$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

소셜 미디어 사용자의 최근 관심사를 고려한 소셜 검색 기법
Social Search Scheme Considering Recent Preferences of Social Media Users 원문보기

한국콘텐츠학회논문지 = The Journal of the Korea Contents Association, v.17 no.2, 2017년, pp.113 - 124  

송진우 (충북대학교 정보통신공학과) ,  전현욱 (충북대학교 정보통신공학과) ,  김민수 (충북대학교 정보통신공학과) ,  김기훈 (충북대학교 정보통신공학과) ,  노연우 (충북대학교 정보통신공학과) ,  임종태 (충북대학교 정보통신공학과) ,  복경수 (충북대학교 정보통신공학과) ,  유재수 (충북대학교 정보통신공학과)

초록
AI-Helper 아이콘AI-Helper

기존의 소셜 검색은 사용자의 프로파일의 최신성과 유사한 사용자의 관심사를 고려하지 않기 때문에 검색 결과가 사용자에게 적합하지 않다는 문제가 있다. 이에 따라 시간적 속성과 다른 사용자의 관심사를 고려한 소셜 검색 연구가 요구되고 있다. 본 논문에서는 시간에 따른 최근 관심사, 사용자와 유사도가 높은 사용자들의 관심사를 고려한 소셜 검색 기법을 제안한다. 제안하는 기법은 사용자의 최근 관심사를 고려하기 위해 소셜 미디어 사용자의 활동 정보를 분석한다. 다른 사용자들의 관심사를 분석한 정보와 결합하여 랭킹을 수행함으로써 검색 결과의 만족도와 정확성을 향상시킨다. 성능평가를 통해 제안하는 소셜 검색 기법이 기존 기법에 비해 성능이 우수함을 보인다.

Abstract ▼ AI-Helper 아이콘AI-Helper

The existing social search has a problem that search results are not suitable for a user since it does not take into account the recency of the user profile and the interests of similar users. Therefore, studies on a social search considering a temporal attribute and the interests of other users are...

