[논문]집단지성 기반 상황인지 앱스토어 시스템

임원준; 이강희

doi:10.9708/jksci.2015.20.2.011

초록
AI-Helper

본 논문에서는 앱스토어의 정확한 정보 전달을 위해 집단지성을 이용한 상황인지 시스템을 제안한다. 이 시스템은 개인이 문제 처리 시 발생하는 오류를 집단지성으로 발생하는 집단적인 능력을 이용하여 최소화하고, 앱개발자에게 필요한 API를 추천함으로써 소비자 중심이던 앱스토어를 개발자와 소비자 중심의 앱스토어를 구축 한다. 또한 이 시스템은 소비자의 상황을 온톨로지 기법에 적용하여, 앱스토어 시스템이 소비자의 상황에 적합한 앱을 추천하고, 앱개발자에게 정보를 제공해준다. 이때 앱소비자의 상황정보는 Jena의 추론기법을 활용함으로써, 소비자 상황을 정확히 추론하여 기존의 앱스토어 보다 한 단계 높은 상황인지 앱스토어 시스템을 구축한다. 본 논문에서는 제안하는 앱스토어 시스템 모듈은 기존의 소비자 중심의 앱스토어에 비해 소비자의 상황정보에 따른 서비스 전달 및 정확성 면에서 기존의 앱스토어 보다 우수함을 보인다.

Abstract ▼ AI-Helper

In this paper, we propose a context awareness system to transfer accurate information of the app store based on collective intelligence. By using collective intelligence the system minimizes the errors that could occur when an individual process the problems, recommends APIs for developers and build...

In this paper, we propose a context awareness system to transfer accurate information of the app store based on collective intelligence. By using collective intelligence the system minimizes the errors that could occur when an individual process the problems, recommends APIs for developers and builds the app store for not only customers but also developers. In addition, this system applies the ontology technique to aware the context of consumers, recommends the app suitable for the consumer and provides the information for app developers. By utilizing the deduction technique of the Jena, the context awareness system infers the context of a consumer and constructs the app store system which improves the existing app stores. In the point of service transfer and accuracy, the proposed app store system module show better performance than the existing app store.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 RDF 모델을 구축하고, Jena Rule을 생성하여 앱 추천 시스템을 적용하였다. 그러나 RDF에 구축되지 않은 상황정보들이 앱스토어에 입력되었을 때 NO RECOMMENDATION 하는 결과를 실험결과에서 확인 하였다. 또 한 소비자의 상황정보가 본 논문에서 정의된 위치, 성별, 나이, 취미뿐만 아니라 코멘트나 조회수, 직업 등등 많은 상황정보가 존재 한다.
본 논문에서는 시스템 구조의 구현을 위해 RDF 모델링 기반지식을 적용한 RDF 모델파일을 구축 하였다. RDF 모델 파일을 집단지성으로 생성된 앱 소비자의 정보를 모델화 하여 저장하고 있으며, App Store Context Layer의 추론 결과를 도출해 내는 기반 모델이다.
본 논문에서는 통계자료를 기반으로 상황정보 앱스토어 추천시스템 정확도를 측정 한다. 실험을 위한 기반데이터는 스마트폰 이용 실태조사 통계 자료를 이용하였다[13].
그러나 현재 앱스토어는 소비자의 상황 정보에 따른 서비스를 제공하지 못하고 있으며 단순히 앱 다운로드 순위, 인기 앱, 무료 · 유료 앱 등 기존의 서버에서 구축이 가능한 서비스를 제공하고 있다. 이에 본 논문에서는 집단지성을 이용한 상황인지 앱스토어 시스템 적용으로 소비자에게 상황에 맞는 정보를 제공 하는 앱스토어 시스템을 구성하였으며 앱 추천 실험으로 소비자의 상황에 적합한 서비스를 제공 할 수 있으며 앱 소비자의 상황정보를 수집하여 JENA추론엔진을 통해 정보를 분석하고, 분석결과에 적합한 서비스를 개발자와 소비자에게 전달함으로써 기존의 앱스토어보다 만족도를 높일 수 있도록 하였다. 본 논문에서는 RDF 모델을 구축하고, Jena Rule을 생성하여 앱 추천 시스템을 적용하였다.

