유비쿼터스 컴퓨팅은 사용자의 위치, 상태, 행동정보, 주변 상황 등의 컨텍스트를 인식할 수 있게 하였는데 이로 인해 사용자에게 필요한 서비스를 빠르고 정확하게 제공해 줄 수 있게 되었다. 이와 같은 개인화 추천 서비스는 사용자의 컨텍스트 정보를 인식하고 해석하는 추론기술이 필요한데 본 논문에서는 실생활과 가장 밀접한 음식점을 날씨, 시간, 요일, 위치의 모바일 컨텍스트 데이터를 기반으로 행동 패턴을 추론하여 추천하는 모델을 연구한다. 연구를 위해 자사에서 직접 서비스 하고 있는 사용자 평가 기반 음식점 추천 서비스의 장소와 사용자 생성 데이터를 활용하였고, 행동패턴을 추론하기 위해 나이브 베이즈 방정식을 사용했다. 그리고 선호도 예측 알고리즘을 활용하여 추천 장소를 선정하였다. 시스템으로 구현하여 평가 기반의 추천 방식보다 본 논문에서 제시한 연구의 우수성도 입증하였다.
유비쿼터스 컴퓨팅은 사용자의 위치, 상태, 행동정보, 주변 상황 등의 컨텍스트를 인식할 수 있게 하였는데 이로 인해 사용자에게 필요한 서비스를 빠르고 정확하게 제공해 줄 수 있게 되었다. 이와 같은 개인화 추천 서비스는 사용자의 컨텍스트 정보를 인식하고 해석하는 추론기술이 필요한데 본 논문에서는 실생활과 가장 밀접한 음식점을 날씨, 시간, 요일, 위치의 모바일 컨텍스트 데이터를 기반으로 행동 패턴을 추론하여 추천하는 모델을 연구한다. 연구를 위해 자사에서 직접 서비스 하고 있는 사용자 평가 기반 음식점 추천 서비스의 장소와 사용자 생성 데이터를 활용하였고, 행동패턴을 추론하기 위해 나이브 베이즈 방정식을 사용했다. 그리고 선호도 예측 알고리즘을 활용하여 추천 장소를 선정하였다. 시스템으로 구현하여 평가 기반의 추천 방식보다 본 논문에서 제시한 연구의 우수성도 입증하였다.
The ubiquitous computing made it happen to easily take cognizance of context, which includes user's location, status, behavior patterns and surrounding places. And it allows providing the catered service, designed to improve the quality and the interaction between the provider and its customers. The...
The ubiquitous computing made it happen to easily take cognizance of context, which includes user's location, status, behavior patterns and surrounding places. And it allows providing the catered service, designed to improve the quality and the interaction between the provider and its customers. The personalized recommendation service needs to obtain logical reasoning to interpret the context information based on user's interests. We researched a model that connects to the practical value to users for their daily life; information about restaurants, based on several mobile contexts that conveys the weather, time, day and location information. We also have made various approaches including the accurate rating data review, the equation of Naïve Bayes to infer user's behavior-patterns, and the recommendable places pre-selected by preference predictive algorithm. This paper joins a vibrant conversation to demonstrate the excellence of this approach that may prevail other previous rating method systems.
The ubiquitous computing made it happen to easily take cognizance of context, which includes user's location, status, behavior patterns and surrounding places. And it allows providing the catered service, designed to improve the quality and the interaction between the provider and its customers. The personalized recommendation service needs to obtain logical reasoning to interpret the context information based on user's interests. We researched a model that connects to the practical value to users for their daily life; information about restaurants, based on several mobile contexts that conveys the weather, time, day and location information. We also have made various approaches including the accurate rating data review, the equation of Naïve Bayes to infer user's behavior-patterns, and the recommendable places pre-selected by preference predictive algorithm. This paper joins a vibrant conversation to demonstrate the excellence of this approach that may prevail other previous rating method systems.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
표 1과 같이 음식점 방문 기록 데이터를 살펴보면 사용자의 닉네임 정보를 포함하여 음식점의 이름, 좌표, 주소, 지역, 음식 카테고리 종류, 방문한 날짜, 날씨, 온도, 평가점수로 구성되어있는 것을 볼 수 있다. 본 논문에서는 1년 동안 서울 지역의 음식점에 방문 기록을 남긴 사용자들을 대상으로 행동 패턴 분석모델을 적용시켜 보았다.
