KR102617823B1 - 철도 인프라 bim 교육 컨텐츠 추천 시스템 - Google Patents
철도 인프라 bim 교육 컨텐츠 추천 시스템 Download PDFInfo
- Publication number
- KR102617823B1 KR102617823B1 KR1020220111123A KR20220111123A KR102617823B1 KR 102617823 B1 KR102617823 B1 KR 102617823B1 KR 1020220111123 A KR1020220111123 A KR 1020220111123A KR 20220111123 A KR20220111123 A KR 20220111123A KR 102617823 B1 KR102617823 B1 KR 102617823B1
- Authority
- KR
- South Korea
- Prior art keywords
- content
- user
- recommendation
- data
- information
- Prior art date
Links
- 238000000034 method Methods 0.000 claims description 66
- 230000008569 process Effects 0.000 claims description 60
- 238000004422 calculation algorithm Methods 0.000 claims description 36
- 238000001914 filtration Methods 0.000 claims description 34
- 239000011159 matrix material Substances 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 20
- 230000003936 working memory Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 17
- 230000015572 biosynthetic process Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000012797 qualification Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 11
- 230000004044 response Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000011960 computer-aided design Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000009440 infrastructure construction Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
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
- G06Q50/10—Services
-
- 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
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/105—Human resources
-
- 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
- G06Q50/08—Construction
-
- 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
- G06Q50/10—Services
- G06Q50/20—Education
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
본 발명은 사용자 인터페이스를 통해 입력된 사용자 속성 정보를 추천 시스템의 추론 엔진을 통해 지식 베이스에 미리 설정된 규칙 데이터를 검색 및 실행하여 사용자 인터페이스의 사용자 속성 정보 입력 항목을 갱신하고, 지식 베이스에 설정된 규칙 데이터에 실행 가능한 규칙이 검색되지 않을 때까지 사용자 인터페이스 입력 단계과 사용자 속성 정보 갱신을 반복 수행하여 특정된 추천 컨텐츠를 사용자 인터페이스에 제공하며, 특정된 추천 컨텐츠와 사용자 식별 정보를 통합하여 형성한 사용자 컨텐츠 데이터를 데이터 베이스에 저장함으로써, 다른 사용자의 추천 시스템 이용 시 입력된 사용자 속성 정보와 저장된 데이터 베이스간 유사도가 높은 컨텐츠 데이터를 추출하여 사용자 인터페이스상에 우선 추천 컨텐츠를 제공하는 철도 인프라 BIM 교육 컨텐츠 추천 시스템에 관한 것이다.
Description
본 발명은 사용자 인터페이스를 통해 입력된 사용자의 속성 정보에 따라 사용자가 이수할 철도 인프라 BIM 교육 컨텐츠를 추천하는 교육 컨텐츠 추천 시스템에 관한 것으로, 보다 상세하게는 사용자 인터페이스를 통해 입력된 사용자 속성 정보를 추천 시스템의 추론 엔진을 통해 지식 베이스에 미리 설정된 규칙 데이터를 검색 및 실행하여 사용자 인터페이스의 사용자 속성 정보 입력 항목을 갱신하고, 지식 베이스에 설정된 규칙 데이터에 실행 가능한 규칙이 검색되지 않을 때까지 사용자 인터페이스 입력 단계과 사용자 속성 정보 갱신을 반복 수행하여 특정된 추천 컨텐츠를 사용자 인터페이스에 제공하며, 특정된 추천 컨텐츠와 사용자 식별 정보를 통합하여 형성한 사용자 컨텐츠 데이터를 데이터 베이스에 저장함으로써, 다른 사용자의 추천 시스템 이용 시 입력된 사용자 속성 정보와 저장된 데이터 베이스간 유사도가 높은 컨텐츠 데이터를 추출하여 사용자 인터페이스상에 우선 추천 컨텐츠를 제공하는 철도 인프라 BIM 교육 컨텐츠 추천 시스템에 관한 것이다.
BIM(Building Information Modeling)은 3차원 CAD(Computer Aided Design)를 이용하여 형성된 가상 공간 모델링 데이터에 지질, 콘크리트, 철근, 파일(pile), 형틀, 흙막이와 같은 가시설 등의 객체를 배치하고, 배치된 객체마다 물리량 또는 가격 등의 각종 정보를 부여함으로써, 공사가 수행되는 대지의 지질의 체적, 설치 시설 객체별 길이 또는 체적 등을 자동 연산할 수 있도록 한다.
이를 통해 공사 비용 견적, 공사 과정 시뮬레이션 및 분석, 공사 일정 등을 통합 관리할 수 있도록 하며, 이와 같이 건축물의 생애 주기에 걸쳐 발생하는 모든 정보를 통합하여 활용하는 것이 가능하도록 건축물의 형상·속성 등의 정보를 담고있는 디지털 모델을 말한다.
BIM은 공사 진행 중 필요로하는 각종 자재의 사용량을 정확하게 예측하여, 공사 착공 전 준비 단계에서 신뢰성 높은 공사 계획 수립을 가능하게 하고, 공사 비용 건적이나 공사 과정 시뮬레이션 및 분석, 또는 공사 일정 등의 통합 관리를 용이하게 하여, 다양한 분야의 공사 현장으로 점차 확대되어 적용되고 있다.
특히, 여러 지역을 거쳐 대규모 공사 구간이 형성되는 철도 인프라 구축 시공의 특성상, 공사 과정에서 다양한 변수가 발생할 수 있으며, 변수 발생 시 공사 비용이 크게 증가하고, 예정된 공사 일정이 지연되는 문제 등이 발생하기 쉬워, BIM을 통한 철도 인프라 공사 계획 수립 적용의 필요성이 높아지고 있다.
BIM을 통한 공사 계획 수립은, BIM 사용자에게 3차원 CAD 공간 모델링 데이터 형성, 형성된 데이터를 통한 물량 산출, 공사 비용 견적, 공사 과정 시뮬레이션 및 분석, 공사 일정 관리 등의 폭넓은 프로그램 운용 능력을 요구하며, 이와 같은 프로그램 운용 능력을 습득하기 위한 사전 교육을 필요로 한다.
BIM 사용자마다 토목이나 건축 등과 같은 BIM 적용 분야, BIM 관련 사전 지식, BIM 운용 능력 등이 상이하므로, 철도 인프라 BIM 교육을 제공받는 BIM 사용자별로 교육 컨텐츠 분야나 교육 내용의 난이도를 개별적으로 제공할 필요가 있으며, 철도 인프라 BIM 교육 컨텐츠 추천이 용이하게 이루어질 수 있도록 철도 인프라 BIM 교육 컨텐츠 추천 시스템을 구축할 필요가 있다.
철도 인프라 BIM 교육 컨텐츠 추천 시스템은 사용자의 기술 분야, 경력 등에 따라 컨텐츠를 추천하도록 구성되며, 이와 같은 추천 시스템으로서 대한민국 등록특허공보 제10-1106772호(2012.01.10. 등록)에서는, 사용자의 레거시 이력들이 저장된 원시 데이터 저장부로부터 데이터를 추출하고 식별하는 데이터 추출 단계, 데이터들을 통계 처리하여 사용자의 선호 객체를 결정하는 단계, 컨텐츠와 컨텐츠의 속성들을 컨텐츠 온톨로지로 구성하는 단계, 컨텐츠 온톨로지를 연관시키는 추천 규칙을 통해 사용자에게 추천할 컨텐츠를 결정하는 단계로 이루어지는 사용자 선호 지식 베이스 기반의 컨텐츠 추천 방법 및 시스템을 제안하고 있다.
위와 같은 컨텐츠 추천 방법 및 시스템은, 시스템 설계자가 설정한 추천 규칙을 통해 사용자에게 컨텐츠를 추천하는 방식인 룰 기반 추론 알고리듬을 기반으로 추천 시스템을 구축하며, 각 사용자에게 알맞은 컨텐츠가 제공될 수 있도록 추천 규칙을 설정하는 시스템 설계자는 사용자에게 제공하는 컨텐츠 관련 전문가가 포함된다.
그러나 입력된 조건에 따라 실행되는 규칙의 수행 결과가 모듈화된 룰 기반 추론 알고리듬의 특성상, 문제 및 해결 과정 파악이 쉽고 균일한 추천 결과를 나타내는 장점이 있지만, 비정형적인 정보로 이루어진 입력 조건에 대한 표현이 미흡하여, 비정형 정보 처리를 위한 규칙 실행 과정 중 특정 규칙에서 다음 규칙 단계로 넘어가지 못하는 병목현상이 발생하는 단점을 가진다.
또한, 룰 기반 추론 알고리듬에서는 입력된 조건에 따라 실행되는 규칙의 수행 결과가 균일하여, 매우 유사한 사용자 속성 정보를 가지는 서로 다른 사용자에게 획일화된 컨텐츠 추천 결과를 제공하기 때문에, 추천 시스템 사용자의 다양한 교육 컨텐츠 수요에 부응하여 알맞은 추천 컨텐츠를 제공하지 못하는 문제를 가지고 있었다.
본 발명의 실시 예에서는 룰 기반 추론 알고리듬을 기반으로 하는 추천 시스템에서 사용자가 추천 시스템에 비정형 정보 입력 시, 비정형 정보 처리를 위한 규칙 실행 과정 중 병목현상이 발생하는 문제를 해결할 수 있는 새로운 알고리듬이 적용된 추천 시스템을 제공하는 것을 목적으로 한다.
본 발명의 실시 예에서는 유사한 사용자 속성 정보를 가지는 서로 다른 사용자간 획일화된 컨텐츠 추천 결과 제공을 지양하고, 추천 시스템 사용자의 다양한 교육 컨텐츠 수요에 부응하여 알맞은 추천 컨텐츠를 제공하는 것을 목적으로 한다.
