KR20120095674A - 휴대용 기기 기반의 사용자 관계 추론장치 및 방법 - Google Patents

휴대용 기기 기반의 사용자 관계 추론장치 및 방법 Download PDF

Info

Publication number
KR20120095674A
KR20120095674A KR1020110015139A KR20110015139A KR20120095674A KR 20120095674 A KR20120095674 A KR 20120095674A KR 1020110015139 A KR1020110015139 A KR 1020110015139A KR 20110015139 A KR20110015139 A KR 20110015139A KR 20120095674 A KR20120095674 A KR 20120095674A
Authority
KR
South Korea
Prior art keywords
user
information
data
relationship
portable device
Prior art date
Application number
KR1020110015139A
Other languages
English (en)
Inventor
이수원
강영길
김영호
Original Assignee
숭실대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 숭실대학교산학협력단 filed Critical 숭실대학교산학협력단
Priority to KR1020110015139A priority Critical patent/KR20120095674A/ko
Publication of KR20120095674A publication Critical patent/KR20120095674A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/60—Software deployment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W8/00—Network data management
    • H04W8/18—Processing of user or subscriber data, e.g. subscribed services, user preferences or user profiles; Transfer of user or subscriber data
    • H04W8/20—Transfer of user or subscriber data
    • H04W8/205—Transfer to or from user equipment or user record carrier

Abstract

휴대용 기기 기반의 사용자 관계 추론장치 및 방법이 개시된다. 데이터 수집부는 위치 센서 및 근접 센서를 구비한 사용자의 휴대용 기기로부터 사용자의 시간에 따른 위치 변화를 나타내는 위치 데이터 및 근접 센서에 의해 감지되는 인접 사용자의 정보인 인접 데이터를 수집한다. 데이터 학습부는 위치 데이터 및 인접 데이터로부터 시간대 및 요일 정보와 관련된 사용자의 행동 정보를 추출하여 학습 데이터를 생성한다. 관계 추론부는 학습 데이터를 기초로 사용자와 근접 센서에 새롭게 감지되는 다른 사용자 사이의 관계 정보를 추론하기 위한 개인 사용자 관계 모델을 생성한다. 본 발명에 따르면, 일정 기간 동안 수집된 사용자의 행동 정보를 기초로 새롭게 감지되는 다른 사용자와의 관계 정보를 추론함으로써, 구체적으로 추론된 관계 정보를 모바일 환경 기반의 다양한 서비스에 활용할 수 있다.

Description

휴대용 기기 기반의 사용자 관계 추론장치 및 방법{Apparatus and method for user relation inference based on mobile device}
본 발명은 휴대용 기기 기반의 사용자 관계 추론장치 및 방법에 관한 것으로, 휴대용 기기의 센서로부터 수집된 사용자에 관한 시간 및 위치 데이터를 기반으로 사용자와 다른 사용자 간의 관계를 추론하기 위한 모델을 생성하는 장치 및 방법에 관한 것이다.
사용자의 참여 및 공유가 강조되는 웹 2.0의 등장과 함께 사람 간의 관계에 중심을 두는 소셜 네트워크 서비스(Social Network Service : SNS)가 급격하게 성장하고 있다. 초기의 SNS가 웹을 중심으로 제공되었던 반면, 최근에는 3G망의 보급 및 스마트폰의 대중화 등의 모바일 환경의 변화로 인해 모바일과 결합된 SNS의 규모가 커지고 있다. 특히, GPS, 블루투스(bluetooth) 및 와이파이(wifi) 등을 이용하여 사용자의 현재 위치를 인식할 수 있는 스마트폰의 보급은 기존의 SNS에 사용자의 위치정보를 활용한 위치 기반 SNS를 등장시켰다.
스마트폰을 이용한 위치 기반 SNS와 관련된 연구로서, 사용자가 설정한 다른 사용자와의 관계 정보를 활용하여 사용자 간 위치정보를 공유하는 서비스에 대한 연구가 이루어진 바 있다. 그러나 이러한 서비스에서는 사용자가 다른 사용자와의 사회적인 관계 정보를 모두 직접 설정해야 하며, 사용자가 관계를 설정하지 않은 다른 사용자에 대해서는 서비스를 제공하지 못한다는 문제가 있다.
이러한 문제를 해결하기 위해 제안된 사용자 간의 관계를 분석 및 추론하는 방법에 대한 기존의 연구는 웹 환경에 한정적이거나 사용자의 친구 관계 여부만을 예측할 수 있다는 한계가 있었다. 일 예로, 개별 사용자들이 등록한 웹문서들의 유사성을 바탕으로 사용자 간의 연결성을 추론하여 소셜 네트워크를 생성하는 연구(Makrehchi 등)가 진행된 바 있으며, Facebook 및 Linked-in 등의 SNS 사이트에서 수집된 사용자 활동 데이터를 분석하여 사용자 간 관계의 강도를 측정하는 방법(Xiangi 등)이 제안되었다.
최근에는 모바일 환경에서의 사용자 간 관계를 분석하는 연구도 이루어지고 있는데, 핸드폰 주소록에 등록된 연락처를 통화 및 문자 데이터의 사용 패턴을 입력으로 하여 k-means 군집 학습을 통해 그룹화하는 방법이 제안되었으나, 생성된 그룹에 대한 라벨링(labeling)이 없어 실질적인 사회적 관계를 추론할 수 없다는 단점이 있다. 또한 Reality Mining 프로젝트에서는 다수의 사용자에게 스마트폰과 블루투스 장비를 제공하여 이들에 의해 수집된 센서 데이터, 통화 및 문자 사용 이력, 그리고 응용 프로그램 사용 이력 등의 다양한 데이터를 통해 분석한 후 특정 관계를 가지는 사용자들 사이에 특징적인 인접 패턴이 나타남을 발견하였다.
이상과 같이 기존에 제안된 모바일 환경에서의 사용자 간 사회적 관계 추론 기법은 모바일 기기로부터 제한된 정보만을 기초로 하거나, 구체적인 사회적 관계를 정의하기 어렵다는 단점을 가진다.
본 발명이 이루고자 하는 기술적 과제는, 모바일 환경에서 사용자의 동적 상황과 관련된 정보를 자동으로 학습하여 사용자와 인접 사용자 간의 관계를 추론함으로써 사용자에 대하여 위치 기반 SNS를 제공할 수 있는 휴대용 기기 기반의 사용자 관계 추론장치 및 방법을 제공하는 데 있다.
본 발명이 이루고자 하는 다른 기술적 과제는, 모바일 환경에서 사용자의 동적 상황과 관련된 정보를 자동으로 학습하여 사용자와 인접 사용자 간의 관계를 추론함으로써 사용자에 대하여 위치 기반 SNS를 제공할 수 있는 휴대용 기기 기반의 사용자 관계 추론방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공하는 데 있다.
상기의 기술적 과제를 달성하기 위한, 본 발명에 따른 휴대용 기기 기반의 사용자 관계 추론장치는, 위치 센서 및 근접 센서를 구비한 사용자의 휴대용 기기로부터 상기 사용자의 시간에 따른 위치 변화를 나타내는 위치 데이터 및 상기 근접 센서에 의해 감지되는 인접 사용자의 정보인 인접 데이터를 수집하는 데이터 수집부; 상기 위치 데이터 및 상기 인접 데이터로부터 시간대 및 요일 정보와 관련된 상기 사용자의 행동 정보를 추출하여 학습 데이터를 생성하는 데이터 학습부; 및 상기 학습 데이터를 기초로 상기 사용자와 상기 근접 센서에 새롭게 감지되는 다른 사용자 사이의 관계 정보를 추론하기 위한 개인 사용자 관계 모델을 생성하는 관계 추론부;를 구비한다.
상기의 기술적 과제를 달성하기 위한, 본 발명에 따른 휴대용 기기 기반의 사용자 관계 추론방법은, (a) 위치 센서 및 근접 센서를 구비한 사용자의 휴대용 기기로부터 상기 사용자의 시간에 따른 위치 변화를 나타내는 위치 데이터 및 상기 근접 센서에 의해 감지되는 인접 사용자의 정보인 인접 데이터를 수집하는 단계; (b) 상기 위치 데이터 및 상기 인접 데이터로부터 시간대 및 요일 정보와 관련된 상기 사용자의 행동 정보를 추출하여 학습 데이터를 생성하는 단계; (c) 상기 학습 데이터를 기초로 상기 사용자와 상기 근접 센서에 새롭게 감지되는 다른 사용자 사이의 관계 정보를 추론하기 위한 개인 사용자 관계 모델을 생성하는 단계;를 갖는다.
본 발명에 따른 휴대용 기기 기반의 사용자 관계 추론장치 및 방법에 의하면, 일정 기간 동안 수집된 사용자의 행동 정보를 기초로 새롭게 감지되는 다른 사용자와의 관계 정보를 추론함으로써, 구체적으로 추론된 관계 정보를 모바일 환경 기반의 다양한 서비스에 활용할 수 있다. 또한 개별 사용자에 대하여 생성된 추론 모델을 일반화함으로써, 사전 정보가 없는 일반 사용자의 관계 추론에도 적용 가능하다.
도 1은 본 발명에 따른 휴대용 기기 기반의 사용자 관계 추론장치에 대한 바람직한 실시예의 구성을 도시한 블록도,
도 2는 본 발명의 각 구성요소에 의해 처리되는 데이터를 표시하여 도시한 본 발명의 시스템 구조도,
도 3은 타겟 필드인 관계 정보 및 세 가지 파생 필드로부터 생성된 학습 데이터를 나타낸 도면,
도 4는 본 발명에 따른 휴대용 기기 기반의 사용자 관계 추론방법에 대한 바람직한 실시예의 수행과정을 도시한 흐름도,
도 5는 기존의 데이터 통합 기법에 의한 일반 사용자 관계 모델과 본 발명에 의한 일반 사용자 관계 모델의 비교 실험 결과를 도시한 그래프,
도 6은 11명의 사용자에 대하여 데이터 통합 기법에 의해 학습된 일반 사용자 관계 모델과 개인 사용자 관계 모델의 추론 정확도를 비교하여 도시한 그래프,
