[논문]가상 커뮤니티에서 사회 관계 추론을 위한 시맨틱 웹 접근 방법

이승훈; 김지혁; 김흥남; 조근식

문제 정의

본 논문에서 구축한 온톨로지는 특정 도메인의 지식 표현이 아닌 서로 다른 개체들을 어떻게 표현하여 의미적으로 연결할 수 있을 것인지에 초점을 두었다. 여기에서의 의미적 연결이란 개별자원 (resource) 들에 명시적인 속성을 부여하여 연결하는 것을 말한다.
본 논문에서는 이러한 기존의 소셜 네트워크 서비스의 단점을 보완하기 위하여, 시맨틱 웹 기반의 소셜 네트워크 분석 시스템을 제안한다. 사용자가 업로드한 개인의 사진 분석을 통하여 의미적인 가상 커뮤니티를 반자동적으로 구성하고 시각화하며, 추론을 통하여 새로운 의미적 관계를 발견해 낸다.
본 연구에서는 사용자들의 사진 분석을 이용하여 시맨틱 소셜 네트워크를 구성하고 새로운 소셜관계를 추론한다.
소셜 네트워크 분석 (Social Network Analysis) 은 주어진 범위 내의 전체 관계에서 사용자와 이미 인맥 관계를 형성하고 있는 사람들의 정보적 연결성을 통해 새로운 사회적 연결 관계를 발견해내는 것에 목적이 있다. [4, 5], 그러나 현재 서비스되고 있는 대부분의 소셜 네트워크 사이트는 사용자와 관련된 정보자원 및 개체들 간의 관계에 대하여 명확하게 정의하고 있지 않아 의미적 관계를 발견하지 못하는 한계가 있다.
발견 해 내는데 한계가 있다. 이를 해결하기 위해 본 연구에서는 시맨틱 웹 기반의 소셜네트워크 분석 시스템을 제안하여, 사용자 개인의 사진으로부터 소셜 네트워크를 형성하고 시각화하는 프로토타입 시스템을 구현하였다. 즉, 개인 사용자들이 업로드한 사진들을 분석하여 의미적인 가상 커뮤니티를 반자동적으로 구성하고 새로운 관계 추론에 활용하였다.

가설 설정

BRe fbafzknows속성과 같은 개체들 간의 연결 관계를 방향성 간선으로 표현하고 노드 간의 연결 관계가 있으면 그 거리를 1로 설정하였다. 여기서 사진 소유자의 사진에 등장한 사람은 fbafzknows 속성을 갖는다고 가정하였다. 제안된 방법(SR)은 온톨로지에 정의된 클래스, 속성 및 규칙에 의해 추론된 결과를 반영하였다.
그리고 업로드 된 사진으로부터 추출된 378개의 얼굴 이미지를 이용하였다. 여기에서 추출된 얼굴 이미지의 개수는 온톨로지 내에 클래스와 속성으로 정의된 사용자 프로파일의 개수와 동일하다고 가정하였다. 실험을 위한 데이터 집합은 표 2와 같다.

