KR20130094967A - 사용자 성향을 고려한 데이터 추론 방법 및 장치 - Google Patents

사용자 성향을 고려한 데이터 추론 방법 및 장치 Download PDF

Info

Publication number
KR20130094967A
KR20130094967A KR1020120016283A KR20120016283A KR20130094967A KR 20130094967 A KR20130094967 A KR 20130094967A KR 1020120016283 A KR1020120016283 A KR 1020120016283A KR 20120016283 A KR20120016283 A KR 20120016283A KR 20130094967 A KR20130094967 A KR 20130094967A
Authority
KR
South Korea
Prior art keywords
user
data
users
information
service
Prior art date
Application number
KR1020120016283A
Other languages
English (en)
Inventor
윤희용
김희성
한승욱
김말희
방효찬
박동환
Original Assignee
성균관대학교산학협력단
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 성균관대학교산학협력단 filed Critical 성균관대학교산학협력단
Priority to KR1020120016283A priority Critical patent/KR20130094967A/ko
Publication of KR20130094967A publication Critical patent/KR20130094967A/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
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 발명은, 사용자 성향을 고려한 데이터 추론 방법에 관한 것으로, 사용자들이 제공받은 적어도 하나 이상의 서비스들에 대한 평가 정보에 기초하여 사용자 성향 정보를 획득하는 단계; 상기 사용자 성향 정보에 기초하여 사용자 간의 상관 관계를 분석하여 사용자 성향이 유사한지를 나타내는 유사성 정보를 획득하는 단계; 상기 유사성 정보에 기초하여 데이터를 융합할 적어도 두 명 이상의 사용자를 선정하는 단계; 및 상기 선정된 사용자의 데이터를 융합하여 융합 데이터를 획득하는 단계를 포함하는 것을 특징으로 한다. 본 발명에 따르면, 사용자 성향 정보에 기초하여 사용자 성향이 유사한 사용자를 분류한 후, 분류된 사용자의 데이터를 융합하여 데이터를 추론함으로써 데이터 추론의 정확성을 향상시킬 수 있다.

Description

사용자 성향을 고려한 데이터 추론 방법 및 장치{A METHOD AND AN APPARATUS FOR INFERRING DATA CONSIDERING USER PREFERENCES}
본 발명은 사용자 성향을 고려한 데이터 추론 방법 및 장치에 관한 것으로, 더 상세하게는 상황인식 서비스 분야에서 불확실한 데이터를 추론하기 위해, 사용자들이 제공받은 서비스들에 대한 평가 정보로부터 획득된 사용자 성향 정보에 기초하여 사용자 성향이 유사한 사용자를 분류한 후, 분류된 사용자의 데이터를 융합하여 데이터를 추론함으로써 데이터 추론의 정확성을 향상시킬 수 있는 사용자 성향을 고려한 데이터 추론 방법 및 장치에 관한 것이다.
최근에 정보 산업과 이동 통신 기술이 발전함에 따라 휴대용 기기나 가전제품 등이 새롭게 확장되면서 컴퓨터 시스템들은 인간 생활의 편리성과 다양성을 위해 하나의 네트워크에 연결되고 있으며, 언제 어디서나 통신 및 컴퓨팅이 가능하고 컴퓨팅 시스템이 상호간에 정보를 공유하고 협력함으로써 새로운 서비스가 가능한 유비쿼터스 컴퓨팅(Ubiquitous Computing) 환경으로 발전되고 있다.
상황 인식 서비스(Context-Aware Service)는 서비스 객체가 정의하는 상황이 변경됨에 따라 서비스 여부와 서비스의 내용이 결정되는 서비스를 말한다. 즉, 상황 인식 서비스는 사용자의 상황 특성을 나타내는 상황 정보를 분석하여 인간에게 유용한 정보를 제공하는 서비스로서 특히 유비쿼터스 환경과 맞게 의료, 교육, 재난, 쇼핑 등 사회 전분야에 걸쳐서 많은 영향을 주고 있으며, 여기서, 상황 정보란, 상황 인식 서비스 객체에 의해 정의된 서비스 행위를 결정하는 정보를 의미하며 서비스 행위를 결정하는 정보에는 서비스의 제공 시점, 서비스의 제공 여부, 서비스의 제공 대상, 서비스의 제공 위치 등이 포함된다.
상황 정보들에서 얻어지는 데이터들은 불확실성을 내포하고 있어서 이를 추론하는 것은 매우 어렵고 복잡하다. 불확실성이란 의사 결정을 하기 위해 필요한 정보가 부족한 상황을 의미하며, 불확실성이 발생하는 근본적 원인은 불완전성, 애매모호함, 부정확함, 측정 오류, 시스템 오류, 어림짐작의 오류 그리고 추론 오류와 같은 여러 가지 오류들이 포함된다. 그러므로 상황이 실시간으로 변화하며 사람들마다의 개인 성향이 다른 환경에서는 데이터를 추론하여 그 결과값이 얼마나 신뢰할 수 있는지가 매우 중요하다.
예컨대, 다수의 사용자 환경 정보와 성향을 고려하는 상황 인식 서비스 분야에서는 여러 사용자의 선호를 고려하여 의사결정을 하기 때문에 불확실한 정보는 추론 결과의 오류를 발생하게 하며, 센서 네트워크 분야에서는 수집한 데이터를 추론하여 필요한 기능을 제공할 때 불확실성 문제로 인해 추론 결과에 차질이 생길 수 있다.
상기와 같은 불확실성 문제를 해결하기 위해, 퍼지 이론, 뉴런 네트워크, 동적 베이지안 네트워크, 은닉 마르코프 모델과 같은 여러 종류의 방법들이 소개되었지만 상기 방법들은 하나의 숫자에 의해 불확실한 가설에 대한 신뢰의 정도를 표시하기 때문에 추론 결과의 정확성이 낮다는 문제가 있다.
상황 인식 서비스에서 불확실성 값을 낮추어 추론 결과의 정확성을 높임으로써 사용자들에게 신뢰성 있는 적용형 서비스를 제공할 필요가 있다.
한편, 뎀스터-쉐퍼(Dempster-Shafer; DS) 이론은 불확실하고 부정확한 문제들을 다루는 수학적 이론으로 증거를 통한 믿음의 표시를 하나의 확률값으로 표현하는 기존의 방법들과는 달리 믿음값과 가능성값을 통해 확신의 정도가 구간으로 표현되며 확률에서와 같이 서로 배타적인 가설 집합을 설정한다. 관심이 되는 대상의 집합을 환경이라 하고 θ라고 표시하며, θ는
Figure pat00001
와 같이 여러 개의 원소를 가질 수 있으므로 그 부분집합의 개수는 2k개가 된다. 여기서 θ가 오직 하나의 원소를 가질 때, 이러한 θ를 식별 프레임이라 하고 2k개의 부분집합으로 구성된 집합은 멱집합(Power Set)이라 하고 Θ로 표기한다.
집합 Θ가 어떤 증거에 의해 지원받는 정도는 기본확률배정함수(Basic Probability Assignment, BPA) m을 사용하여 다음과 같이 나타낼 수 있다.
Figure pat00002

