KR101054088B1 - 협업 필터링을 이용한 사용자 맞춤형 아이피 티브이 프로그램 자동 추천 방법 - Google Patents

협업 필터링을 이용한 사용자 맞춤형 아이피 티브이 프로그램 자동 추천 방법 Download PDF

Info

Publication number
KR101054088B1
KR101054088B1 KR1020090054825A KR20090054825A KR101054088B1 KR 101054088 B1 KR101054088 B1 KR 101054088B1 KR 1020090054825 A KR1020090054825 A KR 1020090054825A KR 20090054825 A KR20090054825 A KR 20090054825A KR 101054088 B1 KR101054088 B1 KR 101054088B1
Authority
KR
South Korea
Prior art keywords
viewer
program
viewers
programs
similar
Prior art date
Application number
KR1020090054825A
Other languages
English (en)
Other versions
KR20100096975A (ko
Inventor
김문철
김은희
표신지
Original Assignee
한국과학기술원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국과학기술원 filed Critical 한국과학기술원
Publication of KR20100096975A publication Critical patent/KR20100096975A/ko
Application granted granted Critical
Publication of KR101054088B1 publication Critical patent/KR101054088B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04H—BROADCAST COMMUNICATION
    • H04H60/00—Arrangements for broadcast applications with a direct linking to broadcast information or broadcast space-time; Broadcast-related systems
    • H04H60/29—Arrangements for monitoring broadcast services or broadcast-related services
    • H04H60/33—Arrangements for monitoring the users' behaviour or opinions
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04H—BROADCAST COMMUNICATION
    • H04H60/00—Arrangements for broadcast applications with a direct linking to broadcast information or broadcast space-time; Broadcast-related systems
    • H04H60/35—Arrangements for identifying or recognising characteristics with a direct linkage to broadcast information or to broadcast space-time, e.g. for identifying broadcast stations or for identifying users
    • H04H60/46—Arrangements for identifying or recognising characteristics with a direct linkage to broadcast information or to broadcast space-time, e.g. for identifying broadcast stations or for identifying users for recognising users' preferences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
    • H04N21/25866—Management of end-user data
    • H04N21/25891—Management of end-user data being end-user preferences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/4508—Management of client data or end-user data
    • H04N21/4532—Management of client data or end-user data involving end-user characteristics, e.g. viewer profile, preferences

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Social Psychology (AREA)
  • Computer Graphics (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 발명은 TV 또는 IP TV 서비스에서 시청자 단말에 방송 프로그램 정보를 추천하는 방법에 관한 것으로, 시청자가 단말에서 시청자의 취향에 맞는, 또는 시청자와 유사한 시청 취향을 갖는 시청자 그룹의 시청 프로그램으로부터 협업필터링을 이용한 프로그램을 추출하고 취향 선호도가 높은 순서로 정렬하여 취향 선호도가 높은 몇 개의 프로그램을 자동으로 추천한다. 뿐만 아니라 시청자의 방송 프로그램 시청 순서를 추론하여 맞춤형 개인 방송 프로그램 스케줄을 제시함으로써, 시청자가 방송 프로그램을 검색하고 선별하는 부담을 크게 줄일 수 있으며 개인 맞춤형 방송 프로그램의 제공으로 인해 방송 서비스의 효율이 더욱 개선되는 이점이 있다.
방송 프로그램 추천, 개인 맞춤형 방송 프로그램 스케줄, 협업 필터링, 순차 패턴 마이닝, 유사 시청자 클러스터링

Description

협업 필터링을 이용한 사용자 맞춤형 아이피 티브이 프로그램 자동 추천 방법 {A METHOD OF USER-CUSTOMIZED IP TV PROGRAM RECOMMENDATION USING COLLABORATION FILTERING}
본 발명은 아이피 티브이(IP TV)에서 사용자가 선호하는 프로그램을 추천하는 기술에 관한 것으로, 특히 사용자의 시청 선호도와 유사한 다른 사용자의 프로그램 시청 데이터에 대해 협업 필터링을 통해 사용자 맞춤형 방송 프로그램을 추천하고, 사용자의 시청 패턴을 분석하여 개인 맞춤 방송 프로그램 편성 정보를 제공하는데 적당하도록 한 협업 필터링을 이용한 사용자 맞춤형 아이피 티브이 프로그램 자동 추천 방법에 관한 것이다.
일반적으로, 인터넷 구매 사이트에서 물품 구매시에 추천대상 구매자와 유사 취향 사용자들이 구매한 물품들에 대해 협업 필터링을 이용하여 연관 있는 물품을 사용자에게 추천하여, 구매자의 물품 구매를 편리하게 하고 물품의 판매를 증대시키는 기법이 이용되고 있다.
전통적으로, 협업 필터링(collaborative filtering) 기법은 각 개인 사용자들의 물품 구매 내역을 기반으로, 개인 사용자와 유사한 구매취향을 가진 사용자들을 그 룹핑 한 후, 활동 사용자가 구매하지 않은 구매내역들에 대해 유사취향사용자들의 구매 아이템을 정렬하여 추천해주는 기법이다.
일반적으로, 협업 필터링은 사용자 개인이 별점이나 댓글과 같이 해당 구매 품목에 대해 명시적으로 표현한 선호도 값을 이용한다. 그런데, 현재 인터넷 프로토콜 텔레비전(IPTV: Internet Protocol Television) 환경에서 사용자로 하여금 시청한 프로그램 콘텐츠에 대한 선호도를 명시적으로 입력하도록 요구하는 것은 매우 어렵고 사용자를 번거롭게 하여 신뢰할 수 있는 선호도에 대한 데이터 수집이 용이하지 않다.
이는 IP TV 단말의 사용자(이하, '시청자'라 칭함)가 입력을 위한 인터페이스가 아직 편이성을 제공하지 못하고 있는 것과 연관성이 있어 협업 필터링을 IP TV 서비스 적용하는데 걸림돌로 작용하고 있다. 뿐만 아니라, 대부분의 방법들은 사용자 자신의 시청 프로그램 데이터만을 이용하여 개인 맞춤형 프로그램 추천을 함으로써 시청자 자신이 알지 못하는, 시청한 경험이 없는 프로그램 콘텐츠에 대한 자동 추천을 할 수 없는 한계점을 가지고 있다.
따라서, 본 발명의 목적은 IP TV 시청자들을 시청 취향이 비슷한 시청자들끼리 하나 이상의 그룹으로 그룹핑하고 추천 대상 시청자와 시청 취향이 비슷한 유사 시청자 그룹의 프로그램 시청 히스토리 데이터와 추천 대상 시청자의 프로그램 시청 히스토리 데이터를 협업 필터링하여 후보 추천 방송 프로그램 콘텐츠를 선별한 후 순위 정렬 모델을 이용하여 우선순위와 추천 순위가 높은 순서대로 추천하는데 있다.
본 발명의 다른 목적은 시청자가 방송 프로그램을 시청할 때에 요일별/시간대별 방송 프로그램 시청 순서 패턴을 가지고 있는 점을 감안하여 시청자의 프로그램 시청 히스토리 데이터를 순차패턴 마이닝 기법을 적용하여 개인 맞춤형 방송 프로그램 시청 순서 편성 정보를 제공하는데 있다.
본 발명의 목적들은 앞에서 언급한 목적으로 제한되지 않는다. 본 발명의 다른 목적 및 장점들은 아래 설명에 의해 더욱 분명하게 이해될 것이다.
상기와 같은 목적을 달성하기 위한 본 발명의 제1 측면은, 다수 IP TV 시청자의 방송 프로그램 시청 히스토리 데이터에 대해 프로그램 선호도, 장르 선호도 및 채널 선호도 중에서 하나 이상 고려하여 하나 이상의 유사 시청자 그룹으로 다수 IP TV 시청자들을 그룹핑하고 유사 시청자 그룹들에 추천 대상 시청자와 가장 유사한 시청자 그룹을 찾는 방법을 제공하는 것이다.
본 발명의 제2 측면은, 시청자의 방송 프로그램에 대한 관심도를 나타내는 별점을 입력으로 요청하는 명시적 방법 대신 시청자의 방송 프로그램 시청 시간의 길이 및 횟수를 고려하여 해당 방송 프로그램에 대한 선호도를 묵시적으로 계산하고, 이를 바탕으로 관심 프로그램 콘텐츠를 추출하는 방법을 사용하여 추천 대상 시청자와 시청 취향이 비슷한 유사 시청자 그룹의 프로그램 시청 히스토리 데이터와 추천 대상 시청자의 프로그램 시청 히스토리 데이터에 대한 협업 필터링을 수행하여 후보 추천 방송 프로그램 콘텐츠를 선별하여 추천 후보 프로그램을 생성하는 방법을 제공하는 것이다.
본 발명의 제3 측면은, 상기 선별된 추천 후보 프로그램들에 대해 순위 정렬 모델을 적용하여 추천 우선순위를 결정하여 상위 하나 이상의 프로그램을 추천함으로써 IP TV 시청자로 하여금 추천된 프로그램에 용이하게 접근할 수 있도록 하는 방법을 제공하는 것이다.
