[논문]동적 사용자 프로필 및 협업 필터링을 이용한 소셜 네트워크 그룹 추천

양희태; 차재홍; 안민제; 임종태; 이하; 복경수; 유재수

doi:10.5392/jkca.2013.13.11.011

동적 사용자 프로필 및 협업 필터링을 이용한 소셜 네트워크 그룹 추천
Social Network Group Recommendation Using Dynamic User Profiles and Collaborative Filtering 원문보기

한국콘텐츠학회논문지 = The Journal of the Korea Contents Association, v.13 no.11, 2013년, pp.11 - 20

양희태 (충북대학교 정보통신공학과) , 차재홍 (충북대학교 정보통신공학과) , 안민제 (충북대학교 정보통신공학과) , 임종태 (충북대학교 정보통신공학과) , 이하 (충북대학교 정보통신공학과) , 복경수 (충북대학교 정보통신공학과) , 유재수 (충북대학교 정보통신공학과)

초록
AI-Helper

최근 SNS(Social Network Service)의 사용이 급격히 증가함에 따라 추천 기법에 대한 연구가 활발히 진행되고 있다. 추천 기법은 사용자들이 좋아하거나 필요할만한 다양한 서비스들을 실시간으로 제공하는 기법이다. 그 중 그룹 추천은 사용자의 성향 정보를 기반으로 적합한 그룹을 제공해 주는 기법이다. 본 논문에서는 소셜 네트워크 환경에서 사용자 프로필 및 협업 필터링을 이용한 그룹 추천 기법을 제안한다. 제안하는 기법은 사용자의 최근 그룹 활동 정보를 수집하여 프로필 정보를 갱신하기 때문에 기존의 정적프로필 기반의 그룹 추천 기법의 최근 사용자의 성향을 고려하지 못하는 문제점을 해결한다. 또한, 협업 필터링을 통해 그룹 내 자신의 성향과 비슷한 사용자들의 프로필 데이터를 활용하여 그룹을 추천함으로써 사용자에게 좀 더 다양한 그룹을 제공한다. 성능 평가 결과 제안하는 기법이 기존 기법에 비해 사용자의 변화하는 성향이 충분히 반영된 다양한 그룹 추천이 이루어지는 것을 확인 할 수 있었다.

Abstract ▼ AI-Helper

Recently, as SNS services have been increased, studies on recommendation schemes have been actively done. Recommendation scheme provides various favorable or needed services with users on real time. Group recommendation provides users with suitable groups based on their preference. In this paper, we propose a new group recommendation scheme considering user profiles and collaborative filtering in social networks. The proposed scheme can solve the problems of the static profile based group recommendation scheme because it collects the recent group activities and updates user profiles. It also recommends the more various groups by reflecting the similar tendencies of other users within a group through collaborative filtering. Our experimental results show that the proposed scheme recommends various groups that significantly considers the user's changing preferences compared to the existing scheme.

주제어

AI 본문요약
AI-Helper

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

문제 정의

기존 연구에서는 정적 프로필을 기반으로 하여 사용자의 성향을 파악하고 그 성향에 맞는 그룹을 제공한다. 본 논문에서는 기존 정적 프로필 기반의 그룹추천 방식에서 사용자의 최근 성향을 반영하지 못하는 문제점을 동적 프로필을 활용하여 해결 하였으며, 자신의 성향과 비슷한 다른 사용자의 정보 또한 고려함으로써 기존 정적 프로필 기반 추천 방식보다 다양하고 정확한 그룹 추천을 제공한다.
본 논문에서는 사용자 동적 프로필과 소셜 네트워크 사용자들의 성향을 이용한 정적 그룹 추천 기법을 제안한다. 본 논문에서 정적 그룹은 사용자들이 특수한 목적으로 모인 온라인 커뮤니티로 정의한다.
본 논문에서는 소셜 환경에서 활동 프로필과 협업필터링을 이용한 그룹 추천 기법을 제안하였다. 기존 그룹 추천 기법은 정적 프로필을 이용하기 때문에 신뢰성 및 만족도가 저하되는 문제점이 있다.
추천 과정에서 다른 사용자와 자신의 성향을 동시에 고려하기 위해 협업 필터링을 사용하여 그룹을 추천한다. 본 논문에서는 정적 프로필 기반에서 변화하는 사용자의 성향의 최신성을 반영하지 못한다는 점을 해결하며, 해당 분야의 자신과 비슷한 성향을 가진 다른 사용자의 프로필 정보 또한 고려하기 때문에 기존의 기법보다 사용자에게 질 높고 정확한 그룹 추천 서비스를 제공한다.

