[논문]연관규칙을 이용한 상황인식 음악 추천 시스템

오재택; 이상용

doi:10.14400/jdc.2019.17.9.375

연관규칙을 이용한 상황인식 음악 추천 시스템
A Music Recommendation System based on Context-awareness using Association Rules 원문보기

디지털융복합연구 = Journal of digital convergence, v.17 no.9, 2019년, pp.375 - 381

초록
AI-Helper

최근 추천 시스템은 패션, 동영상, 음악 등을 중심으로 맞춤형 추천 서비스가 제공되어 사용자들의 관심을 모으고 있다. 그러나 이러한 서비스들은 실시간으로 발생하는 상황 정보를 사용하지 않아 여러 상황에 따른 적합한 서비스를 사용자에게 제공하기가 어렵다. 또한 적용되는 상황 정보가 차원을 확장시킬 경우, 데이터 희소성(Data Sparsity)을 증가시켜 사용자들에게 적합한 음악들을 추천할 수 없는 문제가 발생한다. 본 연구에서는 이러한 문제점을 해소시키기 위해 연관규칙(Association Rules)을 적용하여 사용자의 현재 위치 정보와 시간 정보에 대한 관계성 및 규칙들을 이용하여 실시간 상황에서 적합한 음악을 추천하는 시스템을 제안하였다. 수집된 상황 정보를 바탕으로 5-fold Cross Validation을 진행하여 위치와 시간 정보에 따른 추천 시스템의 정확도를 측정하였다. 그 결과 상황 정보가 누적됨에 따라 추천 시스템의 정확도가 향상되는 것을 확인할 수 있었다.

Abstract ▼ AI-Helper

Recently, the recommendation system has attracted the attention of users as customized recommendation services have been provided focusing on fashion, video and music. But these services are difficult to provide users with proper service according to many different contexts because they do not use contextual information emerging in real time. When applied contextual information expands dimensions, it also increases data sparsity and makes it impossible to recommend proper music for users. Trying to solve these problems, our study proposed a music recommendation system to recommend proper music in real time by applying association rules and using relationships and rules about the current location and time information of users. The accuracy of the recommendation system was measured according to location and time information through 5-fold cross validation. As a result, it was found that the accuracy of the recommendation system was improved as contextual information accumulated.

주제어

표/그림 (7)

표 Table 1. Comparison of representative music streaming recommendation services
그림 Fig. 1. System Structure
그림 Fig. 2. Hierarchical Structure of Music Information
표 Table 2. Development Environment
그림 Fig. 3. [Program Capture] Recommended User Interface where Current Contextual Information is ‘Friday’, ‘Morning’, and ‘School’.
그림 Fig. 4. [Program Capture] Recommended User Interface where Current Contextual Information is ‘Thursday’, ‘Afternoon’, and ‘Home’.
그림 Fig. 5. Comparison of the Proposed Recommendation System in Accuracy

AI 본문요약
AI-Helper

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

문제 정의

본 연구에서는 사용자의 현재 위치 정보와 시간 정보에 대한 관계성 및 규칙들을 적용하여 실시간 상황에서 적합한 음악을 추천하는 시스템을 제안하였다.
최근 패션, 동영상, 음악 등을 중심으로 맞춤형 추천 서비스가 제공되어 사용자들의 관심을 불러모으고 있다. 본 연구에서는 상황 정보에 기반을 둔 음악 추천 시스템에 대하여 연구하였다.
본 연구에서는 이러한 문제점을 해소시키기 위해 연관 규칙(Association Rules)을 적용하여 사용자의 현재 위치 정보와 시간 정보에 대한 관계성 및 규칙, 패턴들을 발견하여 사용자의 실시간 상황에 맞는 적합한 음악을 추천하는 음악 추천 시스템을 제안하고자 한다.

제안 방법

사용자 정보는 추천 시스템의 정확도를 높이기 위해 가장 좋아하는 장르 3가지 정도를 입력받으며, 음악을 추천할 때 입력받은 장르를 참고하여 사용자에게 적합한 음악을 추천하도록 한다.
사용자들이 일주일간 수집한 상황 정보를 바탕으로 5-fold Cross Validation을 진행하여 위치와 시간 정보에 따른 추천 시스템의 정확도를 측정하였다(Fig. 5 참고). 위치 정보는 우선 ‘학교’와 ‘집’의 정보만을 적용하였다.
사용자의 현재 상황 정보를 획득하기 위해 위치 관리자 서비스와 자바 API를 이용하여 현재 위치 정보와 현재 시간 정보를 획득하였다.
획득한 상황 정보는 데이터베이스에 저장되는데, 저장된 상황 정보를 이용하여 사용자에게 바로 추천하는 것은 데이터 희소성을 증가하게 하여 적합한 음악을 추천할 수 없다. 이러한 문제점을 해결하기 위해 마이닝 모듈을 적용하여 현재 상황 정보에 대한 관계성 및 규칙들을 찾아내어 현재 상황 정보에 맞는 음악을 추천할 수 있도록 하였으며, 찾아낸 연관규칙의 신뢰도를 확인하여 신뢰도가 높은 규칙들을 적용할 수 있도록 하였다.
연관규칙(Association Rules) 분석은 데이터(Item) 간의 상호 관련성 또는 관계를 찾아내어 사용자의 의사결정 과정에 도움이 되는 비지도 학습(Unsupervised Learning) 방법중의 하나이다[18, 19]. 자주 발생하는 관계들을 if-then 형식의 규칙으로 표현하며, 결과를 판단하기 위한 지표들을 통해서 연관규칙의 신뢰성을 파악한다. 결과를 판단하기 위한 지표들을 다음과 같다[18, 20].
프로그래밍 언어는 ‘Java for Android’와 ‘XML’을 사용하여 Mobile Application 개발 도구인 ‘Android Studio’를 통해 구현하였으며, 데이터베이스는 모바일 환경에 최적화된 ‘SQLite’를 사용하여 구축하였다.
현재 시간 정보를 획득하기 위해서는 자바 API인 SimpleDataFormat 클래스를 이용하여 현재 시간 정보를 획득하며, 획득한 시간 정보에 대해서 날짜, 요일, 오전, 오후로 구분하여 데이터베이스에 저장할 수 있도록 하였다.

이론/모형

보통 음악 파일에는 장르, 가수와 노래 제목으로 구성된다. 장르는 명확하게 구분하기 어렵지만, Naver의 음악 장르 백과와 국내 최대 음악 스트리밍 서비스인 멜론을 참고하여 구성하였다[22, 23].

성능/효과

2개의 그래프를 살펴보면, 상황 정보가 점차 누적될수록 전반적으로 제안한 추천 시스템의 정확도가 점차 높아짐을 알 수 있었다. 빨간색 그래프의 경우, 3일부터 6일까지 추천 시스템의 정확도의 변화가 별로 없는 이유는 해당 위치에서 제공된 정보(청취한 음악)의 양이 많지 않은데 기인한다.
연관규칙을 적용하여 상황에 따라 사용자에게 적합한 음악을 추천할 수 있었으며, 규칙들을 활용함으로써 추천 시스템의 정확도를 높일 수 있었다. 추후 다양한 위치 정보를 누적시킴으로써 추천 시스템의 정확도를 높일 수 있을 것으로 기대된다.

후속연구

연관규칙을 적용하여 상황에 따라 사용자에게 적합한 음악을 추천할 수 있었으며, 규칙들을 활용함으로써 추천 시스템의 정확도를 높일 수 있었다. 추후 다양한 위치 정보를 누적시킴으로써 추천 시스템의 정확도를 높일 수 있을 것으로 기대된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	추천 시스템의 정확도가 떨어지는 현상이 발생하는 이유는 무엇인가?	그러나 이러한 서비스들은 실시간으로 상황 정보를 사용하지 않아 여러 상황에 따른 적합한 서비스를 사용자에게 제공하기가 어렵다. 또한 적용되는 상황 정보가 차원을 확장시킬 경우, 데이터 희소성(Data Sparsity)을 증가시켜 사용자들에게 적합한 음악들을 추천할 수 없는 문제가 발생한다[9-14]. 상황인식 추천 시스템에서의 데이터 희소성이란 추천할 음악에 사용되는 상황 정보가 부족하여 추천 시스템의 정확도가 떨어지는 현상을 말한다.
	연관규칙 분석이란 무엇인가?	연관규칙(Association Rules) 분석은 데이터(Item) 간의 상호 관련성 또는 관계를 찾아내어 사용자의 의사 결정 과정에 도움이 되는 비지도 학습(Unsupervised Learning) 방법중의 하나이다[18, 19]. 자주 발생하는 관계들을 if-then 형식의 규칙으로 표현하며, 결과를 판단하기 위한 지표들을 통해서 연관규칙의 신뢰성을 파악한다.
	국내외 스트리밍 음악 추천 서비스에는 어떤 것들이 있는가?	국내외 대표적인 스트리밍 음악 추천 서비스로는 Spotify, TIDAL, Melon, Apple Music 등이 있다.

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