KR100792700B1 - 신경망을 가지는 협업 필터링 시스템을 이용하여 클릭패턴에 기초한 웹 광고 추천 방법 및 그 시스템 - Google Patents

신경망을 가지는 협업 필터링 시스템을 이용하여 클릭패턴에 기초한 웹 광고 추천 방법 및 그 시스템 Download PDF

Info

Publication number
KR100792700B1
KR100792700B1 KR1020060024707A KR20060024707A KR100792700B1 KR 100792700 B1 KR100792700 B1 KR 100792700B1 KR 1020060024707 A KR1020060024707 A KR 1020060024707A KR 20060024707 A KR20060024707 A KR 20060024707A KR 100792700 B1 KR100792700 B1 KR 100792700B1
Authority
KR
South Korea
Prior art keywords
advertisement
correlation
advertisements
user
clicked
Prior art date
Application number
KR1020060024707A
Other languages
English (en)
Other versions
KR20070094264A (ko
Inventor
백진우
Original Assignee
엔에이치엔(주)
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 엔에이치엔(주) filed Critical 엔에이치엔(주)
Priority to KR1020060024707A priority Critical patent/KR100792700B1/ko
Priority to PCT/KR2007/001250 priority patent/WO2007105909A1/en
Publication of KR20070094264A publication Critical patent/KR20070094264A/ko
Application granted granted Critical
Publication of KR100792700B1 publication Critical patent/KR100792700B1/ko

Links

Images

Classifications

    • E—FIXED CONSTRUCTIONS
    • E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
    • E01F—ADDITIONAL WORK, SUCH AS EQUIPPING ROADS OR THE CONSTRUCTION OF PLATFORMS, HELICOPTER LANDING STAGES, SIGNS, SNOW FENCES, OR THE LIKE
    • E01F15/00—Safety arrangements for slowing, redirecting or stopping errant vehicles, e.g. guard posts or bollards; Arrangements for reducing damage to roadside structures due to vehicular impact
    • E01F15/02—Continuous barriers extending along roads or between traffic lanes
    • E—FIXED CONSTRUCTIONS
    • E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
    • E01F—ADDITIONAL WORK, SUCH AS EQUIPPING ROADS OR THE CONSTRUCTION OF PLATFORMS, HELICOPTER LANDING STAGES, SIGNS, SNOW FENCES, OR THE LIKE
    • E01F7/00—Devices affording protection against snow, sand drifts, side-wind effects, snowslides, avalanches or falling rocks; Anti-dazzle arrangements ; Sight-screens for roads, e.g. to mask accident site
    • E01F7/06—Anti-dazzle arrangements ; Securing anti-dazzle means to crash-barriers
    • E—FIXED CONSTRUCTIONS
    • E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
    • E01F—ADDITIONAL WORK, SUCH AS EQUIPPING ROADS OR THE CONSTRUCTION OF PLATFORMS, HELICOPTER LANDING STAGES, SIGNS, SNOW FENCES, OR THE LIKE
    • E01F9/00—Arrangement of road signs or traffic signals; Arrangements for enforcing caution
    • E01F9/60—Upright bodies, e.g. marker posts or bollards; Supports for road signs
    • E01F9/604—Upright bodies, e.g. marker posts or bollards; Supports for road signs specially adapted for particular signalling purposes, e.g. for indicating curves, road works or pedestrian crossings
    • E01F9/615—Upright bodies, e.g. marker posts or bollards; Supports for road signs specially adapted for particular signalling purposes, e.g. for indicating curves, road works or pedestrian crossings illuminated
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F21—LIGHTING
    • F21S—NON-PORTABLE LIGHTING DEVICES; SYSTEMS THEREOF; VEHICLE LIGHTING DEVICES SPECIALLY ADAPTED FOR VEHICLE EXTERIORS
    • F21S10/00—Lighting devices or systems producing a varying lighting effect
    • F21S10/02—Lighting devices or systems producing a varying lighting effect changing colors
    • F21S10/023—Lighting devices or systems producing a varying lighting effect changing colors by selectively switching fixed light sources
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F21—LIGHTING
    • F21S—NON-PORTABLE LIGHTING DEVICES; SYSTEMS THEREOF; VEHICLE LIGHTING DEVICES SPECIALLY ADAPTED FOR VEHICLE EXTERIORS
    • F21S9/00—Lighting devices with a built-in power supply; Systems employing lighting devices with a built-in power supply
    • F21S9/02—Lighting devices with a built-in power supply; Systems employing lighting devices with a built-in power supply the power supply being a battery or accumulator
    • F21S9/03—Lighting devices with a built-in power supply; Systems employing lighting devices with a built-in power supply the power supply being a battery or accumulator rechargeable by exposure to light
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F21—LIGHTING
    • F21V—FUNCTIONAL FEATURES OR DETAILS OF LIGHTING DEVICES OR SYSTEMS THEREOF; STRUCTURAL COMBINATIONS OF LIGHTING DEVICES WITH OTHER ARTICLES, NOT OTHERWISE PROVIDED FOR
    • F21V23/00—Arrangement of electric circuit elements in or on lighting devices
    • F21V23/04—Arrangement of electric circuit elements in or on lighting devices the elements being switches
    • F21V23/0442—Arrangement of electric circuit elements in or on lighting devices the elements being switches activated by means of a sensor, e.g. motion or photodetectors
    • F21V23/0464—Arrangement of electric circuit elements in or on lighting devices the elements being switches activated by means of a sensor, e.g. motion or photodetectors the sensor sensing the level of ambient illumination, e.g. dawn or dusk sensors

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

본 발명은 광고에 대한 사용자의 클릭 정보를 수집하고, 수집된 광고 클릭 정보를 이용하여 광고들 사이의 상관도를 산출하고 사용자에 의해 클릭된 광고와 상관도가 높은 광고를 추천하는 방법 및 그 시스템에 관한 것이다. 본 발명은 복수의 광고에 대한 광고 클릭 정보를 수집하는 단계와, 상기 수집된 광고 클릭 정보를 이용하여 광고간의 상관도를 분석하는 단계와, 상기 분석된 광고간의 상관도를 신경망을 통해 학습시키는 단계 및 사용자에 의해 클릭된 광고에 대해 상기 분석된 광고간의 상관도 및 상기 학습 결과를 이용하여 상기 클릭된 광고와 상관도가 높은 광고를 추천하는 단계를 포함하는 것을 특징으로 하는 광고 추천 방법을 제공한다. 본 발명에 의하면, 광고 클릭 정보를 이용하여 광고간의 상관도를 산출하고, 산출된 광고간의 상관도를 참조하여 사용자에 의해 이전에 클릭된 광고와 상관도가 높은 광고를 추천하는 방법 및 그 시스템을 제공함으로써 광고 효과를 증대시킬 수 있다.
광고, 추천, 상관도, Collaborative filtering, 신경망, SOM

