디지털 라이브러리[ 검색결과 ]
그룹 추천에서 사용자 선호도의 편차를 고려한 그룹 모델링 전략
그룹 추천은 개인이 아닌 그룹의 특성 및 성향을 분석하여 구성원들에게 적합한 정보를 제공하는 추천 방식이다. 기존의 그룹 추천 방식은 평균 선호도나 선호 횟수에 기반한 그룹 모델링 전략을 사용한다. 하지만 평균이 높고 선호 횟수가 많은 관심사더라도 선호도의 편차가 크다면, 그룹 내 구성원 모두를 만족시키는 추천 결과를 제공하기가 어렵다. 본 논문에서는 이를 개선하고자 관심사에 대한 평균 선호도에 선호도 편차를 가중치로 하는 그룹 모델링 전략을 제안한다. 제안하는 방법은 평균 선호도가 높으면서 선호도 편차가 작은 관심사들을 추천 결과로 제공해줌으로써 기존의 그룹 모델링 전략보다 더 많은 그룹 내 구성원들을 만족시키는 정보를 제공하는 것이 가능하다. 실험을 통해 제안하는 그룹 모델링 전략이 기존의 방식에 비해 높은 성능을 보였고, 소규모의 사용자뿐만 아니라 많은 수의 사용자가 형성하는 그룹에서도 높은 성능을 가짐을 확인하였다.
개체 중의성 해소를 위한 사용자 유사도 기반의 트윗 개체 링킹 기법
트위터 문서는 웹 문서에 비해 길이가 짧기 때문에 웹 기반의 개체 링킹 기법을 그대로 적용시킬 수 없어 사용자 정보나 집단의 정보를 활용하는 방법들이 시도되고 있다. 하지만, 트윗의 개수가 충분하지 않은 사용자의 경우 데이터 희소성 문제가 여전히 발생하고 관련이 없는 집단의 정보를 사용할 경우 링킹의 결과에 악영향을 미칠 수 있다. 본 논문에서는 기존 연구의 문제를 해결하기 위해 단일 트윗 내의 의미 관련도 뿐만 아니라 사용자의 트윗 집합과 다른 사용자들의 트윗 집합까지 고려하여 데이터 희소성을 해결하고, 관련성이 높은 사용자들의 트윗 정보에 가중치를 주어 트윗 개체 링킹의 성능을 높이고자 한다. 실제 트위터 데이터를 활용한 실험을 통해 제안하는 트윗 개체 링킹 기법이 기존의 기법에 비해 높은 성능을 가지며, 유사도가 높은 사용자의 정보를 사용하는 것이 트윗 개체 링킹에서 데이터 희소성 해결과 링킹 정확도 향상에 연관성이 있음을 보였다.
유스케이스 점수 측정의 신뢰도 향상을 위한 단위기능 중심의 유스케이스 정제 방법
소프트웨어의 규모측정 기법 중 하나인 유스케이스 점수(Use Case Points; UCP)는 고객 기능 요구사항에 기반하여 규모를 측정한다. 이 때 요구사항 분석자의 유스케이스 추상화 수준에 따라 유스케이스 수의 차이가 발생하고, 이는 UCP에 많은 영향을 미친다. 본 논문에서는 요구사항 분석자의 추상화 수준에 따른 유스케이스 수의 편차를 줄이기 위해 단위기능으로 분할하는 방법을 제안함으로써 측정자에 따른 UCP의 편차를 줄이고자 한다. 이 방법은 스텝, 트랜잭션, Narrative 중심으로 접근한 기존의 UCP 방법보다 측정자에 따른 UCP의 편차를 줄일 수 있어 신뢰성 있는 소프트웨어 규모측정이 가능하다.