본 발명의 실시 예에 따른 철도 인프라 BIM 교육 컨텐츠 추천 시스템은 사용자 인터페이스에 사용자 속성 정보 입력 항목을 표시하고, 사용자가 사용자 속성 정보 입력 항목에 사용자 속성 정보를 입력하는 사용자 인터페이스 입력 단계; 사용자 인터페이스에 입력된 사용자 속성 정보를 추천 시스템 메모리 상에 일시 저장하는 작업 메모리 형성 단계; 추천 시스템으로 전송된 작업 메모리의 사용자 속성 정보를 추천 시스템의 추론 엔진을 통해, 추천 시스템의 지식 베이스에 미리 설정된 규칙 데이터와 대조하여, 전송된 사용자 속성 정보에 해당하는 규칙을 실행하고, 실행된 규칙 데이터를 작업 메모리 형성 단계에서 저장된 추천 시스템 메모리 상에 추가로 일시 저장하는 추론 엔진 규칙 실행 단계; 실행된 규칙 데이터에 따라 갱신된 사용자 속성 정보 입력 항목을 사용자 인터페이스에 전송하는 사용자 속성 정보 갱신 단계; 추론 엔진 규칙 실행 단계에서 사용자 인터페이스로부터 입력된 속성 정보를 지식 베이스에 설정된 규칙 데이터와 대조하여, 지식 베이스에 설정된 규칙 데이터 중 입력된 사용자 속성 정보에 대응하여 실행 가능한 규칙이 검색되지 않을 때까지 사용자 인터페이스 입력 단계와 작업 메모리 형성 단계와 추론 엔진 규칙 실행 단계 및 사용자 속성 정보 갱신 단계를 순차적으로 반복 수행하며, 각 단계의 반복 수행 시 사용자 인터페이스에 입력된 사용자 속성 정보 및 실행된 규칙 데이터를 추천 시스템 메모리 상에 누적하여 일시 저장하는 필터링 단계; 필터링 단계를 통해 추천 컨텐츠를 특정하여 사용자 인터페이스에 제공하는 컨텐츠 추천 단계; 및 추천 시스템에 의해 추천 컨텐츠의 특정이 완료된 사용자별로, 사용자 인터페이스 입력 단계로부터 컨텐츠 추천 단계 과정까지 사용자 인터페이스를 통해 입력된 사용자 속성 정보와, 컨텐츠 추천 단계에서 특정된 추천 컨텐츠 및 사용자 식별 정보를 통합하여 사용자 컨텐츠 데이터를 생성하고, 생성된 사용자 컨텐츠 데이터를 추천 시스템의 데이터 베이스에 저장하는 사용자 컨텐츠 데이터 베이스 저장 단계;로 이루어지되, 필터링 단계의 특정 추론 엔진 규칙 실행 단계에서는 ⅰ) 사용자 인터페이스 입력 단계에서 입력된 사용자 속성 정보와 유사한 정보가 기록된 사용자 컨텐츠 데이터를 탐색하고, 입력된 사용자 속성 정보 및 사용자 컨텐츠 데이터를 매트릭스화하며, 입력된 사용자 속성 정보 매트릭스 및 사용자 컨텐츠 데이터 매트릭스간 유사도를 계산함으로써, 가장 유사한 사용자 컨텐츠 데이터를 추출하여 우선 추천 컨텐츠 데이터를 생성하는 우선 추천 컨텐츠 데이터 생성 과정 ⅱ) 사용자 인터페이스 상에 우선 추천 컨텐츠를 표시하는 컨텐츠 우선 추천 과정 ⅲ) 우선 추천 컨텐츠 데이터 생성 과정에서 입력된 사용자 속성 정보와, 컨텐츠 우선 추천 과정의 우선 추천 컨텐츠를 추천 시스템의 데이터 베이스에 저장하는 우선 추천 결과 저장 과정으로 구성되는 컨텐츠 우선 추천 단계;가 수행된다.
본 발명의 실시 예에 따르면 컨텐츠 우선 추천 단계에서 사용자 인터페이스에는, 우선 추천 컨텐츠 대신 사용자가 직접 컨텐츠를 선택할 수 있는 사용자 선호 컨텐츠 선택 과정이 부가되며, 우선 추천 결과 저장 과정에서 우선 추천 컨텐츠 대신 직접 선택한 컨텐츠를 사용자 선호 컨텐츠 데이터로서 추천 시스템의 데이터 베이스에 저장하되, 다른 사용자의 특정 추론 엔진 규칙 실행 단계 수행 시, 컨텐츠 우선 추천 과정에서 사용자 인터페이스에 표시되는 우선 추천 컨텐츠의 하위 항목으로서, 추천 시스템의 데이터 베이스에 저장된 사용자 선호 컨텐츠 데이터를 사용자 선호 컨텐츠로 선택 가능하도록 구성된다.
본 발명의 실시 예에 따르면 사용자 인터페이스 입력 단계와 작업 메모리 형성 단계와 추론 엔진 규칙 실행 단계 및 사용자 속성 정보 갱신 단계는 추천 시스템 설계자에 의해 설정된 지식 베이스 중, 입력된 사용자 속성 정보에 해당하는 규칙 데이터에 따른 실행 규칙이 수행되는 룰 기반 추론 알고리듬을 기반으로 하고, 필터링 단계의 특정 추론 엔진 규칙 실행 단계 및 컨텐츠 우선 추천 단계는 다수의 추천 시스템 사용자로부터 생성된 데이터 베이스의 유사도 분석을 통해, 사용자 인터페이스에 입력된 사용자 속성 정보에 따른 최종 선택 컨텐츠를 예측하는 협업 필터링 추천 알고리듬을 기반으로 한다.
본 발명의 실시 예에 따르면 사용자 인터페이스에 입력되는 사용자 속성 정보는 경력 데이터를 포함하며, 경력 데이터는 ⅰ) 보유 자격증 등급으로 차등 부여되는 자격지수 ⅱ) 최종 학력으로부터 차등 부여되는 학력지수 ⅲ) 경력 기간에 따라 차등 부여되는 경력지수 ⅳ) 관련 교육 여부에 따라 차등 부여되는 교육지수로부터 산출된 수치인 역량지수로 이루어진다.
본 발명의 실시 예에 따르면 컨텐츠 우선 추천 단계의 입력된 사용자 속성 정보 매트릭스와, 우선 추천 컨텐츠를 포함하는 추천 컨텐츠 데이터 매트릭스의 유사도 계산은 Gower 유사도 함수에 의해 수행된다.
본 발명의 실시 예에 따르면 추천 시스템 사용자가 사용자 인터페이스를 통해 입력한 사용자 속성 정보 및 사용자 컨텐츠 데이터로부터 생성된 매트릭스는, 추천 시스템의 데이터 베이스에 저장된 추천 시스템의 다른 사용자들에 의해 생성된 사용자 속성 정보 및 사용자 컨텐츠 데이터 매트릭스들과 개별적으로 유사도 계산을 수행하며, 계산된 유사도가 가장 높은 매트릭스가 포함된 추천 시스템의 다른 사용자에게 제공된 우선 추천 컨텐츠를 현 추천 시스템 사용자에게 우선 추천 컨텐츠로서 제공한다.
본 발명의 실시 예에 따르면 계산된 유사도가 가장 높은 매트릭스를 포함하는 추천 시스템의 다른 사용자가 제공된 추천 컨텐츠 대신 다른 컨텐츠 선택 시, 선택된 컨텐츠를 사용자 선호 컨텐츠로 추천 시스템의 데이터 베이스에 저장하고, 현 추천 시스템 사용자에게 추천 컨텐츠의 하위 항목으로서 사용자 선호 컨텐츠를 추가 제공한다.
본 발명의 실시 예에 따르면 추천 시스템의 현사용자와, 추천 시스템의 다른 사용자들에 의해 생성된 사용자 속성 정보 및 우선 추천 컨텐츠를 포함하는 추천 컨텐츠 데이터 매트릭스로부터 계산된 유사도가 추천 시스템 관리자에 의해 설정된 수치 이상인 경우에만, 추천 시스템의 현사용자에 의해 입력된 사용자 속성 정보 데이터와 추천 컨텐츠 데이터 및 사용자 선호 컨텐츠 데이터가 추천 시스템의 데이터 베이스에 저장된다.
본 발명의 실시 예에 따르면 철도 인프라 BIM 교육 컨텐츠를 위한 추천 시스템에 철도 인프라 BIM 교육 전문가로 구성된 추천 시스템 설계자에 의해 설정된 지식 베이스의 규칙 데이터에 따른 컨텐츠 추천이 이루어지는 룰 기반 추론 알고리듬에 기반한 기본 추천과, 추천 시스템의 다른 사용자에 의해 형성된 데이터 베이스를 작성하여, 사용자 데이터간 유사도 분석을 수행하여, 추천 컨텐츠를 예측하여 제공하는 협업 필터링 추천 알고리듬을 기반으로 하는 2차 추천이 이루어짐으로써 추천 시스템의 추론 과정의 유연성을 향상시킬 수 있는 효과가 있다.
본 발명의 실시 예에 따르면 협업 필터링 추천 알고리듬의 적용을 통해, 입력된 조건에 따라 실행되는 규칙 데이터의 수행 결과가 조건과 결정 구조로 이루어진 룰 기반 추론 알고리듬의 모듈화에 따라, 비정형적인 정보로 이루어진 입력 조건에 대한 규칙 실행 과정에서 병목현상이 발생하는 단점을 개선할 수 있는 효과가 있다.
본 발명의 실시 예에 따르면 사용자가 추천 시스템에 의해 특정된 추천 컨텐츠 대신 다른 컨텐츠를 최종 선택한 경우, 협업 필터링 추천 알고리듬의 적용을 통해 추천 시스템이 제공한 추천 컨텐츠와 사용자의 최종 선택 컨텐츠간 패턴 분석 및 데이터 베이스화가 이루어짐으로써, 추천 시스템의 사용자에게 알맞은 컨텐츠 추천이 이루어질 수 있는 효과가 있다.
