• Journal of Intelligence and Information Systems
• /
• v.19 no.1
• /
• pp.57-77
• /
• 2013

Social media has become one of the most popular media in web and mobile application. In 2011, social networks and blogs are still the top destination of online users, according to a study from Nielsen Company. In their studies, nearly 4 in 5active users visit social network and blog. Social Networks and Blogs sites rule Americans' Internet time, accounting to 23 percent of time spent online. Facebook is the main social network that the U.S internet users spend time more than the other social network services such as Yahoo, Google, AOL Media Network, Twitter, Linked In and so on. In recent trend, most of the companies promote their products in the Facebook by creating the "Facebook Page" that refers to specific product. The "Like" option allows user to subscribed and received updates their interested on from the page. The film makers which produce a lot of films around the world also take part to market and promote their films by exploiting the advantages of using the "Facebook Page". In addition, a great number of streaming service providers allows users to subscribe their service to watch and enjoy movies and TV program. They can instantly watch movies and TV program over the internet to PCs, Macs and TVs. Netflix alone as the world's leading subscription service have more than 30 million streaming members in the United States, Latin America, the United Kingdom and the Nordics. As the matter of facts, a million of movies and TV program with different of genres are offered to the subscriber. In contrast, users need spend a lot time to find the right movies which are related to their interest genre. Recent years there are many researchers who have been propose a method to improve prediction the rating or preference that would give the most related items such as books, music or movies to the garget user or the group of users that have the same interest in the particular items. One of the most popular methods to build recommendation system is traditional Collaborative Filtering (CF). The method compute the similarity of the target user and other users, which then are cluster in the same interest on items according which items that users have been rated. The method then predicts other items from the same group of users to recommend to a group of users. Moreover, There are many items that need to study for suggesting to users such as books, music, movies, news, videos and so on. However, in this paper we only focus on movie as item to recommend to users. In addition, there are many challenges for CF task. Firstly, the "sparsity problem"; it occurs when user information preference is not enough. The recommendation accuracies result is lower compared to the neighbor who composed with a large amount of ratings. The second problem is "cold-start problem"; it occurs whenever new users or items are added into the system, which each has norating or a few rating. For instance, no personalized predictions can be made for a new user without any ratings on the record. In this research we propose a clustering method according to the users' genre interest extracted from social network service (SNS) and user's movies rating information system to solve the "cold-start problem." Our proposed method will clusters the target user together with the other users by combining the user genre interest and the rating information. It is important to realize a huge amount of interesting and useful user's information from Facebook Graph, we can extract information from the "Facebook Page" which "Like" by them. Moreover, we use the Internet Movie Database(IMDb) as the main dataset. The IMDbis online databases that consist of a large amount of information related to movies, TV programs and including actors. This dataset not only used to provide movie information in our Movie Rating Systems, but also as resources to provide movie genre information which extracted from the "Facebook Page". Formerly, the user must login with their Facebook account to login to the Movie Rating System, at the same time our system will collect the genre interest from the "Facebook Page". We conduct many experiments with other methods to see how our method performs and we also compare to the other methods. First, we compared our proposed method in the case of the normal recommendation to see how our system improves the recommendation result. Then we experiment method in case of cold-start problem. Our experiment show that our method is outperform than the other methods. In these two cases of our experimentation, we see that our proposed method produces better result in case both cases.

• Food preservation and processing industry
• /
• v.8 no.2
• /
• pp.6-12
• /
• 2009

면역반응은 외부 감염원으로부터 신체를 보호하고 외부감염원을 제거하고자 하는 주요항상성 유지기전의 하나이다. 이들 반응은 골수에서 생성되고 비장, 흉선 및 임파절 등에서 성숙되는 면역세포들에 의해 매개된다. 보통 태어나면서부터 얻어진 선천성 면역반응을 매개하는 대식세포, 수지상 세포 등과, 오랜기간 동안 감염된 다양한 면역원에 대한 경험을 토대로 얻어진 획득성 면역을 담당하는 T 임파구 등이 대표적인 면역세포로 알려져 있다. 다양한 면역질환이 최근 주요 사망률의 원인이 되고 있다. 최근, 암, 당뇨 및 뇌혈관질환 등이 생체에서 발생되는 급 만성염증에 의해 발생된다고 보고됨에 따라 면역세포 매개성 염증질환에 대한 치료제 개발을 서두르고 있다. 또한 암환자의 급격한 증가는 암발생의 주요 방어기전인 면역력 증강에 대한 요구들을 가중시키고 있다. 예로부터 사용되어 오던 고려인삼과 홍삼은 기를 보호하고 원기를 회복하는 명약으로 알려진 대표적인 우리나라 천연생약이다. 특별히, 홍삼은 단백질과 핵산의 합성을 촉진시키고, 조혈작용, 간기능 회복, 혈당강하, 운동수행 능력증대, 기억력 개선, 항피로작용 및 면역력 증대에 매우 효과가 좋은 것으로 보고되고 있다. 홍삼에 관한 많은 연구에 비해, 현재까지 홍삼이 면역력 증강에 미치는 효과에 대한 분자적 수준에서의 연구는 매우 미미한 것으로 확인되어져 있다. 홍삼의 투여는 NK 세포나 대식세포의 활성이 증가하고 항암제의 암세포 사멸을 증가시키는 것으로 확인되어졌다. 현재까지 알려진 주요 면역증강 성분은 산성다당류로 보고되었다. 또 한편으로 일부 진세노사이드류에서 항염증 효능이 확인되어졌으며, 이를 통해 피부염증 반응과 관절염에 대한 치료 효과가 있는 것으로 추측되고 있다 [본 연구는 KT&G 연구출연금 (2009-2010) 지원을 받아 이루어졌기에 이에 감사드린다]. 면역반응은 외부 감염물질의 침입으로 유도된 질병환경을 제거하고 수복하는 중요한 생체적 방어작용의 하나이다. 이들 과정은 체내로 유입된 미생물이나 미세화학물질들과 같은 독성물질을 소거하거나 파괴하는 것을 주요 역할로 한다. 외부로 부터 인체에 들어온 이물질에 대한 방어기전은 현재 두 가지 종류의 면역반응으로 구분해서 설명한다. 즉, 선천성 면역 반응 (innate immunity)과 후천성 면역 반응 (adaptive immunity)이 그것이다. 선천성 면역반응은 1) 피부나 점막의 표면과 같은 해부학적인 보호벽 구조와 2) 체온과 낮은 pH 및 chemical mediator (리소자임, collectin류) 등과 같은 생리적 방어구조, 3) phagocyte류 (대식세포, 수지상세포 및 호중구 등)에 의한 phagocytic/endocytic 방어, 그리고 4) 마지막으로 염증반응을 통한 감염에 저항하는 면역반응 등으로 구분된다. 후천성 면역반응은 획득성면역이라고도 불리고 특이성, 다양성, 기억 및 자기/비자기의 인식이라는 네 가지의 특징을 가지고 있으며, 외부 유입물질을 제거하는 반응에 따라 체액성 면역 반응 (humoral immune response)과 세포성 면역반응 (cell-mediated immune response)으로 구분된다. 체액성 면역은 침입한 항원의 구조 특이적으로 생성된 B cell 유래 항체와의 반응과 간이나 대식세포 등에서 합성되어 분비된 혈청내 보체 등에 의해 매개되는 반응으로 구성되어 있다. 세포성 면역반응은 T helper cell (CD4+), cytotoxic T cell (CD8+), B cell 및antigen presenting cell 중개를 통한 세포간 상호 작용에 의해 발생되는 면역반응이다. 선천성 면역반응의 하나인 염증은 우리 몸에서 가장 빈번히 발생되고 있는 방어작용의 하나이다. 예를 들면 감기에 걸렸을 경우, 환자의 편도선내 대식세포나 수지상세포류는 감염된 바이러스 단독 혹은 동시에 감염된 박테리아를 상대로 다양한 염증성 반응을 유도하게 된다. 또한, 상처가 생겼을 경우에도 감염원을 통해 유입된 병원성 세균과 주위조직내 선천성 면역담당 세포들 간의 면역학적 전투가 발생되게 된다. 이들 과정을 통해, 주위 세포나 조직이 손상되면, 즉각적으로 이들 면역세포들 (주로 phagocytes류)은 신속하게 손상을 극소화하고 더 나가서 손상된 부위를 원상으로 회복시키려는 일련의 염증반응을 유도하게 된다. 이들 반응은 우리가 흔히 알고 있는 발적 (redness), 부종 (swelling), 발열 (heat), 통증 (pain) 등의 증상으로 나타나게 된다. 즉, 손상된 부위 주변에 존재하는 모세혈관에 흐르는 혈류의 양이 증가하면서 혈관의 직경이 늘어나게 되고, 이로 인한 조직의 홍반과, 부어 오른 혈관에 의해 발열과 부종이 초래되는 것이다. 확장된 모세혈관의 투과성 증가는 체액과 세포들이 혈관에서 조직으로 이동하게 하는 원동력이 되고, 이를 통해 축적된 삼출물들은 단백질의 농도를 높여, 최종적으로 혈관에 존재하는 체액들이 조직으로 더 많이 이동되도록 유도하여 부종을 형성시킨다. 마지막으로 혈관 내 존재하는 면역세포들은 혈판 내벽에 점착되고 (margination), 혈관벽의 간극을 넓히는 역할을 하는 히스타민 (histamine)이나 일산화질소(nitric oxide : NO), 프로스타그린딘 (prostagladins : PGE2) 및 류코트리엔 (leukotriens) 등과 같은 chemical mediator의 도움으로 인해 혈관벽 사이로 삼출하게 되어 (extravasation), 손상된 부위로 이동하여 직접적인 외부 침입 물질의 파괴나 다른 면역세포들을 모으기 위한 cytokine (tumor necrosis factor [TNF]-$\alpha$, interleukin [IL]-1, IL-6 등) 혹은 chemokine (MIP-l, IL-8, MCP-l등)의 분비 등을 수행함으로써 염증반응을 매개하게 된다. 염증과정시 발생되는 여러 mediator 중 PGE2나 NO 및 TNF-$\alpha$ 등은 실험적 평가가 용이하여 이들 mediator 자체나 생성관련효소 (cyclooxygenase [COX] 및 nitric oxide synthase [NOS] 등)들은 현재항염증 치료제의 개발 연구시 주요 표적으로 연구되고 있다. 염증 반응은 지속기간에 따라 크게 급성염증과 만성염증으로 나뉘며, 삼출물의 종류에 따라서는 장액성, 섬유소성, 화농성 및 출혈성 염증 등으로 구분된다. 급성 염증 (acute inflammation)반응은 수일 내지 수주간 지속되는 일반적인 염증반응이라고 볼 수 있다. 국소반응은 기본징후인 발열과 발적, 부종, 통증 및 기능 상실이 특징적이며, 현미경적 소견으로는 혈관성 변화와 삼출물 형성이 주 작용이므로 일명 삼출성 염증이라고 한다. 만성 염증 (chronic inflammation)은, 급성 염증으로부터 이행되거나 만성으로 시작된다. 염증지속 기간은 보통 4주 이상 장기화 된다. 보통 염증의 경우에는 염증 생성 cytokine인 Th1 cytokine (IL-2, interferone [IFN]-$\gamma$ 및 TNF-$\alpha$ 등)의 생성 후, 거의 즉각적으로 항 염증성 cytokine인 Th2 cytokine(IL-4, IL-6, IL-10 및 transforming growth factor [TGF]-$\beta$ 등)이 생성되어 정상반응으로 회복된다. 그러나, 어떤 원인에서든 면역세포에 의한 염증원 제거 반응이 문제가 되면, 만성염증으로 진행된다. 이 반응에 주로 작용을 하는 염증세포로는 단핵구와 대식세포, 림프구, 형질세포 등이 있다. 암은 전세계적으로 사망률 1위의 원인이 되는 면역질환의 하나이다. 산화적 스트레스나 자외선 조사 혹은 암유발 물질들에 의해 염색체내 protooncogene, tumor-suppressor gene 혹은 DNA repairing gene의 일부 DNA의 돌연변이 혹은 결손 등이 발행되면 정상세포는 암화과정을 시작하게 된다. 양성세포 수준에서 약 5에서 10여년 후 악성수준의 암세포가 생성되게 되면 이들 세포는 새로운 환경을 찾아 전이하게 되는데 이를 통해 암환자들은 다양한 장기에 동인 오리진의 암세포들이 생성한 종양들을 가지게 된다. 이들 종양세포는 정상 장기의 기능을 손상시켜며 결국 생명을 잃게 만든다. 이들 염색체 수준에서의 돌연변이 유래 암세포는 거의 대부분이 체내 면역시스템에 의해 사멸되는 것으로 알려져 있다. 그러나 계속되는 스트레스나 암유발 물질의 노출은 체내 면역체계를 파괴하면서 최후의 방어선을 무너뜨리면서 암발생에 무방비 상태를 만들게 된다. 이런 이유로 체내 면역시스템의 정상적 가동 및 증강을 유도하게 하는 전략이 암예방시 매우 중요한 표적으로 인식되면서 다양한 형태의 면역증강 물질 개발을 시도하고 있다. 인삼은 두릅나무과의 여러해살이 풀로써, 오랜동안 한방 및 민간에서 원기를 회복시키고, 각종 질병을 치료할 수단으로 사용되고 있는 대표적인 전통생약이다. 예로부터 불로(不老), 장생(長生), 익기(益氣), 경신(經身)의 명약으로 구전되어졌는데, 이는 약 2천년 전 중국의 신농본초경(神農本草經)에서 "인삼은 오장(五腸)을 보하고, 정신을 안정시키고, 혼백을 고정하며 경계를 멈추게 하고, 외부로부터 침입하는 병사를 제거하여주며, 눈을 밝게 하고 마음을 열어 더욱 지혜롭게 하고 오랫동안 복용하면 몸이 가벼워지고 장수한다" 라고 기술되어있는 데에서 유래한 것이다. 다양한 연구를 통해 우리나라에서 생산되는 고려인삼 (Panax ginseng)이 효능 면에서 가장 탁월한 것으로 알려져 있으며 특별이 고려인삼으로부터 제조된 고려홍삼은 전세계적으로도 그 효능이 우수한 것으로 보고되어 있다. 대부분의 홍삼 약효는 dammarane계열의 triterpenoid인 ginsenosides라고 불리는 인삼 saponin에 의해 기인된 것으로 알려져 있다. 이들 화합물군의 기본 골격에 따라, protopanaxadiol (PD)계 (22종) 및 protopanaxatriol (PT)계 (10종)으로 구분되고 있다 (표 1). 실험적 접근을 통해 인삼의 약리작용 이해를 위한 다양한 노력들이 경주되고 있으나, 여전히 많은 부분에서 충분히 이해되고 있지 않다. 그러나, 현재까지 연구된 인삼의 약리작용 관련 연구들은 심혈관, 당뇨, 항암 및 항스트레스 등과 같은 분야에서 인삼효능이 우수한 것으로 보고하고 있다. 그러나 면역조절 및 염증현상과 관련된 최근 연구결과들은 많지 않으나, 향후 다양하게 연구될 효능부분으로 인식되고 있다.

• Journal of Intelligence and Information Systems
• /
• v.26 no.4
• /
• pp.127-148
• /
• 2020

The data center is a physical environment facility for accommodating computer systems and related components, and is an essential foundation technology for next-generation core industries such as big data, smart factories, wearables, and smart homes. In particular, with the growth of cloud computing, the proportional expansion of the data center infrastructure is inevitable. Monitoring the health of these data center facilities is a way to maintain and manage the system and prevent failure. If a failure occurs in some elements of the facility, it may affect not only the relevant equipment but also other connected equipment, and may cause enormous damage. In particular, IT facilities are irregular due to interdependence and it is difficult to know the cause. In the previous study predicting failure in data center, failure was predicted by looking at a single server as a single state without assuming that the devices were mixed. Therefore, in this study, data center failures were classified into failures occurring inside the server (Outage A) and failures occurring outside the server (Outage B), and focused on analyzing complex failures occurring within the server. Server external failures include power, cooling, user errors, etc. Since such failures can be prevented in the early stages of data center facility construction, various solutions are being developed. On the other hand, the cause of the failure occurring in the server is difficult to determine, and adequate prevention has not yet been achieved. In particular, this is the reason why server failures do not occur singularly, cause other server failures, or receive something that causes failures from other servers. In other words, while the existing studies assumed that it was a single server that did not affect the servers and analyzed the failure, in this study, the failure occurred on the assumption that it had an effect between servers. In order to define the complex failure situation in the data center, failure history data for each equipment existing in the data center was used. There are four major failures considered in this study: Network Node Down, Server Down, Windows Activation Services Down, and Database Management System Service Down. The failures that occur for each device are sorted in chronological order, and when a failure occurs in a specific equipment, if a failure occurs in a specific equipment within 5 minutes from the time of occurrence, it is defined that the failure occurs simultaneously. After configuring the sequence for the devices that have failed at the same time, 5 devices that frequently occur simultaneously within the configured sequence were selected, and the case where the selected devices failed at the same time was confirmed through visualization. Since the server resource information collected for failure analysis is in units of time series and has flow, we used Long Short-term Memory (LSTM), a deep learning algorithm that can predict the next state through the previous state. In addition, unlike a single server, the Hierarchical Attention Network deep learning model structure was used in consideration of the fact that the level of multiple failures for each server is different. This algorithm is a method of increasing the prediction accuracy by giving weight to the server as the impact on the failure increases. The study began with defining the type of failure and selecting the analysis target. In the first experiment, the same collected data was assumed as a single server state and a multiple server state, and compared and analyzed. The second experiment improved the prediction accuracy in the case of a complex server by optimizing each server threshold. In the first experiment, which assumed each of a single server and multiple servers, in the case of a single server, it was predicted that three of the five servers did not have a failure even though the actual failure occurred. However, assuming multiple servers, all five servers were predicted to have failed. As a result of the experiment, the hypothesis that there is an effect between servers is proven. As a result of this study, it was confirmed that the prediction performance was superior when the multiple servers were assumed than when the single server was assumed. In particular, applying the Hierarchical Attention Network algorithm, assuming that the effects of each server will be different, played a role in improving the analysis effect. In addition, by applying a different threshold for each server, the prediction accuracy could be improved. This study showed that failures that are difficult to determine the cause can be predicted through historical data, and a model that can predict failures occurring in servers in data centers is presented. It is expected that the occurrence of disability can be prevented in advance using the results of this study.