주제어

#소셜 검색   #개인화 검색   #소셜 미디어   #소셜 네크워크   #관심사  

AI 본문요약
AI-Helper 아이콘 AI-Helper

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

문제 정의

  • 대부분의 소셜 미디어에서는 사용자의 프로파일을 주기적으로 갱신하지 않기 때문에 사용자의 최근 관심사를 파악하기 어렵다. 따라서 본 논문에서는 오래된 관심사의 비중을 감소시키고 최근 관심사에 대한 비중을 높이기 위해 오래된 관심사와 최근 관심사에 대하여 시간에 따른 가중치를 부여하였다. 그리고 현재 관심사에 대한 프로파일을 구축하기 위해 최근 활동을 분석하고 오래된 관심사의 비중을 감소시키는 프로파일을 제안한다.
  • 그리고 개개인의 사용자들은 각각의 관심사에 대해서 각기 다른 관심 비중을 가지고 있다. 따라서 본 논문에서는 카테고리화한 관심사들에 사용자들의 특성을 부여하고자 관심사 가중치를 부여하였다.
  • 하지만 사용자의 최근 관심사와 유사한 사용자의 관심사를 고려하지 못했기 때문에 이들을 고려한 연구가 필요하다. 따라서, 본 논문에서는 소셜 미디어 사용자의 최근 관심사를 이용하고 유사한 사용자의 관심사를 이용한 소셜 검색 기법을 제안한다. 제안하는 소셜검색의 특징은 사용자들의 소셜 활동 정보에 대해 텍스트 마이닝 기법을 사용하여 추출한 관심사를 카테고리화하고 사용자들의 프로파일을 생성하여 질의에서 추출한 관심사의 카테고리와 비교해 검색을 수행한다.
  • 본 논문에서는 소셜 미디어 환경에서 사용자의 최근 관심사와 유사한 사용자의 관심사를 고려한 개인화 검색 기법을 제안한다. 제안하는 기법은 사용자들의 소셜 미디어 활동을 텍스트 마이닝 기법으로 분석하여 사용자의 관심 카테고리를 구축하며 관심 카테고리를 고려한 검색을 제공한다.
  • 본 논문은 사용자의 최신 관심사를 반영하기 위해 사용자의 소셜 미디어의 활동을 바탕으로 사용자의 관심 카테고리에 시간 가중치를 부여함으로써 관심사의 최신성을 고려하고 오래된 관심사에 대한 가중치를 낮추었으며 유사한 사용자의 관심 카테고리를 고려하고 이를 반영하여 다양한 검색 결과를 제공한다.
  • 20GHz, 8GB의 메모리를 갖는 시스템에서 JAVA로 구현하였다. 본 연구에서는 실제 웹 검색 결과를 사용하여 사용자의 관심사를 적용하여 재정렬하고 검색의 정확도와 만족도를 평가하는 실험을 하였다.
  • 세 가지의 수식을 고려한 사용자 유사도를 가지고 사용자 프로파일에서 사용자와 유사한 사용자를 판별하게 된다. 사용자의 관심사, 유사한 사용자의 관심사, 친구로 연결된 사용자 수식에 가중치를 적절히 부여하여 어떤 요소가 사용자에 더 큰 영향을 미치는지 확인해 볼 수 있다. 가중치 α, β, γ의 합은 1로 표현된다.
  • [11]에서는 소셜 북마킹 서비스를 이용해 각 사용자의 최근 관심사를 얻고 답변자의 최근 관심사를 반영해 질문에 가장 잘 대답해줄 수 있는 잠재 답변자를 검색하는 방식으로 최근 사용자 관심사를 고려한 소셜 검색 알고리즘이 제안되었다. 이 논문에서는 사용자의 최근 관심사를 del.icio.us에서 제공하는 북마킹 태그와 기존 토픽을 병합하여 얻었다. 이는 사용자의 최근 관심사가 어떠한 관심사인지 북마킹 태그와 웹사이트의 특성으로 사용자의 관심사를 간접적으로 알 수밖에 없고 정확한 관심사를 찾아낸다고 보기는 어렵다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
소셜 미디어와 일반 전통 매체의 차이점은 무엇인가? 태블릿PC, 스마트폰 등과 같은 모바일 기기의 등장과 함께 무선 네트워크 환경이 발달하면서 이로 인해 온라인으로 사용자들의 인맥을 관리하고 정보를 상호교환하는 소셜 미디어(social media)들이 등장하게 되었다[1][2]. 일반적인 전통 매체는 일대 다관계로 정보전달이 목적이었지만, 소셜 미디어는 다대다 관계로 쌍방향 관계를 가지며 상호간의 다양한 정보 공유와 관계를 형성한다. 사용자들은 소셜 활동을 이용하여 사용자들의 현재 관심분야가 무엇인지, 어떤 사람과 관계를 맺고 있는지를 분석할 수 있다.
웹 검색 결과의 대부분에서 사용자 개개인이 원하는 맞춤형 정보가 제공되지 않는 이유는 무엇인가? 그러나 웹 검색 결과의 대부분은 사용자 개개인이 원하는 맞춤형 정보가 제공되지 않는다. 이는 실제 검색에 사용되는 질의어에 대해 웹 사용자들의 검색 의도를 무시한 채 내용 기반의 문서검색에 대한 질의 형태만을 고려하기 때문이다. 즉 기존의 웹 검색은 사용자의 질의 의도를 충분히 반하지 못한다는 단점으로 인해 사용자의 주요 관심사에 적합한 검색 결과를 획득하기에 제한사항이 있다.
소셜 검색에서 무엇을 활용하면 사용자들의 관심사에 대한 프로파일을 얻어낼 수 있는가? 사용자들은 소셜 활동을 이용하여 사용자들의 현재 관심분야가 무엇인지, 어떤 사람과 관계를 맺고 있는지를 분석할 수 있다. 소셜 검색에서 게시물생성, 북마크, 코멘트, 점수평가 등의 피드백을 활용하면 그 사용자들의 관심사에 대한 프로파일(Profile)을 얻어낼 수 있다[3][4]. 최근 많은 사람들의 소셜미디어 활동으로 인해 소셜 데이터가 급증하고 있으며, 이는 사용자의 성향을 판단하는데 유용하게 사용된다.
질의응답 정보가 도움이 되었나요?