본 발명의 실시 예에 따르면 추천 시스템 사용자의 사용자 속성을 매트릭스화하여 데이터 베이스에 저장하고, 현사용자의 사용자 속성 매트릭스와 데이터 베이스 상의 사용자 속성 매트릭스간 유사도 계산을 통해 추천 컨텐츠 특정이 이루어짐으로써, 추천 시스템의 사용자에게 보다 알맞은 컨텐츠 추천이 이루어질 수 있는 효과가 있다.
본 발명의 실시 예에 따르면 추천 시스템 사용자에게 추천 컨텐츠 제공 시, 데이터 베이스상 유사도 계산에 따라 특정된 우선 추천 컨텐츠와, 우선 추천 컨텐츠의 하위 항목으로서 우선 추천 컨텐츠 대신 최종 선택된 사용자 선호 컨텐츠를 함께 제공함으로써, 추천 시스템 사용자의 컨텐츠 선택 과정의 편의성을 향상시킬 수 있는 효과가 있다.
도 1은 본 발명의 실시 예에 따른 철도 인프라 BIM 교육 컨텐츠 추천 시스템의 구성 및 교육 컨텐츠 추천 알고리듬의 전체 시퀀스를 나타내는 도면이다.
도 2는 본 발명의 실시 예에 따른 컨텐츠 우선 추천 단계 및 컨텐츠 우선 추천 단계에 부가된 사용자 선호 컨텐츠 선택 과정에서, 데이터 베이스의 사용자 속성 유사도에 의해 사용자 선호 컨텐츠를 제공하는 알고리듬을 나타내는 도면이다.
도 3은 본 발명의 실시 예에 따른 추천 시스템에 적용되는 룰 기반 추론 알고리듬을 기반으로 하는 기본 추천 과정과, 협업 필터링 추천 알고리듬을 기반으로 하는 2차 추천 과정의 시퀀스를 나타내는 도면이다.
도 4는 본 발명의 실시 예에 따른 추천 시스템에서 데이터 베이스의 사용자 속성 정보 매트릭스간 유사도 계산을 통해, 가장 높은 유사도를 가지는 다른 사용자의 우선 추천 컨텐츠를 현 추천 시스템 사용자에게 우선 추천 컨텐츠로서 제공하는 알고리듬을 나타내는 도면이다.
도 5는 본 발명의 실시 예에 따른 추천 시스템에 적용되는 협업 필터링 추천 알고리듬의 개념을 나타내는 도면이다.
도 6은 본 발명에 따른 추천 시스템의 사용자 인터페이스 상에 표시된 질문과, 질문에 대한 사용자 답변 항목으로 이루어진 사용자 속성의 예시를 나타내는 도면이다.
도 7은 본 발명에 따른 추천 시스템의 사용자 속성 정보 중, 역량지수의 산출 예시를 나타내는 도면이다.
도 8은 본 발명에 따른 추천 시스템의 지식 베이스에 미리 설정된 규칙의 예시를 나타내는 도면이다.
도 9는 본 발명에 따른 추천 시스템의 추론 엔진을 통해 지식 베이스에 설정된 규칙을 반복 실행하여 특정된 추천 컨텐츠의 예시를 나타내는 도면이다.
도 10은 본 발명에 따른 추천 시스템의 매트릭스 형태의 데이터로 구성된 데이터 베이스의 예시를 나타내는 도면이다.
도 11은 본 발명에 따른 추천 시스템의 Gower 유사도 함수를 이용한 유사도 계산의 예시를 나타내는 도면이다.
도 12는 본 발명에 따른 추천 시스템의 우선 추천 컨텐츠 특정을 위한 유사도 계산 결과의 예시를 나타내는 도면이다.
도 2는 본 발명의 실시 예에 따른 컨텐츠 우선 추천 단계 및 컨텐츠 우선 추천 단계에 부가된 사용자 선호 컨텐츠 선택 과정에서, 데이터 베이스의 사용자 속성 유사도에 의해 사용자 선호 컨텐츠를 제공하는 알고리듬을 나타내는 도면이다.
도 3은 본 발명의 실시 예에 따른 추천 시스템에 적용되는 룰 기반 추론 알고리듬을 기반으로 하는 기본 추천 과정과, 협업 필터링 추천 알고리듬을 기반으로 하는 2차 추천 과정의 시퀀스를 나타내는 도면이다.
도 4는 본 발명의 실시 예에 따른 추천 시스템에서 데이터 베이스의 사용자 속성 정보 매트릭스간 유사도 계산을 통해, 가장 높은 유사도를 가지는 다른 사용자의 우선 추천 컨텐츠를 현 추천 시스템 사용자에게 우선 추천 컨텐츠로서 제공하는 알고리듬을 나타내는 도면이다.
도 5는 본 발명의 실시 예에 따른 추천 시스템에 적용되는 협업 필터링 추천 알고리듬의 개념을 나타내는 도면이다.
도 6은 본 발명에 따른 추천 시스템의 사용자 인터페이스 상에 표시된 질문과, 질문에 대한 사용자 답변 항목으로 이루어진 사용자 속성의 예시를 나타내는 도면이다.
도 7은 본 발명에 따른 추천 시스템의 사용자 속성 정보 중, 역량지수의 산출 예시를 나타내는 도면이다.
도 8은 본 발명에 따른 추천 시스템의 지식 베이스에 미리 설정된 규칙의 예시를 나타내는 도면이다.
도 9는 본 발명에 따른 추천 시스템의 추론 엔진을 통해 지식 베이스에 설정된 규칙을 반복 실행하여 특정된 추천 컨텐츠의 예시를 나타내는 도면이다.
도 10은 본 발명에 따른 추천 시스템의 매트릭스 형태의 데이터로 구성된 데이터 베이스의 예시를 나타내는 도면이다.
도 11은 본 발명에 따른 추천 시스템의 Gower 유사도 함수를 이용한 유사도 계산의 예시를 나타내는 도면이다.
도 12는 본 발명에 따른 추천 시스템의 우선 추천 컨텐츠 특정을 위한 유사도 계산 결과의 예시를 나타내는 도면이다.
이하, 본 발명의 실시 예를 첨부된 도면을 참조하여 설명한다.
본 발명에 따른 동작 및 작용을 이해하는 데 필요한 부분을 중심으로 상세히 설명한다.
본 발명의 실시 예를 설명하면서, 본 발명이 속하는 기술 분야에 익히 알려졌고 본 발명과 직접적으로 관련이 없는 기술 내용에 대해서는 설명을 생략한다.
이는 불필요한 설명을 생략함으로써 본 발명의 요지를 흐리지 않고 더욱 명확히 전달하기 위함이다.
또한, 본 발명의 구성 요소를 설명하는 데 있어서, 동일한 명칭의 구성 요소에 대하여 도면에 따라 다른 참조부호를 부여할 수도 있으며, 서로 다른 도면임에도 동일한 참조부호를 부여할 수도 있다.
그러나 이와 같은 경우라 하더라도 해당 구성 요소가 실시 예에 따라 서로 다른 기능을 갖는다는 것을 의미하거나, 서로 다른 실시 예에서 동일한 기능을 갖는다는 것을 의미하는 것은 아니며, 각각의 구성 요소의 기능은 해당 실시 예에서의 각각의 구성 요소에 대한 설명에 기초하여 판단하여야 할 것이다.
또한, 본 명세서에서 사용되는 기술적 용어는 본 명세서에서 특별히 다른 의미로 정의되지 않는 한 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의하여 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다.
또한, 본 명세서에서 사용되는 단수의 표현은 문맥상 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 출원에서, "구성된다" 또는 "포함한다" 등의 용어는 명세서 상에 기재된 여러 구성요소들, 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.
본 발명의 철도 인프라 BIM 교육 컨텐츠 추천 시스템(10)은 도 1에서 도시하는 바와 같이 사용자 인터페이스 입력 단계(S10), 작업 메모리 형성 단계(S20), 추론 엔진 규칙 실행 단계(S30), 사용자 속성 정보 갱신 단계(S40), 필터링 단계(S50), 컨텐츠 추천 단계(S60) 및 사용자 컨텐츠 데이터 베이스 저장 단계(S70)로 이루어지며, 필터링 단계(S50)에는 컨텐츠 우선 추천 단계(S100)가 부가된다.
추천 시스템(10)은 네트워크를 통해 사용자 단말기가 상호 통신 가능하도록 연결되며, 사용자 단말기에는 사용자 인터페이스(1)가 표시되는 디스플레이 수단과, 사용자 인터페이스(1)의 입력 항목을 기입할 수 있는 입력 수단이 형성된다.
추천 시스템(10)에서 철도 인프라 BIM 교육 컨텐츠 추천을 위해 필요한 사용자 속성(UP) 정보 기입 항목을 사용자 인터페이스(1)에 전송하면, 사용자 인터페이스(1)의 디스플레이 수단에 사용자 속성(UP) 정보 기입 항목이 표시되며, 사용자가 입력 수단을 통해 사용자 인터페이스(1)의 사용자 속성(UP) 정보 기입 항목을 기재하면, 기재된 사용자 속성(UP) 정보가 추천 시스템(10)으로 전송된다.
사용자 속성(UP) 정보는 추천 시스템(10)에서 추천하기 위한 교육 컨텐츠의 종류 및 교육 난이도 수준 등을 특정하기 위한 것으로, 추천 시스템(10) 사용자의 소속 기관·경력·담당 분야·사업 단계 등의 항목으로 이루어지며, 추천 시스템(10) 사용자가 사용자 인터페이스(1)를 통해 사용자 속성(UP) 정보 기입 항목에 해당 사용자 속성(UP)을 기입하면 추천 시스템(10)의 메모리(11)로 전송되어 일시 저장된다.
