KR101586262B1 - 모바일 단말기 사용자간 소통 패턴 학습 방법, 이를 수행하기 위한 기록 매체 및 모바일 단말기 - Google Patents

모바일 단말기 사용자간 소통 패턴 학습 방법, 이를 수행하기 위한 기록 매체 및 모바일 단말기 Download PDF

Info

Publication number
KR101586262B1
KR101586262B1 KR1020140120016A KR20140120016A KR101586262B1 KR 101586262 B1 KR101586262 B1 KR 101586262B1 KR 1020140120016 A KR1020140120016 A KR 1020140120016A KR 20140120016 A KR20140120016 A KR 20140120016A KR 101586262 B1 KR101586262 B1 KR 101586262B1
Authority
KR
South Korea
Prior art keywords
document
proximity
telephone
log
communication
Prior art date
Application number
KR1020140120016A
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 KR1020140120016A priority Critical patent/KR101586262B1/ko
Application granted granted Critical
Publication of KR101586262B1 publication Critical patent/KR101586262B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
    • H04W88/02—Terminal devices

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Telephone Function (AREA)
  • Telephonic Communication Services (AREA)

Abstract

모바일 단말기 사용자간 소통 패턴 학습 방법은, 모바일 단말기로부터 수집한 전화 로그 및 근접성 로그를 각각 전화 문서 및 근접성 문서로 변환하는 단계; 각 상대방에 대한 상기 전화 문서 및 상기 근접성 문서를 하나의 쌍으로 정렬하는 단계; 상기 근접성 문서로부터 상기 전화 문서로의 한 방향 영향력을 반영하여, 소통 모델을 생성하는 단계; 및 상기 소통 모델을 근거로 사용자의 소통 패턴을 학습하는 단계를 포함한다. 이에 따라, 모바일 단말기 사용자 간의 소통 패턴의 자동 학습에 대한 정확도와 신뢰도를 향상시킬 수 있다.

