[논문]Design and Implementation of YouTube-based Educational Video Recommendation System

Kim, Young Kook; Kim, Myung Ho

doi:10.9708/jksci.2022.27.05.037

Design and Implementation of YouTube-based Educational Video Recommendation System 원문보기

韓國컴퓨터情報學會論文誌 = Journal of the Korea Society of Computer and Information, v.27 no.5, 2022년, pp.37 - 45

Kim, Young Kook (Dept. of Software, Soongsil University) , Kim, Myung Ho (Dept. of Software, Soongsil University)

초록
AI-Helper

2020년 기준 대표적인 온라인 동영상 플랫폼인 유튜브에는 1분에 약 500시간의 동영상이 업로드되고 있다. 이에 업로드된 다수의 다양한 동영상을 통해 정보를 획득하는 사용자의 수가 늘고 있어 온라인 동영상 플랫폼들은 더 나은 추천 서비스를 제공하기 위해 노력하고 있다. 현재 사용되고 있는 추천 서비스는 사용자의 시청 기록을 기반으로 사용자에게 동영상을 추천하는데 이는 교육용 동영상과 같이 특정 목적 및 관심사를 다루는 동영상 추천에 좋은 방법이 아니다. 최근 추천 시스템은 사용자의 시청 기록뿐만 아니라 아이템의 콘텐츠 특징을 함께 활용한다. 본 논문에서는 유튜브를 기반으로 교육용 동영상 추천을 위한 교육용 동영상의 콘텐츠 특징을 추출하고, 이를 활용하는 추천 시스템을 설계하여 웹 애플리케이션으로 구현한다. 사용자들의 만족도를 조사하여 추천 시스템의 추천 성능의 만족도 85.36%, 편의성 만족도 87.80%를 보인다.

Abstract ▼ AI-Helper

As of 2020, about 500 hours of videos are uploaded to YouTube, a representative online video platform, per minute. As the number of users acquiring information through various uploaded videos is increasing, online video platforms are making efforts to provide better recommendation services. The currently used recommendation service recommends videos to users based on the user's viewing history, which is not a good way to recommend videos that deal with specific purposes and interests, such as educational videos. The recent recommendation system utilizes not only the user's viewing history but also the content features of the item. In this paper, we extract the content features of educational video for educational video recommendation based on YouTube, design a recommendation system using it, and implement it as a web application. By examining the satisfaction of users, recommendataion performance and convenience performance are shown as 85.36% and 87.80%.

주제어

표/그림 (11)

그림 Fig. 1. Research on the Purpose of using YouTube
그림 Fig. 2. Example of Content-based Filtering
그림 Fig. 3. Example of Visual Features
그림 Fig. 4. Audio Feature Extraction Model
표 Table 1. Extraction Accuracy by Speaker's Audio Features
그림 Fig. 5. Educational Video Content Features
그림 Fig. 6. Wide & Deep Recommendation Model
그림 Fig. 7. Conceptual Diagram of Educational Video Recommendation System
그림 Fig. 8. Result of Implementation of the Online Education Video Recommendation System
그림 Fig. 9. Recommendation System Satisfaction Survey
그림 Fig. 10. Recommendation System User Survey

AI 본문요약
AI-Helper

문제 정의

본 논문은 온라인 동영상 플랫폼 중 유튜브를 기반으로 새로운 정보 탐색 및 습득을 목적으로 하는 교육용 동영상 추천 시스템을 설계 및 구현한다. 최근 추천 시스템은 사 용자와 아이템 사이의 관계뿐만 아니라 아이템의 콘텐츠 특징을 활용하여 더 나은 서비스를 제공하고 있다.

