• 지능정보연구
• /
• 제19권1호
• /
• pp.57-77
• /
• 2013

소셜 미디어는 모바일 어플리케이션과 웹에서 가장 많이 사용되는 미디어 중 하나이다. Nielsen사의 보고서에 따르면 소셜 네트워크 서비스와 블로그가 온라인 사용자의 주 활동 공간으로 사용되고 있으며, 미국인 중에서 온라인 활동이 왕성한 5명의 사용자중 4명은 매일 소셜 네트워크 서비스와 블로그를 방문하고 온라인 활동 시간의 23%를 소비한다고 집계하고 있다. 미국의 인터넷 사용자들은 야후, 구글, AOL 미디어 네트워크, 트위터, 링크드인 등과 같은 소셜 네트워크 서비스중 페이스북에서 가장 많은 시간을 소비한다. 최근에는 대부분의 회사들이 자신의 특정 상품에 대하여 "페이스북 페이지(Facebook Page)"를 생성하고 상품에 대한 프로모션을 진행한다. 페이스북에서 제공되는 "좋아요" 옵션은 페이스북 페이지를 통해 자신이 관심을 가지는 상품(아이템)을 표시하고 그 상품을 지지할 수 있도록 한다. 많은 영화를 제작하는 영화 제작사들도 페이스북 페이지와 "좋아요" 옵션을 이용하여 영화 프로모션과 마케팅에 이용한다. 일반적으로 다수의 스트리밍 서비스 제공업들도 영화와 TV 프로그램을 즐기며 볼 수 있는 서비스를 사용자들에게 제공한다. 이 서비스는 일반 컴퓨터와 TV 등의 단말기에서인터넷을 통해 영화와 TV 프로그램을 즉각적으로 제공할 수 있다. 스트리밍 서비스의 선두 주자인 넷플릭스는 미국, 라틴 아메리카, 영국 그리고 북유럽 국가 등에 3천만 명 이상의 스트리밍 사용자가 가입되어 있다. 또한 넥플릭스는 다양한 장르로 구성된 수백만 개의 영화와 TV 프로그램을 보유하고 있다. 하지만 수많은 콘텐츠로 인해 사용자들은 자신이 선호하는 장르에 관련된 영화와 TV 프로그램을 찾기 위해 많은 시간을 소비해야 된다. 많은 연구자들이 이러한 사용자의 불편함을 줄이기 위해 아이템에 대한 사용자가 보지 않은 아이템에 대한 선호도를 예측하고 높은 예측값을 갖는 아이템을 사용자에게 제공하기 위한 추천 시스템을 적용하였다. 협업적 여과 방법은 추천 시스템을 구축하기 위해 가장 많이 사용되는 방법이다. 협업적 여과 시스템은 사용자들이 평가한 아이템을 기반으로 각 사용자 간의 유사도를 측정하고 목적 사용자와 유사한 성향을 가진 사용자 그룹을 결정한다. 군집된 그룹은 이웃 사용자 집단으로 불리며 이를 이용하여 특정 아이템에 대한 선호도를 예측하고, 예측 값이 높은 아이템을 목적 사용자에게 추천해 준다. 협업적 여과 방법이 적용되는 분야는 서적, 음악, 영화, 뉴스 및 비디오 등 다양하지만 논문에서는 영화에 초점을 맞춘다. 이 협업적 여과 방법이 추천 시스템 내에서 유용하게 활용되고 있지만 아직 "희박성 문제"와 "콜드 스타트 문제" 등 해결해야 할 과제가 남아있다. 희박성 문제는 아이템의 수가 증가할수록 아이템에 대한 사용자의 로그 밀도가 감소하는 것이다. 즉, 전체 아이템 수에 비해 사용자가 아이템에 대해 평가한 정보가 충분하지 않기 때문에 사용자의 성향을 파악하기 어렵고, 이로 인해 사용자가 아직 평가하지 않은 아이템에 대해서 선호도를 추측하기 어려운 것을 말한다. 이 희박성 문제가 포함된 경우 적합한 이웃 사용자 집단을 형성하는데 어려움을 겪게 되고 사용자들에게 제공되는 아이템 추천의 질이 떨어지게 된다. 콜드 스타트 문제는 시스템 내에 새로 들어온 사용자 또는 아이템으로 지금까지 한 번도 평가를 하지 않은 경우에 발생한다. 즉, 사용자가 평가한 아이템에 대한 정보가 전혀 포함되어 있지 않거나 매우 적기 때문에 이러한 경우 또한 적합한 이웃 사용자 집단을 형성하는데 어려움을 겪게 되고 사용자가 평가하지 않은 아이템에 대한 선호도 예측의 정확성이 감소되게 된다. 본 논문에서는 영화 추천 시스템에서 발생될 수 있는 초기 사용자 문제를 해결하기 위하여 사용자가 평가한 영화와 소셜 네트워크 서비스로부터 추출된 사용자 선호 장르를 활용하여 사용자 군집을 형성하고 이를 활용하는 방법을 제안한다. 소셜 네트워크 서비스로부터 사용자가 선호하는 영화 장르를 추출하기 위해 페이스북 페이지의 '좋아요' 옵션을 이용하며, 이 '좋아요' 정보를 분석하여 사용자의 영화 장르 관심사를 추출한다. 페이스북의 영화 페이지는 각 영화를 위한 페이스북 페이지로 구성되고 있으며, 사용자는 자신의 선호도에 따라서 "좋아요" 옵션을 선택할 수 있다. 사용자의 페이스북 정보는 페이스북 그래프 API를 활용하여 추출되고 이로부터 사용자 선호 영화를 알 수 있게 된다. 시스템에서 활용되는 영화 정보는 인터넷 영화 데이터베이스인 IMDb로부터 획득한다. IMDb는 수많은 영화와 TV 프로그램을 보유하고 있으며, 각 영화에 관련된 배우 정보, 장르 및 부가 정보들을 포함한다. 논문에서는 사용자가 "좋아요" 표시를 한 영화 페이지를 이용하여 IMDb로부터 영화 장르 정보를 가져온다. 그리고 추출된 영화 장르 선호도와 본 시스템에서 제안하는 영화 평가 항목을 이용하여 유사한 이웃 사용자 집단을 구성한 후, 사용자가 평가하지 않은 아이템에 대한 선호도를 예측하고, 높은 예측 값을 갖는 아이템을 사용자에게 추천한다. 본 논문에서 제안한 사용자의 선호 장르 기반의 사용자 군집 기법을 이용한 시스템을 평가하기 위해서 IMDb 데이터 집합을 이용하여 사용자 영화 평가 시스템을 구축하였고 참가자들의 영화 평가 정보를 획득하였다. 페이스북 영화 페이지 정보는 참가자들의 페이스북 계정과 페이스북 그래프 API를 통해 획득하였다. 사용자 영화 평가 시스템을 통해 획득된 사용자 데이터를 제안하는 방법에 적용하였고 추천 성능, 품질 및 초기 사용자 문제를 벤치마크 알고리즘과 비교하여 평가하였다. 실험 평가의 결과 제안하는 방법을 적용한 추천 시스템을 통해 추천의 품질을 10% 향상시킬 수 있었고, 초기 사용자 문제에 대해서 15% 완화시킬 수 있음을 볼 수 있었다.

• 지능정보연구
• /
• 제17권1호
• /
• pp.139-152
• /
• 2011

1990년대 중반에 협업 필터링의 출현으로 인하여 추천시스템에 관련된 연구가 늘어나게 되었다. 협업 필터링의 출현 이후 내용 기반 필터링, 협업 필터링과 내용 기반 필터링이 혼합된 하이브리드 필터링 등 새로운 기법들이 출현함으로써 2000년대에는 추천시스템의 연구가 눈에 띄게 증가하였다. 하지만 현재까지 추천시스템에 관련된 문헌들에 대한 리뷰와 분류가 체계적으로 되어있지 않다. 이와 같은 문제에 대한 해결방안으로써, 본 연구에서는 2001년부터 2010년도까지의 추천시스템에 관련된 문헌들 중 MIS Journal Ranking의 125개의 저널에서 추천시스템(Recommender system, Recommendation system), 협업 필터링(Collaborative Filtering), 내용 기반 필터링(Content based Filtering), 개인화 시스템(Personalized system) 등의 5가지 키워드로 제한하여 조사하였다. 총 37개의 저널에서 논문을 검색하였으며, 검색되어진 논문을 분석한 결과 추천시스템과 관련이 없는 논문을 제외한 총 187개의 논문을 선정하여 분석하였다. 이 연구에서는 그러나 컨퍼런스 논문, 석사, 박사학위 논문, 영어로 작성되지 않은 논문, 완성되지 않은 논문 등은 제외하였다. 본 연구에서는 187개의 논문을 분석하여 2001년부터 2010년까지의 각각의 년도 별 추천시스템의 연구에 대한 동향 분석, Journal별 추천시스템의 게재 분류, 추천시스템 어플리케이션의 사용 분야(책, 문서, 이미지, 영화, 음악, 쇼핑, TV 프로그램, 기타)별 분류 및 분석, 추천시스템에 사용된 데이터마이닝 기술(연관 규칙, 군집화, 의사 결정나무, 최근접 이웃 기법, 링크 분석 기법, 신경망, 회귀분석, 휴리스틱 기법)별 분류 및 분석을 수행하였다. 따라서 본 연구에서 제안한 각각의 분류 및 분석 결과들을 통하여 현재까지 추천시스템의 연구에 대한 연구 동향을 파악 할 수 있었으며, 분석결과를 통해 추천시스템에 관심이 있는 연구자와 전문가에게 미래의 추천시스템의 연구에 대한 가이드라인을 제시 할 수 있을 것이라고 기대한다.

• 지능정보연구
• /
• 제24권1호
• /
• pp.253-266
• /
• 2018

본 연구는 질의 응답(QA) 시스템에서 사용하는 개체명 인식(NER)의 성능을 향상시키기 위하여 시퀀스 태깅 방법론을 적용한 새로운 방법론을 제안한다. 사용자의 질의를 입력 받아 데이터베이스에 저장된 정답을 추출하기 위해서는 사람의 언어를 컴퓨터가 알아들을 수 있도록 구조화 질의어(SQL)와 같은 데이터베이스의 언어로 전환하는 과정이 필요한데, 개체명 인식은 사용자의 질의에서 데이터베이스에 포함된 클래스나 데이터 명을 식별하는 과정이다. 기존의 데이터베이스에서 질의에 포함된 단어를 검색하여 개체명을 인식하는 방식은 동음이의어와 문장성분 구를 문맥을 고려하여 식별하지 못한다. 다수의 검색 결과가 존재하면 그들 모두를 결과로 반환하기 때문에 질의에 대한 해석이 여러 가지가 나올 수 있고, 계산을 위한 시간복잡도가 커진다. 본 연구에서는 이러한 단점을 극복하기 위해 신경망 기반의 방법론을 사용하여 질의가 가지는 문맥적 의미를 반영함으로써 이러한 문제를 해결하고자 했고 신경망 기반의 방법론의 문제점인 학습되지 않은 단어에 대해서도 문맥을 통해 식별을 하고자 하였다. Sequence Tagging 분야에서 최신 기술인 Bidirectional LSTM-CRF 모델을 도입함으로써 신경망 모델이 가진 단점을 해결하였고, 학습되지 않은 단어에 대해서는 온톨로지 기반 특성치를 활용하여 문맥을 반영한 추론을 사용하였다. 음악 도메인의 온톨로지(Ontology) 지식베이스를 대상으로 실험을 진행하고 그 성능을 평가하였다. 본 연구에서 제안한 방법론인 L-Bidirectional LSTM-CRF의 성능을 정확하게 평가하기 위하여 학습에 포함된 단어들뿐만 아니라 학습에 포함되지 않은 단어들도 포함한 질의를 평가에 사용하였다. 그 결과 L-Bidirectional LSTM-CRF 모형을 재학습 시키지 않아도 학습에 포함되지 않은 단어를 포함한 질의에 대한 개체명 인식이 가능함을 확인하였고, 전체적으로 개체명 인식의 성능이 향상됨을 확인할 수 있었다.

