[논문]개인 감성정보를 이용한 협업 필터링 기반 장소 추천 서비스 설계 및 구현

변정; 김동근

doi:10.6109/jkiice.2016.20.8.1407

개인 감성정보를 이용한 협업 필터링 기반 장소 추천 서비스 설계 및 구현
Design and Implementation of Location Recommending Services using Personal Emotional Information based on Collaborative Filtering 원문보기

한국정보통신학회논문지 = Journal of the Korea Institute of Information and Communication Engineering, v.20 no.8, 2016년, pp.1407 - 1414

변정 (Department of Computer Science, Graduate School, Sangmyung University) , 김동근 (Department of Media Software, College of ICT Convergence, Sangmyung University)

초록
AI-Helper

본 연구에서는 사용자의 감성 정보를 이용한 협업 필터링 기반 장소 추천 시스템을 개발하였다. 기존의 장소 추천 시스템은 장소에 대한 사용자들의 평점이나 방문패턴, 사용자들의 위치를 통해 장소를 추천하였다. 이러한 시스템들은 객관적이지 못 한 정보를 갖고 있거나 사용자의 상태를 고려하지 않아 만족도가 높지 않다. 사용자의 감성 정보를 이용하면 비슷한 감성을 느낀 사용자들이 방문하였던 선호도 높은 장소를 객관적으로 추천하여 장소에 대한 만족도를 높일 수 있다. 본 연구에서는 사용자가 직접 모바일 애플리케이션을 이용하여 현재 위치와 생체신호를 이용하여 인식한 감성 정보를 등록하고, 등록된 감성 정보를 이용하여 비슷한 감성을 가진 사용자들의 유사도를 측정하고 장소에 대한 선호도를 예측하여 사용자에게 감성 장소를 추천한다.

Abstract ▼ AI-Helper

In this study, we develop that Location Recommending System using personal emotion information based on Collaborative Filtering. Previous Location Recommending System recommended a place visited by the user of the rating or the pattern of location for the user place. These systems are not high user satisfaction because that dose not consider the user status or have not objectively the information. Using user's personal emotion information to recommend a high-affinity users who have visited the place felt similar emotions objectively can improve user satisfaction with the place. In this study, a user using a mobile application directly register the recognized emotion information using the current position and bio-signal, and using the registered information measuring the similarity of user with a similarity emotion, predicts a preference for the place it is recommended to emotional place. The system consists of a user interface, a database, a recommendation module.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 연구에서는 개인감성정보 인식을 위하여 Russell의 Circumplex Model of Affect의 1차원 축을 이용하여 개인 감성정보 값을 표현한다. 개인감성 정보 값은 스마트폰 카메라 센서를 이용하여 생체신호 중 자율신경계의 PPG(Photoplethysmography:맥파) 신호를 측정하여 감성 정보 값으로 변환하여 저장한다[12].
본 연구에서는 사용자 개인의 감성 정보를 이용한 협업필터링 기반 장소 추천시스템 연구를 제안하였다. 개인감성정보를 이용한 장소 추천시스템은 모바일 애플리케이션을 이용하여 현재 위치와 생체 신호를 측정하고 측정된 생체신호로 감성 정보를 인식한다.
본 연구에서는 사용자의 생체신호를 개인감성정보로 이용하여 선호도를 예측해 보다 객관적이고 사용자 맞춤형시스템을 개발하여 추천시스템의 만족도가 높아질 것으로 예상된다.
유동인구가 많아 소음이 심한 장소를 선호하는 사람이 있는 반면, 조용한 장소를 선호하는 사람이 있듯이 개인의 감성정보를 활용하여 장소를 추천하게 되면 더욱 개인 감성에 적합하고 높은 만족도를 가질 것으로 사료된다. 본 연구에서는 장소를 추천하기 위하여 개인 감성정보를 이용하여 추천의 만족도를 높이려하였다.