제안 방법

본 논문에서 상황별 앱스토어 접속자 실험 결과로 나온 데이터를 웹으로 구축한 상황인지 앱스토어 솔루션에 적용하였다. 개발언어는 Asp.
본 논문에서 제안하는 상황인지 앱스토어 시스템에서 소비자의 상황에 적합한 앱서비스를 추천을 위해 정확도 측정에 필요한 기반 데이터를 구축한다.
이에 본 논문에서는 집단지성을 이용한 상황인지 앱스토어 시스템 적용으로 소비자에게 상황에 맞는 정보를 제공 하는 앱스토어 시스템을 구성하였으며 앱 추천 실험으로 소비자의 상황에 적합한 서비스를 제공 할 수 있으며 앱 소비자의 상황정보를 수집하여 JENA추론엔진을 통해 정보를 분석하고, 분석결과에 적합한 서비스를 개발자와 소비자에게 전달함으로써 기존의 앱스토어보다 만족도를 높일 수 있도록 하였다. 본 논문에서는 RDF 모델을 구축하고, Jena Rule을 생성하여 앱 추천 시스템을 적용하였다. 그러나 RDF에 구축되지 않은 상황정보들이 앱스토어에 입력되었을 때 NO RECOMMENDATION 하는 결과를 실험결과에서 확인 하였다.
본 논문에서는 사용자의 상황정보를 온톨로지 모델링 기법에 적용하여 정보들을 정의 및 공유함으로써 상황에 맞는 적절한 서비스를 제공하는 앱스토어를 구축하였다.
대표적으로 구글 앱스토어를 살펴보면 단지 인기 유로, 인기 무료 앱 등의 기본적인 서비스만 제공하고 있으며 이는 네이버 앱스토어도 동일하다. 이에 본 논문에서는 소비자의 상황과 집단지성으로 발생한 집단적 능력을 수집하고, 그 수집된 자료들을 온톨로지 기반의 접근방식을 활용하여 앱개발자, 앱소비자 에게 공유 하고, 상황에 맞는 정보를 제공하는 집단지성을 이용한 상황인지 방식 시스템을 구축하였다.
다시 말해 소비자의 상황정보들이 복합적으로 앱스토어에 입력될 수 있다는 것이다. 이에 본 논문에서는 위 4.1.2에서 실험한 소비자 상황정보를 복합적으로 적용하여 앱스토어에 입력한 후 상황정보에 적합한 앱 추천 시스템을 실험 하였다.
실험을 위한 기반데이터는 스마트폰 이용 실태조사 통계 자료를 이용하였다[13]. 입력변수로는 EDUCATION, RESTAURANT, STADIUM 인 위치변수이며, 총 접속자수는 1000명으로 구성 하였고, 통계자료를 기반으로 접속자 %를 EDUCATION 30%, RESTAURANT 50%, STADIUM 20% 로 설정 하였다. 그림 12에서 접속자 %별로 접속자수가 나타나는 것을 확인할 수 있다.

