144 정보과학회논문지 : 소프트웨어및응용제 36 권제 2 호 (2009.2) 모바일환경에서의지능형서비스를위한베이지안추론과컨텍스트트리매칭방법 (Bayesian Inferrence and Context-Tree Matching Method for Intelligent Services in a Mobile Environment) 김희택 민준기 조성배 (Hee-Taek Kim) (Jun-Ki Min) (Sung-Bae Cho) 요약모바일환경에서지능형서비스를제공하기위해서는사용자의성향이나행동패턴등의컨텍스트정보를효과적으로분석하여사용자의의도나요구사항을예측할필요가있다. 본논문에서는모바일디바이스에축적된불확실한로그정보에서컨텍스트정보를추론하고, 이를효과적으로서비스와매칭해주기위한컨텍스트트리기반사용자행동추론방법을제안한다. 이때불확실한컨텍스트정보를효과적으로추론하기위해베이지안확률접근방법을채택하였으며, 컨텍스트트리는수학적인방법만으로는다룰수없는비수치적인컨텍스트를효과적으로활용하기위해선택한구조이다. 그리고제안하는방법을지능형전화상대추천서비스에적용하여유용성을검증하였다. 키워드 : 모바일서비스, 사용자컨텍스트, 베이지안네트워크, 컨텍스트트리매칭, 지능형서비스 Abstract To provide intelligent service in mobile environment, it needs to estimate user's intention or requirement, through analyzing context information of end-users such as preference or behavior patterns. In this paper, we infer context information from uncertain log stored in mobile device. And we propose the inference method of end-user's behavior to match context information with service, and the proposed method is based on context-tree. We adopt bayesian probabilistic method to infer uncertain context information effectively, and the context-tree is constructed to utilize non-numerical context which is hard to handled with mathematical method. And we verify utility of proposed method by appling the method to intelligent phone book service. Key words :Mobile service, User context, Bayesian network, Context tree matching, Intelligent service 1. 서론 사용자의개인화된정보를바탕으로각사용자에게 이논문은 2008 한국컴퓨터종합학술대회에서 모바일환경에서의지능형서비스를위한베이지안추론과컨텍스트트리매칭방법 의제목으로발표된논문을확장한것임 본논문은한국과학재단 (R01-2008-000-20801-0) 과 삼성전자의지원에의한것임 학생회원 : 연세대학교컴퓨터과학과 elsein@sclab.yonsei.ac.kr loomlike@sclab.yonsei.ac.kr 종신회원 : 연세대학교컴퓨터과학과교수 sbcho@cs.yonsei.ac.kr 논문접수 : 2008년 8월 25일심사완료 : 2008년 12월 17일 CopyrightC2009 한국정보과학회ː개인목적이나교육목적인경우, 이저작물의전체또는일부에대한복사본혹은디지털사본의제작을허가합니다. 이때, 사본은상업적수단으로사용할수없으며첫페이지에본문구와출처를반드시명시해야합니다. 이외의목적으로복제, 배포, 출판, 전송등모든유형의사용행위를하는경우에대하여는사전에허가를얻고비용을지불해야합니다. 정보과학회논문지 : 소프트웨어및응용제36권제2호 (2009.2) 최적화된서비스를자동으로제공하려는연구가최근몇년간활발하게진행중이다. 