[논문]협업 필터링을 활용한 태그 키워드 기반 개인화 북마크 검색 추천 시스템

변영호; 홍광진; 정기철

doi:10.9717/kmms.2016.19.11.1878

협업 필터링을 활용한 태그 키워드 기반 개인화 북마크 검색 추천 시스템
Personalized Bookmark Search Word Recommendation System based on Tag Keyword using Collaborative Filtering 원문보기

멀티미디어학회논문지 = Journal of Korea Multimedia Society, v.19 no.11, 2016년, pp.1878 - 1890

변영호 (Global school of Media, Soongsil University) , 홍광진 (Global school of Media, Soongsil University) , 정기철 (Global school of Media, Soongsil University)

Abstract ▼ AI-Helper

Web 2.0 has features produced the content through the user of the participation and share. The content production activities have became active since social network service appear. The social bookmark, one of social network service, is service that lets users to store useful content and share bookmarked contents between personal users. Unlike Internet search engines such as Google and Naver, the content stored on social bookmark is searched based on tag keyword information and unnecessary information can be excluded. Social bookmark can make users access to selected content. However, quick access to content that users want is difficult job because of the user of the participation and share. Our paper suggests a method recommending search word to be able to access quickly to content. A method is suggested by using Collaborative Filtering and Jaccard similarity coefficient. The performance of suggested system is verified with experiments that compare by 'Delicious' and "Feeltering' with our system.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 ‘협업 필터링을 활용한 태그 키워드 기반 개인화 북마크 검색 추천 시스템’을 제안하였다.
이 구조를 협업 필터링을 통해 3개의 태그로 연결되어 있는 콘텐츠 간의 관계를 분석하여 추천 검색어 시스템을 구현하고자 하였다.
이러한 흐름 속에서 소셜 북마크와 태그를 활용한 연구가 활발하게 진행되고 있으며, 딜리셔스에서 제공하는 순위를 개인화 관점과 태그간의 연관성 관점을 반영하여 재순위하고자 한 연구가 있다[8]. 이 연구는 사용자가 검색에 이용한 검색어가 직접 태그로 등록되어 있지 않더라도 태그 네트워크상에서 의미적으로 가까운 태그가 사용된 북마크의 검색순위를 높이는 방식으로 이루어진다. 검색순위를 높이는 또 다른 방법으로는 북마크 인원수와 태깅된 태그 정보를 이용하여 웹 콘텐츠를 랭킹하여 제공하고자 한 연구가 있다[9].
이에 본 논문에서는 소셜 네트워크를 기반으로 발전된 소셜 북마크 시스템에서 북마크된 콘텐츠의 태그 키워드 간의 의미를 분석하여 연관성 있는 태그 키워드를 추천해줄 Collaborative Filtering에 관한 선행연구를 진행하였다.
특정 콘텐츠에 접근하려는 사용자들에게 다른 사용자들이 콘텐츠에 접근했던 이력을 기반으로 사용자들의 검색한 형태에 따라 검색어가 추천되어지므로 보다 풍부한 추천 검색어를 제공할 수가 있는 것이다.

