KR101384593B1 - 컨텍스트 인식 기반 사용자 행동패턴 추론 시스템 - Google Patents

Abstract

본 발명은 컨텍스트 수집부, 컨텍스트 전처리부, 행동패턴 분류부, 행동목적 추론부, 서비스 추천부를 포함하되, 컨텍스트 수집부는 사용자 정보를 수집하며, 컨텍스트 전처리부는 상기 수집된 컨텍스트를 사용자 행동패턴 분류에 적합한 형태의 컨텍스트로 변환하며, 행동패턴 분류부는 상기 변환된 컨텍스트를 이용하여 사용자의 행동패턴을 분류하며, 행동목적 추론부는 상기 분류된 행동패턴을 이용하여 사용자의 행동목적을 추론하며, 서비스 추천부는 상기 추론된 행동목적에 적합한 개인화 추천 서비스를 사용자에게 제공하는 것을 특징으로 하는, 컨텍스트 인식 기반 사용자 행동패턴 추론 시스템에 관한 것이다.

Description

컨텍스트 인식 기반 사용자 행동패턴 추론 시스템{BEHAVIOR PATTERN REASONING BASED ON CONTEXT AWARNESS}

본 발명은 컨텍스트 수집부, 컨텍스트 전처리부, 행동패턴 분류부, 행동목적 추론부, 서비스 추천부를 포함하되, 컨텍스트 수집부는 사용자 정보를 수집하며, 컨텍스트 전처리부는 상기 수집된 컨텍스트를 사용자 행동패턴 분류에 적합한 형태의 컨텍스트로 변환하며, 행동패턴 분류부는 상기 변환된 컨텍스트를 이용하여 사용자의 행동패턴을 분류하며, 행동목적 추론부는 상기 분류된 행동패턴을 이용하여 사용자의 행동목적을 추론하며, 서비스 추천부는 상기 추론된 행동목적에 적합한 개인화 추천 서비스를 사용자에게 제공하는 것을 특징으로 하는, 컨텍스트 인식 기반 사용자 행동패턴 추론 시스템에 관한 것이다.

유비쿼터스 컴퓨팅(Ubiquitous Computing)은 사용자가 컴퓨터나 네트워크를 의식하지 않는 상태에서 장소나 시간 등에 구애받지 않고 자유롭게 네트워크에 접속할 수 있는 컴퓨팅 구조를 의미한다.

즉 유비쿼터스 컴퓨팅은 언제 어디서나 사용하는 컴퓨팅이란 개념으로 인간과 유사한 사고와 행동구조를 갖는 컴퓨팅 디바이스를 만드는 것이 핵심이라고 할 수 있다.

이러한 유비쿼터스 컴퓨팅의 핵심과 같은 맥락으로 언제, 어디서나 제공되는 개인화 추천 서비스를 들 수 있다.

개인화 추천 서비스는 실시간으로 제공되는 컨텍스트를 사용하여 사용자에게 적합한 정보를 제공하는 것을 말한다.

개인화 추천 서비스는 사용자에게 필요한 서비스를 신속하고 정확하게 제공해야 하기 때문에 사용자의 이동성과 실시간성이 고려된 모바일 환경에 적합하고 많은 양의 컨텍스트를 필요로 한다.

또한 기존의 단순한 추천 서비스와 달리 실시간으로 서비스를 제공하여야 하기 때문에 빠르고 효율적인 컨텍스트 인식 및 추론 기술을 필요로 한다.

일반적으로 컨텍스트(Context)는 정보들이 상호작용을 통해 사용자의 데이터를 특성화하고 행동을 정의하는 것을 말한다.

또한 컨텍스트 인식은 유비쿼터스 환경에서 사용자가 존재하는 장소, 시간, 사용자 상태 및 주변 상황 등을 인식하고, 사용자의 상황에 맞는 서비스를 지능적으로 제공하기 위한 과정을 말한다.

모바일 환경에서 사용자의 상황을 실시간으로 인식하고 상황에 맞는 개인화 서비스를 제공하는 연구가 진행되고 있다.

일 예로서, 대한민국 공개특허공보 제10-2011-0039733에 개인의 일상생활 관리장치 및 관리방법이 개시되어 있다.

개략적으로 살펴보면, 모바일 기기를 통해 수집된 데이터로부터 사용자의 행동패턴을 추론하고 추론된 정보를 다양한 멀티미디어 컨텐트의 관리 및 검색을 위한 메타데이터 형태로 제공하는 개인의 일상생활 관리장치 및 관리방법을 제공하는 것이다.

이때 사용자의 행동패턴을 추론하기 위해 모듈화된 베이지안 네트워크 모델을 이용하여 행동패턴 정보를 생성한다.

또 다른 일 예로서, 대한민국 등록특허공보 제10-0707671에 멀티 홈네트워크 환경 기반 상황 적응적 서비스 제공을 위한 추론 장치 및 그 방법이 개시되어 있다.

