최근 추천시스템에 대한 연구는 고객에게 적합한 상품을 추천하는 것에서 진일보하여, 고객이 선호할만한 친구나 배우자를 추천해주는 인맥 연결분야로 확장되고 있다. 이러한 인맥 연결의 주요한 분야로 미혼남녀를 소개시키는 온라인 데이트시스템을 생각할 수 있다. 본 연구는 사용자에게 적합한 데이트 상대를 추천해주는 온라인 매칭시스템을 제안한다. 제안된 시스템은 기존의 상품추천 시스템과는 다르게, 추천 받는 고객뿐만 아니라, 추천 되는 상대방의 호감도를 함께 고려하여, 양자가 상호 대칭적인 만족도를 갖도록 설계하였다. 또한, 인기인에게 추천이 편중되거나, 비인기인들이 추천에서 소외되지 않고, 시스템 참여자들이 전체적으로 일관된 추천 만족도를 가질 수 있도록 하였다. 본 연구에서 제안한 매칭 시스템은 Mutually Beneficial Matching(MBM) 시스템이라 명명하였으며, 이를 다른 두 일반적인 매칭 기법인 Preference-Based Matching(PBM) 기법 및 Arithmetic Mean-Based Matching(AMM) 기법과 비교하여 성능평가를 수행하였다. 즉, 위의 세 가지 기법을 Java를 사용하여 prototype으로 구현한 후, 가상의 미혼남녀 200명의 데이터에 적용하여 비교 분석하였다. 그 결과, 제안된 MBM 기법이 PBM 및 AMM 기법에 비하여 통계적으로 유의하게 높은 상호호감도(Mutual Preference)를 보임을 알 수 있었고, 호감도의 대칭성(Symmetric Ratio)도 대부분의 경우 높게 도출됨을 확인하였다. 뿐만 아니라, 제안된 MBM 기법은 PBM 기법보다 추천에서 소외된 고객 수(Number of Outsiders)가 적어서, 매칭 pool안의 사용자들에게 전체적으로 호혜적이고 일관된 추천서비스를 제공할 수 있을 것으로 기대된다.
최근 추천시스템에 대한 연구는 고객에게 적합한 상품을 추천하는 것에서 진일보하여, 고객이 선호할만한 친구나 배우자를 추천해주는 인맥 연결분야로 확장되고 있다. 이러한 인맥 연결의 주요한 분야로 미혼남녀를 소개시키는 온라인 데이트시스템을 생각할 수 있다. 본 연구는 사용자에게 적합한 데이트 상대를 추천해주는 온라인 매칭시스템을 제안한다. 제안된 시스템은 기존의 상품추천 시스템과는 다르게, 추천 받는 고객뿐만 아니라, 추천 되는 상대방의 호감도를 함께 고려하여, 양자가 상호 대칭적인 만족도를 갖도록 설계하였다. 또한, 인기인에게 추천이 편중되거나, 비인기인들이 추천에서 소외되지 않고, 시스템 참여자들이 전체적으로 일관된 추천 만족도를 가질 수 있도록 하였다. 본 연구에서 제안한 매칭 시스템은 Mutually Beneficial Matching(MBM) 시스템이라 명명하였으며, 이를 다른 두 일반적인 매칭 기법인 Preference-Based Matching(PBM) 기법 및 Arithmetic Mean-Based Matching(AMM) 기법과 비교하여 성능평가를 수행하였다. 즉, 위의 세 가지 기법을 Java를 사용하여 prototype으로 구현한 후, 가상의 미혼남녀 200명의 데이터에 적용하여 비교 분석하였다. 그 결과, 제안된 MBM 기법이 PBM 및 AMM 기법에 비하여 통계적으로 유의하게 높은 상호호감도(Mutual Preference)를 보임을 알 수 있었고, 호감도의 대칭성(Symmetric Ratio)도 대부분의 경우 높게 도출됨을 확인하였다. 뿐만 아니라, 제안된 MBM 기법은 PBM 기법보다 추천에서 소외된 고객 수(Number of Outsiders)가 적어서, 매칭 pool안의 사용자들에게 전체적으로 호혜적이고 일관된 추천서비스를 제공할 수 있을 것으로 기대된다.
This is a study of match-making systems that considers the mutual satisfaction of matching partners. Recently, recommendation systems have been applied to people recommendation, such as recommending new friends, employees, or dating partners. One of the prominent domain areas is match-making systems...
