KR102433804B1 - 영화 추천 장치 - Google Patents
영화 추천 장치 Download PDFInfo
- Publication number
- KR102433804B1 KR102433804B1 KR1020210009991A KR20210009991A KR102433804B1 KR 102433804 B1 KR102433804 B1 KR 102433804B1 KR 1020210009991 A KR1020210009991 A KR 1020210009991A KR 20210009991 A KR20210009991 A KR 20210009991A KR 102433804 B1 KR102433804 B1 KR 102433804B1
- Authority
- KR
- South Korea
- Prior art keywords
- movie
- user
- evaluation
- learning
- recommendation
- Prior art date
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
- H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
- H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- G06N3/0436—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
- H04N21/4508—Management of client data or end-user data
- H04N21/4532—Management of client data or end-user data involving end-user characteristics, e.g. viewer profile, preferences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
- H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
- H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Computational Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
본 발명의 실시예에 따른 영화 추천 장치는 사용자의 단말기로부터 전송된 복수의 영화 관련 항목 사이의 선호도를 Fuzzy-AHP(Analytical Hierarchy Process)를 이용하여 분석하여 상기 영화 관련 항목의 선호우선순위를 도출하는 사용자 정보 수집부; 네티즌들의 단말기들에 의하여 작성된 영화 평가 텍스트 데이터를 수집한 뒤 상기 영화 평가 텍스트 데이터를 LSTM(Long Short Term Memory) 언어 모델로 학습하여 상기 영화 관련 항목에 해당되는 학습 결과 시퀀스 데이터(sequence data)를 도출하는 영화 평가 학습부; 상기 선호우선순위에 따른 상기 영화 관련 항목에 해당되는 상기 학습 결과 시퀀스 데이터로부터 영화 제목을 추출하여 상기 사용자의 단말기로 영화 추천 결과를 제공하는 영화 추천부; 및 상기 사용자의 개인정보, 상기 영화 관련 항목, 상기 선호우선순위, 상기 학습 결과 시퀀스 데이터 및 상기 영화 추천 결과를 저장하는 데이터베이스를 포함한다.
Description
본 발명은 영화 추천 장치에 관한 것이다.
현재 우리 사회는 인공지능 중심으로 변화하고 있다. 새로운 기술 트렌드 변화를 위해 다양한 기계학습 기법을 적용하고 있으며, 5G 시스템을 통해서 빠르게 접목할 수 있도록 개인화 서비스를 향상시키고 있다.
이러한 변화는 여러 사용자와 네트워크 서비스를 연결할 수 있게 오픈 그래프를 형성하게 되었으며, 사용자의 미디어 플랫폼 참여율을 높일 수 있었다.
추천 시스템은 사용자의 미디어 플랫폼 참여율을 높일 수 있는 대표적인 시스템으로, 사용자의 행동 패턴을 이용하여 맞춤형 콘텐츠 또는 연관성이 높은 콘텐츠를 추천하는 시스템을 말한다.
현재 추천 시스템은 협업 필터링(Collaborative Filtering) 방식과 기계학습 방식을 결합하는 하이브리드 형태의 추천 시스템과 여러 상황에 따른 서비스를 제공하기 위한 상황 인식(Context-awareness) 방식의 추천 시스템을 제안하고 있다.
영화 추천 시스템의 경우에는 협업 필터링 방식보단 기존의 방식에 기계학습 방식을 결합하여 영화를 추천하거나 영화 리뷰 데이터로 감성 분석을 적용하여 사용자가 선호하는 영화의 감성과 유사한 장르를 추천하는 시스템을 제안하고 있다.
그러나 현재 영화 추천 시스템의 방식은 사용자의 심리적인 고정관념을 증폭시켜 사용자가 선호하는 콘텐츠보단 시스템 공급자가 원하는 방향으로 콘텐츠를 추천하고 있다는 문제점이 있다.
또한 사용자의 관심사와 취향이 변해도 추천 시스템에 반영하지 못하고 있으며, 사용자마다 콘텐츠를 선호하는 정도가 다르기 때문에 이를 명확하게 표현할 수 없어 사용자의 선호도에 대한 불확실성이 높다는 문제점이 있다.
본 발명의 실시예에 따른 영화 추천 장치는 사용자가 선호하는 영화 콘텐츠를 추천하기 위한 것이다.
본 발명의 실시예에 따른 영화 추천 장치는 사용자의 관심사와 취향의 변화를 반영하여 사용자에게 영화 콘텐츠를 추천하기 위한 것이다.
본 발명의 실시예에 따른 영화 추천 장치는 사용자에 따른 영화 콘텐츠의 선호 정도에 대한 불확실성을 낮추기 위한 것이다.