본 발명의 제4 측면은, 유사 취향 시청자 그룹과 IP TV 시청자의 요일별/시간대별 시청 순서 패턴을 순차 패턴 마이닝 기법을 이용하여 개인 맞춤 프로그램 편성을 추천함으로써 IP TV 시청자가 프로그램 시청 중에 채널 변경을 통한 선호 프로그램을 일일이 찾아보는 번거로움을 줄여 선호 프로그램에 접근이 용이하도록 하는 방법을 제공하는 것이다.
본 발명의 제5 측면은, (a) 다수의 시청자들을 하나 이상의 유사 시청자 그룹 단위로 그룹핑하는 단계; (b) IP TV 단말에 시청자가 로그인 하는 것을 확인하는 단계; (c) 상기 IP TV 단말에 로그인한 시청자에 대해 상기 유사 시청자 그룹들 중 에 하나 이상의 가장 유사 시청자 그룹을 선별하는 단계; (d) 상기 선별된 유사 시청자 그룹들의 프로그램 시청 히스토리 데이터와 상기 IP TV 단말에 로그인한 시청자의 히스토리 데이터에 대해 협업 필터링을 이용하여 추천 후보 프로그램들을 검출하는 단계; (e) 상기 검출된 추천 후보 프로그램들에 대해 순위 정렬을 통해 추천 순위를 결정하고 추천순위가 높은 하나 이상의 추천 후보 프로그램들을 최종 추천 프로그램으로 상기 IP TV 단말에 추천하는 단계;를 포함하여 이루어지는 것을 특징으로 한다.
상기 단계(a)에서 다수의 시청자들을 하나 이상의 유사 시청자 그룹 단위로 그룹핑할 때 한 명의 시청자가 하나 이상의 유사 시청자 그룹에 속할 수 있도록 하기 위해서 퍼지 클러스터링을 사용하는 것을 특징으로 한다.
상기 단계(d)에서 추천 후보 프로그램은 시청자가 전체 프로그램 분량 중 10% 이상 시청한 프로그램인 것을 특징으로 한다.
본 발명의 제6 측면은, (a) 다수의 시청자들을 하나 이상의 유사 시청자 그룹 단위로 그룹핑하는 단계; (b) IP TV 단말에 시청자가 로그인 하는 것을 확인하는 단계; (c) 상기 IP TV 단말에 로그인한 시청자에 대해 상기 유사 시청자 그룹들 중에 하나 이상의 가장 유사 시청자 그룹을 선별하는 단계; (d') 상기 선별된 유사 시청자 그룹들의 프로그램 시청 히스토리 데이터와 상기 IP TV 단말에 로그인한 시청자의 히스토리 데이터에 대해 순차 패턴 마이닝을 이용하여 추천 프로그램들을 시간 순서로 구성하는 단계; (e') 상기 시간 순서로 정렬된 프로그램들을 프로그램 편성표 형태로 제시하는 단계;를 포함하는 것을 특징으로 한다.
상기 단계(d')에서, 추천 프로그램들을 시간 순서로 구성할 때 시청자의 프로그램 선호도를 고려하여 결정하는 것을 특징으로 한다.
상기 단계(d')에서 추천 프로그램들을 시간 순서로 구성할 때, 빈발 시청 프로그램을 프로그램 시청 히스토리 데이터에서 추출하여 구성하는 것을 특징으로 한다.
본 발명의 제7 측면은, 개인 맞춤 프로그램 자동 추천에서 프로그램 자동 추천을 실행시키기 위한 프로그램을 기록한 기록매체를 제공한다.
본 발명은 추천 대상 시청자와 시청 취향이 비슷한 유사 시청자 그룹의 프로그램 시청 히스토리 데이터와 추천 대상 시청자의 프로그램 시청 히스토리 데이터를 협업 필터링하여 후보 추천 방송 프로그램 콘텐츠를 선별한 후 순위 정렬 모델을 이용하여 우선순위와 추천 순위가 높은 순서대로 IP TV 단말에 방송 프로그램 콘텐츠 추천함으로써 시청자의 프로그램 선택의 용이성 및 해당 프로그램 콘텐츠로의 접근이 매우 용이하게 되는 이점 있다.
또한, 본 발명에 따르면, 시청자가 방송 프로그램을 시청할 때에 요일별/시간대별 방송 프로그램 시청 순서 패턴을 가지고 있는 점을 감안하여 시청자의 프로그램 시청 히스토리 데이터를 순차패턴 마이닝 기법을 적용하여 개인 맞춤형 방송 프로그램 시청 순서 편성을 제공함으로써 시청자의 방송 프로그램 접근이 용이하게 되고, 이로 인하여 프로그램 시청 편이성이 향상되는 이점이 있다.
이하, 첨부 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다. 그러나, 다음에 예시하는 본 발명의 실시예는 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 다음에 상술하는 실시예에 한정되는 것은 아니다. 본 발명의 실시예는 당업계에서 통상의 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위하여 제공되는 것이다.
본 발명에서는 시청자의 IP TV 프로그램 콘텐츠에 대한 선호도를 IP TV 프로그램 전체 방영횟수 대비 관심 시청 횟수로 정의 한다. 이 때, 관심 시청 대상 프로그램으로 고려되기 위해서는 프로그램 방영 길이 대비, 실제 시청 길이가 전체의 10% 이상인 것을 기준으로 한다. 이는 채널을 변경하는 도중에 잠깐 동안 시청한 프로그램들은 관심 프로그램에서 제외함으로써 신뢰도를 증가시키기 위함이다. 그리고, 뉴스 및 드라마와 같이 하나의 타이틀로 연속 방영 되는 시리즈물 프로그램들은 하나의 프로그램으로 간주한다. 다시 말해서, 시청자
