KR101725510B1 - 사용자 성향을 고려한 소셜 이벤트 추천 방법 및 장치 - Google Patents

사용자 성향을 고려한 소셜 이벤트 추천 방법 및 장치 Download PDF

Info

Publication number
KR101725510B1
KR101725510B1 KR1020150132492A KR20150132492A KR101725510B1 KR 101725510 B1 KR101725510 B1 KR 101725510B1 KR 1020150132492 A KR1020150132492 A KR 1020150132492A KR 20150132492 A KR20150132492 A KR 20150132492A KR 101725510 B1 KR101725510 B1 KR 101725510B1
Authority
KR
South Korea
Prior art keywords
event
events
preference
similar
users
Prior art date
Application number
KR1020150132492A
Other languages
English (en)
Other versions
KR20170036874A (ko
Inventor
유재수
복경수
임종태
이수지
Original Assignee
충북대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 충북대학교 산학협력단 filed Critical 충북대학교 산학협력단
Priority to KR1020150132492A priority Critical patent/KR101725510B1/ko
Publication of KR20170036874A publication Critical patent/KR20170036874A/ko
Application granted granted Critical
Publication of KR101725510B1 publication Critical patent/KR101725510B1/ko

Links

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
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

사용자 성향을 고려한 소셜 이벤트 추천 방법 및 장치가 개시된다. 사용자 성향을 고려한 소셜 이벤트 추천 방법은 데이터 전처리를 기반으로 기존의 복수의 이벤트 각각의 복수의 이벤트 속성 각각에 대한 복수의 사용자 각각의 선호도를 기반으로 결정된 기존의 복수의 이벤트 각각의 복수의 이벤트 속성 각각에 대한 복수의 사용자의 평균 선호도를 결정하는 단계, 평균 선호도를 기반으로 새로운 이벤트와 유사한 속성을 가지는 유사 이벤트를 결정하는 단계와 새로운 이벤트와 유사 이벤트의 유사도, 유사 이벤트에 대한 복수의 사용자 각각의 평가, 복수의 사용자 각각의 선호 카테고리를 고려하여 복수의 사용자 중 새로운 이벤트를 추천할 타겟 사용자를 결정하는 단계를 포함할 수 있다.