본 논문에서는 S서비스의 음식점 추천서비스를 활용하여 스마트폰 기반의 안드로이드 OS에서 구현해보았다. 그림 3은 본 논문에서 구현한 실행 화면을 보여준다.
본 논문에서는 사용자 행동 태도를 기반으로 협업적 필터링에서의 장소 추천 문제점을 보완한 장소추천 기법을 제안한다. 또한 선호 점수가 높아 추천 장소로 선정된 음식점 중 사용자의 현 위치와 가장 가까운 장소를 추출하도록 하였다.
본 논문에서는 진화하는 모바일 디바이스로부터 수집할 수 있는 상황 인지 데이터를 기반으로 사용자의 음식점 방문에 대한 행동을 추론하여 음식점을 추천하는 시스템을 연구 개발하였다. 본 논문에서 개발한 모바일 컨텍스트 기반 사용자 행동 패턴 추론과 음식점 추천 모델 연구는 실제의 음식점 추천 서비스를 이용하는 사용자들의 날씨, 온도에 따라 방문한 데이터를 가지고 나이브 베이즈 방정식을 이용한 추론으로 행동 패턴을 분석하고 선호를 예측하여 유클라디안 알고리즘을 기반으로 사용자별 상황에 따른 맞춤형 장소를 추천할 수 있다.
인터페이스를 통해 사용자로부터 프로파일 정보 등을 직접 입력받거나, 위치, 날씨, 온도, 습도 등과 같이 환경적인 컨텍스트 정보 등은 센서를 통해 수집할 수 있다[6]. 본 연구에서는 사용자가 이동하는 동안에도 실시간으로 다양한 컨텍스트 정보를 수집할 수 있는 모바일 센서를 활용하여 사용자의 상황을 실시간으로 반영한 음식점 추천 모델을 연구하고자 한다. 모바일 센서로부터 수집한 컨텍스트 정보는 전처리 과정을 거쳐 행동 패턴을 추론하는 기초 자료로 활용한다[2].
본 연구에서는 사용자의 위치, 날씨, 온도 등의 컨텍스트 데이터를 가지고 상황에 따라 행동 정보를 추론하여 음식점을 추천하는 모바일 컨텍스트 기반 사용자 행동 패턴 추론과 음식점 추천 모델에 대한 연구를 해보려고 한다.
본 연구에서는 특정 데이터가 기존에 정의되어 있는 사용자 행동 패턴 분류에 속할 확률을 계산하여 가장 높은 확률의 행동 패턴을 추론한다. 이를 위해 나이브 베이즈(Naive Bayes) 분류기를 활용한다.
본 장에서는 음식점 추천을 위한 사용자의 행동 데이터를 수집하고 추론하여 저장, 그리고 사용자 상황에 따른 음식점을 추천하기 위한 모델을 연구한다. 그림 1은 모바일 컨텍스트 기반사용자 행동 패턴 추론과 음식점 추천 모델의 구조로, 사용자 상황에 따라 수집할 수 있는 행동 데이터를 활용하여 행동 패턴 DB를 저장하고 추천 시스템을 통해 음식점을 추천하는 과정을 보여준다.
가설 설정
둘째, 수집된 데이터는 정규화 과정을 거친다.
제안 방법
GPS로부터 받는 좌표는 서울의 주요 음식점들이 밀집되어있는 75개의 장소로 분류하였고, 날짜와 온도를 통해 4계절을 구분하였다. 날씨는 적설량과 운량, 강수량에 따라 맑음, 비, 눈 등으로 구분하고 요일 데이터는 평일과 휴일로 나누어 처리하였다.
GPS로부터 받는 좌표는 서울의 주요 음식점들이 밀집되어있는 75개의 장소로 분류하였고, 날짜와 온도를 통해 4계절을 구분하였다. 날씨는 적설량과 운량, 강수량에 따라 맑음, 비, 눈 등으로 구분하고 요일 데이터는 평일과 휴일로 나누어 처리하였다.
