선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 이를 통해 이용자들은 사회적 관심사를 공유하고, 유용한 정보에 접근한다[4]. 본 연구에서는 소셜 북마킹 서비스의 거래 데이터로부터 이용자들의 태깅 빈도와 시점을 고려하여 추천 시스템을 고안하였다. 기존의 연구들은 인터넷 전자상거래 이용자들의 일반적인 구매행위나 클릭 빈도 등을 토대로 추천 시스템을 연구하였지만, 본 연구에서는 소셜 네트워크 거래 데이터로부터 얻을 수 있는 태그 정보를 반영하여 특화된 시스템을 고안하였다.
- 본 연구에서는 이러한 구조를 통해 얻을 수 있는 사용자들의 태깅 행위정보를 활용하여 선호도와 유사도를 측정하기 위한 산정 방법을 제안하였다. 구체적인 협업적 필터링은 총 세 단계로 구성된다.
- 본 연구에서는 최근 활발하게 활용되고 있는 소셜 네트워크의 한 유형인 소셜 북마킹 시스템을 대상으로 추천 시스템 방법론을 연구하였다. 소셜 북마킹 시스템의 고유한 성격을 분석하여 태그 빈도와 태깅 시점 정보를 추출하였고, 이를 활용하여 사용자들의 선호도 가중치 및 유사도 측정 방법을 제안하였다.
- 본 연구의 연구 대상이 소셜 네트워크 서비스의 한 유형인 소셜 북마킹 시스템이며, 연구 방법이 추천 시스템이므로 소셜 네트워크와 추천 시스템 분야의 선행 연구들을 살펴보고자 한다.
제안 방법
- 가중치 생성 단계에서는 소셜 북마킹 시스템으로부터 고유하게 얻을 수 있는 태그 빈도 정보와 시간 정보에 근거하여 가중치를 산정하였다.
- 본 연구에서는 소셜 북마킹 서비스의 거래 데이터로부터 이용자들의 태깅 빈도와 시점을 고려하여 추천 시스템을 고안하였다. 기존의 연구들은 인터넷 전자상거래 이용자들의 일반적인 구매행위나 클릭 빈도 등을 토대로 추천 시스템을 연구하였지만, 본 연구에서는 소셜 네트워크 거래 데이터로부터 얻을 수 있는 태그 정보를 반영하여 특화된 시스템을 고안하였다. 태그 정보 기반의 추천 방법과 시점 정보 기반의 추천 방법 그리고 태그와 시점을 함께 반영한 추천 방법을 고안하여 실제 소셜 북마킹 거래 데이터에 적용하여 실험하였다.
- 각 사이트 별 데이터 규모는 표 1과 같다. 데이터는 과거 80%의 기록을 훈련 집단(Training Set)으로 분류하고, 나머지는 20%의 기록을 실험 집단(Testing Set)으로 분류하였다. 각 사용자별로 추천 목록은 10개를 추출한 후 실험결과를 측정하였다.
- 인간의 관심사는 시간에 따라 변화할 수 있는데, 일반적으로 과거에 태그를 부여한 리소스보다는 최근에 태그를 부여한 리소스에 더 관심을 가질 것이다. 따라서 본 연구에서는 태그의 부여 시점을 활용하여 가중치를 산정하였다. 관심사의 변화나 망각의 정도를 연구함에 있어서 지수함수가 널리 이용되어 왔다[30].
- 첫 단계인 특정 리소스에 대한 가중치 생성 부분에서는 소셜 북마킹 사용자들의 태그 부여 빈도 및 시점을 기반으로 가중치를 생성하였고, 두 번째 단계에서는 가중치 벡터를 바탕으로 사용자들 간의 유사도를 측정하였다. 마지막 단계에서는 사용자들의 가중치 정보와 이웃군 정보를 바탕으로 선호도 측정을 수행하였다.
- 토탈 벡터는 태그 빈도와 태깅 시점을 선형으로 조합하여 단계별로 비율을 변화시키며 구성하였다. 선호도 벡터를 기초로 유사도 측정을 수행하였으며, 특정 사용자와 가장 유사한 집단을 3명부터 30명까지 3명 간격으로 변화시켜가며 실험을 수행하였다. 성능 평가는 추천 시스템의 평가에 널리 활용되고 있는 Precision, Recall, F-ratio를 도입하여 수행하였다.
- 소셜 북마킹 시스템의 고유한 성격을 분석하여 태그 빈도와 태깅 시점 정보를 추출하였고, 이를 활용하여 사용자들의 선호도 가중치 및 유사도 측정 방법을 제안하였다. 선호도 측정 방법에는 태그 정보를 반영하는 태그 벡터와 태깅 시점을 반영한 타임 벡터, 태그와 타임을 함께 반영한 토탈 벡터를 제시하였다. 토탈 벡터는 태그 빈도와 태깅 시점을 선형으로 조합하여 단계별로 비율을 변화시키며 구성하였다.