지능화, 개인화된서비스는컴퓨팅오버헤드, 개인정보보호등의측면에서손실이있는반면, 사용자의서비스접근성과이용성, 편의성등을큰폭으로향상시킬수있다는것이장점이다 [1]. 국내에서실제적용된예로는이동통신사인 SK 텔레콤이실시했던 1mm 서비스를들수있는데, 이는사용자에대한정보가축적됨에따라사용자의관심대상에적합한모바일서비스를자동으로제공하는기능을갖고있다. 그리고동영상 UCC 사이트인맥스피디는 아이봇 이라는인공지능콘텐츠에이전트를선보였다. 아이봇은사용자가동영상을조회한내역을자체적으로분석하여평소에즐겨보는동영상의특성을파악한다. 그리고사용자가동영상스트리밍서비스를원할시사용자에게동영상콘텐츠를추천해준다 [2]. 이와같이사용자상황정보나개인정보를기반으로각사용자
모바일환경에서의지능형서비스를위한베이지안추론과컨텍스트트리매칭방법 145 에게최적화된서비스를제공하는사용자적응형서비스를컨텍스트인지기반서비스, 혹은컨텍스트인지기반컴퓨팅이라한다 [3,4]. 컨텍스트인지기반서비스에대해연구를진행한과거의많은논문들은주로장소를기반으로한서비스제공을제안하였다 [5,6]. 하지만최근에는장소외에가급적다양한종류의컨텍스트 (1 네트워크상황, 하드웨어정보와같은컴퓨팅컨텍스트, 2 사용자프로파일, 장소, 스케쥴, 주변인물과같은사용자컨텍스트, 3 광도, 소음, 온도, 날씨와같은물리, 환경적컨텍스트, 4 시간, 월, 요일과같은시간컨텍스트 ) 사용하여서비스를제공하고자하는추세이다 [4,5,7]. 본논문역시이러한추세에맞춰가능한많은종류의컨텍스트를사용하며, 여러컨텍스트중특히사용자컨텍스트와시간컨텍스트를중점적으로다룬다. 본논문에서는지능형서비스를위한플랫폼으로사용자접근성과로그수집의용이함을고려하여스마트폰모바일환경을채택하였으며 [8], 사용자컨텍스트를도출하기위해모바일디바이스상에축적되어있는로그를사용한다. 그리고상기컨텍스트인지기반서비스의정의에서언급했듯이, 사용자적응형서비스를구현하기위해컨텍스트히스토리와현재의컨텍스트를비교하여사용자의현재요구사항을추론하는방법을채택하였다. 그리고본논문에서는위 4가지카테고리의컨텍스트외에, 사용자의추상적정보를다루는고수준사용자컨텍스트를추가적으로도입하였다. 하지만고수준사용자컨텍스트는일반적인사용자컨텍스트와는달리디바이스로그만으로는획득할수없으며, 따라서고수준사용자컨텍스트를효과적으로추론해내기위한베이지안 (Bayesian) 확률모델 [9] 방법을본논문에서제안한다. 추가적으로, 수치적방법만으로는제대로활용할수없는비수치적인컨텍스트를효율적으로분석하기위해컨텍스트의상하위포함관계를반영한컨텍스트의계층적매칭방법을제안한다. 해당제안하는방법은스케쥴이나장소, 주변인물과같이정보가매우다양할수있는컨텍스트에대해계층적매칭방법을사용함으로써보다상위개념의컨텍스트와도유사도를측정할수있다는특성이있으며, 이는컨텍스트분석과정에컨텍스트의의미를반영한다는것을뜻한다. 마지막으로, 제안하는방법을실제서비스에적용한예로지능형전화상대추천서비스를제시한다. 지능형전화상대추천서비스는통화를원하는상대를찾기위해전화번호나상대의이름을직접입력하거나그룹을통해순차적으로접근해야하는기존모바일폰북의불편함을극복하기위해설계되었다. 2. 관련연구 2.1 모바일컨텍스트기반서비스컨텍스트의수집과생성을위한연구를 Lee등이스마트폰플랫폼에서진행하였다 [10]. 이연구에서는스마트폰에서 GPS 위치정보, 전화통화기록, SMS 정보, 날씨정보, MP3음악듣기정보, 사진정보, 충전상태에관한정보를수집하고통계적분석, 임팩트분석을통하여수집된정보로부터저수준컨텍스트를추출하였으며, 이를이용해고수준컨텍스트에대한추론이가능함을보였다. 추론한고수준컨텍스트는추론모델이나서비스제공을위한입력값으로사용될수있다. Han등은스마트폰환경에서지능형에이전트캐릭터를통한지능형서비스제공방법을제안하였다 [11]. 에이전트캐릭터는현재의컨텍스트정보를직관적인행동이나색상을통해표현하여, 사용자와친숙하고긴밀하게상호작용을할수있도록돕는다. 불확실한컨텍스트를효과적으로추론하기위해베이지안네트워크를사용하였으며, 행동선택네트워크를활용하여다양하고예측하기힘든환경에서에이전트캐릭터가유연한행동을할수있도록하였다. 그리고사용성평가실험을통해, 지능형서비스가사용의편의성, 정보제공의효율성및정보전달의정확성, 그리고학습의용이성에대해긍정적인요인으로작용함을보여, 지능형서비스의유용함을입증하였다. 