Description

신경망을 가지는 협업 필터링 시스템을 이용하여 클릭 패턴에 기초한 웹 광고 추천 방법 및 그 시스템{METHOD FOR TARGETING WEB ADVERTISEMENT CLICKERS BASED ON CLICK PATTERN BY USING A COLLABORATIVE FILTERING SYSTEM WITH NEURAL NETWORKS AND SYSTEM THEREOF}
도 1은 본 발명에 따른 사용자 단말기 및 광고 추천 시스템의 연동 관계를 나타내는 도면이다.
도 2는 본 발명의 일실시예에 따른 광고 추천 방법의 흐름을 나타내는 도면이다.
도 3은 광고 추천 방법에 있어서, 상관도가 높은 상위 광고를 선택하는 절차의 일례를 나타내는 도면이다.
도 4는 사용자와 광고간의 클릭 여부를 나타내는 도면이다.
도 5는 광고 추천 방법에 있어서, 광고간의 상관도 또는 유사도의 비교 결과에 따른 광고를 추천하는 절차의 일례를 나타내는 도면이다.
도 6은 광고 추천 일례를 나타내는 도면이다.
도 7은 본 발명의 다른 실시예에 따른 광고 추천 시스템의 구성을 나타내는 도면이다.
<도면의 주요 부분에 대한 부호의 설명>
700: 광고 추천 시스템
710: 광고 정보 수집부
720: 광고 패턴 추출부
730: 상관도 계산부
740: 신경망
750: 비교부
760: 추천부
본 발명은 광고 추천 방법 및 그 시스템에 관한 것으로, 더욱 상세하게는 광고에 대한 사용자의 클릭 정보를 수집하고, 수집된 광고 클릭 정보를 이용하여 광고들 사이의 상관도를 산출하고 사용자에 의해 클릭된 광고와 상관도가 높은 광고를 추천하는 방법 및 그 시스템에 관한 것이다.
인터넷 웹을 기반으로 하여 전자상거래, 전자광고, 인터넷 폰 등 다양한 서비스들이 제공되고 있으며, 예전에 물리적으로 수행되던 것을 사용자들이 인터넷을 통해 손쉽게 서비스 받을 수 있게 됨에 따라 인터넷 서비스는 가장 중요한 사업으로 급부상하고 있다. 이러한 정보의 바다인 인터넷 상에서 특정한 데이터나 컨텐츠를 검색하는 서비스는 인터넷을 효율적으로 이용하기 위해 필수적인 서비스로 인식되고 있다.
즉, 사용자가 특정 데이터나 컨텐츠를 검색하려는 경우 해당 사이트의 URL이나 IP 주소를 알지 못하더라도 정보 검색 시스템을 이용한 인터넷 검색 서비스를 제공하는 사이트에 접속하고, 검색하려는 데이터나 컨텐츠의 키워드를 입력함으로써 원하는 결과 데이터를 서비스 받을 수 있다.
이러한 인터넷 검색 서비스를 제공하는 사이트들의 주요 수익 모델은 검색 서비스를 받고자 하는 사용자에게 배너 광고를 노출시키는 것이다. 이러한 배너 광고를 통한 수익 모델은 사용자에게 배너 광고가 노출시키는 자체보다 상기 노출된 배너 광고가 상기 사용자에게 클릭되는 클릭율이 높아지면 광고 수익을 증대시킬 수 있다.
하지만, 종래 배너 광고 방법은 검색 서비스에서 사용자에 의해 검색 키워드가 입력되지 않은 경우 사용자의 취향이나 관심을 파악할 수 없기 때문에 사용자가 별로 관심을 갖지 않는 배너 광고가 제공됨으로 인해 광고 수익과 밀접한 관계가 있는 배너 광고의 클릭율을 증가시키지 못하는 문제점이 있다.
따라서, 사용자가 배너 광고를 클릭하는 클릭율을 증가시키기 위한 광고 추천 방안이 절실하게 요청되어 오고 있다.
본 발명은 상기와 같은 종래기술의 문제점을 개선하기 위해 안출된 것으로서, 배너 광고의 클릭율을 증가시키기 위해 사용자에 의해 이전에 클릭된 광고와 상관도가 높은 광고를 추천하는 방법 및 그 시스템을 제공하는 것을 목적으로 한다.
본 발명의 다른 목적은 배너 광고의 클릭율을 증가시키기 위해 사용자에 의해 이전에 클릭된 광고와 유사도 높은 광고를 추천하는 방법 및 그 시스템을 제공하는 것이다.
상기의 목적을 이루고 종래기술의 문제점을 해결하기 위하여, 본 발명은 복수의 광고에 대한 광고 클릭 정보를 수집하는 단계와, 상기 수집된 광고 클릭 정보를 이용하여 광고간의 상관도를 분석하는 단계와, 상기 분석된 광고간의 상관도를 신경망을 통해 학습시키는 단계 및 사용자에 의해 클릭된 광고에 대해 상기 분석된 광고간의 상관도 및 상기 학습 결과를 이용하여 상기 클릭된 광고와 상관도가 높은 광고를 추천하는 단계를 포함하는 것을 특징으로 하는 광고 추천 방법을 제공한다.
본 발명의 다른 일측에 따르는 광고 추천 시스템은, 광고의 클릭 여부 및 상기 광고를 클릭하는 사용자의 쿠키 정보를 수집하는 광고 정보 수집부와, 상기 클릭된 광고 정보 및 상기 사용자의 쿠키 정보를 이용하여 광고 패턴을 추출하는 패턴 추출부와, 상기 추출된 광고 패턴을 이용하여 광고간의 상관도를 계산하는 상관도 계산부와, 상기 계산된 광고간의 상관도를 학습시키는 신경망과, 상기 사용자에 의해 클릭된 이전 광고와 상기 신경망의 학습 결과를 비교하는 비교부 및 상기 비교 결과에 따라 상기 사용자에 의해 클릭된 이전 광고와 상관도가 높은 광고를 추천하는 추천부를 포함한다.
이하에서는 첨부된 도면들을 참조하여 본 발명의 실시예에 따른 광고 추천 방법 및 그 시스템을 상세히 설명한다.
도 1은 본 발명에 따른 사용자 단말기 및 광고 추천 시스템의 연동 관계를 나타내는 도면이다.
도 1을 참조하면, 광고 추천 시스템(100)은 광고주에 의해 요청된 배너 광고를 통신망(110)을 통해 광고 추천 사이트의 웹 페이지에 접속된 사용자 단말기(120)로 제공한다. 그리고, 광고 추천 시스템(100)은 상기 배너 광고에 대한 사용자들의 클릭 정보를 수집하고, 상기 수집된 클릭 정보를 이용하여 광고들 사이의 상관도를 산출한다.
즉, 광고 추천 시스템(100)은 사용자 단말기(120)가 통신망(110)을 통해 광고 추천 사이트의 웹 페이지에 접속될 때 사용자 단말기(120)의 쿠키 정보를 이용하여 상기 사용자 정보를 파악하고, 상기 사용자가 이전에 클릭한 광고와 상관도가 높은 배너 광고를 상기 웹 페이지를 통해 사용자 단말기(120)로 제공한다.
또한, 광고 추천 시스템(100)은 상기 사용자가 상기 광고 추천 사이트의 웹 페이지에 접속 시 상기 쿠키 정보를 이용하여 상기 사용자를 식별하고, 데이터베이스를 검색하여 상기 사용자가 이전에 클릭한 광고를 식별하고, 상기 식별된 광고와 유사도가 가장 높은 광고를 선택하여 상기 웹 페이지를 통해 사용자 단말기(120)로 제공한다.
따라서, 광고 추천 시스템(100)은 통신망(110)을 통해 접속된 사용자 단말기(120)의 사용자에 대하여 상기 사용자가 이전에 클릭한 배너 광고와 상관도 또는 유사도가 높은 배너 광고를 추천하여 사용자 단말기(120)로 제공한다.