• 경영정보학연구
• /
• 제16권3호
• /
• pp.49-68
• /
• 2014

대다수의 국내외 온라인 디지털 음원 유통 사이트들은 음원 판매 활성화 방책의 일환으로 음원 추천시스템을 가지고 있다. 국외의 경우와 다르게, 우리나라의 시장점유율이 가장 높은 온라인 디지털음원 유통 사이트 5곳은 독자적인 기준으로 추천 음원을 선정하고 있으며, 추전 음원의 선정 기준 및 절차를 소비자에게 공개하고 있지 않다. 본 연구는 국내 온라인 디지털 음원 유통 사이트가 보유한 음원 추천시스템의 공정성 여부를 확인하고, 이러한 음원 추천시스템으로부터 선정된 추천 음원이 음원차트에서 어떠한 영향력을 갖는지 확인하는 것을 목적으로 한다. 2012년 11월부터 약 한달 간 온라인 디지털 음원 유통 사이트의 일간 음원차트에 등록되어 있는 1위부터 100위까지의 음원과 추천 음원을 수집하였다. 먼저, 수집된 음원 데이터를 기반으로 음원 추천시스템의 공정성 여부를 실증적인 방법으로 확인하였다. 첫째, 추천 음원의 노출 위치를 분석하였으며 둘째, 추천 음원이 제공되는 서비스 구조를 확인하였다. 셋째, 기획사에 따른 추천 음원 분포를 확인하였다. 더 나아가 이러한 음원 추천시스템으로부터 선정된 추천 음원이 음원차트 내에서 어떠한 영향력을 갖는지 실증적인 분석 방법으로 확인 하였다. 첫째, 음원차트의 동일 비동일 진입 시기에 따라 추천 음원과 미추천 음원의 순위 변화를 비교 분석하였다. 둘째, 모든 사이트에서 동시에 중복 추천된 음원과 단일 추천된 음원의 순위 변화를 비교 분석하였다. 셋째, 추천 받은 음원이 음원차트에 처음으로 진입하는 시기 및 순위를 확인하였다. 넷째, 음원차트 상위권 순위에 분포되어 있는 추천 음원의 비율을 확인하였다. 본 연구는 국내 온라인 디지털 음원 유통 사이트가 보유한 음원 추천시스템의 현행 및 현상에 대해 실증적으로 분석하여 공정성 문제를 제기하였으며, 음원 추천시스템이 음원차트에 미치는 파급력을 확인하였다는 것에 학술적 의의를 가진다. 또한 온라인 디지털 음원 유통 사이트의 내 외부 이해관계자에게 음원 추천시스템 악용에 대한 경각심을 고취시켜 음원차트의 공정성을 확보하고자하는 것에 산업적 의의를 가진다.

• 예술경영연구
• /
• 제53호
• /
• pp.5-45
• /
• 2020

본 연구는 Q 방법론을 활용하여 국내에서 개최되는 재즈공연 관객의 유형과 유형별 특성을 고찰하는 데에 그 목적이 있다. 본 연구는 모집단을 구축하기 위하여 '재즈공연에 관한 사람들의 생각'으로 큰 주제를 정하고, 해당 전문가와의 심층 인터뷰를 거쳐 최종적으로 38여 개의 진술문으로 구성된 Q 표본을 선정하였다. 연구결과는 다음과 같다. 첫째, 음악적 관심 추구유형이다. 본 유형은 평균 한 달에 1회 이상 재즈 공연 관람을 할 만큼 재즈공연 관람을 일상적 여가활동의 방식으로 인식하고 있었다. 본 유형은 재즈공연 관람에 앞서서 뮤지션과 공연에 정보를 숙지하는데, 그 방식은 동호회와 SNS 같은 사회적 관계망을 활용하고 있었고, 공연 관람에 있어서 팬사인회와 같은 재즈 뮤지션과의 정서적 교감 욕구가 큰 편이며, 이런 경험을 특별하다고 여겼다. 둘째, 일반적 관심 추구유형이다. 본 유형의 관객들은 재즈공연의 관람을 일상적인 것이 아닌 특별한 경험으로 인식하는 경향인데, 재즈공연 관람은 특별한 날 친한 지인과 함께 누릴 만한 가치 있는 색다른 경험으로 받아들이고 있었다. 셋째, 자아 가치 추구유형이다. 본 유형은 재즈, 클래식을 대학에서 전공한 부류인데, 주관이 뚜렷하고 전문적인 지식과 경험을 갖춘 사람들로서, 재즈공연의 품질을 평가하는 데 있어서 아티스트의 명성보다는 공연의 음향, 조명, 영상, 공연장 음향 설계, 연주자의 기량, 공연장의 시설수준과 접근성 등 공연상품의 전반적인 퀄리티에 민감한 반응을 보였다. 본 연구는 재즈관객의 유형을 질적인 연구방법론인 Q 방법론을 통하여 밝혀내었고, 이를 통해 개별 재즈관객 유형에게 적용할 수 있는 공연기획상의 마케팅믹스에 유의미한 시사점을 제시했다는 데에서 그 의의를 둘 수 있다.

• 헤리티지:역사와 과학
• /
• 제56권4호
• /
• pp.288-318
• /
• 2023

이 글은 소멸이 예상되는 '문화재'라는 개념어의 역사를 살피고자 하는 취지에서 시작하였고, 이 개념어가 우리 사회에 본격적으로 확산되기 이전의 역사를 주 연구 대상으로 하였다. 문화재라는 단어는 1920년대에 등장하였는데, 문화적 자원이라는 의미 속에서 문학·역사·음악·철학 등 다양한 분야에서 사용되었다. 일제강점기와 해방 직후까지 문화재의 의미는 '문화적 자원'이라는 범위에서 많이 쓰였고, 이 시기에는 일제강점의 현실과 역사를 극복하려는 취지에서 사용된 사례가 많았다. 한국전쟁 직후에는 '전쟁으로 인한 문화적 자원의 복구'라는 취지에서 사용되기도 하였다. 일본의 문화재보호법 영향을 직접 받은 문화재 인식은 1950년대부터 등장한다. 1960년대 초 문화재 관련한 각종 법령 제정과 문화재관리국 설치는 문화재의 의미가 '문화유산'으로 한정되는 현상의 원인이 되었다. 이렇게 국가가 주도한 문화재의 정의는 지금까지 이어지고 있다. 문화재 개념이 문화재보호법처럼 일본에서 수입되었는지 여부에 대해서는 분명하게 확인되지 않았다. 여러 일본 유학생들이 문화재 개념을 한국에 소개한 사례들은 이 개념이 일본에서 수입되었을 가능성을 높여준다. 하지만 '여러 한자를 사용한 조어', '1920년대 문화관련 복합어의 발생 현상', '비 일본권 유학자들의 문화재 개념 사용 사례' 등은 자체적인 발생 가능성도 열어준다. 문화재 개념의 수입 여부와는 별도로, 당시 지식인들은 이 개념을 사용하여 식민지 조선의 내적 발전과 극복을 도모하였다. 이 글에서 문화재라는 개념어는 일반적인 인식보다 더 오래되고 폭넓은 시작의 역사가 있었음을 확인하였다. '문화재'라는 개념어의 역사는 문화재보호법 제정을 기준으로 하면 60여년이 되지만, 그 발생인 1925년을 기준으로 하면 100년 가까운 역사가 된다. 일반적으로 단어의 생성과 소멸은 사회적 변화와 함께 자연스럽게 진행되기도 하지만, 국가적 정책에 의해 만들어지거나 사라질 수도 있다. 사라질 예정인 단어의 시작이 어떠했는가를 알아보는 것은 이 단어의 역사적 의미를 정리하는 일에 의미 있는 작업이 될 것이다.

• 지능정보연구
• /
• 제23권4호
• /
• pp.77-110
• /
• 2017

최근 인터넷 기반의 웹 및 모바일 기기를 통한 소비 패턴의 다양화와 개성화가 급진전됨에 따라 전통적 유통채널인 오프라인 매장의 효율적 운영이 더욱 중요해졌다. 매장의 매출과 수익 모두를 제고하기 위해 매장은 소비자에게 가장 매력적인 상품을 적시에 공급-판매 해야 하는데 많은 상품들 중에서 어떤 SKU를 취급하는 것이 판매 확률을 높이고 재고 비용을 낮출 수 있는지에 대한 연구가 부족한 실정이다. 특히, 여러 지역에 걸쳐 다수의 오프라인 매장을 통해 상품을 판매하는 기업의 경우 고객에게 매력적인 적절한 SKU를 추천 받아 취급할 수 있다면 매장의 매출 및 수익률 제고에 도움이 될 것이다. 본 연구에서는 개인화 추천에 이용되어 왔던 협업 필터링과 하이브리드 필터링 등의 추천 시스템(Recommender System)을 국가별, 지역별로 복수의 판매 매장을 통해 동종 브랜드를 취급하는 유통 기업의 매장 단위 취급 SKU 추천 방식을 제안하였다. 각 매장의 취급 품목별 구매 데이터를 활용하여 각 매장 별 유사성(Similarity)을 계산하고 각 매장의 SKU별 판매 이력에 따라 협업 필터링을 하여 최종적으로 매장에 개별 SKU를 추천하였다. 또한 매장 프로파일 데이터를 활용하여 주변수 분석 (PCA : Principal Component Analysis) 및 군집 분석(Clustering)을 통하여 매장을 4개의 군집으로 분류한 뒤 각 군집 내에서 협업 필터링을 적용한 하이브리드 필터링 방식으로 추천 시스템을 구현하고 실제 판매 데이터를 바탕으로 두 방식의 성능을 측정하였다. 현존하는 대부분의 추천 시스템은 사용자에게 영화, 음악 등의 아이템을 추천하는 방식으로 연구가 진행되어 왔고 실제로 산업계에서의 적용 또한 개인화 추천 시스템이 주류를 이루고 있다. 그 동안 개인화 서비스 영역에서 주로 다루어져 왔던 이러한 추천 시스템을 동종 브랜드를 취급하는 유통 기업의 매장 단위에 적용하여 각 매장의 취급 SKU를 추천하는 방식에 대한 연구는 거의 이루어지지 않고 있는 실정이다. 기존 추천 방법론의 추천 적용 대상이 '개인의 영역이었다면 본 연구에서는 국가별, 지역별로 복수의 판매 매장을 통해 개인의 영역을 넘어 매장의 영역으로 확대하여 동종 브랜드를 취급하는 유통 기업의 매장 단위 취급 SKU 추천 방식을 제안하고 있다. 또한 기존의 추천시스템은 온라인에 한정되었다면 이를 오프라인으로 활용 범위를 넓히고, 기존 개인을 기반으로 분석을 하는 것보다 매장영역으로 확대 적용하기에 적합한 알고리즘을 개발하기 위해 데이터마이닝 기법을 적용하여 추천 방법을 제안한다. 본 연구의 결과가 갖는 의의는 개인화 추천 알고리즘을 동일 브랜드를 취급하는 복수의 판매 매장에 적용하여 의미 있는 결과를 도출하고 실제 기업을 대상으로 시스템으로 구축하여 활용할 수 있는 구체적 방법론을 제시했다는 데에 있다. 개인화 영역을 위주로 이루어졌던 기존의 추천 시스템과 관련한 학계의 연구 영역을 동종 브랜드를 취급하는 기업의 판매 매장으로 확장시킨 첫 시도라는 데에도 의미가 있다. 2014년 03주차 ~ 05주차 전(全) 매장 판매 수량 실적 Top 100개 SKU로 추천의 대상을 한정하여 협업 필터링과 하이브리드 필터링 방식으로 52개 매장 별로 취급 SKU를 추천하고, 추천 받은 SKU에 대한 2014년 06주차 매장별 판매 실적을 집계하여 두 추천 방식의 성과를 비교하였다. 두 추천 방식을 비교한 이유는 본 연구의 추천 방법이 기존 추천 방식 보다 높은 성과를 입증하기 위해 단순히 오프라인에 협업필터링을 적용한 것을 기준 모델로 정의하였다. 이 기준 모델에 오프라인 매장 관점의 특성을 잘 반영한 본 연구 모델인 하이브리드 필터링 방법과 비교 함으로써 성과를 입증한다. 연구에서 제안한 방식은 기존 추천 방식보다 높은 성과를 나타냈으며, 이는 국내 대기업 의류업체의 실제 판매데이터를 활용하여 입증하였다. 본 연구는 개인 수준의 추천시스템을 그룹수준으로 확장하여 효율적으로 접근하는 방법을 이론적인 프레임 워크를 만들었을 뿐 아니라 실제 데이터를 기반으로 분석하여 봄으로써 실제 기업들이 적용해 볼 수 있다는 점에서 연구의 가치가 크다.