This is a study of match-making systems that considers the mutual satisfaction of matching partners. Recently, recommendation systems have been applied to people recommendation, such as recommending new friends, employees, or dating partners. One of the prominent domain areas is match-making systems that recommend suitable dating partners to customers. A match-making system, however, is different from a product recommender system. First, a match-making system needs to satisfy the recommended partners as well as the customer, whereas a product recommender system only needs to satisfy the customer. Second, match-making systems need to include as many participants in a matching pool as possible for their recommendation results, even with unpopular customers. In other words, recommendations should not be focused only on a limited number of popular people; unpopular people should also be listed on someone else's matching results. In product recommender systems, it is acceptable to recommend the same popular items to many customers, since these items can easily be additionally supplied. However, in match-making systems, there are only a few popular people, and they may become overburdened with too many recommendations. Also, a successful match could cause a customer to drop out of the matching pool. Thus, match-making systems should provide recommendation services equally to all customers without favoring popular customers. The suggested match-making system, called Mutually Beneficial Matching (MBM), considers the reciprocal satisfaction of both the customer and the matched partner and also considers the number of customers who are excluded in the matching. A brief outline of the MBM method is as follows: First, it collects a customer's profile information, his/her preferable dating partner's profile information and the weights that he/she considers important when selecting dating partners. Then, it calculates the preference score of a customer to certain potential dating partners on the basis of the difference between them. The preference score of a certain partner to a customer is also calculated in this way. After that, the mutual preference score is produced by the two preference values calculated in the previous step using the proposed formula in this study. The proposed formula reflects the symmetry of preferences as well as their quantities. Finally, the MBM method recommends the top N partners having high mutual preference scores to a customer. The prototype of the suggested MBM system is implemented by JAVA and applied to an artificial dataset that is based on real survey results from major match-making companies in Korea. The results of the MBM method are compared with those of the other two conventional methods: Preference-Based Matching (PBM), which only considers a customer's preferences, and Arithmetic Mean-Based Matching (AMM), which considers the preferences of both the customer and the partner (although it does not reflect their symmetry in the matching results). We perform the comparisons in terms of criteria such as average preference of the matching partners, average symmetry, and the number of people who are excluded from the matching results by changing the number of recommendations to 5, 10, 15, 20, and 25. The results show that in many cases, the suggested MBM method produces average preferences and symmetries that are significantly higher than those of the PBM and AMM methods. Moreover, in every case, MBM produces a smaller pool of excluded people than those of the PBM method.
This is a study of match-making systems that considers the mutual satisfaction of matching partners. Recently, recommendation systems have been applied to people recommendation, such as recommending new friends, employees, or dating partners. One of the prominent domain areas is match-making systems that recommend suitable dating partners to customers. A match-making system, however, is different from a product recommender system. First, a match-making system needs to satisfy the recommended partners as well as the customer, whereas a product recommender system only needs to satisfy the customer. Second, match-making systems need to include as many participants in a matching pool as possible for their recommendation results, even with unpopular customers. In other words, recommendations should not be focused only on a limited number of popular people; unpopular people should also be listed on someone else's matching results. In product recommender systems, it is acceptable to recommend the same popular items to many customers, since these items can easily be additionally supplied. However, in match-making systems, there are only a few popular people, and they may become overburdened with too many recommendations. Also, a successful match could cause a customer to drop out of the matching pool. Thus, match-making systems should provide recommendation services equally to all customers without favoring popular customers. The suggested match-making system, called Mutually Beneficial Matching (MBM), considers the reciprocal satisfaction of both the customer and the matched partner and also considers the number of customers who are excluded in the matching. A brief outline of the MBM method is as follows: First, it collects a customer's profile information, his/her preferable dating partner's profile information and the weights that he/she considers important when selecting dating partners. Then, it calculates the preference score of a customer to certain potential dating partners on the basis of the difference between them. The preference score of a certain partner to a customer is also calculated in this way. After that, the mutual preference score is produced by the two preference values calculated in the previous step using the proposed formula in this study. The proposed formula reflects the symmetry of preferences as well as their quantities. Finally, the MBM method recommends the top N partners having high mutual preference scores to a customer. The prototype of the suggested MBM system is implemented by JAVA and applied to an artificial dataset that is based on real survey results from major match-making companies in Korea. The results of the MBM method are compared with those of the other two conventional methods: Preference-Based Matching (PBM), which only considers a customer's preferences, and Arithmetic Mean-Based Matching (AMM), which considers the preferences of both the customer and the partner (although it does not reflect their symmetry in the matching results). We perform the comparisons in terms of criteria such as average preference of the matching partners, average symmetry, and the number of people who are excluded from the matching results by changing the number of recommendations to 5, 10, 15, 20, and 25. The results show that in many cases, the suggested MBM method produces average preferences and symmetries that are significantly higher than those of the PBM and AMM methods. Moreover, in every case, MBM produces a smaller pool of excluded people than those of the PBM method.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서, 본 연구에서는 서로에 대한 호감도의 대칭성을 매칭적합도(Compatibility)계산에 반영할 수 있는 새로운 공식을 수식 (5)와 같이 제안한다. 제안된 공식은 양쪽의 호감도가 완전 대칭인 경우에는 매칭적합도와 산술평균값을 동일하게 부여하지만, 호감도가 비대칭적일수록 양쪽 중에서 점차 적은 쪽 호감도에 가깝도록 패널티를 부여하는 것을 기본 사상으로 한다.
본 논문은 온라인 매칭분야에 특화된 새로운 추천시스템을 제안한다. 제안된 시스템은 매칭 pool 안의 참여자들 중에서 고객의 이상형과 확률적 유사성이 높은 상대방을 추천하되, 추천 받는 고객과 추천 되는 상대방이 모두 만족할 수 있는 호혜성을 고려하여 설계하였다.
