KR101143508B1 - Method For Personalized Multi Recommendation Learning - Google Patents
Method For Personalized Multi Recommendation Learning Download PDFInfo
- Publication number
- KR101143508B1 KR101143508B1 KR1020070112449A KR20070112449A KR101143508B1 KR 101143508 B1 KR101143508 B1 KR 101143508B1 KR 1020070112449 A KR1020070112449 A KR 1020070112449A KR 20070112449 A KR20070112449 A KR 20070112449A KR 101143508 B1 KR101143508 B1 KR 101143508B1
- Authority
- KR
- South Korea
- Prior art keywords
- preference
- content
- learning
- recommendation
- user
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 239000000284 extract Substances 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 2
- 230000004044 response Effects 0.000 claims 3
- 238000004364 calculation method Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
본 발명은 개인 맞춤형 다중 추천 방법 학습을 이용하여 추천 성능을 향상시키기 위한 방법으로서, 유사 사용자의 군집 선호도를 이용한 추천 방법과 사용자 개인의 이력정보와 디지털 컨텐츠의 속성 정보를 활용한 내용 기반 추천 방법을 학습기간과 사용자별로 동시에 적용한 후 추천 정확도가 높은 방법을 적용하는 방법에 관한 것이다. 본 발명은 (a) 학습 시작시점으로부터 제1일정시간이 경과한 시점인 제1기준시간 동안 스테레오 타입에 의한 제1선호도 값을 산출하는 단계; (b) 상기 제1기준시간 이후 제2일정시간이 경과한 시점인 제2기준시간 동안 콘텐츠 속성별 선호도에 가중치를 더한 제2선호도 값을 산출하는 단계; 및 (c) 상기 제2기준시간 이후 학습기간이 종료되는 시점인 제3기준시간 동안 콘텐츠 속성별 선호도를 곱하여 제3선호도 값을 산출하는 단계;를 포함하고, 상기 학습기간의 경과에 대응하여 상기 제1선호도, 제2선호도 및 제3선호도 값을 순차적으로 최종 선호도 값으로 결정한다. The present invention provides a method for improving recommendation performance by using a personalized multi-recommendation method learning. The present invention provides a recommendation method using cluster preferences of similar users and a content-based recommendation method using historical information of users and attribute information of digital content. The present invention relates to a method of applying a method having high recommendation accuracy after applying at the same time for each learning period and user. The present invention includes the steps of: (a) calculating a first preference value according to a stereo type during a first reference time which is a time point when a first predetermined time elapses from the start of learning; (b) calculating a second preference value obtained by adding a weight to a preference for each content property during a second reference time, which is a time point after which the second predetermined time elapses after the first reference time; And (c) calculating a third preference value by multiplying a preference for each content property during a third reference time, which is a time point when the learning period ends after the second reference time. The first preference, second preference and third preference values are sequentially determined as final preference values.
다중 추천 방법 학습, 개인 맞춤형 추천, DTV 프로그램 추천 Learn multiple recommendations, personalized recommendations, DTV program recommendations
Description
본 발명은 디지털 컨텐츠에 대하여 다양한 추천 방법을 적용하고 추천 후에 정확도가 높은 추천 방법에 대하여 학습하여 추천하는 것으로, 더욱 상세하게는 디지털 컨텐츠 중에서 디지털 방송 프로그램을 추천하는 여러 가지 방법에 대하여 각 개인별, 학습 기간별로 추천 방법을 평가하고 결정할 수 있도록 학습하여 추천하는 방법에 관한 것이다.The present invention applies various recommendation methods to digital content and learns and recommends highly accurate recommendation method after recommendation. More specifically, each individual learns about various methods of recommending digital broadcasting program among digital contents. It is about learning and making recommendations for evaluating and determining the recommendation method by period.
최근 디지털 방송이 본격화되고 각 가정마다 DTV의 보급이 일반화되면서 사용자들이 시청 할 수 있는 방송채널의 수가 급격하게 늘어나고 있으며 이로 인한 채널과 방송 프로그램 선택의 문제가 대두되고 있다. 즉, 지금처럼 리모콘으로 채널을 돌려가며 원하는 프로그램을 찾거나, 방송 편성표(EPG : Electronic Program Guide)를 검색하는 것은 많은 시간과 노력을 필요로 한다. 이러한 문제점을 해결하기 위하여 DTV 프로그램 추천과 관련된 연구가 활발히 진행되고 있으며, TV Anytime, MPEG-21과 같은 그룹에서도 DTV 방송 규격화를 위하여 노력하고 있다.Recently, as digital broadcasting is in full swing and DTV is becoming more common in each household, the number of broadcasting channels that users can watch is rapidly increasing, and thus the problem of channel and broadcast program selection is on the rise. In other words, searching for a desired program or searching an Electronic Program Guide (EPG) by using a remote controller as a channel requires a lot of time and effort. In order to solve these problems, researches related to DTV program recommendation are actively conducted, and groups such as TV Anytime and MPEG-21 are also making efforts to standardize DTV broadcasting.
