최근 모바일 기기 및 소셜 미디어 서비스의 발전으로 인해, 콘텐츠 추천 기법에 대한 연구들이 진행되고 있다. 그러한 콘텐츠 추천 기법들은 일반적으로 취업 큐레이션 시스템에 적용된다. 대부분의 기존 대학 교육 콘텐츠 추천 기법은 해당 학생의 학교, 전공 등을 바탕으로 가장 많이 수강한 과목만을 추천하기 때문에 각 학생이 원하는 취업의 형태나 분야 등이 고려되지 않는다. 본 논문에서는 취업 큐레이션 시스템 기반의 개인 맞춤형 교육 콘텐츠 추천 기법을 제안한다. 제안하는 기법은 사용자가 취업 큐레이션 시스템에서 활동한 내용을 바탕으로 사용자가 원하는 취업 형태와 취업 분야를 분석하여 관심 기업을 도출한다. 제안하는 기법은 도출된 관심 기업을 바탕으로 관심 기업에 취업한 졸업생들의 신뢰도와 유사도를 측정하여 참고할만한 졸업생을 선정하고 협업 필터링을 통해 사용자에게 맞춤형 교과목, 비교과목, 자율 활동 목록을 추천한다.
최근 모바일 기기 및 소셜 미디어 서비스의 발전으로 인해, 콘텐츠 추천 기법에 대한 연구들이 진행되고 있다. 그러한 콘텐츠 추천 기법들은 일반적으로 취업 큐레이션 시스템에 적용된다. 대부분의 기존 대학 교육 콘텐츠 추천 기법은 해당 학생의 학교, 전공 등을 바탕으로 가장 많이 수강한 과목만을 추천하기 때문에 각 학생이 원하는 취업의 형태나 분야 등이 고려되지 않는다. 본 논문에서는 취업 큐레이션 시스템 기반의 개인 맞춤형 교육 콘텐츠 추천 기법을 제안한다. 제안하는 기법은 사용자가 취업 큐레이션 시스템에서 활동한 내용을 바탕으로 사용자가 원하는 취업 형태와 취업 분야를 분석하여 관심 기업을 도출한다. 제안하는 기법은 도출된 관심 기업을 바탕으로 관심 기업에 취업한 졸업생들의 신뢰도와 유사도를 측정하여 참고할만한 졸업생을 선정하고 협업 필터링을 통해 사용자에게 맞춤형 교과목, 비교과목, 자율 활동 목록을 추천한다.
Recently, with the development of mobile devices and social media services, contents recommendation schemes have been studied. They are typically applied to the job curation systems. Most existing university education content recommendation schemes only recommend the most frequently taken subjects b...
Recently, with the development of mobile devices and social media services, contents recommendation schemes have been studied. They are typically applied to the job curation systems. Most existing university education content recommendation schemes only recommend the most frequently taken subjects based on the student's school and major. Therefore, they do not consider the type or field of employment that each student wants. In this paper, we propose a university educational contents recommendation scheme for job curation services. The proposed scheme extracts companies that a user is interested in by analyzing his/her activities in the job curation system. The proposed scheme selects graduates or mentors based on the reliability and similarity of graduates who have been employed at the companies of interest. The proposed scheme recommends customized subjects, comparative subjects, and autonomous activity lists to users through collaborative filtering.
Recently, with the development of mobile devices and social media services, contents recommendation schemes have been studied. They are typically applied to the job curation systems. Most existing university education content recommendation schemes only recommend the most frequently taken subjects based on the student's school and major. Therefore, they do not consider the type or field of employment that each student wants. In this paper, we propose a university educational contents recommendation scheme for job curation services. The proposed scheme extracts companies that a user is interested in by analyzing his/her activities in the job curation system. The proposed scheme selects graduates or mentors based on the reliability and similarity of graduates who have been employed at the companies of interest. The proposed scheme recommends customized subjects, comparative subjects, and autonomous activity lists to users through collaborative filtering.
본 논문에서는 취업 큐레이션 시스템 기반의 개인 맞춤형 교육 콘텐츠 추천 기법을 제안한다. 제안하는 기법은 사용자가 취업 큐레이션 시스템에서 활동한 내용을 바탕으로 사용자가 원하는 취업 형태와 취업 분야를 분석하여 관심 기업을 도출한다.
본 논문에서는 취업 큐레이션 시스템 기반의 개인 맞춤형 교육 콘텐츠 추천 기법을 제안했다. 제안하는 기법은 사용자가 취업 큐레이션 시스템에서 활동한 내용을 바탕으로 사용자가 원하는 취업 형태와 취업 분야를 분석하여 관심 기업을 도출한다.