개략적으로 살펴보면, 사용자의 프로파일과 위치 및 행동패턴에 기반하여 상황 적응적 서비스를 제공하는 것이다.

이때 사용자의 행동패턴을 추론하기 위해 다양화된 쿼리를 구현하여 온톨로지의 팩트나 데이터로부터 다양한 관계성에 따른 결과를 추출하고 사용자에게 맞는 정보를 추출한다.

총괄적으로 살펴보면 상기 종래기술들은 개인화 서비스를 제공하기 위하여 사용자 컨텍스트를 수집하고 이를 바탕으로 행동패턴 정보를 생성 및 추론하는데, 행동패턴 정보를 추론하기 위하여 베이지안 네트워크 모델과 온톨로지, 규칙기반 추론을 사용하고 있다.

하지만 이와 같은 행동추론 방법들은 행동추론 정확도와 속도를 동시에 만족하지 못하는 단점을 가지고 있다.

따라서, 본 발명은 행동추론 정확도와 속도를 동시에 만족시킬 수 있도록 행동 패턴 구성에 적합하고 학습 시간이 빠르며 인과관계 및 연속 속성에 장점이 있는 행동 패턴 추론 방법을 이용하여 사용자의 행동패턴을 파악하여 행동의 목적을 추론하고, 추론된 사용자의 행동 목적에 가장 적합한 서비스를 제공하는 컨텍스트 인식 기반 사용자 행동패턴 추론 시스템을 제공하고자 한다.

본 발명은 사용자의 행동패턴을 파악하여 현재 행동의 목적을 추론할 수 있는 컨텍스트 인식 기반 사용자 행동패턴 추론 시스템을 제공하고자 한다.

본 발명은 추론된 사용자의 행동목적에 가장 적합한 서비스를 사용자에게 제공할 수 있는 컨텍스트 인식 기반 사용자 행동패턴 추론 시스템을 제공하고자 한다.

본 발명은 컨텍스트 수집부, 컨텍스트 전처리부, 행동패턴 분류부, 행동목적 추론부, 서비스 추천부를 포함하되, 컨텍스트 수집부는 사용자 정보를 수집하며, 컨텍스트 전처리부는 상기 수집된 컨텍스트를 사용자 행동패턴 분류에 적합한 형태의 컨텍스트로 변환하며, 행동패턴 분류부는 상기 변환된 컨텍스트를 이용하여 사용자의 행동패턴을 분류하며, 행동목적 추론부는 상기 분류된 행동패턴을 이용하여 사용자의 행동목적을 추론하며, 서비스 추천부는 상기 추론된 행동목적에 적합한 개인화 추천 서비스를 사용자에게 제공하는 것을 특징으로 하는, 컨텍스트 인식 기반 사용자 행동패턴 추론 시스템을 제공함으로써, 기술적 과제를 해결하고자 한다.

본 발명은, 상기 행동패턴 분류부는 컨텍스트 전처리부에 의해 변환된 컨텍스트가 대분류와 소분류로 분류된 사용자 행동분류 중 특정 분류에 속할 확률을 계산하고, 그 중 가장 높은 확률을 가지는 분류를 선택하여 컨텍스트를 분류하는 것을 특징으로 하는, 컨텍스트 인식 기반 사용자 행동패턴 추론 시스템을 제공함으로써, 기술적 과제를 해결하고자 한다.

본 발명은, 상기 행동목적 추론부는 사용자의 현재 행동패턴과 기존 행동패턴을 비교하여 사용자의 현재 행동의 목적을 추론하되, 사용자의 현재 행동패턴이 기존 행동패턴과 일치하면 기존 행동패턴을 우선순위로 현재 행동목적을 추론하고, 사용자의 현재 행동패턴이 기존 행동패턴과 일치하지 않으면 기존의 유사한 행동패턴 중 출현 빈도에 적합한 적합도를 계산하여 현재 행동목적을 추론하는 것을 특징으로 하는, 컨텍스트 인식 기반 사용자 행동패턴 추론 시스템을 제공함으로써, 기술적 과제를 해결하고자 한다.

본 발명은, 상기 서비스 추천부는 상기 행동목적 추론부에 의해 추론된 사용자의 행동목적에 가장 적합한 서비스를 사용자에게 제공하는 것을 특징으로 하는, 컨텍스트 인식 기반 사용자 행동패턴 추론 시스템을 제공함으로써, 기술적 과제를 해결하고자 한다.

본 발명은, 상기 서비스 추천부는 상기 행동목적 추론부에 의해 추론된 사용자의 행동목적에 가장 적합한 서비스를 사용자의 기존 서비스 사용기록과 추천결과 빈도를 기준으로 계산하여 추천하며, 새로운 서비스 사용기록과 추천결과는 행동패턴 DB에 저장하는 것을 특징으로 하는, 컨텍스트 인식 기반 사용자 행동패턴 추론 시스템을 제공함으로써, 기술적 과제를 해결하고자 한다.