대상 데이터

그림 3 - 그림 6은 상황인지 앱스토어의 앱추천 적용을 위한 상황별 소비자 접속 빈도수 기반 데이터 이다. 기반 데이터는 위치별 앱스토어 접속자수, 성별 앱스토어 접속자수, 연령별 앱스토어 접속자수, 위치별 앱스토어 접속자 수로 구성하였다. 또한 각 상황별 데이터들의 총 접속자수는 1000명 기준이며 접속자의 접속자수는 앱 추천수의 차이를 확인하기 위해 각 변수별로 다른 %로 설정 하였다.
본 논문에서는 통계자료를 기반으로 상황정보 앱스토어 추천시스템 정확도를 측정 한다. 실험을 위한 기반데이터는 스마트폰 이용 실태조사 통계 자료를 이용하였다[13]. 입력변수로는 EDUCATION, RESTAURANT, STADIUM 인 위치변수이며, 총 접속자수는 1000명으로 구성 하였고, 통계자료를 기반으로 접속자 %를 EDUCATION 30%, RESTAURANT 50%, STADIUM 20% 로 설정 하였다.
그림 11은 복합적인 소비자의 상황정보 입력데이터가 적용되었을 때 앱 추천 결과를 나타낸다. 접속자수는 1000명으로 하였으며 12개의 앱 추천 변수들로 구성 되어 있으며 소비자의 복합적인 상황이 앱스토어로 입력되면 상황인지 앱스토어 추천시스템이 Context-Awareness RDF에 정의된 FACT를 기반으로 소비자 상황에 적합한 앱 추천 개수를 그림 11에서 확인할 수 있다. 복합적인 소비자의 상황정보가 입력되어도 소비자의 상황정보에 적합하고, 상황정보에 해당하는 앱을 정확하게 추출하는 장점을 실험 결과에서 확인 할 수 있다.
연령별 앱스토어 접속자수는 10대~60대를 나타내는 총 6개의 연령변수들로 구성되어 있고, 10대 30%이며 20대~30대는 20% 40대~60대는 10%로 구성 하였다. 취미별 접속자수는 BASEBALL 40%, SOCCER 30%, BASKETBALL 30%로 3개의 취미변수들로 구성된 취미 레이어 이다. 이 기반 데이터를 상황인지 앱스토어에 적용하여 각기 다른 소비자의 상황정보를 입력받아 앱스토어 추천시스템이 소비자의 상황정보에 적합한 앱을 추천하는 실험을 할 수 있다.

이론/모형

RDF 모델 파일을 집단지성으로 생성된 앱 소비자의 정보를 모델화 하여 저장하고 있으며, App Store Context Layer의 추론 결과를 도출해 내는 기반 모델이다. 또한 앱 소비자의 상황정보에 적합한 서비스를 제공하기 위한 Jena Rule을 생성하였다.

성능/효과

그림 9를 보면 소비자의 위치가 GOLF, BASEBALL, BASKETBALL, SOCCER 이면 소비자의 위치를 경기장으로 판단하여 스포츠 관련 앱을 추천해 주고 있으며, 위치가 CAFE, BAKERY, FASTFOOD 이면 위치를 음식점으로 판단하여 음식관련 앱을 추천해 주고 있다. 또한 소비자의 위치가 SCHOOL, ACADEMY로 판단하게 되면 교육관련 앱을 추천하는 것을 확인할 수 있다. 위 그림 3의 위치별 앱스토어 접속자수 에서 BASEBALL 접속자 %를 30%로 적용하였으므로 그림 9에서 보듯이 위치가 경기장으로 인식된 다른 변수들 보다 많은 앱을 추천하는 것을 볼 수 있다.
경기장 레이어 변수들의 접속자 %는 BASEBALL이 20%, BASKETBALL 10%, GOLF 10%, SOCCER 10%이며, 음식점 레이어 변수들의 접속자 %는 CAFE 10%, BAKERY 10%, FAST FOOD 10%로 이루어져 있다. 마지막으로 교육기관 레이어의 변수들 접속자 %는 ACADEMY 10%, SCHOOL 10% 이다. 그림 4는 성별 앱스토어 접속자수는 상황인지 앱스토어 접속자의 성별을 구별해주는 성별 레이어로 MALE, FEMALE이라는 성별 변수들을 포함 하고 있으며, MALE 60% FEMALE 40%로 접속자 %를 구성 하였다.
접속자수는 1000명으로 하였으며 12개의 앱 추천 변수들로 구성 되어 있으며 소비자의 복합적인 상황이 앱스토어로 입력되면 상황인지 앱스토어 추천시스템이 Context-Awareness RDF에 정의된 FACT를 기반으로 소비자 상황에 적합한 앱 추천 개수를 그림 11에서 확인할 수 있다. 복합적인 소비자의 상황정보가 입력되어도 소비자의 상황정보에 적합하고, 상황정보에 해당하는 앱을 정확하게 추출하는 장점을 실험 결과에서 확인 할 수 있다.
그림 13은 통계자료를 적용하여 추출된 접속자수를 상황인지 앱스토어 시스템에 입력 했을 때 앱 추천 결과 이다. 소비자의 위치변수가 그림12에 나타나듯 RESTAURANT의 접속빈도가 가장 높으므로 상황인지 앱스토어의 앱 추천 시스템에서 소비자의 접속환경에 적합한 앱을 가장 많이 추천하는 것을 확인 할 수 있다. 또한 그림 13은 앱 추천 결과 에서 나타나듯 소비자의 상황정보에 적합한 앱 만을 추천해 주는 결과를 볼 수 있다.
시스템 구조의 흐름을 보면 Smart Layer에서 앱스토어로 전송된 소비자 상황정보를 상황정보들을 관리하는 Context Layer로 전송, Context Layer는 상황정보를 추론 가능한 형태로 가공하여 App Store Context Layer로 전송하여 상황정보에 대한 추론을 실행하게 된다. 추론된 결과를 KB(Knowledge Base)에 저장된 Developer Data와 Service Data를 참조하여 적합한 서비스를 앱 소비자 또는 앱 개발자에게 추천 및 제공을 할 수 있다.
즉 소비자의 접속정보가 RESTAURANT이면 RESTAURANT에 관련된 앱을 추천하고, EDUCATION이면 EDUCATION에 해당하는 앱을 추천하고 있다. 통계 자료를 기반으로 상황인지 앱스토어 시스템에 실험을 했을 때 소비자의 접속정보에 해당하는 앱 만을 추천한다는 것을 확인 할 수 있으며 어떠한 상황정보 데이터가 입력되어도 정확한 앱을 추천하는 것을 확인 할 수 있다.

후속연구

이에 문제점 해결을 위해 클라우드 시스템과의 적용과 빅데이터를 시스템에 적용하는 연구가 필요 할 것이다. 또한 코멘트, 소비자의 언어인식 등 소비자의 다양한 언어적 상황정보에 대응하기 위해 코멘트 내용을 어떻게 상황 정보시스템에 적용 하여 서비스를 제공할 수 있는지에 대한 자연어 처리 분야의 연구도 활발히 이루어져야 할 것이다.
RDF 상황정보 구축양이 증가하게 되면 JENA추론으로 결과 값을 추출하는 시간이 증가 할 것이다. 이에 문제점 해결을 위해 클라우드 시스템과의 적용과 빅데이터를 시스템에 적용하는 연구가 필요 할 것이다. 또한 코멘트, 소비자의 언어인식 등 소비자의 다양한 언어적 상황정보에 대응하기 위해 코멘트 내용을 어떻게 상황 정보시스템에 적용 하여 서비스를 제공할 수 있는지에 대한 자연어 처리 분야의 연구도 활발히 이루어져야 할 것이다.
차 후 연구에서는 NO RECOMMENDATION을 줄이기 위한 RDF 상황정보 구축이 필요하다. RDF 상황정보 구축양이 증가하게 되면 JENA추론으로 결과 값을 추출하는 시간이 증가 할 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	상황이라는 용어는 왜 적용되는 사례에 따라 여러 가지 의미로 설명되는가?	상황(context)이란 개념적인 의미로 살펴보면 맥락, 전후 관계를 말한다. 상황(context)라는 용어는 어떤 물체와 같이 만지거나 보거나 할 수 없기 때문에 적용되는 사례에 따라 여러 가지 의미로 설명 할 수 있다. 예를 들어 어떤 연구의 context는 연구 환경이나 목적, 계획 등을 일컫는 것이다.
	집단 지성이란 무엇인가?	집단 지성은 개인의 능력으로 처리 할 수 없는 일을 다수의 개체들의 협력과 경쟁으로 얻어진 집단적 능력 이라고 볼 수 있는데 개인 몇몇의 능력보다 다수의 개체들이 서로 정보를 교환하고 공유 하면서 문제를 처리하고 해결한다는 의미이다[6]. 집단적 능력으로 발생한 정보를 이용해 개인이 문제를 해결하는 과정의 시간을 참여와 공유를 이용 단축하고 문제해결 확률을 높이는 것은 몰론 이고, 참여와 공유, 개방이 중요시 되는 웹2.
	상황 모델링 중 키-값 모델링 기법의 장점과 단점은 무엇인가?	상황 정보를 모델링 하는 방법은 크게 키-값(Key-Value)모델링, 마크업 스키마 모델링(Markup Scheme), 객체지향 모델링(Object Oriented), 논리기반 모델링 (Logic Based), 온톨로지 기반 모델링(Ontology Based)이 있다[11]. 키-값 모델링 기법은 간단한 데이터 구조로 상황정보를 모델링 하는 기법이다. 상황정보를 환경변수로 애플리케이션에 제공 하며, 키-값 쌍의 형식 구조로 상황을 모델링 하여 관리가 쉽다. 하지만 간단한 모델링 기법으로 복잡한 구조화 에서는 부족하여 효과적인 상황검색 알고리즘을 구축하기 에는 적합하지 못하다. 마크업 스키마 모델링 기법은 마크업 언어의 SGML에서 유도된 직렬화 기반의 모델링 기업이다.

참고문헌 (13)

Kwon Kyunglag. Ryu Jaehwan. Sohn Jongsoo. Chung Injeong, "Ontology Management System using Collective Intelligence," Proceedings of the Korea Inteligent Information System Society Conference, pp. 141-147, 2008.
SunHyon Kwon, Youngtack Park, "Ontology-Based Context Aware System for Ubiquitous Environment," Korea Computer Congress, Vol. 34, No. 1(c), pp. 281-286, 2007.
Haesung Lee, Joonhee Kwon, "RFID Mobile Book Store Service Using Collective Intelligence Based Context-Aware Information Retrieval Method," Korea Institute of Information Technology Review, Vol. 7, No. 6, pp. 137-146 , 2009.
Gea,M. Soldado,R.M. Gamiz, V "Collective Intelligence and Online Learning Communities," International Conference on Information Society, pp. 319-323, Jun. 2011.
Tao Zhang, Byungjeong Lee, Sooyong Kang, Hanjoon Kim "Collective Intelligence-Based Web Page Search: Combining Folksonomy and Link-Based Ranking Strategy," IEEE International Conference on Computer and Information Technology, pp. 166-171, Oct. 2009.
Collective Intelligence, http://en.wikipedia.org/wiki/Collective_intelligence
Byoung-Won Min, "Design and Implementation of Library Information System Using Collective Intelligence and Cloud Computing," Journal of Korea Contents Association, Vol. 11, No. 11, pp. 49-61, 2011.

원문보기 상세보기
Sang-Jin Cha, Seung-Bo Park, Eun-Soon Yoo, Geun-Sik Jo, "Collaborative Digital Storytelling Platform with Collective Intelligence," The Korean Society Of Computer And Information, Vol.15, No.10, pp. 19-26, Oct. 2010.

원문보기 상세보기
Ahn, Hong-Bok. Jang, Jin-Young. Lee, Myung-Suk., "A Study of a Dictionary System of Accounting Terms Called FOLDOA, Using Collective Intelligence," Korean Association of Tax And Accounting, Vol. 35, pp. 101-115, 2013.
Jeong-Mee Lee, "The Concept of the Context-Aware Computing and Its Application to the Library Information Services," Journal of the Korean Biblia Society for Library and Information Science, Vol. 23, No. 1, pp. 179-194, Mar. 2012.

원문보기 상세보기
Lee Seo-Woo, Lee Jong-Gwon, "Spearheading into Ubiquitous Computing Era with Context-Awareness Technologies," Communications of the Korean Institute of Information Scientists and Engineers, Vol. 24, No. 10, pp. 16-24, Oct. 2006.
Thomas Strang , Claudia Linnhoff-Popien "A Context Modeling Syrvey," Workshop on Advanced Context Modeling, Reasoning and Management, UbiComp, pp. 34-41, 2004.
Utilization Smartphone Survey http://www.kisa.or.kr/

이 논문을 인용한 문헌

저자의 다른 논문 :

LOADING...

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

집단지성 기반 상황인지 앱스토어 시스템
Context-Aware App-Store System based on Collective Intelligence 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (13)

이 논문을 인용한 문헌

저자의 다른 논문 :

연구과제 타임라인

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

집단지성 기반 상황인지 앱스토어 시스템 Context-Aware App-Store System based on Collective Intelligence 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (13)

이 논문을 인용한 문헌

저자의 다른 논문 :

임원준 (1) 이강희 (8)

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

집단지성 기반 상황인지 앱스토어 시스템
Context-Aware App-Store System based on Collective Intelligence 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper