Earticle

이커머스(e-Commerce) 환경에서의 온라인 고객 행동은 상품에 대한 관심도 및 구매 의도 추정의 근거로 작용한다. 최근 많은 기업들이 웹(web)과 모바일 앱(app)을 통해 수집 가능한 로그 데이터 기반 고객 행동 분석을 통해 구매 및 재구매 가능성 예측 뿐 아니라 이탈(churn) 예측, 유저 가치 스코어링(scoring), 서비스 개인화 등에 많은 투자를 하고 있다. 그 중에서도, 실시간 클릭스트림(clickstream) 기반의 이벤트 로그 데이터(event log data)는 온라인 쇼핑몰 내 고객 여정(customer journey)에서 구매에 이르기까지의 시계열적 순차 진행에 따른 상호 작용을 구체적으로 알 수 있게 하여 예측의 정확도를 높이고 다양한 비즈니스 활용에 있어 큰 가치를 가지며, 이와 동시에 대용량 데이터로서의 특성을 가지기 때문에 이를 효과적으로 분석하는 방안에 대한 수요는 점점 높아지고 있다. 구매 예측에 흔히 활용되는 방법론으로, 구매 가능성 스코어(probability score) 및 구매 여부 분류 예측을 위한 지도 학습(Supervised Learning) 기법으로 로지스틱 회귀(Logistic Regression), 의사결정나무(Decision Tree), 랜덤 포레스트(Random Forest), 신경망(Neural Networks) 등이 활용되고 있으며, 비지도 학습(Unsupervised Learning) 으로 행동 특성 기반 및 제품 기반 고객유형 분류를 위한 군집화 모델로서 K-평균(K-means) 클러스터링(Clustering), DBSCAN 클러스터링, 그 외에도 장바구니 분석과 같은 구매이력 연관 규칙(Association rule) 분석의 Apriori 알고리즘 기법 등이 활용되고 있다. 위와 같은 구매 예측 방법론들을 바탕으로 한 이커머스 전환 예측(conversion prediction) 분야에 있어 오랜 기간에 걸쳐 기존 연구가 상당수 진행되어 왔다. 과거의 연구에서는 개인 프로파일(성별, 나이, 소득 등) 정보와 더불어 구매이력 기반의 트랜잭션(transaction)과 같은 정적(static) 컨텍스트 정보에 국한되어 연구가 다수 진행되었다면, 최근의 연구에서는 예측의 정확도를 높이기 위해 동적(dynamic) 컨텍스트 및 상호작용 정보를 기반으로 한 학습 모델링 기법의 활용이 높아지는 추세이다. (Seippel, 2018) 본 연구에서는 화장품(Cosmetics) 이커머스 리테일 상점에서 수집된 5개월 치(2019년 10월 ~ 2020년 2월) 163만 유저의 대용량 온라인 행동 이벤트 로그 데이터셋을 활용하여, 구매 혹은 비구매에 이르는 경로를 순차패턴 탐색(Sequential Pattern Mining) 데이터 마이닝 기법으로 분석해낸 뒤, 전처리(preprocessing) 기법을 통해 유저 별 구매 이전의 행동 값들만 추출하여 구매 여부를 레이블(labeling) 하고자 했다. 궁극적으로 유저 별 시퀀스(sequence) 정보를 정제 후 구매 예측 모델링 학습 시 활용하여 모델 간의 성능 비교를 통해 시퀀스 기반 구매 전환 예측에 가장 우수한 예측 기법을 도출해내고자 한다. 예측 모델링 알고리즘 적용 이전 탐색적 데이터 분석(exploratory data analysis) 결과, 본 연구에서 사용된 데이터셋 내 전체 고객 중 구매 고객 비율은 약 6%에 해당되며, 행동 이벤트 수 분석 시 월별 약 82~85%의 고객은 10개 이하의 이벤트만을, 약 90%의 고객은 25개 내의 이벤트를 발생시킨 후 이탈하는 추세를 보인다. 다만, 10개 초과의 상호작용 이벤트를 발생시킨 고객은 해당 이커머스 상점 내 발생하는 전체 이벤트 수의 85%에 달하는 이벤트를 발생키는 양상을 보였다. 10개 초과 상호작용 발생 고객은 전체 구매 고객의 87% 정도를 차지하며 10개 미만의 이벤트를 발생시킨 고객 대비 구매 전환율에 있어서도 약 33배에 달하는 차이를 보여, 이벤트 수에 따른 구매 고객 비중에 있어 파레토의 법칙(Pareto Principle)이 적용됨을 보여준다. 또한, 장바구니 이용 고객 비중은 전체 사용자의 26% 정도에 해당되며, 장바구니 이용에 따른 구매 전환 양상에 있어서도 차이를 보였다. 장바구니 미 이용 고객의 약 0.15% 만이 구매 전환으로 이어짐과 달리, 장바구니 이용 고객의 구매 전환율은 약 32%에 달하여 장바구니 이용 여부에 따라 구매 가능성이 약 200배나 차이남이 발견되었다. 구매 고객의 98%는 장바구니 담기 기능을 이용하며, 장바구니 이용은 평균적으로 전체 이벤트 시퀀스의 3번째에 발생하는 빈도가 높았다. 이에 반해, 구매가 발생하는 시퀀스는 평균적으로 17번째 상호작용 즈음 발생하는 것으로 나타났다. 구매 고객과 미구매 고객 간의 차이에 있어서, 구매 고객은 평균적으로 7회의 상품 조회를 함과 달리, 미구매 고객은 3회 이하의 상품 조회 후 이탈하는 것으로 나타났다. 또한, 구매 고객의 평균 이벤트 발생 수는 약 23회에 달하는 데 반해, 미구매 고객이 발생시키는 이벤트 수는 4회 미만에 그치는 것으로 나타나며, 관심도에 따른 상호작용의 차이를 보여준다. 위와 같이 이벤트 시퀀스에 따른 구매/비구매 패턴 정보를 파악 후, 유저별 구매 전환 여부를 분류하는 예측 모델링을 수행하였다. 그 중에서도 부스팅 기반의 XGBoost 알고리즘을 사용하여 모델링을 수행한 결과, 유저별 시퀀스 정보를 학습 모델에 반영하였을 시 반영하지 않은 경우에 비해 특정 지표에서 성능이 개선됨을 확인할 수 있었다. 이와 같이 CatBoost, LightGBM 알고리즘 적용 시에도 시퀀스 정보 반영에 따른 모델의 성능 개선을 발견할 수 있었다. 본 연구의 의미는 크게 두 가지로 요약할 수 있다. 첫째, 화장품 이커머스 상점에서의 구매 및 비구매에 이르는 주요 행동 패턴을 순차패턴 탐색을 통한 데이터 마이닝 기법을 통해 나타낸 점이다. 이와 함께, 상품의 카테고리 및 가격대 정보에 따라 행동 시퀀스 유형이 어떻게 달라지는지 살폈다는 점 또한 유의미한 정보이다. 둘째, 행동 이력 시퀀스 정보를 반영하여 모델링 시 예측 정확도에 있어서 구매 이력 트랜잭션을 활용한 모델과 대비하여 성능이 개선됨을 확인한 점에서 가치를 가진다. 이를 바탕으로 이벤트 로그와 같은 대용량 행동 데이터 학습에 적합한 예측 모델은 어떤 모델인지, 구매 혹은 비구매에 이르는 시퀀스 정보를 효과적으로 패턴화 하기 위한 데이터 마이닝 기법은 무엇인지 제안 가능하게 하였다. 또한, 정확도(accuracy), 정밀도(precision), 재현율(recall) 및 F1 Score, ROC-AUC 등의 평가 지표를 활용하여 시퀀스 정보 학습에 따른 모델별 성능 개선 여부를 구체적으로 관측할 수 있게 한다. 본 연구에서 제시하는 시퀀스 패턴분석 기반 구매 전환 예측 모델링 기법 연구는 다양한 비즈니스 활용 가치를 갖는다. 예측과 구매 전환 가능성이 높은 이벤트 시퀀스 구간(path)을 파악하여, 잠재적 구매 순간(buying moment)을 규명하고 실시간 고객 리타겟팅(retargeting)과 같은 개인화된 마케팅 기회(opportunity)를 포착할 수 있게 하며, 더 나아가 구매 가능성이 높은 고객을 스코어링(scoring) 하여 고(高)가치 고객 대상의 타겟팅 정확도를 높이는 데에도 기여할 수 있다는 점에서 의의를 갖는다.

침입탐지란 컴퓨터와 네트워크 자원에 대한 유해한 침입 행동을 식별하고 대응하는 과정이다. 점차적으로 시스템에 대한 침입의 유형들이 복잡해지고 전문적으로 이루어지면서 빠르고 정확한 대응을 필요로 하는 시스템이 요구되고 있다. 이에 대용량의 데이터를 분석하여 의미 있는 정보를 추출하는 데이터 마이닝 기법을 적용하여 지능적이고 자동화된 탐지 및 경보데이터 분석에 이용할 수 있다. 마이닝 기법중의 하나인 순차 패턴 탐사 방법은 일정한 시퀸스 내의 빈발한 항목을 추출하여 순차적으로 패턴을 탐사하는 방법이며 이를 이용하여 시퀸스의 행동을 예측하거나 기술할 수 있는 규칙들을 생성할 수 있다. 이 논문에서는 대량의 경보 데이터를 효율적으로 분석하고 반복적인 공격 패턴에 능동적인 대응을 위한 방법으로 확장된 순차패턴 알고리즘인 PrefixSpan 알고리즘에 대해 제안하였고 이를 적용하므로써 침입탐지 시스템의 자동화 및 성능의 향상을 얻을 수 있다.

Sequential pattern mining has become an essential task with broad applications. Most sequential pattern mining algorithms use a minimum support threshold to prune the combinatorial search space. This strategy provides basic pruning; however, it cannot mine correlated sequential patterns with similar support and/or weight levels. If the minimum support is low, many spurious patterns having items with different support levels are found; if the minimum support is high, meaningful sequential patterns with low support levels may be missed. We present a new algorithm, weighted interesting sequential (WIS) pattern mining based on a pattern growth method in which new measures, sequential s-confidence and w-confidence, are suggested. Using these measures, weighted interesting sequential patterns with similar levels of support and/or weight are mined. The WIS algorithm gives a balance between the measures of support and weight, and considers correlation between items within sequential patterns. A performance analysis shows that WIS is efficient and scalable in weighted sequential pattern mining.

Sequential Pattern Mining is the mining approach which addresses the problem of discovering the existent maximal frequent sequences in a given databases. In the daily and scientific life, sequential data are available and used everywhere based on their representative forms as text, weather data, satellite data streams, business transactions, telecommunications records, experimental runs, DNA sequences, histories of medical records, etc. Discovering sequential patterns can assist user or scientist on predicting coming activities, interpreting recurring phenomena or extracting similarities. For the sake of that purpose, the core of sequential pattern mining is finding the frequent sequence which is contained frequently in all data sequences. Beside the discovery of frequent itemsets, sequential pattern mining requires the arrangement of those itemsets in sequences and the discovery of which of those are frequent. So before mining sequences, the main task is checking if one sequence is a subsequence of another sequence in the database. In this paper, we implement the subsequence matching method as the preprocessing step for sequential pattern mining. Matched sequences in our implementation are the normalized sequences as the form of number chain. The result which is given by this method is the review of matching information between input mapped sequences.

Sequential Pattern Mining is the mining approach which addresses the problem of discovering the existent maximal frequent sequences in a given databases. In the daily and scientific life, sequential data are available and used everywhere based on their representative forms as text, weather data, satellite data streams, business transactions, telecommunications records, experimental runs, DNA sequences, histories of medical records, etc. Discovering sequential patterns can assist user or scientist on predicting coming activities, interpreting recurring phenomena or extracting similarities. For the sake of that purpose, the core of sequential pattern mining is finding the frequent sequence which is contained frequently in all data sequences. Beside the discovery of frequent itemsets, sequential pattern mining requires the arrangement of those itemsets in sequences and the discovery of which of those are frequent. So before mining sequences, the main task is checking if one sequence is a subsequence of another sequence in the database. In this paper, we implement the subsequence matching method as the preprocessing step for sequential pattern mining. Matched sequences in our implementation are the normalized sequences as the form of number chain. The result which is given by this method is the review of matching information between input mapped sequences.

순차 패턴을 찾는 것은 데이타마이닝 응용분야에서 중요한 문제이다. 기존의 순차 패턴 마이닝 알고리즘들은 아이템으로만 이루어진 순차 패턴만을 취급하였으나 경제나 과학분야와 같은 많은 분야에서는 정량 정보가 아이템과 같이 기록되어 있으며, 기존의 알고리즘이 처리하지 못하는 이러한 정량 정보는 사용자에게 보다 유용한 정보를 전달하여 줄 수 있다. 본 논문에서는 정량 정보를 포함한 순차패턴 마이닝 문제를 제안하였다. 기존의 순차패턴 알고리즘에 대한 단순한 확장으로는 모든 정량에 대한 후보 패턴들을 모두 생성하기 때문에 확대된 탐색 공간을 효율적으로 탐색할 수 없음을 보이고, 이러한 단순한 확장 알고리즘의 성능을 대폭 향상시키기 위하여 정량 정보에 대해 해쉬 필터링과 정량 샘플링 기법을 제안하였다. 다양한 실험 결과들은 제안된 기법들이 단순히 확장된 알고리즘과 비교하여 수행시간을 매우 단축시켜 줄 뿐만 아니라, 데이타베이스 크기에 대한 확장성 또한 향상시켜줌을 보여 준다.

Discovering sequential patterns is an important problem for many applications. Existing algorithms find sequential patterns in the sense that only items are included in the patterns. However, for many applications, such as business and scientific applications, quantitative attributes are often recorded in the data, which are ignored by existing algorithms but can provide useful insight to the users. In this paper, we consider the problem of mining sequential patterns with quantities. We demonstrate that naive extensions to existing algorithms for sequential patterns are inefficient, as they may enumerate the search space blindly. Thus, we propose hash filtering and quantity sampling techniques that significantly improve the performance of the naive extensions. Experimental results confirm that compared with the naive extensions, these schemes not only improve the execution time substantially but also show better scalability for sequential patterns with quantities.

Customer retention is one of the major issued in life insurance industry, in which competition is increasingly fierce. There are many things to do to retain customers. One of those things is to be continuously in touch with all customers. The objective of this study is to design the contact scheduling system(CSS) to support the planers who must touch the customers without having subjective information. Support-planers suffer from lack of information which can be used to intimately touch. CSS that is developed in this study generates contact schedule to touch customers by taking into account existing contact history. CSS has a two stage process. In the first stage, it segments customers according to his or her demographics and contract status data. Then it finds typical pattern and pattern is combined to business rules for each segment. We expert that CSS would support support-planers to make uncontacted customers' experience positive.

SOA를 도입하는 하향식 (top-down) 방법은 온톨로지를 기반으로 서비스를 분석하고 설계하는 서비스 모델링 단계를 핵심으로 봄으로써 SOA의 장점을 가장 잘 반영할 수 있는 방법으로 권장되고 있다. 그러나 대부분의 기업들은 하향식 방법이 최상이라는 것을 알면서도 기업 이윤 창출에 단기적인 효과가 드러나지 않고 도입 초기에 개발시간과 비용이 증대되므로 이를 꺼리게 된다. 특히 잘 정의된 컴포넌트 시스템을 이미 사용하고 있는 경우에 더욱 그러하다. 따라서 본 논문에서는 기존의 잘 정의된 컴포넌트시스템을 최대한 이용할 수 있는 상향식 (bottom-up) 서비스식별 방법을 제안한다. GUI는 직접 사용자의 입력을 받아 들여 이벤트를 발생시킨다는 점에 착안하여 이벤트의 경로를 연결하면 비즈니스 프로세스에 근사시킬 수 있다. 따라서 컴포넌트와 상호작용하는 GUI의 이벤트 수를 기준으로 핵심 GUI를 선정하고 핵심 GUI로부터 연결되는 이벤트 경로를 대상으로 기존의 순차패턴 마이닝 알고리즘을 변형하여 사용자의 서비스 사용 패턴을 추출한다. 실험결과 추출된 이벤트 패턴에 응집도를 적용하여 다양한 크기의 비즈니스 서비스를 식별할 수 있음을 보였다.

The top-down method for SOA delivery is recommended as a best way to take advantage of SOA. The core step of SOA delivery is the step of service modeling including service analysis and design based on ontology. Most enterprises know that the top-down approach is the best but they are hesitant to employ it because it requires them to invest a great deal of time and money without it showing any immediate results, particularly because they use well-defined component based systems. In this paper, we propose a service identification method to use a well-defined components maximally as a bottom-up approach. We assume that user's inputs generates events on a GUI and the approximate business process can be obtained from concatenating the event paths. We first find the core GUIs which have many outgoing event calls and form event paths by concatenating the event calls between the GUIs. Next, we adapt sequential pattern mining algorithms to find the maximal frequent event paths. As an experiment, we obtained business services with various granularity by applying a cohesion metric to extracted frequent event paths.

최근 XML관련 연구가 급증하면서 저장 기법, 질의 최적화, 인덱싱 등의 기법이 활발히 개발되고 있다. 그러나 하나의 DTD나 XML Schema를 공유하는 문서집합이 아닌 다양한 구조를 가진 문서들을 대상으로 하는 경우, 다중 문서간의 구조적 유사성이나 차이 등을 파악할 필요가 있다. 특히 서로 다른 사이트나 문서관리 시스템에서 도출된 문서들을 병합하거나 분류할 필요가 있을 때, 두 문서의 병합 가능성 및 분류 기준을 파악하는 것은 매우 중요하다. 따라서 본 연구에서는 여러 문서들의 구조를 구성하는 경로들간의 유사성을 파악하기 위해 기존의 순차패턴 마이닝 알고리즘을 변형하였다. 변형된 순차패턴 마이닝 알고리즘[1]을 통해 두 문서간의 정확한 공유 경로를 찾을 수 있었다.

본 논문은 SSD를 캐쉬로 사용하는 하이브리드 저장장치에서 캐쉬에 저장할 데이터를 찾기 위한 BLOCS 기법을 제안한다. 시퀀스 패턴 마이닝을 사용하는 BLOCS 기법은 파일시스템에서 호출하는 섹터들의 연관성을 발생한 순서를 고려하여 빈번히 요청되는 섹터들의 집합을 생성한다. 비교 분석을 위해 탐색거리(DIST) 기반 기법과 요청 빈도(FREQ) 기반 기법 그리고 빈도와 크기의 곱(F-S) 기반 기법을 제안하였다. 제안한 캐슁 기법을 평가하기 위해 하이브리드 캐슁 시뮬레이터를 개발하여 적중률과 응답시간 정보를 얻는다. 부팅 시 발생하는 I/O의 흐름자료와 10개의 응용프로그램들의 실행 시나리오에서 발생한 I/O 흐름자료를 수집하여 캐쉬 시뮬레이터의 입력으로 사용하였다. 실험 결과 부팅 흐름자료에서 제안한 BLOCS 기법이 61%의 적중률을 나타내서 적중률이 가장 낮았던 거리 우선 기반 기법에 비해 15% 더 높은 적중률을 보였다.

In this paper, we propose BLOCS algorithm to find sequence of data that should be saved in cache device of hybrid storage system which uses SSD as a cache device. BLOCS algorithm which uses a sequence pattern mining scheme, creates a set of frequently requested sectors with respect to requested order of sectors. To compare the performance of the proposed scheme, we introduce Distance (DIST) based scheme, Request Frequency (FREQ) based scheme, and Frequency times Size (F-S) based scheme. We measure the hit ratio and I/O latency of different caching schemes using hybrid storage caching simulator. We acquired booting workload along with ten scenarios of launching applications and use the workloads as input to the cache simulator. After experiment with booting workload, we find that BLOCS scheme gives hit ratio of 61% which is about 15% higher than the least performing DIST scheme.

기존의 생물정보학 연구는 전체 서열들의 매칭을 통한 상동성 연구에 중점을 두고 진행되어 왔다 최근에 서열 데이터베이스의 급격한 증가와 게놈 정보가 축적됨에 따라 서열로부터 다양한 정보를 얻기 위해 서열 데이터 분석에 마이닝 기법을 접목시키고자 하는 다양한 기술들이 제안되고 있다. 단백질과 DNA의 서열 비교는 생물정보학의 기본 작업 기운데 하나이다. 신속하고 자동화 된 서열 비교 능력은 새로운 서열에 대한 기능 판별 및 분석 등 모든 작업을 용이하게 한다 본 논문에서는 동종의 단백질 서열들을 다중 정렬하여 일치하는 구간을 찾아내고, 그 구간에서 아미노산 코드와 위치정보를 이용해 동종 서열들 간의 특정한 패턴 규칙을 찾아내고, 새로운 서열에서 어떤 서열 필턴 특징이 발생하는지를 찾아냄으로써 서얼을 분류하는 방법을 제안한다.

고병원성 조류 인플루엔자는 빠른 확산과 높은 치사율로 인하여 발병 초기에 질병의 확산경로 및 확산범위를 예측한다는 것은 매우 어려운 문제이면서 동시에 반듯이 해결해야만 하는 중요한 과제이다. 본 연구에서는 공개된 법정 고병원성 조류인플루엔자의 발병데이터를 기반으로 순차패턴 마이닝을 적용하여 질병의 순차적인 확산경로 규칙을 도출한 후, 그 결과를 바탕으로 지역개념계층(location concept hierarchy)에 따른 추상화 레벨의 점진적인 조절을 통하여 지역 원도우의 확대와 축소를 적용함으로써 도시(city)레벨부터 리(street)레벨까지의 질병확산경로 그래프와 GIS기반의 질병확산경로에 대한 분석을 시도하였다.

고병원성 조류 인플루엔자는 빠른 확산과 높은 치사율로 인하여 발병 초기에 질병의 확산경로 및 확산범위를 예측한다는 것은 매우 어려운 문제이면서 동시에 반듯이 해결해야만 하는 중요한 과제이다. 본 연구에서는 공개된 법정 고병원성 조류인플루엔자의 발병데이터를 기반으로 순차패턴 마이닝을 적용하여 질병의 순차적인 확산경로 규칙을 도출한 후, 그 결과를 바탕으로 지역개념계층(location concept hierarchy)에 따른 추상화 레벨의 점진적인 조절을 통하여 지역 원도우의 확대와 축소를 적용함으로써 도시(city)레벨부터 리(street)레벨까지의 질병확산경로 그래프와 GIS기반의 질병확산경로에 대한 분석을 시도하였다.

순차패턴 마이닝은 데이터들 속에서 어떤 순차 관계가 들어 있는 패턴을 찾는 것이다. 순차 패턴은 다양한 분야에서 중요하게 쓰인다. 예를 들어, 소비자가 구입한 물품들 간의 순차적인 관계성은 다음에 구입할 물건을 예측하는데 쓰일 수 있다. 또한 방문 웹 페이지의 순차 패턴은 사용자가 방문하고자 하는 다음 페이지를 예측하는데 중요할 수 있다. 본 논문에서는 다차원 순차패턴을 마이닝하는 새로운 효율적인 알고리즘의 구현에 대해 설명한다 다차원 순차 패턴 마이닝은 속성-값(attribute-value) 기술을 포함하는 순차 패턴의 연관 규칙을 찾는 것이다. 다음의 두 가지의 현존하는 효율적 알고리즘을 융합하였다. 순차패턴 마이닝을 위한 PrefixSpan 알고리즘과 비 순차패턴 마이닝을 위한 StarCubing 알고리즘. 새로운 알고리즘은 다차원 데이터를 마이닝 하는 StarCubing알고리즘의 효율성을 이용하므로 다차원 순차 데이터를 마이닝 하는데 효율적일 것이다. 실험결과는 제안한 알고리즘이 특히 작은 최소지지도와 작은 cardinality에서 Seq-Dim과 Dim-Seq 같은 현존하는 알고리즘보다 나은 성능임을 보여준다.

최근 XML 저장 기법, 질의 최적화, 인덱싱 등의 XML 관련 기술이 활발히 연구되고 있다. 이와 관련하여 하나의 DTD나 XML Schema로 정의된 고정 구조를 공유하는 문서 집합이 아니라 다양한 구조를 가진 문서 집합인 경우 다중 문서간의 구조적 유사성이나 차이점 등을 파악할 필요가 있다. 예를 들어 서로 다른 사이트나 문서 관리 시스템에서 도출된 문서들을 합병하거나 분류할 필요가 있을 때, 문서를 처리하기 위해 공유 구조를 발견하는 일은 매우 중요하다. 본 연구에서는 다양한 문서들의 구조를 구성하는 경로들간의 유사성을 파악하기 위해 기존의 순차패턴 마이닝 알고리즘(1)을 변형하여 두 XML 문서간 최대 유사 경로를 추출한다. 몇 가지 실험을 통해 본 논문에서 제안한 변형된 순차패턴 마이닝 알고리즘이 두 문서간의 최대 유사 경로를 찾아내고 또한 두 문서간의 정확한 공유 경로 및 최대 유사 경로를 정확히 찾을 수 있음을 보인다. 또한 실험 결과 분석을 위해 최대 유사 경로를 기반으로 정의된 유사성 척도가 XML 문서를 정확하게 분류할 있음을 보인다.

Some of the current main research areas involving techniques related to XML consist of storing XML documents, optimizing the query, and indexing. As such we may focus on the set of documents that are composed of various structures, but that are not shared with common structure such as the same DTD or XML Schema. In the case, it is essential to analyze structural similarities and differences among many documents. For example, when the documents from the Web or EDMS (Electronic Document Management System) are required to be merged or classified, it is very important to find the common structure for the process of handling documents. In this paper, we transformed sequential pattern mining algorithms(1) to extract maximal similar paths between two XML documents. Experiments with XML documents show that our transformed sequential pattern mining algorithms can exactly find common structures and maximal similar paths between them. For analyzing experimental results, similarity metrics based on maximal similar paths can exactly classify the types of XML documents.

유비쿼터스 컴퓨팅 환경하에서 전자상거래 대규모가 대형화되고 취급되는 항목제품들도 다종 다양해지고 있는 것이 현실이다. 이러한 유비쿼터스 상거래 시스템은 편리하고 신속하게 제공되어야 하고 다이나믹한 환경에서 실시간성과 민첩성이 요구되고 있다. 데이터마이닝에서 추출한 지식을 적극적으로 활용하는 기법들이 전자상거래에서 구매 촉진을 증진시키는 마케팅 전략으로 활용되고 있다. 본 연구에서는 유비쿼터스 컴퓨팅 환경 하에 지능형 모바일 단말기를 이용한 추천을 위한 가중치기반 순차패턴 탐사를 이용한 추천서비스f를 제안하였다. 본 연구에서는 추천의 정확성을 향상시키고 구매력이 높은 항목제품 및 서비스를 추천하기 위해서 FRAT 세분화 기법을 이용한 가중치기반 순차패턴 탐사를 이용한 추천서비스를 제안하였다. 성능평가를 위해 현업에서 사용하는 인터넷 화장품 쇼핑몰의 데이터를 기반으로 데이터 셋을 구성하여 기존의 방법과 비교 실험을 통해 성능을 평가하여 효용성과 타당성을 입증하였다. 유비쿼터스 상거래에서 시간과 장소에 제약을 받지 않는 모바일 웹앱을 이용한 추천서비스를 위해서 이전방법보다 개선된 방법으로 추천서비스를 구현하였다.

Along with the advent of ubiquitous computing environment, it is becoming a part of our common life style that the demands for enjoying the wireless internet using intelligent portable device such as smart phone and iPad, are increasing anytime or anyplace without any restriction of time and place. The recommending service becomes a very important technology which can find exact information to present users, then is easy for customers to reduce their searching effort to find out the items with high purchasability in e-commerce. Traditional mining association rule ignores the difference among the transactions. In order to do that, it is considered the importance of type of merchandise or service and then, we suggest a new recommending service using mining sequential pattern based on weight to reflect frequently changing trends of purchase pattern as time goes by and as often as customers need different merchandises on e-commerce being extremely diverse. To verify improved better performance of proposing system than the previous systems, we carry out the experiments in the same dataset collected in a cosmetic internet shopping mall.