KR20090010866A - 복합 알고리즘 이용한 정보 추천 방법 및 장치 - Google Patents

복합 알고리즘 이용한 정보 추천 방법 및 장치 Download PDF

Info

Publication number
KR20090010866A
KR20090010866A KR1020080000157A KR20080000157A KR20090010866A KR 20090010866 A KR20090010866 A KR 20090010866A KR 1020080000157 A KR1020080000157 A KR 1020080000157A KR 20080000157 A KR20080000157 A KR 20080000157A KR 20090010866 A KR20090010866 A KR 20090010866A
Authority
KR
South Korea
Prior art keywords
information
preference
item
client
server
Prior art date
Application number
KR1020080000157A
Other languages
English (en)
Other versions
KR101415022B1 (ko
Inventor
임성빈
홍세린
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020080000157A priority Critical patent/KR101415022B1/ko
Priority to JP2010518099A priority patent/JP5379135B2/ja
Priority to EP08741325A priority patent/EP2181430A4/en
Priority to CN200880100043.XA priority patent/CN101755283B/zh
Priority to PCT/KR2008/002080 priority patent/WO2009014300A1/en
Priority to US12/670,248 priority patent/US20110035388A1/en
Publication of KR20090010866A publication Critical patent/KR20090010866A/ko
Application granted granted Critical
Publication of KR101415022B1 publication Critical patent/KR101415022B1/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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising

Landscapes

  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

본 발명은 정보 추천 방법 및 장치에 관한 것으로 본 발명에 따른 정보 추천 방법은 클라이언트가 서버에 접속하여 필요한 정보를 요청하면, 서버는 클라이언트가 의미있는 집합(Meaningful Set : MS)에 속해있는지 판단하여 클라이언트의 액세스 히스토리 또는 클라이언트가 직접 입력한 부가 정보에 기초하여 클라이언트의 제1 선호도 정보를 생성한다. 그런 다음, 클라이언트와 유사한 선호도를 가진 클라이언트들을 포함하는 M 명의 인접(neighborhood) 그룹을 선정하고, 인접 그룹의 클라이언트들이 선호하는 N 개의 아이템에 대한 제1 아이템 정보를 생성해 클라이언트에 전송하고, 클라이언트는 제2 선호도 정보에 기초해 제1 아이템 정보를 다시 필터링하여 사용자에게 추천할 제2 아이템 정보를 추출함으로써, 서버와 클라이언트에서 각각 서로 다른 알고리즘을 이용해 두 번에 정보 필터링을 수행하게 되어 정보 추천의 정확성 및 속도가 향상될 수 있다.
Figure P1020080000157
정보, 추천, CF, AA