Description

사용자 성향을 고려한 소셜 이벤트 추천 방법 및 장치{Method and apparatus for recommendation of social event based on user’s preference}
본 발명은 소셜 네트워크 서비스 방법 및 장치에 관한 것으로서, 보다 상세하게는, 사용자 성향을 고려한 소셜 이벤트 추천 방법 및 장치에 관한 것이다.
정보 기술의 발전과 함께 인터넷을 기반으로 사용자 간의 관계를 관리하고 사용자 간에 정보의 공유를 가능하게 하는 소셜 네트워크 서비스(SNS: Social Network Service)가 대두되고 있다. 소셜 네트워크 서비스는 전세계적으로 지속적으로 증가하고 있으며 국내에서도 다양한 소셜 네트워크 서비스들이 등장하고 있다. 스마트폰 시장과 같은 모바일 기반 네트워크의 발전을 기반으로 소셜 네트워크 서비스는 크게 발전하고 있다.
소셜 네트워크 상의 사용자들 사이의 관계를 통해 빠르게 정보가 확산될 수 있으며 실시간으로 사용자 간의 정보의 공유가 가능하다. 정보 수용자의 역할을 하던 소비자는 정보를 생산하는 제공자로 역할의 범위가 확장되고 있으며 이로 인해 수많은 정보들이 소셜 네트워크 상에서 급속도로 확산 및 배포되고 있다. 소셜 네트워크를 통해 다양한 정보가 확산됨에 따라 사용자에게 적합한 정보를 선별적으로 제공하기 위한 기술들이 요구되고 있다.
KR 10-2006-0116551
본 발명의 일 측면은 사용자 성향을 고려한 소셜 이벤트 추천 방법을 제공한다.
본 발명의 다른 측면은 사용자 성향을 고려한 소셜 이벤트 추천 장치를 제공한다.
본 발명의 일 측면에 따른 사용자 성향을 고려한 소셜 이벤트 추천 방법은 데이터 전처리를 기반으로 기존의 복수의 이벤트 각각의 복수의 이벤트 속성 각각에 대한 복수의 사용자 각각의 선호도를 기반으로 결정된 상기 기존의 복수의 이벤트 각각의 상기 복수의 이벤트 속성 각각에 대한 복수의 사용자의 평균 선호도를 결정하는 단계, 상기 평균 선호도를 기반으로 새로운 이벤트와 유사한 속성을 가지는 유사 이벤트를 결정하는 단계와 상기 새로운 이벤트와 상기 유사 이벤트의 유사도, 상기 유사 이벤트에 대한 상기 복수의 사용자 각각의 평가, 상기 복수의 사용자 각각의 선호 카테고리를 고려하여 상기 복수의 사용자 중 상기 새로운 이벤트를 추천할 타겟 사용자를 결정하는 단계를 포함할 수 있다.
한편, 상기 복수의 사용자 각각의 선호도는 아래의 수학식을 기반으로 결정되고,
<수학식>
Figure 112016046312535-pat00001
여기서 di는 상기 복수의 이벤트 속성 각각에 대한 가중치, k는 상기 복수의 이벤트의 개수일 수 있다.
또한, 상기 유사 이벤트를 결정하는 단계는 상기 복수의 이벤트 중 상기 새로운 이벤트와 카테고리 속성에 대한 유사도가 높은 복수의 제1 후보 유사 이벤트를 결정하는 단계, 행렬 분해(Matrix factorization)를 기반으로 상기 새로운 이벤트의 속성별 선호도 합을 예측하는 단계, 상기 복수의 1차 후보 유사 이벤트 각각의 속성별 선호도 합과 상기 새로운 이벤트의 속성별 선호도 합을 기반으로 상기 복수의 1차 후보 유사 이벤트 각각의 속성별 선호도 합과 상기 새로운 이벤트의 속성별 선호도 합의 유사도를 결정하는 단계, 상기 속성별 선호도 합의 유사도를 기반으로 상기 복수의 1차 후보 유사 이벤트 중 2차 후보 유사 이벤트를 결정하는 단계와 상기 2차 후보 유사 이벤트 각각과 상기 새로운 이벤트의 속성별 선호도 합의 유사도와 상기 2차 후보 유사 이벤트 각각과 상기 새로운 이벤트 각각의 카테고리 속성을 고려하여 상기 2차 후보 유사 이벤트 중 유사 이벤트를 결정하는 단계를 포함할 수 있다.
또한, 상기 복수의 1차 후보 유사 이벤트는 아래의 수학식을 통해 산출된
Figure 112015091169499-pat00002
의 크기를 기반으로 결정되고,
<수학식>
Figure 112015091169499-pat00003
여기서, eventi는 상기 복수의 이벤트 각각의 카테고리 속성이고, eventj는 상기 새로운 이벤트의 카테고리 속성일 수 있다.
또한, 상기 2차 후보 유사 이벤트는 아래의 수학식을 통해 산출된
Figure 112015091169499-pat00004
의 크기를 기반으로 결정되고,
<수학식>
Figure 112015091169499-pat00005
여기서, SPc는 상기 새로운 이벤트의 속성별 선호도 합이고, SPpi는 상기 복수의 1차 후보 유사 이벤트 각각의 속성별 선호도 합일 수 있다.
또한, 상기 유사 이벤트는 아래의 수학식의
Figure 112015091169499-pat00006
를 기반으로 결정되고,
<수학식>
Figure 112015091169499-pat00007
상기
Figure 112015091169499-pat00008
는 가중치일 수 있다.
또한, 상기 타겟 사용자는 상기 복수의 사용자 중 아래의 수학식을 통해 산출된 WRi를 기반으로 결정되고,
<수학식>
Figure 112015091169499-pat00009
여기서, URj은 상기 복수의 사용자 각각의 참여한 유사 이벤트에 대한 평가 점수이고, PCj는 상기 복수의 사용자 각각의 선호하는 카테고리에 대한 가중치일 수 있다.
본 발명의 다른 측면에 따른 사용자 성향을 고려한 소셜 이벤트 추천 장치는 프로세서를 포함하고, 상기 프로세서는 데이터 전처리를 기반으로 기존의 복수의 이벤트 각각의 복수의 이벤트 속성 각각에 대한 복수의 사용자 각각의 선호도를 기반으로 결정된 상기 기존의 복수의 이벤트 각각의 상기 복수의 이벤트 속성 각각에 대한 복수의 사용자의 평균 선호도를 결정하고, 상기 평균 선호도를 기반으로 새로운 이벤트와 유사한 속성을 가지는 유사 이벤트를 결정하고, 상기 새로운 이벤트와 상기 유사 이벤트의 유사도, 상기 유사 이벤트에 대한 상기 복수의 사용자 각각의 평가, 상기 복수의 사용자 각각의 선호 카테고리를 고려하여 상기 복수의 사용자 중 상기 새로운 이벤트를 추천할 타겟 사용자를 결정하도록 구현될 수 있다.
한편, 상기 복수의 사용자 각각의 선호도는 아래의 수학식을 기반으로 결정되고,
<수학식>
Figure 112015091169499-pat00010
여기서 di는 상기 복수의 이벤트 속성 각각에 대한 가중치, k는 상기 복수의 이벤트의 개수일 수 있다.
