웹 서비스 및 모바일 서비스에서 개인화 서비스를 제공하기 위해서는 사용자에 의해 처리되는 정보를 수집하고 분석해야 한다. 일반적으로, 사용자에 의해 수집되는 정보는 시스템을 사용하는 온라인 측면에서 관리되는 정보이다. 온라인에서 수집되는 정보를 이용하여 개인화 서비스를 제공하기에도 충분할 수 있다. 그러나 현재는 온라인 서비스와 오프라인 서비스가 혼재되는 O2O 서비스 측면에서 오프라인 상에서의 사용자 정보도 중요한 개인화 서비스의 정보가 될 수 있다. 따라서 본 연구에서는 더 정밀한 개인화 서비스를 제공하기 위해 사용자 관심 정보로서 오프라인 상에서의 사용자 관심 정보를 수집하기 위한 아키텍쳐를 제안한다. 아키텍쳐의 핵심 요소로서 노드 분석기, 거리 체크기, 유지시간 체크기, 그리고 교차분석기를 기반으로 수집 아키텍쳐를 정의한다. 또한, 제안된 아키텍쳐를 구성하는 핵심 요소들의 처리 알고리즘에 대해서 제안한다. 제안된 아키텍쳐 및 알고리즘을 검증하기 위해 BLE 기반으로 오프라인 상에서 사용자 관심정보를 수집하는 사례연구를 수행한다.
웹 서비스 및 모바일 서비스에서 개인화 서비스를 제공하기 위해서는 사용자에 의해 처리되는 정보를 수집하고 분석해야 한다. 일반적으로, 사용자에 의해 수집되는 정보는 시스템을 사용하는 온라인 측면에서 관리되는 정보이다. 온라인에서 수집되는 정보를 이용하여 개인화 서비스를 제공하기에도 충분할 수 있다. 그러나 현재는 온라인 서비스와 오프라인 서비스가 혼재되는 O2O 서비스 측면에서 오프라인 상에서의 사용자 정보도 중요한 개인화 서비스의 정보가 될 수 있다. 따라서 본 연구에서는 더 정밀한 개인화 서비스를 제공하기 위해 사용자 관심 정보로서 오프라인 상에서의 사용자 관심 정보를 수집하기 위한 아키텍쳐를 제안한다. 아키텍쳐의 핵심 요소로서 노드 분석기, 거리 체크기, 유지시간 체크기, 그리고 교차분석기를 기반으로 수집 아키텍쳐를 정의한다. 또한, 제안된 아키텍쳐를 구성하는 핵심 요소들의 처리 알고리즘에 대해서 제안한다. 제안된 아키텍쳐 및 알고리즘을 검증하기 위해 BLE 기반으로 오프라인 상에서 사용자 관심정보를 수집하는 사례연구를 수행한다.
In order to provide personalized services on the Web and for mobile services, it is necessary to collect and analyze information processed by users. Typically, information collected by users is managed online. Using information collected online may be sufficient to provide personalized service. Howe...
In order to provide personalized services on the Web and for mobile services, it is necessary to collect and analyze information processed by users. Typically, information collected by users is managed online. Using information collected online may be sufficient to provide personalized service. However, in terms of O2O services, which are currently mixed with online and offline services, user information from the offline service can also be an important part of personalized service. Therefore, this study suggests an architecture to collect offline user information to provide more precise personalization services. The collection architecture includes Node Analyzer, Distance Checker, Holding Time Checker, and Cross Analyzer as core elements. This study also offers proposals for processing algorithms of key components that make up the proposed architecture. A case study collects user information of interest based on BLE in order to verify the proposed architecture and algorithms.
In order to provide personalized services on the Web and for mobile services, it is necessary to collect and analyze information processed by users. Typically, information collected by users is managed online. Using information collected online may be sufficient to provide personalized service. However, in terms of O2O services, which are currently mixed with online and offline services, user information from the offline service can also be an important part of personalized service. Therefore, this study suggests an architecture to collect offline user information to provide more precise personalization services. The collection architecture includes Node Analyzer, Distance Checker, Holding Time Checker, and Cross Analyzer as core elements. This study also offers proposals for processing algorithms of key components that make up the proposed architecture. A case study collects user information of interest based on BLE in order to verify the proposed architecture and algorithms.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
비콘 서비스를 통해 사용자의 디바이스로 전송되는 정보가 스팸성으로 사용자가 원하지 않는 정보일 경우가 많다[7]. 따라서 연구 [6]에서는 이러한 스팸성 정보를 필터링하기 위해 협업적 필터링 기술과 1축 위치 기반 기술을 이용하여 사용자가 원하는 정보만을 제공받을 수 있는 기법을 제안하였다.