일반적으로 개인화 추천 시스템에서 사용하는 기술은 내용 기반(Content-Based) 추천, 협력적 여과 추천(CF: Collaborative Filtering), 스테레오 타입(Stereo Type)을 활용한 추천 등으로 분류된다.In general, the techniques used in the personalized recommendation system are classified into content-based recommendation, collaborative filtering recommendation (CF), and recommendation using stereo type.
내용 기반 추천 시스템은 프로그램의 속성 정보와 사용자가 입력한 선호 정보 및 프로그램 시청 히스토리와의 유사도를 계산하거나 결정 트리 기법 등을 사용하여 사용자의 시청패턴을 추천에 반영한다는 장점은 있으나 의미 있는 속성 정보를 추출하여 선택하는데 어려움이 있으며, 시청한 프로그램과 유사한 프로그램을 찾기 위하여 분석 시간이 많이 소요되는 단점이 있다.Content-based recommendation system has the advantage of reflecting user's viewing pattern in recommendation by calculating similarity between program's property information, user's preference information and program viewing history, or decision tree technique. It is difficult to extract and select, and it takes a lot of analysis time to find a program similar to the watched program.
협력적 여과 기법은 유사한 선호도를 지닌 다른 사용자가 선호하는 프로그램을 추천하는 방법으로 내용 기반 추천 방법의 많은 문제를 해결해 줄 수는 있으나, 사용자간 유사성을 정확히 비교하기 위하여 충분한 시청 정보를 수집하는데 많은 시작 비용이 들며(Cold Start Problem), 새로운 프로그램인 경우 충분히 많은 사용자의 프로파일에 포함되어질 때까지는 추천되어지지 않는 문제점이 있다.The collaborative filtering technique can solve many problems of the content-based recommendation method by recommending a program that is favored by other users with similar preferences, but begins to collect enough viewership information to accurately compare the similarity between users. Cold Start Problem, a new program has a problem that is not recommended until it is included in enough user profiles.
스테레오 타입을 활용한 추천 시스템에서는 사용자의 인구통계학적 프로파일 정보를 이용하여 스테레오 타입(예, 30대 주부는 멜로드라마를 선호)을 생성하고 추천하고자 하는 사용자를 해당 그룹에 분류하여 사용자의 초기 선호도 모델로 사용한다. 이 방법은 초기 사용자의 시청 정보가 부족하더라도 해당 그룹의 선호도를 이용하기 때문에 Cold Start Problem을 해결 할 수는 있으나 다른 추천 기법에 비해 사용자의 개인 선호도가 반영되기 힘들기 때문에 정확한 추천이 이루어지기 힘들다는 문제점이 있다.In the recommendation system using the stereotype, the user's initial preference model is generated by creating a stereotype (eg, melodrama for housewives in their 30s) using the demographic profile information of the user and classifying the user to the recommended group. Used as. Although this method can solve the Cold Start Problem even if the initial user's viewing information is insufficient, the user's personal preference is difficult to be reflected compared to other recommendation techniques. There is a problem.
개인 맞춤형 디지털 TV 프로그램 추천 솔루션은 pEPG(Personalized EPG), PPG(Personalized Program Guide), ACG(Adaptive Content Guide) 등으로 불리며, 미국, 유럽 등에서 활발히 연구되고 있으나 모든 사용자에게 하나의 추천 방법 모델을 적용할 뿐 사용자별로 학습된 결합 모델을 적용하지는 않는다.The personalized digital TV program recommendation solution is called Personalized EPG (PEPG), Personalized Program Guide (PPG), Adaptive Content Guide (ACG), etc., and is actively researched in the United States and Europe. It does not apply the combined model trained by user.
본 발명은 기존의 디지털 컨텐츠에 대한 추천 방법들이 하나의 알고리즘만을 사용하여 추천을 하고 있기 때문에 발생하는 문제, 즉 학습 기간에 디지털 컨텐츠의 내용에 변화가 생기거나 사용자의 정보가 변경되었을 경우와 같이 변경된 상황 정보에 대하여 정확한 추천을 할 수가 없는 문제점을 해결하기 위하여, 다중 추천 방법을 사용자에게 학습 기간별로 동시에 적용하여 정확한 추천 결과를 얻을 수 있는 추천 방법을 학습하여 적용함으로써 추천의 성능을 향상시키는 방법을 제공함에 있다.The present invention is a problem that occurs because the recommendation methods for the existing digital content using only one algorithm, that is, when the content of the digital content changes or the user's information is changed during the learning period. In order to solve the problem of not being able to make an accurate recommendation for contextual information, we apply a multi-recommendation method to the user at the same time for each learning period. In providing.
