• 지능정보연구
• /
• 제19권3호
• /
• pp.57-71
• /
• 2013

세계에는 수많은 사람들이 살아가고 있고, 사람들의 일상으로부터 매일, 매 시간 단위로 새로운 뉴스가 발생한다. 발생되는 뉴스는 예정된 일과 예상하지 못한 일들을 포함하고 있다. 발생하는 뉴스의 거대한 양과 이를 전달하는 수많은 미디어들로 인해 사람들은 뉴스 콘텐츠를 이용하는데 많은 시간을 소비하게 된다. 하지만 미디어에 시시각각 나타나는 속보와 실시간 이슈의 대부분이 가십 기사로 이루어져 있어 사용자들이 자신의 성향에 맞는 뉴스를 선별하고, 뉴스로부터 정보를 획득하는 것은 쉽지 않은 일이다. 또한 사용자의 관심사가 시간에 따라 변하기 때문에 뉴스 제공에 있어 사용자의 변하는 관심사를 반영하는 것이 요구된다. 본 논문에서는 사용자의 최근 관심사를 기반으로 사용자 선호도에 맞는 뉴스를 제공하기 위한 콘텐츠 기반의 추천 기법 및 시스템을 제안한다. 사용자의 최근 선호도를 파악하기 위하여 소셜 네트워크 서비스인 Facebook 사용자의 정보와 최근 게시글을 이용하여 동적으로 사용자 프로파일을 생성하여 이를 뉴스 서비스에 활용하고, 사용자 선호도에 적합한 뉴스를 추출하기 위해서 뉴스 콘텐츠의 분석을 요구한다. 뉴스 콘텐츠 분석을 위해 미디어에서 제공되는 뉴스의 카테고리를 사용하고, 뉴스 방송원고의 분석 및 주요 키워드 추출을 통해 뉴스 프로파일을 생성한다. 사용자 프로파일과 뉴스 프로파일 간의 유사도 측정을 위해서는 두 프로파일 간 형식의 일치화가 요구되므로 사용자 프로파일을 뉴스 프로파일과 동일한 형태로 생성한다. 사용자가 시스템에 접속하면 시스템은 사용자 프로파일에 명시된 선호도를 기반으로 뉴스 프로파일과의 유사도를 측정하고, 사용자 선호도에 가장 적합한 뉴스들을 제공하게 된다. 또한 사용자에게 제공된 뉴스 프로파일과 다른 뉴스 프로파일들 간에 유사도를 측정하여 유사도가 높은 관련된 뉴스들을 제공하게 된다. 제안한 개인화된 뉴스 서비스의 성능을 평가하기 위해 사용자에게 추천된 뉴스에 대한 사용자 평가와 시스템 예측값의 오차를 기반으로 6Sub-Vectors 벤치마크 알고리즘과 성능 평가를 수행하였고, 실험 결과를 통해 제안한 시스템의 우수성을 입증하였다.

• Journal of the Korean Wood Science and Technology
• /
• 제2권2호
• /
• pp.8-12
• /
• 1974

한국의 목재 인공 건조법을 개발하기 위하여 필자의 전직 대학인 전북대학교 전 김두헌 총장님, 동농대전 백남혁학장 및 동농대교수 제위의 각별한 협조를 얻어 1956년 고액을 지불하고 미국 More Dry Kiln Co.에서 최신의 목재 인공 건조 장치를 도입하여 전북 농대 임학과에 설치하게된 것이다. 그러나 이 건조 시설을 활용하는데는 많은 지장이 있었으므로 1959년 전기 More Dry Kiln의 온, 습도 조절장치만을 이용한 소형 Dry kiln을 제작하여 본 시험을 실시한 것이다. 공시수종은 소나무, 낙엽송, 은행나무, 전나무, 밤나무 및 감나무등이며, 공시목의 크기는 것이 60cm, 넓이 10cm 및 두께 15-35mm이다. 실험한 건조 조건은 건조 온도를 일정히 ($170^{\circ}F$)하고, 관계습도를 각종으로 변화할때 얻어지는 건조 속도를 측정하는 동시에 각 건조조건에 의하여 유발되는 건조결함을 조사하여 공시목의 초기 함수율과 건조 최경함수율 특히 shell의 함수율과의 비가 이들의 결함 형성 특히 표면경화(casehardening) 형성에 미치는 영향을 구명하였으며 또한 casehardening 계산식을 유도하였다. 1. 목재내부에 형성된 응력 즉 prong이 개주할 때의 응력은 prong이 서로 접합할 때의 응력을 100으로 하는 백분율에 의하여 다음식으로 표시할 수 있다. 단, 응력 측정에 사용한 prong은 그림 1과 같이 작성하여야 한다. $CH=\frac{(A-B') (4W+A) (4W-A)}{2A[(2W+(A-B')][2W-(A-B')]}{\times}100%$ 상식은 다음과 같은 간이식을 사용할 수 있다. $CH=\frac{A-B'}{A}{\times}200%$ 2. 일정 한 건조 조건하에 건조하여 항중에 달하고, 또한 normal casehardening을 형성하는 경우에 는, 그 sample board의 shell 의 함수율은 특히 얇은 sample board에 있어서 US Dep. Agr., Forest Products Laboratory에서 발표한 EMC 보다 낮다. 3. 본 실험에서 측정한 1시간당 목재 건조 표면적 $1cm^2$ 당 증발하는 증발량 즉 건조속도를 비교 검토한 결과 다음과 같은 순위로 되었으며, 비교 검토한 5수 종중 최대치를 유하는 은행나무 MC 20% 에 있어서 최저치를 표시한 밤나무의 3.8배가 된다. (표 1 참조) (1) 은행나무 (2) 감나무 (3) 소나무 (4) 낙엽송 (5) 밤나무 특히 함수율 26% 이하에 있어서 각 함수율에 대한 증발속도치는 다음과 같은 일차식으로 표시 할 수 있으며, 그 회귀계수 유의성 검정에 있어서의 T치는 다음과 같이 각각 고율의 유의성을 표시하였다. (표2 참조) 상기중 Y는 증발속도($g/cm^2hr$.), X는 함수율을 각각표시한다. 이들 회귀직선을 도시하면 그림 2와 같다. 4. 초기함수율과 건조 최종기에 있어서의 목재의 표층 함수율 즉 shell의 함수율과의 비(SR)가 casehar dening 형성에 미치는 영향은 다음과 같다. 어떤 SR 값에 관하여 그 SR 값 이하를 유하는 총개제수(N) 중 CH 제4급이 출현하는 수(D)의 확율 즉 N에 대한 D의 출현확율 P%는 표 3과 같다. (D의 출현확율 P%를 위험확율이라고 가칭한다.) 표 4에 있어서 종란의 1,2,3의 숫자는 각각 다음과 같은 사항을 표시한다. (1) CH 값 제 4급이 출현하지 아니 하는 안전한 최소 SF 값 (2) 위험을 30%를 허용하는 경우에 있어서의 SF 값의 한계 (3) CH 값 제 4급 이하가 발생하지 아니하는 위험율 100%의 값의 범위 상기한 실측 결과에 의하여 밤나무, 낙엽송등은 내부응력 형성이 용이한데 비하여 감나무, 소나무등은 내부응력 형성이 용이하지 아니하여, 특히 전나무, 은행나무등은 타수종과 동일한 건조조건에 있어서 reverse casehardening을 초래함에 비추워 타수종에 비하여 현저히 내부응력 특히 normal casehardening이 잘 형성되지 아니한다는 것을 알 수 있다. 5. casehardening을 제외한 각종의 drying defects는 long time loading에 있어서 그 내부응력이 ultimate stress를 초과할 때 나타나는 것인데 건조조건 온도 $170^{\circ}F$에 대하여 습도를 낮게하여도 그렇게 심하지 아니하나, 온도 $200^{\circ}CF$의 저습에 있어서 end coating을 하지 아니하는 경우에는 용이하게 발생한다. 특히 밤나무는 실험한 타수종에 비하여 casehardening 및 활열성 defects가 강한 것을 지적할 수 있다.

• 한국토양비료학회지
• /
• 제5권2호
• /
• pp.1-38
• /
• 1972

우리나라 답토양(畓土壤)에 대(對)한 토지(土地)의 합리적(合理的) 이용(利用), 토지기반조성(土地基盤造成) 및 생산성 향상(向上) 그리고 토양(土壤)에 관(關)한 조사연구(調査硏究)의 방향(方向)을 뒷받침하기 위(爲)하여 김제만경평야(金堤萬頃平野)에 분포(分布)하고 있는 답토양(畓土壤)에 대(對)한 형태(形態) 및 이화학적(理化學的) 특성(特性) 그리고 그와 수도수량(水稻收量)과의 관계(關係)를 구명(究明)하고 이를 기초(基礎)로 하여 답토양(沓土壤)의 분류법(分類法)과 적성등급구분(適性等級區分)을 시안(試案)하였는 바 그 결과(結果)를 요약(要約)하면 다음과 같다. 1. 답토양(畓土壤)의 형태(形態), 이화학적(理化學的) 특성(特性) 및 그와 수도수량(水稻收量)과의 관계(關係) 김제(金堤) 만경평야(萬頃平野)에 분포(分布)하고 있는 15개(個) 답토양통(畓土壤統)에 대(對)하여 이들 토양(土壤)의 형태(形態), 이화학적(理化學的) 특성(特性)을 보면 다음과 같다. 토양단면(土壤斷面)의 발달정도(發達程度)를 보면 공덕(孔德), 김제(金堤), 만경(萬頃), 백구(白鷗), 봉남(鳳南), 부용(芙蓉), 수암(水岩), 전북(全北), 지산(芝山) 및 호남통(湖南統)는 B(Cambic B)층(層)이 있고 극락(極樂)과 화동통(華東統)은 Bt(Argillic B)층(層)이 있으나 광활(廣活), 신답(新踏) 및 화계통(華溪統)에는 B층(層) 혹(或)은 Bt층(層)이 없다. 특(特)히 공덕(孔德) 및 봉남통(鳳南統)은 흑니층(黑尼層)이 심토(心土) 하부(下部)에 개재(介在)되여 있다. 토양단면(土壤斷面)의 토색(土色)을 보면 공덕(孔德), 광활(廣活), 백구(白鷗) 및 신답통(新踏統)은 대체(大體)로 청회색(靑灰色), 암회색(暗灰色)을 띄우고 김제(金堤), 만경(萬頃), 봉남(鳳南), 부용(芙蓉), 수암(水岩), 전북(全北), 지산(芝山) 및 호남통(湖南統)은 회색(灰色), 회갈색(灰褐色)을 띠우며 극락(極樂), 화계(華溪) 및 화동통(華東統)은 표토(表土) 및 표토하부(表土下部)의 회색(灰色)을 제외(除外)하고 황갈색(黃褐色), 갈색(褐色)을 띠운다. 토양단면(土壤斷面)의 토성(土性)을 보면 공덕(孔德), 극락(極樂), 김제(金堤), 봉남부용(鳳南芙蓉), 호남(湖南) 및 화동통(華東統)은 식질(埴質)이고 백구(白鷗), 전북(全北) 및 지산통(芝山統)은 식양질(埴壤質) 혹은 미사식양질(微砂埴壤質)이며 광활(廣活), 만경(萬頃) 및 수암통(水岩統)은 미사사양질(微砂砂壤質) 그리고 신답(新踏) 및 화계통(華溪統)은 사질(砂質) 혹은 석력사질(石礫砂質)이다. 표토(表土)의 탄소함량(炭素含量)은 0.29%~2.18% 범위(範圍)에 있으나 1.0~2.0%인 것이 많으며 표토(表土)의 전질소함량(全窒素含量)은 0.03%~0.24% 범위(範圍)에 있다. 이들은 심토(心土) 혹은 기층(基層)으로 갈수록 감소(減少)되는 경향(傾向)이나 불규칙적(不規則的)이다. 표토(表土)의 탄질비(炭窒比)는 4.6~15.5 범위(範圍)인데 8~10인 것이 많으며 심토(心土) 및 기층(基層)에서는 표토(表土)에 비(比)하여 그 범위(範圍)가 커서 3.0~20.25이다. 토양반응(土壤反應)은 pH4.5~8.0 범위(範圍)에 있으나 광활(廣活) 및 만경통(萬頃統)을 제외(除外)하고는 모두 산성(酸性)이다. 염기치환용량(鹽基置換容量)은 표토(表土)에서는 5~13 me/100g 범위(範圍)이며 심토(心土) 및 기층(基層)에서는 사질토양(砂質土壤)을 제외(除外)하고 모두 10~20 me/100g 범위(範圍)에 있다. 염기포화도(鹽基飽和度)는 공덕(孔德) 및 백구통(白鷗統)을 제외(除外)하고는 모두 60% 이상(以上)이다. 표토(表土)의 활성철함량(活性鐵含量)은 0.45~1.81% 범위(範圍)이고 역환원성(易還元性)망간은 15~148ppm 범위(範圍)이며 유효규산은 36~366ppm 범위(範圍)에 있다. 이들 3성분(成分)의 용탈(溶脫) 및 집적(集積)은 토양배수(土壤排水), 토성조건(土性條件)에 따라 다르지만 대체(大體)로 10~70cm 범위(範圍)에 집적(集積)하고 있으나 규산(珪酸)은 경우(境遇)에 따라 철(鐵), 망간 보다 깊은 층위(層位)에 집적(集積)되여 있다. 각(各) 토양통(土壤統)의 주요특성(主要特性)은 해안(海岸)에서 부터 거리에 따라 점변(漸變)하고 있으며 점토(粘土), 유기탄소(有機炭素) 및 pH는 해안(海岸)으로 부터 내륙(內陸)으로 옮겨가는 거리와 다음과 같은 상관(相關)이 있다. y(표상(表上)의 점토함량(粘土含量)) = $$-0.2491x^2+6.0388x-1.1251$$ y (심토(心土) 및 표토하부(表土下部)의 점토함량(粘土含量)) = $$-0.31646x^+7.84818x-2.50008$$ y(표토(表土)의 유기탄소함량(有機炭素含量)) = $$-0.0089x^2+0.2192x+0.1366$$ 로서 내륙(內陸)으로 갈수록 높아지는 경향(傾向)이며 y(심토(心土) 및 표토하부(表土下部)의 pH) = $$0.0178x^2-0.4534x-8.353$$ 로서 내륙(內陸)으로 갈수록 낮다. 토양(土壤)의 형태(形態) 및 이화학적(理化學的) 특성(特性)에 있어 특기(特記)되는 것은 토양(土壤)의 발달도(發達度), 토색(土色), 모재(母材)의 다원적(多元的) 퇴적(堆積), 유기물층(有機物層)의 개입(介入), 토성(土性) 및 토양반응(土壤反應) 등(等)이였으며 이들은 답토양(畓土壤)의 분류(分類)에서 고려(考濾)되여야 할 사항(事項)이였다. 토양(土壤)의 몇가지 특성(特性)과 수도수량(水稻收量)과의 관계(關係)에서 토양배수(土壤排水)가 약간양호(若干良好) 내지(乃至) 불량(不良)한 식질토(埴質土), 양질토(壤質土) 그리고 유효심도가 낮은(50cm) 식질토(埴質土)들은 수량(收量)이 대부분(大部分) 10a당(當) 375kg 이상(以上)이며 사질토(砂質土), 배수(排水)가 양호(良好)한 식질토(埴質土), 유효심도가 낮은 양질토(壤質土) 및 함염토(含鹽土)들은 수량(收量)이 대부분(大部分) 10a당(當) 375kg미만(未滿)이다. 