Description

모바일 단말기 사용자간 소통 패턴 학습 방법, 이를 수행하기 위한 기록 매체 및 모바일 단말기{METHOD FOR FINDING SOCIAL INTERACTION PATTERNS, RECORDING MEDIUM AND MOBILE TERMINAL FOR PERFORMING THE METHOD}
본 발명은 모바일 단말기 사용자간 소통 패턴 학습 방법, 이를 수행하기 위한 기록 매체 및 모바일 단말기에 관한 것으로서, 더욱 상세하게는 모바일 단말기 사용자 간의 소통 패턴을 자동으로 학습하기 위한 LDA(Latent Dirichlet Allocation) 기반의 토픽 모델에 관한 것이다.
사람들 간의 소통을 이해하는 것은 상황 인지 기반의 유비쿼터스 응용들을 위한 핵심 요소들 중 하나이다. 예를 들어, 고객과의 비즈니스적인 만남에서 전화벨의 울림을 꺼두는 것이 도움이 된다. 여자 친구와의 통화 후 데이트 약속이 잡혔다면 두 사람이 좋아할 만한 음악 리스트를 추천해 준다면 좋을 것이다. 이러한 사용자 요구를 서비스로 실현시키기 위해서는 사람들 간의 소통에 대한 이해가 필요하다.
사람들 간의 전통적인 소통 방식은 직접 만나는 것이다. 전화가 발명되면서 사람들은 원거리에서도 소통이 가능해졌다. 특히, 모바일 폰이 보급되면서 이러한 원거리 소통은 일상의 중요한 부분을 차지하고 있다. 사용자 간의 통화를 기록하는 것은 모바일 폰의 기본적인 기능이다. 그 자체로 원거리에서의 사용자들 간의 소통 기록이 된다.
또한, 블루투스가 장착된 모바일 기기 사용이 확대되면서 사용자 간의 직접적인 만남을 감지하는 것이 가능해 졌다. 즉, 블루투스는 모바일 폰을 포함한 근접해 있는 장치를 감지함으로써 언제, 누가 가까이 있는지에 대한 기록이 가능하다. 이러한 근접성 기록은 사용자 만남에 대한 기록으로 활용할 수 있다. 이러한 모바일 폰의 사용이 확대되면서 사람들 간의 소통 기록을 대량으로 축적하고 이를 이용하여 사람들 간의 소통을 이해하는 것이 가능해졌다.
이에 따라, 전화 로그를 이용한 사회 관계망 분석(social network analysis) 연구가 활발히 진행되어 왔다. 사회 관계망의 노드(node)는 전화 사용자에 해당하고, 노드 간의 에지(edge)는 사용자 간의 전화가 발생한 것으로 표현된다. 에지의 강도는 에지로 연결된 두 사용자 노드들 간의 전화가 발생한 통계를 이용하여 결정된다. 이렇게 구성된 사회 관계망을 기존의 분석 방법들을 활용한 다양한 연구들이 진행되어 왔다.
종래에는 근접성 로그를 이용한 소통 패턴을 찾기 위한 연구들이 있었다. 이들 연구는 LDA (latent Dirichlet allocation)와 같은 토픽 모델을 활용하였다. 두 사람 간의 소통 패턴은 근접성 이력을 이용해 토픽 모델에서의 토픽 형태로 추론된다.
한편, 전화와 근접성 로그들을 이용한 연구들도 있다. 이들 연구는 기본적으로 전화와 근접성 로그가 독립적이라는 가정을 한다. 따라서, 두 가지 로그를 동시에 사용하였을 때 얻을 수 있는 정보를 손실하는 한계가 있다.
이와 같이 기존 접근들은 전화와 만남에 대한 기록 중 한가지만 이용하거나 이것들을 독립적으로 간주함으로써 전화와 만남을 동시에 고려하였을 때 얻을 수 있는 정보를 손실하는 한계가 있다. 따라서, 사용자들 간에 관찰되는 전화와 근접성 로그로부터 전화와 만남 간의 연관관계를 자동으로 추론할 수 있는 방법이 연구된다.
KR 10-2012-0095674 A KR 10-1267561 B1
Blei, et al., Latent dirichlet allocation, the Journal of machine Learning research 3 , 2003. Griffiths, et al., Finding scientific topics, PNAS, 2004.
이에, 본 발명의 기술적 과제는 이러한 점에서 착안된 것으로 본 발명의 목적은 모바일 단말기 사용자들 간에 관찰되는 전화와 근접성 로그로부터 소통 패턴을 자동으로 추론할 수 있는 모바일 단말기 사용자간 소통 패턴 학습 방법을 제공하는 것이다.
본 발명의 다른 목적은 상기 모바일 단말기 사용자간 소통 패턴 학습 방법을 수행하기 위한 컴퓨터 프로그램이 기록된 기록 매체를 제공하는 것이다.
본 발명의 또 다른 목적은 상기 사용자간 소통 패턴 학습 방법을 수행하기 위한 모바일 단말기를 제공하는 것이다.
상기한 본 발명의 목적을 실현하기 위한 일 실시예에 따른 모바일 단말기 사용자간 소통 패턴 학습 방법은, 모바일 단말기로부터 수집한 전화 로그 및 근접성 로그를 각각 전화 문서 및 근접성 문서로 변환하는 단계; 각 상대방에 대한 상기 전화 문서 및 상기 근접성 문서를 하나의 쌍으로 정렬하는 단계; 상기 근접성 문서로부터 상기 전화 문서로의 한 방향 영향력을 반영하여, 소통 모델을 생성하는 단계; 및 상기 소통 모델을 근거로 사용자의 소통 패턴을 학습하는 단계를 포함한다.
본 발명의 실시예에서, 상기 소통 모델을 생성하는 단계는, 상기 근접성 문서에 대한 토픽 비율(topic proportion)과 각 토픽에 대한 분포로부터 근접성 문서에 대한 각 단어를 생성하는 단계; 및 상기 근접성 문서에 대한 토픽 비율을 반영하여, 상기 전화 문서에 대한 각 단어를 생성하는 단계를 포함할 수 있다.
본 발명의 실시예에서, 상기 전화 문서에 대한 각 단어를 생성하는 단계는, 상기 근접성 문서에 대한 토픽 비율을 반영하여, 상기 전화 문서에 대한 토픽 비율을 계산하는 단계; 및 상기 전화 문서에 대한 토픽 비율에 따라, 상기 전화 문서에 대한 각 단어를 생성하는 단계를 포함할 수 있다.
본 발명의 실시예에서, 상기 소통 모델을 생성하는 단계는, 상기 전화 문서 및 상기 근접성 문서를 한 방향 영향력을 가정한 sdiLDA를 이용하여 소통 모델을 생성하는 단계를 포함할 수 있다.
본 발명의 실시예에서, 상기 소통 문서를 생성하는 단계는, 아래의 프로세스에 의해 수행될 수 있다.
Figure 112014085880604-pat00001
본 발명의 실시예에서, 상기 소통 모델을 근거로 사용자의 소통 패턴을 학습하는 단계는, 상기 소통 모델에서 정의한 은닉 변수에 대한 확률 분포를 추정하는 단계를 포함할 수 있다.
본 발명의 실시예에서, 상기 은닉 변수는 토픽을 표현하는 분포, 토픽 비율 및 각 단어에 할당되는 토픽일 수 있다.
본 발명의 실시예에서, 상기 소통 모델에서 정의한 은닉 변수에 대한 확률 분포를 추정하는 단계는, 컬랩스트 깁스 샘플링(collapsed Gibbs sampling)을 이용할 수 있다.
본 발명의 실시예에서, 상기 전화 문서 및 근접성 문서로 변환하는 단계는, 상기 전화 로그와 상기 근접성 로그를 수집하는 단계; 상기 전화 로그를 각 상대방에 따른 전화 문서로 변환하는 단계; 및 상기 근접성 로그를 각 상대방에 따른 근접성 문서로 변환하는 단계를 포함할 수 있다.
본 발명의 실시예에서, 상기 전화 로그를 각 상대방에 따른 전화 문서로 변환하는 단계는, 상대방과의 통화한 시간 기록을 해당 시간에 대응하는 타임 슬롯으로 표현하는 단계; 및 각 상대방에 따른 상기 타임 슬롯을 단어로 하는 전화 문서를 작성하는 단계를 포함할 수 있다.
본 발명의 실시예에서, 상기 근접성 로그를 각 상대방에 따른 근접성 문서로 변환하는 단계는, 상대방과 근접한 시간 기록을 해당 시간과 대응하는 타임 슬롯으로 표현하는 단계; 및 각 상대방에 따른 상기 타임 슬롯을 단어로 하는 근접성 문서를 작성하는 단계를 포함할 수 있다.
본 발명의 실시예에서, 상기 근접성 로그는 블루투스 센서를 통해 수집될 수 있다.
상기한 본 발명의 다른 목적을 실현하기 위한 일 실시예에 따른 컴퓨터로 판독 가능한 저장 매체에는, 전술한 모바일 단말기 사용자간 소통 패턴 학습 방법을 수행하기 위한 컴퓨터 프로그램이 기록되어 있다.