BPA 함수 m은, 공집합에 대한 m은 0의 확률값에 사상되고, Θ의 모든 부분집합에 대한 m의 값은 1이 되는 특징을 갖는다.
Figure pat00003
Figure pat00004
본 발명은 상기와 같은 문제점을 해결하기 위해 창안된 것으로서, 사용자 성향 정보에 기초하여 사용자 성향이 유사한 사용자를 분류한 후, 분류된 사용자의 데이터를 융합하여 데이터를 추론함으로써 데이터 추론의 정확성을 향상시킬 수 있는 사용자 성향을 고려한 데이터 추론 방법 및 장치의 제공을 그 목적으로 한다.
본 발명의 또 다른 목적은, 협업적 필터링(Collaborative Filtering)을 통해 사용자 성향이 유사한 사용자를 분류하고 이를 통해 데이터를 추론함으로서 데이터 추론의 정확성을 향상시킬 수 있는 사용자 성향을 고려한 데이터 추론 방법 및 장치의 제공을 그 목적으로 한다.
본 발명의 또 다른 목적은, 뎀스터-쉐퍼 이론(Dempster-Shafer Theory)을 통해 사용자 데이터를 융합하여 데이터를 추론함으로써 데이터 추론의 정확성을 향상시킬 수 있는 사용자 성향을 고려한 데이터 추론 방법 및 장치의 제공을 그 목적으로 한다.
본 발명의 해결과제는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 해결과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있다.
상기와 같은 목적을 달성하기 위하여 본 발명에 따른 사용자 성향을 고려한 데이터 추론 방법은 사용자들이 제공받은 적어도 하나 이상의 서비스들에 대한 평가 정보에 기초하여 사용자 성향 정보를 획득하는 단계; 상기 사용자 성향 정보에 기초하여 사용자 간의 상관 관계를 분석하여 사용자 성향이 유사한지를 나타내는 유사성 정보를 획득하는 단계; 상기 유사성 정보에 기초하여 데이터를 융합할 적어도 두 명 이상의 사용자를 선정하는 단계; 및 상기 선정된 사용자의 데이터를 융합하여 융합 데이터를 획득하는 단계를 포함하는 것을 특징으로 한다.
본 발명은, 상기 사용자의 데이터는 사용자들이 제공받은 적어도 하나 이상의 서비스들과 관련된 증거로부터 획득한 믿음값, 불확실성값, 증거구간을 포함하는 것을 특징으로 한다.
본 발명은, 상기 유사성 정보는, 아래 수학식을 이용하여 획득하는 것을 특징으로 한다.
Figure pat00005
(여기서, x∈S은 사용자 a와 b에 의한 제품 서비스 선호도, ra ,x는 사용자 a의 서비스 x에 대한 평가정보, rb ,x는 사용자 b의 서비스 x에 대한 평가정보,
Figure pat00006
와
Figure pat00007
는 사용자 a와 사용자 b의 제품 서비스 선호도 평균을 나타낸다.)
본 발명은, 상기 유사성 정보는, 아래 수학식을 이용하여 획득하는 것을 특징으로 한다.
Figure pat00008
본 발명은, 상기 융합 데이터는, 아래 수학식을 이용하여 획득하는 것을 특징으로 한다.
Figure pat00009
상기와 같은 목적을 달성하기 위하여, 본 발명에 따른 사용자 성향을 고려한 데이터 추론 장치는 사용자들이 제공받은 적어도 하나 이상의 서비스들에 대한 평가 정보에 기초하여 사용자 성향 정보를 획득하는 사용자 성향 분석부; 상기 사용자 성향 정보에 기초하여 사용자 간의 상관 관계를 분석하여 사용자 성향이 유사한지를 나타내는 유사성 정보를 획득하는 상관 관계 분석부; 상기 유사성 정보에 기초하여 데이터를 융합할 적어도 두 명 이상의 사용자를 선정하고, 상기 선정된 사용자의 데이터를 융합하는 데이터 융합부; 및 상기 융합 결과, 융합 데이터를 추출하는 데이터 추출부를 포함하는 것을 특징으로 한다.
본 발명은 다음과 같은 효과와 이점을 제공한다.
우선, 사용자 성향 정보에 기초하여 사용자 성향이 유사한 사용자를 분류한 후, 분류된 사용자의 데이터를 융합하여 데이터를 추론함으로써 데이터 추론의 정확성을 향상시킬 수 있다.
