뇌신경정보학연구사업 인지/추론 : 추론 기술 2002년 11월 15일 숭실대학교 컴퓨터학과 김명원

연구목표 및 연구내용 1차년도 2차년도 3차년도 신경망 기반 개인화 기술 개발 신경망 기반 사용자 모델링 기술 개발 정보사용자의 비형식적 추론 메커니즘 연구 2차년도 신경망 기반 개인화 기술 개선 신경망 기반 비형식적 추론을 이용한 사용자 모델링 기술 개발 비형식적 추론 : 속성 추론 3차년도 정보추천시스템 개발 모델 검증을 위한 학제적 비교 연구 정보사용자의 적응적 추론의 인지적 모형개발 및 적용

추론기술 연구 체계도 지능화 추론기술 정보서비스 응용 비형식적 추론 사용자 모델링 Collaboration Contents User behavior 사용자 추론의 제약 정보서비스 응용 비형식적 추론 사용자 지식 사용자 목표 사용자 맥락 추론대상의 특성 상황 맥락 정보추천 시스템 대상과 속성별 추론기전 신경망 기반 추론 규칙 기반 추론 인터넷 쇼핑 도우미 추론유형 분류 및 차원화 사용자 추론 및 의사결정 개인 비서 시스템 사용자 모델링 파라메터 추출 논리적 추리 상황적 추리 취소가능 추리 자문 시스템 사용자 프로파일 행동선택 사용자 행위

신경망 기반 개인화 기술 개선 (1) 유사도를 이용한 신경망 추천 모델 NNCF-S (Neural Network Collaborative Filtering Using the Similarity) 유사도 측정  최근접 이웃 방법 기존 추천기술(70%), NNCF (82%) , NNCF-S(87%) NNCF-S NNCF B항목의 선호도 B항목의 선호도 특정 사용자 A항목의 선호도 A항목의 선호도

신경망 기반 개인화 기술 개선 (2) 다양한 정보를 입력레벨에서 융합 인구통계학적 정보, 항목 내용 정보, 사용자 행동 패턴 등. UT IT Im U1 U2 Un I1 I2 항목에 관련된 정보 사용자에 관련된 정보 내용정보를 고려한 사용자 NNCF-S 사용자에 관련된 정보를 고려한 항목 NNCF-S

신경망 기반 개인화 기술 개선 (3) 최근접 이웃 방법 연관규칙 NNCF NNCF-S 사용자 항목 장르를 고려한   최근접 이웃 방법 연관규칙 NNCF NNCF-S 사용자 항목 장르를 고려한 Accuracy 67.8 72.0 61.1 81.6 77.5 81.4 85.5  78.4 86.8 Precision 60.3 75.1 75.4 77.4 76.3 78.0 85.7 74.6 87.7 Recall 55.7 58.4 22.6 69.6 73.0 65.7 84.5 75.7 84.2 F-measure 57.9 34.8 73.3 71.3 83.7 74.3  84.6

신경망 기반 개인화 기술 개선 (4) 신경망을 이용한 결측값(Missing Value) 처리 개인화를 위한 관련 데이터 상대적 부족 N-to-N 결측값 처리 모델 f1 f2 fn-1 fn N-to-1 결측값 처리 모델 f2 f3 fn-1 fn f1

신경망 기반 개인화 기술 개선 (5) 신경망을 이용한 결측값(Missing Value) 처리 평가 결측 값 처리 방법에 따른 분류 인식률 실험 데이터 Iris 데이터 : 속성 4개 / 클래스 3개 / 데이터 150개 훈련데이터 : 100개 테스트데이터 : 50개 표.1 결측 값이 한 개일 경우 표.1 결측 값이 두 개일 경우 결측 값 처리 방법 분류 인식률 (%) 속성1 속성2 속성3 속성4 “0” 값 대치 98 73.6 100 85.6 평균 값 대치 94 87.6 N-to-1 신경망 모델 96.2 93.6 N-to-N 신경망 모델 98.4 92.4 결측 값 처리 방법 분류 인식률 (%) 속성1 , 속성2 속성3 , 속성4 “0” 값 대치 100 34 평균 값 대치 74 N-to-1 신경망 모델 94 N-to-N 신경망 모델 98 84.8

신경망기반 비형식적 추론을 이용한 사용자모델링 기술개발 신경망기반 비형식적 추론을 이용한 사용자모델링 기술개발 대화형 에이전트 (사용자 모델링) Web Mining (예측) Mobile Agent (행동생성) 연구사례 - Bayesian Network를 이용한 문맥 유지 - LCS를 이용한 대화형 에이전트 로봇의 목적 추론 - Web Mining을 위한 SASOM+DT 모델 추론 및 학습 동적결합, 정적 결합, 진화, 다양성 BN Hybrid NN

계층적 베이지안 네트워크를 이용한 대화형 에이전트의 문맥유지 <대화 주제 : 교수님 연락처> User   : 안녕하세요         keyword         : 안녕         문형 정보         : 평서문 (기타)         BN토픽선택기     : 하위토픽(인사말)         sub keywork     : 하세요         BN대답선택기     : 만남 인사말 ChatBot : 네 안녕하세요 User   : 연락처를 알고 싶은데요         keyword         : 연락처         문형 정보         : 질문형 (설명)         BN토픽선택기     : 하위토픽(miss), 중간토픽(연락처)         Active reply ChatBot : 연구실 연락처에 대해서 알고 싶으신건가요? 아니면 교수님 연락처? User   : 교수님 연락처를 알고 싶은데요.         last keyword     : 연락처         keyword         : 교수님, 연락처         BN토픽선택기     : 하위토픽(교수님 연락처)         BN대답선택기     : 교수님 연락처에 대한 질문 ChatBot : 교수님 연락처는 000-0000입니다. 베이지안 네트워크를 통한 사용자 질의 분석 문형정보를 이용한 대화선택 사용자 모델링을 통한 문맥유지 대화 가능

LCS를 이용한 대화형 에이전트의 유연한 대화 생성 [대화] User : 소프트 컴퓨팅 연구실이 어디인가요? (1101100) Agent : 저희 연구실은 연세대학교 제 3공학관 5층에 있습니다. (1011010) User : 소프트 컴퓨팅 연구실이 어디인가요? (1101100) Agent : 저희 연구실은 연세대학교 제 3공학관 5층 529호입니다. (1011101) 문형분류과정:사용자의 질의 의도 파악 가능 답변 매칭 과정: 다양한 문장 생성 LCS 기존 대화형 에이전트의 단점 미리 구축된 데이터베이스 이용  이미 정해져 있는 문장 사용 대화의 지루함 증가, 친밀감 감소  Learning Classifier System(LCS)의 환경 적응성을 이용  다양한 문장의 생성이 가능한 대화형 에이전트를 구현

베이지안 네트워크를 이용한 유연한 로봇 행동 생성 S1 S4 S3 S2 G1 G3 G2 B1 B2 B3 B4 B5 V1 V2 V3 V4 V5 V6 B : 행동 노드 S : 외부 상태 G : 내부 목표 V : BN 상태 행동 네트워크 행동 네트워크 : 복잡한 행동을 추상적인 모델로 표현 - 한번 결정된 목적은 지속적으로 설정 - 상황의 변화에 약함  Bayesian Network를 이용하여 현재 목적을 추론 행동 네트워크+BN

SASOM+DT 모델을 이용한 웹 데이터의 분류 Structure Adaptive Self-Organizing Map의 Hybrid 결합 - SASOM : 시각적인 결과 분석 및 SOM에 비해 높은 성능 - DT결합 : Mining 결과를 분석 가능 Streaming Ensemble 방법 - 다양한 분류기 생성   100 data   200 data 500 data  5개의SASOM   6.5%   5.0% 3.5% 10개의SASOM   4.0%   3.5% 2.5% 15개의SASOM   2.6%   1.8% 0.8% 20개의SASOM   3.0%   1.6% 1.0%   100 data   200 data 500 data 1개의 SASOM   4.0%   5.5% 3.8% <앙상블의 오류율> <1개의 SASOM의 오류율>

비형식적 추론 : 속성추론 (1) 상충되는 전제가 추론에 미치는 영향 확증전제 제시  결론이 참일 가능성 증가. 대안전제 제시  결론이 참일 가능성 감소. 예) 전제 : 모피코트는 관세가 부과되어야 한다.(확증1 : S1) 골프채는 관세가 부과되어야 한다.(확증2 : S2) 소형차는 관세가 부과되어야 한다.(대안 : D) 결론 : 다이아몬드는 관세가 부과되어야 한다. (C) 조건 : SC , DC , SSC , SDC , DSC 설명 절감 원리 (Sloman, 1994) 확증-확증전제(SSC) > 확증-대안전제(SDC) = 대안-확증전제(DSC) 확증 편향 (Wason, 1960) 확증전제가 있으면 대안전제 여부는 영향을 주지 못한다. 확증-확증전제(SSC) = 확증-대안전제(SDC) = 대안-확증전제(DSC)

비형식적 추론 : 속성추론(2) 전제와 결론의 이유가 다를 때(:DC) 결론의 신뢰도가 낮아짐 전제가 두개 이상일 때 결론과 같은 이유가 하나만 있으면 (: SDC, DSC) 다른 이유는 별 영향을 미치지 않음.  확증적 정보의 존재가 이유기반 추론에서 중요함.

비형식적 추론 : 속성추론(3) 주관적인 보고 자료 분석  결론과 같은 이유를 찾으려고 노력

비형식적 추론 : 속성추론(4) 인과적으로 위계적인 전제의 영향 공동 결과 : 다른 원인이지만 같은 결과 과일  분비물  집짓기 다리 점액질  잘 붙어 있기  집짓기 위계조건 : 두 원인이 위계적으로 연결 과일  다리 점액질  집짓기

비형식적 추론 : 속성추론(5) 범주판단 : 기본원인(과일 먹기)이 더 중요 속성추론 : 근접원인(다리 점액질)이 더 중요

결론 및 향후 연구 신경망 기반 개인화 기술 개선 신경망기반 비형식적 추론을 이용한 사용자모델링 기술 개발 다양한 정보와 유사도를 이용한 신경망 추천 모델 신경망을 이용한 결측 값 처리 신경망과 규칙기반 추론의 통합 신경망기반 비형식적 추론을 이용한 사용자모델링 기술 개발 Bayesian Network를 이용한 문맥유지 및 로봇의 목적 추론 LCS를 이용한 대화형 에이전트 Web Mining을 위한 SASOM+DT 모델 비형식적 추론 : 속성 추론 상충되는 전제가 추론에 미치는 영향 인과적으로 위계적인 전제의 영향