본 발명은 디지털 컨텐츠 중에서 DTV 방송 프로그램을 대상으로 여러 가지 DTV 프로그램 추천 방법들에 대하여 사용자의 선호도 학습 기간과 각 사용자에게 적합한 추천 방법을 학습하여 결정하는 방법으로 선호도 학습 초기에는 스테레오 타입에 의한 추천 방법을 사용하며 사용자의 히스토리 정보에 의하여 선호도가 충분히 학습된 후에는 내용 기반 추천 방법에 의한 프로그램 추천 방법으로 결정하여 추천의 성능을 높일 수 있는 방법이다.The present invention is a method of determining a user's preference learning period and a recommendation method suitable for each user with respect to various DTV program recommendation methods for DTV broadcasting programs among digital contents. After the preferences are sufficiently learned by the user's history information, it is possible to increase the performance of the recommendation by determining the program recommendation method based on the content-based recommendation method.
상기의 기술적 과제를 달성하기 위한 본 발명에 따른 개인 맞춤형 다중 추천 학습 방법은, 사용자에게 학습기간 동안 다양한 추천 방법을 적용하여 학습기간의 경과에 대응하여 가장 선호되는 추천 방법을 학습하여 적용하는 개인 맞춤형 다중 추천 학습 방법에 있어서, (a) 학습 시작시점으로부터 제1일정시간이 경과한 시점인 제1기준시간 동안 스테레오 타입에 의한 제1선호도 값을 산출하는 단계; (b) 상기 제1기준시간 이후 제2일정시간이 경과한 시점인 제2기준시간 동안 콘텐츠 속성별 선호도에 가중치를 더한 제2선호도 값을 산출하는 단계; 및 (c) 상기 제2기준시간 이후 학습기간이 종료되는 시점인 제3기준시간 동안 콘텐츠 속성별 선호도를 곱하여 제3선호도 값을 산출하는 단계;를 포함하고, 상기 학습기간의 경과에 대응하여 상기 제1선호도, 제2선호도 및 제3선호도 값을 순차적으로 최종 선호도 값으로 결정한다. The personalized multi-recommend learning method according to the present invention for achieving the above technical problem, by applying a variety of recommendation methods to the user during the learning period personalized to learn and apply the most preferred recommendation method corresponding to the progress of the learning period A multi-recommended learning method, comprising: (a) calculating a first preference value according to a stereo type during a first reference time which is a time point when a first predetermined time has elapsed from a learning start time; (b) calculating a second preference value obtained by adding a weight to a preference for each content property during a second reference time, which is a time point after which the second predetermined time elapses after the first reference time; And (c) calculating a third preference value by multiplying a preference for each content property during a third reference time, which is a time point when the learning period ends after the second reference time. The first preference, second preference and third preference values are sequentially determined as final preference values.
본 발명은 학습기간과 사용자별 특성을 고려한 개인 맞춤형 다중 추천 방법으로써 추천의 정확도를 향상 시켤 수 있으며, 또한 다중 추천 방법으로 사용하고 있는 스테레오 타입에 의한 추천 방법과 프로그램 속성에 선호도에 의한 내용 기반 추천 방법 뿐만 아니라 다른 추천 방법도 추가적으로 확장하여 적용 할 수 있으며, DTV에서의 개인 맞춤형 프로그램 추천이 아닌 다른 도메인에서도 쉽게 확장하고 적용할 수 있다.The present invention can improve the accuracy of the recommendation as a personalized multi-recommendation method considering the learning period and the characteristics of each user. Also, the content-based recommendation based on the preference on the recommendation method and the program attribute by the stereotype used as the multi-recommendation method is used. In addition to the method, other recommendation methods can be further extended and applied, and it can be easily extended and applied to other domains other than personalized program recommendation in DTV.
이에 앞서, 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다.Prior to this, terms or words used in the specification and claims should not be construed as having a conventional or dictionary meaning, and the inventors should properly explain the concept of terms in order to best explain their own invention. Based on the principle that can be defined, it should be interpreted as meaning and concept corresponding to the technical idea of the present invention.
본 명세서에 기재된 예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.Configurations shown in the examples and drawings described herein are only one of the most preferred embodiments of the present invention and do not represent all of the technical idea of the present invention, and various equivalents that may be substituted for them at the time of the present application and It should be understood that there may be variations.
