KR101563236B1 - 어휘의 전문성 지수를 이용한 도메인 전문가 발견 시스템 및 방법 - Google Patents

어휘의 전문성 지수를 이용한 도메인 전문가 발견 시스템 및 방법 Download PDF

Info

Publication number
KR101563236B1
KR101563236B1 KR1020140019800A KR20140019800A KR101563236B1 KR 101563236 B1 KR101563236 B1 KR 101563236B1 KR 1020140019800 A KR1020140019800 A KR 1020140019800A KR 20140019800 A KR20140019800 A KR 20140019800A KR 101563236 B1 KR101563236 B1 KR 101563236B1
Authority
KR
South Korea
Prior art keywords
user
expertise
expert
index
users
Prior art date
Application number
KR1020140019800A
Other languages
English (en)
Other versions
KR20150098474A (ko
Inventor
이재길
성주엽
Original Assignee
한국과학기술원
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 한국과학기술원 filed Critical 한국과학기술원
Priority to KR1020140019800A priority Critical patent/KR101563236B1/ko
Publication of KR20150098474A publication Critical patent/KR20150098474A/ko
Application granted granted Critical
Publication of KR101563236B1 publication Critical patent/KR101563236B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

전문가 발견 시스템이 전문가를 발견하기 위하여, 복수의 제1 유저의 전문성을 판단한 후 랭킹을 확인하고, 복수의 제1 유저에 의해 사용된 어휘를 추출하여 단어 레벨을 생성한다. 그리고 제1 유저에 대한 단어 레벨을 이용하여 제2 유저의 전문성을 판단한다.