Description

복합 알고리즘 이용한 정보 추천 방법 및 장치{Method and apparatus for information recommendation using hybrid algorithm}
본 발명은 정보 추천 방법 및 장치에 관한 것으로 보다 상세히는 사용자의 카테고리 선호도를 반영하여 보다 빠른 속도로 정확한 정보 추천을 수행할 수 있는 복합 알고리즘을 이용한 정보 추천 방법 및 장치에 관한 것이다.
인터넷 기술의 비약적인 발전으로 방대한 정보의 검색이 가능해짐에 따라 최근에는 인터넷을 통해 검색 가능한 방대한 정보 중에서 사용자에게 적합한 정보를 빠르게 추출하는 방법의 필요성이 대두되고 있다. 정보 검색을 수행함에 있어서 사용자에게 적합한 정보를 필터링하는 방법의 대표적인 알고리즘으로 AA(Attribute-Aware) 알고리즘과 CF(Collaborative Filtering) 알고리즘이 있다. 사용자가 인터넷을 이용해 책, 음악, 영화 등과 같은 아이템을 검색하는 경우 사용자에게 적절한 검색 결과를 제공하기 위해 이와 같은 알고리즘이 이용된다.
AA 알고리즘은 사용자의 속성(Attribute) 및 아이템의 속성을 분석하여 이를 기반으로 아이템 정보를 필터링하는 방법이다. 사용자의 속성과 유사한 속성을 가진 다른 사용자들이 검색한 결과를 분석하여, 유사한 속성을 가진 다른 사용자들이 많이 선택하였거나, 좋은 평가를 내린 아이템을 검색하여 그에 대한 정보를 사용자에게 제공한다.
CF 알고리즘은 현재 가장 널리 이용되고 있는 알고리즘으로 사용자의 과거 아이템 검색 결과에 기초해 사용자의 선호도를 분석하고, 사용자의 선호도와 유사한 선호도를 가지는 그룹의 사용자들이 선택한 아이템을 검색하는 방법이다. 그룹에 속한 사용자들이 많이 선택하였거나, 높은 평가 점수를 수여한 아이템을 검색하고, 검색된 아이템에 대한 정보를 사용자에게 제공한다.
CF 알고리즘은 사용자의 과거 아이템 검색 결과를 이용해야 하기 때문에 기존에 아이템 검색 결과에 대한 데이터가 없는 최초 사용자에게는 이러한 방법을 이용해 아이템을 정확하게 추천하기 어렵다(First-User Problem). 또한, 사용자 수에 비해 아이템 수가 현저히 많은 경우에는 유사한 선호도를 가지는 그룹을 구분하기 위한 데이터가 부족하여 필터링의 정확도가 떨어지는 단점이 있다(Sparsity Problem).
따라서, 두 가지 알고리즘을 결합한 복합(hybrid) 알고리즘이 많이 제안되어 왔으나, 대부분 복합 알고리즘을 이용한 정보를 필터링하는 방법은 속도가 현저히 느려 실용화되기 힘든 단점이 있었다. CF 알고리즘을 적용하기 위해 사용자의 선호도를 조사하기 위한 데이터에 AA 알고리즘을 적용하기 위한 속성 데이터를 추가하면 데이터의 양이 너무 방대해져 필터링 속도가 느려지는 것이다. 따라서, 이를 해결하기 위한 정보 추천 방법 및 장치가 필요하다.
본 발명이 해결하고자 하는 과제는 정보의 필터링 속도를 떨어뜨리지 않음과 동시에 사용자의 개인 취향을 반영하여 정보를 필터링할 수 있는 복합 알고리즘을 이용한 정보 추천 방법 및 장치를 제공함에 있고, 상기 정보 추천 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체를 제공함에 있다.
상기 기술적 과제를 해결하기 위한 본 발명에 따른 서버가 정보를 추천하는 방법은 상기 서버의 아이템들 중 적어도 하나의 아이템에 대한 정보를 추천할 것을 클라이언트로부터 요청받는 단계; 상기 클라이언트의 아이템 선호도를 분석하여 제1 선호도 정보를 생성하는 단계; 상기 제1 선호도 정보 기초해 상기 클라이언트와 유사한 선호도를 가진 클라이언트들을 포함하는 인접(neighborhood) 그룹을 선정하는 단계; 및 상기 서버의 아이템들 중 상기 인접 그룹의 클라이언트들이 선호하는 적어도 하나의 아이템에 대한 제1 아이템 정보를 상기 클라이언트에 전송하는 단계를 포함하고, 상기 클라이언트는 상기 제1 아이템 정보를 수신하고, 상기 클라이언트의 아이템 선호도를 나타내는 제2 선호도 정보에 기초해 상기 제1 아이템 정보를 다시 필터링하여 사용자에게 추천할 제2 아이템 정보를 추출하는 것을 특징으로 한다.
상기 기술적 과제를 해결하기 위한 본 발명에 따른 클라이언트가 정보를 추천하는 방법은 상기 서버의 아이템들 중 적어도 하나의 아이템에 대한 정보를 추천할 것을 서버에 요청하는 단계; 상기 클라이언트의 아이템 선호도를 나타내는 제1 선호도 정보에 기초해 선정된 인접 그룹의 클라이언트들이 선호했던 아이템들에 대한 제1 아이템 정보를 상기 서버로부터 수신하는 단계; 상기 클라이언트의 아이템 선호도를 나타내는 제2 선호도 정보에 기초해 상기 수신된 제1 아이템 정보를 필터링하여 사용자에게 추천할 아이템들에 대한 제2 아이템 정보를 생성하는 단계를 포함하고, 상기 인접 그룹은 상기 제1 선호도 정보에 따른 선호도와 유사한 선호도를 가지는 클라이언트들의 그룹인 것을 특징으로 한다.
본 발명에 따른 보다 바람직한 실시예에 따르면, 상기 제2 선호도 정보는 상기 클라이언트가 과거에 상기 서버의 아이템들에 액세스한 결과에 기초하여 생성된 상기 제1 아이템 정보에 포함된 아이템들 각각의 카테고리에 대한 선호도 점수인 것을 특징으로 한다.
상기 기술적 과제를 해결하기 위한 정보를 추천하는 서버 장치는 상기 서버의 아이템들 중 적어도 하나의 아이템에 대한 정보를 추천할 것을 클라이언트로부터 요청받는 요청수신부; 상기 클라이언트의 아이템 선호도를 분석하여 제1 선호도 정보를 생성하는 선호도생성부; 상기 제1 선호도 정보 기초해 상기 클라이언트와 유사한 선호도를 가진 클라이언트들을 포함하는 인접(neighborhood) 그룹을 선정하는 그룹선정부; 및 상기 서버의 아이템들 중 상기 인접 그룹의 클라이언트들이 선호하는 적어도 하나의 아이템에 대한 제1 아이템 정보를 상기 클라이언트에 전송하는 정보생성부를 포함하고, 상기 클라이언트는 상기 제1 아이템 정보를 수신하고, 상기 클라이언트의 아이템 선호도를 나타내는 제2 선호도 정보에 기초해 상기 제1 아이템 정보를 다시 필터링하여 사용자에게 추천할 제2 아이템 정보를 추출하는 것 을 특징으로 한다.
상기 기술적 과제를 해결하기 위한 정보를 추천하는 클라이언트 장치는 상기 서버의 아이템들 중 적어도 하나의 아이템에 대한 정보를 추천할 것을 서버에 요청하는 요청전송부; 상기 클라이언트의 아이템 선호도를 나타내는 제1 선호도 정보에 기초해 선정된 인접 그룹의 클라이언트들이 선호했던 아이템들에 대한 제1 아이템 정보를 상기 서버로부터 수신하는 정보수신부; 상기 클라이언트의 아이템 선호도를 나타내는 제2 선호도 정보를 생성하는 선호도생성부; 및 상기 제2 선호도 정보에 기초해 상기 수신된 제1 아이템 정보를 필터링하여 사용자에게 추천할 아이템들에 대한 제2 아이템 정보를 생성하는 정보생성부를 포함하고, 상기 인접 그룹은 상기 제1 선호도 정보에 따른 선호도와 유사한 선호도를 가지는 클라이언트들의 그룹인 것을 특징으로 한다.
상기 기술적 과제를 해결하기 위한 본 발명에 따른 정보 추천 방법은 제1 정보 필터링 알고리즘을 이용해 서버가 정보를 필터링하여 제1 추천 정보를 생성하는 단계; 및 제2 정보 필터링 알고리즘을 이용해 클라이언트가 상기 제1 추천 정보를 필터링하여 제2 추천 정보를 생성하는 단계를 포함한다.
본 발명에 따른 보다 바람직한 실시예에 따르면, 상기 제1 정보 필터링 알고리즘은 CF(Collaborative filtering) 알고리즘이고, 상기 제2 정보 필터링 알고리즘은 AA(Attribute-Aware) 알고리즘인 것을 특징으로 한다.
상기 기술적 과제를 해결하기 위해 본 발명은 상기된 정보를 필터링하는 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체를 제공 한다.
본 발명에 따르면, 서로 다른 정보 필터링 알고리즘을 이용하여 서버와 클라이언트가 각각 필터링을 수행하기 때문에 정보 필터링의 속도가 빨라지며, 두 번 필터링하는 과정에서 사용자의 개인 선호도를 반영하여 필터링을 수행할 수 있어 보다 정확한 정보를 사용자에게 추천할 수 있다.
이하에서는 도면을 참조하여 본 발명의 바람직한 실시예들을 상세히 설명한다.
도 1은 본 발명의 일 실시예에 따른 서버가 정보를 추천하는 방법을 설명하기 위한 흐름도이다. 종래 기술과 관련하여 전술한 바와 같이 AA 알고리즘과 CF 알고리즘을 결합한 복합 알고리즘의 단점은 정보를 필터링하는 속도가 현저하게 느리다는 점이었다. 따라서, 본 발명에 따른 정보를 추천하는 방법에서는 서버가 먼저 제1 정보 필터링 알고리즘, 바람직하게는 CF 알고리즘을 이용해 사용자에게 추천할 정보를 1차적으로 필터링하고, 필터링한 결과 생성된 제1 추천 정보를 클라이언트가 다시 제2 정보 필터링 알고리즘, 바람직하게는 AA 알고리즘을 이용해 2차적으로 다시 필터링하여 최종적인 추천 정보를 생성한다.
도 1은 이러한 두 번의 필터링 중에서 서버가 수행하는 1차적인 필터링 방법을 설명하는 흐름도이다. 도 1에 도시된 정보 추천 방법은 기본적으로 CF 알고리즘을 기초로 하여 정보를 필터링한다. 그러나, 최초로 정보에 액세스하는 사용자 가 정보를 검색하는 경우 CF 알고리즘을 사용할 수 없다는 단점(First-User Problem) 및 사용자 수에 비해 아이템 수가 현저히 많은 경우에는 유사한 선호도를 가지는 그룹을 구분하기 위한 데이터가 부족하여 필터링의 정확도가 떨어지는 단점(Sparsity Problem)을 해결하기 위해 의미있는 집합(Meaningful Set : MS)을 이용하여 정보 필터링을 수행한다.