상기한 본 발명의 또 다른 목적을 실현하기 위한 일 실시예에 따른 사용자간 소통 패턴 학습 방법을 수행하기 위한 모바일 단말기는, 수집한 전화 로그 및 근접성 로그를 각각 전화 문서 및 근접성 문서로 변환하는 문서 변환부; 각 상대방에 대한 상기 전화 문서 및 상기 근접성 문서를 하나의 쌍으로 정렬하는 코퍼스부; 상기 근접성 문서로부터 상기 전화 문서로의 한 방향 영향력을 반영하여, 소통 모델을 생성하는 모델 생성부; 및 상기 소통 모델을 근거로 사용자의 소통 패턴을 학습하는 모델 학습부를 포함한다.
본 발명의 실시예에서, 상기 모델 생성부는, 상기 근접성 문서에 대한 토픽 비율(topic proportion)과 각 토픽에 대한 분포로부터 근접성 문서에 대한 각 단어를 생성하고, 상기 근접성 문서에 대한 토픽 비율을 반영하여, 상기 전화 문서에 대한 토픽 비율을 계산하고, 상기 전화 문서에 대한 토픽 비율에 따라, 상기 전화 문서에 대한 각 단어를 생성할 수 있다.
본 발명의 실시예에서, 상기 모델 생성부는, 상기 전화 문서 및 상기 근접성 문서를 한 방향 영향력을 가정한 sdiLDA를 이용하여 소통 모델을 생성할 수 있다.
본 발명의 실시예에서, 상기 모델 학습부는, 상기 소통 모델에서 정의한 은닉 변수에 대한 확률 분포를 추정할 수 있다.
본 발명의 실시예에서, 상기 은닉 변수는 토픽을 표현하는 분포, 토픽 비율 및 각 단어에 할당되는 토픽일 수 있다.
본 발명의 실시예에서, 상기 문서 변환부는, 상기 전화 로그와 상기 근접성 로그를 수집하는 정보 수집부; 상기 전화 로그와 상기 근접성 로그에 포함된 소통 시간을 해당 시간과 대응하는 타임 슬롯으로 변환하는 변환부; 및 상기 타임 슬롯을 단어로 하는 전화 문서 및 근접성 문서를 각각 작성하는 문서 작성부를 포함할 수 있다.
본 발명의 실시예에서, 상기 전화 문서 및 상기 근접성 문서는 각 상대방 별로 작성될 수 있다.
이와 같은 본 발명에 따르면, 전화와 근접성 이력을 동시에 사용하여 소통 패턴을 추론하기 위한 모델을 제안하며, 전화와 근접성 로그 간의 관계를 명시적으로 표현함으로써 두 가지 로그를 동시에 사용하였을 때 얻을 수 있는 의존 관계를 고려한다. 이에 따라, 모바일 단말기 사용자 간의 소통 패턴의 자동 학습에 대한 정확도와 신뢰도를 향상시킬 수 있다.
도 1은 본 발명의 일 실시예에 따른 사용자간 소통 패턴 학습을 수행하기 위한 모바일 단말기의 블록도이다.
도 2는 도 1의 문서 변환부의 블록도이다.
도 3은 전화 로그를 소통 문서로 변환하는 예를 보여주는 도면이다.
도 4는 LDA를 이용한 전화와 접근성 로그의 모델링을 보여주는 도면이다.
도 5는 전화와 근접성 문서들을 하나의 소통 문서로 통합한 예를 보여주는 도면이다.
도 6은 PLTM을 이용한 전화와 접근성 로그의 모델링을 보여주는 도면이다.
도 7은 iLDA를 이용한 전화와 접근성 로그의 모델링을 보여주는 도면이다.
도 8은 본 발명에 따른 sdiLDA를 이용한 전화와 접근성 로그의 모델링을 보여주는 도면이다.
도 9는 sdiLDA와 iLDA의 가정을 검증하기 위한 실험 데이터이다.
도 10은 sdiLDA와 다른 모델들을 비교하기 위한 실험 데이터이다.
도 11은 본 발명의 일 실시예에 따른 모바일 단말기 사용자간 소통 패턴 학습 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 사용자간 소통 패턴 학습을 수행하기 위한 모바일 단말기의 블록도이다. 도 2는 도 1의 문서 변환부의 블록도이다.
본 발명은 모바일 단말기 사용자 간의 소통을 이해하기 위한 소통 패턴을 찾는 문제를 해결하고자 한다. 사람들의 일상은 주 단위 혹은 주중, 주말 단위로 반복되는 특징이 있다. 이러한 반복적이고 주기적인 사람들의 일상은 소통하는 모습에서도 관찰된다. 예를 들어, 주중 낮 시간에는 주로 회사 동료와 시간을 보내게 되고, 저녁 이후에는 가족들과 시간을 보내는 것이 일반적이다. 주말에는 낮 시간에도 가족과 시간을 보내거나 가까운 친구를 만나게 된다. 이러한 소통 특징은 전화나 근접성 이력으로 표현될 수 있다. 소통 패턴은 반복적으로 관찰되는 전화나 근접성 이력을 찾는 것이다.
좀 더 구체적으로, 동일한 모바일 단말기 사용자들 간의 전화와 근접성 이력은 서로 연관관계가 있을 가능성이 높다. 예를 들어, 직장 동료와의 전화 통화 이후 만남은 어떤 사안에 대한 회의일 가능성이 높다. 만약, 일과 시간 이후의 만남이라면 회식이 될 것이다. 친구와의 전화 통화 이후 저녁에 만남 혹은 주말에 만남은 가벼운 여가 활동으로 이해할 수 있다. 이러한 전화와 근접성 간의 관계를 명시적으로 기록하기는 어렵다. 따라서, 사용자들 간에 관찰되는 전화와 근접성 로그로부터 자동으로 추론할 수 있는 방법이 요구된다.
이에, 본 발명은 전화와 근접성 이력을 동시에 사용하여 소통 패턴을 추론하기 위한 모델을 제안한다. 본 발명에서 제안하는 모델은 전화와 만남 사이에 의존 관계가 있다고 가정하고, 만남이 전화에 영향을 미치는 형태이다. 즉, 만남에서 전화로의 한 방향 영향력을 표현하기 때문에 Single Directional Influence LDA (이하, sdiLDA)라고 부른다.
도 1을 참조하면, 본 실시예에 따른 사용자간 소통 패턴 학습을 수행하기 위한 모바일 단말기(10, 이하, 단말기)는 문서 변환부(110), 코퍼스부(130), 모델 생성부(150) 및 모델 학습부(170)를 포함한다.
본 발명의 상기 단말기(10)는 단말기 사용자간 소통 패턴 학습을 수행하기 위한 소프트웨어(애플리케이션)가 설치되어 실행될 수 있으며, 상기 문서 변환부(110) 등의 구성은 상기 단말기(10)에서 실행되는 상기 단말기 사용자간 소통 패턴 학습을 수행하기 위한 소프트웨어에 의해 제어될 수 있다.
상기 단말기(10)는 별도의 단말이거나 또는 단말의 일부 모듈일 수 있다. 상기 단말기(10)는 이동성을 가질 수 있으며, 스마트 폰(smart phone), 휴대폰(mobile 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 전화와 근접성 로그로부터 소통 패턴을 자동으로 찾기 위해 LDA에 기반한 방법을 제안한다. 제안하는 방법은 사용자 간의 소통 패턴을 토픽의 형태로 추론한다.
이를 위해 먼저, 상기 문서 변환부(110)는 상기 단말기(10)로부터 다른 사용자와의 소통 데이터를 수집하여 소통 문서로 변환한다. 상기 소통 데이터는 전화 로그 및 근접성 로그일 수 있고, 이들을 각각 전화 문서 및 근접성 문서로 변환할 수 있다.
도 2를 참조하면, 상기 문서 변환부(110)는 상기 전화 로그와 상기 근접성 로그를 수집하는 정보 수집부(111), 상기 전화 로그와 상기 근접성 로그에 포함된 소통 시간을 해당 시간과 대응하는 타임 슬롯으로 변환하는 변환부(113) 및 상기 타임 슬롯을 단어로 하는 전화 문서 및 근접성 문서를 작성하는 문서 작성부(115)를 포함한다.
상기 정보 수집부(111)는 다른 사용자와의 통화 기록 및 근접성 이력을 수집할 수 있다. 상기 근접성 이력은 GPS(Global Positioning System) 모듈, 근접 센서, 동작 센서, 조도 센서, 자이로 센서, 마이크 모듈, WiFi 모듈, 블루투스 모듈 중 적어도 하나로부터 수집할 수 있다.
도 3(a)를 참조하면, 사용자(user 1)의 전화 로그를 보여주는 것으로, 사용자(user 1)와 제1 상대방(user 2) 또는 사용자(user 1)와 제2 상대방(user 3)과의 통화 시간이 기록되어 있다.
상기 변환부(113)는 사용자들 간에 발생한 소통 시간을 해당 시간이 속한 타임 슬롯(time slot)으로 표현하고 이를 단어로 간주한다.