본 연구는 현재 국내에서 거의 수행되지 않고 있는 미혼남녀의 온라인 매칭 분야에 특화된 추천 시스템을 제안하였다. 본 연구에서 제안된 시스템은 크게 세 가지 특징을 갖는다.
본 장에서는 고객 및 상대방의 만족도를 모두 만족시키는 Mutually Beneficial Matching(MBM) 시스템을 제안한다. 제 3.
본 절에서는 고객과 상대방이 서로에게 갖는 상호 매칭적합도(Compatibility)를 산출하는 방법을 소개한다. 제 3.
본 절에서는 고객이 상대방에게 갖는 단방향 프로필 호감도(Preference)를 산정하는 방법을 기술 한다. 우선, 고객들은 나이, 직업, 학력, 연봉 신장 등의 프로필 정보 Rattribute = {rage, rjob, reducation, rsalary, rheight}와, 동일항목에 대한 선호 이상형 정보 Pattribute 를 갖는다.
가설 설정
우선, 고객들은 나이, 직업, 학력, 연봉 신장 등의 프로필 정보 Rattribute = {rage, rjob, reducation, rsalary, rheight}와, 동일항목에 대한 선호 이상형 정보 Pattribute 를 갖는다. 또한, 본인이 중요하게 고려하는 프로필 항목에 대한 가중치 Wattribute를 부여할 수 있다고 가정한다. 따라서, 남성 참가자 mi 와 여성 fj는 각각 다음과 같은 데이터 셋을 갖는다.
그 후, 수식 (2)와 같이 거리 분포의 평균이 0, 표준편차가 1이 되도록 정규화를 수행한다. 이때, 상대 이성 고객의 수가 100명 이상이라고 가정하여, 정규분포를 사용하였다.
제안 방법
본 연구에서는 제 3절에서 제안된 Mutually Beneficial Matching(MBM) 기법을 프로그래밍 언어 Java를 사용하여 구현하였다. 그 외에, 일반 적으로 고려할 수 있는 다른 두 가지 기법인 고객의 단방향 프로필 호감도(Preference)만을 고려한 매칭(Preference-Based Matching) 및 양쪽 호감도의 산술평균에 기반한 매칭(Arithmetic MeanBased Matching)을 추가로 구현하여, 제안된 MBM 기법과의 비교분석을 수행하였다.
예를 들어, 남성 참가자 mi가 여성 참가자 fj에게 갖는 프로필 호감도를 계산하기 위해서는 mi 의 이상형 속성 Pattribute(mi )와 fj의 실제 프로필 Rattribute(fj)사이의 유클리디안 거리를 수식 (1)과 같이 산출한다. 단, 거리산출 이전에 각 속성별 단위가 0에서 1사이의 값을 갖도록 표준화를 수행하였으며, 각 속성별로 사용자가 설정한 가중치를 반영하여 거리를 계산하였다.
수식 (6) 은 상호호감도의 평균을 산정하는 공식을 나타내고 있다. 둘째, 추천 대상자들이 서로에게 갖는 호감도의 대칭성(Symmetric Ratio)을 평가한다. 대칭성은 매칭된 두 사람 중에서 추천에 더욱 만족하는 사람의 호감도 대비 적게 만족하는 사람의 호감도의 비율로 산정하였으며, 수식 (7)은 대칭성 평균을 산정하는 공식을 나타내고 있다.
첫째, 매칭 pool안의 수많은 참여자들 중에서, 해당 고객의 이상형과 확률적으로 가장 유사한 상대방을 효과적으로 선별할 수 있다. 둘째, 추천 받는 고객뿐만 아니라, 추천되는 상대방의 호혜성을 함께 고려하여 추천을 수행하였다. 마지막으로, 비인기인도 추천에서 배제되지 않고 적합한 상대방에게 추천되어, 전체 고객들에게 고른 추천이 이뤄진다.
위의 세 가지 매칭기법들은 고객에게 모두 동일한 수의 상대방을 추천하지만, 해당 고객이 상대방에게 추천 되는 수는 각기 상이하다. 따라서, 본 연구에서는 임의의 고객이 자신이 추천 받은 고객수의 10% 미만에도 미치지 못하는 수준으로 상대방에게 추천되었다면, 해당 고객을 실질적으로 매칭 pool 에서 소외된 비인기인으로 판단하여 아웃사이더 (Outsider)로 분류하였다. 매칭시스템은 추천에서 소외되는 참가자가 최소화될 수 있어야 하므로, 아웃사이더의 수를 성능평가에 반영하였다.
[Figure 9]에서 보는 바와 같이, 각기법 별 상호만족도는 이분산성을 가지고 있으며, 정규분포를 가정하는 데에도 무리가 있다. 따라서, 윌콕슨의 순위합 검정을 수행하여 [Table 4]와같이 매칭 기법들 간의 상호호감도의 평균을 비교 하였다. 우선, 제안된 MBM 기법과 PBM 기법을 95% 신뢰수준에서 단측검정으로 비교한 결과, MBM 기법이 모든 경우에 있어서 PBM 기법보다 통계적으로 유의하게 높은 상호호감도를 도출한다는 것을 확인할 수 있었다.
