최근 IPTV와 스마트 TV 등의 등장과 영상 콘텐츠를 시청하고 검색할 수 있는 웹 서비스의 등장으로 영상 콘텐츠의 접근이 용이해져 사용자들은 자신이 원하는 콘텐츠를 찾고자 하는 요구가 증가하고 있다. 하지만 서비스되는 콘텐츠의 양이 방대하여 영상 콘텐츠를 검색할 때 사용하는 키워드 기반의 검색은 많은 양의 결과를 가져오며 사용자가 필요로 하지 않은 결과가 검색된다. 따라서 사용자가 원하는 콘텐츠의 검색 시간과 노력이 증가 하게 되었다. 이를 극복 하기 위해 콘텐츠 추천 및 검색에 대한 연구가 수행되어 왔다. 기존의 연구에는 사용자의 선호도 분석을 통하여 영상 콘텐츠를 추천하거나 비슷한 성향을 가지는 사용자들을 분류하여 콘텐츠를 추천하는 기법들이 연구되어 왔다. 본 논문에서는 영상 콘텐츠 중 영화의 추천을 위해 사용자 개인의 영화 메타데이터의 선호도를 분석하고, 영화의 메타데이터와 영화의 유사성을 도출하여 이를 기반으로 영화 추천 기법을 제안한다. 영화의 특징을 담고 있고, 사용자의 영화 선호도에 영향을 끼치는 장르, 줄거리, 배우, 키워드 등의 영화 메타데이터를 기반으로 온톨로지를 구축하고, 확률 기법을 통한 메타 데이터간의 유사성을 분석하여 유사 메타데이터를 연결한다. 또한 사용자의 선호도와 그룹을 정의하고, 사용자 정보를 활용하기 위한 사용자 모델을 정의한다. 제안하는 추천 기법은 1) 사용자 정보기반의 후보 영화 검색 컴포넌트, 2) 사용자 선호기반의 후보 영화 검색 컴포넌트, 3) 1)과 2)의 결과를 통합하고 가중치를 부여하는 컴포넌트, 4) 최종결과의 분석을 통한 개인화된 영화 추천 컴포넌트 등 총 4가지 컴포넌트로 구성된다. 제안하는 추천 기법의 실험을 위하여 20대 남/녀 10명씩 20명을 대상으로 실험을 진행하였으며, 실험결과 평균 Top-5에서 2.1개 Top-10에서 3.35개 Top-20에서 6.35의 영화가 보고 싶은 영화로 선택되었다. 본 논문에서는 영화 메타데이터간의 연관성 도출을 통하여 영화간의 유사성을 도출하고 이를 기반으로 사용자의 기본적인 정보를 활용한 추천뿐만 아니라 사용자가 예상하지 못한 영화의 추천이 가능하다.
최근 IPTV와 스마트 TV 등의 등장과 영상 콘텐츠를 시청하고 검색할 수 있는 웹 서비스의 등장으로 영상 콘텐츠의 접근이 용이해져 사용자들은 자신이 원하는 콘텐츠를 찾고자 하는 요구가 증가하고 있다. 하지만 서비스되는 콘텐츠의 양이 방대하여 영상 콘텐츠를 검색할 때 사용하는 키워드 기반의 검색은 많은 양의 결과를 가져오며 사용자가 필요로 하지 않은 결과가 검색된다. 따라서 사용자가 원하는 콘텐츠의 검색 시간과 노력이 증가 하게 되었다. 이를 극복 하기 위해 콘텐츠 추천 및 검색에 대한 연구가 수행되어 왔다. 기존의 연구에는 사용자의 선호도 분석을 통하여 영상 콘텐츠를 추천하거나 비슷한 성향을 가지는 사용자들을 분류하여 콘텐츠를 추천하는 기법들이 연구되어 왔다. 본 논문에서는 영상 콘텐츠 중 영화의 추천을 위해 사용자 개인의 영화 메타데이터의 선호도를 분석하고, 영화의 메타데이터와 영화의 유사성을 도출하여 이를 기반으로 영화 추천 기법을 제안한다. 영화의 특징을 담고 있고, 사용자의 영화 선호도에 영향을 끼치는 장르, 줄거리, 배우, 키워드 등의 영화 메타데이터를 기반으로 온톨로지를 구축하고, 확률 기법을 통한 메타 데이터간의 유사성을 분석하여 유사 메타데이터를 연결한다. 또한 사용자의 선호도와 그룹을 정의하고, 사용자 정보를 활용하기 위한 사용자 모델을 정의한다. 제안하는 추천 기법은 1) 사용자 정보기반의 후보 영화 검색 컴포넌트, 2) 사용자 선호기반의 후보 영화 검색 컴포넌트, 3) 1)과 2)의 결과를 통합하고 가중치를 부여하는 컴포넌트, 4) 최종결과의 분석을 통한 개인화된 영화 추천 컴포넌트 등 총 4가지 컴포넌트로 구성된다. 제안하는 추천 기법의 실험을 위하여 20대 남/녀 10명씩 20명을 대상으로 실험을 진행하였으며, 실험결과 평균 Top-5에서 2.1개 Top-10에서 3.35개 Top-20에서 6.35의 영화가 보고 싶은 영화로 선택되었다. 본 논문에서는 영화 메타데이터간의 연관성 도출을 통하여 영화간의 유사성을 도출하고 이를 기반으로 사용자의 기본적인 정보를 활용한 추천뿐만 아니라 사용자가 예상하지 못한 영화의 추천이 가능하다.
Accessing movie contents has become easier and increased with the advent of smart TV, IPTV and web services that are able to be used to search and watch movies. In this situation, there are increasing search for preference movie contents of users. However, since the amount of provided movie contents...
