[논문]클러스터링 알고리즘기반의 상황인식 사용자 분석

이강환

doi:10.6109/jkiice.2020.24.7.942

클러스터링 알고리즘기반의 상황인식 사용자 분석
Context-awareness User Analysis based on Clustering Algorithm 원문보기

한국정보통신학회논문지 = Journal of the Korea Institute of Information and Communication Engineering, v.24 no.7, 2020년, pp.942 - 948

이강환 (Department of Computer Science Engineering, ICT Convergence, Interdisciplinary Program in Creative Engineering, Korea University of Technology and Education)

초록
AI-Helper

본 논문에서는 상황인식 속성정보를 이용하여 클러스터링내에서 보다 효율적인 사용자 구분이 가능한 군집적 알고리즘을 제안한다. 일반적으로 클러스터링 데이터를 처리함에 있어 군집 정보내에서 상호관계를 분류하기 위해 제공되는 데이터는 신규 또는 새롭게 입력되는 정보가 비교정보에서 오염된 정보로 처리될 경우, 기존 분류된 군집으로부터 벗어나게 되어 군집성을 저하시키는 요인으로 작용하게 된다. 본 논문에서는 이러한 문제를 해결하기 위해 K-means알고리즘을 이용함에 있어 사용자 인식 정보 추출이 가능한 사용자 군집 분석 방식을 제안하고자 한다. 제안하는 알고리즘은 시스템 내 누적된 정보를 이용하여 자율적인 사용자 군집 특징을 분석하고, 이를 통하여 사용자의 속성간에 따른 클러스터를 구성해 사용자를 구분하게 된다. 제안한 알고리즘은 적용한 모의실험 결과를 통해 다중 사용자를 군집단위로 분류하고 유지하는 측면에서 사용자 관리 시스템이 보다 향상된 적응성을 보여주었다.

Abstract ▼ AI-Helper

In this paper, we propose a clustered algorithm that possible more efficient user distinction within clustering using context-aware attribute information. In typically, the data provided to classify interrelationships within cluster information in the process of clustering data will be as a degrade factor if new or newly processing information is treated as contaminated information in comparative information. In this paper, we have developed a clustering algorithm that can extract user's recognition information to solve this problem in using K-means algorithm. The proposed algorithm analyzes the user's clustering attributed parameters from user clusters using accumulated information and clustering according to their attributes. The results of the simulation with the proposed algorithm showed that the user management system was more adaptable in terms of classifying and maintaining multiple users in clusters.

주제어

표/그림 (7)

그림 Fig. 1 Convergence curve of the purpose function (J) according to repeated learning
표 Table. 1 Variable of distortion measure
그림 Fig. 2 Flow chart of proposed user's context-awareness system in K-means
그림 Fig. 3 User classification except proposed algorithm
그림 Fig. 4 User classification apply proposed algorithm
그림 Fig. 5 User classification of Intentionally changing
표 Table. 2 Table of user's changed data

AI 본문요약
AI-Helper

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

문제 정의

논문에서는 상황인식정보를 이용한 클러스터링 내에서 효율적인 군집 알고리즘을 제안하였다. 일반적으로 헤드노드를 중심으로 관리되는 클러스터링은 종속된 그룹데이터의 유사도 측정이 필요하며 이로부터 실질적인 클러스터링 유지관계가 성립된다, 이를 위해 본 연구에서는 제안된 알고리즘을 적용한 일례로 인바디 데이터로부터 K-means 클러스터링 알고리즘을 사용하여 사용자 구분을 하는 기법을 제안하였다.
본 논문에서는 보다 향상된 사용자 관리기법을 제공하기 위해서 기존에 누적된 사용자의 데이터를 통한 K-means 클러스터링 알고리즘[2][3]을 사용하여 사용자구분을 하려고 한다. 이때 독립적 속성척도값(Gini Index Property(GIP)을 제공하여 클러스터내에서 중심값을 유지해야 하는 K-means에 의한 군집 유지성을 제공하는것이 특징이다.
본 논문에서는 이러한 K-means 클러스터링에서 데이터의 유사성과 비유사성의 독립속성 척도를 제공하기 위하여 지니(GENI Index)계수를 이용하고 모집단 속성인자의 평균가중치를 적용하여 클러스터내에서 데이터의 유효성 척도를 비교하며 유효성을 판단하게 된다.
본 논문에서는 이러한 문제를 해결하기 위해 K-means 알고리즘을 이용함에 있어 데이터의 유사성과 비유 사성의 독립척도에 기준하여 사용자 인식 정보 추출이 가능한 사용자 군집 분석 방식을 제안하고자 한다. 제안하는 알고리즘은 시스템 내 누적된 정보를 이용하여 자율적인 사용자 군집 특징을 분석하고, 이를 통하여 사용자의 속성간에 따른 클러스터링을 구성해 사용자를 구분 유지한다.
특히, K-means 알고리즘은 크기가 비교적 균등한 클러스터를 생성하고 이때 주어진 데이터를 k개의 클러스터 수로 분할함에 있어 데이터의 유효성과 비유효성간의 독립적 척도가 제공되어야 한다. 본 연구에서는 데이터의 유효성을 위한 편향값(Biased effect) 내지는 클러스터의 분기된 클러스터에서 가중치가 적용된 속성데이터의 독립 속성척도값(Gini Index Property(GIP)을 제공하여 클러스터링내의 데이터를 분석하고자 한다. 이를 위해 본 연구에서는 각 클러스터 내에서의 데이터의 유효성에 대한 상대빈도값으로 클러스터(Ci)에서의 데이터 속성(i)의 상대빈도값 P(Ci)을 Gini Index(GI)를 이용한 로짓함수로 계산하면 다음과 같이 나타낼 수 있다.
본 연구에서는 누적된 데이터를 인바디 데이터로 한정하여 사용하였지만 사용자를 구분할 수 있는 명확한 유사도 측정 정보가 제공된다면 비지도 학습 알고리즘의 클러스터링과 속성유사도의 제공된 측정정보로 부터 다른 데이터를 사용하여도 사용자를 구분할 수 있을 것이라고 기대한다. 본 연구에서는 이러한 연구의 결과를 이동통신망에서 클러스터링을 수행하고, 노드의 중심 속성정보를 이용한 클러스터링 유지 알고리즘 연구에 연구결과를 적용 할 수 있을 것이며 이의 연구결과를 활용하는 것을 제안한다.

제안 방법

Dunn의 분리지수(DI) 척도의 주요 목표는 클러스터 간 거리 및 클러스터 내 거리 최소화를 정의하고 이로부터 클러스터링을 유지하는 알고리즘이다. 또 제안된 DBI 는 각 분리된 클러스터에 대해 클러스터 내 분포의 합계에 의한 비율 함수로 클러스터 간 분리 척도를 표현하고 있다.
본 논문의 구성은 본론에서 최적의 클러스터링을 구성하기 위한 방법과 독립적 속성척도값을 제시하기 위해 상대빈도값인 지니계수를 도입한다. 그리고 이에 따른 실험절차 및 결과를 보여주고 마지막으로 본 연구 결과에 대한 이용가능성으로 구성된다.
본 실험의 구현을 위해 논문에서는 사용자로부터 취득한 신체정보로 체중계와 스마트 폰을 블루투스로 연결하고, 어플을 연동하여 사용자가 측정한 몸무게를 서버로 저장한다. 이렇게 측정한 몸무게는 사용자의 계정의 일부로 등록하고 성별과 나이, 신장 등을 추가로 입력한다.
이러한 D개의 차원을 가지는 벡터를 처럼 표기하고 이 벡터가 k번째 클러스터에 속하는 경우 _ 와 같이 표기한다. 본 연구에서는 누적된 사용자의 데이터의 속성을 사용하여 사용자 구분을 하려고 한다. 주어진 데이터 집합으로부터 이러한 중심점 _의 값을 결정하고 이때 독립적 속성척도값(Gini Index Property(GIP) 을 제공하여 클러스터내에서 중심값을 유지하는 것이다.
하였다. 이때 각 누적된 사용자의 속성정보로부터 속성정보를 구분하고 이때 입력 변화하는 정보로부터 속성척도값 (GIP)을 제공하였다.
일반적으로 헤드노드를 중심으로 관리되는 클러스터링은 종속된 그룹데이터의 유사도 측정이 필요하며 이로부터 실질적인 클러스터링 유지관계가 성립된다, 이를 위해 본 연구에서는 제안된 알고리즘을 적용한 일례로 인바디 데이터로부터 K-means 클러스터링 알고리즘을 사용하여 사용자 구분을 하는 기법을 제안하였다. 사용된 인바디 데이터로부터 K-means 클러스터링 알고리즘을 구축하고 속성정보를 활용해 다수의 사용자가 있는 시스템에서도 속성의 변화 임계치에 따라 사용자의 구분을 명확히 할 수 있었다.
제안하는 알고리즘은 시스템 내 누적된 정보를 이용하여 자율적인 사용자 군집 특징을 분석하고, 이를 통하여 사용자의 속성간에 따른 클러스터링을 구성해 사용자를 구분 유지한다. 따라서 여러 명의 사용자가 한 시스템을 사용하는 환경에서의 사용자의 특징이 되는 속성 정보를 분석하여 사용자를 구분하는 방법은 군집내에서 기준이 되는 중점데이터군의 오염도를 방지하여 보다 효율적인 클러스터링을 유지하여 보다 지속적인 서비스의 제공이 가능하게 된다.
센서를 통해 제공받은 데이터를 이용한다. 현재 10 명의 사용자에 대한 샘플 데이터를 활용하여 사용자를 나타내는 6개의 속성정보를 이용하여 클러스터 내에서 중심값을 유지해야 하는 K-means에 의한 군집 유지 성을 확보 한다.

대상 데이터

본 연구에서는 다양한 사용자를 구분하기 위해서 인바디 센서를 통해 제공받은 데이터를 이용한다. 현재 10 명의 사용자에 대한 샘플 데이터를 활용하여 사용자를 나타내는 6개의 속성정보를 이용하여 클러스터 내에서 중심값을 유지해야 하는 K-means에 의한 군집 유지 성을 확보 한다.
연구에서 적용된 정보는 사용자 5인에 대해 각 개인에 대한 골격근량, 체지방량, 체수분, 단백질, 무기질, 몸무게 정보를 각각 10개의 데이터셋을 대상으로 하였다. 이때 각 누적된 사용자의 속성정보로부터 속성정보를 구분하고 이때 입력 변화하는 정보로부터 속성척도값 (GIP)을 제공하였다.
이때 독립적 속성척도값(Gini Index Property(GIP)을 제공하여 클러스터내에서 중심값을 유지해야 하는 K-means에 의한 군집 유지성을 제공하는것이 특징이다. 적용하고자 하는 K-means 클러스터링 알고리즘의 데이터는 산업통상자원부의 국가기술표준원에서 제공하는 인체표준 체형을 관리하는 한국인 인체치수조사의 데이터베이스 서비스를 활용하였다[11].

이론/모형

이후, 인바디 센서로 측정된 사용자의 특성 정보를 받아 서버에 전달한다. 모여진 데이터들을 K-means 클러스터링 알고리즘에 적용하여 사용자를 구분한다. 사용자확인 단계에서 귀환된 정보를 받아 사용자 본인이 맞는지 확인 후 사용자에게 최적화된 정보서비스를 자동으로 제공하게 된다.
즉, 주어진 속성가중치 인자의 평균값에 의해 모집단의 데이터 변화에 따른 오염도를 특정할 필요가 있다. 본 논문에서는 지니(GENI Index)계수를 이용하여 모집단 속성인 자의 평균가중치를 적용한다[6]. 이로부터 사용자 속성정보에 대한 데이터의 유사성과 비유사성의 척도를 판별할 수 있는 독립적 척도를 제공하여 클러스터링 내에서 속성테이터의 유지 및 이탈을 결정하게 된다.

성능/효과

일반적으로 헤드노드를 중심으로 관리되는 클러스터링은 종속된 그룹데이터의 유사도 측정이 필요하며 이로부터 실질적인 클러스터링 유지관계가 성립된다, 이를 위해 본 연구에서는 제안된 알고리즘을 적용한 일례로 인바디 데이터로부터 K-means 클러스터링 알고리즘을 사용하여 사용자 구분을 하는 기법을 제안하였다. 사용된 인바디 데이터로부터 K-means 클러스터링 알고리즘을 구축하고 속성정보를 활용해 다수의 사용자가 있는 시스템에서도 속성의 변화 임계치에 따라 사용자의 구분을 명확히 할 수 있었다. 적용된 6종류 속성을 가진 사용자 특성 정보를 이용하여 사용자를 구분하기 때문에 어느 한 속성 인자에 대해 사용자의 정보가 급격하게 변화하더라도 주어진 GIP와 가중치 분석에 의해 같은 사용자로 인식이 가능하여 정보의 수정이 필요가 없어 유연하게 반응 할 수 있었다.

후속연구

적용된 6종류 속성을 가진 사용자 특성 정보를 이용하여 사용자를 구분하기 때문에 어느 한 속성 인자에 대해 사용자의 정보가 급격하게 변화하더라도 주어진 GIP와 가중치 분석에 의해 같은 사용자로 인식이 가능하여 정보의 수정이 필요가 없어 유연하게 반응 할 수 있었다. 본 연구에서는 누적된 데이터를 인바디 데이터로 한정하여 사용하였지만 사용자를 구분할 수 있는 명확한 유사도 측정 정보가 제공된다면 비지도 학습 알고리즘의 클러스터링과 속성유사도의 제공된 측정정보로 부터 다른 데이터를 사용하여도 사용자를 구분할 수 있을 것이라고 기대한다. 본 연구에서는 이러한 연구의 결과를 이동통신망에서 클러스터링을 수행하고, 노드의 중심 속성정보를 이용한 클러스터링 유지 알고리즘 연구에 연구결과를 적용 할 수 있을 것이며 이의 연구결과를 활용하는 것을 제안한다.
유효성은 높게 평가된다. 즉, 비유효한 데이터가 분포도가 클수록 로렌츠곡선에서 아래로 볼록한 형상을 나타내게 되어 클러스터내에서 데이터의 유효성 판단의 척도로 사용할 수 있을 것이다.

참고문헌 (11)

G. Adami, P. Avesani, and D. Sona, "Clustering documents in a web directory," Proceedings of the 5th ACM international workshop on Web information and data management, vol.54, Issue 3, pp.66-73, Sep. 2015.
E. Min, X. Guo, Q. Liu, G. Zhang, J. Cui, and J. Long. "A survey of clustering with deep learning: From the perspective of network architecture," IEEE Access, vol.6, 39501-39514, July 2018.

상세보기
J. A. Hartigan and M. A. Wong, "Algorithm AS 136: A K-Means Clustering Algorithm," Journal of the Royal Statistical Society. Series C (Applied Statistics), vol. 28, no. 1, pp. 100-108, Jan. 2012.
A. Likas and N. Vlassis and J.Verbeek, "The global k-means clustering algorithm," Department of Computer Science, University of Ioannina, 45110 Joannina, Greece, vol. 36, no.2, pp 451-461, Feb. 2018.

상세보기
L. Xue and W. Luan, "Improved K-means Algorithm in User Behavior Analysis," Ninth International Conference on Frontier of Computer Science and Technology, IEEE, pp.339-342, 2015.
H. Xiong, J. Wu, and J. Chen, "K-means Clustering versus Validation Measures: A Data Distribution Perspective," IEEE Transactions on Systems, Man, and Cybernetics, Part B, vol. 39, Issue 2, pp.779-784, 2009.
T. SHEIKH and S. AHRAWAL, "Enhanced K-means based Facial expressions recognition system," CSE Department CSIT Durg, Assistant Professor CSE Department CSIT Durg, pp. 39-41, May-2018.
T. Obichi and Y. Okaie, T. Nakano, T. Hara, S. Nishio, "Inbody Mobile Bionanosensor Networks Through Nondiffusion-based Molecular Communication," IEEE ICC (International Conference on Communications) 2015, pp. 1078-1084, 2015.
D.L. Davies and D.W. Bouldin, "A Cluster Separation Measure," IEEE Trans. Pattern Analysis and Machine Intelligence, vol.1, pp.224-227, 1979.
J.C. Dunn, "A Fuzzy Relative of the ISODATA Process and Its Use in Detecting Compact Well-Separated Clusters," J. Cybernetics, vol. 3, pp. 32- 57, 1973.
Size of Korea.[Internet]. Available: http://sizekorea.kats.go.kr.

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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