Description

어휘의 전문성 지수를 이용한 도메인 전문가 발견 시스템 및 방법{Apparatus and method for discovering potentially contributive users in community based question answering services}
본 발명은 어휘의 전문성 지수를 이용한 도메인 전문가 발견 시스템 및 방법에 관한 것이다.
커뮤니티 질문 답변(CQA: Community Question Answer) 서비스는 온라인에서 커뮤니티 집단이 서로 궁금한 것을 묻고 답하는 웹 서비스이다. 이 서비스는 사용자가 원하는 정보를 제공한다는 점에서 검색 엔진과 일부 유사하지만, 검색 엔진이 사용자에게 정보를 제공해줄 수 없는 부분에서 사용자에게 정보를 제공할 수 있기 때문에 지속적으로 발전하고 있는 서비스 분야이다.
검색 엔진은 특정인에게 맞춤화되지 않은 채 가능한 많은 정보를 모은 뒤 이를 랭킹 알고리즘을 사용하여 사용자가 원하는 정보를 빠르게 찾을 수 있도록 도와준다. 반면, 커뮤니티 질문 답변 서비스는 질문자가 직접 필요한 정보를 요청하고 답변을 받기 때문에, 사용자 개개인에 필요한 정보를 맞춤 형식으로 제공한다는 장점이 있다.
이러한, 커뮤니티 질문 답변 서비스는 오직 사용자들의 참여로 운영되기 때문에 답변자의 역할이 매우 중요한데, 대부분의 온라인 커뮤니티 질문 답변 서비스는 극소수의 전문성 있는 답변자들로 서비스가 유지된다. 그 이유는 초기의 많은 답변자들이 사용상의 불편함을 느끼거나, 자신이 대답할 수 있는 질문을 쉽게 찾지 못해 흥미를 잃어 서비스를 이용하지 않기 때문이다.
이에 따라 질문에 대한 적절한 답변자를 선정하여(이하 '전문가 발견'이라 지칭함) 해당 답변자에게 질문을 전달하는 많은 방법이 시도되고 있다. 대부분의 전문가 발견은 답변자가 기존에 활동한 내용(예를 들어, 답변 내용, 추천 수, 답변 채택률 등)에 따라 전문성을 판단하고 랭킹을 주어, 임의의 질문에 대한 답변을 랭킹이 높은 순서에 따라 연결해 주는 방법이 주를 이루고 있다.
그러나, 기존 방법은 답변자들의 타입을 활동 시기에 따라 분류하지 않고 답변을 많이 하는 사용자(이하, '헤비 유저(heavy user)'라 지칭함)와 답변을 적게 하는 사용자(이하, '라이트 유저(light user)'라 지칭함)를 같이 취급하게 된다. 이에 따라 이미 커뮤니티 질문 답변 서비스에 익숙한 헤비 유저의 경우 활동량이 많기 때문에 높은 랭킹이 부여된다.
이에 따라 질문을 연결해 줄 필요성이 있는 라이트 유저에게 답변 기회가 적게 주어지는 한계가 있다. 즉, 답변을 많이 하지 않은 라이트 유저들 사이에서 특정 분야에 전문성이 있는 사람과 없는 사람을 분류하는 것은 어려우며, 전문가라 할지라도 라이트 유저가 답변을 할 기회가 적어지는 문제점이 있다.
따라서, 본 발명은 온라인 시스템에서 초기의 답변자들 가운데 전문성을 가진 사람을 찾고, 이를 활용하여 전문가가 얼마나 활동하는지 예측하는 어휘의 전문성 지수를 이용한 도메인 전문가 발견 시스템 및 방법을 제공한다.
상기 본 발명의 기술적 과제를 달성하기 위한 본 발명의 하나의 특징인 전문가 발견 시스템이 전문가를 발견하는 방법은,
복수의 제1 유저의 전문성을 판단하고 랭킹을 설정하는 단계; 상기 복수의 제1 유저에 의해 사용된 어휘를 추출하여, 상기 복수의 제1 유저의 전문성을 토대로 단어 레벨을 생성하는 단계; 및 상기 제1 유저에 대한 단어 레벨을 이용하여 제2 유저의 전문성을 판단하는 단계를 포함한다.
상기 제2 유저의 전문성을 판단하는 단계는, 상기 제1 유저에 대한 단어 레벨을 이용하여 상기 제2 유저에 의해 사용된 어휘에 대한 단어 레벨을 생성하는 단계; 및 상기 제2 유저에 의해 사용된 어휘에 대한 단어 레벨을 이용하여 상기 제2 유저에 대한 전문성을 계산하는 단계를 포함할 수 있다.
상기 본 발명의 기술적 과제를 달성하기 위한 본 발명의 또 다른 특징인 전문가 발견 시스템은,
복수의 제1 유저들의 전문성을 판단하고 랭킹을 설정하는 제1 유저 전문성 판단부; 상기 제1 유저 전문성 판단부에서 랭킹이 설정된 제1 유저들에 의해 작성된 어휘를 추출하며 추출한 어휘에 대한 단어 레벨을 생성하는 제1 유저 어휘 전문성 판단부; 상기 제1 유저 어휘 전문성 판단부에서 생성한 단어 레벨을 저장하는 어휘 저장부; 및 상기 어휘 저장부에 저장되어 있는 단어 레벨을 이용하여 제2 유저가 사용한 어휘로부터 단어 레벨을 계산하고, 상기 계산된 단어 레벨을 이용하여 제2 유저에 대한 전문성을 계산하는 제2 유저 전문성 판단부를 포함한다.