Accessing movie contents has become easier and increased with the advent of smart TV, IPTV and web services that are able to be used to search and watch movies. In this situation, there are increasing search for preference movie contents of users. However, since the amount of provided movie contents is too large, the user needs more effort and time for searching the movie contents. Hence, there are a lot of researches for recommendations of personalized item through analysis and clustering of the user preferences and user profiles. In this study, we propose recommendation system which uses ontology based knowledge base. Our ontology can represent not only relations between metadata of movies but also relations between metadata and profile of user. The relation of each metadata can show similarity between movies. In order to build, the knowledge base our ontology model is considered two aspects which are the movie metadata model and the user model. On the part of build the movie metadata model based on ontology, we decide main metadata that are genre, actor/actress, keywords and synopsis. Those affect that users choose the interested movie. And there are demographic information of user and relation between user and movie metadata in user model. In our model, movie ontology model consists of seven concepts (Movie, Genre, Keywords, Synopsis Keywords, Character, and Person), eight attributes (title, rating, limit, description, character name, character description, person job, person name) and ten relations between concepts. For our knowledge base, we input individual data of 14,374 movies for each concept in contents ontology model. This movie metadata knowledge base is used to search the movie that is related to interesting metadata of user. And it can search the similar movie through relations between concepts. We also propose the architecture for movie recommendation. The proposed architecture consists of four components. The first component search candidate movies based the demographic information of the user. In this component, we decide the group of users according to demographic information to recommend the movie for each group and define the rule to decide the group of users. We generate the query that be used to search the candidate movie for recommendation in this component. The second component search candidate movies based user preference. When users choose the movie, users consider metadata such as genre, actor/actress, synopsis, keywords. Users input their preference and then in this component, system search the movie based on users preferences. The proposed system can search the similar movie through relation between concepts, unlike existing movie recommendation systems. Each metadata of recommended candidate movies have weight that will be used for deciding recommendation order. The third component the merges results of first component and second component. In this step, we calculate the weight of movies using the weight value of metadata for each movie. Then we sort movies order by the weight value. The fourth component analyzes result of third component, and then it decides level of the contribution of metadata. And we apply contribution weight to metadata. Finally, we use the result of this step as recommendation for users. We test the usability of the proposed scheme by using web application. We implement that web application for experimental process by using JSP, Java Script and prot$\acute{e}$g$\acute{e}$ API. In our experiment, we collect results of 20 men and woman, ranging in age from 20 to 29. And we use 7,418 movies with rating that is not fewer than 7.0. In order to experiment, we provide Top-5, Top-10 and Top-20 recommended movies to user, and then users choose interested movies. The result of experiment is that average number of to choose interested movie are 2.1 in Top-5, 3.35 in Top-10, 6.35 in Top-20. It is better than results that are yielded by for each metadata.
Accessing movie contents has become easier and increased with the advent of smart TV, IPTV and web services that are able to be used to search and watch movies. In this situation, there are increasing search for preference movie contents of users. However, since the amount of provided movie contents is too large, the user needs more effort and time for searching the movie contents. Hence, there are a lot of researches for recommendations of personalized item through analysis and clustering of the user preferences and user profiles. In this study, we propose recommendation system which uses ontology based knowledge base. Our ontology can represent not only relations between metadata of movies but also relations between metadata and profile of user. The relation of each metadata can show similarity between movies. In order to build, the knowledge base our ontology model is considered two aspects which are the movie metadata model and the user model. On the part of build the movie metadata model based on ontology, we decide main metadata that are genre, actor/actress, keywords and synopsis. Those affect that users choose the interested movie. And there are demographic information of user and relation between user and movie metadata in user model. In our model, movie ontology model consists of seven concepts (Movie, Genre, Keywords, Synopsis Keywords, Character, and Person), eight attributes (title, rating, limit, description, character name, character description, person job, person name) and ten relations between concepts. For our knowledge base, we input individual data of 14,374 movies for each concept in contents ontology model. This movie metadata knowledge base is used to search the movie that is related to interesting metadata of user. And it can search the similar movie through relations between concepts. We also propose the architecture for movie recommendation. The proposed architecture consists of four components. The first component search candidate movies based the demographic information of the user. In this component, we decide the group of users according to demographic information to recommend the movie for each group and define the rule to decide the group of users. We generate the query that be used to search the candidate movie for recommendation in this component. The second component search candidate movies based user preference. When users choose the movie, users consider metadata such as genre, actor/actress, synopsis, keywords. Users input their preference and then in this component, system search the movie based on users preferences. The proposed system can search the similar movie through relation between concepts, unlike existing movie recommendation systems. Each metadata of recommended candidate movies have weight that will be used for deciding recommendation order. The third component the merges results of first component and second component. In this step, we calculate the weight of movies using the weight value of metadata for each movie. Then we sort movies order by the weight value. The fourth component analyzes result of third component, and then it decides level of the contribution of metadata. And we apply contribution weight to metadata. Finally, we use the result of this step as recommendation for users. We test the usability of the proposed scheme by using web application. We implement that web application for experimental process by using JSP, Java Script and prot$\acute{e}$g$\acute{e}$ API. In our experiment, we collect results of 20 men and woman, ranging in age from 20 to 29. And we use 7,418 movies with rating that is not fewer than 7.0. In order to experiment, we provide Top-5, Top-10 and Top-20 recommended movies to user, and then users choose interested movies. The result of experiment is that average number of to choose interested movie are 2.1 in Top-5, 3.35 in Top-10, 6.35 in Top-20. It is better than results that are yielded by for each metadata.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
또한 본 연구의 실험에서 제한된 실험자의 수로 통계학적 의미의 결과를 가져오지 못하였다. 따라서, 많은 수의 실험을 통하여 제안하는 기법을 실험하고자 한다.
