$\require{mediawiki-texvc}$

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.

문화권 클러스터링 기반 SNS 빅데이터 및 사용자 선호도 분석
Cultural Region-based Clustering of SNS Big Data and Users Preferences Analysis 원문보기

한국항행학회논문지 = Journal of advanced navigation technology, v.22 no.6 = no.93, 2018년, pp.670 - 674  

노승민 (성결대학교 미디어소프트웨어학과)

초록
AI-Helper 아이콘AI-Helper

최근 댓글 / 텍스트, 이미지, 비디오, 블로그 및 사용자 경험을 포함한 소셜네트워크서비스(SNS) 데이터에는 다양한 고객의 추천 시스템을 구축하고 비즈니스 분석가에게 통찰력 있는 데이터 / 결과를 제공하는데 사용할 수 있는 많은 정보가 포함되어 있다. 멀티미디어 데이터, 특히 이미지 및 비디오와 같은 시각적 데이터는 SNS 데이터 중에서도 특정(문화권) 지역을 반영할 수 있는 가장 풍부한 데이터이며, 문화적 가치 및 관심사는 전반적으로 데이터의 많은 부분을 차지하고 있다. 이러한 방대한 데이터로부터 원하는 데이터를 지능적으로 추출하고, 엄청난 양의 데이터를 마이닝 하려면 보다 효율적이고 지능적인 데이터 분석 방법이 필요하다. 따라서 본 논문의 목적은 이러한 데이터를 모델링하고, 색인하고, 검색하는 방법에 대해 제안하고자 한다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Social network service (SNS) related data including comments/text, images, videos, blogs, and user experiences contain a wealth of information which can be used to build recommendation systems for various clients' and provide insightful data/results to business analysts. Multimedia data, especially ...

주제어

#Cultural clustering   #Deep learning   #Personal preferences   #SNS  

표/그림 (6)

AI 본문요약
AI-Helper 아이콘 AI-Helper

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

문제 정의

  • 분류 알고리즘의 하나인 k-NN (k-nearest neighbor) 알고리즘 로직이 간단하여 구현하기 쉽지만, 학습 모델이 따로 없고, 전체 데이터를 스캔하여 데이터를 분류하기 때문에 데이터의 양이 많아지면 분류 속도가 현저하게 느려진다. 따라서 본 논문에 서는 LSH (locality sensitive hashing)를 통해 이 문제를 해결하고자 한다 (그림 6).
  • 소셜 네트워크 데이터의 양이 매우 방대해지면서 지역적인 트랜드가 다양해지기 때문에 SNS 등의 빅데이터를 정확하게 처리할 수 있는 것은 상당히 중요하며, 딥러닝 기반의 군집화 및 개인 성향 분석이 필요하다. 따라서 본 논문에서는 SNS 빅데이터 특성을 추출하고 분석하여 적절한 멀티미디어 콘텐츠를 제공할 수 있는 프레임워크를 제안한다.
  • 따라서 본 논문에서는 빅데이터 분석은 데이터 마이닝, 데이터 추출 및 프로세싱을 기반으로 숨은 데이터 간 연관 관계를 찾아내고 다양한 미디어 콘텐츠의 특성 및 다른 문화권에서의 개인 성향 등을 고려한 개인 맞춤형 서비스를 제공하는 것을 목표로 한다. 이러한 빅데이터 기법들은 탁월한 성능을 제공하지만 온/오프라인에서의 위치 정보, 데이터 포맷 변화 및 부적합한 기존의 알고리즘 선정은 빅데이터의 성공적인 분석에 치명적인 영향을 미칠 수 있다.
  • 본 논문에서는 다양한 미디어 콘텐츠의 특성 및 다른 문화권에서의 개인 성향 등을 고려한 개인 맞춤형 서비스를 제공할 수 있는 추천 프레임워크를 제안하고, 각 세부 모듈별로 구현되어져야 할 기술들에 대해 논하고자 한다.
  • 본 논문에서는 디양한 문화권에서의 SNS 소비자들의 미디어 소비패턴을 분석하여, 최근 많은 분야에서 활용이 되고 있는 딥러닝 기반의 학습/추천 기법들을 적용한 미디어 빅데이터 및 사용자 선호도 분석을 할 수 있는 프레임워크를 제안하였다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
소셜 네트워크 서비스(SNS; social network service)는 무엇인가? 오늘날 소셜 네트워크 서비스(SNS; social network service)는 전 세계적으로 다국적 문화를 가진 다양한 사람들의 데이터를 나타내는 매우 방대한 데이터 소스이다. 따라서 다양한 유형의 데이터(이미지, 텍스트, 비디오, 가능한 모든 문화 정의 매개 변수 포함)를 통해 여러 형태의 분석을 수행할 수 있는 좋은 데이터 원본이 될 수 있다.
멀티미디어 콘텐츠 분석은 무엇이 중요한가? 멀티미디어 콘텐츠 분석은 갈수록 급증하는 멀티미디어 데이터에서 의미 있는 콘텐츠를 추출하는 것이 중요하다. 이러한 과정에서 효율적이고 확장적인 방법으로 데이터를 처리해야 하는데 데이터를 처리하는 서버는 어떻게 구현이 되어야 할 것인지, 효율을 증대시키기 위해서 어떤 알고리즘을 써야 할지, 데이터 정제(refinement)는 어떤 식으로 이뤄져야 할지, 의미 있고 필요한 정보 추출을 위해서 데이터 융합 (data fusion) 은 어떻게 해야 하는지 등의 연구가 수행 중이다 [2].
특별한 컴퓨팅 환경과 고급 클러스터 컴퓨팅 기술이 필요하게 된 배경은? 따라서 다양한 유형의 데이터(이미지, 텍스트, 비디오, 가능한 모든 문화 정의 매개 변수 포함)를 통해 여러 형태의 분석을 수행할 수 있는 좋은 데이터 원본이 될 수 있다. 이렇듯 지구상의 모든 문화, 지역에 따른 데이터만 해도 그 규모는 끊임없이 생산되고 있는데 이로 인해 빅데이터를 저장, 처리, 분석하는 프로세스는 정형화가 제대로 되지 않은 상태이다. 따라서 효율적인 분석을 제공하기 위해 지능형 관리 기능을 갖춘 특별한 컴퓨팅 환경과 고급 클러스터 컴퓨팅 기술이 필요하게 된다.
질의응답 정보가 도움이 되었나요?

참고문헌 (8)

  1. G. Abdi, F. Samadzadegan, and P. Reinartz, "Deep learning decision fusion for the classification of urban remote sensing data," Journal of Applied Remote Sensing, Vol. 12, No. 1, 016038, pp. 1-18, Jan. 2018. 

    상세보기

  2. J. Popham, M. Forkin, N. Hamblet, and B. Inouye, "Data fusion for sociocultural place understanding using deep learning," in Proceeding of the SPIE 10653, Next-Generation Analyst VI, 106530E, 27 April 2018. 

  3. O. Mastykash, B. Liubinskyi, P. Topylko, and I. Penyak, "Ranking the social media platform user pages using big data," Mathematical Modeling and Computing, Vol. 5, No. 1, pp. 56-65, 2018. 

    상세보기 crossref

  4. J, Ahmad, M. Sajjad, S. Rho, S. Kwon, M.Y. Lee, and S. Baik, "Determining speaker attributes from stress-affected speech in emergency situations with hybrid SVM-DNN architecture," Multimedia Tools and Applications, Vol. 77, No. 4, pp. 4883-4907, 2018. 

    상세보기 crossref

  5. A. Ullah, J. Ahmad, K. Muhammad, M. Sajjad, and S. Baik, "Action Recognition in Video Sequences using deep bi-directional LSTM with CNN features," IEEE Access, Vol. 6, pp. 1155-1166, 2018. 

    상세보기 crossref

  6. G. Mustafa and I. Frommholz, "Performance comparison of top N recommendation algorithms," in Proceeding of the Fourth International Conference on Future Generation Communication Technology (FGCT), Luton, pp. 1-6, 2015. 

  7. F. Nazir, M. A. Ghazanfar, M. Maqsood, F. Aadil, S. Rho, and I. Mehmood, "Social media signal detection using tweets volume, hashtag, and sentiment analysis," Multimedia Tools and Applications, Online published, pp. 1-34, Aug. 2018. 

  8. J. Ahmad, M. Sajjad, I. Mehmood, S. Rho, and S. W. Baik, "Saliency-weighted graphs for efficient visual content description and their applications in real-time image retrieval systems," Journal of Real-Time Image Processing, Vol. 13, Issue 3, pp. 431-447, Sep. 2018. 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

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