도 7은 결정트리로 표현된 일반 사용자 관계 모델의 일 예를 나타낸 도면,
도 8은 도 6의 실험 결과에서 두 모델 간의 성능 편차가 가장 크게 나타난 user51의 개인 사용자 관계 모델을 나타낸 도면, 그리고,
도 9는 도 6의 실험 결과에서 일반 사용자 관계 모델의 추론 정확도가 개인 사용자 관계 모델의 추론 정확도보다 높았던 user47의 개인 사용자 관계 모델을 나타낸 도면이다.
이하에서 첨부된 도면들을 참조하여 본 발명에 따른 휴대용 기기 기반의 사용자 관계 추론장치 및 방법의 바람직한 실시예에 대해 상세하게 설명한다.
도 1은 본 발명에 따른 휴대용 기기 기반의 사용자 관계 추론장치에 대한 바람직한 실시예의 구성을 도시한 블록도이며, 도 2는 본 발명의 각 구성요소에 의해 처리되는 데이터를 표시하여 도시한 본 발명의 시스템 구조도이다.
도 1을 참조하면, 본 발명에 따른 사용자 관계 추론장치는, 데이터 수집부(110), 데이터 학습부(120) 및 관계 추론부(130)를 구비하며, 미리 수집된 데이터가 없는 일반 사용자에 대한 관계 추론을 위하여 일반 모델 생성부(140)를 더 구비할 수 있다.
데이터 수집부(110)는 위치 센서 및 근접 센서를 구비한 사용자의 휴대용 기기로부터 사용자의 시간에 따른 위치 변화를 나타내는 위치 데이터 및 근접 센서에 의해 감지되는 인접 사용자의 정보인 인접 데이터를 수집한다. 여기서 사용자의 휴대용 기기는 GPS 형태의 위치 센서와 블루투스 형태의 근접 센서를 구비하며 기지국을 통해 다른 사용자와 통신하는 스마트폰일 수 있다. 그러나 위치 정보 및 인접 사용자의 정보를 알 수 있는 다른 형태의 장치도 본 발명에서의 휴대용 기기가 될 수 있다.
또한 데이터 수집부(110)에 의해 수집된 위치 데이터 및 근접 데이터는 이를 기초로 생성된 추론 규칙을 사용하여 이후 사용자의 근접 센서에 인식되는 다른 사용자가 사용자와 어떠한 관계에 있는지, 즉 사용자와 다른 사용자 사이의 관계 정보를 추론하기 위한 것이다. 따라서 추론의 정확도를 높이기 위해서는 사용자의 행동의 규칙성이 드러날 정도의 충분한 데이터가 수집되어야 하므로, 적어도 3주 내지 4주 동안 위치 데이터 및 근접 데이터를 수집하는 것이 바람직하다.
앞에서 설명한 Reality Mining 프로젝트에서도 사용자와 다른 사용자 간의 인접 여부를 인식하기 위해 식별키가 부여된 블루투스 장비를 활용하였는데, 본 발명에 따른 사용자 관계 추론장치 역시 블루투스 형태의 근접 센서를 구비한 사용자의 휴대용 기기로부터 인접 데이터를 수집하되, 구체적으로, 사용자의 근접 센서에 인식된 인접 사용자의 근접 센서의 식별 정보를 수집한다.
다음의 표 1은 사용자의 휴대용 기기에 구비된 근접 센서로부터 수집된 인접 데이터의 일 예이다.
oid endtime starttime person_oid device_oid
1 2004-07-23 12:45:11 2004-07-23 12:45:11 94 108
2 2004-07-23 12:51:41 2004-07-23 12:26:46 94 88
3 2004-07-23 12:52:25 2004-07-23 12:52:25 94 109
4 2004-07-23 12:58:16 2004-07-23 12:23:06 94 107
5 2004-07-23 13:05:04 2004-07-23 13:05:04 94 110
6 2004-07-23 13:08:22 2004-07-23 13:08:22 94 21
7 2004-07-23 13:16:03 2004-07-23 13:16:03 94 18
8 2004-07-23 13:16:03 2004-07-23 12:32:54 94 93
9 2004-07-23 13:21:40 2004-07-23 13:21:40 94 108
10 2004-07-23 13:23:07 2004-07-23 13:09:34 94 88
표 1에서 'endtime'은 인접 사용자의 근접 센서의 인식이 종료된 시각, 'starttime'은 인접 사용자의 근접 센서의 인식이 개시된 시각, 'person_oid'는 사용자의 휴대용 기기의 식별 정보, 그리고 'device_oid'는 인접 사용자의 휴대용 기기에 구비된 근접 센서의 식별 정보이다. 표 1과 같이 수집된 인접 데이터를 사용하여 날짜 및 시간대 별로 사용자에 인접한 다른 사용자의 정보를 알 수 있다.
또한 데이터 수집부(110)는 사용자의 휴대용 기기에 구비된 위치 센서로부터는 사용자의 시간에 따른 위치 변화를 알 수 있는 위치 데이터를 수집한다. 사용자의 휴대용 기기가 앞에서 언급한 실시예와 같이 기지국을 통해 통신하는 스마트폰인 경우, 사용자의 위치 정보는 현재 사용자의 휴대용 기기가 연결된 기지국의 위치 정보로 대체할 수 있다.
다음의 표 2는 위치 센서로부터 수집된 위치 데이터의 일 예를 나타낸 것이다.
oid endtime starttime person_oid celltower_oid
1 2004-07-23 12:23:56 2004-07-23 12:22:34 94 38
2 2004-07-23 12:25:10 2004-07-23 12:23:56 94 39
3 2004-07-23 12:26:15 2004-07-23 12:25:10 94 38
4 2004-07-23 12:27:24 2004-07-23 12:26:15 94 39
5 2004-07-23 12:28:36 2004-07-23 12:27:24 94 40
6 2004-07-23 12:28:51 2004-07-23 12:28:36 94 38
7 2004-07-23 12:29:14 2004-07-23 12:28:51 94 40
8 2004-07-23 12:33:40 2004-07-23 12:29:14 94 39
9 2004-07-23 12:34:47 2004-07-23 12:33:40 94 41
10 2004-07-23 12:37:16 2004-07-23 12:34:37 94 40
표 2에서, 'starttime' 및 'endtime'은 사용자의 현재 위치가 일정하게 유지되는 동안의 시간을 나타내며, 'person_oid'는 표 1에서와 같이 사용자의 휴대용 기기의 식별 정보, 그리고 'celltower_oid'는 사용자의 휴대용 기기가 연결된 기지국의 식별 정보를 나타낸다.
여기서 기지국의 식별 정보는 표 2와 같이 번호로 나타낼 수도 있으나, 사용자가 미리 부여한 기지국의 이름, 예를 들면, 'home' 또는 'work'와 같이 나타낼 수도 있다. 다음의 표 3은 식별 정보가 '94'인 사용자의 휴대용 기기가 연결된 각 기지국의 번호에 대응하여 부여된 기지국의 이름을 나타낸 것이다.
