반복하여 입력하는 문제를 해결하기 위해서 본 논문에서는 개인화 식이영양 콘텐츠 추천 결과에 대해 적합성 피드백을 이용하여 사용자에게 최적화된 추천을 한다. 적합성 피드백은 평가 데이터를 수정하게 하여 추천의 횟수가 증가함에 따라 추천 엔진은 정확한 추천이 가능해 진다.
이미지 필터링과 협력적 필터링을 조합한 혼합 필터링에서 사용자의 선호도를 예측하는 방법에 대해서 기술한다. 혼합 필터링에서 콘텐츠 추천을 위하여 연관 사용자 유사도 가중치에 중요도 가중치를 적용하여 개인화 식이영양 콘텐츠를 추천한다[1].

제안 방법

수집한 500개의 식이영양 콘텐츠 중에서 250개의 콘텐츠는 학습을 위해 사용하며, 250개의 콘텐츠는 실험 데이터로서 사용하였다. 250개의 훈련 콘텐츠는 내용 기반 데이터베이스에 속한 사용자가 분류한 콘텐츠를 기반으로 클래스로 분류한다. 제안한 혼합 필터링을 이용한 개인화 식이영양 콘텐츠 추천의 타당성을 검증하기 위해 개인화 식이영양 콘텐츠 추천 방법론을 개발하고, 개발된 시스템에서 식이영양 콘텐츠 추천 과정을 통해 성능을 평가한다.
본 논문에서는 성능 평가를 위해 제안한 이미지 필터링과 협력적 필터링을 혼합한 추천 방법, 피어슨 상관 계수를 이용한 협력적 필터링을 이용한 추천 방법, 내용 기반 필터링만을 이용한 추천 방법을 군집된 사용자의 수를 변화시키면서 MAE 성능을 비교하였다. MAE는 예측의 정확도를 측정하기 위해서 실제로 사용자가 평가한 값과 예측된 값의 차이에 대한 절대값의 평균을 나타낸다.
따라서 새로운 사용자가 평가한 콘텐츠 개수의 제한을 정하고 제한된 개수에 미치지 못하는 사용자 유사도 가중치에 중요도 가중치를 부여한다. 본 논문에서는 중요도 가중치를 sw_a,u로 표현하고 임계치를 60으로 설정한다. 혼합 필터링에서 개인화 식이영양 콘텐츠에 대한 선호도의 예측은 (식 4)와 같이 정의한다[8].
실험 환경으로는 Sun Blade 2000, 2.8GHz, 4G RAM의 컴퓨터 사양에서 Windows Server XP 환경에 MS Visual Studio C++ 2008과 Jakarta-Tomcat-5.0.24 환경에서 JSP를 사용하여 제안한 알고리즘을 구현하였고 시뮬레이션을 하였다. 내용 정보 데이터베이스 구축을 위한 DBMS는 MS SQL Server 2008을 활용하였다.
개인화 식이영양 콘텐츠 추천 시스템은 웹 로봇 에이전트[9]에 의한 식이영양 콘텐츠를 수집한다. 역문서 빈도를 이용하여 가중치를 부여하고 식이영양 콘텐츠의 키워드를 추출한다. 식이영양 콘텐츠에서 새로운 키워드가 추출되면 내용 정보 데이터베이스의 역화일을 갱신하지 않고 새로운 역화일로 저장하며 또한 콘텐츠 식별자도 저장한다.
웹기반 설문조사는 클래스별로 식이영양 콘텐츠를 분류하고 각각의 클래스에는 50개의 식이영양 콘텐츠로 구성된다. [그림 8]은 식이영양 콘텐츠에 대한 사용자의 6단계의 선호도를 표시하기 위한 설문조사 화면을 나타낸다.
이미지 필터링은 이미지 데이터간의 비교를 하기 위해서 색 히스토그램 간의 유클리드 거리를 계산한 후, 거리의 범위에 따른 군집을 한다. 이미지 군집 속에서 평균 선호도의 가중치가 부여된 합으로 추천을 위한 예측을 하여 이미지 추천 리스트를 구성한다. [그림 4]는 사용자가 입력한 ‘김치떡’이라는 질의어에 대해서 이미지 필터링으로 추천된 식이영양 콘텐츠 리스트이다.
인터넷 상에서 설문을 받는 설문 조사와 클라이언트 프로그램은 JSP로 구현하였고, 평가한 선호도는 MS SQL Server 2008의 데이터베이스에 저장된다. 저장된 데이터베이스를 기반으로 제안한 방법론에 의해 추천 결과를 제공한다.
사용자에게 제공하는 추천 리스트 중에서 비선호하는 식이영양 콘텐츠가 있을 경우 정보검색 분야의 적합성 피드백을 사용함으로써 추천 리스트를 수정한다. 제안한 개인화 식이영양 콘텐츠 추천 시스템은 혼합 필터링에 의한 추천을 사용자에게 제공한다. 혼합 필터링 방법에 의한 추천은 이미지 필터링에 의한 추천과 협력적 필터링을 조합한 혼합 필터링에 의한 추천 시스템이다.
250개의 훈련 콘텐츠는 내용 기반 데이터베이스에 속한 사용자가 분류한 콘텐츠를 기반으로 클래스로 분류한다. 제안한 혼합 필터링을 이용한 개인화 식이영양 콘텐츠 추천의 타당성을 검증하기 위해 개인화 식이영양 콘텐츠 추천 방법론을 개발하고, 개발된 시스템에서 식이영양 콘텐츠 추천 과정을 통해 성능을 평가한다.
협력적 필터링에서 추천은 {사용자-콘텐츠} 행렬에서 사용자간의 연관 관계를 유지하면서 차원수를 감소시키기 위해서 사용자를 군집한다. 협력적 필터링에서 희박성 문제를 해결하기 위해서 {사용자-콘텐츠} 행렬에서 결측치 값을 내용 기반 필터링의 예측 값을 이용하여 {사용자-콘텐츠} 병합 행렬을 구성한다. {사용자-콘텐츠} 병합 행렬에서 분류된 식이영양 콘텐츠에 Naïve Bayes 분류자를 사용하여 클래스별로 추정치를 다르게 부여한다.
이미지 필터링과 협력적 필터링을 조합한 혼합 필터링에서 사용자의 선호도를 예측하는 방법에 대해서 기술한다. 혼합 필터링에서 콘텐츠 추천을 위하여 연관 사용자 유사도 가중치에 중요도 가중치를 적용하여 개인화 식이영양 콘텐츠를 추천한다[1]. 중요도 가중치는 새로운 사용자가 개인화 콘텐츠 추천 시스템에서 선호도를 평가한 콘텐츠의 개수가 매우 적을 경우에 유사도 가중치가 매우 높게 나오는 경우가 발생하므로 예측의 정확도가 떨어진다.
이는 이미지 필터링이 협력적 필터링을 이용한 식이영양 콘텐츠 예측에 보정하는 역할을 하기 때문에 정확한 추천이 가능하다. 혼합 필터링을 이용한 개인화 식이영양 콘텐츠 추천 시스템의 성능을 평가하기 위해 MAE를 이용하여 사용자의 수를 변화시키면서 비교하였다. 비교 결과, 제안된 방법은 사용자의 수가 많아짐에 따라 추천에 있어서 정확도가 높아짐을 보였다.

