• 청정기술
• /
• 제28권1호
• /
• pp.46-53
• /
• 2022

본 연구에서는 석탄과 유동사 그리고 응집가속물질인 수산화칼륨(KOH)을 혼합한 시료를 이용하여 다양한 조건에서 응집특성을 파악하였다. 응집실험은 전기로에서 수행하였으며 샘플시료는 두 가지 방법으로 제작하였다. 첫 번째 방법은 수산화칼륨 분말시료를 석탄과 유동사에 물리적으로 혼합하는 방법이며 두 번째 방법은 수산화칼륨을 수용액으로 만들어 석탄과 유동사에 혼합하여 만드는 방법으로 제작하였다. 물리적으로 혼합한 분말시료 실험조건의 경우 동일 반응시간인 2시간 조건에서 다양한 반응온도와 총 칼륨 함량에 따른 실험을 수행하였다. 실험 결과 반응온도 및 총 칼륨 함량이 증가할수록 응집물 발생량이 증가하는 결과를 나타내었다. 수산화칼륨 수용액을 이용한 실험 조건은 일반적인 유동층 보일러의 운전온도인 880 ℃와 보일러 내 국부적인 고온 영역을 가정한 980 ℃ 조건에서 각각 수행하였다. 분말실험과 동일하게 반응시간 및 총 칼륨 함량 증가에 따라 생성되는 응집물 발생량을 파악하였다. 실험 결과 반응온도 880 ℃ 조건에서는 반응시간 증가에 따라 응집물 발생량 증가가 뚜렷하게 나타났다. 국부적인 고온 영역을 가정한 980 ℃ 조건에서는 상대적으로 짧은 시간 안에 많은 양의 응집물이 발생하는 결과를 보였다. 응집물의 굳기는 칼륨 함량이 증가할수록 점점 단단해지는 특성을 나타내었다. 총 칼륨 함량이 1.37 wt.% 이하일 경우 두 반응온도 모두에서 굳기가 약해 약한 충격에도 부서지는 결과를 보였다. 추가적으로 SEM-EDS 분석을 통해 유동사 응집물과 재 응집물의 표면특성을 관찰하였다. 분석 결과 융동사 응집물과 재 응집물 내 결합 위치에서 다량의 칼륨 성분이 검출되었다. 이 결과를 통해 알칼리성분이 많아질 경우 공융화합물 형태의 응집이 발생할 가능성이 높음을 파악하였다

• 지능정보연구
• /
• 제29권3호
• /
• pp.145-165
• /
• 2023

추천 시스템은 인터넷의 발달로 급격하게 증가하는 정보의 양으로 인해 생긴 정보 선택의 어려움을 소비자에게 덜어주고 각 개인의 취향에 맞는 정보를 효율적으로 보여주는 중요한 역할을 한다. 특히, E-commerce와 OTT 기업은 상품과 콘텐츠 양이 급격하게 증가하면서 추천 시스템의 도움 없이는 인기 있는 상품만 소비되는 현상을 극복하지 못한다. 이러한 현상을 극복하고 고객 개인 취향에 맞는 정보 혹은 콘텐츠를 제공해 고객의 소비를 유도하기 위해 추천 시스템의 연구가 활발히 진행되고 있다. 일반적으로 유저(user)의 과거 행동 이력을 활용한 협업 필터링이 유저가 선호한 콘텐츠의 정보를 활용하는 콘텐츠 기반 필터링에 비해 높은 성능을 보여준다. 하지만 협업 필터링은 과거 행동 데이터가 부족한 유저에 대해서는 추천의 성능이 낮아지는 콜드 스타트(Cold Start) 문제를 겪게 된다. 본 논문에서는 카카오 아레나 경진대회에서 주어진 음악 스트리밍 서비스 멜론의 플레이리스트 데이터를 기반으로 앞에서 언급한 콜드 스타트 문제를 해결할 수 있는 하이브리드 음악 추천 시스템을 제시했다. 본 연구에서는 플레이리스트에 수록된 곡 목록과 각 음악과 플레이리스트의 메타데이터를 활용해 절반 혹은 전부 가려진 플레이리스트의 다른 수록 곡을 예측하는 것을 목표로 하였다. 이를 위해 플레이리스트 안에 곡이 있는 경우와 아예 곡이 없는 경우를 나눠서 추천을 진행하였다. 플레이리스트 안에 곡이 있는 경우에는 해당 플레이리스트의 곡 목록과 각 곡의 메타데이터를 활용하기 위해 LightFM을 활용하였다. 그 다음에 Item2Vec을 활용해 플레이리스트에 있는 수록 곡과 태그 및 제목의 임베딩 벡터를 생성하고 이를 추천에 활용하였다. 최종적으로 LightFM과 Item2Vec 모델의 앙상블을 통해 최종 추천 결과를 생성하였다. 플레이리스트 안에 곡이 없고 태그 혹은 제목만이 존재할 경우에는 플레이리스트의 메타데이터인 태그와 제목을 FastText를 활용해 사전 학습을 시켜 생성된 플레이리스트 벡터를 기반으로 플레이리스트 간의 유사도를 활용하여 추천을 진행하였다. 이렇게 추천한 결과, 기존 Matrix Factorization(MF)에서 해결하지 못한 콜드 스타트 문제를 해결할 수 있었을 뿐만 아니라 곡과 플레이리스트의 메타데이터를 활용해 기존 MF 모델인 ALS와 BPR 그리고 Word2Vec 기반으로 추천해 주는 Item2Vec 기술보다 높은 추천 성능을 낼 수 있었다. 또한, LightFM을 토대로 다양한 곡의 메타데이터를 실험한 결과, 여러 메타데이터 중에서 아티스트 정보를 단독으로 활용한 LightFM 모델이 다른 메타데이터를 활용한 LightFM 모델들과 비교해 가장 높은 성능을 보여준다는 것을 확인할 수 있었다.