베이지안네트워크를이용한상황인지모바일앱카테고리추천시스템 809 베이지안네트워크를이용한상황인지모바일앱카테고리추천시스템 (A Context-aware Mobile App Category Recommendation System with Bayesian Network) 노우현 조성배 (Woo-Hyun Rho) (Sung-Bae Cho) 요약본논문에서는스마트폰상에서사용자의상황을파악하고, 그에따라적합한모바일앱카테고리추천시스템을제안한다. 스마트폰에탑재된위치, 가속도, 소리를측정할수있는여러센서의정보로부터베이지안네트워크를이용해서사용자의상황을알아내어적합한앱카테고리를추천한다. 실제안드로이드시스템으로본논문에서제안한시스템을구현, 실험하여정확률과재현률및두지표를혼합한 F1 척도를통해평가하였다. 총 430 가지의상황중에서, 30 개경우에대해 20 대의일반사용자 5 명으로실험한결과, 제시한시스템이유용함을확인하였다. 키워드 : 모바일앱추천, 추천시스템, 상황인지, 베이지안네트워크 Abstract In this paper, we propose a system to recommend context-aware category for applications in smartphone by context inference. Because smartphones equipped with a rich set of embedded sensors such as accelerometer, GPS, and microphone afford to infer appropriate contexts, it recommends context-aware App category using Bayesian network with the smartphone sensor data. To show the usefulness of the proposed system, we have tested with precision, recall and F1 measures. The experimental results with five subjects in the 20th for 30 cases out of 430 contexts confirm that the proposed system is useful for recommending App category appropriate to users. Keywords: mobile app recommendation, recommendation system, context awareness, bayesian network 1. 서론 스마트폰의대중화로우리나라스마트폰신규보급률이 2012년하반기 6.9% 로 3천 2백만명의스마트폰이 이논문은 2013 한국컴퓨터종합학술대회에서 베이지안네트워크를이용한상황별모바일앱카테고리추천시스템 의제목으로발표된논문을확장한것임 학생회원 : 연세대학교컴퓨터과학과 a6420@sclab.yonsei.ac.kr 종신회원 : 연세대학교컴퓨터과학과교수 sbcho@yonsei.ac.kr (Corresponding author임 ) 논문접수 : 2013년 7월 12일심사완료 : 2013년 10월 8일 CopyrightC2013 한국정보과학회 ː개인목적이나교육목적인경우, 이저작물의전체또는일부에대한복사본혹은디지털사본의제작을허가합니다. 이때, 사본은상업적수단으로사용할수없으며첫페이지에본문구와출처를반드시명시해야합니다. 이외의목적으로복제, 배포, 출판, 전송등모든유형의사용행위를하는경우에대하여는사전에허가를얻고비용을지불해야합니다. 정보과학회논문지 : 소프트웨어및응용제40권제12호 (2013.12) 용자가있다. 스마트폰을사용하면서, 최근 1개월이내에모바일어플리케이션다운로드이용자가대다수인것으로알려졌다. 1인당평균 46.1개의어플리케이션을설치하고있으며, 그중주로 12개의어플리케이션을이용한다 [1]. 이러한스마트폰의보급증가추세에맞춰다양한스마트폰모바일어플리케이션이쏟아지고있으며사용자는자신이사용할어플리케이션의선정에많은시간을소모하고있다. 기존연구들에서는다른어플리케이션의설치빈도나협업필터링에기반한어플리케이션추천기법 [2,3] 을사용하고있지만, 이는단순한설치횟수나다른많은사용자들의기록에따른추천에불과해대량의정보가구축되어있지않는한, 사용자의현재상황에적합한어플리케이션추천방법으로는적당하지못하며 [4], 다른사용자들의선호도정보가충분히구축되어있어야사용할수있다. 사용자의환경에적합한어플리케이션을추천하기위해서는사용자의현재상황을추론해야할