대상 데이터

본 논문에서 사용하는 실험 대상은 식이영양 분야의 콘텐츠이다. 식이영양 분야는 건강메뉴에서 한식형, 중식형, 일식형, 양식형, 동남아식형을 기반으로 주식형, 부식형, 후식형으로 분류한다.
이러한 이유는 웹 로봇 에이전트가 식이영양에 관련된 콘텐츠의 링크를 기반으로 무작위로 콘텐츠를 수집하기 때문이다[5][8]. 수집한 500개의 식이영양 콘텐츠 중에서 250개의 콘텐츠는 학습을 위해 사용하며, 250개의 콘텐츠는 실험 데이터로서 사용하였다. 250개의 훈련 콘텐츠는 내용 기반 데이터베이스에 속한 사용자가 분류한 콘텐츠를 기반으로 클래스로 분류한다.
269명의 사용자는 식이영양 콘텐츠에 대해 총 64,412번 평가를 하였다. 식이영양 데이터에서부터 적어도 100번 이상의 선호도를 평가하였고, 나이 및 성별을 제공한 321명을 추출하여 모든 식이영양 콘텐츠를 평가한 사용자 중에서 최종적으로 150명의 사용자를 선별하였다.
식이영양 분야는 건강메뉴에서 한식형, 중식형, 일식형, 양식형, 동남아식형을 기반으로 주식형, 부식형, 후식형으로 분류한다. 실험 대상으로 사용하기 위한 500개의 서로 다른 식이영양 콘텐츠를 추출하기 위해서 웹 로봇 에이전트를 이용하였다. 수집한 결과, 각 집합에는 내용이 없거나 한국어의 기본 문법 체계를 갖추지 않는 문장으로 구성된 콘텐츠가 존재하기도 하고, 식이영양과 관련없는 콘텐츠가 수집되기도 하였다.
이미지 필터링과 협력적 필터링을 조합한 혼합 필터링에 의한 개인화 식이영양 콘텐츠 추천 시스템에서 성능을 평가하기 위해서 데이터베이스는 369명의 사용자와 500개의 서로 다른 식이영양 콘텐츠로 구성하였다. 369명의 사용자 중에서 269명의 사용자는 250개의 식이영양 콘텐츠에 대해 선호도를 평가한 사용자이며, 500개의 콘텐츠는 프로파일 학습에 사용된 콘텐츠와 동일하다.

이론/모형

이미지 필터링에서 추천은 사용자의 선호도와 식이영양콘텐츠의 이미지 색 정보 사이의 정적 상관관계를 이용하여 추천한다. 이미지 필터링 방법론은 기존연구인 [7]에 자세한 내용을 기술하였다. 협력적 필터링에서 추천은 {사용자-콘텐츠} 행렬에서 사용자간의 연관 관계를 유지하면서 차원수를 감소시키기 위해서 사용자를 군집한다.

성능/효과

IM는 P_Corr를 이용한 방법보다 MAE의 정확도가 높음을 나타낸다. 결론적으로, 사용자 수를 변화시킴에 따른 MAE의 결과를 보면, 본 논문에서 제안한 H_Col_IM 방법이 예측의 정확도가 높음을 보였으며, 특히 사용자의 수가 많아짐에 따른 예측 정확도는 다른 방법보다 더욱 우수함을 보인다.
혼합 필터링을 이용한 개인화 식이영양 콘텐츠 추천 시스템의 성능을 평가하기 위해 MAE를 이용하여 사용자의 수를 변화시키면서 비교하였다. 비교 결과, 제안된 방법은 사용자의 수가 많아짐에 따라 추천에 있어서 정확도가 높아짐을 보였다. 본 연구의 결과를 일반화시키기 위해서는 실험에 사용된 데이터의 규모를 확대시킨 광범위한 연구가 필요하며, 이러한 연구 결과를 이용하여 실제 전자상거래 시스템을 구축함으로써 사용자에게 보다 다양한 서비스를 제공할 수 있을 것이다.
제안한 혼합필터링을 이용한 추천 방법은 H_Col_IM, 기존의 협력적 필터링을 이용한 추천 방법은 P_Corr, 이미지 필터링을 이용한 추천 방법은 IM이라고 표기하였다. [표 1]은 사용자 수의 변화에 따른 H_Col_IM, P_Corr, IM의 MAE 성능평가를 나타낸다.

후속연구

비교 결과, 제안된 방법은 사용자의 수가 많아짐에 따라 추천에 있어서 정확도가 높아짐을 보였다. 본 연구의 결과를 일반화시키기 위해서는 실험에 사용된 데이터의 규모를 확대시킨 광범위한 연구가 필요하며, 이러한 연구 결과를 이용하여 실제 전자상거래 시스템을 구축함으로써 사용자에게 보다 다양한 서비스를 제공할 수 있을 것이다.
향후 본 연구의 결과를 토대로 다양한 분야에 추천을 적용하여 제안한 혼합 필터링을 이용한 방법론에 대한 유효성 검증이 필요하다. 선호도를 분석하여 추천을 하기 위한 사용하였던 정보검색 분야의 방법론에 대해서 구체적인 연구가 필요하다. 웹 솔루션 업체와 구체적인 시스템 출시를 통하여 시장성 증대와 고부가가치를 창출할 수 있을 것으로 기대함으로써 다양한 응용분야에 활용이 가능하다.
선호도를 분석하여 추천을 하기 위한 사용하였던 정보검색 분야의 방법론에 대해서 구체적인 연구가 필요하다. 웹 솔루션 업체와 구체적인 시스템 출시를 통하여 시장성 증대와 고부가가치를 창출할 수 있을 것으로 기대함으로써 다양한 응용분야에 활용이 가능하다.
향후 본 연구의 결과를 토대로 다양한 분야에 추천을 적용하여 제안한 혼합 필터링을 이용한 방법론에 대한 유효성 검증이 필요하다. 선호도를 분석하여 추천을 하기 위한 사용하였던 정보검색 분야의 방법론에 대해서 구체적인 연구가 필요하다.

