KR20200145344A - 협업 필터링 기반의 사용자 선호도 예측을 이용한 상품 또는 컨텐츠 추천 서비스 제공 방법 - Google Patents
협업 필터링 기반의 사용자 선호도 예측을 이용한 상품 또는 컨텐츠 추천 서비스 제공 방법 Download PDFInfo
- Publication number
- KR20200145344A KR20200145344A KR1020190074214A KR20190074214A KR20200145344A KR 20200145344 A KR20200145344 A KR 20200145344A KR 1020190074214 A KR1020190074214 A KR 1020190074214A KR 20190074214 A KR20190074214 A KR 20190074214A KR 20200145344 A KR20200145344 A KR 20200145344A
- Authority
- KR
- South Korea
- Prior art keywords
- preference
- information
- matrix
- calculating
- user
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000001914 filtration Methods 0.000 title claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims abstract description 83
- 230000008569 process Effects 0.000 claims description 30
- 238000000354 decomposition reaction Methods 0.000 claims description 28
- 239000000470 constituent Substances 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000009827 uniform distribution Methods 0.000 claims description 4
- 239000000047 product Substances 0.000 description 29
- 238000004364 calculation method Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 241000675108 Citrus tangerina Species 0.000 description 1
- 241000220324 Pyrus Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000021017 pears Nutrition 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
본 발명의 실시 예에 따른 서비스 제공 장치가 사용자 단말로의 상품 또는 컨텐츠를 추천하는 추천 방법은, 상기 사용자 단말의 사용자 선호도 정보를 획득하는 단계; 선호도 예측 장치로부터 미리 구축된 선호도 예측 행렬을 이용한 협업 필터링을 수행하여, 상기 사용자 정보에 대응하는 상품 또는 컨텐츠별 선호도 예측값을 획득하는 단계; 및 상기 획득된 선호도 예측값에 기초한 추천 상품 또는 컨텐츠 정보를 상기 사용자 단말로 제공하는 단계를 포함한다.
Description
본 발명은 상품 또는 컨텐츠를 추천하는 추천 방법에 관한 것이다. 보다 구체적으로, 본 발명은 협업 필터링 기반의 사용자 선호도 예측을 이용한 상품 또는 컨텐츠 추천 서비스 제공 방법에 관한 것이다.
일반적으로 추천 시스템은 다량의 컨텐츠 중에서 필터링된 컨텐츠를 사용자에게 추천하는 시스템이다. 이러한 추천 시스템이 사용하는 추천 방식은 사용자와 성향이 유사한 사용자들이 공통적으로 좋아하는 컨텐츠를 추천해 주는 협업 필터링 추천 방식, 사용자가 이전에 이용한 컨텐츠와 내용 정보가 유사한 다른 컨텐츠를 추천해주는 내용기반 컨텐츠 필터링 추천 방식으로서, 예를 들어 인구통계학적 정보를 분석하여 규칙을 찾아 컨텐츠를 추천해주는 인구통계학적 추천방식 등을 이용하는 방식 등이 예시될 수 있다.
이 중에서 협업 필터링 추천 방식이 가장 성공적인 추천 기법으로 알려져 있다. 예를 들어, 도서 추천을 제공하는 아마존이나 영화 추천을 제공하는 넷플릭스 등과 같은 인터넷 사이트에서 널리 활용되고 있다.
협업 필터링 추천 방식은 사용자가 선호하는 패턴과 유사한 다른 사용자의 선호도를 이용하여 사용자에게 관련된 서비스를 추천하는 개인화 기법으로서, 사용자 기반 협업 필터링 추천 방식이 대표적이며, 사용자들 간의 유사성을 측정하여 선호도가 비슷한 다른 사용자가 평가한 상품 또는 컨텐츠를 기반으로 특정 사용자가 선호할만한 상품 또는 컨텐츠를 추천하는 방식을 의미할 수 있다.
보다 구체적으로, 협업 필터링을 이용한 추천 방식은 행렬 완성(matrix completion) 문제를 해결함으로써 어떤 것을 사용자에게 추천할지 결정하는 프로세스를 이용한다. 추천 장치는, 일부 항목의 정보만을 가지고 사용자간 선호도 유사성에 따른 추천서비스를 제공하기 위해, 한 행렬을 구성하는 값들 중 일부만이 주어졌을 때, 나머지 주어지지 않은 값들을 예측하는 연산을 수행하여야 한다. 다만 일반적으로 완성하여야 하는 행렬의 차원(dimension)이 주어진 표본보다 크므로, 차원의 크기를 줄일 수 있는 추가적인 전제가 요구된다.
1차적인 전제는 행렬의 계수(rank)가 낮다는 조건으로서, 일반적으로 협업 필터링 기반의 추천 장치는 해당 조건 하에 선호도 예측을 위해 완성하여야 하는 행렬을 분해(factorization)하여, 차원의 크기를 연산력에 따라 줄이는 저계수 행렬 분해(low-rank matrix factorization)를 수행할 수 있다. 다만 저계수 행렬 분해 방식은 대표적인 NP-hard 문제를 풀어야 하므로, 그 최적해를 다항시간(polynomial time) 내로 구하기 어렵고, 시간이 많이 소요되는 문제점이 있다.
