• 한국정보과학회논문지:컴퓨팅의 실제 및 레터
• /
• 제8권4호
• /
• pp.367-375
• /
• 2002

역운동학 알고리즘은 다관절체의 엔드 이펙터를 제어하기 위한 매우 유용한 방법이다. 대부분의 역운동학 처리 과정에서 주된 관심사는 다관절체가 가지는 자세의 형태 자체가 아니라 제어되는 다관절체의 엔드 이펙터의 위치와 방향이다. 그러나 삼차원 캐릭터 애니메이션과 같은 종류의 응용 분야에 있어서는 엔드 이펙터의 정확한 위치와 방향보다는 다관절체의 전체적으로 자연스러운 자세 자체가 훨씬 더 중요한 요소이다. 실제로 애니메이터가 기존의 역운동학 기법을 사용해서 인체와 같이 다수의 물리적인 제약조건을 가지는 인간형 삼차원 캐릭터의 자세를 자연스럽게 제어하기 위해서는 많은 시행착오를 겪어야만 하기 때문에 이를 보완하는 특별한 알고리즘이 요구된다. CCD(Cyclic Coordinate Descent) 알고리즘은 기하학적인 검색을 통해 원하는 위치에 엔드 이펙터를 위치시키는 해를 구하는 역운동학 방식의 하나로서 사용자 상호작용을 통한 다관절체의 자세 제어에 적합하다. 그러나 CCD 알고리즘의 해는 초기 자세에 강력하게 종속되어 있기 때문에 초기 자세에 따라서 서로 다른 많은 해들을 얻게 된다. 본 논문에서는 인간형 캐릭터의 자세 제어를 위해 균등 자세 지도를 이용한 귀납적 역운동학 알고리즘을 제안한다. 균등자세 지도의 학습 알고리즘은 인간의 다양한 자세를 왜곡 없이 양자화하기 때문에 균등 자세 지도를 이용해서 기술되는 모든 자세들은 사실적인 자세임을 보장한다. 그러므로 균등 자세 지도를 통해 계산된 다관절체의 엔드 이펙터가 원하는 삼차원 위치와 가장 가까운 자세를 추출해 냄으로써 자연스러운 자세를 가지는 역운동학의 결과를 얻을 수 있다. 이러한 방식은 키 프레임 기반 삼차원 캐릭터 애니메이션의 제작과 3차원 게임, 그리고 가상 현실 등의 분야에 유용하게 적용될 수 있다.

• 한국심리학회지 : 문화 및 사회문제
• /
• 제19권2호
• /
• pp.285-318
• /
• 2013

이 연구에서는 청소년 인터넷 중독인식집단의 사이버 자기개념과 인간관계, 심리 행동특성을 이해하는데 주된 관심이 있다. 이를 위해 인터넷 중독인식집단과 비중독집단의 사이버 자기개념, 자기효능감, 친구관계, 주관적안녕감 및 학업성취도의 차이를 비교하였다. 최종 분석대상 수는 1,057명(남 545명, 여 512명)이었으며, 학교별로는 중학생 326명, 일반계 고등학생 361명, 특성화 고등학생 370명이었다. 분석결과, 첫째, 사이버공간에 있을 때 자기인식에 대해 질적 분석을 한 결과, 인터넷 중독인식집단은 재미있다가 가장 높은 반응률을 나타내고 그 다음으로 평소와 같다, 시간을 보낸다, 가상인물이 된다 등의 순서를 보였다. 반면에 인터넷 비중독집단은 평소와 같다가 가장 높은 반응률을 나타내고, 그 다음으로 재미있다, 시간을 보낸다, 가상인물이 된다 등의 순서를 나타내었다. 인터넷에서 게임할 때 자기인식으로는 인터넷 중독인식집단과 비중독집단 모두 재미있다를 가장 많이 지적하였는데, 응답자의 반수가 이에 해당하였다. 그 다음으로 몰입한다, 거칠어진다와 같은 범주들이 포함되었다. 둘째, 인터넷 중독인식집단과 비중독집단의 자기효능감 차이를 공변량분석한 결과, 비중독집단이 중독인식집단보다 자기조절학습효능감, 관계효능감, 어려움극복효능감이 더 높았다. 셋째, 인터넷 중독인식집단과 비중독집단의 친구관계 차이를 공변량분석한 결과, 친한 친구 수와 가까운 친구 수에서 모두 의미있는 차이가 없었다. 그러나 비중독집단은 중독인식집단보다 친구로부터 정서적 지원을 더 많이 받았고, 반면에 따돌림을 적게 경험하였다. 넷째, 인터넷 중독인식집단과 비중독집단의 주관적안녕감 차이를 공변량분석한 결과, 비중독집단이 중독인식집단보다 훨씬 주관적안녕감이 높은 것으로 확인되었다. 다섯째, 인터넷 중독인식집단과 비중독집단의 학업성취도 차이를 공변량분석한 결과, 비중독집단이 중독인식집단보다 객관적 성적만이 아니라 주관적 성취지각에서도 높은 학업성취도를 나타내었다.

• 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.