oid name person_oid celltower_oid
1 ML 94 1
2 ML 94 2
3 SP 94 3
4 Home 94 4
5 Red house 94 5
6 Relative 94 6
7 Central 94 7
8 Parents 94 8
9 Parents 94 9
10 Caesars 94 10
11 Badlands 94 11
12 Grandparents 94 12
13 Friends 94 13
14 Friends place 94 14
데이터 학습부(120)는 수집된 위치 데이터 및 인접 데이터로부터 시간대 및 요일 정보와 관련된 사용자의 행동 정보를 추출하여 학습 데이터를 생성한다. 앞에서 설명한 바와 같이 위치 데이터에는 날짜 및 시간에 따른 사용자의 현재 위치 정보가 포함되어 있으며, 인접 데이터에는 날짜 및 시간에 따른 인접 사용자의 정보가 포함되어 있다. 따라서 데이터 학습부(120)는 위치 데이터 및 인접 데이터를 날짜 및 시간에 따라 정렬함으로써 사용자가 어느 장소에서 누구와 함께 있었는지를 확인할 수 있다.
한편, 데이터 수집부(110)는 일정한 기간 동안 사용자의 휴대용 기기로부터 센서 데이터를 수집함과 함께 사용자가 직접 입력한 부가적인 정보를 더 수집할 수 있다. 이는 사용자가 자신의 시간대별 활동 및 동행한 사람과의 관계 등을 입력한 데이터로서, 이하에서는 이를 설문 데이터라 한다.
다음의 표 4는 사용자로부터 입력받은 설문 데이터의 예를 나타낸 것이다.
survey_Hours survey_Regular survey_Hangouts
9am-5pm very friends
2pm-11pm not at all class*
11am-8pm somewhat friends
9am-5pm very nowhere else
11am-8pm somewhat restaurant/bar; friends
2pm-11pm very restaurant/bar
4pm-8pm somewhat friends
9am-5pm somewhat friends
11am-8pm very "gym, friends"
표 4에는 사용자의 활동 시간대, 해당 시간대에서의 구체적인 행동 내용 및 그러한 행동의 빈도가 나타나 있다. 또한 구체적인 행동 내용에는 장소 정보 및 동행인과의 관계 정보 중 어느 하나만 포함되어 있을 수도 있으며, 'restaurant/bar; friends'와 같이 장소 정보 및 관계 정보가 모두 포함되어 있을 수도 있다.
위치 센서 및 근접 센서로부터 수집되는 센서 데이터는 각 센서에 의해 얻어지는 모든 데이터가 수집되지만, 설문 데이터는 사용자가 자신의 의지로 입력하는 것이므로 사용자의 행동에 관한 모든 정보가 수집될 수는 없으며, 사용자가 설문에 응하지 않는 경우에는 해당 사용자에 대한 설문 데이터는 존재하지 않는다. 따라서 설문 데이터는 데이터 학습부가 학습 데이터를 생성하는 데 필수적인 것은 아니고, 추론의 정확도를 높이기 위한 보조적인 정보로서 사용된다.
도 2에는 데이터 수집부(110)에 의해 수집되는 센서 데이터와 설문 데이터에 포함되는 구체적인 정보의 예가 나타나 있다. 데이터 학습부(120)는 수집된 센서 데이터 및 설문 데이터에 포함된 정보를 사용하여 도 2에 도시된 것과 같이 전처리 과정을 통해 사용자의 행동 정보(Behavior), 시간대 정보(Time), 요일 정보(Dayoftheweek) 및 관계 정보(Relation)와 같은 네 가지 필드를 생성하며, 그로부터 관계 추론을 위한 학습 데이터를 생성한다.
구체적으로, 데이터 수집부(110)는 우선 표 2와 같이 사용자가 기지국으로부터 검색되어진 시각 정보가 포함된 테이블과 표 3과 같이 각 기지국의 이름이 포함된 테이블을 결합하고, 그 다음 표 1과 같이 사용자의 근접 센서가 인접 사용자의 근접 센서를 인식한 시각 정보가 포함된 테이블을 결합하여 다음의 표 5와 같은 1차 전처리 결과 데이터 테이블을 생성한다.
hour weekdays weeks person_oid device_oid name
0 Tuesday 42 7 8 Media lab
0 Wednesday 7 7 90 Media lab
0 Saturday 41 7 46 Media lab
0 Tuesday 42 7 97 Media lab
0 Sunday 42 7 55 Media lab
0 Tuesday 42 7 21 Media lab
0 Saturday 49 7 79 Media lab
0 Wednesday 7 7 8 Media lab
1 Saturday 49 7 8 Media lab
1 Sunday 49 7 78 Media lab
2 Tuesday 42 7 8 Media lab
3 Saturday 2 7 51 Central
또한 데이터 학습부(120)는 사용자가 입력한 설문 데이터를 활용하여 사용자의 활동 시간대 정보, 주로 위치하는 장소 정보 및 동행인, 즉 인접 사용자와의 관계 정보를 추출하고, 이를 표 5에 포함된 1차 전처리 데이터에 매핑함으로써 타겟 필드인 관계 정보(Relation)를 생성한다. 생성된 관계 정보 필드의 값은 도 2에도 나타난 바와 같이 'Friend', 'Colleague' 및 'Unknown'이다.
마지막으로 데이터 학습부(120)는 도 2에 도시된 것과 같이 기지국의 위치 정보 및 시간 정보를 기초로 파생 필드인 행동 정보(Behavior), 시간대 정보(Time) 및 요일 정보(Dayoftheweek)를 생성하며, 각 파생 필드에 포함된 값들은 도 2에 나타낸 것과 같다.
도 3은 타겟 필드인 관계 정보 및 세 가지 파생 필드로부터 생성된 학습 데이터를 나타낸 도면이다. 도 3을 참조하면, 센서 데이터 및 설문 데이터가 모두 포함되어 요일 및 시간대 별로 정렬되어 있는 것을 확인할 수 있다.
관계 추론부(130)는 생성된 학습 데이터를 기초로 사용자와 근접 센서에 새롭게 감지되는 다른 사용자 사이의 관계 정보를 추론하기 위한 개인 사용자 관계 모델을 생성한다.
추론 방법으로는 다양한 알고리즘들 중에서 네이브 베이지언(Naive Bayesian) 알고리즘이 사용될 수 있다. 네이브 베이지언 알고리즘은 대표적인 통계 기법인 베이즈 정리(Bayes Theorem)에 기반한 분류 학습 기법으로, 클래스가 알려지지 않은 미지의 샘플 X에 대해 이 샘플이 특정 클래스 C에 속할 확률 P(C|X)를 결정하여 확률값이 가장 큰 클래스로 예측하는 방법이다. 이때 P(C|X)는 베이즈 정리에 의해 다음의 수학식 1과 같이 산출된다.
Figure pat00001