810 정보과학회논문지 : 소프트웨어및응용제 40 권제 12 호 (2013.12) 필요가있다. 본논문에서는이를위해스마트폰환경에서사용자의상황에필요하면서도 Cold-Start 문제를염두할필요가없는카테고리기반추천방법을제안한다. 계속적으로변화하는사용자의상황을반영하여적합한어플리케이션을추천하기위해, 센서값이정확하지않거나불완전한정보혹은입력값이일부분모자라더라도충분히상황추론이가능한확률모델이며일부데이터가부족할경우도메인지식을활용하여설계가가능한베이지안네트워크 (Bayesian network) 를사용한다. 현재사용자가위치한장소나시간, 사용자프로필등현재상황을고려하여어플리케이션카테고리추천을함으로써좀더사용성높은어플리케이션추천을수행할수있도록한다. 스마트폰기기의센서를통해입력받은정보를베이지안네트워크로추론하는데, 변화하는현재상황을기반으로안드로이드마켓에서분류한 27가지의카테고리중위젯, 폰꾸미기등실사용카테고리를제외한 18개의카테고리를대상으로하여추론된상황에적합한카테고리를추천하며, 해당카테고리에해당하는앱마켓으로연결하여다른사람들의정보를마켓에다시추천해주는방법을제안한다. 2. 관련연구 2.1 카테고리추천정보를추천하는방법은크게컨텐츠기반추천과협업필터링의두가지로나뉜다. 컨텐츠기반추천은추천하는그컨텐츠대상자체혹은이의메타데이타를통해분석하여사용자가선호하는특징들을가지고있는지파악하여, 그에가장가까운컨텐츠를추천한다. 하지만개개의어플리케이션에대해컨텐츠를추출하거나분석하기에는어려움이있다. 반면협업필터링은사용자와유사한선호양상을보이는사용자를모아서이들이선택한컨텐츠를추천하는방식이다. 이방법은다수사용자로부터의많은양의이용정보가축적되어있지않다면신뢰도가크게떨어지는단점이있다. 어플리케이션추천은사용자가현재설치한어플리케이션이나설치되지않은어플리케이션목록중에서, 사용자가현재필요로할만한어플리케이션을선정하여사용자에게추천하는것이다. 이제까지는단순하게다른사용자들에게인기있는어플리케이션을추천하는방법이나, 유사한사용자그룹에서의협업필터링에기반하여적절한어플리케이션을추천해주는방법이주를이루었다. Girardello는다른사용자들의어플리케이션설치및삭제횟수를 DB화하여인기있는, 즉다른사용자가많이설치한어플리케이션을추천하는방법을제안했다 [2]. Yan은근처에있는다른사용자들이어플리케이션을사용하는경향을통해어플리케이션을추천하는방 표 1 어플리케이션추천관련연구 Table 1 The research relevant to application recommendation Author Info Used Method Girardello[2] (Un)Install count Statistics Yan[3] Location Info Collaborative Filtering Song[5] (Un)Install count Collaborative Filtering Böhmer[4] User Input Preference 법을제안하였으며 [3], Song은다른사용자들의어플리케이션설치빈도를통해협업필터링을거쳐어플리케이션을추천하였다 [5]. 표 1은어플리케이션추천관련연구들의목록이다. 카테고리추천은각아이템의카테고리간의특성을사용자의선호도와상관관계를따져서사용자에게추천해주는컨텐츠를개개의아이템이아닌카테고리로추천해준다. 이로써사용자간의선호도유사성을계산할필요가없고, 더불어 Cold-Start 문제까지개선할수있다는장점이있다. 2.2 상황기반추천모바일환경에서사용자의상황에따라적합한어플리케이션이나컨텐츠를제공하는선행연구도활발히이루어져왔다. Debnath는사용자의상황에맞는어플리케이션을추천하고사용자의입력 ( 선호도-좋음, 나쁨 ) 의피드백을받아차후추천에활용하고, 어플리케이션사용시간과빈도에따라적합도를변경하는방법을제안하였다 [6]. 이외에도사용자에게맞는서비스나컨텐츠를추천하기위해사용자의행동이나상황을추론하는연구나유사한상황에처한사용자들에게비슷한어플리케이션을추천하는방법이제안되었다. 표 2는상황기반추천관련연구의목록이다. 표 2 상황기반추천관련연구 Table 2 The research relevant to context-aware recommendation Author Used Info Yu[7] Preference, Situation, H/W capability Bellotti[8] Inferred user activity Bar[9] Rule-based TV recommendation Kuo[10] User preference Min[11] User context-based mobile device 2.3 베이지안네트워크기반추천베이지안네트워크는현실세계에서의불확실성을적절히표현하는그래프모델이다. 각변수를표현하는노드와그변수들간의의존관계를나타내는아크를통해방향성비순환그래프로표현된다. 디바이스를통해현재상황에관련된정보를입력노
베이지안네트워크를이용한상황인지모바일앱카테고리추천시스템 811 드로수집하여, 베이지안네트워크에따라각노드의확률이결합확률테이블과독립성가정에기초하여추론된다. Kim은베이지안네트워크를통해학습한정보를토대로모바일환경에서의사용자적응형음식점추천서비스를제안하였다 [12]. 논문에서는동적으로변화하는사용자정보에서디바이스를통해얻을수있는정보를이용하여현재사용자에게가장적합한어플리케이션카테고리를추론하기위해베이지안네트워크를사용한다. 베이지안네트워크의설계를위하여, 디바이스에서얻을수있는시간정보, 위치정보등을정의하고, 이렇게얻어진정보들간의관계를활용하여변수들간의인과관계를베이지안네트워크상에서모델링한다. 베이지안네트워크는구성하는노드와상태의수, 그리고연결의수가많아질수록더많은계산을필요로하고, 정확한추론은 NP-Hard 문제로알려져있다. 베이지안네트워크는노드수와상태에따라복잡도가지수적으로증가하므로 [13], 모바일기기에서의활용에제약이많다. 베이지안네트워크의어플리케이션카테고리별추천을위해베이지안네트워크를카테고리별로모듈화하여설계한다. 3. 제안하는방법어플리케이션추천의기존방법은모든어플리케이션에대해일정한수의어플리케이션에대해사전학습이되어있거나단순히예전에사용했던어플리케이션임을이용하여추천하였다. 본논문에서는대규모앱스토어의어플리케이션사용용도별카테고리분류를이용하여, 사용자별선호도를비교하는것이아니라, 어플리케이션의카테고리를추천하고앱스토어의해당카테고리로사용자를연결시켜앱스토어에서추천하는세부어플리케이션을직접사용자가선택할수있도록한다. 사용자의상황에적합한어플리케이션을추천하기위해본논문에서는장소, 시간, 요일, 성별, 나이정보를사용한다. 먼저, 장소정보는사용자가특정장소에서특정어플리케이션카테고리를선호한다면, 이정보를토대로추천하는것이의미있음에기반한다. 다음으로, 시간, 요일정보는사용자가특정시간대에사용하는어플리케이션카테고리가있다면이정보를토대로어플리케이션을추천한다. 마지막으로사용자의연령이나성별에따라어플리케이션카테고리에대한선호도가각각다를수있으므로, 성별과나이대에따른특정어플리케이션카테고리선호도를추정하여추천한다. 디바이스에서얻어지는정보를전처리하여, 의미있는정보로가공한후, 베이지안네트워크추론을통해현재상황에가장적합도가높은어플리케이션카테고리를알아내고사용자를어플리케이션마켓의해당카테고리로유도한다. 더불어가장추천적합도가높은세가지카테고리를추천하는것으로한다. 본논문에서제안하는시스템의개요는그림 1과같다. 디바이스에서입력되는시간정보, 요일정보, 센서값을전처리하여추론에사용할수있는정보로변환한다. 전처리과정을통해얻어진정보는추론과정의입력정보로이용되며더불어사용자가직접입력한사용자의프로필정보와함께현재상황에서사용자에게적합한어플리케이션카테고리를추천한다. 본논문에서는확률기반의추론을위해베이지안네트워크를사용한다. 베이지안네트워크를통해추론된어플리케이션카테고리에서는해당카테고리의마켓상상위다운로드수를기록하는대표어플리케이션을일부보여주게되며, 그이후추론된어플리케이션카테고리를어플리케이션마켓에연결가능하게해주어, 어플리케이션마켓에서추천해주는시스템을간접적으로활용해실질적으로두번의추천이이루어지도록한다. 기존마켓에서는다른사용 그림 1 제안하는시스템의개요 Fig. 1 Overview of the proposed system
812 정보과학회논문지 : 소프트웨어및응용제 40 권제 12 호 (2013.12) 자들의선호도나설치기록, 리뷰평점등에의해어플리케이션추천을제공하고있다. 현재안드로이드앱마켓에는 26가지의어플리케이션카테고리가존재하며본논문에서도앱마켓에서사전에분류하여사용하고있는어플리케이션카테고리정보를사용한다. 3.1 어플리케이션카테고리의분류어플리케이션카테고리의분류를위해여러상용어플리케이션스토어들에서분류하고있는분류체계를참조하였다. 대표적인상용어플리케이션스토어로는애플의앱스토어, 구글의안드로이드플레이스토어등이있다. 어플리케이션의분류에는사용용도나목적, 작동형태, 사용빈도의특성에따라분류가가능하지만, 상용어플리케이션스토어에서는주로어플리케이션의사용용도에따라그특성을분류하고있다. 다음표 3은어플리케이션사용용도나기능에따른구글플레이스토어앱분류목록이다. 카테고리는동일한성질을가진부류를말하며, 어플리케이션의특징을가장잘설명할수있는의미적키워드가된다. 이렇게분류된어플리케이션카테고리를사용자에게추천함으로써같은카테고리내의많은앱들중사용자의취향에맞는앱을선택할수있도록도와 주는것이다. 예를들어지하철정보안내어플리케이션이있다면, 지하철정보안내기능을가지고있는많은어플리케이션들이존재하지만이들은모두교통정보카테고리내에위치할것이다. 사용자에게교통정보카테고리를추천하게된다면교통정보카테고리내에서사용자는지하철정보중에서도본인이원하는정보를가장잘표현해주는앱을선택하여사용하게될것이다. 3.2 입력된정보의전처리사용자에게현재가장적합한카테고리를추천하기위해디바이스에서얻을수있는정보를정의한다. 스마트폰환경에서사용자의입력이계속적으로요구되는경우사용자의활용성이떨어진다. 사용자의추가적이거나반복적인개입없이획득할수있는정보를토대로초기에얻어질수있는정보를구성하고, 이를통해베이지안네트워크를설계한다. 표 4와 5는기기에서베이지안네트워크로입력될정보이다. 입력된정보는베이지안네트워크의추론값으로이용하기위해전처리과정을거친다. 나이는사용자의연령층에따라구분하기위해 20대미만, 20대~40대, 40대이상으로구분한다. 