또한, 상기 프로세서는 상기 복수의 이벤트 중 상기 새로운 이벤트와 카테고리 속성에 대한 유사도가 높은 복수의 제1 후보 유사 이벤트를 결정하고, 행렬 분해(Matrix factorization)를 기반으로 상기 새로운 이벤트의 속성별 선호도 합을 예측하고, 상기 복수의 1차 후보 유사 이벤트 각각의 속성별 선호도 합과 상기 새로운 이벤트의 속성별 선호도 합을 기반으로 상기 복수의 1차 후보 유사 이벤트 각각의 속성별 선호도 합과 상기 새로운 이벤트의 속성별 선호도 합의 유사도를 결정하고, 상기 속성별 선호도 합의 유사도를 기반으로 상기 복수의 1차 후보 유사 이벤트 중 2차 후보 유사 이벤트를 결정하고, 상기 2차 후보 유사 이벤트 각각과 상기 새로운 이벤트의 속성별 선호도 합의 유사도와 상기 2차 후보 유사 이벤트 각각과 상기 새로운 이벤트 각각의 카테고리 속성을 고려하여 상기 2차 후보 유사 이벤트 중 유사 이벤트를 결정하도록 구현될 수 있다.
또한, 상기 복수의 1차 후보 유사 이벤트는 아래의 수학식을 통해 산출된
Figure 112015091169499-pat00011
의 크기를 기반으로 결정되고,
<수학식>
Figure 112015091169499-pat00012
여기서, eventi는 상기 복수의 이벤트 각각의 카테고리 속성이고, eventj는 상기 새로운 이벤트의 카테고리 속성일 수 있다.
또한, 상기 2차 후보 유사 이벤트는 아래의 수학식을 통해 산출된
Figure 112015091169499-pat00013
의 크기를 기반으로 결정되고,
<수학식>
Figure 112015091169499-pat00014
여기서, SPc는 상기 새로운 이벤트의 속성별 선호도 합이고, SPpi는 상기 복수의 1차 후보 유사 이벤트 각각의 속성별 선호도 합일 수 있다.
또한, 상기 유사 이벤트는 아래의 수학식의
Figure 112015091169499-pat00015
를 기반으로 결정되고,
<수학식>
Figure 112015091169499-pat00016
상기
Figure 112015091169499-pat00017
는 가중치일 수 있다.
또한, 상기 타겟 사용자는 상기 복수의 사용자 중 아래의 수학식을 통해 산출된 WRi를 기반으로 결정되고,
<수학식>
Figure 112015091169499-pat00018
여기서, URj는 상기 복수의 사용자 각각의 참여한 유사 이벤트에 대한 평가 점수이고, PCj는 상기 복수의 사용자 각각의 선호하는 카테고리에 대한 가중치일 수 있다.
본 발명의 실시예에 따른 사용자 성향을 고려한 소셜 이벤트 추천 방법 및 장치에서는 사용자가 기존에 참여하였던 소셜 이벤트의 특징을 고려하여 새로운 소셜 이벤트가 발생시 새로운 이벤트에 대한 선호도가 높을 것으로 예상되는 사용자에게 소셜 이벤트를 추천할 수 있다.
도 1은 본 발명의 실시예에 따른 이벤트 추천 방법을 나타낸 개념도이다.
도 2는 본 발명의 실시예에 따른 데이터 전처리 단계를 나타낸 개념도이다.
도 3은 본 발명의 실시예에 따른 이벤트의 카테고리 분류를 나타낸 개념도이다.
도 4는 본 발명의 실시예에 따른 데이터 전처리 단계를 나타낸 개념도이다.
도 5는 본 발명의 실시예에 따른 개인 맞춤 이벤트 추천 단계를 나타낸 개념도이다.
도 6은 본 발명의 실시예에 따른 새로운 이벤트를 추천받을 타겟 사용자를 결정하는 방법을 나타낸 개념도이다.
도 7은 본 발명의 실시예에 따른 사용자 성향을 고려한 소셜 이벤트 추천 장치를 나타낸 개념도이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예와 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조 부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.
이하, 도면들을 참조하여 본 발명의 바람직한 실시예들을 보다 상세하게 설명하기로 한다.
다양한 형태의 정보가 생성되면서 소비자들에게 제공되는 정보의 폭이 넓어지고 있다. 하지만 무분별한 정보의 확산으로 인해 사용자들은 어떤 정보가 자신에게 유용한 정보인지 구분하기 위해 많은 시간을 소비하고 있다. 이러한 정보의 선별을 위해 다양한 추천 시스템(recommendation system)이 연구되고 있다. 추천 시스템은 사용자의 성향 및/또는 사용자의 상황과 같은 사용자의 특성에 적합한 정보를 선별적으로 제공하기 위해 사용될 수 있다. 추천 시스템을 기반으로 사용자의 특성에 맞는 책, 영화, 이벤트, 광고, 모임 등 다양한 정보가 제공될 수 있다.
네트워크 상에 대량의 정보가 유통되고, 네트워크에 접속 가능한 사용자 장치(예를 들어, 스마트폰)가 가용한 상황 하에서 사용자에게 높은 정확도를 가지고 정보를 제공하기 위한 추천 시스템의 개발이 필요하다.
최근 사용자의 경험 및 참여가 중요시됨에 따라 사용자들이 이벤트를 직접 생성하고 이벤트에 참여하여 정보를 상호 공유하는 이벤트 기반 소셜 네트워크(EBSN: event-based social network)가 확산되고 있다. 이벤트 기반 소셜 네트워크 서비스에서는 사용자의 과거 이력을 분석하여 사용자의 선호도를 분석하고 사용자에게 적합한 이벤트를 제공할 수 있는 이벤트 추천 기법이 필요하다.
본 발명의 실시예에 따른 사용자 성향을 고려한 소셜 이벤트 추천 방법 및 장치에서는 사용자의 과거 행위를 기반으로 특정 이벤트에 대한 사용자의 암시적 선호도를 결정하고 사용자에게 적합한 이벤트를 추천하기 위한 방법이 개시된다.
본 발명의 실시예에 따른 사용자 성향을 고려한 소셜 이벤트 추천 방법 및 장치에서는 이벤트의 정적 속성뿐만 아니라 이벤트에 대한 사용자 평점을 예측하여 사용자에게 선호도가 높은 이벤트를 추천할 수 있다. 사용자에게 이벤트를 추천하기 위해 사용자의 이전 이벤트의 사용 이력을 분석하여 새로운 이벤트에 대한 예상 평점을 예측한다. 과거에 발생했던 모든 이벤트만을 고려하게 되면 새롭게 발생한 이벤트의 속성 및 사용자의 선호도가 무시될 수 있다. 따라서, 새로운 이벤트에 대한 속성값을 예측하고 과거에 발생한 이벤트 중 새로운 이벤트와 유사도가 높은 n개의 유사 이벤트가 검출될 수 있다. 마지막으로 n개의 이벤트에 대한 사용자의 선호도를 고려하여 새로운 이벤트를 추천할 사용자를 결정할 수 있다.
이하, 구체적인 따른 사용자 성향을 고려한 소셜 이벤트 추천 방법 및 장치가 개시된다.