상기 제2 유저 전문성 판단부는, 상기 제1 유저에 대한 전문성이 계산도니 뒤에, 제2 유저에 대한 전문가 지수 및 전문가 활동성 지수를 계산할 수 있다.
제1 유저 및 제2 유저들에 대한 전문가 지수 및 전문가 활동성 지수를 저장, 관리하며, 입력되는 질문에 대한 전문가를 선정하는 전문가 정보 저장부를 포함할 수 있다.
본 발명에 따르면 답변한 문장의 어휘의 전문성 지수를 계산하여, 답변자가 작성한 답변 정보가 부족한 답변자라 하더라도 전문성을 추정할 수 있다.
도 1은 본 발명의 실시예에 따른 전문가 발견 시스템의 구조도이다.
도 2는 본 발명의 실시예에 따른 전문가 발견 방법에 대한 흐름도이다.
도 3은 본 발명의 실시예에 따른 전문가 발견 방법을 나타낸 예시도이다.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
이하 도면을 참고로 하여 본 발명의 실시예에 따른 도메인 전문가 발견 시스템 및 방법에 대해 설명한다.
도 1은 본 발명의 실시예에 따른 전문가 발견 시스템의 구조도이다.
도 1에 도시된 바와 같이, 전문가 발견 시스템(100)은 제1 유저 전문선 판단부(110), 제1 유저 어휘 전문성 판단부(120), 제2 유저 전문성 판단부(130), 전문가 정보 저장부(140) 및 어휘 저장부(150)를 포함한다.
제1 유저 전문성 판단부(110)는 복수의 제1 유저들의 전문성을 판단한다. 여기서 제1 유저라 함은 미리 설정한 횟수 이상으로 활발하게 답변을 제공한 헤비 유저를 지칭한다.
제1 유저들의 전문성을 판단하는 방법은 여러 방법을 통해 수행될 수 있으므로 본 발명의 실시예에서는 어느 하나의 방법으로 한정하여 설명하지는 않는다. 그러나, 본 발명의 실시예에서는 제1 유저들의 엔트로피(entropy)와 레이팅(rating) 값을 조합하여 구하는 것을 예로 하여 설명하며, 엔트로피의 비중을 0.3으로, 레이팅 비중을 0.7로 두어 판단하는 것을 예로 하여 설명한다. 또한, 제1 유저 전문성 판단부(110)는 전문성이 판단된 제1 유저들의 랭킹을 설정한다. 제1 유저들의 랭킹은 여러 방법을 통해 설정될 수 있으므로, 본 발명의 실시예에서는 어느 하나의 방법으로 한정하여 설명하지는 않는다.
제1 유저 어휘 전문성 판단부(120)는 랭킹이 설정된 제1 유저들 중 상위 랭킹으로 설정된 제1 유저들이 답변 제공시 많이 사용한 어휘를 추출한다. 어휘 추출 방법은 제1 유저들이 답변한 영역별로 반복되는 어휘를 확인하고, 반복되는 어휘를 합쳐 단어 레벨을 생성한다. 여기서 단어 레벨은 각 단어마다 가지는 전문성을 의미하며, 이에 대해서는 이후 상세히 설명한다.
제2 유저 전문성 판단부(130)는 제1 유저 어휘 전문성 판단부(120)가 추출한 단어 레벨을 토대로 제2 유저들의 전문성을 판단한다. 여기서 제2 유저라 함은 미리 설정한 횟수 이하로 답변을 제공하되, 답변 서비스를 미리 설정한 기간 이후부터 제공하기 시작한 라이트 유저를 지칭한다. 제2 유저의 경우에는 활동 시기가 제1 유저에 비해 길지 않고 답변 횟수도 적기 때문에, 제2 유저의 전문성을 판단하기 위해서 제1 유저들로부터 추출한 어휘를 이용한다.
제2 유저 전문성 판단부(130)는 제2 유저가 사용한 어휘로부터 단어 레벨을 계산하고, 단어 레벨을 이용하여 제2 유저에 대한 전문성을 계산한다. 제2 유저에 대한 전문성이 계산된 뒤에, 제1 유저 및 제2 유저에 대한 서비스 이용 지수와 조합된 전문가 활동성 지수(affordance)가 가장 마지막으로 계산한다.
전문가 정보 저장부(140)는 제1 유저 및 제2 유저들에 대한 전문성 지수 및 활동성 지수를 저장, 관리한다. 그리고 입력되는 질문에 대해 가장 답변할 가능성이 높은 전문가를 선정한다.
어휘 저장부(150)는 제1 유저 전문성 판단부(120)에서 추출한 어휘 정보를 저장하고 관리한다. 그리고 제2 유저 전문성 판단부(130)에서 제2 유저들에 대한 전문성을 판단할 때, 저장한 어휘를 제공하여 판단하도록 한다.
상기에서 설명한 전문가 발견 시스템(100)을 이용하여 전문가를 발견하고 질문의 매칭되는 전문가에게 이를 알리는 방법에 대하여 도 2를 참조로 설명한다. 제1 유저에 대한 전문성 판단과 랭킹 설정 방법은 이미 알려진 사항이므로, 본 발명의 실시예에서는 제1 유저에 대한 전문성 판단 방법과 랭킹 설정 방법에 대해서는 간략하게 설명한다.