둘째, 협업적 필터링(Collaborative Filtering)을 통해 사용자 성향이 유사한 사용자를 분류하고 이를 통해 데이터를 추론함으로서 데이터 추론의 정확성을 향상시킬 수 있다.
셋째, 뎀스터-쉐퍼 이론(Dempster-Shafer Theory)을 통해 사용자 데이터를 융합하여 데이터를 추론함으로써 데이터 추론의 정확성을 향상시킬 수 있다.
본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있다.
도 1은 본 발명의 일실시예에 따른 사용자 성향을 고려한 데이터 추론 장치의 구성을 나타내는 블록도이다.
도 2는 본 발명에 따른 데이터 추출부의 구성을 구체적으로 도시한 블록도이다.
도 3은 사용자의 상관 관계를 분석하여 획득한 유사성 정보의 결과를 나타내는 도면이다.
도 4는 뎀스터 쉐퍼 이론을 이용한 사용자 데이터 융합을 설명하기 위한 도면이다.
도 5는 본 발명에 따른 사용자 성향을 고려한 데이터 추론 장치의 효과를 나타내는 도면이다.
도 6은 본 발명의 일실시예에 따른 사용자 성향을 고려한 데이터 추론 과정을 나타내는 순서도이다.
도 7은 본 발명의 실시예에 따른 사용자 성향을 고려한 데이터 추론 장치의 구현예를 나타내는 도면이다.
이하 첨부된 도면을 참조로 본 발명의 바람직한 실시예를 상세히 설명하기로 한다. 이에 앞서, 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서, 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.
특히, 본 명세서에서 정보(information)란, 값(values), 파라미터(parameters), 계수(coefficients), 성분(elements) 등을 모두 포함하는 용어로서, 경우에 따라 그 의미는 달리 해석될 수 있으므로 본 발명은 이에 한정되지 아니한다.
도 1은 본 발명의 일실시예에 따른 사용자 성향을 고려한 데이터 추론 장치의 구성을 나타내는 블록도이다.
도 1을 참조하면, 본 발명에 따른 사용자 성향을 고려한 데이터 추론 장치(100)는 사용자 성향 분석부(110), 상관 관계 분석부(120), 데이터 융합부(130) 및 데이터 추출부(140)를 포함하여 구성된다.
사용자 성향 분석부(110)는 사용자들이 제공받은 서비스들에 대하여 평가한 데이터를 활용하여 각각의 사용자 성향 분석을 수행한다. 예컨대, 표 1에 도시된 바와 같이, 5명의 사용자(A, B, C, D, E)가 제공받은 5개의 서비스에 대한 서비스 만족도 평점을 기초로 개별적인 서비스에 대한 사용자의 성향을 분석할 수 있다.
즉, 사용자 성향 분석부(110)는 사용자로부터 서비스에 대한 만족도를 매우 만족(5점)부터 매우 불만족(1점)까지 1~5점 사이의 평점을 제공받는 한편, 사용자로부터 획득한 다수의 증거에 기초하여 뎀스터 쉐퍼 이론(DS 이론; Dempster-Shafer Theory)을 통해 서비스 만족도에 대한 믿음값과 불확실성값을 획득한다.
예를 들어, 사용자가 자신이 제공받은 서비스를 다른 사용자에게 추천을 하였다는 사실, 처음 서비스를 제공받은 후에 시일이 얼마 지나지 않아 다시 서비스를 제공받았다는 사실 등은 사용자가 자신이 제공받은 서비스에 대해 매우 만족하고 있다는 것을 표시하는 증거가 될 수 있으며, 반대로 사용자가 서비스를 제공받은 후에 다시 해당 서비스를 제공받지 않았다는 사실, 서비스를 제공받는 중에 해당 서비스를 제공받기를 거절하였다는 사실 등은 사용자가 자신이 제공받은 서비스에 대해 만족하지 않았음을 표시하는 증거가 될 수 있다.
DS 이론은 상기와 같은 증거에 기초하여 불확실하고 부정확한 문제들을 다루는 수학적 이론으로 불확실한 문제의 해결 방법으로서 증거를 통한 믿음의 표시를 하나의 확률값으로 표현하는 종래의 방법들과 달리 믿음값과 가능성값에 기초한 증거구간으로의 표현이 가능하다.