이와 같이, 본 발명에 따른 광고 추천 시스템(100)은 사용자의 광고 클릭 정 보를 분석하여 광고간의 상관도를 분석하여 사용자에 의해 이전에 클릭된 광고와 상관도가 높거나 유사도가 높은 광고를 제공함으로써 사용자의 광고 클릭율을 증가시켜 광고 효과를 향상시킬 수 있다.
통신망(110)은 사용자 단말기(120) 및 광고 추천 시스템(100)간 송수신되는 각종 데이터를 전송하는 유무선망이다.
사용자 단말기(120)는 데스크탑 PC, 노트북 PC, PDA, 이동통신단말기 등과 같이 메모리 수단을 구비하고 마이크로 프로세서를 탑재함으로써 연산 능력을 갖춘 단말기로 통신망(110)을 통해 광고 추천 시스템(100)에 접속할 수 있는 장치를 통칭한다.
사용자 단말기(120)는 통신망(110)을 통해 광고 추천 시스템(100)과 접속하고, 사용자의 쿠키 정보 및 광고 추천 시스템(100)로부터 제공된 광고의 클릭 여부에 따른 정보를 광고 추천 시스템(100)으로 전송한다. 또한, 사용자 단말기(120)는 통신망(110)을 통해 광고 추천 시스템(100)로부터 추천되는 광고를 제공 받는다.
도 2는 본 발명의 일실시예에 따른 광고 추천 방법의 흐름을 나타내는 도면이다.
도 1 및 도 2를 참조하면, 단계(210)에서 광고 추천 시스템(100)은 통신망(110)을 통해 사용자 단말기(120)로부터 전송되는 복수의 광고에 대한 광고 클릭 정보를 수집한다. 상기 광고 클릭 정보는 상기 광고 클릭 여부 및 상기 광고를 클릭한 사용자 정보를 포함한다.
즉, 단계(210)에서 광고 추천 시스템(100)은 통신망(110)을 통해 사용자 단말기(120)로부터 상기 사용자가 광고 추천 시스템(100)으로부터 제공된 배너 광고를 클릭할 때 상기 사용자의 쿠키 정보를 이용하여 상기 쿠키 정보에 포함된 상기 사용자 식별자를 수집하여 상기 배너 광고 식별자와 함께 광고 데이터베이스에 저장할 수 있다. 상기 쿠키 정보는 상기 사용자 식별자로서 쿠키 ID(사용자 ID)를 포함한다.
단계(220)에서 광고 추천 시스템(100)은 상기 수집된 광고 클릭 정보를 이용하여 광고간의 상관도(correlation)를 분석한다. 즉, 단계(220)에서 광고 추천 시스템(100)은 상기 수집된 광고 클릭 정보를 이용하여 상기 광고 패턴 벡터를 추출하고, 상기 추출된 광고 패턴 벡터를 이용하여 상기 광고간의 상관도를 분석한다.
또한, 단계(220)에서 광고 추천 시스템(100)은 상기 추출된 광고 패턴 벡터의 개수가 충분한 경우 상기 추출된 광고 패턴 벡터를 이용하여 협업 필터링(Collaborative filtering) 알고리즘을 통해 상기 광고간의 상관도를 분석한다.
본 발명에 따른 상기 협업 필터링은 상기 추출된 광고 패턴 벡터를 기초로 하여 사용자들의 선호도, 관심이 비슷한 패턴을 가진 광고들을 식별해 내는 기법으로서 비슷한 취향을 가진 사용자들에게 서로 아직 클릭하지 않은 광고들을 교차 추천하거나 분류된 사용자의 취향에 따라 관련된 광고를 추천하기 위해 사용된다.
단계(230)에서 광고 추천 시스템(100)은 상기 분석된 광고간의 상관도를 신경망(neural network)을 통해 학습시킨다. 즉, 단계(230)에서 광고 추천 시스템(100)은 상기 분석된 광고간의 상관도를 이용하여 유사한 광고를 찾아낼 수 있도록 SOM(Self Organizing Map)을 학습시킨다. 상기 SOM 방식은 상기 인공지능 신경망에 의한 학습을 통해 소정 데이터를 기준으로 유사한 데이터를 검출하는 방식이다.
따라서, 단계(230)에서 광고 추천 시스템(100)은 상기 분석된 광고간의 상관도를 상기 지능망에 의해 SOM 방식으로 학습시키면 상기 분석된 광고와 유사도가 높은 광고를 검출할 수 있다.
단계(240)에서 광고 추천 시스템(100)은 사용자에 의해 클릭된 광고에 대해 분석된 상관도 및 상기 학습 결과를 이용하여 상기 클릭된 광고와 상관도가 높은 광고를 추천한다.
즉, 단계(240)에서 광고 추천 시스템(100)은 상기 광고간의 상관도 및 상기 학습 결과를 저장하고, 상기 사용자 및 상기 사용자에 의해 이전에 클릭된 광고를 식별하고, 상기 식별된 광고를 상기 저장된 광고간의 상관도 또는 상기 학습 결과와 비교하고, 상기 비교 결과에 따라 상기 식별된 광고와 상관도가 높은 광고를 추천한다.
따라서, 광고 추천 시스템(100)은 상기 이전에 사용자에 의해 클릭된 광고와 상관도가 높거나 또는 상기 클릭된 광고와 유사도가 높은 광고를 추천하여 통신망(110)을 통해 사용자 단말기(120)로 제공한다.
광고 추천 시스템(100)은 예를 들어 제1 광고를 클릭한 사용자에게 상기 제1 광고와 상관도가 높은 제2 광고를 추천 광고로 제공하면, 상기 제1 광고와 상관도가 낮은 제3 광고를 추천 광고로 제공하는 것에 비해 상기 제2 광고에 대한 클릭율을 향상시킬 수 있다.
이와 같이, 본 발명에 따른 광고 추천 방법은 사용자들에 의해 클릭되는 광고 정보를 수집하고, 상기 수집된 광고 정보를 분석하여 광고들 사이의 상관도를 추출하고, 상기 추출된 광고간의 상관도를 이용하여 상기 사용자가 이전에 클릭한 광고와 상관도가 높은 광고를 추천하여 상기 사용자에게 제공함으로써 광고 효과를 증대시킬 수 있다.
도 3은 광고 추천 방법에 있어서, 상관도가 높은 상위 광고를 선택하는 절차의 일례를 나타내는 도면이다.
도 1 및 도 3을 참조하면, 단계(310)에서 광고 추천 시스템(100)은 광고 추천 사이트에 접속한 사용자 단말기(120)로부터 통신망(110)을 통해 전송된 사용자의 쿠키 ID를 입력 받는다. 사용자 단말기(120)는 상기 광고 추천 사이트에 접속하면, 상기 광고 추천 사이트에 로그인하기 위해 사용자로부터 입력된 사용자 ID 및 비밀번호를 쿠키 정보로서 통신망(110)을 통해 광고 추천 시스템(100)으로 전송한다.
광고 추천 시스템(100)은 상기 광고 추천 사이트의 웹 페이지를 통해 접속된 사용자 단말기(120)로 각종 광고를 제공한다. 그러면, 사용자 단말기(120)는 상기 사용자로부터 상기 광고 추천 사이트에서 제공된 광고 중 관심이 있는 광고가 클릭되면, 상기 클릭된 광고에 대한 클릭 정보를 통신망(110)을 통해 광고 추천 시스템(100)으로 전송한다. 상기 클릭 정보는 상기 사용자에 의해 제공된 광고에 대한 클릭 여부를 나타낸다.
단계(320)에서 광고 추천 시스템(100)은 상기 광고 추천 사이트에 접속된 사 용자 단말기(120)로부터 전송된 광고에 대한 클릭 정보를 입력 받는다.
단계(330)에서 광고 추천 시스템(100)은 상기 입력된 쿠키 ID 및 상기 클릭 정보를 이용하여 광고 클릭 패턴을 추출한다. 상기 광고 클릭 패턴은 상기 쿠키 ID(사용자 정보) 및 상기 클릭 정보(클릭된 광고 정보)를 포함하는 행렬로 구현된다.