Figure 112009037172980-pat00001
의 프로그램
Figure 112009037172980-pat00002
에 대한 프로그램 선호도
Figure 112009037172980-pat00003
는 다음의 [수학식]과 같이 정의한다.
Figure 112009037172980-pat00004
Figure 112009037172980-pat00005
Figure 112009037172980-pat00006
여기서,
Figure 112009037172980-pat00007
는 시청자
Figure 112009037172980-pat00008
의 프로그램
Figure 112009037172980-pat00009
의 관심 시청 여부를 0 또는 1로 나타내며,
Figure 112009037172980-pat00010
는 시청자
Figure 112009037172980-pat00011
의 개별 프로그램
Figure 112009037172980-pat00012
로 이루어진 시리즈물 전체 프로그램
Figure 112009037172980-pat00013
의 총 시청 횟수를 나타낸다.
Figure 112009037172980-pat00014
는 시리즈물 전체 프로그램
Figure 112009037172980-pat00015
의 총 방송 횟수를 나타낸다. 그리고
Figure 112009037172980-pat00016
는 프로그램
Figure 112009037172980-pat00017
의 방영 길이를 나타내고
Figure 112009037172980-pat00018
는 시청자
Figure 112009037172980-pat00019
가 프로그램을 실제 시청한 길이를 나타낸다.
선호도는 상기 프로그램에 대한 선호도를 이용하여 프로그램이 속한 장르의 선호도 값을 더하여 계산된다. 그리고 이 장르 선호도 값은 모든 장르에 속한 선호도 값을 더한 값으로 나누어 정규화한다. 전체 장르 개수를
Figure 112009037172980-pat00020
라 할 때, 장르
Figure 112009037172980-pat00021
에 대한 시청자
Figure 112009037172980-pat00022
의 선호도
Figure 112009037172980-pat00023
를 다음의 [수학식 4]와 같이 정의한다.
Figure 112009037172980-pat00024
상기 장르 선호도를 계산한 것과 같은 방법으로, 전체 채널의 개수를
Figure 112009037172980-pat00025
라 할 때, 시청자
Figure 112009037172980-pat00026
의 채널
Figure 112009037172980-pat00027
에 대한 선호도
Figure 112009037172980-pat00028
는 다음의 [수학식 5]와 같이 정의한다.
Figure 112009037172980-pat00029
많은 수의 시청자들을 클러스터링할 때, 계산의 효율성을 고려한 합리적인 크기의 단위가 필요하다. 도메인 정보나 위치정보를 사용하여서 시청자들을 일정 수의 기본 단위로 나눌 수 있다. 그리고, 이 단위를 유사 취향 시청자 그룹의 크기로 정할 수 있다. 클러스터링을 위해 널리 사용 되는 기술로 C-means 클러스터링이나 여러 개의 클러스터의 멤버로 속하는 요소가 있을 수 있는 동적 퍼지 클러스터링 기법이 있다.
클러스터 각각의 선호도 계산을 위해, 각 클러스터의 장르에 대한 선호도는 해당 클러스터에 속하는 시청자들의 장르에 대한 선호도를 합한 것으로 계산할 수 있다. 그리고, 클러스터 내의 시청자 수로 나누어 정규화 한다. 같은 방법으로 클러스터의 채널에 대한 선호도와 시청 시간에 대한 선호도를 계산한다. 각 클러스터의 장르에 대한 선호도
Figure 112009037172980-pat00030
와 채널에 대한 선호도
Figure 112009037172980-pat00031
는 다음의 [수학식 6],[수학식 7]과 같이 정의한다.
Figure 112009037172980-pat00032
Figure 112009037172980-pat00033
IP TV 시청자 단말을 통해 로그인 한 시청자는 활동 시청자가 되고 멤버십을 갖는 유사 취향 시청자 그룹이 결정된다. 해당 유사 취향 시청자 그룹에서 시청 취향이 유사한 시청자를 구체적으로 추출하는 과정을 거치게 된다. 활동 시청자와 유사 취향 시청자 그룹의 시청자간 유사도 측정방법으로써 PCC(Pearson Correlation Coefficient)가 사용될 수 있다. PCC는 계산시 시청자의 선호도 값은 평균 선호도 값으로 감산하여 정규화한 값을 기본 벡터로 사용한다.