여기서, P(X)는 모든 클래스에 대하여 동일한 상수 값을 가지기 때문에 P(C|X) 값을 비교하기 위해서는 P(X|C)?P(C)의 값만 알면 된다. P(C)의 값은 학습 예제를 통하여 구할 수 있으며, P(X|C)는 클래스 변수를 제외한 모든 변수가 서로 독립이라는 가정 하에 다음의 수학식 2와 같이 학습 예제로부터 구해지는 각 변수별 확률 값의 곱으로 산출된다.
Figure pat00002
관계 추론부(130)는 데이터 학습부(120)에 의해 학습 데이터가 생성된 이후 사용자의 근접 센서에 휴대용 기기를 구비한 다른 사용자가 감지되면, 사용자와 다른 사용자 사이의 관계 정보를 추론하기 위해 위와 같은 네이브 베이지언 알고리즘을 기반으로 하는 개인 사용자 관계 모델을 생성한다. 즉, 개인 사용자 관계 모델은 다른 사용자가 도 3과 같은 학습 데이터에 나타난 관계 정보의 세 가지 클래스(Friend, Colleague, Unknown) 중에서 어느 클래스에 속하는지 예측한다.
이상에서 설명한 것과 같은 개인 사용자 관계 모델은 데이터 수집에 사용된 위치 센서 및 근접 센서를 구비한 휴대용 기기의 사용자에 대하여만 개별적으로 적용하기 위한 추론 모델이다. 본 발명에 따른 사용자 관계 추론장치는 더 나아가 미리 수집된 데이터가 없는 일반 사용자에 대하여도 다른 사용자와의 관계 정보를 추론할 수 있도록 하기 위하여 개별 사용자 관계 모델을 일반화하여 사용할 수 있다.
일반 모델 생성부(140)는 휴대용 기기를 각각 구비한 복수의 사용자에 대하여 각각 생성된 복수의 개인 사용자 관계 모델을 결합하여 위치 데이터 및 인접 데이터가 수집되지 않은 일반 사용자와 다른 사용자 사이의 관계 정보를 추론하기 위한 일반 사용자 관계 모델을 생성한다.
본 발명에 따른 사용자 관계 추론장치는 개별 사용자의 휴대용 기기에 일체로 구현되어 해당 사용자와 다른 사용자 사이의 관계를 추론하는 데 사용될 수도 있으나, 다수의 사용자의 휴대용 기기와 연결된 중앙 서버의 형태로 구현됨으로써 모든 사용자에 대하여 공통으로 적용 가능한 추론 모델인 일반 사용자 관계 모델을 사용하여 관계 추론을 수행할 수도 있다. 따라서 본 발명에 따른 사용자 관계 추론장치가 일반 모델 생성부(140)를 구비하는 경우에는 특정 사용자의 휴대용 기기에 설치되기보다 독립적인 서버 형태로 구현되는 것이 바람직하다.
일반 모델 생성부(140)에 의해 생성되는 일반 사용자 관계 모델은 개별 사용자들이 가지는 관계 특성들이 통합된 사용자 관계 모델로서, 개별 사용자 특성을 통합하는 시점에 따라 그 생성 방법이 두 가지로 구분된다.
먼저 데이터 통합(Data Integration) 기법은 사용자 로그로부터 관계를 학습하는 과정 이전에 사용자 히스토리를 통합하는 방법으로, 복수의 사용자로부터 수집된 데이터들을 모두 통합하여 하나의 통합된 학습 데이터를 생성하고, 이를 학습함으로써 단일 관계 모델을 생성하는 방법이다.
다른 하나의 일반 사용자 관계 모델 생성 방법은 모델 통합(Model Integration) 기법으로, 사용자 로그 데이터로부터 관계를 학습하는 과정 이후에 사용자 모델을 통합하는 방법이다. 즉, 이 방법에서는 개별 사용자 로그를 학습하여 복수의 개인 사용자 관계 모델을 생성하고, 이들을 통합함으로써 일반 사용자 관계 모델을 생성한다. 이러한 방법은 앙상블 학습(Ensemble Learning)이라고도 하며, 대표적인 기법으로 배깅(bagging)과 부스팅(boosting)이 있다.
일반 모델 생성부(140)는 이상에서 설명한 것과 같은 다양한 기법들 중 하나에 의해 일반 사용자 관계 모델을 생성할 수 있으며, 일 예로서 앙상블 학습 기법 중에서 배깅을 활용할 수 있다. 구체적으로, 새로운 일반 사용자의 데이터가 입력되었을 때 기존의 복수의 사용자에 대하여 각각 생성된 개인 사용자 관계 모델을 사용하여 각 모델별 추론 결과를 수집하고, 가장 많은 모델이 동일하게 추론한 결과를 최종적인 추론 결과로 출력하는 것이다.
이와 같이 함으로써 본 발명은 특정 사용자에 대하여 기존의 수집된 정보를 기초로 해당 사용자에게 관계 추론 결과를 제공할 수 있을 뿐 아니라, 미리 수집된 정보가 없는 일반 사용자에 대하여도 다양한 수집 데이터를 일반화함으로써 관계 추론 결과를 제공할 수 있다.
도 4는 본 발명에 따른 휴대용 기기 기반의 사용자 관계 추론방법에 대한 바람직한 실시예의 수행과정을 도시한 흐름도이다.
도 4를 참조하면, 데이터 수집부(110)는 위치 센서 및 근접 센서를 구비한 사용자의 휴대용 기기로부터 사용자의 시간에 따른 위치 변화를 나타내는 위치 데이터 및 근접 센서에 의해 감지되는 인접 사용자의 정보인 인접 데이터를 수집한다(S1010). 또한 보조적인 정보로 사용하기 위해 사용자가 입력한 시간에 따른 장소 정보 및 인접 사용자와의 관계 정보를 포함하는 설문 데이터를 더 수집할 수 있다(S1020).
데이터 학습부(120)는 위치 데이터, 인접 데이터 및 설문 데이터를 통합하여 전처리 과정을 거쳐 학습 데이터를 생성하고, 관계 추론부(130)는 학습 데이터를 기초로 사용자의 근접 센서에 새롭게 감지되는 다른 사용자 사이의 관계 정보를 추론하기 위한 개별 사용자 관계 모델을 생성한다(S1030). 여기서 개별 사용자 관계 모델은 네이브 베이지언 알고리즘을 사용하여 다른 사용자가 다양한 관계 정보들 중에서 어느 클래스에 속하는지 추론할 수 있다.
또한 일반 모델 생성부(140)는 복수의 사용자 각각에 대하여 생성된 개인 사용자 관계 모델들을 통합하여 사전에 수집된 정보가 없는 일반 사용자와 다른 사용자 사이의 관계 정보를 추론하기 위한 일반 사용자 관계 모델을 생성한다(S1040).
본 발명의 성능을 평가하기 위한 실험을 수행하였다. 실험에서는 앞에서 언급한 Reality Mining 프로젝트의 결과 데이터를 활용하여 데이터 통합(data integration)으로 생성한 일반 사용자 관계 모델과 본 발명에서 제안된 방법에 의해 생성된 일반 사용자 관계 모델의 관계 추론 성능을 비교하였다. 실험에 사용한 Reality Mining 데이터로는 전체 97명의 사용자에 관한 데이터 중에서 설문 데이터가 존재하는 55명의 사용자에 대하여 수집된 154,548 건의 로그 데이터를 활용하였다. 비교 실험 방법으로는 55명의 사용자를 11명씩 5등분한 5-묶음 교차 검증법(5-fold cross-validation)을 사용하였다. 또한 평가 척도로는 추론 정확도(accuracy)를 사용하였다.