표 4는 사용자가 음식점에 방문한 기록을 모바일로부터 수집하여 전처리 과정을 통해 패턴을 저장한 데이터다. 날짜와 온도, 강수량은 모바일 컨텍스트 데이터로 저장하고, 음식점과 평가 점수는 사용자가 직접 기록한 정보로 저장하였다. 나이브 베이즈 분류 기준으로 분류 데이터 기준에 따라 최대 20번의 계산으로 가장 높은 확률의 분류를 행동 패턴 데이터에 추가한다.
본 논문에서는 사용자 행동 태도를 기반으로 협업적 필터링에서의 장소 추천 문제점을 보완한 장소추천 기법을 제안한다. 또한 선호 점수가 높아 추천 장소로 선정된 음식점 중 사용자의 현 위치와 가장 가까운 장소를 추출하도록 하였다. 선호 점수와 거리 값에 가중치 계수를 두어 추출된 결과에 대해서 상황에 따라 추천 장소 기준을 조정하게 하여 보다 유용하게 장소를 추천할 수 있도록 하는 모델을 제시하였다.
만족도 평가는 겨울과 봄의 계절을 걸치고 있는 2017년 2월 1일~4월 11일까지 70일 동안 실시하였으며, 기존 연구 방법의 음식점 추천으로 방문하여 평가점수를 매기고 본 연구 방법으로 음식점을 추천 받고 방문하여 평가 점수를 매기는 방식으로 진행했다.
본 논문에서는 진화하는 모바일 디바이스로부터 수집할 수 있는 상황 인지 데이터를 기반으로 사용자의 음식점 방문에 대한 행동을 추론하여 음식점을 추천하는 시스템을 연구 개발하였다. 본 논문에서 개발한 모바일 컨텍스트 기반 사용자 행동 패턴 추론과 음식점 추천 모델 연구는 실제의 음식점 추천 서비스를 이용하는 사용자들의 날씨, 온도에 따라 방문한 데이터를 가지고 나이브 베이즈 방정식을 이용한 추론으로 행동 패턴을 분석하고 선호를 예측하여 유클라디안 알고리즘을 기반으로 사용자별 상황에 따른 맞춤형 장소를 추천할 수 있다.
본 논문에서 제안하는 음식점 추천을 위해서는 사용자가 컨텍스트 데이터가 포함된 음식점을 방문한 기록이 있어야 하는데 기록의 속성 값은 사용자가 방문한 날의 날씨와 온도, 그리고 음식점의 이름, 위치, 업종 등의 데이터가 포함되어 있어야 한다. 본 논문에서는 맛집 정보 서비스인 S 서비스의 사용자 음식점 방문 기록 데이터를 활용하였다.
사용자의 상황을 인식하고 특정 행동을 추론하기 위해서는 적절한 기준에 따라 사용자 행동 패턴을 분류할 필요가 있다. 본 연구에서는 자사에서 직접 서비스하고 있는 사용자 평가 기반 음식점 추천 서비스의 장소와 사용자 생성 데이터를 활용하여 패턴을 정의한다[3].
또한 선호 점수가 높아 추천 장소로 선정된 음식점 중 사용자의 현 위치와 가장 가까운 장소를 추출하도록 하였다. 선호 점수와 거리 값에 가중치 계수를 두어 추출된 결과에 대해서 상황에 따라 추천 장소 기준을 조정하게 하여 보다 유용하게 장소를 추천할 수 있도록 하는 모델을 제시하였다.
셋째, 나이브베이즈 계산식을 이용하여 분류하고 구성되어있는 사용자 행동 모델로 행동 패턴을 매칭하여 사용자 목적에 따른 추론을 한다.
제안된 방법으로 추출된 추천 음식점과 기존의 방법[5]을 기반으로 음식점을 추출한 방법을 비교하기 위해 실험자 50명을 대상으로 20개 장소에 대해 만족도 평가를 진행하였다.
대상 데이터
본 논문에서 제안하는 음식점 추천을 위해서는 사용자가 컨텍스트 데이터가 포함된 음식점을 방문한 기록이 있어야 하는데 기록의 속성 값은 사용자가 방문한 날의 날씨와 온도, 그리고 음식점의 이름, 위치, 업종 등의 데이터가 포함되어 있어야 한다. 본 논문에서는 맛집 정보 서비스인 S 서비스의 사용자 음식점 방문 기록 데이터를 활용하였다.
