맞춤형 이벤트 기반 감시와 위험 평가 알림 시스템

본 논문은 전 세계적인 전염병 감시와 조기 경보 시스템에서 발생하는 정보 과부하 문제를 해결하기 위해 맞춤형 필터링 및 재순위화 기법을 제안한다. 먼저, 기존 EBS 파이프라인은 웹 문서 스트림을 지속적으로 모니터링하고, 자연어 처리 기술을 이용해 질병 보고 이벤트를 구조화된 형태로 추출한다. 추출된 이벤트는 집계 과정을 거쳐 ‘신호(signal)’라는 형태의 경보로 변환되며, 이는 잠재적인 공중보건 위협을 조기에 알리는 역할을 한다. 그러나 이러한 신호는 사용자마다 필요로 하는 정보가 다름에도 불구하고 동일하게 제공되어, 공중보건 담당자는 방대한 “one‑size‑fits‑all” 리스트를 검토해야 하는 상황에 놓인다. 이를 해결하기 위해 저자들은 두 단계의 개인화 프로세스를 설계하였다. 첫 번째 단계는 **다중 관심사 프로파일**을 활용한 필터링이다. 사용자는 위치, 질병 종류, 증상, 감시 기간 등 다양한 기준을 조합해 복합적인 프로파일을 정의한다. 시스템은 이 복합 프로파일을 내부적으로 분해하여 여러 개의 단일 기준 프로파일(예: 특정 국가·특정 질병)로 자동 생성한다. 이렇게 생성된 하위 프로파일은 실시간 스트림에 적용되어 사용자가 지정한 조건에 맞는 신호만을 추출한다. 필터링 결과 평균 60 %~70 %의 신호가 제거되어, 사용자는 보다 집중된 정보 집합을 받게 된다. 두 번째 단계는 **협업 필터링 기반 재순위화**이다. 필터링된 신호에 대해 사용자는 주석(annotation), 즐겨찾기(favorite), 평가(rating) 등 다양한 형태의 피드백을 제공한다. 이러한 메타데이터는 사용자‑아이템 행렬에 기록되며, 저자들은 행렬 분해(Matrix Factorization)와 그래프 기반 유사도 계산을 결합한 하이브리드 모델을 적용한다. 특히, 동일 순위에 매겨진 신호들 사이에서 문서 본문 내용과 사용자 메타데이터를 교차 분석함으로써, 숨겨진 관심사를 추론하고 보다 정교한 순위를 산출한다. 또한, 외부 웹 2.0 데이터(예: 트위터, 블로그)와 멀티미디어 정보(이미지, 동영상)까지 통합하여 사용자 프로파일을 풍부하게 만든다. 이 과정은 온라인 학습 방식으로 구현되어, 새로운 피드백이 들어올 때마다 모델이 즉시 업데이트된다. 실험 설계는 실제 국제 감시 데이터셋(IMED 2011)과 가상의 사용자 시뮬레이션을 결합하였다. 평가 지표로는 **신호 감소율**, **정밀도·재현율**, **사용자 만족도 설문**, **동일 순위 신호 구분 정확도** 등을 사용하였다. 결과는 다음과 같다. (1) 필터링 단계에서 평균 65 %의 신호가 제거되었으며, 이는 사용자가 검토해야 할 양을 크게 줄였다. (2) 재순위화 후 상위 10개 신호 중 사용자가 실제로 관심을 보인 비율이 78 %까지 상승했다(기존 55 % 대비). (3) 메타데이터만 이용한 경우보다 외부 웹·멀티미디어 데이터를 포함했을 때 재순위 정확도가 12 % 이상 향상되었다. (4) 동일 순위에 있던 신호들을 문서 내용과 사용자 행동 로그를 결합해 구분했을 때, 정확도가 85 %에 달했다. 논문의 주요 기여는 다음과 같다. 첫째, 복합적인 사용자 요구를 하나의 프로파일로 정의하고 이를 자동 분해·생성하는 **다중 관심사 프로파일링** 기법을 제시했다. 둘째, 사용자 주석·즐겨찾기·외부 데이터 등을 통합한 **하이브리드 협업 필터링** 모델을 설계해 동일 순위 신호 문제를 해결했다. 셋째, 실시간 스트림 환경에서도 온라인 학습이 가능한 **동적 재순위화** 메커니즘을 구현했다. 마지막으로, 실제 EBS 데이터와 사용자 시뮬레이션을 통해 제안 방법의 실효성을 정량적으로 입증하였다. 결론적으로, 이 연구는 전통적인 이벤트 기반 감시 시스템에 개인화 레이어를 추가함으로써, 공중보건 담당자가 정보 과부하 없이 핵심 경보에 집중할 수 있게 하고, 궁극적으로 조기 대응 능력을 향상시키는 실용적인 솔루션을 제공한다. 향후 연구에서는 프로파일 자동 학습, 다국어 텍스트 처리, 그리고 모바일 환경에서의 실시간 알림 전달 메커니즘을 확장할 계획이다.