KR101561129B1 - 모바일 단말기 사용자간 사회적 관계 분류 방법, 이를 수행하기 위한 기록 매체 및 장치 - Google Patents

모바일 단말기 사용자간 사회적 관계 분류 방법, 이를 수행하기 위한 기록 매체 및 장치 Download PDF

Info

Publication number
KR101561129B1
KR101561129B1 KR1020140122176A KR20140122176A KR101561129B1 KR 101561129 B1 KR101561129 B1 KR 101561129B1 KR 1020140122176 A KR1020140122176 A KR 1020140122176A KR 20140122176 A KR20140122176 A KR 20140122176A KR 101561129 B1 KR101561129 B1 KR 101561129B1
Authority
KR
South Korea
Prior art keywords
users
relationship
situation
proximity
context
Prior art date
Application number
KR1020140122176A
Other languages
English (en)
Inventor
박세영
박성배
한용진
Original Assignee
경북대학교 산학협력단
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 경북대학교 산학협력단 filed Critical 경북대학교 산학협력단
Priority to KR1020140122176A priority Critical patent/KR101561129B1/ko
Application granted granted Critical
Publication of KR101561129B1 publication Critical patent/KR101561129B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/40—Data acquisition and logging

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

모바일 단말기 사용자간 사회적 관계 분류 방법은, 사회적 관계 분류에 따른 상황 학습을 위한 관계-상황 토픽 모델(relation-context topic model; RCT)을 생성하는 단계; 상기 관계-상황 토픽 모델을 통해 이미 알려진 사용자들 간의 근접성 이력으로부터 사용자들 간의 은닉 상황(latent context)을 자동으로 학습하는 단계; 새로운 사용자들 간의 근접성 이력을 학습된 상기 은닉 상황 공간으로 맵핑하는 단계; 및 맵핑 결과에 따라, 상기 새로운 사용자들 간의 사회적 관계를 분류하는 단계를 포함한다. 이에 따라, 모바일 단말기 사용자들 간의 사회적 관계 분류에 대한 정확도와 신뢰도를 향상시킬 수 있다.

Description

모바일 단말기 사용자간 사회적 관계 분류 방법, 이를 수행하기 위한 기록 매체 및 장치{METHOD FOR CLASSIFYING SOCIAL RELATIONSHIP BETWEEN MOBILE TERMINAL USERS, RECORDING MEDIUM AND DEVICE FOR PERFORMING THE METHOD}
본 발명은 모바일 단말기 사용자간 사회적 관계 분류 방법, 이를 수행하기 위한 기록 매체 및 장치에 관한 것으로서, 더욱 상세하게는 모바일 단말기 사용자 간의 사회적 관계를 추론하기 위해 관계-상황 토픽 모델을 제안하고, 이를 이용한 사회적 관계 분류 방법, 이를 수행하기 위한 기록 매체 및 장치를 제안한다.
소셜네트워크서비스(SNS)를 통한 컨텐츠 소비가 증가하면서 사용자 간의 관계에 기반한 개인화 서비스가 주목받고 있다. 최근 연구는 오프라인에서의 사회적 관계가 상품의 유통과 소비에 영향을 미친다고 보고하고 있다. 하지만, 온라인 상의 사용자 간 관계와 달리 오프라인 상의 관계는 명시적으로 알려져 있지 않다. 따라서, 페이스북(Facebook)과 같이 사용자가 제공한 관계 정보에 의존하는 것이 일반적이다. 사회적 관계 분류는 이러한 사용자 간 오프라인 관계를 식별함으로써 개인화 서비스의 가능성을 높일 수 있다.
최근 위치 식별 센서가 탑재된 모바일 장치의 사용이 확대되면서 이를 이용한 사용자들 간의 친밀도 및 사회적 관계 추론에 관한 연구가 주목을 받고 있다. 이들 연구는 사용자 간의 근접성뿐만 아니라 사용자의 시공간적 상황 정보를 함께 활용한다.
Li와 그의 동료들은 사용자들의 공통된 위치 변화를 이용하여 사회적 관계 분류방법을 제안하였다(비특허문헌 4). Eagle과 그의 동료들은 직장 내 혹은 밖에서 사용자들 간의 근접성(proximity)을 이용해 사회적 관계를 효과적으로 분류할 수 있음을 보였다(비특허문헌 5). 예를 들어, 두 사용자가 평일 낮 시간의 대부분을 직장에서 함께 보낸다면 이들은 직장 동료일 가능성이 높다.
기존 연구들은 주로 휴리스틱 방법으로 시간적 상황을 미리 정의하거나 사용자로부터 공간적 상황 정보를 제공받는다. 예를 들어, 낮 시간은 오전 8시부터 오후 5시 사이의 시간대로 정의할 수 있다. 공간적 상황은 개별 사용자들의 POI(point of interest)를 중심으로 집, 직장 등을 구분한다. 이러한 접근은 미리 정의한 상황 정보의 유용성을 보이는 데는 효과적이다.
하지만, 시공간 상황은 무제한으로 정의될 수 있기 때문에 휴리스틱 접근으로 적합한 시공간 상황을 찾는 데는 한계가 있다. 따라서, 미리 정의한 상황 정보에 대해 편향된(biased) 결과를 얻는다는 문제점이 있다.
KR 10-2012-0095674 A KR 10-2012-0079968 A
Blei, et al., Latent dirichlet allocation, the Journal of machine Learning research 3 , 2003. Griffiths, et al., Finding scientific topics, PNAS, 2004. M. Rosen-Zvi, T. Griffiths, M. Steyvers and P.Smyth, "The author-topic model for authors and documents," In Proceedings of UAI, pp.487-494, 2004. Z. Li, B. Ding, J. Han, R. Kays, and P. Nye. "Mining periodic behaviors for moving objects," In proceedings KDD2010, 2010. N. Eagle, A. Pentland, and D. Lazer, "Inferring Friendship Network Structure by using Mobile Phone Data," In Proc of the National Academy of Sciences of the United States of America, pp.15274-15278, 2009.
이에, 본 발명의 기술적 과제는 이러한 점에서 착안된 것으로 본 발명의 목적은 모바일 단말기 사용자들 간의 근접성 이력으로부터 사회적 관계에 대한 상황을 추론할 수 있는 관계-상황 토픽 모델을 이용한 사회적 관계 분류 방법을 제공하는 것이다.
본 발명의 다른 목적은 상기 모바일 단말기 사용자간 사회적 관계 분류 방법을 수행하기 위한 컴퓨터 프로그램이 기록된 기록 매체를 제공하는 것이다.
본 발명의 또 다른 목적은 상기 모바일 단말기 사용자간 사회적 관계 분류 방법을 수행하기 위한 장치를 제공하는 것이다.
상기한 본 발명의 목적을 실현하기 위한 일 실시예에 따른 모바일 단말기 사용자간 사회적 관계 분류 방법은, 사회적 관계 분류에 따른 상황 학습을 위한 관계-상황 토픽 모델(relation-context topic model; RCT)을 생성하는 단계; 상기 관계-상황 토픽 모델을 통해 이미 알려진 사용자들 간의 근접성 이력으로부터 사용자들 간의 은닉 상황(latent context)을 자동으로 학습하는 단계; 새로운 사용자들 간의 근접성 이력을 학습된 상기 은닉 상황 공간으로 맵핑하는 단계; 및 맵핑 결과에 따라, 상기 새로운 사용자들 간의 사회적 관계를 분류하는 단계를 포함한다.
본 발명의 실시예에서, 상기 관계-상황 토픽 모델은 사용자들 간의 근접성 이력과 사회적 관계를 명시적으로 연계할 수 있다.
본 발명의 실시예에서, 상기 사회적 관계 분류에 따른 상황 학습을 위한 관계-상황 토픽 모델을 생성하는 단계는, 사회적 관계에 의해 은닉 상황이 결정되고, 결정된 은닉 상황에 의해 사용자들 간의 근접성 이력이 발생한다고 가정하는 단계를 포함할 수 있다.
본 발명의 실시예에서, 상기 관계-상황 토픽 모델을 통해 이미 알려진 사용자들 간의 근접성 이력으로부터 사용자들 간의 은닉 상황을 자동으로 학습하는 단계는, 상기 은닉 상황을 은닉 변수로 간주하는 단계를 포함할 수 있다.
본 발명의 실시예에서, 상기 관계-상황 토픽 모델을 통해 이미 알려진 사용자들 간의 근접성 이력으로부터 사용자들 간의 은닉 상황을 자동으로 학습하는 단계는, 이미 알려진 사용자들 간의 근접성 이력을 수집하는 단계를 포함할 수 있다.
본 발명의 실시예에서, 상기 근접성 이력은 상기 사용자들의 모바일 단말기의 블루투스 센서 또는 GPS 센서로부터 수집될 수 있다.
본 발명의 실시예에서, 상기 관계-상황 토픽 모델을 통해 이미 알려진 사용자들 간의 근접성 이력으로부터 사용자들 간의 은닉 상황을 자동으로 학습하는 단계는, 깁스(gibbs) 샘플링 방법을 통해 상기 관계-상황 토픽 모델의 파라미터를 학습할 수 있다.
본 발명의 실시예에서, 상기 관계-상황 토픽 모델을 통해 이미 알려진 사용자들 간의 근접성 이력으로부터 사용자들 간의 은닉 상황을 자동으로 학습하는 단계는, 상기 이미 알려진 사용자들 간의 근접성 이력을 입력으로 하는 학습의 결과로 은닉 상황들 및 관계 별 상황 비율을 도출하는 단계를 포함할 수 있다.
본 발명의 실시예에서, 상기 새로운 사용자들 간의 근접성 이력을 학습된 상기 은닉 상황 공간으로 맵핑하는 단계는, 상기 새로운 사용자들 간의 근접성 이력으로부터 상황 비율을 추론하는 단계; 및 상기 추론된 상황 비율을 상기 학습의 결과로 도출된 관계 별 상황 비율과 비교하는 단계를 포함할 수 있다.