사용자의연령대와성별에따른카테고리별선호도가각각다르고, 스마트폰기기의활용용도가다르기때문에나이대를통해사용자를분류하 Category Comics Communications Finance Health &Fitness Medical Lifestyle Media & Video Music & Audio Photography News & Magazines Weather Productivity Business Books & Reference Education Shopping Social Sports Personalization Tools Travel & Local Libraries & Demo Games 표 3 어플리케이션타입에따른분류 Table 3 Classificaion of aplication by type Example types of apps Comic players, comic titles Messaging, chat/im, dialers, address books, browsers, call management, etc. Banking, payment, ATM finders, financial news, insurance, taxes, portfolio/trading, tip calculators, etc. Personal fitness, workout tracking, diet and nutritional tips, health &safety etc. Drug &clinical references, calculators, handbooks for health-care providers, medical journals &news, etc. Recipes, style guides Subscription movie services, remote controls, media/video players Music services, radios, music players Cameras, photo editing tools, photo management and sharing Newspapers, news aggregators, magazines, blogging, etc. Weather reports Notepad, to do list, keyboard, printing, calendar, backup, calculator, conversion, etc. Document editor/reader, package tracking, remote desktop, email management, job search, etc. Book readers, reference books, text books, dictionaries, thesaurus, wikis, etc. Exam preparations, study-aids, vocabulary, educational games, language learning, etc. Online shopping, auctions, coupons, price comparison, grocery lists, product reviews, etc. Social networking, check-in, blogging, etc. Sports News &Commentary, score tracking, fantasy team management, game Coverage, etc. Wallpapers, live wallpapers, home screen, lock screen, ringtones City guides, local business information, trip management tools Software Libraries Sub Category : Arcade &Action, Brain &Puzzles, Cards &Casino, Casual, Sports
베이지안네트워크를이용한상황인지모바일앱카테고리추천시스템 813 표 4 디바이스와사용자에게서얻어지는정보 Table 4 Input data from device and user Input User User Device Device Device 표 5 전처리된상태정보 Type Age Gender GPS Date Time Table 5 Pre-processed state data Info State Age under 20, 20 to 40, over 40 Gender Male, Female GPS Current location Date Weekday, Weekend Time Morning, Lunch, Afternoon, Dinner, Night 였다. GPS 정보는값자체에대한전처리가필요한것이아니라특정장소에어느정도 (25미터이내 ) 가까이위치한다면해당장소에위치하는것으로처리하였다. 본논문에서는신촌일대의지역을기준으로특정장소에사용자가갈수있는것으로상정한다. 표 6은사용자가갈수있는장소목록이다. 표 6 정의된장소정보 Table 6 Defined location data Location Longitude Latitude Severance Hospital 37.562269 126.940885 3rd Eng. Build. 