수도수량(水稻收量)에 영향(影響)을 미치는 토양(土壤)의 형태적(形態的) 특성(特性)은 토양배수(土壤排水), 토성(土性), 유효심도, 표토(表土) 및 표토하부(表土下部)의 회색화(灰色化) 그리고 염농도(鹽濃度) 등(等)이며 이들은 답토양(畓土壤)의 적성등급구분(適性等級區分)에서 고려(考慮)되여야 할 사항(事項)이였다. 2. 답토양(畓土壤)의 분류(分類) 및 적성등급구분(適性等級區分) 답토양(畓土壤)의 분류기준(分類基準)은 토양(土壤) 자체(自體)가 가지고 있는 성질(性質)에 근거(根據)를 두었다. 토양분류단위(土壤分類單位)는 토양대군(土壤大群), 토양군(土壤群), 토양아군(土壤亞群), 토양계(土壤系) 그리고 토양통(土壤統)의 5단계(段階)를 두고 분류(分類)의 기본(基本) 단위(單位)는 토양통(土壤統)으로 하였다. 토양분류(土壤分類)에 있어 형태적(形態的) 특성(特性)의 차이(差異)를 결정(決定)하기 위(爲)하여 2종류(種類)의 특징토층(特徵土層) 즉(卽) 숙성토층(熟成土層) 및 반숙토층(半熟土層)을 설정(設定)하여 이들의 유무(有無) 및 종류(種類)를 토양대군(土壤大群)의 분류기준(分類基準)으로 하였다. 토양군(土壤群) 및 토양아군(土壤亞群)의 분류(分類)에 있어 고려(考慮)되여야 할 특징적(特徵的) 토양특성(土壤特性)은 우선(于先), 토색(土色), 염농도(鹽濃度), 표토(表土) 및 표토(表土) 하부(下部)의 회색화(灰色化), 토사(土砂)의 다원적(多元的) 퇴적(堆積) 그리고 유기물층(有機物層)의 개입(介入)으로 하였으며 토양계(土壤系)의 분류(分類)에서 고려(考慮)한 토양특성(土壤特性)은 토양반응(土壤反應), 토성(土性) 및 석력함량(石礫含量)에 근거(根據)를 두어 분류(分類)하는 한편 이들에 대(對)한 정의(定義)를 내렸다. 그리고 필자(筆者)의 시안(試案)과 기존(旣存)의 분류안(分類案)을 상호비교(相互比較)하여 검토(檢討)하였다. 답토양(畓土壤)의 적성등급구분(適性等級區分)은 인위적(人爲的) 작용(作用)에 의(依)한 가변성(可變性)이 적은 토양특성(土壤特性)을 토대(土臺)로 하였으며 등급구분단위(等級區分單位)는 등급(等級) 및 아급(亞級)의 2단계(段階)를 두었다. 등급(等級)은 토양(土壤)의 잠재생산력(潛在生産力)이 어느 주어진 단위(範圍)에서 같고 토지이용(土地利用) 및 관리(管理)의 난이(難易)를 고려(考慮)한 토양조건(土壤條件)에 따라 1급(級)에서 4 급지(級地)까지의 4 등급(等級)으로 구분(區分)하였고 아급(亞級)은 동일등급내(同一等級內)에서 중요(重要)한 제한인자(制限因子)로 하였으며 그 인자(因子)는 경사(傾斜), 저염(低濕), 사질(砂質) 석력(石礫), 염해(鹽害), 미력(美熟)이다. 이들 등급(等級) 및 아급(亞級)을 각각(各各) 정의(定義)를 하였으며 아울러 분류시안(分類試案)과의 연관성(連關性)을 검토(檢討)하였다. 김제(金堤) 만경평야(萬頃平野)의 15개(個) 답토양통(畓土壤統)의 분류(分類) 및 적성등급(適性等級) 구분시안(區分試案)을 종합(綜合)하여 보면 다음과 같다.

• 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.