제안 방법

3 절에서 언급하였듯이 소셜 그래프에서 각각의 BR 과 SR 은 Floyed-Warshell[22] 알고리즘을 이용하여 최단 경로를 탐색한다. BRe fbafzknows속성과 같은 개체들 간의 연결 관계를 방향성 간선으로 표현하고 노드 간의 연결 관계가 있으면 그 거리를 1로 설정하였다. 여기서 사진 소유자의 사진에 등장한 사람은 fbafzknows 속성을 갖는다고 가정하였다.
이미 언급한 바와 같이 폭넓은 분야에서 연구가 계속되고 있으며, 이에 따른 다양한 응용 연구가 진행되어 왔다. C. Chene 전자 도서관 자료의 저자들이 참조한 타자료의 목록을(co-citatkm) 바탕으로 이들의 관계를 분석하고 시각화하였다 [6]. 또한 문서의 공동저자 간의 관계를 분석하고[7], 더 나아가 공동 저자 네트워크 내에서 영향력 있는 개인을 발견해 내기도 한다 [8].
SWRL(Semantic Web Rule Language)은 OWL의 하부 언어인 OWL DL 및 OWL Lite欢 Rule ML의 하부 언어인 Unary/Binary Datalog RuleML을 통합한 언어이다. SWRLe 유사 Hom 규칙(Hom-like rules)을 포함시켜 0WL의 공리(axiom)를 확장함으로써 유사 Hom 규칙을 0WL 지식 베이스와 통합시킬 수 있도록 하였다. SWRL 의 규직은 전제 (antecedent (body)) 와 결과 (consequent(head)) 간의 관계를 표시하는 형태를 갖는다.
foaf:Person 클래스의 서브 클래스로 es:User 클래스를 정의하여, 특정 사용자가 가지는 일련의 정 보들을 FOAF 에 서 상속받은 속성과 새롭게 정의한 속성으로 표현하였다. 그리고 사람 간의 사회관계 및 사진에 관한 정보 그리고 얼굴 이미지에 관한 도메인을 따로 정의하여 온톨로지를 구축하였다.
수 없었다. 또한 모두 같은 연결 관계의 간선 거리로 최단 경로를 탐색하였기 때문에, 단순히 연결된 노드의 개수가 적어 그 거리가 짧은 경로를 결과로 제공하였다. 이에 비해 제안된 SR기반에서는 온톨로지를 바탕으로 사진과 사용자, 사용자와 사용자 간의 관계를 명확히 하고 정의된 규칙에 의해 새로운 관계 및 지식을 추론함으로써, 새로운 가상의 연결 관계를 생성할 수 있었다.
방대한 소셜 네트워크에서 여러 형태의 사회 그룹을 분석해내기 위해 FOAF 로 이루어진 데이터의 기계 학습 방법이 제안되기도 하였다[16, 17]. 또한, 사용자들 간의 신뢰도 정도를 소셜 네트워크의 분석에 활용하기 위해, J. Golbecke신뢰 네트워크 모델링을 위한 새로운 FOAF클래스와 9 단계의 신뢰 정도를 나타내는 Person클래스의 새로운 속성을 정의하였다[15].
마지막으로 추론 엔진은 사용자가 던진 질의를 분석, 처리하고 지식베이스의 인스턴스와 정의된 규칙을 기반으로 새로운 소셜 관계를 추론한다. 그리고 그 결과를 사용자에게 시각화하여 제공한다.
제안한다. 사용자가 업로드한 개인의 사진 분석을 통하여 의미적인 가상 커뮤니티를 반자동적으로 구성하고 시각화하며, 추론을 통하여 새로운 의미적 관계를 발견해 낸다. 이를 위해 제안된 시스템의 디자인 목표는 다음과 같다.
우선 사용자가 사진을 업로드 할 수 있도록 하거나, 사용자가 소유하고 있는 사진으로부터 추출된 얼굴 이미지와 전체 사진을 보여주는 등 일반적인 기능의 컴퍼넌트가 제공된다. 사용자가 추출된 얼굴 이미지를 클릭하면 전체 사진 중 유사한 얼굴이 등장하는 사진을 검색하여 보여주고, 마지막으로 사용자가 네트워크상에서 소셜 관계를 가지는 사람들을 그래프로 표현하고, 사람 간의 최적 경로를 탐색하는 기능을 제공한다.
