선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 현재 출시되어 있는 어플리케이션들은 자신의 체형이나 환경에 따라 운동을 추천해주는 것이 아니라 단순히 운동 루틴과 반복시간 등을 추천해주는 것이 전부이기 때문에 자신의 체형에 알맞은 운동을 찾는 것에 대한 한계가 존재한다. 따라서 본 논문에서는 사람들에게 개인화된 운동 방법을 제공하기 위해서 사용자의 신체 정보에 관한 개인화 요소를 활용하여 협업 필터링과 k-최근접 이웃 알고리즘을 이용해 사용자의 신체조건에 적합한 운동 방법을 추천하는 시스템을 제안한다.
제안 방법
- (3) 데이터베이스에 저장된 사용자의 정보를 유클리디안 거리 공식을 사용해 사용자 간 유사도를 비교한 후 유사 사용자끼리 knn알고리즘을 사용해 Grouping한다.
- 또한 총 550개의 데이터를 사용하였고 500개의 데이터는 train 데이터로, 나머지 50개의 데이터는 test 데이터로 사용해 모델 구현 후 성능을 판단하고자 하였다. 구현은 R stdio에서 시행되었다. (그림 3)은 R stdio에서 읽어드린 수치화된 사용자 개인화 요소 데이터이다.
- 원래의 설문조사 데이터를 토대로 나이는 18살 미만(1), 18살~21살(2), 22살~26살(3), 27살~30살(4), 31살 이상(5)로 5가지로 수치화를 진행하였다. 몸무게는 59kg 이하(1), 60kg~66kg(2), 67kg~74kg(3), 75kg~83kg(4), 84kg~93kg(5), 94kg~105kg(6), 106kg~120kg(7), 121kg 이상(8)으로 8가지로 수치화를 진행하였다. 키는 152 미만(1), 152cm~165cm(2), 166cm~170cm(3), 171cm~175cm(4), 176cm~180cm(5), 181cm~185cm(6), 186cm~191cm(7), 192cm 이상(8)으로 8가지로 수치화를 진행하였다.
- 본 논문에서는 5가지의 개인화 요소를 수치화하여 Knn알고리즘과 협업필터링을 적용한다. 그 수치화된 개인화 요소는 (표 1)과 같다.
- 본 논문에서는 데이터 구축을 위해 kaggle에서 수집한 운동 설문 조사 데이터[8]를 토대로 운동과의 상관관계가 높다고 생각되는 5가지(나이, 키, 몸무게, 체지방량, 식습관)의 개인화 요소를 선정해 사용하였고, 사용자의 개인화 요소를 본 데이터에서 구분되어 있던 기준을 바탕으로 수치화해서 나타내었다. 또한 총 550개의 데이터를 사용하였고 500개의 데이터는 train 데이터로, 나머지 50개의 데이터는 test 데이터로 사용해 모델 구현 후 성능을 판단하고자 하였다.
- 본 논문에서는 정확성을 높이기 위해 5가지의 개인화 요소를 사용하였고 유클리디안 거리 공식을 사용해 사용자간 유사도를 측정해 Knn을 이용하여 그룹핑한 유사사용자와 신규 사용자의 협업 필터링을 통해 신규 사용자에게 운동을 추천해주는 시스템을 구현하였다. 기존 추천시스템에서는 개인화 요소가 부족하여 정확성이 다소 떨어지는 점을 보완하고자 운동과의 상관관계가 있는 요소들을 최대한 사용하여 구현하였다.
- 체지방률은 10% 미만(1), 11%~12%(2), 13%~14%(3), 15%~16%(4), 17%~18%(5), 19%~20%(6), 21%~22%(7), 23%~24%(8), 25%~26(%)(9), 27% 이상(10)으로 10가지로 수치화를 진행하였다. 식습관은 생식 위주 식단(1), 자신의 체형을 고려한 식단(2), 체중조절식단(3), 비식이요법(4)으로 4가지로 수치화를 진행하였다.
- 원래의 설문조사 데이터를 토대로 나이는 18살 미만(1), 18살~21살(2), 22살~26살(3), 27살~30살(4), 31살 이상(5)로 5가지로 수치화를 진행하였다. 몸무게는 59kg 이하(1), 60kg~66kg(2), 67kg~74kg(3), 75kg~83kg(4), 84kg~93kg(5), 94kg~105kg(6), 106kg~120kg(7), 121kg 이상(8)으로 8가지로 수치화를 진행하였다.
- 이 공식은 두 사용자 위치 사이의 유클리드 거리를 계산하고 거리가 멀면 사용자 간의 유사도가 낮고 거리가 가까우면 사용자 간의 유사도가 높다는 것을 의미한다. 유클리디안 거리 공식을 사용해 사용자 간 유사도를 구한 후 Knn(K nearest neighbor) 알고리즘을 사용해 유사한 사용자끼리 총 100개의 그룹으로 그룹핑을 했을 때(그림4)와 같았다.
- 키는 152 미만(1), 152cm~165cm(2), 166cm~170cm(3), 171cm~175cm(4), 176cm~180cm(5), 181cm~185cm(6), 186cm~191cm(7), 192cm 이상(8)으로 8가지로 수치화를 진행하였다. 체지방률은 10% 미만(1), 11%~12%(2), 13%~14%(3), 15%~16%(4), 17%~18%(5), 19%~20%(6), 21%~22%(7), 23%~24%(8), 25%~26(%)(9), 27% 이상(10)으로 10가지로 수치화를 진행하였다. 식습관은 생식 위주 식단(1), 자신의 체형을 고려한 식단(2), 체중조절식단(3), 비식이요법(4)으로 4가지로 수치화를 진행하였다.
- 몸무게는 59kg 이하(1), 60kg~66kg(2), 67kg~74kg(3), 75kg~83kg(4), 84kg~93kg(5), 94kg~105kg(6), 106kg~120kg(7), 121kg 이상(8)으로 8가지로 수치화를 진행하였다. 키는 152 미만(1), 152cm~165cm(2), 166cm~170cm(3), 171cm~175cm(4), 176cm~180cm(5), 181cm~185cm(6), 186cm~191cm(7), 192cm 이상(8)으로 8가지로 수치화를 진행하였다. 체지방률은 10% 미만(1), 11%~12%(2), 13%~14%(3), 15%~16%(4), 17%~18%(5), 19%~20%(6), 21%~22%(7), 23%~24%(8), 25%~26(%)(9), 27% 이상(10)으로 10가지로 수치화를 진행하였다.
대상 데이터
- (그림7)은 age(2), weight(2), tall(5), BodyFat(4), eating(3)의 개인화 요소를 가지고 있는 502번 사용자에게 추천해 준 Top3-List이다. 502번 사용자에게는 첫 번째로 근력강화 운동, 두 번째로 유산소 운동, 세 번째로 운동선수 루틴이 추천되었다.
- (그림8)는 age(2), weight(2), tall(5), BodyFat(4), eating(3)의 개인화 요소를 가지고 있는 503번 사용자에게 추천해 준 Top3-List이다. 503번 사용자에게는 첫 번째로 근력강화 운동, 두 번째로 유산소 운동, 세 번째로 운동선수 루틴이 추천되었다.
- 본 논문에서는 데이터 구축을 위해 kaggle에서 수집한 운동 설문 조사 데이터[8]를 토대로 운동과의 상관관계가 높다고 생각되는 5가지(나이, 키, 몸무게, 체지방량, 식습관)의 개인화 요소를 선정해 사용하였고, 사용자의 개인화 요소를 본 데이터에서 구분되어 있던 기준을 바탕으로 수치화해서 나타내었다. 또한 총 550개의 데이터를 사용하였고 500개의 데이터는 train 데이터로, 나머지 50개의 데이터는 test 데이터로 사용해 모델 구현 후 성능을 판단하고자 하였다. 구현은 R stdio에서 시행되었다.
이론/모형
- 본 논문에서는 추천을 제공하기 위해서 협업필터링과 k-최근접 이웃 알고리즘을 사용한다. 패턴 인식에서, k-최근접 이웃 알고리즘은 분류나 회기에 사용되는 비모수 방식이다[5].
- 이러한 방식으로 수치화한 데이터로 사용자 간 유사도 거리를 측정해 유사한 사용자를 식별하고 유사한 사용자끼리 Knn 방식을 사용해 그룹핑을 한다. 이때 사용되는 유사도 공식은 Knn 방식의 default값으로 지정되어있는 유클리디안 거리 공식을 사용한다. 유클리디안 거리 공식은 다음 (식1)과 같다.
- 이러한 방식으로 수치화한 데이터로 사용자 간 유사도 거리를 측정해 유사한 사용자를 식별하고 유사한 사용자끼리 Knn 방식을 사용해 그룹핑을 한다. 이때 사용되는 유사도 공식은 Knn 방식의 default값으로 지정되어있는 유클리디안 거리 공식을 사용한다.
성능/효과
- 결론적으로 tall을 제외한 나머지 성향이 같은 502번 사용자와 503번 사용자는 유사도가 높아 같은 운동이 추천된 것을 볼 수 있고 각 사용자를 비교해보았을 때 5개의 개인화 요소 중 키보다는 나이와 체지방량이 운동과 더 높은 상관관계를 가지고 있음을 알 수 있다.
후속연구
- 향후 연구 과제는 설문 조사 데이터가 아닌 더 신뢰성이 확실한 데이터를 사용해 시스템의 성능을 높이고, 유사도를 구하는 다른 여러 알고리즘을 사용하여 각각의 성능을 비교해 가장 좋은 성능을 가진 알고리즘으로 추천 시스템을 구현할 수 있도록 할 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.