활동 시청자가 시청한 프로그램 콘텐츠의 리스트를 활동시청자
Figure 112009037172980-pat00034
의 선호도 프로파일
Figure 112009037172980-pat00035
로 정의 한다.
Figure 112009037172980-pat00036
에 대해 활동시청자의 선호도 값과 추출된 유사 취향 시청자 그룹의 각 멤버간의 선호도에 대한 유사도를 계산한다. 이 과정을 통해, 활동 시청자와 선호도가 유사한 시청자를 추출한다. 활동 시청자
Figure 112009037172980-pat00037
와 시청자
Figure 112009037172980-pat00038
간의 유사도
Figure 112009037172980-pat00039
는 다음의 [수학식 8]과 같이 측정된다.
Figure 112009037172980-pat00040
여기서,
Figure 112009037172980-pat00041
은 활동시청자가 관심을 보인 시청 프로그램들을 나타내며,
Figure 112009037172980-pat00042
은 시청자
Figure 112009037172980-pat00043
의 프로그램
Figure 112009037172980-pat00044
에 대한 선호도 값이고,
Figure 112009037172980-pat00045
은 시청자
Figure 112009037172980-pat00046
의 평균 시청 선호도이다. 그리고,
Figure 112009037172980-pat00047
는 활동 시청자
Figure 112009037172980-pat00048
가 시청한 관심 프로그램 집합을 나타낸다.
활동 시청자와 시청 취향이 유사한 시청자들을 선별한 후, 이들이 선호하는 시청 프로그램들은 추천을 위한 후보 프로그램으로 선정된다. 실시간 방송 프로그램을 추천할 경우, EPG 정보를 통해 접근 가능한 프로그램만을 선별할 수 있다. IP TV 와 같이 VOD 형태의 프로그램 콘텐츠를 포함하는 경우, EPG는 최근 프로그램이 어떤 것인 지에 대한 정보로 사용 가능 하다.
먼저, 검색 결과 후보 문서
Figure 112009037172980-pat00049
와 질의어
Figure 112009037172980-pat00050
의 관계를 추천 후보 프로그램
Figure 112009037172980-pat00051
와 활동 시청자
Figure 112009037172980-pat00052
와의 관계로 재해석 한다. 그리고, 활동 시청자
Figure 112009037172980-pat00053
를 활동시청자가 선호하는 프로그램의 프로파일
Figure 112009037172980-pat00054
로 대체함으로써, 추천 후보 프로그램
Figure 112009037172980-pat00055
와 활동 시청자 시청 선호 프로그램
Figure 112009037172980-pat00056
간의 관계는 다음 [수학식 9]로 정의된다.
Figure 112009037172980-pat00057
여기서,
Figure 112009037172980-pat00058
Figure 112009037172980-pat00059
은
Figure 112009037172980-pat00060
프로그램들의 전체 방영 횟수를, 그리고
Figure 112009037172980-pat00061
은
Figure 112009037172980-pat00062
프로그램의 방영 횟수를 나타낸다.
Figure 112009037172980-pat00063
는 앞에서 설명된 바와 같이 추출된 후보 프로그램들을 나타내 며,
Figure 112009037172980-pat00064
는
Figure 112009037172980-pat00065
에 속하는 활동 시청자의 선호 프로그램을 의미한다.
Figure 112009037172980-pat00066
는 유사 취향 시청자들
Figure 112009037172980-pat00067
의 전체 프로그램
Figure 112009037172980-pat00068
시청 횟수 대비,
Figure 112009037172980-pat00069
와
Figure 112009037172980-pat00070
두 프로그램을 시청한 시청자들의 시청횟수의 합의 비율을 나타낸다. 이 때, 유사 취향 시청자들의 명수를
Figure 112009037172980-pat00071
라 하면, 프로그램을 시청한 횟수의 비율은 다음의 [수학식 10]으로 정의된다.
Figure 112009037172980-pat00072
Figure 112009037172980-pat00073