가설 설정

만약 사용자가 특정 그룹에서 [그림 3](a)에 해당하는 속성 값에 대한 활동을 했다고 가정하자. 또한 활동량 계산 범위를 최근 4달 내에 활동한 활동량을 기준으로 정한다고 가정하자. 활동량을 계산하기 위한 각 속성에 부여된 가중치는 [그림 3](b)와 같고 각 시점별 가중치는 [그림 3](c)와 같다고 하자.
운동에 관련된 그룹에서 협업 필터링을 통해 추출된 키워드가 ‘테니스’, ‘탁구’, ‘하키’라고 가정하자.

제안 방법

만약 사용자가 그룹에 가입되어 있다면 그룹 내에서 사용자가 최근에 수행한 활동을 기반으로 사용자의 선호도를 생성하고 동적 프로필을 생성한다. 그룹 내 다른 사용자들의 성향을 반영하기 위해 사용자가 가입한 그룹 내 사용자들의 최근 활동 정보를 분석하여 협업 필터링을 수행한다. 이후 협업 필터링을 수행하여 도출한 정보를 통해 선호도를 생성한다.
[그림 10]는 기존 기법과 제안하는 기법의 그룹 추천에 대한 정확도를 비교한 것이다. 기존 기법과 제안하는 기법을 이용하여 지속적으로 성향이 변화하는 사용자에게 그룹을 추천 하였을 때 사용자의 현재 성향과 추천된 그룹의 키워드의 일치율을 비교하여 정확도를 비교하였다. 개인의 성향을 50 가지로 분류하였으며 개인이 성향이 빠르게 변화하는 그룹(Fast tendency group, F_Group), 일반적으로 변화하는 그룹(Normal tendency group, N_group), 거의 변하지 않는 그룹(Static tendency group, S_group)으로 분류하여 10,000번의 성능 평가 결과에 대한 평균한 값이다.
동일한 그룹 카테고리에서 수행한 모든 활동량을 결합하여 사용자의 활동 프로필을 갱신한다. 계산된 # 값의 총합에서 높은 값을 가지는 k개의 그룹의 키워드 정보를 사용자의 활동 프로필을 생성하기 위해 사용한다.
[그림 1]은 TKI의 5가지 성향을 나타낸다. 사용자들의 성향을 적극성 및 협조성에 따라 Competing, Collaborating, Avoiding, Accomodating, Compromising 으로 구분한다. 추천된 그룹 내 자신과 친분이 있는 사용자와의 관계성을 10가지 속성 비교를 통해 추천된 그룹에 대한 신뢰도를 향상시켰다.
사용자와 동일한 그룹 카테고리 내에서 활동하는 다른 사용자의 성향을 반영하기 위해 제안하는 기법에서는 활동 프로필에 대한 협업 필터링을 수행한다. 즉, 그룹 추천을 위해 사용자의 성향을 나타내는 활동 프로필과 그룹 내에 존재하는 자신과 유사한 성향을 가지는 사용자들의 성향을 고려하여 선호 키워드를 생성한다.
사용자와 유사한 성향을 가진 사용자를 선별하기 위해 사용자와 동일한 그룹 카테고리 내에서 활동하는 사용자를 검색하고 사용자들의 활동 프로필의 유사성을 비교한다. 유사성은 동일한 그룹 카테고리에 활동한 사용자의 활동 프로필에 포함된 키워드를 비교하여 계산한다.
선호도는 사용자의 특성을 반영한 키워드로 도출되며 이를 선호 키워드라 정의한다. 생성된 선호 키워드를 통해 그룹 내 태그와 키워드에 대한 유사도를 비교하여 그룹 추천을 수행한다.
협업 필터링을 수행하기 위해 우선 사용자와 동일한 그룹 카테고리 내에서 활동하는 사용자에 대해 유사한 성향을 가지는 사용자를 선별한다. 유사한 성향을 가지는 사용자가 도출되면 도출된 협업 필터링을 수행하여 유사한 사용자의 활동 프로필 키워드 항목 중에서 자신의 활동 프로필 키워드 항목에 존재하지 않는 키워드를 추출한다. 추출된 키워드에 대해 우선 순위를 부여하기 위해 사용자와의 유사도에 따라 각각의 키워드에 점수를 부여한다.