37.562001 126.938084 Sinchon Sta. 37.562001 126.935633 Street (Shichon Myongmulgeori) 37.557375 126.936867 Bus stop (Yonsei University) 37.560045 126.935410 Theather 37.559705 126.942430 Cafe 37.558574 126.936910 표 7 베이지안네트워크의상태값 Table 7 State value of Bayesian-network Node Input Description Input Node Middle Node Output Node GPS Time Date Gender Age Location Morning, Lunch, Afternoon, Dinner, Night Weekday, Weekend Male, Female Under20, 20 to 40, Over20 Gender-age pref, Location pref, Time-date pref Suitability of certain category 더불어, 시간정보는 07시부터 12시까지오전, 12시부터 13시까지점심, 13시부터 18시까지오후, 18시부터 19시까지저녁, 19시부터 24시까지밤으로처리하였다. 요일정보는평일과주말로나누었다. 전처리가완료된상태정보는표 7과같다. 사용자의상태정보값은사용자의생활패턴이나직업에따라더세분될수있다. 3.3 추천어플리케이션카테고리추론전처리로얻은정보를통해현재상황에가장적합한어플리케이션의카테고리를사용자에게추천하기위해확률모델을사용한다. 모바일디바이스에서의추론은 PC에비해제한적인메모리용량, 느린 CPU 처리속도, 제한적인화면크기와인터페이스, 배터리등의한계가존재할수밖에없다. 따라서모바일상에서복잡한베이지안네트워크를추론하기는매우어려우며, 추론에상당한시간이소요될경우사용자의현재상황이바뀌어추천결과가나오는시점의상황과맞지않으므로부적합하다. 베이지안네트워크는입력데이터가일부부족하더라도안정적으로사용이가능하다 [14]. 본논문에서는모바일환경에서도비교적적은연산으로추론가능한베이지안네트워크를설계하였다. 베이지안네트워크는입력이불확실한상황에서도정상적인추론이수행가능한모델이다. 모바일환경에서불확실한센서입력을통해현재상황을근거로하여카테고리를추천하기위하여베이지안네트워크를통해상황요소를추론하고, 해당상황요소에따라개개의카테고리별적합도를추론해내어사용자에게추천한다. 그림 2 와 3은현재상황에따라게임과교통카테고리에대해추천적합도를추론하는베이지안네트워크의예시다. 노드의색상별로입력노드의항목별구분과중간노드, 결과노드를구분하였다. 베이지안네트워크는사용자의일상생활에서의평소어플리케이션사용빈도를참고하여설계하였다. 추천과정의예를든다면, 20대미만남성이평일오후에커피전문점에있는것으로확인되었을때, 사용자의지루함이나심심함의정도가높다고판단하고, 게임에대한선호도가높아져게임카테고리의추천적합도가높아져사용자에게게임카테고리를추천한다. 베이지안네트워크에서카테고리에대한선호도추론은다음과같이수행된다. 여기서 는각노드를의미하며, 는 의부모노드를의미한다. 각노드에는센서에서입력된정보를이산화하여전처리된값들이입력된다. 어플리케이션선호도의의미는다음과같다. (1)
814 정보과학회논문지 : 소프트웨어 및 응용 제 40 권 제 12 호(2013.12) (2) 식 (1)에서 시간, 장소, 사용자 프로파일에 따라 특정 어플리케이션 카테고리에 따른 선호도가 표현되는데, 그 에 따라 시간, 장소, 사용자 프로파일에 따라 각각 다른 가중치가 부여되고, 이 가중치와 선호도의 곱의 합을 통 해 최종적으로 카테고리의 선호도가 계산된다. 이 가중 치는 전체 스마트폰 이용자가 주로 이용하는 모바일 앱 유형[1]을 반영하여 설정하였다. 표 8은 설정된 가중치 값 목록이다. 표 8 앱 카테고리별 가중치 Table 8 Weight of each App category App Category Weight Game 0.737 Communication 0.544 Weather 0.518 Map Navigation 0.477 Music 0.469 News 0.463 Movie 0.368 Commerce Stock 0.344 Utility 0.324 TV Radio 0.275 Shopping 0.260 그림 3 게임 카테고리 추천을 위한 베이지안 네트워크 Fig. 3 Bayesian-network to recommend "Game" category 4. 실험 및 평가 제안하는 어플리케이션 카테고리 추천 시스템의 구현 Education 0.167 을 위해 안드로이드 플랫폼에서 베이지안 네트워크의 E-Book 0.153 추론을 수행하고, 그 추론 결과를 통해 가장 추천 적합 도가 높은 3개의 어플리케이션 카테고리를 사용자에게 추천한다. 4.1 시나리오에 의한 평가 본 논문에서 제안하는 시스템을 추론 가능한 모든 가 능한 상황에 대해 일부 상황을 샘플링하여 해당 추천이 실 시나리오 사용자의 어플리케이션과 비교하여 추천이 적절하였는지를 평가하였다. 어플리케이션 카테고리는 앱 스토어에 존재하는 모든 카테고리를 추천하였다. 총 430여 가지의 상황 중에서, 30개 경우에 대해 20대의 일반 사용자 5명에게 각각 무작위의 6가지 상황을 제시 하고 해당상황에서 어떠한 어플리케이션을 사용할 것인 지 총 3개의 카테고리 예상을 기록하게 하였다. 본 시스 템에서 해당 상황에 처한 것으로 입력값을 UI상에서 입 력하여 실제로 추천되는 어플리케이션을 상위 2순위까 지 조사하여 일반 사용자의 필요 어플리케이션 카테고 리와 본 시스템에서 추천된 카테고리를 비교하였다. 시 스템에서 추천하는 두가지 카테고리와 그 때 사용자가 필요하다고 생각되는 30가지 경우에 대하여, 25가지 경 그림 2 교통 카테고리 추천을 위한 베이지안 네트워크 우에 대해 최소 한가지 이상의 카테고리 이상을 추천에 Fig. 2 Bayesian-network to recommend "Traffic" category 성공하여 83.3%의 적중률을 보였다.
베이지안네트워크를이용한상황인지모바일앱카테고리추천시스템 815 4.2 정확률과재현률에의한평가본시스템에서사용자에게추천되는카테고리는전체중에서순위가높은카테고리이고추천시스템을평가하기위해서는상위 N개의목록중추천에성공한아이템이몇개인지알아보는방법으로평가할수있는데 [15], 그평가지표로서정확률과재현률이주로쓰인다 [16]. 시스템이추천한아이템들중에서실제로사용자가해당상황에사용할것이라고응답한어플리케이션을추천에성공한것으로간주하였다. 정확률 : 추천시스템에서추천한 N개의아이템중추천에성공한아이템의수 의비이다. 적중한아이템의수 정확률 (3) 추천한아이템의수 재현률 : 사용자가사용할것으로기록한아이템 중추천에성공한아이템 의비이다. 적중한아이템의수 재현률 (4) 사용자가필요한아이템의수 이두가지의평가방법모두가추천시스템의평가지표로중요하기때문에이둘의조화평균인 F1 척도 ( 최대값은 1) 를평가지표로사용한다. 재현률 정확률 재현률 정확률 F1 척도는정확률과재현률이얼마나가까운지를나타낸다. 만약정확률과재현률이각각 0.5일경우 F1 척도또한 0.5로나올것이고. 만약정확률과재현률이각각 0.9, 0.1일경우 F1척도는 0.18이될것이다. 그림 4는실제추론을수행하는어플리케이션의모습이며, 그림 5는본시스템에서 30가지시나리오에따라측정된 이변해가는모습이다. 본논문에서제안하는시스템을이용하여일련의시나리오를테스트한결과본시스템의 이 0.55수준으로측정되었다. 값은시 그림 5 추천성능실험결과 FIg. 5 Result of recommendation perfomance 나리오가거듭될수록 0.55(Precision = 0.46, recall = 0.70) 에수렴한다. 정확률과재현률이격차가크지않다는것을알수있고, 그에따라이때, 재현률의의미는사용자가원하는카테고리를추천시스템이얼마나잘추천했는지를의미하며, 정확률의의미는추천시스템의제시한카테고리중사용자가원하는것의비율을의미한다. 정확률과재현률이균형있게측정된본추천시스템의성능이좋다고할수있다. 5. 결론및향후연구본논문에서는스마트폰디바이스로부터수집된정보를기반으로현재사용자에게가장적합한어플리케이션카테고리가무엇인지추론하여사용자에게추천하는시스템을안드로이드상에서구현하고그를추천시스템에대한 F1 척도로평가하였다. 향후사용자의어플리케이션사용히스토리의동적인반영이나사용자의특정어플리케이션선호도등을반영한응용및그추천된결과에대한사용자피드백을받아그결과를다시추천의지표로이용하는방법의연구와더불어, 상황인지추론에대한정확도를향상시키는연구가필요하다. References 그림 4 실제추론을수행하는어플리케이션모습 Fig. 4 Inference scene in application [1] [Online]. Available: http://isis.kisa.or.kr/board/index. jsp?bbsid=7&itemid=791 [2] A. Girardello and F. Michahelles, "AppAware: Which mobile applications are hot?" In Proc. of the 12th Int. Conf. on Human Computer Interaction with Mobile Devices and Services, pp.431-434, 2010. [3] B. Yan and G. Chen, "Appjoy: Personalized mobile application discovery," In Proc. of the 9th Int. Conf. on Mobile Systems, Applications, and Services, pp. 113-126. 2011. [4] M. Böhmer, M. Prinz and G. Bauer, "Contextualizing mobile applications for context-aware recom-
816 정보과학회논문지 : 소프트웨어및응용제 40 권제 12 호 (2013.12) mendation," Adj. Proc.of Pervasive, 2010. [5] J.-H. Song, H.-H. Kim and N.-M. Moon, Design of recommendation system about user customized smart phone application, pp.156-159. 2010. [6] S. Debnath, N. Ganguly and P. Mitra, "Feature weighting in content based recommendation system using social network analysis," In Proc. of the 17th Int. Conf. on World Wide Web, pp.1041-1042. 2008. [7] Z. Yu, X. Zhou, D. Zhang, C. Chin and X. Wang, "Supporting context-aware media recommendations for smart phones," IEEE Pervasive Computing, vol.5, pp.68-75, 2006. [8] V. Bellotti, B. Begole, E. H. Chi, N. Ducheneaut, J. Fang, E. Isaacs, T. King, M. W. Newman, K. Partridge and B. Price, "Activity-based serendipitous recommendations with the magitti mobile leisure guide," In Proc. of the SIGCHI Conf. on Human Factors in Computing Systems, pp.1157-1166. 2008. [9] A. Bär, A. Berger, S. Egger and R. Schatz, "A lightweight mobile tv recommender," In Changing Television Environments, Springer, pp.143-147, 2008. [10] M. Kuo, L. Chen and C. Liang, "Building and evaluating a location-based service recommendation system with a preference adjustment mechanism," Expert Systems with Applications, vol.36, pp.3543-3554, 2009. [11] J.-K. Min, H.-T. Kim, and S.-B. Cho, "Mobile human network management and recommendation by probabilistic social mining," Systems, Man, and Cybernetics, Part B: Cybernetics, IEEE Transactions on, vol.41, pp.761-771, 2011. [12] H.-T. Kim and S.-B. Cho, "User adaptive restaurant recommendation service in mobile environment based on Bayesian network learning," KHCI 2009, pp.6-10, Feb. 2009. [13] G. F. Cooper, "The computational complexity of probabilistic inference using Bayesian belief networks," Artificial Intelligence, vol.42, pp.393-405, 1990. [14] S.-H. Lee, S.-S Lim, and S.-B. Cho, Selective inference in modular bayesian networks for lightweight context inference in cell phones, Journal of KISS : Software and Applications, vol.37, no.10, pp.736-744, 2010. [15] M. Deshpande and G. Karypis, "Item-based top-n recommendation algorithms," ACM Transactions on Information Systems (TOIS), vol.22, pp.143-177, 2004. [16] B. Sarwar, G. Karypis, J. Konstan and J. Riedl, "Analysis of recommendation algorithms for e-commerce," In Proc. of the 2nd ACM Conf. on Electronic Commerce, pp.158-167. 2000. 노우현 2012 년건국대학교인터넷미디어공학부졸업 ( 학사 ). 2013 년 ~ 현재연세대학교컴퓨터과학과석사과정. 관심분야는인공지능, 상황인지 조성배정보과학회논문지 : 소프트웨어및응용제 40 권제 2 호참조