Recurrent neural networks를 이용한 대규모 TV 시청로그 기반 시청자 군집 분석 :Clustering of TV viewers based on large-scale TV logs via recurrent neural networks

정신유

추천

검색

자료유형: 학위논문

저자정보: 정신유 (서울과학기술대학교, 서울과학기술대학교 대학원)

지도교수: 김경옥

발행연도: 2019

저작권: 서울과학기술대학교 논문은 저작권에 의해 보호받습니다.

이용수1

이 논문의 연구 히스토리 (2)

2019

Recurrent neural networks를 이용한 대규모 TV 시청로그 기반 시청자 군집 분석

정신유 데이터사이언스학과 2019.01 학위논문

2018

RNN(Recurrent Neural Network)을 이용한 대규모 TV 시청로그 시청자 군집 분석

정신유 , 김경옥 대한산업공학회 추계학술대회 논문집 2018.11 학술대회자료

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

다양한 매체의 발달에도 TV 시청은 여전히 사람들의 여가시간에 큰 비중을 차지하며 시청자들의 시청 패턴을 이해하기 위한 연구가 최근에도 활발히 이루어지고 있다. 관련 연구들은 수백 또는 수천 명의 적은 시청자를 대상으로 하거나, 시청자의 특징을 파악하기 위해 아직까지 설문조사를 이용하는 연구가 많다. 그러나 소수 표본만으로 전체 시청자를 대표하기에는 한계가 있으며, 복잡한 시청 패턴을 파악하기에 설문에 대한 응답만으로는 수집된 데이터가 비교적 단순하다는 단점을 가진다. 본 연구는 시청자들의 대규모 시청 로그를 바탕으로 Recurrent Neural Networks(RNN)을 이용해 보다 많은 정보를 가진 고차원의 특징을 추출하며, 이 특징을 토대로 시청자들을 군집화하고 시청 패턴을 파악한다. 연구에서 제안한 시청자들의 특징 추출 방식과 세션 클러스터링을 기반으로 시청자의 특징을 생성한 기존 연구의 특징 추출 방식을 통해 각각 클러스터링 하여 비교한 결과, 제안 방법이 어떤 시간대에 어떤 종류의 채널을 얼마나 시청했는지에 대해 inertia, silhouette coefficient 등의 지표에서 정량적으로 더 좋은 클러스터링 결과를 얻었다. 또한 각 클러스터가 가진 특징은 새벽 시간대에 시청이 많거나 오후 시간대에 케이블 채널의 시청이 많은 등 비교 방식에서 발견하지 못한 시간에 따른 클러스터의 시청 패턴을 발견할 수 있었다.

1. 서 론 1
1.1. 연구 배경 및 목적 1
1.2. 관련 연구 2
1.3. 논문의 구성 3
2. 이론적 배경 5
2.1. Word2vec 5
2.2. Recurrent Neural Networks 6
2.3. Attention Mechanism 9
2.4. Hierarchical Attention Networks 11
3. 연구 방법 14
3.1. 시청 로그 데이터 15
3.2. Representation Learning 16
3.2.1. 시퀀스 변환 17
3.2.2. 신경망 학습 17
3.3. 비교 연구 방법 19
4. 연구 결과 22
4.1. 평가 지표를 사용한 정량적 비교 22
4.2. 시간에 따른 클러스터 사이의 시청 패턴 비교 25
4.3. 10개 클러스터의 특성 분석 31
4.3.1 클러스터 (1) 유형의 특징 33
4.3.2 클러스터 (2) 유형의 특징 33
4.3.3 클러스터 (3) 유형의 특징 34
4.3.4 클러스터 (4) 유형의 특징 34
4.3.5 클러스터 (5) 유형의 특징 34
4.3.6 클러스터 (6) 유형의 특징 34
4.3.7 클러스터 (7) 유형의 특징 35
4.3.8 클러스터 (8) 유형의 특징 35
4.3.9 클러스터 (9) 유형의 특징 36
4.3.10 클러스터 (10) 유형의 특징 36
5. 결 론 37
5.1. 연구 요약 37
5.2. 연구 한계점 및 추후 연구 37
참고문헌 39
영문초록 43

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)