상기 문서 작성부(115)는 두 사용자들 간의 소통 기록의 타임 슬롯을 단어로 하는 하나의 문서로 표현한다. 즉, 상기 변환부(113)에서 변환된 단어들을 통화한 상대방에 따라 묶어서 각 상대방 별로 전화 문서를 작성한다.
도 3(b)는 전화 로그를 사용자 간의 소통 문서로 표현한 예를 보여준다. 도 3(b)를 참조하면, 사용자(user 1)와 제1 상대방(user 2)과의 전화 소통에 따른 문서(210)와 사용자(user 1)와 제2 상대방(user 3)과의 전화 소통에 따른 문서(230)를 각각 형성한다.
또한, 상기 변환부(113)는 사용자들 간에 발생한 근접성 로그를 전화 로그와 마찬가지로 타임 슬롯으로 변환한다. 즉, 상기 변환부(113)는 두 사용자가 몇 시에 근접해 있었다는 시간 기록들을 타임 슬롯으로 변환하고, 상기 문서 작성부(115)는 상기 타임 슬롯을 단어로 하는 문서로 표현한다.
이에 따라, 각 상대방 별로 전화 로그와 근접성 로그를 기초로 하는 소통 문서인 전화 문서 및 근접성 문서가 생성된다.
상기 코퍼스부(130)는 각 상대방에 대한 상기 전화 문서 및 상기 근접성 문서를 하나의 쌍으로 정렬한다. 전화 혹은 근접성 로그를 소통 문서로 변환함으로써, 하나의 사용자로부터 얻을 수 있는 로그는 여러 개의 문서로 이루어진 하나의 코퍼스가 된다.
상기 모델 생성부(150)는 상기 근접성 문서로부터 상기 전화 문서로의 한 방향 영향력을 반영하여, 소통 모델을 생성한다. 전화 로그와 근접성 로그는 각각 LDA를 이용하여 모델링할 수 있다.
LDA는 문서 코퍼스를 모델링 하기 위해 제안되었다. LDA는 문서를 여러 개의 토픽들로 구성된 것으로 가정하고, 토픽을 단어들의 분포로 정의한다. 문서를 이루는 단어들은 이러한 문서를 구성하는 토픽들과 각 토픽에 대한 단어들의 분포에 의해 생성된다고 가정한다. 문서 코퍼스로부터 이러한 토픽과 각 문서를 구성하는 토픽 비율(topic proportion)을 찾기 위한 방법으로 variational inference, collapsed Gibbs sampling, message passing 등의 방법들이 제안되었다. 본 발명은 collapsed Gibbs sampling을 이용한 추론 방법을 사용할 수 있다.
본 발명은 전화 근접성 로그 간의 관계를 명시적으로 표현함으로써 두 가지 로그를 동시에 사용하였을 때 얻을 수 있는 의존 관계를 고려한다. 즉, 근접성 문서로부터 전화 문서로의 한 방향 영향력을 가정하는 sdiLDA를 제안한다.
본 발명에 따른 sdiLDA를 설명하기 위해 먼저 기존에 제안된 LDA기반 토픽 모델들과 비교한다.
도 4는 LDA를 이용한 전화와 접근성 로그의 모델링을 보여주는 도면이다.
도 4에 표현된 각 파라미터는 다음과 같다.
Figure 112014085880604-pat00002
LDA는 문서에 대한 코퍼스를 모델링한다. 하나의 코퍼스가 D개의 문서로 이루어져 있다고 할 때, 각 문서를 이루는 N개의 단어들은 T개의 토픽 중 하나로부터 생성된다. 이때, 각 단어를 생성하기 위한 토픽은 토픽 비율에 의해 결정된다.
전화와 근접성 로그를 동시에 적용하는 간단한 방법은 이들 두 가지 소통 정보를 동일한 유형의 정보로 간주하는 것이다. 즉, 동일한 두 사용자 간의 전화와 근접성에 대한 소통 문서들을 하나로 결합하여 표현한다.
도 5는 전화와 근접성 로그로부터 얻은 문서들을 결합하여 하나의 문서로 표현한 예이다.
도 5를 참조하면, 첫 번째 소통 문서(310)는 사용자(user 1)와 제1 상대방(user 2) 간의 근접성 로그로부터 얻은 문서이고, 두 번째 소통 문서(310)는 사용자(user 1)와 제1 상대방(user 2) 간의 전화 로그로부터 얻은 문서이다. 이 두 문서를 결합하여 세 번째와 같은 결합된 문서(350)를 얻을 수 있다.
이러한 접근은 전화와 근접성 로그를 동시에 사용할 수 있는 방법을 제공하지만, 두 가지 유형의 정보를 구분하지 않는다. 따라서, 이들 간의 관계를 명시적으로 표현하고 있지 않다는 한계가 있다. 이러한 한계는 LDA에 대한 도 4에 의해서도 이해할 수 있다. 즉, 도 4에 도시된 LDA의 시각적 표현에서도 전화와 근접성 문서 간의 구분이 없음을 알 수 있다.
도 6은 PLTM을 이용한 전화와 접근성 로그의 모델링을 보여주는 도면이다.
도 6에 표현된 각 파라미터는 다음과 같다.
Figure 112014085880604-pat00003
이미 설명한 바와 같이, 전화와 근접성 사이에는 연관관계가 있을 수 있다. 예를 들어, 직장 동료들 간의 전화의 그들 간의 공동 작업과 관련이 있을 것이다. 이들 간의 만남 또한 마찬가지이다. 따라서, 직장 동료들 간의 전화와 근접성 사이에 명시적인 관련성은 관찰할 수 없어도 전화와 근접성 모두 이들 간의 공동 작업과 관계를 가질 개연성이 있다.
이러한 관계를 모델링 하는 방법으로 Polylingual Topic Model(PLTM)을 활용할 수 있다. PLTM은 거의 동일한 내용을 서로 다른 언어로 표현하는 문서들을 모델링하기 위해 제안되었다. 예를 들어, 위키피디아는 동일한 내용을 서로 다른 언어로 표현한다. PLTM은 문서를 이루는 토픽 간의 상관관계(correlation)를 가정한다.
도 6을 참조하면, 토픽간의 상관관계를 근접성 문서와 전화 문서의 각 토픽이 동일한 토픽 비율(topic proportion)을 공유하는 형태로 표현하고 있다. 이러한 모델링을 통해 토픽 간의 상관관계뿐만 아니라 토픽을 통한 단어들 간의 상관관계를 고려할 수 있다.
PLTM은 LDA와 달리 근접성과 전화 사이의 관계를 명시적으로 표현하고 있지만, 사람들 간의 소통을 모델링 하기에는 부적합하다. 그 이유는 근접성의 경우 전화와 달리 오랜 회의에 따른 결과로 표현되기도 하기 때문이다. 즉, 일반적으로 근접성이 전화에 비해 압도적으로 많은 로그를 남긴다. 이러한 경우, 근접성과 전화에 대한 토픽 비율이 다를 수도 있다. 이것은 PLTM의 기본적인 가정을 부정하는 것이다.
도 7은 iLDA를 이용한 전화와 접근성 로그의 모델링을 보여주는 도면이다.
도 7에 표현된 각 파라미터는 다음과 같다.
Figure 112014085880604-pat00004
전화와 근접성 로그를 독립적으로 모델링하는 것도 하나의 선택이 될 수 있다. 도 7의 모델을 independent LDA(iLDA)라고 정의한다. iLDA는 동일한 두 사용자 간의 근접성 문서와 전화 문서에 대해 서로 다른 토픽 비율을 허용한다. 그러나, 이러한 모델링은 전화와 근접성 로그를 동시에 사용하였을 때 얻을 수 있는 정보를 손실하는 한계가 있다.
도 8은 본 발명에 따른 sdiLDA를 이용한 전화와 접근성 로그의 모델링을 보여주는 도면이다.
도 8에 표현된 각 파라미터는 다음과 같다.
Figure 112014085880604-pat00005
본 발명은 근접성 문서에서 전화 문서로의 영향력을 명시적으로 정의한 모델(sdiLDA)을 제안한다. sdiLDA는 근접성 문서로부터 전화 문서로의 한 방향 영향력을 가정한다. 이때, 두 문서는 동일한 두 사용자로부터 얻은 것이다.
sdiLDA 모델링의 이유는 일반적으로 근접성이 전화에 비해 압도적으로 많은 양을 가지기 때문이다. 또한, 근접성이 전화에 비해 규칙적인 특징을 보이는 것으로 알려져 있다.
sdiLDA를 이용한 소통 문서 생성 과정은 아래와 같다.
Figure 112014085880604-pat00006
상기 소통 문서 생성 과정을 설명해 보면, 먼저, 어떤 두 사용자 간의 근접성 문서에 대한 토픽 비율과 각 토픽에 대한 분포로부터 근접성 문서의 각 단어를 생성한다. 이러한 생성 과정은 기존의 LDA와 동일하다. 동일한 방법으로 전화 문서에 대한 각 단어를 생성한다. sdiLDA가 iLDA와 다른 점은 상기 생성 과정의 3)에 해당한다.
순서대로 설명해 보면, 근접성 문서를 생성하기 위해 1) 토픽 비율을 샘플링하고, 2) 각 단어에 대해, a) 토픽 비율로부터 토픽을 샘플링하고, b) 토픽으로부터 단어를 생성한다.
이어, 전화 문서를 생성하기 위해 3) 토픽 비율을 샘플링하고, 4) 각 단어에 대해, a) 토픽 비율로부터 토픽을 샘플링하고, b) 토픽으로부터 단어를 생성한다. 다만, 전화 문서를 생성하기 전에 근접서 문서의 토픽 비율을 이용하여 전화 문서에 대한 토픽 비율을 계산한다.
상기 전화 문서에 대한 토픽 비율은 두 가지 요소에 의해 결정된다. 하나는 스칼라 값(scalar value)인 αc이고, 다른 하나는 θp d이다. θp d는 근접성 문서로부터 얻은 토픽 비율이다. 수학적으로 αc는 집중 파라미터(concentration parameter)에 해당하고, θp d는 기준 척도(base measure)가 된다. 따라서, 전화 문서에 대한 토픽 비율은 비대칭 우선권(asymmetric prior)에 의해 결정된다.
이러한 소통 모델 생성을 통해 관찰 데이터가 형성되고, 상기 모델 학습부(170)는 상기 소통 모델에서 정의한 은닉 변수에 대한 확률 분포를 추정한다. 이러한 추정 과정을 모델을 학습한다고 표현할 수 있다. 즉,　모델을 학습하는 것은 관찰 데이터 생성을 위해 필요한 은닉 변수들에 대한 확률 분포를 추정하는 것이다. 모델 학습의 근거로 사용할 수 있는 것은 전화 및 근접성 문서들(즉, 관찰 데이터)이다.
상기 은닉 변수는 토픽을 표현하는 분포, 토픽 비율, 그리고 각 단어에 할당되는 토픽이며, 이에 따라 관찰 데이터로부터 토픽을 표현하는 분포, 토픽 비율, 각 단어에 할당되는 토픽을 추정한다. 이러한 추정 방법으로 컬랩스트 깁스 샘플링(collapsed Gibbs sampling)을 이용할 수 있다.
이하에서는, 본 발명이 제안하는 sdiLDA를 이용한 모바일 단말기 사용자간 소통 패턴 학습의 효과를 검증하기 위한 실험 결과를 설명한다.
모델 평가를 위해 perplexity를 활용하였고, perplexity는 테스트 데이터에 대한 가능성(likelihood)에 의해 정의된다. 가능성은 모델에　의해 테스트 데이터가 생성될 확률에 해당하며,　어떤 모델에 의해 테스트 데이터가 생성될 확률이 높다는 것은 해당 모델이 테스트 데이터에 그 만큼 적합하다는 것을 의미한다.
가능성은 모델에 따라 다르게 정의되기 때문에 그 자체를 서로 다른 모델을 비교할 목적으로 사용하기도 한다. perplexity는 가능성에 대해 역비례하기 때문에 perplexity가 낮을수록 테스트 데이터에 적합한 모델이 된다.
도 9는 sdiLDA와 iLDA의 가정을 검증하기 위한 실험 데이터이다.
도 9를 참조하면, 실험 결과, sdiLDA가 iLDA보다 토픽의 갯수에 관계없이 낮은 perplexity를 보였다. 특히, sdiLDA에서 근접성 문서에서 전화 문서로의 의존성의 강도에 해당하는 변수를 조정하였을 때,　항상 iLDA보다 낮은 perplexity를 보임을 알 수 있다. 이러한 결과는 본 발명에서 제안한 방법의 가정이 옳다는 것을 증명한다.
도 10은 sdiLDA와 다른 모델들을 비교하기 위한 실험 데이터이다.
도 10을 참조하면, sdiLDA와 다른 모델들, 즉, LDA, PLTM, iLDA을 비교하였다. 그 결과, 토픽의 갯수에 관계없이 항상 제안한 sdiLDA 모델의 perplexity가 다른 모델에 비해 낮다. 따라서, 본 발명에서 제안한 모델이 전화와 근접성 로그를 동시에 모델링하는데 적합하다는 것을 증명한다.
이에 따라, 본 발명은 전화와 근접성 로그를 동시에 사용하였을 때 얻을 수 있는 의존 관계를 고려하여, 모바일 단말기 사용자 간의 소통 패턴의 자동 학습에 대한 정확도와 신뢰도를 향상시킬 수 있다.
도 11은 본 발명의 일 실시예에 따른 모바일 단말기 사용자간 소통 패턴 학습 방법의 대략적인 흐름도이다.
본 실시예에 따른 모바일 단말기 사용자간 소통 패턴 학습 방법은, 도 1의 단말기(10)와 실질적으로 동일한 구성에서 진행될 수 있다. 따라서, 도 1의 단말기(10)와 동일한 구성요소는 동일한 도면부호를 부여하고, 반복되는 설명은 생략한다. 또한, 본 실시예에 따른 모바일 단말기 사용자간 소통 패턴 학습 방법은 모바일 단말기 사용자간 소통 패턴 학습을 위한 소프트웨어(애플리케이션)에 의해 실행될 수 있다.
도 11을 참조하면, 본 실시예에 따른 모바일 단말기 사용자간 소통 패턴 학습 방법은, 모바일 단말기로부터 수집한 전화 로그 및 근접성 로그를 각각 전화 문서 및 근접성 문서로 변환한다(단계 S10).
단계 S10은, 구체적으로, 상기 전화 로그와 상기 근접성 로그를 수집하는 단계, 상기 전화 로그를 각 상대방에 따른 전화 문서로 변환하는 단계 및 상기 근접성 로그를 각 상대방에 따른 근접성 문서로 변환하는 단계를 포함할 수 있다.
상기 전화 로그를 각 상대방에 따른 전화 문서로 변환하는 단계는, 상대방과의 통화한 시간 기록을 해당 시간과 대응하는 타임 슬롯으로 표현하고, 각 상대방에 따른 상기 타임 슬롯을 단어로 하는 전화 문서를 작성할 수 있다.
상기 근접성 로그를 각 상대방에 따른 근접성 문서로 변환하는 단계는, 상대방과 근접한 시간 기록을 해당 시간과 대응하는 타임 슬롯으로 표현하고, 각 상대방에 따른 상기 타임 슬롯을 단어로 하는 전화 문서를 작성할 수 있다. 상기 근접성 로그는 모바일 단말기가 포함하는 블루투스 센서를 통해 수집될 수 있다.
전화 문서 및 근접성 문서가 생성되면, 각 상대방에 대한 상기 전화 문서 및 상기 근접성 문서를 하나의 쌍으로 정렬한다(단계 S30). 즉, 전화 혹은 근접성 로그를 소통 문서로 변환함으로써, 하나의 사용자로부터 얻을 수 있는 로그는 여러 개의 문서로 이루어진 하나의 코퍼스가 된다.
이어, 상기 근접성 문서로부터 상기 전화 문서로의 한 방향 영향력을 반영하여, 소통 모델을 생성한다(단계 S50).
단계 S50는, 상기 근접성 문서에 대한 토픽 비율(topic proportion)과 각 토픽에 대한 분포로부터 근접성 문서에 대한 각 단어를 생성하고, 또한 상기 근접성 문서에 대한 토픽 비율을 반영하여, 상기 전화 문서에 대한 각 단어를 생성한다.
상기 전화 문서에 대한 각 단어를 생성하는 단계는, 상기 근접성 문서에 대한 토픽 비율을 반영하여, 상기 전화 문서에 대한 토픽 비율을 계산한 후 상기 전화 문서에 대한 토픽 비율에 따라, 상기 전화 문서에 대한 각 단어를 생성한다.
이러한 소통 모델을 생성은 상기 전화 문서 및 상기 근접성 문서를 한 방향 영향력을 가정한 sdiLDA를 이용하며, 이를 프로세스로 표현하면 아래와 같다.
Figure 112014085880604-pat00007
상기 소통 모델이 완성되면, 이를 근거로 사용자의 소통 패턴을 학습한다(단계 S70). 즉, 상기 소통 모델에서 정의한 은닉 변수에 대한 확률 분포를 추정하는데, 상기 은닉 변수는 토픽을 표현하는 분포, 토픽 비율 및 각 단어에 할당되는 토픽이다. 또한, 상기 은닉 변수의 추정은 컬랩스트 깁스 샘플링(collapsed Gibbs sampling)을 이용할 수 있다.
이와 같은, 모바일 단말기 사용자간 소통 패턴 학습 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 모바일 단말기 사용자간 소통 패턴 학습 방법은, 근접성으로부터 전화로의 한 방향 영향력을 모델링하여 정확하고 신뢰도 높은 모바일 단말기 사용자 간의 소통 패턴을 분석할 수 있다. 이는 사람들 간의 소통을 정확히 이해하여 상황 인지 기반의 유비쿼터스 응용들에 넓게 활용될 수 있다.
10: 모바일 단말기 110: 문서 변환부
130: 코퍼스부 150: 모델 생성부
170: 모델 학습부 111: 정보 수집부
113: 변환부 115: 문서 작성부

Claims (20)

  1. 문서 변환부가 전화 로그 및 근접성 로그를 수집하고, 수집된 상기 전화 로그 및 상기 근접성 로그를 각각 전화 문서 및 근접성 문서로 변환하는 단계;
    코스퍼부가 각 상대방에 대한 상기 전화 문서 및 상기 근접성 문서를 하나의 쌍으로 정렬하는 단계;
    모델 생성부가 상기 근접성 문서에 대한 토픽 비율(topic proportion)과 각 토픽에 대한 분포로부터 상기 근접성 문서의 각 단어를 생성하고, 상기 근접성 문서에 대한 토픽 비율을 반영하여, 상기 전화 문서에 대한 각 단어를 생성하여 소통 모델을 생성하는 단계; 및
    모델 학습부가 상기 소통 모델을 근거로 사용자의 소통 패턴을 학습하는 단계를 포함하는, 모바일 단말기 사용자간 소통 패턴 학습 방법.
  2. 삭제
  3. 제1항에 있어서, 상기 전화 문서에 대한 각 단어를 생성하는 것은,
    상기 근접성 문서에 대한 토픽 비율을 반영하여, 상기 전화 문서에 대한 토픽 비율을 계산하는 단계; 및
    상기 전화 문서에 대한 토픽 비율에 따라, 상기 전화 문서에 대한 각 단어를 생성하는 단계를 포함하는, 모바일 단말기 사용자간 소통 패턴 학습 방법.
  4. 제1항에 있어서, 상기 소통 모델을 생성하는 단계는,
    상기 전화 문서 및 상기 근접성 문서를 한 방향 영향력을 가정한 sdiLDA를 이용하여 소통 모델을 생성하는 단계를 포함하는, 모바일 단말기 사용자간 소통 패턴 학습 방법.
  5. 제4항에 있어서, 상기 소통 문서를 생성하는 단계는,
    아래의 프로세스에 의해 수행되는,
    Figure 112014085880604-pat00008

