[논문]생활지수를 이용한 협업 필터링 기반 장소 추천 시스템의 설계 및 구현

이주오; 이형걸; 김아연; 허승연; 박우진; 안용학

doi:10.15207/jkcs.2020.11.8.023

생활지수를 이용한 협업 필터링 기반 장소 추천 시스템의 설계 및 구현
Design and Implementation of Place Recommendation System based on Collaborative Filtering using Living Index 원문보기

한국융합학회논문지 = Journal of the Korea Convergence Society, v.11 no.8, 2020년, pp.23 - 31

이주오 (세종대학교 컴퓨터공학과) , 이형걸 (세종대학교 컴퓨터공학과) , 김아연 (세종대학교 컴퓨터공학과) , 허승연 (세종대학교 컴퓨터공학과) , 박우진 (세종대학교 컴퓨터공학과) , 안용학 (세종대학교 컴퓨터공학과)

초록
AI-Helper

정보 통신과 스마트폰 등의 발달로 인한 편리한 접근성과 다양한 아이템의 종류로 인해 개인 맞춤형 추천의 필요성은 점차 커지고 있다. 날씨 및 기상환경은 사용자의 장소 및 활동의 의사결정에 많은 영향을 미친다. 이러한 날씨 정보를 이용하면 추천에 대한 사용자의 만족도를 높일 수 있다. 본 논문에서는 모바일 플랫폼에서 사용자의 위치 정보에 대한 생활지수를 활용하여 성향이 유사한 사용자를 구하고 장소에 대한 선호도를 예측하여 장소를 추천함으로써 생활지수를 이용한 협업 필터링 기반 장소 추천 시스템을 제안한다. 제안된 시스템은 사용자의 날씨를 분석하고 분류하기 위한 날씨 모듈과 장소 추천을 위한 협업 필터링을 사용하는 추천 모듈, 그리고 사용자의 선호도 및 후기 관리를 위한 관리 모듈로 구성된다. 실험 결과, 제안된 시스템은 협업 필터링 알고리즘과 생활지수의 융합 및 개인의 성향을 반영하는 측면에서 유효함을 확인할 수 있었다.

Abstract ▼ AI-Helper

The need for personalized recommendation is growing due to convenient access and various types of items due to the development of information communication and smartphones. Weather and weather conditions have a great influence on the decision-making of users' places and activities. This weather information can increase users' satisfaction with recommendations. In this paper, we propose a collaborative filtering-based place recommendation system using living index by utilizing living index of users' location information on mobile platform to find users with similar propensity and to recommend places by predicting preferences for places. The proposed system consists of a weather module for analyzing and classifying users' weather, a recommendation module using collaborative filtering for place recommendations, and a management module for user preferences and post-management. Experiments have shown that the proposed system is valid in terms of the convergence of collaborative filtering algorithms and living indices and reflecting individual propensity.

주제어

표/그림 (14)

표 Table 1. Step by Step Response Instructions
그림 Fig. 1. System Architecture
표 Table 2. Step by Step Response Instructions
표 Table 3. Step by Step Response Instructions
그림 Fig. 2. Process of Recommendation using Living Index
표 Table 4. Classification of Weather Types
표 Table 5. User Place Weather DB
그림 Fig. 3. Weather Type extracted from User Reviews
표 Table 6. Example of Generating a User-Preference Matrix based on Weather Type(UV2HF1CD)
그림 Fig. 4. Nearest Neighborhood Count Change Experiment Result
그림 Fig. 5. Top-N Count Change Experiment Result
표 Table 7. Dataset Specification
그림 Fig. 6. Place Recommendation Function
그림 Fig. 7. Place Details and User Review Functions

