KR20090046353A - 개인 맞춤형 다중 추천 학습 방법 - Google Patents
개인 맞춤형 다중 추천 학습 방법 Download PDFInfo
- Publication number
- KR20090046353A KR20090046353A KR1020070112449A KR20070112449A KR20090046353A KR 20090046353 A KR20090046353 A KR 20090046353A KR 1020070112449 A KR1020070112449 A KR 1020070112449A KR 20070112449 A KR20070112449 A KR 20070112449A KR 20090046353 A KR20090046353 A KR 20090046353A
- Authority
- KR
- South Korea
- Prior art keywords
- recommendation
- content
- user
- preference
- learning
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000010606 normalization Methods 0.000 claims 1
- 238000002474 experimental method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Educational Technology (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Multimedia (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Strategic Management (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)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
본 발명은 개인 맞춤형 다중 추천 방법 학습을 이용하여 추천 성능을 향상시키기 위한 방법으로서, 유사 사용자의 군집 선호도를 이용한 추천 방법과 사용자 개인의 이력정보와 디지털 컨텐츠의 속성 정보를 활용한 내용 기반 추천 방법을 학습기간과 사용자별로 동시에 적용한 후 추천 정확도가 높은 방법을 적용하는 방법에 관한 것이다. 본 발명은 사용자의 인구통계학적 정보를 기반으로 군집을 생성하는 1단계; 생성된 군집원들의 컨텐츠 이력 히스토리로부터 군집의 선호도를 추출하는 2단계; 컨텐츠 속성별로 각 사용자의 컨텐츠 이용 빈도수와 시간 비율을 정규화하는 3단계; 사용자 모델 정보에서 프로그램 속성별 선호도 값을 학습주기 단위로 갱신하는 4단계; 사용자 모델 정보로부터 추천하고자 하는 프로그램 속성에 대한 선호도 값을 추출하고, 속성에 대한 선호도 값을 다양한 추천 방법에 의하여 해당 프로그램의 선호도를 계산하여 추천 방법을 평가하고 결정하는 과정을 학습하는 5단계를 포함한다.
다중 추천 방법 학습, 개인 맞춤형 추천, DTV 프로그램 추천
Description
본 발명은 디지털 컨텐츠에 대하여 다양한 추천 방법을 적용하고 추천 후에 정확도가 높은 추천 방법에 대하여 학습하여 추천하는 것으로, 더욱 상세하게는 디지털 컨텐츠 중에서 디지털 방송 프로그램을 추천하는 여러 가지 방법에 대하여 각 개인별, 학습 기간별로 추천 방법을 평가하고 결정할 수 있도록 학습하여 추천하는 방법에 관한 것이다.
최근 디지털 방송이 본격화되고 각 가정마다 DTV의 보급이 일반화되면서 사용자들이 시청 할 수 있는 방송채널의 수가 급격하게 늘어나고 있으며 이로 인한 채널과 방송 프로그램 선택의 문제가 대두되고 있다. 즉, 지금처럼 리모콘으로 채널을 돌려가며 원하는 프로그램을 찾거나, 방송 편성표(EPG : Electronic Program Guide)를 검색하는 것은 많은 시간과 노력을 필요로 한다. 이러한 문제점을 해결하기 위하여 DTV 프로그램 추천과 관련된 연구가 활발히 진행되고 있으며, TV Anytime, MPEG-21과 같은 그룹에서도 DTV 방송 규격화를 위하여 노력하고 있다.
일반적으로 개인화 추천 시스템에서 사용하는 기술은 내용 기반(Content-Based) 추천, 협력적 여과 추천(CF: Collaborative Filtering), 스테레오 타입(Stereo Type)을 활용한 추천 등으로 분류된다.
내용 기반 추천 시스템은 프로그램의 속성 정보와 사용자가 입력한 선호 정보 및 프로그램 시청 히스토리와의 유사도를 계산하거나 결정 트리 기법 등을 사용하여 사용자의 시청패턴을 추천에 반영한다는 장점은 있으나 의미 있는 속성 정보를 추출하여 선택하는데 어려움이 있으며, 시청한 프로그램과 유사한 프로그램을 찾기 위하여 분석 시간이 많이 소요되는 단점이 있다.
협력적 여과 기법은 유사한 선호도를 지닌 다른 사용자가 선호하는 프로그램을 추천하는 방법으로 내용 기반 추천 방법의 많은 문제를 해결해 줄 수는 있으나, 사용자간 유사성을 정확히 비교하기 위하여 충분한 시청 정보를 수집하는데 많은 시작 비용이 들며(Cold Start Problem), 새로운 프로그램인 경우 충분히 많은 사용자의 프로파일에 포함되어질 때까지는 추천되어지지 않는 문제점이 있다.
스테레오 타입을 활용한 추천 시스템에서는 사용자의 인구통계학적 프로파일 정보를 이용하여 스테레오 타입(예, 30대 주부는 멜로드라마를 선호)을 생성하고 추천하고자 하는 사용자를 해당 그룹에 분류하여 사용자의 초기 선호도 모델로 사용한다. 이 방법은 초기 사용자의 시청 정보가 부족하더라도 해당 그룹의 선호도를 이용하기 때문에 Cold Start Problem을 해결 할 수는 있으나 다른 추천 기법에 비해 사용자의 개인 선호도가 반영되기 힘들기 때문에 정확한 추천이 이루어지기 힘들다는 문제점이 있다.
개인 맞춤형 디지털 TV 프로그램 추천 솔루션은 pEPG(Personalized EPG), PPG(Personalized Program Guide), ACG(Adaptive Content Guide) 등으로 불리며, 미국, 유럽 등에서 활발히 연구되고 있으나 모든 사용자에게 하나의 추천 방법 모델을 적용할 뿐 사용자별로 학습된 결합 모델을 적용하지는 않는다.
본 발명은 기존의 디지털 컨텐츠에 대한 추천 방법들이 하나의 알고리즘만을 사용하여 추천을 하고 있기 때문에 발생하는 문제, 즉 학습 기간에 디지털 컨텐츠의 내용에 변화가 생기거나 사용자의 정보가 변경되었을 경우와 같이 변경된 상황 정보에 대하여 정확한 추천을 할 수가 없는 문제점을 해결하기 위하여, 다중 추천 방법을 사용자에게 학습 기간별로 동시에 적용하여 정확한 추천 결과를 얻을 수 있는 추천 방법을 학습하여 적용함으로써 추천의 성능을 향상시키는 방법을 제공함에 있다.
본 발명은 디지털 컨텐츠 중에서 DTV 방송 프로그램을 대상으로 여러 가지 DTV 프로그램 추천 방법들에 대하여 사용자의 선호도 학습 기간과 각 사용자에게 적합한 추천 방법을 학습하여 결정하는 방법으로 선호도 학습 초기에는 스테레오 타입에 의한 추천 방법을 사용하며 사용자의 히스토리 정보에 의하여 선호도가 충분히 학습된 후에는 내용 기반 추천 방법에 의한 프로그램 추천 방법으로 결정하여 추천의 성능을 높일 수 있는 방법이다.
본 발명의 목적은 사용자의 인구통계학적 정보를 기반으로 군집을 생성하는 1단계; 생성된 군집원들의 컨텐츠 이력 히스토리로부터 군집의 선호도를 추출하는 2단계; 컨텐츠 속성별로 각 사용자의 컨텐츠 이용 빈도수와 시간 비율을 정규화하는 3단계; 사용자 모델 정보에서 프로그램 속성별 선호도 값을 학습주기 단위로 갱 신하는 4단계; 사용자 모델 정보로부터 추천하고자 하는 프로그램 속성에 대한 선호도 값을 추출하고, 속성에 대한 선호도 값을 다양한 추천 방법에 의하여 해당 프로그램의 선호도를 계산하여 추천 방법을 결정하고 학습하는 5단계를 포함하는 개인 맞춤형 다중 추천 학습 방법에 의해 달성된다.
본 발명은 학습기간과 사용자별 특성을 고려한 개인 맞춤형 다중 추천 방법으로써 추천의 정확도를 향상 시켤 수 있으며, 또한 다중 추천 방법으로 사용하고 있는 스테레오 타입에 의한 추천 방법과 프로그램 속성에 선호도에 의한 내용 기반 추천 방법 뿐만 아니라 다른 추천 방법도 추가적으로 확장하여 적용 할 수 있으며, DTV에서의 개인 맞춤형 프로그램 추천이 아닌 다른 도메인에서도 쉽게 확장하고 적용할 수 있다.
