• 지능정보연구
• /
• 제27권1호
• /
• pp.23-46
• /
• 2021

개인화 추천에서 많이 사용되는 협업 필터링은 고객들의 구매이력을 기반으로 유사고객을 찾아 상품을 추천할 수 있는 매우 유용한 기법으로 인식되고 있다. 그러나, 전통적인 협업 필터링 기법은 사용자 간에 직접적인 연결과 공통적인 특징을 기반으로 유사도를 계산하는 방식으로 인해 신규 고객 혹은 상품에 대해 유사도를 계산하기 힘들다는 문제가 제기되어 왔다. 이를 극복하기 위하여, 다른 기법을 함께 사용하는 하이브리드 기법이 고안되기도 하였다. 이런 노력의 하나로서, 사회연결망의 구조적 특성을 적용하여 이런 문제를 해결하려는 시도가 있었다. 이는, 직접적으로 유사성을 찾기 힘든 사용자 간에도 둘 사이에 놓인 유사한 사용자 또는 사용자들을 통해 유추해내는 방식으로 상호 간의 유사성을 계산하는 방식을 적용한 것이다. 즉, 구매 데이터를 기반으로 사용자의 네트워크를 생성하고 이 네트워크 내에서 두 사용자를 간접적으로 이어주는 네트워크의 특성을 기반으로 둘 사이의 유사도를 계산하는 것이다. 이렇게 얻은 유사도는 추천대상 고객이 상품의 추천에 대한 수락여부를 결정하는 척도로 활용될 수 있다. 서로 다른 중심성 척도는 추천성과에 미치는 영향이 서로 다를 수 있다는 점에서 중요한 의미를 갖는다 할 수 있다. 이런 유사도의 계산을 위해서 네트워크의 중심성을 활용할 수 있다. 본 연구에서는 여기서 더 나아가 이런 중심성이 추천성과에 미치는 영향이 추천 알고리즘에 따라서도 다를 수 있다는 데에서 주목하여 수행되었다. 또한, 이런 네트워크 분석을 활용한 추천기법은 신규 고객 혹은 상품뿐만 아니라 전체 고객 혹은 상품으로 그 대상을 넓히더라도 추천 성능을 높이는 데 기여할 것을 기대할 수 있을 것이다. 이런 관점에서 본 연구는 네트워크 모형에서 연결선이 생성되는 것을 이진 분류의 문제로 보고, 추천 모형에 적용할 분류 기법으로 의사결정나무, K-최근접이웃법, 로지스틱 회귀분석, 인공신경망, 서포트 벡터 머신을 선택하고, 온라인 쇼핑몰에서 4년2개월간 수집된 구매 데이터로 실험을 진행하였다. 사회연결망에서 측정된 중심성 척도를 각 분류 기법에 적용하여 생성한 모형을 비교 실험한 결과, 각 모형 별로 중심성 척도의 추천성공률이 서로 다르게 나타남을 확인할 수 있었다.

