KR101224312B1 - Friend recommendation method for SNS user, recording medium for the same, and SNS and server using the same - Google Patents
Friend recommendation method for SNS user, recording medium for the same, and SNS and server using the same Download PDFInfo
- Publication number
- KR101224312B1 KR101224312B1 KR1020100117080A KR20100117080A KR101224312B1 KR 101224312 B1 KR101224312 B1 KR 101224312B1 KR 1020100117080 A KR1020100117080 A KR 1020100117080A KR 20100117080 A KR20100117080 A KR 20100117080A KR 101224312 B1 KR101224312 B1 KR 101224312B1
- Authority
- KR
- South Korea
- Prior art keywords
- user
- image
- friends
- feature vector
- friend
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000006855 networking Effects 0.000 claims abstract description 57
- 239000013598 vector Substances 0.000 claims abstract description 44
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 abstract description 3
- 239000000284 extract Substances 0.000 abstract description 2
- 238000012706 support-vector machine Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000002349 favourable effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 244000025254 Cannabis sativa Species 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 2
- 229940037003 alum Drugs 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 241000856922 Arctia caja Species 0.000 description 1
- 244000237791 Chionanthus virginicus Species 0.000 description 1
- 235000015256 Chionanthus virginicus Nutrition 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G06Q50/01—Social networking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/14—Details of searching files based on file metadata
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Library & Information Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
사용자가 호감을 가질 만한 새로운 친구를 추천하는 방법을 공개한다. 본 발명은 소셜 네트워킹 서비스 사용자의 친구들의 소셜 메타 데이터를 분석해서 전체 친구 중에서 낯선 친구의 목록을 선별하고, 이들의 사진에 대해 자동 이미지 태깅 기술을 적용하여 이미지를 기술하는 태그의 목록을 추출한다. 이후 최종적으로 태그들로 구성된 특징 벡터를 구성하여 사용자 간의 친구 관계의 유사성을 계산했고 이에 따라 새로운 친구를 추천할 수 있다. 따라서 소셜 네트워킹 서비스의 클러스터를 확장할 수 있으므로, 소셜 네트워킹 서비스의 경쟁력을 강화할 수 있다.Reveal ways to recommend new friends that your users might like. The present invention analyzes social metadata of friends of a social networking service user to select a list of strangers from all friends, and extracts a list of tags describing an image by applying an automatic image tagging technique to their photos. After that, finally, a feature vector composed of tags is configured to calculate the similarity of friend relations between users, and new friends can be recommended accordingly. Therefore, the cluster of social networking services can be expanded, thereby enhancing the competitiveness of social networking services.
Description
본 발명은 소셜 네트워킹 서비스에 관한 것으로 특히 소셜 네트워킹 서비스 사용자를 위한 친구 추천 방법, 이를 위한 기록 매체 및 이를 이용하는 소셜 네트워킹 서비스 및 서버에 관한 것이다.
The present invention relates to a social networking service, and more particularly, to a friend recommendation method for a social networking service user, a recording medium therefor, and a social networking service and a server using the same.
소셜 네트워킹 서비스(Social Networking Service : SNS)는 온라인상에서 불특정 타인과 관계를 맺을 수 있는 서비스로서, 소셜 네트워킹 서비스의 사용자들은 인맥을 새롭게 쌓거나, 기존 인맥과의 관계를 강화시킬 수 있어서 정보화 사회에서 각광받고 있는 서비스이다. 대표적인 소셜 네트워킹 서비스로 현재 5억 5천만명의 사용자를 보유한 페이스북(Facebook)이 있다.Social Networking Service (SNS) is a service that can be used to connect with unspecified people online, and users of social networking services can build new networks or strengthen relationships with existing ones. The service you are receiving. Representative social networking service is Facebook, which currently has 550 million users.
사용자들은 소셜 네트워킹 서비스를 통해 연락처 정보를 공유하고 서로의 친구 목록을 공유하면서 인터넷 상에 실세계의 친구 관계를 반영한 새로운 친구 관계망을 구축할 수 있다. 특히 새로운 친구를 추가하는 행위는 소셜 네트워킹 서비스라는 네트워크상의 노드간에 새로운 링크를 추가하는 의미가 있으며 결과적으로 노드간의 상호 연결성의 고도화에 기여하여 네트워크를 거대한 클러스터로 만드는 역할을 하게 된다. 따라서 클러스터의 규모에 따라 서비스의 영향력이 결정되는 것을 고려하면 새로운 친구를 추가하는 행위는 소셜 네트워킹 서비스의 경쟁력에 있어서 가장 핵심이 되는 역할을 한다고 볼 수 있다.Social networking services allow users to share contact information and share each other's friend lists while building new friend networks that reflect real-world friend relationships on the Internet. In particular, the act of adding new friends has the meaning of adding new links between nodes on a network called a social networking service, and consequently, contributes to the advancement of inter-node interconnection, making the network into a large cluster. Therefore, considering that the influence of the service depends on the size of the cluster, adding new friends plays a key role in the competitiveness of social networking services.
소셜 네트워킹 서비스에서 새로운 친구를 추가하는 방법은 '초대', '검색' 그리고 '추천'이라는 3가지로 구분할 수 있다. 먼저 초대에 의한 방법은 이메일 주소록, 메신저 연락처 정보처럼 서비스 외부에 존재하는 자신의 소셜 그래프를 참고하여 서비스 밖의 인물에게 초대의 메시지를 전달하는 방법이다. 그리고 검색은 이름, 특정 년도, 학교명, 회사명, 이메일 주소 등으로 아직 추가하지 못한 지인을 찾아내는 방법이다. 마지막으로 추천은 사용자의 소셜 프로파일을 분석해서 프로파일 상으로 유사성을 갖는 이들을 추천하는 방식이다. 개인 프로파일은 개별 사용자의 학교명, 회사명 등이 되며 사용자의 소셜 프로파일은 개인 프로파일에 친구들의 개인 프로파일들을 더한 것이라 할 수 있다. 페이스북의 'People You May Know'가 친구 추천 기능에 해당하며 사용자의 소셜 프로파일과 유사성이 높은 순서부터 친구를 수십명 정도로 제한해서 목록으로 보여준다.There are three ways to add new friends in social networking services: 'invite', 'search' and 'recommendation'. First, the invitation method is a method of delivering an invitation message to a person outside the service by referring to his or her social graph existing outside the service such as an email address book and a messenger contact information. Search is a way to find people you haven't added yet by name, specific year, school name, company name, email address, and so on. Finally, recommendation is a way of analyzing a user's social profile and recommending those with similarities on the profile. The personal profile may be an individual user's school name, company name, etc. The user's social profile may be said to be a personal profile of friends plus personal profiles. Facebook 'People You May Know' is a friend recommendation feature, and lists only a few dozen friends in order of similarity with the user's social profile.
위의 3가지 방법은 모두 새로운 친구를 추가하는 기능을 하지만 자신의 실세계의 소셜 그래프나 소셜 프로파일의 유사성에 의존하고 있어서, 소셜 프로파일 상으로 유사성이 낮은 낯선 사용자와 친구가 될 가능성을 어느 정도 제한하고 있다고 볼 수 있다. 친구 관계가 형성되기 위해서는 서로 간의 '친밀감'과 '신뢰' 가 중요한 요소라고 하면 이러한 제한은 합리적이라 볼 수 있다. 그러나 지속적인 관계를 맺기 전에 새로운 친구와의 관계를 시작할지 결정하는 초기 시점에서는 '친밀감', '신뢰'에 대한 판단이 제한되기 때문에 '첫인상'이 상대적으로 큰 역할을 할 수 있다는 점이 간과되고 있다.
All three of these methods add new friends but rely on the similarities of your real-world social graph or social profile, limiting your chances of becoming friends with strangers on social profiles that are less similar. It can be seen that. This restriction is reasonable if 'friendship' and 'trust' are important factors for forming friendships. However, in the early stages of deciding whether to start a relationship with a new friend before making a lasting relationship, the first impression can be overlooked because the judgment on intimacy and trust is limited.
본 발명의 목적은 사용자가 호감을 가질 수 있는 소셜 네트워킹 서비스 사용자를 위한 친구 추천 방법, 이를 위한 기록 매체 및 이를 이용하는 소셜 네트워킹 서비스 및 서버를 제공하는데 있다.It is an object of the present invention to provide a friend recommendation method for a social networking service user who may have a good feeling, a recording medium therefor, and a social networking service and a server using the same.
상기 목적을 달성하기 위한 소셜 네트워킹 서비스 사용자를 위한 친구 추천 방법은 소셜 네트워킹 서비스에 있어서, 사용자에게 등록된 친구들 중 낯선 친구들을 구별하는 단계, 구별된 상기 낯선 친구들 각각의 사진 이미지를 기초로 복수개의 상위 이미지 태그를 추출하는 단계, 상기 복수개의 상위 이미지 태그에서 지정된 개수의 이미지 태그를 자동으로 최종 상위 태그로 선택하고, 선택된 상기 최종 상위 태그를 이용하여 상기 사용자에 대한 특징 벡터를 계산하는 단계, 및 상기 사용자에 대한 상기 특징 벡터와 유사성이 높은 사진 이미지를 갖는 다른 사용자를 새로운 친구로 추천하는 단계를 구비한다.A friend recommending method for a social networking service user for achieving the above object is a social networking service, comprising: distinguishing strangers among friends registered with the user, and generating a plurality of different pictures based on the photographic images of each of the distinguished friends; Extracting an image tag, automatically selecting a specified number of image tags from the plurality of upper image tags as a final upper tag, calculating a feature vector for the user using the selected last upper tag, and Recommending another user with a photographic image having high similarity to the feature vector for the user as a new friend.
상기 목적을 달성하기 위한 낯선 친구를 구별하는 단계는 상기 사용자에게 등록된 상기 친구들에 대한 소셜 메타 데이터를 수집하는 단계, 상기 소셜 메타 데이터를 분류하기 용이한 토큰으로 변환하는 단계, 상기 토큰 중 출현 빈도가 높은 토큰을 사용자 토큰으로 설정하는 단계, 및 상기 친구들 중 상기 사용자 토큰과 비교하여 일치도가 낮은 토큰을 갖는 친구들을 낯선 친구들로 구분하는 단계를 구비하는 것을 특징으로 한다.Distinguishing stranger friends to achieve the object may include collecting social metadata about the friends registered with the user, converting the social metadata into tokens that are easy to classify, frequency of occurrence of the tokens Setting a high token as a user token, and classifying friends having a low matching token among the friends as strangers among the friends.
상기 목적을 달성하기 위한 복수개의 이미지 태그를 추출하는 단계는 상기 소셜 네트워킹 서비스에 등록된 상기 낯선 친구들 각각의 이미지에 대해 자동 이미지 태깅을 수행하는 단계, 및 상기 자동 이미지 태깅을 수행하여 추출되는 복수개의 이미지 태그를 빈도수에 따라 정렬하고, 빈도수가 높은 지정된 개수의 이미지 태그들을 상기 상위 이미지 태그들로 추출하는 단계를 구비하는 것을 특징으로 한다.The extracting of the plurality of image tags to achieve the above object may include performing automatic image tagging on the images of each of the stranger friends registered in the social networking service, and extracting the plurality of image tags by performing the automatic image tagging. And sorting image tags according to frequencies, and extracting a predetermined number of image tags having a high frequency into the upper image tags.
상기 목적을 달성하기 위한 자동 이미지 태깅을 수행하는 단계는 상기 낯선 친구들 각각의 이미지를 분석하여, 상기 이미지에 대응하는 복수개의 카테고리를 선택하는 단계, 및 상기 복수개의 카테고리 각각의 명칭을 상기 이미지 태그로 선택하는 단계를 구비하는 것을 특징으로 한다.The automatic image tagging may be performed by analyzing an image of each of the stranger friends, selecting a plurality of categories corresponding to the image, and assigning a name of each of the plurality of categories to the image tag. Characterized in that it comprises a step of selecting.
상기 목적을 달성하기 위한 카테고리를 선택하는 단계는 기계 학습 방법을 이용하여 상기 카테고리를 선택하고, 상기 기계학습 방법을 수행하기 위한 트레이닝 세트로서 야후 세트를 사용하는 것을 특징으로 한다.The step of selecting a category for achieving the above object is characterized by selecting the category using a machine learning method and using a Yahoo set as a training set for performing the machine learning method.
상기 목적을 달성하기 위한 새로운 친구로 추천하는 단계는 상기 사용자에게 등록된 상기 친구들 이외의 다른 사용자의 이미지에 대한 태그와 상기 사용자에 대한 상기 특징 벡터의 유사도를 분석하는 단계, 상기 유사도가 높은 다른 사용자의 특징 벡터를 획득하는 단계, 상기 소셜 네트워크 서비스에 등록된 상기 사용자의 이미지에 대한 태그와 상기 다른 사용자의 특징 벡터의 유사도를 분석하는 단계, 및 상기 사용자에 대한 상기 특징 벡터의 유사도와 상기 다른 사용자의 특징 벡터의 유사도가 지정된 기준값보다 높으면, 상기 다른 사용자를 상기 사용자에게 새로운 친구로 추천하는 단계를 구비하는 것을 특징으로 한다.The step of recommending as a new friend to achieve the above object comprises analyzing the similarity between the tag for the image of the user other than the friends registered with the user and the feature vector for the user, the other high similarity user Obtaining a feature vector of the user; analyzing a similarity between the tag of the user's image registered with the social network service and the feature vector of the other user; and the similarity of the feature vector to the user; If the similarity of the feature vector is higher than a specified reference value, recommending the other user as a new friend to the user.
상기 목적을 달성하기 위한 소셜 네트워킹 서비스 사용자를 위한 친구 추천 방법은 소셜 네트워킹 서비스에 있어서, 사용자에게 등록된 친구들 중 낯선 친구들을 구별하는 단계, 구별된 상기 낯선 친구들 각각의 사진 이미지를 기초로 복수개의 상위 이미지 태그를 추출하는 단계, 상기 복수개의 상위 이미지 태그에서 상기 사용자가 직접 지정된 개수의 이미지 태그를 최종 상위 태그로 선택하고, 선택된 상기 최종 상위 태그를 이용하여 상기 사용자에 대한 특징 벡터를 계산하는 단계, 및 상기 사용자에 대한 상기 특징 벡터와 유사성이 높은 사진 이미지를 갖는 다른 사용자를 새로운 친구로 추천하는 단계를 구비한다.A friend recommending method for a social networking service user for achieving the above object is a social networking service, comprising: distinguishing strangers among friends registered with the user, and generating a plurality of different pictures based on the photographic images of each of the distinguished friends; Extracting an image tag, selecting a number of image tags directly designated by the user from the plurality of upper image tags as a final upper tag, and calculating a feature vector for the user using the selected final upper tag; And recommending another user who has a photographic image having a high similarity with the feature vector to the user as a new friend.
상기 본원 발명은 소셜 네트워킹 서비스 사용자를 위한 친구 추천 방법을 수행하기 위한 프로그램 명령어가 기록된, 컴퓨터가 판독가능한 기록매체를 제공한다.The present invention provides a computer readable recording medium having recorded thereon program instructions for performing a friend recommendation method for a social networking service user.
상기 본원 발명은 상기 사용자의 단말기와 네트워크를 통해 연결되어 소셜 네트워킹 서비스 사용자를 위한 친구 추천 방법을 수행하기 위한 프로그램을 실행하는 서버를 제공한다.
The present invention provides a server that is connected to the user's terminal through a network to execute a program for performing a friend recommendation method for a social networking service user.
따라서, 본 발명의 소셜 네트워킹 서비스 사용자를 위한 친구 추천 방법, 이를 위한 기록 매체 및 이를 이용하는 소셜 네트워킹 서비스 및 서버는 사용자의 친구들의 소셜 메타 데이터를 분석해서 전체 친구 중에서 낯선 친구의 목록을 선별하고, 이들의 사진에 대해 자동 이미지 태깅 기술을 적용하여 이미지를 기술하는 태그의 목록을 추출하여 사용자가 호감을 가질만한 낯선 친구를 추천 할 수 있다. 따라서 소셜 네트워킹 서비스의 클러스터를 확장할 수 있으므로, 소셜 네트워킹 서비스의 경쟁력을 강화할 수 있다.
Therefore, the friend recommendation method for the user of the social networking service of the present invention, the recording medium therefor, and the social networking service and the server using the same analyze the social metadata of the user's friends to select a list of strangers from all the friends, and By applying automatic image tagging technology to a photo, you can extract a list of tags that describe the image and recommend a stranger to the user. Therefore, the cluster of social networking services can be expanded, thereby enhancing the competitiveness of social networking services.
도 1은 소셜 네트워킹 서비스에서 특정 사용자에 대한 친구 수의 분포를 나타내는 도면이다.
도 2는 도 1의 친구 수의 분포에서 낯선 친구 친구수의 비율을 나타내는 도면이다.
도 3은 CBIR을 이용하여 이미지의 패턴을 구분한 일예를 나타내는 도면이다.
도 4는 야후 세트의 일예로서 특정 카테고리에 등록된 이미지의 일부를 나타낸다.
도 5는 본 발명의 일예에 따라 3장의 친구 이미지에 대해서 태그를 추출한 결과이다.1 is a diagram illustrating a distribution of friend numbers for a specific user in a social networking service.
FIG. 2 is a diagram illustrating a ratio of stranger friend friends in the distribution of friend numbers of FIG. 1.
3 is a diagram illustrating an example of dividing a pattern of an image by using a CBIR.
4 illustrates a part of an image registered in a specific category as an example of a Yahoo set.
5 is a result of extracting a tag for the three friends image according to an embodiment of the present invention.
이하, 첨부한 도면을 참고로 하여 본 발명의 소셜 네트워킹 서비스 사용자를 위한 친구 추천 방법, 이를 위한 기록 매체 및 이를 이용하는 소셜 네트워킹 서비스 및 서버을 설명하면 다음과 같다.
Hereinafter, a friend recommending method for a social networking service user, a recording medium, and a social networking service and a server using the same will be described with reference to the accompanying drawings.
도 1은 소셜 네트워킹 서비스에서 특정 사용자에 대한 친구 수의 분포를 나타내는 도면이다. 그리고 도 2는 도 1의 친구 수의 분포에서 낯선 친구 친구수의 비율을 나타내는 도면이다.1 is a diagram illustrating a distribution of friend numbers for a specific user in a social networking service. 2 is a view showing the ratio of the number of stranger friends in the distribution of the number of friends in FIG.
소셜 네트워킹 서비스에서는 새로운 친구의 소셜 프로파일과 사진 등의 제한된 정보가 주어지게 되는데 이 때 상대방의 사진이 '첫인상'을 결정하게 되고 사진이 마음에 들면 친구로 맺어질 가능성이 크다. 따라서 '친밀감' 이라는 요소와 더불어 내가 '호감'을 가질 만한 사진을 가진 새로운 친구를 추천하는 방식도 생각해 볼 수 있다. 본 발명에서는 기존의 방식에 비해 소셜 프로파일 상으로 유사성이 낮은 사용자와도 친구가 될 가능성이 높고 동시에 친구로 맺어질 가능성이 높은 사용자를 추천하기 위한 방법을 제안한다.
In social networking services, new friends are given limited information such as social profiles and photos. At this time, the other person's picture determines the 'first impression', and if the picture is good, they are more likely to be friends. Thus, in addition to the element of 'intimacy', I can think of a way to recommend a new friend with a photo that will have a 'crush'. The present invention proposes a method for recommending a user who has a high likelihood of becoming a friend and a friend who has a low similarity on a social profile compared to a conventional method.
본 발명에서 사용자가 호감을 가질 만한 새로운 친구를 추천하는 방법은 기본적으로 사용자들의 친구 패턴을 분석한 결과를 활용한다. 어떤 사용자의 친구 관계가 자신과 비슷한 유사한 패턴을 보여주고 있다면, 그 유사성을 바탕으로 새로운 친구를 추천할 수 있는 것이다. 마찬가지로 호감을 가질 만한 친구에 대해서도 같은 방식으로 추천이 가능하다. 호감이 가는 친구에 대해 이런 패턴을 분석하기 위해서는 먼저 전체 친구 중에서 사용자와 소셜 프로파일의 유사성이 낮은 친구들을 구분할 필요가 있다.
In the present invention, the method of recommending a new friend that the user may have a good feeling is based on the result of analyzing the user's friend pattern. If a friend's relationship shows a similar pattern to her, you can suggest new friends based on that similarity. Likewise, you can make recommendations for friends you might like. In order to analyze this pattern for a crush-like friend, it is first necessary to distinguish between users and friends with low similarities in social profiles.
이런 구분은 전체 친구 데이터를 획득하는 것으로부터 시작한다. 본 발명에서는 소셜 네트워킹 서비스의 일부를 구성하는 사용자와 친구들에 대해서 새로운 친구 추가 시점에서 사용자에게 제공되는 데이터(예를 들면, 사진 및 소셜 메타 데이터)와 동일한 형식의 정보들을 수집한다. 이러한 정보들은 소셜 네트워킹 서비스의 데이터베이스(database)에 저장되어 있으며, 소셜 네트워킹 서비스의 일예로서 페이스 북의 API(Application Programming Interface)는 로그인 한 사용자의 친구들 사진 및 소셜 메타 데이터를 포함하는 정보들을 가져올 수 있는 함수를 제공하고 있다. 여기서 사용자에 각각에 대한 사진 및 소셜 메타 데이터와 같은 정보들은 각각의 사용자가 제공 여부를 동의하는 경우에 공개되어 친구 추가 시점에 제공 될 것이다. 도 1은 친구의 정보를 수집하기 위하여 특정한 아이디를 루트(root)로 삼고 친구 아이디들을 자식 노드로 삼은 다음 일정한 깊이까지 트리를 탐색을 하면서 2단계의 재귀 호출로 1차 데이터를 수집하여 획득되는 친구 수의 분포도로서 X축은 사용자 수이며, Y축은 친구의 수를 나타낸다. 도 1을 살펴보면 수집된 데이터는 일반적인 무작위 네트워크의 성질인 멱함수 분포를 띄고 있는 것을 알 수 있다.
This distinction starts with acquiring full friend data. In the present invention, information about the user and friends that form part of the social networking service is collected in the same format as the data (eg, photos and social metadata) provided to the user at the time of adding a new friend. This information is stored in a database of social networking services. As an example of a social networking service, Facebook's application programming interface (API) can retrieve information including friends' photos and social metadata of logged in users. It provides a function. Here, information such as photos and social metadata about each of the users will be disclosed and provided at the time of adding a friend when each user agrees to provide. 1 is a friend obtained by collecting primary data through a two-step recursive call while using a specific ID as a root, a friend ID as a child node, and searching a tree to a certain depth in order to collect information of a friend. As the number distribution, the X axis represents the number of users and the Y axis represents the number of friends. Referring to FIG. 1, it can be seen that the collected data has a power function distribution, which is a property of a general random network.
도 1에 도시된 1차 데이터는 특정 사용자의 모든 친구에 대한 정보를 포함하고 있다. 이들 가운데 사용자와의 소셜 메타 데이터의 일치도에 따라 일반 친구, 낯선 친구의 2그룹으로 구분한다. 사용자들의 소셜 메타 데이터는 학교명, 직장명, 지역명 등이고 개인에 따라 연도와 공개한 정보의 양의 차이가 나는 경우가 있다. 이러한 정보를 일치도를 계산하기 위해서 표 1과 같이 소셜 메타 데이터를 토큰(token)으로 변환했다.The primary data shown in FIG. 1 includes information about all friends of a specific user. Among them, two groups of general friends and strangers are classified according to the degree of social metadata matching with the user. The social metadata of users is the name of the school, the name of the work, the name of the area, and the like, and there are cases where the amount of information and the amount of information disclosed varies depending on the individual. To calculate this correspondence, social metadata was converted into tokens as shown in Table 1.
소셜 메타 데이터
Social metadata
토큰은 주어진 소셜 메타 데이터 중에서 Alum, Student, Grad 등과 같은 일반적인 단어와 '07, '03과 같은 년도 값도 제외시킨 후 소문자로 변환시킨 문자열이다. 즉 토큰은 소셜 메타 데이터에서 사용자와 친구들 사이의 일치도를 측정하기 용이한 핵심 단어만을 추출하여 소문자로 변환시킨 문자열이다. 소셜 메타 데이터를 토큰으로 변환할 때, 제외하는 문자열에 대해서는 통계적 기법을 적용할 수 있을 것이다. 친구와 사용자와의 토큰 일치도는 우선 주어진 사용자 일련의 토큰을 친구의 토큰과 문자열 매칭을 통해 계산했다. 사용자에게 소셜 메타 데이터가 없는 경우는 친구들의 데이터로 부터 추출한 모든 토큰을 사전 형식으로 나타낸 후 출현 빈도가 높은 단어를 사용자의 토큰으로 취급하여 일치도를 계산한다. 예를 들어 'digitaldomain' 이라는 토큰이 친구들의 소셜 메타 데이터로부터 n번 이상(n은 자연수, 예를 들면 5) 반복된다면 사용자도 그 토큰과 관련이 있을 수 있기 때문에 이 토큰을 사용자의 토큰으로 반영한다.Token is a string that is converted to lowercase after excluding general words such as Alum, Student, Grad, etc. and year values such as '07 and '03 from the given social metadata. In other words, the token is a string obtained by extracting only key words that are easy to measure correspondence between users and friends from social metadata and converting them to lowercase. When converting social metadata into tokens, statistical techniques can be applied to the strings that are excluded. Token matching between a friend and a user first calculated a given set of user tokens by matching a friend's token with a string. If the user does not have social metadata, all tokens extracted from the friends' data are represented in a dictionary form, and then a coincidence is calculated by treating a word with a high frequency as the user's token. For example, if the token 'digitaldomain' is repeated more than n times (n is a natural number, e.g. 5) from friends' social metadata, the token is reflected as the user's token because the user may be related to it. .
도 2는 전체 친구에 대한 낯선 친구의 비율을 그래프로 나타낸 것이다. 도2 에서도 도1 과 마찬가지로, X축은 사용자 수이며, Y축은 친구의 수를 나타낸다. 도2 에 도시된 바와 같이, 전체 사용자에 대한 낯선 친구가 일정한 비율로 존재하는 것을 알 수 있다. 도 2에 도시된 일정 비율에 대해 통계적 분석 결과 수식 1과 같은 표현 된다.2 is a graph showing the ratio of strangers to total friends. Also in FIG. 2, as in FIG. 1, the X axis represents the number of users and the Y axis represents the number of friends. As shown in Figure 2, it can be seen that there is a certain ratio of stranger friends for all users. For a certain ratio shown in Figure 2 is expressed as shown in
수학식 1은 본 발명에서 일예로 사용된 사용자 집단에 대한 통계적 분석 결과이므로, 소셜 네트워킹 서비스의 종류 또는 선택된 사용자에 따라 다르게 나타날 수 있다.
본 발명에서는 일예로 사용자 중에서 수학식 1로 표현되는 그래프에 대해 오차가 일정 범위 이내이면서 전체 친구 수와 낯선 친구 수가 평균값에 근접한 사용자 18명을 샘플로 선별했다. 그러나 낯선 친구는 다양한 기준으로 선별될 수 있으며, 임의로 랜덤하게 선별될 수도 있다.
In the present invention, for example, a sample of 18 users whose error is within a certain range and the total number of friends and the number of unfamiliar friends near the average value is selected as a sample among the users. However, strangers can be screened on a variety of criteria, or randomly.