단계(340)에서 광고 추천 시스템(100)은 상기 추출된 광고 클릭 패턴에 따른 광고 클릭 벡터의 개수가 광고간 상관도를 분석하기 위해 충분한지 여부를 판단한다. 즉, 단계(340)에서 광고 추천 시스템(100)은 상기 광고 클릭 벡터의 개수가 작으면, 상기 광고간의 상관도를 분석하기 위한 규칙이 나오지 않기 때문에 상기 상관도를 분석할 수 있을 정도로 충분한 개수인지 여부를 판단한다.
단계(350)에서 광고 추천 시스템(100)은 상기 추출된 광고 클릭 패턴으로부터 적절한 광고 클릭 벡터를 골라낸다. 즉, 단계(350)에서 광고 추천 시스템(100)은 상기 추출된 광고 클릭 패턴으로부터 상기 광고간의 상관도를 분석하기에 적절한 광고 클릭 벡터를 고른다.
단계(360)에서 광고 추천 시스템(100)은 상기 골라낸 광고 클릭 벡터를 이용하여 상기 광고간의 상관도를 분석한다. 즉, 단계(360)에서 광고 추천 시스템(100)은 상기 골라낸 광고 클릭 벡터를 협업 필터링 알고리즘을 이용하여 상기 광고간의 상관도를 분석한다.
따라서, 본 발명에 따른 광고 추천 방법은 협업 필터링 알고리즘을 통해 상기 골라낸 광고 클릭 벡터를 비교하여 그 유형이 비슷하면 상기 광고간의 상관도가 높은 것으로 분석하고, 상기 골라낸 광고 클릭 벡터를 비교하여 그 유형이 유사하지 않은 경우 상기 광고간의 상관도가 낮은 것으로 분석할 수 있다.
본 발명에 따른 협업 필터링 알고리즘을 수행하기 위한 입력 데이터는 m개의 사용자 ID와 n개의 광고 ID의 클릭 집합으로 m*n(사용자-광고) 행렬로 표현된다. 상기 행렬은 도 4에 도시된 것과 같이 사용자가 광고를 클릭한 경우 그 값이 '1'이고, 상기 사용자가 상기 광고를 클릭하지 않은 경우 그 값이 '0'이다.
본 발명에 따른 협업 필터링 알고리즘은 상기 광고간의 클릭 패턴을 파악하기 위해 도 4에 도시된 광고 ID를 기준으로 예를 들어 "{1,0,1,...}, {0,1,0,...}, {1,0,1,...}, {0,0,0,...}, ... "과 묶을 수 있고, 광고들의 클릭 패턴을 비교하여 광고간의 상관도를 분석할 수 있다.
단계(360)에서 광고 추천 시스템(100)은 광고 ID를 기준으로 예를 들어 광고 '가'를 클릭한 사용자들이 광고 '다'를 많이 클릭한 경우 광고 '가'와 광고 '다'는 상호 상관도가 높다고 분석할 수 있고, 광고 '가'를 클릭한 사용자들이 광고 '나'를 클릭하지 않은 경우 광고 '가'와 광고 '나'는 상호 상관도가 낮다고 분석할 수 있다.
단계(370)에서 광고 추천 시스템(100)은 상기 분석된 광고간의 상관도를 신경망을 통해 학습시킨다. 또한, 단계(370)에서 광고 추천 시스템(100)은 상기 분석된 광고간의 상관도를 이용하여 SOM(Self Organizing Map)을 통해 유사도가 높은 광고를 찾아낸다. 즉, 단계(370)에서 광고 추천 시스템(100)은 상기 분석된 광고간의 상관도를 신경망을 통해 SOM 방식으로 학습시킴으로써 유사한 광고간을 연계 시킬 수 있다. 따라서, 단계(370)에서 광고 추천 시스템(100)은 예를 들어 제1 광고와 상관도가 높은 광고들을 신경망을 통해 SOM 방식으로 학습시킴으로써 상기 제1 광고와 유사도가 높은 광고들을 분류할 수 있다.
단계(380)에서 광고 추천 시스템(100)은 상기 분석된 상관도 및 상기 신경망에 따른 학습 결과를 저장한다. 즉, 단계(380)에서 광고 추천 시스템(100)은 복수 개의 광고 클릭 정보에 대해 분석된 광고간의 상관도 및 상기 학습 결과를 저장함으로써 데이터베이스화한다.
단계(390)에서 광고 추천 시스템(100)은 상기 분석된 광고간 상관도가 높은 상위 N개의 광고를 선택한다. 즉, 단계(390)에서 광고 추천 시스템(100)은 사용자에 의해 이전에 클릭된 광고와 상관도가 높은 광고를 추천하기 위해 상기 분석된 광고간 상관도가 높은 상위 N개의 광고를 선택한다.
이와 같이, 본 발명에 따른 광고 추천 방법은 복수의 광고에 대한 클릭 정보를 추출하고, 상기 추출된 클릭 정보에 의해 광고간의 상관도를 분석하고, 상기 분석된 상관도가 높은 상위 N개의 광고를 선택할 수 있다.
도 5는 광고 추천 방법에 있어서, 광고간의 상관도 또는 유사도의 비교 결과에 따른 광고를 추천하는 절차의 일례를 나타내는 도면이다.
도 1 및 도 5를 참조하면, 단계(510)에서 광고 추천 시스템(100)은 통신망(110)을 통해 광고 추천 사이트의 웹 페이지에 접속된 사용자 단말기(120)로부터 사용자의 쿠키 ID를 입력 받는다. 즉, 단계(510)에서 광고 추천 시스템(100)은 상기 광고 추천 사이트에 접속한 사용자 단말기(120)로부터 통신망(110)을 통해 전송 되는 쿠키 정보를 입력 받고, 상기 쿠키 정보로부터 쿠키 ID를 추출하여 상기 사용자 정보를 식별한다.
단계(520)에서 광고 추천 시스템(100)은 상기 광고 추천 사이트의 웹 페이지에 접속한 사용자 단말기(120)의 사용자에 의해 상기 광고 추천 사이트에서 제공한 배너 광고가 클릭되면, 상기 클릭된 배너 광고에 대한 클릭 정보를 입력 받는다. 즉, 단계(520)에서 광고 추천 시스템(100)은 상가 광고 추천 사이트의 웹 페이지에 제공된 배너 광고가 상기 사용자에 의해 클릭될 때 상기 클릭된 배너 광고 ID를 포함하는 상기 클릭 정보를 입력 받는다.
따라서, 광고 추천 시스템(100)은 단계(510) 및 단계(520)를 통해 상기 배너 광고를 클릭한 사용자 정보 및 상기 사용자에 의해 클릭된 광고 정보를 파악할 수 있다.
단계(530)에서 광고 추천 시스템(100)은 상기 입력된 쿠키 ID 및 상기 클릭 정보를 이용하여 클릭 벡터를 추출한다.
단계(540)에서 광고 추천 시스템(100)은 상기 추출된 클릭 벡터를 이용하여 상기 광고와의 상관도 또는 유사도를 비교한다. 즉, 단계(540)에서 광고 추천 시스템(100)은 상기 추출된 클릭 벡터를 상기 저장된 상관도 또는 유사도와 비교함으로써 상기 사용자에 의해 클릭된 광고와 상관도가 높거나 또는 상기 사용자에 의해 클릭된 광고와 유사도가 높은 광고를 선택한다.