사용자 인터페이스 입력 단계(S10)에서는 사용자 단말기의 디스플레이 수단에 사용자 인터페이스(1)에 사용자 속성(UP) 정보 입력 항목을 표시하며, 사용자는 사용자 단말기의 디스플레이 수단에 표시된 인터페이스(1)에 사용자 속성(UP) 정보 입력 항목에 해당 사용자의 사용자 속성(UP) 정보를 입력한다.
작업 메모리 형성 단계(S20)에서는 사용자 인터페이스 입력 단계(S10)에서 사용자 인터페이스(1)의 사용자 속성(UP) 정보 입력 항목에 입력된 사용자 속성(UP) 정보가 추천 시스템(10)에 저장 가능한 작업 메모리 형태로 전환되며, 작업 메모리로 전환된 사용자 속성(UP) 정보는 네트워크를 통해 사용자 단말기로부터 추천 시스템(10) 메모리(11)로 전송되어 추천 시스템(10) 메모리(11) 상에 일시 저장된다.
추론 엔진 규칙 실행 단계(S30)에서는 추천 시스템(10) 메모리(11) 상에 일시 저장된 작업 메모리의 사용자 속성(UP) 정보를 추천 시스템(10)의 지식 베이스(13)에 미리 설정된 규칙(R) 데이터와 대조하여, 사용자 속성(UP) 정보에 해당하는 지식 베이스(13)의 규칙(R) 데이터를 검색한다.
지식 베이스(13)에는 추천 시스템(10) 설계자가 정의한 다수의 규칙(R) 데이터가 저장되며, 각 규칙(R)은 추천 시스템(10) 설계자가 정의한 조건(IF~)을 만족하는 데이터가 입력되면 해당 조건에 대한 결정(THEN~)이 이루어지도록 설정된다.
추천 시스템(10)의 추론 엔진(12)은 작업 메모리의 사용자 속성(UP) 정보가 해당하는 규칙(R) 데이터의 규칙(R)을 실행하며, 규칙(R)에 따른 결정 데이터는 작업 메모리 형성 단계(S20)에서 추천 시스템(10) 메모리(11) 상에 저장된 작업 메모리에 추가하여 일시 저장한다.
사용자 속성 정보 갱신 단계(S40)에서는 추론 엔진 규칙 실행 단계(S30)에서 실행된 규칙(R) 데이터에 따라 갱신된 사용자 속성(UP) 정보 입력 항목을 네트워크를 통해 사용자 단말기로 전송하며, 사용자 인터페이스(1)에 갱신된 사용자 속성(UP) 정보 입력 항목이 나타나게 된다.
필터링 단계(S50)에서는 갱신된 사용자 속성(UP) 정보 입력 항목이 표시된 사용자 인터페이스 입력 단계(S10)와 작업 메모리 형성 단계(S20)와 추론 엔진 규칙 실행 단계(S30) 및 사용자 속성 정보 갱신 단계(S40)를 순차적으로 반복 수행하게 된다.
사용자 인터페이스 입력 단계(S10)로부터 사용자 속성 정보 갱신 단계(S40)를 반복 수행하는 동안, 사용자 속성(UP) 정보는 추론 엔진 규칙 실행 단계(S30)의 반복 과정에서 지식 베이스(13)에 설정된 규칙(R) 데이터에 따라 반복하여 갱신되며, 갱신된 사용자 속성(UP) 정보들은 추천 시스템(10) 메모리(11) 상에 누적하여 일시 저장된다.
필터링 단계(S50)의 규칙(R) 데이터 반복 수행은 추론 엔진 규칙 실행 단계(S30)에서 사용자 인터페이스(1)로부터 입력된 사용자 속성(UP) 정보를 지식 베이스(13)에 설정된 규칙(R) 데이터와 대조하였을 때, 더 이상 지식 베이스(13)에 설정된 규칙(R) 데이터 중 입력된 사용자 속성(UP) 정보에 대응하여 실행 가능한 규칙(R)이 검색되지 않을 때까지 이루어지며, 최종 수행된 규칙(R) 데이터에는 추천 컨텐츠(RC) 데이터가 포함된다.
컨텐츠 추천 단계(S60)에서는 필터링 단계(S50)를 통해 특정된 추천 컨텐츠(RC) 데이터를 사용자 단말기로 전송하여 사용자 인터페이스(1)를 통해 추천 시스템(10) 사용자에게 제공하며, 추천 컨텐츠(RC) 데이터에는 교육 컨텐츠 종류 및 교육 난이도 수준 등이 포함된다.
도 3에서 도시하는 바와 같이 사용자 인터페이스 입력 단계(S10)로부터 컨텐츠 추천 단계(S60) 수행 과정에 따른 추천 방식은 룰 기반 추론 알고리듬(Rule-Based Inference Algorythm)을 기반으로 하며, 추론 엔진 규칙 실행 단계(S30)에서 추천 시스템 설계자에 의해 설정된 지식 베이스(13)에 입력된 규칙(R) 데이터에 따라 실행 규칙(R)이 수행되면서 사용자 인터페이스 입력 단계(S10)의 사용자 속성(UP) 정보 입력 항목이 갱신되는 기본 추천이 이루어진다.
룰 기반 추론 알고리듬을 통한 추론 시스템은 입력된 조건에 따라 실행되는 규칙 데이터의 수행 결과가 조건(IF~)과 결정(THEN~) 구조로 모듈화되어 있어, 문제 및 해결 과정 파악이 쉽고, 균일한 추천 결과를 나타내는 장점이 있지만, 비정형적인 정보로 이루어진 입력 조건에 대한 표현이 미흡하여, 입력 조건이 비정형 정보를 포함하는 경우 규칙 실행 과정에서 병목현상이 발생하는 단점이 있다.
따라서 추천 시스템(10) 사용자가 사용자 인터페이스 입력 단계(S10)에서 비정형적인 사용자 속성(UP) 정보 입력 시, 유사도 계산을 통해 추천 시스템(10) 사용자의 최종 선택 컨텐츠와 동일 또는 유사한 컨텐츠 선택이 이루어질 것으로 예측되는 사용자 속성(UP)을 추론하여 실행 규칙(R)을 적용함으로써, 룰 기반 추론 알고리듬의 단점을 보완할 필요가 있다.
룰 기반 추론 알고리듬을 기반으로 하는 기본 추천 완료 후, 2차 추천 과정이 진행되며, 2차 추천 과정은 콘텐츠 기반 추천 알고리듬(Contents-Based Recommendation Algorythm) 또는 협업 필터링 추천 알고리듬(Collaborated Filtering Algorythm)이 적용될 수 있다.
콘텐츠 기반 추천 알고리듬은 추천 시스템(10)의 다른 사용자가 선택한 교육 컨텐츠와 유사한 컨텐츠를 추천하는 방법으로, 교육 컨텐츠를 벡터 형태로 구현하여 추천이 이루어지며, 사용자들의 명시적 데이터를 사용하는 대신 사용자 속성(UP) 정보의 핵심어를 추출하여 유사도를 계산함으로써 검색 결과의 중요도를 추론하게 된다.
협업 필터링 추천 알고리듬은 도 5에서 도시하는 바와 같이 다수의 추천 시스템(10) 사용자에 의해 형성된 명시적 데이터를 사용하여 데이터 베이스(DB)를 작성하며, 추천 시스템(10)의 현(現)사용자가 사용자 인터페이스(1)를 통해 입력하는 명시적 데이터와 데이터 베이스(DB)에 저장된 추천 시스템(10)의 다른 사용자의 명시적 데이터간 유사도 분석을 수행하여, 비정형적인 사용자 속성(UP) 정보가 입력되더라도 데이터 베이스(DB)를 바탕으로 실행 규칙(R)을 추론하여, 실행 규칙(R) 적용 중 병목현상의 발생 없이 추천 컨텐츠(RC)를 예측하여 제공한다.
콘텐츠 기반 추천 알고리듬은 추천 시스템(10) 사용자가 필터링 단계(S50) 및 컨텐츠 추천 단계(S60)에서 특정된 추천 컨텐츠(RC) 대신 다른 컨텐츠를 최종 선택한 경우, 추천 컨텐츠(RC)와 사용자의 최종 선택 컨텐츠간 패턴 분석이 불가능하여, 룰 기반 추론 알고리듬을 기반으로 하는 기본 추천의 단점을 보완하기 위한 2차 추천 과정에는 적합하지 않으므로, 본 발명의 2차 추천 과정에서는 협업 필터링 추천 알고리듬을 적용하게 된다.
사용자 컨텐츠 데이터 베이스 저장 단계(S70)에서는 추천 시스템(10)을 통해 추천 컨텐츠(RC)의 특정이 완료된 각 사용자별로 사용자 컨텐츠(UC) 데이터를 생성하고, 생성된 사용자 컨텐츠(UC) 데이터를 추천 시스템(10)의 데이터 베이스(DB)에 저장한다.
사용자 컨텐츠(UC) 데이터는 사용자 인터페이스 입력 단계(S10)로부터 컨텐츠 추천 단계(S60) 과정까지 사용자 인터페이스(1)를 통해 입력된 사용자 속성(UP) 정보, 컨텐츠 추천 단계(S60)에서 특정된 추천 컨텐츠(RC) 및 특정 사용자를 구분할 수 있는 사용자 식별(ID) 정보를 통합하여 형성한 데이터로서, 추천 시스템(10)을 이용하여 추천 컨텐츠(RC)를 제공받은 모든 사용자들의 데이터로 이루어진다.
협업 필터링 추천 알고리듬의 데이터 베이스(DB)는 추천 시스템(10)을 이용한 사용자들의 사용자 컨텐츠(UC) 데이터로 이루어지며, 사용자 컨텐츠 데이터 베이스 저장 단계(S70)에 의해 데이터 베이스(DB)를 형성한다.