• 인간행동과 음악연구
• /
• 제5권1호
• /
• pp.67-90
• /
• 2008

MI란 Music and Imagery의 약자로 심리치료의 한 방법인 GIM(Guided Imagery and Music)을 현실에 맞게 축약적으로 접목시킨 방법이다. 이는 치료목표에 적합한 음악감상을 통해 다양한 심상을 경험함으로 인간의 내면세계를 탐색, 직면, 통찰, 해결하게 한다. 본 치료사례는 MI기법을 활용하여 우울한 내담자의 긍정적 내적자원에 따른 심상을 체험하고, 그 체험을 언어적으로 표현한다. 또한 그 이미지들을 일상생활에 긍정적인 변화를 적용할 수 있도록 유도하는 지지적 수준의 개인 치료사례이다. 지지적인 수준(Supportive Level)에서의 MI는 음악 안에서 안전하게 서로 지지하는 수준에서만 사용한다. 개인세션 도입은 특정 느낌이나 주제, 단어 혹은 시각적 이미지를 연상하고, 이러한 이미지는 갈등적인 내용이 아닌 긍정적인 경험을 유도한다. MI의 한 회기 별 첫 번째 단계는 초기면담(Prelude)으로 상담의 초기면담과 같이 구체적인 목표를 정한다. 두 번째 단계는 전환(Transition)으로 여러 가지 내담자의 이야기 중에 가장 지지적인 주제를 좀 더 초점화하여 구체적으로 느끼고 표현 할 수 있도록 한다. 세 번째 단계는 긴장완화 및 음악 감상(Music Listening)으로 여러 긴장이완법 등을 사용하여 음악 감상하는 동안 심상이 잘 떠오를 수 있도록 이완 시킨다. 그리고 음악 감상 동안 음악이 가져다주는 여러 가지 심상들을 탐색하고 연상 할 수 있도록 한다. 마지막 단계는 마무리(Process)시간으로 음악 감상 동안 경험되어진 심상을 그림으로 표현하고, 개인적인 심상경험을 언어적인 과정을 통해 치료사와 공유함으로써 긍정적인 경험을 확장시켜 내적인 힘을 키운다. A 내담자의 경우 내담자와의 라포 형성하기(공감, 이해, 지지), 내담자의 긍정적인 자원탐색(어린시절, 가족), 내담자의 감정표현 및 긍정적 지지(현재의 나)의 구체적인 목표를 설정하였다. 음악은 내담자가 선호하는 음악과 치료사가 선정한 음악 중에서 음의 전개가 단순하고, 멜로디가 반복적이며, 리듬이 규칙적이며, 협화음으로 구성된 안정적이고 구조화된 음악을 사용하였다. 그 결과 A는 1, 2회기에는 방어기제를 많이 사용하고 우울로 인한 감정조절의 어려움을 보였으나 3회기 이후 자신이 좋아하는 음악과 지지적인 음악을 치료사가 제공하는 것으로 인해 공감과 지지를 경험할 수 있게 되었다. 이를 통하여 4회기부터 안정감을 갖고 세션 안에서 부정적 정서를 긍정적인 정서로 전환하고, 자신의 내재된 힘을 발견하게 되었다. 6회기에는 과거 힘들었던 시간들이 앞으로 갖게 될 좋은 시간을 준비하는 단계라고 인식하기 시작하였다. B 내담자의 경우 내담자와의 라포 형성 및 탐색하기(공감, 이해, 지지), 내담자의 문제 탐색 및 긍정적 인식(어린시절, 가족), 내담자의 감정표현 및 통찰하기(현재와 미래의 나)의 구체적인 목표를 설정하였다. 음악은 1, 2회기에는 안정적이고 구조적인 음악을 사용하였으나, 3회기 이후 곡의 전개가 점점 커지고 주제 멜로디의 변주로 음의 고저가 많으며, 협화음과 불협화음이 넘나드는 고전파와 낭만파의 음악을 사용하였다. 그 결과 B 내담자는 1,2회기에서는 대인관계의 어려움을 종교적인 관계로 전환하여 현실회피하려는 경향이 나타났으나 자신이 좋아하는 음악과 지지적인 음악을 통하여 공감과 지지를 경험할 수 있었다. 3회기 이후 B는 자신의 현실 문제를 인식하고 직면하였으나 회피와 직면의 양가감정을 갖게 되었다. 4회기 이후 B는 우울로 인한 감정의 변화를 음악 안에서 경험하고, 자신의 문제에 직면하였다. 5, 6회기에서는 긍정적인 자원을 통해 내적인 힘을 키우고 해결하려는 태도와 미래에서의 내가 좀 더 당당하고 건강하게 살아가려는 의지가 나타났다. 이와 같이 MI 프로그램은 GIM 프로그램보다 좀 더 현실적이고 짧은 회기수로 내담자의 문제들을 해결할 수 있다는 가능성을 제기한다. GIM처럼 깊은 무의식속으로 접근 하지 않고도, MI는 현실주의 상담과도 같이 내담자의 현실적인 문제를 근거로 하여 문제인식 및 통찰, 해결해 나갈 수 있다. 특히 음악의 사용에 있어서도 다양한 장르의 곡을 내담자에게 맞게 사용할 수 있으며, 음악감상 시간도 GIM에 비해 짧고 곡의 기능들도 구조화되어 내담자의 감정을 심상으로 잘 표현 할 수 있다. 그러므로 MI는 내담자의 음악선호도와 음악의 다양한 기능들을 활용하여 개인과 그룹으로 성인뿐만 아니라 아동 및 청소년에게도 알맞게 수정 보완하여 사용할 수 있음을 시사한다.