본 출원의 과제는 이상에서 언급한 과제로 제한되지 않으며, 언급되지 않는 또 다른 과제는 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일측면에 따르면, 사용자의 단말기로부터 전송된 복수의 영화 관련 항목 사이의 선호도를 Fuzzy-AHP(Analytical Hierarchy Process)를 이용하여 분석하여 상기 영화 관련 항목의 선호우선순위를 도출하는 사용자 정보 수집부; 네티즌들의 단말기들에 의하여 작성된 영화 평가 텍스트 데이터를 수집한 뒤 상기 영화 평가 텍스트 데이터를 LSTM(Long Short Term Memory) 언어 모델로 학습하여 상기 영화 관련 항목에 해당되는 학습 결과 시퀀스 데이터(sequence data)를 도출하는 영화 평가 학습부; 상기 선호우선순위에 따른 상기 영화 관련 항목에 해당되는 상기 학습 결과 시퀀스 데이터로부터 영화 제목을 추출하여 상기 사용자의 단말기로 영화 추천 결과를 제공하는 영화 추천부; 및 상기 사용자의 개인정보, 상기 영화 관련 항목, 상기 선호우선순위, 상기 학습 결과 시퀀스 데이터 및 상기 영화 추천 결과를 저장하는 데이터베이스를 포함하는 영화 추천 장치가 제공된다.
상기 영화 평가 학습부는 상기 수집된 영화 평가 텍스트 데이터를 하나의 파일로 병합하고, 상기 병합된 파일에 존재하는 특수 문자를 제거하는 전처리를 수행할 수 있다.
상기 영화 평가 학습부는 상기 전처리된 영화 평가 텍스트 데이터를 문장의 구성단위인 토큰(token)으로 분리하고, 상기 토큰으로 분리된 영화 평가 텍스트 데이터를 고정 길이의 수치형 텐서(tensor)로 변환하며, 상기 LSTM 언어 모델을 통하여 상기 고정 길이의 수치형 텐서에 대한 학습을 수행할 수 있다.
상기 영화 평가 학습부는 상기 LSTM 언어 모델로 상기 영화 평가 텍스트 데이터의 현재 시퀀스의 단어를 학습하면서 통계적으로 다음 시퀀스의 단어를 예측하여 상기 학습 결과 시퀀스 데이터를 도출할 수 있다.
상기 영화 평가 학습부는 상기 현재 시퀀스의 단어로서 상기 영화 관련 항목을 사용하고, 상기 영화 관련 항목의 다음 시퀀스의 단어를 통계적으로 예측하여 상기 학습 결과 시퀀스 데이터를 도출할 수 있다.
상기 영화 관련 항목의 단어들 중 적어도 하나가 상기 학습 결과 시퀀스 데이터의 첫번째 단어일 수 있다.
상기 영화 추천부는 상기 영화 제목에 링크된 영화 상세 정보를 상기 데이터베이스로부터 읽어들어 상기 사용자의 단말기로 제공할 수 있다.
본 발명의 실시예에 따른 영화 추천 장치는 단순한 사용자의 행동 패턴이 아닌 관심사를 실시간으로 수집하여 이를 반영할 수 있는 Fuzzy-AHP(Fuzzy-Analytic Hierarchy Process)와 LSTM(Long-short Term Memory Network) 언어 모델을 이용한 영화 추천을 제공할 수 있다.
본 출원의 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않는 또 다른 효과는 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1 및 도 2는 본 발명의 실시예에 따른 영화 추천 장치를 나타낸다.
도 3은 사용자 정보 수집부의 Fuzzy-AHP를 위한 영화 관련 계층구조를 나타낸다.
도 4 및 도 5는 Fuzzy-AHP를 진행하기 위한 의사결정 단계를 설명하기 위한 것이다.
도 6은 LSTM의 구조를 나타낸다.
도 7은 LSTM 언어 모델이 단어를 예측하기 위하여 사용되는 통계적 방법의 수식을 나타낸다.
도 8은 LSTM 언어 모델을 사용하여 다음 시퀀스에 나올 단어들을 생성하는 과정을 나타낸다.
도 9는 LSTM 언어 모델로 학습한 결과의 일례를 나타낸다.
도 3은 사용자 정보 수집부의 Fuzzy-AHP를 위한 영화 관련 계층구조를 나타낸다.
도 4 및 도 5는 Fuzzy-AHP를 진행하기 위한 의사결정 단계를 설명하기 위한 것이다.
도 6은 LSTM의 구조를 나타낸다.
도 7은 LSTM 언어 모델이 단어를 예측하기 위하여 사용되는 통계적 방법의 수식을 나타낸다.
도 8은 LSTM 언어 모델을 사용하여 다음 시퀀스에 나올 단어들을 생성하는 과정을 나타낸다.
도 9는 LSTM 언어 모델로 학습한 결과의 일례를 나타낸다.