첫째, 모바일 디바이스로부터 위치, 날씨, 온도데이터와 어플리케이션을 통해 방문한 음식점의 정보, 방문기록, 방문 후 평가 등의 컨텍스트 데이터를 수집한다.
이론/모형
나이브 베이즈는 조건부 확률 모델로, 입력 변수가 서로 독립이라는 가정 하에 결합 확률을 계산하고 가장 높은 확률의 분류를 추론한다. 나이브 베이즈는 단순하면서도 정확도가 높은 성능을 보이고 효율적으로 학습이 가능하다는 장점이 있으며[4], 본 논문에서는 행동 패턴을 추론하기 위해 식(1)과 같은 나이브 베이즈 방정식을 적용하였다.
사용자의 음식점 방문에 대한 행동 패턴을 분석하고 추론하기 위해서는 분류 체계가 필요하다. 본 논문에서는 국내 최대음식점 리뷰 서비스인 S서비스에서 조사한 사용자의 음식점 방문 분류 표 3을 참고하였다.
본 연구에서는 특정 데이터가 기존에 정의되어 있는 사용자 행동 패턴 분류에 속할 확률을 계산하여 가장 높은 확률의 행동 패턴을 추론한다. 이를 위해 나이브 베이즈(Naive Bayes) 분류기를 활용한다. 나이브 베이즈는 조건부 확률 모델로, 입력 변수가 서로 독립이라는 가정 하에 결합 확률을 계산하고 가장 높은 확률의 분류를 추론한다.
성능/효과
넷째, 이를 바탕으로 추론된 행동 패턴 데이터는 데이터베이스에 저장되어 사용자가 음식점 추천을 요구하는 상황에 따라 위치 및 사용자 방문 평가 점수 등의 기준을 통해 음식점을 추천할 수 있다.
본 논문에서 제시한 방법을 이용하여 음식점을 추천할 경우 음식점을 방문할 때 날씨와 온도 등의 상황에 따른 음식점 추천이 가능하게 되어 개인화된 맞춤형 추천으로 높은 만족도로 음식점을 방문할 수 있게 되었다. 또한 실제 사용자의 만족도 평가를 통해 기존 연구 방법보다 우수하다는 것을 입증하였다.
본 논문에서 제시한 방법을 이용하여 음식점을 추천할 경우 음식점을 방문할 때 날씨와 온도 등의 상황에 따른 음식점 추천이 가능하게 되어 개인화된 맞춤형 추천으로 높은 만족도로 음식점을 방문할 수 있게 되었다. 또한 실제 사용자의 만족도 평가를 통해 기존 연구 방법보다 우수하다는 것을 입증하였다.
50명의 실험자들은 2가지 방식으로 20개씩 추천된 음식점에 0~5점으로 평가 점수를 장소별로 점수를 매겼고, 평균 내어 표 8로 나타냈다. 제안 방식과 기존 연구 방식의 점수를 비교해보면 제안한 방식이 약 31.2%이상 높은 점수가 나온 것으로 확인해볼 수 있다.
후속연구
앞으로 상황 인지 기술이 발전되면서 사용자의 감정과 감성 데이터를 수집할 수 있으면 보다 정교한 음식점 추천이 가능할 것이다.
기존 연구인 다속성 태도 모델에 따른 추천 장소의 논문[5]에서는 20명을 대상으로 10개 장소에 대해 실험과 비교했는데, 본 논문은 실험자 수 및 장소 모두 2배수에 대해 실험을 진행하였고 만족도 결과도 높았다는 점에서 보다 의미 있는 연구였다고 할 수 있다. 이와 같이 본 연구에서 제안하는 방법으로 사용자에게 음식점을 추천하면 보다 만족도 높은 서비스를 제공할 수 있을 것이다.
추천 대상 장소의 값이 높은 장소가 모바일 컨텍스트 데이터를 기반으로 행동패턴을 분석하고 추천한 장소로 사용자의 만족도가 높을 것으로 기대한다.
질의응답
핵심어
질문
논문에서 추출한 답변
본 연구에서 가장 높은 확률의 행동 패턴을 추론하기 위해 활용하는 것은 무엇인가?
본 연구에서는 특정 데이터가 기존에 정의되어 있는 사용자 행동 패턴 분류에 속할 확률을 계산하여 가장 높은 확률의 행동 패턴을 추론한다. 이를 위해 나이브 베이즈(Naive Bayes) 분류기를 활용한다. 나이브 베이즈는 조건부 확률 모델로, 입력 변수가 서로 독립이라는 가정 하에 결합 확률을 계산하고 가장 높은 확률의 분류를 추론한다.
상황인지 기술이란 무엇인가?
상황인지(Context-Awareness) 기술이란 사용자의 생활패턴이나 습관, 생체신호, 주변 환경 등을 분석하여 특정상황에 맞게 최적화된 기능을 도출함으로서 사용자의 요구를 사전에 예측하고 제시하는 S/W, H/W 기술이다[1].
음식점이 상황 인지 추천을 적용하기에 적합한 컨텐츠인 이유는 무엇인가?
컨텐츠 제공 측면에서 추천할 수 있는 대상은 책, 음악, 영화 등 다양한데 본 논문에서 연구하는 음식점은 우리의 일상생활과 매우 밀접하다고 할 수 있고, 날씨와 온도 상황에 따라 민감하게 요구 될 수 있기 때문에 상황 인지 추천을 적용하기에 적합한 컨텐츠라고 볼 수 있다[8]. 음식점 추천에 관한 연구는 위치 인식을 이용한 추천, 소셜 관계 기반 협업필터링을 이용한 추천, 다속성 태도 모델 기반 추천 연구 등이 있었는데 음식의 선택은 날씨와 기온에 따라 영향을 받을 수 있기 때문에 상황이 고려되지 않아 만족스럽지 못할 수 있다.
참고문헌 (13)
Naver Knowledge Encyclopedia IT Glossary, http://terms.naver.com/entry.nhn?docId3432452&cid58457&categoryId58457
Seung-Wan Ryu, Hyo-Sun Jang, Dong-Cheon Sin and Se-Kwon Park, Context-aware computing technology trends, NIPA, Weekly Technology Trends, the consecutive number of volumes 1435, pp. 1-10, 2010
Hyo-Seok Seo, Sang-Yong Lee, A Model to Infer Users' Behavior Patterns for Personalized Recommendation Service based Context-Awareness, The Journal of digital policy & management, v.10, no.1, pp. 293-297, 2012
Wikipedia Encyclopedia, https://ko.wikipedia.org/wiki/나이브_베이즈_분류
Byung-Ik Ahn, Ku-Imm Jung, Hae-Lim Choi, A Study on Recommendation Systems based on User multi-attribute attitude models and Collaborative filtering Algorithm, Smart Media Journal, Vol.5, No.2, pp. 84-89, 2016
Sun-You Kim, Sung-Bae Cho, "A Context-Aware Mobile Music Recommendation System to Consider User's Music Preference", Korean Institute of Information Scientists and Engineers (KIISE), pp. 1047-1049, 2013
Yeon-Ju Kim, The Effect of Feeling caused by the Weather on Consumer's Beverage Selection, Master's Thesis, SEJONG Univ., 2016
Hee-Taek Kim, Sung-Bae Cho, User Adaptive Restaurant Recommendation Service in Mobile Environment based on Bayesian Network Learning, HCI Conference, pp. 6-10, 2009
Ji-Sun Park, Taek-Hun Kim, Yong-Suk, Ryu and Sung-Bong Yang, A Predictive Algorithm using 2 - way Collaborative Filtering for Recommender Systems, Korean Institute of Information Scientists and Engineers (KIISE), Vol.29, No.9-10, pp.669-675, 2002
Hong-Chol Shin, Location based recommandation system using quadtree index, Master's Thesis, YeonSe Univ., 2016
Su-Mi Chung, The Effect of the Weather on Food Delivery Sales : focus on the weather sentiment factor and difference between a season, Master's Thesis, EHWA Univ., 2016
In-Gyung Choi, Ji-Hyun Lee, A Study on the UX Model of Application utilizing System based on Context-Awareness-Focused on Context-Awareness by socially aware computing, GCT-Journal Papers, Korea Institute of Design Science, pp. 269-278, 2013
R&D Planning Division, Context Awareness Technology and Future Prospect, Korea Communications Ageny, No.7, pp. 1-11, 2013
※ AI-Helper는 부적절한 답변을 할 수 있습니다.