단계(550)에서 광고 추천 시스템(100)은 상기 선택된 광고를 추천하고, 상기 추천된 광고를 상기 광고 추천 사이트의 웹 페이지를 통해 접속된 사용자 단말기 (120)로 제공한다. 즉, 단계(550)에서 광고 추천 시스템(100)은 상기 사용자에 의해 클릭된 광고와 상관도가 높거나 또는 상기 사용자에 의해 클릭된 광고와 유사도가 높은 광고를 추천 광고로서 상기 광고 추천 사이트의 웹 페이지를 통해 접속된 사용자 단말기(120)로 제공한다. 따라서, 상기 사용자는 사용자 단말기(120)를 통해 상기 광고 추천 사이트의 웹 페이지에 제공된 추천 광고를 확인한 후 자신의 관심 분야 광고인 경우 상기 광고를 클릭하고, 자신의 관심 분야 광고가 아닌 경우 상기 광고를 클릭하지 않을 수도 있다.
단계(560)에서 광고 추천 시스템(100)은 상기 광고 추천 사이트의 웹 페이지를 통해 접속된 사용자 단말기(120)의 사용자가 상기 제공된 추천 광고를 클릭하였는지 여부를 판단한다.
상기 광고 추천 사이트의 웹 페이지를 통해 제공된 추천 광고를 상기 사용자가 클릭하지 않은 경우 광고 추천 시스템(100)은 단계(550)를 다시 수행하여 상기 광고 추천 사이트의 웹 페이지를 통해 상기 클릭된 광고와 상관도가 높거나 또는 상기 클릭된 광고와 유사도가 높은 다른 광고를 추천한다. 이때, 광고 추천 시스템(100)은 상기 광고 추천 사이트의 웹 페이지로 제공된 추천 광고를 상기 사용자가 클릭할 때까지 상기 클릭된 광고와 상관도가 높거나 또는 유사도가 높은 광고를 순차적으로 추천 광고로 사용자 단말기(120)로 제공할 수 있다.
한편, 상기 광고 추천 사이트의 웹 페이지를 통해 제공된 추천 광고를 상기 사용자가 클릭한 경우 광고 추천 시스템(100)은 상기 광고 추천 과정을 종료한다.
이와 같이, 본 발명에 따른 광고 추천 방법은 사용자가 이전에 클릭한 광고 와 상관도 또는 유사도가 높은 광고를 추천함으로써 사용자에 의한 추천 광고의 클릭율을 증대시켜 광고 효과를 향상시킬 수 있다.
도 6은 광고 추천 일례를 나타내는 도면이다.
도 6을 참조하면, 제1 광고(610)는 르노 삼성자동차의 순정용품 쇼핑몰을 광고하기 위한 배너 광고이고, 제2 광고(620)는 현대 자동차의 싼타페 출시를 광고하기 위한 배너 광고이다. 이와 같이, 제1 광고(610) 및 제2 광고(620)는 모두 자동차와 연관된 광고이므로 상호간의 상관도가 높을 뿐만 아니라 상호간의 유사도도 높다.
따라서, 광고 추천 시스템(100)은 사용자가 제1 광고(610)를 클릭하면, 제1 광고(610)와 상관도가 높거나 또는 제1 광고(610)와 유사도가 높은 제2 광고(620)를 추천한다. 즉, 제2 광고(620)는 제1 광고(610)를 클릭한 사용자들이 대체적으로 많이 클릭하는 광고이고 제1 광고(610)와 유사도가 높기 때문에 이전에 제1 광고(610)를 클릭한 사용자에게 추천 광고로 제공됨으로 인해 상기 사용자에 의해 클릭될 확률이 높아진다. 그러므로, 본 발명에 따른 광고 추천 방법으로 인한 광고 효과를 증대시킬 수 있다.
도 7은 본 발명의 다른 실시예에 따른 광고 추천 시스템의 구성을 나타내는 도면이다.
도 7을 참조하면, 광고 정보 수집부(710)는 광고의 클릭 정보 및 상기 광고를 클릭하는 사용자 정보를 수집한다. 즉, 광고 정보 수집부(710)는 광고를 추천하기 위해 복수의 광고 클릭 여부를 나타내는 클릭 정보 및 상기 광고를 클릭하는 사용자의 쿠키 정보를 수집한다.
패턴 추출부(720)는 상기 클릭된 광고 정보 및 상기 사용자의 쿠키 정보를 이용하여 광고 패턴을 추출한다. 즉, 패턴 추출부(720)는 도 4에 도시된 것과 같은 상기 사용자의 쿠키 정보 및 상기 광고 정보를 행 또는 열로 하는 행렬로부터 광고 패턴 벡터를 추출한다.
상관도 계산부(730)는 상기 추출된 광고 패턴을 이용하여 광고간의 상관도를 계산한다. 즉, 상관도 계산부(730)는 상기 추출된 광고 패턴 벡터를 이용하여 상기 광고간의 상관도를 계산한다.
또한, 상관도 계산부(730)는 상기 추출된 광고 패턴 벡터를 이용하여 협업 필터링(Collaborative filtering) 알고리즘을 통해 상기 광고간의 상관도를 계산한다.
신경망(740)은 상기 계산된 광고간의 상관도를 이용하여 유사한 광고를 찾아낼 수 있도록 학습시킨다. 신경망(740)은 상기 계산된 광고간의 상관도를 이용하여 유사도가 높은 광고를 찾아낼 수 있도록 SOM(Self Organizing Map)을 학습시킨다.
비교부(750)는 상기 사용자에 의해 클릭된 이전 광고와 상기 신경망의 학습 결과를 이용하여 상관도를 비교한다. 즉, 비교부(750)는 광고주의 요청에 따라 배너 광고로 등록된 광고 중에 상기 사용자에 의해 클릭된 이전 광고와 상관도가 높은 광고 또는 상기 이전 광고와 유사도가 높은 광고를 비교한다.
추천부(760)는 상기 비교 결과에 따라 상기 등록된 광고 중 상기 사용자에 의해 클릭된 이전 광고와 상관도가 높은 광고를 추천한다.
또한, 추천부(760)는 상기 비교 결과에 따라 상기 등록된 광고 중 상기 사용자에 의해 클릭된 광고와 상관도가 높거나 상기 클릭된 광고와 유사도가 높은 광고를 추천한다.
이와 같이, 본 발명에 따른 광고 추천 시스템은 배너 광고에 대한 사용자들의 클릭 정보를 수집하고, 상기 수집된 클릭 정보를 이용하여 광고들 사이의 상관도를 산출하고, 사용자에 의해 이전에 클릭된 배너 광고와 상관도가 높거나 유사도가 높은 배너 광고를 추천하여 제공함으로써 추천 광고에 대한 클릭율을 향상시켜 광고 효과를 증대시킬 수 있다.
또한 본 발명의 실시예들은 다양한 컴퓨터로 구현되는 동작을 수행하기 위한 프로그램 명령을 포함하는 컴퓨터 판독 가능 매체를 포함한다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 상기 매체는 프로그램 명령, 데이터 구조 등을 지정하는 신호를 전송하는 반송파를 포함하는 광 또 는 금속선, 도파관 등의 전송 매체일 수도 있다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 이는 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명 사상은 아래에 기재된 특허청구범위에 의해서만 파악되어야 하고, 이의 균등 또는 등가적 변형 모두는 본 발명 사상의 범주에 속한다고 할 것이다.
본 발명에 따르면, 광고 클릭 정보를 이용하여 광고간의 상관도를 산출하고, 산출된 광고간의 상관도를 참조하여 사용자에 의해 이전에 클릭된 광고와 상관도가 높은 광고를 추천하는 방법 및 그 시스템을 제공함으로써 광고 효과를 증대시킬 수 있다.
또한 본 발명에 따르면, 광고 클릭 정보를 이용하여 광고간의 상관도를 분석하고, 분석된 광고간의 상관도를 신경망을 통해 학습시켜 사용자에 의해 이전에 클릭된 광고와 유사도 높은 광고를 추천하는 방법 및 그 시스템을 제공함으로써 사용자의 광고 클릭율을 향상시킬 수 있다.

Claims (13)

  1. 광고 추천 방법에 있어서,
    복수의 광고에 대한 광고 클릭 정보를 수집하는 단계;
    상기 수집된 광고 클릭 정보를 이용하여 광고간의 상관도를 분석하는 단계;
    상기 분석된 광고간의 상관도를 신경망을 통해 학습시키는 단계;
    상기 분석된 광고간의 상관도 및 상기 학습 결과를 저장하는 단계;
    사용자 및 상기 사용자에 의해 이전에 클릭된 광고를 식별하는 단계;
    상기 식별된 광고와 상기 저장된 광고간의 상관도 또는 상기 학습 결과를 비교하는 단계; 및
    상기 비교 결과에 따라 상기 식별된 광고와 상관도가 높은 광고를 추천하는 단계
    를 포함하는 것을 특징으로 하는 광고 추천 방법.
  2. 제1항에 있어서,
    상기 수집된 광고 클릭 정보를 이용하여 광고간의 상관도를 분석하는 상기 단계는,
    상기 수집된 광고 클릭 정보를 이용하여 상기 광고 패턴 벡터를 추출하는 단계; 및
    상기 추출된 광고 패턴 벡터를 이용하여 상기 광고간의 상관도를 분석하는 단계
    를 포함하는 것을 특징으로 하는 광고 추천 방법.
  3. 제2항에 있어서,
    상기 추출된 광고 패턴 벡터를 이용하여 상기 광고간의 상관도를 분석하는 상기 단계는,
    상기 추출된 광고 패턴 벡터의 개수가 충분한 경우 상기 추출된 광고 패턴 벡터를 이용하여 협업 필터링(Collaborative filtering) 알고리즘을 통해 상기 광고간의 상관도를 분석하는 것을 특징으로 하는 광고 추천 방법.
  4. 삭제
  5. 제1항에 있어서,
    상기 분석된 광고간의 상관도를 신경망을 통해 학습시키는 상기 단계는,
    상기 분석된 광고간의 상관도를 이용하여 SOM(Self Organizing Map)을 통해 유사도가 높은 광고를 찾아내도록 학습시키는 것을 특징으로 하는 광고 추천 방법.
  6. 제5항에 있어서,
    비교 결과에 따라 상기 식별된 광고와 상관도가 높은 광고를 추천하는 상기 단계는,
    상기 클릭된 광고와 유사도가 높은 광고를 추천하는 것을 특징으로 하는 광고 추천 방법.
  7. 제1항 내지 제3항, 제5항, 제6항 중 어느 한 항의 방법을 컴퓨터에서 실행하기 위한 프로그램을 기록하는 컴퓨터 판독 가능한 기록매체.
  8. 광고의 클릭 여부 및 상기 광고를 클릭하는 사용자의 쿠키 정보를 수집하는 광고 정보 수집부;
    상기 클릭된 광고 정보 및 상기 사용자의 쿠키 정보를 이용하여 광고 패턴을 추출하는 패턴 추출부;
    상기 추출된 광고 패턴을 이용하여 광고간의 상관도를 계산하는 상관도 계산부;
    상기 계산된 광고간의 상관도를 이용하여 유사한 광고를 찾아낼 수 있도록 학습시키는 신경망;
    사용자 및 상기 사용자에 의해 클릭된 이전 광고를 식별하고, 상기 사용자에 의해 클릭된 이전 광고와 상기 신경망의 학습 결과를 이용하여 상관도를 비교하는 비교부; 및
    상기 비교 결과에 따라 상기 사용자에 의해 클릭된 이전 광고와 상관도가 높은 광고를 추천하는 추천부
    를 포함하는 것을 특징으로 하는 광고 추천 시스템.
  9. 제8항에 있어서,
    상기 패턴 추출부는,
    상기 사용자의 쿠키 정보 및 상기 광고 정보를 행 또는 열로 하는 행렬로부터 광고 패턴 벡터를 추출하는 것을 특징으로 하는 광고 추천 시스템.
  10. 제9항에 있어서,
    상기 상관도 계산부는,
    상기 추출된 광고 패턴 벡터를 이용하여 상기 광고간 상관도를 계산하는 것을 특징으로 하는 광고 추천 시스템.
  11. 제9항에 있어서,
    상기 상관도 계산부는,
    상기 추출된 광고 패턴 벡터를 이용하여 협업 필터링(Collaborative filtering) 알고리즘을 통해 상기 광고간 상관도를 계산하는 것을 특징으로 하는 광고 추천 시스템.
  12. 제8항에 있어서,
    상기 신경망은,
    상기 계산된 광고간의 상관도를 이용하여 유사한 광고를 찾을 수 있도록 SOM(Self Organizing Map)을 학습시키는 것을 특징으로 하는 광고 추천 시스템.
  13. 제12항에 있어서,
    상기 추천부는,
    상기 비교 결과에 따라 상기 클릭된 광고와 상관도가 높거나 또는 상기 클릭된 광고와 유사도가 높은 광고를 추천하는 것을 특징으로 하는 광고 추천 시스템.
KR1020060024707A 2006-03-16 2006-03-17 신경망을 가지는 협업 필터링 시스템을 이용하여 클릭패턴에 기초한 웹 광고 추천 방법 및 그 시스템 KR100792700B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020060024707A KR100792700B1 (ko) 2006-03-17 2006-03-17 신경망을 가지는 협업 필터링 시스템을 이용하여 클릭패턴에 기초한 웹 광고 추천 방법 및 그 시스템
PCT/KR2007/001250 WO2007105909A1 (en) 2006-03-16 2007-03-14 Method for targeting web advertisement clickers based on click pattern by using a collaborative filtering system with neural networks and system thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020060024707A KR100792700B1 (ko) 2006-03-17 2006-03-17 신경망을 가지는 협업 필터링 시스템을 이용하여 클릭패턴에 기초한 웹 광고 추천 방법 및 그 시스템

Publications (2)

Publication Number Publication Date
KR20070094264A KR20070094264A (ko) 2007-09-20
KR100792700B1 true KR100792700B1 (ko) 2008-01-08

Family

ID=38688197

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020060024707A KR100792700B1 (ko) 2006-03-16 2006-03-17 신경망을 가지는 협업 필터링 시스템을 이용하여 클릭패턴에 기초한 웹 광고 추천 방법 및 그 시스템

Country Status (1)

Country Link
KR (1) KR100792700B1 (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190117849A (ko) 2018-03-28 2019-10-17 주식회사 미래이씨피 Iptv 방송의 지역별 송출에서 방송 및 자막영역에서 노출되는 추천 제품 선정시 지역별 판매데이터 분석에 따른 맞춤형 제품 추천 장치
KR20190117848A (ko) 2018-03-28 2019-10-17 주식회사 미래이씨피 온라인 쇼핑몰 구매고객 그룹화를 통한 인공지능 기반의 구매 촉진 장치
KR20190117847A (ko) 2018-03-28 2019-10-17 주식회사 미래이씨피 인공지능을 이용한 온라인 쇼핑몰에서의 프로모션 성과 예측 및 추천 장치
KR20190117850A (ko) 2018-03-28 2019-10-17 주식회사 미래이씨피 Iptv 방송의 송출에서 구매 데이터 및 구매자 그룹화 데이터를 활용한 맞춤형 방송 추천 및 제품 추천 장치
KR20190134966A (ko) 2018-11-30 2019-12-05 남기헌 정책망 및 가치망을 이용한 온라인 쇼핑몰에서의 프로모션 성과 예측 및 추천 장치
KR20190134967A (ko) 2018-11-30 2019-12-05 남기헌 정책망 및 가치망을 이용한 온라인 쇼핑몰에서의 프로모션 이미지 수정 장치