AI 본문요약
AI-Helper

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

문제 정의

따라서 본 논문에서는 이러한 문제점들을 해결하기 위해 기상청의 생활지수를 이용하여 사용자의 날씨 환경을 분류하고, 날씨 유형에 따라 분류된 사용자의 선호 점수를 이용하여 유사한 성향을 가지는 사용자들이 선호했던 장소를 추천함으로써 개인의 날씨 성향이 반영된 맞춤형 장소 추천을 통해 사용자의 만족도를 높이는 시스템을 제안한다.
본 논문에서는 사용자 기반 협업 필터링을 이용하여 사용자와 유사한 성향을 보인 사용자들이 선호했던 장소를 추천한다.
기존의 장소 추천 시스템은 날씨와 관련된 개인의 선호를 반영하지 않거나 간단한 날씨 정보만을 사용한다. 본 논문은 일반적인 기상정보를 기본으로 제공할 뿐만 아니라 기상정보와 관련된 사용자가 원하는 맞춤 장소 추천 시스템을 제공하고자 했다. 사용자의 만족도를 높이기 위해 협업 필터링 기반 추천 시스템에 생활지수를 활용하여 생활지수에 대한 개인의 성향을 반영하는 추천 시스템을 제안하였고, 두 가지 실험을 통해 생활지수에 대한 개인의 성향 반영의 유효성과 추천 시스템의 전반적인 성능을 관찰하였다.
본 실험은 최근접 이웃의 개수 변경 실험 및 Top-N 변경 실험을 통해 협업 필터링 기술의 적용 및 전반적인 성능을 확인하는 것이다. PCS(Pearson Correlation Similarity), EBS(Euclidean Distance Similarity), SCS(Spearman Correlation Similarity)은 각각 피어슨 상관계수를 이용한 유사도, 유클라디안 거리를 이용한 유사도, 스피어만 상관계수를 이용한 유사도를 뜻한다.
단계 2) 단계 1에서 분류한 사용자의 날씨 유형을 기반으로 User Place Weather DB에 질의하여 추천 모듈에서 사용할 사용자-선호도 데이터 모델을 구성하고 피어슨 상관계수 식을 이용하여 유사한 사용자를 구한다. 이렇게 구한 유사한 사용자를 기반으로 사용자가 선호도를 평가하지 않은 장소에 관한 사용자의 선호도를 예측한다.

가설 설정

협업 필터링은 특정 아이템에 대해 비슷한 성향을 보였던 사용자들은 다른 아이템에 대해서도 비슷한 성향을 보일 것이라는 가정으로 추천을 수행한다[9]. 이 가정을 기반으로 사용자 또는 아이템 간 유사도를 통해 선호도를 예측하는 방법이다.

제안 방법

Top-N 변경 실험에서 Top-N은 추천한 장소의 개수를 의미하며 테스트 데이터를 기반으로 내림차순 정렬된 추천 목록을 생성하여 정밀도, 재현율, F-measure 값들을 측정하였다.
모바일 디바이스를 통해 사용자의 위치에 따른 날씨를 분석해 사용자의 날씨를 분류한다. 각 생활지수의 단계별 주의사항을 기존의 단계에서 낮음(관심), 보통(주의), 높음 이상(경고 이상) 3단계로 축소하였고 생활지수와 날씨(눈, 비, 맑음, 흐림)의 조합을 통해 날씨를 36가지의 타입으로 분류하였다. 분류체계는 아래에 나와 있는 Table 4에 있는 기준으로 분류된다.
날씨 유형을 파악하기 위해 기상청의 생활지수 데이터셋과 과거 관측자료를 통해 날씨 유형 전처리를 진행하였다. 생활지수들은 해당 날짜의 평균값으로 반영되었다.
더위체감지수와 체감온도지수는 상반되는 요인들로 기온을 기준으로 섭씨 10도 초과 시 더위체감지수, 10도 이하 일시 체감온도지수를 사용한다. 모바일 디바이스를 통해 사용자의 위치에 따른 날씨를 분석해 사용자의 날씨를 분류한다. 각 생활지수의 단계별 주의사항을 기존의 단계에서 낮음(관심), 보통(주의), 높음 이상(경고 이상) 3단계로 축소하였고 생활지수와 날씨(눈, 비, 맑음, 흐림)의 조합을 통해 날씨를 36가지의 타입으로 분류하였다.
본 논문에서는 자외선지수, 더위체감지수, 체감온도지수들의 각 단계들과 날씨(맑음, 비, 눈, 흐림)의 조합을 통해 사용자들이 활동하는 날씨를 분류한다. 더위체감지수와 체감온도지수는 상반되는 요인들로 기온을 기준으로 섭씨 10도 초과 시 더위체감지수, 10도 이하 일시 체감온도지수를 사용한다.
본 논문의 시스템은 모바일 애플리케이션으로 구현하였으며 사용자의 현재 위치의 실시간 생활지수를 이용하여 장소를 추천하는 현재 위치 기반 추천 기능과 지역과 날짜 그리고 시간을 입력받아 해당 지역의 생활지수를 이용하여 장소를 추천하는 지역 기반 추천 기능, 장소에 대한 사용자의 선호도 평가 및 조회 기능을 제공한다.
본 논문은 일반적인 기상정보를 기본으로 제공할 뿐만 아니라 기상정보와 관련된 사용자가 원하는 맞춤 장소 추천 시스템을 제공하고자 했다. 사용자의 만족도를 높이기 위해 협업 필터링 기반 추천 시스템에 생활지수를 활용하여 생활지수에 대한 개인의 성향을 반영하는 추천 시스템을 제안하였고, 두 가지 실험을 통해 생활지수에 대한 개인의 성향 반영의 유효성과 추천 시스템의 전반적인 성능을 관찰하였다. 그 결과, 생활지수와 추천 시스템의 융합을 통해 생활지수의 적용 범위를 확장하였으며, 생활지수에 대한 개인의 성향을 반영하는 측면에서 유효함을 확인하였다.
생활지수란 생활과 밀접한 관련이 있는 다양한 날씨 요소들이 생활에 미치는 영향의 정도를 지수로 표현한 것이다. 생활지수에는 더위체감지수, 자외선지수, 식중독지수, 불쾌지수, 체감온도지수 등이 있으며 본 논문에서는 날씨의 객관적인 분류를 위해 기상청의 더위체감지수, 자외선지수, 체감온도지수를 활용하였다.
첫 번째는 평균 절대오차를 의미하는 MAE(Mean Absolute Error)와 주로 분류 성능 평가의 지표로 사용되는 정밀도(Precision), 재현율(Recall), F-measure 값들을 사용한다. 이러한 예측 성능의 변화를 관찰함으로써 협업 필터링 기술을 이용하여 날씨 기반 서비스의 구현 및 개인의 생활지수에 대한 성향의 반영을 평가한다.
단계 1) GPS 기능이 탑재된 모바일 디바이스를 소지한 사용자가 애플리케이션을 통해 장소 추천을 요청하면 사용자의 위치를 파악한 후, 파악된 위치의 생활지수를 추출한다. 추출된 생활지수를 기반으로 날씨 분류 체계를 이용하여 사용자의 날씨 유형을 분류한다.

대상 데이터

본 논문에서 제안하는 시스템의 성능 평가를 위해 2020년 1월 1일 ~ 2020년 3월 26일 기간 동안 제주도에 있는 174곳의 관광명소, 카페, 식당들에 대한 사용자 리뷰 데이터를 크롤러를 통해 수집하였다.
1과 같다. 본 시스템은 크게 모바일 디바이스와 사용자 인터페이스, 추천 모듈, 사용자 리뷰 모듈, 데이터베이스로 구성된다.
사용자들은 최소 5개의 선호도를 남긴 사용자 집합들로 구성되며 희박성(sparsity level)은 데이터세트 공간에서 선호도 평가가 이루어지지 않은 공간 비율을 의미한다. 본 실험은 데이터 세트의 10%의 선호도 데이터를 테스트 데이터로 사용하고 90%의 데이터를 훈련 데이터로 사용한다.
속성은 순서대로 [요일, 자외선지수, 자외선 지수 단계, 체감온도지수, 체감온도 단계, 날씨, 분류된 날씨 유형, 더위 체감지수, 더위체감지수 단계]로 이루어져 있다. 실험 진행은 이 날씨 유형 중 가장 많은 사용자 평가 데이터를 가진 UV1WC0CL의 데이터 모델로 진행되었다.

이론/모형

사용자와 다른 사용자 사이의 유사도는 피어슨 상관계수를 이용하여 구한다. 피어슨 상관계수는 두 변수의 관련성(유사성)을 나타내는 상관관계 개념 중 하나로 각 분산의 곱에 대한 공분산의 비율로 나타낸다.
본 실험의 전반적인 성능 및 예측 정확도 평가를 위한 평가 척도는 두 가지를 이용한다. 첫 번째는 평균 절대오차를 의미하는 MAE(Mean Absolute Error)와 주로 분류 성능 평가의 지표로 사용되는 정밀도(Precision), 재현율(Recall), F-measure 값들을 사용한다. 이러한 예측 성능의 변화를 관찰함으로써 협업 필터링 기술을 이용하여 날씨 기반 서비스의 구현 및 개인의 생활지수에 대한 성향의 반영을 평가한다.

성능/효과

5와 같다. N이 5일 때 SCS (Spearman Correlation Similarity)를 이용하여 사용자 간 유사도를 구한 경우 정밀도, 재현율, F-measure 값이 각각 (0.03, 0.055, 0.039)로 가장 높은 결과를 나타냈고, N이 10, 15 때에는 EDS(Euclidean Distance Similarity)를 이용하여 사용자 간 유사도를 구한 경우가 정밀도, 재현율, F-measure 값이(0.03, 0.11, 0.047), (0.027, 0.15, 0.046)으로 가장 높은 결과를 나타냈다.
사용자의 만족도를 높이기 위해 협업 필터링 기반 추천 시스템에 생활지수를 활용하여 생활지수에 대한 개인의 성향을 반영하는 추천 시스템을 제안하였고, 두 가지 실험을 통해 생활지수에 대한 개인의 성향 반영의 유효성과 추천 시스템의 전반적인 성능을 관찰하였다. 그 결과, 생활지수와 추천 시스템의 융합을 통해 생활지수의 적용 범위를 확장하였으며, 생활지수에 대한 개인의 성향을 반영하는 측면에서 유효함을 확인하였다.

후속연구

추후 딥러닝을 이용한 추천 모델 사용 또는 사용자의 위치정보에 따른 동선 데이터를 활용한 연구가 진행된다면 더욱더 많은 성능 향상을 기대할 수 있을 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	협업 필터링 기법은 무엇인가?	내용 기반 추천 기법은 콘텐츠를 직접 분석하여 아이템과 아이템, 아이템과 사용자 선호도 간의 유사도를 분석한 것을 바탕으로 새로운 아이템을 추천해 주는 방법이다[4]. 협업 필터링 기법은 특정 사용자와 비슷한 성향을 나타내는 다른 사용자들을 분석하여 콘텐츠의 선호도를 추정하는 방법이다[5].
	모바일 디바이스를 통해 행동 패턴을 추측하여 장소를 추천하는 방법의 문제점은?	하지만 사용자의 음식점 메뉴 검색 시스템의 이용 패턴 분석 방법은 음식점 메뉴 검색 시스템의 검색 횟수를 기반으로 패턴을 분석하였기 때문에 사용자의 직접적인 선호가 반영되지 않는다는 문제점이 있으며, 모바일 컨텍스트를 통해 행동 패턴을 추론하여 추천하는 방법은 날씨 정보를 이용하더라도 맑음, 비, 눈 같은 날씨와 계절 같은 간단하고 광범위한 정보만을 이용하여 사용자가 체감하는 구체적인 기상환경을 반영하지 못한다는 문제점이 있다. 날씨 정보와 협업 필터링을 이용한 음악 추천 시스템은 입력을 통해 각 사용자가 직접 날씨와 음악 간의 관계 정보를 설정해 주어야 하는 문제점이 있다.
	추천 기법은 어떻게 구분되는가?	이러한 추천 시스템에서 사용되는 추천 기법들은 대표적으로 내용 기반 추천 기법과 협업 필터링 기법으로 구분된다[2,3]. 내용 기반 추천 기법은 콘텐츠를 직접 분석하여 아이템과 아이템, 아이템과 사용자 선호도 간의 유사도를 분석한 것을 바탕으로 새로운 아이템을 추천해 주는 방법이다[4].

참고문헌 (17)

H. J. Bae & S. W. Lee. (2020). A study on user recognition of personalized recommended service platforms by content characteristics. Journal of Korea Broadcasting and Telecommunication Studies, 34(3), 5-42.
G. S. Ko et al. (2017). Contents Recommendation Scheme Considering User Activity in Social Network Environments. Journal of The Korea Contents Association, 17(2), 404-414.
S. H. Park, J. W. Kim, D. H. Kim & H. J. Cho. (2019). Music Therapy Counseling Recommendation Model Based on Collaborative Filtering. Journal of the Korea Convergence Society, 10(9), 31-36. DOI: 10.15207/JKCS.2019.10.9.031
S. J. Lee, T. R. Jeon, G. D. Baek & S. S. Kim. (2009). A Movie Rating Prediction System of User Propensity Analysis based on Collaborative Filtering and Fuzzy System. Journal of Korean Institute of Intelligent Systems, 19(2), 242-247.

원문보기 상세보기
K. I. Jung, B. I Ahn, J. J. Kim & K. J. Han. (2014). Location Recommendation System based on LBSNS. Journal of Digital Convergence, 12(6), 277-287. DOI: 10.14400/JDC.2014.12.6.277
C. Y. Cho, G. I. Jung, Y. M. Seo & H. R. Choi. (2017). An Empirical Study on the Influence of Weather and Daytime on Restaurant Menu search System. Smart media journal, 6(2), 50-56.
B. I. Ahn, K. I. Jung & H. L. Choi. (2017). Mobile Context Based User Behavior Pattern Inference and Restaurant Recommendation Model. Journal of digital contents society, 18(3), 535.0-542.0.
J. W. Roh, K. H. Yoon, J. K. Kim & J. H. Lee. (2008). A Music Recommendation System Using Collaborative Filtering and Context Awareness. Conference of Korean Society of Intelligent Systems, 18(2), 76-79.
J. Byun & D. K. Kim. (2016). Design and Implementation of Location Recommending Services using Personal Emotional Information based on Collaborative Filtering. Journal of the Korea Institute of Information and Communication Engineering, 20(8), 1407-1414.

원문보기 상세보기
J. E. Son, S. B. Kim, H. J. Kim & S. Z. Cho. (2015). Review and Analysis of Recommender Systems. Journal of Korean institute of industrial engineers, 41(2), 185.0-208.0.

원문보기 상세보기
H. C. Shin & S. B. Cho. (2013). A Location-based Collaborative Filtering Recommender using Quadtree. Journal of KIISE : Computing Practices and Letters, 19(1), 15-22.
Y. S. Yoo, J. S. Kim, B. Y. Sohn & J. J. Jung. (2017). Evaluation of Collaborative Filtering Methods for Developing Online Music Contents Recommendation System. The transactions of the Korean Institute of Electrical Engineers, 66(7), 1083.0-1091.0.
H. J. Kwon & K. S. Hong. (2010). Personalization of LBS using Recommender Systems Based on Collaborative Filtering. Journal of Internet Computing and Services (JICS), 11(6), 1-11.
S. H. Bae, T. Y. Kim & D. W. Seo. (2017). Design of Emotion Image Recommendation System using Bio Emotion Information and Collaborative Filtering. Journal of advanced engineering and technology, 10(4), 479-487.

상세보기
K. J. Hyun, J. W. Park & H. S Choi. (2015). The Effect of Customers' Experience of Diverse Goods and Selection of Popular Commodity on Recommendation System. Journal of The Korean Data Analysis Society, 17(6), 3097-3106.
J. L. Herlocker, J. A. Konstan, Al Borchers & J. Riedl. (1999). An Algorithmic Framework for Performing Collaborative Filtering, In Proceeding of SIGIR-99, 230-237.
J. M. Kim. (2018). Study on the Development of Collaborative Filtering Systems and Its Application. Journal of Social Science, 29(2), 197-209.

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