사진을 실제 소유하고 있는 사용자 30명 중 한 명과 시스템에서 임의의 사용자 한 명을 선택하여 이 두 사람 간의 소셜 연결 경로를 추론하고 그 결과가 얼마나 정확하게 예측 되었는가를 평가한다. 시스템이 표 3과 같은 소셜 연결 경로 질의 50개를 수행하도록 하였고, 질의된 두 사람의 연결 관계는 실제 두 단계 이상, 다섯 단계를 넘지 않는 대상으로 선택하였다.
두 번째, 사용자들의 관계 및 사용자와 사진과의 명확한 관계를 정의한다. 세 번째, 의미적인 가상 커뮤니티(소셜네트워크)를 분석한다. 마지막으로, 정보자원(resource)의 재사용과 공유를 증진시킨다.
Ding et al.은 FOAF 문서 자체의 구조와 특성을 분석하기 위해, 실험적 이용을 통해 자주 사용되는 어휘, 도출된 소셜 네트워크에서 발견된 흥미로운 연결패턴 등을 분석하였다[14]. 이를 바탕으로 T.
이러한 문제를 보안하기 위해, 본 연구에서는 그림 6과 같이 최적의 경로를 탐색 과정에서 추론된 결과를 바탕으로 소셜 관계를 재구성 한다. 두 노드 사이의 거리는 의미적인 연결 관계를 고려하여 서로 다른 값을 부여한다- 그리고 새로 추가된 노드 간의 의미적 연결 관계는 가상의 연결(virtual link)을 갖게 되고, 이에 따라 새로운 가중치(거리)를 부여함으로써 소셜 그래프는 재구성된다.
여기서 사진 소유자의 사진에 등장한 사람은 fbafzknows 속성을 갖는다고 가정하였다. 제안된 방법(SR)은 온톨로지에 정의된 클래스, 속성 및 규칙에 의해 추론된 결과를 반영하였다. 새로 추론된 노드 간의 의미적인 연결 관계는 소셜 그래프로부터 가상의 연결(virtu이 link)을 갖게 된다.
제안된 시스템은 기존의 소셜 네트워크 서비스와는 다르게 의미적인 관계의 추론을 위한 온톨로지 및 도메인 규칙을 정의함으로써 보다 향상된 소셜 관계를 제공해 준다. 또한 정보자원을 컴퓨터가 처리할 수 있는 OWL, RDF/RDFS, 그리고 SWRL 을 사용하여 의미적 정보로 표현하고 연결함으로써 상이한 시스템 간의 재사용 및 공유의 기반을 마련하였다.
제안된 시스템은 추론을 통하여 두 사용자 간의 친밀도가 높은 최상의 연결된 경로를 탐색하여 제공한다. 탐색 과정을 통해 발견해 낸 두 사용자 간의 최상의 연결 경로는 사용자와 밀접한 관계를 가지는 사람들을 통해 새로운 연결 관계를 추론해 냄으로써 사용자의 인맥 형성 네트워크를 증대시킬 수 있다.
제안된 시스템의 프로토타입은 ATL Server 8.0 Framework 및 IIS6.0의 웹 서버 환경 하에, 얼굴분석은 Intel의 컴퓨터 영상 프로그램 라이브러리 인 OpenCVl.OU을 사용하였다.
제안하는 시스템을 이용하여 발견된 두 사용자 간의 연결 경로가 실제로 높은 친밀도를 가지는 인맥들을 바탕으로 탐색 되어졌 는가를 실험을 통하여 평가하였다.
이를 해결하기 위해 본 연구에서는 시맨틱 웹 기반의 소셜네트워크 분석 시스템을 제안하여, 사용자 개인의 사진으로부터 소셜 네트워크를 형성하고 시각화하는 프로토타입 시스템을 구현하였다. 즉, 개인 사용자들이 업로드한 사진들을 분석하여 의미적인 가상 커뮤니티를 반자동적으로 구성하고 새로운 관계 추론에 활용하였다.
OU을 사용하였다. 추론 서버로 BEA Weblogic 9.2, 추론엔진은 Bossam 0.9b4512 13> 사용해서 이루어졌으며, ProtegeS .3 14 플랫폼(platform) 을 이용하여 온톨로지 및 도메인 규칙을 구축하였다.
그래프로 시각화 한다. 특정 개인과의 소셜 관계를 찾고자 질의를 하면 시스템은 온톨로지에 정의된 클래스와 속성, 그리고 도메인 규칙을 적용하여 사용자 간의 정보적 연결성을 추론하여 제공한다.

대상 데이터

구축하였다. 그리고 업로드 된 사진으로부터 추출된 378개의 얼굴 이미지를 이용하였다. 여기에서 추출된 얼굴 이미지의 개수는 온톨로지 내에 클래스와 속성으로 정의된 사용자 프로파일의 개수와 동일하다고 가정하였다.
성능 평가를 위해 30명의 사용자(사진 소유자)가 직접 사진들을 업로드 하여 총 307장의 사진 데이터를 구축하였다. 그리고 업로드 된 사진으로부터 추출된 378개의 얼굴 이미지를 이용하였다.
평가한다. 시스템이 표 3과 같은 소셜 연결 경로 질의 50개를 수행하도록 하였고, 질의된 두 사람의 연결 관계는 실제 두 단계 이상, 다섯 단계를 넘지 않는 대상으로 선택하였다.

데이터처리

추론 결과를 바탕으로 탐색된 연결 경로(SR)의 정 확성 은 사용자 간의 Binary Relationship을 바탕으로 탐색된 경로(BR)와의 비교, 분석을 통하여 평가된다. 3.

이론/모형

평가된다. 3.3 절에서 언급하였듯이 소셜 그래프에서 각각의 BR 과 SR 은 Floyed-Warshell[22] 알고리즘을 이용하여 최단 경로를 탐색한다. BRe fbafzknows속성과 같은 개체들 간의 연결 관계를 방향성 간선으로 표현하고 노드 간의 연결 관계가 있으면 그 거리를 1로 설정하였다.
온톨로지는 사람, 사진, 사진에서 추출된 얼굴 이미지, 소셜 관계 등 소셜 네트워크를 구축하는데 필요한 정보들을 클래스와 속성으로 정의하여 OWL로 표현된다. 그리고 정의된 클래스와 속성을 바탕으로 SWRL(Semantic Web Rule Language) 를 이용하여 도메인 규칙을 생성한다[23].
시맨틱 소셜 온톨로지의 구성은 FOAF에 정의된 클래스와 속성을 활용하였다. foaf:Person 클래스의 서브 클래스로 es:User 클래스를 정의하여, 특정 사용자가 가지는 일련의 정 보들을 FOAF 에 서 상속받은 속성과 새롭게 정의한 속성으로 표현하였다.
제안한 시스템의 최단 경로 탐색은 Floyed-Warshell[22] 알고리즘을 이용한다. 그림 5는 사진 소유자의 사진에 등장한 사람들(es:hasRelationWith) 간의 상호관계를 방향성 있는 간선으로 연결하고 간선의 거리 (distance) 를 1 로 설정하였다.

성능/효과

것이다. 그래프에서 보는 바와 같이 제안된 시스템에서 탐색된 소셜 연결 경로 SR의 적중률은 72%로 BR의 적중률 56%보다 16% 향상된 성능을 보였다. 즉, 제안한 시스템이 친밀도가 높은 사람 간의 최적 연결 경로를 탐색하는데 효율적이라는 것을 알 수 있다.
첫 번째, 의미적으로 잘 정의된 개인 사진 관리를 제공한다. 두 번째, 사용자들의 관계 및 사용자와 사진과의 명확한 관계를 정의한다. 세 번째, 의미적인 가상 커뮤니티(소셜네트워크)를 분석한다.
소셜 관계를 제공해 준다. 또한 정보자원을 컴퓨터가 처리할 수 있는 OWL, RDF/RDFS, 그리고 SWRL 을 사용하여 의미적 정보로 표현하고 연결함으로써 상이한 시스템 간의 재사용 및 공유의 기반을 마련하였다. 하지만, 복잡하게 표현될 수부扌即 없는 개인이나 사회적 관계를 상세하게 정의하는 데에 한계가 있었다.
또한 모두 같은 연결 관계의 간선 거리로 최단 경로를 탐색하였기 때문에, 단순히 연결된 노드의 개수가 적어 그 거리가 짧은 경로를 결과로 제공하였다. 이에 비해 제안된 SR기반에서는 온톨로지를 바탕으로 사진과 사용자, 사용자와 사용자 간의 관계를 명확히 하고 정의된 규칙에 의해 새로운 관계 및 지식을 추론함으로써, 새로운 가상의 연결 관계를 생성할 수 있었다. 또한 두 사용자 간의 관계를 의미적으로 추론하여 그간선 거리를 상이하게 설정할 수 있었다.
그래프에서 보는 바와 같이 제안된 시스템에서 탐색된 소셜 연결 경로 SR의 적중률은 72%로 BR의 적중률 56%보다 16% 향상된 성능을 보였다. 즉, 제안한 시스템이 친밀도가 높은 사람 간의 최적 연결 경로를 탐색하는데 효율적이라는 것을 알 수 있다.
또한 두 사용자 간의 관계를 의미적으로 추론하여 그간선 거리를 상이하게 설정할 수 있었다. 추론된 새로운 연결 관계와 의미에 따라 다르게 부여된 간선 거리를 바탕으로 한 최단 경로 탐색은 보다 정확한 두 사용자의 간의 의미적인 연결 경로를 제공할 수 있었다.

후속연구

더불어 소셜 관계에 대한 도메인 규칙이 풍부하고 세부적으로 정의 되어 있지 않으면 새로운 관계 추론의 한계가 있었다. 따라서 복잡한 네트워크 내에 소셜 관계를 추론 가능하도록 명확하고 새로운 규칙들을 맍이 정의해야만 향상된 성능을 갖게 될 것이다. 표 4는 일부 사용자 간의 관계 추론의 결과이다.
국한되어 있었다. 향후 학교, 기업 관련 소셜 네트워크 서비스나 교육 관련 서비스, 그리고 개인 사진 추천 시스템 등과 같은 다양한 응용서비스에 적용하여 제안된 시맨틱 소셜 네트워크 시스템을 활용하는 방안을 모색해야겠다.

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

가상 커뮤니티에서 사회 관계 추론을 위한 시맨틱 웹 접근 방법 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

가상 커뮤니티에서 사회 관계 추론을 위한 시맨틱 웹 접근 방법 원문보기

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

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

초록
AI-Helper

AI 본문요약
AI-Helper