본 논문에서는 영화의 추천에서 사용자의 선호도가 잘 반영되는 장르, 키워드, 줄거리, 배우, 감독, 작가와 영화가 가지는 기본 메타데이터인 제목, 제작 국가, 등급, 평점 배역 등의 10가지 영화 메타데이터를 선정하였다. 본 논문에서는 10가지 영화 메타데이터를 기반으로 영화 메타데이터를 표현하고 영화의 추천을 위한 연관성을 도출하며, 이를 표현하기 위해 영화 메타데이터 온톨로지를 만들었다. 제안하는 시스템에서는 영화 추천을 위해 장르뿐만 아니라 줄거리, 배우 등의 메타데이터를 추가함으로써 사용자의 영화 선정 시 고려 요인을 반영하여 좀 더 사용자에게 개인화된 결과를 제공하였다.
사용자가 영화를 선택할 때 주요 고려 사항으로는 장르, 배우, 줄거리, 키워드가 있다. 본 논문에서는 사용자가 영화를 선택할 때 고려하는 메타데이터를 기반으로 사용자가 원하는 영화를 검색한다. 사용자는 주요 메타데이터를 입력하고 입력한 메타데이터를 기반으로 영화 메타데이터 온톨로지에서 영화를 검색한다.
본 논문에서는 사용자의 성별, 나이 같은 사용자의 인구 통계학적(Demographic) 정보를 기반으로 사용자 그룹을 나누고 사용자의 그룹별 장르 선호도 기반의 영화를 추천하고 사용자 개인의 선호도를 입력 받아 영화를 검색한다. 또한, 검색된 영화와 유사한 영화를 도출하여 사용자에게 영화를 추천하는 기법을 제안한다.
사용자의 성별, 연령 같은 정보를 기반으로 사용자 모델에서 사용자 그룹을 결정한다. 본 논문에서는 성별, 연령 등의 정보를 활용하기 위하여 영화진흥위원회(Korean Film Council, 2011)에서 조사한 연령별, 성별 기반의 선호 장르를 기반으로 영화를 검색하고 추천한다. 그리고 사용자 개인의 선호도를 기반으로 각 메타데이터에 같은 가중치를 부여하여 영화를 검색하고 추천한다.
영화 메타데이터 온톨로지 모델은 메타데이터간 연관성을 포함하여 영화간의 유사성을 나타내고 사용자의 선호도를 기반으로 영화 콘텐츠를 검색하고 추천하기 위해 사용한다. 본 논문에서는 영화 메타데이터 온톨로지를 구축하기 위해 영화 콘텐츠의 특징을 잘 나타내는 속성들을 선택하였다. Netflix(http://www.
본 논문에서는 영화 메타데이터의 온톨로지를 만들고 메타데이터간의 연관성을 도출하여 영화 메타데이터 온톨로지에 표현함으로써 사용자가 원하는 영화를 검색하고 추천해주는 시스템을 제안하였다. 본 논문에서는 영화의 메타데이터를 기반으로 영화 간의 연관성을 도출하고 사용자의 선호도를 입력받아 사용자의 개인화된 정보를 활용하여 영화를 추천하는 기법을 제안하였다.
본 논문에서는 영화 추천을 위하여 영화 메타데이터 온톨로지를 기반으로 사용자의 연령, 성별 등을 이용하여 사용자의 그룹을 결정하고 그룹의 장르 선호도에 따라 영화를 검색한다. 그리고 사용자의 선호도를 입력 받아 영화를 검색하고 사용자에게 추천한다.
본 논문에서는 영화 메타데이터의 온톨로지를 만들고 메타데이터간의 연관성을 도출하여 영화 메타데이터 온톨로지에 표현함으로써 사용자가 원하는 영화를 검색하고 추천해주는 시스템을 제안하였다. 본 논문에서는 영화의 메타데이터를 기반으로 영화 간의 연관성을 도출하고 사용자의 선호도를 입력받아 사용자의 개인화된 정보를 활용하여 영화를 추천하는 기법을 제안하였다. 본 논문에서 제안하는 기법을 평가하기 위해 7,418개의 영화를 사용하여 영화 메타데이터 온톨로지를 구축하고 실험 하였다.
본 논문에서는 영화의 연관성을 도출하기 위해 영화 메타데이터간의 연관성을 표현하고, 영화추천을 위한 온톨로지 구조의 영화 메타데이터를 표현하는 지식 베이스를 구축한다. 영화 메타데이터 온톨로지는 영화들의 메타데이터와 메타데이터간의 연관성을 표현하기 위한 영화 메타데이터 모델과 사용자의 선호도와 연령, 성별 등의 기본적인 정보를 포함하는 사용자 모델로 구성된다.
본 논문에서는 영화의 추천을 하기 위하여 성별, 연령 같은 인구 통계학적(Demographic) 정보를 활용한 영화의 추천과 사용자가 선호하는 장르, 배우, 줄거리, 키워드 같은 영화 메타데이터를 기반으로 영화를 검색하고 추천한다. 검색된 후보 영화는 가중치 계산을 통하여 가중치 값에 따라 사용자에게 영화를 추천해 준다.
제안 방법
각 사용자 그룹은 ‘영화진흥위원회’에서 조사한 자료(Korean Film Council, 2011)를 기반으로 그룹별 선호 장르를 설정하였다.