이하 첨부된 도면을 참조하여 본 발명을 상세히 설명하면 다음과 같다.Hereinafter, the present invention will be described in detail with reference to the accompanying drawings.
도 1에서 발명을 위해 사용되는 정보의 저장소는 사용자의 인구통계학적 정보 및 선호도 정보를 저장하는 사용자 모델 저장소와 사용자의 디지털 컨텐츠 이력 정보 저장소, 디지털 컨텐츠 정보 저장소, 스테레오 타입 저장소로 구성된다.The repository of information used for the invention in FIG. 1 comprises a user model repository for storing demographic and preference information of the user, a digital content history information repository, a digital content information repository, and a stereotype repository.
이러한 정보들을 기반으로 추천에 필요한 정보를 추출하고 학습된 정보를 저장하기 위한 사용자 모델 관리와 스테레오 타입 관리 모듈이 있으며 추천 모듈은 각 사용자별로 학습된 선호도를 추천하고자 하는 컨텐츠에 적용하여 추천된 결과를 사용자 인터페이스를 통하여 보여준다.Based on this information, there is a user model management and stereo type management module for extracting the information required for recommendation and storing the learned information. The recommendation module applies the recommended result to the content to recommend the learned preference for each user and applies the recommended result. Show through the user interface.
도 1에서의 사용자 모델 저장소는 사용자로부터 인구통계학적 정보를 명시적으로 입력 받아서 저장하는 부분과 사용자 모델 관리 모듈에 의해서 자동으로 갱신되어 저장되는 선호도 부분으로 구성되며, 디지털 컨텐츠 이력정보 저장소는 사용자가 디지털 컨텐츠를 사용한 이력 정보가 저장된다.The user model repository in FIG. 1 is composed of a part that explicitly receives and stores demographic information from a user, and a preference part that is automatically updated and stored by a user model management module. History information using digital content is stored.
디지털 컨텐츠 정보 저장소는 컨텐츠에 대한 다양한 속성 정보등이 저장되는 곳으로서 DTV에서는 방송 송출 시스템으로부터 추출한 속성정보를 저장하는 곳이다.The digital content information storage is a place where various attribute information about the content is stored, and the DTV stores the attribute information extracted from the broadcasting transmission system.
스테레오 타입 저장소는 사용자의 인구통계학적 정보를 바탕으로 유사한 사용자 그룹을 생성하고 해당 그룹들이 각 디지털 컨텐츠의 속성에 대한 선호도를 추출하여 저장하는 곳으로서 예를 들어 “30대의 주부(고등학교 졸업)는 드라마를 선호하며 교육 프로그램에 관심을 가지고 있다”라는 정보를 저장한다.The stereotype repository creates similar groups of users based on the demographic information of the users, and extracts and stores preferences for the attributes of each digital content. For example, “30 housewives (high school graduates) I prefer them and are interested in educational programs. ”
스테레오 타입을 적용하기 위하여 단순 통계 기법을 통한 Case-By-Case 형식 의 스테레오 타입을 생성한다. 동일한 인적 정보를 갖는 사람들의 컨텐츠 이력정보를 분석하여 각 그룹의 컨텐츠에 대한 속성 선호도를 추출하며, 새로운 사용자가 등록 되었을 때 해당 사용자와 동일한 인적 정보를 갖는 그룹을 찾아내어 해당 그룹의 속성 선호도를 사용자 모델에 적용한다. 통계적인 그룹화 방법은 일반적인 인공지능 알고리즘에 의한 군집화보다 빠르게 적용할 수 있으며, 해당 그룹에 사용자를 분류하는 방법 역시 사용자의 인적 정보만을 단순하게 매칭시킴으로서 가능하기 때문에 더욱 간단하게 적용할 수 있다. 스테레오 타입 모듈에서는 스테레오 타입의 생성 기간과 필요한 인적 정보, 스테레오 타입 이름, 각 선호도 값 등을 생성하여 스테레오 타입 저장소에 저장한다.In order to apply stereo type, stereo type of Case-By-Case type is created through simple statistical method. It analyzes the contents history information of people with the same personal information and extracts the attribute preference for each group's contents, and when a new user is registered, finds the group with the same personal information as the user and uses the attribute preference of the group. Applies to the model. The statistical grouping method can be applied more quickly than the clustering by a general AI algorithm, and the method of classifying a user to the group can also be applied more simply by simply matching the user's personal information. In the stereo type module, a stereo type generation period, necessary personal information, stereo type name, and each preference value are generated and stored in the stereo type repository.
본 발명에서는 내용 기반 추천 기법을 기반으로 하여 속성 선호도에 대한 다양한 추천 방법을 사용한다. 디지털 컨텐츠 속성에 대한 선호도는 개인별 컨텐츠 이력 정보로부터 동일한 컨텐츠 속성 값을 갖는 각 속성들에 대하여 사용 빈도수와 사용 시간 비율을 분석하여 추출한 값에 전체 사용 빈도수와 사용 비율의 합으로 각각을 정규화하여 곱한 값을 선호도로 사용한다. 즉, 빈도수를 이용한 속성 선호도와 사용 시간 비율을 이용한 선호도를 함께 고려함으로써 상호 보완된 속성 선호도를 구한다.In the present invention, various recommendation methods for attribute preference are used based on a content-based recommendation technique. The preference for the digital content property is the value obtained by analyzing the frequency of use and the time of use for each property with the same content property value from the individual content history information, and normalizing each product by the sum of the total frequency of use and the rate of use. Use as a preference. In other words, complementary attribute preferences are obtained by considering attribute preference using frequency and preference using time ratio.
[수학식 1]은 사용자의 학습 기간 내의 컨텐츠 속성 빈도수와 사용시간 비율을 이용하여 컨텐츠 속성에 대한 선호도를 구하는 계산 수식이다.[Equation 1] is a calculation formula for calculating the preference for the content property by using the content property frequency and the usage time ratio within the learning period of the user.
[표 1]은 상기 [수학식 1]을 이용하여 DTV 방송 프로그램 디지털 컨텐츠에서 “장르”라는 속성에 대한 선호도를 구하는 예이다.[Table 1] is an example of obtaining a preference for the attribute of "genre" in the digital content of the DTV broadcast
학습된 선호도는 사용자의 기존 선호도와 함께 컨텐츠 속성에 대한 선호도로 다시 계산된다. 기존의 선호도와 새롭게 얻어진 선호도를 혼합하는 방법은 최근 학습된 선호도의 반영 여부 및 반영 비율에 따라서 다양하게 적용할 수 있으나, 본 발명에서는 최근 선호도와 기존 선호도의 평균값을 사용함으로써 최근 선호도를 반영하는 방법을 사용한다.The learned preferences are recalculated as the preferences for the content attributes along with the user's existing preferences. The method of mixing the existing preference with the newly obtained preference can be variously applied according to whether or not the recently learned preference is reflected and the reflection ratio, but in the present invention, a method of reflecting the recent preference by using the average value of the recent preference and the existing preference Use
[수학식 2]는 최근 선호도와 기존의 선호도의 평균 계산식이다.[Equation 2] is an average calculation formula of recent preferences and existing preferences.
재계산된 프로그램 속성 값에 대한 사용자의 선호도는 컨텐츠 추천을 위하여 후보 컨텐츠들의 속성 값과 매칭되는 사용자의 속성들에 대한 각 선호도 값을 계산하여 내림차순으로 정렬 한 후에 상위 5개 컨텐츠들을 추천하는 방법을 사용한다.The user's preference for the recalculated program attribute values is calculated by calculating each preference value for the user's attributes matching the attribute values of the candidate contents for the content recommendation, and sorting in descending order to recommend the top five contents. use.
[수학식 3]은 디지털 컨텐츠 중에서 방송 컨텐츠에 대한 장르, 서브장르, 채널에 대한 속성에 대한 가중치와 선호도를 더하여 컨텐츠에 대한 선호도를 구하는 계산식이다.[Equation 3] is a formula for calculating a preference for content by adding weights and preferences for the genre, subgenre, and channel attributes of broadcast content among digital contents.
[수학식 3]에서 사용자의 장르, 서브장르, 채널 속성에 대한 선호도가 모두 높을 경우에는 추천 성능이 좋지만 세 가지 속성 중에 하나라도 낮은 선호도가 있을 경우에는 선호도가 높은 다른 속성들에 의하여 원치 않는 추천을 함으로써 추천 성능이 저하되는 경우가 발생한다.In
이러한 단점을 간단하게 해결할 수 있는 방법이 각 속성에 대한 선호도 값을 곱하여 디지털 방송 프로그램에 대한 선호도를 구하는 것이다. 이 방법은 후보 프로그램들의 특정 속성에 대한 정규화 가중치를 적용하여 최종 선호도를 구하는 것으로서, 기본적인 세 가지 속성 중에 하나라도 작은 값을 갖는 추천 후보 프로그램에 대해서는 선호도가 낮아지므로 가중치를 적용하여 더했을 경우보다는 추천의 정확도가 높다.A simple solution to this drawback is to multiply the preference values for each property to obtain a preference for the digital broadcast program. This method finds the final preference by applying the normalized weights to specific attributes of candidate programs. Since the recommendation candidate programs that have one of the three basic attributes have a smaller value, the preference is lowered. High accuracy
그러나 두 가지 추천 방법 역시 학습 초기에는 사용자의 시청 History 부족으로 인하여 좋은 추천 결과를 기대하기는 힘들며 이러한 단점을 보완할 수 있는 스테레오 타입에 의한 선호도 추천 방법이 있으나 스테레오 타입에 의한 추천 방법만 사용하는 것은 개인별 학습이 되지 않기 때문에 점점 추천 성능이 저하된다.However, the two recommendation methods are also difficult to expect good recommendation results due to the lack of user's viewing history in the early stage of learning, and there is a preference recommendation method based on stereo type that can compensate for these shortcomings. Recommended performance decreases gradually because individual learning does not work.