2.2 베이지안네트워크를이용한고수준컨텍스트추론본논문에서는모바일환경에서사용자의컨텍스트를추론함에있어서, 불확실한정보를효과적으로다루기위해베이지안네트워크를사용한다. 이와관련한연구로, Cho등이스마트폰을이용하여 2007년에진행한연구가있다. Cho등은 638개의노드를포함하는 39개의베이지안네트워크와스마트폰상에서수집된로그데이타를이용해사용자의행동, 감정, 이벤트등의고수준컨텍스트를추론하며, 추론된정보를이용해카툰형식으로다이어리를자동생성하는시스템을구축하였다 [12]. 위연구에서는보다현실적인실험을위해 30일분량의실제로그데이타를스마트폰을이용해수집하였으며, 수집된데이타로베이지안네트워크를이용한사용자컨텍스트추론의정확성을측정하였다. 실험은대부분 80% 이상의정확도를보였다. 표 1은실험결과를보여준다. 2.3 컨텍스트의계층적매칭방법컨텍스트의계층적매칭방법은그래뉼러컴퓨팅방법과도연관된다 [13]. 그래뉼러방법을이용한컨텍스트매칭과관련된연구로, Kocaball 등은주관적이고퍼지성격을띤컨텍스트를다루기위하여그래뉼러베스트
146 정보과학회논문지 : 소프트웨어및응용제 36 권제 2 호 (2009.2) 표 1 30일분량의실제모바일로그와베이지안네트워크를이용한사용자컨텍스트추론의정확도측정결과 [12] 종류 로그데이타분량 ( 일 ) 추론대상의개수 TP 에러율 (%) FP 에러율 (%) FN 에러율 (%) 정확도 일상 / 한가 30 60 46 14 14 0.767 비일상 / 한가 30 58 43 10 15 0.811 일상 / 바쁨 30 55 41 2 14 0.953 비일상 / 바쁨 30 60 46 8 14 0.852 계 120 233 176 34 57 0.838 매칭알고리즘을고안하였다 [14]. 알고리즘을적용하는대상컨텍스트로는시간, 장소, 주변인, 활성화정도를제시하고있으며, CAPRA 에이전트구현을통해해당알고리즘이사용자의의도를더잘반영할수있음을보였다. 하지만그래뉼러베스트매칭알고리즘은컨텍스트별로적용하는방법이조금씩다르다. 따라서, 본논문에서는특히비수치적인컨텍스트에대해사용자의히스토리를반영하여유사도를측정하는보다일반화된방법을제안하고자한다. 3. 사용자컨텍스트의추론과매칭방법서론에서밝혔듯이, 일반적으로컨텍스트는크게 4가지카테고리로나뉘며, 본논문에서는특히사용자컨텍스트와시간컨텍스트를중점적으로다룬다. 이후부터는, 시간컨텍스트와사용자컨텍스트를통합하여 사용자컨텍스트 라칭한다. 본장의 3.1에서는로그파일을이용한사용자정보수집과사용자컨텍스트에관한상세한사항을논의한다. 3.2에서는고수준컨텍스트를추론하기위한베이지안네트워크기반방법에관해설명한다. 마지막으로, 수치정보가없기때문에수학적인접근만으로는활용할수없는컨텍스트를계층적트리구조를이용해분석하고, 이를통해사용자의요구사항이나행동을추론하는방법에관해 3.3에서논의한다. 3.1 모바일로그와주변장치를이용한사용자정보수집과저수준컨텍스트획득방법본논문에서는사용자컨텍스트를 사용자의상황, 혹은주변상황을반영할수있는모든종류의정보자원 으로정의한다 [15]. 따라서사용자의컨텍스트를가능한 정확하게획득하기위해서는최대한많은정보를모바일디바이스상에서수집해야한다. 그리고수집한정보중에서사용자의상황을반영할수있는정보들을선별, 취합하는과정이필요하다. 본논문에서는모바일디바이스상에서사용자에대한정보를수집하기위해모바일로그와주변장치를이용했다. 모바일로그는모바일디바이스상에축적되는로그파일로, 사용자의행동을기록한다. 그리고주변장치는모바일디바이스에내장되어있거나혹은내장할수있는하드웨어기기를말하며 GPS나블루투스장치를예로들수있다. 주변장치는로그파일에서얻을수있는정보외에추가적인정보를얻기위해서이용한다. 위와같은모바일로그와주변장치를본논문에서는 정보제공자 라명명한다. 표 2 는본논문에서사용되는모바일로그와주변장치의종류그리고해당정보제공자에서얻을수있는정보이다. 표 2와같이수집된정보는사용자의컨텍스트를획득하는데사용한다. 사용자컨텍스트의종류는크게저수준컨텍스트와고수준컨텍스트로나뉜다. 모바일기기상에축적되어있는로그정보에서추가적인처리작업없이직접적으로추출할수있는컨텍스트정보를저수준컨텍스트라정의한다. 그리고저수준컨텍스트와로그정보를바탕으로취합, 추론과정을거쳐획득할수있는컨텍스트를고수준컨텍스트라정의한다. 