초록

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

최근 소셜 네트워크 서비스 사용자의 폭발적인 증가 추세와 더불어 사용자 기반의 정보 공유 패러다임이 확산됨에 따라 효과적인 정보 공유를 위한 검색 방법 및 정보 분류의 필요성이 대두되고 있다. 소셜 네트워크 서비스는 관계도 탐색, 유사한 관심사의 사람들과 정보 공유, 추천시스템 등의 주요 서비스를 사용자 기반으로 구축하는 방향으로 연구가 진행되고 있으나 낮은 정보의 신뢰성으로 인해 지능적인 검색 및 정보 분류에 한계가 있었다. 본 논문에서는 대표적인 소셜 네트워크 서비스인 Facebook 을 기반으로, 낮은 정보의 신뢰성을 높이고 사용자의 소셜 검색 만족도를 높일 수 있는 사용자 그룹 분류 기법을 제안한다. 이를 위해 Facebook 사용자의 메타데이터를 수집하고 관계로 맺어진 사용자들간의 친밀도를 메타데이터 기반으로 계산하며 유사한 관심 정보에 따라 분류하고 효과적으로 사용자들을 그룹화한다. 마지막으로 실험을 통해 관계로 이루어진 사용자 친밀도와 그룹 분류가 효과적으로 수행되었음을 보인다.

최근 소셜 네트워크 서비스 사용자의 폭발적인 증가 추세와 더불어 사용자 기반의 정보 공유 패러다임이 확산됨에 따라 효과적인 정보 공유를 위한 검색 방법 및 정보 분류의 필요성이 대두되고 있다. 소셜 네트워크 서비스는 관계도 탐색, 유사한 관심사의 사람들과 정보 공유, 추천시스템 등의 주요 서비스를 사용자 기반으로 구축하는 방향으로 연구가 진행되고 있으나 낮은 정보의 신뢰성으로 인해 지능적인 검색 및 정보 분류에 한계가 있었다. 본 논문에서는 대표적인 소셜 네트워크 서비스인 Facebook 을 기반으로, 낮은 정보의 신뢰성을 높이고 사용자의 소셜 검색 만족도를 높일 수 있는 사용자 그룹 분류 기법을 제안한다. 이를 위해 Facebook 사용자의 메타데이터를 수집하고 관계로 맺어진 사용자들간의 친밀도를 메타데이터 기반으로 계산하며 유사한 관심 정보에 따라 분류하고 효과적으로 사용자들을 그룹화한다. 마지막으로 실험을 통해 관계로 이루어진 사용자 친밀도와 그룹 분류가 효과적으로 수행되었음을 보인다.

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

• 본 논문에서는 Facebook 에서의 효과적인 소셜 검색을 위한 사용자 그룹 분류 기술을 제안하였다. 기본적인 사용자 정보 외 현재 사용자의 관심 정보와 관계를 형성된 사용자간의 친밀도 점수를 실시간으로 반영하여 문서 검색의 신뢰성을 높이며 미리 설정된 정보에 의존하지 않고, 문제점을 해결하는 방법을 제시하였다.
• 본 논문에서는, 신뢰성을 높이는 효율적인 소셜 검색을 위해 사용자의 수를 전세계적으로 확보하고 있는 소셜 네트워크 종류 중 하나인 Facebook 을 기반으로 한 사용자 그룹 분류 기술을 제안한다.

제안 방법

• Timeline-User-Activity 과 Newsfeed-User-Activity 을 통해 획득한 친밀도를 기반으로, X 와 𝑌_𝑖 간 공통 관심 항목을 선출한 후 유사도 측정 방법을 적용하여 사용자들의 분류를 진행한다. Facebook 이 제공하는 사용자들의 기본 정보에서, 사용자에 의해 설정된 관심사의 속성 정보들 k 을 토대로 X 와 𝑌_𝑖 간 공통된 관심 항목을 선출 할 수 있다.
• Un-rank 그룹은, Top-rank 그룹 사용자와 같은 관심 분야 주제를 가지는 임의의 Facebook 사용자를 Top-rank 그룹 사용자의 수만큼 선정하여 Un-rank 그룹 사용자로 설정하였다. 연관성 점수는 5 점에 근접할수록 관심 분야 주제와 일치하는 항목이 나타나는 비율이 높아지며, 0 점에 가까워 질수록 그 비율이 낮아진다.
• 본 논문에서는 Facebook 에서의 효과적인 소셜 검색을 위한 사용자 그룹 분류 기술을 제안하였다. 기본적인 사용자 정보 외 현재 사용자의 관심 정보와 관계를 형성된 사용자간의 친밀도 점수를 실시간으로 반영하여 문서 검색의 신뢰성을 높이며 미리 설정된 정보에 의존하지 않고, 문제점을 해결하는 방법을 제시하였다. 또한 관심 분야 별로 생성된 Top-rank 그룹 목록은 신뢰성 있는 정보를 제시하며 효과적인 소셜 검색의 응용이 가능할 것이라 판단된다.

대상 데이터

• 실험은 Facebook 사용자의 타임라인 기록물과 사용자의 기본 등록 정보 및 관계를 형성한 사용자들을 대상으로 진행하였다. 타임라인에 등록된 게시물은 약 400 개, 관계를 형성한 사용자들은 300 명이며 활동 기록에 대한 모든 정보를 수집하였다.
• 실험은 Facebook 사용자의 타임라인 기록물과 사용자의 기본 등록 정보 및 관계를 형성한 사용자들을 대상으로 진행하였다. 타임라인에 등록된 게시물은 약 400 개, 관계를 형성한 사용자들은 300 명이며 활동 기록에 대한 모든 정보를 수집하였다. Timeline-Friends-Activity 의 경우, 식 (1)을 통해 얻어진 결과는 다음과 같다.

이론/모형

• 같은 방법으로, 𝑌_𝑖의 T 에 관련된 키워드를 수집하여 키워드 그룹인 𝑤_𝑗,𝑘 로 나타낸다. 키워드 그룹인 𝑤_𝑖,𝑘는 숫자로 표현하지 않고 문자로 표현 가능하기 때문에, 비교를 위해서 이진화 속성 매칭이 아닌 문서-속성간의 유사도 측정 방법인 Cosine Similarity 를 이용한다. 유사도 측정에서 두 개체가 닮은 정도에 대한 수치적인 척도를 계산할 수 있으며, 비교하는 대상의 개체가 닮을수록 유사도가 1 에 가까워지며 반대로 비교하는 대상의 개체가 다를수록 유사도가 0 에 가까워진다.

성능/효과

• 실험 결과로 나타난 Un-rank 그룹 사용자의 평균 연관성 점수는 2.223, Top-rank 그룹 사용자의 평균 연관성 점수는 2.99 로 측정되었다. ‘Topic8’ 과 ‘Topic10’의 경우, 관심 분야 주제에 대해 집중적으로 내용을 언급하는 Un-rank 그룹으로 사용자가 많이 포함 될수록 Top-rank 의 연관성 점수보다 높게 나타나는 경우가 발생하였다.

후속연구

• 한편, 사용자들의 게시물의 보안 설정 및 Facebook 이 가지는 게시물 공개 여부 정책에 밀접한 연관성 때문에 실험을 진행하는데 제약조건이 되었다. 따라서 향후 연구과제로 실험정보의 보안적인 측면을 고려하여 질적인 문제를 개선하는 점에 대한 실험을 진행할 필요성이 있다.
• 기본적인 사용자 정보 외 현재 사용자의 관심 정보와 관계를 형성된 사용자간의 친밀도 점수를 실시간으로 반영하여 문서 검색의 신뢰성을 높이며 미리 설정된 정보에 의존하지 않고, 문제점을 해결하는 방법을 제시하였다. 또한 관심 분야 별로 생성된 Top-rank 그룹 목록은 신뢰성 있는 정보를 제시하며 효과적인 소셜 검색의 응용이 가능할 것이라 판단된다. 한편, 사용자들의 게시물의 보안 설정 및 Facebook 이 가지는 게시물 공개 여부 정책에 밀접한 연관성 때문에 실험을 진행하는데 제약조건이 되었다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

질의응답

핵심어	질문	논문에서 추출한 답변
Aardvark	Aardvark의 문제점은 무엇인가?	이는 정보의 양이 적어질 경우 분류의 정확도가 급격하게 하락하는 문제점이 있다. Aardvark 의 경우, 소셜 검색을 위한 분류 시스템에 효과적이라는 것이 실험을 통해 증명되었지만, 친밀도를 계산하는 과정 중 최근 사용자의 소셜 정보를 반영하지 않는다는 점과 미리 설정된 카테고리의 정보만 의존하는 문제점을 가지고 있다.
소셜 검색	소셜 검색이 기존 웹 검색으로 획득할 수 있는 정보보다 신뢰성을 확보할 수 있는 이유는?	웹 상의 콘텐츠 검색으로 많은 양의 정보를 얻을 수 있지만 이는 과장된 정보나 허위 정보를 내재할 가능성 즉 신뢰성의 문제가 존재한다. 소셜 검색의 경우, 지인들의 정보를 다각적으로 이용해 본인이 원하는 정보를 선택적으로 획득할 수 있기 때문에 기존 웹 검색으로 획득할 수 있는 정보보다 신뢰성을 확보할 수 있다.
효율적인 소셜 검색을 위한 그룹 분류	효율적인 소셜 검색을 위한 그룹 분류 중 관계에 기반한 방식의 경우 무엇을 순위결정의 대상으로 삼는가?	효율적인 소셜 검색을 위한 그룹 분류에는 관계를 기반한 방식과 콘텐츠에 기반한 방식이 존재한다[1]. 관계에 기반한 방식의 경우, 이용자를 순위 결정의 대상으로 삼으며 자신과 가까운 사람이나 영향력이 큰 사람을 신뢰할 만한 정보원으로 검색하는 데 유용하다. 구글의 PageRank 알고리즘을 소셜 네트워크에 구조에 적용한 PeopleRank[2]와 친밀도를 계산해주는 알고리즘인 Aardvark[3]등이 있다.

질의응답 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기