초록

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

문서 여과 시스템은 사용자의 정보요구를 기준으로 문서들을 선별하여 제시한다. 사용자의 정보요구는 하나 이상의 단어들로 구성된 프로파일로 표현이 되며, 문서의 여과 과정 동안에 발생하는 사용자의 연관성 평가를 통해 구체적인 내용으로 변할 수 있다. 기존 연구의 경우 사용자는 자신이 직접 연관성 평가에 참여하여 평가 정보를 입력하고, 사용자가 평가한 긍정적 피드백 정보를 이용하여 사용자 프로파일을 학습한다. 본 연구는 사용자가 평가한 긍정적 연관성 피드백 뿐만 아니라 부정적 연관성 피드백을 함께 이용한 사용자 프로파일 학습 방법을 제안한다. 제안된 방법과, 대표적인 연관성 피드백 방법인 Rocchio 방법과의 성능을 측정하기 위해 네 가지 토픽에 대하여 여과를 수행하였다. 실험한 결과 부정적 연관성 피드백 정보를 이용하였을 경우 Rocchio 방법 보다는 6% 더 성능이 높은 것을 볼 수 있었다. 실험결과 부정적 평가를 받은 문서를 이용하여 사용자가 선호하지 않는 문서를 제거함으로써 여과 시스템의 성능을 향상 시킬 수 있었다.

문서 여과 시스템은 사용자의 정보요구를 기준으로 문서들을 선별하여 제시한다. 사용자의 정보요구는 하나 이상의 단어들로 구성된 프로파일로 표현이 되며, 문서의 여과 과정 동안에 발생하는 사용자의 연관성 평가를 통해 구체적인 내용으로 변할 수 있다. 기존 연구의 경우 사용자는 자신이 직접 연관성 평가에 참여하여 평가 정보를 입력하고, 사용자가 평가한 긍정적 피드백 정보를 이용하여 사용자 프로파일을 학습한다. 본 연구는 사용자가 평가한 긍정적 연관성 피드백 뿐만 아니라 부정적 연관성 피드백을 함께 이용한 사용자 프로파일 학습 방법을 제안한다. 제안된 방법과, 대표적인 연관성 피드백 방법인 Rocchio 방법과의 성능을 측정하기 위해 네 가지 토픽에 대하여 여과를 수행하였다. 실험한 결과 부정적 연관성 피드백 정보를 이용하였을 경우 Rocchio 방법 보다는 6% 더 성능이 높은 것을 볼 수 있었다. 실험결과 부정적 평가를 받은 문서를 이용하여 사용자가 선호하지 않는 문서를 제거함으로써 여과 시스템의 성능을 향상 시킬 수 있었다.

AI 본문요약

엑셀 다운로드 AI-Helper

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

• 연구 주제
• 연구 방법
• 연구 결과

문제 정의

• [9]의 연구에서는 사용자의 문서에 대한 관심도에서 사용자가 선호하는 용어를 추출 이를 강화학습으로 학습하는 방법을 사용한다. [1 이의 연구에서는 사용자의 모델링을 위해 강화학습 기반의 새로운 연관성 피드백 알고리즘을 제안하였다. 위의 연구들에서는 긍정적인 정보만을 이용하여 프로파일을 학습함으로써 여과된 문서에 노이즈가 들어갈 수 있다.
• 본 논문에서는 강화학습을 연관성 피드백 방법의 관점에서 분석하고 이를 이용하여 사용자 프로파일을 학습하는 방법을 제시하였다. 기존의 수동적인 문서 여과 시스템은 많은 양의 문서들 중 사용자가 선호하는 문서를 선택해 주지만, 많은 양의 문서에서 사용자에게 매번 선택을 요구하는 것은 두리가 있다.
• 즉, 사용자의 연관성 피드백을 이용하여 프로파일을 수정하며, 사용자의 선호도를 잘 반영하게 하는 것이 프로파일 학습의 목적이 된다. 사용자로부터 주어진 긍정적, 무정적 연관성 피드백을 이용한 프로파일의 학습 과정은 그림 2로 요약할 수 있다.

가설 설정

• 실험에 사용한 네 가지 토픽은 '올림픽', '유가(油價)'연예계', '문화'이다. 실험 조건상 사용자 선호도 변화는 없는 것으로 가정하였다.

제안 방법

• 이에 따라 본 연구에서는 강화학습을 연관성 피드백 관점에서 분석하고 부정적인 연관성 피드백을 이용하여 사용자가 선호하지 않는 문서를 여과 과정에서 제거한다. 또한 사용자의 선호도 학습을 위해 사용자가 평가한 부정적 관련성 평가 값을 이용하여 사용자 프로파일을 구성한다. 이렇게 구성된 사용자의 프로파일은 강화학습[3]을 이용하여 학습을 수행하며 학습 과정이 끝난 후 사용자의 정보요구에 해당하는 문서를 여과하게 된다.
• 실험은 각 토픽별로 Rocchio, RL, 제안한 방법을 이용한 경우에 대하여 여과의 성능을 평가하였다. 여과 결과의 평가 척도로는 정보 검색에서 널리 사용되고 있는 정확률과 재현율을 이용하여 평가 하였으며 사용자 프로파일과 문서 간의 유사도를 측정하기 위해 코사인 유사도 측정법을 사용하였다.
• 하지만 여과되는 문서의 양이 많아지고, 모호한 단어가 출현 하였을 경우 부적합 문서가 섞일 가능성이 크다. 이에 따라 본 연구에서는 강화학습을 연관성 피드백 관점에서 분석하고 부정적인 연관성 피드백을 이용하여 사용자가 선호하지 않는 문서를 여과 과정에서 제거한다. 또한 사용자의 선호도 학습을 위해 사용자가 평가한 부정적 관련성 평가 값을 이용하여 사용자 프로파일을 구성한다.

대상 데이터

• 수집된 총 770개의 문서를 사용한다. 이 문서의 구성은 중앙일보 웹 사이트에서 제공되는 "개의 카테고리에서 각각 70개의 문서를 수집 사용하였고, 카테고리는 정치, 경제, 스포츠, 문화 등으로 구성되어 있다. 여과 시스템의 성능을 평가하기 위해 네 가지 토픽에 대하여 성능을 평가한다.
• 실험에 사용된 데이터는 중앙일보 신문기사를 대상으로 수집된 총 770개의 문서를 사용한다. 이 문서의 구성은 중앙일보 웹 사이트에서 제공되는 "개의 카테고리에서 각각 70개의 문서를 수집 사용하였고, 카테고리는 정치, 경제, 스포츠, 문화 등으로 구성되어 있다.
• 여과 시스템의 성능을 평가하기 위해 네 가지 토픽에 대하여 성능을 평가한다. 실험에 사용한 네 가지 토픽은 '올림픽', '유가(油價)'연예계', '문화'이다. 실험 조건상 사용자 선호도 변화는 없는 것으로 가정하였다.
• 여과 결과의 평가 척도로는 정보 검색에서 널리 사용되고 있는 정확률과 재현율을 이용하여 평가 하였으며 사용자 프로파일과 문서 간의 유사도를 측정하기 위해 코사인 유사도 측정법을 사용하였다. 평가 대상 문서는 Rocchio, RL 방법을 이용하여 여과된 문서 중 상위에 랭크된 10, 20, 30개의 문서를 대상으로 한다.

이론/모형

• 사용자의 프로파일을 구축하기 위하여 사용자의 평가를 이용한 연관성 피드백 방법을 이용한다[5, 6, 7]. 즉 연관성 피드백 방법은 시스템으로부터 사용자가 일차 여과된 문서 중에서 적합문서와 부적합 문서를 판단한 후사 용자가 관련 있다고 생각되는 문서의 키워드를 사용자의 프로파일에 추가하여 사용자의 선호도를 변경한다 [5, 6, 7].
• 경우에 대하여 여과의 성능을 평가하였다. 여과 결과의 평가 척도로는 정보 검색에서 널리 사용되고 있는 정확률과 재현율을 이용하여 평가 하였으며 사용자 프로파일과 문서 간의 유사도를 측정하기 위해 코사인 유사도 측정법을 사용하였다. 평가 대상 문서는 Rocchio, RL 방법을 이용하여 여과된 문서 중 상위에 랭크된 10, 20, 30개의 문서를 대상으로 한다.

성능/효과

• 그림 4, 5와 같다. 그 결과 제안한 방법이 Rocchio 방법 보다는 6-10% 성능이 높은 것으로 나타났으며, RL과 긍정적 관련성 평가만을 이용한 경우 보다 제안한 방법의 경우 2〜3% 성능 향상을 볼 수 있었다. 실험 결과에서 볼 수 있듯이 사용자로부터 받은 긍정적 관련성 평가와 부정적 관련성 평가를 받은 문서를 함께 이용한 경우 여과의 성능이 향상되었다.
• 그 결과 제안한 방법이 Rocchio 방법 보다는 6-10% 성능이 높은 것으로 나타났으며, RL과 긍정적 관련성 평가만을 이용한 경우 보다 제안한 방법의 경우 2〜3% 성능 향상을 볼 수 있었다. 실험 결과에서 볼 수 있듯이 사용자로부터 받은 긍정적 관련성 평가와 부정적 관련성 평가를 받은 문서를 함께 이용한 경우 여과의 성능이 향상되었다. 또한, 여과되는 문서의 수가 많아지면 성능이 향상되는 것을 알 수 있다.
• 실험한 결고卜, 제시된 방법이 특정 주제에 대한 관심에보다 적절한 문서들을 제시하는 것을 보았다. 즉 사용자가 제시한 부정적 연관성 피드백을 함께 이용하여 사용자 프로파일을 학습하였을 경우 긍정적 연관성 피드백을 이용한 경우 보다 나은 성능을 보였다.
• 적절한 문서들을 제시하는 것을 보았다. 즉 사용자가 제시한 부정적 연관성 피드백을 함께 이용하여 사용자 프로파일을 학습하였을 경우 긍정적 연관성 피드백을 이용한 경우 보다 나은 성능을 보였다. 사용자들이 많은 양의 기사를 모두 읽고 자신의 관심 주제를 오류 없이 모두 명시하는 것은 쉽지 않은 일이므로, 제안된 방법이 어느 정도의 오류 및 누락과 관계없이 동작할 수 있는 이러한 특징은, 신문기사 여과 서비스와 같은 실용적 인용도의 여과를 위해 바람직한 것으로 보인다.

후속연구

• 향후 과제로는 사용자의 관심이동 정보를 반영한 프로파일의 학습 방법에 대한 연구가 필요하다. 이와 더불어 웹 환경에서 사용자의 프로파일의 공유를 위해 온톨로지를 활용한 사용자의 선호도 학습 방법에 대한 연구가 필요하다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기

연구과제 타임라인

정보기술연구인력양성사업단

LOADING...

전체(0) 논문(0) 특허(0) 보고서(0)

더보기

LOADING...

전체(0) 논문(0) 특허(0) 보고서(0)

더보기

LOADING...

LOADING...

LOADING...