제안 방법

최근 추천 시스템은 사 용자와 아이템 사이의 관계뿐만 아니라 아이템의 콘텐츠 특징을 활용하여 더 나은 서비스를 제공하고 있다. 따라서 본 논문이 제안하는 추천 서비스는 기존 온라인 동영상 서 비스 플랫폼들의 추천 서비스가 사용하는 동영상의 제목, 조회 수 등의 기본적인 특징 외에 동영상이 가지는 교육용 콘텐츠 특징을 추출하여 추천 시스템에 적용한다.
교사의 목소 리에 관한 연구는 학생들이 시각적 단서 없이 목소리만으 로도 화자의 성, 나이, 성격, 건강, 수업 방식 등을 유추할 수 있으며, 교사의 목소리가 내용전달 및 학생의 집중도에 구체적인 영향을 미친다. 또 최근 교육 현장에서는 교수자 의 방언 사용 여부도 문제가 되는 등 본 논문에서 교육용 동영상 추천 시스템에 활용할 청각적 특징으로 교수자의 음성에서 성별, 나이, 방언 사용 여부를 사용한다.
본 논문에서 웹 애플리케이션으로 유튜브 기반 교육용 동영상 추천 시스템을 구현하고 사용자 만족도 조사를 통 해 평가한다. 구현한 유튜브 기반 교육용 동영상 추천 시 스템의 사용자 만족도를 조사하기 위해 4가지 항목에 대해 설문 조사를 진행하였다.
본 논문에서는 AI Hub에서 제공하는 한국인 대화 음성 데이터 세트를 사용하여 화자 특징으로 성별, 나이, 방언 정보를 추출한다[19]. 한국인 대화 음성 데이터 세트는 나 이, 원거리, 노이즈, 다자발화 등 다양한 환경을 고려하여 한국인의 일상 대화를 인식하고 음성을 문자로 변환하기 위한 데이터 세트로 약 4,000시간의 음성 데이터와 약 400만 문장의 텍스트 데이터로 이루어져 각 음성 데이터 에 대해 화자의 성별, 나이, 거주 지역, 방언 정보 및 음성 대화의 주제와 음질 정보 등의 메타데이터 정보를 제공한 다.
학습 참여에 영향력이 높은 요소로 시각적 요소에는 교수자가 화면을 차지하는 비율과 자막 의 유무, 청각적 요소에는 교수자의 목소리의 특징으로 말 의 속도, 높낮이, 크기, 느낌, 마이크 사용 여부가 있다. 본 논문에서는 교수자를 기준으로 멀티미디어 요소를 콘텐츠 특징으로 추출하여 온라인 교육용 동영상 추천 시스템에 적용한다. 시각적 특징으로 기존 연구에서 사용한 특징인 화면 속 교수자의 등장 여부와 화면 속 교수자 크기의 비 율, 자막 여부를 사용한다.
한국인 대화 음성 데이터 세트는 나 이, 원거리, 노이즈, 다자발화 등 다양한 환경을 고려하여 한국인의 일상 대화를 인식하고 음성을 문자로 변환하기 위한 데이터 세트로 약 4,000시간의 음성 데이터와 약 400만 문장의 텍스트 데이터로 이루어져 각 음성 데이터 에 대해 화자의 성별, 나이, 거주 지역, 방언 정보 및 음성 대화의 주제와 음질 정보 등의 메타데이터 정보를 제공한 다. 본 논문에서는 실험을 위해 한국인 대화 음성 데이터 세트에서 음성 데이터 중 음질이 정상인 데이터에서 성별, 세대, 화자 방언 라벨링 정보를 활용하여 화자 음성 특징 추출 모델을 훈련한다.
화자의 음성은 화자에 대한 사회, 언어학적 정보를 포함하고 있어 사용자에게 선호되는 정보 를 구분할 수 있다. 본 논문에서는 화자의 음성 특징 중 화자 의 성별, 나이, 방언 사용 여부를 추출하여 이를 사용자의 선호 특징 정보를 활용하는 추천 시스템을 제안한다.
본 논문이 제안하는 추천 시스템은 사용자의 두 가지 선 택에 따라 다른 추천 방법으로 교육용 동영상은 추천한다. 온라인 교육용 동영상의 콘텐츠 특징을 정의하고, 추출하 여 추천 시스템에 활용한다.