• 지능정보연구
• /
• 제24권1호
• /
• pp.205-225
• /
• 2018

Convolutional Neural Network (ConvNet)은 시각적 특징의 계층 구조를 분석하고 학습할 수 있는 대표적인 심층 신경망이다. 첫 번째 신경망 모델인 Neocognitron은 80 년대에 처음 소개되었다. 당시 신경망은 대규모 데이터 집합과 계산 능력이 부족하여 학계와 산업계에서 널리 사용되지 않았다. 그러나 2012년 Krizhevsky는 ImageNet ILSVRC (Large Scale Visual Recognition Challenge) 에서 심층 신경망을 사용하여 시각적 인식 문제를 획기적으로 해결하였고 그로 인해 신경망에 대한 사람들의 관심을 다시 불러 일으켰다. 이미지넷 첼린지에서 제공하는 다양한 이미지 데이터와 병렬 컴퓨팅 하드웨어 (GPU)의 발전이 Krizhevsky의 승리의 주요 요인이었다. 그러므로 최근의 딥 컨볼루션 신경망의 성공을 병렬계산을 위한 GPU의 출현과 더불어 ImageNet과 같은 대규모 이미지 데이터의 가용성으로 정의 할 수 있다. 그러나 이러한 요소는 많은 도메인에서 병목 현상이 될 수 있다. 대부분의 도메인에서 ConvNet을 교육하기 위해 대규모 데이터를 수집하려면 많은 노력이 필요하다. 대규모 데이터를 보유하고 있어도 처음부터 ConvNet을 교육하려면 많은 자원과 시간이 소요된다. 이와 같은 문제점은 전이 학습을 사용하면 해결할 수 있다. 전이 학습은 지식을 원본 도메인에서 새 도메인으로 전이하는 방법이다. 전이학습에는 주요한 두 가지 케이스가 있다. 첫 번째는 고정된 특징점 추출기로서의 ConvNet이고, 두번째는 새 데이터에서 ConvNet을 fine-tuning 하는 것이다. 첫 번째 경우, 사전 훈련 된 ConvNet (예: ImageNet)을 사용하여 ConvNet을 통해 이미지의 피드포워드 활성화를 계산하고 특정 레이어에서 활성화 특징점을 추출한다. 두 번째 경우에는 새 데이터에서 ConvNet 분류기를 교체하고 재교육을 한 후에 사전 훈련된 네트워크의 가중치를 백프로퍼게이션으로 fine-tuning 한다. 이 논문에서는 고정된 특징점 추출기를 여러 개의 ConvNet 레이어를 사용하는 것에 중점을 두었다. 그러나 여러 ConvNet 레이어에서 직접 추출된 차원적 복잡성을 가진 특징점을 적용하는 것은 여전히 어려운 문제이다. 우리는 여러 ConvNet 레이어에서 추출한 특징점이 이미지의 다른 특성을 처리한다는 것을 발견했다. 즉, 여러 ConvNet 레이어의 최적의 조합을 찾으면 더 나은 특징점을 얻을 수 있다. 위의 발견을 토대로 이 논문에서는 단일 ConvNet 계층의 특징점 대신에 전이 학습을 위해 여러 ConvNet 계층의 특징점을 사용하도록 제안한다. 본 논문에서 제안하는 방법은 크게 세단계로 이루어져 있다. 먼저 이미지 데이터셋의 이미지를 ConvNet의 입력으로 넣으면 해당 이미지가 사전 훈련된 AlexNet으로 피드포워드 되고 3개의 fully-connected 레이어의 활성화 틀징점이 추출된다. 둘째, 3개의 ConvNet 레이어의 활성화 특징점을 연결하여 여러 개의 ConvNet 레이어의 특징점을 얻는다. 레이어의 활성화 특징점을 연결을 하는 이유는 더 많은 이미지 정보를 얻기 위해서이다. 동일한 이미지를 사용한 3개의 fully-connected 레이어의 특징점이 연결되면 결과 이미지의 특징점의 차원은 4096 + 4096 + 1000이 된다. 그러나 여러 ConvNet 레이어에서 추출 된 특징점은 동일한 ConvNet에서 추출되므로 특징점이 중복되거나 노이즈를 갖는다. 따라서 세 번째 단계로 PCA (Principal Component Analysis)를 사용하여 교육 단계 전에 주요 특징점을 선택한다. 뚜렷한 특징이 얻어지면, 분류기는 이미지를 보다 정확하게 분류 할 수 있고, 전이 학습의 성능을 향상시킬 수 있다. 제안된 방법을 평가하기 위해 특징점 선택 및 차원축소를 위해 PCA를 사용하여 여러 ConvNet 레이어의 특징점과 단일 ConvNet 레이어의 특징점을 비교하고 3개의 표준 데이터 (Caltech-256, VOC07 및 SUN397)로 실험을 수행했다. 실험결과 제안된 방법은 Caltech-256 데이터의 FC7 레이어로 73.9 %의 정확도를 얻었을 때와 비교하여 75.6 %의 정확도를 보였고 VOC07 데이터의 FC8 레이어로 얻은 69.2 %의 정확도와 비교하여 73.1 %의 정확도를 보였으며 SUN397 데이터의 FC7 레이어로 48.7%의 정확도를 얻었을 때와 비교하여 52.2%의 정확도를 보였다. 본 논문에 제안된 방법은 Caltech-256, VOC07 및 SUN397 데이터에서 각각 기존에 제안된 방법과 비교하여 2.8 %, 2.1 % 및 3.1 %의 성능 향상을 보였다.