제안 방법

본 연구에서는 사용자들이 항상 휴대하면서 이동 시에도 편리하게 사용할 수 있는 모바일 디바이스를 통해 측정된 생체신호를 감성정보로 활용하여 장소를 추천한다. 각 장소 대한 사용자의 감성을 인식하여 감성 선호도를 추출하고, 감성 선호도가 비슷한 사용자들의 감성 선호도가 높았던 장소에 대하여 특정 사용자의 감성 선호도를 예측하여 장소를 추천하는 시스템을 개발하였다. 이 시스템을 통해 사용자는 보다 객관적인 선호도를 통한 사용자 개인의 맞춤형 장소를 추천받아 보다 높은 사용자의 만족도를 느낄 것으로 사료된다.
개인감성정보를 이용한 장소 추천 시스템은 모바일 애플리케이션으로 구현하였다. 사용자는 모바일 애플리케이션을 이용하여 간편하게 현재 위치를 등록할 수 있으며, 카메라 센서를 이용하여 생체신호를 측정하고, 측정된 생체신호를 이용하여 감성정보를 인식할 수 있다.
머하웃(Mahout)은 분산처리가 가능하고 확장성을 가진 기계학습용 라이브러리이다. 맵리듀스(Map Reduce)를 이용하는 아파치(Apache) 하둡(Hadoop) 위에 적용되며 비슷한 특성을 가진 데이터들을 분류하고 정의하는 작업 및 협업필터링을 수행한다. 개인감성정보를 이용한 장소 추천 모듈은 협업 필터링 중 사용자 기반 알고리즘 이용하여 사용자와 비슷한 감성을 느낀 다른 사용자들이 선호도 높았던 장소들, 즉 쾌한 감성을 느꼈던 장소들을 추천한다.
본 시스템은 모바일 디바이스를 이용하여 사용자의 개인 정보와 위치 및 감성 정보를 수집하고 수집된 정보를 데이터베이스에 저장한다. 저장된 정보들은 머하웃(Mahout)의 협업필터링 알고리즘을 이용하여 사용자와 비슷한 감성을 느낀 사용자의 감성 선호도가 가장 높았던 장소를 추천한다.
본 연구에서 개발한 개인 감성정보를 이용한 협업 필터링 기반 장소 추천 시스템은 모바일 디바이스와 사용자 인터페이스, 데이터베이스, 추천 모듈로 구성된다.
이웃 기반 모델 방법(neighbor based)은 메모리 기반 방법(memory based)이라고도 하며 사용자 기반 협업 필터링(user based filtering)과 아이템 기반 협업 필터링(item based filtering)이 있으며 예측 속도가 빠르며 선호도 데이터를 즉시 반영할 수 있는 장점이 있다[11]. 본 연구에서는 메모리 기반 추천 방법 중 사용자 기반 협업 필터링을 이용하여 사용자와 유사한 감성을 보인 사용자들의 선호도가 높은 장소를 추천한다.
본 연구에서는 사용자들이 항상 휴대하면서 이동 시에도 편리하게 사용할 수 있는 모바일 디바이스를 통해 측정된 생체신호를 감성정보로 활용하여 장소를 추천한다. 각 장소 대한 사용자의 감성을 인식하여 감성 선호도를 추출하고, 감성 선호도가 비슷한 사용자들의 감성 선호도가 높았던 장소에 대하여 특정 사용자의 감성 선호도를 예측하여 장소를 추천하는 시스템을 개발하였다.
사용자의 개인 감성정보를 이용하여 특정 사용자와 측정된 감성 유사도가 높았던 사용자들이 선호도가 높았던, 즉 쾌한 감성을 느꼈던 장소에 대한 특정 사용자의 선호도를 예측하여 예상 선호도가 높은 10곳의 장소를 사용자에게 추천한다.
개인감성정보를 이용한 장소 추천시스템은 모바일 애플리케이션을 이용하여 현재 위치와 생체 신호를 측정하고 측정된 생체신호로 감성 정보를 인식한다. 인식된 감성 정보를 이용하여 협업필터링을 수행하고 비슷한 감성을 가진 사용자들의 유사도를 측정하여 장소에 대한 선호도를 예측하고, 선호도가 높은 곳을 이용하여 사용자에게 감성 추천지수가 높은 10곳의 장소를 사용자에게 모바일 애플리케이션 화면을 통해 추천한다. 기존 장소추천 시스템 연구는 가까운 거리와 평점이 높은 장소를 위주로 사용자에게 장소를 추천하였다.
사용자는 모바일 애플리케이션을 이용하여 간편하게 현재 위치를 등록할 수 있으며, 카메라 센서를 이용하여 생체신호를 측정하고, 측정된 생체신호를 이용하여 감성정보를 인식할 수 있다. 인식된 감성정보 값을 이용하여 사용자의 선호도를 예측하여 장소를 추천한다. 사용자는 그림6의 왼쪽과 같이 현재 위치 및 현재 위치에 따른 감성 정보를 등록한다.
개인감성정보를 이용한 장소 추천 모듈은 협업 필터링 중 사용자 기반 알고리즘 이용하여 사용자와 비슷한 감성을 느낀 다른 사용자들이 선호도 높았던 장소들, 즉 쾌한 감성을 느꼈던 장소들을 추천한다. 추천 모듈의 데이터는 UserProfile DB와 PlaceList DB에 있는 데이터를 이용하여 데이터 모델을 만들고 피어슨 상관계수 알고리즘을 이용하여 사용자와 유사한 감성을 가지고 있는 다른 사용자들이 선호도가 높은 장소 즉, 가장 쾌한 감성을 느꼈던 장소를 추천한다.
0이다. 특정 사용자에게 감성 장소를 추천할 때, 다른 사용자들과의 감성 유사도 측정값을 이용하여 측정값이 높게 나온 사용자들이 선호하는, 즉 좋은(쾌한) 감성을 느낀 장소들을 특정 사용자에게 추천한다.

대상 데이터

사용자가 현재 위치 및 감성정보를 등록하면 그림 6의 오른쪽과 같이 현재 장소와 감성 정보 값이 화면에 나타난다. 사용자는 장소 추천 목록 버튼을 누르면 장소에 대한 사용자의 선호도를 예측하여 추천된 10곳의 감성 장소와 그 감성 장소의 감성 추천지수가 모바일 애플리케이션의 화면을 통해 사용자에게 보여 진다. 또한 사용자는 추천된 장소의 위치와 주소를 모바일 애플리케이션 화면을 통해 지도로도 확인할 수 있다.
생체신호를 이용한 XML기반 실시간 감성정보공유 시스템[9]은 여러 생체신호를 측정하고 측정된 생체신호를 기반으로 Sliding Window기법을 이용하여 감성신호를 분석하여 감성정보를 인식한다. 인식된 감성 정보를 9가지의 감성상태 코드 값으로 표현되고, 감성정보결과 데이터를 전달하기 위해 XML데이터를 구성한다. 개인의 다양한 감정을 분류하여 인식하기 위해 소셜 네트워크에 올린 글을 기계학습을 이용하여 분류한 연구도 있다.

이론/모형

본 시스템은 모바일 디바이스를 이용하여 사용자의 개인 정보와 위치 및 감성 정보를 수집하고 수집된 정보를 데이터베이스에 저장한다. 저장된 정보들은 머하웃(Mahout)의 협업필터링 알고리즘을 이용하여 사용자와 비슷한 감성을 느낀 사용자의 감성 선호도가 가장 높았던 장소를 추천한다. 추천된 장소는 사용자 인터페이스를 통하여 사용자에게 보여 진다.

성능/효과

개인의 다양한 감정을 분류하여 인식하기 위해 소셜 네트워크에 올린 글을 기계학습을 이용하여 분류한 연구도 있다. 기계학습 중 지도학습인 SVM(Support Vector Machine)알고리즘을 이용하여 감성을 4가지 감정으로 분류하였고 평균 75%의 적중률을 보였다[10].
기존 장소추천 시스템 연구는 가까운 거리와 평점이 높은 장소를 위주로 사용자에게 장소를 추천하였다. 기존 연구와 달리 본 연구에서 사용자의 생체 신호를 감성 정보로 이용하여 사용자가 직접 감성을 입력하지 않아도 감성을 추출해주는 편리함과 텍스트로 감성을 입력했을 경우 보다 객관적으로 감성을 판단해줄 수 있으며 사용자의 감성에 맞춤형 장소를 추천하여 추천된 장소에 대한 만족도를 높일 수 있다. 추후 연구에서는 감성정보 값을 이용한 협업 필터링 알고리즘 외의 Deep Learning과 같은 알고리즘을 활용한 장소 추천 시스템 연구가 필요할 것으로 사료된다.

후속연구

각 장소 대한 사용자의 감성을 인식하여 감성 선호도를 추출하고, 감성 선호도가 비슷한 사용자들의 감성 선호도가 높았던 장소에 대하여 특정 사용자의 감성 선호도를 예측하여 장소를 추천하는 시스템을 개발하였다. 이 시스템을 통해 사용자는 보다 객관적인 선호도를 통한 사용자 개인의 맞춤형 장소를 추천받아 보다 높은 사용자의 만족도를 느낄 것으로 사료된다.
기존 연구와 달리 본 연구에서 사용자의 생체 신호를 감성 정보로 이용하여 사용자가 직접 감성을 입력하지 않아도 감성을 추출해주는 편리함과 텍스트로 감성을 입력했을 경우 보다 객관적으로 감성을 판단해줄 수 있으며 사용자의 감성에 맞춤형 장소를 추천하여 추천된 장소에 대한 만족도를 높일 수 있다. 추후 연구에서는 감성정보 값을 이용한 협업 필터링 알고리즘 외의 Deep Learning과 같은 알고리즘을 활용한 장소 추천 시스템 연구가 필요할 것으로 사료된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	추천 시스템은 어떻게 나뉠 수 있는가?	추천시스템은 사용자의 선호와 기호에 알맞게 필터링하여 선호도가 높을 거 같은 콘텐츠를 제안하는 시스템이다. 추천 시스템은 크게 내용 기반 추천 방법과 협업 필터링 추천방법으로 나뉜다. 협업 필터링 추천방법은 모델 기반(model based)과 이웃 기반 방법(neighbor based)으로 나뉜다.
	감성의 특징 세 가지는 무엇인가?	이러한 감성의 특징은 다음과 같다. 첫 번째, 대상에 따라 나타나는 양상이 달라지고, 두 번째, 주변 환경이나 시대 등에 의해서도 달라지고, 세 번째, 연령이나 성별, 교육 수준이나 전문성 등 개인의 특성에 따라 달라질 수 있다[3].
	협업적 필터링이란 무엇인가?	내용기반 추천 기법은 콘텐츠를 직접 분석하여 아이템과 아이템, 아이템과 사용자 선호도 간의 유사도를 분석한 후 이를 바탕으로 새로운 아이템을 추천해준다[1]. 협업적 필터링은 특정 사용자와 유사한 성향을 나타내는 다른 사용자들을 분석하여 콘텐츠 선호도를 추정하는 시스템이다[2]. 하지만, 사용자의 만족도를 높이기 위한 연구가 요구된다.

