소셜 네트워크에서 감정단어의 단계별 코사인 유사도 기법을 이용한 추천시스템 = Personalized Recommendation System using Level of Cosine Similarity of Emotion Word from Social Network

다국어 초록 (Multilingual Abstract)

This paper proposes a system which recommends movies using information from social network services containing personal interest and taste. Method for establishing data is as follows.
The system gathers movies’ information from web sites and user’s information from social network services such as Facebook and twitter. The data from social network services is categorized into six steps of emotion level for more accurate processing following users’ emotional states. Gathered data will be established into vector space model which is ideal for analyzing and deducing the information with the system which is suggested in this paper. The existing similarity measurement method for movie recommendation is presentation of vector information about emotion level and similarity measuring method on the coordinates using Cosine measure. The deducing method suggested in this paper is two-phase arithmetic operation as follows. First, using general cosine measurement, the system establishes movies list. Second, using similarity measurement, system decides recommendable movie list by vector operation from the coordinates. After Comparative Experimental Study on the previous recommendation systems and new one , it turned out the new system from this study is more helpful than existing systems.

국문 초록 (Abstract)

본 논문에서는 개인의 취향과 관심이 반영 되어있는 소셜 정보를 활용하여 사용자에게 영화를 추천할 수 있는 시스템을 제안하였다. 시스템에서 데이터 구축은 포털사이트에서 영화 정보를 수집하고 페이스북과 트위터 같은 SNS를 통해 소셜 정보를 수집한다. 본 논문에서는 사용자의 감정에 따른 보다 정교한 처리를 위하여 6단계의 감정단계로 분류한 소셜 정보의 벡터공간 모형의 구축방법을 제안한다. 추천을 위한 유사도 측도 방법은 2단계로 구성되어 있다. 첫 번째는 일반적인 코사인 측도를통한 영화 목록의 구축 단계이고, 두 번째는 기존의 코사인 측도(Cosine measure)를 활용한 좌표평면에서 감정 단계별 벡터 정보 표현 방법 및 유사도 측도 방법을 통해 추천 영화 목록의 결정 단계이다. 본 논문의 추천 시스템의 성능을 평가하기 위하여 기존의 추천 시스템과 비교 실험을 통하여 본 연구의 추천 시스템의 유용성을 검증하였다.

참고문헌 (Reference)

• 1 강승식, "한국어 형태소 분석과 정보 검색" 홍릉과학출판사 507-549, 2002
• 2 박인조, "한국어 감정단어의 목록과 정서 차원 탐색" 한국사회및성격심리학회 19 (19): 71-100, 2005
• 3 정주석, "자동 생성된 사용자 프로파일을 이용한 하이브리드 음식 추천 시스템" 한국지능시스템학회 21 (21): 609-617, 2011
• 4 김진아, "스마트폰 기반 사용자 정보추천 시스템 개발" 한국ITA학회 9 (9): 54-63, 2012
• 5 이성윤, "사용자의 활동과 영향력을 이용한 트위터의 URL 추천 시스템" 한국정보과학회 17 (17): 447-456, 2011
• 6 이우기, "구조적 웹 검색을 위한 동기식 웹 브라우저 화면 분할" 한국ITA학회 6 (6): 161-169, 2009
• 7 "http://www.bugs.co.kr"
• 8 Goldberg, D., "Using Collaborative Filtering to weave an InformationTapestry"
• 9 Sankaranarayanany, J., "TwitterStand: News in Tweets" 42-51, 2009
• 10 Michael, M., "Twitter-Monitor: Trend Detection over the Twitter Stream" 1155-1158, 2010
• 11 Adomavicius, G., "Towards the Next Generation of Recommender System: A Survey of the State-of-the-Art and Possible Extensions" 17 : 634-749, 2005
• 12 Yu, K., "Probabilistic Memory-Based Collaborative Filtering" 16 (16): 56-69, 2004
• 13 Sarwar, B., "Item-based Collaborative Filtering RecommendationAlgorithms" 2001
• 14 Manning, D., "Introduction to Information Retrieval" Cambridge University Press 109-133, 2007
• 15 Konstan, J., "GroupLens : Applying Collaborative Filtering to Usenet News" 40 (40): 77-87, 1997
• 16 Balabanovic, M., "Fab : Content-Based, Collaborative Recommendation" 40 (40): 66-72, 1997
• 17 Herlocker, J., "Evaluating Collaborative Filtering RecommenderSystems" ACM Press 22 : 5-53, 2004
• 18 Takeshi, S., "Earthquake Shakes Twitter Users: Realtime Event Detection by Social Sensors" 851-860, 2010
• 19 Herlocker, J. L., "An Algorithmic Framework for Performing Collaborative Filtering" 203-237, 1999