이하 본 발명의 실시예에 대하여 첨부한 도면을 참조하여 상세하게 설명하기로 한다. 다만, 첨부된 도면은 본 발명의 내용을 보다 쉽게 개시하기 위하여 설명되는 것일 뿐, 본 발명의 범위가 첨부된 도면의 범위로 한정되는 것이 아님은 이 기술분야의 통상의 지식을 가진 자라면 용이하게 알 수 있을 것이다.
또한, 본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
도 1은 본 발명의 실시예에 따른 영화 추천 장치를 나타낸다. 도 1에 도시된 바와 같이, 본 발명의 실시예에 따른 영화 추천 장치는 사용자 정보 수집부(100), 영화 평가 학습부(200), 영화 추천부(300) 및 데이터베이스(400)를 포함한다.
이와같은 본 발명의 실시예에 따른 영화 추천 장치는 컴퓨팅 장치로서 하드웨어 및 소프트웨어에 의하여 구현될 수 있다. 본 발명의 실시예에 따른 영화 추천 장치는 프로세싱부, 메모리부, 표시부 및 통신부를 포함할 수 있다.
프로세싱부는 본 발명의 실시예에 따른 영화 추천 장치의 전반적인 동작을 제어하며, 사용자 정보 수집, 학습, 영화 추천 및 정보의 저장과 같은 영화 추천의 과정을 처리할 수 있다. 프로세싱부는 CPU(Central Processing Unit), AP(Application Processor) 및 마이크로프로세서일 수 있으나 이에 한정되는 것은 아니다.
메모리부는 본 발명의 실시예에 따른 영화 추천 장치의 동작에 필요한 소프트웨어 및 데이터를 저장할 수 있다. 앞서 언급된 데이터베이스(400)는 메모리부에 저장될 수 있다. 메모리부는 버스(bus)를 통하여 프로세싱부와 통신을 수행할 수도 있고, 통신부를 통하여 원격에서 프로세싱부와 통신할 수도 있다. 메모리부는 비휘발성 메모리를 포함할 수 있다. 예를 들어, 메모리부는 ROM, 하드디스크, 광학디스크(예를 들어, DVD, Blu-ray disk 등), SSD(Solid State Disk), USB 메모리, SD 카드 메모리 등을 포함할 수 있으나 이에 한정되는 것은 아니다. 메모리부 외에 본 발명의 실시예에 따른 영화 추천 장치는 RAM과 같은 휘발성 메모리도 포함할 수 있다.
표시부는 본 발명의 실시예에 따른 영화 추천 장치의 동작을 표시할 수 있다. 표시부는 CRT, LCD, LED, OLED 등을 포함할 수 있으나 이에 한정되는 것은 아니다.
통신부는 본 발명의 실시예에 따른 영화 추천 장치와 외부의 컴퓨팅 장치 사이의 유무선 통신을 수행할 수 있다. 통신부는 근거리 통신 모듈 및 원거리 통신모듈을 포함할 수 있다. 근거리 통신 모듈은 블루투스, NFC(Near Field Communication), UWB(Ultra Wide Band) 등일 수 있으나 이에 한정되는 것은 아니다. 원거리 통신 모듈은 인트라넷, 인터넷이나 이통통신망과 같은 유무선 네트워크에 접속하여 통신할 수 있다.
사용자 정보 수집부(100)는 도 2의 사용자의 단말기로부터 전송된 복수의 영화 관련 항목 사이의 선호도를 Fuzzy-AHP(Analytical Hierarchy Process)를 이용하여 분석하여 영화 관련 항목의 선호우선순위를 도출한다. 사용자의 단말기는 PC, 랩탑 컴퓨터, 스마트폰, 태블릿 PC 등일 수 있으나 이에 한정되는 것은 아니다.
Fuzzy-AHP는 객관적으로 평가하기 위한 콘텐츠나 항목(Item)에 대해 여러 평가 기준을 적용하고, 이를 판단하는 의사결정 방법론을 말한다. 평가 기준을 평가하기 위한 명확한 수치나 언어적인 표현 방법은 애매하고, 부정확하며 주관적이기 때문에 Fuzzy 이론을 적용하여 이를 보완하고 있다.
예를 들어 ‘이 영화의 평점이 좋다’라고 하면 얼마만큼 이 영화를 선호하는지 관객들마다 다르며, 이를 수치로 표현했을 때 ‘평점 4점’이라고 정의할 수도 있으며 ‘평점 3.5점’이라고 정의할 수도 있다. Fuzzy 이론은 이와 같은 문제점을 해결할 수 있는 주관성을 도입한 집합론이라고 표현하기도 한다.
Fuzzy-AHP를 진행하기 위한 의사결정 단계는 다음과 같다.
(1) 평가하기 위한 콘텐츠나 항목에 대한 평가 기준을 통해 계층 구조를 구성한다.
계층 구조를 구성할 때 의사결정의 목표에 따라 평가 기준과 평가 요소 등을 계층구조에 종속시키며, 목표에 영향을 미치는 불확실한 정보나 부정확한 요인들로 계층을 도 3과 같은 형태로 구성할 수 있다.
