[논문]소셜 네트워크 기반의 {사용자 - 연관 디자인} 행렬을 이용한 감성 디자인 추천

정은진; 김주창; 정호일; 정경용

doi:10.14400/jdc.2016.14.8.313

소셜 네트워크 기반의 {사용자 - 연관 디자인} 행렬을 이용한 감성 디자인 추천
Social Network based Sensibility Design Recommendation using {User - Associative Design} Matrix 원문보기

디지털융복합연구 = Journal of digital convergence, v.14 no.8, 2016년, pp.313 - 318

정은진 (상지대학교 컴퓨터정보공학과 지능시스템연구실) , 김주창 (상지대학교 컴퓨터정보공학과 지능시스템연구실) , 정호일 (상지대학교 컴퓨터정보공학과 지능시스템연구실) , 정경용 (상지대학교 컴퓨터정보공학부)

초록
AI-Helper

현대사회에서 추천 서비스는 클라이언트-서버 기반의 인터넷 서비스에서 소셜 네트워킹으로 변화되고 있다. 특히 최근에는 크라우드소싱과 소셜 네트워킹을 통하여 사용자에게 개인화 추천을 서비스하고 있다. 소셜 네트워크 기반 시스템은 메모리와 모델 기반 협력적 필터링을 이용한 추천 서비스 제공 방식과 목적에 따라 분류할 수 있다. 이에 본 논문에서는 소셜 네트워크 기반의 {사용자-연관 디자인} 행렬을 이용한 감성 디자인 추천을 제안한다. 제안하는 방법은 소셜 네트워크 기반에서 {사용자-연관 디자인} 행렬을 구성하고 메모리 기반 협력적 필터링을 이용하여 감성 디자인을 추천한다. 제안한 방법의 성능평가는 정확도와 재현율 검증을 진행한다. 정확도의 검증은 소셜 네트워크 기반의 추천 적용유무에 따른 F-measure를 사용한다.

Abstract ▼ AI-Helper

The recommendation service is changing from client-server based internet service to social networking. Especially in recent years, it is serving recommendations with personalization to users through crowdsourcing and social networking. The social networking based systems can be classified depending on methods of providing recommendation services and purposes by using memory and model based collaborative filtering. In this study, we proposed the social network based sensibility design recommendation using associative user. The proposed method makes {user - associative design} matrix through the social network and recommends sensibility design using the memory based collaborative filtering. For the performance evaluation of the proposed method, recall and precision verification are conducted. F-measure based on recommendation of social networking is used for the verification of accuracy.

주제어

AI 본문요약
AI-Helper

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

문제 정의

기존의 이러한 방법은 감성 데이터베이스를 구축하는데 있어서 빠르고 효율적이기는 하지만, {사용자-디자인} 행렬 구성에 있어 발생하는 희박성 문제를 보완하기 어렵다. 따라서 소셜 네트워크 기반의 추천 방법을 사용하여 희박성 문제를 보완하고 추천의 정확도를 높이고자 한다. [Fig.
행렬에서 희박성 문제가 발생하는 경우에는 아이템 추천의 정확도가 낮아지고, 데이터베이스의 크기가 작을 경우 추천이 불가능한 문제가 생긴다. 본 논문에서는 기존의 추천시스템에서 발생하는 희박성 문제를 해결하기 위해 소셜 네트워크 기반의 {사용자-연관 디자인} 행렬을 이용한 감성 디자인 추천을 제안한다. 제안하는 방법은 소셜 네트워크 기반의 환경에서 {사용자-디자인} 행렬을 구성하고, 희박성을 보완하기 위해 {사용자-디자인}에 대한 신뢰도가 높은 평가 값을 추가로 수집하여 기존 행렬에 추가한다.
대표적으로 소셜 네트워크를 통한 정보 서비스는 사용자의 욕구를 충족시키기에 적합한 환경이다. 본 논문에서는 소셜 네트워크 기반의 {사용자-연관 디자인} 행렬을 이용한 감성 디자인 추천을 제안하였다. 제안하는 방법은 기존의 추천 시스템에서 발생하는 희박성 문제를 해결하기 위해 소셜 네트워크 기반으로 구성한 행렬에 신뢰도가 높은 평가 값을 추가로 수집하여 행렬로 구성하였다.
본 논문에서는 소셜 네트워크 기반의 데이터 행렬에 감성 분석을 통해 최적화되어 모델링된 데이터 행렬을 구성하여 결측치를 최소화하는 방법으로 희박성 문제를 해결한다. 이는 수집된 감성 데이터를 미리 분석하여 {사용자-디자인}에 대한 신뢰도가 높은 평가 값을 수집한다.
본 논문에서는 제안하는 소셜 네트워크 기반의 {사용자-연관 디자인} 행렬을 이용한 감성 디자인 추천을 성능평가 및 분석한다. 성능평가는 정확도와 재현율 검증을 진행한다.

제안 방법

제안하는 방법은 기존의 추천 시스템에서 발생하는 희박성 문제를 해결하기 위해 소셜 네트워크 기반으로 구성한 행렬에 신뢰도가 높은 평가 값을 추가로 수집하여 행렬로 구성하였다. 구성한 행렬에서 소셜 네트워크 기반의 협력적 필터링을 이용하여 행렬에 존재하는 결측값을 예측하여 희박성 문제를 해결하였다. 제안하는 소셜 네트워크 기반의 {사용자-연관 디자인} 행렬의 성능평가로 정확도와 재현율 검증을 진행하였다.
각 사용자의 평가 값은 아이템에 따른 감성에 따라 1부터 5까지의 숫자로 나타낸다. 기존의 {사용자-디자인} 행렬에 소셜 네트워크 기반으로 아이템에 대한 평가 값을 추가하여 {사용자-연관 디자인} 행렬을 구성한다.
소셜 네트워크 기반의 {사용자-연관 디자인} 행렬을 이용하여 결측치를 예측한다. 예측에 필요한 유사도 가중치는 피어슨 상관계수[13,14,15]를 이용한다.
소셜 네트워크 기반의 협력적 필터링을 이용하여 행렬의 결측치를 예측한다. 연관 디자인을 이용하여 소셜 네트워크 기반의 행렬을 재구성한다.
소셜 네트워크를 통해 디자인에 대한 감성 데이터를 수집하고 분석한다. 감성 데이터 수집을 위해 소셜 네트워크를 이용하여 크라우드소싱 기반의 서버로 분산시켜 감성 데이터를 수집한다[9].
소셜 네트워크 기반의 협력적 필터링을 이용하여 행렬의 결측치를 예측한다. 연관 디자인을 이용하여 소셜 네트워크 기반의 행렬을 재구성한다. [Fig.
본 논문에서는 소셜 네트워크 기반의 {사용자-연관 디자인} 행렬을 이용한 감성 디자인 추천을 제안하였다. 제안하는 방법은 기존의 추천 시스템에서 발생하는 희박성 문제를 해결하기 위해 소셜 네트워크 기반으로 구성한 행렬에 신뢰도가 높은 평가 값을 추가로 수집하여 행렬로 구성하였다. 구성한 행렬에서 소셜 네트워크 기반의 협력적 필터링을 이용하여 행렬에 존재하는 결측값을 예측하여 희박성 문제를 해결하였다.
본 논문에서는 기존의 추천시스템에서 발생하는 희박성 문제를 해결하기 위해 소셜 네트워크 기반의 {사용자-연관 디자인} 행렬을 이용한 감성 디자인 추천을 제안한다. 제안하는 방법은 소셜 네트워크 기반의 환경에서 {사용자-디자인} 행렬을 구성하고, 희박성을 보완하기 위해 {사용자-디자인}에 대한 신뢰도가 높은 평가 값을 추가로 수집하여 기존 행렬에 추가한다. 구성한 행렬을 이용하여 추천 시스템의 정확도를 향상시킨다.

대상 데이터

소셜 네트워크를 통해 디자인에 대한 감성 데이터를 수집하고 분석한다. 감성 데이터 수집을 위해 소셜 네트워크를 이용하여 크라우드소싱 기반의 서버로 분산시켜 감성 데이터를 수집한다[9]. 수집한 감성 데이터는 디자인 추천을 위한 감성 정보, 마이닝 기반 사용자 군집, 색디자인 정보, 온톨로지 기반의 지식추론에 의한 지식정보로 구분하여 나타낸다[10,11,12].

데이터처리

성능평가는 예측 결과에 따른 소셜 네트워크 기반의 행렬을 이용한 감성 디자인 추천(SNMCF)의 예측 값과 협력적 필터링(CF)을 통한 예측 값을 F-measure로 비교 분석한다. Precision, Recall을 이용하여 F-measure로 성능을 분석한다.
구성한 행렬에서 소셜 네트워크 기반의 협력적 필터링을 이용하여 행렬에 존재하는 결측값을 예측하여 희박성 문제를 해결하였다. 제안하는 소셜 네트워크 기반의 {사용자-연관 디자인} 행렬의 성능평가로 정확도와 재현율 검증을 진행하였다. 정확도 검증은 소셜 네트워크 기반 행렬의 시스템 적용유무에 따른 F-measure를 사용하였다.

이론/모형

성능평가는 예측 결과에 따른 소셜 네트워크 기반의 행렬을 이용한 감성 디자인 추천(SNMCF)의 예측 값과 협력적 필터링(CF)을 통한 예측 값을 F-measure로 비교 분석한다. Precision, Recall을 이용하여 F-measure로 성능을 분석한다. 식(1)은 Precision, 식(2)는 Recall, 식(3)은 F-measure이며 다음과 같이 정의한다.
소셜 네트워크 기반의 {사용자-연관 디자인} 행렬을 이용하여 결측치를 예측한다. 예측에 필요한 유사도 가중치는 피어슨 상관계수[13,14,15]를 이용한다. 피어슨 상관계수는 사용자가 평가한 값을 이용하여 사용자들 간의 유사도 가중치를 –1부터 +1까지로 예측한다.
제안하는 소셜 네트워크 기반의 {사용자-연관 디자인} 행렬의 성능평가로 정확도와 재현율 검증을 진행하였다. 정확도 검증은 소셜 네트워크 기반 행렬의 시스템 적용유무에 따른 F-measure를 사용하였다. 정확도 검증 결과 소셜 네트워크 기반의 {사용자-연관 디자인} 행렬을 이용한 감성 디자인 추천방법이 기존 추천방법에 비해 3.
성능평가는 정확도와 재현율 검증을 진행한다. 정확도에 대한 검증은 연관 디자인을 이용한 소셜 네트워크 기반의 추천의 적용유무에 따른 F-measure를 측정한다.

성능/효과

SNMCF와 CF의 분석 결과 모든 평가에서 평균 80%를 상회하는 결과를 나타내지만, 제안하는 CNMCF 방법이 CF보다 Precision은 3.11%p, Recall은 6.36%p, F-measure는 4.80%p 더 우수한 성능을 보이는 것으로 나타난다. [Fig.
정확도 검증은 소셜 네트워크 기반 행렬의 시스템 적용유무에 따른 F-measure를 사용하였다. 정확도 검증 결과 소셜 네트워크 기반의 {사용자-연관 디자인} 행렬을 이용한 감성 디자인 추천방법이 기존 추천방법에 비해 3.11%p, Recall은 6.36%p, F-measure는 4.80%p 더 우수한 성능을 보이는 것으로 나타났다.

질의응답

핵심어	질문	논문에서 추출한 답변
	소셜 네트워크란 무엇인가?	인터넷을 통하여 개인이나 집단이 사회적으로 연결된 관계를 소셜 네트워크라 정의한다. 또한 개인이나 집단이 네트워크를 구성하는 노드로서 서로 연결되는 정보화시대의 사회적 관계를 나타낸다[6].
	협력적 필터링은 무엇을 이용하여 유사도를 계산하는가?	협력적 필터링은 사용자들의 평가 데이터를 기반으로 평가하지 않은 다양한 아이템에 대한 선호도, 감성 등을 예측하고 아이템을 추천하는 방법이다[11]. 이는 아이템에 대한 사용자의 평가 값을 이용하여 유사도를 –1에서 +1 범위 내에서 계산한다. 긍정적이고 부정적인 관계를 이용하여 평가하지 않은 아이템에 관한 값을 예측한다.
	감성공학은 어떤 분야인가?	감성공학은 쾌적함, 안락함, 불쾌함 등의 특정 지을 수 없는 감성을 공학적으로 측정 및 분석하여 제품이나 환경에 적용하고자 하는 분야이다. 감성공학은 생체 측정, 의류 디자인, 전자기기 디자인, 자동차 디자인, 장갑 디자인, 안경 디자인, 신발 디자인, 자전거 디자인, 감성 인터페이스 등 다양한 분야에서 구체적으로 연구가 진행되고 있다.

참고문헌 (15)

S. Lee, S. Park, “A Quality Control Framework for High Quality Crowdsourcing,” Korean Institute of Information Scientists and Engineers, Vol. 40, No. 2, pp. 158-160, 2013.
K. Jae, “Achievements and Challenges of Crowdsourcing Journalism,” Journal of Social Science, Vol. 25, No. 3, pp. 205-224, 2014.
D. Lee, C. Lee, “A Study on the Applicability of Crowdsourcing for Cadastral Reform,” Korean Association of Cadastre Information, Vol. 28, No. 2, pp. 55-70, 2012.
K. Chung, J. Kim, H. Jung, J. Lee, “An Item - based Collaborative Filtering Technique by Associative Relation Clustering in Personalized Recommender Systems,” Journal of KIISE : Software and Applications, Vol. 31, No. 4, pp. 387-536, 2004.
H. Jung, H. Kim, K. Chung, M. Kim, W. Kim, K. Shin, D. Hong, S. Oh, "Sensibility Ergonomics Car Design Supporting Method using Information Filtering," The Korea Contents Society, pp. 5-6, International Convention Center Jeju, 2011.
C. Jeong, “A Study on the Advertising Creative Based on the Technology Convergence,” Journal of the Korea Convergence Society, Vol. 6, No. 4, pp. 235-241, 2015.

원문보기 상세보기
J. Kim, J. Go, K. Lee, “A Scheme of Social Engineering Attacks and Countermeasures Using Big Data based Conversion Voice Phishing,” Journal of the Korea Convergence Society, Vol. 6, No. 1, pp. 85-91, 2015.
J. Park, J. Kim, "A study on identity and possibility of emotional design - Emotional design based on design science which overcomes the limitation of the instrumental point of view," Korean Society of Design Science, pp. 27-38, 2008.
S. Chung, S. Lee, J. Um, S. Cho, “Developing knowledge creation framework based on crowdsourcing,” The Korean Institute of Industrial Engineers, Vol. 2012, No. 5, pp. 2521-2531, 2012.
H. Jung, K. Chung, “P2P Context Awareness based Sensibility Design Recommendation using Color and Bio-signal Analysis,” Peer-to-Peer Networking and Applications, Vol. 9, No. 3, pp. 546-557, 2016.

상세보기
H. Jung, K. Chung, “Knowledge-based Dietary Nutrition Recommendation for Obese Management,” Information Technology and Management, Vol. 17, No. 1, pp. 29-42, 2016.

상세보기
S. H. Kim, K. Chung, “Emergency Situation Monitoring Service using Context Motion Tracking of Chronic Disease Patients,” Cluster Computing, Vol. 18, No. 2, pp. 747-759, 2015.

상세보기
K. Chung, R. C. Park, “P2P Cloud Network Services for IoT based Disaster Situations Information,” Peer-to-Peer Networking and Applications, Vol. 9, No. 3, pp. 566-577, 2016.

상세보기
H. Jung, K. Chung, “Discovery of Automotive Design Paradigm using Relevance Feedback,” Personals Ubiqutors Computing, Vol. 18, No. 6, pp. 1363-1372, 2014.

상세보기
Y. M. Jung, "Information Search theory," Inc. Gumi trading, 1993.

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