도 2는 본 발명의 실시예에 따른 전문가 발견 방법에 대한 흐름도이다.
도 2에 도시된 바와 같이, 전문가 발견 시스템(100)은 복수의 제1 유저에 대한 전문성을 판단하고, 해당 제1 유저들에 대한 랭킹을 확인한다(S100). 그리고, 제1 유저들이 답변 시 사용하던 어휘들을 추출하고 단어 레벨을 생성하여 저장한다(S110). 단어 레벨을 생성하여 저장하는 단계는 제1 유저들에 대한 랭킹 확인시 동시에 수행된다.
그리고 나서 S110 단계에서 어휘 저장부(150)에 저장한 제1 유저에 대한 단어 레벨을 이용하여 제2 유저에 대한 전문성을 판단한다(S120). 제2 유저에 대한 전문성을 판단하기 위해서는, 제2 유저 전문성 판단부(130)는 제1 유저에 대한 단어 레벨을 이용하여 제1 유저에 대한 전문성 판단 절차와 반대 방향으로 수행한다.
즉, 제2 유저에 대한 전문성은 먼저 제1 유저에 대한 단어 레벨을 이용하여 제2 유저의 단어 레벨을 생성하고, 생성한 단어 레벨을 이용하여 제2 유저에 대한 전문성을 계산한다. 제2 유저에 대한 전문성이 계산된 뒤에 제2 유저에 대한 전문가 활동성 지수(affordance)가 가장 마지막으로 계산된다.
이에 대해 상세히 설명하면, 먼저 제1 유저에 대한 단어 레벨을 계산하기 위하여, 제1 유저의 전문성을 계산한다. 제1 유저의 전문성은 수학식 1로 계산된다.
Figure 112014016859086-pat00001
여기서 Entropy는 제1 유저의 상대적 전문성 지수를 나타내고, Rating은 제1 유저의 절대적 전문성 지수를 나타낸다. 제1 유저의 상대적 전문성 지수는 수학식 2를 통해 구하고, 제1 유저의 절대적 전문성 지수는 수학식 3을 통해 구한다.
Figure 112014016859086-pat00002
여기서,
Figure 112014016859086-pat00003
이고,
Figure 112014016859086-pat00004
임
Figure 112014016859086-pat00005
여기서,
Figure 112014016859086-pat00006
이고,
Figure 112014016859086-pat00007
임
상기의 절차를 통해 제1 유저의 전문성 지수를 계산한 뒤, 제1 유저가 사용한 어휘의 단어 레벨을 계산한다. 단어 레벨은 수학식 4를 통해 계산한다.
Figure 112014016859086-pat00008
여기서,
Figure 112014016859086-pat00009
이고,
Figure 112014016859086-pat00010
임
제1 유저의 단어 레벨을 계산하면, 이를 토대로 제2 유저의 전문가 지수를 계산한다. 전문가 지수는 수학식 5를 통해 계산한다. 또한, 전문가 활동성 지수를 구하기 위해 부가적으로 서비스 이용 지수(Availability)를 구할 수 있으며, 서비스 이용 지수는 수학식 6을 통해 계산한다.
Figure 112014016859086-pat00011
여기서,
Figure 112014016859086-pat00012
이고,
Figure 112014016859086-pat00013
임
Figure 112014016859086-pat00014
여기서,
Figure 112014016859086-pat00015
이고,
Figure 112014016859086-pat00016
임
이상의 절차를 통해 구해진 전문가 지수와 서비스 이용 지수를 이용하여 최종적으로 제2 유저의 전문가 활동성 지수를 계산한다. 전문가 활동성 지수는 다음 수학식 7을 통해 계산한다.
Figure 112014016859086-pat00017
여기서 EstimatedExpertise는 전문가 지수를 의미하고, Availability는 서비스 이용 지수를 의미한다. u1은 복수의 제1 유저 및 제2 유저를 의미하고, wa는 각각의 지수에 반영할 비중을 의미한다. 본 발명의 실시예에서는 전문가 지수에 반영할 비중을 0.7, 서비스 이용 지수에 반영할 비중을 0.3으로 예를 들어 설명하나, 반드시 이와 같이 한정되는 것은 아니다.
이상의 절차를 이용하면, 전문가 지수로 제2 유저의 전문성을 판단할 수 있고, 서비스 이용 지수를 조합하여 계산한 전문가 활동성 지수로부터 제1 유저 및 제2 유저의 활동 가능성을 판단할 수 있다. 이 후에, 전문가 발견 시스템은 CQA 서비스를 통해 올라오는 질문을 확인하고(S140), 확인할 질문에 대해 제1 유저뿐만 아니라 제2 유저를 포함하여 질문에 적합한 전문가를 선정하여 답변을 제공할 수 있도록 한다(S150).
이상에서 설명한 제2 유저의 전문성을 평가하기까지의 전문가 발견 방법에 대하여 도 3을 참조로 설명한다.
도 3은 본 발명의 실시예에 따른 전문가 발견 방법을 나타낸 예시도이다.
CQA서비스를 위해 유저 간 유사한 패턴을 찾는 방법은 여러 가지가 있으며, 그 중에서 각 유저가 사용하는 어휘력은, 제2 유저라 하더라도 그 경향을 발견할 수 있는 좋은 속성이다. 이것은 답변 하나에도 많은 용어(Term)가 포함되어 있으며, 용어는 답변자마다 수준 차이가 존재하기 때문이다.
여행이라는 분야를 예로 들면 '칸차나부리'라는 태국의 관광 장소와 그 안에서 볼 수 있는 관광명소는, 그 곳을 여행해 보고 정보를 가지고 있는 사람이라면 알고 있는 어휘이다. 즉 시간이 다르더라도 같은 어휘는 반복되어 사용될 수 있고 전문성이 높은 답변자가 사용하는 어휘와 유사한 어휘를 사용한다면 그 유저는 전문성이 있는 사용자로 판단할 수 있는 것이다.
전문성이 높은 답변자라 하더라도 그렇지 않은 답변자가 사용하는 어휘를 사용할 여지는 있다. 하지만 반대로 전문성이 높지 않은 답변자가 전문성이 있는 답변자가 사용하는 어휘를 사용할 가능성은 적다. 이런 점으로 미루어서 어휘력으로 전문성을 유추해내는 것이 가능하다.
각 어휘마다 전문성을 부여하기 위해서는 그 어휘를 사용하는 답변자의 전문성을 판단할 수 있어야 한다. 이를 위해 본 발명의 실시예에서는 도 3에 나타낸 바와 같이 제1 유저의 전문성을 파악하기 위해 프로파일 정보를 활용하였다. 전문성을 판단하기 위해서 주로 쓰는 방법은 그래프 기반(Graph based), 콘텐츠 기반(Content based), 그리고 사용자 행동의 특징을 뽑은 프로파일 정보가 있다.
그래프 기반 전문성 판단 방법을 사용하기 위해서는 유저간 관계를 설정할 수 있어야 하는데, 질문자-답변자 관계로 답변자의 우위를 정하거나 답변자 사이에 최선답(Best Answer)으로 채택된 답변자를 우위로 정해 관계를 설정한다. 그렇지 않으면 최소한 같은 질문을 답변한 답변자들이 상당수 존재해야 한다.
그러나 사이트(예를 들어, 네이버 지식인 등)에서는 질문자의 정보가 보안 처리되어서 확인이 불가능하다. 또한 답변자 사이에 최선답으로 채택된 사람을 우위로 정해 관계를 설정하는 경우 한 질문에 반드시 답변이 두 개 이상 있어야 할 뿐만 아니라, 최선답이 명확한 기준에 의해 품질이 높아 채택되었다는 가정이 있어야 한다.
일반적으로 사이트의 경우 답변이 하나 있는 경우가 상당수 존재하고, 무엇보다 질문자 스스로가 답변자를 채택하는 과정에서 동일한 기준으로 더 나은 답을 잘 선택했다는 판단을 내리기 힘들 수 있다. 따라서 대다수의 답변가를 포함할 수 있는 프로파일 정보를 사용하기로 결정하였다.
특정 분야에 집중해서 답변하는 사람들의 전문성이 높다는 것은 이미 알려져 있는 사실이며, 이 점에 근거로 엔트로피 정보를 활용하고 엔트로피의 상대적인 특징을 보완하고자 실제 답변 채택 수를 조합한다. 그리고 전문성의 주요 근거라고 할 수 있는 추천 받은 횟수도 고려하여 최종적으로 전문가 지수를 계산한다. 전문가 지수는 각 답변자가 사용한 어휘마다 반영되었고 각 답변자의 전문가 지수가 평균화된 용어의 가중치는 곧 단어 레벨로 유추된다.
데이터가 적은 새로운 기간에 활동한 답변자들 즉, 제2 유저의 전문성을 측정하기 위해 단어 레벨을 역으로 반영한다. 즉 새로운 기간의 제2 유저들이 사용한 어휘와 동시 발생(Co-occurrence)을 비교하여 각 단어 레벨을 확산(propagating)한다. 즉 새로운 기간의 유저들이 사용한 어휘에서 이전에 수집한 어휘가 존재한다면 해당 어휘를 사용한 만큼 그 어휘의 전문성을 부여함으로써 새로운 사용자의 전문성을 판가름하고자 하였다. 부가적으로 서비스 이용 지수를 고려하여 유저가 최근에 답변을 하였을 때 더 높은 값을 반영시킴으로써 새로운 유저의 전문성 있는 답변 가능성(Answer Affordance)을 유추해 낸다.
이렇게 유추한 새로운 유저의 답변 가능성은 비록 해당 유저의 활동이 적다고 하더라도, 활동이 유사하거나 많은 유저보다 전문성을 보장받을 수 있다. 이것을 적은 활동으로도 전문가를 유추하여 콜드 스타트(Cold Start)를 해결할 수 있는 방법으로 활용하여 평가를 진행한다.
이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.