이에 앞서, 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다.
본 명세서에 기재된 예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.
이하 첨부된 도면을 참조하여 본 발명을 상세히 설명하면 다음과 같다.
도 1에서 발명을 위해 사용되는 정보의 저장소는 사용자의 인구통계학적 정보 및 선호도 정보를 저장하는 사용자 모델 저장소와 사용자의 디지털 컨텐츠 이력 정보 저장소, 디지털 컨텐츠 정보 저장소, 스테레오 타입 저장소로 구성된다.
이러한 정보들을 기반으로 추천에 필요한 정보를 추출하고 학습된 정보를 저장하기 위한 사용자 모델 관리와 스테레오 타입 관리 모듈이 있으며 추천 모듈은 각 사용자별로 학습된 선호도를 추천하고자 하는 컨텐츠에 적용하여 추천된 결과를 사용자 인터페이스를 통하여 보여준다.
도 1에서의 사용자 모델 저장소는 사용자로부터 인구통계학적 정보를 명시적으로 입력 받아서 저장하는 부분과 사용자 모델 관리 모듈에 의해서 자동으로 갱신되어 저장되는 선호도 부분으로 구성되며, 디지털 컨텐츠 이력정보 저장소는 사용자가 디지털 컨텐츠를 사용한 이력 정보가 저장된다.
디지털 컨텐츠 정보 저장소는 컨텐츠에 대한 다양한 속성 정보등이 저장되는 곳으로서 DTV에서는 방송 송출 시스템으로부터 추출한 속성정보를 저장하는 곳이다.
스테레오 타입 저장소는 사용자의 인구통계학적 정보를 바탕으로 유사한 사용자 그룹을 생성하고 해당 그룹들이 각 디지털 컨텐츠의 속성에 대한 선호도를 추출하여 저장하는 곳으로서 예를 들어 “30대의 주부(고등학교 졸업)는 드라마를 선호하며 교육 프로그램에 관심을 가지고 있다”라는 정보를 저장한다.
스테레오 타입을 적용하기 위하여 단순 통계 기법을 통한 Case-By-Case 형식 의 스테레오 타입을 생성한다. 동일한 인적 정보를 갖는 사람들의 컨텐츠 이력정보를 분석하여 각 그룹의 컨텐츠에 대한 속성 선호도를 추출하며, 새로운 사용자가 등록 되었을 때 해당 사용자와 동일한 인적 정보를 갖는 그룹을 찾아내어 해당 그룹의 속성 선호도를 사용자 모델에 적용한다. 통계적인 그룹화 방법은 일반적인 인공지능 알고리즘에 의한 군집화보다 빠르게 적용할 수 있으며, 해당 그룹에 사용자를 분류하는 방법 역시 사용자의 인적 정보만을 단순하게 매칭시킴으로서 가능하기 때문에 더욱 간단하게 적용할 수 있다. 스테레오 타입 모듈에서는 스테레오 타입의 생성 기간과 필요한 인적 정보, 스테레오 타입 이름, 각 선호도 값 등을 생성하여 스테레오 타입 저장소에 저장한다.
본 발명에서는 내용 기반 추천 기법을 기반으로 하여 속성 선호도에 대한 다양한 추천 방법을 사용한다. 디지털 컨텐츠 속성에 대한 선호도는 개인별 컨텐츠 이력 정보로부터 동일한 컨텐츠 속성 값을 갖는 각 속성들에 대하여 사용 빈도수와 사용 시간 비율을 분석하여 추출한 값에 전체 사용 빈도수와 사용 비율의 합으로 각각을 정규화하여 곱한 값을 선호도로 사용한다. 즉, 빈도수를 이용한 속성 선호도와 사용 시간 비율을 이용한 선호도를 함께 고려함으로써 상호 보완된 속성 선호도를 구한다.
[수학식 1]은 사용자의 학습 기간 내의 컨텐츠 속성 빈도수와 사용시간 비율을 이용하여 컨텐츠 속성에 대한 선호도를 구하는 계산 수식이다.
[표 1]은 상기 [수학식 1]을 이용하여 DTV 방송 프로그램 디지털 컨텐츠에서 “장르”라는 속성에 대한 선호도를 구하는 예이다.
학습된 선호도는 사용자의 기존 선호도와 함께 컨텐츠 속성에 대한 선호도로 다시 계산된다. 기존의 선호도와 새롭게 얻어진 선호도를 혼합하는 방법은 최근 학습된 선호도의 반영 여부 및 반영 비율에 따라서 다양하게 적용할 수 있으나, 본 발명에서는 최근 선호도와 기존 선호도의 평균값을 사용함으로써 최근 선호도를 반영하는 방법을 사용한다.
[수학식 2]는 최근 선호도와 기존의 선호도의 평균 계산식이다.
재계산된 프로그램 속성 값에 대한 사용자의 선호도는 컨텐츠 추천을 위하여 후보 컨텐츠들의 속성 값과 매칭되는 사용자의 속성들에 대한 각 선호도 값을 계산하여 내림차순으로 정렬 한 후에 상위 5개 컨텐츠들을 추천하는 방법을 사용한다.
[수학식 3]은 디지털 컨텐츠 중에서 방송 컨텐츠에 대한 장르, 서브장르, 채널에 대한 속성에 대한 가중치와 선호도를 더하여 컨텐츠에 대한 선호도를 구하는 계산식이다.
[수학식 3]에서 사용자의 장르, 서브장르, 채널 속성에 대한 선호도가 모두 높을 경우에는 추천 성능이 좋지만 세 가지 속성 중에 하나라도 낮은 선호도가 있을 경우에는 선호도가 높은 다른 속성들에 의하여 원치 않는 추천을 함으로써 추천 성능이 저하되는 경우가 발생한다.
이러한 단점을 간단하게 해결할 수 있는 방법이 각 속성에 대한 선호도 값을 곱하여 디지털 방송 프로그램에 대한 선호도를 구하는 것이다. 이 방법은 후보 프로그램들의 특정 속성에 대한 정규화 가중치를 적용하여 최종 선호도를 구하는 것으로서, 기본적인 세 가지 속성 중에 하나라도 작은 값을 갖는 추천 후보 프로그램에 대해서는 선호도가 낮아지므로 가중치를 적용하여 더했을 경우보다는 추천의 정확도가 높다.
그러나 두 가지 추천 방법 역시 학습 초기에는 사용자의 시청 History 부족으로 인하여 좋은 추천 결과를 기대하기는 힘들며 이러한 단점을 보완할 수 있는 스테레오 타입에 의한 선호도 추천 방법이 있으나 스테레오 타입에 의한 추천 방법만 사용하는 것은 개인별 학습이 되지 않기 때문에 점점 추천 성능이 저하된다.
본 발명에서는 상기 추천 방법의 장점만을 취하기 위하여 각 학습 기간 및 사용자의 속성 선호도 계산 방법을 학습하여 적용하는 방법을 사용한다. 즉, 임의의 사용자는 학습 초기에 스테레오 타입에 의하여 생성된 선호도 값을 이용하는 방법이 좋을 수 있으며, 학습 중반에는 가중치 선호도의 더한 값이 좋은 추천 성능을 낼 수도 있고, 학습 후반에는 선호도의 단순한 곱하기 값이 좋은 추천의 정확도가 높다.
개인별 다중 추천 방법 학습에 대한 순서도는 도 2와 같다. 각 사용자마다 학습 단위의 기간 동안 디지털 컨텐츠에 대한 이력정보를 추출하고 언급한 세 가지 방법으로 후보 프로그램들에 대하여 추천을 하고 각각의 방법에 의해 추천한 컨텐츠 목록과 실제 사용한 이력정보를 비교하여 각 방법들에 대하여 평가를 한다.
두 가지 이상의 방법에서 올바른 추천이 되었을 경우에는 각 결과 프로그램 목록에서 높은 선호도로 추천된 순위를 비교하여 각 방법들을 평가한다. 각 사용자마다 매 학습 기간에 따라서 가장 높게 평가된 선호도 추출 방법을 학습 한 후에 추천 시점에 학습된 선호도 및 추천 방법을 이용하여 추천을 함으로서 향상된 추천 결과를 얻는다.
이하에서는 본 발명에 따른 다중 추천 방법 학습의 성능평가를 위하여 1년 동안 디지털 방송 컨텐츠를 시청한 실험자들을 대상으로 비교실험을 수행한 일실시예이다. 실험은 334명의 52주 시청 기록 중에서 각 방송 개인 시청 시간 비율이 10% 이상인 데이터를 대상으로 진행하였으며, 사용자 모델 정보 갱신 및 프로그램 추천 주기는 일주일 단위로 하였으며, 추천 개수는 5개로 정하였다.
본 발명의 효율 평가의 척도로는 정보 검색 분야에서 사용하는 Precision과 Recall을 사용하였다. Precision과 Recall에 대한 계산 방식은 [수학식 4]및 [수학식 5]와 같으며, 하기 수학식에서 추천 프로그램은 추천한 목록이며 시청 프로그램은 사용자가 실제로 시청한 프로그램을 의미한다.
도 3은 상기 언급한 세 가지 방법을 각각 사용하여 실험한 결과와 다중 추천 방법에 의한 실험 결과를 비교한 내용이다.
스테레오 타입에 의한 선호도를 이용한 추천 방법은 학습 초기에는 뛰어난 성능을 보이지만 사용자의 시청 히스토리 학습이 진행됨에 따라서 점차적으로 다른 추천 방법보다 성능이 떨어지는 것을 알 수 있으며, 앞서 설명한 바와 같이 장르, 서브장르, 채널에 대한 선호도를 곱하여 추천한 결과가 속성 선호도에 가중치를 더하여 추천한 방법보다 높은 성능을 보여주고 있으나 초기에는 정확도가 떨어지고 있다. 본 발명의 다중 추천 방법 학습 방법에 의한 추천이 학습 초기부터 52주까지 가장 정확한 추천을 하고 있음을 보여준다.
도 4는 52주 동안 사용자들에게 학습된 선호도 방법의 추이 변화 결과이다. 다중 추천 방법 학습에 의한 추천은 학습 초기에는 주로 스테레오 타입을 적용하는 방법이 거의 모든 사용자들에게 적용이 되고 점차적으로 다른 방법들에 의한 선호도 추출 방법, 특히 속성 선호도를 곱하는 방법에 의하여 추천이 되고 있다.
이상과 같이, 본 발명은 비록 한정된 일실시예와 도면에 의해 설명되었으나 본 발명은 이것에 의해 한정되지 않으며 본 발명이 속하는 추천 기술 분야에서 통상의 지식을 가진 자에 의해 본 발명의 기술사상과 아래에 기재될 특허 청구범위의 균등 범위내에서 다양한 수정 및 변형이 가능함은 물론이다.
도 1은 본 발명에 따른 다중 추천 방법 학습에 의한 추천 시스템의 블록도
도 2는 본 발명에 사용되는 다중 추천 방법 학습에 대한 흐름도.
도 3은 4가지 실험 방법들의 추천 효율성을 Recall의 관점으로 평가한 결과를 나타낸 그래프
도 4는 본 발명에서 사용하는 다중 추천 방법 학습을 사용한 사용자들의 52주간의 학습된 방법에 의하여 각 추천된 컨텐츠 개수결과를 나타낸 그래프
Claims (6)
- 사용자의 인구통계학적 정보를 기반으로 군집을 생성하는 1단계;생성된 군집원들의 컨텐츠 이력 히스토리로부터 군집의 선호도를 추출하는 2단계;컨텐츠 속성별로 각 사용자의 컨텐츠 이용 빈도수와 시간 비율을 정규화하는 3단계;사용자 모델 정보에서 컨텐츠 속성별 선호도 값을 학습주기 단위로 갱신하는 4단계;사용자 모델 정보로부터 추천하고자 하는 컨텐츠 속성에 대한 선호도 값을 추출하고, 속성에 대한 선호도 값을 다양한 추천 방법에 의하여 해당 컨텐츠의 선호도를 계산하여 추천 방법을 평가하고 결정하는 과정을 학습하는 5단계를 포함하는 개인 맞춤형 다중 추천 학습 방법
- 제 1항에 있어서,디지털 컨텐츠에 따라서 적합한 인구 통계학적 정보를 기반으로 Case-By-Case에 의한 군집을 생성하는 것을 특징으로 하는 추천 방법을 하나의 추천 방법으로 사용하는 개인 맞춤형 다중 추천 학습 방법
- 1항에 있어서, 상기 제 1 단계 수행 후,생성된 군집으로부터 군집의 멤버인 사용자 ID, 컨텐츠 ID, 컨텐츠 사용 시작 시점 및 종료 시점, 컨텐츠 이용 시간 정보를 포함하는 디지털 컨텐츠 사용 이력 정보와 컨텐츠 저장소로부터 컨텐츠 속성에 대한 군집의 선호도를 추출하는 것을 특징으로 하는 단계를 포함하는 개인 맞춤형 다중 추천 학습 방법
- 제 1항에 있어서,각 사용자 ID별로 디지털 컨텐츠 사용 이력 저장소를 조회하여 빈도수와 시간에 대하여 각각 최대값을 이용한 정규화 및 속성별 선호도값을 계산하는 것을 특징으로 하는 단계를 포함하는 개인 맞춤형 다중 추천 방법
- 제 1항에 있어서, 상기 제 3단계 수행 후,기존의 사용자 속성 선호도와 학습주기 단위로 얻은 선호도의 평균값을 갱신하는 것을 특징으로 하는 단계를 포함하는 개인 맞춤형 다중 추천 방법
- 제 1항에 있어서, 상기 제 4단계 수행 후,다중 추천 방법에 의하여 해당 프로그램의 최종 선호도를 계산하고 각 추천 방법들의 추천 결과를 평가하고 결정하는 과정을 학습하는 5단계를 포함하는 개인 맞춤형 다중 추천 방법
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020070112449A KR101143508B1 (ko) | 2007-11-06 | 2007-11-06 | 개인 맞춤형 다중 추천 학습 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020070112449A KR101143508B1 (ko) | 2007-11-06 | 2007-11-06 | 개인 맞춤형 다중 추천 학습 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20090046353A true KR20090046353A (ko) | 2009-05-11 |
| KR101143508B1 KR101143508B1 (ko) | 2012-05-09 |
Family
ID=40856232
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020070112449A KR101143508B1 (ko) | 2007-11-06 | 2007-11-06 | 개인 맞춤형 다중 추천 학습 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101143508B1 (ko) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101323923B1 (ko) * | 2011-10-05 | 2013-10-31 | 경희대학교 산학협력단 | 목표 이벤트의 추천 관람객 결정 방법 |
| WO2014144833A3 (en) * | 2013-03-15 | 2015-08-20 | The Echo Nest Corporation | Taste profile attributes |
| WO2015129988A1 (ko) * | 2014-02-26 | 2015-09-03 | 에스케이플래닛 주식회사 | 사용자별 카테고리 선호도 생성 방법, 이를 이용한 상품 추천 방법 및 이를 위한 장치 |
| KR20160011454A (ko) * | 2014-07-22 | 2016-02-01 | 이화여자대학교 산학협력단 | 사용자에 대한 학습 처방 결정 장치 및 방법 |
| US9798823B2 (en) | 2015-11-17 | 2017-10-24 | Spotify Ab | System, methods and computer products for determining affinity to a content creator |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101452414B1 (ko) * | 2012-09-07 | 2014-10-23 | 에스케이플래닛 주식회사 | 메타 정보를 활용한 컨텐츠 제공 방법 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20060112723A (ko) * | 2005-04-27 | 2006-11-02 | 주식회사 팬택 | 모바일 게임 추천 시스템 및 그 방법 |
-
2007
- 2007-11-06 KR KR1020070112449A patent/KR101143508B1/ko not_active IP Right Cessation
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101323923B1 (ko) * | 2011-10-05 | 2013-10-31 | 경희대학교 산학협력단 | 목표 이벤트의 추천 관람객 결정 방법 |
| WO2014144833A3 (en) * | 2013-03-15 | 2015-08-20 | The Echo Nest Corporation | Taste profile attributes |
| WO2015129988A1 (ko) * | 2014-02-26 | 2015-09-03 | 에스케이플래닛 주식회사 | 사용자별 카테고리 선호도 생성 방법, 이를 이용한 상품 추천 방법 및 이를 위한 장치 |
| KR20150101340A (ko) * | 2014-02-26 | 2015-09-03 | 에스케이플래닛 주식회사 | 사용자별 카테고리 선호도 생성 방법, 이를 이용한 상품 추천 방법 및 이를 위한 장치 |
| KR20160011454A (ko) * | 2014-07-22 | 2016-02-01 | 이화여자대학교 산학협력단 | 사용자에 대한 학습 처방 결정 장치 및 방법 |
| US9798823B2 (en) | 2015-11-17 | 2017-10-24 | Spotify Ab | System, methods and computer products for determining affinity to a content creator |
| US11210355B2 (en) | 2015-11-17 | 2021-12-28 | Spotify Ab | System, methods and computer products for determining affinity to a content creator |
| US12001500B2 (en) | 2015-11-17 | 2024-06-04 | Spotify Ab | System, methods and computer products for determining affinity to a content creator |
Also Published As
| Publication number | Publication date |
|---|---|
| KR101143508B1 (ko) | 2012-05-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9552555B1 (en) | Methods, systems, and media for recommending content items based on topics | |
| Li et al. | An approach for combining content-based and collaborative filters | |
| CN107888950A (zh) | 一种推荐视频的方法和*** | |
| KR101579376B1 (ko) | 주관성 분석을 이용한 사용자 분류와 그에 따른 개인화된 장소 추천 시스템 및 방법 | |
| EP2563014A2 (en) | Method for content presentation | |
| KR20100086676A (ko) | 컨텐츠에 대한 선호도 예측 방법 및 장치와, 샘플 컨텐츠 선정 방법 및 장치 | |
| KR101143508B1 (ko) | 개인 맞춤형 다중 추천 학습 방법 | |
| CN102523511A (zh) | 一种网络节目聚合及节目推荐***和方法 | |
| KR20050043917A (ko) | 통계적 개인화된 추천 시스템 | |
| CN101551806A (zh) | 一种个性化网址导航的方法和*** | |
| CN106776701B (zh) | 用于物品推荐的问题确定方法和装置 | |
| US20160142775A1 (en) | Device and method for recommending content and sound source | |
| CN105338408B (zh) | 基于时间因子的视频推荐方法 | |
| CN105138508A (zh) | 一种基于偏好扩散的上下文推荐*** | |
| CN109063171B (zh) | 基于语义的资源匹配方法 | |
| CN109508407A (zh) | 融合时间与兴趣相似度的电视产品推荐方法 | |
| KR20170079429A (ko) | 사용자 속성을 고려한 클러스터링 기반의 협업 필터링 방법 및 영화 추천 시스템 | |
| CN106846029B (zh) | 基于遗传算法和新型相似度计算策略的协同过滤推荐算法 | |
| KR20050013258A (ko) | Ｔｖ 프로그램을 분류하기 위해 추가적인 클러스터를생성하기 위한 수단으로서 클러스터 콤팩트니스를사용하는 방법 및 장치 | |
| KR20120016723A (ko) | 메뉴 선호 정보를 이용한 콘텐츠 추천 방법 | |
| KR20200080355A (ko) | 빅데이터를 이용한 레시피 추천 시스템 | |
| Puntheeranurak et al. | A multi-clustering hybrid recommender system | |
| KR101542417B1 (ko) | 사용자 선호도 학습 방법 및 장치 | |
| KR20170114321A (ko) | 키워드 분석을 이용한 뉴스 콘텐츠들의 개인화 필터링 시스템 및 그 방법 | |
| Elahi | Empirical evaluation of active learning strategies in collaborative filtering |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| FPAY | Annual fee payment |
Payment date: 20170410 Year of fee payment: 6 |
|
| FPAY | Annual fee payment |
Payment date: 20180409 Year of fee payment: 7 |
|
| LAPS | Lapse due to unpaid annual fee |