제안하는 기법의 우수성을 입증하기 위해 성능평가를 수행하였다. 이전에 제안된 기법인 프로필의 갱신이 이루어 지지 않는 정적 프로필 기반의 그룹 추천방식과 제안하는 기법의 그룹추천 방식의 그룹 추천 정확도에 대하여 비교 평가를 수행하였다. 임의로 생성한 100,000명의 성향을 데이터 집합으로 사용하였으며 RAM 4GB, CPU Intel(R) Core(TM) i3-2100, Window 7 Ultimate K OS 컴퓨터 환경에서 C# 언어로 구현하였다.
그룹 내 다른 사용자들의 성향을 반영하기 위해 사용자가 가입한 그룹 내 사용자들의 최근 활동 정보를 분석하여 협업 필터링을 수행한다. 이후 협업 필터링을 수행하여 도출한 정보를 통해 선호도를 생성한다. 선호도는 사용자의 특성을 반영한 키워드로 도출되며 이를 선호 키워드라 정의한다.
따라서 정적 프로필은 사용자의 최근 성향을 파악하기 위한 목적으로 사용하는 것은 문제가 있다. 제안하는 기법에서는 사용자의 최근 성향을 표현하기 위해 활동 프로필을 사용한다. 활동 프로필은 사용자의 그룹 활동 정보를 기반으로 최근 사용자의 관심 항목을 추출하여 생성한 것으로 주기적으로 갱신되는 동적 프로필과 같다.
본 논문에서 정적 그룹은 사용자들이 특수한 목적으로 모인 온라인 커뮤니티로 정의한다. 제안하는 기법은 사용자의 최근 활동 정보를 분석하여 동적 프로필을 생성한다. 동적 프로필은 그룹 활동 정보를 통해서 지속적으로 갱신되기 때문에 사용자의 최근 성향을 반영할 수 있다.
[표 2]를 이용하여 사용자의 동적 프로필을 갱신하고 선호 키워드는 # 값 중 상위 5개를 포함하는 값으로 임계치를 설정하였다. 초기 활동 프로필 정보를 통해 5개의 선호 키워드(CN, DX, CO, BS, AB)를 지정 하였다. 사용자가 활동하는 각 그룹의 # 값을 각각 1∼100로 랜덤하게 부여함에 따라 초기 활동 프로필의 키워드(CN, DX, CO, BS, AB)에서 (DV, AF, BJ, CR, AJ)로 갱신되는 것을 확인 할 수 있었다.
또한 그룹 추천 과정에서 그룹 내의 존재하는 사용자들의 활동 정보를 수집하여 그룹 내에서 최근 사용자들의 성향 정보를 반영한다. 추천 과정에서 다른 사용자와 자신의 성향을 동시에 고려하기 위해 협업 필터링을 사용하여 그룹을 추천한다. 본 논문에서는 정적 프로필 기반에서 변화하는 사용자의 성향의 최신성을 반영하지 못한다는 점을 해결하며, 해당 분야의 자신과 비슷한 성향을 가진 다른 사용자의 프로필 정보 또한 고려하기 때문에 기존의 기법보다 사용자에게 질 높고 정확한 그룹 추천 서비스를 제공한다.
사용자들의 성향을 적극성 및 협조성에 따라 Competing, Collaborating, Avoiding, Accomodating, Compromising 으로 구분한다. 추천된 그룹 내 자신과 친분이 있는 사용자와의 관계성을 10가지 속성 비교를 통해 추천된 그룹에 대한 신뢰도를 향상시켰다.
활동 프로필을 갱신하기 위해 우선 사용자가 가입한 모든 그룹에 대해 각각의 활동량을 계산한다. 활동량은 사용자가 최근에 동일한 카테고리로 분류된 그룹에서 활동한 내역을 수치로 나타낸 값이다.

데이터처리

제안하는 기법의 우수성을 입증하기 위해 성능평가를 수행하였다. 이전에 제안된 기법인 프로필의 갱신이 이루어 지지 않는 정적 프로필 기반의 그룹 추천방식과 제안하는 기법의 그룹추천 방식의 그룹 추천 정확도에 대하여 비교 평가를 수행하였다.

성능/효과

기존 기법과 제안하는 기법을 이용하여 지속적으로 성향이 변화하는 사용자에게 그룹을 추천 하였을 때 사용자의 현재 성향과 추천된 그룹의 키워드의 일치율을 비교하여 정확도를 비교하였다. 개인의 성향을 50 가지로 분류하였으며 개인이 성향이 빠르게 변화하는 그룹(Fast tendency group, F_Group), 일반적으로 변화하는 그룹(Normal tendency group, N_group), 거의 변하지 않는 그룹(Static tendency group, S_group)으로 분류하여 10,000번의 성능 평가 결과에 대한 평균한 값이다. 그룹 추천에 대한 정확도는 기존 기법과 비교하여 평균 50% 성능이 향상된 것을 확인할 수 있었다.
개인의 성향을 50 가지로 분류하였으며 개인이 성향이 빠르게 변화하는 그룹(Fast tendency group, F_Group), 일반적으로 변화하는 그룹(Normal tendency group, N_group), 거의 변하지 않는 그룹(Static tendency group, S_group)으로 분류하여 10,000번의 성능 평가 결과에 대한 평균한 값이다. 그룹 추천에 대한 정확도는 기존 기법과 비교하여 평균 50% 성능이 향상된 것을 확인할 수 있었다.
제안하는 기법에서는 활동 프로필의 지속적인 갱신과 그룹 내 사용자들의 성향을 고려하여 기존 기법의 문제점을 해결했다. 성능평가 결과 기존의 기법은 시간의 흐름에 따른 사용자의 성향 변화를 충분히 반영하지 못하여 추천되는 그룹이 사용자의 성향과의 일치율이 낮게 나오는 것을 확인할 수 있었다. 제안하는 기법은 사용자의 성향 변화에 따라 프로필이 갱신되기 때문에 기존기법에 비해 약 50% 정확도를 향상시켰다.
제안하는 그룹 추천 기법은 사용자의 최근 성향과 그룹 내 사용자들의 성향을 동시에 고려하여 그룹 추천의 신뢰성 및 만족도를 향상시킨다. 사용자의 활동 내역을 통해 동적으로 프로필을 생성하고 그룹 내 다른 사용자의 프로필을 고려하기 때문에 신뢰도가 향상된다.
기존 그룹 추천 기법은 정적 프로필을 이용하기 때문에 신뢰성 및 만족도가 저하되는 문제점이 있다. 제안하는 기법에서는 활동 프로필의 지속적인 갱신과 그룹 내 사용자들의 성향을 고려하여 기존 기법의 문제점을 해결했다. 성능평가 결과 기존의 기법은 시간의 흐름에 따른 사용자의 성향 변화를 충분히 반영하지 못하여 추천되는 그룹이 사용자의 성향과의 일치율이 낮게 나오는 것을 확인할 수 있었다.
성능평가 결과 기존의 기법은 시간의 흐름에 따른 사용자의 성향 변화를 충분히 반영하지 못하여 추천되는 그룹이 사용자의 성향과의 일치율이 낮게 나오는 것을 확인할 수 있었다. 제안하는 기법은 사용자의 성향 변화에 따라 프로필이 갱신되기 때문에 기존기법에 비해 약 50% 정확도를 향상시켰다. 향후 연구로는 그룹 추천을 수행할 때 다른 카테고리와의 연관성까지 고려하여 좀 더 다양한 그룹을 추천하는 기법을 연구할 예정이다.

후속연구

제안하는 기법은 사용자의 성향 변화에 따라 프로필이 갱신되기 때문에 기존기법에 비해 약 50% 정확도를 향상시켰다. 향후 연구로는 그룹 추천을 수행할 때 다른 카테고리와의 연관성까지 고려하여 좀 더 다양한 그룹을 추천하는 기법을 연구할 예정이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	소셜 네트워크에서 동적 그룹은 어떤 집단인가?	예를 들어, 테니스 동호회, 영화 모임 등은 특수 목적으로 사용자들이 가입한 집단으로 그룹 내에서 상호 공유되는 정보의 유형이 정해져 있다. 동적 그룹은 정적 그룹과 상반되는 집단으로 특정 이벤트 또는 상황에 따라 일시적으로 생성되었다가 소멸되는 집단을 의미한다. 동일한 TV 채널을 시청하는 사용자, 특정 지역 내에 모인 사용자들이 이에 속한다.
	정적인 프로필에 기반한 기존 그룹 추천 기법은 어떤 문제점을 가지고 있는가?	기존 그룹 추천 기법들은 정적인 프로필에 기반 하여 선호도를 생성하고 그에 해당하는 아이템이나 관련된 그룹을 추천한다. 그러나 대부분의 사용자들은 그룹 가입 시에 입력된 프로필을 거의 변경하지 않기 때문에 사용자의 성향이 변경된 내용을 추천에 활용할 수 없다. 이로 인해 추천의 정확성이 저하되고 정보의 최신성이 반영되지 못하는 문제점이 있다. 또한, 추천 과정에서 사용자 프로필 정보만을 반영하기 때문에 다른 사용자들의 최근 성향을 반영하지 못하는 문제점이 있다.
	추천 기법 중 그룹 추천은 무엇인가?	사용자의 다양한 요구 사항을 빠르게 반영하기 위해 사용자의 성향을 고려한 추천 기법들에 대한 연구들 활발하게 진행되고 있다[1-4]. 이러한 추천 기법 중 그룹 추천은 사용자의 활동이나 성향을 분석하여 사용자의 관심 대상이 되는 추가적인 그룹을 제공하거나 그룹 내에 특정 아이템을 제공하는 것이다[2-4]. 소셜 네트워크에서 그룹은 정적 그룹과 동적 그룹으로 분류된다.

참고문헌 (13)

송정진, 이상철, 김상욱, "사용자의 다양성 성향을 고려하는 추천 기법", 정보과학회논문지:데이타베이스, 제40권, 제2호, pp.99-105, 2012.
L. Quijano-Sanchez, J. A. Recio-Garcıa, and B. Diaz-Agudo, "Personality and Social Trust in Group Recommendations," Proc. International Conference on Tools with Artificial Intelligence, Vol.3, pp.121-126, 2010.
L. Boratto, S. Carta, A. Chessa, M. Agelli, and M. L. Clemente, "Group Recommendation with Automatic Identification of Users Communities," Proc. International Workshop on Intelligent Web Interaction, Vol.3, pp.547-550, 2009.
M. Gartrell, X. Xing, Q. Lv, A. Beach, R. Han, S. Mishra, and K. Seada, "Enhancing Group Recommendation by Incorporating Social Relationship Interactions," Proc. International ACM SIGGROUP Conference on Supporting Group Work, pp.97-106, 2010.
S. AmerYahia, S. Basu Roy, A. Chawla, G. Das, C. Yua, "Group Recommendation: Semantics and Efficiency," Proc. International Conference on Very Large Data Bases, Vol.2, No.2, pp.754-765, 2009.
X. Liu, Y. Tian, M. Ye, and W. Lee, "Exploring Personal Impact for Group Recommendation," Proc. International conference on Information and Knowledge Management, pp.674-683, 2012.
C. Wan, B. Kao, and D. W. Cheung, "Location-sensitive Resources Recommendation in Social Tagging Systems," Proc. international conference on Information and Knowledge Management, pp.1960-1964, 2012.
정연오, 이성우, 이지형, "개인화된 전문가 그룹을 활용한 추천 시스템", 한국지능시스템학회, 제23권, 제1호, pp.7-11, 2013.
김재영, 이석원, "온톨로지 기반 영화 메타더이터간 연관성을 활용한 영화 추천 기법", 한국지능정보시스템학회, 제19권, 제3호, pp.25-44, 2013.
이한석, "SNS 디지털 환경의 특성이 문화콘텐츠 구매의도에 미치는 영향", 한국콘텐츠학회논문지, 제12권, 제7호, pp.336-345, 2012.

원문보기 상세보기
안성만, 김인환, 최병구, 조윤호, 김은홍, 김명균, "소셜네트워크 분석을 통한 협업필터링 추천 성과의 이해", 한국전자거래학회지, 제17권, 제2호, pp.129-147, 2012.

원문보기 상세보기
M. Tang, Y. Jiang, J. Liu, and X. Liu, "Location Aware Collaborative Filtering for QoS-Based Service Recommendation," Proc. International Conference on Web Services, pp.202-209, 2012.
Y. Cui, S. Song, L. He, and G. Li, "A Collaborative Filtering Algorithm Based on User Activity Level," Proc. International Conference on Business Intelligence and Financial Engineering, pp.80-83, 2012.

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