는 활동 시청자의 프로그램
Figure 112009037172980-pat00074
시청 횟수 대비,
Figure 112009037172980-pat00075
프로그램을 시청한 횟수의 비율을 의미한다.
Figure 112009037172980-pat00076
는 두 아이템
Figure 112009037172980-pat00077
와
Figure 112009037172980-pat00078
간의 유사도에 대한 가중치로, 시청자-아이템(User-Item) 매트릭스에서 VCC(Vector Cosine Correlation) 방법으로 다음의 [수학식 11]과 같이 측정된다.
Figure 112009037172980-pat00079
한편, 도 1을 참조하여 본 발명에 따른 협업 필터링을 이용한 시청자 맞춤형 아 이피 티브이 프로그램 자동 추천 방법의 실시예에 대한 처리과정을 설명하면 다음과 같다.
평상시 IP TV 시청자 데이터베이스(1)를 참조하여 다수의 시청자들을 하나 이상의 유사 시청자 그룹 단위로 그룹핑을 수행한다.(SA1)
시청자가 단말에 로그인하는지 확인하여 로그인하는 것으로 판명되면, 그 로그인한 시청자에 대해 상기 유사 시청자 그룹들 중에 하나 이상의 가장 유사 시청자 그룹을 선별한다.(SA2,SA3)
상기 선별된 유사 시청자 그룹들의 프로그램 시청 히스토리 데이터와 상기 IP TV 단말에 로그인한 시청자의 히스토리 데이터에 대해 협업 필터링을 이용하여 추천 후보 프로그램들을 선별한다.(SA4,SA5)
이후, 상기 선별된 추천 후보 프로그램들에 대해 순위 정렬을 통해 추천 순위를 결정하고, 추천순위가 높은 하나 이상의 추천 후보 프로그램들을 최종 추천 프로그램으로 상기 IP TV 단말에 추천한다.(SA6,SA7)
한편, 도 2를 참조하여 본 발명에 따른 협업 필터링을 이용한 시청자 맞춤형 아이피 티브이 프로그램 자동 추천 방법의 다른 실시예에 대한 처리과정을 설명하면 다음과 같다.
평상시 IP TV 시청자 데이터베이스(1)를 참조하여 다수의 시청자들을 하나 이상의 유사 시청자 그룹 단위로 그룹핑을 수행한다.(SB1)
시청자가 단말에 로그인하는지 확인하여 로그인하는 것으로 판명되면, 그 로그인한 시청자에 대해 상기 유사 시청자 그룹들 중에 하나 이상의 가장 유사 시청자 그룹을 선별한다.(SB2,SB3)
상기 선별된 유사 시청자 그룹들의 프로그램 시청 히스토리 데이터와 상기 IP TV 단말에 로그인한 시청자의 히스토리 데이터에 대해 순차 패턴 마이닝을 이용하여 추천 후보 프로그램들을 시간 순서대로 배열한다.(SB4,SB5)
이후, 상기 시간 순서로 정렬된 프로그램들을 프로그램 편성표 형태로 상기 IP TV 단말에 제시(추천)한다.(SB6)
한편, 본 발명의 실시예에 따른 개인 맞춤 프로그램 자동 추천 방법은 또한 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현되는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다.
예컨대, 컴퓨터가 읽을 수 있는 기록매체로는 롬(ROM), 램(RAM), 시디-롬(CD-ROM), 자기 테이프, 하드디스크, 플로피디스크, 이동식 저장장치, 비휘발성 메모리(Flash Memory), 광 데이터 저장장치 등이 있으며, 또한 캐리어 웨이브(예를 들면, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함된다.
또한, 컴퓨터로 읽을 수 있는 기록매체는 컴퓨터 통신망으로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 읽을 수 있는 코드로서 저장되고 실행될 수 있다.
전술한 본 발명에 따른 개인 맞춤 프로그램 자동 추천 방법에 대한 바람직한 실시예에 대하여 설명하였지만, 본 발명은 이에 한정되는 것이 아니고 특허청구범위와 발명의 상세한 설명 및 첨부한 도면의 범위 안에서 여러 가지로 변형하여 실시하는 것이 가능하고 이 또한 본 발명에 속한다.
이상에서 본 발명의 바람직한 실시예에 대하여 상세히 설명하였지만, 본 발명의 권리범위가 이에 한정되는 것이 아니라 다음의 청구범위에서 정의하는 본 발명의 기본 개념을 바탕으로 보다 다양한 실시예로 구현될 수 있으며, 이러한 실시예들 또한 본 발명의 권리범위에 속하는 것이다.
도 1은 본 발명에 따른 협업 필터링을 이용한 시청자 맞춤형 아이피 티브이 프로그램 자동 추천 방법의 실시예에 대한 흐름도.
도 2는 본 발명에 따른 협업 필터링을 이용한 시청자 맞춤형 아이피 티브이 프로그램 자동 추천 방법의 다른 실시예에 대한 흐름도.
***도면의 주요 부분에 대한 부호의 설명***
1 : IP TV 시청자 데이터베이스

Claims (8)

  1. IP TV 단말에 시청자가 선호하는 프로그램을 추천하는 방법에 있어서,
    (a) 한 명의 시청자가 하나 이상의 유사 시청자 그룹에 속할 수 있도록 하기 위해서 퍼지 클러스터링을 사용하여 다수의 시청자들을 하나 이상의 유사 시청자 그룹 단위로 그룹핑하는 단계;
    (b) IP TV 단말에 시청자가 로그인 하는 것을 확인하는 단계;
    (c) 상기 IP TV 단말에 로그인한 시청자에 대해 상기 유사 시청자 그룹들 중에 하
    나 이상의 가장 유사 시청자 그룹을 선별하는 단계;
    (d) 상기 선별된 유사 시청자 그룹들의 프로그램 시청 히스토리 데이터와 상기 IP TV 단말에 로그인한 시청자의 히스토리 데이터에 대해 협업 필터링을 이용하여 추천 후보 프로그램들을 검출하는 단계;
    (e) 상기 검출된 추천 후보 프로그램들에 대해 순위 정렬을 통해 추천 순위를 결정하고 추천순위가 높은 하나 이상의 추천 후보 프로그램들을 최종 추천 프로그램으로 상기 IP TV 단말에 추천하는 단계;를 포함하여 이루어지는 것을 특징으로 하는 협업 필터링을 이용한 사용자 맞춤형 아이피 티브이 프로그램 자동 추천 방법.
  2. 삭제
  3. 제1항에 있어서, 상기 단계(c)에서 유사 시청자 그룹을 선별하기 위하여, 다음의 [수학식]을 이용하여 활동 시청자
    Figure 112009037172980-pat00080
    와 시청자
    Figure 112009037172980-pat00081
    간의 유사도
    Figure 112009037172980-pat00082
    를 구하는 것을 특징으로 하는 협업 필터링을 이용한 사용자 맞춤형 아이피 티브이 프로그램 자동 추천 방법.
    Figure 112009037172980-pat00083
    여기서,
    Figure 112009037172980-pat00084
    은 활동시청자가 관심을 보인 시청 프로그램,
    Figure 112009037172980-pat00085
    은 시청자
    Figure 112009037172980-pat00086
    의 프로그램
    Figure 112009037172980-pat00087
    에 대한 선호도 값,
    Figure 112009037172980-pat00088
    은 시청자 의 평균 시청 선호도,
    Figure 112009037172980-pat00089
    는 활동 시청자
    Figure 112009037172980-pat00090
    가 시청한 관심 프로그램 집합.
  4. 제1항에 있어서, 상기 단계(d)에서 추천 후보 프로그램은 시청자가 전체 프로그램 분량 중 10% 이상 시청한 프로그램인 것을 특징으로 하는 협업 필터링을 이용한 사용자 맞춤형 아이피 티브이 프로그램 자동 추천 방법.
  5. IP TV 단말에 시청자가 선호하는 프로그램을 추천하는 방법에 있어서,
    (a) 다수의 시청자들을 하나 이상의 유사 시청자 그룹 단위로 그룹핑하는 단계;
    (b) IP TV 단말에 시청자가 로그인 하는 것을 확인하는 단계;
    (c) 상기 IP TV 단말에 로그인한 시청자에 대해 상기 유사 시청자 그룹들 중에 하나 이상의 가장 유사 시청자 그룹을 선별하는 단계;
    (d') 상기 선별된 유사 시청자 그룹들의 프로그램 시청 히스토리 데이터와 상기 IP TV 단말에 로그인한 시청자의 히스토리 데이터에 대해 순차 패턴 마이닝을 이용하여, 시청자의 프로그램 선호도를 고려하여 결정된 추천 프로그램들을 시간 순서로 구성하는 단계;
    (e') 상기 시간 순서로 정렬된 프로그램들을 프로그램 편성표 형태로 제시하는 단계;를 포함하는 것을 특징으로 하는 순차 패턴 마이닝을 이용한 개인 맞춤 프로그램을 자동 편성하는 방법.
  6. 삭제
  7. 제5항에 있어서, 상기 단계(d')에서 추천 프로그램들을 시간 순서로 구성할 때, 빈발 시청 프로그램을 프로그램 시청 히스토리 데이터에서 추출하여 구성하는 것을 특징으로 하는 순차 패턴 마이닝을 이용한 개인 맞춤 프로그램을 자동 편성하는 방법.
  8. 청구항 8은(는) 설정등록료 납부시 포기되었습니다.
    제 1항 또는 제3항의 방법을 컴퓨터로 실행시킬 수 있는 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
KR1020090054825A 2009-02-25 2009-06-19 협업 필터링을 이용한 사용자 맞춤형 아이피 티브이 프로그램 자동 추천 방법 KR101054088B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020090015855 2009-02-25
KR20090015855 2009-02-25

Publications (2)

Publication Number Publication Date
KR20100096975A KR20100096975A (ko) 2010-09-02
KR101054088B1 true KR101054088B1 (ko) 2011-08-03

Family

ID=43004437

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020090054825A KR101054088B1 (ko) 2009-02-25 2009-06-19 협업 필터링을 이용한 사용자 맞춤형 아이피 티브이 프로그램 자동 추천 방법

Country Status (1)

Country Link
KR (1) KR101054088B1 (ko)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101802332B1 (ko) * 2010-11-25 2017-12-29 삼성전자주식회사 컨텐츠 제공 방법 및 그 시스템
KR101357609B1 (ko) * 2012-12-12 2014-02-04 에스케이플래닛 주식회사 지역 정보 기반의 개인 라디오 방송 서비스 제공 장치 및 방법, 이를 위한 개인 방송 단말
KR102104355B1 (ko) 2013-08-30 2020-05-29 엘지전자 주식회사 영상 표시 기기 및 그 동작 방법
CN103957434B (zh) * 2014-04-03 2017-05-10 三星电子（中国）研发中心 推荐节目的方法和设备
KR20160064447A (ko) 2014-11-28 2016-06-08 이종찬 협력적 필터링의 예측 선호도를 이용한 처음 사용자에 대한 추천 제공 방법
KR20160064446A (ko) 2014-11-28 2016-06-08 이종찬 선호 점수를 이용한 협력적 필터링 기반 선호도 예측 방법
KR20160064448A (ko) 2014-11-28 2016-06-08 이종찬 유사 집합의 예상 선호도 대비 기반 아이템 추천 제공 방법
EP3096514A1 (en) * 2015-05-22 2016-11-23 Samsung Electronics Co., Ltd Display apparatus and remote control apparatus
KR102611422B1 (ko) * 2016-07-22 2023-12-07 삼성전자주식회사 디스플레이 장치 및 그 컨텐츠 추천 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050053345A (ko) * 2003-12-02 2005-06-08 소니 가부시끼 가이샤 정보 처리 장치 및 정보 처리 방법, 및 컴퓨터·프로그램
KR20090010866A (ko) * 2007-07-24 2009-01-30 삼성전자주식회사 복합 알고리즘 이용한 정보 추천 방법 및 장치

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050053345A (ko) * 2003-12-02 2005-06-08 소니 가부시끼 가이샤 정보 처리 장치 및 정보 처리 방법, 및 컴퓨터·프로그램
KR20090010866A (ko) * 2007-07-24 2009-01-30 삼성전자주식회사 복합 알고리즘 이용한 정보 추천 방법 및 장치

Also Published As

Publication number Publication date
KR20100096975A (ko) 2010-09-02

Similar Documents

Publication Publication Date Title
KR101054088B1 (ko) 협업 필터링을 이용한 사용자 맞춤형 아이피 티브이 프로그램 자동 추천 방법
Barragáns-Martínez et al. A hybrid content-based and item-based collaborative filtering approach to recommend TV programs enhanced with singular value decomposition
JP4636147B2 (ja) 情報処理装置および方法、プログラム、並びに記録媒体
US9491509B2 (en) Assessing digital content across a communications network
US9473730B1 (en) Method and system for personalized recommendation modeling
Martinez et al. What's on TV tonight? An efficient and effective personalized recommender system of TV programs
KR100881107B1 (ko) 전자 장치, 그 정보 열람 방법 및 정보 열람 프로그램을기록한 컴퓨터 판독가능한 기록 매체
US20030131355A1 (en) Program guide system
EP2763421A1 (en) A personalized movie recommendation method and system
CN103563275B (zh) 确定媒体资源的使用的方法和装置
US20170318344A9 (en) Ranking User Search and Recommendation Results for Multimedia Assets Using Metadata Analysis
US9465863B2 (en) Content-providing method and system
CN102089782A (zh) 推荐器***
US20140282709A1 (en) Relevant video content pushed to a mobile phone
EP1891588A1 (en) Method and apparatus for estimating total interest of a group of users directing to a content
JP4370850B2 (ja) 情報処理装置および方法、プログラム、並びに記録媒体
JP2006526817A (ja) プロフィールに基づく協調フィルタリングを実行する装置及び方法
An et al. Towards automatic persona generation using social media
KR101755653B1 (ko) 사용자 맞춤형 웹툰 자동 추천 시스템 및 방법
KR20120020949A (ko) 방송 선호 정보를 제공하기 위한 방법 및 장치
Soares et al. TV Recommendation and Personalization Systems: integrating broadcast and video on-demand services
CN101931767B (zh) 一种基于收视习惯分析自动定制电子广告目录的***
US9843829B2 (en) Method and system for efficiently compiling media content items for a media-on-demand platform
KR101286427B1 (ko) 방송 콘텐츠 추천 장치 및 방법
Konow et al. Recommender system for contextual advertising in IPTV scenarios

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
N231 Notification of change of applicant
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20140630

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20150629

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20160627

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20170627

Year of fee payment: 7

LAPS Lapse due to unpaid annual fee