모든 고객들의 정보를 위와 같은 형태로 표현한후, 고객의 이상형과 상대방의 실제 프로필간의 거리의 유사성을 계산한다. 예를 들어, 남성 참가자 mi가 여성 참가자 fj에게 갖는 프로필 호감도를 계산하기 위해서는 mi 의 이상형 속성 Pattribute(mi )와 fj의 실제 프로필 Rattribute(fj)사이의 유클리디안 거리를 수식 (1)과 같이 산출한다.
본 연구에서는 고객과 상대 이성고객들과의 매칭적합도(Compatibility)를 모두 산정한 후, 이 값이 가장 높은 상대방을 추천 수 n(명)만큼 추천한다. [Figure 4]는 본 절에서 제안하는 매칭기법의 전체 알고리즘을 기술하였다.
본 연구에서는 제 3절에서 제안된 Mutually Beneficial Matching(MBM) 기법을 프로그래밍 언어 Java를 사용하여 구현하였다. 그 외에, 일반 적으로 고려할 수 있는 다른 두 가지 기법인 고객의 단방향 프로필 호감도(Preference)만을 고려한 매칭(Preference-Based Matching) 및 양쪽 호감도의 산술평균에 기반한 매칭(Arithmetic MeanBased Matching)을 추가로 구현하여, 제안된 MBM 기법과의 비교분석을 수행하였다.
본 장에서는 제안된 Mutually Beneficial Matching(MBM) 기법 및 다른 두 가지 기법인 Preference-Based Matching(PBM)과 Arithmetic MeanBased Matching(AMM) 기법을 가상의 미혼남녀 200명의 데이터에 적용하여 실험한 결과를 제시한다. 추천 수는 각 기법 별로 5명, 10명, 15명, 20명, 25명으로 다섯 차례 조정하여 실험하였다.
성능평가의 마지막 요소로, 본 연구는 소외고객 (Outsider)의 수를 산출하였다. 즉, 매칭 pool안의 전체 고객들 중에서 자신이 추천 받은 수의 10%미만으로 상대방에게 추천된 고객들의 수를 합산하였다.
국외의 경우, 매칭 시스템에 대한 초기 연구로 Brozovsk and Petricek(2007)이 기존의 협업필터링 기법을 온라인 데이트 분야에 적용한 연구가 있다. 이 연구는 고객의 프로필이나 이상형 정보를 전혀 사용하지 않고, 해당 고객이 과거에 상대방들에게 부여한 선호도 점수만을 활용하여 추천을 수행한다. 이 연구는 온라인 매칭을 추천시스템의 주요한 분야로 인식하였다는 점에서는 의의가 있지만, 매칭 시스템에 요구되는 상호만족성를 고려하지 않았을 뿐만 아니라, 기존에 매칭 시스템을 많이 사용하지 않은 고객 및 신규고객에게 정확한 매칭을 수행하지 못하는 cold-start의 문제를 갖는다.
(2010)이 사용자들 간에 긍정적 메시지를 주고 내역에 기반하여 협업필터링으로 매칭을 수행한 논문이 있다. 이 연구는 추천이 수행된 이후의 상호 교류에 초점을 둔 논문으로, 추천 받은 사람에게 메시지를 보낸 후, 긍정적인 회신을 받았을 경우에만 협업필터링에 두 매칭자들 사이의 교류를 인정하는 방식으로 상호 호혜성이 시스템에 반영되도록 하였다.
첫째, 추천 받은 고객과 추천된 고객이 서로에게 갖는 상호호감도(Mutual Preference)의 평균을 사용하였다. 이때, 개인별 호감도(Preference)는 고객이 다른 이성고객들에 비해, 특정 상대방을 얼마나 선호하는지의 상대적인 비율로 계산되었기 때문에, 상호호감도 계산 시에는 비율의 평균을 계산하는 조화평균을 활용하였다. 수식 (6) 은 상호호감도의 평균을 산정하는 공식을 나타내고 있다.
따라서 가상의 여성 A의 나이는 28세~32세로 설정된다. 이러한 방식으로, 총 200명의 가상 고객에 대한 나이, 직업, 학력, 연봉 신장 등 총 5개 항목 및 동일 항목에 대한 선호 이상형정보, 그리고 항목별 가중치를 생성하였다.
이에 착안하여, 본 연구에서는 [Figure 2]와 같이 전체 거리분포에서 상대방과의 거리 D 이상인 부분의 누적확률을 사용하여 프로필 호감도(Preference)를 산출하였다. 이를 위하여, 우선 남성 고객 mi 의 이상형 Pattribute(mi )와 전체 여성 고객들의 프로필 Rattribute들과의 거리 분포를 파악한다. 이때, 거리의 평균은 μmi , 표준편차는 σmi 로 나타내었다.
1절에서는 고객 mi 와 상대고객 fj가 서로에 대해 갖는 호감도 Preferencemi→fj 와 Preferencemi→fj 를 산출하였다. 이를 활용하여, 서로의 매칭적합도를 산출하는 가장 단순한 방법으로, 우선 이 두 값의 산술평균을 고려해보았다. 즉, 양자 간의 프로필 호감도(Preference)의 산술평균으로 상호 매칭적합도를 계산하는 것이다 [Table 1]은 이러한 방식을 사용하여, 매칭적합도가 80%로 동일하게 산출된 세 가지의 사례를 소개하였다.
즉, 거리 D가 상대적으로 짧을수록 상대방 프로필이 고객의 이상 형과 근접하여, 높은 프로필 호감도를 갖게 된다. 이에 착안하여, 본 연구에서는 [Figure 2]와 같이 전체 거리분포에서 상대방과의 거리 D 이상인 부분의 누적확률을 사용하여 프로필 호감도(Preference)를 산출하였다. 이를 위하여, 우선 남성 고객 mi 의 이상형 Pattribute(mi )와 전체 여성 고객들의 프로필 Rattribute들과의 거리 분포를 파악한다.
따라서, 본 연구에서는 서로에 대한 호감도의 대칭성을 매칭적합도(Compatibility)계산에 반영할 수 있는 새로운 공식을 수식 (5)와 같이 제안한다. 제안된 공식은 양쪽의 호감도가 완전 대칭인 경우에는 매칭적합도와 산술평균값을 동일하게 부여하지만, 호감도가 비대칭적일수록 양쪽 중에서 점차 적은 쪽 호감도에 가깝도록 패널티를 부여하는 것을 기본 사상으로 한다. 이를 위하여, 아래 수식 (4)와 같이 호감도의 대칭성(Symmetricity)을 산출한다.
본 논문은 온라인 매칭분야에 특화된 새로운 추천시스템을 제안한다. 제안된 시스템은 매칭 pool 안의 참여자들 중에서 고객의 이상형과 확률적 유사성이 높은 상대방을 추천하되, 추천 받는 고객과 추천 되는 상대방이 모두 만족할 수 있는 호혜성을 고려하여 설계하였다. 또한, 인기인에게 추천이 편중되거나, 비인기인들이 추천에서 소외되지 않고, 시스템 참여자들이 전체적으로 일관된 추천 만족도를 가질 수 있도록 하였다.
이를 활용하여, 서로의 매칭적합도를 산출하는 가장 단순한 방법으로, 우선 이 두 값의 산술평균을 고려해보았다. 즉, 양자 간의 프로필 호감도(Preference)의 산술평균으로 상호 매칭적합도를 계산하는 것이다 [Table 1]은 이러한 방식을 사용하여, 매칭적합도가 80%로 동일하게 산출된 세 가지의 사례를 소개하였다.
대상 데이터
대칭성은 매칭된 두 사람 중에서 추천에 더욱 만족하는 사람의 호감도 대비 적게 만족하는 사람의 호감도의 비율로 산정하였으며, 수식 (7)은 대칭성 평균을 산정하는 공식을 나타내고 있다. 마지막 평가요소로는 추천에서 소외된 사람들의 수를 고려하였다. 위의 세 가지 매칭기법들은 고객에게 모두 동일한 수의 상대방을 추천하지만, 해당 고객이 상대방에게 추천 되는 수는 각기 상이하다.
본 연구는 국내 결혼정보업체 듀오의 설문조사 결과를 활용하여, 가상의 미혼남녀 각 100명의 데이터를 생성하여 실험을 수행하였다. 즉, 듀오가 2008년 대한민국 미혼 남녀 총 975명을 대상으로 실시한 결혼인식에 대한 설문결과(https://www.
본 연구는 국내 결혼정보업체 듀오의 설문조사 결과를 활용하여, 가상의 미혼남녀 각 100명의 데이터를 생성하여 실험을 수행하였다. 즉, 듀오가 2008년 대한민국 미혼 남녀 총 975명을 대상으로 실시한 결혼인식에 대한 설문결과(https://www.d uo.co.kr/html/service/data_marry.asp#top02)를 활용하여, 고객의 인물특성, 이상형 및 배우자 선택 시 중요하게 고려하는 요소에 대한 정보를 입수한 후, 룰렛 알고리즘을 활용하여 이와 유사한 가상의 데이터를 생성하였다. 룰렛 알고리즘은 유전자 알고리즘의 복제과정에서 주로 활용되는 기법으로, 실제와 유사한 가상의 세부데이트를 생성하는데 유용하다.
본 장에서는 제안된 Mutually Beneficial Matching(MBM) 기법 및 다른 두 가지 기법인 Preference-Based Matching(PBM)과 Arithmetic MeanBased Matching(AMM) 기법을 가상의 미혼남녀 200명의 데이터에 적용하여 실험한 결과를 제시한다. 추천 수는 각 기법 별로 5명, 10명, 15명, 20명, 25명으로 다섯 차례 조정하여 실험하였다.
데이터처리
본 연구는 이러한 기법 별 상호만족도의 차이가 통계적으로 과연 유의한지 확인하기 위하여, 윌콕슨 순위합 검정(Wilcoxon Rank-Sum Test)을 수행하였다. 윌콕슨 순위합 검정은 비교대상인 두 집단이 이분산이고, 정규분포 가정을 둘 수 없을 경우 사용된다.
성능평가의 두 번째 요소로, 추천 받는 고객과 추천되는 상대방이 서로에게 갖는 호감도의 상호 대칭성(Symmetric Ratio)을 비교 분석하였다. [Table 5]는 추천수에 따른 기법별 호감도 대칭성의 평균 값을 나타내고 있다.
성능평가의 첫 번째 요소로, 우선 상호호감도 (Mutual Preference)의 평균값을 산출하였다. 고객들 간의 상호호감도는 고객수(200명)×추천수(개) 만큼 산출되며, 그 평균 값은 [Table 3]에 나타내었다.
본 연구의 성능평가는 다음의 세 가지 방식으로 수행된다. 첫째, 추천 받은 고객과 추천된 고객이 서로에게 갖는 상호호감도(Mutual Preference)의 평균을 사용하였다. 이때, 개인별 호감도(Preference)는 고객이 다른 이성고객들에 비해, 특정 상대방을 얼마나 선호하는지의 상대적인 비율로 계산되었기 때문에, 상호호감도 계산 시에는 비율의 평균을 계산하는 조화평균을 활용하였다.
성능/효과
반면, PBM 기법을 사용하여 매칭 수행 시, 사용자간의 상호만족도가 모든 경우에 있어서 가장 낮게 도출되었다. AMM 기법을 사용하였을 경우, 추천 수가 5(개)일 때에는 MBM 기법과 비교적 유사한 상호호감도를 보이지만, 추천 수가 점차 증가할수록 두 기법간의 성능차이가 커짐을 알 수 있었다.
고객들 간의 상호호감도는 고객수(200명)×추천수(개) 만큼 산출되며, 그 평균 값은 [Table 3]에 나타내었다. [Table 3]에서 보는 바와 같이, 추천수를 5회 변경하여 실험한 모든 결과에 있어서, 제안된 MBM 기법은 사용자간 상호호감도가 가장 높게 도출됨을 알 수 있었다. 반면, PBM 기법을 사용하여 매칭 수행 시, 사용자간의 상호만족도가 모든 경우에 있어서 가장 낮게 도출되었다.
우선, 제안된 MBM 기법과 PBM 기법을 95% 신뢰수준에서 단측검정으로 비교한 결과, MBM 기법이 모든 경우에 있어서 PBM 기법보다 통계적으로 유의하게 높은 상호호감도를 도출한다는 것을 확인할 수 있었다. 다음으로, MBM 기법과 AMM 기법을 비교한 결과, 추천 수가 15개, 20개, 25개인 경우 MBM 기법이 AMM 기법보다 통계적으로 유의하게 높은 상호만족도를 보임을알 수 있었다.
우선, 상품추천시스템은 추천 받는 사람만 만족시키면 되지만, 매칭 시스템은 추천 되는 대상을 함께 만족시켜야 성공 가능성이 높아진다. 둘째, 상품추천시스템은 수요가 높은 인기상품의 대량 공급이 가능하기 때문에 집중적인 반복 추천이 가능하지만, 공급이 제약적인 매칭 시스템에서 인기인에게 추천이 집중되는 것은 무의미하다. 예를 들어, 결혼정보업체 듀오가 2008년 975명의 대한민국 미혼남녀를 대상으로 실시한 설문 조사결과에 따르면, 여성의 54%가 석사 이상의 학력을 가진 남성을 선호하지만, 남성의 19%만이 석사 이상의 학력을 가지고 있다고 한다.
본 연구에서 제안된 공식을 위의 [Table 1]의 세 가지 사례에 적용하여 매칭적합도를 계산하면, [Table 2]에서와 같이 사례 1의 경우 둘 사이의 호감도 비대칭성이 매칭적합도에 패널티로 반영되어 산술평균값인 80%보다 낮은 72%로 산출되며, 둘의 호감도가 완전 대칭인 사례 3의 경우, 산술평균과 매칭적합도는 동일하게 80%로 산출된다. 따라서, 양쪽의 호감도 대칭성이 매칭적합도에 반영되어 산정됨을 알 수 있다.
따라서, 윌콕슨의 순위합 검정을 수행하여 [Table 4]와같이 매칭 기법들 간의 상호호감도의 평균을 비교 하였다. 우선, 제안된 MBM 기법과 PBM 기법을 95% 신뢰수준에서 단측검정으로 비교한 결과, MBM 기법이 모든 경우에 있어서 PBM 기법보다 통계적으로 유의하게 높은 상호호감도를 도출한다는 것을 확인할 수 있었다. 다음으로, MBM 기법과 AMM 기법을 비교한 결과, 추천 수가 15개, 20개, 25개인 경우 MBM 기법이 AMM 기법보다 통계적으로 유의하게 높은 상호만족도를 보임을알 수 있었다.