참고문헌 (16)

  1. M. J. Morris, "Teevan and K. Panovich, "What Do People Ask Their Social Networks, and Why?," Proc. International Conference on Human Factors in Computing Systems, pp.1739-1748, 2010. 

  2. 김주영, 조찬형, 장세정, 윤은정, "2015년 모바일인터넷이용실태조사 최종보고서," 한국인터넷 진흥원, 2015. 

  3. S. Xu, S. Bao, B. Fei, Z. Su, and Y. Yu, "Exploring folksonomy for personalized search," Proc. International ACM SIGIR Conference on Research and Development in Information Retrieval, pp.155-162, 2008. 

  4. M. Claypool, P. Le, M. Waseda, and D. Brown, "Implicit interest indicators," Proc. International Conference on Intelligent User Interfaces, pp.33-40, 2001. 

  5. B. Carterette and R. Jones, "Evaluating Web Search Engines Using Clickthrough Data," Proc. International ACM SIGIR Conference, 2007. 

  6. D. Horowitz and D.Kamvar, "The Anatomy of a LargeScale Social Search Engine," Proc. International Conference on World Wide Web, pp.431-440, 2010. 

  7. S. Bao, G. Xue, X. Wu, Y.Yu, B. Fei, and Z.Su, "Optimizing Web Search Using Social Annotations," Proc. International Conference on World Wide Web, pp.501-510, 2007. 

  8. A. Kashyap, R. Amini, and V. Hristidis, "SonetRank: Leveraging Social Networks to Personalize Search," Proc. ACM International Conference on Information and knowledge management, pp.2045-2049, 2012. 

  9. O. Shafiq, R. Alhajj, and John G. Rokne, "On personalizing Web search using social network analysis," International Journal of Information Sciences, Vol.314, pp.55-76, 2015. 

    상세보기 crossref

  10. K. Collins-Thompson, P. N. Bennett, R. W. White, S. de la Chica, and D. Sontag, "Personalizing Web Search Results by Reading Level," Proc. ACM International Conference on Information and knowledge management, pp.403-412, 2011. 

  11. 이동균, 권준희, "최근 사용자 관심사를 고려한 소셜 검색 알고리즘," 한국정보기술학회논문지, 제9권, 제4호, pp.187-194, 2011. 

    상세보기

  12. Y. A. Kim and G. W. Park, "Topic-Driven SocialRank: Personalized search result ranking by identifying similar, credible users in a social network," International Journal of Knowledge-Based Systems, Vol.54, pp.230-242, 2013. 

    상세보기 crossref

  13. 복경수, 안민제, 임종태, 유재수, "모바일 환경에서 시간 속성을 고려한 효율적인 위치 기반 소셜 검색," 정보과학회논문지, 제20권, 제4호, pp.243-247, 2014. 

  14. T. Berners-Lee, J. Hendler, and O. Lassila, The Semantic Web, Scientific American Magazine, 2001. 

  15. M. Dean and G. Schreiber, OWL Web Ontology Language, 2004. 

  16. B. Chazelle and L. J. Guibas, "Fractional cascading: I. A data structuring technique," International Journal of Algorithmica, Vol.1, No.2, pp.133-162, 1986. 

    상세보기 crossref

저자의 다른 논문 :

LOADING...

관련 콘텐츠

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로