• 한국컴퓨터정보학회논문지
• /
• 제17권5호
• /
• pp.81-91
• /
• 2012

최근 실내 위치기반서비스를 위한 다양한 측위 기술의 발전으로 실내에서도 사용자의 위치측정이 가능해짐에 따라 다양한 형태의 실내 위치기반 서비스가 개발되고 있다. 이에 쇼핑몰이나 백화점 등의 대규모 상업 공간 같은 복잡한 실내 공간에서 사용자에게 가장 적합한 위치나 매장을 추천하는 개인화된 POI 추천 시스템의 개발이 필요하게 되었다. POI 추천을 위해서는 사용자의 이동성과 대규모 상업공간의 공간성을 고려한 사용자 관심지점 탐사 기법의 연구가 필요하다. 이에 본 논문에서는 실내 위치기반 서비스의 POI 추천 시스템의 구현과 사용자들의 이동 데이터로부터 다양한 관심지점을 고려하기 위해 사용자가 일정 시간 동안 머무른 지점을 Stay point라 정의하고 실내공간에서 Stay point를 탐색하는 알고리즘을 제안하였다. 또한 제안된 알고리즘을 이용하여 탐색한 Stay point로부터 방문패턴을 탐사하여 POI 추천 시스템을 구현하였다. 구현된 시스템은 사용자의 모든 이동 로그를 이용한 패턴탐사보다 데이터양을 획기적으로 줄임으로써 빠른 패턴탐사와 메모리 사용량을 줄일 수 있었다.

• 데이타베이스연구회지:데이타베이스연구
• /
• 제34권3호
• /
• pp.86-98
• /
• 2018

장소추천시스템은 시간과 장소가 주어졌을 때, 사용자에게 가장 흥미로운 장소를 추천해주는 시스템을 말한다. 스마트폰과 사물인터넷(IoT), 장소기반 소셜네트워크(LBSN)의 발달에 힘입어 사용자들의 방대한 양의 장소 방문 데이터를 축적하게 되었고, 이를 통해 특정한 시점에 사용자들이 원하는 장소를 적절히 추천해줄 수 있는 장소추천시스템의 중요성이 부각되었다. 장소추천시스템은 사용자의 방문(Check-in) 횟수라는 암시적 피드백(Implicit feedback) 데이터에서 사용자의 시퀀스 선호(Sequential preference)를 이끌어내어 높은 성능을 내기 위한 연구들이 제안되었다. 하지만 시퀀스 선호 정보를 활용하여 모델을 구성하는 경우, 데이터의 밀도가 더욱 희박해지고 이에 따라 적은 수의 데이터에 기반하여 구축되는 모델의 성능이 왜곡될 가능성이 존재한다. 본 연구에서는 신뢰도(Confidence)에 기반하여 방문 주기를 보정하는 방법론을 제안한다. 사용자의 시퀀스 선호 정보로부터 도출된 장소 간 방문 시간전이간격(temporal transition interval)을 활용하여 추천시스템을 구성할 때, 해당 방법론을 통하여 데이터의 왜곡을 보정함으로써 추천시스템의 성능을 향상하였다. 제안하는 방법의 효과를 검증하기 위하여, Foursquare와 Gowalla의 데이터셋을 이용한 비교실험을 통해 제안하는 방법론의 우수성을 보였다.

• Journal of Information Science Theory and Practice
• /
• 제12권2호
• /
• pp.64-78
• /
• 2024

Sentiment analysis is one of the promising approaches for developing a point of interest (POI) recommendation system. It uses natural language processing techniques that deploy expert insights from user-generated content such as reviews and feedback. By applying sentiment polarities (positive, negative, or neutral) associated with each POI, the recommendation system can suggest the most suitable POIs for specific users. The proposed study combines two models for POI recommendation. The first model uses bidirectional long short-term memory (BiLSTM) to predict sentiments and is trained on an election dataset. It is observed that the proposed model outperforms existing models in terms of accuracy (99.52%), precision (99.53%), recall (99.51%), and F1-score (99.52%). Then, this model is used on the Foursquare dataset to predict the class labels. Following this, user and POI embeddings are generated. The next model recommends the top POIs and corresponding coordinates to the user using the LSTM model. Filtered user interest and locations are used to recommend POIs from the Foursquare dataset. The results of our proposed model for the POI recommendation system using sentiment analysis are compared to several state-of-the-art approaches and are found quite affirmative regarding recall (48.5%) and precision (85%). The proposed system can be used for trip advice, group recommendations, and interesting place recommendations to specific users.

• 디지털산업정보학회논문지
• /
• 제5권2호
• /
• pp.13-20
• /
• 2009

The most of navigation services these days, are designed in order to just provide a shortest path from current position to destination for a user. Several navigation services provides not only the path but some fragmentary information about its point, but, the data tends to be highly restricted because it's quality and quantity totally depends on service provider's providing policy. In this paper, we describe the folksonomy POI(Point of interest) recommender system using mashup in order to provide the information that is more useful to the user. The POI recommender system mashes-up the user's folksonomy data that stacked by user with using external folksonomy service(like Flickr) with others' in order to provide more useful information for the user. POI recommender system recommends others' tag data that is evaluated with the user folksonomy similarity. Using folksonomy mahup makes the services can provide more information that is applied the users' karma. By this, we show how to deal with the data's restrictions of quality and quantity.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2022년도 추계학술발표대회
• /
• pp.377-379
• /
• 2022

POI refers to the point of Interest in Location-Based Social Networks (LBSNs). With the rapid development of mobile devices, GPS, and the Web (web2.0 and 3.0), LBSNs have attracted many users to share their information, physical location (real-time location), and interesting places. The tremendous demand of the user in LBSNs leads the recommendation systems (RSs) to become more widespread attention. Recommendation systems assist users in discovering interesting local attractions or facilities and help social network service (SNS) providers based on user locations. Therefore, it plays a vital role in LBSNs, namely POI recommendation system. In the machine learning model, most of the training data are stored in the centralized data storage, so information that belongs to the user will store in the centralized storage, and users may face privacy issues. Moreover, sharing the information may have safety concerns because of uploading or sharing their real-time location with others through social network media. According to the privacy concern issue, the paper proposes a recommendation model to prevent user privacy and eliminate traditional RS problems such as cold-start and data sparsity.

• 디지털콘텐츠학회 논문지
• /
• 제19권5호
• /
• pp.871-880
• /
• 2018

최근 소비자관련 빅 데이터 증가와 함께 이와 관련된 기술인 POI(Point-of-Interest) 추천 기술이 주목받고 있다. POI란, 소비자가 흥미롭거나 유용하다고 여기는 특정한 장소를 의미한다. 이전에 진행되었던 POI 추천시스템 관련연구들은 특정 데이터 셋에 한정되어 과 적합 문제가 발생할 수 있다는 한계점이 있다. 따라서 본 연구에서는 서울로 및 송정로에 설치한 통합 센서로 부터 얻은 사용자 매장 방문 실 데이터를 이용하여 매장 간 유사도 및 상관관계를 분석하며, 분석 결과를 토대로 신규 사용자가 흥미 있을 만한 매장을 추천해 주는 선호도 예측 시스템 연구를 한다. 실험 결과, 다양한 유사도 및 상관관계 분석을 통하여 관련성이 높은 매장의 리스트와 관련성이 낮은 매장의 리스트를 도출해낼 수 있었다. 또한, 다양한 조건에서 선호도 예측 정확도를 비교 실험을 수행한 결과 자카드 유사도 기반 아이템 협업 필터링 기법이 타 방법에 비해 높은 정확도를 보이는 것을 확인할 수 있었다.

• 대한공간정보학회지
• /
• 제19권1호
• /
• pp.13-20
• /
• 2011

위치 기반 서비스는 사용자 중심의 위치를 기반으로 한 정보 서비스이며 유비쿼터스 시대에 있어서 핵심적인 엔진으로서 논의되어져오고 있다. 본 연구의 목적은 다중 의사 결정 기법을 통해 이동 단말 사용자의 위치 정보와 공간적 선호도를 반영한 새로운 온톨로지 추론 시스템을 개발하는 것이다. 이를 위해 POI 검색을 위한 온톨로지 기반의 LBS 추론시스템을 개발하고 사용자의 상황인식정보와 개인적 특성 및 공간선호도에 따른 온톨로지로 구축을 하여 그 구현 결과를 보였다. 또한 사용자의 의사결정시 결정기준요소에 가중치 부여를 위한 Cost Value Ontology를 구축하여, 다 기준 의사추론을 통해 사용자에게 적절한 추천 결과가 도출되는 위치 기반 서비스 방법을 제안하였다.

• 정보과학회 컴퓨팅의 실제 논문지
• /
• 제22권1호
• /
• pp.38-43
• /
• 2016

최근 교통 기술의 발전과 여가생활에 대한 관심이 늘어남에 따라 여행이 주요 여가 활동으로 자리 잡고 있다. 또한, 스마트폰이나 태블릿PC와 같이 GPS를 탑재한 모바일 기기 보급으로 인해 사용자의 위치를 실시간으로 수집하는 것이 가능해졌다. 이런 환경을 바탕으로 번거로운 여행 일정 계획을 대신 수립해주는 여행 일정 추천 시스템에 대한 연구가 활발하게 진행되었다. 그러나 기존의 연구들은 사용자들의 비용이나 시간에 대한 제약사항을 고려해 짧은 경로를 포함하는 여행 일정을 추천하거나 여행 목적지에서 가장 인기 있는 지역을 가장 많이 포함하는 일정을 추천하는 것을 목적으로 하기 때문에 개인의 만족도를 높이기 위한 개인화된 여행 일정 추천시스템에 대한 연구는 많지 않았다. 따라서 본 연구에서는 사용자들의 만족도를 높이기 위한 개인화 서비스 연구의 일환으로 그 동안 다른 연구에서는 간과되었던 사용자들의 체류시간을 고려한 여행 일정 추천 시스템을 제안한다.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2015년도 추계학술발표대회
• /
• pp.1281-1284
• /
• 2015

Multi-day trip itinerary planning is complex and time consuming task, from selecting a list of worth visiting POIs to arranging them into an itinerary with various constraints and requirements. In this paper, we present CYTRIP, a multi-day trip itinerary planning system that engages human computation (i.e. crowd recommendation) to collaboratively recommend POIs by providing a shared workspace. CYTRIP takes input the collective intelligence of crowd (i.e. recommended POIs) to build a multi-day trip itinerary taking into account user's preferences, various time constraints and locations. Furthermore, we explain how we engage crowd in our system. The planning problem and domain are formulated as AI planning using PDDL3. The preliminary empirical experiments show that our domain formulation is applicable to both single-day and multi-day trip planning.

• 정보처리학회논문지:소프트웨어 및 데이터공학
• /
• 제2권9호
• /
• pp.615-620
• /
• 2013

스마트폰을 통해 사용자에게 제공되는 앱이 증가함에 따라 사용자들은 스마트폰에서 자신이 사용하고자 하는 앱을 매번 찾아야 하는 문제점이 커지고 있다. 이러한 앱 탐색 문제를 해결하기 위해 본 연구에서는 스마트폰에서 시간 및 장소에 따른 사용자별 앱 사용 로그를 수집하고, 이를 학습하여 사용자의 상황 정보에 따라 최적의 앱 추천 리스트를 자동으로 제공하는 방법을 제안한다. 제안 방법에서는 사용자의 앱 로그로부터 요일, 시간대, 주중주말 여부 등의 시간 속성과 주소명, POI 등의 장소 속성을 학습하여 최대사용빈도기반 예측 모델, Naive-Bayesian 예측 모델, SVM 예측 모델 등의 3가지 예측 모델을 생성한다. 최적의 예측 모델을 생성하기 위해 다양하게 조합된 학습 속성들을 학습한 예측모델들의 추천 정확도 비교 실험을 진행하였으며, 단일 예측 모델의 성능 개선을 위한 하이브리드 추천 방법을 제안한다.