성능평가의 마지막 요소로, 본 연구는 소외고객 (Outsider)의 수를 산출하였다. 즉, 매칭 pool안의 전체 고객들 중에서 자신이 추천 받은 수의 10%미만으로 상대방에게 추천된 고객들의 수를 합산하였다. [Table 6]은 추천 수 5회 바꿔가면서 실험하였을 때의 소외고객 수를 각 기법 별로 비교하여 나타내었다.
본 연구에서 제안된 시스템은 크게 세 가지 특징을 갖는다. 첫째, 매칭 pool안의 수많은 참여자들 중에서, 해당 고객의 이상형과 확률적으로 가장 유사한 상대방을 효과적으로 선별할 수 있다. 둘째, 추천 받는 고객뿐만 아니라, 추천되는 상대방의 호혜성을 함께 고려하여 추천을 수행하였다.
반면, AMM 기법과 MBM 기법은 소외고객 수가 거의 동일하게 낮게 도출됨을 알 수 있다. 추천 수가 5명일 경우, AMM 기법의 소외고객 수는 10명으로 도출되었으며 MBM 기법은 11명으로 도출되어 PBM 기법의 거의 절반 수준의 결과를 보이며, 추천 수가 15회 이상인 경우에는 두 기법의 소외고객 수가 모두 1명 이하이다.
후속연구
이 연구는 고객이 이상형을 명시적으로 기술할 필요가 없다는 점에서 고객 편의성을 높였으며, 실제 이상형과 명시적으로 기술한 이상형이 일치하지 않는 고객의 암묵적인 선호도를 파악할 수 있다는 점에서 장점이 있다. 그러나, 본 연구는 고객들 간에 과거 메시지를 주고받은 기록을 활용하여 서로에 대한 암묵적인 선호도를 파악하고 있기 때문에, 메시지 교환 내역이 없는 온라인 매칭에 적용하는 데에는 한계를 갖는다. 상호 만족도를 고려한 다른 연구로는 Krzywicki et al.
실제로 많은 고객들은 자신의 정확한 이상형 및 중요하게 생각하는 배우자 요건 등에 대한 가중치를 명확히 알지 못한다. 따라서, 고객이 명시적으로 기재한 가중치뿐만 아니라, 고객의 암묵적인 선호도를 파악하는 부분에 대한 연구를 수행할 필요가 있겠다.
본 연구를 통하여, 향후 연애나 결혼에 관심은 있으나, 전통적인 방식으로 배우자를 찾는데 어려움을 겪고 있는 많은 미혼남녀들이 보다 쉽고, 효과적으로 배우자를 찾을 수 있을 것으로 기대된다. 또한, 국내 온라인 데이트 서비스를 제공하고 있는 업체들이 본 논문의 통계적인 분석기법을 활용하여, 향후 더욱 체계적인 매칭 서비스를 제공할 수있을 것으로 기대된다. 또한, 본 연구는 온라인 매칭 분야뿐만이 아니라, 상호 호혜성이 요구되는 직업추천 등 다른 분야에도 확장하여 활용할 수 있을 것으로 생각된다.
또한, 국내 온라인 데이트 서비스를 제공하고 있는 업체들이 본 논문의 통계적인 분석기법을 활용하여, 향후 더욱 체계적인 매칭 서비스를 제공할 수있을 것으로 기대된다. 또한, 본 연구는 온라인 매칭 분야뿐만이 아니라, 상호 호혜성이 요구되는 직업추천 등 다른 분야에도 확장하여 활용할 수 있을 것으로 생각된다.
향후, 고객의 행동내역을 매칭 시스템에 추가로 반영할 필요가 있겠다. 또한, 제안된 매칭기법은 고객이 명시적으로 기재한 정보만으로 매칭을 수행한다는 점을 한계로 지적할 수 있다. 실제로 많은 고객들은 자신의 정확한 이상형 및 중요하게 생각하는 배우자 요건 등에 대한 가중치를 명확히 알지 못한다.
본 연구를 통하여, 향후 연애나 결혼에 관심은 있으나, 전통적인 방식으로 배우자를 찾는데 어려움을 겪고 있는 많은 미혼남녀들이 보다 쉽고, 효과적으로 배우자를 찾을 수 있을 것으로 기대된다. 또한, 국내 온라인 데이트 서비스를 제공하고 있는 업체들이 본 논문의 통계적인 분석기법을 활용하여, 향후 더욱 체계적인 매칭 서비스를 제공할 수있을 것으로 기대된다.
이때, 고학력인 남성을 다수의 여성들에게 반복적으로 추천한다면, 해당 남성에게 추천은 스팸(Spam)이 될 것이고, 여성들도 추천이 실질적인 매칭으로 연결되지 않아서 불만족 할 것이다. 이렇듯, 상품추천과 사람추천 사이에는 명확한 차이가 있어서, 이를 고려한 차별화된 연구가 필요하다.
다음으로, 본 연구에서 제안된 추천기법은 고객 프로필 및 이상형 정보만을 활용하여 매칭을 수행하였기 때문에, 고객들 간에 주고받은 메시지나 과거 매칭된 고객에 대한 만족도 점수 등의 행동내역이 매칭에 반영되지 않는다. 향후, 고객의 행동내역을 매칭 시스템에 추가로 반영할 필요가 있겠다. 또한, 제안된 매칭기법은 고객이 명시적으로 기재한 정보만으로 매칭을 수행한다는 점을 한계로 지적할 수 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
온라인 매칭 시스템은 무엇으로 인식되고 있는가?
온라인 매칭 시스템은 인터넷에서 수집 가능한 개인정보 및 이상형 정보, 행동 패턴 등을 분석하여, 해당 고객에게 적합한 데이트 상대를 다른 고객들 중에서 선별하여 추천하는 시스템이다. 이러한 온라인 매칭 시스템은 온라인 생활시간이 길어진 반면, 오프라인으로 사람을 만날 수 있는 기회가 적어진 현대사회에서 배우자를 찾을 수 있는 효과적인 대안으로 인식되고 있다. 위키피디아의 자료에 따르면 2010년 기준, 전 세계 온라인 데이트 시장의 매출 규모는 총 40억 달러에 이를 것으로 추산되고 있다.
온라인 매칭 시스템은 무엇인가?
이러한, 인맥연결의 주요한 분야로 미혼 남녀를 소개시키는 온라인 매칭 시스템을 생각할 수 있다. 온라인 매칭 시스템은 인터넷에서 수집 가능한 개인정보 및 이상형 정보, 행동 패턴 등을 분석하여, 해당 고객에게 적합한 데이트 상대를 다른 고객들 중에서 선별하여 추천하는 시스템이다. 이러한 온라인 매칭 시스템은 온라인 생활시간이 길어진 반면, 오프라인으로 사람을 만날 수 있는 기회가 적어진 현대사회에서 배우자를 찾을 수 있는 효과적인 대안으로 인식되고 있다.
본 논문에서 제안하는 온라인 매칭분야에 특화된 새로운 추천시스템은 어떻게 설계되었는가?
본 논문은 온라인 매칭분야에 특화된 새로운 추천시스템을 제안한다. 제안된 시스템은 매칭 pool 안의 참여자들 중에서 고객의 이상형과 확률적 유사성이 높은 상대방을 추천하되, 추천 받는 고객과 추천 되는 상대방이 모두 만족할 수 있는 호혜성을 고려하여 설계하였다. 또한, 인기인에게 추천이 편중되거나, 비인기인들이 추천에서 소외되지 않고, 시스템 참여자들이 전체적으로 일관된 추천 만족도를 가질 수 있도록 하였다.
참고문헌 (16)
김재경, 김혜경, 최일영, 유비쿼터스 환경에서 개체간의 자율적 협업에 기반한 추천방법 개발, 지능정보연구, 15권 1호(2009), 31-50.
Andrew, T. Fiore and Judith S. Donath, Homophily in online dating : when do you like someone like yourself?, CHI '05 extended abstracts on Human factors in computing systems, (2005), Portland, OR, USA.
Brozovsk, L. and V. Petricek, Recommender system for online dating service (2007), Proceddings of Znalosti 2007.
Catanese, S. A., P. D. Meo, E. Ferrara, G. Fiumara, and A. Provetti, Crawling Facebook for social network analysis purposes, Proceedings of the International Conference on Web Intelligence, Mining and Semantics '11, (2011), Sogndal, Norway.
Chen, L. and R. Nayak, Social network analysis of an online dating network, Proceedings of 5th International Conference on Communities & Technologies (C&T 2011), ACM, State Library of Queensland, Brisbane, QLD, (2011), 41-49.
Goldberg, D. E., Genetic algorithms in search, optimization, and machine learning, Addison- Wesley Pub. Co. 1989.
Hitsch, G., A. Horta_csu, and D. Ariely, What makes you click? : mate preferences in online dating. Quantitative Marketing and Economics, 2010.
Krzywicki, A., Wobcke, W., and X. Cai, Interaction- Based Collaborative Filtering Methods for Recommendation in Online Dating, Lecture notes in computer science, Vol.6488(2010), 342-356.
Nayak, R. and Meng Zhang, Lin Chen, Social Matching System for an Online Dating Network : A Preliminary Study, IEEE International Conference on Data Mining Workshops (ICDMW), (2010) Sydney, Australia.
Pizzato, L., Rej, T., Chung, T., Koprinska, I., Kay, and J., RECON : A reciprocal recommender for online dating, Proceedings of the fourth ACM conference on Recommender systems, (2010), Barcelona, Spain.
Pizzato, L., Rej, T., Chung T., Koprinska, I., and Kay, J., Finding someone you will like and who won't reject you, Lecture notes in computer science, Vol.6787(2011), 269-280; 0302-9743.
Zoosk Deepens Global Footprint as World's First Platform-Agnostic Online Dating Service, , 2010/04/27.
(Patent-match.com) Carrico, Todd M., Hoskins, Kenneth, B., Stone, James C., Matching Process System And Method, United States Patent Application 20090164464.
(Patent-듀오정보 주식회사) 신은경, 배우자 주선 시스템(System of spouse mediation), 10-2002-0087616(2002-11-23).
※ AI-Helper는 부적절한 답변을 할 수 있습니다.