DOI QR코드

DOI QR Code

Private Contents Management and Sharing Service with Voluntary Sharing Economy System

자발적 공유 경제 방식의 개인 콘텐츠 관리 및 공유 시스템

  • Received : 2016.05.10
  • Accepted : 2016.08.21
  • Published : 2016.09.30

Abstract

These days, anyone can easily product and share their own content through a web service such as blogs and SNS. However, contents are being operated separately because of the space limitation in individual SNS. Therefore, it is hard to search contents efficiently in individual SNS. To solve this problem, this paper propose a "Private Contents Management and Sharing Service with Voluntary Sharing Economy System." The system is in part [Input], [Save] and it provides a way to collect the content that are scattered on the Internet based on the creation of personal index. It also proposes a more systematic content management and sharing by creating and updating the website standard index by introducing an index Coordinator concept. Furthermore in [Use] section, by providing a portion of the index as the primary search results, it avoid unclassified content list which was simply collected by users. In conclusion, unlike previous studies, this system will contribute to the acquisition and management of interspersed content and ultimately contribute to the shared activation by preventing secondary processing and unauthorized processing to the original article.

Keywords

1. 서 론

요즈음 우리는 기존의 정렬되고 순차적인 인쇄물 정보에 대한 습득 과정 보다 웹 검색을 통한 파편화 된 정보에 대한 습득 과정을 보다 간편하고, 효율적이라 여긴다. 또한 2004년 웹 2.0 개념의 등장 이후, 누구든지 쉽게 블로그와 SNS 같은 웹 서비스를 통해 자체 콘텐츠를 생산/공유 할 수 있게 되었다. 때문에 현대 인터넷 유저들의 자체 콘텐츠 생산과 공유는 꾸준히 발생하고 있다. 하지만 개인 SNS라는 공간의 한계성으로 콘텐츠들은 분리 운영되고 있으며, 오직 개인의 검색 능력을 통해 우리 저변의 콘텐츠를 필요할 때 마다 확인 할 수 밖에 없다.

이에 관한 기존 연구로는 개인이 검색을 할 때 가장 먼저 접근하는 포털 및 검색 엔진의 대표적인 예인 네이버와 구글이 있다. 네이버의 검색 결과는 산재되어있는 url들을 네이버에서 자체적으로 구성해 둔 카테고리에 분류시킨 상태로 카테고리 별로 띄워준다. 산재되어있는 url들을 일정 기준에 따라 분류함으로써 사용자들이 찾고자 하는 검색어에 대한 목적에 부합하는 카테고리를 선택하면 되므로 검색 효율이 높고, 사용자 만족도가 높다. 하지만 네이버는 검색 엔진을 통한 수익성 확보를 위해 사이트 등록자에게 제공하는 파워링크가 대부분 검색의 상단에 위치하는 추세이다.

관련 예시로 Fig. 1은 ‘데이터베이스’라는 특정 키워드를 네이버에 입력했을 경우 나타나는 검색 결과이다. 네이버는 ‘파워링크→지식백과→지식IN→네이버책→사이트→블로그→카페→이미지→뉴스→전문정보→웹문서→동영상→비즈사이트→포스트’ 순으로 ‘파워링크’ 카테고리를 우선적으로 상위에 노출했다. 이는 사용자들에게 검색에 대한 키워드 일치성 보다 광고 우선적인 검색결과를 제공함으로써 사용자의 검색 만족도 저하에 영향을 끼친다.

Fig. 1.The result of searching keyword 'database' in Naver.

구글의 검색엔진 알고리즘은 페이지 랭크 방식을 통해 이루어진다. 페이지 랭크 방식은 특정 링크가 클릭된 횟수를 기록하여 연관성에 점수를 부여한 후, 접속빈도가 잦고 연관성이 높은 링크를 상위에 노출시키는 방식으로 페이지간 유사도 측정에 기반한 알고리즘이다[1-2]. Fig. 2는 ‘데이터베이스’라는 특정 키워드를 구글에 입력했을 경우 나타나는 검색 결과이다. 구글은 ‘위키백과→이미지→사이트’ 순으로 검색 결과를 나열했다. 사이트 카테고리에서는 네이버와 같이 추가적인 분류 카테고리 없이, 페이지 랭크방식을 통해 순위가 높은 사이트들이 상단에 노출되는 방식으로 검색결과가 제공되었다. 구글은 페이지 랭크 방식으로 산재되어있는 페이지간의 연관성 확보는 이루었으나, 특정 키워드에 관해 산재된 페이지들을 그대로 노출하면서, 체계적으로 수집/관리된 검색 결과는 제공하지 못했다.

Fig. 2.The result of searching keyword 'database' in Google.

집단 지성이란 독립적인 개체들이 협력과 경쟁을 통해 획득한 지적 능력의 결과로써 얻어지는 집단적 능력을 의미한다. 집단 지성의 관점은 개체들의 협력과 경쟁의 결과로써 얻어지는 집단적 능력이 독립적 개체의 지적 능력을 넘어선다고 간주한다. 위 관점을 기반으로, 집단 지성을 웹 2.0 플랫폼에 활용하는 여러 방안들은 이전부터 논의되어 왔다[3-4]. 집단 지성 기반 url 관련 특화된 웹 서비스에는 웹 서핑 중 저장해둘 가치가 있다고 여겨지는 사이트 들을 웹 브라우저에 즐겨찾기 해두는 소셜 북마크 방식이 있다. 자신의 향후 검색 효율을 높이기 위해 행하는 이기적인 행동을 통해 타 사용자들의 검색 효율도 높이도록 개인 사용자의 즐겨찾기를 공유하는 소셜 북마킹 웹 사이트는 현재 위키피디아, 마가린, 마이픽업과 같은 서비스들을 통해 국내에서 운영되고 있다.

위키피디아는 지미 웨일스가 2001년에 제작한 온라인 백과사전으로 크리에이티브 커먼저의 저작자 표시-동일조건변경허락(CC-BY-SA)라이선스를 기반으로 하는 온라인 백과사전이다. CC-BY-SA란, 저작자를 올바르게 밝히고 2차 저작물에도 동일한 라이선스를 적용할 경우 해당 저작물을 리믹스하거나 변경, 재가공할 수 있도록 허락하는 라이선스이다. 로그인 없이도 사용자 PC의 IP주소 저장을 통해 저작물 수정을 허용함으로써, 최대한 많은 사용자가 편집에 참여하도록 유도한다[5]. 위키피디아는 위키피디아 내부에서는 CC-BY-SA라는 저작 규칙을 따르고 있으나, 항목에 대한 편집 단계에서 위키피디아 외부 글 사용에 대한 사용자들의 행위에는 명확한 규제는 없어 근본적인 저작권 보호에 대해서 논란이 있다.

마가린은 2006년부터 국내에 서비스 된 태그를 활용한 북마킹 서비스로 2005년 야후 인수와 2011 AVOS 인수 전 인기를 끌었던 딜리셔스 라는 웹 사이트를 벤치마킹한 한국 형 딜리셔스이다. 마가린은 Fig. 3과 같이 인터넷 익스플로러 환경에서 ‘마가린에 북마크하기’ 버튼을 설치, 활용할 수 있다. 또한 앞서 설명 했듯이, 딜리셔스와 같이 태그에 기반한 소셜 북마킹 서비스로 url 수집과 공유 전반에 태그를 활용한다. 그러므로 url은 구체적인 인덱스 속에 구성되는 것이 아니라 태그를 기준으로 분류되며, 키워드에 관한 검색 결과 역시 태그 별 url 리스트가 제공된다. 태그 기반 효율적 검색 결과를 위해 기존의 연구들은 태그 정보와 북마크 인원수를 혼합하여 웹 콘텐츠에 랭킹을 매기는 알고리즘과 태그 정보와 시간 정보를 반영하여 추천하는 알고리즘 등 여러 방식들을 제안해왔다[6-7]. 하지만 현재 마가린에서는 URL 공유 부분에서 일정한 기준에 따라 수집, 분 류된 url 정보가 아닌 산재된 url을 그대로 제공함에 따라 정형화된 검색 결과를 주지 못하고 있다. 이처럼 기존의 소셜 태깅(Tagging)시스템은 구조화된 주석 시스템과는 반대로 비구조적, 개방적 메커니즘의 성향을 가지며 태깅 다양성에 대한 대처가 부족했다[8].

