• 헤리티지:역사와 과학
• /
• 제45권3호
• /
• pp.60-79
• /
• 2012

고대 중국 불교사원이 있는 환경은 향촌(鄕村), 명산(名山), 도시(都市) 세개의 유형으로 나눌 수 있다. 이는 또한 사원이 존재하는 환경의 차이를 만들며 이로써 불교의 발전에 영향을 미쳤고 또한 사원과 사회관계의 다른 유형을 만들었다. 본고는 향촌 사회가 사원과 승려뿐 아니라 불교의 존재와 발전에 가져온 각종 이해(利害)에 대해 설명한다. 사원이 사회구조 속에서 다른 환경적 위치, 즉 도시와 향촌에 놓였을 때 그들은 결국 다른 외재적(外在的) 내재적(內在的) 사회적 응성을 발생시킬 수 밖에 없다. 중국 고대 불교사원은 위에 말한바와 같이 향촌, 명산, 도시에 위치하고 있으나 동진십육국 이후 사원이 크게 늘고 명산이 사원과 승려의 집중지가 됨에 따라 명산과 도시의 사원은 비슷한 양상을 띠며 발전한다. 그러나 향촌의 사원은 이와는 좀 다른 영향을 받고, 비쳤으므로 그를 중심으로 서술하고자 한다. 향촌 지역의 사원과 승려들이 서로 미치는 영향은 크게 네가지가 있다. 첫째, 향촌의 승려들은 그 지역, 혹은 그 부근으로부터 왔기 때문에 사회와 비교적 친밀한 관계를 형성한다. 그러므로 향촌 지역의 세력은 사원 승려집단이 구성하는 영향력을 제한한다. 둘째, 향촌 사원은 지방경제에 의탁하며 서로 동고동락 하였다. 향촌의 사원은 그 사회의 공공장소가 되었고 종종 시장 소재지가 되기도 하였다. 사실 사찰의 축조와 존재는 원래 지역 경제에 있어 하나의 추동력이 되었다. 왜냐하면 사찰건물 축조에는 공장(工匠)과 재료가 필요하며 어떤 절은 향객(香客)과 향촉(香燭) 소비 등에서 모두 많게든 적게든 상품 경제를 대동하기 때문이다. 그리고 소재 향촌이 어떤 자연재해 혹은 인재를 만나거나 수확이 좋지 않거나 경제가 불황일 때는 승려들이 흩어져 사원 또한 존속할 수 없는 결과를 낳기도 하였다. 셋째, 향촌 사원과 신도들의 관계는 도시와 명산의 사원과 구별된다. 왜냐하면 중국에서 사원은 승려들이 수행하는 장소일뿐 아니라 일반 가신도(家信徒)들이 조배(朝拜)하는 장소이기 때문에 그 주위엔 항상 많은 신도 무리가 있었기 때문이다. 넷째, 향촌 불교와 지방 민간신앙의 결합은 꽤 큰 정도로 불교의 민간화를 주도하였다. 이것은 하나의 상호작용 과정이다. 불교가 가지고 있는 전국성(全國性) 종교로서의 우세(優勢) 때문에 종종 지방특색을 가지고 있는 숭배는 불교 신앙으로 바뀌거나 불교 적색채에 물들었다. 향촌의 사원은 현지 사회와 밀접한 관계를 유지하면서 지방의 영향을 받음과 동시에 또 영향을 주기도 하였다. 대표적으로 향촌에서 비교적 문화가 발달된 곳으로서의 각종 문화와 관련된 시설 - 예를들어 학교, 병원 등 - 의 역할을 대신하여 모범 행동을 보이기도 하였다. 사찰이 향촌의 장례(葬禮)에 미친 영향도 매우 컸다. 중국인의 분묘(墳墓)는 주로 향촌에 세워졌는데 도시에 사는 사람이더라도 죽은 후에는 본적(本籍)으로 돌아와 묻히거나 적어도 도시가 아닌 교외(郊外)에 묻혔다. 향촌의 사찰은 일반적으로 장사 치르는 일에 참여하였다. 이상은 대다수의 유명한 불교 사찰은 명산에 있는것이 아니라 도시에 있음에도 불구하고 사원의 다수는 오히려 광대한 향촌에 있으며 그들은 향촌 사회와의 상호 융합을 통하여 90%이상의 중국 민중과 연결되어 있으며 불교가 중국에서 가장 중요하게 존재하는 기초가 되었음을 표명한다. 향촌 사원과 현지 사회 민중간의 상호 영향은 전방위(全方位)적인 것이며, 많게 혹은 적게 사회 생활 각 방면에 파급되었다. 향촌 지역에 이렇듯 사묘(寺廟)가 시(時) 공간(空簡)적으로 광범위하게 분포해 있는 것은 불교 사원과 중국 고대 농촌 사회의 긴밀한 결합을 설명하기에 족하다.