반복 수행되는 필터링 단계(S50)의 특정 추론 엔진 규칙 실행 단계(S30)에서는 데이터 베이스(DB)에 저장된 다른 사용자의 사용자 컨텐츠(UC) 데이터를 탐색하여, 유사도가 높은 다른 사용자의 사용자 컨텐츠(UC) 데이터로부터 우선 추천 컨텐츠(PRC)를 특정하는 컨텐츠 우선 추천 단계(S100)가 부가된다.
컨텐츠 우선 추천 단계(S100)는 우선 추천 컨텐츠 데이터 생성 과정(S101)과, 컨텐츠 우선 추천 과정(S102) 및 우선 추천 결과 저장 과정(S103)으로 이루어진다.
우선 추천 컨텐츠 데이터 생성 과정(S101)에서는 사용자 인터페이스 입력 단계(S10)에서 추천 시스템(10)의 현사용자가 입력한 사용자 속성(UP) 정보와 유사한 정보가 기록된 추천 시스템(10)의 다른 사용자의 사용자 컨텐츠(UC) 데이터를 데이터 베이스(DB) 상에서 검색한다.
이후, 추천 시스템(10)의 현사용자가 입력한 사용자 속성(UP) 정보 및 데이터 베이스(DB)에서 검색된 다른 사용자의 사용자 컨텐츠(UC) 데이터는 각각 매트릭스화되며, 현사용자가 입력한 사용자 속성(UP) 정보 매트릭스 및 데이터 베이스(DB)에서 검색된 다른 사용자의 사용자 컨텐츠(UC) 데이터 매트릭스간 유사도 계산을 수행한다.
추천 시스템(10) 사용자가 사용자 인터페이스(1)를 통해 입력한 사용자 속성(UP) 정보 및 사용자 컨텐츠(UC) 데이터로부터 생성된 매트릭스는, 추천 시스템(10)의 데이터 베이스(DB)에 저장된 추천 시스템(10)의 다른 사용자들에 의해 생성된 사용자 속성(UP) 정보 및 사용자 컨텐츠(UC) 데이터 매트릭스들과 개별적으로 유사도 계산을 수행한다.
유사도 계산 결과, 데이터 베이스(DB)상 다른 사용자의 사용자 컨텐츠(UC) 데이터 중 가장 높은 유사도 값을 가지는 매트릭스가 포함된 사용자 컨텐츠(UC) 데이터를 추출하여 우선 추천 컨텐츠(PRC) 데이터를 생성하며, 생성된 우선 추천 컨텐츠(PRC) 데이터를 추천 시스템(10)의 현사용자에게 우선 추천 컨텐츠(PRC)로서 제공한다.
도 2에서 도시하는 바와 같이 컨텐츠 우선 추천 단계(S100)에서 사용자 인터페이스(1)에는, 우선 추천 컨텐츠(PRC) 대신 사용자가 직접 컨텐츠를 선택할 수 있는 사용자 선호 컨텐츠 선택 과정(S1000)이 부가될 수 있다.
추천 시스템(10)을 통해 제공하는 우선 추천 컨텐츠(PRC) 또는 사용자 선호 컨텐츠(UFC)가 현사용자가 원하는 교육 컨텐츠가 아닌 경우, 사용자 인터페이스(1)에 표시되는 우선 추천 컨텐츠(PRC)의 하위 항목으로서, 현사용자가 원하는 컨텐츠를 사용자 선호 컨텐츠(UFC)로 선택 가능하도록 구성된다.
사용자 선호 컨텐츠 선택 과정(S1000)에서 선택된 컨텐츠 데이터는 현사용자의 사용자 선호 컨텐츠(UFC)로서 데이터 베이스(DB)에 저장된다.
유사도 계산 방식은 Gower 유사도 함수·코사인 유사도 함수·피어슨 유사도 함수·유클리디안 유사도 함수 중 선택되는 방식으로 이루어질 수 있다.
Gower 유사도 함수는 문자와 숫자가 혼합된 데이터간 유사도를 사용하는 방식으로 아래의 함수를 통해 유사도를 계산한다.
코사인 유사도 함수는 데이터의 벡터에서 cos(θ)을 측정하여 각 데이터의 방향을 계산하고, 각 데이터의 방향간 기울기의 유사도를 계산하는 방식으로, 아래의 함수를 통해 유사도를 계산한다.
피어슨 유사도 함수는 데이터간 공분산(covariance)에 표준편차(standard deviation)를 이용하여 정규화(normalization)을 진행함으로써 데이터의 유사도를 계산하는 방식으로, 아래의 함수를 통해 유사도를 계산한다.
유클리디안 유사도 함수는 n차원 공간에서 두 지점 사이의 최단 거리를 구하는 방법을 이용하여 데이터의 유사도를 계산하는 방식으로, 아래의 함수를 통해 유사도를 계산한다.
본 발명에 따른 추천 시스템(10)의 사용자 인터페이스 입력 단계(S10)는, 사용자가 사용자 인터페이스(1)에 표시된 사용자 속성(UP) 정보 입력 항목에 문자 또는 숫자로 이루어진 혼합 데이터로 이루어진 사용자 속성(UP) 정보를 입력하도록 구성되므로, 우선 추천 컨텐츠 데이터 생성 과정(S101)에서는 현사용자가 입력한 사용자 속성(UP) 정보 매트릭스 및 데이터 베이스(DB)에서 검색된 다른 사용자의 사용자 컨텐츠(UC) 데이터 매트릭스간 유사도 계산이 Gower 유사도 함수 방식을 통해 수행되도록 구성하는 것이 바람직하다.
컨텐츠 우선 추천 과정(S102)에서는 우선 추천 컨텐츠 데이터 생성 과정(S101)에서 특정된 우선 추천 컨텐츠(PRC)를 사용자 인터페이스(1) 상에 표시하여, 추천 시스템(10)의 현사용자가 우선 추천 컨텐츠(PRC)를 인식할 수 있도록 하며, 우선 추천 컨텐츠 데이터 생성 과정(S101)에서 입력된 추천 시스템(10)의 현사용자의 사용자 속성(UP) 정보와, 컨텐츠 우선 추천 과정(S102)에서 특정된 우선 추천 컨텐츠(PRC)를 추천 시스템의 데이터 베이스(DB)에 저장하는 우선 추천 결과 저장 과정(S103)이 수행된다.
이와 같이 컨텐츠 우선 추천 단계(S100)는 다수의 추천 시스템(10) 사용자로부터 생성된 데이터 베이스(DB)의 Gower 유사도 분석을 통해, 사용자 인터페이스(1)에 입력된 사용자 속성(UP) 정보에 따른 최종 선택 컨텐츠를 예측하는 협업 필터링 추천 알고리듬을 적용함으로써, 철도 인프라 BIM 교육 전문가로 구성된 추천 시스템(10) 설계자에 의해 설정된 지식 베이스(13)의 규칙(R) 데이터에 따른 컨텐츠 추천 결과뿐만 아니라, 추천 시스템(10) 설계자가 지식 베이스(13)에 반영하지 못한 추천 시스템(10)의 실제 사용자의 유사 컨텐츠 수요를 예측하여 우선 추천 컨텐츠(PRC)를 제공함으로써, 추천 시스템(10)의 추론 과정의 유연성을 향상시킨다.
또한, 우선 추천 컨텐츠 데이터 생성 과정(S101)에서는 도 4에서 도시하는 바와 같이 현사용자의 사용자 속성(UP) 정보 매트릭스와 추천 시스템(10)의 데이터 베이스(DB)에 저장된 추천 시스템(10)의 다른 사용자들의 사용자 속성(UP) 정보 매트릭스간 유사도 계산을 개별적으로 수행하여, 데이터 베이스(DB) 상에서 계산된 유사도가 가장 높은 매트릭스를 포함하는 추천 시스템(10)의 다른 사용자에게 제공된 우선 추천 컨텐츠(PRC)를 현 추천 시스템(10) 사용자에게 우선 추천 컨텐츠(PRC)로서 제공하도록 구성될 수 있다.
이를 통해 추천 시스템(10)을 통해 우선 추천 컨텐츠(PRC)를 제공받은 복수의 선(先)사용자 중, 추천 시스템(10)의 현사용자의 사용자 속성(UP) 데이터와 높은 유사도를 가지는 선사용자의 우선 추천 컨텐츠(PRC)와 동일한 컨텐츠를 현사용자에게 우선 추천 컨텐츠(PRC)로서 제공함으로써, 추천 시스템(10)의 알고리듬 프로세싱 과정을 단순화 하여 추천 시스템(10)에 걸리는 부하를 경감하고, 추천 시스템(10)의 현사용자에게 높은 유사도를 가지는 우선 추천 컨텐츠(PRC)로서 제공할 수 있다.
이때, 데이터 베이스(DB)의 선사용자 사용자 속성(UP) 정보 매트릭스 중, 가장 높은 매트릭스 유사도를 가지는 추천 시스템(10)의 선사용자가, 선사용자에게 제공된 우선 추천 컨텐츠(PRC) 대신 다른 컨텐츠 선택하는 경우, 선택된 컨텐츠를 사용자 선호 컨텐츠(UFC) 데이터로서 해당 선사용자의 데이터 베이스(DB)에 추가 저장하고, 추천 시스템(10)의 현사용자에게 우선 추천 컨텐츠(PRC)의 하위 항목으로서 데이터 베이스(DB)에 추가된 사용자 선호 컨텐츠(UFC) 데이터와 동일한 컨텐츠로 이루어진 사용자 선호 컨텐츠(UFC)를 추가 선택 가능하도록 컨텐츠 최종 추천 항목에 부가되어 제공할 수 있다.