사용자 그룹의 선호 장르와 선호 장르와 유사한 두 개의 장르를 기반으로 검색된 영화는 영화 추천을 위한 후보 영화 리스트가 된다. 각 후보 영화는 검색된 조건에 따라 가중치를 다르게 가지며 검색된 영화의 추천을 위한 가중치는 영화 메타데이터 온톨로지에 입력된 평점(Rating)값과 함께 계산되어 영화의 가중치를 결정한다. 사용자 정보기반 영화 검색에서 검색된 후보 영화 리스트들의 가중치 계산은 식 (3)과 같다.
후보 영화 검색을 위해 정의된 영화 메타데이터 온톨로지를 기반으로 사용자 그룹의 선호 장르와 사용자가 입력한 선호 장르, 배우, 줄거리, 키워드를 기반으로 하여 해당 메타데이터와 연결된 영화 들을 검색한다. 검색된 후보 영화들은 메타데이터에 따라 정의된 가중치를 계산하여 각각의 영화의 가중치를 계산하고, 계산된 가중치를 기반으로 영화를 정렬하고 추천한다.
본 논문에서는 성별, 연령 등의 정보를 활용하기 위하여 영화진흥위원회(Korean Film Council, 2011)에서 조사한 연령별, 성별 기반의 선호 장르를 기반으로 영화를 검색하고 추천한다. 그리고 사용자 개인의 선호도를 기반으로 각 메타데이터에 같은 가중치를 부여하여 영화를 검색하고 추천한다. 추천된 영화의 결과와 사용자가 선택한 선호 메타데이터에 의한 결과를 분석하여 가중치를 변경하고, 좀 더 개인화된 추천 영화를 제공한다.
각 메타데이터에 의해 검색된 결과에서 각각 같은 가중치를 주었을 때 배우의 경우 통합된 결과보다 좋은 결과를 가져왔다. 따라서, 본 논문에서는 각 결과를 분석을 통해 각 메타데이터에 대한 사용자의 선호도를 반영하였다. 실험 결과 제안하는 기법에서 영화를 추천하였을 때 장르 등의 메타데이터를 기반으로 하여 추천하였을 때 보다 좋은 결과가 나왔으며, 추천된 영화 중 만족하는 영화의 평균 수는 Top-5, Top-10, Top-20에서 각각 2.
본 논문에서는 영화의 메타데이터를 온톨로지 구조의 메타데이터 지식베이스로 구성하고 이를 사용하여 영화 메타데이터간의 속성을 부여함으로써 메타데이터간의 관계를 정의한다. 또한 영화 메타데이터간의 유사성 분석을 통하여 영화간의 유사성을 도출하고 검색된 영화의 메타데이터를 확장함으로써 다른 유사한 영화를 검색한다.
본 논문에서는 사용자의 성별, 나이 같은 사용자의 인구 통계학적(Demographic) 정보를 기반으로 사용자 그룹을 나누고 사용자의 그룹별 장르 선호도 기반의 영화를 추천하고 사용자 개인의 선호도를 입력 받아 영화를 검색한다. 또한, 검색된 영화와 유사한 영화를 도출하여 사용자에게 영화를 추천하는 기법을 제안한다.
또한, 사용자의 정보를 활용하여 사용자에게 적절한 영화를 추천해 줄 수 있도록 사용자 모델을 제안한다. 사용자 모델에는 개인이 선호하는 영화 메타데이터와 사용자의 성별과 연령 정보를 포함한다.
본 논문에서 제안하는 영화 추천은 영화 메타데이터 온톨로지에 정의된 유사 메타데이터를 통하여 사용자가 선택한 메타데이터뿐만 아니라 입력하지 않은 메타데이터에 의한 검색이 가능하다. 검색된 영화 리스트는 사용자의 선호도에 따라 영화의 순위를 가지게 되고 사용자는 순위가 정해진 영화에 따라 영화를 추천 받는다.
본 논문에서는 사용자의 프로파일과 영화의 메타데이터에 대한 선호도를 분석하여 영화를 검색하고 추천한다. 사용자가 영화를 선택할 때 고려하고 영화의 특징을 담고 있는 메타데이터를 기반으로 영화 메타데이터 온톨로지를 구축하여 이를 기반으로 영화를 검색한다.
본 논문에서는 영화 메타데이터 간의 연관성을 도출하기 위해 확률적 방법을 적용한다. 여러 개의 장르를 가지는 영화를 사용하여 조건부확률을 적용한 장르간의 유사성을 도출한다.
본 논문에서는 영화 추천을 위해 20개의 장르를 사용한다. 영화 장르에 대한 각각의 상대 확률을 구하여 장르간의 유사도 값을 계산하였다.
기존의 영화의 정보를 제공하는 서비스에서는 단지 특정 영화의 메타데이터를 나열함으로써 영화의 정보를 제공한다. 본 논문에서는 영화의 메타데이터를 온톨로지 구조의 메타데이터 지식베이스로 구성하고 이를 사용하여 영화 메타데이터간의 속성을 부여함으로써 메타데이터간의 관계를 정의한다. 또한 영화 메타데이터간의 유사성 분석을 통하여 영화간의 유사성을 도출하고 검색된 영화의 메타데이터를 확장함으로써 다른 유사한 영화를 검색한다.
본 논문에서는 영화의 추천을 위해 사용자가 영화를 선택할 때 고려하는 주요 메타데이터로 줄거리, 장르, 배우, 키워드를 선택하였다. 사용자의 선호도와 콘텐츠 모델과의 연결을 위해 [Table 7]과 같이 객체의 개념과 관계를 정의하였다.
추천 서비스는 사용자와 아이템의 메타데이터를 활용하여 추천 기법을 적용하고 해당 사용자의 선호도나 사용자와 아이템의 기본 정보를 분석하여 사용자에게 아이템을 추천한다. 본 연구에서는 사용자에게 영화를 추천하기 위하여 영화 메타데이터를 기반으로 영화 메타데이터 온톨로지를 구축하고 영화 메타데이터간의 유사성을 생성하여 영화 추천에 사용한다.
