정보화연구 (Journal of Information Technology and Architecture)

한국엔터프라이즈아키텍처학회 (Korea Institute of Enterprise Architecture)
권호 표지

소셜 네트워크에서 감정단어의 단계별 코사인 유사도 기법을 이용한 추천시스템

Personalized Recommendation System using Level of Cosine Similarity of Emotion Word from Social Network

  • 권응주 (인하대학교 컴퓨터 정보공학과) ;
  • 김종우 (인하대학교 컴퓨터 정보공학과) ;
  • 허노정 (동양대학교 정보통신공학과) ;
  • 강상길 (인하대학교 컴퓨터 정보공학과)
  • Kwon, Eungju (Computer Science and Information Engineering, Inha University) ;
  • Kim, Jongwoo (Computer Science and Information Engineering, Inha University) ;
  • Heo, Nojeong (Information and Communication Technology, Dongyang University) ;
  • Kang, Sanggil (Computer Science and Information Engineering, Inha University)
  • 발행 : 2012.09.30
⟨ 이전 논문 다음 논문 ⟩

초록

본 논문에서는 개인의 취향과 관심이 반영 되어있는 소셜 정보를 활용하여 사용자에게 영화를 추천할 수 있는 시스템을 제안하였다. 시스템에서 데이터 구축은 포털사이트에서 영화 정보를 수집하고 페이스북과 트위터 같은 SNS를 통해 소셜 정보를 수집한다. 본 논문에서는 사용자의 감정에 따른 보다 정교한 처리를 위하여 6단계의 감정단계로 분류한 소셜 정보의 벡터공간 모형의 구축방법을 제안한다. 추천을 위한 유사도 측도 방법은 2단계로 구성되어 있다. 첫 번째는 일반적인 코사인 측도를 통한 영화 목록의 구축 단계이고, 두 번째는 기존의 코사인 측도(Cosine measure)를 활용한 좌표평면에서 감정 단계별 벡터 정보 표현 방법 및 유사도 측도 방법을 통해 추천 영화 목록의 결정 단계이다. 본 논문의 추천 시스템의 성능을 평가하기 위하여 기존의 추천 시스템과 비교 실험을 통하여 본 연구의 추천 시스템의 유용성을 검증하였다.

This paper proposes a system which recommends movies using information from social network services containing personal interest and taste. Method for establishing data is as follows. The system gathers movies' information from web sites and user's information from social network services such as Facebook and twitter. The data from social network services is categorized into six steps of emotion level for more accurate processing following users' emotional states. Gathered data will be established into vector space model which is ideal for analyzing and deducing the information with the system which is suggested in this paper. The existing similarity measurement method for movie recommendation is presentation of vector information about emotion level and similarity measuring method on the coordinates using Cosine measure. The deducing method suggested in this paper is two-phase arithmetic operation as follows. First, using general cosine measurement, the system establishes movies list. Second, using similarity measurement, system decides recommendable movie list by vector operation from the coordinates. After Comparative Experimental Study on the previous recommendation systems and new one, it turned out the new system from this study is more helpful than existing systems.

키워드

참고문헌

  1. 강승식, "한국어 형태소 분석과 정보 검색," 홍릉과학출판사, 2002, pp. 507-549.
  2. 김진아, 권응주, 강상길, "스마트폰 기반 사용자 정보추천 시스템 개발," 정보기술아키텍처연구 제9권 1호, 2012.
  3. 박인조, 민경환, "한국어 감정단어의 목록 작성과 차원 탐 색," 한국심리학회지,Vol. 19, No. 1, 2005, pp. 109-129
  4. 이성윤, 이태휘, 김형주, "사용자의 활동과 영향력을 이용한 트위터의 URL 추천 시스템," 정보과학회논문지: 컴퓨팅의 실제 및 레터, 제17권 8호, 2011.8.
  5. 이우기, 최중호, 윤선주, "구조적 웹 검색을 위한 동기식웹 브라우저 화면 분할," 정보기술아키텍처연구, 제6권 2호, 2009.2
  6. 정주석, 강신재, "자동 생성된 사용자 프로파일을 이용한 하이브리드 음식 추천 시스템," 한국지능시스템학회 논문지, Vol. 21, No. 5, 2011, pp. 609-617.
  7. Adomavicius, G. and Tuzhilin, A., "Towards the Next Generation of Recommender System: A Survey of the State-of-the-Art and Possible Extensions," IEEE Transactions on Knowledge and Data Engineering 17, 2005, pp.634-749.
  8. Balabanovic, M. and Shohm, Y., "Fab: Content- Based, Collaborative Recommendation," Communications of the ACM, Vol. 40, No. 3, 1997, pp. 66-72.
  9. Goldberg, D., Nichols, D., Oki, B. and Terry, D., "Using Collaborative Filtering to weave an Information Tapestry".
  10. Herlocker, J., Konstan, J., Terveen, L. and Riedl, J., "Evaluating Collaborative Filtering Recommender Systems," ACM Transactions on Information Systems 22, ACM Press, 2004, pp.5-53.
  11. Konstan, J., Miller, B., Maltz, D., Herlocker, J., Gordon, L. and Riedl, J., "GroupLens: Applying Collaborative Filtering to Usenet News," Communications of the ACM, Vol. 40, No. 3, 1997, pp. 77-87. https://doi.org/10.1145/245108.245126
  12. Yu, K., Schwaighofer, V., Tresp, X., Xu, and Kriegel, H., "Probabilistic Memory-Based Collaborative Filtering," IEEE Transaction on Knowledge and Data Engineering, Vol. 16, No. 1, 2004, pp. 56-69. https://doi.org/10.1109/TKDE.2004.1264822
  13. Herlocker, J. L., Konstan, J. A., Borschers, A. and Riedl, J. "An Algorithmic Framework for Performing Collaborative Filtering," Proc. SIGIR' 99, Berkley, CA, U.S.A, 1999, pp. 203-237.
  14. Sarwar, B., Karypis, G., Konstan, J. and Riedl, J., "Item-based Collaborative Filtering Recommendation Algorithms," In Proc. of the 10th International World Wide Web Conference, Hong Kong, 2001.
  15. Sankaranarayanany, J., Hanan, S., Benjamin, E., Teitlery Michael, D. and Sperlingz, J., "TwitterStand: News in Tweets," in Proc. of the 17th ACM SIGSPATIAL international conference on Advances in Geographic Information Systems (GIS '09), 2009, pp. 42-51.
  16. Takeshi, S., Makoto, O. and Yutaka, M., "Earthquake Shakes Twitter Users: Realtime Event Detection by Social Sensors," in Proc. of the 19th international conference on World wide web (WWW '10), 2010, pp. 851-860.
  17. Michael, M. and Nick, K., "Twitter-Monitor: Trend Detection over the Twitter Stream," in Proc. of the 36th ACM SIGMOD International Conference on Management of Data (SIGMOD'10),2010, pp. 1155- 1158.
  18. Manning, D., Christopher, P., Raghavan, Schütze, Hinrich, "Introduction to Information Retrieval," Cambridge University Press, 2007, pp. 109-133.
  19. Manning, D., Christopher, P., Raghavan, Schütze, Hinrich, "Introduction to Information Retrieval," Cambridge University Press, 2007, pp. 109-133.