단계 110에서 본 발명에 따른 서버는 서버의 아이템들 중 적어도 하나의 아이템에 대한 정보를 추천할 것을 클라이언트로부터 요청받는다. 특정 종류의 아이템 추천을 요청하는 메시지를 클라이언트로부터 수신하거나, 아이템의 종류가 특정되지 않은 추천을 요청하는 메시지를 클라이언트로부터 수신한다. 클라이언트의 사용자에게 부가된 ID에 따라 서버에 로그인하여 서버가 보유하고 있는 아이템들 중 적어도 하나의 아이템에 대한 정보를 추천할 것을 서버에 요청한다.
여기서 서버의 아이템들은 서버가 직접 보유하고 있는 아이템일 수도 있고, 서버가 정보를 검색하여 클라이언트에 제공할 수 있는 다른 서버가 보유하고 있는 아이템일 수도 있다. 서버의 아이템들은 책, 음악, 영화 및 문서과 같은 콘텐트 아이템일 수 있다. 여기서 문서는 전자 문서 또는 웹 문서일 수 있다.
단계 120에서 본 발명에 따른 서버는 클라이언트의 아이템 선호도를 분석하여 제1 선호도 정보를 생성한다. 클라이언트의 아이템 선호도를 과거 클라이언트의 아이템 액세스 결과 또는 클라이언트가 생성하여 전송한 부가 정보에 기초하여 분석하고, 분석 결과로서 제1 선호도 정보를 생성한다. 도 2를 참조하여 상세히 설명한다.
도 2는 본 발명의 일 실시예에 따른 제1 선호도 정보를 생성하는 방법을 도시한다.
도 2를 참조하면, 단계 210에서 서버는 정보의 추천을 요청한 클라이언트가 의미있는 집합에 포함되어 있는 클라이언트인지 판단한다. 전술한 바와 같이 본 발명에 따른 정보 추천 방법은 CF 알고리즘의 최초 사용자 문제 및 희소 문제를 해결하기 위해 의미있는 집합을 이용한다. 의미있는 집합이란 서버의 아이템들에 액세스한 횟수가 소정의 횟수 이상인 클라이언트들의 집합을 의미한다. 서버의 아이템들에 액세스한 횟수가 적은 클라이언트의 과거 액세스 결과는 정보의 필터링에 이용할 수 없는 데이터이다. 다시 말해, 단계 110에서 정보의 추천을 요청한 클라이언트가 과거에 서버의 아이템들에 액세스한 횟수가 일정 횟수 미만인 경우에는 이 클라이언트의 과거 액세스 결과를 정보 필터링에 이용할 수 없다. 따라서, 단계 210에서 서버는 정보의 추천을 요청한 클라이언트가 의미있는 집합에 포함되어 있는 클라이언트인지 판단하여 서로 다른 방법으로 제1 선호도 정보를 생성한다.
단계 220에서 서버는 단계 210에서 의미있는 집합에 포함되지 않은 것 즉, 서버의 아이템들에 액세스한 횟수가 소정 횟수 미만인 것으로 판단되면, 클라이언트의 제1 선호도 정보를 생성하기 위해 필요한 부가 정보의 전송을 클라이언트에 요청하고, 이에 대한 응답으로 부가 정보를 수신한다.
부가 정보에는 클라이언트의 사용자 속성 및 선호하는 아이템의 속성에 대한 정보가 포함된다. 사용자의 속성에는 사용자의 나이, 직업, 연령 등에 대한 정보가 포함될 수 있으며, 아이템의 속성에는 아이템의 종류 즉, 책, 영화, 음악과 같 은 일반적인 속성에 대한 정보가 포함될 수 있다. 이러한 속성은 클라이언트의 정보 추천 방법에서 이용되는 제2 선호도 정보의 기초가 되는 아이템의 속성과는 상이한 것으로 자세한 내용은 도 3과 관련하여 후술한다. 사용자가 직접 입력한 선호도에 대한 정보 또는 현재까지 클라이언트가 서버의 아이템을 조회/구입한 히스토리 등이 부가 정보에 포함될 수도 있다. 부가 정보는 아이템에 액세스한 횟수가 적은 클라이언트의 제1 선호도 정보를 분석하기 위한 임시 데이터(fake data)이다.
단계 230에서 서버는 클라이언트의 제1 선호도 정보를 생성한다. 클라이언트가 과거 서버의 아이템들에 액세스한 횟수가 소정 횟수 이상이어서 의미있는 집합에 포함된 경우에는 과거 클라이언트가 서버의 아이템들에 액세스한 결과에 기초하여 제1 선호도 정보를 생성한다. 클라이언트가 선호하는 아이템의 종류, 이러한 종류의 아이템에 액세스한 횟수 등이 제1 선호도 정보로 생성된다.
클라이언트가 서버의 아이템들에 액세스한 회수가 소정 횟수 미만이어서 의미있는 집합에 포함되지 않는 경우에는 단계 220에서 클라이언트로부터 수신한 부가 정보에 기초하여 제1 선호도 정보를 생성한다.
다시 도 1을 참조하면, 단계 120에서 제1 선호도 정보가 생성되면, 단계 130에서 서버는 생성된 제1 선호도 정보에 따른 선호도와 유사한 선호도를 가진 다른 클라이언트들을 포함하는 인접 그룹을 선정한다. 단계 110에서 정보의 추천을 요청한 클라이언트의 제1 선호도 정보와 서버의 아이템들에 액세스한 다른 클라이언트들의 선호도 정보를 비교하여 선호도가 유사한 클라이언트들의 그룹을 선정한다. 클라이언트의 선호도와 유사한 선호도를 가지는 M 개의 클라이언트들로 이루어진 인접 그룹을 선정한다.단계 140에서 서버는 단계 130에서 생성된 인접 그룹의 클라이언트들이 선호하는 적어도 하나의 아이템에 대한 제1 아이템 정보를 생성하여, 단계 110에서 정보의 추천을 요청한 클라이언트에 전송한다.
서버는 인접 그룹의 클라이언트들이 액세스한 서버의 아이템들 각각의 액세스한 횟수 및 액세스 시에 인접 그룹의 클라이언트들이 부가한 평가 점수에 대한 정보 등을 분석하여 서버의 아이템들 각각에 대한 선호도 점수를 생성한다. 선호도 점수란 인접 그룹의 클라이언트들이 각각의 아이템을 선호하는 정도를 수치화한 값으로 인접 그룹의 클라이언트들이 액세스한 횟수가 많거나 액세스 시에 부가한 평가 점수가 높은 경우 높게 계산되고, 반대의 경우 낮게 계산될 것이다.
서버의 아이템들 각각에 대한 선호도 점수가 계산되면, 서버는 이중에서 선호도 점수가 높은 N 개의 아이템들에 대한 정보만을 모아 제1 아이템 정보를 생성한다. 생성된 제1 아이템 정보는 단계 110에서 정보의 추천을 요청한 클라이언트에 전송된다. 본 발명에 따른 정보 추천 방법에서는 서버의 추천 정보를 클라이언트가 그대로 이용하는 것이 아니라 사용자의 개인 취향을 반영하여 다시 한번 필터링해 이용하기 때문에 단계 140에서 생성된 제1 아이템 정보는 1차 추천 정보가 될 뿐이다.
도 3은 본 발명의 일 실시예에 따른 클라이언트가 정보를 추천하는 방법을 설명하기 위한 흐름도이다.
도 3은 본 발명의 정보 추천 방법에서 수행되는 두 번의 필터링 중에서 클라이언트가 수행하는 2차적인 필터링 방법을 설명하는 흐름도이다. 도 3에 도시된 클라이언트의 정보 추천 방법은 AA 알고리즘에 기초하여 정보를 필터링한다. 서버가 CF 알고리즘을 이용해 정보를 필터링하여 인접 그룹의 선호도에 부합하는 제1 아이템 정보를 생성하면, 클라이언트는 AA 알고리즘을 이용해 정보를 필터링하여 클라이언트 사용자의 개인 취향을 반영하여 제2 아이템 정보를 생성한다. 우선, CF 알고리즘을 이용해 정보를 필터링하여 제1 아이템 정보를 생성하고, 생성된 제1 아이템 정보를 AA 알고리즘을 이용해 정보를 필터링하므로 종래 기술에 따른 데이터량이 방대해지는 문제점이 해결되고, 서버와 클라이언트에서 분리하여 정보 필터링을 수행하기 때문에 서버의 부하를 최소로 할 수 있으므로 정보 필터링의 속도를 향상 시킬 수 있다.
단계 310에서 클라이언트는 서버의 아이템들 중 적어도 하나에 대한 정보를 추천할 것을 서버에 요청한다. 도 1에 도시된 단계 110에 대응하는 단계이다. 클라이언트의 사용자에게 부가된 ID를 통해 서버에 로그인하여 서버가 보유하고 있는 아이템들 중 적어도 하나의 아이템에 대한 정보를 추천할 것을 서버에 요청한다.
단계 320에서 클라이언트는 서버로부터 제1 아이템 정보를 수신한다. 서버가 도 1과 관련하여 전술한 정보 추천 방법을 이용해 서버가 1차적인 정보 필터링을 수행하여 생성한 N개의 아이템들에 대한 정보인 제1 아이템 정보를 수신한다. 제1 아이템 정보에는 각각의 아이템에 대한 선호도 점수가 포함되어 있다. 클라이언트가 의미있는 집합에 포함되지 않은 클라이언트인 것으로 판단되면, 서버로부터 수신한 제1 아이템 정보가 그대로 클라이언트에 최종적으로 추천할 정보가 될 수도 있다.
단계 330에서 클라이언트는 제2 선호도 정보를 생성한다. 클라이언트가 의미있는 집합에 포함된 클라이언트인 것으로 판단되면, 클라이언트가 과거에 서버의 아이템들에 액세스한 결과에 기초하여 제2 선호도 정보를 생성한다. 제2 선호도 정보는 제1 선호도 정보에 비해 보다 사용자의 취향을 충실하게 반영하고 있는 선호도 정보로써, 제1 아이템 정보에 포함된 각각의 아이템들이 속하는 카테고리의 선호도에 대한 정보가 제2 선호도 정보로 생성된다.
제1 선호도 정보는 인접 그룹을 선정하기 위한 선호도 정보로서, 서버는 아이템의 종류와 같은 상위의 속성을 기준으로 생성된 정보이다. 반면에, 클라이언트는 사용자의 개인 취향을 보다 충실히 반영하여 정보를 필터링하기 위해 필요한 정보로 제1 선호도 정보를 생성하는데 기준이 된 속성보다 구체적인 속성을 기준으로 제2 선호도 정보를 생성한다. 예를 들어, 서버가 콘텐트 종류 즉, 책, 영화, 음악과 같은 상위의 속성을 기준으로 아이템별 선호도에 대한 정보인 제1 선호도 정보를 생성하였다면, 클라이언트는 장르, 작가, 감독, 작곡자와 같은 하위의 속성을 이용해 카테고리 별 선호도에 대한 정보인 제2 선호도 정보를 생성한다.
다시 말해, 서버는 장르 또는 감독과 같은 구체적인 속성 정보를 고려하지 아니하고, 인접 그룹을 설정하기 위한 일반적인 속성을 기준으로 제1 선호도 정보를 생성하고, 클라이언트는 장르별 또는 감독별 선호도를 다시 고려하여 제1 아이템 정보를 필터링하여 제2 아이템 정보를 생성하기 위해 장르, 감독과 같은 보다 구체적인 속성을 기준으로 하여 제2 선호도 정보를 생성한다.