이렇게 선별된 데이터를 활용해 특정 사용자와 낯선 친구들의 패턴이 유사한 친구를 찾아낼 수 있다면 그 유사성을 바탕으로 새로운 친구를 추천할 수 있다. 즉 특정 사용자의 낯선 친구에 대한 패턴을 분석하여, 사용자가 선호하는 성향의 다른 사용자를 찾을 수 있으므로, 사용자가 호감을 가질만한 다른 사용자를 친구로 추천할 수 있다. 그리고 낯선 친구는 소셜 메타 데이터 보다는 이미지를 보고 사귄 친구일 가능성이 크기 때문에 여기서 패턴은 친구의 프로필 이미지로 부터 추출하게 된다.
Using this sorted data, if you can find friends with similar patterns for a particular user and strangers, you can recommend new friends based on the similarities. That is, by analyzing a pattern of a stranger's unfamiliar friend, another user having a preferred propensity can be found, and thus, another user who may have a favorable feeling can be recommended as a friend. And since a stranger is more likely to be a friend who sees the image than social metadata, the pattern is extracted from the friend's profile image.
이미지로부터 패턴을 추출하는 방법은 여러가지가 있다. 컴퓨터 비전 분야에서는 데이터베이스상의 이미지를 조직적으로 관리하기 위해 이미지의 본질적인 속성인 색상, 텍스쳐 등의 이미지의 저수준 정보를 분석하는 대표적인 기술인 CBIR(Content-based image retrieval)을 연구해 왔다. 이는 시각적으로 유사한 이미지를 찾아내는데 적합한 방법이다.
There are several ways to extract a pattern from an image. In the field of computer vision, we have studied content-based image retrieval (CBIR), a representative technique that analyzes low-level information of images such as color and texture, which are essential attributes of images, in order to manage images in a database. This is a good way to find visually similar images.
도 3은 CBIR을 이용하여 이미지의 패턴을 구분한 일예를 나타내는 도면이다.3 is a diagram illustrating an example of dividing a pattern of an image by using a CBIR.
그런데 이미지의 저수준 속성만으로 패턴을 분석하면 이미지가 갖는 의미적인(Semantic) 레벨의 정보들을 놓칠 수 있다. 예를 들어 도3 에서는 고양이와 저녁 노을이 동일한 패턴으로 인식되고 있는 것을 알 수 있다. 이러한 현상을 해결하기 위해서 최근 몇 십년간 자동으로 의미 레벨의 정보를 찾아주는 기술에 대한 연구가 활발히 진행되어 왔다. 그 중 대표적인 연구가 '자동 이미지 태깅(Automatic Image Tagging)' 혹은 '자동 이미지 주석(Automatic Image Annotation)'인데 이것은 컴퓨터 시스템을 활용해 디지털 이미지에 대해 캡션이나 키워드 등의 네트워킹 서비스를 자동으로 할당하는 기술이다. 구체적으로는 이미지 상의 각각의 오브젝트를 인식하고 그것에 상응하는 키워드를 수학적인 방법으로 찾아내는 알고리즘을 말한다. 이 기술을 활용하면 이미지가 표현하고 있는 것들의 의미 수준 정보를 텍스트 형태의 태그(Tag)로 표현할 수 있다. 예를 들어 낯선 친구들의 프로필 이미지들에 대해 자동 이미지 태깅 기술을 적용하게 되면 그 이미지의 의미를 설명하는 일련의 태그(Tag)를 얻을 수 있다.
However, if the pattern is analyzed only by the low-level attributes of the image, the semantic level information of the image may be missed. For example, in Figure 3 it can be seen that the cat and the evening sunset are recognized in the same pattern. In order to solve this phenomenon, researches on technology for automatically finding information of semantic level have been actively conducted in recent decades. Among them, a typical research is 'Automatic Image Tagging' or 'Automatic Image Annotation', which uses a computer system to automatically assign networking services such as captions or keywords to digital images. to be. Specifically, it refers to an algorithm that recognizes each object on the image and finds a keyword corresponding thereto in a mathematical manner. Using this technology, you can express semantic level information of what images are represented as text tags. For example, if you apply automatic image tagging technology to profile images of strangers, you can get a set of tags that describe the meaning of the image.
이런 태그가 이미지에 대한 의미적 레벨의 특성으로 고려될 수 있다. 소셜 네트워킹 서비스에서 낯선 친구와 새로운 친구 관계를 결정하는 시점에서는 낯선 친구의 사진에 대한 사용자의 첫인상이 지배적인 요인이 될 수 있다. 첫인상은 그 친구의 사진을 보고 떠오르는 심상에 해당하는데 현재까지 연구된 자동 이미지 태깅 기술은 이미지 상에 시각적으로 보여지는 오브젝트를 판별하고 인식하는 데에만 충실하기 때문에 사용자가 받은 첫인상을 정확히 묘사할 수 없다. 그러나 낯선 친구들 간의 의미 수준의 패턴을 찾아주는데 CBIR 방법보다 적합하며 낯선 친구들로부터 추출된 태그를 분석하면 사용자가 호감을 가지는 키워드를 추정할 수도 있어서 첫인상에서 느낌 감성을 간접적으로 추측할 수 있는 가능성도 있다. 따라서 태그가 이미지의 의미적 레벨의 특성을 나태내는 역할을 하는데 적합하다고 할 수 있다. 실제로 주어진 이미지에 대한 태그를 찾는 문제는 이미지가 어떤 일반적인 카테고리에 속하는지 그 분류를 결정하는 문제로 취급될 수 있다. 예들 들어 눈사람의 이미지는 사람과 눈이라는 일반적인 카테고리에 속하게 되는데 이처럼 이미지가 어떤 카테고리에 속하는지 찾은 다음 그 카테고리 명을 이미지에 태그로 설정하게 된다. 이와 같은 방법은 기존의 연구에서 널리 쓰이는 방법이다. 태그의 표현 정확도는 이론적으로 비교하는 카테고리의 숫자가 많을수록 높아질 수 있다. 다른 방법으로는 온톨로지(ontology)를 통해 이미지의 전체적인 문맥에 맞는 태그를 찾을 수도 있다. 온톨로지는 사람들이 세상에 대하여 보고 듣고 느끼고 생각하는 것에 대하여 서로 간의 토론을 통하여 합의를 이룬 바를 개념적이고 컴퓨터에서 다룰 수 있는 형태로 표현한 모델로, 개념의 타입이나 사용상의 제약조건들을 명시적으로 정의한 기술이다. 온톨로지는 일단 합의된 지식을 나타내므로 어느 개인에게 국한되는 것이 아니라 그룹 구성원이 모두 동의하는 개념이며, 프로그램이 이해할 수 있어야 하므로 여러 가지 정형화가 존재한다.
Such a tag can be considered a characteristic of the semantic level for the image. At the point of determining a new friend relationship with a stranger in a social networking service, the user's first impression of the stranger's photo may be the dominant factor. The first impression corresponds to the image that comes to mind after seeing the friend's picture. The automatic image tagging technology studied so far is not only able to accurately describe and recognize the objects that are visually shown on the image, so the user cannot accurately describe the first impression received. . However, it is more suitable than CBIR method to find patterns of semantic level between strangers and by analyzing tags extracted from strangers, it is possible to infer the user's favorite keywords, so it may be possible to indirectly estimate the feeling emotion from the first impression. . Therefore, it can be said that the tag is suitable to play a role in representing the characteristics of the semantic level of the image. In practice, the problem of finding a tag for a given image can be treated as a matter of determining which general category an image belongs to. For example, an image of a snowman belongs to a general category of people and snow. In this way, the image is searched for which category the image belongs to, and the category name is tagged in the image. This method is widely used in existing research. The accuracy of representation of a tag can be higher as the number of categories compared theoretically increases. Alternatively, ontology can be used to find tags that match the overall context of the image. Ontology is a model that expresses the consensus in a conceptual and computer-friendly form that people agree on what they see, hear, feel and think about the world. . Ontologies are not limited to any individual because they represent knowledge that has been agreed upon, but are a concept that all members of the group agree to.
