With the development of mobile devices and wireless network, finding extant social relationships becomes one of the major issues in mobile and social computing environment. In this thesis, motivated by the fact that most of social interactions are made in places which reflect the people`s work and life styles, we take a step forward a novel method of inferring social relationship types such as acquaintance, ordinary relationship, and close relationship by using co-presence history of people in a place. We collected indoor co-location data from 70 participants for a month, setting APs and place servers at various types of places in KAIST campus. To identify time-variant co-present members of a group at a place, we introduce an efficient co-present group monitoring scheme using the group view snapshot (GVS) method. The group view snapshots as meta-information about co-presence of the members are generated by the enter/leave events of members. Based on the data, we designed and explored several indicators useful for inferring social relationship types. Using machine-learning techniques, we found that social relationship between two members can vary according to the places where they made social interactions.
본 논문은 장소 내 사용자 공존 기록을 이용하여 사회적 관계 타입을 추론함을 목적으로 한다. 사람들은 대부분의 시간을 먹고, 일하고, 마시는 등 일상 생활을 보내고 있다. 또한 최근 사회적 관계망, 인적 네트워크에 대한 분석이 많아지고 있고 사람과 사람간의 사회적 관계는 조직의 현재 상태를 이해하는 데 중요한 역할을 한다. 대부분의 사람 간의 상호작용이 장소 안에서 이루어지고 있고, 장소마다 특정한 의미, 즉 장소성이 있다는 점을 기반으로 우리는 장소 내의 사람들의 공존 기록을 기반으로 사회적 관계를 추론해 보고자 한다. 본 논문의 실험을 위해 한국과학기술원 내에 위치한 카페, 식당, 세미나 룸, 휴게실, 그리고 연구실 등에 AP와 장소 서버를 설치하였고, 70명의 실험 대상자를 모집하였다. 약 1달간의 실험을 통해 사용자들의 장소 방문 내역과 블루투스를 이용한 만남 기록을 수집하였고, 설문 조사를 통해 사람들 간의 정답 셋을 추출하였다. 데이터를 처리하는 과정에서 기존의 방법들은 즉시적으로 형성되고 실시간으로 처리하지 못하는 문제가 발생한다. 따라서 본 논문에서는 사람들간의 공존 기록을 효과적으로 관리하고 그룹을 찾는 GVS알고리즘을 제시한다. GVS 알고리즘은 장소에서의 사람들의 들어오고 나가는 행위를 체크하여 스냅샷으로 저장한 뒤 두 개의 테이블 (SLT와 CPT) 을 통해 각 스냅샷에 대한 현재 그룹을 관리한다. 이렇게 관리를 함으로써 실시간으로 그룹의 변화를 알 수 있게 된다. 또한 머신 러닝 기술을 이용해 관찰 데이터와 결과 데이터를 분석하여 사람들의 사회적 관계 (아는 사람, 보통 관계, 가까운 관계)를 추론하였다. 분석 결과 가까운 관계를 분류하는 데 중요한 원인은 카페나 식당에서의 공존 패턴이 중요하다는 것을 알게 되었고, 보통 관계와 아는 사람을 분류하는 데 있어서는 외부에 있는 실제 공존 시간이 중요하다는 것을 관측할 수 있었다. 또한 분류 정확도 면에 있어서는 83% 이상의 분석 결과를 얻을 수 있었다.