본 발명에서는 이벤트 추천의 정확도를 높이기 위해 예측된 새로운 이벤트의 속성값과 사용자의 선호도를 고려하는 기법이 개시된다. 본 발명의 실시예에 따른 사용자 성향을 고려한 소셜 이벤트 추천 방법에서는 사용자의 선호도를 고려하여 이벤트를 추천하기 위해 이벤트 속성 정보와 기존에 사용자가 참여한 이벤트에 대한 사용자의 평가 정보를 이용하여 이벤트에 대한 사용자 선호도를 결정할 수 있다. 이를 위해 먼저 사용자가 이벤트에 참여했던 정보들을 분석하여 이벤트에 대한 사용자 각각의 선호도를 계산한다. 개인 맞춤 이벤트 추천 단계를 통해 정보가 없는 새로운 이벤트의 속성값을 예측하고, 새로운 이벤트의 예측된 속성값을 기반으로 기존에 사용자가 참여했던 이벤트 중 가장 유사한 이벤트들을 선별한다. 유사한 이벤트의 속성과 기존의 사용자들의 이벤트에 대한 평가를 고려하여 유사한 이벤트에 대해 높은 평가를 내린 사용자들에게 이벤트를 추천할 수 있다. 이하, 구체적인 이벤트 추천 방법이 개시된다.
도 1은 본 발명의 실시예에 따른 이벤트 추천 방법을 나타낸 개념도이다.
도 1을 참조하면, 이벤트 추천은 데이터 참여 이력 수집 단계(단계 S100), 데이터 전처리 단계(단계 S110), 개인 맞춤 이벤트 추천 단계(단계 S120)를 기반으로 수행될 수 있다.
데이터 참여 이력 수집 단계(단계 S100)에서는 이벤트에 참여한 사용자들의 정보와 기존에 발생한 이벤트들의 정보에 대한 입력이 수행될 수 있다.
데이터 전처리 단계(단계 S110)에서는 입력 정보를 이용하여 사용자 선호도 및 이벤트 속성을 결정할 수 있다. 사용자 선호도는 사용자에 의해 참여된 이벤트에 대한 정보를 기반으로 결정되고, 이벤트 속성은 이벤트에 참여한 전체 사용자의 선호도 값의 평균을 기반으로 결정될 수 있다. 이벤트 속성은 사용자의 선호도를 정확하게 파악하기 위해 최근 성향, 선호하는 계절 및 지역, 시간적인 특성 등을 고려한다.
개인 맞춤 이벤트 추천 단계(단계 S120)에서는 먼저 새로운 이벤트가 발생하면 이전에 발생했었던 이벤트들 중 새로운 이벤트와 가장 유사한 속성값을 갖는 N개의 유사 이벤트를 탐색할 수 있다. 새로운 이벤트의 속성값은 예측 알고리즘을 기반으로 예측될 수 있다. N개의 유사 이벤트 각각에 대해 참여했던 사용자들의 평가를 고려하여 n명의 사용자에게 새로운 이벤트를 추천할 수 있다.
또한, 데이터 전처리 단계(단계 S110)에서는 이벤트의 속성을 구분하여 이벤트 속성별 특정 사용자의 선호도, 이벤트 속성별 전체 이벤트 참여자의 선호도에 대한 정보가 결정될 수 있다. 이러한 이벤트의 속성에 대한 선호도를 결정하기 위해 이벤트의 속성의 표준화 및 이벤트 속성별 가중치의 결정이 수행될 수 있다. 데이터 전처리 단계(단계 S110)를 통하여 속성이 가지는 값의 단위 및 범위가 서로 다른 이벤트 속성이 이벤트 추천을 위한 특정 값으로 가공될 수 있다.
예로 들어, 이벤트의 속성은 이벤트의 발생 위치, 이벤트의 발생 시간, 이벤트의 카테고리 정보 등을 그 자체로 활용한다면 값의 표현 영역이 다르다. 따라서, 복수의 이벤트의 속성 각각이 표준화되어 하나의 단위의 값으로 변환되고, 복수의 이벤트의 속성 각각의 전체 이벤트 속성 중 차지하는 비율을 고려하여 사용자에게 이벤트를 추천함으로써 이벤트 추천의 정확성이 향상될 수 있다.
도 2는 본 발명의 실시예에 따른 데이터 전처리 단계를 나타낸 개념도이다.
도 2에서는 데이터 전처리 단계를 통해 생성되는 이벤트 정보 테이블(200) 및 사용자 이벤트 테이블(250)이 개시된다. 테이블은 정보 처리/저장을 위한 하나의 예시로서 테이블이 아닌 다른 다양한 포맷으로 입력된 데이터에 대한 전처리가 수행될 수도 있다.
이벤트 정보 테이블(200)은 이벤트 속성에 대한 정보를 저장할 수 있다.
사용자 이벤트 테이블(250)은 사용자의 참여 이벤트에 대한 사용자의 평가 점수를 저장할 수 있다.
구체적으로 이벤트 정보 테이블(200)은 특정 이벤트가 발생하면 특정 이벤트에 관련된 속성을 관리할 수 있다. 예를 들어, {대, 중}은 이벤트 카테고리(이벤트의 대분류, 이벤트의 중분류)를 의미한다. 이벤트 추천에 있어 이벤트의 주제가 다양하고, 사용자마다 선호하는 이벤트가 다르기 때문에 이벤트 카테고리 속성을 관리하여 사용자에 의해 선호되는 이벤트 카테고리를 결정할 수 있다. 이벤트 정보 테이블(200)은 이뿐만 아니라, 이벤트의 발생 위치, 이벤트의 발생 시간 등 다양한 이벤트 속성을 관리할 수 있다.
사용자 이벤트 테이블(250)은 사용자가 참여한 이벤트에 대한 평가 점수를 관리할 수 있다. 사용자는 기존에 참여한 이벤트에 대해 평가 점수를 부여할 수 있고, 사용자에 의해 부여된 이벤트에 대한 평가 점수는 사용자 이벤트 테이블(250)을 기반으로 관리될 수 있다. 사용자 이벤트 테이블(250)에 의해 관리되는 이벤트에 대한 평가 점수는 이벤트 추천 단계의 랭킹 알고리즘에서 순위 역전 현상을 방지할 수 있다.
이벤트 정보 테이블(200) 및 사용자 이벤트 테이블(250)을 기반으로 사용자 선호도 테이블 및 이벤트 선호도 테이블이 결정될 수 있다. 사용자 선호도 테이블 및 이벤트 선호도 테이블은 후술한다.
도 3은 본 발명의 실시예에 따른 이벤트의 카테고리 분류를 나타낸 개념도이다.
도 3에서는 이벤트 카테고리의 분류를 위한 분류 트리가 개시된다.
도 3을 참조하면, 이벤트 속성 중 이벤트 카테고리 속성은 트리 구조와 같은 형태로 관리/분류될 수 있다. 이벤트 카테고리 속성이 트리 형태로 관리되는 경우, 이벤트의 분류가 정확하고 빠르게 수행될 수 있다. 대분류로 스포츠, 음식, 영화 등이 분류될 수 있고, 대분류가 스포츠인 경우, 중분류로 야구, 테니스 등으로 분류될 수 있다. 예를 들어, 이벤트 카테고리 속성이 {3,1}이라면 대분류는 영화(movie), 중분류는 코미디(comedy)인 이벤트를 의미할 수 있다.
도 4는 본 발명의 실시예에 따른 데이터 전처리 단계를 나타낸 개념도이다.
도 4에서는 사용자 선호도 테이블 및 이벤트 선호도 테이블의 결정 방법이 개시된다.
도 4를 참조하면, 사용자 선호도 테이블은 특정 사용자가 참여한 이벤트의 속성값의 산술 평균을 저장할 수 있다.
이벤트 선호도 테이블은 이벤트에 참여했던 복수의 사용자들의 속성 값의 산술 평균을 저장할 수 있다.
사용자의 최근 성향을 고려한 정확한 이벤트의 추천을 위해 최근에 참여한 이벤트의 대분류, 중분류 값에 좀 더 가중치가 부여될 수 있다. 운동이라는 대분류의 이벤트보다 대분류인 운동에 중분류의 테니스라는 것이 좀 더 명확하기 때문이다.
또한, 사용자의 최근 성향을 고려한 정확한 이벤트의 추천을 위해 새롭게 발생한 이벤트와 사용자가 기존에 참여했던 이벤트 사이의 시간적인 관계를 고려하여 이벤트 속성에 최근 참여도 항목을 추가할 수 있다.
최근 참여도 항목을 아래의 수학식 1을 기반으로 결정될 수 있다.
<수학식 1>