이에 따라, 협업 필터링에 있어서 최적해가 아니라 최선해(local optimum)를 연산함으로써, 연산량을 줄이는 방식이 제안되거나, 볼록 완화(convex relaxation)를 통해 다항시간 안에 문제를 해결할 수 있도록 문제를 변형하는 방법도 제시되었으나, 연산 속도가 상용화되기에는 여전히 느린 것으로 알려져 있다.
또한, 볼록 완화 없이 최선해를 찾는 최적화를 수행하는 방식도 제안되고 있으나, 이 경우에는 필연적으로 잡음(noise)이 발생하기 때문에 이를 보정하기 위한 하이퍼파라미터(hyperparameter)가 계산과정에 포함되는데, 이 하이퍼파라미터의 초기값이 어떻게 되는지에 따라 도출되는 해가 바뀔 수 있는 불확실성으로 인해 문제점이 발생되고 있다.
예를 들어, 추천 또는 사용자 선호도 분석 프로세스에 있어서의 최선해를 도출하기 위한 초기값을 임의로 설정하는 경우가 많은데, 이는 전체 행렬을 예측하는 근거가 되는 입력값(entry)들이 균등(uniform)한 확률로 임의추출(random sampling)된 표본임을 전제하고 있다. 즉, 각 사용자는 특정 범주에 속한 모든 항목마다 나름의 선호를 갖고 있으며, 이를 수치화하여 행렬로 표현한 것이 추천 알고리즘을 통해 완성하고자 하는 행렬의 원형이자 선호도의 모집단이므로, 사용자가 추천 알고리즘에 자신의 선호도를 입력하는 행위는 일종의 표본 추출이라 할 수 있으며, 이 때 추출된 표본은 모집단의 크기를 고려하였을 때 여타 통계 문제와 마찬가지로 균등한 확률로 임의추출되었다고 가정하는 것이다.
그러나, 사용자의 선호도는 균등 확률을 가질 수 없으며, 따라서 이와 같은 전제는 실제 추천 프로세스에 따라 추천 서비스나 선호도 분석 서비스를 제공받는 사용자의 상황과는 전혀 상이하다. 이는 결과적으로 추천 서비스의 만족도가 저하되는 문제점을 야기시킨다.
보다 구체적으로, 추천 알고리즘 이용자의 선험(先驗)이 동반되어야만 선호도를 평가할 수 있는 상품 또는 컨텐츠 항목의 경우, 해당 분류에서 한 항목이 임의로 추출되어 제시되더라도 이용자는 선택을 강제당하지 않는 한 선호도에 대한 응답을 회피할 수 있다. 이는 항목에 대한 선호도를 높게 매긴 경우 뿐만 아니라, 어떤 항목에 선호도를 매기기로 결정한 사실 그 자체가 선호를 드러낼 가능성이 있음을 나타낼 수 있다. 즉, 선호도의 모집단으로부터 균등한 확률로 표본을 임의추출한다고 하기에는 이미 추출할 항목이 결정되어 있는 상황도 존재하는 것이다. 따라서, 이와 같이 상기 최선해를 도출하기 위한 초기값을 임의로 설정하는 방식은 그 전제에 오류가 있기 때문에 효율성 및 정확성이 떨어지게 된다.
따라서, 이와 같은 전제 오류 없이, 보다 빠르고 정확하게 동작할 수 있는 협업 필터링 기반 사용자 선호도 예측 및 이에 기반한 추천 서비스 제공이 요구되고 있는 실정이다.
본 발명은 상기한 바와 같은 문제점을 해결하고자 안출된 것으로, 저계수 행렬 분해 기반의 협업 필터링 방식에 있어서, 그 초기값 또는 초기 행렬을 모집단인 사용자 특성이 적절하게 반영되도록 설정함으로써, 전제 오류 없이도 보다 빠르고 정확하게 동작할 수 있는 서비스 제공 장치가 사용자 단말로의 상품 또는 컨텐츠를 추천하는 추천 방법을 제공하는 데 그 목적이 있다.
상기한 바와 같은 과제를 해결하기 위한 본 발명의 실시 예에 따른 방법은, 서비스 제공 장치가 사용자 단말로의 상품 또는 컨텐츠를 추천하는 추천 방법에 있어서, 상기 사용자 단말의 사용자 정보를 획득하는 단계; 선호도 예측 장치로부터 미리 구축된 선호도 예측 행렬를 이용한 협업 필터링을 수행하여, 상기 사용자 정보에 대응하는 상품 또는 컨텐츠별 선호도 예측값을 획득하는 단계; 및 상기 획득된 선호도 예측값에 기초한 추천 상품 또는 컨텐츠 정보를 상기 사용자 단말로 제공하는 단계를 포함하고,
상기 상품 또는 컨텐츠별 선호도 예측값을 획득하는 단계는, 사전 분류된 선호도 대상 항목에 대응하는 사용자 선호도 정보를 수집하는 단계; 상기 사용자 선호도 정보에 기초한 통계량 정보를 연산하는 단계; 상기 통계량 정보에 기초하여, 선호도 예측용 저계수 행렬 분해 프로세스를 위한 초기값 정보를 연산하는 단계; 상기 초기값 정보에 기초한 상기 저계수 행렬 분해 프로세스를 수행하여 최선해를 연산하는 단계; 및 상기 최선해에 따라 임의 선호도 대상 항목에 대응하는 예측 선호도 정보를 포함하는 선호도 예측 행렬을 출력하는 단계를 포함한다.