대상 데이터

구현한 유튜브 기반 교육용 동영상 추천 시 스템의 사용자 만족도를 조사하기 위해 4가지 항목에 대해 설문 조사를 진행하였다. 설문 조사는 3일 이상 추천 시스 템을 사용한 20~30대 남녀 사용자 41명을 대상으로 Fig
한국인 대화 음성 데이터 세트에서 화자 성별 추출을 위 해 남성과 여성의 음성 데이터를 각각 10,000개씩 임의로 추출하고, 화자 나이 추출을 위해 일반 성인의 음성 데이 터를 약 13,000개, 그 외 유아, 청소년, 고령층의 데이터를 약 9,000개를 임의로 추출하고, 화자 방언 특징 추출을 위 해 경기/서울 지역의 음성 데이터를 약 9000개, 제주를 제 외한 강원, 충청, 전라, 경상 지역의 방언 음성 데이터를 약 8000개를 임의로 추출한다. 화자의 음성 특징에 따라 서로 다르게 추출된 데이터들을 7:3의 비율로 훈련, 테스 트 데이터 세트를 분리하여 앞서 설계한 딥러닝 모델을 특 징 추출을 위한 분류기로써 훈련하고 그 성능을 측정한다.

이론/모형

본 장에서는 온라인 플랫폼 중 유튜브를 기반으로 교육 용 동영상 추천 시스템을 설계하고 웹 애플리케이션으로 구현한다. 동영상에서 추출한 특징으로 사용자의 선호도를 조사하여 콜드 스타트 문제에 대응하는 순위 재정렬 방법 을 적용하고, 사용자의 기록이 쌓이면 이들 특징을 기반으 로 딥러닝 추천 알고리즘에 적용한다.
본 논문에서는 문장을 벡터화하기 위한 텍스트 임베딩 모델 중 BERT(Bidirectional Encoder Representations from Transformers)를 사용하여 검색어와 동영상의 제 목 사이의 의미론적 유사도를 측정한다. BERT는 구글에서 개발한 NLP(자연어처리) 사전 훈련 기술로 모든 자연어처 리 분야에서 좋은 성능을 내는 언어 모델이다[14].
화자의 출연 여부를 확인하기 위해 객체 검출 딥러닝 모 델로 one-stage 방법으로 설계되어 매우 빠른 속도로 객 체를 검출한다는 장점이 있는 YOLO(You Only Look Once)를 사용한다[15]. one-stage 방법은 객체를 인식할 때 객체의 위치를 찾고, 그 객체가 무엇인지 예측하는 과 정을 동시에 해결하는 방법이다.

성능/효과

‘추천 시스템 편의성 만족도’에서 87.80%로 구현한 웹 애플리케이션이 사용자 편의성에 있어 좋은 UI를 구축한 것으로 판단할 수 있다.
8%의 만족도를 기록했다. 대체로 선호 정보 조사 항목이 적절하다는 사용 자들의 평가가 있었지만, 추가로 유튜브가 제공하는 동영 상 특징인 조회 수, 동영상 채널의 구독자 수 등의 항목이 있었으면 좋겠다는 응답이 있었다.
04%로 다른 항목에 비해 사용자들의 만족도가 낮다. 사용자 기록 기반 추천은 사용자의 기록이 많을수록 좋은 추천을 제공하는데 사용자들의 기록이 충분히 쌓일 만큼 사용하지 않고 설문 조사를 진행하여 다소 아쉬운 만족도 결과가 나온 것으로 보인다.

후속연구

사용자의 선호 정보만 사용하 여 추천하는 방법과 사용자의 시청 기록을 기반으로 추천 하는 방법 모두 사용자들로부터 좋은 평가를 받았지만, 동 영상의 콘텐츠 특징을 확대하여 유튜브가 제공하는 기본적 인 동영상의 특징도 포함되었으면 좋겠다는 의견에 따라 선호 정보를 확대하는 연구가 필요하다. 또한, 동영상의 콘 텐츠 특징으로 화자의 음성 특징뿐만 아니라 영상 등에서 도 추출하여 추천 시스템에 활용하는 연구가 필요하다.
온라인 교육용 동영상의 콘텐츠 특징을 정의하고, 추출하 여 추천 시스템에 활용한다. 사용자의 선호 정보만 사용하 여 추천하는 방법과 사용자의 시청 기록을 기반으로 추천 하는 방법 모두 사용자들로부터 좋은 평가를 받았지만, 동 영상의 콘텐츠 특징을 확대하여 유튜브가 제공하는 기본적 인 동영상의 특징도 포함되었으면 좋겠다는 의견에 따라 선호 정보를 확대하는 연구가 필요하다. 또한, 동영상의 콘 텐츠 특징으로 화자의 음성 특징뿐만 아니라 영상 등에서 도 추출하여 추천 시스템에 활용하는 연구가 필요하다.

참고문헌 (21)

Banronbodo.com, '1 minute on the Internet... 500 hours of YouTube uploaded', http://www.banronbodo.com/news/articleView.html?idxno10153
Nasmedia, 'Internet user survey NPR 2021', https://www.nasmedia.co.kr/NPR/2021/
Javed, U., Shaukat, K., Hameed, I. A., Iqbal, F., Alam, T. M., & Luo, S. A review of content-based and context-based recommendation systems. International Journal of Emerging Technologies in Learning (iJET), 2021, 16(3), 274-306.
Reddy, S. R. S., Nalluri, S., Kunisetti, S., Ashok, S., & Venkatesh, B. Content-based movie recommendation system using genre correlation. In Smart Intelligent Computing and Applications, 2019. Springer, Singapore, pp. 391-397.
Deldjoo, Y., Schedl, M., Cremonesi, P., & Pasi, G. Recommender systems leveraging multimedia content. ACM Computing Surveys (CSUR), 2020, 53(5), 1-38.
Deldjoo, Y., Di Noia, T., Malitesta, D., & Merra, F. A. Leveraging Content-Style Item Representation for Visual Recommendation. In European Conference on Information Retrieval, 2022, Springer, Cham, pp. 84-92.
Deldjoo, Y., Constantin, M. G., Eghbal-Zadeh, H., Ionescu, B., Schedl, M., & Cremonesi, P. Audio-visual encoding of multimedia content for enhancing movie recommendations. In Proceedings of the 12th ACM Conference on Recommender Systems, 2018, September, pp. 455-459.
Deldjoo, Y., Schedl, M., Hidasi, B., & Knees, P. Multimedia recommender systems. In Proceedings of the 12th ACM Conference on Recommender Systems 2018, September, pp. 537-538.
Mehrabian, A. (1971). Silent messages (Vol. 8, No. 152, p. 30). Belmont, CA: Wadsworth.
Kang, Jae Shin, Kang, Tae Yim. Analysis of Content Components that Influence Learning Participation in Online Lectures for Multimedia Practice Subjects. Journal of the Korean Society of Design Culture, 2020, 26(4), 19-32.
Kim, Jong Moo. Analysis of learner's preference on the type of e-learning lecture contents -About basic linguistics subject and theoretic subject- , Korea Design Knowledge Society, 2015, 34, 175-182.
Namin Shin, Jung Hoon Lee. Students' emotional responses to teachers' voice media and preferred voice features of the teachers, Korean Society Of Educational Technology, 2009, 25(4), 29-52.
Chandrasekaran, D., & Mago, V. Evolution of semantic similarity -a survey. ACM Computing Surveys (CSUR), 2021, 54(2), 1-37.
Devlin, J., Chang, M. W., Lee, K., & Toutanova, K. Bert: Pre-training of deep bidirectional transformers for language understanding. 2018. arXiv preprint arXiv:1810.04805.
Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. You only look once: Unified, real-time object detection. In Proceedings of the IEEE conference on computer vision and pattern recognition, 2016, pp. 779-788.
Sweta, S., Babu, J. M., Palempati, A., & Kanhe, A. Cepstral Coefficient-Based Gender Classification Using Audio Signals. In Sustainable Advanced Computing, 2022. Springer, Singapore. pp. 81-90.
Grzybowska, J., & Kacprzak, S. Speaker Age Classification and Regression Using i-Vectors. In INTERSPEECH. 2016, September, pp. 1402-1406.
Lulu, L., & Elnagar, A. Automatic Arabic dialect classification using deep learning models. Procedia computer science, 2018, 142, 262-269.

상세보기
AI Hub, Korean Conversation Voice, https://aihub.or.kr/aidata/7968.
Cheng, H. T., Koc, L., Harmsen, J., Shaked, T., Chandra, T., Aradhye, H., ... & Shah, H. Wide & deep learning for recommender systems. In Proceedings of the 1st workshop on deep learning for recommender systems, 2016, September, pp. 7-10.
Streamlit library, https://streamlit.io/

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