    모바일 단말기 사용자간 소통 패턴 학습 방법.
  6. 제1항에 있어서, 상기 소통 모델을 근거로 사용자의 소통 패턴을 학습하는 단계는,
    상기 소통 모델에서 정의한 은닉 변수에 대한 확률 분포를 추정하는 단계를 포함하는, 모바일 단말기 사용자간 소통 패턴 학습 방법.
  7. 제6항에 있어서,
    상기 은닉 변수는 토픽을 표현하는 분포, 토픽 비율 및 각 단어에 할당되는 토픽인, 모바일 단말기 사용자간 소통 패턴 학습 방법.
  8. 제6항에 있어서, 상기 소통 모델에서 정의한 은닉 변수에 대한 확률 분포를 추정하는 단계는,
    컬랩스트 깁스 샘플링(collapsed Gibbs sampling)을 이용하는, 모바일 단말기 사용자간 소통 패턴 학습 방법.
  9. 제1항에 있어서, 상기 전화 문서 및 근접성 문서로 변환하는 단계는,
    상기 전화 로그와 상기 근접성 로그를 수집하는 단계;
    상기 전화 로그를 각 상대방에 따른 전화 문서로 변환하는 단계; 및
    상기 근접성 로그를 각 상대방에 따른 근접성 문서로 변환하는 단계를 포함하는, 모바일 단말기 사용자간 소통 패턴 학습 방법.
  10. 제9항에 있어서, 상기 전화 로그를 각 상대방에 따른 전화 문서로 변환하는 단계는,
    상대방과의 통화한 시간 기록을 해당 시간에 대응하는 타임 슬롯으로 표현하는 단계; 및
    각 상대방에 따른 상기 타임 슬롯을 단어로 하는 전화 문서를 작성하는 단계를 포함하는, 모바일 단말기 사용자간 소통 패턴 학습 방법.
  11. 제9항에 있어서, 상기 근접성 로그를 각 상대방에 따른 근접성 문서로 변환하는 단계는,
    상대방과 근접한 시간 기록을 해당 시간과 대응하는 타임 슬롯으로 표현하는 단계; 및
    각 상대방에 따른 상기 타임 슬롯을 단어로 하는 근접성 문서를 작성하는 단계를 포함하는, 모바일 단말기 사용자간 소통 패턴 학습 방법.
  12. 제1항에 있어서,
    상기 근접성 로그는 블루투스 센서를 통해 수집되는, 모바일 단말기 사용자간 소통 패턴 학습 방법.
  13. 제1항 및 제3항 내지 제12항 중 어느 하나의 항에 따른 모바일 단말기 사용자간 소통 패턴 학습 방법을 수행하기 위한, 컴퓨터 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.
  14. 수집한 전화 로그 및 근접성 로그를 각각 전화 문서 및 근접성 문서로 변환하는 문서 변환부;
    각 상대방에 대한 상기 전화 문서 및 상기 근접성 문서를 하나의 쌍으로 정렬하는 코퍼스부;
    상기 근접성 문서에 대한 토픽 비율(topic proportion)과 각 토픽에 대한 분포로부터 상기 근접성 문서의 각 단어를 생성하고, 상기 근접성 문서에 대한 토픽 비율을 반영하여, 상기 전화 문서에 대한 각 단어를 생성하여 소통 모델을 생성하는 모델 생성부; 및
    상기 소통 모델을 근거로 사용자의 소통 패턴을 학습하는 모델 학습부를 포함하는, 사용자간 소통 패턴 학습 방법을 수행하기 위한 모바일 단말기.
  15. 제14항에 있어서, 상기 모델 생성부는,
    상기 근접성 문서에 대한 토픽 비율을 반영하여, 상기 전화 문서에 대한 토픽 비율을 계산하고, 상기 전화 문서에 대한 토픽 비율에 따라, 상기 전화 문서에 대한 각 단어를 생성하는 것을 더 포함하는, 사용자간 소통 패턴 학습 방법을 수행하기 위한 모바일 단말기.
  16. 제14항에 있어서, 상기 모델 생성부는,
    상기 전화 문서 및 상기 근접성 문서를 한 방향 영향력을 가정한 sdiLDA를 이용하여 소통 모델을 생성하는, 사용자간 소통 패턴 학습 방법을 수행하기 위한 모바일 단말기.
  17. 제14항에 있어서, 상기 모델 학습부는,
    상기 소통 모델에서 정의한 은닉 변수에 대한 확률 분포를 추정하는, 사용자간 소통 패턴 학습 방법을 수행하기 위한 모바일 단말기.
  18. 제17항에 있어서,
    상기 은닉 변수는 토픽을 표현하는 분포, 토픽 비율 및 각 단어에 할당되는 토픽인, 사용자간 소통 패턴 학습 방법을 수행하기 위한 모바일 단말기.
  19. 제14항에 있어서, 상기 문서 변환부는,
    상기 전화 로그와 상기 근접성 로그를 수집하는 정보 수집부;
    상기 전화 로그와 상기 근접성 로그에 포함된 소통 시간을 해당 시간과 대응하는 타임 슬롯으로 변환하는 변환부; 및
    상기 타임 슬롯을 단어로 하는 전화 문서 및 근접성 문서를 각각 작성하는 문서 작성부를 포함하는, 사용자간 소통 패턴 학습 방법을 수행하기 위한 모바일 단말기.
  20. 제19항에 있어서,
    상기 전화 문서 및 상기 근접성 문서는 각 상대방 별로 작성되는, 사용자간 소통 패턴 학습 방법을 수행하기 위한 모바일 단말기.
KR1020140120016A 2014-09-11 2014-09-11 모바일 단말기 사용자간 소통 패턴 학습 방법, 이를 수행하기 위한 기록 매체 및 모바일 단말기 KR101586262B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020140120016A KR101586262B1 (ko) 2014-09-11 2014-09-11 모바일 단말기 사용자간 소통 패턴 학습 방법, 이를 수행하기 위한 기록 매체 및 모바일 단말기

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140120016A KR101586262B1 (ko) 2014-09-11 2014-09-11 모바일 단말기 사용자간 소통 패턴 학습 방법, 이를 수행하기 위한 기록 매체 및 모바일 단말기

Publications (1)

Publication Number Publication Date
KR101586262B1 true KR101586262B1 (ko) 2016-01-20

Family

ID=55308131

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140120016A KR101586262B1 (ko) 2014-09-11 2014-09-11 모바일 단말기 사용자간 소통 패턴 학습 방법, 이를 수행하기 위한 기록 매체 및 모바일 단말기

Country Status (1)

Country Link
KR (1) KR101586262B1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120045415A (ko) * 2010-10-29 2012-05-09 삼성에스디에스 주식회사 지능형서비스제공 라이프로깅장치 및 방법
KR20120050255A (ko) * 2010-11-10 2012-05-18 주식회사 케이티 사용자 아이덴티티 모델링에 기초한 상황인지기반 서비스 제공 방법 및 시스템
KR20120095674A (ko) 2011-02-21 2012-08-29 숭실대학교산학협력단 휴대용 기기 기반의 사용자 관계 추론장치 및 방법
KR101267561B1 (ko) 2011-02-11 2013-05-24 서울대학교산학협력단 모바일 단말을 이용한 상황 인식 서비스 제공 방법 및 그 시스템
KR20140023797A (ko) * 2012-08-17 2014-02-27 이화여자대학교 산학협력단 소셜 네트워크 서비스에서 사용자의 활동을 식별하고 표시하는 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120045415A (ko) * 2010-10-29 2012-05-09 삼성에스디에스 주식회사 지능형서비스제공 라이프로깅장치 및 방법
KR20120050255A (ko) * 2010-11-10 2012-05-18 주식회사 케이티 사용자 아이덴티티 모델링에 기초한 상황인지기반 서비스 제공 방법 및 시스템
KR101267561B1 (ko) 2011-02-11 2013-05-24 서울대학교산학협력단 모바일 단말을 이용한 상황 인식 서비스 제공 방법 및 그 시스템
KR20120095674A (ko) 2011-02-21 2012-08-29 숭실대학교산학협력단 휴대용 기기 기반의 사용자 관계 추론장치 및 방법
KR20140023797A (ko) * 2012-08-17 2014-02-27 이화여자대학교 산학협력단 소셜 네트워크 서비스에서 사용자의 활동을 식별하고 표시하는 방법

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Blei, et al., Latent dirichlet allocation, the Journal of machine Learning research 3 , 2003.
Griffiths, et al., Finding scientific topics, PNAS, 2004.
정보과학회논문지: 소프트웨어 및 응용 제41권 제6호, 417-424,"사회적 관계 분류를 위한 관계-상황 토픽 모델", 2014.06. *

Similar Documents

Publication Publication Date Title
US20200107152A1 (en) Inferring user availability for a communication
Guo et al. From participatory sensing to mobile crowd sensing
CN110337059B (zh) 一种用户家庭关系的分析算法、服务器及网络系统
Soikkeli et al. Diversity and end user context in smartphone usage sessions
CN104836719B (zh) 一种即时通讯未读消息的同步方法和系统
US20160379105A1 (en) Behavior recognition and automation using a mobile device
Gomes et al. Where will you go? mobile data mining for next place prediction
US20130210480A1 (en) State detection
WO2016196999A1 (en) Personally impactful changes to events of users
Ristanovic et al. Traps and pitfalls of using contact traces in performance studies of opportunistic networks
CN104363569B (zh) 一种基于情景感知的向移动用户推荐最优联系方式的方法
WO2016176470A1 (en) Unusualness of events based on user routine models
US9602653B2 (en) Cognitive alert control framework for mobile devices
EP3707606B1 (en) Distributed identification in networked system
CN106936971B (zh) 一种来电人信息提示系统及提示方法
CN110519218B (zh) 一种基于隐私泄露评估的隐私信息保护方法及系统
US8457605B2 (en) Method for gender identification of a cell-phone subscriber
GB2463515A (en) Classification of online posts using keyword clusters derived from existing posts
CN104219672A (zh) 来电或短信识别方法和装置
Marin et al. A methodology for assessing the predictable behaviour of mobile users in wireless networks
KR101586262B1 (ko) 모바일 단말기 사용자간 소통 패턴 학습 방법, 이를 수행하기 위한 기록 매체 및 모바일 단말기
Ali et al. An efficient participant’s selection algorithm for crowdsensing
Gross et al. NotificationManager: Personal boundary management on mobile devices
CN105808568B (zh) 一种上下文分布式推理方法和装置
US20210133692A1 (en) Routing participants to meetings

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: 20200102

Year of fee payment: 5