The combination of online social networking services (OSNSs) and the rapid spread of smartphones has not only changed the way users search, acquire, and propagate information, but it has also influenced the way that people get to know and interact with each other. However, those who focus solely on a variety of online activities with cyber friends can find it difficult to establish offline networks and can have problems developing their interpersonal skills. In order to mitigate these social problems, we propose an offline friend recommendation system that discovers the most likely friends who have similar geographical patterns and share some common friends. A user’s location visit behavior using a Bluetooth beacon (referred to as the mobile context) is combined with the user’s network of friends in Facebook (referred to as the online context) based on coupled tensor factorization. The proposed model is evaluated based on not only the real-world dataset collected from a group of 12 experiment participants, but also simulated data for 50 randomly selected online users in Facebook. The results demonstrate that the proposed model can identify socially close real-life friends and it outperforms the baseline model with accuracy.
스마트폰의 급격한 보급과 Online Social Network Services (OSNSs)의 대중화로 사람들은 언제 어디서든 쉽게 주변인뿐만 아니라 전 세계 사람들과 온라인 소셜 네트워크를 형성하고 있다. OSNSs의 “친구신청” 기능은 오프라인에서의 대인 관계 형성 과정보다 더 쉽게 사람들을 연결 시킴으로써 OSNSs의 사용률은 꾸준히 증가하고 있다. 하지만 일부 OSNSs를 통한 대인관계 형성에 과몰입 된 사람들의 경우, 수많은 Face-to-Face Interaction (F2FI, 면대면 상호작용)을 통해 형성되는 인간관계의 과정을 기술로 간단히 뛰어 넘게 되어 대인관계 기술 발달 및 유지에 어려움을 겪고 있다. 본 논문에서는 F2FI의 기회를 증가 시킬 수 있는 수단으로써 사람들의 오프라인 상황정보(장소 이용 기록 정보)와 이들의 페이스북 친구 관계 정보 기반의 오프라인 친구 추천 기법을 제시하였다. 서로 다른 타입의 정보들을 함께 분석하기 위해 coupled matrix and tensor factorization 방식을 사용하였으며, 이 후 재결합(completion)을 통해 현실 사회에서 친구가 될 수 있는 사람을 추천한다. 모델의 성능 평가를 위해 62명(실제참가자 12명 + 랜덤참가자 50명)을 대상으로 친구 추천 알고리즘을 수행하고 실제참가자 12명을 대상으로 친구 추천결과에 대한 만족도 평가를 수행하였다. 만족도 평가 결과를 Ground Truth 정보로 활용하여 제시한 모델과 베이스라인(장소 이용 기록 정보만을 사용하는 모델)의 MAP과 MRR을 비교하였고, 제시한 모델의 성능이 베이스라인 성능보다 우수한 것을 확인하였다. 이를 통해 친구 추천 시스템에서 오프라인 정보와 온라인 정보를 모두 고려하는 것이 성능 향상에 도움이 된다는 것을 증명 할 수 있었다.