제안 방법
본 논문에서는 취업 규레이션 시스템 기반의 맞춤형 대학 교육 콘텐츠 추천 기법을 제안한다. 본 논문에서 기반이 되는 취업 큐레이션 시스템에서는 대학 교육 과정에 있는 학생들이 수강한 교과목, 비교과목, 그리고 어학, 현장실습, 봉사활동 등과 같은 학생들의 활동 내역이 저장된다.
정확도는 각각 정밀도( Precision), 재현율(Recall), F-measure로 측정했다. 성능평가에서 추천의 정답셋은 사용자에 대하여 일정 기간 이전의 활동을 분석하여 추후에 추천된 교과목, 비교과목, 기타 활동을 남은 기간 동안 실제로 수행하였는지를 이용하여 간접적으로 정확도를 측정했다. 제안하는 콘텐츠 추천 기법은 기반이 되는 취업 큐레이션 시스템의 사용 데이터에 맞게 만들어진 기법이기 때문에 기존 콘텐츠 추천 기법과의 비교가 불가능하여 자체 정확도에 대한 평가만을 수행했다.
제안하는 기법에서는 참고할만한 졸업생 목록을 기준으로 협업 필터링을 수행하여 최종 콘텐츠를 추천한다. [그림 6]은 추천 결과를 생성하는 과정을 보여준다.
본 논문에서는 취업 큐레이션 시스템 기반의 개인 맞춤형 교육 콘텐츠 추천 기법을 제안한다. 제안하는 기법은 사용자가 취업 큐레이션 시스템에서 활동한 내용을 바탕으로 사용자가 원하는 취업 형태와 취업 분야를 분석하여 관심 기업을 도출한다. 제안하는 기법은 이렇게 도출된 관심 기업을 바탕으로 관심 기업에 취업한 졸업생들의 신뢰도와 유사도를 측정하여 참고할만한 졸업생을 선정하고 협업 필터링을 통해 사용자에게 맞춤형 교과목, 비교과목, 자율 활동 목록을 추천한다.
본 논문에서는 취업 큐레이션 시스템 기반의 개인 맞춤형 교육 콘텐츠 추천 기법을 제안한다. 제안하는 기법은 사용자가 취업 큐레이션 시스템에서 활동한 내용을 바탕으로 사용자가 원하는 취업 형태와 취업 분야를 분석하여 관심 기업을 도출한다. 제안하는 기법은 이렇게 도출된 관심 기업을 바탕으로 관심 기업에 취업한 졸업생들의 신뢰도와 유사도를 측정하여 참고할만한 졸업생을 선정하고 협업 필터링을 통해 사용자에게 맞춤형 교과목, 비교과목, 자율 활동 목록을 추천한다.
제안하는 기법은 사용자가 취업 큐레이션 시스템에서 활동한 내용을 바탕으로 사용자가 원하는 취업 형태와 취업 분야를 분석하여 관심 기업을 도출한다. 제안하는 기법은 이렇게 도출된 관심 기업을 바탕으로 관심 기업에 취업한 졸업생들의 신뢰도와 유사도를 측정하여 참고할만한 졸업생을 선정하고 협업 필터링을 통해 사용자에게 맞춤형 교과목, 비교과목, 자율 활동 목록을 추천한다.
제안하는 기법은 사용자가 취업 큐레이션 시스템에서 활동한 내용을 바탕으로 사용자가 원하는 취업 형태와 취업 분야를 분석하여 관심 기업을 도출한다. 제안하는 기법은 이렇게 도출된 관심 기업을 바탕으로 관심 기업에 취업한 졸업생들의 신뢰도와 유사도를 측정하여 참고할만한 졸업생을 선정하고 협업 필터링을 통해 사용자에게 맞춤형 교과목, 비교과목, 자율 활동 목록을 추천한다.
또한 기타 취업과 관련된 정보를 페이스북이나 유튜브 등의 소셜 미디어 서비스에서 검색 및 조회한 정보가 저장된다. 제안하는 추천 기법은 이러한 취업 큐레이션 시스템을 기반으로 저장된 학생 활동 및 취업 정보들을 분석하여 개인 맞춤형 교육 콘텐츠를 추천한다. [그림 1]은 제안하는 추천 시스템의 전체 구조를 보여준다.
[그림 1]은 제안하는 추천 시스템의 전체 구조를 보여준다. 제안하는 콘텐츠 추천 기법은 데이터 수집 및 저장 관리를 기반으로 관심 기업 예측, 신뢰도 / 유사도 분석, 추천 결과 생성 과정으로 구성된다.
