[논문]사용자의 행동 분석을 위한 과거 기록의 협력 필터링 적용

김용준; 박정은; 오경환

문제 정의

사용자와 로봇 사이에서 상호 작용에서 발생할 수 있는 불확실성을 과거기록의 탐색을 통해 해결하고자 한다. 과거 사용자의 요청과 로봇의 행동 결과를 데이터베이스로 저장하고, 불확실성을 담고 있는 요청이 들어왔을 경우, 가장 유사한 과거 기록을 탐색하여 사용자에게 추천해주는 것을 목표로 한다. 과거 기록은 크게 시간, 장소, 대상 물건, 로봇의 행동 유형으로 구분되어 저장되며, 각각의 기록들의 가능성들의 합을 기준으로 전체 과거 기록을 K-Means 알고리즘을 통하여 군집화한다.
본 논문에서는 사용자와 로봇 사이에서 상호 작용에서 발생할 수 있는 불확실성을 과거기록의 탐색을 통해 해결하고자 하였다. 과거 기록은 시간, 장소, 대상 물건, 행동유형으로 구분되어 저장하였으며, 각각의 필드들의 가능성들의 합을 기준으로, 전체 기록을 K-Means 알고리즘을 통하여 군집화하고 협력 필터링을 기반으로 현재의 요청이 담고있는 불확실성에 대한 가능성 있는 값을 추천해주도록 하였다.
사용자와 로봇 사이에서 상호 작용에서 발생할 수 있는 불확실성을 과거기록의 탐색을 통해 해결하고자 한다. 과거 사용자의 요청과 로봇의 행동 결과를 데이터베이스로 저장하고, 불확실성을 담고 있는 요청이 들어왔을 경우, 가장 유사한 과거 기록을 탐색하여 사용자에게 추천해주는 것을 목표로 한다.

가설 설정

대상물건의 유사 가능성의 경우, 요청 되었던 행동과, 장소를 고려하여 계산되었다. 동일한 행동이 많고, 동일한 장소가 많다면, 두 대상물건은 서로 유사하다는 가정으로 시작하였다. 예를 들어, 신문과 책, 그리고 지팡이 사이에는 요청 되어지는 행동의 분포가 다르며, 또한 장소의 분포도 다르게 된다.
- 로봇의 행동 : 사용자가 로봇에게 주문할 수 있는 전체 로봇의 행동을 카테고리에 의해 구분하고, 식별 번호를 부여하여 사용한다. 로봇의 기능은 하나의 행동 또는 몇 가지의 로봇 행동의 조합으로 이루어진다고 가정하고, 계획 수립기는 이 행동의 목록을 이용하여 계획을 생성한다고 가정한다.