고수준컨텍스트에관해서는 3.2에서상세하게다룰것이다. 표 3은본논문에서다루는저수준모바일컨텍스트의종류와해당컨텍스트를알아내기위해사용한정보제공자, 그리고저수준컨텍스트의실제값의예시이다. 로그를통한사용자정보수집 표 2 사용자컨텍스트획득에사용되는모바일로그와주변장치 로그종류 얻을수있는정보 통화로그 통화시작시각, 통화종료시각, 상대방이름, 상대방전화번호, 수신 / 발신 / 부재중 문자로그 문자시각, 상대방이름, 상대방전화번호, 수신 / 발신 일정로그 일정시작시각, 일정종료시각, 일정수행장소, 일정이름, 유형, 관련인이름 폰북로그 상대방전화번호, 상대방이름, 상대방이속한그룹이름 모바일주변장치를통한사용자정보수집 주변장치종류타이머불루투스 GPS 얻을수있는정보연, 월, 일, 시, 분, 초, 요일주변모바일기기 ID 위도 / 경도 ( 시, 분, 초 ), 이동속도, 진행방향
모바일환경에서의지능형서비스를위한베이지안추론과컨텍스트트리매칭방법 147 표 3 제안하는방법에서사용한저수준사용자컨텍스트의종류와실제값, 저수준사용자컨텍스트를획득하는데 이용된정보제공자 저수준컨텍스트 정보제공자 실제값의예 시간대아침, 정오, 오후, 저녁, 밤, 새벽타이머요일월, 화, 수, 목, 금, 토, 일 위치 GPS 신촌, 서대문구, 연세대, 일정 일정로그 토익스터디, 컴과세미나, 오토마타수업, 주변인물 블루투스 홍길동, 김길동, 이길동, 저수준컨텍스트중요일과일정컨텍스트는정보제공자에서제공하는정보를선별하는것만으로도간단히얻을수있다. 하지만 시간대 와 위치 컨텍스트의경우는추가적인처리가필요하다. 특히 GPS의경우, 위도와경도값만으로는의미상의실질적인현재위치를얻을수없기때문이다. 따라서본논문에서는위치와시간대컨텍스트를얻기위해레이블링을활용했다. 시간대 컨텍스트는하루24시간을 4시간으로균등하게분할하였으며, 위치 는도, 분, 초에따라레이블링된맵을이용하여위도 / 경도정보를위치정보로변환하였다. 주변인물 컨텍스트는사용자의폰북에등록되어있는사람중현재주변에있는사람들의목록을뜻하며, 특정인물과모바일기기의 ID를매핑한테이블을사용하여주변에어떠한사람들이있는지알아내었다. 3.2 베이지안네트워크기반고수준사용자컨텍스트추론현재시간이나일정과같은저수준컨텍스트정보는정보제공자가제공하는정보에서직접적으로추출해낼수있다. 하지만사용자의감정, 바쁨정도와같은추상적인컨텍스트는저수준컨텍스트와같은방법을사용해서알아낼수없으며, 이러한컨텍스트를고수준컨텍스트라정의했다. 따라서고수준컨텍스트를획득하기위해서는정보제공자가제공하는다양한정보와저수준컨텍스트를취합하여추론과정을거칠필요가있다. 모바일환경에서는다양한불확실성 (1 실생활의불규칙성, 2 사용자의도및감정의불확실성, 3 센서의불확실성, 4 인과관계의불확실성 ) 이존재한다 [16]. 이러한불확실성을효율적으로관리하고, 수집된모바일로그정보를효과적으로분석하여고수준의컨텍스트를추론하기위해본논문에서는고수준컨텍스트추론방법으로베이지안확률모델을채택하였다. 표 4는본논문에서사용한고수준모바일컨텍스트의종류와속성, 그리고해당컨텍스트의추론에이용되는정보제공자와저수준컨텍스트의종류를보여준다. 모바일디바이스에축적된로그를이용하여고수준컨텍스트를얻어내는데필요한정보를추출한다. 추출된정보와저수준컨텍스트정보를이용하여베이지안네트워크의추론엔진을통해고수준의컨텍스트를획득한다. 본논문에서추론하는고수준의컨텍스트는표 4 에서나타내는바와같이감정, 바쁨, 친밀도 3가지가있다. 하나의고수준컨텍스트를추론하기위해하나의베이지안네트워크를사용하므로, 고수준컨텍스트를추론하기위해총 3개의베이지안네트워크를사용했다. 그림 1은각고수준컨텍스트추론을위해제안하는베이지안네트워크의구조이다. 3.3 비수치적인컨텍스트의트리기반매칭사용자는특정한컨텍스트하에서특정한행동을한다. 사용자가어떠한행동을했을당시의컨텍스트와시행한행동을조합하여 < 컨텍스트, 행동 > 의히스토리정보를남긴다. 히스토리정보를분석하여사용자의행동패턴을추론한다면, 특정컨텍스트하에서사용자의요구사항을추측할수있다. 이때, 일반적으로사용할수있는방법이현재컨텍스트와컨텍스트히스토리사이의유사도를계산하는것이다. 하지만, 스케쥴이나장소와같이수치정보가없는컨텍스트의경우, 수학적인접근만으로는유사도를계산해낼수없다. 