제안 방법

Content-Keywords Matrix를 설계한 것을 토대로 3개의 키워드로 묶인 콘텐츠와 콘텐츠 사이의 유사도를 계산한다. 계산하여 도출한 결과인 유사도 값은 키워드와 연관된 정도를 나타낸다.
그리고는 각 서비스의 정보 검색 성능 평가를 실시하였다.
다음으로 콘텐츠와 키워드들의 관계를 파악하기 위해 Content-Keywords Matrix를 설계하였다.
단어 벡터 모델(term vector model)을 통해 웹 페이지가 가지고 있는 텍스트 데이터로부터 단어 출현 빈도 벡터를 생성한 후 코사인 유사도를 계산함으로써 두 문서간의 유사도를 구하는 방법, 그리고 HITS 알고리즘을 통해 하이퍼링크로 연결된 페이지들을 하나의 그룹으로 만들어 그룹 내의 하이퍼링크 정보들을 분석하여 주어진 페이지와 가장 유사한 페이지를 구하는 방법이 제시되었다.
하지만 본 북마크 추천 검색어 시스템에서의 CF 알고리즘은 하나의 URL에 달린 3개의 태그 키워드와 다른 URL에 달린 태그 키워드를 그룹단위로 비교하여 계산된 가중치 순으로 키워드를 추천한다. 또한 하나의 URL에 사용자가 입력하는 3개의 키워드에는 각각 다른 가중치가 반영되도록 하여 보다 구체적인 추천 검색 시스템을 갖추도록 하였다.
본 논문에서 제안하는 북마크 검색 추천 시스템을 평가하기 위해서 기존 소셜 북마크 시스템 중에서 하나를 선택하여 비교분석해보았다.
이러한 점으로부터 사용자가 원하는 콘텐츠에 대한 접근성을 높일 수 있는 오직 콘텐츠만을 위한 태그 기반 개인화 검색 추천 시스템 개발을 제기할 수 있었다. 본 논문에서 제안하는 시스템은 북마크된 콘텐츠마다 사용자들이 태그한 키워드 간의 연관성을 분석하여 깊이있는 검색을 가능하도록 구축하였다. 사용자에 의해 1차적으로 선별된 콘텐츠를 담고 있는 소셜 북마크 플랫폼에서 사용자가 찾고자 하는 정보와 가까운 콘텐츠를 획득할 수 있도록 2차적으로 선별작업을 하는 검색 추천 시스템을 갖고 있기 때문에 개인화 검색이 가능하다는 점이 있다.
다음은 본 논문에서 진행한 실험에 대한 결과이다. 북마크 검색 추천 시스템은 php와 mysql을 사용하여 개발하였으며, Fig. 8과 같이 사용자는 관심 콘텐츠를 3개의 태그로 연관 지을 수가 있다.
소셜 북마크 서비스들 중에서 딜리셔스(del.icio.us)와 필터링(Feeltering.com)을 선택하여 북마크 검색 추천 시스템을 비교하였다.
이는 사용자에 의해 선별된 콘텐츠와 그 콘텐츠와 연관된 다른 콘텐츠를 획득할 수 있도록 추천 시스템에 의해 선별되는 절차를 거치도록 하여 개인화 검색을 가능하게 한 것이다. 웹 2.0의 공유와 개방성이라는 특성에 사용자가 원하는 콘텐츠에 빠르게 접근할 수 있는 북마크의 특징을 반영하였고, 수많은 콘텐츠 중에서 불필요한 정보를 제외하고 사용자가 원하는 유용한 정보에 빠르게 접근할 수 있도록 하였다. 본 논문에서 협업 필터링을 통한 태그 기반 추천 시스템은 다양한 검색 서비스에서 활용할 수 있을 것으로 기대된다.
이를 통해 사용자 맞춤형 콘텐츠 제공을 돕는 태그 기능과 결합한 Collaborative filtering을 북마크 검색 서비스에 적용한 모델을 제안한다.
키워드 그룹단위 별로 각 URL이 등록한 키워드들을 분석하였다. Table 3를 통해 콘텐츠와 키워드들의 상관관계를 볼 수 있는데, 해당되는 키워드를 ‘1’로, 해당되지 않은 키워드를 ‘0’으로 표시하였다.
해시 기호(#) 뒤에 특정 단어를 쓰면 그 단어에 대한 글을 모아 분류해서 볼 수 있다는 효율성이 인정받자 웹 서비스에 해시태그를 활용하기 시작했다.
협업 필터링 알고리즘을 위의 북마크 시스템에 맞게 수정하였다. 기존의 협업 필터링 알고리즘은 사용자들의 관심 아이템 이력들을 모두 저장한다.

대상 데이터

‘빅데이터’를 검색어로 설정하여 210개의 태그 중에서 해당 검색어와 관련 있는 콘텐츠를 검색하였다.
또한, 동일한 조건 속에서 실험하기 위해서 70개의 콘텐츠와 210개의 태그 키워드들을 두 북마크 플랫폼에 입력하였다.
본 논문에서는 제안하는 서비스의 실험을 위해서 IT와 관련된 70개의 콘텐츠를 대상으로 콘텐츠의 내용에 따라 태그를 달아 북마크 하였다.

이론/모형

각각의 콘텐츠가 서로 얼마나 비슷한 콘텐츠인지를 계산하기 위해 Jaccard 유사도[13,14]를 이용한다.
본 논문에서는 제안하는 서비스에 Content-based CF Algorithm을 적용하여 다룬다.

성능/효과

그리고 일정 가중치 값을 넘는 키워드들을 추천 검색어로 제공하여 사용자에 의해 선별된 유용한 정보를 빠르게 접근할 수 있도록 하는 효율적인 검색 구조를 가질 수 있게 되었다.
위와 같은 두 가지 실험을 통해 본 논문에서 제안하는 북마크 검색 추천 시스템의 정확률과 재현율이 100%라는 것과 참신율이 50%가 넘는다는 수치를 얻었다.
이러한 결과들로 태그 키워드에 의해 1차적으로 선별된 콘텐츠를 사용자에게 정확하게 제공해줄 수 있으며, 검색어와 연관된 추천 검색어를 선별하는 두 번째 절차를 거쳐 사용자가 원하는 콘텐츠에 정확하고 빠르게 접근할 수 있도록 해준다는 것을 입증하였다.

후속연구

0의 공유와 개방성이라는 특성에 사용자가 원하는 콘텐츠에 빠르게 접근할 수 있는 북마크의 특징을 반영하였고, 수많은 콘텐츠 중에서 불필요한 정보를 제외하고 사용자가 원하는 유용한 정보에 빠르게 접근할 수 있도록 하였다. 본 논문에서 협업 필터링을 통한 태그 기반 추천 시스템은 다양한 검색 서비스에서 활용할 수 있을 것으로 기대된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	소셜 북마크 서비스로는 어떤 것들이 있는가?	또한 사용자가 북마크한 웹사이트들은 다른 사람들과 공유할 수도 있다. 소셜 북마크 서비스로는 딜리셔스(del.icio.us)와 유사한 마가린(mar.gar.in), 그리고 필터링(Feeltering.com)등이 있다. 소셜 북마크 서비스는 사용자 자신이 직접 정보를 선별하여 북마크하거나 제3자에 의해 선별되어진 정보를 통해 유용한 콘텐츠를 서로 공유할 수 있다는 점이 있다.
	소셜 북마크 서비스의 특징은?	com)등이 있다. 소셜 북마크 서비스는 사용자 자신이 직접 정보를 선별하여 북마크하거나 제3자에 의해 선별되어진 정보를 통해 유용한 콘텐츠를 서로 공유할 수 있다는 점이 있다. 북마크 공유를 통해 구글이나 네이버 같은 검색엔진에서 얻게 되는 수많은 콘텐츠들보다 신뢰성과 정확성이 높은 콘텐츠를 획득할 수 있도록 한 것이다.
	개인화 검색을 가능하게 하는 검색 기술 중 페이스북 그래프 서치는 기존 방식과 어떤 차이가 있는가?	개인화 검색을 가능케 하는 검색 기술 중 하나인 ‘그래프 서치’는 페이스북 소셜 네트워크에 기반을 두어 각종 정보를 검색한다는 점에서 기존 검색 서비스와 차별성을 갖는다[3]. 기존의 검색 엔진들이 입력된 검색어에 최적화된 웹사이트들을 나열해 보여주는 웹 기반 방식을 사용했다면, 페이스북 그래프 서치는 검색어에 해당하는 소셜 네트워크 사용자들의 정보를 나열한다. 검색어와 관련해 페이스북 사용자들의 공유된 인물과 장소, 사진, 관심사 등을 보여주는 방식이다. 예를 들어 ‘내 친구들이 선호하는 치과의사’를 검색하면 ‘페이스북 친구들의 선호 의사’, ‘페이스북에서 일하는 친구들의 선호 의사’, 서울에 사는 친구들의 선호 의사’등이 검색된다.

참고문헌 (14)

KISDI, Case and Implication of Web 3.0 Information Service, KISDI, 2009.
G.Y. Kim, "Development of a Personalized Search System Framework," The Journal of the Korea Contents Association, Vol. 10, No. 11, pp. 461-467, 2010.
KISDI, Development and Implication of Social Search Seen through Graph Search, KISDI, 2013.
The Future of Search-Personalized Search, http://lifidea.tistory.com/124, (accessed Jan., 12, 2016).
Recommender System, http://en.wikipedia.org/wiki/Recommender_system, (accessed Mar., 20, 2016).
R. Paul, I. Neophytos, S. Mitesh, B. Peter, and R. John, "GroupLens: An Open Architecture for Collaborative Filtering of Netnews," Proceedings of ACM CSCW9 Conference on Computer Supported Cooperative Work, pp. 175-186, 1994.
S.Y. Park, "Analysis and Evaluation of Term Suggestion Services of Korean Search Portals: The Case of Naver and Google Korea," Journal of the Korean Society for Information Management, Vol. 30, No. 2, pp. 297-315, 2013.
T.Y. Um, W.J. Kim, and S.U. Park, "Personalized Bookmark Recommendation System Using Tag Network," Journal of Society for e-Business Studies, Vol. 15, No. 4, pp. 181-195, 2010.
S.J. Park, S.H. Lee, and D.H. Hwang, "A Web Contents Ranking Algorithm Using Bookmarks and Tag Information on Social Bookmaring System," Journal of Korea Multimedia Society, Vol. 13, No. 8, pp. 1245-1255, 2010.
S.W. Gang, G.Y. Lee, H.K. Kim, and M.H. Kim, "Measuring Web Page Similarity Using Tags," Korean Institute of Information Scientists and Engineers, Vol. 37, No. 2, pp. 104-112.
R. Van Meteren and M. Van Someren, "Using Content- based Filtering for Recommendation," Proceedings of the Machine Learning in the New Information Age: MLnet/ECML 2000 Workshop, pp. 47-56, 2000.
K. Pat, A Workbench for Comparing Collaborative and Content-Based Algorithms for Recommendations, Master's Thesis of University of Fribourg, 2015.
M. Rahman, R. Hassan, and R Buyya, "Jaccard Index Based Availability Prediction in Enterprise Grids," Procedia Computer Science, Vol 1, Issue 1, pp. 2707-2716, 2010.

상세보기
N. Suphakit, "Using of Jaccard Coefficient for Keywords Similarity," Proceedings of the International MultiConference of Engineers and Computer Scientists, pp. 380-384, 2013.

저자의 다른 논문 :

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