제안하는 추천 시스템은 사용자가 취업 큐레이션 시스템에 로그인하면 추천에 필요한 유사도 / 신뢰도 분석을 미리 수행하여 추천 결과를 만들어 DB에 저장한다. 제안하는 콘텐츠 추천 시스템은 사용자가 취업 큐레이션 시스템을 사용하다가 사용자 인터페이스를 통해 분석 결과를 요청할 경우, 미리 저장된 추천 결과를 보여줌으로써 사용자가 빠르게 추천 결과를 열람할 수 있도록 한다.
대상 데이터
데이터 수집기는 대학 교육 콘텐츠 추천을 위하여 사용자들이 직접 수강하거나 활동한 교과목, 비교과목, 자율 활동 정보 등 오프라인 활동 정보를 수집한다. 또한 데이터 수집기는 각 사용자들이 대학 교육 콘텐츠 큐레이션 시스템에서 교과목 / 비교과목의 평점, 댓글, 취업 지원, 조회, 콘텐츠 검색 등 온라인 활동 정보를 수집한다.
데이터 수집기는 대학 교육 콘텐츠 추천을 위하여 사용자들이 직접 수강하거나 활동한 교과목, 비교과목, 자율 활동 정보 등 오프라인 활동 정보를 수집한다. 또한 데이터 수집기는 각 사용자들이 대학 교육 콘텐츠 큐레이션 시스템에서 교과목 / 비교과목의 평점, 댓글, 취업 지원, 조회, 콘텐츠 검색 등 온라인 활동 정보를 수집한다. [그림 8]은 데이터 수집기를 통해 수집한 사용자 활동 정보 테이블을 보여준다.
[그림 7]은 제안하는 대학 교육 콘텐츠 추천 시스템의 전체 구조를 보여준다. 제안하는 시스템은 오라클 DB에 구축된 취업 큐레이션 시스템 사용 데이터를 기반으로 한다. 제안하는 시스템은 취업 큐레이션 시스템사용 데이터 중에서 분석에 필요한 정보를 실시간으로 수집하기 위하여 아파치 카프카(Apache Kafka)를 이용한다.
데이터처리
사용자 신뢰도 분석 결과는 참고할만한 졸업생을 도출하는데 활용된다. 두 번째 신뢰도 분석으로 제안하는 기법은 각 콘텐츠에 부여된 평점과 같은 명시적 평가 점수와 댓글의 긍/부정, 좋아요, 즐겨찾기, 싫어요, 동영상의 재생 시간, 해당 포스트에 머문 시간 등의 암시적 평가를 종합하여 해당 콘텐츠가 유익한 콘텐츠인지를 판단한다. [그림 4]는 콘텐츠 신뢰도 분석 모듈을 보여준다.
본 논문에서는 제안하는 추천 기법의 우수성을 확인하기 위하여 추천 결과의 정확도를 측정했다. [표 1] 은성능평가 환경을 보여준다.
성능평가에서 추천의 정답셋은 사용자에 대하여 일정 기간 이전의 활동을 분석하여 추후에 추천된 교과목, 비교과목, 기타 활동을 남은 기간 동안 실제로 수행하였는지를 이용하여 간접적으로 정확도를 측정했다. 제안하는 콘텐츠 추천 기법은 기반이 되는 취업 큐레이션 시스템의 사용 데이터에 맞게 만들어진 기법이기 때문에 기존 콘텐츠 추천 기법과의 비교가 불가능하여 자체 정확도에 대한 평가만을 수행했다.
제안하는 기법에서는 두 가지 신뢰도 분석이 요구된다. 첫 번째 신뢰도 분석으로 제안하는 기법은 각 사용자가 얼마나 취업 큐레이션 시스템을 적극적으로 활용하였는지를 분석한다. 사용자 신뢰도 분석 결과는 참고할만한 졸업생을 도출하는데 활용된다.
[그림 12]는 제안하는 콘텐츠 추천 기법의 종합적인 정확도를 보여준다. 추천 기법이 얼마나 정확한지를 나타내는 정밀도와 재현율은 파라미터 세팅에 따라 trade-off 관계를 보이므로 두 가지 정확도가 병합된 결과를 F-Measure로 도출했다. F-Measure는 수식 7 로 계산한다.
이론/모형
[표 1] 은성능평가 환경을 보여준다. 정확도는 각각 정밀도( Precision), 재현율(Recall), F-measure로 측정했다. 성능평가에서 추천의 정답셋은 사용자에 대하여 일정 기간 이전의 활동을 분석하여 추후에 추천된 교과목, 비교과목, 기타 활동을 남은 기간 동안 실제로 수행하였는지를 이용하여 간접적으로 정확도를 측정했다.
수집된 데이터는 전처리 후에 몽고 DB(Mongo DB)에 저장되어 유사도 분석 및 신뢰도 분석에 활용된다. 제안하는 시스템은 유사도 분석 및 신뢰도 분석을 수행하기 위하여 분산 병렬 처리 플랫폼인 아파치 스파크(Apache Spark)를 사용한다. 제안하는 추천 시스템은 설계된 추천 기법에 따라 결과를 생성한다.
제안하는 시스템은 오라클 DB에 구축된 취업 큐레이션 시스템 사용 데이터를 기반으로 한다. 제안하는 시스템은 취업 큐레이션 시스템사용 데이터 중에서 분석에 필요한 정보를 실시간으로 수집하기 위하여 아파치 카프카(Apache Kafka)를 이용한다. 수집된 데이터는 전처리 후에 몽고 DB(Mongo DB)에 저장되어 유사도 분석 및 신뢰도 분석에 활용된다.
성능/효과
추후 연구로는 더 다양한 정확도 및 처리 시간 측면의 성능 평가를 수행하여 제안하는 기법이 우수함을 보일 예정이다. 또한 현재 추천을 위한 유사도 / 신뢰도 분석에서 다수 대다수 비교가 빈번히 발생하기 때문에 학생, 기업, 콘텐츠가 증가할 경우, 비교 연산이 기하급수적으로 증가하여 매우 큰 복잡도를 가진다. 따라서추후에는 유사도 / 신뢰도 분석에서 비교 연산을 효율적으로 수행하여 복잡도를 감소시키기 위한 콘텐츠 추천 기법을 연구할 예정이다.
[그림 11]은 추천 결과 개수 변화에 따른 재현율 측정 결과를 보여준다. 성능평가 결과, 제안하는 추천 기법은 70% 이상의 재현율을 보임을 확인했다. [그림 11]에서 처음 재현율은 정답셋에 비해 추천 개수가 현저히 적기 때문에 27%의 낮은 수치를 보이다가 추천 개수가 증가함에 따라 점차 증가한다.
[그림 10]은 추천 결과 개수 변화에 따른 정밀도 측정 결과를 보여준다. 성능평가 결과, 제안하는 추천 기법은 70% 이상의 정밀도를 보임을 확인했다. [그림 10]에서 정밀도는 추천 개수가 40개일 때부터 점차 낮아지기 시작하여 이후 급격히 낮아지는 경향을 보인다.
[그림 11]에서 처음 재현율은 정답셋에 비해 추천 개수가 현저히 적기 때문에 27%의 낮은 수치를 보이다가 추천 개수가 증가함에 따라 점차 증가한다. 성능평가 결과, 제안하는 추천 기법은 추천 개수가 40일 때 거의 모든 정답 셋을 포함하며, 추천 개수가 50일 때 모든 정답셋을 결과에 포함하고 있음을 확인할 수 있다.
F-Measure는 수식 7 로 계산한다. 성능평가 결과, 평균 66.53%의 정확도를 보였다. 본 성능평가 결과를 통해 정답셋이 30개일 경우, 추천 개수 30~40개 구간에서 제안하는 콘텐츠 추천 기법의 성능이 제일 우수한 것을 확인했으며, 이를 고려하여 취업 큐레이션 시스템에 활용할 예정이다.
F-Measure는 수식 7 로 계산한다. 성능평가 결과, 평균 66.53%의 정확도를 보였다. 본 성능평가 결과를 통해 정답셋이 30개일 경우, 추천 개수 30~40개 구간에서 제안하는 콘텐츠 추천 기법의 성능이 제일 우수한 것을 확인했으며, 이를 고려하여 취업 큐레이션 시스템에 활용할 예정이다.
후속연구
또한 현재 추천을 위한 유사도 / 신뢰도 분석에서 다수 대다수 비교가 빈번히 발생하기 때문에 학생, 기업, 콘텐츠가 증가할 경우, 비교 연산이 기하급수적으로 증가하여 매우 큰 복잡도를 가진다. 따라서추후에는 유사도 / 신뢰도 분석에서 비교 연산을 효율적으로 수행하여 복잡도를 감소시키기 위한 콘텐츠 추천 기법을 연구할 예정이다. 마지막으로 기존 큐레이션 시스템과의 만족도 평가를 통해 콘텐츠 추천 시스템의 우수성을 보일 예정이다.