즉, DS 이론에서는 불확실한 가설에 대한 확신의 정도를 [믿음값, 가능성값]와 같은 구간으로 표시하는데, 가능성값은 증거에 기초하여 가설이 부정되지 않고 남아있는 여유, 즉 최대로 신뢰받을 수 있는 가능성을 나타낸다.
믿음값은 0(증거가 전혀 없음)에서 1(확실한 증거가 있음)까지의 범위를 가지며, DS 이론에서는 서로 다른 증거들간에 융합의 과정을 통해 새로운 믿음값 및 증거구간을 획득할 수 있으므로 사용자들에게 신뢰성 있는 적응형 서비스를 제공하는 것이 가능하다.
사용자 서비스 1 서비스 2 서비스 3 서비스 4 서비스 5
A 5 3 5 2 4
B 2 3 3 4 1
C 4 2 4 5 3
D 2 1 3 3 2
E 5 3 3 3 5
하기 표 2는 사용자 성향 분석부(110)를 통해 특정 증거에 기초하여 획득한 믿음값과 불확실성값을 나타낸다. 표 2에서 알 수 있는 바와 같이, 전체 1에서 믿음값의 합을 빼면 불확실성값을 구할 수 있다.
매우만족/만족 보통/불만/매우불만 불확실성값
A 0.550 0.250 0.200
매우만족 만족/보통 불만/매우불만 불확실성값
D 0.250 0.350 0.150 0.250
만족 보통 불확실성값
E 0.400 0.300 0.300
상관 관계 분석부(120)는 사용자 성향 분석부(110)를 통해 획득한 사용자 성향 분석 결과에 기초하여, 유사성을 바탕으로 사용자들의 상관 관계를 분석하며, 본 발명에 따른 사용자 성향을 고려한 데이터 추론 장치(100)는 협업적 필터링(Collaborative Filtering)을 통해 사용자들의 상관 관계를 분석한다.
협업적 필터링은 유사성을 바탕으로 사용자들의 상관 관계를 분석하는 알고리즘이며, 사용자 a, b에 관한 사용자 기반 유사성(Sim(a, b))과 제품 서비스 선호도 x, y에 대한 서비스 기반 유사성(Sim(x, y))으로 나눌 수 있다. 사용자 기반 유사성과 서비스 기반 유사성은 수학식 1 및 수학식 2와 같이 나타낸다.
Figure pat00010
Figure pat00011
여기서, x∈S은 사용자 a와 b에 의한 제품 서비스 선호도, a∈S은 제품 서비스 선호도 x와 y에 대한 사용자를 나타내며, ra ,x는 사용자 a의 제품 서비스 선호도 x에 대한 평가정보, rb ,x는 사용자 b의 제품 서비스 선호도 x에 대한 평가정보,
Figure pat00012
와
Figure pat00013
는 사용자 a와 사용자 b의 제품 서비스 선호도 평균을 나타낸다.
한편, 본 발명은 수학식 3에 도시된 벡터-코사인 기반 유사성에 기초하여 협업적 필터링을 수행할 수 있다.
Figure pat00014
상기 방법은 두 벡터 사이의 코사인 값을 계산하여 두 사용자 사이의 유사성을 찾기 위해 제품 서비스 선호도에 대한 a와 b의 값을 사용한다.
상술한 바와 같이, 상관 관계 분석부(120)는 협업적 필터링을 통해 사용자의 상관 관계를 분석하여 사용자 성향이 유사한지를 나타내는 유사성 정보를 획득한다. 도 3은 사용자의 상관 관계를 분석하여 획득한 유사성 정보의 결과를 나타내는 도면이며, 도 3을 참조하면, 유사성 정보는 -1부터 +1 사이의 범위로 나타난다. 두 사용자의 상관 관계가 -1에 가까울수록 반대되는 성향을 가지고, +1에 가까울수록 비슷한 성향을 가진다.
표 3은 본 발명의 상관 관계 분석부(120)를 통해 획득한 유사성 정보의 일례를 나타낸다. 표 3을 참조하면, 그룹 1의 경우, 사용자 A는 사용자 E와 D의 순서, 그룹 2의 경우, 사용자 B는 사용자 C와 D의 순서로, 그룹 3의 경우, 사용자 C는 사용자 D와 B의 순서로, 그룹 4의 경우, 사용자 D는 사용자 C, B, A의 순서로. 그룹 5의 경우, 사용자 E는 사용자 A와 성향이 유사함을 확인할 수 있다.
그룹 상관 관계 분석 사용자 유사성 정보 융합 가부

