• 기술혁신연구
• /
• 제6권2호
• /
• pp.122-158
• /
• 1998

This study empirically examined different patterns of collaborative R&D project with their key success factors(KSFs), using data from 82 projects in the Korean electronic parts industry. The patterns of R&D collaboration were categorized into 4 types by two criteria development motive(technology Push/market pull) and Project initiator (focal firm/partner). The bivariate relationships revealed that project characteristics (technological complexity, market uncertainty), management characteristics (participation in project formulation), problem solving characteristics(problem solving performance of the focal firm, users active role in problem solving, active role of university or research institute in problem solving) and success rates appear to be different among four types of collaboration. Each type of collaborative R&D projects also had different KSFs. The KSFs of type 1 (technology Push and focal firm initiation), for instance, include the strategic importance of the project, focal firms share of cost, active role of university or research institute in problem solving, while those of type 4(market pull and customer initiation) cover reliability of partner relationship, a time at partners involvement, information sharing. The findings suggest that the different contingencies brought different patterns and KSFs of collaborative R&D project, since different information, resources, and partners roles were needed to successfully implement the projects according to development motive and project initiator Finally, managerial, policy, and theoretical implications for the collaborative R&D activities in the Korean electronics parts industry were discussed, based on empirical results of this study.

• Journal of Information Technology Applications and Management
• /
• 제29권3호
• /
• pp.43-55
• /
• 2022

In this study, with the goal of developing a deep learning-based product recommendation model for effective matching of influencers and products, a deep learning model with a collaborative filtering model combined with generalized matrix decomposition(GMF), a collaborative filtering model based on multi-layer perceptron (MLP), and neural collaborative filtering and generalized matrix Factorization (NeuMF), a hybrid model combining GMP and MLP was developed and tested. In particular, we utilize one-class problem free boosting (OCF-B) method to solve the one-class problem that occurs when training is performed only on positive cases using implicit feedback in the deep learning-based collaborative filtering recommendation model. In relation to model selection based on overall experimental results, the MLP model showed highest performance with weighted average precision, weighted average recall, and f1 score were 0.85 in the model (n=3,000, term=15). This study is meaningful in practice as it attempted to commercialize a deep learning-based recommendation system where influencer's promotion data is being accumulated, pactical personalized recommendation service is not yet commercially applied yet.

• Journal of Internet Technology
• /
• 제19권6호
• /
• pp.1691-1698
• /
• 2018

In this paper, we are to address the problem of item recommendations to users in shopping malls selling several different kinds of items, e.g., daily necessities such as cosmetics, detergent, and food ingredients. Most of current recommendation algorithms are developed for sites selling only one kind of items, e.g., music or movies. To devise efficient recommendation algorithms suitable for repetitively purchasing items, we give a method to implicitly assign ratings for these items by making use of repetitive purchase counts, and then use these ratings for the purpose of recommendation prediction with the help of user-based collaborative filtering and item-based collaborative filtering algorithms. We also propose associate item-based recommendation algorithm. Items are called associate items if they are frequently bought by users at the same time. If a user is to buy some item, it is reasonable to recommend some of its associate items. We implement user-based (item-based) collaborative filtering algorithm and associate item-based algorithm, and compare these three algorithms in view of the recommendation hit ratio, prediction performance, and recommendation coverage, along with computation time.

• 디지털융복합연구
• /
• 제9권5호
• /
• pp.175-191
• /
• 2011

본 연구는 기업의 기술역량이 협력성과와 협력만족도에 미치는 영향을 분석하고, 협력 기업 간의 신뢰가 이들의 관계를 어떻게 조절하는지를 분석하고자 하였다 이를 위해 기술협력이 빈번히 일어나고 있는 국내소재 기업을 대상으로 300부의 설문지를 배포하였으며 분석에 사용된 설문지는 최종 143부를 사용하였다. 분석결과 첫째, 기술역량이 협력성과와 협력만족도에 미치는 주 효과 부분을 보면, 기술인력, 기술조직, 기술리더십은 협력성과에 긍정적 영향을 미치며, 기술전략, 기술프로세스, 기술인력, 기술조직, 기술리더십은 협력만족도에 긍정식인 영향을 미치는 것으로 나타났다. 둘째, 기술역량과 협력성과 및 협력만족도의 관계에서 신뢰의 조절효과를 살펴보면, 신뢰는 기술자산역량과 기술조직역량과의 상호작용을 통하여 협력성과와 협력만족도를 개선할 수 있는 것으로 나타났다. 이는 파트너 간에 높은 신뢰가 형성된 경우, 특히 이전이나 제휴, 라이센싱 등을 통해 외부 협력 파트너와 기술자산을 공유하여(기술자산역량) 협력성과와 협력만족도를 증대시킬 수 있음을 의미한다.

• 한국전자거래학회지
• /
• 제15권1호
• /
• pp.157-171
• /
• 2010

공급사슬과 같은 제조협업을 성공적으로 관리하기 위해서는 효과적인 협업 성과 측정 방법이 필요하다. 기존에 개발된 성과지표들은 주로 기업 내부 업무 또는 아웃소싱의 성과를 측정하기 위하여 개발되었기 때문에, 공동으로 참여하는 제조협업의 성과를 측정하는데 적합하지 않다. 또한, 비용과 같은 일부 성과지표들은 참여기업 간에 이해가 상충되기 때문에 합의 가능한 협업 성과지표의 개발이 필요하다. 본 연구에서는 공급사슬 표준인 SCOR 모형에 기반하여 제조협업에서 양자가 합의할 수 있는 협력적 성과지표(cKPI : collaborative Key Performance Indicators)를 도출하는 방법을 제안하고, 이를 바탕으로 제조협업에 대한 종합적인 성과 만족도를 측정하는 방법을 제시한다. 특히, 기업간에 체결되는 서비스 수준 계약(SLA : Service Level Agreements)의 특성을 반영하기 위하여, Sigmoid 함수를 이용한 성과 만족도 함수를 도입하였다. 본 연구에서 제시된 협력적 성과 측정 및 관리 방법은 점차 확대되고 있는 협업 프로세스에서 상호 합의할 수 있는 정량적 지표를 개발하고 성과를 측정하는 데 활용함으로써 지속적인 제조협업 개선에 적용될 수 있을 것으로 기대된다.

• 대한전자공학회논문지TC
• /
• 제46권6호
• /
• pp.56-65
• /
• 2009

공유 주파수대역을 사용하는 복수의 통신 시스템이 존재하는 경우 이를 공존(Coexistence)이라고 한다. 공존에는 상호간섭이 심각한 문제로 대두되는데 공존문제를 해결하기 위한 방법 중 공본하는 복수의 통신시스템들이 하나의 송수신기인 공존장치에 결합되어 동작할 때 이를 병립(Collocated)라고 한다. 병립인 WiMAX시스템과 Wi-Fi시스템을 비공동(Non-Collaborative)과 공동 (Collaborative)통신으로 모형화하고, 간섭을 최소화하기 위해 써큘레이터를 도입하여 그 구조와 성능에 대해 분석 및 제안한다.

• 컴퓨터교육학회논문지
• /
• 제18권4호
• /
• pp.55-62
• /
• 2015

협력 필터링을 통한 추천 시스템은 정보 검색 편의성을 제공함으로써 다방면에서 성공적으로 활용되어왔다. 유사도 측정은 추천인들의 범위를 결정하는 기준이 되기 때문에 이러한 시스템의 성능을 좌우하는 결정적 요소이다. 본 연구에서는 기존의 유사도 측정 공식에서 산출되는 유사도값의 분포를 분석하고, 유사도값과 공통평가항목수와의 관계를 조사하였다. 이를 통해 발견된 문제점을 보완하기 위하여 유사도값의 제한을 통하여 신뢰할 만한 추천인들을 선정하는 방법을 제시하였다. 실험 결과, 유사도의 상한값과 하한값을 동시에 제한하는 방법이 기존보다 월등한 성능 향상을 가져왔다. 특히 적은 수의 최인접이웃을 참조했을 때 두드러졌는데, 코사인 유사도에 대해서는 최대 0.047, 피어슨에 대해서는 최대 0.03의 추천 성능 향상을 보였다. 이 결과는 피어슨과 코사인 유사도를 이용하는 협력필터링 시스템에서 매우 높거나 낮은 유사도의 이웃의 평가 등급은 참조하지 않는 것이 바람직함을 암시한다.

• 한국통신학회논문지
• /
• 제33권12A호
• /
• pp.1209-1216
• /
• 2008

무선통신 시스템에 있어서 스펙트럼 효율성과 전송속도의 극대화를 위해 MIMO(Multiple Input Multiple Output) 기술을 시스템에 적용하는 노련이 계속되고 있다. 최근 대두되고 있는 WiMAX와 LTE는 OFDM 기반 기술로서 CDMA보다 MIMO기술을 적용하기 쉽다는 장점에 의해 MIMO 기술을 기본으로 채택하고 있다. 하향 링크에서는 STC(Space Time Coding) 방식과 SM(Spatial Multiplexing) 방식을 사용하여 MIMO 방식을 기본 기술로 적용하였으며 상향링크에서는 C-MIMO(Collaborative MIMO) 기술이 사용된다. 특히, 상향링크는 양방향 데이터 통신을 활용한 다양한 신규 서비스가 제안되고 있어 전송 성능을 개선시킬 수 있는 C-MIMO의 성능향상이 기술 쟁점이 되고 있다. 본 논문에서는 C-MIMO 성능 향상을 위하여 기존에 사용되고 있는 신호간 직교성(OF: Orthogonal Factor)의 성질을 이용하여 단말 조합을 선택하는 방식(DPS: Determinant Pairing Scheduling)과 신호간 직교성을 사용하지 않고 단말 조합을 선택하는 방식(RPS: Random Pairing Scheduling)을 분석하였다. 또한 DPS와 RPS 방식을 보완한 새로운 알고리즘을 제안 하여 스펙트럼 효율을 높이는 방법을 고안하였다. 결과에 의하면 새로운 알고리즘을 통하여 RPS 대비 $2{\sim}3dB$ 이득을 보았으며 DPS에 비하여 현격하게 복잡도를 감소 시켰다.

• 한국전자거래학회지
• /
• 제17권2호
• /
• pp.129-147
• /
• 2012

협업필터링(collaborative filtering) 추천은 효과적인 추천을 위해 가장 널리 활용되는 기법 가운데 하나로 다양한 분야에서 널리 활용되고 있다. 협업필터링 추천과 관련하여 주요 이슈 가운데 하나는 왜 적용 도메인에 따라 추천 성과 간에 차이가 다르게 나타나는가이다. 이러한 추천 성과 간의 차이가 발생하는 원인에 대해 많은 연구들은 데이터의 특성에만 주목할 뿐 체계적인 설명을 제시하지 못하고 있는 것도 사실이다. 이러한 기존 연구의 문제점을 해결하기 위해 본 연구는 소셜네트워크의 구조적 측정 지표를 활용하여 추천 성과 간의 차이가 발생하는 원인을 보다 체계적으로 규명하고자 한다. 이를 위해 소셜네트워크의 구조적 측정지표와 협업필터링 추천 성과 간의 관계에 대한 가설을 수립하고 국내 H백화점의 거래데이터를 활용하여 이를 실증적으로 검증하였다. 검증 결과 밀도와 포괄성은 추천 성과에 긍정적인 영향을 미치는 반면 군집화계수는 부정적인 영향을 미치는 것을 파악하였다. 본 연구는 협업필터링 추천 성과를 이해할 수 있는 새로운 관점을 제시하였다. 또한 기업이 협업필터링 추천시스템을 도입하고자 할 때 그들의 의사결정에 도움을 줄 수 있는 가이드라인을 제시하였다는 점에서 그 의의가 있다.

• 지능정보연구
• /
• 제27권3호
• /
• pp.157-173
• /
• 2021

소비자의 욕구와 관심에 맞추어 개인화된 제품을 추천하는 추천 시스템은 비즈니스에 필수적인 기술로서의 그 중요성이 증가하고 있다. 추천 시스템의 대표적인 모형 중 협업 필터링은 우수한 성능으로 다양한 분야에서 활용되고 있다. 그러나 협업필터링은 사용자-아이템의 선호도 정보가 충분하지 않을 경우 성능이 저하되는 희소성의 문제가 있다. 또한 실제 평점 데이터의 경우 대부분 높은 점수에 데이터가 편향되어 있어 심한 불균형을 갖는다. 불균형 데이터에 협업 필터링을 적용할 경우 편향된 클래스에 과도하게 학습되어 추천 성능이 저하된다. 이러한 문제를 해결하기 위해 많은 선행연구들이 진행되어 왔지만 추가적인 외부 데이터 또는 기존의 전통적인 오버샘플링 기법에 의존한 추천을 시도하였기에 유용성이 떨어지고 추천 성능 측면에서 한계점이 있었다. 본 연구에서는 CGAN을 기반으로 협업 필터링 구현 시 발생하는 희소성 문제를 해결함과 동시에 실제 데이터에서 발생하는 데이터 불균형을 완화하여 추천의 성능을 높이는 것을 목표로 한다. CGAN을 이용하여 비어있는 사용자-아이템 매트릭스에 실제와 흡사한 가상의 데이터를 생성하여, 희소성을 가지고 있는 기존의 매트릭스로만 학습한 것과 비교했을 때 높은 정확도가 예상된다. 이 과정에서 Condition vector y를 이용하여 소수 클래스에 대한 분포를 파악하고 그 특징을 반영하여 데이터를 생성하였다. 이후 협업 필터링을 적용하고, 하이퍼파라미터 튜닝을 통해 추천 시스템의 성능을 최대화하는데 기여하였다. 비교 대상으로는 전통적인 오버샘플링 기법인 SMOTE, BorderlineSMOTE, SVM-SMOTE, ADASYN와 GAN을 사용하였다. 결과적으로 데이터 희소성을 가지고 있는 기존의 실제 데이터뿐만 아니라 기존 오버샘플링 기법들보다 제안 모형의 추천 성능이 우수함을 확인하였으며, RMSE, MAE 평가 척도에서 가장 높은 예측 정확도를 나타낸다는 사실을 증명하였다.