Claims (13)

  1. 전문가 발견 시스템이 전문가를 발견하는 방법에 있어서,
    미리 설정한 횟수 이상으로 답변 서비스를 제공한 유저들인 복수의 제1 유저의 전문성을 판단하고 랭킹을 설정하는 단계;
    상기 복수의 제1 유저에 의해 사용된 어휘를 추출하여, 상기 복수의 제1 유저의 전문성을 토대로 단어 레벨을 생성하는 단계; 및
    상기 제1 유저에 대한 단어 레벨을 이용하여 미리 설정한 횟수 이하로 답변 서비스를 제공하되, 미리 설정된 날짜 이후에 답변 서비스를 제공한 유저들인 복수의 제2 유저의 전문성을 판단하는 단계
    를 포함하는 전문가 발견 방법.
  2. 제1항에 있어서,
    상기 제2 유저의 전문성을 판단하는 단계는,
    상기 제1 유저에 대한 단어 레벨을 이용하여 상기 제2 유저에 의해 사용된 어휘에 대한 단어 레벨을 생성하는 단계; 및
    상기 제2 유저에 의해 사용된 어휘에 대한 단어 레벨을 이용하여 상기 제2 유저에 대한 전문성을 계산하는 단계
    를 포함하는 전문가 발견 방법.
  3. 제2항에 있어서,
    상기 단어 레벨은,
    Figure 112014016859086-pat00018

    여기서,
    Figure 112014016859086-pat00019
    이고,
    Figure 112014016859086-pat00020
    임
    를 통해 구하는 전문가 발견 방법.
  4. 제2항에 있어서,
    상기 단어 레벨을 생성하는 단계 이전에,
    제1 유저의 전문성 지수를 계산하는 단계
    를 더 포함하는 전문가 발견 방법.
  5. 제4항에 있어서,
    상기 전문성 지수는,
    Figure 112014016859086-pat00021

    여기서, Entropy(uh)는 상대적 전문성 지수이고, Rating(uh)는 절대적 전문성 지수임
    을 통해 구하는 전문가 발견 방법.
  6. 제5항에 있어서,
    상기 상대적 전문성 지수는
    Figure 112014016859086-pat00022

    여기서,
    Figure 112014016859086-pat00023
    이고,
    Figure 112014016859086-pat00024
    임
    를 통해 구하고,
    상기 절대적 전문성 지수는
    Figure 112014016859086-pat00025

    여기서,
    Figure 112014016859086-pat00026
    이고,
    Figure 112014016859086-pat00027
    임
    을 통해 구하는 전문가 발견 방법.
  7. 제2항에 있어서,
    상기 전문성을 계산하는 단계 이후에,
    상기 제2 유저에 대한 전문가 활동성 지수를 계산하는 단계
    를 포함하는 전문가 발견 방법.
  8. 제5항에 있어서,
    상기 전문가 활동성 지수는,
    Figure 112014016859086-pat00028

    여기서, EstimatedExpertise는 전문가 지수를 의미하고, Availability는 서비스 이용 지수를 의미함
    을 통해 계산하는 전문가 발견 방법.
  9. 제8항에 있어서,
    상기 전문가 지수는,
    Figure 112014016859086-pat00029

    여기서,
    Figure 112014016859086-pat00030
    이고,
    Figure 112014016859086-pat00031
    임
    을 통해 계산되고,
    상기 서비스 이용 지수는,
    Figure 112014016859086-pat00032

    여기서,
    Figure 112014016859086-pat00033
    이고,
    Figure 112014016859086-pat00034
    임
    을 통해 계산되는 전문가 발견 방법.
  10. 전문가 발견 시스템에 있어서,
    미리 설정한 횟수 이상으로 답변 서비스를 제공한 유저들인 복수의 제1 유저들의 전문성을 판단하고 랭킹을 설정하는 제1 유저 전문성 판단부;
    상기 제1 유저 전문성 판단부에서 랭킹이 설정된 제1 유저들에 의해 작성된 어휘를 추출하며 추출한 어휘에 대한 단어 레벨을 생성하는 제1 유저 어휘 전문성 판단부;
    상기 제1 유저 어휘 전문성 판단부에서 생성한 단어 레벨을 저장하는 어휘 저장부; 및
    상기 어휘 저장부에 저장되어 있는 단어 레벨을 이용하여 미리 설정한 횟수 이하로 답변 서비스를 제공하되, 미리 설정된 날짜 이후에 답변 서비스를 제공한 유저들인 복수의 제2 유저가 사용한 어휘로부터 단어 레벨을 계산하고, 상기 계산된 단어 레벨을 이용하여 제2 유저에 대한 전문성을 계산하는 제2 유저 전문성 판단부
    를 포함하는 전문가 발견 시스템.
  11. 제10항에 있어서,
    상기 제2 유저 전문성 판단부는,
    상기 제2 유저에 대한 전문성이 계산된 뒤에, 상기 제1 유저 및 제2 유저에 대한 서비스 이용 지수와 조합하여 활동성 지수를 계산하는 전문가 발견 시스템.
  12. 제10항에 있어서,
    제1 유저 및 제2 유저들에 대한 전문성 지수 및 활동성 지수를 저장, 관리하며, 입력되는 질문에 대한 답변 가능성이 있는 전문가를 선정하는 전문가 정보 저장부
    를 포함하는 전문가 발견 시스템.
  13. 삭제
KR1020140019800A 2014-02-20 2014-02-20 어휘의 전문성 지수를 이용한 도메인 전문가 발견 시스템 및 방법 KR101563236B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020140019800A KR101563236B1 (ko) 2014-02-20 2014-02-20 어휘의 전문성 지수를 이용한 도메인 전문가 발견 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140019800A KR101563236B1 (ko) 2014-02-20 2014-02-20 어휘의 전문성 지수를 이용한 도메인 전문가 발견 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20150098474A KR20150098474A (ko) 2015-08-28
KR101563236B1 true KR101563236B1 (ko) 2015-10-26

Family

ID=54059885

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140019800A KR101563236B1 (ko) 2014-02-20 2014-02-20 어휘의 전문성 지수를 이용한 도메인 전문가 발견 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR101563236B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11687608B2 (en) 2021-07-31 2023-06-27 International Business Machines Corporation Team discovery for community-based question answering systems

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100739348B1 (ko) * 2006-03-06 2007-07-16 엔에이치엔(주) 키워드 별로 사용자의 전문가 지수를 산정하는 방법 및상기 방법을 수행하는 시스템
JP2011221872A (ja) * 2010-04-12 2011-11-04 Nippon Telegr & Teleph Corp <Ntt> 知識量推定装置及びプログラム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100739348B1 (ko) * 2006-03-06 2007-07-16 엔에이치엔(주) 키워드 별로 사용자의 전문가 지수를 산정하는 방법 및상기 방법을 수행하는 시스템
JP2011221872A (ja) * 2010-04-12 2011-11-04 Nippon Telegr & Teleph Corp <Ntt> 知識量推定装置及びプログラム

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11687608B2 (en) 2021-07-31 2023-06-27 International Business Machines Corporation Team discovery for community-based question answering systems

Also Published As

Publication number Publication date
KR20150098474A (ko) 2015-08-28

Similar Documents

Publication Publication Date Title
Brown et al. A systematic scoping review of the prevalence, etiological, psychological, and interpersonal factors associated with BDSM
Orosz et al. The personality, motivational, and need-based background of problematic Tinder use
Bacon et al. Manipulative relational behaviour and delinquency: sex differences and links with emotional intelligence
Leykin et al. Decision-making styles and depressive symptomatology: Development of the Decision Styles Questionnaire
Lynn Hawkins et al. Naturalistic observations of peer interventions in bullying
Robine et al. Creating a coherent set of indicators to monitor health across Europe: the Euro-REVES 2 project
Droogendyk et al. Renewed promise for positive cross-group contact: The role of supportive contact in empowering collective action.
Green et al. The impact of fear words in a secondary task on complex motor performance: a dual-task climbing study
US20130282745A1 (en) Systems and methods for online compatibility matching and ranking
Buhs et al. Early temperament and middle school engagement: School social relationships as mediating processes.
JP6563278B2 (ja) 結婚支援装置および結婚支援方法
KR101356948B1 (ko) Ｓｎｓ에서 사회적 이웃의 관심사와 사회적 활동의 토픽을 통해 사용자 관심사를 추론하는 방법 및 그 시스템
Human et al. Cardiac vagal flexibility and accurate personality impressions: Examining a physiological correlate of the good judge
KR101563236B1 (ko) 어휘의 전문성 지수를 이용한 도메인 전문가 발견 시스템 및 방법
Apouey Conditions of existence and subjective perceptions of retirement: Quantitative evidence from France
Lawler et al. Power dependence in individual bargaining: The expected utility of influence
KR101573327B1 (ko) 온라인 커뮤니티 간 토론 공감 배틀을 위한 소셜 네트워크 서비스 방법 및 그 시스템
Goldbaum Follow the leader: Simulations on a dynamic social network
Di Santo et al. To ghost or to be ghosted: An examination of the social and psychological correlates associated with ghosting
Feldhaus et al. Analysing transitions in intimate relationships with panel data
CN108136261A (zh) 服务器和程序
Beigh et al. Perceived Social Support among working women with respect to various socio-demographic variables
KR102434977B1 (ko) 캘린더 기반의 지능형 스트레스 관리 시스템 및 스트레스 관리 방법
Vivian et al. The thematic coding of dyadic interactions (TCDI): Observing the context of couple conflict
Hauff et al. Query quality: User ratings and system predictions

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20181002

Year of fee payment: 4