한편, 상기한 바와 같은 과제를 해결하기 위한 본 발명의 실시 예에 따른 방법은 상기 방법을 컴퓨터에서 실행시키기 위한 프로그램 및 상기 프로그램이 기록된 기록 매체로 구현될 수 있다.
본 발명의 실시 예에 따르면, 사용자 선호도 정보에 기초한 통계량 정보를 연산하고, 상기 통계량 정보에 기초하여 선호도 예측용 저계수 행렬 분해 프로세스를 위한 초기값 정보를 연산하게 함으로써, 저계수 행렬 분해 프로세스가 정확한 사용자 통계분석을 토대로 처리될 수 있고, 따라서 동일 분류 내 다른 임의의 항목에 대한 선호도 예측에 있어서의 보다 정확하면서도 빠른 협헙 필터링 기반 선호도 예측을 가능하게 한다.
따라서, 이용자가 선호도를 입력하지 않은 항목의 선호도에 대해서도 기존의 협업 필터링 방식 대비 보다 빠르고 정확하게 예측할 수 있고, 이를 통해, 연산 수행 시간을 단축시켜 전력 및 하드웨어 소모 정도를 줄이는 자원 절약 효과를 얻을 수 있다.
도 1은 본 발명의 실시 예에 따른 전체 시스템을 개략적으로 도시한 블록도이다.
도 2는 본 발명의 실시 예에 따른 협업 필터링 기반 사용자 선호도 예측 장치를 보다 구체적으로 도시한 블록도이다.
도 3은 본 발명의 실시 예에 따른 사용자 선호도 예측 프로세스를 보다 구체적으로 도시한 흐름도이다.
도 2는 본 발명의 실시 예에 따른 협업 필터링 기반 사용자 선호도 예측 장치를 보다 구체적으로 도시한 블록도이다.
도 3은 본 발명의 실시 예에 따른 사용자 선호도 예측 프로세스를 보다 구체적으로 도시한 흐름도이다.
이하의 내용은 단지 본 발명의 원리를 예시한다. 그러므로 당업자는 비록 본 명세서에 명확히 설명되거나 도시되지 않았지만 본 발명의 원리를 구현하고 본 발명의 개념과 범위에 포함된 다양한 장치를 발명할 수 있는 것이다. 또한, 본 명세서에 열거된 모든 조건부 용어 및 실시예들은 원칙적으로, 본 발명의 개념이 이해되도록 하기 위한 목적으로만 명백히 의도되고, 이와 같이 특별히 열거된 실시예들 및 상태들에 제한적이지 않는 것으로 이해되어야 한다.
또한, 본 발명의 원리, 관점 및 실시예들 뿐만 아니라 특정 실시예를 열거하는 모든 상세한 설명은 이러한 사항의 구조적 및 기능적 균등물을 포함하도록 의도되는 것으로 이해되어야 한다. 또한 이러한 균등물들은 현재 공지된 균등물뿐만 아니라 장래에 개발될 균등물 즉 구조와 무관하게 동일한 기능을 수행하도록 발명된 모든 소자를 포함하는 것으로 이해되어야 한다.
따라서, 예를 들어, 본 명세서의 블럭도는 본 발명의 원리를 구체화하는 예시적인 회로의 개념적인 관점을 나타내는 것으로 이해되어야 한다. 이와 유사하게, 모든 흐름도, 상태 변환도, 의사 코드 등은 컴퓨터가 판독 가능한 매체에 실질적으로 나타낼 수 있고 컴퓨터 또는 프로세서가 명백히 도시되었는지 여부를 불문하고 컴퓨터 또는 프로세서에 의해 수행되는 다양한 프로세스를 나타내는 것으로 이해되어야 한다.
또한 프로세서, 제어 또는 이와 유사한 개념으로 제시되는 용어의 명확한 사용은 소프트웨어를 실행할 능력을 가진 하드웨어를 배타적으로 인용하여 해석되어서는 아니되고, 제한 없이 디지털 신호 프로세서(DSP) 하드웨어, 소프트웨어를 저장하기 위한 롬(ROM), 램(RAM) 및 비 휘발성 메모리를 암시적으로 포함하는 것으로 이해되어야 한다. 주지관용의 다른 하드웨어도 포함될 수 있다.
상술한 목적, 특징 및 장점은 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해질 것이며, 그에 따라 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 또한, 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에 그 상세한 설명을 생략하기로 한다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 일실시예를 상세히 설명하기로 한다.
도 1은 본 발명의 실시 예에 따른 전체 시스템을 개략적으로 도시한 도면이다.
도 1을 참조하면 본 발명의 일 실시 예에 따른 전체 시스템은, 서비스 제공 장치(200), 선호도 예측 장치(100) 및 사용자 단말(300)을 포함한다.
서비스 제공 장치(200)는 사용자 단말(300)로 상품 또는 컨텐츠 정보를 전달하는 서비스 처리를 제공하는 장치로서, 예를 들어 음악 컨텐츠 제공 서버, 영화 컨텐츠 제공 서버, 쇼핑몰 서버, 게임 서버 및 기타 다양한 상품 및 컨텐츠 제공 장치일 수 있다.