단계 340에서 클라이언트는 단계 330에서 생성된 제2 선호도 정보에 기초해 제2 아이템 정보를 생성한다. 도 4를 참조하여 상세히 설명한다.
도 4는 본 발명의 일 실시예에 따른 아이템 선호도 점수, 카테고리 선호도 점수 및 가중치 점수를 도시한다.
도 4를 참조하면, 본 발명에 따른 제1 아이템 정보는 인접 그룹의 선호도에 기초하여 계산된 아이템 각각에 대한 선호도 점수를 포함하고 있다. 반면에, 제2 아이템 정보는 제1 아이템 정보에 포함된 각각의 아이템들이 속하는 카테고리에 대한 선호도 점수를 포함하고 있다.
"Item #1"은 인접 그룹의 해당 아이템에 대한 선호도 점수가 "100"이지만, "Item #1"이 속해있는 카테고리 "Category #2"에 대한 선호도 점수는 "90"이다. 반면에, "Item #3"은 인접 그룹의 해당 아이템에 대한 선호도 점수가 "80"이지만, "Item #3"이 속해있는 카테고리 "Category #1"에 대한 선호도 점수는 "100"이다.
클라이언트는 서버에서 1차적인 필터링을 수행한 결과 생성된 아이템 각각에 대한 선호도 점수와 아이템들이 속하는 카테고리 각각에 대한 선호도 점수를 가중치 계산하여 최종적인 가중치 점수를 계산한다. 제1 아이템 정보에 포함되어 있는 아이템 별 선호도 점수의 가중치(1-lamda)가 0.4이고 카테고리 선호도 점수의 가중치(lamda)가 0.6이라면, "Item #1"의 가중치 점수는 94이고 "Item #3"의 가중치 점수는 92가 된다.
사용자에게 제공되는 제2 아이템 정보는 아이템 선호도 점수와 카테고리 선호도 점수를 가중치 계산한 가중치 점수를 기준으로 선정된다. 도 4에 도시된 Item #1 ~ #5 중에서 가중치 점수가 높은 일부 아이템만을 선택하고, 이들에 대한 정보를 사용자에게 제공한다.
클라이언트가 제2 아이템 정보를 사용자에게 제공하고, 사용자는 그 중 하나를 선택한다. 클라이언트는 선택된 아이템에 액세스하고, 다음 번의 정보 추천에 이용하기 위해 액세스 결과가 클라이언트에 저장된다. 선택된 아이템에 대한 액세스 횟수를 1 증가 시키고, 사용자가 평가 점수를 입력하였다면 이 평가 점수를 저장한다. 그런 다음, 액세스 결과를 서버에 전송하여 서버가 이에 기초하여 다음 번의 정보 추천을 위한 제1 선호도 정보를 생성할 수 있도록 한다. 아이템에 대한 액세스 횟수가 소정 횟수 이하인 경우에는 클라이언트만 액세스 결과를 저장하고 있다가, 소정 횟수 이상인 경우에만 서버에 전송하여 서버의 정보 필터링에 무익한 자료를 줄일 수도 있다.
이상 도 1 내지 4에 도시된 정보 추천 방법에는 세 개의 파라미터가 존재한다. 인접 그룹에 포함된 클라이언트의 개수인 M, 서버가 1차적으로 추천한 아이템의 개수인 N 및 제2 아이템 정보를 생성하는 가중치 계산에 이용되는 Lamda가 그 세가지 파라미터이다. 본 발명에 따르면, 세 가지 파라미터를 조절하여 빠르고 정확한 정보 추천이 가능하다.
실험적으로 증명된 바에 따르면, 파라미터의 조절에 있어서, Lamda가 1에 가까우면, 서버 측에서 수행된 정보 추천 결과가 그대로 사용자에게 추천되므로 바람직하지 않다.
또한, 서버가 1차적으로 추천한 아이템의 개수 N이 증가하여도 추천의 정확성에 거의 영향을 미치지 아니하므로, N이 크기를 너무 크게할 필요는 없다.
인접 그룹에 포함된 클라이언트의 개수 즉, M을 너무 크게 하면, 정보 추천 속도가 느려지게 되므로, M을 너무 크게할 필요는 없으며, 추천하는 아이템의 종류, 서버의 아이템 개수 등에 기초하여 최적의 M의 크기를 정한다.
본 발명에 따른 정보 추천 방법에서의 세 개의 파라미터들은 정보 추천의 속도에는 크게 영향을 주지 아니하나, 정확도에는 큰 영향을 미치는 것이 실험적으로 확인되었으므로, 정확도에 비중을 두고 세 개의 파라미터들을 조절하는 것이 바람직하다.
세 개의 파라미터를 조금씩 조절하여 여러 번의 정보 추천을 수행하고, 수행시 마다 정보 추천의 속도 및 정확도를 측정하여 최적의 파라미터 조합을 찾아낸다.
도 5a 및 5b는 본 발명에 따른 정보 추천을 수행하는 서버 및 클라이언트를 도시한다.
도 5a를 참조하면, 본 발명에 따른 서버 장치(510)는 요청수신부(512), 선호도생성부(514), 그룹선정부(516) 및 정보생성부(518)을 포함한다.
요청수신부(512)는 서버(510)의 아이템들 중 적어도 하나의 아이템에 대한 정보를 추천할 것을 클라이언트(520)로부터 요청받는다. 전술한 바와 같이 서버(510)의 아이템들은 서버(510)가 직접 보유하고 있는 아이템일 수도 있고, 서버(510)가 아이템에 대한 정보를 검색하여 클라이언트에 제공할 수 있는 다른 서버가 보유하고 있는 아이템일 수도 있다.
선호도생성부(514)는 클라이언트의 아이템 선호도를 분석하여 제1 선호도 정 보를 생성한다. 클라이언트가 액세스 횟수가 소정 횟수 이상인 의미있는 집합에 포함되는지 여부를 판단하고, 의미있는 집합에 포함되어 있는 것으로 판단되면, 과거 액세스 결과에 기초하여 제1 선호도 정보를 생성한다.
클라이언트가 의미있는 집합에 포함되어 있지 않은 것으로 판단되면, 클라이언트(520)에 제1 선호도 정보의 생성을 위한 부가 정보를 요청하고, 요청에 대한 응답으로 부가 정보를 수신한다. 수신된 부가 정보에 기초하여 제1 선호도 정보를 생성한다. 부가 정보에는 클라이언트의 사용자 속성 및 선호하는 아이템의 속성에 대한 정보가 포함된다. 사용자의 속성에는 사용자의 나이, 직업, 연령 등에 대한 정보가 포함될 수 있으며, 아이템의 속성에는 아이템의 종류 즉, 책, 영화, 음악과 같은 일반적인 속성에 대한 정보가 포함될 수 있음은 전술하였다. 사용자가 직접 입력한 선호도에 대한 정보 및 과거 사용자가 아이템을 조회/구입한 히스토리가 제1 선호도 정보의 생성을 위한 임시 데이터(fake data)로서 부가 정보에 포함될 수도 있다.
그룹선정부(516)는 선호도생성부(514)에서 생성된 제1 선호도 정보에 기초하여 인접 그룹을 선정한다. 제1 선호도 정보에 따른 선호도와 유사한 선호도를 가지는 M 개의 클라이언트들의 그룹을 선정한다.
정보생성부(5160)는 인접 그룹의 클라이언트들이 선호하는 적어도 하나의 아이템에 대한 정보 즉, 제1 아이템 정보를 생성하여 클라이언트에 전송한다. 인접 그룹의 클라이언트들이 선호하는 아이템들의 선호도 점수를 계산하고, 선호도 점수가 높은 N 개의 아이템에 대한 정보를 생성하여 클라이언트에 전송한다.
도 5b를 참조하면, 본 발명에 따른 클라이언트 장치(520)는 요청전송부(522), 정보수신부(524), 선호도생성부(526) 및 정보생성부(528)를 포함한다.
요청전송부(522)는 서버(510)의 아이템들중 적어도 하나의 아이템에 대한 정보를 추천하여 줄 것을 서버(510)에 요청한다.
정보수신부(524)는 서버(510)가 1차적인 정보 필터링을 수행하여 생성한 제1 아이템 정보를 서버로부터 수신한다. 제1 아이템 정보는 서버(510)가 클라이언트(520)의 아이템 선호도를 나타내는 제1 선호도 정보에 기초해 M 개의 클라이언트로 구성된 인접 그룹을 선정하고, 인접 그룹에 포함된 클라이언트들이 선호했던 N 개의 아이템들에 대한 정보를 추출하여 생성한 정보이다.
선호도생성부(526)는 클라이언트(520)의 아이템 선호도를 나타내는 제2 선호도 정보를 생성한다. 제2 선호도 정보는 클라이언트(520)가 과거에 서버(510)의 아이템들에 액세스한 결과 생성된 아이템 카테고리에 대한 정보이다. 서버(510)에서 인접 그룹을 선정하기 위해 이용한 제1 선호도 정보와는 다른 보다 구체적인 속성을 기준으로 제2 선호도 정보를 생성한다.
정보생성부(528)는 선호도생성부(526)에서 생성한 제2 선호도 정보를 이용하여 제1 아이템 정보를 필터링한다. 제1 아이템 정보에 포함되어 있는 아이템 각각에 대한 아이템 별 선호도 점수와 제2 선호도 정보에 기초하여 계산된 아이템 카테고리별 선호도 점수를 가중치 계산하여 가중치 점수를 계산한다. 생성된 가중치 점수를 기초로 사용자에게 추천할 제2 아이템 정보를 생성한다.
이상과 같이 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명이 상기의 실시예에 한정되는 것은 아니며, 이는 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명의 사상은 아래에 기재된 특허청구범위에 의해서만 파악되어야 하고, 이와 균등하거나 또는 등가적인 변형 모두는 본 발명 사상의 범주에 속한다 할 것이다. 또한, 본 발명에 따른 시스템은 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, CD-ROM, 자기 테이프, 플로피 디스크, 광데이터 저장장치 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.
도 1은 본 발명의 일 실시예에 따른 서버가 정보를 추천하는 방법을 설명하기 위한 흐름도이다.
도 2는 본 발명의 일 실시예에 따른 제1 선호도 정보를 생성하는 방법을 도시한다.
도 3은 본 발명의 일 실시예에 따른 클라이언트가 정보를 추천하는 방법을 설명하기 위한 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 아이템 선호도 점수, 카테고리 선호도 점수 및 가중치 점수를 도시한다.
도 5a 및 5b는 본 발명에 따른 정보 추천을 수행하는 서버 및 클라이언트를도시한다.

Claims (19)

  1. 서버가 정보를 추천하는 방법에 있어서,
    상기 서버의 아이템들 중 적어도 하나의 아이템에 대한 정보를 추천할 것을 클라이언트로부터 요청받는 단계;
    상기 클라이언트의 아이템 선호도를 분석하여 제1 선호도 정보를 생성하는 단계;
    상기 제1 선호도 정보 기초해 상기 클라이언트와 유사한 선호도를 가진 클라이언트들을 포함하는 인접(neighborhood) 그룹을 선정하는 단계; 및
    상기 서버의 아이템들 중 상기 인접 그룹의 클라이언트들이 선호하는 적어도 하나의 아이템에 대한 제1 아이템 정보를 상기 클라이언트에 전송하는 단계를 포함하고,
    상기 클라이언트는 상기 제1 아이템 정보를 수신하고, 상기 클라이언트의 아이템 선호도를 나타내는 제2 선호도 정보에 기초해 상기 제1 아이템 정보를 다시 필터링하여 사용자에게 추천할 제2 아이템 정보를 추출하는 것을 특징으로 하는 정보 추천 방법.
  2. 제 1 항에 있어서, 상기 제1 아이템 정보는
    상기 인접 그룹의 클라이언트들이 상기 서버의 아이템들 각각에 액세스한 횟수 및 상기 서버의 아이템들 각각에 부가한 평가 점수 중 적어도 하나에 기초해 생 성된 각각의 아이템에 대한 선호도 점수를 포함하는 것을 특징으로 하는 정보 추천 방법.
  3. 제 2 항에 있어서, 상기 제1 선호도 정보를 생성하는 단계는
    상기 클라이언트가 과거에 상기 서버의 아이템들에 액세스한 횟수가 소정 횟수 이상인지 판단하는 단계;
    상기 판단 결과 상기 클라이언트가 과거에 액세스한 횟수가 소정 횟수 미만인 것으로 판단되면, 상기 제1 선호도 정보를 생성하기 위한 부가 정보를 상기 클라이언트에 요청하고, 상기 요청에 대한 응답으로 상기 클라이언트가 전송하는 부가 정보를 수신하는 단계; 및
    상기 수신된 부가 정보를 참조하여 상기 제1 선호도 정보를 생성하는 단계를 포함하는 것을 특징으로 하는 정보 추천 방법.
  4. 제 2 항에 있어서, 상기 제1 선호도 정보를 생성하는 단계는
    상기 클라이언트가 과거에 상기 서버의 아이템들에 액세스한 횟수가 소정 횟수 이상인지 판단하는 단계; 및
    상기 판단 결과 상기 클라이언트가 과거에 액세스한 횟수가 소정 횟수 이상인 것으로 판단되면, 상기 클라이언트가 상기 서버의 아이템들 각각에 액세스한 횟수 또는 상기 서버의 아이템들 각각에 부가한 평가 점수에 기초해 상기 제1 선호도 정보를 생성하는 단계를 포함하는 것을 특징으로 하는 정보 추천 방법.
  5. 제 1 항에 있어서, 상기 아이템은
    책, 음악, 영화 및 문서 중 적어도 하나에 대한 아이템인 것을 특징으로 하는 정보 추천 방법.
  6. 클라이언트가 정보를 추천받는 방법에 있어서,
    상기 서버의 아이템들 중 적어도 하나의 아이템에 대한 정보를 추천할 것을 서버에 요청하는 단계;
    상기 클라이언트의 아이템 선호도를 나타내는 제1 선호도 정보에 기초해 선정된 인접 그룹의 클라이언트들이 선호했던 아이템들에 대한 제1 아이템 정보를 상기 서버로부터 수신하는 단계; 및
    상기 클라이언트의 아이템 선호도를 나타내는 제2 선호도 정보에 기초해 상기 수신된 제1 아이템 정보를 필터링하여 사용자에게 추천할 아이템들에 대한 제2 아이템 정보를 생성하는 단계를 포함하고,
    상기 인접 그룹은 상기 제1 선호도 정보에 따른 선호도와 유사한 선호도를 가지는 클라이언트들의 그룹인 것을 특징으로 하는 정보 추천 방법.
  7. 제 6 항에 있어서, 상기 제2 선호도 정보는
    상기 클라이언트가 과거에 상기 서버의 아이템들에 액세스한 결과에 기초하여 생성된 상기 제1 아이템 정보에 포함된 아이템들 각각의 카테고리에 대한 선호 도에 대한 정보인 것을 특징으로 하는 정보 추천 방법.
  8. 제 7 항에 있어서, 상기 제2 아이템 정보를 생성하는 단계는
    상기 제1 아이템 정보에 포함되어 있는 상기 각각의 아이템에 대한 선호도 점수와 상기 제2 선호도 정보에 포함되어 있는 상기 각각의 카테고리에 대한 선호도에 따른 선호도 점수를 가중치 계산하여 사용자에게 추천할 제2 아이템 정보를 생성하는 단계를 포함하는 것을 특징으로 하는 정보 추천 방법.
  9. 정보를 추천하는 서버 장치에 있어서,
    상기 서버의 아이템들 중 적어도 하나의 아이템에 대한 정보를 추천할 것을 클라이언트로부터 요청받는 요청수신부;
    상기 클라이언트의 아이템 선호도를 분석하여 제1 선호도 정보를 생성하는 선호도생성부;
    상기 제1 선호도 정보 기초해 상기 클라이언트와 유사한 선호도를 가진 클라이언트들을 포함하는 인접(neighborhood) 그룹을 선정하는 그룹선정부; 및
    상기 서버의 아이템들 중 상기 인접 그룹의 클라이언트들이 선호하는 적어도 하나의 아이템에 대한 제1 아이템 정보를 상기 클라이언트에 전송하는 정보생성부를 포함하고,
    상기 클라이언트는 상기 제1 아이템 정보를 수신하고, 상기 클라이언트의 아이템 선호도를 나타내는 제2 선호도 정보에 기초해 상기 제1 아이템 정보를 다시 필터링하여 사용자에게 추천할 제2 아이템 정보를 추출하는 것을 특징으로 하는 서버 장치.
  10. 제 9 항에 있어서, 상기 제1 아이템 정보는
    상기 인접 그룹의 클라이언트들이 상기 서버의 아이템들 각각에 엑세스한 횟수 및 상기 서버의 아이템들 각각에 부가한 평가 점수 중 적어도 하나에 기초해 생성된 각각의 아이템에 대한 선호도 점수를 포함하는 것을 특징으로 하는 서버 장치.
  11. 제 10 항에 있어서, 상기 선호도생성부는
    상기 클라이언트가 과거에 상기 서버의 아이템들에 액세스한 횟수가 소정 횟수 이상인지 판단하여 상기 판단 결과 상기 클라이언트가 과거에 액세스한 횟수가 소정 횟수 미만인 것으로 판단되면, 상기 제1 선호도 정보를 생성하기 위한 부가 정보를 상기 클라이언트에 요청하고, 상기 요청에 대한 응답으로 수신한 부가 정보를 참조하여 상기 제1 선호도 정보를 생성하는 것을 특징으로 하는 서버 장치.
  12. 제 10 항에 있어서, 상기 선호도생성부는
    상기 클라이언트가 과거에 상기 서버의 아이템들에 액세스한 횟수가 소정 횟수 이상인지 판단하여 상기 판단 결과 상기 클라이언트가 과거에 액세스한 횟수가 소정 횟수 이상인 것으로 판단되면, 상기 클라이언트가 상기 서버의 아이템들 각각 에 액세스한 횟수 또는 상기 서버의 아이템들 각각에 부가한 평가 점수에 기초해 상기 제1 선호도 정보를 생성하는 것을 특징으로 하는 서버 장치.
  13. 제 9 항에 있어서, 상기 아이템은
    책, 음악, 영화 및 문서 중 적어도 하나에 대한 아이템인 것을 특징으로 하는 서버 장치.
  14. 정보를 추천받는 클라이언트 장치에 있어서,
    상기 서버의 아이템들 중 적어도 하나의 아이템에 대한 정보를 추천할 것을 서버에 요청하는 요청전송부;
    상기 클라이언트의 아이템 선호도를 나타내는 제1 선호도 정보에 기초해 선정된 인접 그룹의 클라이언트들이 선호했던 아이템들에 대한 제1 아이템 정보를 상기 서버로부터 수신하는 정보수신부;
    상기 클라이언트의 아이템 선호도를 나타내는 제2 선호도 정보를 생성하는 선호도생성부; 및
    상기 제2 선호도 정보에 기초해 상기 수신된 제1 아이템 정보를 필터링하여 사용자에게 추천할 아이템들에 대한 제2 아이템 정보를 생성하는 정보생성부를 포함하고,
    상기 인접 그룹은 상기 제1 선호도 정보에 따른 선호도와 유사한 선호도를 가지는 클라이언트들의 그룹인 것을 특징으로 하는 클라이언트 장치.
  15. 제 14 항에 있어서, 상기 제2 선호도 정보는
    상기 클라이언트가 과거에 상기 서버의 아이템들에 액세스한 결과에 기초하여 생성된 상기 제1 아이템 정보에 포함된 아이템들 각각의 카테고리에 대한 선호도 점수인 것을 특징으로 하는 클라이언트 장치.
  16. 제 15 항에 있어서, 상기 제2 아이템 정보를 생성하는 단계는
    상기 제1 선호도 정보에 포함되어 있는 상기 각각의 아이템에 대한 선호도 점수와 상기 제2 선호도 정보에 포함되어 있는 상기 각각의 카테고리에 대한 선호도 점수를 가중치 계산하여 사용자에게 추천할 제2 아이템 정보를 생성하는 단계를 포함하는 것을 특징으로 하는 클라이언트 장치.
  17. 정보 추천 방법에 있어서,
    제1 정보 필터링 알고리즘을 이용해 서버가 정보를 필터링하여 제1 추천 정보를 생성하는 단계; 및
    제2 정보 필터링 알고리즘을 이용해 클라이언트가 상기 제1 추천 정보를 필터링하여 제2 추천 정보를 생성하는 단계를 포함하는 것을 특징으로 하는 정보 추천 방법.
  18. 제 18 항에 있어서,
    상기 제1 정보 필터링 알고리즘은 CF(Collaborative filtering) 알고리즘이고,
    상기 제2 정보 필터링 알고리즘은 AA(Attribute-Aware) 알고리즘인 것을 특징으로 하는 정보 추천 방법.
  19. 제 1 항 내지 제 8 항, 제 17 항, 제 18 항 중 어느 한 항의 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체.
KR1020080000157A 2007-07-24 2008-01-02 복합 알고리즘 이용한 정보 추천 방법 및 장치 KR101415022B1 (ko)

Priority Applications (6)

Application Number Priority Date Filing Date Title
KR1020080000157A KR101415022B1 (ko) 2007-07-24 2008-01-02 복합 알고리즘 이용한 정보 추천 방법 및 장치
JP2010518099A JP5379135B2 (ja) 2007-07-24 2008-04-14 複合アルゴリズム利用した情報推薦方法及び装置
EP08741325A EP2181430A4 (en) 2007-07-24 2008-04-14 METHOD AND DEVICE FOR RECOMMENDING INFORMATION USING A HYBRID ALGORITHM
CN200880100043.XA CN101755283B (zh) 2007-07-24 2008-04-14 利用混合算法推荐信息的方法和设备
PCT/KR2008/002080 WO2009014300A1 (en) 2007-07-24 2008-04-14 Method and apparatus for recommending information using hybrid algorithm
US12/670,248 US20110035388A1 (en) 2008-01-02 2008-04-14 Method and apparatus for recommending information using a hybrid algorithm

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US95150907P 2007-07-24 2007-07-24
US60/951,509 2007-07-24
KR1020080000157A KR101415022B1 (ko) 2007-07-24 2008-01-02 복합 알고리즘 이용한 정보 추천 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20090010866A true KR20090010866A (ko) 2009-01-30
KR101415022B1 KR101415022B1 (ko) 2014-07-09

Family

ID=40281525

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020080000157A KR101415022B1 (ko) 2007-07-24 2008-01-02 복합 알고리즘 이용한 정보 추천 방법 및 장치

Country Status (6)

Country Link
US (1) US20110035388A1 (ko)
EP (1) EP2181430A4 (ko)
JP (1) JP5379135B2 (ko)
KR (1) KR101415022B1 (ko)
CN (1) CN101755283B (ko)
WO (1) WO2009014300A1 (ko)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101054088B1 (ko) * 2009-02-25 2011-08-03 한국과학기술원 협업 필터링을 이용한 사용자 맞춤형 아이피 티브이 프로그램 자동 추천 방법
KR101216969B1 (ko) * 2009-08-19 2013-01-02 주식회사 디디에이치 상품 가격을 고려한 상품 추천시스템 및 그 추천방법
KR20130065867A (ko) 2011-12-06 2013-06-20 에스케이플래닛 주식회사 개인화된 정보 제공 시스템, 방법 및 그에 대한 기록매체
KR101305535B1 (ko) * 2011-08-26 2013-09-06 허순영 동영상 추천 시스템
KR101372928B1 (ko) * 2012-02-03 2014-03-14 한국과학기술원 사용자 선호주제 기반 ｔｖ프로그램 콘텐츠 자동추천 장치, 시스템, 방법 및 그 방법을 실행하는 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체
KR20160064448A (ko) 2014-11-28 2016-06-08 이종찬 유사 집합의 예상 선호도 대비 기반 아이템 추천 제공 방법
KR20160064447A (ko) 2014-11-28 2016-06-08 이종찬 협력적 필터링의 예측 선호도를 이용한 처음 사용자에 대한 추천 제공 방법
KR20160064446A (ko) 2014-11-28 2016-06-08 이종찬 선호 점수를 이용한 협력적 필터링 기반 선호도 예측 방법
KR101639987B1 (ko) * 2015-01-19 2016-07-18 배재대학교 산학협력단 혼합 필터링 기반의 영화추천 방법 및 장치
US10083211B2 (en) 2014-12-10 2018-09-25 Iucf-Hyu (Industry-University Cooperation Foundation Hanyang University) Item recommendation method and apparatus
KR20190022442A (ko) * 2017-05-05 2019-03-06 핑안 테크놀로지 (션젼) 컴퍼니 리미티드 광고 생성 방법, 컴퓨터 판독 가능한 저장매치 및 시스템
KR20200088134A (ko) * 2019-01-14 2020-07-22 카페24 주식회사 상품 추천 방식 개선 방법 및 장치
WO2020235817A1 (ko) * 2019-05-17 2020-11-26 케이퍼스트랩 주식회사 사용자 보유 의류에 기초한 패션 코디 추천 방법 및 장치
US11263543B2 (en) 2007-11-02 2022-03-01 Ebay Inc. Node bootstrapping in a social graph

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102346751B (zh) * 2010-08-03 2013-04-17 阿里巴巴集团控股有限公司 一种信息推送方法及设备
CN104106271B (zh) 2012-02-09 2018-03-30 英特尔公司 基于团体标准的建议
CN102722552B (zh) * 2012-05-28 2014-02-26 重庆大学 一种协同过滤推荐模型中调整学习速率的方法
JP6079479B2 (ja) * 2013-06-28 2017-02-15 株式会社Ｊｖｃケンウッド 情報処理装置、情報処理方法、及び情報処理プログラム
US9298785B2 (en) 2013-07-19 2016-03-29 Paypal, Inc. Methods, systems, and apparatus for generating search results
US10789634B2 (en) * 2014-12-08 2020-09-29 Lg Cns Co., Ltd. Personalized recommendation method and system, and computer-readable record medium
KR20170019944A (ko) * 2015-08-13 2017-02-22 정진호 상대 비교를 통한 상품 추천 서비스 방법 및 이를 위한 추천 서비스 장치
RU2632131C2 (ru) 2015-08-28 2017-10-02 Общество С Ограниченной Ответственностью "Яндекс" Способ и устройство для создания рекомендуемого списка содержимого
RU2632100C2 (ru) 2015-09-28 2017-10-02 Общество С Ограниченной Ответственностью "Яндекс" Способ и сервер создания рекомендованного набора элементов
RU2629638C2 (ru) * 2015-09-28 2017-08-30 Общество С Ограниченной Ответственностью "Яндекс" Способ и сервер создания рекомендуемого набора элементов для пользователя
RU2632144C1 (ru) 2016-05-12 2017-10-02 Общество С Ограниченной Ответственностью "Яндекс" Компьютерный способ создания интерфейса рекомендации контента
RU2632132C1 (ru) 2016-07-07 2017-10-02 Общество С Ограниченной Ответственностью "Яндекс" Способ и устройство для создания рекомендаций содержимого в системе рекомендаций
RU2636702C1 (ru) 2016-07-07 2017-11-27 Общество С Ограниченной Ответственностью "Яндекс" Способ и устройство для выбора сетевого ресурса в качестве источника содержимого для системы рекомендаций
USD882600S1 (en) 2017-01-13 2020-04-28 Yandex Europe Ag Display screen with graphical user interface
JP6698575B2 (ja) * 2017-03-30 2020-05-27 株式会社ゼンリンデータコム レコメンドシステム及びレコメンド方法
CN107423442B (zh) * 2017-08-07 2020-09-25 火烈鸟网络(广州)股份有限公司 基于用户画像行为分析的应用推荐方法及***，储存介质及计算机设备
RU2720952C2 (ru) 2018-09-14 2020-05-15 Общество С Ограниченной Ответственностью "Яндекс" Способ и система для создания рекомендации цифрового содержимого
RU2714594C1 (ru) 2018-09-14 2020-02-18 Общество С Ограниченной Ответственностью "Яндекс" Способ и система определения параметра релевантность для элементов содержимого
RU2720899C2 (ru) 2018-09-14 2020-05-14 Общество С Ограниченной Ответственностью "Яндекс" Способ и система для определения зависящих от пользователя пропорций содержимого для рекомендации
RU2725659C2 (ru) 2018-10-08 2020-07-03 Общество С Ограниченной Ответственностью "Яндекс" Способ и система для оценивания данных о взаимодействиях пользователь-элемент
RU2731335C2 (ru) 2018-10-09 2020-09-01 Общество С Ограниченной Ответственностью "Яндекс" Способ и система для формирования рекомендаций цифрового контента
CN109933717B (zh) * 2019-01-17 2021-05-14 华南理工大学 一种基于混合推荐算法的学术会议推荐***
RU2757406C1 (ru) 2019-09-09 2021-10-15 Общество С Ограниченной Ответственностью «Яндекс» Способ и система для обеспечения уровня сервиса при рекламе элемента контента
KR102617823B1 (ko) * 2022-09-02 2023-12-27 우송대학교 산학협력단 철도 인프라 bim 교육 컨텐츠 추천 시스템

Family Cites Families (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5790785A (en) * 1995-12-11 1998-08-04 Customer Communications Group, Inc. World Wide Web registration information processing system
US5867799A (en) * 1996-04-04 1999-02-02 Lang; Andrew K. Information system and method for filtering a massive flow of information entities to meet user information classification needs
JP3116851B2 (ja) * 1997-02-24 2000-12-11 日本電気株式会社 情報フィルタリング方法及びその装置
US6330610B1 (en) * 1997-12-04 2001-12-11 Eric E. Docter Multi-stage data filtering system employing multiple filtering criteria
JPH11282875A (ja) * 1998-03-27 1999-10-15 Oki Electric Ind Co Ltd 情報フィルタリング装置
US6385619B1 (en) * 1999-01-08 2002-05-07 International Business Machines Corporation Automatic user interest profile generation from structured document access information
US6397212B1 (en) * 1999-03-04 2002-05-28 Peter Biffar Self-learning and self-personalizing knowledge search engine that delivers holistic results
KR100587763B1 (ko) * 2000-02-01 2006-06-09 주식회사 위즈맥스 광고가 결합된 멀티미디어 파일을 인터넷에서 제공하는 방법
KR20020007742A (ko) * 2000-07-18 2002-01-29 김민욱 사용자별 정보선호 분석 및 정보 내용 인기도 평가를 통한정보추천 방법 및 그 시스템
US6980977B2 (en) * 2000-11-30 2005-12-27 Yokogawa Electric Corporation System for acquiring and analyzing personal profile data and providing the service of delivering various information
US7386792B1 (en) * 2001-03-07 2008-06-10 Thomas Layne Bascom System and method for collecting, storing, managing and providing categorized information related to a document object
US20030154180A1 (en) * 2002-02-13 2003-08-14 Case Simon J. Profile management system
KR20030003396A (ko) * 2001-06-30 2003-01-10 주식회사 케이티 사용자의 분야별 선호 프로파일을 이용한 컨텐츠 추천서비스 방법
US20030051240A1 (en) * 2001-09-10 2003-03-13 Koninklijke Philips Electronics N.V. Four-way recommendation method and system including collaborative filtering
KR20030058660A (ko) * 2001-12-31 2003-07-07 주식회사 케이티 개인화 시스템에서 사용자의 컨텐트 선호도를 이용한협업필터링 학습방법
US7243105B2 (en) * 2002-12-31 2007-07-10 British Telecommunications Public Limited Company Method and apparatus for automatic updating of user profiles
WO2004100033A2 (en) * 2003-05-12 2004-11-18 Koninklijke Philips Electronics N.V. Apparatus and method for performing profile based collaborative filtering
US20050071328A1 (en) * 2003-09-30 2005-03-31 Lawrence Stephen R. Personalization of web search
US10339538B2 (en) * 2004-02-26 2019-07-02 Oath Inc. Method and system for generating recommendations
JP2005332265A (ja) * 2004-05-20 2005-12-02 Sony Corp 情報処理システムおよび方法、情報処理装置および方法、プログラム
US8078607B2 (en) * 2006-03-30 2011-12-13 Google Inc. Generating website profiles based on queries from webistes and user activities on the search results
US7676517B2 (en) * 2005-10-14 2010-03-09 Microsoft Corporation Search results injected into client applications
US8131718B2 (en) * 2005-12-13 2012-03-06 Muse Green Investments LLC Intelligent data retrieval system
JP2007183859A (ja) * 2006-01-10 2007-07-19 Konica Minolta Holdings Inc 情報検索システム、情報検索方法、及び情報管理装置
US7657523B2 (en) * 2006-03-09 2010-02-02 Customerforce.Com Ranking search results presented to on-line users as a function of perspectives of relationships trusted by the users
US20070269787A1 (en) * 2006-04-24 2007-11-22 Cronstrom David S Method and system for recommending media content to a user of a mobile radio terminal
US7631263B2 (en) * 2006-06-02 2009-12-08 Scenera Technologies, Llc Methods, systems, and computer program products for characterizing links to resources not activated
US20080162537A1 (en) * 2006-12-29 2008-07-03 Ebay Inc. Method and system for utilizing profiles
WO2008124033A2 (en) * 2007-04-03 2008-10-16 Grape Technology Group Inc. System and method for customized search engine and search result optimization
US8099315B2 (en) * 2007-06-05 2012-01-17 At&T Intellectual Property I, L.P. Interest profiles for audio and/or video streams

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11263543B2 (en) 2007-11-02 2022-03-01 Ebay Inc. Node bootstrapping in a social graph
KR101054088B1 (ko) * 2009-02-25 2011-08-03 한국과학기술원 협업 필터링을 이용한 사용자 맞춤형 아이피 티브이 프로그램 자동 추천 방법
KR101216969B1 (ko) * 2009-08-19 2013-01-02 주식회사 디디에이치 상품 가격을 고려한 상품 추천시스템 및 그 추천방법
KR101305535B1 (ko) * 2011-08-26 2013-09-06 허순영 동영상 추천 시스템
KR20130065867A (ko) 2011-12-06 2013-06-20 에스케이플래닛 주식회사 개인화된 정보 제공 시스템, 방법 및 그에 대한 기록매체
KR101372928B1 (ko) * 2012-02-03 2014-03-14 한국과학기술원 사용자 선호주제 기반 ｔｖ프로그램 콘텐츠 자동추천 장치, 시스템, 방법 및 그 방법을 실행하는 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체
KR20160064447A (ko) 2014-11-28 2016-06-08 이종찬 협력적 필터링의 예측 선호도를 이용한 처음 사용자에 대한 추천 제공 방법
KR20160064446A (ko) 2014-11-28 2016-06-08 이종찬 선호 점수를 이용한 협력적 필터링 기반 선호도 예측 방법
KR20160064448A (ko) 2014-11-28 2016-06-08 이종찬 유사 집합의 예상 선호도 대비 기반 아이템 추천 제공 방법
US10083211B2 (en) 2014-12-10 2018-09-25 Iucf-Hyu (Industry-University Cooperation Foundation Hanyang University) Item recommendation method and apparatus
KR101639987B1 (ko) * 2015-01-19 2016-07-18 배재대학교 산학협력단 혼합 필터링 기반의 영화추천 방법 및 장치
KR20190022442A (ko) * 2017-05-05 2019-03-06 핑안 테크놀로지 (션젼) 컴퍼니 리미티드 광고 생성 방법, 컴퓨터 판독 가능한 저장매치 및 시스템
KR20200088134A (ko) * 2019-01-14 2020-07-22 카페24 주식회사 상품 추천 방식 개선 방법 및 장치
WO2020235817A1 (ko) * 2019-05-17 2020-11-26 케이퍼스트랩 주식회사 사용자 보유 의류에 기초한 패션 코디 추천 방법 및 장치

Also Published As

Publication number Publication date
CN101755283B (zh) 2014-03-12
EP2181430A4 (en) 2011-03-23
CN101755283A (zh) 2010-06-23
KR101415022B1 (ko) 2014-07-09
WO2009014300A1 (en) 2009-01-29
EP2181430A1 (en) 2010-05-05
JP2010534370A (ja) 2010-11-04
US20110035388A1 (en) 2011-02-10
JP5379135B2 (ja) 2013-12-25

Similar Documents

Publication Publication Date Title
KR20090010866A (ko) 복합 알고리즘 이용한 정보 추천 방법 및 장치
Jannach et al. What recommenders recommend: an analysis of recommendation biases and possible countermeasures
Carmel et al. Personalized social search based on the user's social network
US7904303B2 (en) Engagement-oriented recommendation principle
US7779001B2 (en) Web page ranking with hierarchical considerations
US8290927B2 (en) Method and apparatus for rating user generated content in search results
US8005823B1 (en) Community search optimization
US9092510B1 (en) Modifying search result ranking based on a temporal element of user feedback
US20080183699A1 (en) Blending mobile search results
US8825641B2 (en) Measuring duplication in search results
CN103530365A (zh) 获取资源的下载链接的方法及***
WO2010054119A2 (en) Image relevance by identifying experts
JP2011145742A (ja) 情報処理装置、情報処理方法、およびプログラム
Siino et al. Whosnext: Recommending twitter users to follow using a spreading activation network based approach
de Moura et al. Using structural information to improve search in Web collections
Sánchez-Moreno et al. Recommendation of songs in music streaming services: dealing with sparsity and gray sheep problems
JP2011154466A (ja) 検索結果順位付け方法および検索結果順位付けシステム
JP4962950B2 (ja) ネットワーク上のユーザに対するレコメンデーションの方法、レコメンデーションサーバ及びプログラム
Singh et al. Web page recommendation system based on partially ordered sequential rules
WO2008032037A1 (en) Method and system for filtering and searching data using word frequencies
Li et al. Research on hot news discovery model based on user interest and topic discovery
KR101271171B1 (ko) 사용자가 선정한 키워드에 기반한 콘텐츠 관련정보 제공장치 및 방법
Shen RETRACTED ARTICLE: E-commerce User Recommendation Algorithm Based on Social Relationship Characteristics and Improved K-Means Algorithm
KR101413988B1 (ko) 문서의 이산분리시스템 및 방법
Slokom et al. How to Diversify any Personalized Recommender? A User-centric Pre-processing approach

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E601 Decision to refuse application
J201 Request for trial against refusal decision
J301 Trial decision

Free format text: TRIAL DECISION FOR APPEAL AGAINST DECISION TO DECLINE REFUSAL REQUESTED 20121019

Effective date: 20140123

S901 Examination by remand of revocation
E902 Notification of reason for refusal
GRNO Decision to grant (after opposition)
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20170529

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20180530

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20190530

Year of fee payment: 6