본 발명의 실시예에서, 상기 새로운 사용자들 간의 근접성 이력으로부터 상황 비율을 추론하는 단계는, 은닉 상황 토픽 모델(latent context topic model; LCT)을 이용할 수 있다.
본 발명의 실시예에서, 상기 새로운 사용자들 간의 사회적 관계를 분류하는 단계는, 상기 비교 결과, 가장 유사한 상기 학습의 결과로 도출된 관계 별 상황 비율과 대응하는 관계로 상기 새로운 사용자들 간의 사회적 관계를 분류하는 단계를 포함할 수 있다.
본 발명의 실시예에서, 상기 새로운 사용자들 간의 사회적 관계를 분류하는 단계는, 베이즈(bayes) 분류 기법을 이용할 수 있다.
상기한 본 발명의 다른 목적을 실현하기 위한 일 실시예에 따른 컴퓨터로 판독 가능한 저장 매체에는, 전술한 모바일 단말기 사용자간 사회적 관계 분류 방법을 수행하기 위한 컴퓨터 프로그램이 기록되어 있다.
상기한 본 발명의 또 다른 목적을 실현하기 위한 일 실시예에 따른 모바일 단말기 사용자간 사회적 관계 분류 방법을 수행하기 위한 장치는, 사회적 관계 분류에 따른 상황 학습을 위한 관계-상황 토픽 모델(relation-context topic model; RCT)을 생성하는 RCT 생성부; 상기 관계-상황 토픽 모델을 통해 이미 알려진 사용자들 간의 근접성 이력으로부터 사용자들 간의 은닉 상황(latent context)을 자동으로 학습하는 RCT 학습부; 새로운 사용자들 간의 근접성 이력을 학습된 상기 은닉 상황 공간으로 맵핑하는 맵핑부; 및 맵핑 결과에 따라, 상기 새로운 사용자들 간의 사회적 관계를 분류하는 관계 분류부를 포함한다.
본 발명의 실시예에서, 상기 관계-상황 토픽 모델은 사용자들 간의 근접성 이력과 사회적 관계를 명시적으로 연계할 수 있다.
본 발명의 실시예에서, 상기 RCT 생성부는, 사회적 관계에 의해 은닉 상황이 결정되고, 결정된 은닉 상황에 의해 사용자들 간의 근접성 이력이 발생한다고 가정하고, 상기 RCT 학습부는, 상기 은닉 상황을 은닉 변수로 간주할 수 있다.
본 발명의 실시예에서, 상기 RCT 학습부는, 이미 알려진 사용자들 간의 근접성 이력을 사용자들의 모바일 단말기로부터 수집할 수 있다.
본 발명의 실시예에서, 상기 RCT 학습부는, 상기 이미 알려진 사용자들 간의 근접성 이력을 입력으로 하는 학습의 결과로 은닉 상황들 및 관계 별 상황 비율을 도출할 수 있다.
본 발명의 실시예에서, 상기 맵핑부는, 상기 새로운 사용자들 간의 근접성 이력으로부터 상황 비율을 추론하는 추론부; 및 상기 추론된 상황 비율을 상기 학습의 결과로 도출된 관계 별 상황 비율과 비교하는 비교부를 포함할 수 있다.
본 발명의 실시예에서, 상기 관계 분류부는, 상기 비교부의 비교 결과, 가장 유사한 상기 학습의 결과로 도출된 관계 별 상황 비율과 대응하는 관계로 상기 새로운 사용자들 간의 사회적 관계를 분류할 수 있다.
이와 같은 본 발명에 따르면, LDA를 적용한 은닉 상황 토픽 모델과, AT 모델을 단순화하여 적용한 관계-상황 토픽 모델을 제안한다. 이들 토픽 모델 기반의 접근은 기존의 수작업으로 정의하였던 상황 정보를, 관계가 알려진 사용자들 간의 근접성 이력들로부터 자동으로 학습한다. 특히, 관계-상황 토픽 모델은 사용자 간의 근접성 이력과 사회적 관계를 명시적으로 연계함으로써 관계 별 근접성 이력의 특징이 반영된다.
따라서, 본 발명에 따른 관계-상황 토픽 모델은 기존의 수작업으로 상황을 정의한 방법에 비해 높은 정확도를 가지며, 은닉 상황 토픽 모델에 비해 유망한 결과를 도출한다. 다시 말해, 사회적 관계와 상황을 명시적으로 연계함으로써 사회적 관계 분류에 적합한 은닉 상황을 추론할 수 있고, 은닉 상황에 대한 자동화된 추론을 통해 다양한 상황의 영향을 효과적으로 조사할 수 있다.
도 1은 본 발명의 일 실시예에 따른 모바일 단말기 사용자간 사회적 관계 분류를 수행하기 위한 장치의 블록도이다.
도 2는 도 1의 맵핑부의 블록도이다.
도 3은 LCT에 의한 은닉 상황과 근접성 이력의 관계 모델링을 보여주는 도면이다.
도 4는 RCT에 의한 은닉 상황과 근접성 이력의 관계 모델링을 보여주는 도면이다.
도 5는 RCT 학습의 결과로 도출되는 은닉 상황들의 예를 보여주는 도면이다.
도 6은 RCT 학습의 결과로 도출되는 관계 별 상황 비율의 예를 보여주는 도면이다.
도 7은 본 발명의 효과를 검증하기 위해 사용된 현실 마이닝(Reality Mining) 데이터와 사회 진화(Social Evolution) 데이터이다.
도 8은 도 7의 현실 마이닝 데이터에 대한 실험 결과이다.
도 9는 도 7의 사회 진화 데이터에 대한 실험 결과이다.
도 10은 본 발명의 일 실시예에 따른 모바일 단말기 사용자간 사회적 관계 분류 방법의 흐름도이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예에 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.
이하, 도면들을 참조하여 본 발명의 바람직한 실시예들을 보다 상세하게 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 모바일 단말기 사용자간 사회적 관계 분류를 수행하기 위한 장치의 블록도이다. 도 2는 도 1의 맵핑부의 블록도이다.
위치 센서가 장착된 모바일 단말기의 사용이 확대되면서 모바일 단말기 사용자 간의 관계 추론 연구가 활발히 진행되고 있다. 대부분의 연구들은 미리 정의된 상황(context)에 따른 사용자들 간의 근접성을 활용한다. 예를 들어, 평일 낮, 주말 저녁 등의 시간대를 미리 정의하거나 사용자로부터 직장, 집 등의 위치에 대한 상황 정보를 얻는다. 이러한 접근은 필연적으로 미리 정의한 상황에 편향된(biased) 결과를 얻는다.
본 발명은 사회적 관계 분류에 적합한 상황 학습을 위해 관계-상황 토픽 모델(relation-context topic model; RCT)을 제안한다. 제안한 모델은 관계가 알려진 사용자들 간의 근접성 이력으로부터 사용자 간의 은닉 상황(latent context)을 자동으로 학습한다. 새로운 사용자들 간의 관계 분류를 위해 이들의 근접성 이력을 학습된 은닉 상황 공간으로 맵핑하고, 베이즈(bayes) 분류 기법을 적용한다.
도 1을 참조하면, 본 실시예에 따른 모바일 단말기 사용자 간의 사회적 관계를 분류하기 위한 장치(10, 이하, 장치)는 RCT 생성부(110), RCT 학습부(130), 맵핑부(150) 및 관계 분류부(170)를 포함한다.
본 발명의 상기 장치(10)는 모바일 단말기 사용자 간의 사회적 관계를 분류하기 위한 소프트웨어(애플리케이션)가 설치되어 실행될 수 있으며, 상기 문 RCT 생성부(110) 등의 구성은 상기 장치(10)에서 실행되는 상기 모바일 단말기 사용자 간의 사회적 관계를 분류하기 위한 소프트웨어에 의해 제어될 수 있다.
상기 장치(10)는 별도의 단말이거나 또는 단말의 일부 모듈일 수 있다. 상기 장치(10)는 이동성을 갖거나 고정될 수 있다. 상기 장치(10)는, 서버(server) 또는 엔진(engine) 형태일 수 있으며, 디바이스(device), 기구(apparatus) 등 다른 용어로 불릴 수 있다.
사용자가 사용하는 모바일 단말기는 이동성을 가지며, 스마트폰(smart phone), 휴대폰(cellular phone), 단말(terminal), UE(user equipment), MS(mobile station), MT(mobile terminal), UT(user terminal), SS(subscriber station), 무선기기(wireless device), PDA(personal digital assistant), 무선 모뎀(wireless modem), 휴대기기(handheld device) 등 다른 용어로 불릴 수 있다.
본 발명은 사용자들 간의 근접성 이력으로부터 사회적 관계에 대한 상황 추론 방법을 제안한다.
이를 위해 먼저, 상기 RCT 생성부(110)는 사회적 관계 분류에 따른 상황 학습을 위한 관계-상황 토픽 모델(relation-context topic model; RCT)을 생성한다. 상기 관계-상황 토픽 모델은 사용자들 간의 근접성 이력과 사회적 관계를 명시적으로 연계하여 관계 별 근접성 이력의 특징을 반영할 수 있다. 상기 관계-상황 토픽 모델은 사회적 관계에 의해 은닉 상황이 결정되고, 결정된 은닉 상황에 의해 사용자들 간의 근접성 이력이 발생한다고 가정한다.
구체적으로, 상기 RCT 생성부(110)는 이미 관계가 알려진 근접성 이력으로부터 이를 자동으로 추론하기 위한 토픽 모델을 생성한다. 이를 위해 사용자 간 근접성 이력에서 시간 기록만을 고려한다. 비록 구체적인 위치 기록은 제외되나 두 사용자 간 근접성 여부로서의 공간적 상황을 고려할 수 있다. 사용자 간 공통적인 공간적 상황을 추론하거나 그것을 사용자들로부터 얻기는 어렵기 때문에 이러한 접근은 현실적이다.
두 사용자 간의 근접성 이력을 H={t}라고 표현하고, 근접성 이력(H)을 문서로, 시간기록(t)를 단어로 간주함으로써 기존의 토픽 모델을 이용해 은닉 변수를 학습할 수 있다. 이 경우 은닉 변수는 시공간적 상황에 대응한다. 본 발명은 은닉 상황 학습을 위해 LDA 기반의 토픽 모델을 제안한다.
도 3을 참조하면, LDA에 의한 은닉 상황과 근접성 이력의 관계를 모델링한 것이다.
LDA 기반의 토픽 모델은 기본적으로 두 사용자 간의 근접성 이력이 어떤 은닉 상황에 의해 발생한다고 가정한다. 즉, 두 사용자 간의 근접성 이력은 은닉 상황들의 분포(θ)로 표현되고, 이러한 분포로부터 선택된 하나의 은닉 상황(c)로부터 하나의 근접성 기록(h)가 생성된다. 여러 사용자들 간 근접성 이력들의 집합(X)이 주어졌을 때, 도 3의 M은 근접성 이력들의 개수 |X|, N은 어떤 근접성 이력 H∈C의 크기를, K는 은닉 상황의 개수를 나타낸다. α와 β는 사전 분포 파라미터이다.
본 발명에서 은닉 상황 학습을 위한 LDA를 은닉 상황 토픽 모델(latent context topic model; LCT)이라고 정의한다. 은닉 상황 토픽 모델은 학습을 통해 X의 각 근접성 이력을 생성할 수 있는 적합한 K개의 은닉 상황을 제공한다. 따라서, 다양한 은닉 상황이 관계 분류에 미치는 영향을 조사해 볼 수 있다. 하지만, 관계 정보를 활용하지 않기 때문에 관계 별 은닉 상황들의 특징을 명시적으로 반영하지는 못한다.
이러한 문제를 해결하기 위한 방법으로 종래의 AT 모델(author-topic model)에 기반한 관계-상황 토픽 모델(relation-context topic model; RCT)을 제안한다.
도 4는 RCT에 의한 은닉 상황과 근접성 이력의 관계를 모델링한 것이다.
AT 모델은 저자 정보를 고려한 토픽 모델이다. 기본적으로 문서의 은닉 토픽은 저자들에 의해 선택된다고 가정한다. 동일한 방식으로 본 발명은 사회적 관계에 의해 은닉 상황이 선택된다고 가정한다.
관계-상황 토픽 모델은 기본적으로 두 사람 사이의 관계는 하나로 정의되기 때문에 여러 명의 저자가 고려되어야 하는 AT 모델에 비해 단순한 구조로 정의된다. 즉, AT 모델의 저자에 대응하는 변수 r이 근접성 이력 별로 유일하게 주어지고, 주어진 r에 의해 은닉 상황이 선택된다. 이와 같이 관계와 은닉 상황 간에 명시적인 관계를 정의함으로써 관계에 따른 은닉 상황 출현을 반영할 수 있다. 은닉 상황 토픽 모델과 관계-상황 토픽 모델의 파라미터는 깁스(gibbs) 샘플링 방법을 통해 학습할 수 있다.
새로운 사용자들 간의 사회적 관계 분류를 위해 근접성 이력을 학습된 은닉 상황 공간으로 맵핑한다. 은닉 상황 토픽 모델의 경우, 학습을 통해 얻은 상황 별 근접성 발현 분포(ρ)를 고정하여 깁스 샘플링을 통해 새로운 근접성 이력에 대한 은닉 상황의 비율(θ)를 얻는다.
이러한 과정에서 근접성 발현 분포(ρ)를 맵핑 함수(Φ)로 이해할 수 있다. 실제로 근접성 이력(H)에 대한 은닉 상황으로의 맵핑을 바로 얻을 수 있기 때문에 근접성 이력(H)에 대한 사회적 관계(r)의 확률(P(r|H))은 다음의 수학식 1과 같이 정의된다.
수학식 1
Figure 112014087244217-pat00001
여기서, 새로운 근접성 이력에 대한 은닉 상황의 비율(θ)은 근접성 이력(H)에 대한 은닉 상황 공간에 맵핑한 결과이다. C는 은닉 상황의 집합으로 K를 |C|로 하여 은닉 상황 모델을 학습하여 얻는다. 사전 분포 P(r)은 균등분포를 가정한다. 수학식 1의 확률 값은 일반적인 베이즈(bayes) 분류 기법에 의해 추정할 수 있다.
관계-상황 토픽 모델의 경우, 새로운 사용자들에 대한 사회적 관계가 알려져 있지 않기 때문에 모델을 통해 새로운 근접성 이력(H)을 은닉 상황 분포로 직접 맵핑할 수는 없다. 대신 학습된 ρ를 은닉 상황 토픽 모델에 적용하여 H에 대한 은닉 상황 비율을 얻는다. 이렇게 얻은 은닉 상황 비율을 θH로 표기한다. 학습을 통해 얻은 관계 r에 대한 은닉 상황의 비율 θr이 주어졌을 때, H에 대한 r의 확률은 다음의 수학식 2와 같이 정의된다.
수학식 2
Figure 112014087244217-pat00002
여기서, θH c와 θr c은 각각 근접성 이력 H와 관계 r에 대한 은닉 상황 c의 비율을 의미한다. 사전 분포 P(r)은 균등분포를 가정한다.
수학식 2에서 P(H|c)와 P(c|H)는 유사하다고 가정한다. 이에 따라 P(H|c)는 θH c에 대응한다. P(c|r)은 r에 대한 상황 c의 중요도로서 θr c에 대응한다. 따라서, 관계-상황 토픽 모델을 통해 관계와 은닉 상황 간의 관련성을 명시적으로 반영할 수 있다.
상기 RCT 학습부(130)는 상기 관계-상황 토픽 모델을 통해 이미 알려진 사용자들 간의 근접성 이력으로부터 사용자들 간의 은닉 상황(latent context)을 자동으로 학습한다. 즉, 학습 데이터를 입력으로 하여 RCT를 학습하고, 상기 학습 데이터는 이미 알려진 사용자들 간의 근접성 이력이다.
일 실시예로, 상기 근접성 이력은 사용자가 소지하는 모바일 단말기에 포함된 블루투스를 이용해 모바일 단말기 간의 근접성 이력을 기록할 수 있다. 즉, 각 모바일 단말기의 블루투스 장치로 주기적으로 주변의 블루투스를 스캔하고 접속이 가능한 블루투스 장치를 기록한다. 사용자들의 모바일 단말기에 대한 기록은 그 자체로 두 사용자 간 근접성 이력이 된다. 블루투스를 이용한 방법은 로그로부터 명료하게 근접성을 추론할 수 장점이 있다.
다른 실시예로, GPS(Global Positioning System)와 같은 위치 식별 센서를 이용해 식별된 개별 사용자들의 위치 좌표와 해당 시간을 활용할 수 있다. 이 방법은 사용자들 간의 시공간적 거리로부터 근접성을 추론한다. GPS를 이용한 방법은 사용자 간 근접성을 유연하게 정의할 수 있다.
또한, 상기 근접성 이력은 사용자가 소지하는 모바일 단말기에 포함된 근접 센서, 동작 센서, 조도 센서, 자이로 센서, 마이크 모듈, WiFi 모듈 중 적어도 하나로부터 수집될 수 있다.
상기 RCT 학습부(130)는 학습의 결과로 은닉 상황들(도 5 참조)과 관계 별 상황 비율(도 6 참조)을 얻는다. 이러한 결과는 현실 마이닝(Reality Mining) 데이터 세트에서 근접성 이력이 존재하는 실험 참가자들을 대상으로 한 것이다. 사용자 간의 관계는 다음의 세 가지로 구분된다.
1) 대칭적 친밀관계(symmetric friendship)
2) 비대칭적 친밀관계(asymmetric friendship)
3) 친밀관계 없음(no friendship)
상기 RCT 학습부(130)는 총 8개의 은닉 상황을 학습하였다. 은닉 상황은 일주일 상의 시간들에 대한 근접성이 관찰된 빈도수로 표현된다. 즉, 도 5의 8개 은닉 상황 그래프의 X축은 일주일에 대한 시간을, Y축은 근접성이 관찰된 빈도 수를 의미한다. 이러한 상황 표현은 기존 연구들에서 정의하는 시간적 상황들을 반영할 수 있다. 예를 들어, 평일과 주말의 오전, 오후 근접성을 반영할 수 있다. 또한, 학습된 상황은 기본적으로 시간 단위의 근접성을 고려하기 때문에 다양한 형태의 시간적 상황을 반영할 수 있다.
이러한 상황은 상황의 개수가 주어졌을 때, 학습 데이터를 가장 잘 표현할 수 있는 것을 추론한 결과이다. 예를 들어, 상황 c1의 경우, 수요일 주심의 점심, 저녁 만남을 표현하고 있다. 상황 c2는 주중 균일한 분포의 만남을 반면, 상황 c3은 주초 오후 일과 중 만남을 표현하고 있다. 상황 c5는 뜸한 만남에 해당한다.
RCT는 이러한 상황들이 관계 별로 관찰되는 특징을 함께 학습한다. 도 6은 이러한 관계 별 상황 비율을 표현한 것이다. 대칭 관계의 경우, 평일 중에는 주초 만남(c3)의 비중이 높고 대체적으로 주중 특정 요일에 치중된 만남의 상황들 비중이 높다. 비대칭 관계의 경우, 대칭 관계와 비교하였을 때 주말에 다소 치우친 상황(c6)의 비중이 낮은 편이다. 관계없음의 경우, 만남의 분포가 균일한 상황(c2)의 비중이 높다. 관계없음에서 뜸한 만남(c5)의 비중이 낮은 것은 대부분의 근접성 이력이 없는 경우들이 제거되었기 때문으로 이해된다.
상기 맵핑부(150)는 새로운 사용자들 간의 근접성 이력을 학습된 상기 은닉 상황 공간으로 맵핑하고, 상기 관계 분류부(170)는 상기 맵핑부(150)의 맵핑 결과에 따라, 상기 새로운 사용자들 간의 사회적 관계를 분류한다.
새로운 근접성 이력에 대한 관계는 수학식 2를 이용하여 분류한다. 수학식 2는 새로운 근접성 이력으로부터 추론된 상황 비율이 주어졌을 때, 이것을 학습 때 얻은 관계 별 상황 비율과 비교하는 것이다.
이를 위해, 도 2를 참조하면, 상기 맵핑부(150)는 상기 새로운 사용자들 간의 근접성 이력으로부터 상황 비율을 추론하는 추론부(151) 및 상기 추론된 상황 비율을 상기 학습의 결과로 도출된 관계 별 상황 비율과 비교하는 비교부(153)를 포함할 수 있다.
상기 비교부(153)의 비교 결과, 상기 관계 분류부(170)는 가장 유사한 상황 비율의 관계로 주어진 근접성 이력을 분류한다. 이때, 근접성 이력에 대한 상황 비율은 LCT를 이용하여 추론하고, 이를 위해 RCT를 이용해 학습된 상황들과 근접성 이력을 이용한다.
상기 관계 분류부(170)는 시공간 상황을 이용하여 새로운 사용자들 간의 사회적 관계를 분류할 수 있다. 시공간 상황을 이용한 사회적 관계 분류는 두 사용자 간의 근접성 이력을 H={(t,l)}, 변수 t는 시간 기록, l은 두 사용자가 근접했던 위치 기록으로 정의한다. 어떤 시공간 상황 C에 대해 함수 Φ:H→C는 하나의 근접성 이력 h∈H를 어떤 상황 c∈C로 맵핑한다고 가정한다.
가능한 관계 유형이 집합 R로 정의될 때, 주어진 두 사용자 간 근접성 이력 H에 대한 어떤 관계 r∈R의 조건부 확률 P(r|H)는 다음의 수학식 3과 같이 정의된다.
수학식 3
Figure 112014087244217-pat00003
함수 I(?)는 입력 조건을 만족할 경우 1을 반환하고, 아니면 0을 반환한다. 수학식 3의 비례식 변환은 베이즈(bayes) 기법에 의한 것이다.
본 발명에서 사전 분포(Prior distribution) P(r)은 균등 분포(uniform distribution)를 따른다고 가정한다. 확률 P(H|c)는 맵핑 함수 Φ를 이용해 H에서 관찰되는 상황 c의 비율로 정의한다. 확률 P(c|r) 은 관계가 알려진 사람들 간의 근접성 이력들로부터 추정할 수 있다.
근접성 기록들은 시공간에 따라 구별되기 때문에 관측될 확률은 매우 작은 값을 가지게 된다. 맵핑 함수 Φ는 이러한 근접성 기록들을 적은 개수의 시공간 상황들로 맵핑함으로써, 데이터의 차원을 줄여주는 효과를 제공한다.
본 발명의 사회적 관계 분류는 이러한 시공간 상황을 이용한 베이즈 분류 기법에 기반하고 있다. 시공간 상황을 이용한 사회적 관계 분류의 성능은 맵핑 함수 Φ에 의존한다. 기존 연구들은 일반적으로 요일과 시간 정보를 활용하여 시간적 상황을 정의하고, 근무지와 그 외의 장소로 공간적 상황을 정의한다. 이러한 휴리스틱 접근은 일반적으로 통용될 수 있는 사람들의 일상을 가정한 것이다. 하지만, 미리 정의한 시공간 상황에 편향된 결과를 낳는다. 기본적으로 시공간적 상황은 제한 없이 정의될 수 있다. 따라서, 본 발명은 사회적 관계 분류에 적합한 상황을 자동으로 찾을 수 있는 방법을 제안하였다.
이하에서는, 본 발명이 제안하는 관계-상황 토픽 모델을 이용한 모바일 단말기 사용자간 사회적 관계 분류 방법의 효과를 검증하기 위한 실험 결과를 설명한다.
도 7을 참조하면, 실험을 위해 MIT Media lab의 현실 마이닝(Reality Mining) 데이터와 사회 진화(Social Evolution) 데이터를 사용한다. 현실 마이닝 데이터는 10개월 간 96명의 MIT 학생 및 대학원생들 간의 통화 및 근접성 이력을 수집한 것이다. 반면, 사회 진화 데이터는 다른 시기에 수집된 9개월 동안의 MIT 대학원생들 간 통화 및 근접성 이력을 제공한다. 현실 마이닝 데이터는 약 4백만 개의 근접성 기록을 수집하였고, 사회 진화 데이터는 약 3백만 개의 근접성 기록을 수집하였다.
이들 데이터에서 실험 참가들 간의 관계를 앞서 언급한 세 가지(symmetric, asymmetric, no friendships)로 구분한다. 특히, 사회 진화 데이터의 경우, 동일한 실험 참가자들을 대상으로 시기별로 변화되는 관계 정보를 제공한다.
본 실험은 근접성 이력을 이용한 관계식별 방법에 초점을 맞추고 있기 때문에 근접성 이력이 없는 실험 참가자 데이터는 제외하였다. 또한, 통화 이력이 없는 경우 대부분 관계없음에 해당하기 때문에 이러한 경우의 실험 참가자 데이터도 제외하였다. 도 7은 실험에 사용된 현실 마이닝 데이터(RM)와 사회 진화 데이터(SE)의 통계를 보인 것이다.
도 7에서 보여지는 바와 같이, 사회 진화 데이터의 실험 참가자들은 현실 마이닝 데이터의 참가자들에 비해 비대칭적 친밀 관계가 많고, 전화나 만남을 통한 교류가 많은 특징이 있다. 또한, 사회 진화 데이터는 다섯 개의 시기별로 변화된 관계 정보를 제공하기 때문에 각 시기별 정확한 관계 분류 성능을 평가할 수 있다.
성능 평가를 위해 전체 관계에 대한 분류 정확도(accuracy)와 각 관계 분류에 대한 정확률(precision)과 재현율(recall), 그리고 F-measure를 측정하였다. 어떤 관계에 대한 정확률은 해당 관계로 분류된 것들 중 실제로 해당 관계에 속하는 것들의 비율이다. 재현율은 해당 관계에 속하는 것들 중 해당 관계로 분류된 것들의 비율이다. F-measure는 정확률과 재현율의 조화평균이다.
실험에서 두 가지 토픽 모델, 은닉 상황 토픽 모델(LCT)과 관계-상황 토픽 모델(RCT)에 의한 결과를 미리 정의된 상황을 이용한 베이즈 분류 방법(predefined context method; PCM)의 결과와 비교하였다. PCM을 위한 상황 정의는 시간적 상황으로써 평일 주간(오전8시-오후8시), 야간(오후8시-오전8시), 주말 주간(오전8시-오후8시), 야간(오후8시-오전8시), 그리고 공간적 상황으로써 근무지와 그 외 장소를 구분하였다. 각 시간과 공간적 상황들의 조합으로 총 8가지 시공간적 상황이 정의된다.
두 개의 토픽 모델 또한 8개의 은닉 상황을 학습하였다. 은닉 상황 토픽 모델 학습을 위해 사전 분포 파라미터 α와 β를 각각 0.5, 0.1으로 설정하였다. 관계-상황 토픽 모델의 경우 α와 β를 각각 0.6, 0.1으로 설정하였다.
도 8은 현실 마이닝 데이터를 이용한 세 가지 관계 분류 방법들의 성능을 보인 것이다. 수작업으로 정의한 상황 기반 방법(predefined context method)은 PCM으로 표기하였고, 은닉 상황 토픽 모델과 관계-상황 토픽 모델 기반 방법들은 각각 LCT, RCT로 표기하였다.
도 8에서 보여지는 바와 같이, LCT와 RCT의 정확도가 PCM보다 높다. 하지만, LCT의 경우 대부분 관계없음으로 분류하였고, 결과적으로 대칭적 관계나 비대칭적 관계에 대한 분류 성능이 나머지 방법들에 비해 낮다. RCT는 PCM에 비해 대칭 관계와 관계없음에 대한 F-measure가 높게 나타났다. 이러한 결과는 RCT를 통해 관계 분류에 적합한 은닉 상황을 효과적으로 학습할 수 있음을 의미한다.
도 9는 사회 진화 데이터에 대한 실험 결과이다. 다섯 개 서로 다른 시기의 데이터들에 대한 평균 성능과 분산(괄호)을 기록하였다.
도 9에서 보여지는 바와 같이, RCT가 PCM과 LCT와 비교하여 대체로 높은 성능과 안정적인 결과를 보였다. 특히, F-measure의 경우, 모든 관계에 대해 RCT가 높은 값을 보였다. 이러한 결과는 변화된 조건에서도 RCT가 안정적인 관계 분류 성능을 보이고 있음을 의미한다.
본 발명은 사회적 관계 추론을 위한 두 가지 은닉 상황 추론 방법을 제안하였다. 하나는 LDA를 적용한 은닉 상황 토픽 모델이고, 다른 하나는 AT 모델을 단순화하여 적용한 관계-상황 토픽 모델이다. 이들 토픽 모델 기반의 접근은 기존의 수작업으로 정의하였던 상황 정보를 관계가 알려진 사용자들 간의 근접성 이력들로부터 자동으로 학습한다. 특히, 관계-상황 토픽 모델은 사용자 간의 근접성 이력과 사회적 관계를 명시적으로 연계함으로써 관계 별 근접성 이력의 특징을 반영한다. 또한, 실험에서 관계-상황 토픽 모델은 기존의 수작업으로 상황을 정의한 방법에 비해 높은 정확도를 보였고, 은닉 상황 토픽 모델에 비해 유망한 결과를 보였다.
도 10은 본 발명의 일 실시예에 따른 모바일 단말기 사용자간 사회적 관계 분류 방법의 흐름도이다.
본 실시예에 따른 모바일 단말기 사용자 간의 사회적 관계를 분류하는 방법은, 도 1의 장치(10)와 실질적으로 동일한 구성에서 진행될 수 있다. 따라서, 도 1의 장치(10)와 동일한 구성요소는 동일한 도면부호를 부여하고, 반복되는 설명은 생략한다. 또한, 본 실시예에 따른 모바일 단말기 사용자 간의 사회적 관계를 분류하는 방법은 모바일 단말기 사용자 간의 사회적 관계를 분류하기 위한 소프트웨어(애플리케이션)에 의해 실행될 수 있다.
도 10을 참조하면, 본 실시예에 따른 모바일 단말기 사용자간 사회적 관계 분류 방법은, 사회적 관계 분류에 따른 상황 학습을 위한 관계-상황 토픽 모델(relation-context topic model; RCT)을 생성한다(단계 S10).
상기 관계-상황 토픽 모델은 사용자들 간의 근접성 이력과 사회적 관계를 명시적으로 연계하여 관계 별 근접성 이력의 특징을 반영할 수 있다. 상기 관계-상황 토픽 모델은 사회적 관계에 의해 은닉 상황이 결정되고, 결정된 은닉 상황에 의해 사용자들 간의 근접성 이력이 발생한다고 가정한다.
상기 관계-상황 토픽 모델이 생성되면, 상기 관계-상황 토픽 모델을 통해 이미 알려진 사용자들 간의 근접성 이력으로부터 사용자들 간의 은닉 상황(latent context)을 자동으로 학습한다(단계 S30). 이때, 상기 은닉 상황을 은닉 변수로 간주하고, 학습 데이터를 입력으로 하여 상기 관계-상황 토픽 모델을 학습한다. 이때, 깁스(gibbs) 샘플링 방법을 통해 상기 관계-상황 토픽 모델의 파라미터를 학습할 수 있다.
단계 S30는, 이미 알려진 사용자들 간의 근접성 이력을 수집하고, 상기 이미 알려진 사용자들 간의 근접성 이력을 입력으로 하는 학습의 결과로 은닉 상황들 및 관계 별 상황 비율을 도출한다. 상기 근접성 이력은 상기 사용자들의 모바일 단말기의 블루투스 센서 또는 GPS 센서로부터 수집될 수 있다.
새로운 사용자들 간의 사회적 관계를 도출하기 위해, 새로운 사용자들 간의 근접성 이력을 학습된 상기 은닉 상황 공간으로 맵핑한다(단계 S50).
단계 S50는, 상기 새로운 사용자들 간의 근접성 이력으로부터 상황 비율을 추론하는 단계 및 상기 추론된 상황 비율을 상기 학습의 결과로 도출된 관계 별 상황 비율과 비교하는 단계를 포함할 수 있다. 이때, 근접성 이력에 대한 상황 비율은 LCT를 이용하여 추론할 수 있다.
상기 비교 결과, 가장 유사한 상기 학습의 결과로 도출된 관계 별 상황 비율과 대응하는 관계로 상기 새로운 사용자들 간의 사회적 관계를 분류한다(단계 S70). 사회적 관계를 분류는 베이즈(bayes) 분류 기법을 이용할 수 있다.
본 발명에 따른 관계-상황 토픽 모델을 이용한 사회적 관계 분류 방법은, 사회적 관계와 상황을 명시적으로 연계함으로써 사회적 관계 분류에 적합한 은닉 상황을 추론할 수 있고, 은닉 상황에 대한 자동화된 추론을 통해 다양한 상황의 영향을 효과적으로 조사할 수 있다.
이와 같은, 모바일 단말기 사용자간 사회적 관계 분류 방법은 애플리케이션으로 구현되거나 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.
상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거니와 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다.
컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.
프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상에서는 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
본 발명에 따른 관계-상황 토픽 모델을 이용한 사회적 관계 분류 방법은, 사회적 관계와 상황을 명시적으로 연계함으로써 사회적 관계 분류에 적합한 은닉 상황을 추론할 수 있고, 은닉 상황에 대한 자동화된 추론을 통해 다양한 상황의 영향을 효과적으로 조사할 수 있다. 이는 사람들 간의 관계를 정확히 이해하여 상황 인지 기반의 유비쿼터스 응용들에 넓게 활용될 수 있다.
10: 모바일 단말기 110: RCT 생성부
130: RCT 학습부 150: 맵핑부
151: 추론부 153: 비교부
170: 관계 분류부

Claims (20)

  1. RCT 생성부가 사회적 관계 분류에 따른 상황 학습을 위한 관계-상황 토픽 모델(relation-context topic model; RCT)을 생성하는 단계;
    RCT 학습부가 상기 관계-상황 토픽 모델을 통해 이미 알려진 사용자들 간의 근접성 이력으로부터 사용자들 간의 은닉 상황(latent context)을 자동으로 학습하는 단계;
    맵핑부가 새로운 사용자들 간의 근접성 이력을 학습된 상기 은닉 상황 공간으로 맵핑하는 단계; 및
    관계 분류부가 맵핑 결과에 따라, 상기 새로운 사용자들 간의 사회적 관계를 분류하는 단계를 포함하고,
    상기 RCT 학습부가 상기 관계-상황 토픽 모델을 통해 이미 알려진 사용자들 간의 근접성 이력으로부터 사용자들 간의 은닉 상황을 자동으로 학습하는 단계는,
    상기 이미 알려진 사용자들 간의 근접성 이력을 입력으로 하는 학습의 결과로 은닉 상황들 및 관계 별 상황 비율을 도출하는 단계를 포함하는, 모바일 단말기 사용자간 사회적 관계 분류 방법.
  2. 제1항에 있어서,
    상기 관계-상황 토픽 모델은 사용자들 간의 근접성 이력과 사회적 관계를 명시적으로 연계하는, 모바일 단말기 사용자간 사회적 관계 분류 방법.
  3. 제2항에 있어서, 상기 RCT 생성부가 상기 사회적 관계 분류에 따른 상황 학습을 위한 관계-상황 토픽 모델을 생성하는 단계는,
    사회적 관계에 의해 은닉 상황이 결정되고, 결정된 은닉 상황에 의해 사용자들 간의 근접성 이력이 발생한다고 가정하는 단계를 포함하는, 모바일 단말기 사용자간 사회적 관계 분류 방법.
  4. 제3항에 있어서, 상기 RCT 학습부가 상기 관계-상황 토픽 모델을 통해 이미 알려진 사용자들 간의 근접성 이력으로부터 사용자들 간의 은닉 상황을 자동으로 학습하는 단계는,
    상기 은닉 상황을 은닉 변수로 간주하는 단계를 포함하는, 모바일 단말기 사용자간 사회적 관계 분류 방법.
  5. 제1항에 있어서, 상기 RCT 학습부가 상기 관계-상황 토픽 모델을 통해 이미 알려진 사용자들 간의 근접성 이력으로부터 사용자들 간의 은닉 상황을 자동으로 학습하는 단계는,
    이미 알려진 사용자들 간의 근접성 이력을 수집하는 단계를 포함하는, 모바일 단말기 사용자간 사회적 관계 분류 방법.
  6. 제5항에 있어서,
    상기 근접성 이력은 상기 사용자들의 모바일 단말기의 블루투스 센서 또는 GPS 센서로부터 수집되는, 모바일 단말기 사용자간 사회적 관계 분류 방법.
  7. 제1항에 있어서, 상기 RCT 학습부가 상기 관계-상황 토픽 모델을 통해 이미 알려진 사용자들 간의 근접성 이력으로부터 사용자들 간의 은닉 상황을 자동으로 학습하는 단계는,
    깁스(gibbs) 샘플링 방법을 통해 상기 관계-상황 토픽 모델의 파라미터를 학습하는, 모바일 단말기 사용자간 사회적 관계 분류 방법.
  8. 삭제
  9. 제1항에 있어서, 상기 맵핑부가 상기 새로운 사용자들 간의 근접성 이력을 학습된 상기 은닉 상황 공간으로 맵핑하는 단계는,
    상기 새로운 사용자들 간의 근접성 이력으로부터 상황 비율을 추론하는 단계; 및
    상기 추론된 상황 비율을 상기 학습의 결과로 도출된 관계 별 상황 비율과 비교하는 단계를 포함하는, 모바일 단말기 사용자간 사회적 관계 분류 방법.
  10. 제9항에 있어서, 상기 맵핑부가 상기 새로운 사용자들 간의 근접성 이력으로부터 상황 비율을 추론하는 단계는,
    은닉 상황 토픽 모델(latent context topic model; LCT)을 이용하는, 모바일 단말기 사용자간 사회적 관계 분류 방법.
  11. 제9항에 있어서, 상기 관계 분류부가 상기 새로운 사용자들 간의 사회적 관계를 분류하는 단계는,
    상기 비교 결과, 가장 유사한 상기 학습의 결과로 도출된 관계 별 상황 비율과 대응하는 관계로 상기 새로운 사용자들 간의 사회적 관계를 분류하는 단계를 포함하는, 모바일 단말기 사용자간 사회적 관계 분류 방법.
  12. 제1항에 있어서, 상기 관계 분류부가 상기 새로운 사용자들 간의 사회적 관계를 분류하는 단계는,
    베이즈(bayes) 분류 기법을 이용하는, 모바일 단말기 사용자간 사회적 관계 분류 방법.
  13. 제1항 내지 제7항, 제9항 내지 제12항 중 어느 하나의 항에 따른 모바일 단말기 사용자간 사회적 관계 분류 방법을 수행하기 위한, 컴퓨터 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.
  14. 사회적 관계 분류에 따른 상황 학습을 위한 관계-상황 토픽 모델(relation-context topic model; RCT)을 생성하는 RCT 생성부;
    상기 관계-상황 토픽 모델을 통해 이미 알려진 사용자들 간의 근접성 이력으로부터 사용자들 간의 은닉 상황(latent context)을 자동으로 학습하는 RCT 학습부;
    새로운 사용자들 간의 근접성 이력을 학습된 상기 은닉 상황 공간으로 맵핑하는 맵핑부; 및
    맵핑 결과에 따라, 상기 새로운 사용자들 간의 사회적 관계를 분류하는 관계 분류부를 포함하고,
    상기 RCT 학습부는,
    상기 이미 알려진 사용자들 간의 근접성 이력을 입력으로 하는 학습의 결과로 은닉 상황들 및 관계 별 상황 비율을 도출하는, 모바일 단말기 사용자간 사회적 관계 분류 장치.
  15. 제14항에 있어서,
    상기 관계-상황 토픽 모델은 사용자들 간의 근접성 이력과 사회적 관계를 명시적으로 연계하는, 모바일 단말기 사용자간 사회적 관계 분류 장치.
  16. 제15항에 있어서,
    상기 RCT 생성부는, 사회적 관계에 의해 은닉 상황이 결정되고, 결정된 은닉 상황에 의해 사용자들 간의 근접성 이력이 발생한다고 가정하고,
    상기 RCT 학습부는, 상기 은닉 상황을 은닉 변수로 간주하는, 모바일 단말기 사용자간 사회적 관계 분류 장치.
  17. 제14항에 있어서, 상기 RCT 학습부는,
    이미 알려진 사용자들 간의 근접성 이력을 사용자들의 모바일 단말기로부터 수집하는, 모바일 단말기 사용자간 사회적 관계 분류 장치.
  18. 삭제
  19. 제14항에 있어서, 상기 맵핑부는,
    상기 새로운 사용자들 간의 근접성 이력으로부터 상황 비율을 추론하는 추론부; 및
    상기 추론된 상황 비율을 상기 학습의 결과로 도출된 관계 별 상황 비율과 비교하는 비교부를 포함하는, 모바일 단말기 사용자간 사회적 관계 분류 장치.
  20. 제19항에 있어서, 상기 관계 분류부는,
    상기 비교부의 비교 결과, 가장 유사한 상기 학습의 결과로 도출된 관계 별 상황 비율과 대응하는 관계로 상기 새로운 사용자들 간의 사회적 관계를 분류하는, 모바일 단말기 사용자간 사회적 관계 분류 장치.
KR1020140122176A 2014-09-15 2014-09-15 모바일 단말기 사용자간 사회적 관계 분류 방법, 이를 수행하기 위한 기록 매체 및 장치 KR101561129B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020140122176A KR101561129B1 (ko) 2014-09-15 2014-09-15 모바일 단말기 사용자간 사회적 관계 분류 방법, 이를 수행하기 위한 기록 매체 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140122176A KR101561129B1 (ko) 2014-09-15 2014-09-15 모바일 단말기 사용자간 사회적 관계 분류 방법, 이를 수행하기 위한 기록 매체 및 장치

Publications (1)

Publication Number Publication Date
KR101561129B1 true KR101561129B1 (ko) 2015-10-16

Family

ID=54365841

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140122176A KR101561129B1 (ko) 2014-09-15 2014-09-15 모바일 단말기 사용자간 사회적 관계 분류 방법, 이를 수행하기 위한 기록 매체 및 장치

Country Status (1)

Country Link
KR (1) KR101561129B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107392781A (zh) * 2017-06-20 2017-11-24 挖财网络技术有限公司 用户关系的识别方法、对象关系的识别方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Haizheng Zhang et al., An LDA-based Community Structure Discovery Approach for Large-Scale Social Networks, IEEE Intelligence and Security Informatics 2007
Thuong Nguyen et al., Extraction of Latent Patterns and Contexts from Social Honest Signals Using Hierarchical Dirichlet Processes, 2013 IEEE International Conference on Pervasive Computing and Commu*

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107392781A (zh) * 2017-06-20 2017-11-24 挖财网络技术有限公司 用户关系的识别方法、对象关系的识别方法及装置

Similar Documents

Publication Publication Date Title
US11128979B2 (en) Inferring user availability for a communication
Do et al. Where and what: Using smartphones to predict next locations and applications in daily life
US10748121B2 (en) Enriching calendar events with additional relevant information
Gomes et al. Where will you go? mobile data mining for next place prediction
US10033688B2 (en) System and method for conditional delivery of messages
US20160358065A1 (en) Personally Impactful Changes To Events of Users
US20160321616A1 (en) Unusualness of Events Based On User Routine Models
JP4620721B2 (ja) コンテキストデータのセマンティック分類を自動的に決定する方法及び装置
US20130210480A1 (en) State detection
Sarker Mobile data science: Towards understanding data-driven intelligent mobile applications
Mengshoel et al. Will we connect again? machine learning for link prediction in mobile social networks
US20220078135A1 (en) Signal upload optimization
Mukherji et al. Adding intelligence to your mobile device via on-device sequential pattern mining
Alvarez-Lozano et al. Learning and user adaptation in location forecasting
Ectors et al. Developing an optimised activity type annotation method based on classification accuracy and entropy indices
Ghosh et al. Modeling Individual's Movement Patterns to Infer Next Location from Sparse Trajectory Traces
Alanazi et al. A people-to-people content-based reciprocal recommender using hidden markov models
Rahimipour et al. A hybrid of neuro-fuzzy inference system and hidden Markov Model for activity-based mobility modeling of cellphone users
KR101561129B1 (ko) 모바일 단말기 사용자간 사회적 관계 분류 방법, 이를 수행하기 위한 기록 매체 및 장치
Park et al. Building mobile social network with semantic relation using Bayesian network-based life-log mining
Rivero-Rodriguez et al. Semantic labeling of places based on phone usage features using supervised learning
Shah et al. Processing mobility traces for activity recognition in smart cities
JP6774917B2 (ja) 所定行動に対するグループ内の同調圧力を推定するプログラム、装置及び方法
Cao et al. Can your friends predict where you will be?
More et al. Current trends in reality mining

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20180920

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20190917

Year of fee payment: 5