본 발명에서는 상기 추천 방법의 장점만을 취하기 위하여 각 학습 기간 및 사용자의 속성 선호도 계산 방법을 학습하여 적용하는 방법을 사용한다. 즉, 임의의 사용자는 학습 초기에 스테레오 타입에 의하여 생성된 선호도 값을 이용하는 방법이 좋을 수 있으며, 학습 중반에는 가중치 선호도의 더한 값이 좋은 추천 성능을 낼 수도 있고, 학습 후반에는 선호도의 단순한 곱하기 값이 좋은 추천의 정확도가 높다.In the present invention, in order to take advantage of the recommendation method, a method of learning and applying each learning period and a user's attribute preference calculation method is used. That is, any user may prefer to use the preference value generated by the stereotype at the beginning of the learning. In the middle of learning, the added value of the weighted preference may give a good recommendation performance. The accuracy of this good recommendation is high.
개인별 다중 추천 방법 학습에 대한 순서도는 도 2와 같다. 각 사용자마다 학습 단위의 기간 동안 디지털 컨텐츠에 대한 이력정보를 추출하고 언급한 세 가지 방법으로 후보 프로그램들에 대하여 추천을 하고 각각의 방법에 의해 추천한 컨텐츠 목록과 실제 사용한 이력정보를 비교하여 각 방법들에 대하여 평가를 한다.2 is a flow chart for the individual recommendation method learning. Each user extracts historical information about digital contents during the learning unit period, and makes recommendations for candidate programs in the three ways mentioned above, and compares the list of contents recommended by each method with the actual history information used by each method. Evaluate them.
두 가지 이상의 방법에서 올바른 추천이 되었을 경우에는 각 결과 프로그램 목록에서 높은 선호도로 추천된 순위를 비교하여 각 방법들을 평가한다. 각 사용자마다 매 학습 기간에 따라서 가장 높게 평가된 선호도 추출 방법을 학습 한 후에 추천 시점에 학습된 선호도 및 추천 방법을 이용하여 추천을 함으로서 향상된 추천 결과를 얻는다.If the correct recommendation is made in more than one method, each method is evaluated by comparing the recommended ranking with high preference in each result program list. Each user learns the method of extracting the highest rating according to each learning period, and then makes recommendations by using the learned preferences and recommendation methods at the time of recommendation.
이하에서는 본 발명에 따른 다중 추천 방법 학습의 성능평가를 위하여 1년 동안 디지털 방송 컨텐츠를 시청한 실험자들을 대상으로 비교실험을 수행한 일실시예이다. 실험은 334명의 52주 시청 기록 중에서 각 방송 개인 시청 시간 비율이 10% 이상인 데이터를 대상으로 진행하였으며, 사용자 모델 정보 갱신 및 프로그램 추천 주기는 일주일 단위로 하였으며, 추천 개수는 5개로 정하였다.Hereinafter, an embodiment in which a comparative experiment was performed on experimenters who watched digital broadcasting content for one year in order to evaluate the performance of the multi-recommendation method learning according to the present invention. The experiment was conducted on the data of 10% or more of the individual viewing time of broadcasting among the 334 52-week viewing records, and the user model information update and program recommendation cycle was performed on a weekly basis, and the number of recommendations was set to five.
본 발명의 효율 평가의 척도로는 정보 검색 분야에서 사용하는 Precision과 Recall을 사용하였다. Precision과 Recall에 대한 계산 방식은 [수학식 4]및 [수학식 5]와 같으며, 하기 수학식에서 추천 프로그램은 추천한 목록이며 시청 프로그램은 사용자가 실제로 시청한 프로그램을 의미한다.As a measure of efficiency evaluation of the present invention, Precision and Recall used in the field of information retrieval were used. The calculation method for Precision and Recall is the same as [Equation 4] and [Equation 5], and in the following equation, the recommended program is a recommended list and the viewing program means a program actually watched by the user.
도 3은 본 발명에 따른 다중 추천 방법과 앞서 설명한 세 가지 방법을 각각 사용하여 실험한 결과를 비교한 그래프이다.
도 3을 참조하면, 스테레오 타입에 의한 선호도를 이용한 추천 방법은 학습 초기에는 뛰어난 성능을 보이지만 사용자의 시청 히스토리 학습이 진행됨에 따라서 점차적으로 다른 추천 방법보다 성능이 떨어지는 것을 알 수 있다. 그 외 장르, 서브장르, 채널에 대한 선호도를 곱하여 추천한 결과가 속성 선호도에 가중치를 더하여 추천한 방법보다 전체적으로 높은 성능을 보여주고 있으나 학습 초기에는 상기 두 가지 방법 모두 스테레오 타입에 의한 선호도를 이용한 추천방법에 비해 정확도가 떨어짐을 알 수 있다. 본 발명에 따른 다중 추천 방법은 상기 세 가지 방법들에 비해 학습 초기부터 52주 간의 학습기간에 가장 높은 추천 성능을 보이고 있다. 3 is a graph comparing the results of experiments using the multi-recommended method according to the present invention and each of the three methods described above.
Referring to FIG. 3, the recommendation method using the preference based on the stereotype shows excellent performance in the early stage of learning, but as the user's viewing history learning progresses, the performance is gradually lower than other recommendation methods. In addition, the result obtained by multiplying the preferences for genres, sub-genres, and channels shows overall higher performance than the recommended method by adding weights to the attribute preferences. However, in the early stage of learning, both methods recommend using stereotype preferences. It can be seen that the accuracy is lower than the method. The multi-recommendation method according to the present invention shows the highest recommendation performance in the learning period of 52 weeks from the beginning of learning compared to the above three methods.
삭제delete
도 4는 52주 동안 사용자들에게 학습된 선호도 방법의 추이 변화 결과를 도시한 그래프이다.
도 4를 참조하면, 본 발명에 따른 다중 추천 방법은 ⅰ) 학습 초기(0주차~1주차)에는 스테레오 타입을 적용한 추천 방법이 사용자에게 선호되고 있음을 알 수 있고, ⅱ) 학습 중반(1주차~2주차)에는 속성 선호도에 가중치를 더하여 추천한 방법이 사용자들에게 선호되고 있음을 알 수 있으며, 마지막으로 ⅲ) 학습 후반(2주차~52주차)에는 속성 선호도를 곱하여 추천한 결과가 사용자들에게 선호되고 있음을 알 수 있다. 4 is a graph showing the results of the change in the trend of the preference method learned for users for 52 weeks.
Referring to FIG. 4, in the multi-recommendation method according to the present invention, i) it can be seen that a recommendation method using a stereo type is preferred to the user in the early stage of learning (
이상에서 본 발명의 바람직한 실시예에 대해 도시하고 설명하였으나, 본 발명은 상술한 특정의 바람직한 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면 누구든지 다양한 변형 실시가 가능한 것은 물론이고, 그와 같은 변경은 청구범위 기재의 범위 내에 있게 된다. Although the preferred embodiments of the present invention have been shown and described above, the present invention is not limited to the specific preferred embodiments described above, and the present invention belongs to the present invention without departing from the gist of the present invention as claimed in the claims. Various modifications can be made by those skilled in the art, and such changes are within the scope of the claims.
도 1은 본 발명에 따른 다중 추천 방법 학습에 의한 추천 시스템의 블록도,1 is a block diagram of a recommendation system by learning multiple recommendation methods according to the present invention;
도 2는 본 발명에 사용되는 다중 추천 방법 학습에 대한 흐름도,2 is a flow chart for learning multiple recommendation methods used in the present invention;
도 3은 본 발명에 따른 다중 추천 방법과 앞서 설명한 세 가지 방법을 각각 사용하여 실험한 결과를 비교한 그래프, 그리고, 3 is a graph comparing the results of experiments using the multi-recommended method according to the present invention and each of the three methods described above, and
도 4는 본 발명에서 사용하는 다중 추천 방법 학습을 사용한 사용자들의 52주간의 학습된 선호도 방법의 추이 변화 결과를 도시한 그래프이다. FIG. 4 is a graph showing a change result of a 52-week learned preference method among users using the multiple recommendation method learning used in the present invention.
Claims (6)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020070112449A KR101143508B1 (en) | 2007-11-06 | 2007-11-06 | Method For Personalized Multi Recommendation Learning |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020070112449A KR101143508B1 (en) | 2007-11-06 | 2007-11-06 | Method For Personalized Multi Recommendation Learning |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20090046353A KR20090046353A (en) | 2009-05-11 |
| KR101143508B1 true KR101143508B1 (en) | 2012-05-09 |
Family
ID=40856232
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020070112449A KR101143508B1 (en) | 2007-11-06 | 2007-11-06 | Method For Personalized Multi Recommendation Learning |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101143508B1 (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101452414B1 (en) * | 2012-09-07 | 2014-10-23 | 에스케이플래닛 주식회사 | Method for providing multimedia contents using meta information |
| KR20240039477A (en) | 2022-09-19 | 2024-03-26 | 중앙대학교 산학협력단 | Apparatus and method for personalized recommendations |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101323923B1 (en) * | 2011-10-05 | 2013-10-31 | 경희대학교 산학협력단 | Method for determining visitor of target event |
| US10540385B2 (en) * | 2013-03-15 | 2020-01-21 | Spotify Ab | Taste profile attributes |
| KR102210442B1 (en) * | 2014-02-26 | 2021-02-02 | 에스케이플래닛 주식회사 | Method of generating category preference for each user, method of recommending products using the same and apparatus for the same |
| KR101629084B1 (en) * | 2014-07-22 | 2016-06-09 | 이화여자대학교 산학협력단 | Apparatus and method for determining study plan for user |
| US9798823B2 (en) | 2015-11-17 | 2017-10-24 | Spotify Ab | System, methods and computer products for determining affinity to a content creator |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20060112723A (en) * | 2005-04-27 | 2006-11-02 | 주식회사 팬택 | System and method for mobile game recommending |
-
2007
- 2007-11-06 KR KR1020070112449A patent/KR101143508B1/en not_active IP Right Cessation
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20060112723A (en) * | 2005-04-27 | 2006-11-02 | 주식회사 팬택 | System and method for mobile game recommending |
Non-Patent Citations (1)
| Title |
|---|
| 논문(2005.07) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101452414B1 (en) * | 2012-09-07 | 2014-10-23 | 에스케이플래닛 주식회사 | Method for providing multimedia contents using meta information |
| KR20240039477A (en) | 2022-09-19 | 2024-03-26 | 중앙대학교 산학협력단 | Apparatus and method for personalized recommendations |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20090046353A (en) | 2009-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101143508B1 (en) | Method For Personalized Multi Recommendation Learning | |
| US8019707B2 (en) | Interactive hybrid recommender system | |
| Basu et al. | Recommendation as classification: Using social and content-based information in recommendation | |
| US8843966B2 (en) | Method for content presentation | |
| KR101792587B1 (en) | Method and apparatus of predicting preference rating for contents, and method and apparatus for selecting sample contents | |
| CN100551031C (en) | In the project recommendation device, a plurality of items are divided into the method and the device of similar group | |
| CN107888950A (en) | A kind of method and system for recommending video | |
| KR101579376B1 (en) | Personalized place recommendation system and method by using subjectivity analysis for user classification | |
| CN102523511A (en) | Network program aggregation and recommendation system and network program aggregation and recommendation method | |
| CN103052954A (en) | Profile based content retrieval for recommender systems | |
| KR20050043917A (en) | Statistical personalized recommendation system | |
| CN106776701B (en) | Problem determination method and device for item recommendation | |
| KR20050016198A (en) | Information processing apparatus, method and program, and recording media | |
| EP1906316A1 (en) | An interactive hybrid recommender system | |
| KR101755653B1 (en) | user-tailored webtoon auto-recommendation system and method | |
| KR101151176B1 (en) | The Content Recommendation Method by Using Menu Preferences | |
| CN105338408B (en) | Video recommendation method based on time factor | |
| CN105430505A (en) | IPTV program recommending method based on combined strategy | |
| CN106980646A (en) | The method applied based on popularity to the influencing mechanism analysis of user interest and its in proposed algorithm | |
| CN109271550A (en) | A kind of music personalization classification recommended method based on deep learning | |
| KR20170079429A (en) | A clustering based collaborative filtering method with a consideration of users' features and movie recommendation system using thereof | |
| KR20050013258A (en) | Method and apparatus for using cluster compactness as a measure for generation of additional clusters for categorizing tv programs | |
| CN109508407A (en) | The tv product recommended method of time of fusion and Interest Similarity | |
| Fong et al. | Using genetic algorithm for hybrid modes of collaborative filtering in online recommenders | |
| CN106649733B (en) | Online video recommendation method based on wireless access point context classification and perception |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| FPAY | Annual fee payment |
Payment date: 20170410 Year of fee payment: 6 |
|
| FPAY | Annual fee payment |
Payment date: 20180409 Year of fee payment: 7 |
|
| LAPS | Lapse due to unpaid annual fee |