현재 사용자 중심의 웹 2.0 기반 애플리케이션은 웹 1.0을 대체해 왔다. 사용자는 대화형 네트워크 애플리케이션을 통해 정보를 얻고 제공한다. 그 결과, 사용자의 선호도 프로파일을 구축하기 위해 사용자의 로컬 문서 운영 행위와 네트워크 탐색 행위만을 추출하고 분석하는 전통적인 접근 방식은 사용자의 관심사를 충분히 반영할 수 없다. 이에 본 논문에서는 MicroBlog에서의 읽기, 전달 및 @ 행위와 같은 사용자의 커뮤니케이션 정보를 기반으로 한 선호도 분석 및 표시 방법을 제안하고, 개선된 PersonalRank 기법을 사용하여 네트워크 내에서 한 사용자가 다른 사용자들에 대해 갖는 중요도를 분석한다. 또한 사용자의 커뮤니케이션 행위를 바탕으로 사용자 선호도에서 항목들의 가중치를 갱신한다. 시뮬레이션 결과, 제안한 방법은 11SPR 값 측면에서 온톨로지 모델, TREC 모델, 범주 모델보다 우수한 성능을 보였다.

본 연구는 웹 소프트웨어의 복잡도와 객체지향 프로그래밍 측정자인 클래스 수(NOC), 메서드 수(NOM)와의 상관관계를 통하여 순환복잡도를 정량적으로 분석하고자 한다. 웹 환경에서 소프트웨어의 복잡도, NOC, NOM의 빈도분포를 근거로 복잡도한계값과 NOC한계값, 복잡도 한계값과 NOM한계값의 상관관계를 파악하기 위하여 실제 사용되는 10개의 웹 프로젝트에서 4,000여개의 ASP 파일이 표본으로 사용되었다. 실험 결과 NOC한계값은 21, NOM한계값은 40이었고 복잡도는 68의 높은 값을 보였으며 10개의 프로젝트 중 NOC, NOM이 특히 높은 빈도를 보이는 2개의 프로젝트를 제외한 8개의 프로젝트는 NOC한계값은 12, NOM한계값은 21이었고 복잡도 한계값도 52의 상대적으로 낮은 값을 나타내 상관관계가 있는 것으로 판명이 되었다. 또한 복잡도, NOC, NOM의 한계값이 낮은 8개의 프로젝트는 내부 관리 소프트웨어이었고 나머지 2개의 프로젝트는 외부 매매 서비스 소프트웨어임이 밝혀져 업무 특성에 따라 설계 단계에서 클래스 수, 메서드 수가 결정됨에 따라 복잡도도 미리 추정할 수 있어 품질 향상에 기여할 수 있을 것이다. 본 연구에서는 웹 소프트웨어의 순환복잡도(Cyclomatic Complexity)를 객체지향 프로그래밍 측정자인 클래스 수(Number of Classes, NOC)와 메서드 수(Number of Methods, NOM) 및 복잡도 간의 상관관계를 통해 정량적으로 분석하였다. 웹 환경에서 소프트웨어의 복잡도, NOC 및 NOM의 빈도분포에 근거하여 복잡도 한계값과 NOC 한계값, NOM 한계값 간의 상관관계를 산정하였으며, 10개 웹 실제 프로젝트에서 4,000여 개의 ASP 파일을 표본으로 사용하였다. 실증 결과 NOC 한계값은 21, NOM 한계값은 40이며 복잡도 한계값은 68로 높은 값을 보였고, 특히 NOC 및 NOM의 빈도분포가 높은 2개 프로젝트를 제외한 10개 중 8개 프로젝트는 NOC 한계값이 12, NOM 한계값이 21이며 복잡도 한계값도 52로 상대적으로 낮은 값을 나타내 상관관계가 존재하는 것으로 확인되었다. 또한 복잡도, NOC, NOM의 한계값이 낮은 8개 프로젝트는 내부 관리 소프트웨어였으며, 나머지 2개 프로젝트는 외부 판매 서비스 소프트웨어로 밝혀졌다. 업무 특성에 따라 설계 단계에서 클래스 수와 메서드 수를 정의할 수 있으며, 이에 따라 소프트웨어 품질 향상을 위해 복잡도 역시 미리 추정할 수 있다.

전 세계적으로 널리 적용되는 패러다임을 일반화하는 데 있어 중요한 쟁점 중 하나는 사용자 중심의 지능형 유비쿼터스 컴퓨팅 시스템을 개발하는 것이다. 사용자와 장치 간에 지식을 공유하고 정확한 의사소통을 수행할 수 있어야 하며, 연속적으로 변화하는 맥락 정보를 인지하고, 사용자에게 적합한 서비스를 추론할 필요가 있다. 본 논문의 목적은 각 장치가 사용자와 장치 간 상호작용을 위해 제공하는 서비스 또는 데이터의 의미를, 의미적 관계와 추론에 기반하여 효율적으로 기술하고 관리하는 것이다. 본 논문에서는 OWL을 사용하여 의미 데이터를 표현하고, 유비쿼터스 기반 지능형 시스템을 설계한다. 각 하위 시스템에서 분류된 질의를 처리하기 위한 몇 가지 인덱스 구조와 전략을 제안하며, 의미 데이터에서 클래스와 자원을 식별하기 위해 라벨링 방식을 채택한다. 제안된 전략을 활용함으로써 다양한 사용자의 요청을 정확하고 신속하게 만족하는 장치를 찾을 수 있다.