The countless amount of knowledge is produced everyday. As the effort of a user to find the relevant information with his or her interests gets bigger, so does the importance of personalized and intelligent information delivery. In knowledge portal or knowledge management system(KMS), the basic concept of recommending knowledge is derived from information filtering. But it is hard to apply information filtering to knowledge portal directly, because the basic information filtering algorithm assumes that filter relevant information with a single domain of information. But a user usually has more than an interest in a knowledge portal; the knowledge recommendation system should filter these unrelated interests simultaneously. Instead of containing all interesting information for a user in a single profile, dividing this user profile into several sub-user profiles according to the domain of information will increase the effectiveness of information filtering. For this, I suggested a clustering algorithm which binds interrelated documents and separates unrelated documents to compose a multi-user profile. Each of multi-user profiles can grasp more relevant information and adjust the number of sub-user profile according to the level of interests for a user without fixing the number before clustering. Furthermore this multi-user profiles enable the selective learning of user interests according to the dynamics of a sub-user profile. In other words, a system can adapt to the interest change of a user better than the general information filtering approach. The performance of suggested algorithm is verified by conducting an experiment and a survey.
인터넷 등 다양한 기술의 발달로 인해 우리가 날마다 접하는 지식의 양은 매우 빠른 속도로 증가하고 있다. 이로 인해 원하는 정보를 찾기 위한 노력이 날로 커지고 있다. 이 때문에 지식관리 시스템(KMS), 더 나아가 지식포탈과 같은 경우는 많은 정보 가운데 사용자가 원하는 정보만을 제공하는 지식 추천 기능이 필수적이라 할 수 있다. 지식추천은 무엇보다 사용자의 관심을 파악하고 이를 시스템이 이용할 수 있는 형태로 전환한 사용자 프로파일에 따라 그 결과가 좌우된다고 할 수 있다. 사용자 프로파일은 작성에 따른 사용자의 노력을 최소화하면서 사용자의 관심을 정확하게 반영하는 것이 가장 중요하다. 사용자의 관심을 정확하게 반영하기 위해서는 사용자가 하나 이상의 다양한 관심 분야를 가지고 있을 경우 이에 대한 지원은 물론이고 사용자의 관심분야가 변화하였을 경우에도 이를 다이나믹하게 반영하는 일이 필요하다. 이 논문에서는 사용자 관심 분야를 파악하기 위한 노력을 최소화하면서 사용자의 다양한 관심을 반영하기 위한 사용자 프로파일의 작성 방안에 대하여 연구하였다.
사용자 프로파일은 사용자 선호 문서에서 각각의 단어에 대해 tf x idf 의 값을 평균한 평균 문서 벡터 방식과 선호 문서와 비선호 문서에 각각의 가중치를 달리하여 작성하는 Rocchio Algorithm 등이 있다. 이러한 방식으로 작성된 사용자 프로파일은 모든 문서를 단순히 선호와 비선호로 구분하고 있을 뿐 사용자의 관심 분야나 그 정도에 대한 고려는 하지 않고 있다. 이러한 방식으로는 사용자가 다양한 관심 분야에 걸쳐 가지고 있을 경우 그 특정한 분야에 대한 관심을 파악하기 어렵고 이를 다 합쳐놓은 형태의 사용자 프로파일일 작성되게 된다. 그렇기 때문에 다양한 관심 분야를 가진 사용자를 위한 다중 사용자 프로파일의 작성이 필요하다. 별도의 추가되는 사용자의 노력없이 다중 사용자 프로파일을 생성하기 위해 내가 제안하고자 하는 방식은 사용자의 선호 문서를 문서 간의 유사도에 따라 클러스터링하고 그 분류 내의 문서들을 가지고 각각의 사용자 프로파일을 작성하는 방식이다. Balabanovic 의 경우는 사용자의 다양한 관심을 파악하기 위해 사용자가 선호 문서에 대해 마우스의 드래그 앤 드롭으로 문서를 분류하는 방식을 제안하였으나 이 방식의 경우는 위의 방식에 비해 사용자의 노력이 추가로 들어간다는 점과 사용자의 주관에 따라 이루어지는 분류이기 때문에 그 분류가 시스템이 파악할 수 있는 정도의 분명한 차이를 만들지 못할 경우 클러스트링이 무의미 하게 된다. 그러나 시스템에 의한 자동 클러스트링 방식에 의하게 되면 사용자의 별도의 추가되는 노력없이 개별 문서를 클러스트링하여 그 결과에 따라 추천을 할 수 있다는 장점이 있다.
이렇게 선호문서를 클러스트링 하기 위해서는 일단 두 문서들을 쌍을 지어 벡터의 값을 벡터의 길이로 나누어 계산되는 방식으로 유사도를 비교하고 하나의 문서에 대해 가장 유사도가 높은 것을 각각 쌍을 지어 비교하여 유사도가 높은 문서끼리는 하나의 프로파일로, 낮은 문서끼리는 다른 프로파일로 분리하게 된다. 즉 사용자의 관심이 다양하여 선호 문서 간의 유사도의 차이가 뚜렷할 경우 이 다른 문서는 다른 분류에 속하게 됨으로 사용자의 관심 분야 만큼의 분류가 생기게 된다. 그러나 이 분류는 기존의 카테고리 방식과 같이 미리 정해지 분류에 따라 문서를 나누는 것이 아니기 때문에 ‘정치’, ‘사회’와 같은 넓은 범위의 모든 분류를 포괄하여 분류하는 것이 아니라 나타난 문서 벡터에 나타난 단어와 그 빈도수에 따라 분류의 정도와 수준이 결정되게 된다. 즉, 같은 정치 분야의 문서라도 문서 간에 공통되는 단어가 없거나 적으면 같은 분류로 분류되지 않을 수도 있다.
제안한 방식으로 사용자 프로파일을 작성하게 되면 사용자의 관심에 따라 단어의 가중치가 달라지기 때문에 보다 정확한 지식 추천이 가능하다. 뿐만 아니라 사용자가 자신의 관심 분야를 명시적으로 표시하지 않아도 자동적으로 분류된 문서를 통해 사용자의 관심 분야를 파악할 수 있기 때문에 추천을 위한 별도의 사용자 노력을 최소화할 수 있다. 또한 문서를 미리 분류된 카테고리에 따라 분류하는 카테고리 방식에 비해 사용자의 선호 문서의 수준에 따른 분류가 가능하기 때문에 사용자의 관심 수준(내용의 엄밀성)에 따라 추천의 수준이 달라질 수 있다. 또한 사용자의 관심분야가 변화하였을 경우 관심분야에서 제외된 분류의 사용자 프로파일은 자동적으로 더 이상 추천을 위한 사용자 프로파일로 이용되지 않기 때문에 사용자의 관심 분야와 같은 변화에 대해 적응적 추천이 가능하다.