그룹 1
 A&B -0.572
A&C -0.067
A&D +0.046 가능
A&E +0.490 가능

그룹 2

 B&A -0.572
B&C +0.423 가능
B&D +0.367 가능
B&E -0.881

그룹 3

 C&A -0.067
C&B +0.423 가능
C&D +0.891 가능
C&E -0.080

그룹 4

 D&A +0.046 가능
D&B +0.367 가능
D&C +0.891 가능
D&E -0.218

그룹 5

 E&A +0.490 가능
E&B -0.881
E&C -0.080
E&D -0.218
데이터 융합부(130)는 상기 유사성 정보에 기초하여 데이터를 융합할 적어도 두 명 이상의 사용자를 선정하여 선정된 사용자의 데이터를 융합하여 융합 데이터를 획득한다. 예컨대, 표 3에 도시된 그룹 1에서는 사용자 A와 융합할 사용자로 E와 D가 선정되어 이들 사용자에 대한 데이터를 융합할 수 있다.
뎀스터 쉐퍼 이론을 이용한 사용자 데이터 융합은 독립적인 증거에 의해 얻어진 기본확률배정함수(BPA 함수; basic probability assignment function)를 결합하여 획득할 수 있다.
도 4는 뎀스터 쉐퍼 이론을 이용한 사용자 데이터 융합을 설명하기 위한 도면으로, 도 4를 참조하면, BPA 합수 m1(A)와 m2(B)의 결합은 A∩B에 m1(A)m2(B)을 할당하는 것이고 이 같은 방법을 직교합(orthogonal sum)이라 한다. 두 개의 독립적인 증거에 의해 얻어진 BPA 함수 m1과 m2를 결합하여 얻어지는 BPA 함수 m3는 하기 수학식 4와 같다.
Figure pat00015
그러나 수학식 4를 그대로 사용할 경우, 공집합에 0이 아닌 함수값이 배정되게 되므로 BPA 함수의 특징에 부합하지 않으므로 적당하지 않다. 따라서 공집합에 대한 m은 0의 확률값에 사상되고 Θ의 모든 부분 집합에 대한 m의 값의 합이 1이 되는 두 조건을 항상 만족시킬 수 있도록, 본 발명에 따른 데이터 융합부(130)는 하기 수학식 5 및 6을 통해 2명의 사용자 데이터 융합과 3명의 사용자 데이터 융합을 수행한다. 나아가 하기 수학식 7을 통해 n명의 사용자 데이터를 융합한다.
Figure pat00016
Figure pat00017
Figure pat00018
데이터 추출부(140)는 데이터 융합부(130)를 통해 사용자 데이터를 융합하여 융합 데이터를 추출하며, 데이터 추출부(140)의 기능은 후술한다.
도 2는 본 발명에 따른 데이터 추출부의 구성을 구체적으로 도시한 블록도이다.
도 2에 도시된 바와 같이, 본 발명에 따른 데이터 추출부(140)는 믿음값 추출부(210), 불확실성값 추출부(230) 및 증거구간 추출부(230)을 포함하여 구성된다.
상기 표 3의 그룹 1에서 사용자 A는 사용자 E 및 D와 연관성이 있으므로 상기 데이터 융합부(130)는 이들 사용자에 대한 데이터를 융합할 수 있으며, 데이터 추출부(140)는 각 사용자의 데이터를 융합하여 믿음값, 불확실성값을 추출한다. 표 2에 도시된 각 사용자의 데이터를 융합한 융합 데이터는 표 4 및 표 5와 같다.
매우만족/만족 만족 보통 보통/불만/매우불만 Θ X
융합 A&E 0.165 0.300 0.135 0.075 0.060 0.265
정규화 0.224 0.408 0.184 0.102 0.082
매우만족/만족 매우
만족		 만족 만족/
보통		 보통 보통/불만/매우불만 불만/매우불만 Θ X
융합
A&E&D		 0.056 0.077 0.323 0.029 0.146 0.026 0.028 0.021 0.296
정규화 0.080 0.109 0.459 0.041 0.207 0.036 0.039 0.029
표 5를 참조하면, 사용자 A를 사용자 E와 D의 순서로 데이터를 융합하여 획득한 융합 데이터 중 믿음값은 정규화된 값으로 '매우만족/만족'이 0.080, '매우만족'이 0.109, '만족'이 0.459, '만족/보통'이 0.041, '보통'이 0.207, '보통/불만/매우불만'이 0.036, '불만/매우불만'이 0.039임을 확인할 수 있다.
불확실성값 추출부(220)는 사용자 A를 사용자 E와 D의 순서로 불확실성값을 융합하여 융합된 불확실성값을 획득하며, 그 결과는 상기 표 4 및 5에 도시된 바와 같이 정규화된 값으로 각각 0.082, 0.029임을 확인할 수 있다.
증거구간 추출부(230)는 믿음값 추출부(210) 및 불확실성값 추출부(220)를 통해 추출된 믿음값 및 불확실성값에 기초하여 새로운 증거 구간을 추출한다. 표 6은 표 4 및 표 5에 기초하여, 증거구간 추출부(230)가 추출한 새로운 증거 구간을 나타낸다.
믿음값 가능성값 증거구간
매우만족/만족 0.080 0.109 [0.080, 0.109]
매우만족 0.109 0.138 [0.109, 0.138]
만족 0.459 0.488 [0.459, 0.488]
만족/보통 0.041 0.070 [0.041, 0.070]
보통 0.207 0.237 [0.207, 0.237]
보통/불만/매우불만 0.036 0.065 [0.036, 0.065]
불만/매우불만 0.039 0.068 [0.039, 0.068]
도 5는 본 발명에 따른 사용자 성향을 고려한 데이터 추론 장치의 효과를 나타내는 도면이다.
도 5를 참조하면, 본 발명의 데이터 추론 장치(100)는 다수의 증거로부터 획득한 믿음값을 융합함으로써 불확실성값을 낮추어 추론 결과의 정확성을 높이고 증거구간을 재설정하여 사용자에게 신뢰성있는 서비스를 제공할 수 있음을 확인할 수 있다.
도 6은 본 발명의 일실시예에 따른 사용자 성향을 고려한 데이터 추론 과정을 나타내는 순서도이다.
도 6을 참조하면, 본 발명에 따른 사용자 성향을 고려한 데이터 추론 방법은 먼저 사용자들이 제공받은 서비스들에 대한 평가 정보에 기초하여 사용자 성향 정보를 획득한다(S610). 예컨대, 상기 서비스들에 대한 평가 정보는 서비스 만족도 평점을 의미할 수 있다.
이어서, 상기 획득한 사용자 성향 정보에 기초하여 사용자 간의 상관 관계를 분석하여 사용자 성향이 유사한지를 나타내는 유사성 정보를 획득하며(S620), 유사성 정보에 기초하여 데이터를 융합할 사용자를 선정한다(S630). 전술한 바와 같이, 본 발명에 따른 데이터 추론 방법은 협업적 필터링을 통해 각각의 사용자들과 성향이 비슷한 나머지 사용자들을 선정한다.
이어서, 각각의 사용자들과 성향이 비슷한 순서대로 선정된 사용자의 데이터를 융합하여 융합 데이터를 획득하며(S640), 획득된 융합 데이터를 기초로 증거 구간을 재설정함으로써 사용자에게 신뢰성 있는 적응형 서비스를 제공할 수 있다.
도 7은 본 발명의 실시예에 따른 사용자 성향을 고려한 데이터 추론 장치의 구현예를 나타내는 도면이다.
도 7에 도시된 바와 같이, 본 발명은 사용자 성향을 고려한 데이터 추론 장치를 포함하는 상황 서버(710) 및 컨텐츠 서버(720)를 통해 구현될 수 있다.
컨텐츠 서버(720)는 상황 인식 서비스에 필요한 서비스 컨텐츠를 제공하기 위한 것으로, 이동 통신 사업자 혹은 상황인식 서비스 컨텐츠를 전문으로 제공하는 서비스 업체에 의해 운영되는 것일 수 있다. 컨텐츠 서버(720)는 상황 서버(710)의 요청에 따라 서비스 컨텐츠를 제공하고, 상황 서버(710)는 제공받은 서비스 컨텐츠를 필요에 따라 조합하거나 서비스 컨텐츠의 포맷을 변화시켜 이를 사용자에게 제공할 수 있다. 본 발명에 따른 데이터 추론 장치(100)는 상황 서버(710) 내에 포함되어 컨텐츠 서버(720)로부터 획득한 서비스 컨텐츠로부터 데이터를 추론하는 경우, 사용자들의 상관 관계를 분석하고, 상관 관계가 높은 사용자들의 데이터를 융합함으로써 불확실성값을 낮추고 추론 결과의 정확성을 높임으로써 사용자들에게 신뢰성 있는 적응형 서비스를 제공할 수 있다.
상술한 바와 같이, 본 발명은 사용자 성향 정보에 기초하여 사용자 성향이 유사한 사용자를 분류한 후, 분류된 사용자의 데이터를 융합하여 데이터를 추론함으로써 데이터 추론의 정확성을 향상시킬 수 있는 사용자 성향을 고려한 데이터 추론 방법 및 장치를 제공할 수 있다.
또한, 본 발명은 협업적 필터링을 통해 사용자 성향이 유사한 사용자를 분류하고 이를 통해 데이터를 추론함으로서 데이터 추론의 정확성을 향상시킬 수 있는 사용자 성향을 고려한 데이터 추론 방법 및 장치를 제공할 수 있다.
또한, 본 발명은 뎀스터-쉐퍼 이론을 통해 사용자 데이터를 융합하여 데이터를 추론함으로써 데이터 추론의 정확성을 향상시킬 수 있는 사용자 성향을 고려한 데이터 추론 방법 및 장치를 제공할 수 있다.
이상과 같이, 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 이것에 의해 한정되지 않으며 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 본 발명의 기술사상과 아래에 기재될 특허청구범위의 균등범위 내에서 다양한 수정 및 변형이 가능함은 물론이다.

Claims (10)

  1. 사용자들이 제공받은 적어도 하나 이상의 서비스들에 대한 평가 정보에 기초하여 사용자 성향 정보를 획득하는 단계;
    상기 사용자 성향 정보에 기초하여 사용자 간의 상관 관계를 분석하여 사용자 성향이 유사한지를 나타내는 유사성 정보를 획득하는 단계;
    상기 유사성 정보에 기초하여 데이터를 융합할 적어도 두 명 이상의 사용자를 선정하는 단계; 및
    상기 선정된 사용자의 데이터를 융합하여 융합 데이터를 획득하는 단계를 포함하는 것을 특징으로 하는 사용자 성향을 고려한 데이터 추론 방법.
  2. 제 1 항에 있어서,
    상기 사용자의 데이터는 사용자들이 제공받은 적어도 하나 이상의 서비스들과 관련된 증거로부터 획득한 믿음값, 불확실성값, 증거구간을 포함하는 것을 특징으로 하는 사용자 성향을 고려한 데이터 추론 방법.
  3. 제 2 항에 있어서,
    상기 유사성 정보는, 아래 수학식을 이용하여 획득하는 것을 특징으로 하는 사용자 성향을 고려한 데이터 추론 방법.

    Figure pat00019

    (여기서, x∈S은 사용자 a와 b에 의한 제품 서비스 선호도, ra ,x는 사용자 a의 서비스 x에 대한 평가정보, rb ,x는 사용자 b의 서비스 x에 대한 평가정보,
    Figure pat00020
    와
    Figure pat00021
    는 사용자 a와 사용자 b의 제품 서비스 선호도 평균을 나타낸다.)
  4. 제 2 항에 있어서,
    상기 유사성 정보는, 아래 수학식을 이용하여 획득하는 것을 특징으로 하는 사용자 성향을 고려한 데이터 추론 방법.

    Figure pat00022

  5. 제 2 항에 있어서,
    상기 융합 데이터는, 아래 수학식을 이용하여 획득하는 것을 특징으로 하는 사용자 성향을 고려한 데이터 추론 방법.

    Figure pat00023

  6. 사용자들이 제공받은 적어도 하나 이상의 서비스들에 대한 평가 정보에 기초하여 사용자 성향 정보를 획득하는 사용자 성향 분석부;
    상기 사용자 성향 정보에 기초하여 사용자 간의 상관 관계를 분석하여 사용자 성향이 유사한지를 나타내는 유사성 정보를 획득하는 상관 관계 분석부;
    상기 유사성 정보에 기초하여 데이터를 융합할 적어도 두 명 이상의 사용자를 선정하고, 상기 선정된 사용자의 데이터를 융합하는 데이터 융합부; 및
    상기 융합 결과, 융합 데이터를 추출하는 데이터 추출부를 포함하는 것을 특징으로 하는 사용자 성향을 고려한 데이터 추론 장치.
  7. 제 6 항에 있어서,
    상기 사용자의 데이터는 사용자들이 제공받은 적어도 하나 이상의 서비스들과 관련된 증거로부터 획득한 믿음값, 불확실성값, 증거구간을 포함하는 것을 특징으로 하는 사용자 성향을 고려한 데이터 추론 장치.
  8. 제 7 항에 있어서,
    상기 유사성 정보는, 아래 수학식을 이용하여 획득하는 것을 특징으로 하는 사용자 성향을 고려한 데이터 추론 장치.

    Figure pat00024

    (여기서, x∈S은 사용자 a와 b에 의한 제품 서비스 선호도, ra ,x는 사용자 a의 서비스 x에 대한 평가정보, rb ,x는 사용자 b의 서비스 x에 대한 평가정보,
    Figure pat00025
    와
    Figure pat00026
    는 사용자 a와 사용자 b의 제품 서비스 선호도 평균을 나타낸다.)
  9. 제 7 항에 있어서,
    상기 유사성 정보는, 아래 수학식을 이용하여 획득하는 것을 특징으로 하는 사용자 성향을 고려한 데이터 추론 장치.

    Figure pat00027

  10. 제 7 항에 있어서,
    상기 융합 데이터는, 아래 수학식을 이용하여 획득하는 것을 특징으로 하는 사용자 성향을 고려한 데이터 추론 장치.

    Figure pat00028
KR1020120016283A 2012-02-17 2012-02-17 사용자 성향을 고려한 데이터 추론 방법 및 장치 KR20130094967A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020120016283A KR20130094967A (ko) 2012-02-17 2012-02-17 사용자 성향을 고려한 데이터 추론 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020120016283A KR20130094967A (ko) 2012-02-17 2012-02-17 사용자 성향을 고려한 데이터 추론 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20130094967A true KR20130094967A (ko) 2013-08-27

Family

ID=49218504

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020120016283A KR20130094967A (ko) 2012-02-17 2012-02-17 사용자 성향을 고려한 데이터 추론 방법 및 장치

Country Status (1)

Country Link
KR (1) KR20130094967A (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104635206A (zh) * 2013-11-14 2015-05-20 中兴通讯股份有限公司 一种无线定位的方法及装置
CN112733915A (zh) * 2020-12-31 2021-04-30 大连大学 基于改进d-s证据理论的态势估算方法
CN115022009A (zh) * 2022-05-30 2022-09-06 广东太平洋互联网信息服务有限公司 一种多网多端多时效融合消费垂直运营方法、装置及系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104635206A (zh) * 2013-11-14 2015-05-20 中兴通讯股份有限公司 一种无线定位的方法及装置
CN112733915A (zh) * 2020-12-31 2021-04-30 大连大学 基于改进d-s证据理论的态势估算方法
CN112733915B (zh) * 2020-12-31 2023-11-07 大连大学 基于改进d-s证据理论的态势估算方法
CN115022009A (zh) * 2022-05-30 2022-09-06 广东太平洋互联网信息服务有限公司 一种多网多端多时效融合消费垂直运营方法、装置及系统
CN115022009B (zh) * 2022-05-30 2024-01-30 广东太平洋互联网信息服务有限公司 一种多网多端多时效融合消费垂直运营方法、装置及系统

Similar Documents

Publication Publication Date Title
US10803319B2 (en) Electronic device for classifying video and operating method thereof
US20130247078A1 (en) Emoticons for media
KR101620748B1 (ko) 아이템 추천 방법 및 아이템 추천 장치
KR20170088279A (ko) 성격 유형 분석을 이용한 친구 추천 서비스 제공 방법 및 서버
CN111538860A (zh) 视频推荐方法及装置、存储介质及电子设备
US10460174B2 (en) System and methods for analysis of user-associated images to generate non-user generated labels and utilization of the generated labels
CN104899195B (zh) 一种个性化教育资源的推荐方法和装置
CN110032678B (zh) 业务资源推送方法和装置、存储介质和电子装置
CN103414930A (zh) 识别感应用户的遥控系统及其方法
US10474899B2 (en) Social engagement based on image resemblance
Bajo et al. Self-organizing architecture for information fusion in distributed sensor networks
JP2018120461A (ja) 抽出装置、抽出方法及び抽出プログラム
KR101450453B1 (ko) 컨텐츠 추천 방법 및 장치
US20170323218A1 (en) Method and apparatus for estimating multi-ranking using pairwise comparison data
CN113792212A (zh) 多媒体资源推荐方法、装置、设备以及存储介质
US20130108180A1 (en) Information processing device, information processing method, and program
KR20130094967A (ko) 사용자 성향을 고려한 데이터 추론 방법 및 장치
CN112214677A (zh) 一种兴趣点推荐方法、装置、电子设备及存储介质
CN113919923B (zh) 直播推荐模型训练方法、直播推荐方法及相关设备
CN111353103A (zh) 用于确定用户社群信息的方法和装置
CN108024148B (zh) 基于行为特征的多媒体文件识别方法、处理方法及装置
Rios et al. A study of neighbour selection strategies for POI recommendation in LBSNs
CN105893515B (zh) 一种信息处理方法及服务器
KR101678779B1 (ko) 메타 데이터를 이용하는 콘텐츠 추천 방법 및 이를 수행하는 장치
US11914657B2 (en) Machine learning aided automatic taxonomy for web data

Legal Events

Date Code Title Description
WITN Withdrawal due to no request for examination