• 지능정보연구
• /
• 제29권2호
• /
• pp.35-56
• /
• 2023

정보통신 기술의 발전에 따라 웹 사이트에는 수많은 리뷰가 지속적으로 게시되고 있다. 이로 인해 정보 과부하 문제가 발생하여 사용자들은 본인이 원하는 리뷰를 탐색하는데 어려움을 겪고 있다. 따라서, 이러한 문제를 해결하여 사용자에게 유용하고 신뢰성 있는 리뷰를 제공하기 위해 리뷰 유용성 예측에 관한 연구가 활발히 진행되고 있다. 기존 연구는 주로 리뷰에 포함된 특성을 기반으로 리뷰 유용성을 예측하였다. 그러나, 예측한 리뷰가 왜 유용한지 근거를 제시할 수 없다는 한계점이 존재한다. 따라서 본 연구는 이러한 한계점을 해결하기 위해 리뷰 유용성 예측 모델에 eXplainable Artificial Intelligence(XAI) 기법을 적용하는 방법론을 제안하였다. 본 연구는 Yelp.com에서 수집한 레스토랑 리뷰를 사용하여 리뷰 유용성 예측에 관한 연구에서 널리 사용되는 6개의 모델을 통해 예측 성능을 비교하였다. 그 다음, 예측 성능이 가장 우수한 모델에 XAI 기법을 적용하여 설명 가능한 리뷰 유용성 예측 모델을 제안하였다. 따라서 본 연구에서 제안한 방법론은 사용자의 구매 의사결정 과정에서 유용한 리뷰를 추천할 수 있는 동시에 해당 리뷰가 왜 유용한지에 대한 해석을 제공할 수 있다.

• 지능정보연구
• /
• 제27권3호
• /
• pp.29-56
• /
• 2021

전자상거래 시장이 빠르게 성장하면서 다양한 유형의 제품이 출시되고 있으며, 이로 인해 사용자들은 구매 의사결정과정에 많은 시간이 소요되는 정보 과부하 문제에 직면하고 있다. 따라서 사용자에게 맞춤형 제품 및 서비스를 제공해줄 수 있는 개인화 추천 서비스의 중요성이 대두되고 있다. 대표적으로 Netflix, Amazon, Google 등 세계적 기업은 개인화 추천 서비스를 도입하여 사용자의 구매 의사결정을 지원하고 있다. 이에 따라 사용자의 정보탐색 비용이 감소하는 효과가 나타났고, 기업의 매출 상승에도 긍정적인 영향을 끼치고 있다. 기존 개인화 추천 서비스 관련 연구에서 주로 사용된 협업필터링(Collaborative Filtering, CF) 기법은 정량화된 정보를 활용하여 사용자의 선호도를 예측하였다. 그러나 정량화된 정보만을 활용하면 사용자의 구매 의도는 고려하지 못하므로 추천 성능이 저하될 수 있다는 문제점이 제기되고 있다. 이와 같은 기존 연구의 문제점을 개선하기 위해 최근에는 사용자가 작성한 리뷰를 활용한 개인화 추천 서비스 연구가 활발히 진행되고 있다. 그러나 리뷰에는 광고성 내용, 거짓 후기, 의미를 전혀 파악할 수 없거나 제품과 관련 없는 내용 등 구매의사결정을 저해하는 요소들이 포함되어 있다. 이러한 요소들이 포함된 리뷰를 활용하여 추천 서비스를 제공하게 되면, 추천 성능이 저하되는 문제가 발생할 수 있다. 따라서 본 연구에서는 이러한 문제점을 개선하기 위해 Convolutional Neural Network(CNN) 기반 리뷰 유용성 점수 예측을 통한 새로운 추천 방법론을 제안하였다. 본 연구에서 제안하는 유용한 리뷰를 포함하는 방법론과 기존 모든 선호도 평점을 고려하는 추천 방법론을 비교한 결과, 본 연구에서 제안한 방법론이 더 우수한 예측 성능을 나타내고 있음을 확인할 수 있었다. 또한 본 연구의 결과는 리뷰 유용성에 대한 정보를 개인화 추천 서비스에 반영하면 전통적인 CF의 성능을 향상할 수 있음을 시사한다.

• 벤처창업연구
• /
• 제10권6호
• /
• pp.69-80
• /
• 2015

협업을 촉진할 수 있는 환경과 시스템을 갖추는 것은 기업경쟁력 확보에 중요한 요인으로 인식되고 있다. 협업이란 여러 사람이 협동적이고 조직적으로 일하며, 공동의 목표 혹은 가치를 추구하여 정보와 프로세스를 공유함으로써 노동 생산성을 향상시키는 상호작용을 의미한다. 협업을 촉진시키는 요인에는 비전 공유, 비전을 반영한 조직의 원칙 및 규칙, 온라인 시스템 구축, 의사소통 등이 있다. 첫째, 비전을 구체화 할수록 조직원의 적극적이고 자발적인 참여가 이루어질 수 있다. 둘째, 구성원이 수용하는 규칙이나 원칙이 단합과 좋은 성과로 이어지게 된다. 또한 능력에 맞는 업무 분담과 자기 계발을 위한 활동이 업무로 이어지고 정기적인 팀 활동을 만들어 협업 환경 및 분위기를 조성하는데 도움이 된다. 셋째, 체계적인 온라인 협업 시스템의 구축으로 효율적이고 신속한 업무가 이루어진다. 기업들은 클라우드 서비스와 소셜미디어를 활용하여 업무의 저비용과 고효율을 이룰 수 있었으며, 이때 구성원들의 적극적 활용과 참여를 유도하는 지속적 교육이 반드시 수반되어야 한다. 넷째, 기업을 알리고 조직 내 외부 사람들과 적극적으로 소통하는 활동은 기업의 이미지를 바꾸고, 기업 성과를 창출해 내는 기반이 된다. 본 연구의 목적은 글로벌 사업진출과정에 발생하는 문제해결 방안으로 산학협력 협업촉진모델을 제안하는데 있다. 이를 위하여 기업조직에서 협업이 잘 이루어지기 위한 촉진요인을 전략적 연동 모형(strategic alignment model)을 기반으로 협업을 이해하고, 스마트워크 도구를 활용하는 팀 사례분석을 통한 성공요인을 도출한다. 연구결과 체계적인 협업촉진모델을 만들기 위하여 조직 구성 단계에 맞는 역할들을 도출하였다. 첫째, 리더는 확고하고 명확한 비전을 만들어 조직구성원에게 전파하여 공감과 믿음 그리고 소속감을 가지도록 하여야 한다. 둘째, 중간관리자를 포함한 리더는 조직의 비전을 팀원간에 전파하기 위해 규칙과 원칙을 만들고, 시스템을 구축하고 효율적으로 사용할 수 있도록 관리하여야 한다. 셋째, 팀원은 기업의 비전을 내재화하여 역할에 책임을 다할 뿐만 아니라 외부로 기업을 알리는 역할에 충실해야 한다. 연구결과는 향후 실증 연구를 위한 기반을 제시할 것으로 기대된다.

• 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.