본장에서는이와같이수치정보가없는컨텍스트히스토리를트리구조로확장한후, 컨텍스트트리와현재컨텍스트와의유사도측정을통해사용자의현재요구사항이나행동을추론하는방법을제안한다. 수치정보가없는컨텍스트를구조화하기위해온톨로지성격을가진계층적컨텍스트트리 [13,14,17] 를사용하는방법을채택하였다. 현재컨텍스트와정확히일치하는컨텍스트뿐만아니라, 보다상위개념의컨텍스 표 4 제안하는방법에서사용한고수준사용자컨텍스트 고수준컨텍스트 실제값 정보제공자 저수준컨텍스트 감정 슬픔, 평온, 기쁨, 화남 일정로그, 통화로그 일정 바쁨정도 바쁨, 한가함 통화로그, 문자로그, 일정로그 일정, 요일, 시간대 친밀도 친밀함, 서먹함 통화로그, 문자로그, 일정로그, 폰북로그 일정, 주변인물
148 정보과학회논문지 : 소프트웨어및응용제 36 권제 2 호 (2009.2) 그림 1 제안하는방법에서설계된베이지안네트워크 트와도유사도를측정할수있다는것이컨텍스트트리구조를선택한주된이유이다 [18,19]. 컨텍스트트리는사용자가취할수있는모든행동에대해 1:1로매핑된다. 즉, 하나의컨텍스트트리는특정한하나의행동만을기록대상으로삼는다. 따라서사용자가취하는모든행동을기록하기위해서는각행동에대해컨텍스트트리가모두존재해야한다. 예를들어, 사용자가취할수있는행동이 < 음악듣기, 전화걸기, 문자보내기 > 3종류라면총 3개의컨텍스트트리가필요하다. 컨텍스트트리는상위레벨과하위레벨로나뉘며, 상위레벨의노드들은하위노드에비해더포괄적인개념을갖는다. 상위레벨의노드가하위레벨의노드와의미적으로직접적인연관성을가지고레벨차이가 1이하라면링크로연결한다. 이경우, 상위노드는링크로연결된하위노드의부모노드가된다. 그리고사용자의히스토리정보를반영하기위하여, 각노드마다빈도 (frequency) 값을할당하였다. 빈도값의정의는컨텍스트트리가기록대상으로삼는어떤특정한행동을사용자가해당노드에서지금까지행한횟수이다. 그리고부모노드의빈도는자식노드들의빈도의합과같다. 그림 2는사용자가수행하는스케쥴컨텍스트를대상으로한컨텍스트트리의예시이다. 그림 2에서각노드는사용자가수행하는스케쥴을나타낸다. 예를들어 운동 노드는 인라인스케이트 노드, 축구 노드의부모노드이며, 자식노드의개념을직접적으로포괄한다. 그리고사용자는지금까지축구를하면서특정행동을 3번수행하였다. 다음은컨텍스트트리와현재의사용자컨텍스트와의유사도측정방법을스케쥴컨텍스트의예로설명하고, 스케쥴컨텍스트트리를이용해축구스케쥴을수행할시사용자의행동을예측하는방법을보인다. 어떠한행 그림 2 스케쥴정보에대한컨텍스트트리의예 동 V에대한스케쥴컨텍스트트리가있고, 각노드에대해빈도값이모두책정되어있다고가정하자. 그리고만약사용자가현재스케쥴 S를수행중이라면, 스케쥴 S 수행중에사용자가행동 V를행할가능성 P(S, V) 를구하는방법을식 (1)~(4) 로정의하였다. (1) (2) (3) 통화 음악감상 문자전송 식 (1) 에서정의하는 Score값은모든노드에대해서구한다. Score를구하는수식에서 는스케쥴 k를나타내는노드임을의미한다. Score 값책정에는레벨과빈도를긍정인자로이용했다. 레벨의경우보다하위개념의컨텍스트와매칭이될시가중치를주기위한목적이며, 빈도는사용자가많은행동을보인노드에대해높은 Score를주기위해사용하였다. 그리고 Score 값에임계값개념을부여하기위해루트를적용하였다. 식 (2) 의정의에따라, P(S,V) 값은기본적으로단말 (4)
모바일환경에서의지능형서비스를위한베이지안추론과컨텍스트트리매칭방법 149 노드에서부터루트노드까지재귀적으로 Score값을합해서구하는방식을취한다. 이방식을취했을시, 식 (5) 는모든 P값에대해반드시참이된다. (5) 식 (5) 는 V1과 V2가컨텍스트트리의동일한경로상에있다면, 하위개념의컨텍스트와매칭될시항상더많은 P값을획득할수있다는것을의미한다. 그림 3은 P( 축구, V) 값을구하는과정을보여주고있다. 그림 3 P( 축구, V) 를구하는과정본논문에서다루는컨텍스트의종류에는스케쥴외에장소, 시간, ( 특정상대방과의 ) 친밀도, 감정, 바쁨정도, 주변인물등다양하다. 따라서사용하는모든컨텍스트에대해행동가능성 P값을계산할필요가있다. 최종적인 P(contexts, V) 값은식 (3) 과같이정의한다. P값을모든컨텍스트트리에대하여계산하면각행동별로 P(contexts, V) 값을구할수있다. 