도 3의 계층 구조는 사용자가 영화를 선택할 때 선호하는 요인들로 구성되었으며, 각 선호 기준은 영화가 흥행하기 위한 요소들로 구성되었다. 예를 들어, 선호 기준은 영화 흥행에 중요한 시놉시스, 예고편, 영화를 본 관객의 리뷰와 평점을 포함할 수 있다.
또한 영화 장르와 국가별 영화에 따라 기호가 다르게 나타나므로 계층 구조에 영화의 국가와 장르가 포함될 수 있다. 박스 오피스의 순위 또한 사람들의 관심을 끌기 때문에 영화가 흥행하는데 영향이 크므로 .박스 오피스가 계층 구조에 포함되었다.
이와 같은 영화 관련 항목의 계층 구조는 도 3에 한정되는 것은 아니다.
(2) 평가 기준들과 평가 요소들 간의 쌍대비교를 진행하여 쌍대비교 행렬을 구성한다. 쌍대비교 행렬을 구성하기 위해서 각 계층에 있는 관련 평가 기준들과 평가 요소들 간의 일대일 평가가 진행된다. 이를 위하여 사용자의 단말기는 도 4의 (a)와 같은 사용자 인터페이스를 표시할 수 있다. 사용자의 단말기는 사용자의 조작에 따라 입력된 평가 요소들 사이의 선호도를 본 발명의 영화 추천 장치로 전송하며, 이에 따라 사용자 정보 수집부(100)는 상기 선호도를 수집할 수 있다.
본 발명에서 일대일 평가 방법은 9점 척도 방법을 따르며, 그 방법은 도 4의 (b)와 같다. 여기서 퍼지 수(Fuzzy Numbers)란 소속 정도에 따른 소속 함수를 근처의 수와 비슷하게 표현하는 방법을 말할 수 있다. 퍼지 수는 사다리꼴 형태, 가우스 분포 형태 등 여러 가지가 있는데 본 발명의 실시예에서는 삼각 퍼지 수(Triangular Fuzzy Numbers)가 사용되었으나 본 발명의 실시예가 삼각 퍼지 수에 한정되는 것은 아니다. 삼각 퍼지 수는 도 5의 (a)와 같이 소속 함수에 대하여 하한 값(l), 중앙 값(m), 상한값(n)으로 구성될 수 있다.
사용자 정보 수집부(100)는 일대일 평가를 진행한 후에 도 5의 (b)와 같은 쌍대비교 행렬을 작성할 수 있다.
(3) 사용자 정보 수집부(100)는 구성된 쌍대비교 행렬로 퍼지 합성 확장 값(Value of Fuzzy Synthetic Extent, Si)을 계산한다. 사용자 정보 수집부(100)는 쌍대비교 행렬 A의 원소 aij의 속성 i번째의 퍼지 합성 확장 값을 도 5의 (c)와 같이 계산할 수 있다.
(4) 사용자 정보 수집부(100)는 퍼지 합성 확장 값을 이용하여 삼각 퍼지수 S1=(l1,m1,u1)와 S2=(l2,m2,u2)의 S1≥S2일 가능성 정도(Degree of Possibility, d′)를 계산한다. 가능성 정도는 도 5의 (d)를 통하여 이루어질 수 있는데, 도 5의 (d)는 도 5의 (e)를 이용하여 계산될 수 있다.
(5) 사용자 정보 수집부(100)는 가능성 정도를 이용하여 각 계층의 선호도의 합이 1이 되도록 정규화를 한다.
(6) 사용자 정보 수집부(100)는 각 계층별로 구한 선호도를 상위 계층과 종속된 하위 계층끼리 서로 곱하여 종합 선호도를 계산한다.
(7) 사용자 정보 수집부(100)는 종합 선호도의 우선순위를 구하고, 우선순위가 높은 평가 기준이나 평가 요소를 선택한다.
이와 같은 과정을 통하여 사용자 정보 수집부(100)는 도 3의 선호 기준 및 선호 요인에 대한 우선순위를 도출할 수 있다. 이에 따라 선호 기준 및 선호 요인가 우선순위에 따라 정렬될 수 있다.
한편, 영화 평가 학습부(200)는 도 2의 네티즌들의 단말기들에 의하여 작성된 영화 평가 텍스트 데이터를 수집한 뒤 영화 평가 텍스트 데이터를 LSTM(Long Short Term Memory) 언어 모델로 학습하여 영화 관련 항목에 해당되는 학습 결과 시퀀스 데이터(sequence data)를 도출한다. 네티즌의 단말기는 PC, 랩탑 컴퓨터, 스마트폰, 태블릿 PC 등일 수 있으나 이에 한정되는 것은 아니다.
영화 평가 학습부(200)는 영화 평가 텍스트 데이터를 스크래핑(scraping)을 통하여 수집할 수 있다. 스크래핑은 웹 상의 데이터, 즉 HTML 형식의 공개된 데이터에서 필요한 정보를 추출하는 것을 말한다. 또는 영화 평가 학습부(200)는 크롤링(crawling)을 통하여 영화 평가 텍스트 데이터를 수집할 수 있다. 크롤링은 웹 사이트에서 하이퍼링크를 돌며 웹 페이지를 다운로드하는 방법을 말한다
영화 평가 텍스트 데이터는 도 2의 영화 평가 기록 서버에 저장된 것으로 영화 관련 댓글, 영화 리뷰에 대한 댓글, SNS 리트윗 자료, 뉴스 기사 등을 포함하나 이에 한정되는 것은 아니다. 영화 평가 기록 서버는 네이버와 같은 포털 서비스 제공 회사, 트위터와 같은 SNS 회사, 신문과 같은 언론 회사의 서버일 수 있으나 이에 한정되는 것은 아니다.
영화 평가 학습부(200)는 영화 평가 텍스트 데이터를 수집한 뒤 수집된 영화 평가 데이터에 대한 전처리를 수행할 수 있다. 영화 평가 학습부(200)는 수집된 영화 평가 텍스트 데이터를 하나의 파일로 병합하고, 병합된 파일에 존재하는 특수 문자를 제거하는 전처리를 수행할 수 있다.
특수 문자는 영화 평가 학습부(200)에서의 신경망 학습 단계에서 학습 저하를 일으킬 수 있으며, 영화를 예측할 때 올바르게 예측이 되지 않을 수 있다. 특수 문자의 제거를 통하여 이후 LSTM 언어 모델을 통한 학습의 저하를 방지할 수 있다.
영화 평가 학습부(200)는 전처리된 영화 평가 텍스트 데이터를 문장의 구성단위인 토큰(token)으로 분리하고, 토큰으로 분리된 영화 평가 텍스트 데이터를 고정 길이의 수치형 텐서(tensor)로 변환하며, LSTM 언어 모델을 통하여 고정 길이의 수치형 텐서에 대한 학습을 수행할 수 있다. 본 발명의 경우, 단어 및 조사마다 토큰화될 수 있으나 이에 한정되는 것은 아니다. 예를 들어, 한글자마다 토큰화될 수도 있다.
영화 평가 텍스트 데이터는 여러 단어의 구성으로 이루어져 있으므로 단어를 하나의 이야기(Discourse)로 구성할 수 있게 하는 구문론적 단위인 토큰으로 분리하여 영화 평가 텍스트 데이터의 정보를 인코딩할 수 있게 한다.
수치형 텐서는 임베딩(embedding) 방법에 의하여 이루어질 수 있다. 임베딩(embedding) 방법은 시퀀스 데이터를 고정된 길이로 일일이 변환하여 이진 표현이 아닌 실수 표현 방법으로 변환하는 방법을 말한다.
임베딩 방법은 원-핫 인코딩 방법에 비해 저차원으로 구성되며, 특성 벡터를 다양하게 표현할 수 있어 이후 신경망으로 학습할 시 중요한 특성(정보)이 추출 또는 분리된다.
영화 평가 학습부(200)는 전처리 및 수치형 텐서로 변환된 영화 평가 텍스트 데이터를 LSTM(Long Short Term Memory) 언어 모델을 통하여 학습할 수 있다.
LSTM(Long Short Term Memory) 언어 모델은 순환 신경망(Recurrent Neural Network)의 보완하기 위한 것이다. 순환 신경망은 순차적인 데이터, 즉 시퀀스 데이터(Sequential Data)를 순서대로 입력받아 얼마나 중요한지 판단하여 출력층으로 전달하는 신경망을 말한다. 시퀀스 데이터를 순서대로 입력받기 때문에 출력층으로 전달되기 전에 은닉층(셀, 순환층)을 순환하는 것처럼 보여 순환 신경망이라 불린다.
영화 평가 텍스트 데이터는 영화 관련 댓글, 영화 리뷰에 대한 댓글, SNS 리트윗 자료, 뉴스 기사와 같은 언어에 대한 텍스트 데이터이기 때문에 영화 평가 텍스트 데이터는 시퀀스 데이터가 될 수 있다.
순환 신경망은 시퀀스 데이터가 길수록 셀이 더 깊게 펼쳐지기 때문에 셀에 곱해지는 가중치의 값이 지수적으로 증가하거나 감소하게 되어 기억된 시퀀스 데이터가 소실되거나 다른 형태로 변할 수 있다. 이러한 오류를 방지하기 위하여 LSTM은 셀이 오랜 시간 동안 정보를 기억할 수 있도록 하며, 긴 시퀀스 데이터를 효과적으로 처리할 수 있다.
LSTM은 기억 메커니즘 즉, 메모리 셀(Memory Cell)을 이용하여 순환층의 셀이 오랜 시간 동안 정보를 잘 저장할 수 있으며, 각 메모리 셀에 적절한 가중치를 유지하는 순환루프를 포함할 수 있다.
도 6은 LSTM의 구조를 나타낸 것으로 도 6에 도시된 바와 같이, 메모리 셀의 흐름은 원소별 덧셈()과 원소별 곱셈(⊙)으로 제어할 수 있다. LSTM은 타임 스텝 t에서 현재 타임 스텝(h(t))의 시퀀스 데이터 출력은 시그모이드 함수(σ)나 하이퍼볼릭 탄젠트(tanh) 활성화 함수로 이전 타임 스텝(h(t-1))의 셀의 흐름을 설정하고, 기억할 정보와 삭제할 정보를 결정한 뒤 최종적으로 셀 상태를 업데이트한 후 출력할 수 있다.
영화 평가 학습부(200)는 이러한 LSTM 언어 모델로 영화 평가 텍스트 데이터의 현재 시퀀스의 단어를 학습하면서 통계적으로 다음 시퀀스의 단어를 예측하여 학습 결과 시퀀스 데이터를 도출할 수 있다.
LSTM 언어 모델은 도 7의 수식을 통한 통계적인 방법으로 다음 시퀀스에 나올 단어를 예측하며, 샘플링 과정을 통해서 새로운 텍스트인 학습 결과 시퀀스 데이터를 생성할 수 있다.
도 7의 수식에서 P(w1, …, wi)는 동시 확률을 말한다. 즉, 동시 확률로 구한 다음 시퀀스에 나올 단어들을 샘플링 과정을 통해 생성하게 된다.
샘플링 과정은 탐욕적 샘플링(Greedy Sampling)과 확률적 샘플링(Stochastic Sampling)으로 나뉠 수 있다. 탐욕적 샘플링(Greedy Sampling)은 항상 높은 확률을 가진 단어를 선택하는 방법으로, 탐욕적 샘플링을 통해 생성된 단어들은 논리적이지 않을 수 있다는 단점이 있다.
이에 비하여 확률적 샘플링(Stochastic Sampling)은 무작위 방법을 통해 단어들을 생성하는 방법으로 창의적으로 단어들을 생성할 수 있다는 장점이 있다.
즉, 샘플링 과정은 시퀀스 데이터의 양과 모델의 구성 방법(순환층의 깊이, 활성화 함수 선택)에 따라 다르게 선택될 수 있는데, 본 발명의 실시예에 따른 영화 예측 장치는 창의적 단어의 생성을 위하여 확률적 샘플링을 사용하였다.
LSTM 언어 모델을 사용하여 다음 시퀀스에 나올 단어들을 생성하는 과정은 도 8과 같다.
영화 평가 학습부(200)는 현재 시퀀스의 단어로서 영화 관련 항목을 사용하고, 영화 관련 항목의 다음 시퀀스의 단어를 통계적으로 예측하여 학습 결과 시퀀스 데이터를 도출할 수 있다.
즉, 도 3에 도시된 영화를 선호하는 요인이 현재 시퀀스의 단어에 해당되고, 예측 함수를 통해 현재 학습 모델로 현재 단어를 고정된 길이로 변환하여 확률적 샘플링 방식으로 다음에 나올 단어들을 수십회 반복하여 시뮬레이션한 뒤 다음 시퀀스의 단어를 예측할 수 있다. 예측된 단어는 현재 시퀀스의 단어의 근거가 되며, 앞서 설명된 방법을 통하여 상기 예측된 단어 다음에 나올 단어가 예측될 수 있다. 이와 같은 과정이 반복됨으로써 도 9와 같은 영화 관련 항목에 대한 학습 결과 시퀀스 데이터가 도출될 수 있다.
이와같은 학습 결과 시퀀스 데이터는 영화 관련 항목을 현재 단어로 하여 학습이 시작되므로 도 9에 도시된 바와 같이, 영화 관련 항목의 단어들 중 적어도 하나가 학습 결과 시퀀스 데이터의 첫번째 단어일 수 있다.
한편, 도 1의 영화 추천부(300)는 선호우선순위에 따른 영화 관련 항목에 해당되는 학습 결과 시퀀스 데이터로부터 영화 제목을 추출하여 사용자의 단말기로 영화 추천 결과를 제공할 수 있다.
앞서 설명된 바와 같이, 사용자 정보 수집부(100)를 통하여 도 3의 영화 관련 항목에 대한 사용자의 선호우선순위가 도출되고, 영화 평가 학습부(200)를 통하여 도 9에 도시된 바와 같이, 영화 관련 항목에 대한 학습 결과 시퀀스 데이터가 도출된다.
영화 추천부(300)는 사용자의 선호우선순위에 따라 영화 관련 항목을 정렬할 수 있다. 영화 추천부(300)는 정렬 결과에 따라 사용자가 가장 크게 선호하는 영화 관련 항목의 학습 결과 시퀀스 데이터로부터 영화 제목을 추출할 수 있다.
영화 추천부(300)는 상기 영화 제목에 해당되는 영화 정보를 데이터베이스(400)로부터 검색하여 상기 영화 정보를 사용자의 단말기로 제공할 수 있다. 즉, 영화 추천부(300)는 영화 제목에 링크된 영화 상세 정보를 데이터베이스(400)로부터 읽어들어 사용자의 단말기로 제공할 수 있다.
데이터베이스(400)는 사용자의 개인정보, 영화 관련 항목, 선호우선순위, 학습 결과 시퀀스 데이터, 영화 추천 결과 및 영화 상세 정보를 저장한다.
이상에서 설명된 바와 같이, 본 발명의 실시예에 따른 영화 추천 장치는 사용자가 영화를 선택할 때 선호하는 요인들의 계층 구조 구성을 통해 Fuzzy-AHP로 사용자마다 영화를 선호하는 정도가 다른 불확실한 정보를 반영하여 이를 객관적으로 표현할 수 있으며, 수집된 시퀀스 데이터를 이용하여 LSTM 언어 모델로 사용자가 선호하는 영화를 추천할 수 있다.
이상과 같이 본 발명에 따른 실시예를 살펴보았으며, 앞서 설명된 실시예 이외에도 본 발명이 그 취지나 범주에서 벗어남이 없이 다른 특정 형태로 구체화 될 수 있다는 사실은 해당 기술에 통상의 지식을 가진 이들에게는 자명한 것이다. 그러므로, 상술된 실시예는 제한적인 것이 아니라 예시적인 것으로 여겨져야 하고, 이에 따라 본 발명은 상술한 설명에 한정되지 않고 첨부된 청구항의 범주 및 그 동등 범위 내에서 변경될 수도 있다.
사용자 정보 수집부(100)
영화 평가 학습부(200)
영화 추천부(300)
데이터베이스(400)
영화 평가 학습부(200)
영화 추천부(300)
데이터베이스(400)
Claims (7)
- 사용자의 단말기로부터 국가, 장르, 시놉시스, 예고편, 리뷰, 평점 및 박스 오피스 중 적어도 복수의 영화 관련 항목 사이의 일대일 비교 결과를 전송받아 상기 복수의 영화 관련 항목 사이의 선호도를 Fuzzy-AHP(Analytical Hierarchy Process)를 이용하여 분석하여 상기 영화 관련 항목의 선호우선순위를 도출하는 사용자 정보 수집부;
네티즌들의 단말기들에 의하여 작성된 영화 평가 텍스트 데이터를 수집한 뒤 상기 영화 평가 텍스트 데이터를 LSTM(Long Short Term Memory) 언어 모델로 학습하여 상기 영화 관련 항목에 해당되는 학습 결과 시퀀스 데이터(sequence data)를 도출하는 영화 평가 학습부;
상기 선호우선순위에 따른 상기 영화 관련 항목에 해당되는 상기 학습 결과 시퀀스 데이터로부터 영화 제목을 추출하여 상기 사용자의 단말기로 영화 추천 결과를 제공하는 영화 추천부; 및
상기 사용자의 개인정보, 상기 영화 관련 항목, 상기 선호우선순위, 상기 학습 결과 시퀀스 데이터 및 상기 영화 추천 결과를 저장하는 데이터베이스를 포함하며,
상기 영화 추천부는 사용자의 상기 선호우선순위에 따라 상기 영화 관련 항목을 정렬하고, 상기 정렬 결과에 따라 사용자가 가장 크게 선호하는 영화 관련 항목의 학습 결과 시퀀스 데이터로부터 영화 제목을 추출하는 것을 특징으로 하는 영화 추천 장치. - 제1항에 있어서,
상기 영화 평가 학습부는
상기 수집된 영화 평가 텍스트 데이터를 하나의 파일로 병합하고, 상기 병합된 파일에 존재하는 특수 문자를 제거하는 전처리를 수행하는 것을 특징으로 하는 영화 추천 장치. - 제2항에 있어서,
상기 영화 평가 학습부는
상기 전처리된 영화 평가 텍스트 데이터를 문장의 구성단위인 토큰(token)으로 분리하고,
상기 토큰으로 분리된 영화 평가 텍스트 데이터를 고정 길이의 수치형 텐서(tensor)로 변환하며,
상기 LSTM 언어 모델을 통하여 상기 고정 길이의 수치형 텐서에 대한 학습을 수행하는 것을 특징으로 하는 영화 추천 장치. - 제1항에 있어서,
상기 영화 평가 학습부는
상기 LSTM 언어 모델로 상기 영화 평가 텍스트 데이터의 현재 시퀀스의 단어를 학습하면서 통계적으로 다음 시퀀스의 단어를 예측하여 상기 학습 결과 시퀀스 데이터를 도출하는 것을 특징으로 하는 영화 추천 장치. - 제4항에 있어서,
상기 영화 평가 학습부는
상기 현재 시퀀스의 단어로서 상기 영화 관련 항목을 사용하고, 상기 영화 관련 항목의 다음 시퀀스의 단어를 통계적으로 예측하여 상기 학습 결과 시퀀스 데이터를 도출하는 것을 특징으로 하는 영화 추천 장치. - 제5항에 있어서,
상기 영화 관련 항목의 단어들 중 적어도 하나가 상기 학습 결과 시퀀스 데이터의 첫번째 단어인 것을 특징으로 하는 영화 추천 장치. - 제1항에 있어서,
상기 영화 추천부는 상기 영화 제목에 링크된 영화 상세 정보를 상기 데이터베이스로부터 읽어들어 상기 사용자의 단말기로 제공하는 것을 특징으로 하는 영화 추천 장치.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210009991A KR102433804B1 (ko) | 2021-01-25 | 2021-01-25 | 영화 추천 장치 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210009991A KR102433804B1 (ko) | 2021-01-25 | 2021-01-25 | 영화 추천 장치 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20220107399A KR20220107399A (ko) | 2022-08-02 |
KR102433804B1 true KR102433804B1 (ko) | 2022-08-18 |
Family
ID=82846025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210009991A KR102433804B1 (ko) | 2021-01-25 | 2021-01-25 | 영화 추천 장치 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102433804B1 (ko) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117973175A (zh) * | 2023-11-30 | 2024-05-03 | 苏州大学 | 一种基于模糊数量化理论ⅰ计算用户情感的方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102167593B1 (ko) * | 2014-02-26 | 2020-10-19 | 에스케이플래닛 주식회사 | 분산 퍼지 연관 규칙 마이닝에 기반한 영화 추천 장치 및 방법 |
KR101639987B1 (ko) | 2015-01-19 | 2016-07-18 | 배재대학교 산학협력단 | 혼합 필터링 기반의 영화추천 방법 및 장치 |
-
2021
- 2021-01-25 KR KR1020210009991A patent/KR102433804B1/ko active IP Right Grant
Non-Patent Citations (1)
Title |
---|
박호연 외 1, "CNN-LSTM 조합모델을 이용한 영화리뷰 감성분석", J Intell Inform Syst December: 25(4): 141~154, 2019-04-25 1부.* |
Also Published As
Publication number | Publication date |
---|---|
KR20220107399A (ko) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Anastasopoulos et al. | Machine learning for public administration research, with application to organizational reputation | |
Kühl et al. | Supporting customer-oriented marketing with artificial intelligence: automatically quantifying customer needs from social media | |
Grimmer et al. | Text as data: The promise and pitfalls of automatic content analysis methods for political texts | |
CN112131350B (zh) | 文本标签确定方法、装置、终端及可读存储介质 | |
Shankar et al. | An overview and empirical comparison of natural language processing (NLP) models and an introduction to and empirical application of autoencoder models in marketing | |
Aldunate et al. | Understanding customer satisfaction via deep learning and natural language processing | |
CN104866557A (zh) | 一种基于建构学习理论的个性化即时学习支持***与方法 | |
Almuqren et al. | Using deep learning networks to predict telecom company customer satisfaction based on Arabic tweets | |
Rahmawati et al. | Hoax news detection analysis using indobert deep learning methodology | |
Ghobakhloo et al. | Design of a personalized recommender system using sentiment analysis in social media (case study: banking system) | |
KR102433804B1 (ko) | 영화 추천 장치 | |
Sharma et al. | Movie buzz-movie success prediction system using machine learning model | |
Martis et al. | A proposed system for understanding the consumer opinion of a product using sentiment analysis | |
KR102536290B1 (ko) | 1차 콘텐츠의 댓글 분석 기반 사용자의 니즈가 반영된 2차 콘텐츠 예측방법 | |
Patil et al. | Personality prediction using Digital footprints | |
Abdi et al. | Using an auxiliary dataset to improve emotion estimation in users’ opinions | |
CN116167371A (zh) | 产品的推荐方法及装置、处理器和电子设备 | |
Gupta et al. | Real-time sentiment analysis of tweets: A case study of Punjab elections | |
Kazim et al. | Preprocessing of Drugs Reviews and Classification Techniques | |
CN112989054B (zh) | 一种文本处理方法和装置 | |
Alorini et al. | Machine learning enabled sentiment index estimation using social media big data | |
Lockard et al. | Using nlp to model us supreme court cases | |
Zain et al. | Customer sentiment analysis through social media feedback: a case study on telecommunication company | |
CN118093881B (zh) | 一种基于知识图谱的审计对象画像建模方法和*** | |
Mednini et al. | Natural language processing for detecting brand hate speech |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |