KR20020096428A - Learning method using information of user's action on the web - Google Patents
Learning method using information of user's action on the web Download PDFInfo
- Publication number
- KR20020096428A KR20020096428A KR1020010034854A KR20010034854A KR20020096428A KR 20020096428 A KR20020096428 A KR 20020096428A KR 1020010034854 A KR1020010034854 A KR 1020010034854A KR 20010034854 A KR20010034854 A KR 20010034854A KR 20020096428 A KR20020096428 A KR 20020096428A
- Authority
- KR
- South Korea
- Prior art keywords
- user
- learning
- category
- weight
- web
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000009471 action Effects 0.000 title abstract description 4
- 230000006399 behavior Effects 0.000 claims description 41
- 230000008569 process Effects 0.000 claims description 26
- 230000008859 change Effects 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 6
- 230000003542 behavioural effect Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
-
- 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
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers
- G09B7/02—Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Information Transfer Between Computers (AREA)
Abstract
Description
본 발명은 웹 상에서 개인화 서비스를 제공함에 있어서 사용자 행위정보를 이용한 학습 방법과 상기 방법을 실현시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체에 관한 것이다.The present invention relates to a learning method using user behavior information in providing a personalized service on the web, and a computer readable recording medium storing a program for realizing the method.
현재, 인터넷의 확산에 따라 수 많은 정보와 서비스가 인터넷을 통해 제공되고 있으며, 이에 따라서 사용자가 인터넷을 찾는 가장 큰 이유 중의 하나는 언제 어디서든지 원하는 정보를 빠른 시간 내에 찾을 수 있기 때문이다. 그러나, 웹의 확장과 늘어나는 내용으로 인해 자신이 원하는 내용을 찾기 위해서 많은 시간을 들여야 하는 경우가 많아진다. 이에 따라 사용자나 인터넷 서비스 제공업체 모두 사용자에게 적합한 정보를 쉽게 찾을 수 있게 하는 것이 중요한 관심사로 떠오르게 되었다.Currently, a lot of information and services are provided through the Internet according to the spread of the Internet, and therefore, one of the biggest reasons for the user to search the Internet is that anytime, anywhere can find the desired information quickly. However, due to the expansion and increasing content of the web, it is often necessary to spend a lot of time in order to find the desired content. As a result, making it easy for you and your Internet service provider to find the right information for you has become an important concern.
사용자나 인터넷 서비스 제공업체 모두 사용자에게 적합한 정보를 쉽게 찾을 수 있게 하기 위한 방법이 개인화 서비스이다. 개인화 서비스는 웹 사이트에서 사용자의 선호, 관심, 구매 경험 등과 같은 정보를 기초로 사용자에게 가장 알맞은 정보를 제공한다. 개인화를 통해서 웹 사이트 운영자는 사용자에 관한 자료를 얻고 사용자의 지속적인 이용을 얻어낼 수 있게 되며, 사용자는 자신에게 가장 알맞은 정보를 편리한 방법으로 얻을 수 있게 된다.Personalization services are a way to make it easier for you and your Internet service provider to find the right information for you. Personalization services provide the most appropriate information for users based on information such as user's preferences, interests, purchase experiences, etc. on the website. Personalization allows Web site operators to obtain information about the user and to obtain continuous use of the user, and the user can obtain information that is most appropriate for them in a convenient way.
이러한 개인화 서비스를 제공하는데 있어서 무엇보다도 사용자의 성향을 정확하게 파악하는 것이 중요하다. 그러나, 잘못된 사용자 성향 파악은 잘못된 정보의 제공으로 연결되어, 오히려 사용자에게 불만을 사게 된다. 또한, 사용자의 성향은 계속 변화하기 때문에 효율적인 개인화 서비스 제공을 위해서는 변화하는 사용자의 성향을 반영하는 학습 과정이 필요하다. 학습 과정은 사용자의 웹 상에서의 행위를 관찰하여 사용자의 관심사항을 나타내는 데이터를 획득하고, 이를 이용하여 사용자의 성향을 학습하여 이를 사용자 프로파일에 반영하는 과정을 말한다.In providing such a personalized service, it is most important to accurately grasp the user's disposition. However, identifying the wrong user tendency leads to the provision of the wrong information, and rather, complains to the user. In addition, since the user's disposition continues to change, in order to provide an efficient personalization service, a learning process that reflects the changing user's disposition is required. The learning process refers to a process of acquiring data representing the user's interest by observing the user's behavior on the web, and learning the user's disposition by using the same and reflecting it in the user profile.
학습 방법으로는 통계학적인 알고리즘, 유전학적인 알고리즘, 벡터공간모형을 위한 알고리즘 등이 사용된다.As a learning method, statistical algorithm, genetic algorithm, algorithm for vector space model is used.
현재, 인터넷 서비스에서는 초기 설정한 사용자의 성향을 반영하지 않고 사용하거나, 사이트 전체에서의 사용자 행동양식을 추출하고 이를 이용하여 행동성향을 조정한다. 따라서, 인터넷 서비스시에 변화하는 사용자의 성향을 반영하기 위해서는 사용자의 프로파일에 대한 학습 방안이 필수적으로 요구된다.At present, the Internet service is used without reflecting the user's propensity initially set up, or the user's behavior is extracted from the entire site and the behavior is adjusted by using it. Therefore, in order to reflect the changing propensity of the user in the Internet service, a learning plan for the user profile is required.
본 발명은, 상기한 바와 같은 문제점을 해결하기 위하여 제안된 것으로, 웹상에서 사용자 프로파일에 대한 학습을 통해 변화하는 사용자의 성향을 반영하여, 개인 성향에따른 개인화 서비스를 제공하기 위한 사용자 행위 정보를 이용한 학습 방법 및 상기 방법을 실현시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공하는데 그 목적이 있다.The present invention is proposed to solve the above problems, reflecting the user's tendency to change through learning about the user profile on the web, using the user behavior information to provide a personalized service according to the personal orientation It is an object of the present invention to provide a computer-readable recording medium recording a learning method and a program for realizing the method.
도 1 은 본 발명이 적용되는 개인화 서비스를 위한 학습 시스템의 구성 예시도.1 is an exemplary configuration of a learning system for a personalization service to which the present invention is applied.
도 2 는 본 발명에 따른 사용자 행위정보를 이용한 학습 방법에 대한 일실시예 전체 흐름도.2 is a flowchart illustrating an embodiment of a learning method using user behavior information according to the present invention;
도 3 은 본 발명에 따른 학습 방법 중 사용자 프로파일에 대한 학습 수행 및 학습 결과 적용 과정에 대한 일실시예 상세 흐름도.3 is a detailed flowchart illustrating one embodiment of a process of performing a learning and applying a learning result to a user profile in the learning method according to the present invention;
* 도면의 주요 부분에 대한 부호의 설명* Explanation of symbols for the main parts of the drawings
11 : 사용자 단말기 12 : 웹 서버11: user terminal 12: web server
13 : 추천 및 캐싱 서버 14 : 학습 서버13: Recommended and Caching Server 14: Learning Server
15 : 데이터베이스 (DB)15: database
상기 목적을 달성하기 위한 본 발명은, 웹 상에서 개인화 서비스를 위한 학습 방법에 있어서 웹 사이트의 구조에 따라 웹 사이트를 카테고리별로 분류하고, 카테고리 별로 사용자의 선호도를 반영하여 카테고리별 사용자 프로파일과 카테고리별 가중치를 결정하는 제 1단계; 웹 사이트에서 사용자의 행동을 추출하여 학습을 위한 사용자의 행동 데이터(피드백 데이터)를 획득하는 제 2 단계; 및 상기 카테고리별 가중치와 상기 사용자의 행동 데이터(피이득백 데이터)를 바탕으로, 상기 카테고리별 사용자 프로파일에 대한 학습을 수행하여, 학습 결과를 상기 카테고리별 사용자 프로파일에 반영하는 제 3 단계를 포함하여 이루어진 것을 특징으로 한다.The present invention for achieving the above object, in the learning method for personalized services on the web, categorizes the web site by category according to the structure of the web site, and reflects the user's preference for each category, the user profile for each category and the weight for each category Determining a first step; Extracting the user's behavior from the web site to obtain user's behavior data (feedback data) for learning; And performing a learning on the user profile for each category based on the weight for each category and the behavioral data (gainback data) of the user, and reflecting the learning result to the user profile for each category. Characterized in that made.
또한, 본 발명은 개인화 서비스를 위하여, 프로세서를 구비한 학습 시스템에, 웹 사이트의 구조에 따라 웹 사이트를 카테고리별로 분류하고, 카테고리별로 사용자의 선호도를 반영하여 카테고리별 사용자 프로파일과 카테고리별 가중치를 결정하는 제 1 기능; 웹 사이트에서 사용자의 행동을 추출하여 학습을 위한 사용자의 행동 데이터(피드백 데이터)를 획득하는 제 2 기능; 및 상기 카테고리별 가중치와 상기 사용자와 행동 데이터(피드백 데이터)를 바탕으로, 상기 카테고리별 사용자 프로파일에 대한 학습을 수행하여, 학습 결과를 상기 카테고리별 사용자 프로파일에 반영하는 제 3 기능을 실현시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공한다.In addition, the present invention classifies the web site by category according to the structure of the web site in the learning system having a processor for personalization service, and determines the user profile for each category and the weight for each category by reflecting the user's preference for each category. A first function of doing; A second function of extracting user's behavior from a web site to obtain user's behavior data (feedback data) for learning; And performing a learning on the user profile for each category based on the weight for each category and the user and behavior data (feedback data), thereby realizing a third function of reflecting the learning result to the user profile for each category. Provide a computer readable recording medium having recorded thereon.
웹 상에서 사용자의 변화하는 개인 성향에 따른 개인화 서비스를 제공하기 위해서는 사용자의 행동 데이터를 이용한 학습 방법이 필요하다.In order to provide a personalization service according to a user's changing personality on the web, a learning method using the user's behavior data is required.
따라서, 본 발명은 수집된 사용자 행동 데이터를 이용한 학습 방법에 관한것으로, 회원 가입시 입력받는 사용자의 기본정보, 이전의 사용자 행동양식 및 웹사이트의 구조 정보를 반영한 사용자 프로파일에 웹 사이트에서 사용자의 행동을 관찰하여 얻어진 사용자의 행동 데이터를 이용하여 학습하는 방법을 제시하고자 한다.Accordingly, the present invention relates to a learning method using the collected user behavior data, and the user's behavior in the website to the user profile reflecting the basic information of the user, the previous user behavior, and the structure of the website received during registration We will present a method of learning using behavioral data obtained by observation.
이를 위해, 본 발명은 회원 가입시 획득된 사용자의 기본 정보와 웹 사이트의 구조, 기존의 사용자의 행동 데이터를 이용하여 사용자 프로파일과 사용자의 성향을 반영한 카테고리별 가중치를 작성하고, 학습을 위해 사용자 프로파일의 카테고리 가중치, 키워드와 가중치의 리스트, 사용자 행동 데이터의 피드백 타입, 컨텐츠 프로파일의 키워드와 가중치 리스트를 획득하여 사용자 프로파일에 대한 학습을 통해, 인터넷에서 개인화 서비스를 제공할 수 있다.To this end, the present invention by using the user's basic information and the structure of the website obtained during the membership registration, the existing user's behavior data to create a weight for each category reflecting the user profile and the user's disposition, and the user profile for learning A personalization service may be provided on the Internet through learning about user profiles by acquiring category weights, lists of keywords and weights, feedback types of user behavior data, and keywords and weight lists of content profiles.
상기 학습시에 웹 사이트의 구조에 따라 웹 사이트를 여러개의 카테고리로 나누고, 사용자의 선호도를 반영하여 사용자 프로파일과 각 카테고리의 가중치를 결정하며, 이를 사용자 행동 데이터와 결합하여 학습을 수행한다.In the learning, the web site is divided into several categories according to the structure of the web site, the user profile and the weight of each category are determined by reflecting the user's preference, and the learning is performed by combining it with the user behavior data.
상술한 목적, 특징들 및 장점은 첨부된 도면과 관련한 다음의 상세한 설명을 통햐여 더욱 분명해 질 것이다. 이하 첨부된 도면을 참조하여 본 발명에 따른 바람직한 일 실시예를 상세히 설명한다.The above objects, features and advantages will become more apparent through the following detailed description taken in conjunction with the accompanying drawings. Hereinafter, exemplary embodiments of the present invention will be described in detail with reference to the accompanying drawings.
도 1 은 본 발명이 적용되는 개인화 서비스를 위한 학습 시스템의 구성 예시도이다.1 is a diagram illustrating a configuration of a learning system for a personalization service to which the present invention is applied.
도 1에 도시된 바와 같이, 사용자는 사용자 단말기(11)를 통해 웹 사이트의 웹 서버(12)를 통해 회원가입시 사용자에 대한 정보를 제공하고, 웹 서버(12)는 사용자로부터 획득된 데이터를 이용하여 사용자 프로파일에 이용되는 데이터를 획득한다.As shown in FIG. 1, a user provides information about a user when registering through a web server 12 of a website through the user terminal 11, and the web server 12 uses data obtained from the user. To obtain the data used for the user profile.
데이터베이스(15)는 사용자 행동 데이터, 사용자 프로파일 데이터, 컨텐츠 프로파일 데이터의 내용들을 저장하고 있어, 웹 서버(12), 추천 및 캐싱 서버(13), 학습 서버(14)들과 연계하여 각 서버들의 요구시 데이터를 제공하고, 각 서버에서 업데이트(update)된 데이터들을 저장한다.The database 15 stores the contents of the user behavior data, the user profile data, and the content profile data, so that the requests of the respective servers in association with the web server 12, the recommendation and caching server 13, and the learning servers 14 are provided. It provides time data and stores the data updated in each server.
학습 서버(14)는 학습 과정을 통해서 사용자 프로파일 값을 변경시킨다.The learning server 14 changes the user profile value through the learning process.
웹 서버(12)는 학습 서버(14)에 의해 제공된 사용자 프로파일 변경값을 이용하여 추천 및 캐싱 서버(13)를 통해 사용자에게 사용자가 원하는 데이터를 추천해준다.The web server 12 uses the user profile change value provided by the learning server 14 to recommend data desired by the user to the user through the recommendation and caching server 13.
도 2 는 본 발명에 따른 사용자 행위 정보를 이용한 학습 방법에 대한 일실시예 전체 흐름도이다.2 is a flowchart illustrating an embodiment of a learning method using user behavior information according to the present invention.
본 발명은 변화하는 사용자의 성향을 반영하기 위한 웹 사이트의 구조와 사용자의 행동 데이터를 반영한 사용자 프로파일과, 웹 사이트의 각 카테고리에 대한 가중치를 이용하여 학습을 수행함으로써, 웹 상에서 개인화 서비스를 제공할 수 있다.The present invention provides a personalized service on the web by performing a learning process using a user profile reflecting a structure of a web site to reflect a changing user's propensity, user behavior data, and weights for each category of the web site. Can be.
도 2 에 도시된 바와 같이, 본 발명에 따른 사용자 행위 정보를 이용한 학습 방법은, 크게 초기 사용자 프로파일 구축과정(21), 사용자 프로파일 획득과정(22), 사용자 행동 데이터 획득과정(23), 그리고 사용자 프로파일에 대한 학습 수행 및 결과 적용과정(24)으로 구성된다.As shown in Figure 2, the learning method using the user behavior information according to the present invention, the initial user profile construction process 21, the user profile acquisition process 22, the user behavior data acquisition process 23, and the user This process consists of performing learning about the profile and applying the results (24).
초기 사용자 프로파일 구축 과정(21)에서는, 웹 사이트의 구조정보를 이용하여 웹 사이트를 다수의 카테고리로 세분화하고, 회원가입시 사용자가 입력한 기본정보, 사용자 선호도 정보, 인구통계학적 정보 등을 이용하여 사용자 초기 프로파일과 웹 사이트의 각 카테고리에 대한 가중치를 결정한다.In the initial user profile building process 21, the web site is subdivided into a number of categories using the structural information of the web site, and the user uses basic information, user preference information, demographic information, etc. input by the user at the time of registration. Determine the initial profile and weights for each category of websites.
사용자 프로파일 획득과정(22)에서는, 학습을 위해 기존의 사용자 프로파일을 획득한다. 사용자 프로파일은 키워드와 가중치의 쌍으로 표현되며, 하기의 (표 1) 및 (표 2)와 같은 형태로 나타난다. (표 1)은 사용자의 카테고리별 프로파일을 나타내고, (표 2)는 사용자의 카테고리별 가중치를 나타낸다.In the user profile acquisition process 22, an existing user profile is acquired for learning. The user profile is represented by a pair of keywords and weights, and is represented in the form of (Table 1) and (Table 2) below. Table 1 shows a user profile for each category, and Table 2 shows a weight for each user category.
사용자의 행동 데이터 획득과정(23)에서는, 웹로그 분석, 거래내역, 장바구니 분석 등을 통해 사용자의 웹 사이트에서의 행동을 추출하여 학습을 위한 피드백 데이터를 획득한다. 이때, 사용자에게서 획득할 수 있는 피드백 종류는 명시적 피드백, 암시적 피드백, 부정적 피드백 등이 있다.In the behavior data acquisition process 23 of the user, the behavior of the user's web site is extracted through web analytics, transaction history, shopping cart analysis, etc. to obtain feedback data for learning. In this case, the feedback types that can be obtained from the user include explicit feedback, implicit feedback, negative feedback, and the like.
상기 명시적 피드백은 사용자에게 직접 정보를 입력하는 것으로 정확도와 기여도가 높다.The explicit feedback is inputting information directly to the user with high accuracy and contribution.
상기 암시적 피드백은 사용자의 행위를 관찰함으로써 사용자의 행위에 대한 정보를 획득한다.The implicit feedback obtains information about the user's behavior by observing the user's behavior.
상기 부정적 피드백은 사용자를 알아내는데 어려움이 있으므로 사용자의 의도가 확실한 경우가 아니면 학습에 이용되지 않는다.Since the negative feedback has difficulty in identifying the user, it is not used for learning unless the user's intention is clear.
상기 명시적 피드백은 정확도와 기여도가 높으나 사용자로부터 획득하기 어렵기 때문에 암시적 피드백을 통한 학습이 주로 이용된다.The explicit feedback has high accuracy and contribution, but is difficult to obtain from the user, so learning through implicit feedback is mainly used.
사용자 프로파일에 대한 학습 수행 및 학습 결과 적용 과정(24)은, 확보된 사용자 데이터를 이용하여 사용자의 실제적인 관심을 반영하기 위한 과정으로서, 사용자 프로파일의 피드백 대상이 되는 카테고리 가중치, 키워드의 가중치를 이용하여 학습을 수행하고, 학습의 결과를 다시 사용자 프로파일에 반영한다. 이를 보다 상세히 살펴보면 다음과 같다.The process of performing the learning and applying the learning result on the user profile 24 is a process for reflecting the actual interest of the user by using the obtained user data. The category weight and feedback weight of the user profile are used. To perform the learning, and to reflect the results of the learning back to the user profile. Looking at this in more detail as follows.
도 3 은 본 발명에 따른 학습 방법중 사용자 프로파일에 대한 학습 수행 및 학습결과 적용과정에 대한 일실시예 상세 흐름도로서, 상기 도 2의 전체 학습 방법중 실제적으로 학습이 이루어지는 과정을 나타낸다.FIG. 3 is a detailed flowchart illustrating a process of performing a learning and applying a learning result to a user profile in the learning method according to the present invention, and illustrates a process of actually learning among the entire learning methods of FIG. 2.
도 3에 도시된 바와 같이, 상기 도 2의 사용자 프로파일에 대한 학습 수행 및 결과 적용 과정(24)은, 우선 확보된 사용자 프로파일과 행동 데이터로부터 학습을 위한 데이터를 획득하고(31), 획득된 데이터를 바탕으로 변경값(Fv)을계산하여(32), 이를 기 설정된 임계치와 비교한다.As shown in FIG. 3, the process of performing the learning and applying the result to the user profile of FIG. 2 24 first obtains data for learning from the obtained user profile and behavior data (31), and obtains the acquired data. Based on the change value (F v ) is calculated (32), it is compared with a predetermined threshold value.
비교결과, 변경값(Fv)이 임계값 이상이면, 모든 키워드에 대한여 사용자 프로파일의 키워드 가중치를 변경시키고(34), 이를 정규화(Normalization) 시킨다(35). 그리고, 웹 사이트의 모든 카테고리의 가중치를 변경하고(36), 이를 정규화한다(37).As a result of the comparison, if the change value F v is greater than or equal to the threshold value, the keyword weight of the user profile for all keywords is changed (34) and normalized (35). The weights of all categories of the web site are changed (36) and normalized (37).
상기 확보된 사용자 프로파일과 행동 데이터로부터 학습을 위한 데이터를 획득하는 과정(31)을 보다 상세히 살펴보면 다음과 같다.Looking at the process 31 of obtaining the data for learning from the obtained user profile and behavior data in more detail as follows.
여기서, 컨텐츠는 카테고리 유형에 따라 분류되어 웹 사이트에 컨텐츠 프로파일로 저장되어 있다고 가정한다. 피드백 대상 컨텐츠가 속한 카테고리가 c1이라고 할 때, 사용자 프로파일에서 c1에 대한 카테고리 가중치(α)와 c1에 속한 키워드 및 가중치의 리스트를 획득한다. 컨텐츠 프로파일에서는 피드백 대상 컨텐츠의 키워드 및 가중치(di)를 추출하며, 사용자 행동 데이터에서는 피드백 값(Ft)을 추출한다.Here, it is assumed that the content is classified according to category type and stored as a content profile in the web site. When a category to which the feedback target content belongs is c1, a category weight α for c1 and a list of keywords and weights belonging to c1 are obtained from the user profile. In the content profile, keywords and weights d i of the content to be fed back are extracted, and feedback values F t are extracted from the user behavior data.
상기 획득된 데이터를 바탕으로 변경값(Fv)을 계산하는 과정을 보다 상세하게 설명하면 다음과 같다.The process of calculating the change value F v based on the obtained data will be described in detail as follows.
변경값(Fv)을 계산하는 과정은 다음의 (수학식1)과 같이 표현할 수 있다.The process of calculating the change value F v can be expressed as Equation 1 below.
상기 (수학식 1)에서, "Ft"는 피드백 값, "α"는사용자 프로파일 카테고리 가중치, 그리고 "di"는 컨텐츠 프로파일의 키워드 가중치로 정의된다.In Equation 1, "Ft" Feedback value, "α"IsThe user profile category weight and "di" are defined as keyword weights of the content profile.
각 값에 대한 자세한 설명은 다음과 같다.A detailed description of each value follows.
피드백 값(Ft)은 피드백 유형에 따른 피드백 값으로서 사용자 행위의 유형을 중요도에 따라 분류하고 값을 지정한다. 피드백 유형은 다음의 (표 3)과 같다.The feedback value F t is a feedback value according to the feedback type and classifies the type of user behavior according to importance and specifies the value. Feedback types are shown in Table 3 below.
상기 (표 3)에서, 유형 1은 명시적 피드백에 해당되는 경우이고 유형 2 내지는 5는 암시적 피드백에 해당된다. 명시적 피드백은 정확도와 기여도가 높으나, 사용자로부터 획득하기 어렵기 때문에 암시적 피드백을 통한 학습이 주로 이루어진다. 또한, 부정적 피드백도 있으나, 이는 사용자의 의도를 알아내는데 어려움이 있으므로 사용자의 의도가 확실하는 경우가 아니면 학습에 이용하지 않는다. 일반적인 경우 피드백 유형(2~5) 및 피드백 값(Ft)은 0 과 1사이의 값을 가지며, 피드백의중요도에 따라 피드백 값(Ft)이 결정된다. 피드백 유형 5는 조회수/사용시간 등이 이에 속하며, 이들은 일정 가중치로 존재하는 것이 아니라 사용자의 반응에 따라 값의 변화를 주어야 한다.In Table 3 above, type 1 corresponds to explicit feedback and types 2 to 5 correspond to implicit feedback. Explicit feedback is highly accurate and contributing, but learning from implicit feedback is mainly done because it is difficult to obtain from the user. In addition, there is negative feedback, but it is difficult to find the user's intention, so it is not used for learning unless the user's intention is clear. In general, the feedback type (2 to 5) and the feedback value (F t ) has a value between 0 and 1, the feedback value (F t ) is determined according to the importance of the feedback. Feedback type 5 includes the number of hits / time of use, and they do not exist as a constant weight, but should be changed according to the user's response.
한편, 사용자 프로파일 카테고리 가중치(α)는 사용자의 피드백이 사용자 프로파일의 카테고리에 영향을 미치는 정도를 나타내는 것으로서, 0 과 1사이의 값을 갖는다.On the other hand, the user profile category weight α indicates the degree to which the user's feedback affects the category of the user profile, and has a value between 0 and 1.
또한, 컨텐츠 프로파일 키워드 가중치(di)는 컨텐츠와 같은 카테고리에 속하는 피드백 대상이 된 컨텐츠/페이지 프로파일의 키워드 가중치이다.In addition, the content profile keyword weight d i is a keyword weight of a content / page profile that is a feedback target belonging to the same category as the content.
상기 변경값(Fv)은 임계값 이상일 때(33) 학습 과정 속에서 값을 갖게 된다.The change value F v has a value in the learning process when the threshold value is 33 or more.
상기 변경값(Fv)과 임계값을 비교하는 과정(33)에서는 변경값(Fv)이 임계값을 초과하는 경우에만 사용자 프로파일 카테고리 및 키워드 가중치를 변경시키고(34) 변경값(Fv)이 임계값 이하이면 변경하지 않는다. 키워드 가중치를 변경하는 과정은 다음의 (수학식 2)와 같다.The displacement value (F v) and the process (33) for comparing the threshold value and to change the user profile categories and keywords weight only when the change value (F v) is greater than the threshold value 34, the change value (F v) If it is below this threshold, no change is made. The process of changing the keyword weight is shown in Equation 2 below.
상기(수학식 2)에서, "Wi"는 컨텐츠와 같은 카테고리에 속하는 사용자 프로파일의 가중치이고, "Wi′"는 학습 후 사용자 프로파일의 키워드 가중치이다.In Equation 2, "Wi" is a weight of a user profile belonging to the same category as the content, and "Wi '" is a keyword weight of the user profile after learning.
학습이 이루어지는 과정은 사용자의 피드백 대상이 되는 컨텐츠의 각 키워드에 대해서 키워드의 가중치와 카테고리 가중치, 피드백 유형에 따른 피드백 값을 이용하여 사용자 프로파일의 해당 키워드의 값을 상기 (수학식 1)에 적용하여 변경시켜 주게 된다. 예를 들면, 피드백 대상이 되는 컨텐츠의 사용자 프로파일의 카테고리가 "{{1, 0.1}, {2, 0.2 }, {3, 0.3 }, {4 ,0.4}}"와 같이 구성되어 있고, 컨텐츠 프로파일 카테고리가 "{{1, 0.1}, {2, 0.5 }, {4, 0.1 }, {5, 0.2}}"와 같이 구성되어 있으며, 피드백 대상이 되는 컨텐츠가 속한 사용자 프로파일의 카테고리의 가중치가 0.2, 피드백 값(Ft)이 0.6이라고 한다면, 학습 후의 키워드 1의 가중치는 "0.1 + ( 0.2 * 0.6 * 0.1)"로 계산된다.The learning process is performed by applying the corresponding keyword value of the user profile to (Equation 1) by using the keyword weight, the category weight, and the feedback value according to the feedback type for each keyword of the content to be feedbacked by the user. Will change. For example, the category of the user profile of the content to be fed back is configured as "{{1, 0.1}, {2, 0.2}, {3, 0.3}, {4,0.4}}", and the content profile The category is configured as "{{1, 0.1}, {2, 0.5}, {4, 0.1}, {5, 0.2}}", and the weight of the category of the user profile to which the content to be fed back belongs is 0.2 If the feedback value F t is 0.6, the weight of the keyword 1 after learning is calculated as "0.1 + (0.2 * 0.6 * 0.1)".
이후, 모든 키워드에 대하여 키워드의 가중치를 변경하고 이들 값을 다시 정규화(normalization)함으로써(35) 사용자 프로파일의 변경이 종료된다. 그리고, 웹사이트의 모든 카테고리의 가중치를 변경하고(36) 이들을 정규화함으로써(37) 사용자 프로파일의 학습이 끝난다.The change of the user profile is then terminated by changing the weight of the keywords for all keywords and normalizing these values again (35). The training of the user profile is then finished by changing the weights of all categories of the website (36) and normalizing them (37).
여기에서는 피드백 대상이 되는 키워드 값과 카테고리 값만 변경시키면 된다. 단지, 피드백 대상이 되는 키워드 값을 변경시키면 1 이상이 된다. 1 이하의 값으로 정규화하면 전체 키워드 값이 변경된다. 카테고리 값도 키워드 값이 변경되면서 변경되고 1이하의 값으로 정규화하다 보면 모든 카테고리 값들이 변경된다.In this case, only the keyword value and category value to be fed back need to be changed. However, if the keyword value to be fed back is changed, the value becomes one or more. Normalizing to a value less than or equal to 1 changes the entire keyword value. The category value also changes as the keyword value changes, and normalizing to a value less than or equal to 1 changes all category values.
이해를 돕기 위하여, 컨텐츠 프로파일과 사용자 프로파일의 관계를 보다 명확하게 정의하고, 컨텐츠 프로파일의 가중치를 정하는 기준에 대해 살펴보면 다음과 같다.To better understand, the criteria for defining the relationship between the content profile and the user profile more clearly and the weight of the content profile are as follows.
사용자의 프로파일은 사용자의 성향을 정의하기 위한 것이다. 따라서, 영화라는 장르에 대한 사용자의 성향을 정의하기 위해 사용자의 "관심사항 + CF"를 이용하여 다음과 같이 키워드나 가중치의 형태로 표현된다.The user's profile is to define the user's disposition. Therefore, in order to define the user's propensity for the genre of film, the user's "interest + CF" is expressed in the form of a keyword or weight as follows.
영화: 김수연(0,2), 전인화(0,1), 장동건(0,1), 임권택(0,3)Film: Kim Soo Yeon (0,2), Inhwa Jeon (0,1), Jang Dong Gun (0,1), Lim Kwon Taek (0,3)
컨텐츠 프로파일은 컨텐츠의 특성을 정의하기 위한 것이다. 즉, 영화 "친구"라 할 경우, 속성(여기에서는 일반적 av 컨텐츠 metadata로 정의된 것들인데, 주연배우, 조연배우, 감독, 연도, 영화사 등이 있다고 가정함)의 가중치를 그 중요도에 따라서 다음과 같이 결정할 수 있다.The content profile is for defining the characteristics of the content. That is to say, in the case of a movie "friend", the weights of the properties (here, defined as the general av content metadata, which are assumed to be the leading actor, supporting actor, director, year, movie company, etc.) are as follows. You can decide together.
" 주연배우(0,3), 조연배우(0,1), 감독(0,2), 영화사(0,01) ""Leading Actor (0,3), Supporting Actor (0,1), Director (0,2), Film Company (0,01)"
친구의 컨텐츠 프로파일은 "주연배우 : 유오성, 장동건", "조연배우 : 진숙이", "감독 : 곽경태", "영화사: ***" 라고 들어 있으며, 사용자가 "친구"라는 영화를 본 경우 사용자 프로파일의 " 장동건(0.1) + 컨텐츠 프로파일의 장동건(0.3) *α"를 이용하여 사용자 프로파일을 변경 할 수 있다.A friend's content profile contains "Leading Actor: Yoo Sung, Jang Dong Gun", "Actor: Jin Sook Lee", "Director: Kwak Kyung Tae", "Movie Company: ***". The user profile can be changed by using "Jang Dong Gun (0.1) + Jang Dong Gun (0.3) * α" of the content profile.
상술한 바와 같은 본 발명의 방법은 프로그램으로 구현되어 컴퓨터로 읽을 수 있는 기록매체(씨디롬, 램, 롬, 플로피 디스크, 하드 디스크, 광자기 디스크등)에 저장될 수 있다.The method of the present invention as described above may be implemented as a program and stored in a computer-readable recording medium (CD-ROM, RAM, ROM, floppy disk, hard disk, magneto-optical disk, etc.).
이상에서 설명한 본 발명은 전술한 실시예 및 첨부된 도면에 의해 한정되는 것이 아니고, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 여러 가지 치환, 변형 및 변경이 가능하다는 것이 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 있어 명백할 것이다.The present invention described above is not limited to the above-described embodiments and the accompanying drawings, and various substitutions, modifications, and changes are possible in the art without departing from the technical spirit of the present invention. It will be apparent to those of ordinary knowledge.
상기한 바와 같은 본 발명은, 사용자 성향에 맞는 정보를 빠른 시간내에 검색하여 사용자에게 효과적인 개인화 서비스를 제공함으로써, 서비스 차별화를 통한 고객의 충성도와 서비스 이용률을 높일 수 있으며, 전자상거래 적용시 지능형 마케팅 지원서비스에 활용할 수 있는 효과가 있다.The present invention as described above, by searching for information in accordance with the user's inclination in a fast time to provide an effective personalized service to the user, can increase the customer loyalty and service utilization through service differentiation, intelligent marketing support when applying e-commerce It can be used for services.
Claims (5)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020010034854A KR20020096428A (en) | 2001-06-19 | 2001-06-19 | Learning method using information of user's action on the web |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020010034854A KR20020096428A (en) | 2001-06-19 | 2001-06-19 | Learning method using information of user's action on the web |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20020096428A true KR20020096428A (en) | 2002-12-31 |
Family
ID=27710010
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020010034854A KR20020096428A (en) | 2001-06-19 | 2001-06-19 | Learning method using information of user's action on the web |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20020096428A (en) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100873373B1 (en) * | 2007-02-14 | 2008-12-10 | 성균관대학교산학협력단 | User Intention Recognizing System and Method thereof |
| KR100915929B1 (en) * | 2006-11-10 | 2009-09-07 | 후지쯔 가부시끼가이샤 | Information retrieval apparatus and information retrieval method |
| KR100949439B1 (en) * | 2008-06-30 | 2010-03-25 | 경희대학교 산학협력단 | Behavior based method for filtering out unfair rating in trust model |
| KR102185313B1 (en) * | 2019-06-17 | 2020-12-01 | (주)봄소프트 | System for providing child care plan consulting information and method thereof |
| KR102244821B1 (en) * | 2021-03-03 | 2021-04-27 | (주)플랜아이 | System and method for visualizing multi-user behavior data utilizing machine learning |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10257468A (en) * | 1997-03-14 | 1998-09-25 | Sony Corp | Device and method for distributing information |
| KR20000031480A (en) * | 1998-11-06 | 2000-06-05 | 이계철 | Apparatus and method for information service |
| KR20000059024A (en) * | 2000-07-10 | 2000-10-05 | 정영일 | Disposition estimate and information provide system of internet user and method thereof |
| JP2001142907A (en) * | 1999-09-30 | 2001-05-25 | Fujitsu Ltd | Internet profiling system |
-
2001
- 2001-06-19 KR KR1020010034854A patent/KR20020096428A/en not_active Application Discontinuation
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10257468A (en) * | 1997-03-14 | 1998-09-25 | Sony Corp | Device and method for distributing information |
| KR20000031480A (en) * | 1998-11-06 | 2000-06-05 | 이계철 | Apparatus and method for information service |
| JP2001142907A (en) * | 1999-09-30 | 2001-05-25 | Fujitsu Ltd | Internet profiling system |
| KR20000059024A (en) * | 2000-07-10 | 2000-10-05 | 정영일 | Disposition estimate and information provide system of internet user and method thereof |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100915929B1 (en) * | 2006-11-10 | 2009-09-07 | 후지쯔 가부시끼가이샤 | Information retrieval apparatus and information retrieval method |
| KR100873373B1 (en) * | 2007-02-14 | 2008-12-10 | 성균관대학교산학협력단 | User Intention Recognizing System and Method thereof |
| KR100949439B1 (en) * | 2008-06-30 | 2010-03-25 | 경희대학교 산학협력단 | Behavior based method for filtering out unfair rating in trust model |
| KR102185313B1 (en) * | 2019-06-17 | 2020-12-01 | (주)봄소프트 | System for providing child care plan consulting information and method thereof |
| KR102244821B1 (en) * | 2021-03-03 | 2021-04-27 | (주)플랜아이 | System and method for visualizing multi-user behavior data utilizing machine learning |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5312771B2 (en) | Technology that determines relevant ads in response to queries | |
| JP4906846B2 (en) | Scoring user compatibility in social networks | |
| US6839680B1 (en) | Internet profiling | |
| US6574660B1 (en) | Intelligent content delivery system based on user actions with client application data | |
| US20150242750A1 (en) | Asymmetric Rankers for Vector-Based Recommendation | |
| US20120185481A1 (en) | Method and Apparatus for Executing a Recommendation | |
| CN101673286A (en) | Apparatus, method and computer program for content recommendation and recording medium | |
| JP2012503824A (en) | Geo-time based forecast ad refinement | |
| WO2012088591A1 (en) | System and method for performing a semantic operation on a digital social network | |
| CN106447419B (en) | Visitor identification based on feature selection | |
| ZA200600900B (en) | System and method for segmenting and targeting audience members | |
| US10896458B2 (en) | Method, system, and computer-readable medium for product and vendor selection | |
| KR101042901B1 (en) | Method, system and computer-readable recording medium for creating keyword pairs for search advertisement based on keyword purchase history | |
| US7389290B2 (en) | System and method for scoring new messages based on previous responses within a system for harvesting community knowledge | |
| KR20070099709A (en) | Method and system for matching users based on the user preference index | |
| JP2002366838A (en) | Recommendation method, server system, and program | |
| CN108205551B (en) | Song recommendation method and song recommendation system | |
| KR20020096428A (en) | Learning method using information of user's action on the web | |
| KR100918167B1 (en) | Method for studying user profile using user inclination data | |
| JPH11232278A (en) | Information source recommending device | |
| KR101818716B1 (en) | Method, apparatus and computer readable recording medium for generating exetension data-set of concept keywords | |
| US7660784B1 (en) | Geographically resolving a keyword query | |
| WO2008032037A1 (en) | Method and system for filtering and searching data using word frequencies | |
| Choeh et al. | Mobile push personalization and user experience | |
| WO2002033626A1 (en) | Demographic profiling engine |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E601 | Decision to refuse application |