본 발명인 컨텍스트 인식 기반 사용자 행동패턴 추론 시스템은, 사용자의 행동패턴을 파악하여 사용자의 현재 행동의 목적을 추론할 수 있도록 하는 현저한 효과를 보유하고 있다.

본 발명인 컨텍스트 인식 기반 사용자 행동패턴 추론 시스템은, 추론된 사용자의 행동목적에 가장 적합한 서비스를 사용자에게 제공해 주는 현저한 효과를 보유하고 있다.

도 1 은 본 발명의 실시예에 따른 컨텍스트 인식 기반 사용자 행동패턴 추론 시스템의 주요 구성을 개략적으로 도시한 도면이다.
도 2 는 본 발명의 실시예에 따른 컨텍스트 인식 기반 사용자 행동패턴 추론 시스템의 흐름도를 개략적으로 도시한 도면이다.
도 3 은 본 발명의 실시예에 따른 컨텍스트 인식 기반 사용자 행동패턴 추론 시스템에서 일치하는 패턴이 있는 경우 패턴 매칭을 수행하는 과정을 개략적으로 도시한 도면이다.
도 4 는 본 발명의 실시예에 따른 컨텍스트 인식 기반 사용자 행동패턴 추론 시스템에서 일치하는 패턴이 없는 경우 서로 다른 날의 패턴을 검색하여 패턴 매칭을 수행하는 과정을 개략적으로 도시한 도면이다.
도 5 는 본 발명의 실시예에 따른 컨텍스트 인식 기반 사용자 행동패턴 추론 시스템에서 일치하는 패턴이 없는 경우 같은 날의 패턴을 검색하여 패턴 매칭을 수행하는 과정을 개략적으로 도시한 도면이다.
도 6 는 본 발명의 실시예에 따른 컨텍스트 인식 기반 사용자 행동패턴 추론 시스템의 행동패턴 DB를 개략적으로 도시한 도면이다.

본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 안 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다.

따라서 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.

이하, 도면을 참조하여 설명하기에 앞서, 본 발명의 요지를 드러내기 위해서 필요하지 않은 사항 즉 통상의 지식을 가진 당업자가 자명하게 부가할 수 있는 공지 구성에 대해서는 도시하지 않거나, 구체적으로 기술하지 않았음을 밝혀둔다.

개인화 추천 서비스를 제공하기 위해서는 다양한 상황정보로부터 사용자의 상황을 인식하여 사용자가 현재 어떤 행동을 하고 있는지 혹은 무엇을 하려고 하는지에 대한 행동이나 요구사항을 추론하는 것이 필요하다.

본 발명의 실시예에 따른 컨텍스트 인식 기반 사용자 행동패턴 추론 시스템은 다중 속성 컨텍스트를 행동패턴 데이터로 정규화하여 행동을 분류하기 때문에 여러 가지 속성을 반영하고, 세부적으로 목적을 추론하여 더욱 정확한 추천 서비스를 제공할 수 있다.

본 발명의 실시예에 따른 컨텍스트 인식 기반 사용자 행동패턴 추론 시스템에서는 행동추론 정확도와 속도를 동시에 만족시킬 수 있는 행동패턴 추론 방법으로 나이브 베이즈 분류기와 패턴 매칭 기법을 사용한다.

나이브 베이즈 분류기는 분류를 위해 필요한 각 속성들이 독립적이고 특정 분류에 속할 때, 확률을 계산하여 분류하는 방법으로 탐색을 필요로 하지 않기 때문에 모델 생성시간에서 빠른 속도를 보이고, 실험 결과에서도 높은 추론 확률을 보인다. 따라서 단순하면서도 정확한 분류가 가능하여 모바일 환경에서 실시간 서비스를 제공하기에 적합하다.

패턴 매칭 기법은 과거에 나타난 패턴이 현재에도 유사하게 반복적으로 발생할 것이라는 가정을 전제로 이루어지는 것으로, 현재 나타나는 시계열 데이터와 일치하거나 유사한 과거 데이터를 통해 현재 상황을 추론하게 되며 행동패턴에서는 사용자의 이동 정보, 스케줄 등을 시계열 데이터로 사용한다.

사용자의 이동 정보는 현재 위치정보만을 사용하게 되면, 과거의 경로나 이후의 경로를 추론하기 어렵기 때문에 위치를 추적하고 효율적으로 저장하고 관리하는 방법이 필요하다. 이동 패턴을 추론하기 위해서 정보를 간결하게 표현하고 효율적으로 처리하는 방법이 필요하다.

이러한 패턴 매칭 기법에는 순차 패턴 탐색 기법, 확장 탐색 기법, 빈발 탐색 기법 등이 있다.

