[논문]컨텍스트 인식 기반 개인화 추천 서비스를 위한 사용자 행동패턴 추론 모델

서효석; 이상용

doi:10.14400/jdpm.2012.10.2.293

컨텍스트 인식 기반 개인화 추천 서비스를 위한 사용자 행동패턴 추론 모델
A Model to Infer Users' Behavior Patterns for Personalized Recommendation Service based Context-Awareness 원문보기

디지털정책연구 = The Journal of digital policy & management, v.10 no.2, 2012년, pp.293 - 297

초록
AI-Helper

컨텍스트 인식 환경에서 개인화 추천 서비스를 제공하기 위해서는 수집된 컨텍스트 정보를 빠르게 분석하고, 효과적으로 사용자의 목적을 추론할 수 있어야 한다. 그러나 모바일 장비에서 수집되는 컨텍스트는 환경에 따라 데이터의 차이가 발생함으로 인해 기존의 추론 알고리즘을 그대로 적용하기에는 적합하지 않고 모바일 환경에 적합한 효율적인 알고리즘이 필요하다. 본 연구에서는 정보의 누락이나 오류 등으로 인한 손실을 최소화하기 위해 나이브 베이즈 분류기를 사용하여 행동 패턴을 분류하였다. 또한 사용자의 성향을 효과적으로 학습하고 행동 목적을 추론하기 위하여 패턴 매칭 기법을 시용하였다. 제안한 개인화 추천 서비스 시스템을 스마트폰에서 어플리케이션을 추천하는 서비스를 적용하여 정확도를 평가하였다.

Abstract ▼ AI-Helper

In order to provide with personalized recommendation service in context-awareness environment, the collected context data should be analyzed fast and the objective of user should be able to inferred effectively. But, the context collected from the mobile devices is not suitable for applying the existing inference algorithms as they are due to the omission or uncertainty of information and the efficient algorithms are required for mobile environment. In this paper, the behavior pattern was classified using naive bayes classification for minimize the loss caused by the omission or error of information. And pattern matching was used to effectively learn of the users inclination and infer the behavior purpose. The accuracy of the suggested inference model was evaluated by applying to the application recommendation service in the smart phones.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 모바일 환경에서 사용자의 목적에 맞는 서비스를 제공하기 위해 행동 패턴 추론 모델을 제안한다. 본 논문에서 제안하는 추론 모델은 다음과 같은 특징을 갖는다.
본 논문에서는 수집되는 컨텍스트의 종류가 부족한 점을 보완하고 사용자의 상황을 모바일 기기에서 효과적으로 학습하고 추론하기 위해 개인화 추천 서비스 시스템을 제안한다. 이 시스템은 컨텍스트의 누락에 대응하기 위해 나이브 베이즈를 이용하여 행동을 분류하였고, 패턴 매칭 기법을 사용하여 행동 목적을 추론하여 추천 서비스에 반영한다.
본 논문에서는 이러한 문제점을 해결하기 위해 모바일 장비의 센서로부터 수집된 컨텍스트를 전처리하여 상황을 분류하고, 상황에 맞는 개인화 추천 서비스를 제공시스템을 제안한다. 이를 위해 컨텍스트를 정규화하여 상황을 분류하고 사용자 행동패턴의 효과적인 구성 및 추론을 위해 나이브 베이즈 분류기를 사용한다.

제안 방법

변환할 때 간단한 데이터는 프로그램 내부에서 변수를 변환하였으며, 위도와 경도를 위치로 변환하거나, 사용 기록을 변환하는 경우는 미리 선정된 전처리 테이블을 통하여 변환하였다. 또한 수집 중 발생되는 미확인 변수는 사용자가 전처리 테이블에 변수를 추가 등록하여 수집 데이터의 누락을 방지하였다.
본 논문에서 나이브 베이즈는 사용자 행동 패턴이 미리 정의된 행동 패턴 분류에서 특정분류에 속할 확률을 계산하여 가장 높은 확률의 분류를 선택한다. 모바일 장비와 추천 서비스의 특성상 패턴 분류에는 비교적 빠르고 정확한 기법을 필요로 한다.
본 논문에서는 사용자 행동의 목적에 맞는 서비스를 추천하기 위해 스마트폰에서 수집 가능한 정보를 기반으로 컨텍스트를 전처리하여 사용한다. 정규화 과정을 거쳐 전처리된 컨텍스트는 사용자의 행동 패턴을 구성하고, 나이브 베이즈 분류기와 패턴 매칭 기법을 통해서 사용자의 목적 추론에 사용하였다.
본 논문에서는 사용자 행동패턴을 구성하기 위해 나이브 베이즈 분류기를 사용한다. 나이브 베이즈 분류기는 분류를 위해 필요한 각 속성들이 독립이고 특정 분류에 속할 때, 확률을 계산하여 분류하는 방법이다[4].
분류할 필요가 있다. 본 논문에서는 사용자의 행동을 Statistics Canada에서 조사한 GSS를 참고하여 7가지의 대분류와 18가지의 소분류로 정의하였다[61
사용자 행동을 주론하기 위해 모바일 기기에서 수집된 정보를 전처리기를 통해 행동 패턴에 적합한 데이터로 변경한다. 변경된 데이터는 나이브 베이즈 분류기를 통해 행동 패턴이 분류된다.
모습이다. 수집된 데이터는 행동 추론 과정에서 나이브 베이즈 분류기를 통해 7가지의 대분류와 18가지의 소분류로 분류하였으며, 수집 데이터와 행동 분류를 행동 데이터로 저장한다. 나이브 베이즈 분류기는 추론 성능과 속도의 향상을 위해서 대분류와 소분류로 나누어서 확률을 계산된다.
시스템의 성능을 확인하기 위해 안드로이드 기반 스마트폰을 이용해서 학습데이터를 수집하고, 14종의 어플리케이션을 추천하는 서비스를 실험하였다. 어플리케이션 추천 서비스의 정확도는 사용자의 선택으로 평가하였다.
제안한다. 이 시스템은 컨텍스트의 누락에 대응하기 위해 나이브 베이즈를 이용하여 행동을 분류하였고, 패턴 매칭 기법을 사용하여 행동 목적을 추론하여 추천 서비스에 반영한다. 실험을 통해 컨텍스트가 누락되는 상황에서도 나이브 베이즈를 통한 행동 분류가 이루어졌고, 패턴 매칭에서 추론된 데이터가 저장과 동시에 학습이 이루어져 사용자의 행동을 빠르게 학습하고 추론할 수 있음을 확인하였다.
제안한다. 이를 위해 컨텍스트를 정규화하여 상황을 분류하고 사용자 행동패턴의 효과적인 구성 및 추론을 위해 나이브 베이즈 분류기를 사용한다.
컨텍스트를 전처리하여 사용한다. 정규화 과정을 거쳐 전처리된 컨텍스트는 사용자의 행동 패턴을 구성하고, 나이브 베이즈 분류기와 패턴 매칭 기법을 통해서 사용자의 목적 추론에 사용하였다.
본 논문에서 제안하는 추론 모델은 다음과 같은 특징을 갖는다. 첫째, 수집된 컨텍스트는 전처리를 통해 나이브 베이즈 분류에 적합한 사용자 행동 모델로 구성되어 추론 모델을 통해 사용자의 행동을 추론한다. 이러한 행동 패턴 구성을 통해 사용자의 상황을 빠르게 분류하고 추론이 가능하다.

대상 데이터

추론 모델의 구조도이다. 추론 모델은 전처리기, 추론기, 서비스 추천기 및 행동 패턴 DB로 구성된다.

성능/효과

계산은 나이브 베이즈 분류기의 계산식을 따르며 행동 분류표에 따라 최대 11번(대분류 7번, 소분류 최대 4번)의 연산을 수행하여 가장 높은 확률의 분류를 행동 패턴 데이터에 추가한다. 계산 결과 행동 패턴 데이터가 기존의 모든 행동에 속하지 않는 새로운 행동일 경우 행동 패턴 파에 저장된다. 나이브 베이즈의 특성상 새로운 행동 데이터는 저장과 동시에 학습 및 추론을 위한 데이터로 사용이 가능하며 학습 데이터 집합이 커질수록 분류 결과의 신뢰성은 높아진다.
변환할 때 간단한 데이터는 프로그램 내부에서 변수를 변환하였으며, 위도와 경도를 위치로 변환하거나, 사용 기록을 변환하는 경우는 미리 선정된 전처리 테이블을 통하여 변환하였다. 또한 수집 중 발생되는 미확인 변수는 사용자가 전처리 테이블에 변수를 추가 등록하여 수집 데이터의 누락을 방지하였다.
이러한 행동 패턴 구성을 통해 사용자의 상황을 빠르게 분류하고 추론이 가능하다. 셋째, 구성된 행동 모델로 행동 패턴 매칭을 통해 목적을 추론함으로써 행동 분류 후 사용자의 목적을 파악하여 정교한 개인화 추천 서비스가 가능하다.
서비스를 500회 실험한 결과를 보여준다. 실험 초기 특이한 행동을 보인 사용자 A는 추천 정확도가 실험 초기~100회 구간에서 하락 후 100회~300회 구간에서 상승하였으며, 이후 조금씩 상승하는 결과를 보였다. 사용자 B, C는 초기단계부터 학습 데이터와 유사한 행동을 보였으며, 조금씩 상승하는 정확도를 보였다.
이 시스템은 컨텍스트의 누락에 대응하기 위해 나이브 베이즈를 이용하여 행동을 분류하였고, 패턴 매칭 기법을 사용하여 행동 목적을 추론하여 추천 서비스에 반영한다. 실험을 통해 컨텍스트가 누락되는 상황에서도 나이브 베이즈를 통한 행동 분류가 이루어졌고, 패턴 매칭에서 추론된 데이터가 저장과 동시에 학습이 이루어져 사용자의 행동을 빠르게 학습하고 추론할 수 있음을 확인하였다.
하지만 사용자의 컨텍스트를 처리하기 위해 다음과 같은 문제를 해결해야 한다. 첫째, 모바일 장비에서 수집되는 컨텍스트는 센서의 환경에 따라 차이가 발생하기 때문에 직접 사용하기에 용이하지 않다. 둘째, 사용자의 성향을 효과적으로 학습하고 추론할 수 있는 모바일 기기에 적합한 추론 모델이 필요하다.

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