참고문헌 (13)

H. T. Choi and S. B. Cho, "A Collaborative Filtering Recommendation System using ConceptNet-based Mood Classification by Genre," in Proceeding of the 38th Annual Symposium on Korea Information Science Society, Korea, pp. 216-219, Jun. 2011.
B. H. Oh, J. H. Yang and H. J. Lee "A Hybrid Recommender System based on Collaborative Filtering with Selective Utilization of Content-based Predicted Ratings," Journal of KIISE, vol. 41, no. 4, pp. 289-294, Apr. 2014.
S. Z. Lee, Y. H. Seong and H. J. Kim, "Modeling and Measuring User Sensitivity for Customized Service of Music Contents", Journal of Korean Society For Computer Game , vol. 26, no. 1, pp. 163-171, March 2013.
H. S. Choi, H. B. Bae, J. J. Seo and K. R. Yoon, "Music Recommendation System Using Extended Collaborative Filtering Based On Emotion & Context Information Fusion," in Proceeding of the Symposium on The Korean Society Of Broad Engineers, Korea, pp. 82-84, Jul. 2011.
K. H. Lee, M. S. Park, K. W. Lee, H. W. Seo, J. S. Keum, S. H. Lee and H. S. Lee, "A Design of Food Recommendation Application Based on Kansei Analysis," in Proceeding of the 39th Annual Symposium on Korea Information Science Society, Korea, pp. 528-530, Jun. 2012.
C. H. Lee, S. Y. Lee, T. C. Chung and S. H. Yoon, "Application recommender system based on personalized collaborative-filtering using user's emotion information from smartphone," in Proceeding of the 39th Annual Symposium on Korea Information Science Society, Korea, pp. 224-226, Jun. 2012.
J. H. Kim, D. Lee, H. J. Lee, W. H. Jung and S. G. Lee, "Recommendation System Using Collaborative Filtering Based on Emotion Information," in Proceeding of the Symposium on The HCI Society of Korea, Korea, pp. 129-131, Feb. 2014.
J. Posner., J. A. Russell. and B. S. Peterson. "The circumplex model of affect: An integrative approach to affective neuroscience, cognitive development, and psychopathology," Journal of Development and Psychopathology, vol 17, pp . 715-734, Sept. 2005.
J. H. Kim, S. M. Ahn, J. U. Park, M. C. Whang and D. K. Kim, "The XML based Real-time Emotion Information Sharing System using Physiological Signals," Journal of Korean Institute of Information Technology, vol. 10, no.3, pp. 205-211, Mar. 2012.
D. K. Kim, J. Y. Heo, J. H. Cho, S. Y. Park and Y. H. Kim, "Emotional Twitter Bot Based on Machine Learning," in Proceeding of the Symposium on Korea Information Science Society, Korea, pp. 379-382, Nov. 2011.
H. C. Shin and S. B. Cho, "A Location-based Collaborative Filtering Recommender using Quadtree," Journal of KIISE : Computing Practices and Letters, vol. 19, no. 1, pp. 15-22, Jan. 2013.
H. N. Lee, M. H. Kim, M. C. Whang and D. K. Kim, "Evaluation of PPG signals regarding to video attributes of smart-phone camera," Journal of the Korea Institute of Information and Communication Engineering, vol. 19, No. 4, pp. 917-924, Apr. 2015.

원문보기 상세보기
K. I. Jung, B. I. Ahn, J. J. Kim and K. J. Han, "Locatio Recommendation System based on LBSNS," The Society of Digital Policy & Management," Journal of Digital Convergence, vol. 12, no. 6, pp. 277-287, Jun. 2014.

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