• 디지털융복합연구
• /
• 제19권3호
• /
• pp.453-463
• /
• 2021

본 연구는 코로나19가 공연예술계에 가져온 국내·외의 변화를 살펴보고 그 대응방안을 도출하기 위하여 언론리뷰와 문헌조사를 통하여 내용 분석을 실시하였으며 다음과 같은 결론을 도출하였다. 첫째, 코로나19 이후 세계 모든 극단과 공연장은 공연 스트리밍에 적극적인 입장을 취한 것으로 나타났다. 둘째, 공연 영상화가 적극적으로 이루어졌으며, 이러한 공연 영상화는 기존 극장 공연의 보완재가 되고 있었다. 셋째, 공연 제작 소비 행태의 변화에서는 빈익빈 부익부의 현상이 나타났으며, 다양한 공연들을 온라인으로 경험할 수 있는 기회를 제공하는 것으로 나타났다. 넷째, 코로나19 이후 영국의 경우 직원 고용유지 지원책과 자영업자 및 프리랜서 지원책, 영국 문화예술위원회의 긴급 지원금 정책이 있으며. 한국 정부는 공연예술관람료, 예술인을 위한 창작 준비금, 학교예술강사 생계유지를 위한 강사비 등의 제도가 발표, 집행 중에 있다. 다섯째, 코로나19 이후의 대응방안으로는 공연 영상화에 꾸준히 자본과 기술을 투입하여 온라인과 오프라인이 상생할 수 있는 구조 마련이 시급하며 해외 유수 공연 단체와의 전략적 제휴와 플랫폼 공유 전략이 필요하다고 분석되었다.

• 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.