최종적으로사용자가다음에행할가능성이가장높은행동 Action은식 (4) 와같이결정한다. 4. 제안하는방법의응용기존의폰북은통화를원하는상대를찾기위해전화번호나상대의이름을직접입력하거나그룹을통해순차적으로접근해야하는불편함이있다. 기존모바일폰북의이러한어려움을극복하기위한지능형통화상 대추천서비스를제시한다. 컨텍스트의계층적매칭방법을사용하여모바일사용자의통화패턴을추론하고, 이를이용하여현재사용자컨텍스트하에서가장통화할가능성이높은대상부터차례대로정렬하여추천한다. 표 5는지능형통화상대추천서비스에서사용하는컨텍스트의종류를나타낸다. 사용자로그정보로부터현재사용자의저수준컨텍스트를도출해낼수있다. 고수준컨텍스트인감정, 바쁨, 친밀도정보는저수준사용자컨텍스트와모바일로그정보로부터그림 1의베이지안네트워크를이용하여추론한다. 특정대상 X에대하여통화이벤트가발행할때마다이벤트발생시의사용자컨텍스트를이용하여대상 X에대한컨텍스트트리를구축한다. 이제구축된컨텍스트트리와현재의컨텍스트정보를이용하여, 사용자가전화통화를원한다면폰북상의어떤대상과통화하기를원하는지추론하여사용자에게추천한다. 컨텍스트트리에저장된정보의양이많을수록보다정확한통화상대추측이가능하다. 그림 4는실제로구축된컨텍스트트리의일부분을보여주며, 그림 5는지능형통화상대추천서비스의전체모듈계층도이며, 그림 6은실제시연을보여주는사진이다. 지능형폰북애플리케이션을이용한실험은실제사용자의통화로그를이용하여진행하였다. 실험데이타는 12일에걸친총 65건의통화건 ( 미확인대상제외 ) 이며폰북에등록된통화상대는 28명이다. 사용자의실제통화상대가지능형통화상대추천서비스의추천통화대상목록에서몇위로나타났는지비교해보는방식으로실험을진행하였다. 추가적으로, 각컨텍스트별사용자의실제통화비율을집계하여사용자의통화패턴을알수있게했으며, 컨텍스트별추천정확도역시분석하였다. 그림 6은지능형통화상대추천서비스의실험결과이다. 약 53% 의통화상대가총 28명중추천순위 3위안에드는결과를보임으로써방법의유용함을입증하였다. 5. 결론및향후연구본논문에서는사용자의요구사항을미리예측하고, 표 5 지능형통화상대추천서비스에서사용하는컨텍스트 컨텍스트 설명 실제값의예시 Time period 시간대 아침, 정오, 오후, 저녁, 밤, 새벽 Day of week 요일 월, 화, 수, 목, 금, 토, 일 Schedule 일정 토익스터디, 컴과세미나, 수업.., Location 장소 신촌, 종로, 연세대... Emotion 감정 화남, 슬픔, 기쁨, 평온... Busy 바쁨정도 바쁨, 보통, 한가함 Amity 상대방과의친밀도 친함, 서먹함
150 정보과학회논문지 : 소프트웨어및응용제 36 권제 2 호 (2009.2) 그림 4 지능형통화상대추천서비스에서사용된컨텍스트트리의일부분 2 월 27 일 ~3 월 9 일까지수집된사용자로그정보를이용하여구축 그림 5 지능형통화상대추천서비스구현모듈계층도 사용자에게최적화된서비스를제공하기위한컨텍스트인지기반의방법을제시하였다. 특히, 감정, 바쁨, 친밀도와같은고수준의컨텍스트를추론해내기위하여베이지안네트워크확률접근방법을제시하였으며, 현재컨텍스트와서비스를매칭하기위한비수치적인컨텍스트의유사도를측정하는방법을제안하였다. 제안하는방법을실제서비스에적용한예로지능형폰북애플리케이션을제시하였으며, 사용성평가실험을통해방법의유용함을입증하였다. 본논문에서는보다현실적인실험을위해사용자들이실제로수집한모바일로그를이용하였다. 하지만사용자가직접고수준컨텍스트를레이블링해놓지는않았기때문에, 본논문에서추론한컨텍스트가사용자의실제컨텍스트와정확히일치하는지의여부는알수없다. 따라서, 향후에는보다정확한컨텍스트추론을위해, 사용자가직접레이블링한데이타를기반으로베이 그림 6 지능형통화상대추천서비스의실제시연
모바일환경에서의지능형서비스를위한베이지안추론과컨텍스트트리매칭방법 151 (a) (b) 그림 7 지능형대화상대추천서비스사용성평가실험결과사용자의컨텍스트별실제통화대비추천정확도분석 (a) 과대화상대추천목록상에서실제통화상대의순위 (b) 지안네트워크를학습시키는등의연구가필요하다. 또한, 추가적인센서정보나다양한상황정보등을사용하는확장된베이지안네트워크에관한연구가추가적으로진행되어야하며, 사용자가어떠한컨텍스트에보다많은영향을받는지에대한연구역시필요하다. 예를들어지능형폰북애플리케이션에서는위치컨텍스트를사용하지만, 통화상대선정과사용자의위치는실제전혀상관이없을가능성도배제할수없다. 따라서행동종류에따라컨텍스트별로가중치를줄수있는방법이요구되며, 이방법을사용하여모든컨텍스트를통합하여관리할수있는있는방법에관한연구도추가적으로필요하다. 지능형통화상대추천서비스외에, 싸이월드나각종블로그, 세컨드라이프와같은소셜네트워크서비스 (SNS) 에서본논문에서제안하는방법을활용할수있을것이다. 예를들어, 특정상대의미니홈피방문추천과같은방법을통해인맥관리에활용할수있을것이며, 현재나의상황정보를친구들에게알림으로써, 보다유기적인네트워크를형성할수있을것이다. 특히, 이러한지능화된 SNS 서비스가사용자의정보를수집하기에용이한모바일환경과결합될경우, 앞으로의 SNS 분야에 서큰파급력을미칠수있을것으로예상된다. 참고문헌 [1] H.V. Kranenburg, M.S Bargh, S. Iacob, and A. Peddemors, "A Context Management Framework for Supporting Context-Aware Distributed Applications," Communications Magazine IEEE, Vol.44, No.8, pp. 67-74, 2006. [2] ET NEWS 전자신문 http://www.etnews.co.kr/news/ [3] G.D Abowd, A.K. Dey, P.J, Brown, N. Davies, M. Smith, and P. Steggles, "Towards a Better Understanding of Context and Context-Awareness," Lecture Notes in Computer Science, Vol.1707, pp. 304-307, 1999. [4] G. Chen and D. Kotz, A Survey of Context-Aware Mobile Computing Research, tech. report TR2000-381, Dept. of Computer Science, Dartmouth College, Hanover, 2000. [5] S. Kouadri, and B. Hirsbrunner, "Towards a Context Based Service Composition Framework," Proc. of the 1st International Conference on Web Services (ICWS), 2003. [6] S. Jbara, T. Kuflik, P. Soffer, and O. Stock, "Context Aware Communication Services in Active Museums," IEEE International Conference on
152 정보과학회논문지 : 소프트웨어및응용제 36 권제 2 호 (2009.2) SwSTE, pp. 127-135, 2007. [7] A. Krause, A. Smailagic, and D.P. Siewiorek, "Context-Aware Mobile Computing: Learning Context-Dependent Personal Preferences from a Wearable Sensor Array," IEEE Transactions on Mobile Computing, Vol.5, No.2, pp. 113-127, 2006. [8] M. Raento, A. Oulasvirta, R. Petit, and H. Toivonen, "ContextPhone: A prototyping platform for context-aware mobile applications," IEEE Pervasive Computing, Vol.4, No.2, pp. 51-59, 2005. [9] K.B. Korb, and, A.E. Nicholson, "Bayesian Artificial Intelligence," Chapman & Hall/CRC, 2003. [10] Y.-S. Lee, M.-C. Jung, and S.-B. Cho, "Collection and construction of user's context in smart phone," Proc. of KCC, Vol.33, No.1(B), pp. 115-117, 2006. [11] S.-J. Han, and S.-B. Cho, "Synthetic character with Bayesian network and behavior network for intelligent smartphone," LNCS KES, 2005. [12] S.-B. Cho, K.-J. Kim, K.-S. Hwang, and I.-J. Song, "AniDiary: Daily Cartoon-Style Diary Exploits Bayesian Networks," IEEE Pervasive Computing, pp. 66-75, 2007. [13] Y.Y. Yao, "The Rise of Granular Computing," Journal of Chongqing University of Posts and Telecommunications (Natural Science Edition), to appear, 2008. [14] A.B. Kocaball, and A. Kocyigit, "Granular best match algorithm for context-aware computing systems," The Journal of Systems and Software, Vol.80, No.12, pp. 2015-2024, 2007. [15] A.K. Dey, "Understanding and Using Context," Journal of Personal and Ubiquitous Computing, Vol.5, No.1, pp. 4-7, 2001. [16] K.-S. Hwang, S.-B. Cho, and J.-H Lee, "A Bayesian inference model for landmarks detection on mobile devices," Journal of Korea Information Science Society: Computing Practices, Vol.13, No. 1, pp. 35-45, 2007. [17] A. Doan, J. Madhavan, P. Domingos, and A. Halevy, Ontology Matching: A Machine Learning Approach, Handbook on Ontologies in Information Systems, 2004. [18] E. Blanchard, M. Harzallah, H. Briand, and P. Kuntz, "A typology of ontology-based semantic measures," Open Interop Workshop on Enterprise Modelling and Ontologies, 2005. [19] W. Koh, and L. Mui, "An Information Theoretic Approach to Ontology-based Interest Matching," Proc. Workshop on Ontology Learning, 2001. 김희택 2008 년연세대학교컴퓨터산업공학부 ( 학사 ). 2008 년 ~ 현재연세대학교컴퓨터과학과석사과정. 관심분야는지능형서비스, 진화연산, 멀티에이전트기반시뮬레이션 민준기 2004년연세대학교기계전자공학부 ( 학사 ). 2006년연세대학교컴퓨터과학과 ( 석사 ). 2006년~현재연세대학교컴퓨터과학과박사과정. 관심분야는상황인지, 패턴인식 조성배 1988년연세대학교전산과학과 ( 학사 ). 1990 년한국과학기술원전산학과 ( 석사 ) 1993 년한국과학기술원전산학과 ( 박사 ) 1993 년~1995년일본 ATR 인간정보통신연구소객원연구원. 1998년호주 Univ. of New South Wales 초청연구원. 1995 년~현재연세대학교컴퓨터과학과정교수. 관심분야는신경망, 패턴인식, 지능정보처리