Fig. 3.Magarin's bookmaking functions, (a) Magarin's bookmarking button in Explorer and (b) Magarin's input form of url bookmarking.

Fig. 4.Web service configuration of the structural aspects.

마이픽업은 국내 최초 소셜 북마크로서 페이스북, 트위터와 연동되어 사용자가 즐겨찾기한 url을 개인 SNS에 공유할 수 있는 사이트이다. 현재 베타버전 7.5로 서비스 중인 마이픽업은 마이픽업 픽업 도구 버튼을 활용하여 사용자가 버튼을 누르면 실시간으로 자신의 SNS에 코멘터리를 달면서, url을 공유할 수 있는 방식을 활용하고 있다. 마이 픽업은 사용자의 자발성을 통해 url 공유 효과를 노리고 있으나, 역시나 산재된 링크들을 공간의 한계성을 지닌 개인 SNS에 공유함으로써 기존의 문제를 답습한다.

Fig. 5.Web service configuration of the user aspects.

본 논문에서는 개인이 자발적으로 산재되어있는 URL을 정형화된 틀로 수집하는 소셜 북마킹의 장점을 활용하되, 수집된 URL들이 구조화된 틀 내에 분류되어 개인 SNS 보다 보편적인 웹상의 공간에서 다른 사용자들의 검색 결과로 제공되는 자발적 공유 경제 방식의 개인 콘텐츠 관리/공유 시스템을 제안한다.

 

2. 시스템 구성

2.1 시스템 구성 개요

본 논문에서 제안하는 자발적 공유경제 방식의 개인 콘텐츠 관리/공유 시스템은 개인이 작성한 콘텐츠를 정형화된 틀로 편입시킬 수 있는 시스템을 기반으로 인터넷과 SNS에 산재되어있는 개인이 작성한 콘텐츠를 수집, 분류하여 콘텐츠 공유를 활성화 할 수 있는 웹 서비스를 제공하는 것을 목적으로 한다. 특히, 블로그와 SNS에 산재되어있는 개인 콘텐츠에 부여된 고유한 url을 제안된 서비스의 정형화된 틀(인덱스)에 첨부함으로써 원 글에 대한 불법 복제 및 2차 가공 과 편집 없이 서로 다른 개인 콘텐츠들을 한 인덱스 내에 수집 및 분류 할 수 있다.

2.2 시스템 전체 구성도

본 논문에서 제안하는 모델은 구조적 측면과 사용자 측면으로 나뉘어 설명할 수 있다. 먼저, 구조적 측면으로의 시스템 전체구성은 입력, 저장, 사용으로 나뉜다. [입력] 은, 인터넷 상 산재되어있는 url 중 사용자 기준 적합하다고 간주되는 원 글의 url을 본 논문에서 제안하는 서비스로 수집하는 부분이다. 그리고 [저장] 은 수집된 url이 제안된 서비스 내의 정형화된 틀(인덱스)에 분류되는 부분이다. 마지막으로 [사용]은 수집/분류된 url들이 특정 키워드를 통해 검색되어 사용자들에게 정형화된 틀 내에서 검색 결과로 주어지는 부분이다.

사용자 측면에서 제안하는 서비스의 사용자는 정형화된 틀인 인덱스의 생성 및 url 분류에 참여하는 사용자(이하 회원)과 키워드 검색에 참여하는 사용자(이하 방문자)인 2가지로 분류된다. 그리고 제안하는 서비스는 인덱스 코디네이터라는 역할 개념을 도입한다. 인덱스 코디네이터란 제안하는 서비스 내에 회원이 생성하는 인덱스와는 다르게 본 논문에서 제안하는 웹 서비스의 자체 인덱스를 구성하고 임의로 수집되는 키워드와 url을 분류/관리하는 역할이다.

2.3 인덱스와 인덱스 코디네이터

본 논문의 구조적 측면인 입력/저장/사용 과정 설명 이전에, 제안된 서비스에서 기반이 되는 부분인 인덱스와 인덱스 코디네이터에 대해서 설명한다.

본 논문에서 인덱스는 인덱스 코디네이터가 구성한 웹 사이트 표준 인덱스와 회원이 구성한 개인 인덱스 2가지로 정의된다. 하지만 Fig. 6과 같이, 구조는 개인인덱스와 표준 인덱스 모두 최 상위 인덱스에서 임의로 3단계까지 제작 가능하도록 설정하였다. 그리고 인덱스 코디네이터는 표준 인덱스 생성은 물론, 회원이 입력을 통해 수집한 URL과 개인 인덱스에 첨부한 URL을 분류하여 표준 인덱스에 저장 및 관리하는 일종의 집단 관리자의 역할로 정의할 수 있다. 우선 회원이 구성하는 개인 인덱스는 인덱스를 생성한 회원페이지에서 저장/관리 될 수 있다. 또한 개인 인덱스는 회원이 입력 과정을 통해 수집한 url과 키워드를 등록 할 수 있다. 또한 공유 여부에 따라, 웹 사이트 방문자들에게 검색결과로써 제공될 수도 있다. Fig. 7의 (a)∼(d)를 통해 개인 인덱스 생성 방식을 설명 한다.

Fig. 6.Private Index configuration.

Fig. 7.Order of making private index, (a) input form of private index title, (b) adding sub index of super index, (c) result of adding sub indexes and (d) adding sub index of (b)'s index.

Fig. 7의 (a)를 살펴보면, 가장 먼저 인덱스 추가 table을 통해 생성하려는 인덱스의 이름인 [데이터 베이스]를 지정한다. 그리고 최 상위 인덱스인 [데이터 베이스]의 하위 1단계 인덱스들을 추가해 나간다. 그리고 각 1단계 인덱스 마다 하위의 인덱스(2,3단계)를 생성함으로써 [데이터 베이스]라는 개인 인덱스를 완성시켜 나간다. Fig. 8은 개인 인덱스 생성 시나리오를 따라 최종적으로 생성되는 개인 인덱스를 나타낸다. 생성이 완료된 개인 인덱스에 관한 url 및 키워드 입력에 대해서는 2.3 입력 부분에서 다루기로 한다.

Fig. 8.Final result of making private index.

인덱스 코디네이터란 웹 사이트의 표준 인덱스를 구성하고 회원들에 의해 임의로 수집되는 키워드와 url을 분류/관리하는 역할이다. 표준 인덱스는 웹사이트 방문자가 키워드 검색을 할 시에 검색 결과로 제공되는 인덱스로써, 회원들에 의해 수집된 url들이 인덱스 코디네이터에 의해 선별되어 첨부되어있다. 인덱스 코디네이터는 기본적으로 분야 별 표준 인덱스를 생성해두지만, 새롭게 등장하는 개념들과 현실세계의 사건들로 인해 영향을 받는 표준 인덱스에 대한 지속적인 갱신과 관리를 해야 한다. 아래는 표준 인덱스에 관리에 대한 인덱스 코디네이터의 관리 가상 시나리오이다.

2.4 입력

본 논문에서 제안하는 서비스의 [입력]은 인터넷상 산재되어있는 URL을 본 논문으로 수집하는 과정이며, 그 방식은 2가지로 나뉘어진다. 우선, manifest 파일과 하나 이상의 HTML파일, Javascript 파일 개발을 통해 본 논문에서 제안하는 사용자 맞춤 서비스를 제공 할 수 있는 크롬(Chrome)의 확장 프로그램을 활용한다[9]. 웹 페이지 자체 에서 url을 입력 및 등록하는 방법은 위 2가지 입력 방식을 통해, 특정 키워드에 관한 웹 사이트의 url과 관련 키워드를 수집하는 것을 목적으로 한다.

확장 프로그램을 통한 입력을 살펴보면, 확장 프로그램의 사용은 Fig. 9의 (a)처럼 주소 바 오른쪽의 플러그인 버튼을 클릭하여 활성화 시킨다. 활성화 된 플러그인 입력 탭에서는 현재 사이트 주소를 자동으로 띄우며, 사용자가 임의로 원하는 url으로 수정 가능하다. 그리고 url에 관련된 키워드는 최대 3개까지 지정할 수 있도록 설정된다. 또한 플러그인을 통해 입력된 url과 키워드에 대한 결과는 웹사이트를 통해 확인할 수 있다. Fig. 9의 (b)는 플러그인을 통한 URL 결과로, 웹 사이트의 회원 전용페이지 중 [URL 입력] 탭에 확인 가능하다.

Fig. 9.Order of adding url, (a) input form for url input by using Chrome extension plugin and (b) website result of adding url through (a).

웹사이트를 통한 입력은 Fig. 10처럼 웹 사이트 내에 회원 전용 페이지 중 [URL 입력] 탭에서 가능하다. 입력 결과는 Fig. 9의 (b)와 마찬가지로 웹 사이트의 [URL 입력] 탭 내에서 확인 가능 하다.

Fig. 10.Input form of adding url in website.

2.5 저장

본 논문에서 제안하는 서비스의 [저장]은 편입된 url이 제안된 서비스 내의 정형화된 틀(인덱스)에 분류되는 방식이다. 개인 인덱스는 해당 개인 인덱스를 생성한 회원에 의해, 표준 인덱스는 인덱스 코디네이터에 의해 URL 저장 및 수정이 가능하다.

개인 인덱스의 저장은 회원 전용 페이지 가운데 [URL/Keyword 관리] 탭과 [개인 인덱스] 탭 두 영역에서 가능하다. 먼저 [URL/Keyword 관리] 탭에서 회원은 기존에 자신이 구성해둔 개인인덱스 전체를 조회할 수 있다. Fig. 11는 회원 a가 앞서 생성했던 개인 인덱스 전체를 [URL/Keyword 관리] 탭에서 조회한 결과이다.

Fig. 11.List of private indexes.

[URL/Keyword 관리] 탭에서는 모든 인덱스마다 저장되어있는 키워드와 url 현황을 살펴볼 수 있으며, 키워드와 url 각각에 대해서 수정이 가능하다. Fig. 12의 (a)와 (b)는 개인 인덱스인 ‘데이터베이스’ 인덱스에 관한 키워드를 갱신 하는 방법을 나타내고, Fig. 12의 (c) 와 (d)는 ‘데이터베이스’라는 개인 인덱스에 url을 갱신하는 방법을 나타낸다.

Fig. 12.Order of adding keyword and url to private index previously being made through web site, (a)input keyword1 to index 'database', (b) result of adding keyword1, (c) checking url list and adding url of index 'database' and (d) final result of adding keyword and url.

회원 페이지의 [개인 인덱스] 탭에서 하위 인덱스 갱신을 통한 방식이 있다. Fig. 13의 (a)을 살펴보면, 사용자 a가 생성한 인덱스 마다 하위 인덱스 추가/카테고리 삭제 / 하위 인덱스 갱신으로 연결 되는 버튼이 있다. 이 중 하위 인덱스 갱신을 누르면 Fig. 13의 (b)로 화면이 이동한다. 이 때 화면에서는 개인 인덱스마다 ‘(n)’ 라는 숫자가 표기된다. 이 숫자는 해당 인덱스 내에 저장된 url 개수를 의미하며, 오른쪽의 ‘+’버튼을 통해 url과 키워드 갱신이 가능하다.

Fig. 13.Revision of sub indexes about private index which was previously made, (a) previously made index 'DATABASE' and renew button and (b) renew page.

표준 인덱스의 저장은 회원들이 입력을 통해 수집한 URL 데이터를 기반으로 저장 및 분류된다. 회원들에 의해 수집되는 URL은 중복검사 이후, 새로운 URL은 URL과 함께 입력된 키워드를 기반으로 편집거리 알고리즘을 통하여 기존 표준 인덱스마다 저장된 키워드와의 비교를 통해 우선적으로 자동 저장된다. 이와 반대로, 수집된 URL이 이미 기존 입력 URL 데이터에 존재하여 중복으로 1차적으로 필터링 될 경우, URL과 함께 입력된 키워드를 기존 키워드들과 마찬가지로 편집알고리즘을 통한 비교 후, 2차적으로 필터링을 한다. 한글의 경우 음절의 첫 번째 음소에 가중치를 두는 유사도 편집 알고리즘을 통해 완전히 새로운 키워드로 판단될 경우 URL의 키워드 란에 추가가 된다[10]. 이와 같은 방식으로 표준 인덱스에 저장된 url과 키워드들은 회원/방문자의 검색 결과로 주어지며 이는 3.5 사용에서 내용을 다룬다.

2.6 접근과 결과 출력

본 논문에서 제안하는 서비스의 [사용]은 [입력]을 통해 수집되고 [저장]을 통해 인덱스로 분류된 url들이 특정 키워드를 통해 검색되어 사용자들에게 인덱스 내에서 검색 결과로 주어지는 부분으로 정의된다. [사용]은 접근과 결과 출력 두 가지 부분으로 나뉘어 진다. 먼저, 접근 방법은 Fig. 14의 (a)와 같은 웹 사이트의 검색 창을 통한 방법과 Fig. 14의 (b)와 같은 플러그인의 [키워드 검색] 탭을 활용하는 2가지 방법이 있다.

Fig. 14.Searching certain keyword to searching-box in website, (a) main page able to search keyword and (b) the result page of keyword searching.

출력은 접근의 방식인 검색의 결과이다.‘소개’ 라는 검색 키워드를 이용한 예시는 Fig. 15와 같다. 검색 키워드의 일치성에 기반하여 키워드와 인덱스 제목, 인덱스에 저장된 키워드가 일치하는 검색 결과를 해당 검색 결과가 속한 상위 카테고리와 함께 1차로 띄워준다. 그리고 ‘->’버튼을 통해 해당 카테고리의 최상위 인덱스의 제목부터 출력이 되며, 이는 표준 인덱스로써 인덱스 코디네이터가 미리 설정해둔 인덱스 목록이다.

Fig. 15.result of selected index.

그리고 검색 결과는 표준 인덱스를 기본으로 하되, 개인 인덱스도 별도로 탭을 구성하여 검색 결과로 제공한다. 이는 현실세계의 사건으로 인해 등장한 새로운 개념과 키워드에 관해 표준 인덱스는 일정 기준과 필터링을 통해 등록되는 과정을 거쳐야만 하므로 반응이 다소 느릴 수 있기 때문이다. 위와 같은 시간과 과정의 제약 없이 인덱스를 바로 생성하여 관련 URL들이 정리된 개인 인덱스를 공개함으로써 사용자의 검색 요구를 충족한다. 이 경우에 검색 결과로 제공되는 개인 인덱스는, 사용자가 공유 설정을 허용하는 인덱스들만 제공한다.

 

3. 분석 및 결과

본 논문에서 제안하는 자발적 공유경제 방식의 개인 콘텐츠 관리/공유 시스템은 기존의 연구들과 비교했을 때, URL 입력 및 수집 방법은 유사하되 수집된 URL을 저장 및 관리하여 검색 결과로 제공하는 부분에서 차별성을 지녔다. 그러므로 ‘3. 분석 및 결과’ 에서는 본 논문에서 제안하는 시스템이 기존의 연구들과 같은 키워드를 검색 했을 때에 출력되는 화면을 상호 비교함으로써 차별성을 검증하도록 한다. 우선적으로 Table 1을 통한 웹 사이트별 특성을 비교한다.

Table 1.Comparison of each web site attributes.

3.1 테스트 환경

본 논문에서 1. 서론 에서 논의 되었던 기존의 연구들 중, URL 입력 및 수집 방식이 가장 유사하며 해당 웹 사이트 내에 URL 검색 기능이 구현되어있는 ‘마가린’과의 비교를 통해 특정 키워드에 관한 검색 결과 출력을 비교하도록 한다. 테스트에 활용하는 모델은 PHP 언어, MYSQL 데이터베이스를 기반으로 개발된 모델을 활용한다. 두 모델의 테스트 환경 특성 비교는 Table 2를 참고한다.

Table 2.Comparison of testing environments

Table 2에 나타난 테스트 환경을 기반으로, 두 모델에 적용해 볼 검색어는 ‘데이터 베이스’와 ‘알파고’로 설정한다. 선정된 각 검색어의 특성은 아래 Table 3과 같다.

Table 3.Comparison of search keyword attributes

3.2 검색 결과 화면 분석

검색어 ‘데이터 베이스’와 ‘알파고’에 대한 검색 결과는 Fig. 16와 같다. 마가린의 검색 결과 구조는 Fig. 16의 (a)와 같이 검색 키워드가 태그로 설정되어있는 URL 리스트들이 제목이 해당 URL 원 글의 일정 부분과 함께 제시된다. 논문에서 제안한 모델에서는 Fig. 16의 (b)와 같이 우선적으로 검색결과로 회원들이 생성하는 개인 인덱스 구조 외에 인덱스 코디네이터가 구성한 표준인덱스가 우선적으로 제시된다.

Fig. 16.The result of searching keyword '데이터베이스(database)' in testing environment.

마가린과 제안 모델의 ‘데이터베이스’ 검색어에 관한 검색결과는 Fig. 16와 Table 4를 참고한다. 마가린은 사용자의 태그 기반 리스트를 나열함으로써, Table 4의 result 3과 같이 검색어와 비교적 관련성이 떨어지는 URL을 상위 노출하기도 한다. 제안 모델은 인덱스 코디네이터가 설정해둔 표준 인덱스마다의 키워드에 따라 상위 노출되는 인덱스가 달라진다.

Ttable 4.Top 4 list of search keyword '데이터베이스(database)'

검색어 ‘알파고’에 관한 검색 결과는 Fig. 17과 Table 5를 참고한다, 마가린은 ‘데이터베이스’검색 결과와 마찬가지로 사용자 태그 기반 URL 리스트를 상위 노출했다. 제안 모델은 검색어‘알파고’에 관한 표준인덱스가 서버 DB에 존재하지 않아, 회원들이 생성한 개인인덱스를 키워드 일치여부에 따라 상위 노출 했다.

Fig. 17.The result of searching keyword '알파고(Alphago)' in testing environment.

Ttable 5.Top 4 list of search keyword '알파고(Alphago)'

3.3 결과

두 검색어에 관한 검색 결과로써 마가린의 ‘사용자 태그 기반 URl 리스트 상위 노출’은 사용자들이 실시간으로 수집하는 URL 리스트들에 대한 동향 파악 및 실시간 공유가 가능하다. 하지만 사용자가 임의로 지정하는 태그 필터링 시스템이 없어 관련성이 떨어지는 URL을 제공하는 경우가 발생한다. 그러므로 검색 키워드에 대해 파생되는 분야 관련 구조화된 검색 결과를 기대하기는 어렵다. 결론적으로 개인이 수집한 산재된 웹상의 정보들이 또다시 그대로 검색결과로 제공됨에 그침으로써, URL [사용] 측면에서 활용도가 떨어진다고 볼 수 있다.

제안 모델의 ‘인덱스에 저장된 키워드 기반 표준/개인 인덱스 상위 노출’에서는 표준 인덱스가 검색 결과로 주어지는 경우, 사용자의 선호도 고려 및 URL 필터링이 전제되므로 질적으로 높은 검색 결과를 얻을 수 있다. 또한, 특정 키워드 관련 표준 인덱스가 생성되지 못했을 경우 사용자들이 실시간으로 생성하고, URL을 첨부해둔 개인 인덱스를 검색 결과로 제공함으로써 트렌드 검색어에 관한 반응성을 높인다.

결론적으로 두 모델의 비교를 통해 검색어에 대한 체계적인 구조와 필터링된 URL을 기반으로 실시간 트렌드 검색어에 대한 반응성을 가진 제안 모델이 URL 사용 측면에서 보다 긍정적임을 제시한다.

 

4. 결 론

본 논문에는 개인이 작성한 콘텐츠를 정형화된 틀로 편입시킬 수 있는 시스템을 기반으로 인터넷과 SNS에 산재되어있는 개인이 작성한 콘텐츠를 수집, 분류하여 콘텐츠 공유를 활성화 할 수 있는 자발적 공유경제 방식의 개인 콘텐츠 관리/공유 시스템을 제안했다. 해당 시스템은 우선 기존의 연구들이 지향하던 방식대로 산재되어있는 웹상의 정보들에 대한 URL을 수집함으로써 원 글에 대한 2차 가공 및 무단사용을 방지했다. 그리고 기존의 연구들과는 다른 방식으로 산재된 URL을 정형화된 틀인 인덱스에 분류/관리하여 검색결과로 공유함으로써 보다 체계적으로 정리된 검색 결과를 제공할 수 있었다.

결론적으로 본 논문에서 제안한 자발적 공유 경제 방식의 개인 콘텐츠 관리/공유 시스템은 산재되어있는 개인 콘텐츠를 정형화된 틀로 편입시키며, 보다 체계적인 디지털 콘텐츠 관리에 기여할 것이다. 그리고 해당 시스템이 보다 나은 모델로 발전하기 위해서는, 향후에 수집된 URL들의 신뢰도 확보를 위한 자체적인 평가 시스템이 갖춰져야 할 것이다. 수집된 URL에 대한 사용자들의 지속적인 신뢰도에 대한 피드백을 통해, URL을 필터링하며 시시각각으로 변화하는 현실세계의 요구들을 빠르게 반영할 수 있어야 할 것이다. 더 나아가, URL 수집 초기 단계부터 원글에 대한 기본적인 검사 시스템을 통해 스팸 글을 미리 필터링하여 질 낮은 URL 입력을 예방하는 적합한 방식에 대해서도 연구해야할 것이다.

References

  1. H. Hai and M. Lee, “Google Search Engine Algorithm: PageRank Analysis,” Proceeding of Fall Conference of the Institute of Electronics Engineers of Korea, pp. 306-308, 2011.
  2. Y. Kim, S. Lee, and K. Lee. “A Weighted PageRank Algorithm Using Inter-Page Similarity,” Proceeding of Korea Computer Congress of Korea Information Science Society, pp. 891-893, 2014.
  3. J. Park, S. Kim, and J. Yang, “Empirical Studies on the Expression of Collective Intelligence and the Web2.0-based Collaborative e-Learning System,” Journal of Korean Institute of Information Technology, Vol. 8, No. 8, pp. 163-171, 2010.
  4. J. Jang, S. Jung, S. Lee, C. Jung, W. Yoon, and M. Yi, “Learning Material Bookmarking Service Based on Collective Intelligence,” Journal of Intelligence Information Systems, Vol. 20, No. 2, pp. 197-192, 2014. https://doi.org/10.13088/jiis.2014.20.2.179
  5. S. Lee and B. LEE, “Research on Key Success Factors of Social Authoring System: Focused on Linux and Wikipedia,” Journal of Korean Society for Internet Information, Vol. 13, No. 4, pp. 73-82, 2012. https://doi.org/10.9708/jksci/2012.17.11.073
  6. S. Park, S. Lee, and D. Hwang, “A Web Contents Ranking Algorithm Using Bookmarks and Tag Information on Social Bookmarking System,” Journal of Korea Multimedia Society, Vol. 13, No. 8, pp. 1245-1255, 2010.
  7. H. Jo, J. Hong, C. Yeon, and S. Kim, “A Recommendation Algorithm which Reflects Tag and Time Information of Social Network," Journal of Korean Society for Internet Information, Vol. 14, No. 2, pp. 15-24, 2013.
  8. H. Yang and N. Emcarmacion, "A Collaborative URL Tagging Scheme Using Browser Bookmark Categories as Keyword Support for Webpage Sharing," JKIECS, Vol. 8, No. 12, pp. 1911-1916, 2013.
  9. J. Sim, H. Kim, S. Kim, Y. Kim, and S. Lee, “Design and Implementation of a Customizing Bookmark Program Based on the Chrome Browser,” Proceeding of Fall Conference of Korea Information Science Society, pp. 274-276, 2013.
  10. K. Roh, K. Park, H. Cho, and S. Chang, “Similarity and Edit Distance Algorithms for the Korean Alphabet Using One-Dimensional Array of Phonemes,” Journal of KI ISE : Computing Practices and Letters, Vol. 17, No. 10, pp. 519-526, 2011.