특히, 본 발명의 실시 예에 따른 서비스 제공 장치(200)는 사용자 선호도와 연관된 상품 또는 컨텐츠 추천 정보를 제공할 수 있는 바, 상품 또는 컨텐츠 추천 정보를 제공하기 위한 사용자의 선호도 정보 데이터베이스(210)를 사전 구축할 수 있으며, 데이터베이스(210)에 저장된 선호도 정보에 기초한 상품 또는 컨텐츠 정보를 각 사용자 단말(300)의 사용자별 선호도 분류에 따라 개인화하여 제공할 수 있다.
그리고, 이러한 상품 또는 컨텐츠는 선호도 대상 항목별로 지정될 수 있으며, 선호도 대상 항목들은 임의의 분류 체계에 따른 분류 정보에 의해 매칭 분류될 수있다. 예를 들어, 선호도 대상 항목들은 품명, 모델명으로 구분 가능한 특정물품이거나, 파일명, 확장자로 구분 가능한 음악파일이거나, 이미지파일, 동영상 파일, 문서파일 등의 데이터 파일에 대응할 수 있으며, 각 파일들은 컨텐츠의 분류 기준에 따라, 해당 물품이나 컨텐츠가 속하는 카테고리 또는 장르 등으로 분류될 수 있다.
또한, 선호도 대상 항목별 사용자 선호도 정보가 사용자 단말(300)로부터 입력되면, 서비스 제공 장치(200)는 이에 대응하는 선호도 정보 데이터를 구축하여 데이터베이스(210)에 저장 및 관리할 수 있다. 선호도 대상 항목에 대응하는 상품 또는 컨텐츠의 선호도 정보는 예를 들어, 상품 또는 컨텐츠의 구매, 상품 또는 컨텐츠의 조회, 타인으로의 소개, 개인영역으로의 스크랩, 평가 정보 입력, 사용이력, 사용유형, 사용횟수, 사용시간 중 적어도 하나가 포함될 수 있으며, 사용자 단말(300)의 다양한 입력 정보에 따라 결정될 수 있다.
그리고, 서비스 제공 장치(200)는, 선호도 예측 장치(100)를 통해, 사용자 단말(300)로 사용자별 개인화된 분류 정보에 대응한 선호도 대상 항목의 각 선호도를 예측하고, 이에 따라, 개인화된 상품 또는 컨텐츠 추천 정보를 제공할 수 있다.
이를 위해, 본 발명의 실시 예에 따른 선호도 예측 장치(100)는 데이터베이스(210)를 통해 사전 저장된 사용자 선호도 정보를 수집하고, 수집된 사용자 선호도 정보에 기초한 협업 필터링 기반의 선호도 예측 행렬을 산출하여, 서비스 제공 장치(200)로 제공할 수 있다.
이에 따라, 서비스 제공 장치(200)는 선호도 예측 장치(100)에서 사전 구축된 선호도 예측 행렬을 이용한 협업 필터링 결과를 이용하여, 상기 사용자 정보에 대응하는 상품 또는 컨텐츠별 선호도 예측값을 획득할 수 있으며, 상기 획득된 선호도 예측값에 기초한 추천 상품 또는 컨텐츠 정보를 상기 사용자 단말로 제공할 수 있다.
특히, 본 발명의 실시 예에 따른 선호도 예측 장치(100)는 저계수 행렬 분해 기반의 협업 필터링 프로세스를 수행하여 선호도 예측 행렬을 획득하되, 기존의 협업 필터링 방식과는 달리, 그 초기값 또는 초기 행렬을 모집단인 사용자 특성이 적절하게 반영되도록 설정함으로써, 모든 입력 데이터가 균등 확률로 임의추출된다는 전제 오류 없이도 보다 빠르고 정확하게 동작할 수 있는 협업 필터링 기반의 예측 행렬 산출 처리를 수행한다.
이를 도 2 및 도 3을 참조하여 보다 구체적으로 설명하도록 한다.
먼저, 도 2는 본 발명의 실시 예에 따른 협업 필터링 기반 사용자 선호도 예측 장치를 보다 구체적으로 도시한 블록도이다.
도 2를 참조하면, 본 발명의 실시 예에 따른 선호도 예측 장치(100)는, 선호도 정보 수집부(110), 통계량 연산부(120), 초기값 연산부(125), 최선해 연산부(130) 및 출력부(140)를 포함한다.
먼저, 선호도 정보 수집부(110)는 서비스 제공 장치(200)에서 사전 분류된 선호도 대상 항목에 대응하는 사용자 선호도 정보를 수집한다.
여기서, 선호도 정보 수집부(110)는 선호도 예측 분석을 위한 복수의 선호도 대상 항목 및 상기 복수의 선호도 대상 항목를 포괄하는 분류 정보를 관리자 단말 또는 관리자로부터 입력받아 사전 설정할 수 있으며, 상기 복수의 선호도 대상 항목 중 적어도 하나 이상의 일부 항목에 대응하는 사용자 선호도 정보를 수집할 수 있다.
그리고, 통계량 연산부(120)는 상기 사용자 선호도 정보에 기초한 통계량 정보를 연산하여 초기값 연산부(125)로 전달한다.
여기서, 통계량 연산부(120)는 상기 일부 항목에 대응하는 사용자 선호도 정보의 제1 통계량 정보를 연산할 수 있다. 상기 제1 통계량 정보의 연산을 위해, 통계량 연산부(120)는 상기 저계수 행렬 분해 프로세스에 따라 획득되는 분해 후 행렬의 구성 요소인 행렬들이 상호 독립임을 전제로, 상기 일부 항목에 대응하는 사용자 선호도 정보로부터 분해 전의 제1 행렬를 획득하고, 상기 제1 행렬을 이용한 통계 연산에 따라, 상기 제1 통계량 정보를 연산할 수 있다. 이와 관련한 보다 구체적인 연산 프로세스는 도 3에서 후술하도록 한다.
이에 따라, 초기값 연산부(125)는 상기 제1 통계량 정보를 갖도록 하는 초기값 행렬을 산출할 수 있다.
보다 구체적으로, 초기값 연산부(125)는 상기 제1 통계량 정보로부터 상기 분해 후 행렬들의 구성 원소인 상기 초기값 정보가 가져야 하는 제2 통계량 정보를 연산할 수 있으며, 상기 초기값 정보가 균등분포에 따라 상기 제2 통계량 정보와 동일하게 산출되도록 하는 상기 분해 후 행렬들의 구성 원소들을 설정할 수 있고, 상기 분해 후 행렬들의 구성 원소에 기초하여 상기 초기값 정보를 연산함으로써 상기 초기값 행렬을 산출할 수 있다. 마찬가지로, 이와 관련한 보다 구체적인 연산 프로세스는 도 3에서 후술하도록 한다.
한편, 최선해 연산부(130)는 상기 초기값 정보에 기초한 상기 저계수 행렬 분해 프로세스를 수행하여 최선해를 연산할 수 있다.
그리고, 출력부(140)는 상기 최선해에 따라 임의 선호도 대상 항목에 대응하는 예측 선호도 정보를 포함하는 선호도 예측 행렬을 출력하여, 서비스 제공 장치(200)로 전달할 수 있다.
도 3은 본 발명의 실시 예에 따른 사용자 선호도 예측 프로세스를 보다 구체적으로 도시한 흐름도이다.
도 3을 참조하면 본 발명의 실시 예에 따른 서비스 제공 장치(200)는, 먼저 선호도 대상 항목 및 분류 정보를 설정하며(S101), 설정된 선호도 대상 항목 및 분류 정보에 따라, 사용자 단말(300)로부터 입력된 사용자 선호도 정보를 데이터베이스(210)에 분류 저장한다(S103).
이에 따라, 선호도 예측 장치(100)는 분류 저장된 데이터베이스(210)로부터 임의 분류 정보에 포함되는 복수의 선호도 대상 항목들 중 적어도 일부에 대응하는 사용자 선호도 정보를 수집한다(S105).
예를 들어, 서비스 제공 장치(200)를 통해 서비스를 제공하는 서비스 제공자 또는 서버 관리자는, 선호도 대상 항목에 대응하는 대분류를 설정하고, 이에 대응하는 복수의 선호도 대상 항목을 사전 설정할 수 있다.
예를 들어, 서비스 제공 장치(200)는 과일이라는 상품 대분류 내에 속한 항목들에 대해 선호도 예측에 따른 추천 서비스를 사용자 단말(300)로 제공할 수 있으며, 이를 위해 서비스 제공 장치(200)에는 사과, 배, 귤 등과 같은 과일의 대분류에 해당되는 분류 정보와, 상기 분류 정보에 매칭되는 복수의 사용자 선호 항목들이 사전 입력 및 저장될 수 있다. 이러한 프로세스는 제공하고자 하는 상품 컨텐츠 서비스의 분야 또는 종류에 따라 다르게 처리될 수 있으나, 유사 분야 또는 종류인 경우에는 초기 항목 입력에 대응하는 업데이트 항목 입력 프로세스로 대체될 수 있다.
그리고, 사용자는 사용자 단말(300)의 입력에 따라 상기 항목들 중 적어도 일부에 대응하는 선호도 정보를 입력할 수 있다. 선호도 정보는 사용자가 직접 입력한 선호도 수치이거나, 서비스 제공 장치(200)에서 제시한 선택지에 대응하는 선택 입력일 수 있다. 나아가, 선호도 정보는 사용자의 행위 입력에 대응하는 점수 부여로도 산출될 수 있는 바, 예를 들어, 상품 또는 컨텐츠의 구매, 상품 또는 컨텐츠의 조회, 타인으로의 소개, 개인영역으로의 스크랩, 평가 정보 입력, 사용이력, 사용유형, 사용횟수, 사용시간 중 적어도 하나가 포함될 수 있으며, 사용자 단말(300)의 다양한 입력 정보에 따라 결정될 수 있다.
서비스 제공 장치(200)는 선호도의 척도는 제한하지 않되 수치화가 가능한 형태로 설정하여 입력을 받을 수 있으며, 특정 항목에 대응하는 응답 횟수가 지나치게 적어지지 않도록 최소한의 임계치를 설정할 수 있다.
또한, 사용자가 특정 항목에 대해 선호도를 입력하는 행위 자체 또한, 선호도의 모집단으로부터 표본을 추출함에 있어서 영향력이 있는 행위로 간주될 수 있는 바, 본 발명의 실시 예에 따른 선호도 예측 장치(100)는 이에 대응하는 통계량 연산을 수행함으로써 저계수 행렬 분해 프로세스에 대응한 초기값을 설정하여 그 분석 및 예측 정확도와 속도를 향상시킬 수 있다.
이를 위해, 먼저 선호도 예측 장치(100)는 수집된 사용자 선호도 정보에 기초한 제1 통계량을 연산하며(S107), 이후 제1 통계량에 기초한 저계수 행렬 분해 프로세스의 초기값 설정을 위한 제2 통계량을 연산하고(S109), 균등분포에 따른 제2 통계량을 갖는 초기값 행렬을 획득하며(S111), 수집된 사용자 선호도 정보에 대해, 상기 초기값 행렬을 이용한 저계수 행렬 분해 프로세스를 수행하여 최선해를 획득하여(S113), 상기 최선해에 따라 임의 선호도 대상 항목에 대응하는 예측 선호도 정보를 포함하는 선호도 예측 행렬을 출력한다(S115).
보다 구체적으로, 선호도 예측 장치(100)는, 통계량 연산부(120)를 통해, 사전 수집된 일부 선호도 항목에 대응하는 선호도 정보에 기초하여 완성하고자 하는 행렬 X (X ∈ Rmxn)을 구성하고, 구성된 행렬 X에 대응하는 제1 통계량 정보를 연산할 수 있다.
여기서, 행렬 X를 구성하는 선호도 항목 정보는 미리 입력된 일부의 선호도 항목에 대응하는 원소들을 포함하고, 나머지 원소들은 미지의 원소가 할당된 상태로 구성될 수 있으나, 충분한 수의 데이터가 수집된 경우 입력되지 않은 나머지 원소들 또한 제1 통계량 정보와 같거나 유사한 통계 특성을 가진다고 볼 수 있으며, 따라서, 통계량 연산부(120)는 먼저 확인된 일부의 사용자 선호도 정보만으로도 전체 행렬 X의 제1 통계량 정보를 예측하여 산출할 수 있다. 예를 들어, 전체 사용자 선호도 정보의 평균 μ 및 분산 σ2은 제1 통계량 정보의 평균 및 분산으로부터 예측될 수 있다.
따라서, 사전 수집된 일부 선호도 항목에 대응하는 사용자 선호도 정보 입력값 행렬을 χ라 하고, Хij는 선호도 예측 행렬 χ의 i번째 행, j 번째 열에 위치한 임의의 원소라고 하면, 아래 수학식 1과 같은 관계가 성립할 수 있다.
여기서, χ는 사용자 선호도 정보 입력 값 행렬, Хij는 상기 선호도 예측 행렬 χ의 i번째 행, j 번째 열에 위치한 원소이며, 행렬 χ에 속한 원소일 수 있다. E()는 평균연산 함수 , V()는 분산연산 함수를 나타낼 수 있다.
이에 따라, 통계량 연산부(120)는 1차적으로 산출된 행렬 X의 제1 통계량 정보(예를 들어, 평균 μ 및 분산 σ2)에 기초하여, 저계수 행렬 분해 프로세스를 수행하여 획득되는 상호 독립적인 초기값 행렬 P 및 Q의 제2 통계량 정보를 사전 결정할 수 있다.
이에 따라, 제2 통계량 정보는 행렬 P, Q의 하이퍼 파라미터로 사용될 수 있으며, 초기값 연산부(125)는 행렬 X의 계수 k가 행렬 X의 행의 개수 또는 열의 개수 중 더 작은 값보다 작다는 전제 하에 행렬 X를 분해함으로써 최선해 획득을 위한 초기값 행렬 P 및 Q를 획득할 수 있다. P 및 Q와 행렬 X와의 각 원소간 관계는 아래 수학식 2와 같이 설명될 수 있다.
특히, 행렬 P, Q에 대응하는 임의의 원소 변수 p, q는 그 통계량이 Xij, 즉 선호도 입력 값 행렬 χ의 제1 통계량으로부터 유도된 값과 동일하게 설정되어야 하므로, 평균 값 E(p)=E(q) 이고, 분산 값 V(p)=V(q)여야 한다. 이 때, p, q가 상호 독립임을 전제로, 평균 및 분산의 성질에 따라 아래와 같은 수학식 3이 산출될 수 있다.
여기서, k는 전술한 바와 같이 행렬 X에 사전 설정된 계수일 수 있으며, 따라서 선호도 입력 값 행렬 χ의 제1 통계량 정보로부터 p 및 q의 제2 통계량 정보가 수학식 3과 같이 산출될 수 있게 된다.
이에 따라, 초기값 연산부(125)는, 초기값 P, Q의 원소 p, q가 각각 수학식 3에 대응하는 제2 통계량을 갖도록 행렬 P 및 행렬 Q를 연산할 수 잇다. 이 때, 초기값 연산부(125)는 p, q의 개별 값들이 제2 통게량을 갖는 균등분포가 되도록 설정하여 초기값 행렬 P 및 행렬 Q를 예측 구성할 수 있다. 정규분포의 경우 평균으로부터 멀리 떨어져 있는 값을 제거 및 보정하는 과정에서 분산이 변경되어 오류가 발생될 수 있기 때문에다.
한편, 최선해 연산부(130)는 설정된 초기값 P 및 Q에 기초하여 저계수 행렬 분해 프로세스를 수행하며, 이는 일반적 최적화 프로세스와 동일하게 수행되어, 최선해인 출력 값이 도출될 수 있다. 최적화 프로세스를 위한 연산식을 수학식으로 나타내면 아래 수학식 4와 같이 설명될 수 있다.
한편, 최선해 연산부(130)에서 연산된 최선해에 따른 선호도 예측 행렬은 출력부(140)를 통해 서비스 제공 장치(200)로 출력될 수 있으며, 선호도 예측 행렬은 선호도가 입력되지 않은 임의의 항목들에 대하여도 적절한 예측 선호도 정보가 할당된 행렬일 수 있다.
이에 따라, 서비스 제공 장치(200)는 선호도 예측 행렬을 이용한 사용자 단말(300) 이용자의 상품 또는 컨텐츠별 선호도 예측 값을 획득하고(S117), 획득된 선호도 예측 값에 기초한 추천 상품 또는 컨텐츠 정보를 사용자 단말(300)로 제공할 수 있게 된다(S119).
한편, 상술한 본 발명의 다양한 실시 예들에 따른 방법은 프로그램으로 구현되어 다양한 비일시적 판독 가능 매체(non-transitory computer readable medium)에 저장된 상태로 각 서버 또는 기기들에 제공될 수 있다.
비일시적 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상술한 다양한 어플리케이션 또는 프로그램들은 CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM 등과 같은 비일시적 판독 가능 매체에 저장되어 제공될 수 있다.
또한, 이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안될 것이다.
Claims (7)
- 서비스 제공 장치가 사용자 단말로의 상품 또는 컨텐츠를 추천하는 추천 방법에 있어서,
상기 사용자 단말의 사용자 선호도 정보를 획득하는 단계;
선호도 예측 장치로부터 미리 구축된 선호도 예측 행렬을 이용한 협업 필터링을 수행하여, 상기 사용자 정보에 대응하는 상품 또는 컨텐츠별 선호도 예측값을 획득하는 단계; 및
상기 획득된 선호도 예측값에 기초한 추천 상품 또는 컨텐츠 정보를 상기 사용자 단말로 제공하는 단계를 포함하고,
상기 상품 또는 컨텐츠별 선호도 예측값을 획득하는 단계는,
사전 분류된 선호도 대상 항목에 대응하는 사용자 선호도 정보를 수집하는 단계;
상기 사용자 선호도 정보에 기초한 통계량 정보를 연산하는 단계;
상기 통계량 정보에 기초하여, 선호도 예측용 저계수 행렬 분해 프로세스를 위한 초기값 정보를 연산하는 단계;
상기 초기값 정보에 기초한 상기 저계수 행렬 분해 프로세스를 수행하여 최선해를 연산하는 단계; 및
상기 최선해에 따라 임의 선호도 대상 항목에 대응하는 예측 선호도 정보를 포함하는 선호도 예측 행렬을 출력하는 단계를 포함하는
서비스 제공 장치의 상품 또는 컨텐츠 추천 방법. - 제1항에 있어서,
상기 선호도 정보를 수집하는 단계는,
선호도 예측 분석을 위한 복수의 선호도 대상 항목 및 상기 복수의 선호도 대상 항목를 포괄하는 분류 정보를 입력받는 단계; 및
상기 복수의 선호도 대상 항목 중 적어도 하나 이상의 일부 항목에 대응하는 사용자 선호도 정보를 수집하는 단계를 포함하는
서비스 제공 장치의 상품 또는 컨텐츠 추천 방법. - 제2항에 있어서,
상기 통계량 정보를 연산하는 단계는, 상기 일부 항목에 대응하는 사용자 선호도 정보의 제1 통계량 정보를 연산하는 단계를 포함하고,
상기 초기값을 연산하는 단계는,
상기 제1 통계량 정보에 기초한 초기값 행렬을 산출하는 단계를 포함하는
서비스 제공 장치의 상품 또는 컨텐츠 추천 방법. - 제3항에 있어서,
상기 통계량 정보를 연산하는 단계는,
상기 저계수 행렬 분해 프로세스에 따라 획득되는 분해 후 행렬의 구성 요소인 행렬들이 상호 독립임을 전제로, 상기 일부 항목에 대응하는 사용자 선호도 정보로부터 분해 전의 전체 사용자 선호도 정보에 대응하는 제1 행렬을 획득하고, 상기 제1 행렬의 상기 제1 통계량 정보를 연산하는 단계를 포함하는
서비스 제공 장치의 상품 또는 컨텐츠 추천 방법. - 제4항에 있어서,
상기 초기값을 연산하는 단계는,
상기 제1 통계량 정보로부터 상기 분해 후 행렬들의 구성 원소를 포함하는 상기 초기값 정보가 가져야 하는 제2 통계량 정보를 연산하는 단계; 및
상기 초기값 정보가 균등분포에 따라 상기 제2 통계량 정보와 동일하게 산출되도록 하는 상기 분해 후 행렬들의 구성 원소들의 개별 값들을 설정하는 단계; 및
상기 분해 후 행렬들의 구성 원소에 기초하여 상기 초기값 정보를 연산하는 단계를 포함하는
서비스 제공 장치의 상품 또는 컨텐츠 추천 방법. - 제4항에 있어서,
상기 제1 통계량 정보를 연산하는 단계는,
하기의 수학식 1에 기초하여, 일부 사용자 선호도 입력 값 행렬 χ에 대응하는 일부 통계량 정보로부터, 전체 사용자 선호도 정보인 행렬 X의 상기 제1 통계량 정보에 대응하는 평균 및 분산 값을 연산하는 단계를 포함하며,
(수학식 1)
여기서, χ는 사용자 선호도 정보 입력 값 행렬, Хij는 전체 선호도 항목에 대응하는 상기 선호도 예측 행렬 Х의 i번째 행, j 번째 열에 위치한 원소이며, E()는 평균연산 함수 , V()는 분산연산 함수를 나타내는 것을 특징으로 하는
서비스 제공 장치의 상품 또는 컨텐츠 추천 방법. - 제6항에 있어서,
상기 제2 통계량 정보를 연산하는 단계는,
하기 수학식 2의 관계에 따라, 초기값 정보 산출을 위한 상기 제2 통계량 정보인 초기값 행렬의 평균 및 분산을, 상기 제1 통계량 정보로부터 예측 연산하는 단계를 포함하며,
(수학식 2)
여기서, p, q 는 저계수 행렬 분해를 위한 조건을 만족하는 상기 분해 후 초기값 행렬들 P, Q 각각의 원소이고, k는 상기 선호도 예측 행렬 Х에 대해 사전 설정된 0이 아닌 계수로서, 상기 선호도 예측 행렬 Х의 행의 개수 또는 열의 개수 중 더 작은 값보다 작은 값을 가지는 것을 특징으로 하는
서비스 제공 장치의 상품 또는 컨텐츠 추천 방법.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190074214A KR20200145344A (ko) | 2019-06-21 | 2019-06-21 | 협업 필터링 기반의 사용자 선호도 예측을 이용한 상품 또는 컨텐츠 추천 서비스 제공 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190074214A KR20200145344A (ko) | 2019-06-21 | 2019-06-21 | 협업 필터링 기반의 사용자 선호도 예측을 이용한 상품 또는 컨텐츠 추천 서비스 제공 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20200145344A true KR20200145344A (ko) | 2020-12-30 |
Family
ID=74088743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020190074214A KR20200145344A (ko) | 2019-06-21 | 2019-06-21 | 협업 필터링 기반의 사용자 선호도 예측을 이용한 상품 또는 컨텐츠 추천 서비스 제공 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20200145344A (ko) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116401458A (zh) * | 2023-04-17 | 2023-07-07 | 南京工业大学 | 基于Lorenz混沌自适应的推荐方法 |
-
2019
- 2019-06-21 KR KR1020190074214A patent/KR20200145344A/ko unknown
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116401458A (zh) * | 2023-04-17 | 2023-07-07 | 南京工业大学 | 基于Lorenz混沌自适应的推荐方法 |
CN116401458B (zh) * | 2023-04-17 | 2024-01-09 | 南京工业大学 | 基于Lorenz混沌自适应的推荐方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Learning contextual bandits in a non-stationary environment | |
CN110321422B (zh) | 在线训练模型的方法、推送方法、装置以及设备 | |
US11526799B2 (en) | Identification and application of hyperparameters for machine learning | |
US10380649B2 (en) | System and method for logistic matrix factorization of implicit feedback data, and application to media environments | |
CN110825966B (zh) | 一种信息推荐的方法、装置、推荐服务器和存储介质 | |
CN109492180A (zh) | 资源推荐方法、装置、计算机设备及计算机可读存储介质 | |
Agarwal et al. | Statistical methods for recommender systems | |
CN109615060B (zh) | Ctr预估方法、装置及计算机可读存储介质 | |
KR101827345B1 (ko) | 다중 알고리즘 및 자기학습기능을 적용한 개인화 추천 시스템 및 추천 방법 | |
CN110543598A (zh) | 信息推荐方法、装置及终端 | |
US20230066853A1 (en) | Method and apparatus for training information prediction models, method and apparatus for predicting information, and storage medium and device thereof | |
Miotto et al. | Predictability of extreme events in social media | |
CN112380449B (zh) | 信息推荐方法、模型训练方法及相关装置 | |
US20210158177A1 (en) | Method and system for recommending digital content | |
Wang et al. | Modeling uncertainty to improve personalized recommendations via Bayesian deep learning | |
CN113254795B (zh) | 一种推荐模型的训练方法和装置 | |
KR102088855B1 (ko) | 협업 필터링 기반의 사용자 선호도 예측 장치 및 그 방법과, 이를 이용한 서비스 제공 방법 | |
CN111209469A (zh) | 一种个性化推荐方法、装置、计算机设备及存储介质 | |
KR20200145346A (ko) | 상품 또는 컨텐츠 추천 서비스 제공 프로그램 | |
Obiedat | Predicting the popularity of online news using classification methods with feature filtering techniques | |
Guan et al. | Enhanced SVD for collaborative filtering | |
KR20200145344A (ko) | 협업 필터링 기반의 사용자 선호도 예측을 이용한 상품 또는 컨텐츠 추천 서비스 제공 방법 | |
KR20200145349A (ko) | 상품 또는 컨텐츠 추천 서비스 제공 프로그램 기록매체 | |
KR20200145292A (ko) | 협업 필터링 기반의 사용자 선호도 예측 방법을 실행시키기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록매체 | |
CN110209944B (zh) | 一种股票分析师推荐方法、装置、计算机设备和存储介质 |