- 선호도 벡터를 기초로 유사도 측정을 수행하였으며, 특정 사용자와 가장 유사한 집단을 3명부터 30명까지 3명 간격으로 변화시켜가며 실험을 수행하였다. 성능 평가는 추천 시스템의 평가에 널리 활용되고 있는 Precision, Recall, F-ratio를 도입하여 수행하였다.
- 성능 평가를 하기 위해서 추천 시스템 성능 평가에 널리 활용되는 Precision, Recall 그리고 F-ratio를 도입하였다[32].
- 본 연구에서는 최근 활발하게 활용되고 있는 소셜 네트워크의 한 유형인 소셜 북마킹 시스템을 대상으로 추천 시스템 방법론을 연구하였다. 소셜 북마킹 시스템의 고유한 성격을 분석하여 태그 빈도와 태깅 시점 정보를 추출하였고, 이를 활용하여 사용자들의 선호도 가중치 및 유사도 측정 방법을 제안하였다. 선호도 측정 방법에는 태그 정보를 반영하는 태그 벡터와 태깅 시점을 반영한 타임 벡터, 태그와 타임을 함께 반영한 토탈 벡터를 제시하였다.
- 실험 및 성과 측정에 앞서, 3.1.3에서 기술한 바와 같이 태그 기반 가중치와 시점 기반 가중치간의 최적 비율을 탐색하기 위한 사전 분석을 수행하였다.
- 앞선 태그 기반 가중치와 시점 기반의 가중치를 함께 반영하기 위하여 종합 가중치(ToW: Total Weight)를 고안하였다. 종합가중치는 선형조합으로 구성되었고, λ의 크기에 따라서 태그와 시간의 반영 비율이 상대적으로 변화한다.
- Palau et al.은 추천 시스템 상에서의 협업 기능을 분석하고 표현하기 위해 소셜 네트워크를 사용하였고[14], Lam은 SNACK이라는 방법론을 제시하여 추천을 위한 자동화된 협업 시스템을 검증하였다[15]. 이시화 등은 콘텐츠 추천을 위한 태그 기반의 소셜 네트워크 구축을 연구하였으며[16], 엄태영 등은 태그 네트워크를 이용하여 개인화 북마크 추천 시스템을 제안하였고[17], 조현 등은 온라인 태깅 시스템의 사용자들 행위 패턴 정보를 바탕으로 태그 네트워크를 구축하고 정보를 추출하여 제시한 방법론을 검증하였다[18].
- 각 사용자별로 추천 목록은 10개를 추출한 후 실험결과를 측정하였다. 이웃군의 규모는 3명에서부터 30명까지 3명씩 증가시켜 실험을 반복하였다.
- 구체적인 협업적 필터링은 총 세 단계로 구성된다. 첫 단계인 특정 리소스에 대한 가중치 생성 부분에서는 소셜 북마킹 사용자들의 태그 부여 빈도 및 시점을 기반으로 가중치를 생성하였고, 두 번째 단계에서는 가중치 벡터를 바탕으로 사용자들 간의 유사도를 측정하였다. 마지막 단계에서는 사용자들의 가중치 정보와 이웃군 정보를 바탕으로 선호도 측정을 수행하였다.
- top K는 실험 대상에서 도출된 K개의 추천 목록을 의미하며, test는 각 사용자들이 실제로 사용한 리소스 집합을 의미한다. 추가적으로 Precision과 Recall의 조화평균을 측정해 이 둘의 지표를 함께 반영한 F-ratio를 측정하였다.
- 사용자들 간의 유사도를 측정할 때는 일반적으로 두 벡터의 거리를 계산하는데 사용하는 cosine similarity를 활용하였다. 태그 가중치 벡터와 타임 가중치 벡터 그리고 종합가중치 벡터를 활용하여 다음과 같이 유사도를 측정하였다.
- 기존의 연구들은 인터넷 전자상거래 이용자들의 일반적인 구매행위나 클릭 빈도 등을 토대로 추천 시스템을 연구하였지만, 본 연구에서는 소셜 네트워크 거래 데이터로부터 얻을 수 있는 태그 정보를 반영하여 특화된 시스템을 고안하였다. 태그 정보 기반의 추천 방법과 시점 정보 기반의 추천 방법 그리고 태그와 시점을 함께 반영한 추천 방법을 고안하여 실제 소셜 북마킹 거래 데이터에 적용하여 실험하였다.
- 태깅 행위를 20번 이상으로 한 사용자들만을 추출하여 그 중에서도 일부를 무작위로 채택하였다. 각 사이트 별 데이터 규모는 표 1과 같다.
- 선호도 측정 방법에는 태그 정보를 반영하는 태그 벡터와 태깅 시점을 반영한 타임 벡터, 태그와 타임을 함께 반영한 토탈 벡터를 제시하였다. 토탈 벡터는 태그 빈도와 태깅 시점을 선형으로 조합하여 단계별로 비율을 변화시키며 구성하였다. 선호도 벡터를 기초로 유사도 측정을 수행하였으며, 특정 사용자와 가장 유사한 집단을 3명부터 30명까지 3명 간격으로 변화시켜가며 실험을 수행하였다.
대상 데이터
- 본 연구에서는 미국의 대표적인 논문 서지 관리 및 공유 서비스인 CiteULike와 미국의 소셜 북마킹 사이트인 Del.ici.ous의 거래 기록 자료를 수집하여 활용하였다. CiteULike은 공개된 데이터셋[31]을 제공하고 있으며, delicious 자료는 Web crawling 기법으로 수집하였다.
성능/효과
- (그림 3)은 CiteULike 사용자들의 이웃군의 규모를 변 화시켰을 때 나타나는 Precision 지표의 결과 값을 담고 있다. Precision 지표 수치가 가장 높은 추천 방법(ToW-TiVS, TaW-TiVS)과 가장 낮은 추천 방법(TiW-TiVS)을 비교했 을 때, 이웃군의 규모별로 성능 수치가 0.10%에서 0.13% 정도의 차이를 보였다.
- Recall 지표 수치의 경우 다양한 이웃군 규모 전반에 걸쳐 ToW-TiVS 방법이 가장 높게 나타난 반면, TaW-TaVS 방법이 가장 낮게 기록됐다. 가중치와 유사도를 측정함에 있어서 태그 빈도와 시점을 함께 반영함으로써 성능을 향상 시킬 수 있음을 알 수 있다.
- 이웃군의 규모에 따라서 이웃이 15명 이하일 때 까지는 ToW-ToVS 방법이 가장 우수한 성능을 보였으나, 15명을 초과하는 경우부터는 ToW-TiVS 방법이 가장 우수한 성능을 나타냈다. 각 이웃군 규모별로 성능이 가장 좋은 경우와 나쁜 경우를 비교했을 때 성능의 차이는 0.12%에서 0.30% 정도까지 나타났다.
- 즉, 태그 빈도 정보가 태깅 시점 정보보다 상대적으로 의미가 큰 것으로 나타났다. 각 평가 지표별로 성능을 비교한 결과, 태그 빈도나 태깅 시점 어느 한 정보만을 단독으로 반영한 방법보다는 이 두 정보를 함께 반영했을 때 성능이 향상되는 것으로 나타났다. 이웃군의 규모별로는 12명까지 는 성능에 차이가 나타났으나 그 이후부터는 모든 평가 지표에서 성능이 동일하게 나타났다.
- 소셜 네트워크의 협업 분류 서비스의 실제 거래 기록 데이터를 대상으로 세 가지의 성능 지표로 검증해 본 결과, 태그 빈도나 태깅 시점을 단독으로 반영하는 것보다 이 둘의 정보를 함께 감안할 때 성능이 향상되는 것을 알 수 있었다.
- 실험결과, 각각의 유사도 측정 방법 및 평가 지표 별로 λ값이 0에서 1까지 다양하게 기록되었다.
- Precision 지표 수치의 경우, ToW-TaVS, ToW-TiVS, TiW-TaVS, TiW-TaVS 방법이 동일하게 가장 좋은 성능을 보였다. 이들의 성능과 가장 나쁜 성능의 방법(TaW-TiVS, TaW-TaVS)을 비교했을 때, 이웃군의 규모별로 성능 수치가 0.03%에서 0.33% 정도의 차이를 보였다.
- (그림 8)에서는 이웃군 규모에 따라 제안된 방법들의 F-ratio를 보여준다. 이웃군의 규모에 따라서 이웃이 15명 이하일 때 까지는 ToW-ToVS 방법이 가장 우수한 성능을 보였으나, 15명을 초과하는 경우부터는 ToW-TiVS 방법이 가장 우수한 성능을 나타냈다. 각 이웃군 규모별로 성능이 가장 좋은 경우와 나쁜 경우를 비교했을 때 성능의 차이는 0.
- 전반적으로 TaW-TiVS 방법이 가장 우수한 성능을 보였으며, TiW-TiVS 방법이 가장 낮은 수치를 기록했다. 지표 수치는 0.
- 실험결과, 각각의 유사도 측정 방법 및 평가 지표 별로 λ값이 0에서 1까지 다양하게 기록되었다. 즉, 태그 빈도 정보가 태깅 시점 정보보다 상대적으로 의미가 큰 것으로 나타났다. 각 평가 지표별로 성능을 비교한 결과, 태그 빈도나 태깅 시점 어느 한 정보만을 단독으로 반영한 방법보다는 이 두 정보를 함께 반영했을 때 성능이 향상되는 것으로 나타났다.
- 전반적으로 TaW-TiVS 방법이 가장 우수한 성능을 보였으며, TiW-TiVS 방법이 가장 낮은 수치를 기록했다. 지표 수치는 0.09%에서 0.12% 정도의 차이를 보였으며, 이웃군 규모가 증가함에 따라 F-ratio 수치도 조금 상승하는 것을 관찰 할 수 있었다.
후속연구
- 본 연구에서는 고안한 추천 방법을 특정 사이트 자료에만 적용하였다는 한계가 있지만 여러 소셜 북마킹 시스템에도 확대 적용을 하여 시사점을 도출하고 개선한다면 소셜 네트워크 서비스 발전에 유용한 지침을 제공할 수 있으리라 본다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.