53%의 정확도를 보였다. 또한 30~40개의 추천 개수에서 가장 정확도가 높은 결과를 보였으므로 이를 고려하여 취업 큐레이션 시스템에 활용할 예정이다.
따라서추후에는 유사도 / 신뢰도 분석에서 비교 연산을 효율적으로 수행하여 복잡도를 감소시키기 위한 콘텐츠 추천 기법을 연구할 예정이다. 마지막으로 기존 큐레이션 시스템과의 만족도 평가를 통해 콘텐츠 추천 시스템의 우수성을 보일 예정이다.
53%의 정확도를 보였다. 본 성능평가 결과를 통해 정답셋이 30개일 경우, 추천 개수 30~40개 구간에서 제안하는 콘텐츠 추천 기법의 성능이 제일 우수한 것을 확인했으며, 이를 고려하여 취업 큐레이션 시스템에 활용할 예정이다.
추후 연구로는 더 다양한 정확도 및 처리 시간 측면의 성능 평가를 수행하여 제안하는 기법이 우수함을 보일 예정이다. 또한 현재 추천을 위한 유사도 / 신뢰도 분석에서 다수 대다수 비교가 빈번히 발생하기 때문에 학생, 기업, 콘텐츠가 증가할 경우, 비교 연산이 기하급수적으로 증가하여 매우 큰 복잡도를 가진다.
참고문헌 (16)
B. M. Sarwar, G. Karypis, J. A. Konstan and J. Riedl, "Item-based collaborative filtering recommendation algorithms," Www, Vol.1, pp.285-295, 2001.
Z. Zhao and M. Shang, "User-based collaborative-filtering recommendation algorithms on hadoop," Proc. of the International Conference on Knowledge Discovery and Data Mining, 2010.
L. Yao, Z. Xu, X. Zhou, and B. Lev, "Synergies Between Association Rules and Collaborative Filtering in Recommender System: An Application to Auto Industry," Data Science and Digital Business, pp.65-80, 2019.
J. L. Herlocker, J. A. Konstan, and J. Riedl, "Explaining collaborative filtering recommendations," Proc. of the 2000 ACM conference on Computer supported cooperative work, pp.241-250, 2000.
X. He, L. Liao, H. Zhang, L. Nie, X. Hu, and T. S. Chua, "Neural collaborative filtering," Proc. of the 26th international conference on world wide web, pp.173-182, 2017.
X. Su and T. M. Khoshgoftaar, "A survey of collaborative filtering techniques," Advances in artificial intelligence, 2009.
J. A. Konstan, B. N. Miller, D. Maltz, J. L. Herlocker, L. R. Gordon, and J. Riedl, "Grouplens: Applying collaborative filtering to usenet news," Communications of the ACM, Vol.40, No.3, pp.77-87, 1997.
Y. Koren and R. Bell, "Advances in collaborative filtering," Recommender systems handbook, pp.77-118, 2015.
Y. Lee, S. Lee, and C. Wang, "The Educational Contents Recommendation System Design based on Collaborative Filtering Method," Journal of Korean Association of Computer Education, Vol.6, No.2, pp.147-156, 2003.
Y. S. Lee, B. C. Chang, H. S. Kang, and J. H. Cha, "The educational contents recommendation system using the competency ontology," Journal of Digital Contents Society, Vol.11, No.4, pp.487-494, 2010.
R. Noor and A. K. Farman, "Personalized recommendation strategies in mobile educational systems," Proc. of International Conference on Innovative Computing Technology (INTECH). IEEE, 2016.
N. Saraswat, H. Ghosh, M. Agrawal, and U. Narayanan, "Contextual recommendation of educational contents," Proc. of International Conference on Artificial Intelligence in Education, pp.439-448, 2015.
P. Di Bitonto, T. Roselli, and V. Rossano, "Recommendation in e-learning social networks," Proc. of International Conference on Web-Based Learning, pp.327-332, 2011.
C. Romero, S. Ventura, J. A. Delgado, and P. De Bra, "Personalized links recommendation based on data mining in adaptive educational hypermedia systems," Proc. of European conference on technology enhanced learning, pp.292-306, 2007.
L. G. Ferreira, J. L. V. Barbosa, J. C. Gluz, V. K. Matter, and D. N. F. Barbosa, "Using Learner Group Profiles for Content Recommendation in Ubiquitous Environments," International Journal of Information and Communication Technology Education (IJICTE), Vol.16, No.4, pp.1-19, 2020.
H. V. Nguyen and L. Bai, "Cosine similarity metric learning for face verification," In Asian conference on computer vision, pp.709-720, 2010.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.