질의응답

핵심어	질문	논문에서 추출한 답변
	협력적 필터링이란 무엇인가?	콘텐츠 추천 시스템은 지금까지 광범위하게 연구되어 왔으며, 개인화 추천을 하는데 기초가 되는 선호도 데이터의 출처와 그 데이터가 입력되어 어떻게 이용되는지를 기준에 따라 내용 기반 필터링, 사례 기반 필터링, 규칙 기반 필터링, 협력적 필터링의 범주로 분류된다. 가장 대표적인 방법론인 협력적 필터링은 사용자와 유사한 선호도를 가진 사용자 군집의 선호도에 따라 새로운 사용자가 관심을 가질 것으로 생각되는 아이템을 추천해 주는 기법이다[8]. 선호도를 반영하기 위해서 각 사용자는 정보에 따라 선호도를 제공하여, 이로부터 상관관계를 계산하여 유사 선호도 사용자 군집을 형성하고 이들의 선호도를 종합하여 정보를 추천한다[6].
	개인화 추천의 장점은?	특히, 전자상거래의 발달은 새로운 시장의 창출 및 고객에 대한 서비스 강화를 위하여, 고객들의 선호도와 구매 내역을 분석하여 차별화된 정보를 자동으로 필터링하여 추천하는 개인화 추천 시스템을 출현하게 하였다[2][3]. 개인화 추천은 사용자에게 자신의 선호도에 부합하는 상품이나 정보를 제공함으로써 이를 얻기 위한 시간과 비용을 줄여주고, 손쉽게 상품이나 정보에 접근하도록 하는 장점을 갖는다. 또한 개인화를 통해 자신과 비슷한 유형을 갖는 사람들과 교류할 수 있는 기회를 가질 수도 있다. 이러한 개인화 콘텐츠 추천 시스템은 정보 검색이나 정보 필터링의 일부분으로 구축된다.
	개인화 콘텐츠 추천이 적용된 분야는 무엇이 있는가?	이러한 문제를 해결하기 위해 학계에서 구체적인 연구가 진행되어 왔으며, 정보 필터링을 중심으로 개인화 콘텐츠 추천은 IT융합분야의 핫이슈가 되고 있다. 추천이 적용된 분야로는 유즈넷 뉴스, 웹 페이지, 비디오, 음악, 패션, 헬스케어, 식단, 소방방재, 기상청, 도서 분야 등이며, 다양한 분야에서 추천 방법론이 적용되고 있다[4][7].

참고문헌 (10)

M. Jalali, N. Mustapha, Md. N. Sulaiman, A. Mamat, "WebPUM: A Web-based Recommendation System to Predict User Future Movements," J. of Expert Systems with Applications, Vol.37, Issue9, pp.6201-6212, 2010.

상세보기
S. U. Jang, J. Y. Cho, K. S. Jeong, and G. S. Cho, "Exploring Possibilities of ECG Electrodes for Bio-monitoring Smartwear with Cu Sputtered Fabrics," J. of Human-Computer Interaction, Vol.4551, pp.1130-1137, 2007.
H. N. Kim, A. T. Jia, I. A. Haa, and G. S. Joa, "Collaborative Filtering based on Collaborative Tagging for Enhancing the Quality of Recommendation," J. of Electronic Commerce Research and Applications, Vol.9, Issue1, pp.73-83, 2010.

상세보기
P. Melville, R. J. Mooney, and R. Nagarajan, "Content-Boosted Collaborative Filtering for Improved Recommendations," Proc. of National Conference on Artificial Intelligence, pp.187-192, 2002.
J. L. Herlocker, J. A. Konstan, L. G. Terveen, and J. T. Riedl, "Evaluating Collaborative Filtering Recommender Systems," J. of ACM Trans. on Information Systems, Vol.22, No.1, pp.5-53, 2004.

상세보기
정경용, 조선문, "내용 기반 필터링을 위한 프로파일 학습에 의한 선호도 발견", 한국콘텐츠학회논문지, 제8권, 제2호, pp.1-8, 2008.

원문보기 상세보기
정경용, "이미지 기반 필터링을 이용한 개인화 아이템 추천", 한국콘텐츠학회논문지, 제8권, 제3호, pp.1-7, 2008.

원문보기 상세보기
정경용, "혼합 필터링과 연관 이웃 마이닝을 이용한 개인화 아이템 추천 기법", 인하대학교 컴퓨터정보공학과 박사학위논문, 2005.
K. Y. Chung, "Sensibility Ergonomics Fashion Recommendation System using Weather WebBot," Proc. of the International Conference on Information Science and Applications 2011, pp.712-717, IEEE Computer Society, 2011.
박동균, 김종훈, 김재권, 정은영, 이용호, "멀티플랫폼 환경의 만성 질환자 건강관리를 위한 유헬스 서비스 모델", 한국콘텐츠학회논문지, 제11권, 제8호, pp.23-32, 2011.

원문보기 상세보기

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증