그 중 순차 패턴 탐색은 이동패턴을 추론하기 위한 것으로 시간에 따른 순차 데이터가 입력 데이터가 되어 사용자가 정한 최소의 기간을 만족하는 순차 패턴을 구성하고, 새로운 정보가 감지되면 최근 정보가 순차 패턴으로 구성되어 유사한 패턴을 탐색하고, 유사한 과거 패턴을 통해 현재 목표로 하는 상황을 추론한다.

도 1 은 본 발명의 실시예에 따른 컨텍스트 인식 기반 사용자 행동패턴 추론 시스템의 주요 구성을 개략적으로 도시한 도면이다.

본 발명의 일실시예에 따른 컨텍스트 인식 기반 사용자 행동패턴 추론 시스템은 서비스 추천 인터페이스(100), 컨텍스트 추론 모델링부(200), 데이터베이스부(300)를 포함한다.

여기에서, 서비스 추천 인터페이스(100)는 사용자의 모바일 기기에 설치되는 어플리케이션으로서, 설계조건에 따라서는 컨텍스트 추론 모델링부(200) 및 데이터베이스부(300) 모두 또는 일부분이 에이전트에 포함되도록 설계될 수 있다.

서비스 추천 인터페이스(100)는 사용자가 컨텍스트를 입력 및 수정할 수 있는 인터페이스를 제공하며, 입력 인터페이스 및 출력 인터페이스를 포함한다.

입력 인터페이스는 사용자가 컨텍스트를 입력 및 수정할 수 있는 기능을 수행할 수 있도록 하는데, 수집버튼, 위치 입력버튼, 수동 입력버튼, 수정버튼 등을 포함하도록 구성한다.

수집버튼은 사용자가 자신의 위치, 장소 관련 컨텍스트 등을 즉시 컨텍스트 수집부가 자동으로 수집하도록 하는 기능을 수행한다.

위치 입력버튼은 사용자가 자주 가는 장소 관련 컨텍스트를 수동으로 입력할 수 있도록 하는 기능을 수행한다.

수동 입력버튼은 사용자가 수동으로 컨텍스트를 입력할 수 있도록 하는 기능을 수행한다.

수정버튼은 이미 수집되어 저장되어 있는 컨텍스트를 사용자가 수정할 수 있도록 하는 기능을 수행한다.

바람직하게, 컨텍스트 수집부에 의해 수집된 컨텍스트 중 수정하고자 하는 사항이 생겼을 경우 수정버튼을 이용하여 사용자가 원하는 단어를 사용하여 수정할 수 있다.

출력 인터페이스는 컨텍스트 추론 모델링부(200)에서 처리되는 컨텍스트의 상태를 볼 수 있도록 나타내는 기능을 수행한다.

즉 출력 인터페이스를 통해 컨텍스트 수집부에서 수집되는 컨텍스트를 사용자가 볼 수 있어서, 부족한 컨텍스트를 더 수집하도록 하고, 사용자가 원하는 컨텍스트를 수동으로 입력하고 수정할 수 있다.

또한 출력 인터페이스를 통해 행동패턴 분류부와 행동목적 추론부에서 분류 및 추론된 행동패턴 분류결과와 행동목적 추론결과를 사용자가 볼 수 있어서 사용자가 새로운 컨텍스트를 입력하고 수정하여 수집 컨텍스트의 누락을 방지할 수 있다.

도 2 는 본 발명의 실시예에 따른 컨텍스트 인식 기반 사용자 행동패턴 추론 시스템의 흐름도를 개략적으로 도시한 도면으로서, 이를 이용하여 본 발명에 따른 동작을 먼저 서술한다.

컨텍스트 수집부(210)는 사용자의 컨텍스트를 수집하고, 컨텍스트 전처리부 (220)는 수집된 사용자 컨텍스트를 사용자 행동패턴 분류에 적합한 형태의 컨텍스트로 변환하거나 시스템에서 필요로 하지 않는 컨텍스트를 제거한다.

행동패턴 분류부(230)는 전처리된 컨텍스트를 각각 속성별로 나열하여 행동패턴으로 생성하고 현재 컨텍스트가 어떤 행동에 속하는지 분류하여 행동패턴 DB에 저장한다. 이때 새로운 패턴이 인식되면 유사한 패턴을 검색한다. 유사한 패턴이 있을 경우에는 기존의 유사패턴과 같은 행동패턴으로 분류하고, 유사한 패턴이 없을 경우에는 새로운 패턴을 생성하여 저장한다.

행동목적 추론부(240)는 행동패턴 분류가 끝난 후 사용자의 위치나 사용 기록 등을 이용하여 현재 행동패턴으로부터 사용자의 행동목적을 추론한다.

서비스 추천부(250)는 행동목적 추론부(240)에서 추론한 목적에 가장 적합한 서비스를 검색하여 우선순위에 따라 사용자에게 서비스를 추천하여 제공한다.

컨텍스트 추론 모델링부(200)는 컨텍스트를 수집 및 전처리하여 사용자 행동 패턴에 적합한 형태로 변환하고 사용자의 행동패턴을 분류하고 행동목적을 추론한 후 그에 적합한 서비스를 제공하는 기능을 수행하며 컨텍스트 수집부(210), 컨텍스트 전처리부(220), 행동패턴 분류부(230), 행동목적 추론부(240), 서비스 추천부(250)를 포함한다.

다시 도 1을 참조하여 보면, 컨텍스트 수집부(210)는 모바일 기기의 각 센서로부터 사용자 컨텍스트를 지속적으로 수집하는 기능을 수행한다.

바람직하게, 컨텍스트 수집부(210)는 사용자가 모바일 기기를 사용할 때 저장되는 통화 내역, 어플리케이션 사용기록 등으로부터 사용정보, 사용시간, 스케줄과 같은 사용자 정보를 수집한다.

또한 모바일 기기에 설치된 GPS로부터 위도, 경도, 이동여부, 현재위치와 같은 위치 및 장소 컨텍스트를, Timer로부터 날짜, 요일, 시간 등의 시간 컨텍스트를, 자이로 센서로부터 움직임 컨텍스트를 수집한다.

또한 web을 통해 날씨 컨텍스트를 수집한다. web이 연결되지 않는 등 수집이 어려울 경우에는 가장 최근에 수집된 데이터를 사용한다.

설계조건에 따라서, 컨텍스트 수집부는 모바일 기기뿐만 아니라 PC, 이동 및 휴대가 가능한 전자기기, 추가로 장착이 가능한 센서로부터 정보를 수집할 수 있음은 물론이다.

컨텍스트 전처리부(220)는 컨텍스트 수집부(210)를 통하여 수집된 사용자 컨텍스트를 사용자 행동패턴 분류에 적합한 형태로 변환하는 기능을 수행한다.

바람직하게, 컨텍스트 수집부(210)를 통하여 수집된 사용자 컨텍스트는 다양한 형태와 타입을 가지기 때문에 수집된 컨텍스트를 그대로 행동패턴 분류부(230)에서 사용하는 것은 쉽지 않다.

따라서 컨텍스트 전처리부(220)는 수집된 컨텍스트 중 필요로 하지 않는 컨텍스트는 제거하고, 컨텍스트를 전처리 테이블에 매핑하거나 직접 행동패턴 분류에 적합한 형태로 변환한다. 이로써 누락되거나 상이한 컨텍스트를 분류하여 불확실성을 해소할 수 있다.

예를 들어 컨텍스트 수집부(210)를 통해 얻어지는 컨텍스트 중 사용기록, 이동 여부와 같은 컨텍스트는 추가적인 처리를 크게 거치지 않고도 행동패턴 분류부(230)에서 사용할 수 있지만, 시간, 요일, 장소와 같은 컨텍스트는 추가적인 처리를 거쳐야만 행동패턴 분류부(230)에서 사용이 가능하다.

따라서 GPS에서 획득되는 위도, 경도와 같은 정보는 전처리 테이블을 이용하여 위치를 나타내는 특정 장소로 매핑하고, 날씨 컨텍스트는 GPS 정보를 이용한 검색을 통해 획득 및 전처리하여 행동패턴 분류에 적합한 형태로 변환한다.

하기의 [표 1]에는 전처리 테이블의 일 예가, [표 2]에는 컨텍스트 수집부(210)를 통해 수집된 컨텍스트를 전처리하여 행동패턴 분류에 적합한 형태의 데이터로 변환하는 일 예가 기재되어 있다.

정규화	위치	목적	서비스
1	집	공부	전화
2	연구실	수업	스케쥴
3	세미나실	세미나	오피스
4	사무실	세미나 준비	메모
5	공주연구실	회의	측정
6	8공학관	연락	책
7	버스정거장(천안)	만남	음악
8	버스정거장(공주)	휴식	사진
9	문화센터	점심	성경
10	교회	저녁	게임
11	식당 한식	등교	버스시간
12	식당 중식	하교	맛집
13	이동중	봉사활동	알람
14	주소	노래연습	인터넷

	컨텍스트	변환 데이터	실제 데이터	센서 및 기록
사용자 정보	사용 기록	14 (인터넷)	인터넷 브라우저	최근사용
		1 (발신)	발신: 홍길동	통화기록
모바일 센서	장소	6 (8공학관)	위도: 36.850487823	GPS
			경도: 127.149817943
	날씨	1	맑음
	시간	13	13시 30분	Timer
	요일	3	화
	이동여부	1 (이동)	이동중	자이로 센서

행동패턴 분류부(230)는 컨텍스트 전처리부(220)에 의해 전처리된 컨텍스트를 특정 상황에 주로 하는 행동패턴별로 분류하는 기능을 수행한다.

바람직하게, 행동패턴 분류부(230)는 모바일 환경에 뛰어난 나이브 베이즈 분류기를 이용하여 컨텍스트가 특정 분류에 속할 확률을 계산하고 그 중 가장 높은 확률을 가지는 분류를 선택하여 컨텍스트를 분류한다. 이때 분류 성능과 속도의 향상을 위해 행동정보 DB에 따라 대분류와 소분류로 나누어 계산한다.

나이브 베이즈는 확률에 근거한 분류 방법으로, 분류를 위해 필요한 각각의 컨텍스트들이 독립적이고 특정 분류에 속할 때, 사용자 컨텍스트가 특정 분류에 속할 확률을 계산한다.

입력된 사용자 컨텍스트를 X라 하고 분류 그룹을 C라 할 때, 최대 사후 확률을 계산하기 위해 하기의 [수학식 1]을 사용하였다.

상기 [수학식 1]에서 P(X)는 입력된 컨텍스트 정보 X일 확률이고, P(C)는 사용자 컨텍스트가 특정 분류 C에 속할 확률이다. 또한 P(X│C)는 컨텍스트 X가 분류 C에 속할 확률이다.

그리고 최대 사후 확률 값인 Vmax는 하기 [수학식 2]와 같이 계산된다.

여기에서 모든 정보에 일정한 값을 갖는 P(Xn│C)는 생략할 수 있다. P(Xn│C)를 생략한 후 각각의 조건부 확률을 계산하면 조건 P는 하기 [수학식 3]과 같이 표현된다.

그리고 행동패턴에 속한 모든 컨텍스트는 '모두 독립적이다'라고 가정하고 확률을 구하면 하기의 [수학식 4]와 같이 표현된다.

상기의 [수학식 4]를 [수학식 3]에 적용하면 최대 사후 확률 값인 Vmax는 하기의 [수학식 5]로 표현된다.

나이브 베이즈 분류기는 상기 [수학식 5]의 계산식을 이용하여 확률을 계산하고 행동패턴 분류부(230)는 이 중 가장 높은 확률을 나타내는 분류를 선택한다.

전체 분류를 대상으로 확률을 계산할 경우 소분류가 18가지이기 때문에 18번을 계산해야 하지만, 나이브 베이즈 분류기는 분류의 성능을 높이기 위하여 행동정보 DB에 따라 대분류와 소분류로 나누어서 최대 11번(대분류 7번, 소분류 최대 4번), 최소 9번(대분류 7번, 소분류 2번)의 연산을 한다.

계산결과 기존의 행동에 속하지 않는 새로운 행동패턴일 경우에는 새로운 행동분류로 구분되어 행동패턴 DB에 저장된다. 나이브 베이즈의 특성상 새로운 행동패턴 데이터는 저장과 동시에 학습 및 추론을 위한 데이터로 사용이 가능하며, 학습 데이터 집합이 커질수록 분류 결과의 신뢰성은 높아진다.

설계조건에 따라서, 행동패턴 분류부(230)는 나이브 베이즈 분류기 외에 높은 분류 성능과 빠른 속도를 가지는 다른 분류 방법을 사용할 수 있음은 물론이다.

행동목적 추론부(240)는 사용자의 행동 목적을 추론하는 기능을 수행한다.

바람직하게, 행동목적 추론부(240)는 패턴 매칭 기법을 사용하여 사용자의 행동의 목적을 추론한다.

패턴 매칭 기법은 현재 획득된 컨텍스트와 가까운 과거의 컨텍스트를 패턴으로 구성하여 행동패턴 DB에 저장된 패턴과 매칭하는 것이다.

일반적인 패턴 매칭을 할 경우 DB의 처음부터 끝까지 모든 패턴을 비교하게 되면 수행시간이 오래 걸리기 때문에 패턴 매칭 시간을 줄이기 위해 선행된 행동패턴 분류를 통해 현재 분류된 행동패턴이 속하는 범주를 패턴의 비교범위로 정하여 패턴을 매칭한다.

행동패턴 분류부(230)에 의해 행동분류별로 저장된 데이터는 현재 시간 이전의 목적 시계열 데이터로 현재 패턴을 생성하고, 행동 분류가 같은 과거 행동 패턴의 목적 시계열 데이터로 과거 패턴을 생성한다.

이때, 현재 추론하고자 하는 사용자의 행동패턴과 일치하는 기존 행동패턴이 있으면 출현 빈도와는 관계없이 기존 행동패턴이 가진 목적을 현재의 목적과 같다고 판단하여 현재 행동의 목적으로 추론한다.

하지만 일치하는 패턴이 발견되지 않을 경우 여러 가지의 과거 패턴을 생성하여 출현 빈도가 가장 많은 패턴의 목적을 현재 행동의 목적으로 추론한다.

즉 행동목적 추론부(240)는 사용자의 현재 행동패턴과 일치하는 기존 행동패턴이 있으면 일치하는 기존 행동패턴을 우선순위로 현재 행동의 목적을 추론하고, 일치하지 않는 경우에는 유사한 행동패턴 중 출현 빈도에 따라 적합도를 계산하여 현재 행동의 목적을 추론한다.

도 3 은 일치하는 패턴이 있는 경우 패턴 매칭을 수행하는 과정을 개략적으로 도시한 도면이다.

즉 현재 행동 패턴과 같은 과거의 행동 패턴 데이터에서 일치하는 목적 패턴을 찾는 것으로, 현재 행동의 대분류가 1, 소분류가 1인 상황에서 목적을 알기 위해 이전시간의 목적으로 {5, 5, 5, 8, 1}의 패턴을 생성하고, 현재 행동 분류와 같은 과거 목적을 검색하여 {5, 5, 5, 8, 1, 1}의 패턴을 생성한다. 패턴 매칭 결과 현재 패턴과 과저 패턴이 일치하므로 현재 목적이 과거 목적과 같은 1로 추론된다.

도 4 는 일치하는 패턴이 없는 경우 서로 다른 날의 패턴을 검색하여 패턴 매칭을 수행하는 과정을 개략적으로 도시한 도면이다.

즉, 일치하는 패턴이 없는 경우에 유사한 패턴을 찾아 패턴 매칭을 수행하는 과정으로 서로 다른 날의 패턴이 검색된 경우이다.

현재 행동의 대분류가 3, 소분류가 2인 상황에서 목적을 알기 위해 이전시간의 목적으로 {8, 8, 1, 1, 1}의 패턴을 생성하고, 현재 행동 분류와 같은 과거 목적을 검색하여 {8, 1, 1, 1, 9, 9}의 Pattern a, {5, 5, 8, 1, 1, 10}의 Pattern b, {1, 1, 8, 1, 9, 9}의 Pattern c를 생성한다. Pattern a,b,c 3종류의 과거 행동 패턴의 출현 빈도를 계산하여 가장 많이 발생한 패턴의 목적인 9를 현재의 목적으로 매칭한다.

도 5 는 일치하는 패턴이 없는 경우 같은 날의 패턴을 검색하여 패턴 매칭을 수행하는 과정을 개략적으로 도시한 도면이다.

즉, 일치하는 패턴이 없는 경우에 유사한 패턴을 찾아 패턴 매칭을 수행하는 과정으로 같은 날의 패턴이 검색된 경우이다.

현재 행동의 대분류가 3, 소분류가 2인 상황에서 목적을 알기 위해 이전시간의 목적으로 {8, 8, 12, 12, 8}의 패턴을 생성하고, 현재 행동 분류와 같은 과거 목적을 검색하여 {8, 2, 18, 18, 18, 20}의 Pattern a, {1, 23, 12, 12, 12, 12}의 Pattern b, {19, 19, 19, 19, 19, 20}의 Pattern c를 생성한다. Pattern a,b,c 3종류의 과거 행동 패턴의 출현 빈도를 계산하여 가장 많이 발생한 패턴의 목적인 20을 현재의 목적으로 매칭한다.

서비스 추천부(250)는 추론된 행동목적에 맞는 개인화 추천 서비스를 제공하는 기능을 수행한다.

바람직하게, 행동목적 추론부(240)에서 추론한 사용자의 행동목적에 가장 적합한 서비스를 서비스 사용빈도를 바탕으로 계산하여 1, 2순위로 추천하여 사용자에게 제공한다. 이로써 사용자의 검색시간을 줄이고 편의성을 높일 수 있다.

또한 추천결과 및 사용기록은 행동패턴 DB에 저장되어 다음번 추천의 추론 및 분류 학습에 적용된다.

하기의 [표 3]에는 서비스 추천부(250)에 의해 사용자에게 추론된 행동목적에 맞는 서비스를 제공하는 일 예가 기재되어 있다.

사용자의 행동목적은 8번 목적으로 추론되었고, 행동목적에 따른 서비스 사용빈도는 2가 28번으로 1순위, 5가 13번으로 2순위로 분석되어 사용자에게 서비스 2를 추천한다.

추론 결과	추천 순위	서비스	서비스 사용빈도
행동목적 : 8	1순위	2	28
	2순위	5	13

데이터베이스부(300)는 행동정보 DB, 행동패턴 DB를 포함한다.

행동정보 DB는 행동패턴 분류부(230)에서 사용자의 행동 패턴을 분류할 수 있도록 기준이 되는 컨텍스트로 구성된다.

바람직하게, 사용자 행동의 종류는 상당히 많기 때문에 사용자의 행동을 추론하기 위해서는 사용자의 행동과 그 행동을 수행한 장소를 정확하게 판단하고 분류하는 것이 필요하다.

본 발명의 실시예에서는 캐나다 통계청에서 조사한 GSS를 기반으로 하여 사용자의 행동을 크게 7가지의 대분류와 18가지의 소분류로 분류하였고, 이는 하기의 [표 4]에 기재되어 있다.

GSS(General Social Survey on Time Use)는 매년 캐나다 통계청(Statistics Canada)에서 사회변화를 파악하기 위해 수행되는 조사로 여러 가지 주제에 대해 이루어진다. 본 발명의 실시예에서는 2006년 수행된 사람들의 시간 사용에 대한 행동 조사에서 행동 분류 기준을 활용하였다.

대분류	소분류
업무	업무, 회의
교육	수업, 세미나
사회 활동	만남, 식사
문화 활동	영화, 공연, 봉사활동
개인 활동	종교, 휴식, 수면, 이동 및 준비
활동적 취미	운동, 음악
비 활동적 취미	독서, 컴퓨터, 음악감상

도 6 은 본 발명의 실시예에 따른 행동패턴 DB를 개략적으로 도시한 도면이다.

행동패턴 DB는 사용자가 특정 상황에 주로 하는 행동 컨텍스트로 구성된다.

바람직하게, 행동패턴 DB는 컨텍스트 수집부(210)에 의해 수집된 사용자 컨텍스트로 구성된다.

또한 행동패턴 분류부(230)에 의해 분류되어 패턴별로 저장된 데이터로 구성되며, 서비스 추천부(250)에 의해 사용자에게 추천한 결과 및 사용기록으로 구성된다.

한편, 상기에서 도 1 내지 도 6을 이용하여 서술한 것은, 본 발명의 주요 사항만을 서술한 것으로, 그 기술적 범위 내에서 다양한 설계가 가능한 만큼, 본 발명이 도 1 내지 도 6의 구성에 한정되는 것이 아님은 자명하다.

100: 서비스 추천 인터페이스
200: 컨텍스트 추론 모델링부
210: 컨텍스트 수집부
220: 컨텍스트 전처리부
230: 행동패턴 분류부
240: 행동목적 추론부
250: 서비스 추천부
300: 데이터베이스부

Claims (5)

1. 사용자 정보를 수집하는 컨텍스트 수집부(210);
   상기 수집된 컨텍스트를 사용자 행동패턴 분류에 근거한 컨텍스트 형태로 변환하는 컨텍스트 전처리부(220);
   상기 변환된 컨텍스트를 이용하여 사용자의 행동패턴을 분류하는 행동패턴 분류부(230);
   상기 분류된 행동패턴을 이용하여 사용자의 행동목적을 추론하는 행동목적 추론부(240);
   상기 추론된 행동목적에 대응되는 개인화 추천 서비스를 사용자에게 제공하는 서비스 추천부(250);를 포함하는 것을 특징으로 하는, 컨텍스트 인식 기반 사용자 행동패턴 추론 시스템
   
2. 제 1 항에 있어서,
   상기 행동패턴 분류부(230)는
   컨텍스트 전처리부(220)에 의해 변환된 컨텍스트가 대분류와 소분류로 분류된 사용자 행동분류 중 특정 분류에 속할 확률을 계산하고,
   그 중 가장 높은 확률을 가지는 분류를 선택하여 컨텍스트를 분류하는 것을 특징으로 하는, 컨텍스트 인식 기반 사용자 행동패턴 추론 시스템
   
3. 제 1 항에 있어서,
   상기 행동목적 추론부(240)는 사용자의 현재 행동패턴과 기존 행동패턴을 비교하여 사용자의 현재 행동의 목적을 추론하되,
   사용자의 현재 행동패턴이 기존 행동패턴과 일치하면 기존 행동패턴을 우선순위로 현재 행동목적을 추론하고,
   사용자의 현재 행동패턴이 기존 행동패턴과 일치하지 않으면
   기존의 유사한 행동패턴 중 출현 빈도에 따라 적합도를 계산하여 현재 행동목적을 추론하는 것을 특징으로 하는, 컨텍스트 인식 기반 사용자 행동패턴 추론 시스템
   
4. 제 1 항에 있어서,
   상기 서비스 추천부(250)는
   상기 행동목적 추론부(240)에 의해 추론된 사용자의 행동목적에 대응되는 서비스를 사용자에게 제공하는 것을 특징으로 하는, 컨텍스트 인식 기반 사용자 행동패턴 추론 시스템
   
5. 제 4 항에 있어서,
   상기 서비스 추천부(250)는
   상기 행동목적 추론부(240)에 의해 추론된 사용자의 행동목적에 대응되는 서비스를 사용자의 기존 서비스 사용기록과 추천결과 빈도를 기준으로 계산하여 추천하며,
   새로운 서비스 사용기록과 추천결과는 행동패턴 DB에 저장하는 것을 특징으로 하는, 컨텍스트 인식 기반 사용자 행동패턴 추론 시스템

Images