Figure 112015091169499-pat00019
수학식 1에서 tc는 현재 발생한 이벤트의 시간을 나타내며 tp는 과거에 발생한 이벤트의 시간이다. 두 이벤트 간의 시간의 간격의 차가 크다면 T(ec, ep)값은 작아지고 차가 적다면 T(ec, ep)은 커진다. 최근 참여도 항목을 기반으로 사용자의 최근 성향을 고려한 이벤트 추천이 수행될 수 있다.
예를 들어, 새로운 이벤트 A가 2015년 7월 15일에 발생되고, 과거에 이벤트 B가 2015년 6월 20일, 이벤트 C가 2015년 2월 1일에 발생된 경우가 가정될 수 있다. 이러한 경우, 이벤트 A와 이벤트 B의 T(ec, ep) 값은 1/(20150715-20150620)=0.04이고, 이벤트 A와 이벤트 C의 T(ec, ep) 값은 1/(20150715-20150201)=0.006일 수 있다. 즉, 새로운 이벤트 A와 가까운 이벤트일수록 더 큰 T(ec, ep) 값을 가질 수 있다.
또한, 이벤트의 정확한 추천을 위해 이벤트에서 사용자의 선호하는 속성이 반영되어야 한다. 사용자의 선호 속성을 반영한 이벤트의 추천을 위해 사용자 선호도 테이블 및 이벤트 선호도 테이블이 결정될 수 있다.
사용자 선호도 테이블에 포함되는 이벤트 속성별 사용자의 선호도 wi는 도 2에서 전술한 이벤트 정보 테이블 및 사용자 이벤트 테이블을 기반으로 결정될 수 있다. 이벤트 속성별 사용자의 선호도 wi를 결정하기 위해 우선 모든 데이터의 분포를 [0,1]의 구간으로 한정시킬 수 있다.
또한, 아래의 수학식 2를 사용하여 사용자가 참여한 이벤트 속성값을 평균화한 값 fi를 계산할 수 있다. minf는 하나의 이벤트 속성값의 집합인 f에서 가장 작은 값, maxf는 하나의 이벤트 속성값의 집합인 f에서 가장 큰 값이다.
<수학식 2>
Figure 112015091169499-pat00020
fi의 각각의 값을 기반으로 아래의 수학식 3을 사용하여 이벤트 속성별 가중치 값 di가 산출될 수 있다.
<수학식 4>
Figure 112015091169499-pat00021
이벤트 속성별 가중치는 각각의 속성이 전체적인 부분에서 차지하는 정도, 즉 속성의 중요성을 의미할 수 있다.
이벤트 속성별 가중치가 결정된 경우, 아래의 수학식 5를 기반으로 이벤트 속성별 선호도 wi가 결정될 수 있다.
<수학식 5>
Figure 112015091169499-pat00022
사용자의 이벤트 속성별 선호도를 기반으로 사용자 선호도 테이블이 완성될 수 있다.
이벤트 선호도 테이블은 이벤트에 참여한 복수의 사용자의 이벤트 속성별 선호도의 산술 평균을 기반으로 결정될 수 있다. ewi은 한 이벤트에 참여한 사용자들의 wi 값을 각각 산술 평균을 낸 값이다. (a)를 통해 예로 들어 사용자 두명 모두가 이벤트 A에 참가했다면 이벤트 A의 ewi값은 (0.24+0.63)/2=0.435가 된다.
이하, 본 발명의 실시예에서는 개인 맞춤 이벤트 추천 단계에서 이벤트 후보군을 결정하고, 새로운 이벤트를 추천할 타겟 사용자를 결정하는 절차가 개신된다.
도 5는 본 발명의 실시예에 따른 개인 맞춤 이벤트 추천 단계를 나타낸 개념도이다.
도 5에서는 새로운 이벤트의 추천을 위한 유사 이벤트를 결정하는 단계가 개시된다.
도 5를 참조하면, 사용자의 선호도를 고려하여 이벤트를 추천하기 위해 본 발명에서는 새로운 이벤트와 유사한 속성을 가진 지난 이벤트를 유사 이벤트로 결정하고, 유사 이벤트에 대한 선호도가 높았던 n명의 사용자에게 새로운 이벤트를 추천할 수 있다.
먼저 데이터 전처리 단계에서 결정된 사용자 선호도 테이블 및 이벤트 선호도 테이블을 기반으로 후보 유사 이벤트를 결정할 수 있다. 후보 유사 이벤트는 유사 이벤트로 선택될 수 있는 유사 이벤트들의 후보일 수 있다.
유사 이벤트의 결정은 후보 유사 이벤트를 찾기 위한 데이터 비교 단계와 후보 유사 이벤트 중 유사 이벤트를 결정하는 유사 이벤트 결정 단계를 기반으로 수행될 수 있다.
데이터 비교 단계에서는 새로운 이벤트와 유사한 속성을 가지는 1차 후보 유사 이벤트를 결정하고, 새로운 이벤트의 속성별 선호도를 예측할 수 있다. 우선, 이벤트 사이의 카테고리 유사도를 기반으로 1차 후보 유사 이벤트가 결정될 수 있다.
이벤트의 거리, 시간 등과 같은 속성보다 이벤트 간의 유사함을 측정하는 것에는 대분류, 중분류가 더 의미가 있을 수 있다. 따라서, 아래의 수학식 6을 기반으로 1차 후보 유사 이벤트가 결정될 수 있다.
<수학식 6>
Figure 112015091169499-pat00023
수학식 6을 참조하면, 새로 발생한 이벤트와 기존의 이벤트들 사이에
Figure 112015091169499-pat00024
값을 계산하여 높은 값을 가지는 A개의 이벤트를 결정할 수 있다. 이때, 사용되는 CS(cosine similarity)는 각도를 고려한 유사도 계산법으로 벡터 스페이스 모델에서 가장 많이 사용되는 문서와 질의어 간의 유사도 계산 방법일 수 있다.
다음으로 새로운 이벤트의 속성값을 예측한다.
새로운 이벤트의 속성값의 예측을 위해 이벤트 각각의 속성별 선호도의 합인 SPi(ew1+ew2+…+ewn) 값이 산출될 수 있다. 새로운 이벤트의 평가 점수 값은 알 수 없다. 따라서, Matrix factorization를 기반으로 새로운 이벤트의 속성별 선호도를 예측하고, 예측된 속성별 선호도들을 더하여 새로운 이벤트의 SPi값이 예측될 수 있다.
유사 이벤트 결정 단계에서는 새로운 이벤트의 예측된 속성별 선호도를 기반으로 2차 후보 유사 이벤트가 결정될 수 있다.
2차 후보 유사 이벤트의 결정을 위해 아래의 수학식 7이 사용될 수 있다.
<수학식 7>
Figure 112015091169499-pat00025
수학식 7을 기반으로 1차 후보 유사 이벤트와 새로운 이벤트 간의 SPi 값의 유사도를 결정할 수 있다. SPc는 새롭게 발생한 이벤트의 SP 값이고, SPpi는 1차 후보 유사 이벤트의 SP 값일 수 있다.
Figure 112015091169499-pat00026
값이 적을수록 두 이벤트가 유사할 수 있다.
A개의 1차 후보 유사 이벤트 중
Figure 112015091169499-pat00027
값이 상대적으로 적은 B개의 1차 후보 유사 이벤트가 2차 후보 유사 이벤트로 결정될 수 있다.
2차 후보 유사 이벤트와 새로운 이벤트의 카테고리 및 속성별 선호도의 합의 유사도
Figure 112015091169499-pat00028
를 기반으로 최종적으로 유사 이벤트가 결정된다.
아래의 수학식 8을 기반으로 B개의 2차 후보 유사 이벤트 중 최종적으로 유사 이벤트가 결정될 수 있다.
<수학식 8>
Figure 112015091169499-pat00029
가중치를 이벤트의 카테고리 속성 및 속성별 선호도의 합의 유사도
Figure 112015091169499-pat00030
에 부여하여 최종적으로 N개의 유사 이벤트가 결정될 수 있다.
결정된 N개의 유사 이벤트를 기반으로 최종적으로 새로운 이벤트를 추천받을 사용자가 결정될 수 있다. 이하, 결정된 N개의 유사 이벤트를 기반으로 최종적으로 새로운 이벤트를 추천받을 타겟 사용자를 결정하는 방법이 개시된다.
도 6은 본 발명의 실시예에 따른 새로운 이벤트를 추천받을 타겟 사용자를 결정하는 방법을 나타낸 개념도이다.
도 6에서는 새로운 이벤트를 적합한 사용자에게 추천하기 위하여 사용자들의 유사 이벤트에 대한 참여 여부, 사용자들의 유사 이벤트에 대한 평가 점수, 사용자 별로 선호하는 이벤트의 카테고리가 고려될 수 있다. 타겟 사용자는 새로운 이벤트를 추천받을 사용자를 의미할 수 있다.
사용자 별로 선호하는 이벤트의 카테고리가 고려되는 이유는 아래와 같다. 과거에 이벤트 B와 이벤트 D가 열렸다고 가정할 수 있다. 특정 사용자가 이벤트 B와 이벤트 D 중 이벤트 B에만 참여를 했다면 그 정도로 B라는 이벤트에 관심을 보이는 것이라고 해석될 수 있다. 따라서, 다른 이벤트보다 특정한 한 이벤트에만 참여를 했다면, 해당 이벤트의 카테고리 속성에 가중치가 부여될 수 있다.
카테고리 가중치는 아래의 수학식 9를 기반으로 산출될 수 있다.
<수학식 9>
Figure 112015091169499-pat00031
수학식 9를 참조하면,
Figure 112015091169499-pat00032
값은 최종적으로 생성된 후보 유사 이벤트 중 하나의 이벤트에 참여한 수, n은 후보 유사 이벤트들의 수이다.
즉, 하나의 이벤트에 참여한 수를 전체 이벤트 참여수로 나누어 사용자 각각의 선호하는 카테고리를 나타내는 PCi가 결정될 수 있다. PCi는 타겟 사용자의 결정을 위해 고려되어 사용자의 선호하는 카테고리 속성을 반영하여 타겟 사용자가 결정될 수 있다.
또한, 사용자들의 후보 유사 이벤트에 대한 평가 점수 값인 URi가 결정될 수 있다. 사용자들의 후보 유사 이벤트에 대한 평가 점수가 타겟 사용자의 결정을 위해 고려될 수 있다.
아래의 수학식 10을 통해 최종적으로 타겟 사용자를 결정하기 위한 타겟 사용자 결정 변수인 WRi이 결정될 수 있다.
<수학식 10>
Figure 112015091169499-pat00033
유사 이벤트들 각각에 대한
Figure 112015091169499-pat00034
값, 사용자들이 참여한 유사 이벤트에 대한 평가 점수인 URj, 그리고 사용자 각각의 선호하는 카테고리를 나타내는 값은 PCj을 기반으로 타겟 사용자 결정 변수 WRi이 산출될 수 있다. i는 사용자의 수를 나타내고, j는 후보 유사 이벤트의 수일 수 있다.
수학식 10을 기반으로 사용자 중 높은 타겟 사용자 결정 변수 WRi를 가진 n 명에게 새로운 이벤트가 추천될 수 있다.
도 7은 본 발명의 실시예에 따른 사용자 성향을 고려한 소셜 이벤트 추천 장치를 나타낸 개념도이다.
도 7을 참조하면 소셜 이벤트 추천 장치는 데이터 입력부(700), 데이터 전처리부(710), 유사 이벤트 결정부(720), 타겟 사용자 결정부(730), 프로세서(740)를 포함할 수 있다.
데이터 입력부(700), 데이터 전처리부(710), 유사 이벤트 결정부(720), 타겟 사용자 결정부(730), 프로세서(740) 각각은 도 1 내지 도 6에서 전술한 사용자 성향을 고려한 소셜 이벤트 추천 방법을 수행할 수 있다. 예를 들어, 각 구성부는 아래와 같은 동작을 수행할 수 있다.
데이터 입력부(700)는 이벤트에 참여한 사용자들의 정보와 기존에 발생한 이벤트들의 정보에 대한 입력이 수행될 수 있다.
데이터 전처리부(710)는 데이터 전처리 단계에서는 입력 정보를 이용하여 사용자 선호도 및 이벤트 속성을 결정하기 위해 구현될 수 있다. 또한, 데이터 전처리부(710)는 이벤트의 속성을 구분하여 이벤트 속성별 특정 사용자의 선호도, 이벤트 속성별 전체 이벤트 참여자의 선호도에 대한 정보가 결정하기 위해 구현될 수 있다.
유사 이벤트 결정부(720)는 복수의 이벤트 중 새로운 이벤트와 카테고리 속성에 대한 유사도가 높은 복수의 제1 후보 유사 이벤트를 결정하고, 행렬 분해(Matrix factorization)를 기반으로 새로운 이벤트의 속성별 선호도 합을 예측할 수 있다. 또한, 유사 이벤트 결정부(720)는 복수의 1차 후보 유사 이벤트 각각의 속성별 선호도 합과 새로운 이벤트의 속성별 선호도 합을 기반으로 복수의 1차 후보 유사 이벤트 각각의 속성별 선호도 합과 새로운 이벤트의 속성별 선호도 합의 유사도를 결정할 수 있다. 또한, 유사 이벤트 결정부(720)는 속성별 선호도 합의 유사도를 기반으로 복수의 1차 후보 유사 이벤트 중 2차 후보 유사 이벤트를 결정하고, 2차 후보 유사 이벤트 각각과 상기 새로운 이벤트의 속성별 선호도 합의 유사도와 상기 2차 후보 유사 이벤트 각각과 새로운 이벤트 각각의 카테고리 속성을 고려하여 2차 후보 유사 이벤트 중 유사 이벤트를 결정할 수 있다.
타겟 사용자 결정부(730)는 새로운 이벤트와 유사 이벤트의 유사도, 유사 이벤트에 대한 복수의 사용자 각각의 평가, 복수의 사용자 각각의 선호 카테고리를 고려하여 복수의 사용자 중 새로운 이벤트를 추천할 타겟 사용자를 결정하기 위해 구현될 수 있다.
프로세서(740)는 데이터 입력부(700), 데이터 전처리부(710), 유사 이벤트 결정부(720), 타겟 사용자 결정부(730)의 동작을 제어하기 위해 구현될 수 있다.
위와 같은 사용자 성향을 고려한 소셜 이벤트 추천 방법은 애플리케이션으로 구현되거나 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.
상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거니와 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다.
컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.
프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상에서는 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

Claims (14)

  1. 삭제
  2. 삭제
  3. 삭제
  4. 데이터 전처리를 기반으로 기존의 복수의 이벤트 각각의 복수의 이벤트 속성 각각에 대한 복수의 사용자 각각의 선호도를 기반으로 결정된 상기 기존의 복수의 이벤트 각각의 상기 복수의 이벤트 속성 각각에 대한 복수의 사용자의 평균 선호도를 결정하는 단계;
    상기 평균 선호도를 기반으로 새로운 이벤트와 유사한 속성을 가지는 유사 이벤트를 결정하는 단계; 및
    상기 새로운 이벤트와 상기 유사 이벤트의 유사도, 상기 유사 이벤트에 대한 상기 복수의 사용자 각각의 평가, 상기 복수의 사용자 각각의 선호 카테고리를 고려하여 상기 복수의 사용자 중 상기 새로운 이벤트를 추천할 타겟 사용자를 결정하는 단계
    를 포함하고,
    상기 복수의 사용자 각각의 선호도(wi)는 아래의 수학식을 기반으로 결정되고,
    <수학식>
    Figure 112016096541703-pat00060

    (여기서 di는 상기 복수의 이벤트 속성 각각에 대한 가중치, k는 상기 복수의 이벤트의 개수이다.)
    상기 유사 이벤트를 결정하는 단계는,
    상기 복수의 이벤트 중 상기 새로운 이벤트와 카테고리 속성에 대하여,
    <수학식>
    Figure 112016096541703-pat00062

    (여기서, eventi는 상기 복수의 이벤트 각각의 카테고리 속성이고, eventj는 상기 새로운 이벤트의 카테고리 속성)
    상기의 수학식을 통해 산출된
    Figure 112016096541703-pat00063
    의 크기를 기반으로 복수의 제1 후보 유사 이벤트를 결정하는 단계;
    행렬 분해(Matrix factorization)를 기반으로 상기 새로운 이벤트의 속성별 선호도 합을 예측하는 단계;
    상기 복수의 1차 후보 유사 이벤트 각각의 속성별 선호도 합과 상기 새로운 이벤트의 속성별 선호도 합을 기반으로 상기 복수의 1차 후보 유사 이벤트 각각의 속성별 선호도 합과 상기 새로운 이벤트의 속성별 선호도 합의 유사도를 결정하는 단계;
    상기 속성별 선호도 합의 유사도를 기반으로 상기 복수의 1차 후보 유사 이벤트 중 2차 후보 유사 이벤트를 결정하는 단계; 및
    상기 2차 후보 유사 이벤트 각각과 상기 새로운 이벤트의 속성별 선호도 합의 유사도와 상기 2차 후보 유사 이벤트 각각과 상기 새로운 이벤트 각각의 카테고리 속성을 고려하여 상기 2차 후보 유사 이벤트 중 유사 이벤트를 결정하는 단계
    를 포함하는
    사용자 성향을 고려한 소셜 이벤트 추천 방법.
  5. 제4항에 있어서,
    상기 2차 후보 유사 이벤트는 아래의 수학식을 통해 산출된
    Figure 112015091169499-pat00038
    의 크기를 기반으로 결정되고,
    <수학식>
    Figure 112015091169499-pat00039

    여기서, SPc는 상기 새로운 이벤트의 속성별 선호도 합이고, SPpi는 상기 복수의 1차 후보 유사 이벤트 각각의 속성별 선호도 합인 것을 특징으로 하는 사용자 성향을 고려한 소셜 이벤트 추천 방법.
  6. 제5항에 있어서,
    상기 유사 이벤트는 아래의 수학식의
    Figure 112015091169499-pat00040
    를 기반으로 결정되고,
    <수학식>
    Figure 112015091169499-pat00041

    상기
    Figure 112015091169499-pat00042
    는 가중치인 것을 특징으로 하는 사용자 성향을 고려한 소셜 이벤트 추천 방법.
  7. 제6항에 있어서,
    상기 타겟 사용자는 상기 복수의 사용자 중 아래의 수학식을 통해 산출된 WRi를 기반으로 결정되고,
    <수학식>
    Figure 112015091169499-pat00043

    여기서, URj은 상기 복수의 사용자 각각의 참여한 유사 이벤트에 대한 평가 점수이고, PCj는 상기 복수의 사용자 각각의 선호하는 카테고리에 대한 가중치인 것을 특징으로 하는 사용자 성향을 고려한 소셜 이벤트 추천 방법.
  8. 삭제
  9. 삭제
  10. 삭제
  11. 사용자 성향을 고려한 소셜 이벤트 추천 장치에 있어서,
    상기 소셜 이벤트 추천 장치는 프로세서를 포함하고,
    상기 프로세서는 데이터 전처리를 기반으로 기존의 복수의 이벤트 각각의 복수의 이벤트 속성 각각에 대한 복수의 사용자 각각의 선호도를 기반으로 결정된 상기 기존의 복수의 이벤트 각각의 상기 복수의 이벤트 속성 각각에 대한 복수의 사용자의 평균 선호도를 결정하고,
    상기 평균 선호도를 기반으로 새로운 이벤트와 유사한 속성을 가지는 유사 이벤트를 결정하고,
    상기 새로운 이벤트와 상기 유사 이벤트의 유사도, 상기 유사 이벤트에 대한 상기 복수의 사용자 각각의 평가, 상기 복수의 사용자 각각의 선호 카테고리를 고려하여 상기 복수의 사용자 중 상기 새로운 이벤트를 추천할 타겟 사용자를 결정하도록 구현되고,
    상기 복수의 사용자 각각의 선호도(wi)는 아래의 수학식을 기반으로 결정되고,
    <수학식>
    Figure 112016096541703-pat00061

    (여기서 di는 상기 복수의 이벤트 속성 각각에 대한 가중치, k는 상기 복수의 이벤트의 개수이다.)
    상기 프로세서는 상기 유사 이벤트를 결정하기 위해,
    상기 복수의 이벤트 중 상기 새로운 이벤트와 카테고리 속성에 대한
    대하여,
    <수학식>
    Figure 112016096541703-pat00064

    (여기서, eventi는 상기 복수의 이벤트 각각의 카테고리 속성이고, eventj는 상기 새로운 이벤트의 카테고리 속성)
    상기의 수학식을 통해 산출된
    Figure 112016096541703-pat00065
    의 크기를 기반으로 복수의 제1 후보 유사 이벤트를 결정하고,
    행렬 분해(Matrix factorization)를 기반으로 상기 새로운 이벤트의 속성별 선호도 합을 예측하고,
    상기 복수의 1차 후보 유사 이벤트 각각의 속성별 선호도 합과 상기 새로운 이벤트의 속성별 선호도 합을 기반으로 상기 복수의 1차 후보 유사 이벤트 각각의 속성별 선호도 합과 상기 새로운 이벤트의 속성별 선호도 합의 유사도를 결정하고,
    상기 속성별 선호도 합의 유사도를 기반으로 상기 복수의 1차 후보 유사 이벤트 중 2차 후보 유사 이벤트를 결정하고,
    상기 2차 후보 유사 이벤트 각각과 상기 새로운 이벤트의 속성별 선호도 합의 유사도와 상기 2차 후보 유사 이벤트 각각과 상기 새로운 이벤트 각각의 카테고리 속성을 고려하여 상기 2차 후보 유사 이벤트 중 유사 이벤트를 결정하도록 구현되는
    것을 특징으로 하는 사용자 성향을 고려한 소셜 이벤트 추천 장치.
  12. 제11항에 있어서,
    상기 2차 후보 유사 이벤트는 아래의 수학식을 통해 산출된
    Figure 112015091169499-pat00047
    의 크기를 기반으로 결정되고,
    <수학식>
    Figure 112015091169499-pat00048

    여기서, SPc는 상기 새로운 이벤트의 속성별 선호도 합이고, SPpi는 상기 복수의 1차 후보 유사 이벤트 각각의 속성별 선호도 합인 것을 특징으로 하는 사용자 성향을 고려한 소셜 이벤트 추천 장치.
  13. 제12항에 있어서,
    상기 유사 이벤트는 아래의 수학식의
    Figure 112015091169499-pat00049
    를 기반으로 결정되고,
    <수학식>
    Figure 112015091169499-pat00050

    상기
    Figure 112015091169499-pat00051
    는 가중치인 것을 특징으로 하는 사용자 성향을 고려한 소셜 이벤트 추천 장치.
  14. 제13항에 있어서,
    상기 타겟 사용자는 상기 복수의 사용자 중 아래의 수학식을 통해 산출된 WRi를 기반으로 결정되고,
    <수학식>
    Figure 112015091169499-pat00052

    여기서, URj는 상기 복수의 사용자 각각의 참여한 유사 이벤트에 대한 평가 점수이고, PCj는 상기 복수의 사용자 각각의 선호하는 카테고리에 대한 가중치인 것을 특징으로 하는 사용자 성향을 고려한 소셜 이벤트 추천 장치.
KR1020150132492A 2015-09-18 2015-09-18 사용자 성향을 고려한 소셜 이벤트 추천 방법 및 장치 KR101725510B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020150132492A KR101725510B1 (ko) 2015-09-18 2015-09-18 사용자 성향을 고려한 소셜 이벤트 추천 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150132492A KR101725510B1 (ko) 2015-09-18 2015-09-18 사용자 성향을 고려한 소셜 이벤트 추천 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20170036874A KR20170036874A (ko) 2017-04-03
KR101725510B1 true KR101725510B1 (ko) 2017-04-12

Family

ID=58580161

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150132492A KR101725510B1 (ko) 2015-09-18 2015-09-18 사용자 성향을 고려한 소셜 이벤트 추천 방법 및 장치

Country Status (1)

Country Link
KR (1) KR101725510B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220147320A (ko) 2021-04-27 2022-11-03 (주)무브컬쳐 인공지능 ai 알고리즘을 활용한 행사 이벤트 큐레이팅 서비스 솔루션 제공장치 및 제공방법

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102049777B1 (ko) * 2017-06-16 2019-11-28 네이버 주식회사 사용자 행위 기반의 아이템 추천 방법 및 장치
WO2019113612A1 (en) * 2018-02-07 2019-06-13 BlackBook Media Inc. Managing event calendars using histogram-based analysis
KR102665356B1 (ko) * 2018-09-11 2024-05-20 에스케이플래닛 주식회사 모수 추출 방법 및 이를 지원하는 서버 장치
JP7330919B2 (ja) * 2020-03-18 2023-08-22 ヤフー株式会社 情報処理装置、情報処理方法及びプログラム
CN112348532A (zh) * 2020-10-19 2021-02-09 前海飞算科技(深圳)有限公司 最佳推荐信息处理方法和装置、存储介质和电子设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101492817B1 (ko) * 2013-10-23 2015-02-16 주식회사 내로우캐스트 광고를 특정 사용자 그룹과 연계시키기 위한 방법, 시스템 및 컴퓨터 판독 가능한 기록 매체
KR101523192B1 (ko) * 2013-12-27 2015-05-28 충북대학교 산학협력단 소셜 검색 시스템 및 기법

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050039305A (ko) * 2003-10-24 2005-04-29 (주)이지투게더 네트워크를 이용한 이벤트 정보 서비스 방법
KR101161342B1 (ko) 2005-05-10 2012-06-29 삼성전자주식회사 인쇄 장치 및 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101492817B1 (ko) * 2013-10-23 2015-02-16 주식회사 내로우캐스트 광고를 특정 사용자 그룹과 연계시키기 위한 방법, 시스템 및 컴퓨터 판독 가능한 기록 매체
KR101523192B1 (ko) * 2013-12-27 2015-05-28 충북대학교 산학협력단 소셜 검색 시스템 및 기법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220147320A (ko) 2021-04-27 2022-11-03 (주)무브컬쳐 인공지능 ai 알고리즘을 활용한 행사 이벤트 큐레이팅 서비스 솔루션 제공장치 및 제공방법

Also Published As

Publication number Publication date
KR20170036874A (ko) 2017-04-03

Similar Documents

Publication Publication Date Title
US20240202456A1 (en) Identifying multimedia asset similarity using blended semantic and latent feature analysis
US11861628B2 (en) Method, system and computer readable medium for creating a profile of a user based on user behavior
KR101725510B1 (ko) 사용자 성향을 고려한 소셜 이벤트 추천 방법 및 장치
TWI636416B (zh) 內容個人化之多相排序方法和系統
US20120185481A1 (en) Method and Apparatus for Executing a Recommendation
US20120324004A1 (en) Systems and methods for analyzing social network user data
KR101764696B1 (ko) 사용자 영향력 및 시간 변화를 고려한 소셜 네트워크 핫 토픽 결정 방법 및 시스템
KR20190011829A (ko) 컴퓨터 실행 방법, 시스템 및 컴퓨터 판독 가능 매체
JP2011175362A (ja) 情報処理装置、重要度算出方法及びプログラム
US20230004608A1 (en) Method for content recommendation and device
Huang et al. A novel recommendation model with Google similarity
JP2017054214A (ja) 判定装置、学習装置、情報配信装置、判定方法及び判定プログラム
US20160012454A1 (en) Database systems for measuring impact on the internet
Chen et al. Modeling user's receptiveness over time for recommendation
KR101708254B1 (ko) 협업적 필터링과 캐릭터 넷을 이용한 스토리 기반의 영화 추전 시스템 및 방법.
JP6264946B2 (ja) データ収集方法、及びデータ収集装置
Kompan et al. Personalized recommendation for individual users based on the group recommendation principles
US8745074B1 (en) Method and system for evaluating content via a computer network
US10972563B2 (en) Out-of-network notifications of network-transmitted content items
Abdel-Hafez et al. Exploiting the beta distribution-based reputation model in recommender system
Tran et al. Deep news recommendation with contextual user profiling and multifaceted article representation
EP2864940A2 (en) Method and apparatus for obfuscating user demographics
CN113158032A (zh) 一种信息推送方法和装置
Liu et al. Mixing-RNN: a recommendation algorithm based on recurrent neural network
Liu et al. Personalized resource recommendation based on regular tag and user operation

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant