불러오는 콘텐츠 텍스트는 제목, 교육 내용, 교육 절차 등이 포함되어 있다. 각 콘텐츠의 텍스트들은 한국어 정보처리를 위한 패키지인 KoNLPy[7]의 KKMA, OKT, KOMORAN, HANNANUM 과 같은 형태소 분석기를 활용하여 모든 텍스트를 단어 단위로 추출한다. 추출된 단어들은 품사가 태깅되어 있고, 본 논문에서는 추출된 단어들 중에 의미전달이 강한 일반명사, 고유명사 및 외국어만 활용하고 나머지 품사에 해당하는 단어들은 텍스트에서 제외한다.

제안된 교육 콘텐츠 추천 시스템은 콘텐츠를 등급별로 분류하는 기능과 교육 훈련생의 교육 수준에 맞는 교육 콘텐츠를 추천하는 기능으로 구성되어 있다.

본 논문에서는 교육 훈련생의 교육 수준에 적합한 콘텐츠를 제공하기 위해, 콘텐츠 기반 필터링 기법을 기반으로한 교육 콘텐츠 추천시스템을 제안한다. 제안된 시스템은 데이터베이스에 저장되어 있는 콘텐츠의 텍스트를 활용하여 콘텐츠를 적절한 등급으로 분류하는 콘텐츠 분류 기능 부분과 교육 훈련생의 등급 및 교관 등에 의해 설정되는 필터링 정보, 그리고 이들 2가지 기능을 활용하여 교육 훈련생에 맞는 콘텐츠 추천리스트를 생성하는 콘텐츠 추천 기능으로 구성되어있다.

제안하는 추천 시스템은 콘텐츠의 텍스트를 활용하여 콘텐츠를 등급별로 분류하는 기능부분과 교육 훈련생의 등급 및 교관 등에 의해 설정되는 필터링 정보를 활용하여 교육 훈련생에 맞는 콘텐츠 리스트를 생성하는 콘텐츠 추천 기능으로 구성되어있다. 제안하는 추천 시스템은 두 가지 기능을 활용하여 교육 훈련생의 교육 훈련 상태에 적절한 교육 콘텐츠를 추천해줄 수 있다. 다만, 구현에 활용한 KoNLPy의 경우 기존에 등록되지 못한 전문용어 및 외래어에 대한 부정확한 추출 사례들이 존재하였다.

본 논문은 교육 훈련생의 숙련 등급에 맞는 콘텐츠를 추천해주는 콘텐츠 추천 시스템에 대한 설계에 대하여 제안하였다. 제안하는 추천 시스템은 콘텐츠의 텍스트를 활용하여 콘텐츠를 등급별로 분류하는 기능부분과 교육 훈련생의 등급 및 교관 등에 의해 설정되는 필터링 정보를 활용하여 교육 훈련생에 맞는 콘텐츠 리스트를 생성하는 콘텐츠 추천 기능으로 구성되어있다. 제안하는 추천 시스템은 두 가지 기능을 활용하여 교육 훈련생의 교육 훈련 상태에 적절한 교육 콘텐츠를 추천해줄 수 있다.

제안하는 콘텐츠 분류 모델의 정확도를 측정하기 위해서 항공정비 교육을 위해 사용되는 교본을 활용하여 정확도를 평가하였다. 실험 평가를 위해 사용된 콘텐츠의 수는 4917개이다.

생성한 콘텐츠 추천 리스트는 추후 교육 훈련에 활용할 수 있도록 데이터베이스에 저장한다. 제안하는 콘텐츠 추천 시스템은 이러한 과정을 통해 교육 훈련생의 숙련 등급에 적절한 교육 콘텐츠를 추천할 수 있다. 그림 1은 제안한 교육 콘텐츠 추천 시스템의 구조를 보여준다.

콘텐츠를 적절한 등급으로 분류하기 위해, 제안하는 시스템은 우선 데이터베이스에 저장되어있는 콘텐츠의 교육과 관련된 텍스트들을 읽어온다. 불러오는 콘텐츠 텍스트는 제목, 교육 내용, 교육 절차 등이 포함되어 있다.

객관적인 통계적 성능평가 결과를 제공하기 위해서, 본 실험에서는 계층적 5-겹 교차검증(stratified 5-fold cross validation)을 사용하였다. 또한 실험에서 사용한 평가모델로는 kNN, ANN이며 각 평가모델에서 사용된 실험적 매개변수는 표 2와 같다.

제안하는 콘텐츠 분류 모델의 정확도를 측정하기 위해서 항공정비 교육을 위해 사용되는 교본을 활용하여 정확도를 평가하였다. 실험 평가를 위해 사용된 콘텐츠의 수는 4917개이다. 표 1은 실험에서 활용한 데이터 정보를 보여준다.

모든 형태소 분석기는 별도의 사전을 등록하지 않았다. 객관적인 통계적 성능평가 결과를 제공하기 위해서, 본 실험에서는 계층적 5-겹 교차검증(stratified 5-fold cross validation)을 사용하였다. 또한 실험에서 사용한 평가모델로는 kNN, ANN이며 각 평가모델에서 사용된 실험적 매개변수는 표 2와 같다.

추출된 각 단어에는 고유한 인덱스 번호가 부여되며, 단어들의 인덱스 번호를 활용하여 문장에 대한 벡터를 만든다. 문장에 대한 벡터 생성에는 TF-IDF(Term Frequency-Inverse Document Frequency)를 활용하였다. 콘텐츠 분류에 활용될 모델은 ANN(Artificial Neural Network), kNN(k-Nearest Neighbor)과 같은 머신러닝 알고리즘을 활용하여 생성된다.

형태소 분석기는 KoNLPy를 사용하였으며, 일반명사, 고유명사, 외국어 품사에 해당하는 단어만 활용하였다. 모든 형태소 분석기는 별도의 사전을 등록하지 않았다.

실험평가에서는 KoNLPy의 4종의 형태소 분석기(KKMA, OKT, KOMORAN, HANNANUM) 모두 활용하여 정확도 비교를 하였고, kNN 평가모델을 사용한 정확도 분석에서는 4종의 형태소 분석기에서 큰 차이를 보이지 않았다. ANN알고리즘의 경우 KKMA 66%, OKT 64%, KOMORAN 65%, HANNANUM 65%로 KKMA 형태소 분석기를 사용한 경우 가장 좋은 분류 정확도를 보였다. 사용된 평가모델별 정확도 성능에서는 kNN이 평균 60%, ANN이 66% 수준이었고, ANN 평가모델이 콘텐츠 추천기로 적절함을 볼 수 있었다.

ANN알고리즘의 경우 KKMA 66%, OKT 64%, KOMORAN 65%, HANNANUM 65%로 KKMA 형태소 분석기를 사용한 경우 가장 좋은 분류 정확도를 보였다. 사용된 평가모델별 정확도 성능에서는 kNN이 평균 60%, ANN이 66% 수준이었고, ANN 평가모델이 콘텐츠 추천기로 적절함을 볼 수 있었다.

그림 2는 콘텐츠 분류 모델의 정확도 평가 결과를 보여준다. 실험평가에서는 KoNLPy의 4종의 형태소 분석기(KKMA, OKT, KOMORAN, HANNANUM) 모두 활용하여 정확도 비교를 하였고, kNN 평가모델을 사용한 정확도 분석에서는 4종의 형태소 분석기에서 큰 차이를 보이지 않았다. ANN알고리즘의 경우 KKMA 66%, OKT 64%, KOMORAN 65%, HANNANUM 65%로 KKMA 형태소 분석기를 사용한 경우 가장 좋은 분류 정확도를 보였다.

다만, 구현에 활용한 KoNLPy의 경우 기존에 등록되지 못한 전문용어 및 외래어에 대한 부정확한 추출 사례들이 존재하였다. 또한 추후 연구에서는 합성어 처리 및 개선된 문장 벡터 생성 등에 대하여 진행할 예정이다.