There have been several efforts on preference learning in a smart space. However, most of the works focused on learning single-user preferences while spaces are shared by multiple users in the real world. It is much difficult to provide satisfactory services in a multi-user case than a single-user case since a system need to care about conflicting preferences of them. Only a few works have been proposed a multi-user preference learning scheme in smart spaces. Their systems learn user preferences by observing device-user interaction. However, social psychologists addressed that some users do not reveal their preferences in a multi-user situation due to their personality or social roles. We define a such situation as a potential preference conflict. In this paper, we propose a elicitation-based multi-user preference learning scheme in a smart space. We develop a distributed version of multi-agent reinforcement learning for capturing task-oriented user preferences in a smart space. The system detects any potential preference conflict for improving multi-user conflict situation using asserted harmonization point, which is a preference value where the system believes that targets users would take for a give situation by considering their individual personality, task, and corresponding preference. To yield a harmonized multi-user preference in a smart space, the system explore possible preference candidates considering context sensitivity of user. Experiment results show that multi-user finds the harmonized preference well by using the proposed elicitation-based multi-user preference learning scheme in a short amount of time.
기존 연구자들은 스마트 공간에서 여러 선호도 학습 시스템을 제시하였다. 실제 환경은 여러 사용자가 공유함에 비하여 기존 연구들은 대부분 단일 사용자 선호도를 학습하는데 제한되었다. 다중 사용자의 경우 선호도 충돌을 고려해야 하기 때문에 단일 사용자의 경우보다 만족스러운 서비스를 제공하는 것이 어렵다. 스마트 공간에서 다중 사용자 선호도 시스템을 제시한 연구들은 스마트 기기와 사용자의 상호 작용을 관찰하여 다중 사용자 선호도를 학습하였다. 그러나 사회 심리학자들은 일부 사용자가 자신의 성격이나 사회적 역할 때문에 다중 사용자 상황에서 자신의 선호도를 드러내지 않는다고 지적하였다. 우리는 이러한 상황에서 잠재적인 선호도 충돌이 있다고 정의하였다. 본 논문에서는 스마트 공간에서 선호도 추출 기반 다중 사용자 선호 학습 방법을 제안한다. 본 논문에서는 스마트 공간에서 태스크 중심의 사용자 선호도를 분산 학습하기위한 다중 에이전트 강화 학습 기법을 개발하였다. 시스템은 개인의 성격, 태스크 및 사용자의 선호도를 고려하여 다증 사용자가 주어진 상황에서 취할 것으로 생각되는 선호도 값을 활용하여 잠재적인 선호도 충돌을 탐지한다. 시스템은 다중 사용자 상황에서 조화된 다중 사용자 선호도를 유도하기 위하여 사용자들의 컨텍스트 민감도를 고려하며 가능한 선호도 후보들을 탐색한다. 우리의 제시된 선호 추출 기반 다중 사용자 선호 학습 기법을 사용하여 다중 사용자들이 조화된 선호도를 짧은 시간 내에 발견한다는 것을 실험 결과로 검증하였다.
