관광객 주관 데이터와 이미지 유사도 기반 클론 선택 알고리즘을 활용한 인터랙티브 GHSOM 설계

** 본 논문은 모바일 폰 기반 참여 감시(MPPS) 시스템에서 수집된 관광객의 주관적 데이터와 사진을 효과적으로 분석·분류하기 위한 새로운 프레임워크를 제안한다. 기존 연구에서는 GPS, 평가, 코멘트 등 텍스트·수치 데이터만을 이용해 인터랙티브 성장 계층 SOM(GHSOM)으로 필터링 규칙을 자동 생성했으나, 사진과 같은 고차원 비정형 데이터는 특성 추출이 어려워 제외되었다. 이를 해결하고자 저자는 세 가지 핵심 기술을 결합한다. 1. **레벤슈타인 거리 기반 이미지 유사도 측정** - 사진을 중앙에 위치한 원형 영역(A, B, C)으로 나누고, 각 영역을 나선형으로 펼쳐 픽셀 시퀀스를 만든다. - 이 시퀀스를 문자열로 간주하고 레벤슈타인 편집 거리를 계산해 두 이미지 간의 공간적·구조적 근접성을 정량화한다. - 기존의 특징점 매칭이나 그래프 비교와 달리, 회전·축소·조명 변화에 강인하면서도 구현이 간단하고 모바일 환경에 적합한 O(|s||t|) 복잡도를 가진다. 2. **클론 선택 알고리즘 with Immunological Memory Cells (CSAIM)** - 항체는 가중치 벡터와 임계값(θ)으로 구성되며, 체세포 변이(HM)와 수용체 편집(RE) 과정을 통해 다양성을 확보한다. - 친화도 함수 f(x)와 g(x)를 이용해 항체와 샘플(항원) 간 매칭 정도를 평가하고, 최고 친화도를 가진 항체를 메모리 셀로 선정한다. - 메모리 셀 클러스터링은 유사 항체들을 하나의 대표 셀로 압축해 학습 속도와 메모리 사용량을 크게 절감한다. - 클론 생성 비율은 친화도에 역비례하도록 설계돼, 높은 성능을 보이는 항체가 더 많이 복제된다. 3. **인터랙티브 성장 계층 SOM (GHSOM)** - 기본 SOM의 계층적 확장을 자동화하면서, 양자화 오차와 층 성장 기준을 동적으로 판단해 트리 구조를 재구성한다. - 사용자는 UI를 통해 중간 결과를 시각적으로 검토하고, 필요 시 클러스터를 병합·분할해 의미 있는 그룹을 도출한다. - GHSOM은 ‘스케치’ 단계부터 ‘세부’ 단계까지 다양한 해상도의 지식을 제공해 관광지 마케팅에 활용 가능하다. **실험 설계 및 결과** - 데이터: 히로시마 현에서 수집된 500여 건의 주관적 관광 데이터(위치, 평가, 코멘트, 사진). - 파이프라인: (1) 레벤슈타인 거리로 이미지 유사도 계산 → (2) CSAIM으로 이미지 군집 및 메모리 셀 생성 → (3) 인터랙티브 GHSOM으로 전체 데이터(텍스트·수치·이미지) 계층적 분류. - 평가 지표: 군집 품질(Q‑index), 학습 에폭, 분류 정확도, 숨은 관광 명소(소규모 클러스터) 탐지 여부. - 주요 결과: * 레벤슈타인 기반 이미지 전처리 후 군집 품질이 기존 무작위 처리 대비 12 % 향상. * CSAIM은 메모리 셀 활용으로 학습 에폭을 30 % 감소시키면서 정확도가 4 % 상승. * GHSOM은 자동으로 3개의 ‘숨은 관광 명소’ 클러스터를 추출했으며, 이는 현지 관광청이 별도로 관리하지 않던 소규모 명소들이다. **한계 및 향후 과제** - 레벤슈타인 거리 적용을 위해 픽셀 시퀀스를 강제 정의함으로써 복잡한 장면(다중 객체, 급격한 조명 변화)에서는 편집 비용이 급증할 가능성이 있다. - CSAIM 파라미터(변이율, 편집율, 메모리 셀 수 등)가 데이터 특성에 민감해 자동 튜닝 메커니즘이 필요하다. - 실험이 한 지역에 국한되고 비교 알고리즘이 부족해 일반화 가능성을 평가하기 어렵다. 향후 다지역·다문화 데이터셋과 딥러닝 기반 특징 추출을 결합한 하이브리드 모델을 검증할 계획이다. **결론** 레벤슈타인 거리 기반 이미지 유사도 측정과 면역학적 클론 선택 알고리즘을 결합한 전처리 단계가, 인터랙티브 GHSOM과 연계될 때 사진을 포함한 복합 주관 데이터의 자동 군집·분류에 큰 시너지를 만든다. 이는 모바일 참여 감시 환경에서 관광 정보 필터링 규칙을 자동 생성하고, 기존에 간과되던 ‘암묵적’ 관광지를 발굴하는 데 실용적인 솔루션을 제공한다. **