이를 통해 사용자 속성(UP) 정보 유사도 가장 높은 선사용자와 현사용자간에는 제공된 우선 추천 컨텐츠(PRC) 대신 다른 컨텐츠를 최종 선택하였을 때, 최종 선택된 컨텐츠가 동일하게 형성될 가능성이 높으므로, 사용자 인터페이스(1) 상에 우선 추천 컨텐츠(PRC)의 하위 항목으로 사용자 선호 컨텐츠(UFC)를 함께 제공함으로써, 유사도 계산을 통한 우선 추천 컨텐츠(PRC) 제공 알고리듬에 의해 현사용자에게 제공된 우선 추천 컨텐츠(PRC)가 현사용자가 필요로 하는 컨텐츠가 아닌 경우, 현사용자가 필요로 하는 컨텐츠일 가능성이 가장 높은 컨텐츠를 사용자 선호 컨텐츠(UFC)로 제공할 수 있다.
그리고 추천 시스템(10)의 현사용자에 의해 형성된 사용자 속성(UP) 정보 데이터와 추천 컨텐츠(RC) 데이터 및 사용자 선호 컨텐츠(UFC) 데이터를, 추천 시스템(10) 다음 사용자 또는 사용 예정자의 우선 추천 컨텐츠(PRC) 특정 시 유사도 계산을 위한 데이터 베이스(DB)로서 활용할 때, 추천 시스템(10)의 현사용자와 선사용자의 사용자 속성(UP) 정보 및 우선 추천 컨텐츠(PRC)를 포함하는 추천 컨텐츠(RC) 데이터 매트릭스로부터 계산된 유사도가 특정값 이상인 경우에만 데이터 베이스(DB)에 추가되도록 구성할 수 있다.
본 발명의 추천 시스템(10)에 구축된 협업 필터링 추천 알고리듬의 특성상, 데이터 베이스(DB)에 저장된 선사용자들의 사용자 속성(UP) 정보와 우선 추천 컨텐츠(PRC) 및 사용자 선호 컨텐츠(UFC) 데이터의 신뢰도가 높을수록 추천 시스템(10)의 다음 사용자 또는 사용 예정자에게 제공되는 우선 추천 컨텐츠(PRC) 또는 사용자 선호 컨텐츠(UFC)의 정확도가 높아지게 된다.
따라서 추천 시스템(10) 관리자에 의해 설정된 유사도 수치 이상인 경우에만 현사용자의 사용자 속성(UP) 정보와, 우선 추천 컨텐츠(PRC) 및 사용자 선호 컨텐츠(UFC) 데이터를 데이터 베이스(DB)에 저장함으로써, 철도 인프라 BIM 교육 컨텐츠 추천 시스템(10)의 컨텐츠 추천 정확도를 보다 향상시킬 수 있다.
본 발명의 추천 시스템(10)의 알고리듬 수행 및 사용자 인터페이스(1)의 구체적인 일 실시 예는 다음과 같다.
1. 사용자 인터페이스 입력 단계(S10)
사용자 인터페이스(1)는 추천 시스템(10)의 사용자와 추천 시스템(10)간 통신 수단으로 활용되며, 사용자 인터페이스(1)에는 사용자 속성(UP) 정보를 특정하기 위한 질문 및 해당 질문에 대한 답 입력 항목이 형성된다.
a) 질문 항목: 사용자의 소속 기관
b) 추천 시스템(10) 사용자 답변 항목: 발주처
2. 작업 메모리 형성 단계(S20)
사용자 인터페이스 입력 단계(S10)의 질문 및 질문에 따른 사용자의 답변 항목에 의해 형성된 사용자 속성(UP) 정보를 추천 시스템(10)의 메모리(11)상에 일시 저장한다.
3. 추론 엔진 규칙 실행 단계(S30)
추천 시스템(10)의 메모리(11)상에 저장된 사용자 속성(UP) 정보 중 사용자 답변 항목인 "발주처"에 대응하는 규칙(R) 데이터를 지식 베이스(13)로부터 검색하며, 다수의 규칙(R) 데이터 중 "발주처" 조건에 대응하는 규칙(R) 데이터에 규정된 "IF 소속기관=발주처, THEN 사업단계 질문"이라는 규칙1(R1)이 실행되고, 실행된 규칙1(R1)은 시스템(10)의 메모리(11)상에 추가로 일시 저장된다.
4. 사용자 속성 정보 갱신 단계(S40)
사용자 인터페이스(1)로 전송된 규칙1(R1)에 의해 사용자 인터페이스(1) 상의 질문 항목에 "사업단계"가 표시된다.
5. 필터링 단계(S50)
사용자 속성(UP) 정보를 보다 특정하기 위하여, 사용자 인터페이스 입력 단계(S10)로부터 사용자 속성 정보 갱신 단계(S40)를 반복 수행한다.
a) 질문 항목: 사업단계
b) 추천 시스템(10) 사용자 답변 항목: 설계단계
c) 필터링 단계(S50)에서는 "설계단계"에 대응하는 규칙(R) 데이터를 지식 베이스(13)로부터 검색하여, "IF 사업단계=설계단계, THEN 경력 질문"이라는 규칙2(R2)가 실행
필터링 단계(S50)는 추천 시스템(10) 설계자에 의해 지식 베이스(13)에 미리 설정된 규칙(R)이 더 이상 검색되지 않을 때까지, 사용자 인터페이스 입력 단계(S10)로부터 사용자 속성 정보 갱신 단계(S40)를 n회차 반복 수행한다.
최초 수행되는 사용자 인터페이스 입력 단계(S10) 및 필터링 단계(S50)에서 n회차 수행되는 사용자 인터페이스 입력 단계(S10)에서는 사용자 인터페이스(1) 상에 표시된 질문에 대한 사용자 답변 항목을 사용자 답변 항목의 하위 메뉴로서 제공된 선택 항목 중 어느 하나를 선택 가능하도록 구성될 수 있다.
도 6에서 도시하는 바와 같이 사용자 속성(UP) 정보는 사용자 인터페이스(1) 상에 표시된 질문과, 질문에 대한 사용자 답변 항목으로 이루어지며, 도 6에 기재된 항목은 사용자 속성(UP) 정보의 예시로서, 정확한 컨텐츠 추천이 가능하도록 사용자 속성(UP) 정보 질문 및 답변 항목 분류를 보다 세분화 할 수 있다.
도 7에서 도시하는 바와 같이 사용자 속성(UP) 정보의 예시로서 기재된 위 표의 역량지수는 사용자 속성(UP) 정보는,
ⅰ) 보유 자격증 종류 및 수량으로 차등 부여되는 자격지수
ⅱ) 최종 학력으로부터 차등 부여되는 학력지수
ⅲ) 경력 기간에 따라 차등 부여되는 경력지수
ⅳ) 관련 교육 여부에 따라 차등 부여되는 교육지수
로부터 산출된 수치인 역량지수로 이루어진다.
역량지수를 구성하는 각 지수의 가중치는 철도 인프라 BIM 분야 전문가로 이루어지는 추천 시스템(10) 설계자에 의해 설정된다.
도 8에서 도시하는 바와 같이 지식 베이스(13)의 규칙(R)은 추론 과정을 위한 규칙(R)과 결론 도출을 위한 규칙(R)으로 구성되며, 지식 베이스(13)의 그룹 A는 추론 과정을 위한 규칙(R)들이 나열된 집합이고, 지식 베이스(13)의 그룹 B~G는 결론 도출을 위한 규칙(R)들이 나열된 집합으로 구성된다.
규칙(R) 실행 시, OR는 조건절의 입력값 중 어느 하나만 만족하면 결정절의 이행이 가능하고, AND는 조건절의 모든 입력값을 만족하면 결정절의 이행이 가능하도록 구성된다.
도 9에서 도시하는 바와 같이 필터링 단계(S50)의 반복 수행을 통해 n회차 추론 엔진 규칙 실행 단계(S30)를 진행하면, 지식 베이스(13)에 실행 가능한 규칙(R) 데이터가 더 이상 검색되지 않게 되며, 최종 탐색된 n회차 실행 규칙(R)에는 추천 시스템(10) 사용자의 사용자 속성(UP)으로부터 특정한 추천 컨텐츠(RC) 데이터가 포함된다.
5-1. 컨텐츠 우선 추천 단계(S100)
데이터 베이스(DB)를 통해, 추천 시스템(10) 현사용자와 높은 유사도를 가지는 추천 시스템(10) 선사용자의 추천 컨텐츠(RC) 데이터로부터 현사용자가 필요로 하는 교육 컨텐츠를 예측하여 우선 추천 컨텐츠(PRC)로서 제공한다.
데이터 베이스(DB)는 도 10에서 도시하는 바와 같이 매트릭스 형태의 데이터로 구성된다.
유사도 계산은 도 11에서 도시하는 바와 같이 Gower 유사도 함수에 의해 수행된다.
도 12에서 도시하는 바와 같이 유사도는 최대 1의 값을 가지며, 사용자 식별(ID) 정보가 동일한 동일 사용자의 경우 유사도가 1이 형성되고, 1에 가까운 값을 가질수록 높은 유사도를 가지게 된다.
도 12의 유사도 계산 결과 표에서는 선사용자(ID:107)가 현사용자(ID:1108)와 가장 높은 유사도를 나타내므로, 우선 추천 컨텐츠 데이터 생성 과정(S101)에서 현사용자(ID:1108) 우선 추천 컨텐츠(PRC) 특정 시, 선사용자(ID:107)의 우선 추천 컨텐츠(PRC) 데이터를 현사용자(ID:1108)의 우선 추천 컨텐츠(PRC)로서 제공할 수 있다.
5-2. 사용자 선호 컨텐츠 선택 과정(S1000)
그리고 현사용자(ID:1108)가 선사용자(ID:107)의 데이터 베이스(DB)로부터 제공받은 우선 추천 컨텐츠(PRC) 또는 사용자 선호 컨텐츠(UFC1) 대신 다른 컨텐츠를 선택하는 경우로서, 현사용자(ID:1108)가 직접 선택한 컨텐츠가 사용자 선호 컨텐츠(UFC2) 데이터로서 추천 시스템(10)의 데이터 베이스(DB)에 저장될 수 있다.
현사용자(ID:1108)가 우선 추천 컨텐츠(PRC) 또는 사용자 선호 컨텐츠(UFC1) 대신 다른 컨텐츠를 선택할 때, 컨텐츠 우선 추천 단계(S100)에서 사용자 인터페이스(1)에 표시되는 우선 추천 컨텐츠(PRC)의 하위 항목으로서, 사용자 선호 컨텐츠(UFC1)를 선택하거나, 또는 추후 사용자 선호 컨텐츠(UFC2) 데이터가 되는 다른 컨텐츠를 선택할 수 있다.
6. 컨텐츠 추천 단계(S60)
필터링 단계(S50)에서 규칙(R) 데이터의 반복 실행을 통해 추천 컨텐츠(RC)를 특정하여 사용자 인터페이스(1)에 제공한다.
컨텐츠 추천 단계(S60)의 추천 컨텐츠(RC)는 우선 추천 컨텐츠(PRC) 및 우선 추천 컨텐츠(PRC)의 하위 항목으로 제공되는 사용자 선호 컨텐츠(UFC)로 구성된다.
컨텐츠 추천 단계(S60)에는 컨텐츠 우선 추천 단계(S100)와 사용자 선호 컨텐츠 선택 과정(S1000)이 포함될 수 있으며, 협업 필터링 추천 알고리듬의 특성상 컨텐츠 우선 추천 단계(S100) 및 사용자 선호 컨텐츠 선택 과정(S1000)과 컨텐츠 추천 단계(S60)간 수행 순서는 명확하게 구분되지 않는다.
7. 사용자 컨텐츠 데이터 베이스 저장 단계(S70)
추천 컨텐츠(RC) 특정이 완료된 각 추천 시스템(10) 사용자의 사용자 속성(UP) 정보와, 추천 컨텐츠(RC) 및 사용자 식별(ID) 정보를 통합하여 생성된 사용자 컨텐츠(UC) 데이터를 추천 시스템(10)의 데이터 베이스(DB)에 저장하여, 추천 시스템(10) 다음 사용자 또는 사용 예정자의 추천 컨텐츠(RC)를 특정하기 위한 유사도 계산 수행 시, 저장된 사용자 컨텐츠(UC) 데이터를 선사용자의 데이터 베이스(DB)로서 적용한다.
8. 2차 추천 단계
사용자 인터페이스 입력 단계(S10)로부터 컨텐츠 추천 단계(S60)를 완료하여 추천 컨텐츠(RC)를 제공 받은 추천 시스템(10) 사용자 중, 사용자 인터페이스(1)를 통해 사용자 속성(UP) 정보의 기입 내용을 수정한 경우 2차 추천 단계가 수행된다.
추천 시스템(10)으로부터 최초로 제공받은 추천 컨텐츠(RC)를 1차 추천 컨텐츠(RC1), 1차 추천 컨텐츠(RC1)를 추천 받은 추천 시스템(10) 이용 과정을 1차 추천 단계, 1차 추천 단계 이후 사용자 속성(UP) 정보 변동에 따라 추천 시스템(10)으로부터 2회차로 제공받은 추천 컨텐츠(RC)를 2차 추천 컨텐츠(RC2), 2차 추천 컨텐츠(RC2)를 추천 받은 추천 시스템(10) 이용 과정을 2차 추천 단계로 정의되며, 수정된 사용자 속성(UP) 정보와 특정된 2차 추천 컨텐츠(RC2)는 해당 사용자 식별(ID) 정보의 데이터 베이스(DB)상에 병렬로 저장된다.
상기 내용을 참조하여 본 발명의 실시 예들을 설명하였지만, 본 발명이 속하는 기술분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다.
그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해되어야 하고, 상기 상세한 설명에서 기술된 본 발명의 범위는 후술하는 특허청구범위에 의하여 나타내어지며, 특허 청구범위의 의미 및 범위 그리고 그 등가 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
1: 사용자 인터페이스 10: 추천 시스템
11: 메모리 12: 추론 엔진
13: 지식 베이스
11: 메모리 12: 추론 엔진
13: 지식 베이스
Claims (8)
- 사용자 인터페이스(1)에 사용자 속성(UP) 정보 입력 항목을 표시하고, 사용자가 사용자 속성(UP) 정보 입력 항목에 사용자 속성(UP) 정보를 입력하는 사용자 인터페이스 입력 단계(S10);
사용자 인터페이스(1)에 입력된 사용자 속성(UP) 정보를 추천 시스템(10) 메모리(11) 상에 일시 저장하는 작업 메모리 형성 단계(S20);
추천 시스템(10)으로 전송된 작업 메모리의 사용자 속성(UP) 정보를 추천 시스템(10)의 추론 엔진(12)을 통해, 추천 시스템(10)의 지식 베이스(13)에 미리 설정된 규칙(R) 데이터와 대조하여, 전송된 사용자 속성(UP) 정보에 해당하는 규칙을 실행하고, 실행된 규칙(R) 데이터를 작업 메모리 형성 단계(S20)에서 저장된 추천 시스템(10) 메모리(11) 상에 추가로 일시 저장하는 추론 엔진 규칙 실행 단계(S30);
실행된 규칙(R) 데이터에 따라 갱신된 사용자 속성(UP) 정보 입력 항목을 사용자 인터페이스(1)에 전송하는 사용자 속성 정보 갱신 단계(S40);
추론 엔진 규칙 실행 단계(S30)에서 사용자 인터페이스(1)로부터 입력된 사용자 속성(UP) 정보를 지식 베이스(13)에 설정된 규칙(R) 데이터와 대조하여, 지식 베이스(13)에 설정된 규칙(R) 데이터 중 입력된 사용자 속성(UP) 정보에 대응하여 실행 가능한 규칙(R)이 검색되지 않을 때까지 사용자 인터페이스 입력 단계(S10)와 작업 메모리 형성 단계(S20)와 추론 엔진 규칙 실행 단계(S30) 및 사용자 속성 정보 갱신 단계(S40)를 순차적으로 반복 수행하며, 각 단계의 반복 수행 시 사용자 인터페이스(1)에 입력된 사용자 속성(UP) 정보 및 실행된 규칙(R) 데이터를 추천 시스템(10) 메모리(11) 상에 누적하여 일시 저장하는 필터링 단계(S50);
필터링 단계(S50)를 통해 추천 컨텐츠(RC)를 특정하여 사용자 인터페이스(1)에 제공하는 컨텐츠 추천 단계(S60); 및
추천 시스템(10)에 의해 추천 컨텐츠(RC)의 특정이 완료된 사용자별로, 사용자 인터페이스 입력 단계(S10)로부터 컨텐츠 추천 단계(S60) 과정까지 사용자 인터페이스(1)를 통해 입력된 사용자 속성(UP) 정보와, 컨텐츠 추천 단계(S60)에서 특정된 추천 컨텐츠(RC) 및 사용자 식별(ID) 정보를 통합하여 사용자 컨텐츠(UC) 데이터를 생성하고, 생성된 사용자 컨텐츠(UC) 데이터를 추천 시스템(10)의 데이터 베이스(DB)에 저장하는 사용자 컨텐츠 데이터 베이스 저장 단계(S70);
로 이루어지되,
필터링 단계(S50)의 특정 추론 엔진 규칙 실행 단계(S30)에서는
ⅰ) 사용자 인터페이스 입력 단계(S10)에서 입력된 사용자 속성(UP) 정보와 유사한 정보가 기록된 사용자 컨텐츠(UC) 데이터를 탐색하고, 입력된 사용자 속성(UP) 정보 및 사용자 컨텐츠(UC) 데이터를 매트릭스화하며, 입력된 사용자 속성(UP) 정보 매트릭스 및 사용자 컨텐츠(UC) 데이터 매트릭스간 유사도를 계산함으로써, 가장 유사한 사용자 컨텐츠(UC) 데이터를 추출하여 우선 추천 컨텐츠(PRC) 데이터를 생성하는 우선 추천 컨텐츠 데이터 생성 과정(S101)
ⅱ) 사용자 인터페이스(1) 상에 우선 추천 컨텐츠(PRC)를 표시하는 컨텐츠 우선 추천 과정(S102)
ⅲ) 우선 추천 컨텐츠 데이터 생성 과정(S101)에서 입력된 사용자 속성(UP) 정보와, 컨텐츠 우선 추천 과정(S102)의 우선 추천 컨텐츠(PRC)를 추천 시스템의 데이터 베이스(DB)에 저장하는 우선 추천 결과 저장 과정(S103)
으로 구성되는 컨텐츠 우선 추천 단계(S100);
가 수행되되, 컨텐츠 우선 추천 단계(S100)에서 사용자 인터페이스(1)에는, 우선 추천 컨텐츠(PRC) 대신 사용자가 직접 컨텐츠를 선택할 수 있는 사용자 선호 컨텐츠 선택 과정(S1000)이 부가되며, 우선 추천 결과 저장 과정(S103)에서 우선 추천 컨텐츠(PRC) 대신 직접 선택한 컨텐츠를 사용자 선호 컨텐츠(UFC) 데이터로서 추천 시스템(10)의 데이터 베이스(DB)에 저장되고,
다른 사용자의 특정 추론 엔진 규칙 실행 단계(S30) 수행 시, 컨텐츠 우선 추천 과정(S102)에서 사용자 인터페이스(1)에 표시되는 우선 추천 컨텐츠(PRC)의 하위 항목으로서, 추천 시스템(10)의 데이터 베이스(DB)에 저장된 사용자 선호 컨텐츠(UFC) 데이터를 사용자 선호 컨텐츠(UFC)로 선택 가능하도록 구성되는 것을 특징으로 하는 철도 인프라 BIM 교육 컨텐츠 추천 시스템. - 삭제
- 제1항에 있어서,
사용자 인터페이스 입력 단계(S10)와 작업 메모리 형성 단계(S20)와 추론 엔진 규칙 실행 단계(S30) 및 사용자 속성 정보 갱신 단계(S40)는 추천 시스템 설계자에 의해 설정된 지식 베이스(13) 중, 입력된 사용자 속성(UP) 정보에 해당하는 규칙(R) 데이터에 따른 실행 규칙(R)이 수행되는 룰 기반 추론 알고리듬을 기반으로 하고,
필터링 단계(S50)의 특정 추론 엔진 규칙 실행 단계(S30) 및 컨텐츠 우선 추천 단계(S100)는 다수의 추천 시스템(10) 사용자로부터 생성된 데이터 베이스(DB)의 유사도 분석을 통해, 사용자 인터페이스(1)에 입력된 사용자 속성(UP) 정보에 따른 최종 선택 컨텐츠를 예측하는 협업 필터링 추천 알고리듬을 기반으로 하는 것을 특징으로 하는 철도 인프라 BIM 교육 컨텐츠 추천 시스템. - 제1항에 있어서,
사용자 인터페이스(1)에 입력되는 사용자 속성(UP) 정보는 경력 데이터를 포함하며, 경력 데이터는
ⅰ) 보유 자격증 종류 및 수량으로 차등 부여되는 자격지수
ⅱ) 최종 학력으로부터 차등 부여되는 학력지수
ⅲ) 경력 기간에 따라 차등 부여되는 경력지수
ⅳ) 관련 교육 여부에 따라 차등 부여되는 교육지수
로부터 산출된 수치인 역량지수로 이루어지는 것을 특징으로 하는 철도 인프라 BIM 교육 컨텐츠 추천 시스템. - 제1항에 있어서,
컨텐츠 우선 추천 단계(S100)의 입력된 사용자 속성(UP) 정보 매트릭스와, 우선 추천 컨텐츠(PRC)를 포함하는 추천 컨텐츠(RC) 데이터 매트릭스의 유사도 계산은 Gower 유사도 함수에 의해 수행되는 것을 특징으로 하는 철도 인프라 BIM 교육 컨텐츠 추천 시스템. - 제5항에 있어서,
추천 시스템(10) 사용자가 사용자 인터페이스(1)를 통해 입력한 사용자 속성(UP) 정보 및 사용자 컨텐츠(UC) 데이터로부터 생성된 매트릭스는, 추천 시스템(10)의 데이터 베이스(DB)에 저장된 추천 시스템(10)의 다른 사용자들에 의해 생성된 사용자 속성(UP) 정보 및 사용자 컨텐츠(UC) 데이터 매트릭스들과 개별적으로 유사도 계산을 수행하며, 계산된 유사도가 가장 높은 매트릭스가 포함된 추천 시스템(10)의 다른 사용자에게 제공된 우선 추천 컨텐츠(PRC)를 현 추천 시스템(10) 사용자에게 우선 추천 컨텐츠(PRC)로서 제공하는 것을 특징으로 하는 철도 인프라 BIM 교육 컨텐츠 추천 시스템. - 제6항에 있어서,
계산된 유사도가 가장 높은 매트릭스를 포함하는 추천 시스템(10)의 다른 사용자가 제공된 우선 추천 컨텐츠(PRC) 대신 다른 컨텐츠 선택 시, 선택된 컨텐츠를 사용자 선호 컨텐츠(UFC)로 추천 시스템(10)의 데이터 베이스(DB)에 저장하고, 현 추천 시스템(10) 사용자에게 우선 추천 컨텐츠(PRC)의 하위 항목으로서 사용자 선호 컨텐츠(UFC)를 추가 제공하는 것을 특징으로 하는 철도 인프라 BIM 교육 컨텐츠 추천 시스템. - 제6항 또는 제7항 중 선택되는 어느 하나의 항에 있어서,
추천 시스템(10)의 현사용자와, 추천 시스템(10)의 다른 사용자들에 의해 생성된 사용자 속성(UP) 정보 및 우선 추천 컨텐츠(PRC)를 포함하는 추천 컨텐츠(RC) 데이터 매트릭스로부터 계산된 유사도가 추천 시스템(10) 관리자에 의해 설정된 수치 이상인 경우에만, 추천 시스템(10)의 현사용자에 의해 입력된 사용자 속성(UP) 정보 데이터와 추천 컨텐츠(RC) 데이터 및 사용자 선호 컨텐츠(UFC) 데이터가 추천 시스템(10)의 데이터 베이스(DB)에 저장되는 것을 특징으로 하는 철도 인프라 BIM 교육 컨텐츠 추천 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220111123A KR102617823B1 (ko) | 2022-09-02 | 2022-09-02 | 철도 인프라 bim 교육 컨텐츠 추천 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220111123A KR102617823B1 (ko) | 2022-09-02 | 2022-09-02 | 철도 인프라 bim 교육 컨텐츠 추천 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102617823B1 true KR102617823B1 (ko) | 2023-12-27 |
Family
ID=89377703
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220111123A KR102617823B1 (ko) | 2022-09-02 | 2022-09-02 | 철도 인프라 bim 교육 컨텐츠 추천 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102617823B1 (ko) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010534370A (ja) * | 2007-07-24 | 2010-11-04 | サムスン エレクトロニクス カンパニー リミテッド | 複合アルゴリズム利用した情報推薦方法及び装置 |
| KR101106772B1 (ko) | 2009-05-14 | 2012-01-18 | 주식회사 솔트룩스 | 사용자 선호 지식 베이스 기반의 컨텐츠 추천 방법 및 시스템 |
| KR20130046688A (ko) * | 2011-10-28 | 2013-05-08 | 주식회사 비트컴퓨터 | 개인화 서비스를 위한 아이템 추천 시스템 및 방법 |
| KR20150105830A (ko) * | 2014-03-10 | 2015-09-18 | 단국대학교 산학협력단 | 사용자 프로파일과 상황 정보를 이용한 선호도 기반 하이브리드 필터링 콘텐츠 추천 장치 및 방법 |
| KR20210061739A (ko) * | 2019-11-20 | 2021-05-28 | 연세대학교 산학협력단 | 사용자 맞춤형 추천정보 제공장치 및 제공방법, 이를 실행시키기 위한 프로그램을 기록한 컴퓨터 해독 가능한 기록 매체 |
| KR20210105071A (ko) * | 2020-02-18 | 2021-08-26 | 주식회사 유어써티 | 자격증 소지자에 대한 플랫폼 기반 관리 방법 |
-
2022
- 2022-09-02 KR KR1020220111123A patent/KR102617823B1/ko active IP Right Grant
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010534370A (ja) * | 2007-07-24 | 2010-11-04 | サムスン エレクトロニクス カンパニー リミテッド | 複合アルゴリズム利用した情報推薦方法及び装置 |
| KR101106772B1 (ko) | 2009-05-14 | 2012-01-18 | 주식회사 솔트룩스 | 사용자 선호 지식 베이스 기반의 컨텐츠 추천 방법 및 시스템 |
| KR20130046688A (ko) * | 2011-10-28 | 2013-05-08 | 주식회사 비트컴퓨터 | 개인화 서비스를 위한 아이템 추천 시스템 및 방법 |
| KR20150105830A (ko) * | 2014-03-10 | 2015-09-18 | 단국대학교 산학협력단 | 사용자 프로파일과 상황 정보를 이용한 선호도 기반 하이브리드 필터링 콘텐츠 추천 장치 및 방법 |
| KR20210061739A (ko) * | 2019-11-20 | 2021-05-28 | 연세대학교 산학협력단 | 사용자 맞춤형 추천정보 제공장치 및 제공방법, 이를 실행시키기 위한 프로그램을 기록한 컴퓨터 해독 가능한 기록 매체 |
| KR20210105071A (ko) * | 2020-02-18 | 2021-08-26 | 주식회사 유어써티 | 자격증 소지자에 대한 플랫폼 기반 관리 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Özdağoğlu et al. | Comparison of AHP and fuzzy AHP for the multi-criteria decision making processes with linguistic evaluations | |
| Green | Beyond value engineering: SMART value management for building projects | |
| Kadoić et al. | Integrating the DEMATEL with the analytic network process for effective decision-making | |
| CN101923557B (zh) | 数据分析系统及方法 | |
| Peña-Mora et al. | Conflict mitigation system for collaborative engineering | |
| JPH01116767A (ja) | 概念設計ツールとｃａｄ／ｃａｍ環境間に部品表のインターフエイスを与える方法 | |
| JP6345873B2 (ja) | 高速電車の需要メタモデルの構築方法及び装置 | |
| CN109255586A (zh) | 一种面向电子政务办事的在线个性化推荐方法 | |
| Raikov et al. | Big data refining on the base of cognitive modeling | |
| Chi et al. | Development of a data mining-based analysis framework for multi-attribute construction project information | |
| CN113886603A (zh) | 一种融合推理机的知识图谱构建方法 | |
| JP2016189079A (ja) | 計画作成支援装置および計画作成支援方法 | |
| Octavianus et al. | The analysis of critical success factor ranking for software development and implementation project using AHP | |
| US20240003249A1 (en) | Systems and methods for estimating well parameters and drilling wells | |
| CN115115257A (zh) | 一种基于关系图谱的企业风险预警方法及系统 | |
| Kinay et al. | Modification of the fuzzy analytic hierarchy process via different ranking methods | |
| CN110737779A (zh) | 知识图谱的构建方法、装置、存储介质和电子设备 | |
| Hatefi | A typology scheme for the criteria weighting methods in MADM | |
| KR102617823B1 (ko) | 철도 인프라 bim 교육 컨텐츠 추천 시스템 | |
| Elwakil | Knowledge discovery based simulation system in construction | |
| Ozemoi | 1Multicriterion Decision Problems | |
| Richter et al. | Optimatch: applying constraint programming to workforce management of highly skilled employees | |
| US11836657B2 (en) | Resource management planning support device, resource management planning support method, and programs | |
| Raphael et al. | Indexing and retrieval of cases in a case-based design system | |
| CN113987837A (zh) | 铁路选线评价系统及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |