위치 기반 소셜 네트워크 서비스에서 사용자들은 체크인 데이터를 이용해 장소를 공유하고 커뮤니케이션을 한다. 체크인 데이터는 POI명, 카테고리, 장소 좌표/주소, 사용자 닉네임, 장소 평가 점수, 관련 글/사진/동영상 등으로 구성된다. 위치 기반 소셜 네트워크 서비스에서 이러한 체크인 데이터를 상황에 맞게 분석하면 다양한 맞춤형 서비스를 제공할 수 있다. 따라서, 본 논문에서는 사용자 체크인 데이터를 활용할 수 있는 LBSNS(Location-based Social Network Service) 기반 장소 추천 시스템을 개발하였다. LBSNS 기반 장소 추천 시스템은 체크인 데이터 중 장소 카테고리를 분석하여 가중치를 추출하고, 피어슨 상관계수를 이용해 사용자간의 유사도를 구한다. 그리고 협업적 필터링알고리즘을 이용하여 추천 장소에 대한 선호도 점수를 구하고, 추천 대상 장소의 위치와 사용자의 현재 위치에 대해 유클라디안 알고리즘을 적용하여 거리 점수를 구한다. 마지막으로, 선호도 점수와 거리 점수에 대해 가중치 계수를 적용하여 상황에 맞게 장소를 추천한다. 또한, 본 논문에서는 실제 데이터를 이용한 실험을 통해 본 논문에서 제시한 시스템의 우수성도 입증하였다.
위치 기반 소셜 네트워크 서비스에서 사용자들은 체크인 데이터를 이용해 장소를 공유하고 커뮤니케이션을 한다. 체크인 데이터는 POI명, 카테고리, 장소 좌표/주소, 사용자 닉네임, 장소 평가 점수, 관련 글/사진/동영상 등으로 구성된다. 위치 기반 소셜 네트워크 서비스에서 이러한 체크인 데이터를 상황에 맞게 분석하면 다양한 맞춤형 서비스를 제공할 수 있다. 따라서, 본 논문에서는 사용자 체크인 데이터를 활용할 수 있는 LBSNS(Location-based Social Network Service) 기반 장소 추천 시스템을 개발하였다. LBSNS 기반 장소 추천 시스템은 체크인 데이터 중 장소 카테고리를 분석하여 가중치를 추출하고, 피어슨 상관계수를 이용해 사용자간의 유사도를 구한다. 그리고 협업적 필터링 알고리즘을 이용하여 추천 장소에 대한 선호도 점수를 구하고, 추천 대상 장소의 위치와 사용자의 현재 위치에 대해 유클라디안 알고리즘을 적용하여 거리 점수를 구한다. 마지막으로, 선호도 점수와 거리 점수에 대해 가중치 계수를 적용하여 상황에 맞게 장소를 추천한다. 또한, 본 논문에서는 실제 데이터를 이용한 실험을 통해 본 논문에서 제시한 시스템의 우수성도 입증하였다.
In LBSNS(Location-based Social Network Service), users can share locations and communicate with others by using check-in data. The check-in data consists of POI name, category, coordinate and address of locations, nickname of users, evaluating grade of locations, related article/photo/video, and etc...
In LBSNS(Location-based Social Network Service), users can share locations and communicate with others by using check-in data. The check-in data consists of POI name, category, coordinate and address of locations, nickname of users, evaluating grade of locations, related article/photo/video, and etc. If you analyze the check-in data from the location-based social network service in accordance with your situation, you can provide various customized services. Therefore, In this paper, we develop a location recommendation system based on LBSNS that can utilize the check-in data efficiently. This system analyzes the location category of the check-in data, determines the weighted value of it, and finds out the similarity between users by using the Pearson correlation coefficient. Also, it obtains the preference score of recommended locations by using the collaborated filtering algorithm and then, finds out the distance score by applying the Euclidean's algorithm to the recommended locations and the current users' locations. Finally, it recommends appropriate locations by applying the weighted value to the preference score and the distance score. In addition, this paper approved excellence of the proposed system throughout the experiment using real data.
In LBSNS(Location-based Social Network Service), users can share locations and communicate with others by using check-in data. The check-in data consists of POI name, category, coordinate and address of locations, nickname of users, evaluating grade of locations, related article/photo/video, and etc. If you analyze the check-in data from the location-based social network service in accordance with your situation, you can provide various customized services. Therefore, In this paper, we develop a location recommendation system based on LBSNS that can utilize the check-in data efficiently. This system analyzes the location category of the check-in data, determines the weighted value of it, and finds out the similarity between users by using the Pearson correlation coefficient. Also, it obtains the preference score of recommended locations by using the collaborated filtering algorithm and then, finds out the distance score by applying the Euclidean's algorithm to the recommended locations and the current users' locations. Finally, it recommends appropriate locations by applying the weighted value to the preference score and the distance score. In addition, this paper approved excellence of the proposed system throughout the experiment using real data.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 S서비스의 체크인 데이터를 활용하였으며 일반적으로 가장 많이 체크인하는 음식점에 대해 LBSNS 기반 추천 시스템을 적용시켜 보았다. 즉, 2012년 10월 1일부터 2012년 10월 31일까지의 S서비스에서 음식점 카테고리를 30회 이상 체크인한 사용자 중 20명에 대한 체크인 데이터를 사용하였다.
본 논문에서는 사용자의 체크인 데이터를 분석하여 카테고리 가중치를 도출하고 사용자들간의 유사도를 측정하며 사용자의 특정 장소에 대한 선호도를 예측한다. 그리고 이를 기반으로 하여 최종적으로 사용자의 위치와 가까운 최적의 장소를 추천한다.
본 논문에서는 최근 성장하고 있는 LBSNS 분야에서 사용자의 체크인 데이터를 분석하는 LBSNS 기반 장소 추천 시스템을 연구 개발하였다. 본 논문에서 개발한 LBSNS 기반 장소 추천 시스템은 장소 카테고리 추출, 사용자간의 유사도, 협업적 필터링 알고리즘, 피어슨 상관계수, 유클라디안 알고리즘, 가중치 계수 등을 기반으로 사용자 맞춤형 장소를 추천할 수 있다.
본 논문에서는 피어슨 상관계수를 이용하여 사용자들간의 카테고리 유사도를 측정한다. 유사도 값은 -1 < N < 1 이며 1에 가까울수록 비슷한 카테고리에 체크인을 한 사람이다.
본 절에서는 협업적 필터링 알고리즘, 피어슨 상관계수, 유클라디안 알고리즘 등을 기반으로 하는 LBSNS 기반 장소 추천 시스템의 주요 처리 과정에 대하여 설명한다. Fig.
제안 방법
(2) 사용자 u와 유사한 카테고리를 갖는 유사한 사용자의 체크인 데이터를 분석한다. [Table 14]는 유사한 사용자 4명의 체크인 데이터를 분석한 수행 결과를 보여준다.
고객간 유사도를 이용하여 각 아이템 i에 대한 사용자 선호도 예측값을 구한다. 선호도 예측값을 구하기 위한 수식은 식(4)와 같다.
고객이 각 아이템에 대해 평가한 점수를 피어슨 상관계수를 이용하여 고객간의 유사도를 구한다. 사용자 a와 u의 유사도를 구하기 위한 수식은 식(3)과 같다.
넷째, 추천 대상 장소의 위치와 사용자의 현재 위치에 대해 유클라디안 알고리즘을 적용하여 거리 점수를 산출한다.
다섯째, 선호도 점수와 거리 점수에 대해 가중치 계수를 적용하여 상황에 맞게 장소를 추천한다.
둘째, 피어슨 상관계수를 이용해 사용자간의 유사도를 산출한다.
본 논문에서는 최근 성장하고 있는 LBSNS 분야에서 사용자의 체크인 데이터를 분석하는 LBSNS 기반 장소 추천 시스템을 연구 개발하였다. 본 논문에서 개발한 LBSNS 기반 장소 추천 시스템은 장소 카테고리 추출, 사용자간의 유사도, 협업적 필터링 알고리즘, 피어슨 상관계수, 유클라디안 알고리즘, 가중치 계수 등을 기반으로 사용자 맞춤형 장소를 추천할 수 있다.
본 논문에서 제안한 방법과 기존의 공간적 유사도를 기반으로 추천 장소를 추출한 방법을 비교하기 위해 실험자 20명을 대상으로 10개 추천 장소에 대해 만족도 평가를 진행하였다. [Fig.
본 논문에서는 S서비스의 체크인 데이터를 활용하여 스마트폰 모바일 웹 환경으로 구현하였다. [Fig.
본 논문에서는 선호도 예측값이 높은 순으로 추천 장소를 정렬하고 사용자 u의 현재 위치와 거리를 계산하여 가까운 장소를 최종 추천한다.
사용자간의 유사도를 이용하여 m개의 장소에 대해 특정 사용자가 어느 정도의 선호도를 가질 것인지 예측한다. 그리고 선호도 예측치가 높은 장소 중 사용자의 현 위치와 거리를 계산하여 최종 추천하게 된다.
셋째, 유사한 사용자들이 평가한 장소를 추출하고 협업적 필터링 알고리즘을 이용하여 추천 장소에 대한 선호도 점수를 구한다.
첫째, 사용자의 체크인 데이터 중 장소 카테고리를 분석하여 가중치를 추출한다.
대상 데이터
본 논문에서는 S서비스의 체크인 데이터를 활용하였으며 일반적으로 가장 많이 체크인하는 음식점에 대해 LBSNS 기반 추천 시스템을 적용시켜 보았다. 즉, 2012년 10월 1일부터 2012년 10월 31일까지의 S서비스에서 음식점 카테고리를 30회 이상 체크인한 사용자 중 20명에 대한 체크인 데이터를 사용하였다.
체크인 데이터는 장소 정보(POI명, 카테고리, 좌표, 주소)와 사용자 정보(사용자 닉네임, 장소 평가 점수, 남긴 글, 사진, 동영상) 등의 콘텐트로 구성되어 있다.
이론/모형
사용자의 현재 위치와 추천 장소와의 거리 계산은 유클라디안 알고리즘을 이용한 식(10)을 사용한다.
성능/효과
[Fig. 3]을 보면 만족도 평가 결과 본 논문에서 제시한 방법이 기존 방법보다 만족도가 40% 향상된 것을 알 수 있다. 따라서 본 논문에서 제시한 방법이 기존 방법보다 사용자 맞춤형 추천 장소를 추출하는데 더욱 효율적이라 판단된다.
그리고 본 논문에서는 실제 사용자의 체크인 데이터를 이용한 실험을 통해 제안 방법이 기존 연구 방법 보다 우수하다는 것을 입증하였다. 그러나 본 논문에서 사용한 협업적 필터링 알고리즘은 많은 사용자의 체크인 데이터가 있어야 한다는 단점이 있다.
3]을 보면 만족도 평가 결과 본 논문에서 제시한 방법이 기존 방법보다 만족도가 40% 향상된 것을 알 수 있다. 따라서 본 논문에서 제시한 방법이 기존 방법보다 사용자 맞춤형 추천 장소를 추출하는데 더욱 효율적이라 판단된다.
후속연구
또한 새로운 장소를 추천하고자 할 때 그 장소가 사용자로부터 평가를 받았어야만 추천할 수 있다. 따라서, 추후 협업적 필터링 알고리즘 이외에 내용 기반 필터링 알고리즘 등을 활용한 장소 추천 연구가 필요할 것이다.
본 논문에서 제시한 방법을 이용하여 장소 추천을 할 경우 사용자뿐만 아니라 유사한 사용자들의 체크인 데이터를 분석하여 장소를 추천받기 때문에 LBSNS 기반 개인 맞춤형 장소 추천이 가능해지게 된다.
위에서 언급한 첫 번째 연구는 사용자의 체크인 데이터를 분석하여 아이템을 추천하였지만 다양한 사용자의 취향을 고려하지 못하였다는 한계가 있다. 그리고 두번째 연구는 체류 시간의 측정이 번거로워 서비스 적용에 어려움이 있을 수 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
LBSNS는 어떤 기능을 제공하는가?
LBSNS는 유용한 지역정보, 생활정보, 할인정보 등의 서비스뿐만 아니라 체크인(Check-in) 데이터를 통해 장소에 대한 리뷰나 평가를 공유하고 체크인 한 위치의 주변 장소의 사람들과 커뮤니케이션을 할 수 있도록 해준다[6]. 이렇게 성장하고 있는 LBSNS 분야에서 최근 다양한 연구가 진행되고 있는데 위치 정보에 대한 정확도 및 정보 보안 등에 대한 기술 중심적인 연구, 행동학의 사용자 행위 관점에서의 연구, 새로운 커뮤니케이션의 수단으로 마케팅 관점에서의 연구 등이 이루어지고 있다[7].
체크인 데이터는 무엇으로 구성되어 있는가?
체크인 데이터는 장소 정보(POI명, 카테고리, 좌표, 주소)와 사용자 정보(사용자 닉네임, 장소 평가 점수, 남긴 글, 사진, 동영상) 등의 콘텐트로 구성되어 있다.
협업적 필터링 알고리즘은 어디에 적용했을 때 좋은 성능을 나타내는가?
즉, 각 사용자와 유사한 성향을 가진 사용자가 구매하였거나 좋게 평가했던 아이템 중에서 사용자가 이전에 구매하지 않은 아이템을 추천하는 것이다. 이 알고리즘은 도서나 음반, 영화 등 정량적으로 분석하기 어려운 아이템에 적용했을 때 좋은 성능을 나타내는 것으로 알려져 있다.
참고문헌 (10)
H. Y. Kim and J. H. Oh, The Current state and social meaning of domestic and foreign SNS. Hongik University, 2012.
J. M. Ryu, C. P. Hong, K. B. Kang, D. H. Kang, D. Y. Yangand J. W. Jwa, Development of mobile context awareness restaurant recommendation services. The Korea Contents Association, Vol. 7, No. 5, pp. 138-145, 2007.
B. I. Ahn, Location-based services of the mobile service. KT Economic Research, Trend Report, 2011.
eMarketer, Social Network Ad Revenues Worldwide. Market Trend Report, 2012.
J. Y. Oh, Comparison analysis of Korean, American and Japanese's SNS Service. National Information Society Agency, IT Policy Research Series, Vol. 11, 2009.
S. Y. Kim, Pronoun of LBS the change of Foursquare. KT Economic Research, Trend Report, 2012.
S. B. Cha, An analysis of Structural equation models on university students' Social Network Service participation and learning outcomes. Konkuk University, 2011.
H. C. Shin, A location-based collaborative filtering recommender using quadtree. Yonsei University, 2011.
S. H. Lee, B. K. Kim, T. B. Yoon and J. H. Lee, The method for extraction of meaningful places based on behavior Information of user, Korean Institute of Intelligent Systems, Vol. 20, No. 4, pp. 503-508, 2010.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.