도 5는 기존의 데이터 통합 기법에 의한 일반 사용자 관계 모델과 본 발명에 의한 일반 사용자 관계 모델의 비교 실험 결과를 도시한 그래프이다. 도 5를 참조하면, 각 묶음별로 데이터 통합 기법 및 본 발명에 의한 일반 사용자 관계 모델을 사용하여 얻어진 관계 추론 결과의 정확성을 그래프로 도시하였으며, 대체로 본 발명에 의해 얻어진 일반 사용자 관계 모델을 사용할 때 더 좋은 성능을 보이는 것을 확인할 수 있다. 특히 3-fold에서의 실험 결과에서는 본 발명에 의한 추론 결과의 정확도가 기존의 데이터 통합 기법에 비해 약 9% 이상 높은 정확도를 보였다. 이러한 실험 결과는 다음의 표 6에 나타내었다.
1-fold 2-fold 3-fold 4-fold 5-fold Avr.
DI 67.75 76.03 68.73 72.42 81.64 73.31
MI 67.91 77.46 77.46 72.77 81.70 75.46
표 6의 실험 결과 중에서 3-fold에 대한 추론 정확도가 본 발명에 의한 경우에 비해 데이터 통합 기법에 의한 경우에 크게 낮아지는 원인을 분석하기 위한 추가 실험을 수행하였다. 추가 실험에는 데이터 통합 기법으로 생성된 일반 사용자 관계 모델과 3-fold에 속하는 11명의 사용자별로 각각 개인 사용자 관계 모델을 생성하여 관계 추론의 정확도를 비교하였다. 이때 개인 사용자 관계 모델을 사용한 추론 정확도의 평가는 개인별 데이터에 10-묶음 교차 검증법을 적용하여 수행하였다.
또한 학습된 모델의 시각적 비교를 위하여 관계 학습 알고리즘으로는 Weka 3.7.1의 ID3 Decision Tree 학습 알고리즘을 사용하였으며, 지나친 트리의 확장을 막기 위하여 '사용자 관계(relation)', '주중 주말 구분(dayoftheweek)', '시간대(time)' 및 '사용자 행위(behavior)'의 네 가지 특징만을 사용하였다.
도 6은 11명의 사용자에 대하여 데이터 통합 기법에 의해 학습된 일반 사용자 관계 모델과 개인 사용자 관계 모델의 추론 정확도를 비교하여 도시한 그래프이다. 도 6을 참조하면, 대체로 개인 사용자 관계 모델에 의한 추론의 정확도가 일반 사용자 관계 모델에 의한 추론의 정확도에 비해 높으나, user47 및 user49의 경우에는 일반 사용자 관계 모델이 개인 사용자 관계 모델에 비해 높은 추론 정확도를 보였다. 특히 user51의 경우에는 두 모델 간의 추론 정확도의 차이가 50%가 넘는 큰 편차를 보인다.
다음의 표 7에는 데이터 통합 기법에 의한 일반 사용자 관계 모델(DI)과 개인 사용자 관계 모델(PM)의 추론 정확도를 나타내었다. 표 7의 수치들을 참조하면, 일반 사용자 관계 모델이 개인 사용자 관계 모델에 비해 평균 약 12.6% 낮은 추론 정확도를 보임을 알 수 있다.
user user39 user40 user43 user46 user47 user49
DI 74.96 81.03 67.84 93.13 87.50 100.00
PM 89.70 91.80 97.82 93.13 83.82 99.41
user user50 user51 user54 user57 user62 Avr.
DI 75.34 38.92 89.32 88.69 89.19 80.54
PM 83.95 90.93 94.41 99.99 99.10 93.10
도 7은 결정트리로 표현된 일반 사용자 관계 모델의 일 예로서, 관계 추론에 있어서 사용자 행동(behavior)가 가장 중요한 특징으로서 다른 사용자와의 관계 중 'Friend'와 나머지 관계를 결정하며, 사용자 행동이 'work'일 때 시간대 및 요일과 같은 시간 데이터에 따라 'Colleague'와 'Unknown'의 관계가 분류된다.
또한 도 8의 결정트리는 도 6의 실험 결과에서 두 모델 간의 성능 편차가 가장 크게 나타난 user51의 개인 사용자 관계 모델이다. 일반 사용자 관계 모델에서는 사용자 행동이 최상위 노드에 위치했던 것에 비해 user51의 개인 사용자 모델에서는 시간대가 최상위 노드에 위치하여 구조적 차이가 나타나므로, 그에 따라 추출할 수 있는 추론 규칙에서 큰 차이를 보인다.
예를 들면, 도 7의 일반 사용자 관계 모델의 경우에는 'Behavior(work)∩Time(afternoon)∩Dayoftheweek(weekday) → Relation(colleague)'와 같은 규칙이 생성되지만, 도 8의 개인 사용자 관계 모델에서는 'Time(afternoon)∩Behavior(work) → Relation(colleague)'와 같이 전자의 규칙과 모순되는 규칙이 추출된다.
다음으로 도 9의 결정트리는 도 6의 실험 결과에서 일반 사용자 관계 모델의 추론 정확도가 개인 사용자 관계 모델의 추론 정확도보다 높았던 user47의 개인 사용자 관계 모델이다. 도 9의 결정트리는 도 7의 일반 사용자 관계 모델과 유사한 구조를 보이나, 사용자 행동이 'home'이고 시간대가 'dinner' 또는 'morning'일 때 'unknown' 관계라는 규칙('Behavior(home)∩Time(dinner|morning) → Relation(unknown)')과 사용자 행동이 'work'이고 주중이면 모두 'colleague'로 분류된다는 규칙('Behavior(work)∩Dayoftheweek(weekday) → Relation(colleague)')이 추출된다는 점에서 일반 사용자 관계 모델과 차이를 보인다.
이상과 같이 일반 사용자 관계 모델과 개인 사용자 관계 모델 간의 비교 실험을 통해 일반 사용자 관계 모델이 개인 사용자 관계 모델에 비해 전반적으로 낮은 추론 정확도를 보이지만 편차의 평균값이 13% 이내로 적음을 확인할 수 있다. 또한 일부 사용자에 대해서는 일반 사용자 관계 모델을 사용한 경우에 더 높은 추론 정확도가 얻어지기도 하였으므로, 개인 사용자 관계 모델이 학습 초기에는 낮은 추론 정확도를 가진다는 점을 일반 사용자 관계 모델이 보완할 수 있다.
본 발명은 또한 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광데이터 저장장치 등이 있으며, 또한 캐리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
이상에서 본 발명의 바람직한 실시예에 대해 도시하고 설명하였으나, 본 발명은 상술한 특정의 바람직한 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면 누구든지 다양한 변형 실시가 가능한 것은 물론이고, 그와 같은 변경은 청구범위 기재의 범위 내에 있게 된다.
110 - 데이터 수집부
120 - 데이터 학습부
130 - 관계 추론부
140 - 일반 모델 생성부

Claims (11)

  1. 위치 센서 및 근접 센서를 구비한 사용자의 휴대용 기기로부터 상기 사용자의 시간에 따른 위치 변화를 나타내는 위치 데이터 및 상기 근접 센서에 의해 감지되는 인접 사용자의 정보인 인접 데이터를 수집하는 데이터 수집부;
    상기 위치 데이터 및 상기 인접 데이터로부터 시간대 및 요일 정보와 관련된 상기 사용자의 행동 정보를 추출하여 학습 데이터를 생성하는 데이터 학습부; 및
    상기 학습 데이터를 기초로 상기 사용자와 상기 근접 센서에 새롭게 감지되는 다른 사용자 사이의 관계 정보를 추론하기 위한 개인 사용자 관계 모델을 생성하는 관계 추론부;를 포함하는 것을 특징으로 하는 사용자 관계 추론장치.
  2. 제 1항에 있어서,
    상기 데이터 수집부는 상기 사용자가 입력한 시간에 따른 장소 정보 및 상기 인접 사용자와의 관계 정보를 포함하는 설문 데이터를 더 수집하며,
    상기 데이터 학습부는 시간대 및 요일에 따른 상기 사용자의 위치 정보, 행동 정보 및 상기 인접 사용자와의 관계 정보를 포함하는 상기 학습 데이터를 생성하는 것을 특징으로 하는 사용자 관계 추론장치.
  3. 제 1항 또는 제 2항에 있어서,
    상기 휴대용 기기를 각각 구비한 복수의 사용자에 대하여 각각 생성된 복수의 상기 개인 사용자 관계 모델을 결합하여 상기 위치 데이터 및 상기 인접 데이터가 수집되지 않은 일반 사용자와 다른 사용자 사이의 관계 정보를 추론하기 위한 일반 사용자 관계 모델을 생성하는 일반 모델 생성부를 더 포함하는 것을 특징으로 하는 사용자 관계 추론장치.
  4. 제 3항에 있어서,
    상기 일반 모델 생성부는 상기 일반 사용자에 대하여 상기 복수의 개인 사용자 관계 모델을 각각 적용하여 얻어진 상기 다른 사용자와의 관계 정보 추론 결과들 중에서 최대 개수로 동일하게 얻어진 추론 결과를 상기 일반 사용자와 상기 다른 사용자 간의 관계 정보로 결정하는 것을 특징으로 하는 사용자 관계 추론장치.
  5. 제 1항 또는 제 2항에 있어서,
    상기 휴대용 기기는 기지국을 통해 통신하는 통신 기기이며,
    상기 위치 데이터는 상기 사용자의 휴대용 기기가 상기 기지국에 의해 감지된 시간 정보에 대응하는 상기 기지국의 위치 정보를 포함하며, 상기 인접 데이터는 상기 근접 센서가 상기 인접 사용자의 휴대용 기기를 감지한 시간 정보에 대응하는 상기 인접 사용자의 휴대용 기기의 식별 정보를 포함하는 것을 특징으로 하는 사용자 관계 추론장치.
  6. (a) 위치 센서 및 근접 센서를 구비한 사용자의 휴대용 기기로부터 상기 사용자의 시간에 따른 위치 변화를 나타내는 위치 데이터 및 상기 근접 센서에 의해 감지되는 인접 사용자의 정보인 인접 데이터를 수집하는 단계;
    (b) 상기 위치 데이터 및 상기 인접 데이터로부터 시간대 및 요일 정보와 관련된 상기 사용자의 행동 정보를 추출하여 학습 데이터를 생성하는 단계;
    (c) 상기 학습 데이터를 기초로 상기 사용자와 상기 근접 센서에 새롭게 감지되는 다른 사용자 사이의 관계 정보를 추론하기 위한 개인 사용자 관계 모델을 생성하는 단계;를 포함하는 것을 특징으로 하는 사용자 관계 추론방법.
  7. 제 6항에 있어서,
    상기 (a) 단계에서, 상기 사용자가 입력한 시간에 따른 장소 정보 및 상기 인접 사용자와의 관계 정보를 포함하는 설문 데이터를 더 수집하며,
    상기 (b) 단계에서, 시간대 및 요일에 따른 상기 사용자의 위치 정보, 행동 정보 및 상기 인접 사용자와의 관계 정보를 포함하는 상기 학습 데이터를 생성하는 것을 특징으로 하는 사용자 관계 추론방법.
  8. 제 6항 또는 제 7항에 있어서,
    (d) 상기 휴대용 기기를 각각 구비한 복수의 사용자에 대하여 각각 생성된 복수의 상기 개인 사용자 관계 모델을 결합하여 상기 위치 데이터 및 상기 인접 데이터가 수집되지 않은 일반 사용자와 다른 사용자 사이의 관계 정보를 추론하기 위한 일반 사용자 관계 모델을 생성하는 단계를 더 포함하는 것을 특징으로 하는 사용자 관계 추론방법.
  9. 제 8항에 있어서,
    상기 (d) 단계에서, 상기 일반 사용자에 대하여 상기 복수의 개인 사용자 관계 모델을 각각 적용하여 얻어진 상기 다른 사용자와의 관계 정보 추론 결과들 중에서 최대 개수로 동일하게 얻어진 추론 결과를 상기 일반 사용자와 상기 다른 사용자 간의 관계 정보로 결정하는 것을 특징으로 하는 사용자 관계 추론방법.
  10. 제 6항 또는 제 7항에 있어서,
    상기 휴대용 기기는 기지국을 통해 통신하는 통신 기기이며,
    상기 위치 데이터는 상기 사용자의 휴대용 기기가 상기 기지국에 의해 감지된 시간 정보에 대응하는 상기 기지국의 위치 정보를 포함하며, 상기 인접 데이터는 상기 근접 센서가 상기 인접 사용자의 휴대용 기기를 감지한 시간 정보에 대응하는 상기 인접 사용자의 휴대용 기기의 식별 정보를 포함하는 것을 특징으로 하는 사용자 관계 추론방법.
  11. 제 6항 또는 제 7항에 기재된 사용자 관계 추론방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
KR1020110015139A 2011-02-21 2011-02-21 휴대용 기기 기반의 사용자 관계 추론장치 및 방법 KR20120095674A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020110015139A KR20120095674A (ko) 2011-02-21 2011-02-21 휴대용 기기 기반의 사용자 관계 추론장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020110015139A KR20120095674A (ko) 2011-02-21 2011-02-21 휴대용 기기 기반의 사용자 관계 추론장치 및 방법

Publications (1)

Publication Number Publication Date
KR20120095674A true KR20120095674A (ko) 2012-08-29

Family

ID=46886063

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020110015139A KR20120095674A (ko) 2011-02-21 2011-02-21 휴대용 기기 기반의 사용자 관계 추론장치 및 방법

Country Status (1)

Country Link
KR (1) KR20120095674A (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140121938A (ko) * 2013-04-08 2014-10-17 한국과학기술원 관계의 다양성을 증진할 수 있는 사회적 행동 분석 시스템 및 방법
KR101586262B1 (ko) 2014-09-11 2016-01-20 경북대학교 산학협력단 모바일 단말기 사용자간 소통 패턴 학습 방법, 이를 수행하기 위한 기록 매체 및 모바일 단말기
KR20160066769A (ko) * 2014-12-03 2016-06-13 한국과학기술연구원 이종 센서 매시업 방법, 이를 수행하기 위한 기록 매체 및 장치

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140121938A (ko) * 2013-04-08 2014-10-17 한국과학기술원 관계의 다양성을 증진할 수 있는 사회적 행동 분석 시스템 및 방법
KR101586262B1 (ko) 2014-09-11 2016-01-20 경북대학교 산학협력단 모바일 단말기 사용자간 소통 패턴 학습 방법, 이를 수행하기 위한 기록 매체 및 모바일 단말기
KR20160066769A (ko) * 2014-12-03 2016-06-13 한국과학기술연구원 이종 센서 매시업 방법, 이를 수행하기 위한 기록 매체 및 장치

Similar Documents

Publication Publication Date Title
Cuttone et al. Understanding predictability and exploration in human mobility
Ravichandran et al. Capturing social networking privacy preferences: Can default policies help alleviate tradeoffs between expressiveness and user burden?
Sarker et al. Individualized time-series segmentation for mining mobile phone user behavior
US20180005194A1 (en) Enriched Calendar Events
Liu et al. Annotating mobile phone location data with activity purposes using machine learning algorithms
Do et al. Human interaction discovery in smartphone proximity networks
KR101399267B1 (ko) 모바일 디바이스에서의 애플리케이션 추천 장치 및 방법
WO2017184468A1 (en) Meeting scheduling resource efficiency
WO2017019379A1 (en) Inferring user availability for a communication and changing notifications settings based on user availability or context
Falcone et al. What is this place? Inferring place categories through user patterns identification in geo-tagged tweets
KR20120028885A (ko) 행동 및 상황 데이터 분석을 위한 시스템 및 방법
Paraskevopoulos et al. Identification and characterization of human behavior patterns from mobile phone data
CN107885742B (zh) 服务推荐方法和装置
Srinivasan et al. RuleSelector: Selecting conditional action rules from user behavior patterns
Furno et al. Mobile demand profiling for cellular cognitive networking
Mengshoel et al. Will we connect again? machine learning for link prediction in mobile social networks
Quadri et al. On non-routine places in urban human mobility
Prociow et al. Towards personalised ambient monitoring of mental health via mobile technologies
Zavala et al. Platys: From position to place-oriented mobile computing
Burkhard et al. Extracting regular mobility patterns from sparse CDR data without a priori assumptions
Baumann et al. Selecting individual and population models for predicting human mobility
KR20120095674A (ko) 휴대용 기기 기반의 사용자 관계 추론장치 및 방법
WO2018005312A1 (en) Signal upload optimization
Kambham et al. Predicting personality traits using smartphone sensor data and app usage data
Lawrence et al. Co-presence communities: Using pervasive computing to support weak social networks

Legal Events

Date Code Title Description
A201 Request for examination
E601 Decision to refuse application