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101879829B1 (ko) * 2016-11-10 2018-07-19 주식회사 자이냅스 클릭 로그 데이터를 이용하여 이상 사용자를 검출하는 방법 및 장치
KR102413190B1 (ko) * 2019-01-08 2022-06-27 한국전자통신연구원 명시적 메모리 사용 신경망 기반의 패션 코디네이션 지식 제공 장치 및 방법
CN111127092B (zh) * 2019-12-20 2023-07-14 中富通集团股份有限公司 一种提高智能设备应用广告点击率的方法及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5918014A (en) 1995-12-27 1999-06-29 Athenium, L.L.C. Automated collaborative filtering in world wide web advertising
KR20010111913A (ko) * 2000-06-14 2001-12-20 김병도 전자상거래에서 데이터베이스 마케팅을 위한 복합적필터링장치 및 방법
KR20030047859A (ko) * 2001-12-11 2003-06-18 오버처 서비시스, 인코포레이티드 협력필터링 및 웹스파이더링을 이용한 검색용어추천
KR20040101408A (ko) * 2002-04-08 2004-12-02 소니 일렉트로닉스 인코포레이티드 학습 메커니즘을 사용한 컨텐츠 필터링
KR20060018238A (ko) * 2003-06-02 2006-02-28 구글 잉크. 사용자 요청 정보 및 사용자 정보를 사용하여 광고들 제공

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5918014A (en) 1995-12-27 1999-06-29 Athenium, L.L.C. Automated collaborative filtering in world wide web advertising
KR20010111913A (ko) * 2000-06-14 2001-12-20 김병도 전자상거래에서 데이터베이스 마케팅을 위한 복합적필터링장치 및 방법
KR20030047859A (ko) * 2001-12-11 2003-06-18 오버처 서비시스, 인코포레이티드 협력필터링 및 웹스파이더링을 이용한 검색용어추천
KR20040101408A (ko) * 2002-04-08 2004-12-02 소니 일렉트로닉스 인코포레이티드 학습 메커니즘을 사용한 컨텐츠 필터링
KR20060018238A (ko) * 2003-06-02 2006-02-28 구글 잉크. 사용자 요청 정보 및 사용자 정보를 사용하여 광고들 제공

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190117849A (ko) 2018-03-28 2019-10-17 주식회사 미래이씨피 Iptv 방송의 지역별 송출에서 방송 및 자막영역에서 노출되는 추천 제품 선정시 지역별 판매데이터 분석에 따른 맞춤형 제품 추천 장치
KR20190117848A (ko) 2018-03-28 2019-10-17 주식회사 미래이씨피 온라인 쇼핑몰 구매고객 그룹화를 통한 인공지능 기반의 구매 촉진 장치
KR20190117847A (ko) 2018-03-28 2019-10-17 주식회사 미래이씨피 인공지능을 이용한 온라인 쇼핑몰에서의 프로모션 성과 예측 및 추천 장치
KR20190117850A (ko) 2018-03-28 2019-10-17 주식회사 미래이씨피 Iptv 방송의 송출에서 구매 데이터 및 구매자 그룹화 데이터를 활용한 맞춤형 방송 추천 및 제품 추천 장치
KR20190134966A (ko) 2018-11-30 2019-12-05 남기헌 정책망 및 가치망을 이용한 온라인 쇼핑몰에서의 프로모션 성과 예측 및 추천 장치
KR20190134967A (ko) 2018-11-30 2019-12-05 남기헌 정책망 및 가치망을 이용한 온라인 쇼핑몰에서의 프로모션 이미지 수정 장치
KR102072820B1 (ko) 2018-11-30 2020-02-03 남정우 정책망 및 가치망을 이용한 온라인 쇼핑몰에서의 프로모션 이미지 수정 장치

Also Published As

Publication number Publication date
KR20070094264A (ko) 2007-09-20

Similar Documents

Publication Publication Date Title
US11861628B2 (en) Method, system and computer readable medium for creating a profile of a user based on user behavior
KR100792700B1 (ko) 신경망을 가지는 협업 필터링 시스템을 이용하여 클릭패턴에 기초한 웹 광고 추천 방법 및 그 시스템
Urban et al. Measuring the impact of the GDPR on data sharing in ad networks
US9706008B2 (en) Method and system for efficient matching of user profiles with audience segments
Carrascosa et al. I always feel like somebody's watching me: measuring online behavioural advertising
US9152977B2 (en) Click fraud detection
Ortiz‐Cordova et al. Classifying web search queries to identify high revenue generating customers
US20170243244A1 (en) Methods Circuits Devices Systems and Associated Machine Executable Code for Taste-based Targeting and Delivery of Content
WO2017190610A1 (zh) 目标用户定向方法、装置和计算机存储介质
US20090164395A1 (en) Modeling, detecting, and predicting user behavior with hidden markov models
US20060129463A1 (en) Method and system for automatic product searching, and use thereof
US20060184464A1 (en) System and methods for data analysis and trend prediction
US20120095834A1 (en) Systems and methods for using a behavior history of a user to augment content of a webpage
US20120173338A1 (en) Method and apparatus for data traffic analysis and clustering
US20070078939A1 (en) Method and apparatus for identifying and classifying network documents as spam
US20110258529A1 (en) Systems and methods for excluding serving an advertisement campaign to undesired web pages
KR20130083838A (ko) 임팩트 분석 및 영향 트랙킹을 포함한 복수의 미디어에 대한 데이터 수집, 트랙킹 및 분석
KR20110032878A (ko) Sns 프로그램에서 구현되는 키워드 광고방법 및 시스템
EP2388745A1 (en) Method and apparatus for providing moving image advertisements
US20110054999A1 (en) System and method for predicting user navigation within sponsored search advertisements
KR20190010173A (ko) 사용자 의도 프로파일링 방법 및 이를 위한 장치
JP2009193465A (ja) 情報処理装置、情報提供システム、情報処理方法、およびプログラム
US20110137904A1 (en) Clickstreams and website classification
JP2010113542A (ja) 情報提供システム、情報処理装置及びそのプログラム
Poulos et al. Assessing stationarity in web analytics: A study of bounce rates

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
G170 Publication of correction
FPAY Annual fee payment

Payment date: 20130102

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20131231

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20141230

Year of fee payment: 8

FPAY Annual fee payment

Payment date: 20151223

Year of fee payment: 9

FPAY Annual fee payment

Payment date: 20170102

Year of fee payment: 10

FPAY Annual fee payment

Payment date: 20180102

Year of fee payment: 11

FPAY Annual fee payment

Payment date: 20190102

Year of fee payment: 12

FPAY Annual fee payment

Payment date: 20200102

Year of fee payment: 13