본 발명에서는 이미지가 속하는 다수의 카테고리를 판별하기 위해 기계 학습(machine learning) 방법을 사용할 수 있다. 기계 학습은 카테고리에 해당하는 데이터들을 일괄적으로 컴퓨터 상의 분류 모델에 입력한 후, 새로운 데이터가 입력되었을 때 기존에 구축된 모델에 근거하여 입력된 데이터의 특성을 고려했을 때 어떤 카테고리에 속하는지 판별하는 방법이다. 낯선 친구들의 이미지들은 여러개의 카테고리에 속할 수 있게 되는데 이런 경우를 멀티 클래스 분류(multi-class classification)라고 하며 카테고리 별로 일대일 혹은 일대다 식으로 비교하는 방법이 존재한다. 이러한 분류를 위해서 SVM (Support Vector Machine) 기법을 활용할 수 있다. SVM 기법은 널리 쓰이는 카테고리 분류 기법으로서 고차원 데이터 세트에 잘 동작하며 분류가 애매한 경계상의 데이터들에 대해서도 안정적인 분류 성능을 보여준다. 그리고 기계 학습을 수행하기 위해 컴퓨터 상의 분류 모델을 정립시킬 트레이닝 세트(Training set)로서의 데이터 세트(data set)로 본 발명에서는 일예로 야후 세트('Yahoo Set')를 선정했다. 야후 세트는 코렐 세트(Corel set)으로 부터 263개의 키워드를 추출한 다음 그것을 Yahoo 이미지 검색 엔진에 쿼리한 결과로 얻은 이미지들의 컬렉션이다. 각 카테고리별로 60개의 이미지가 포함되어 263개의 카테고리에 총 15780개의 JPG 컬러 형식의 이미지가 있으며, 표 2에서는 예시로서 야후 세트의 263개의 카테고리 중 일부인 54개의 카테고리 명칭을 나타내며, 그리고 도 4는 야후 세트의 일예로서 특정 카테고리에 등록된 이미지의 일부를 나타낸다. 도4 에서는 grass 카테고리에 등록된 이미지의 일부를 나타내었다.In the present invention, a machine learning method may be used to determine a plurality of categories to which an image belongs. Machine learning inputs data corresponding to a category into a classification model on a computer in a batch, and then, when new data is input, determines which category belongs to when considering the characteristics of the input data based on an existing model. That's how. Images of strangers can belong to several categories. This is called multi-class classification, and there is a method of comparing one-to-one or one-to-many by category. The support vector machine (SVM) technique can be used for this classification. SVM is a popular category classification technique that works well for high-dimensional datasets and shows stable classification performance even for data on boundary boundaries where classification is ambiguous. In the present invention, a Yahoo set is selected as a data set as a training set for establishing a classification model on a computer to perform machine learning. The Yahoo set is a collection of images obtained by extracting 263 keywords from the Corel set and then querying the Yahoo image search engine. There are 60 images in each category, and there are 15780 JPG color images in 263 categories. Table 2 shows 54 category names which are part of 263 categories of Yahoo set as an example, and FIG. 4 shows Yahoo set. As an example, a portion of an image registered in a specific category is represented. 4 shows a part of the image registered in the grass category.
소셜 네트워킹 서비스에서 친구 이미지는 사람의 얼굴에 제한되지 않는 자유로운 형태를 띄는 특성이 있는데, 기존의 컴퓨터 비전 연구에서 널리 쓰여왔던 코렐 세트는 카테고리 별로 이미지의 유사성이 커서 소셜 네트워킹 서비스 상의 다양한 이미지를 분류하기에는 적절하지 않을 수 있다. 그리고 Caltech101의 경우 101종류의 카테고리로 구성되어 있으므로 소셜 네트워킹 서비스의 이미지들을 모두 포함하기에는 카테고리의 수가 적기 때문에 적합하지 않다. 상기한 야후 세트와 코렐 세트 및 Caltech101 이외에도 Caltech256, LabelMe Dataset, Graz-02 Database, NORB DATA SET등의 데이터세트가 있으며, 본 발명에서는 야후 세트를 일예로 사용하지만 경우에 따라서는 다른 데이터 세트를 사용할 수도 있다.
In social networking services, friend images have a free form that is not limited to a person's face. Corel set, which has been widely used in previous computer vision studies, has a similarity in categories, which is not enough to classify various images on social networking services. It may not be appropriate. In addition, Caltech101 is composed of 101 categories, which is not suitable because the number of categories is small to include all images of social networking services. In addition to the above Yahoo set, Corel set, and Caltech 101, there are data sets such as Caltech256, LabelMe Dataset, Graz-02 Database, and NORB DATA SET. In the present invention, the Yahoo set is used as an example, but other data sets may be used in some cases. have.
이렇게 데이터 세트를 선정한 다음 본 발명에서는 실제로 SVM을 적용하기 위해서 야후 세트와 선별된 18명의 친구들의 이미지를 Gist feature라는 일관된 형식으로 표현할 수 있다. 카테고리를 결정하는 단계에서 이미지의 어떤 속성을 분류 기준을 잡느냐에 따라서 결과는 크게 달라질 수 있다. CBIR에서는 이미지의 색상, 형태, 텍스쳐 정보 등 저수준의 속성을 고려하는데 일반적으로 이런 속성들은 분류에 있어서 다양한 상황에 따른 오차를 발생시키는 원인이 된다.After selecting the data set, in the present invention, the image of the Yahoo set and the selected 18 friends can be expressed in a consistent form called a Gist feature in order to actually apply the SVM. In determining the category, the result may vary greatly depending on which attribute of the image is classified. CBIR considers low-level attributes such as color, shape, and texture information of an image. In general, these attributes cause errors in various situations in classification.
Gist feature는 이미지 영역에 대한 특성을 요약하여 표현하는 방법으로서 이미지를 인식하거나 분류하는 작업에서 일반적으로 높은 성능을 발휘한다고 알려져 있다. 이것은 이미지를 4x4개의 서로 겹치지 않는 그리드(grid)로 나눈 다음 각 그리드 셀에 대해 가버 필터(Gabor filter)를 적용한 결과에 해당하며 공간 구조에 대한 정보를 잘 표현하는 형식이다. 가버 필터는 엣지를 찾기 위해 이미지 처리에 사용되는 선형 필터이다.
Gist feature is a method of summarizing and expressing characteristics of an image region and is generally known to have high performance in image recognition or classification. This is the result of dividing the image into 4x4 non-overlapping grids, and then applying the Gabor filter to each grid cell and expressing the spatial structure well. Gabor filters are linear filters used in image processing to find edges.
선택한 사용자 18명의 친구들의 이미지 각각에 대해 야후 세트의 263개의 카테고리에 일대일로 조합할 수 있는 모든 경우의 수(34453개)에 대한 SVM 분류를 수행한다. 이때, 일예로 모든 경우에 대해 SVM의 커널 함수는 RBF를 사용하고 시그마 파라메터 값은 10으로 설정했다. 수행한 결과로 주어진 카테고리 중에서 빈도수가 가장 높은 상위 15개를 선택하고 최종적으로 사진에 부합하는 최종 상위 태그 5개를 선택한다. 여기서 선택되는 상위 태그의 개수와 최종 상위 태그의 개수는 소셜 네트워킹 서비스 제공자가 다양하게 조절할 수 있다. 또한 최종 상위 태그는 소셜 네트워킹 서비스에서 자동으로 선택하여 제공할 수도 있으나, 사용자가 호감을 가질 수 있는 친구를 추천한다는 면에서 사용자에게 선택 할 수 있도록 할 수 있다. 예를 들어 소셜 네트워킹 서비스를 제공하는 서버가 사용자 단말기로 추출된 상위 15개의 태그를 샘플로 선택된 낯선 친구의 이미지와 함께 제공하고, 사용자가 상위 15개의 태그 중 5개를 최종 상위 태그로서 선택할 수 있도록 할 수 있다.
For each of the images of the 18 users of the selected user, we perform an SVM classification for all the cases (34453) that can be combined one-to-one into the 263 categories of the Yahoo! set. At this time, for example, in all cases, the kernel function of SVM uses RBF and the sigma parameter value is set to 10. As a result, the top 15 most frequently selected categories are selected, and the last 5 top tags that match the photo are selected. The number of the upper tag selected and the number of the last upper tag selected here may be variously adjusted by the social networking service provider. Also, the final upper tag may be automatically selected and provided by the social networking service, but the user may be able to select the user in terms of recommending a friend who may have a good feeling. For example, a server providing a social networking service may provide the top 15 tags extracted to a user terminal with an image of a stranger selected as a sample, and allow the user to select five of the top 15 tags as the final top tags. can do.
도 5는 본 발명의 일예에 따라 3장의 친구 이미지에 대해서 태그를 추출한 결과이다. 도5 에서 'ALIPR 결과'는 구현된 결과의 성능을 기존의 방식과 비교하기 위해 추가한 것으로, 기존의 실시간 이미지-단어 연결 프로그램(automatic linguistic indexing of pictures in real-time : ALIPR)을 구현하는 자동 이미지 태깅 사이트인 alipr.com에 동일한 사진을 입력해서 얻은 15개의 후보 태그를 중에서 사진에 부합하는 태그 5개를 선택한 것이다.
5 is a result of extracting a tag for the three friends image according to an embodiment of the present invention. In FIG. 5, 'ALIPR results' are added to compare the performance of the implemented results with existing methods, and implement an automatic implementation of the existing automatic linguistic indexing of pictures in real-time (ALIPR). Five tags that matched the photo were selected from 15 candidate tags obtained by entering the same photo on the image tagging site alipr.com.
ALIPR은 코렐 세트를 활용한 확률 모델 기반 시스템으로서 실시간에 태그를 추출할 수 있는 장점을 가진 반면에 소셜 네트워킹 서비스처럼 백과 사전에 나올 법한 사진이 아닌 자유분방한 사진을 입력하는 경우에는 많은 오차를 발생하는 특징이 있다. 그에 반해 본 발명의 구현을 통해 추출된 태그는 ALIPR의 경우보다 사진에 더욱 적절한 태그 인 것을 알 수 있다.
ALIPR is a probabilistic model-based system that utilizes Corel set, which has the advantage of extracting tags in real time, while generating a lot of errors when inputting freely decentralized pictures rather than probable photos such as social networking services. There is a characteristic to. On the other hand, it can be seen that the tag extracted through the implementation of the present invention is a tag more appropriate for the photo than the ALIPR.