• 지능정보연구
• /
• 제19권2호
• /
• pp.1-20
• /
• 2013

소셜 네트워크는 사용자들의 공통된 관심사, 경험, 그리고 일상 생활들을 함께 공유하기 위해 소셜 네트워크 상 사람들을 서로 연결시켜주는 거대한 커뮤니케이션 플랫폼이다. 소셜 네트워크상의 사용자들은 포스팅, 댓글, 인스턴스 메시지, 게임, 소셜 이벤트 외에도 다양한 애플리케이션을 통해 다른 사용자들과 소통하고 개인 정보 관리하는데 많은 시간을 소비한다. 소셜 네트워크 상의 풍부한 사용자 정보는 추천시스템이 추천 성능을 향상시키기 위해 필요한 큰 잠재력이 되었다. 대부분의 사용자들은 어떤 상품을 구매하기 전 가까운 관계이거나 같은 성향을 가진 사람들의 의견을 반영하여 의사 결정을 하게 된다. 그러므로 소셜 네트워크에서의 사용자 관계는 추천시스템을 위한 사용자 선호도 예측을 효율적으로 높이는데 중요한 요소라 할 수 있다. 일부 연구자들은 소셜 네트워크에서의 사용자와 다른 사용자들 사이의 상호작용 즉, 소셜 관계(social relationship)와 같은 소셜 데이터가 추천시스템에서 추천의 질에 어떠한 영향을 미치는가를 연구하고 있다. 추천시스템은 아마존, 이베이, Last.fm과 같은 큰 규모의 전자상거래 사이트 또한 채택하여 사용되는 시스템으로, 추천시스템을 위한 방법으로는 협업적 여과 방법과 내용 기반 여과 방법이 있다. 협업적 여과 방법은 사용자들의 선호도 학습에 의해 사용자가 아직 평가하지 않은 아이템 중 선호할 수 있는 아이템을 정확하게 제안하기 위한 추천시스템 방법 중 하나이다. 협업적 여과는 사용자들의 데이터에 초점을 맞춘 방법으로 유사한 배경과 선호도를 가지는 사용자들로부터 정보를 수집하여 사용자들의 선호도 예측을 자동으로 발생시킨다. 특히 협업적 여과는 근접한 이웃 사용자들에 의해서 목적 사용자가 선호할 수 있는 아이템을 제시하는 것으로 유사한 이웃 사용자를 찾는 것이 중요하다. 좋은 이웃 사용자 발견은 사용자와 아이템을 고려하는 방법이 일반적이다. 각 사용자는 아이템 즉, 영화, 상품, 책 등에 자신의 선호도를 나타내기 위하여 평가 값을 입력하고, 시스템은 이를 바탕으로 사용자-평가 행렬을 구축한다. 이 사용자-평가 행렬은 목적 사용자와 유사하게 아이템을 평가한 사용자 그룹을 찾기 위한 것으로, 목적 사용자가 아직 평가하지 않은 아이템에 대하여 사용자-평가 매트릭스를 통해 그 평가 값을 예측한다. 현재 이 협업적 여과 방법은 전자상거래와 정보 검색에서 적용되어 개인화 시스템에 효율적으로 사용되고 있다. 하지만 초기 사용자 문제, 데이터 희박성 문제와 확장성 그리고 예측 정확도 향상 등 해결해야 할 과제가 여전히 남아 있다. 이러한 문제들을 해소하기 위해 많은 연구자들은 하이브리드, 신뢰기반, 소셜 네트워크 기반 협업적 여과와 같은 다양한 방법을 제안하였다. 본 논문에서는 전통적인 협업적 여과 방식의 예측 정확도와 추천 성능을 향상시키기 위해 소셜 네트워크에 존재하는 소셜 관계를 이용한 협업적 여과 시스템을 제안한다. 소셜 관계는 소셜 네트워크 서비스 중 하나인 페이스북 사용자들이 남긴 포스팅과 사용자의 소셜 네트워크 친구와 의견 교류 중 남긴 코멘트와 같은 사용자 행동을 기반으로 정의된다. 소셜 관계를 구축하기 위해 소셜 네트워크 사용자의 포스팅과 댓글을 추출하고, 추출된 텍스트에 불용어 및 특수 기호 제거와 스테밍 등 전처리를 수행하였다. 특징 벡터는 TF-IDF를 이용하여 전처리된 텍스트에 나타난 각 단어에 대한 특징 점수를 계산함으로써 구축된다. 본 논문에서 이웃 사용자를 결정하기 위해 사용되는 사용자 간 유사도는 특징 벡터를 이용한 사용자 행동 유사도와 사용자의 영화 평가를 기반으로 한 전통적 방법의 유사도를 결합하여 계산된다. 제안하는 시스템은 목표 사용자와 제안한 방법을 통해 결정된 이웃 사용자 집단을 기반으로 목표 사용자가 평가하지 않은 아이템에 대한 선호도를 예측하고 Top-N 아이템을 선별하여 사용자에게 아이템을 추천하게 된다. 본 논문에서 제안하는 방법을 확인하고 평가하기 위하여 IMDB에서 제공하는 영화 정보 기반으로 영화 평가 시스템을 구축하였다. 예측 정확도를 평가하기 위해 MAE 값을 이용하여 제안하는 알고리즘이 얼마나 정확한 추천을 수행하는지에 대한 예측 정확도를 측정하였다. 그리고 정확도, 재현율 및 F1값 등을 활용하여 시스템의 성능을 평가하였으며, 시스템의 추천 품질은 커버리지를 이용하여 평가되었다. 실험 결과로부터 본 논문에서 제안한 시스템이 보다 더 정확하고 좋은 성능으로 사용자에게 아이템을 추천하는 것을 볼 수 있었다. 특히 소셜 네트워크에서 사용자 행동을 기반으로 한 소셜 관계를 이용함으로써 추천 정확도를 6% 향상시킴을 보였다. 또한 벤치마크 알고리즘과의 성능비교 실험을 통해 7% 향상된 추천 성능의 결과를 보여준다. 그러므로 사용자의 행동으로부터 관찰된 소셜 관계를 CF방법과 결합한 제안한 방법이 정확한 추천시스템을 위해 유용하며, 추천시스템의 성능과 품질을 향상시킬 수 있음을 알 수 있다.