• 정보과학회 컴퓨팅의 실제 논문지
• /
• 제21권11호
• /
• pp.681-688
• /
• 2015

k-Nearest Neighbor(k-NN)그래프는 모든 노드에 대한 k-NN 정보를 나타내는 데이터 구조로써, 협업 필터링, 유사도 탐색과 여러 정보검색 및 추천 시스템에서 k-NN그래프를 활용하고 있다. 이러한 장점에도 불구하고 brute-force방법의 k-NN그래프 생성 방법은 $O(n^2)$의 시간복잡도를 갖기 때문에 빅데이터 셋에 대해서는 처리가 곤란하다. 따라서, 고차원, 희소 데이터에 효율적인 Locality Sensitive Hashing 기법을 (key, value)기반의 분산환경인 MapReduce환경에서 사용하여 k-NN그래프를 생성하는 알고리즘이 연구되고 있다. Locality Sensitive Hashing 기법을 사용하여 사용자를 이웃후보 그룹으로 만들고 후보내의 쌍에 대해서만 brute-force하게 유사도를 계산하는 two-stage 방법을 MapReduce환경에서 사용하였다. 특히, 그래프 생성과정 중 유사도 계산하는 부분이 가장 많은 시간이 소요되므로 후보 그룹을 어떻게 만드는 것인지가 중요하다. 기존의 방법은 사이즈가 큰 후보그룹을 방지하는데 한계점이 있다. 본 논문에서는 효율적인 k-NN 그래프 생성을 위하여 사이즈가 큰 후보그룹을 재구성하는 알고리즘을 제시하였다. 실험을 통해 본 논문에서 제안한 알고리즘이 그래프의 정확성, Scan Rate측면에서 좋은 성능을 보임을 확인하였다.

• 한국산학기술학회논문지
• /
• 제15권5호
• /
• pp.2641-2654
• /
• 2014

스마트 디바이스 환경에서 잡지산업은 높은 복잡도와 극심한 불확실성을 지닌 가치 네트워크 생태계로 변화하였다. 본 논문은 사례연구방법을 적용하여 디지털 컨버전스와 스마트 디바이스 환경에서 잡지 생태계 모델과 외국 잡지사들의 적응 전략을 연구하였다. 분석 결과, 외국 잡지들의 콘텐츠 생산은 커뮤니티, 전문가 사회집단/조직, 창조적 사용자, 미디어/콘텐츠 기업들이 잡지사 또는 잡지 플랫폼과 협업하는 체계로 작동되고 있었다. 잡지사 주도형 플랫폼인지, 플랫폼의 플랫폼인지, 사용자 주도형 플랫폼인지에 따라 이 체계는 다른 특징과 패턴을 보여주고 있었다. 미디어/콘텐츠 기업과의 협업 사례로서는 허핑턴 포스트, 지니오, 잡지사들과의 협업 사례로서는 아마존 매거진, 북스브이, 그리고 전문가 사회집단/조직과의 협업 사례로서는 허핑턴 포스트, 와이어드, 창조적 사용자 커뮤니티와의 협업 사례로서는 플립보드를 들 수 있다. 외국의 사례잡지 콘텐츠는 잡지 플랫폼을 통한 거래를 본격화하면서 종이책 잡지, 전자책 잡지, 웹진, 앱진, 기사별 상품군으로서 분기되고 있다. 콘텐츠 사용 영역에서 사용자/독자들은 잡지 플랫폼과 관련된 스마트 디바이스를 통해 클라우드 컴퓨팅과 인공 지능 그리고 모듈식 개인화라는 기술 환경을 활용하여 커뮤니티, 전문가 집단, 창조적 사용자로서 잡지사와 관계를 가지고 상호작용하는 선순환 구조를 작동시키고 있었다.

• 인터넷정보학회논문지
• /
• 제24권4호
• /
• pp.117-125
• /
• 2023

플립러닝은 전통적인 교실 안 활동과 교실 밖 활동을 바꾸는 수업 방식으로, 기존에 교실 안에서 배우던 내용을 수업 전에 학생이 스스로 학습해온 후 교실에서는 기존에 교실 밖에서 하던 과제를 수행하는 방식을 말한다. 교수자의 도움을 받고 팀 동료와 협력하며 과제를 수행할 수 있다는 장점 때문에 컴퓨터학 과목에도 점차 널리 적용되고 있다. 하지만 수업 내용을 교실 밖에서 학생 홀로 학습해야 하므로 심화 내용에 대한 이해가 떨어진다는 단점이 있다. 본 연구에서는 플립러닝의 단점을 보완하고 장점도 유지하기 위해 플립러닝과 전통적인 수업을 조합하는 방식을 제안한다. 이 방식에서는 수업 전에 기초 개념에 대한 학습을 학생 스스로 하도록 하고, 심화 내용은 교실 안에서 교수자의 강의와 도움을 통해 배우도록 한다. 이처럼 심화 내용을 익힌 후에는 팀 활동을 통해 배운 내용을 응용하는 문제를 풀어보고 해법을 공유한다. 제안한 방식은 컴퓨터학 4개 과목에 1~4개 학기에 걸쳐 적용해 보았으며, 학생들의 학업 성취도와 만족도를 개선함을 확인할 수 있었다. 제안한 방식이 더 많은 컴퓨터학 과목에 활용되어 좋은 수업을 만드는 데 도움이 되기를 기대한다.

• 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.