이러한 개인화 및 추천 서비스를 위해서는 사용자의 정보를 분석하여 서비스가 제공될 수 있으며 대량의 사용자 정보를 수집하여 분석이 가능할 것이다. 본 논문에서는 온라인에서의 사용자 정보 수집 범위를 넘어서 O2O(Offline to Online) 서비스 흐름에 맞는 오프라인 사용자 정보를 수집하기 위한 방안을 제안한다. 수집 아키텍쳐 및 구성요소, 그리고 각각의 구성 요소에 대한 알고리즘을 제안한다.
본 사례연구에서는 제안한 수집 프레임워크의 거리, 유지시간, 그리고 교차점 분석을 통해 오프라인 관심 정보 수집 아키텍쳐를 검증하고자 한다.
본 연구에서는 오프라인 상에서 모바일 사용자의 관심정보를 수집하기 위한 아키텍쳐 및 알고리즘을 제안한다.
본 연구에서는 오프라인에서 사용자의 관심정보를 수집하기 위해 수집 프레임워크 아키텍쳐를 제안하였으며 상품정보의 식별자를 포함하고 있는 센서와 사용자 디바이스 간의 거리, 유지시간, 교차 지점 요소들을 기반으로 사용자의 관심정보를 수집할 수 있다. 수집 프레임워크 내에 거리 체크기, 유지시간 체크기, 교차 분석기 들을 이용하여 분석할 수 있으며 분석된 정보 중에 관심정보는 데이터베이스에 저장되어 사용자에게 개인화 서비스의 기본 데이터로 활용될 수 있을 것이다.
제안 방법
11은 비콘 센서 2대를 기반으로 수집되는 정보를 분석한다. 2개의 비콘 사이에 모바일 디바이스가 센싱 거리 변화를 주거나 유지시간을 변경하여 정보를 수집한다. 이렇게 수신된 정보는 모바일 디바이스 ID와 함께 서버로 전달된다.
Fig. 10에서와 같이 아두이노 기반의 비콘 센서에서 UUID, MAJOR, MINOR 정보를 모바일 디바이스로 전송하며, 모바일 디바이스는 이러한 정보를 수신받아 거리, 유지시간, 교차점 분석을 통해 디바이스 ID를 포함하여 서버로 전송한다.
연구 [5]에서는 SVM(Support Vector Machine)과 협업적 필터링 기술을 이용하여 사용자에게 맞춤형 시장 분석 기법을 제안하였다. SVM을 이용하여 시장 온/오프라인 상의 가격, 품질, 주력 상품을 분석하고, 사용자 측면에서 협업적 필터링 기법을 이용하여 사용자 추천 리스트 제공하여 소비자 맞춤형 설계기법을 제안하였다.
5에서와 같이 센서의 일정거리에 위치한 디바이스를 통해 분석된다. 거리 체크기는 센서 ID에 해당하는 거리정보를 데이터 베이스로부터 획득하여 현재의 디바이스와 센서의 거리가 해당 거리정보 내에 존재하는지 분석한다.
9에서와 같이 센서 교차점에서 센서 간에 감지된 센서 ID를 서버로 전송하여 데이터베이스에 저장하며 일관되게 하나의 센서 ID가 저장되는 것이 아니라 교차점을 포함하고 있는 센서 ID들이 전송되어 저장된다. 교차 분석기는 이렇게 저장된 센서 ID들 중에 다수를 차지하는 센서 ID를 관심 상품으로 분석한다.
노드 분석기는 디바이스로부터 전달받은 센서 ID와디바이스 ID를 기반으로 해당 상품 분류 및 상품 정보를 데이터베이스로부터 획득하여 분석한다. 이렇게 분석된 노드 정보는 거리 체크기의 설정된 거리를 유지하고 있는지 체크한다.
3장에서는 사용자의 관심정보를 센서 기반으로 오프라인 상에서 수집하기 위한 아키텍쳐를 제안한다. 또한 아키텍쳐를 구성하는 핵심 모듈의 알고리즘을 제안한다. 4장에서는 본 논문에서 제안한 오프라인 상에 서의 사용자 관심정보 수집 아키텍쳐를 검증하기 위해 BLE(Bluetooth Low Energy)[1] 기반으로 사용자 정보를 수집, 저장하는 처리 과정을 실험한다.
유지시간 체크기도 센서 ID에 해당하는 유지시간정 보를 데이터베이스로부터 획득하여 현재의 디바이스가 해당 센서 영역에 유지시간 내에 존재하는지 분석한다. 반복적으로 전송되는 센서 ID가 유지되는지 판단하여 분석한다.
개인화 서비스를 위한 관련연구로서 협업적 필터링(Collaborative Filtering), 내용기반필터링(Content Based Filtering), 하이브리드 기법(Hybrid Method) 등이 추천 알고리즘으로 연구되고 있다[2]. 본 연구와 관련해서 협업적 필터링 기술을 중심으로 분석한다.
본 논문에서는 온라인에서의 사용자 정보 수집 범위를 넘어서 O2O(Offline to Online) 서비스 흐름에 맞는 오프라인 사용자 정보를 수집하기 위한 방안을 제안한다. 수집 아키텍쳐 및 구성요소, 그리고 각각의 구성 요소에 대한 알고리즘을 제안한다.
유지시간 체크기도 센서 ID에 해당하는 유지시간정 보를 데이터베이스로부터 획득하여 현재의 디바이스가 해당 센서 영역에 유지시간 내에 존재하는지 분석한다. 반복적으로 전송되는 센서 ID가 유지되는지 판단하여 분석한다.
후속연구
본 연구에서는 오프라인에서 사용자의 관심정보를 수집하기 위해 수집 프레임워크 아키텍쳐를 제안하였으며 상품정보의 식별자를 포함하고 있는 센서와 사용자 디바이스 간의 거리, 유지시간, 교차 지점 요소들을 기반으로 사용자의 관심정보를 수집할 수 있다. 수집 프레임워크 내에 거리 체크기, 유지시간 체크기, 교차 분석기 들을 이용하여 분석할 수 있으며 분석된 정보 중에 관심정보는 데이터베이스에 저장되어 사용자에게 개인화 서비스의 기본 데이터로 활용될 수 있을 것이다.
향후 연구로는 수집 프레임워크를 통해 수집된 관심 정보를 기반으로 데이터 분석 및 관심정보의 시각화 방안을 제안하여 개인화 추천 서비스를 연구한다.
질의응답
핵심어
질문
논문에서 추출한 답변
개인화 또는 추천 서비스는 무엇인가?
인터넷을 통해 제공되는 웹 및 모바일 서비스는 사용자 경험(User eXperience)을 기반으로 최대한 편리하고 신속하게 제공하기 위해 구축된다. 사용자 접근 측면에서 편리성을 제공해 주는 것 보다는 더 중요한 콘텐츠 측면에서 사용자의 편리성과 만족도를 높여 주기 위한 방안이 개인화 또는 추천 서비스이다. 개인화 및 추천 서비스는 사용자에게 필요한 정보만을 제공하므로 서비스의 질을 높일 수 있다.
협업적 필터링은 무엇인가?
협업적 필터링은 사용자의 선호도를 분석하고 해당 선호도를 선호하고 있는 다른 사용자의 관심 정보를 분석하는 방법이다. 내용기반필터링은 다른 사용자의 관심 정보를 분석하는 것이 아니라 상품 자체의 속성을 분석하여 관심정보를 도출해 내는 방법이다.
사용자가 원하는 정보만을 제공받을 수있는 기법을 제안하는 이유는 무엇인가?
비콘 서비스를 통해 사용자의 디바이스로 전송되는 정보가 스팸성으로 사용자가 원하지 않는 정보일 경우가 많다[7]. 따라서 연구 [6]에서는 이러한 스팸성 정보를 필터링하기 위해 협업적 필터링 기술과 1축 위치 기반 기술을 이용하여 사용자가 원하는 정보만을 제공받을 수있는 기법을 제안하였다.
참고문헌 (8)
Bluetooth Smart or Version 4.0+ of the Bluetooth specification, https://www.bluetooth.com/what-is-bluetooth-technology/ bluetooth-technology-basics/low-energy.
Yong-Su Kim, "Research Trend of Recommendation System for Personalized Service", Industrial Engineering Magazine, March 2012.
Gye-Cheon Lee, Sang-Il Kim, Sun-Myung Hwang, "O2O Sales Platform Using ICT and Location-based Technology", Proceeding of KISS, June 2015.
Greg Linden, Brent Smith, and Jeremy York, "Amazon.com Recommendations : Item-to-Item Collaboration Filtering", IEEE INTERNET COMPUTING, Jan 2003. DOI: https://doi.org/10.1109/MIC.2003.1167344
Eun-Hee Jeong, Byung-Kwan Lee, "A Design of Customized Market Analysis Scheme Using SVM and Collaboration Filtering Scheme", JKIIECT, Dec. 2016.
Se-Hoon Lee, Jung-Won Park, Mi-Yeon Kim, Ju-Bong Kim, "O2O Information Service System using Collaborative Filtering based on BLE Beacon", Proceeding of KSCIC, July 2015.
Mi-Hyang Lee, Dong-Lim Kim, Young-Hwan Lim, "Research on the properties that affect the users'reaction to the smartphone-based push services", Council for Advances Media & Moving Pictures Journal, vol. 12, no. 1, Jan 2013.
YongSoo Kim, "Research Trend of Recommendation System for Personalized Service", ie Magazine, vol. 19, no. 1, pp. 37-42, 2012.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.