[논문]다기준 의사결정 방법을 고려한 베이지안 네트워크 기반 음악 추천 시스템

김남국; 이상용

doi:10.14400/jdpm.2013.11.3.345

다기준 의사결정 방법을 고려한 베이지안 네트워크 기반 음악 추천 시스템
Bayesian network based Music Recommendation System considering Multi-Criteria Decision Making 원문보기

디지털정책연구 = The Journal of digital policy & management, v.11 no.3, 2013년, pp.345 - 352

김남국 (공주대학교 컴퓨터공학과 컴퓨터소프트웨어 전공) , 이상용 (공주대학교 컴퓨터공학부)

초록
AI-Helper

최근 스마트 기기 사용자의 증가에 따라 모바일 음악에 대한 수요와 생산이 꾸준히 증가하고 있다. 이에 따라 대중화된 음악의 폭이 넓어지면서 사용자가 선호하는 음악에 대한 선택의 기준 또한 매우 다양해지고 복잡해지는 추세이다. 이러한 이유로 모바일 환경에서 사용자 개인이 선호하는 음악을 정교하게 추천하기 위한 지능적 음악 추천 기법에 대한 연구가 활발히 진행되고 있다. 그러나 기존의 음악 추천시스템은 청취로그를 이용한 단순 추천 방법을 사용하고 있어 사용자의 선호도를 제대로 고려하지 못하고 있다. 본 논문에서는 사용자의 선호도를 반영한 개인화된 적응형 음악 추천 시스템을 제안한다. 본 시스템에서는 계층적 의사결정 도구인 AHP를 이용하여 사용자의 개개인의 음악적 선호도를 반영한 음악 추천이 가능토록 하였으며, 베이지안 네트워크 기반의 사용자 피드백 통해 지속적인 사용자의 음악적 선호도를 반영하도록 하였다. 본 시스템의 성능을 평가하기 위해 12명의 실험자를 각각 3명씩 4그룹으로 나누어 실험하였으며 그 결과 87.5%의 추천 만족도를 얻었다.

Abstract ▼ AI-Helper

The demand and production for mobile music increases as the number of smart phone users increase. Thus, the standard of selection of a user's preferred music has gotten more diverse and complicated as the range of popular music has gotten wider. Research to find intelligent techniques to ingeniously recommend music on user preferences under mobile environment is actively being conducted. However, existing music recommendation systems do not consider and reflect users' preferences due to recommendations simply employing users' listening log. This paper suggests a personalized music-recommending system that well reflects users' preferences. Using AHP, it is possible to identify the musical preferences of every user. The user feedback based on the Bayesian network was applied to reflect continuous user's preference. The experiment was carried out among 12 participants (four groups with three persons for each group), resulting in a 87.5% satisfaction level.

주제어

AI 본문요약
AI-Helper

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

문제 정의

사용자 프로파일 검색 과정을 통해 표 3과 같이 사용자 위치와 AHP의 수행 여부, 음악 추천 결과를 확인한다. 또한 사용자의 위치 정보를 기반으로 동일 위치에 기 구축된 추천 음악 정보에 대한 사용 여부를 사용자에게 질의 한다.
묵시적 피드백은 Context DB에 저장된 값을 기반으로 베이지안 네트워크를 이용한 확률적 추론을 통해 이루어지며, 이는 사용자 성향을 묵시적으로 학습하고 음악 추천 시 지속적으로 반영하고자 함이다. 베이지안 네트워크로 사용되는 노드는 그림 4와 같이 “가수”, “음악” 등의 선호도에 대한 내용으로 구성하였으며 추론된 값은 비선호 음악, 비선호 가수, 어울리지 않는 장소, 기타 등과 같은 항목에 대해 사용자 피드백을 적용하였다.
본 논문에서는 AHP기법과 베이지안 네트워크를 통해 사용자의 음악적 선호도를 지속적으로 반영한 음악 추천 시스템을 제안하였다. 실험 초기에는 추천곡에 대한 만족도가 낮게 평가 되었으나, 지속적인 실험을 통해 사용자의 선호도가 반영되어 추천곡에 대한 만족도가 87.

제안 방법

N-gram은 적은 아이템에서는 좋은 성능을 보이나 아이템이 많아지면 급격하게 성능이 떨어진다[3]. 따라서 본 논문에서는 계층 분석적 의사결정모델인 AHP(Analytic Hierarchy Process)를 이용하여 개인의 선호도를 반영하고, 사용자의 초기데이터가 부족하여도 적합한 음악을 추천할 수 있는 시스템을 구축하였다. 또한 사용자의 음악적 선호도를 지속적으로 반영할 수 있도록 베이지안 네트워크(Bayesian Network)를 이용하여 사용자 피드백을 처리하였다.
따라서 본 논문에서는 계층 분석적 의사결정모델인 AHP(Analytic Hierarchy Process)를 이용하여 개인의 선호도를 반영하고, 사용자의 초기데이터가 부족하여도 적합한 음악을 추천할 수 있는 시스템을 구축하였다. 또한 사용자의 음악적 선호도를 지속적으로 반영할 수 있도록 베이지안 네트워크(Bayesian Network)를 이용하여 사용자 피드백을 처리하였다.
베이지안 네트워크로 사용되는 노드는 그림 4와 같이 “가수”, “음악” 등의 선호도에 대한 내용으로 구성하였으며 추론된 값은 비선호 음악, 비선호 가수, 어울리지 않는 장소, 기타 등과 같은 항목에 대해 사용자 피드백을 적용하였다.
본 논문에서 제안하는 MURECA(Music Recommadation using AHP)는 AHP를 고려한 베이지안 네트워크 기반의 음악 추천시스템으로 그림 2와 같이 센싱모듈, 추천모듈, 피드백모듈, 데이터베이스 매니저로 구성된다.
본 논문에서는 MURECA를 이용하여 약 200 곡을 대상으로 4그룹(각 그룹 3명, 전체 12명)으로 나누어 실험하였으며 실험의 만족도는 각 그룹별 누적 평균을 이용하여 종합하였다.
본 논문에서는 베이지안 네트워크를 이용하여 사용자의 묵시적 피드백을 지원하였다. 이때 “가수”, “음악” 등의 선호도를 노드로 구성하였으며, 추천 장소 변경 및 추천 빈도수 조정, 추천된 가수나 곡의 조정 등에 사용자 피드백을 적용하였다.
본 논문에서는 음악 추천에 사용되는 객관적인 기준인 장르, 인원수, 출시연도를 사용하였으며 객관적인 기준을 바탕으로 AHP를 사용하여 사용자 개개인의 음악적 선호도를 반영한 음악 추천을 수행하였다.
본 논문에서의 AHP의 계층구성 요소는 음악을 표현하는 객관적 기준인 장르, 솔로/그룹, 출시연도를 기준 요소로 삼았으며 보다 정확한 추천을 위해 각각의 기준별 세부 요소를 그림 3과 같이 나누어 적용하였다.
사용자 프로파일 검색 단계는 사용자의 위치, AHP 결과와 같은 정보를 획득하는 단계이다. 사용자 프로파일 검색 과정을 통해 표 3과 같이 사용자 위치와 AHP의 수행 여부, 음악 추천 결과를 확인한다. 또한 사용자의 위치 정보를 기반으로 동일 위치에 기 구축된 추천 음악 정보에 대한 사용 여부를 사용자에게 질의 한다.
사용자에게 설문을 실시하여 세분화된 요소에 중요도를 부여한다. 예를 들어 실험자에게 설문을 실시한다.
이때 “가수”, “음악” 등의 선호도를 노드로 구성하였으며, 추천 장소 변경 및 추천 빈도수 조정, 추천된 가수나 곡의 조정 등에 사용자 피드백을 적용하였다.

성능/효과

표 6은 실험자가 부여한 중요도를 가요라는 요소만 적용한 결과를 나타낸 것이다. 각 요소에 중요도를 부여하여 확인한 결과, 사용자가 선호하는 음악은 장르는 발라드, 솔로/그룹은 동일한 활동, 연도는 2000년대 음악인 것을 확인할 수 있다.
그 이유로는 초기 추천곡이 사용자 기호에 적합한 기준의 음악일지라도 생소한 음악이 추천되었을 경우, 그 만족도가 낮게 평가되기 때문이다. 그러나 실험횟수가 증가될수록 사용자에게 익숙하면서도 선호도에 적합한 음악이 추천되어, 각 그룹의 평균 만족도가 87.5% 정도로 급속이 향상되는 것을 확인할 수 있었다.
본 논문에서는 AHP기법과 베이지안 네트워크를 통해 사용자의 음악적 선호도를 지속적으로 반영한 음악 추천 시스템을 제안하였다. 실험 초기에는 추천곡에 대한 만족도가 낮게 평가 되었으나, 지속적인 실험을 통해 사용자의 선호도가 반영되어 추천곡에 대한 만족도가 87.5% 이상으로 나타났으며 이를 통해 사용자 적응형 음악추천이 가능함을 확인하였다.

후속연구

쌍대비교 행렬에서 응답자가 각 평가항목의 상대적 중요도에 일관된 응답을 하지 못할 경우 쌍대비교 행렬의 정확성이 낮아지게 된다. 따라서 일관성지수(Consistency Index, CI)와 일관성 비율(Consistency Ratio, CR)을 이용하여 쌍대비교에 의한 중요도가 일관성을 갖는지 검증해야 한다. 일관성 지수와 일관성 비율은 다음의 식에 의하여 구할 수 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	베이지안 네트워크란 무엇인가?	베이지안 네트워크는 변수들 간의 원인과 결과 관계를 확률적으로 모델링하기 위한 도구로서 불확실한 환경에서 좀 더 신뢰성 있는 결과를 추론하기 위해 쓰이는 대표적인 방법이다[5]. 베이지안 네트워크 확률 추론은 불충분한 정보를 가진 환경을 표현하고 추론하는 대표적인 기법들 중의 하나이다.
	모바일 환경에서 사용자 개인이 선호하는 음악을 정교하게 추천하기 위한 지능적 음악 추천 기법에 대한 연구가 활발히 진행되게 된 배경은 무엇인가?	최근 스마트 기기 사용자의 증가에 따라 모바일 음악에 대한 수요와 생산이 꾸준히 증가하고 있다. 이에 따라 대중화된 음악의 폭이 넓어지면서 사용자가 선호하는 음악에 대한 선택의 기준 또한 매우 다양해지고 복잡해지는 추세이다. 이러한 이유로 모바일 환경에서 사용자 개인이 선호하는 음악을 정교하게 추천하기 위한 지능적 음악 추천 기법에 대한 연구가 활발히 진행되고 있다.
	AHP의 특징은 무엇인가?	즉, AHP는 계층(hierarchy)의 개념을 통해 의사결정에 필요한 여러 요소들을 계층화시켜 각 요소별, 요소간의 관계를 보다 상세히 논리적으로 보여준다[7]. AHP의 특징으로는 정성적인 문제를 정량적인 방법으로 해석함으로서 의사결정을 체계적으로 수행하도록 지원하며, 복잡하고 불명확한 문제를 여러 계층으로 정리하고 부분적인 관계는 일대일 비교를 통해 각자의 중요성이나 성취도를 표 1과 같이 9점 척도로 평가함으로써 의사결정자는 좀 더 정확한 의사 결정을 할 수 있다. 그리고 다수 관계자들의 의견과 관계자들의 비중을 반영함으로써 보다 객관적인 평가를 할 수 있다[8].

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