본 연구에서는 온톨로지를 구축하기 위해 Protégé(Drummond et al., 2005) 온톨로지 편집 툴을 사용하고 영화의 메타데이터의 입력을 위해 Protégé API를 사용하여 자바 프로그램을 구현하였다.
본 연구의 영화 추천 기법은 사용자의 정보를 활용하여 사용자의 그룹을 정의하고, 사용자가 속한 그룹이 선호하는 영화 메타데이터와 사용자 개인의 선호도를 기반으로 개선된 영화의 추천기법을 제안했다. 또한, 영화 메타데이터간의 연관성 도출을 통하여 영화간의 유사성을 도출하고 이를 기반으로 사용자의 기본적인 정보를 활용한 추천뿐만 아니라 사용자가 예상하지 못한 영화의 추천이 가능하다.
사용자 모델은 사용자에게 영화의 개인화된 추천을 위하여 콘텐츠 모델과 연결하여 하나의 온톨로지 모델로 사용한다. 사용자는 연령과 성별에 따라 사용자 그룹이 결정된다.
사용자 정보기반 영화 검색은 사용자의 기본 정보를 기반으로 사용자의 그룹을 결정하고 그룹의 장르 선호도와 isSimilarTo관계로 연결된 유사장르에 따라서 영화를 검색한다. 사용자의 정보가 입력되면 정의된 Semantic Web Rule Language(SWRL)(Horrocks et al.
본 논문에서는 사용자의 프로파일과 영화의 메타데이터에 대한 선호도를 분석하여 영화를 검색하고 추천한다. 사용자가 영화를 선택할 때 고려하고 영화의 특징을 담고 있는 메타데이터를 기반으로 영화 메타데이터 온톨로지를 구축하여 이를 기반으로 영화를 검색한다. 기존의 영화의 정보를 제공하는 서비스에서는 단지 특정 영화의 메타데이터를 나열함으로써 영화의 정보를 제공한다.
본 논문에서는 사용자가 영화를 선택할 때 고려하는 메타데이터를 기반으로 사용자가 원하는 영화를 검색한다. 사용자는 주요 메타데이터를 입력하고 입력한 메타데이터를 기반으로 영화 메타데이터 온톨로지에서 영화를 검색한다. [Figure 5]는 영화 모델에서 영화의 검색을 위한 User개념과 영화 모델에서의 주요 개념과의 관계에 대한 연결을 보여준다.
사용자 정보기반 영화 검색은 사용자의 기본 정보를 기반으로 사용자의 그룹을 결정하고 그룹의 장르 선호도와 isSimilarTo관계로 연결된 유사장르에 따라서 영화를 검색한다. 사용자의 정보가 입력되면 정의된 Semantic Web Rule Language(SWRL)(Horrocks et al., 2004) 규칙에 따라 그룹이 결정되고 사용자가 속한 그룹의 선호 장르와 선호 장르의 유사장르를 기반으로 쿼리를 생성하여 추천될 후보 영화를 검색한다. 사용자 그룹은 연령별로 8가지, 성별로 2가지로 구분 된다.
본 논문에서는 영화 메타데이터 간의 연관성을 도출하기 위해 확률적 방법을 적용한다. 여러 개의 장르를 가지는 영화를 사용하여 조건부확률을 적용한 장르간의 유사성을 도출한다. 장르기반의 유사도 도출을 위한 조건부확률은 식 (1)과 같다.
본 논문에서는 영화 추천을 위해 20개의 장르를 사용한다. 영화 장르에 대한 각각의 상대 확률을 구하여 장르간의 유사도 값을 계산하였다. 계산된 값을 기반으로 장르 x와 장르 y를 유사 장르의 관계로 연결한다.
영화 메타데이터 온톨로지는 영화 메타데이터 간의 관계와 속성을 생성하고, 생성된 관계와 속성을 통한 영화간의 유사성을 도출함으로써 유사한 영화추천에 활용될 수 있다. 영화간 유사성을 도출하기 위해 본 논문에서는 장르를 활용한다. 장르간의 연관성 도출을 위해 확률적 방법을 적용하고 이를 통해 정의된 영화 간 유사성 모델을 사용하여 제안하는 추천기법에 적용한다.
영화간 유사성을 도출하기 위해 본 논문에서는 장르를 활용한다. 장르간의 연관성 도출을 위해 확률적 방법을 적용하고 이를 통해 정의된 영화 간 유사성 모델을 사용하여 제안하는 추천기법에 적용한다. 또한 개인화된 영화 검색을 위해 줄거리를 사용한다.
본 논문에서는 10가지 영화 메타데이터를 기반으로 영화 메타데이터를 표현하고 영화의 추천을 위한 연관성을 도출하며, 이를 표현하기 위해 영화 메타데이터 온톨로지를 만들었다. 제안하는 시스템에서는 영화 추천을 위해 장르뿐만 아니라 줄거리, 배우 등의 메타데이터를 추가함으로써 사용자의 영화 선정 시 고려 요인을 반영하여 좀 더 사용자에게 개인화된 결과를 제공하였다.
제안하는 영화 추천 기법을 평가하기 위하여 각 사용자들은 성별과 연령을 입력하고 선호하는 장르, 배우, 키워드, 줄거리를 입력하고 영화를 추천 받는다.
그리고 사용자 개인의 선호도를 기반으로 각 메타데이터에 같은 가중치를 부여하여 영화를 검색하고 추천한다. 추천된 영화의 결과와 사용자가 선택한 선호 메타데이터에 의한 결과를 분석하여 가중치를 변경하고, 좀 더 개인화된 추천 영화를 제공한다.
후보 영화 검색을 위해 정의된 영화 메타데이터 온톨로지를 기반으로 사용자 그룹의 선호 장르와 사용자가 입력한 선호 장르, 배우, 줄거리, 키워드를 기반으로 하여 해당 메타데이터와 연결된 영화 들을 검색한다. 검색된 후보 영화들은 메타데이터에 따라 정의된 가중치를 계산하여 각각의 영화의 가중치를 계산하고, 계산된 가중치를 기반으로 영화를 정렬하고 추천한다.
대상 데이터
본 논문에서는 영화의 메타데이터를 기반으로 영화 간의 연관성을 도출하고 사용자의 선호도를 입력받아 사용자의 개인화된 정보를 활용하여 영화를 추천하는 기법을 제안하였다. 본 논문에서 제안하는 기법을 평가하기 위해 7,418개의 영화를 사용하여 영화 메타데이터 온톨로지를 구축하고 실험 하였다. 사용자는 사용자의 나이와 성별을 통하여 사용자 그룹이 결정되고 사용자 그룹에 따라 선호하는 장르기반의 영화를 검색하고 추천받게 되고, 사용자의 장르, 배우, 키워드, 줄거리를 입력 받아 해당 메타데이터와 연결된 영화를 검색하고 추천받게 된다.
, 2007). 본 논문에서는 영화의 추천에서 사용자의 선호도가 잘 반영되는 장르, 키워드, 줄거리, 배우, 감독, 작가와 영화가 가지는 기본 메타데이터인 제목, 제작 국가, 등급, 평점 배역 등의 10가지 영화 메타데이터를 선정하였다. 본 논문에서는 10가지 영화 메타데이터를 기반으로 영화 메타데이터를 표현하고 영화의 추천을 위한 연관성을 도출하며, 이를 표현하기 위해 영화 메타데이터 온톨로지를 만들었다.
본 논문에서는 제안하는 방법의 실험을 위하여 국내 포탈사이트(Daum 영화)에서 제공하는 영화 메타데이터를 사용하였다. 평점 7.
영화 메타데이터의 정보 입력을 위해 국내 포털사이트(http://movie.daum.net)에서 제공하는 영화와 각 영화의 메타데이터를 사용한다. 본 논문에서 사용하는 영화의 수와 각 개념에서의 개체(Individual)의 수는 [Table 8]과 같다.
평점 7.0 이상을 가지는 영화 7,418개를 사용하며 2011년 ‘영화진흥위원회’에서 조사한 결과에서 영화관람의 비중이 가장 높은 임의의 20대 남/녀(Korean Film Council, 2011) 10명씩 20명을 대상으로 실험하였다.
이론/모형
사용자는 연령과 성별에 따라 사용자 그룹이 결정된다. 각 사용자 그룹은 2011년에 영화진흥위원회에서 조사한 영화 소비자조사를 기반으로 그룹별 선호 장르를 선택하였다(Korean Film Council, 2011). 사용자 그룹은 연령별로 6가지의 그룹과(10대, 20대 초반, 20대 후반, 30대 초반, 30대 후반, 40대, 50대 이상) 성별에 따라 2가지 그룹으로 분류된다.
본 논문에서는 영화 메타데이터 온톨로지를 구현하기 위한 온톨로지 언어로 Web Ontology Language(OWL)를(McGuinness et al., 2004; W3C OWL Working Group, 2009) 사용한다. 각 영화의 메타데이터 들은 영화 메타데이터 모델에서 개념, 속성, 관계로 표현된다.
온톨로지 구조를 가지는 영화 메타데이터 지식베이스의 구축을 위해 온톨로지 개발 101방법론을 적용한다(Noy et al., 2011). 온톨로지 개발 101방법론은 Stanford 대학 Knowledge Systems 연구실 팀에서 제안한 방법론으로 [Table 1]과 같이 총 7가지 단계로 구성된다.
성능/효과
사용자는 사용자의 나이와 성별을 통하여 사용자 그룹이 결정되고 사용자 그룹에 따라 선호하는 장르기반의 영화를 검색하고 추천받게 되고, 사용자의 장르, 배우, 키워드, 줄거리를 입력 받아 해당 메타데이터와 연결된 영화를 검색하고 추천받게 된다. 각 메타데이터에 의해 검색된 결과에서 각각 같은 가중치를 주었을 때 배우의 경우 통합된 결과보다 좋은 결과를 가져왔다. 따라서, 본 논문에서는 각 결과를 분석을 통해 각 메타데이터에 대한 사용자의 선호도를 반영하였다.
각 메타데이터의 가중치에 곱해지는 기여도 CW는 사용자가 선택한 선호 메타데이터에 의해 검색되어 추천된 영화와 결과에 의해 분석된 결과에 의해 추천 결과에 영향을 미치는 기여도 순으로 각각의 메타데이터의 기여도 순에 따라 CW는 2, 1.6, 1.3, 1 가진다.
이는 각 메타데이터를 기반으로 추천된 결과보다 평균 18% 좋은 결과를 가져왔다. 또한 다른 영화 추천시스템이나 영상 콘텐츠 추천 시스템에서 사용하는 메타데이터인 장르의 경우 다른 메타데이터에 비하여 낮은 만족도를 보여 주었다.
이를 보완하기 위해 영화 메타데이터에서 사용자가 영화를 선택할 때 고려하는 다른 특정 메타데이터들로 확장하여 영화를 추천하였을 때 사용자의 만족도를 높이 이끌어 낼 수 있었다. 또한 사용자의 특정 메타데이터에 대한 선호도를 분석하여 가중치를 다르게 주어 추천 하였고, 사용자에게 높은 정확도를 줄 수 있었다. 하지만 사용자 개인의 선호 메타데이터에 대한 가중치를 동일하게 준 결과 사용자에 따라 영화를 선택할 때 각각의 메타데이터에서 더 선호하는 메타데이터에 대한 정확한 선호 메타데이터가 반영되지 않았다.
따라서, 본 논문에서는 각 결과를 분석을 통해 각 메타데이터에 대한 사용자의 선호도를 반영하였다. 실험 결과 제안하는 기법에서 영화를 추천하였을 때 장르 등의 메타데이터를 기반으로 하여 추천하였을 때 보다 좋은 결과가 나왔으며, 추천된 영화 중 만족하는 영화의 평균 수는 Top-5, Top-10, Top-20에서 각각 2.1개, 3.35개, 6.35개가 나왔다. 이는 각 메타데이터를 기반으로 추천된 결과보다 평균 18% 좋은 결과를 가져왔다.
[Table 11]과 [Figure 10]은 추천된 영화의 수와 사용자가 선택한 영화수의 비율을 보여준다. 실험 결과 제안하는 방법에 의해 추천된 영화의 만족도가 가장 높게 나왔으며, 영화 추천에 가장 많이 사용되는 장르의 경우 사용자에게 충분한 영향을 주지 못하는 것으로 나타났다. 장르를 사용하여 영화를 검색할 경우 각 장르에는 많은 양의 영화를 포함하고 있기 때문에 사용자에게 만족하는 영화를 제공하기가 힘들었다.
장르를 사용하여 영화를 검색할 경우 각 장르에는 많은 양의 영화를 포함하고 있기 때문에 사용자에게 만족하는 영화를 제공하기가 힘들었다. 이를 보완하기 위해 영화 메타데이터에서 사용자가 영화를 선택할 때 고려하는 다른 특정 메타데이터들로 확장하여 영화를 추천하였을 때 사용자의 만족도를 높이 이끌어 낼 수 있었다. 또한 사용자의 특정 메타데이터에 대한 선호도를 분석하여 가중치를 다르게 주어 추천 하였고, 사용자에게 높은 정확도를 줄 수 있었다.
[Table 10]과 [Figure 9]은 영화가 추천되었을 때 성별, 연령에 따른 사용자의 선호 장르기반의 추천과 사용자의 선호 메타데이터기반의 추천, 각 결과들을 합친 후의 영화 추천결과와 가중치를 변경후의 결과를 보여준다. 제안하는 방법에 의해 추천된 영화 중 Top-20에서의 선택된 영화의 평균수는 6.35개로 가장 높게 나왔고 장르에 의해 추천된 영화 중 Top-20에서의 선택된 영화의 평균수는 1.7개로 가장 낮게 나왔다. 또한, 배우의 경우 실험에 참여한 피실험자가 입력한 배우들이 출연한 영화의 수가 15개 이상의 결과가 나오지 않아 Top-20의 결과가 0이 나왔다.
후속연구
또한, 영화 메타데이터간의 연관성 도출을 통하여 영화간의 유사성을 도출하고 이를 기반으로 사용자의 기본적인 정보를 활용한 추천뿐만 아니라 사용자가 예상하지 못한 영화의 추천이 가능하다. 향후 연구로 사용자의 영화 시청 이력 분석을 통하여 사용자의 특정 메타데이터에 대한 선호도를 분석하여 각 메타데이터에 대한 가중치를 다르게 적용함으로써 사용자의 선호 메타데이터를 정확하게 반영할 수 있고, 사용자가 시스템을 통하여 추천 영화를 제공받기 위한 노력을 최소화 하여 자동화된 영화 추천 기법을 연구하고자 한다. 또한 본 연구의 실험에서 제한된 실험자의 수로 통계학적 의미의 결과를 가져오지 못하였다.
질의응답
핵심어
질문
논문에서 추출한 답변
사용자들이 자신이 원하는 콘텐츠를 찾고자 하는 요구가 증가하게 된 배경은?
최근 IPTV와 스마트 TV 등의 등장과 영상 콘텐츠를 시청하고 검색할 수 있는 웹 서비스의 등장으로 영상 콘텐츠의 접근이 용이해져 사용자들은 자신이 원하는 콘텐츠를 찾고자 하는 요구가 증가하고 있다. 하지만 서비스되는 콘텐츠의 양이 방대하여 영상 콘텐츠를 검색할 때 사용하는 키워드 기반의 검색은 많은 양의 결과를 가져오며 사용자가 필요로 하지 않은 결과가 검색된다.
사용자들이 자신이 원하는 콘텐츠를 찾을 때 키워드 기반의 검색을 했을 시 생기는 문제점은?
최근 IPTV와 스마트 TV 등의 등장과 영상 콘텐츠를 시청하고 검색할 수 있는 웹 서비스의 등장으로 영상 콘텐츠의 접근이 용이해져 사용자들은 자신이 원하는 콘텐츠를 찾고자 하는 요구가 증가하고 있다. 하지만 서비스되는 콘텐츠의 양이 방대하여 영상 콘텐츠를 검색할 때 사용하는 키워드 기반의 검색은 많은 양의 결과를 가져오며 사용자가 필요로 하지 않은 결과가 검색된다. 따라서 사용자가 원하는 콘텐츠의 검색 시간과 노력이 증가 하게 되었다.
제안하는 추천 기법이 구성하는 컴포넌트는?
또한 사용자의 선호도와 그룹을 정의하고, 사용자 정보를 활용하기 위한 사용자 모델을 정의한다. 제안하는 추천 기법은 1) 사용자 정보기반의 후보 영화 검색 컴포넌트, 2) 사용자 선호기반의 후보 영화 검색 컴포넌트, 3) 1)과 2)의 결과를 통합하고 가중치를 부여하는 컴포넌트, 4) 최종결과의 분석을 통한 개인화된 영화 추천 컴포넌트 등 총 4가지 컴포넌트로 구성된다. 제안하는 추천 기법의 실험을 위하여 20대 남/녀 10명씩 20명을 대상으로 실험을 진행하였으며, 실험결과 평균 Top-5에서 2.
참고문헌 (27)
Adomavicius, G. and A. Tuzhilin, "Toward the next generation of recommender systems : A survey of the state-of-the-art and possible extensions," Knowledge and Data Engineering, Vol.17, No.6(2005), 734-749.
Bechhofer, S., F. Van Harmelen, J. Hendler, I. Horrocks, D. L. McGuinness, P. F. Patel- Schneider, and L. A. Stein, OWL web ontology language reference, W3C recommendation 10, 2004. Available at http://www.w3.org/TR/owl-ref/(Accessed 15 June 2013).
Chen, T., W. L. Han, H. D. Wang, Y. X. Zhou, B. Xu, and B. Y. Zang, "Content recommendation system based on private dynamic user profile," Machine Learning and Cybernetics, Vol.4(2007), 2112-2118.
DAUM Movie of Korea homepage. Available at http://movie.daum.net(Accessed 20 June 2013).
Drummond, N., M. Horridge, and H. Knublauch, "Protege-OWL tutorial," 8th International Protege Conference, (2005).
Dublin Core Metadata Initiative, Dublin core metadata element set, version 1.1 : Reference description, 1999. Available at http://dublincore.org/documents/2003/08/26/usageguide (Accessed 17 June 2013).
Duval, E., W. Hodgins, S. Sutton, and S. L. Weibel, Metadata principles and practicalities, D-lib Magazine, 2002. http://www.dlib.org/dlib/april02/weibel/04weibel.html(Accessed 15 June 2013).
Gunawardana, A. and G. Shani, "A survey of accuracy evaluation metrics of recommendation tasks," Journal of Machine Learning Research, Vol.10(2009), 2935-2962.
Horrocks, I., P. F. Patel-Schneider, H. Boley, and S. Tabet, SWRL : A semantic web rule language combining OWL and RuleML, W3C Member submission, 2004. Available at http://www.w3.org/Submission/2004/SUBM-SWRL-20040521/(Accessed 28 June 2013).
HULU of U.S homepage. Available at http://www.hulu.com(Accessed 25 June 2013).
Kim, E., S. Pyo, E. Park, and M. Kim, "An automatic recommendation scheme of TV program contents for (IP) TV personalization," Broadcasting IEEE Transaction, Vol.57, No.3 (2011), 674-684.
Korean Film Council(Korea), Report for Movie Consumption, Korean Film Council, 2011.
Korean Movie Database KMDb. Available at http://www.kmdb.or.kr(Accessed 25 June 2013).
Lee, J. S. and S. D. Park, "Performance Improvement of a Movie Recommendation System using Genre-wise Collaborative Filtering," Journal of Intelligence and Information Systems, Vol.13, No.4(2007), 65-78.
Linden, G., B. Smith, and J. York, "Amazon.com recommendations : Item-to-item collaborative filtering," Internet Computing, Vol.7, No.1 (2003), 76-80.
Mathes, A., "Folksonomies-cooperative classification and communication through shared metadata," Computer Mediated Communication, Vol.47, No.10(2004).
McGuinness, D. L. and F. Van Harmelen, OWL web ontology language overview, W3C recommendation 10, 2004. Available at www.w3.org/TR/owl-features(Accessed 13 June 2013).
NETFLIX of U.S. homepage. Available at http://www.netflix. com(Accessed 25 June 2013).
Noy, N. F. and D. L. McGuinness, Ontology development 101 : A guide to creating your first ontology, Stanford Knowledge Systems Laboratory Tech, (2001).
Stamou, G., J. van Ossenbruggen, J. Z. Pan, G. Schreiber, and J. R. Smith, "Multimedia annotations on the semantic web," Multimedia IEEE, Vol.13, No.1(2006), 86-90.
Su, X. and T. M. Khoshgoftaar, "A survey of collaborative filtering techniques," Advances in Artificial Intelligence, (2009), 1-20.
Tintarev, N. and J. Masthoff, "A survey of explanations in recommender systems," Proceedings of the IEEE 23rd International Conference on Data Engineering Workshop, (2007), 801-810.
Tsunoda, T. and M. Hoshino, "Automatic metadata expansion and indirect collaborative filtering for TV program recommendation system," Multimedia Tools and Applications, Vol.36, No.1-2(2008), 37-54.
Vallet, D., M. Fernandez, and P. Castells, "An ontology-based information retrieval model," The Semantic Web : Research and Applications 2nd European Semantic Web Conference, (2005), 455-470.
Weng, S. S. and M. J. Liu, "Personalized product recommendation in e-commerce," 2004 IEEE International Conference on e-Technology, e-Commerce, and e-Services, (2004), 413-420.
W3C Owl Working Group, OWL 2 web ontology language document overview, W3C Recommendation, 2009. Available at http://www.w3/org/TR/owl-overview(Accessed 13 June 2013).
Yun, B. D., J. W. Kim, Y. S. Cho, and S. G. Kang, "Personalized Recommendation System for IPTV using Ontology and K-medoids," Journal of Intelligence and Information Systems, Vol.16, No.3(2010), 147-161.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.