낯선 친구에 대한 사용자의 친구 맺기 패턴은 선별된 친구의 이미지로부터 추출된 태그들을 이용해 특징 벡터로 표현할 수 있다. 사용자 간의 친구 맺기 패턴의 유사도는 사용자들의 특징 벡터의 유사도를 측정함으로서 계산할 수 있다.
The user's joining pattern for an unfamiliar friend may be expressed as a feature vector using tags extracted from the selected friend's image. The similarity of the friend making pattern between the users can be calculated by measuring the similarity of the feature vector of the users.
도 6은 친구이미지에서 추출한 태그 및 사용자별 특징 벡터를 나타낸다.6 shows a tag extracted from a friend image and a feature vector for each user.
특징 벡터는 각각 친구 이미지에서 15개의 상위 태그를 모두 선택하여 각 카테고리의 빈도수에 따라 정렬한 다음 사용자에 의해 선택된 5개의 상위 태크에 해당하는 것들만 모은 것이 된다. 도 6에서 괄호 속의 숫자는 태그의 빈도를 나타내는 값으로 (태크의 중복 빈도수) / (전체 빈도수) * 100으로 계산한다. 유사도 측정의 대표적인 방법은 유클리디안 거리 점수와 피어슨 상관점수가 있는데, 본 발명에서는 정규화되지 않은 데이터이고 안정적인 결과를 제공하는 피어슨 상관점수 방법을 일예로 사용했다.The feature vector selects all 15 top tags from each friend image, sorts them according to the frequency of each category, and then collects only the top 5 tags selected by the user. In Figure 6, the number in parentheses is a value representing the frequency of the tag and is calculated as (duplicate frequency of the tag) / (total frequency) * 100. Representative methods of similarity measurement are Euclidean distance score and Pearson correlation score. In the present invention, the Pearson correlation score method, which is unnormalized data and provides stable results, is used as an example.
그리고 계산된 특징 벡터를 이용하여 소셜 네트워킹 서비스상에서 유사한 특징 벡터를 갖는 다른 사용자를 검색하여 새로운 친구로서 추천할 수 있다. 특징 백터는 현재 사용자에게 친구로 등록되어 있으나 소셜 메타 데이터의 일치도가 낮은 낯선 친구로부터 분석된 데이터이므로, 사용자가 유사한 특징 벡터를 갖는 다른 사용자에 대해 호감을 가질 수 있다는 것으로 유추할 수 있다. 따라서 유사한 특징 벡터를 갖는 다른 사용자는 사용자가 호감을 가질 수 있는 타입이라고 볼 수 있으므로, 사용자가 추천된 다른 사용자에 대해 쉽게 친숙해 질 수 있을 것이다.
The calculated feature vector may be used to search for other users with similar feature vectors on the social networking service and recommend them as new friends. Since the feature vector is data analyzed from a stranger who is registered as a friend to the user but has low social metadata, it can be inferred that the user may have a favorable feeling for another user having a similar feature vector. Therefore, other users with similar feature vectors may be regarded as types that the user may have a favorable feeling, and thus the user may be easily familiar with other recommended users.
결과적으로, 본 발명은 소셜 네트워킹 서비스 사용자의 친구들의 소셜 메타 데이터를 분석해서 전체 친구 중에서 낯선 친구의 목록을 선별하고, 이들의 사진에 대해 자동 이미지 태깅 기술을 적용하여 이미지를 기술하는 태그의 목록을 추출하여 사용자의 선호도를 특징 벡터로 판별하고, 판별된 특징 벡터를 이용하여 사용자가 호감을 가질만한 낯선 친구를 추천 할 수 있다.
As a result, the present invention analyzes social metadata of friends of social networking service users, selects a list of strangers from all friends, and applies an automatic image tagging technique to their photos to list tags describing the images. By extracting the user's preference can be determined as a feature vector, and using the determined feature vector, it is possible to recommend an unfamiliar friend who may have a good feeling.
도 7은 본 발명의 일예에 따른 친구 추천 방법을 나타내는 순서도이다.7 is a flowchart illustrating a friend recommending method according to an embodiment of the present invention.
상기한 바와 같이 본 발명의 일예에 따른 친구 추천 방법은 먼저 사용자를 중심으로 친구들에 대한 소셜 메타 데이터를 수집한다(S11). 그리고 사용자와 친구들사이에 일치도 계산이 용이하도록 수집된 소셜 메타 데이터에서 핵심 단어만을 추출하여 소셜 메타 데이터를 토큰으로 변환한다(S12). 변환된 토큰 중 출현 빈도가 높은 단어를 사용자의 토큰으로 설정한다(S13). 사용자의 친구들 중 설정된 사용자 토큰과 비교하여 일치도가 떨어지는 토큰을 갖는 친구를 낯선 친구를 구별하고, 구별된 낯선 친구들 중 일부를 샘플로 선별한다(S14).As described above, the friend recommendation method according to an embodiment of the present invention first collects social metadata about friends based on a user (S11). Then, only the key words are extracted from the collected social metadata so that the degree of coincidence between the user and friends is easily converted (S12). The word having a high appearance frequency among the converted tokens is set as the user's token (S13). A friend having a token having a lower matching degree is distinguished from a friend of the user's friends by distinguishing stranger friends, and a part of the distinguished stranger friends is selected as a sample (S14).
이후 샘플로 선별된 낯선 친구의 사진에 대해서 자동 이미지 태깅을 수행한다(S15). 자동 이미지 태깅을 수행함에 의해 낯선 친구의 사진에 대한 이미지가 어떤 카테고리에 속하는지 확인하게 되면, 해당 카테고리 명을 낯선 친구의 사진에 대한 이미지 태그로서 획득한다. 이때 이미지 태그는 복수개로 획득 될 수 있다. 그리고 복수개로 획득된 이미지 태그를 빈도수에 따라 정렬하고, 정렬된 이미지 태그에서 빈도수가 높은 지정된 소정 개수의 이미지 태그를 상위 이미지 태그를 추출한다(S16). 상위 이미지 태그는 상기한 바와 같이 소셜 네트워킹 서비스가 자동으로 추출할 수도 있으나, 경우에 따라서는 복수개의 이미지 태그 중 일부를 소셜 네트워킹 서비스가 사용자에게 사용자 단말기를 통해 디스플레이하고, 사용자는 디스플레이된 이미지 태그에서 선택하여 추출 할 수도 있다.Afterwards, automatic image tagging is performed on pictures of strangers selected as samples (S15). When the image of the friend of the stranger belongs to the image by performing the automatic image tagging, the category name is acquired as the image tag of the friend of the stranger. In this case, a plurality of image tags may be obtained. Then, the plurality of image tags obtained are sorted according to the frequency, and the upper image tag is extracted from a predetermined number of image tags having a high frequency from the sorted image tags (S16). The upper image tag may be automatically extracted by the social networking service as described above, but in some cases, the social networking service displays some of the plurality of image tags to the user through the user terminal, and the user You can also choose to extract.
추출된 상위 이미지 태그 각각에 대한 빈도를 계산하여, 각 태그의 특징 벡터를 구성한다(S17). 구성된 특징 벡터는 사용자의 현재 친구들 중 소셜 메타 데이터의 일치성이 낮은 낯선 친구들에 대해 분석된 정보이므로, 유사한 특징 벡터를 갖는 다른 사용자에게 사용자가 호감을 가질 가능성이 높을 것이다. 따라서 동일한 소셜 네트워킹 서비스의 다른 사용자들에 대해서도 특징 벡터를 구성하고, 사용자와 다른 사용자들 사이의 친구 관계의 유사성을 계산한다(S18). 즉 친구 관계는 사용자와 다른 사용자 사이의 상호 관계이므로, 사용자의 특징 벡터가 다른 특정 사용자의 이미지와 유사할지라도, 다른 사용자의 특징 벡터가 사용자의 이미지와 유사하지 않다면 친구로 추천할 수 없다. 따라서 상호간에 호감도가 높은 사용자를 검색하기 위하여 친구관계의 유사성을 계산한다. 이후 계산된 유사성을 기초로 하여 현재 사용자의 친구로 등록되어 있지 않은 다른 사용자들 중 사용자와 유사한 특징 벡터를 갖는 사용자를 새로운 친구로 추천한다(S19).
The frequency of each extracted upper image tag is calculated to form a feature vector of each tag (S17). Since the constructed feature vector is information analyzed for strangers whose social metadata is less consistent among the current friends of the user, the user is likely to have a favorable feeling to other users having similar feature vectors. Therefore, a feature vector is also configured for other users of the same social networking service, and the similarity of the friend relationship between the user and the other users is calculated (S18). That is, since a friend relationship is a mutual relationship between a user and another user, even if the user's feature vector is similar to another specific user's image, it cannot be recommended as a friend unless the feature vector of another user is similar to the user's image. Therefore, the similarity of friend relationship is calculated to search for users who have high affinity. Thereafter, based on the calculated similarity, among other users who are not registered as friends of the current user, a user having a feature vector similar to the user is recommended as a new friend (S19).
따라서 사용자에게 기존과 다른 방식으로 새로운 친구를 추천할 수 있으므로, 소셜 네트워킹 서비스의 클러스터를 확장할 수 있고, 소셜 네트워킹 서비스의 경쟁력을 강화할 수 있다.
Therefore, it is possible to recommend new friends to the user in a different way from the existing ones, thereby expanding the cluster of social networking services and enhancing the competitiveness of the social networking services.
본 발명은 또한 상기 또 다른 과제를 해결하기 위하여, 상술한 친구 추천 방법을 이용하는 소셜 네트워킹 서비스를 제공한다. 또한 본 발명에 따른 소셜 네트워킹 서비스는 복수개의 사용자 단말기에 대해 네트워크로 연결되는 서버에서 제공한다. 그리고 본 발명에 따른 친구 추천 방법은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 기록매체의 예로는 ROM, RAM, 광학 디스크, 자기 테이프, 플로피 디스크, 하드 디스크, 비휘발성 메모리 등이 있으며, 또한 캐리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.The present invention also provides a social networking service using the above-mentioned friend recommendation method in order to solve the another problem. In addition, the social networking service according to the present invention is provided by a server connected to a network for a plurality of user terminals. The friend recommendation method according to the present invention can be embodied as computer readable codes on a computer readable recording medium. A computer-readable recording medium includes all kinds of recording apparatuses in which data that can be read by a computer system is stored. Examples of the recording medium include ROM, RAM, optical disk, magnetic tape, floppy disk, hard disk, nonvolatile memory, and the like, and also include a carrier wave (for example, transmission through the Internet). The computer readable recording medium can also be distributed over network coupled computer systems so that the computer readable code is stored and executed in a distributed fashion.
본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. While the present invention has been particularly shown and described with reference to exemplary embodiments thereof, it is evident that many alternatives, modifications and variations will be apparent to those skilled in the art.
따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 등록청구범위의 기술적 사상에 의해 정해져야 할 것이다.Therefore, the true technical protection scope of the present invention will be defined by the technical spirit of the appended claims.
Claims (15)
사용자에게 등록된 친구들 중 낯선 친구들을 구별하는 단계;
구별된 상기 낯선 친구들 각각의 사진 이미지를 기초로 복수개의 상위 이미지 태그를 추출하는 단계;
상기 복수개의 상위 이미지 태그에서 지정된 개수의 이미지 태그를 자동으로 최종 상위 태그로 선택하고, 선택된 상기 최종 상위 태그를 이용하여 상기 사용자에 대한 특징 벡터를 계산하는 단계; 및
상기 사용자에 대한 상기 특징 벡터와 유사성이 높은 사진 이미지를 갖는 다른 사용자를 새로운 친구로 추천하는 단계를 구비하는 소셜 네트워킹 서비스 사용자를 위한 친구 추천 방법.
A server that provides social networking services,
Distinguishing strangers among friends registered with the user;
Extracting a plurality of upper image tags based on the photographic images of each of the distinguished strangers;
Automatically selecting a number of image tags specified in the plurality of upper image tags as a final upper tag, and calculating a feature vector for the user using the selected last upper tag; And
Recommending another user with a photographic image having a high similarity with the feature vector to the user as a new friend.
상기 사용자에게 등록된 상기 친구들에 대한 소셜 메타 데이터를 수집하는 단계;
상기 소셜 메타 데이터를 분류하기 용이한 토큰으로 변환하는 단계;
상기 토큰 중 출현 빈도가 높은 토큰을 사용자 토큰으로 설정하는 단계; 및
상기 친구들 중 상기 사용자 토큰과 비교하여 일치도가 낮은 토큰을 갖는 친구들을 낯선 친구들로 구분하는 단계를 구비하는 것을 특징으로 하는 소셜 네트워킹 서비스 사용자를 위한 친구 추천 방법.
The method of claim 1, wherein the step of distinguishing stranger friends
Collecting social metadata about the friends registered with the user;
Converting the social metadata into tokens that are easy to classify;
Setting a token having a high appearance frequency among the tokens as a user token; And
And classifying friends having a low coincidence among the friends into strangers as compared with the user tokens of the friends.
상기 소셜 네트워킹 서비스에 등록된 상기 낯선 친구들 각각의 이미지에 대해 자동 이미지 태깅을 수행하는 단계; 및
상기 자동 이미지 태깅을 수행하여 추출되는 복수개의 이미지 태그를 빈도수에 따라 정렬하고, 빈도수가 높은 지정된 개수의 이미지 태그들을 상기 상위 이미지 태그들로 추출하는 단계를 구비하는 것을 특징으로 하는 소셜 네트워킹 서비스 사용자를 위한 친구 추천 방법.
The method of claim 1, wherein the extracting of the plurality of image tags comprises:
Performing automatic image tagging on an image of each of the stranger friends registered with the social networking service; And
And sorting a plurality of image tags extracted by performing the automatic image tagging according to a frequency, and extracting a predetermined number of image tags having a high frequency as the upper image tags. How to recommend a friend.
상기 낯선 친구들 각각의 이미지를 분석하여, 상기 이미지에 대응하는 복수개의 카테고리를 선택하는 단계; 및
상기 복수개의 카테고리 각각의 명칭을 상기 이미지 태그로 선택하는 단계를 구비하는 것을 특징으로 하는 소셜 네트워킹 서비스 사용자를 위한 친구 추천 방법.
4. The method of claim 3, wherein performing automatic image tagging
Analyzing the images of each of the strangers and selecting a plurality of categories corresponding to the images; And
Selecting a name of each of the plurality of categories as the image tag.
기계 학습 방법을 이용하여 상기 카테고리를 선택하고, 상기 기계학습 방법을 수행하기 위한 트레이닝 세트로서 야후 세트를 사용하는 것을 특징으로 하는 소셜 네트워킹 서비스 사용자를 위한 친구 추천 방법.
The method of claim 4, wherein selecting the category comprises:
Selecting a category using a machine learning method, and using a Yahoo set as a training set for performing the machine learning method.
상기 사용자에게 등록된 상기 친구들 이외의 다른 사용자의 이미지에 대한 태그와 상기 사용자에 대한 상기 특징 벡터의 유사도를 분석하는 단계;
상기 유사도가 높은 다른 사용자의 특징 벡터를 획득하는 단계;
상기 소셜 네트워크 서비스에 등록된 상기 사용자의 이미지에 대한 태그와 상기 다른 사용자의 특징 벡터의 유사도를 분석하는 단계; 및
상기 사용자에 대한 상기 특징 벡터의 유사도와 상기 다른 사용자의 특징 벡터의 유사도가 지정된 기준값보다 높으면, 상기 다른 사용자를 상기 사용자에게 새로운 친구로 추천하는 단계를 구비하는 것을 특징으로 하는 소셜 네트워킹 서비스 사용자를 위한 친구 추천 방법.
The method of claim 1, wherein the recommending as the new friend is
Analyzing the similarity between a tag for an image of a user other than the friends registered with the user and the feature vector for the user;
Obtaining a feature vector of another user having a high similarity;
Analyzing the similarity between the tag for the image of the user registered in the social network service and the feature vector of the other user; And
Recommending the other user as a new friend to the user when the similarity of the feature vector to the user and the similarity of the feature vector of the other user are higher than a specified reference value. How to recommend a friend.
A computer-readable recording medium having recorded thereon program instructions for carrying out the method according to any one of claims 1 to 6.
사용자에게 등록된 친구들 중 낯선 친구들을 구별하는 단계;
구별된 상기 낯선 친구들 각각의 사진 이미지를 기초로 복수개의 상위 이미지 태그를 추출하는 단계;
상기 복수개의 상위 이미지 태그에서 상기 사용자에 의해 선택된 지정된 개수의 이미지 태그를 최종 상위 태그로 설정하고, 설정된 상기 최종 상위 태그를 이용하여 상기 사용자에 대한 특징 벡터를 계산하는 단계; 및
상기 사용자에 대한 상기 특징 벡터와 유사성이 높은 사진 이미지를 갖는 다른 사용자를 새로운 친구로 추천하는 단계를 구비하는 소셜 네트워킹 서비스 사용자를 위한 친구 추천 방법.
A server that provides social networking services,
Distinguishing strangers among friends registered with the user;
Extracting a plurality of upper image tags based on the photographic images of each of the distinguished strangers;
Setting a predetermined number of image tags selected by the user in the plurality of upper image tags as a final upper tag and calculating a feature vector for the user using the set last upper tag; And
Recommending another user with a photographic image having a high similarity with the feature vector to the user as a new friend.
상기 사용자에게 등록된 상기 친구들에 대한 소셜 메타 데이터를 수집하는 단계;
상기 소셜 메타 데이터를 분류하기 용이한 토큰으로 변환하는 단계;
상기 토큰 중 출현 빈도가 높은 토큰을 사용자 토큰으로 설정하는 단계; 및
상기 친구들 중 상기 사용자 토큰과 비교하여 일치도가 낮은 토큰을 갖는 친구들을 낯선 친구들로 구분하는 단계를 구비하는 것을 특징으로 하는 소셜 네트워킹 서비스 사용자를 위한 친구 추천 방법.
The method of claim 9, wherein the step of distinguishing stranger friends
Collecting social metadata about the friends registered with the user;
Converting the social metadata into tokens that are easy to classify;
Setting a token having a high appearance frequency among the tokens as a user token; And
And classifying friends having a low coincidence among the friends into strangers as compared with the user tokens of the friends.
상기 소셜 네트워킹 서비스에 등록된 상기 낯선 친구들 각각의 이미지에 대해 자동 이미지 태깅을 수행하는 단계; 및
상기 자동 이미지 태깅을 수행하여 추출되는 복수개의 이미지 태그를 빈도수에 따라 정렬하고, 빈도수가 높은 지정된 개수의 이미지 태그들을 상기 상위 이미지 태그들로 추출하는 단계를 구비하는 것을 특징으로 하는 소셜 네트워킹 서비스 사용자를 위한 친구 추천 방법.
The method of claim 9, wherein the extracting of the plurality of image tags comprises:
Performing automatic image tagging on an image of each of the stranger friends registered with the social networking service; And
And sorting a plurality of image tags extracted by performing the automatic image tagging according to a frequency, and extracting a predetermined number of image tags having a high frequency as the upper image tags. How to recommend a friend.
상기 낯선 친구들 각각의 이미지를 분석하여, 상기 이미지에 대응하는 복수개의 카테고리를 선택하는 단계; 및
상기 복수개의 카테고리 각각의 명칭을 상기 이미지 태그로 선택하는 단계를 구비하는 것을 특징으로 하는 소셜 네트워킹 서비스 사용자를 위한 친구 추천 방법.
12. The method of claim 11, wherein performing automatic image tagging
Analyzing the images of each of the strangers and selecting a plurality of categories corresponding to the images; And
Selecting a name of each of the plurality of categories as the image tag.
상기 복수개의 상위 이미지 태그를 상기 사용자의 단말기로 디스플레이 하는 단계;
상기 사용자가 디스플레이 된 상기 복수개의 상위 이미지 태그 중에서 지정된 개수의 이미지 태그를 최종 상위 태그로 선택하는 단계; 및
전체 빈도수에 대해 선택된 상기 최종 상위 태그의 빈도수의 비율을 상기 사용자에 대한 특징 벡터로서 설정하는 단계를 구비하는 것을 특징으로 하는 소셜 네트워킹 서비스 사용자를 위한 친구 추천 방법.
10. The method of claim 9, wherein calculating the feature vector
Displaying the plurality of upper image tags on the user's terminal;
Selecting, by the user, a designated number of image tags from the plurality of displayed upper image tags as a final upper tag; And
And setting a ratio of the frequency of the last higher tag selected to the total frequency as a feature vector for the user.
상기 사용자에게 등록된 상기 친구들 이외의 다른 사용자의 이미지에 대한 태그와 상기 사용자에 대한 상기 특징 벡터의 유사도를 분석하는 단계;
상기 유사도가 높은 다른 사용자의 특징 벡터를 획득하는 단계;
상기 소셜 네트워크 서비스에 등록된 상기 사용자의 이미지에 대한 태그와 상기 다른 사용자의 특징 벡터의 유사도를 분석하는 단계; 및
상기 사용자에 대한 상기 특징 벡터의 유사도와 상기 다른 사용자의 특징 벡터의 유사도가 지정된 기준값보다 높으면, 상기 다른 사용자를 상기 사용자에게 새로운 친구로 추천하는 단계를 구비하는 것을 특징으로 하는 소셜 네트워킹 서비스 사용자를 위한 친구 추천 방법.
The method of claim 9, wherein the recommending as the new friend is
Analyzing the similarity between a tag for an image of a user other than the friends registered with the user and the feature vector for the user;
Obtaining a feature vector of another user having a high similarity;
Analyzing the similarity between the tag for the image of the user registered in the social network service and the feature vector of the other user; And
Recommending the other user as a new friend to the user when the similarity of the feature vector to the user and the similarity of the feature vector of the other user are higher than a specified reference value. How to recommend a friend.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020100117080A KR101224312B1 (en) | 2010-11-23 | 2010-11-23 | Friend recommendation method for SNS user, recording medium for the same, and SNS and server using the same |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020100117080A KR101224312B1 (en) | 2010-11-23 | 2010-11-23 | Friend recommendation method for SNS user, recording medium for the same, and SNS and server using the same |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20120087214A KR20120087214A (en) | 2012-08-07 |
| KR101224312B1 true KR101224312B1 (en) | 2013-01-21 |
Family
ID=46872786
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020100117080A KR101224312B1 (en) | 2010-11-23 | 2010-11-23 | Friend recommendation method for SNS user, recording medium for the same, and SNS and server using the same |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101224312B1 (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160042291A (en) | 2014-10-08 | 2016-04-19 | 민코넷주식회사 | Method for Providing Acquaintance Recommending Service Using Mobile Device |
| KR102005932B1 (en) | 2019-01-02 | 2019-10-01 | 영남대학교산학협력단 | Server for managing social network friends and method for managing social network friends using the same |
| WO2022269998A1 (en) * | 2021-06-25 | 2022-12-29 | ソニーグループ株式会社 | Information processing device, information processing method, and program |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108073659B (en) * | 2016-11-18 | 2021-06-25 | 腾讯科技（深圳）有限公司 | Wedding and love object recommendation method and device |
| CN107316250A (en) * | 2017-07-20 | 2017-11-03 | 佛山潮伊汇服装有限公司 | Social recommendation method and mobile terminal |
| CN108304435B (en) * | 2017-09-08 | 2020-08-25 | 腾讯科技（深圳）有限公司 | Information recommendation method and device, computer equipment and storage medium |
| KR102227033B1 (en) * | 2019-12-02 | 2021-03-12 | 한국과학기술원 | Device and method for expressing urban identity using hashtag |
| CN111368219B (en) * | 2020-02-27 | 2024-04-26 | 广州腾讯科技有限公司 | Information recommendation method, device, computer equipment and storage medium |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006023876A (en) | 2004-07-07 | 2006-01-26 | Sony Ericsson Mobilecommunications Japan Inc | Social network service system, server, and social network service supply method |
| JP2007026419A (en) | 2005-06-17 | 2007-02-01 | Hitachi Ltd | Method for managing social network information and system therefor |
| US20080279419A1 (en) | 2007-05-09 | 2008-11-13 | Redux, Inc. | Method and system for determining attraction in online communities |
| KR20090100737A (en) * | 2008-03-21 | 2009-09-24 | 인하대학교 산학협력단 | Social network analysing system |
-
2010
- 2010-11-23 KR KR1020100117080A patent/KR101224312B1/en not_active IP Right Cessation
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006023876A (en) | 2004-07-07 | 2006-01-26 | Sony Ericsson Mobilecommunications Japan Inc | Social network service system, server, and social network service supply method |
| JP2007026419A (en) | 2005-06-17 | 2007-02-01 | Hitachi Ltd | Method for managing social network information and system therefor |
| US20080279419A1 (en) | 2007-05-09 | 2008-11-13 | Redux, Inc. | Method and system for determining attraction in online communities |
| KR20090100737A (en) * | 2008-03-21 | 2009-09-24 | 인하대학교 산학협력단 | Social network analysing system |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160042291A (en) | 2014-10-08 | 2016-04-19 | 민코넷주식회사 | Method for Providing Acquaintance Recommending Service Using Mobile Device |
| KR102005932B1 (en) | 2019-01-02 | 2019-10-01 | 영남대학교산학협력단 | Server for managing social network friends and method for managing social network friends using the same |
| WO2022269998A1 (en) * | 2021-06-25 | 2022-12-29 | ソニーグループ株式会社 | Information processing device, information processing method, and program |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20120087214A (en) | 2012-08-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101224312B1 (en) | Friend recommendation method for SNS user, recording medium for the same, and SNS and server using the same | |
| Mall et al. | Geostyle: Discovering fashion trends and events | |
| CN110532379B (en) | Electronic information recommendation method based on LSTM (least Square TM) user comment sentiment analysis | |
| Patterson et al. | The sun attribute database: Beyond categories for deeper scene understanding | |
| CN109189959B (en) | Method and device for constructing image database | |
| Stone et al. | Autotagging facebook: Social network context improves photo annotation | |
| CN105612514B (en) | System and method for image classification by associating contextual cues with images | |
| US8649572B2 (en) | System and method for enabling the use of captured images through recognition | |
| US7809722B2 (en) | System and method for enabling search and retrieval from image files based on recognized information | |
| CN112131472B (en) | Information recommendation method, device, electronic equipment and storage medium | |
| US20140369626A1 (en) | System and method for providing objectified image renderings using recognition information from images | |
| CN110750656A (en) | Multimedia detection method based on knowledge graph | |
| CN108647800B (en) | Online social network user missing attribute prediction method based on node embedding | |
| CN112559747B (en) | Event classification processing method, device, electronic equipment and storage medium | |
| CN110737805B (en) | Method and device for processing graph model data and terminal equipment | |
| CN110990670B (en) | Growth incentive book recommendation method and recommendation system | |
| CN112132633B (en) | Consumption intention identification and prediction method based on consumption affair map | |
| JP7092194B2 (en) | Information processing equipment, judgment method, and program | |
| US20200257934A1 (en) | Processing content | |
| Yanai et al. | A visual analysis of the relationship between word concepts and geographical locations | |
| Zaharieva et al. | Cross-platform social event detection | |
| Zheng et al. | Personalized tag recommendation based on convolution feature and weighted random walk | |
| KR102117528B1 (en) | Apparatus and method for classfying user’s property based on online data | |
| Aurnhammer et al. | Manual Annotation of Unsupervised Models: Close and Distant Reading of Politics on Reddit. | |
| CN113505223B (en) | Network water army identification method and system |
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: 20160115 Year of fee payment: 4 |
|
| LAPS | Lapse due to unpaid annual fee |