제안 방법

이를 활용하기 위해 모든 행동을 각각 서로 비교하여 행동-행동 유사가능성 테이블을 계산하였다. 각각의 행동에 대하여 과거기록을 모두 탐색하여, 요청되었던 대상 물건과, 장소에 대하여 분포를 비교하여 테이블을 만들어 두고, 과거 기록간의 유사 가능성 계산에 활용하였다. 행동-행동 유사 가능성 테이블의 값들은, 0 부터 1 사이의 값을 가지도록 하였다.
본 논문에서는 사용자와 로봇 사이에서 상호 작용에서 발생할 수 있는 불확실성을 과거기록의 탐색을 통해 해결하고자 하였다. 과거 기록은 시간, 장소, 대상 물건, 행동유형으로 구분되어 저장하였으며, 각각의 필드들의 가능성들의 합을 기준으로, 전체 기록을 K-Means 알고리즘을 통하여 군집화하고 협력 필터링을 기반으로 현재의 요청이 담고있는 불확실성에 대한 가능성 있는 값을 추천해주도록 하였다. 그리고 실험을 통하여 주어진 시나리오를 올바르게 수행하는 것을 확인하다.
100 개의 실험 데이터들을 총 10 개의 군집으로 각각 군집화 한다. 군집화의 평가 척도로는 한 객체와 가장 유사 가능성이 높은 객체를 판별한 후, 두 객체가 동일한 군집에 포함되어 있는지 여부로 군집화 평가를 수행하였다.
사용된 군집화 알고리즘은 비 계층적인(non-hierarchical) 구조를 가지고, 한 객체가 단 하나의 군집에 소속되는 특성을 갖는 K-Means 알고리즘이다. 그 결과를 기반하여, 협력 필터링을 사용하여 새롭게 요청된 질의와의 유사 가능성 관계를 계산하여 가장 가능성 있는 값을 추천하여 준다.
우선, 총 3 일간의 가상 공간 내에서의 사용자와 로봇간의 있음직한 상호 작용을 각각 과거 기록 목록에 직접 입력 하였으며, 이를 기반으로 <그림 4-3>과 같은 전체 과거 기록들간의 가능성 수치를 100x100 행렬로 계산하여 저장하였다. 그 후, 가능성 수치 행렬을 바탕으로 K-Means 알고리즘을 이용하여 각각의 과거기록들의 총 군집의 수는 10 개로 설정한 후, 군집화를 수행하였다. 마지막으로, 각각의 시나리오에 맞는 질의를 보내어 협력 필터링에 의한 추천 값을 확인하였다.
과거 기록은 크게 시간, 장소, 대상 물건, 로봇의 행동 유형으로 구분되어 저장되며, 각각의 기록들의 가능성들의 합을 기준으로 전체 과거 기록을 K-Means 알고리즘을 통하여 군집화한다. 그 후, 현재의 요청과 유사한 군집을 선택하고, 그 군집내의 기록들의 상호 협력 필터링(collaborative filtering)을 기반으로 가장 유사한 값을 사용자의 요청에서의 불확실성 값으로 추천한다.
논문에서는 가정에서 인간의 심부름을 하는 간단한 로봇을 대상으로 하여, 그 로봇의 지능을 이루고 있는 부분 중 하나인 계획 수립기(planner)에서의 특정 불확실성(uncertainty)을 처리하는 부분을 다룬다. 계획 수립기란 간단히 말하여, 로봇의 행동 계획을 수립하는 역할을 하는 것으로, 주어진 제약조건하에서 주어진 목표까지의 경로에 있는 개개의 연산처리들을 하나의 순서로 만든 계획(plan)을 생성하고 선택하는 작업을 수행하게 된다.
두 시점의 과거 기록을 비교하기 위해 위의 각 속성간의 유사 가능성을 계산하고, 그 수치들간의 평균을 구하여 최종 유사 가능성으로 사용한다. 앞서 배경연구에서 보았듯이 K-Means 알고리즘을 이용한 군집화의 결과는 두 데이터 사이의 거리 또는 유사성을 어떻게 정의하는가의 의해 크게 좌우된다.
로봇의 행동의 유사가능성은 과거 기록에서의 대상물건, 장소의 분포를 고려하여 계산하였다. 이는 같은 대상물건을 사용하는 빈도가 높고, 사용자가 로봇에게 요청한 장소와 탐색할 것을 요청한 장소가 같다면, 두 가지의 행동이 서로 유사하다는 가정으로부터 시작하였다.
그 후, 가능성 수치 행렬을 바탕으로 K-Means 알고리즘을 이용하여 각각의 과거기록들의 총 군집의 수는 10 개로 설정한 후, 군집화를 수행하였다. 마지막으로, 각각의 시나리오에 맞는 질의를 보내어 협력 필터링에 의한 추천 값을 확인하였다.
본 논문에서 불확실성 값의 추천 시스템으로 제안된 불확실성 추론기는 데이터베이스에 저장되어 있는 과거기록들과, 현재 도메인내의 장소 정보, 로봇 행동 정보, 대상 물건 정보, 시간 정보를 이용하여 과거 기록을 군집화한다. 사용된 군집화 알고리즘은 비 계층적인(non-hierarchical) 구조를 가지고, 한 객체가 단 하나의 군집에 소속되는 특성을 갖는 K-Means 알고리즘이다.
앞서 배경연구에서 보았듯이 K-Means 알고리즘을 이용한 군집화의 결과는 두 데이터 사이의 거리 또는 유사성을 어떻게 정의하는가의 의해 크게 좌우된다. 본 논문에서는 특정시간에서의 한정된 공간내의 한정된 행동에 관한 유사도를 측정하여야 함으로, 기존의 거리 측정 방법은 적용할 수 없었으며, 각각의 속성에 맞는 휴리스틱한 방법으로 계산하였다. 전체 유사 가능성은 각 속성들의 유사 가능성의 평균으로 계산된다.
본 실험에 사용된 데이터는 의미에 따라, 로봇의 행동 목록, 대상 물건의 목록, 장소 목록, 과거 기록의 목록으로 구분되어 저장되어 사용 되었다.
사용자가 로봇에게 주문을 내릴 때의 사용자와 로봇의 장소, 사용자가 로봇에게 주문을 내린 장소, 로봇의 실제 행동이 발생한 장소들을 등록하여 사용하였다. 실험에 사용된 장소 목록의 예는 [표 4-4]와 같다.
[1] 협력 필터링은 과거에 아이템을 선택하는데 있어 유사한 성향을 보였던 사용자들은 새로운 아이템에 대해서도 유사한 성향을 보일 것이라는 가정을 바탕으로 추천을 수행하는 시스템이다. 사용자의 로그등의 모아진 정보를 사용하여 사용자를 비슷한 선호도를 가진 집단으로 나누어 그 집단 내에서 서로에게 추천하는 방식을 사용한다. 이러한 그룹 형성의 과정과 교차추천(cross-recommendation)의 과정은 자동으로 이루어지게 된다.
시간의 경우 각각 년, 월, 일, 시간, 분 값으로 나누어, 두 시점의 시간 데이터들의 년, 월, 일, 시, 분간의 각각의 차이를 계산하고 그것의 평균을 사용하였다.
총 100 개의 과거 기록 목록을 이용하여, 앞서 언급한 시나리오들에 대한 실험을 각각 수행하였다. 우선, 총 3 일간의 가상 공간 내에서의 사용자와 로봇간의 있음직한 상호 작용을 각각 과거 기록 목록에 직접 입력 하였으며, 이를 기반으로 <그림 4-3>과 같은 전체 과거 기록들간의 가능성 수치를 100x100 행렬로 계산하여 저장하였다. 그 후, 가능성 수치 행렬을 바탕으로 K-Means 알고리즘을 이용하여 각각의 과거기록들의 총 군집의 수는 10 개로 설정한 후, 군집화를 수행하였다.
예를 들어, A 라는 행동이 대상물건으로 신문을 요청하는 행동이 9번이고, B 라는 행동이 대상물건으로 신문을 요청하는 행동이 8 번 일 때, C 이라는 행동이 대상 물건으로 신문을 요청하는 행동이 3 번이라면, A 와 B 행동의 유사가능성이 A 와 C, 그리고 B 와 C의 유사가능성 보다 높다라고 판단할 수 있다. 이를 활용하기 위해 모든 행동을 각각 서로 비교하여 행동-행동 유사가능성 테이블을 계산하였다. 각각의 행동에 대하여 과거기록을 모두 탐색하여, 요청되었던 대상 물건과, 장소에 대하여 분포를 비교하여 테이블을 만들어 두고, 과거 기록간의 유사 가능성 계산에 활용하였다.
장소의 유사가능성의 경우는, 제한된 도메인에서 그 구분 개수가 많지 않아, 큰 차이를 보이진 않으나, 위와 동일한 가정에서, 행동과 대상 물건의 분포에 기반하여 계산하였다. 예를 들어 안방과 작은방의 경우 요청된 행동과, 대상 물건의 분포가, 안방과 주방의 경우의 요청된 행동과 대상 물건의 분포와 비교하여 더욱 유사할 가능성이 크다.
사용자가 로봇에게 요청할 수 있는 주문 시나리오는 여러 가지가 존재한다. 제한된 수용 가능한 요청과 위에서 임의로 설정한 장소, 물건 들을 조합하여 시나리오를 만들고, 그 시나리오를 위의 세가지 목록을 이용하여 기록하였다. 아래 [표 4-5]는 과거 기록 목록의 추가적인 몇 가지 예를 보여준다.

대상 데이터

100 개의 실험 데이터들을 총 10 개의 군집으로 각각 군집화 한다. 군집화의 평가 척도로는 한 객체와 가장 유사 가능성이 높은 객체를 판별한 후, 두 객체가 동일한 군집에 포함되어 있는지 여부로 군집화 평가를 수행하였다.
총 100 개의 과거 기록 목록을 이용하여, 앞서 언급한 시나리오들에 대한 실험을 각각 수행하였다. 우선, 총 3 일간의 가상 공간 내에서의 사용자와 로봇간의 있음직한 상호 작용을 각각 과거 기록 목록에 직접 입력 하였으며, 이를 기반으로 <그림 4-3>과 같은 전체 과거 기록들간의 가능성 수치를 100x100 행렬로 계산하여 저장하였다.

데이터처리

가장 유사한 군집을 찾아 낸 후에는, 질의에서 요청된 필드를 기준으로 군집내의 각각의 기록들을 탐색하게 된다. 전체 기록 중에 추천 값의 대상이 되는 값들의 목록을 뽑아낸 후에, 각각의 값들의 유사 가능성 평균과 분산을 구한다. 그리고 평균에 비례하고, 분산에 반비례하는 추천 값이 가장 큰 값을 선택하여, 질의어의 필드로 추천 해 주게 된다.

이론/모형

협력 필터링을 위하여, 우선 과거 기록을 KMeans 알고리즘을 이용하여 군집화를 수행한다. 군집화가 수행된 후에는, 서로 유사한 과거 기록들로 하나의 군집을 형성하게 된다.

성능/효과

[표 4-6]에서 보는 바와 같이 전체 100 개의 데이터 중, 의미 있는 유사 가능성(0.5 이상) 대상을 가진 자료 66 개중, 가장 높은 유사 가능성을 동일 군집 내에 함께 포함하고 있는 객체가 총 56 개로 조사되어 84.8%의 정확도를 보였다. 이는 앞서 제시한 유사 가능성 판단의 기준이 주어진 데이터를 군집화 하는데, 84.
위의 결과는 가정용 로봇에서 발생하는 요청의 불확실성을 과거 기록을 통해 탐색하는 아이디어 적용의 가능성을 보이고 있다. 실험 결과 100 개의 데이터 내에서, 위의 각각의 시나리오들을 성공적으로 수행하였다. 그러나, 제한된 공간에서의 제한된 자료의 수에 의한 실험 결과로서의 한계를 가지고 있다.
위의 결과는 가정용 로봇에서 발생하는 요청의 불확실성을 과거 기록을 통해 탐색하는 아이디어 적용의 가능성을 보이고 있다. 실험 결과 100 개의 데이터 내에서, 위의 각각의 시나리오들을 성공적으로 수행하였다.

후속연구

[3] 또한 다른 특징으로는, 본질적으로 사용자의 개인정보를 공개하지 않아도 서비스 제공이 가능하기 때문에 최근의 개인정보 보호를 우선시하는 익명 개인화(anonymous personalization) 추세에도 잘 맞는 방법이다. 그리고 모바일 환경에서는 휴대 단말기의 인터페이스(interface)상의 제약으로 말미암아 사용자들이 직접 정보를 검색하는 것이 더욱 어려워지게 될 것으로 예상되는 데, 이러한 제한된 환경하에서 협력 필터링의 중요성은 더욱 증대될 것이다.
향후 연구 과제로는 과거의 기록을 위하여 더 많은 속성들을 기록하고, 각각의 속성들의 효과적인 가중치(weight)의 조정을 학습할 수 있도록 하는 것이 있다. 또한, 가상으로 입력된 데이터들이 아닌 실제 데이터들을 이용하는 시스템의 구현과 실험이 필요하며, 더 다양하고 복잡한 시나리오를 만족할 수 있는 풍부한 데이터들을 이용하여 실험을 수행해야 하는 것이 필요하다. 그리고 데이터의 증가에 따른 계산의 복잡도 증가를 극복하기 위한 알고리즘의 개선이 필요하다.
향후 연구 과제로는 과거의 기록을 위하여 더 많은 속성들을 기록하고, 각각의 속성들의 효과적인 가중치(weight)의 조정을 학습할 수 있도록 하는 것이 있다. 또한, 가상으로 입력된 데이터들이 아닌 실제 데이터들을 이용하는 시스템의 구현과 실험이 필요하며, 더 다양하고 복잡한 시나리오를 만족할 수 있는 풍부한 데이터들을 이용하여 실험을 수행해야 하는 것이 필요하다.

핵심어	질문	논문에서 추출한 답변
	사용자와 로봇 사이에서 상호 작용에서 발생할 수 있는 불확실성은 어떤 과정을 통해 해결 가능한가?	사용자와 로봇 사이에서 상호 작용에서 발생할 수 있는 불확실성을 과거기록의 탐색을 통해 해결하고자 한다. 과거 사용자의 요청과 로봇의 행동 결과를 데이터베이스로 저장하고, 불확실성을 담고 있는 요청이 들어왔을 경우, 가장 유사한 과거 기록을 탐색하여 사용자에게 추천해주는 것을 목표로 한다.
	추천시스템에 사용된 과거 기록은 어떻게 구분되어 있는가?	- 로봇의 행동 : 사용자가 로봇에게 주문할 수 있는 전체 로봇의 행동을 카테고리에 의해 구분하고, 식별 번호를 부여하여 사용한다. 로봇의 기능은 하나의 행동 또는 몇 가지의 로봇 행동의 조합으로 이루어진다고 가정하고, 계획 수립기는 이 행동의 목록을 이용하여 계획을 생성한다고 가정한다. - 대상 물건 : 사용자와 로봇이 있는 공간에서 로봇의 행동의 대상이 되는 물건들을 모두 등록하여 식별 번호를 부여하여 사용한다. - 장소 : 사용자와 로봇이 있는 공간을 몇 개의 의미 있는 구간으로 나누어 식별 번호를 부여하여 사용한다. 사용자가 직접, 로봇에게 장소의 중심 위치의 X-Y 좌표와 원으로 설정된 범위의 반지름을 설정한다. - 시간 : 사용자에게 의미 있는 시간 구분인, 년, 월, 일, 시, 분을 사용한다. 매년, 매월, 매일 등의 비슷한 시간대의 행동 패턴을 구분하는 기준으로 사용한다.
	사용자와 로봇 사이에서 상호 작용에서 발생할 수 있는 불확실성 해결을 위한 과거기록은 어떻게 구분지어 저장되는가?	과거 사용자의 요청과 로봇의 행동 결과를 데이터베이스로 저장하고, 불확실성을 담고 있는 요청이 들어왔을 경우, 가장 유사한 과거 기록을 탐색하여 사용자에게 추천해주는 것을 목표로 한다. 과거 기록은 크게 시간, 장소, 대상 물건, 로봇의 행동 유형으로 구분되어 저장되며, 각각의 기록들의 가능성들의 합을 기준으로 전체 과거 기록을 K-Means 알고리즘을 통하여 군집화한다. 그 후, 현재의 요청과 유사한 군집을 선택하고, 그 군집내의 기록들의 상호 협력 필터링(collaborative filtering)을 기반으로 가장 유사한 값을 사용자의 요청에서의 불확실성 값으로 추천한다.

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

사용자의 행동 분석을 위한 과거 기록의 협력 필터링 적용
Applying Collaborative Filtering for Analysis of User's behavior 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

사용자의 행동 분석을 위한 과거 기록의 협력 필터링 적용 Applying Collaborative Filtering for Analysis of User's behavior 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

질의응답

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

사용자의 행동 분석을 위한 과거 기록의 협력 필터링 적용
Applying Collaborative Filtering for Analysis of User's behavior 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper