KR101305535B1 - Recommendation system for moving picture - Google Patents

Recommendation system for moving picture Download PDF

Info

Publication number
KR101305535B1
KR101305535B1 KR1020110085997A KR20110085997A KR101305535B1 KR 101305535 B1 KR101305535 B1 KR 101305535B1 KR 1020110085997 A KR1020110085997 A KR 1020110085997A KR 20110085997 A KR20110085997 A KR 20110085997A KR 101305535 B1 KR101305535 B1 KR 101305535B1
Authority
KR
South Korea
Prior art keywords
video
feature
user
unit
recommendation system
Prior art date
Application number
KR1020110085997A
Other languages
Korean (ko)
Other versions
KR20130022942A (en
Inventor
허순영
Original Assignee
허순영
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 허순영 filed Critical 허순영
Priority to KR1020110085997A priority Critical patent/KR101305535B1/en
Publication of KR20130022942A publication Critical patent/KR20130022942A/en
Application granted granted Critical
Publication of KR101305535B1 publication Critical patent/KR101305535B1/en

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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking
    • 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
    • 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]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/252—Processing of multiple end-users' preferences to derive collaborative data
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Computing Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

본 발명은 동영상 추천 시스템에 관한 것으로, 실제 동영상을 시청한 사용자들의 동영상 평가와, 동영상을 시청할 사용자의 선호도를 동시에 고려하여 동영상을 추천함으로써 보다 효율적으로 사용자에게 동영상을 추천할 수 있도록 한 것이다.The present invention relates to a video recommendation system, and recommends videos by considering video ratings of users who have actually watched the video and preferences of users who will watch the videos.

Description

동영상 추천 시스템{Recommendation system for moving picture}Video recommendation system {Recommendation system for moving picture}

본 발명은 동영상 추천 기술에 관련한 것으로, 특히 온라인을 통해 사용자에게 동영상을 추천하는 동영상 추천 시스템에 관한 것이다.The present invention relates to a video recommendation technology, and more particularly, to a video recommendation system for recommending a video to a user through online.

국내특허공개 제10-2010-0002759호(2010.01.07)에서 동영상에 등장하는 인물, 촬영장소, 배경음악과 같은 객체나, 또는 동영상의 작가, 감독 등 동영상에 직접 등장하지는 않더라도 그 동영상과 관련있는 객체에 대하여, 그 객체에 대한 정보 제공과 함께 그 객체와 연관된 다른 VOD를 추천하는 동영상 추천 기술이 제안되었다.In Korean Patent Publication No. 10-2010-0002759 (January 10, 2010), an object such as a person, a shooting location, background music, or an artist or director of the video, although not directly in the video, For an object, a video recommendation technique has been proposed that recommends other VODs associated with the object, along with providing information about the object.

이러한 종래의 동영상 추천 기술은 동영상 프레임에 포함되는 객체에 관련한 정보를 제공하는 메타(META) 정보 기반의 동영상 추천 기술로, 실제 동영상을 시청한 사용자들의 동영상 평가 및 동영상을 시청할 사용자의 선호도를 전혀 고려하고 있지 않다.The conventional video recommendation technology is a video recommendation technology based on META information that provides information related to an object included in a video frame, and considers video ratings of users who watched the actual video and preferences of users who watch the video. I'm not doing it.

따라서, 본 발명자는 실제 동영상을 시청한 사용자들의 동영상 평가와, 동영상을 시청할 사용자의 선호도를 동시에 고려하여 동영상을 추천함으로써 보다 효율적으로 사용자에게 동영상을 추천할 수 있는 동영상 추천 기술에 대한 연구를 하게 되었다.Therefore, the present inventors have studied a video recommendation technology that can recommend a video to the user more efficiently by recommending the video by considering the video rating of the users who watched the actual video and the preference of the user to watch the video. .

국내특허공개 제10-2010-0002759호(2010.01.07)Korean Patent Publication No. 10-2010-0002759 (2010.01.07)

본 발명은 상기한 취지하에 발명된 것으로, 실제 동영상을 시청한 사용자들의 동영상 평가와, 동영상을 시청할 사용자의 선호도를 동시에 고려하여 동영상을 추천할 수 있는 동영상 추천 시스템을 제공함을 그 목적으로 한다.The present invention has been invented under the above-described purpose, and an object of the present invention is to provide a video recommendation system capable of recommending a video by considering video ratings of users who have actually watched the video and preferences of users who will watch the video.

상기한 목적을 달성하기 위한 본 발명의 일 양상에 따르면, 동영상 추천 시스템이 특정 동영상에 대한 평가 정보를 수집 및 분석해 키워드들을 추출하고, 추출된 키워드들을 기반으로 해당 동영상을 특징할 수 있는 특징(Feature)들을 선정하고, 선정된 특징별 감성정보를 추출하여 감성점수를 산출하고, 각 사용자의 동영상 시청이력을 기반으로 선정된 특징들에 대한 사용자별 특징 중요도를 계산하고, 사용자별 특징 중요도 패턴을 비교해 특징 중요도 패턴이 유사한 사용자들을 검출하여 그룹을 형성하고, 그룹내의 사용자들이 시청한 동영상 중 해당 그룹내의 특정 사용자가 시청하지 않은 동영상을 해당 특정 사용자에게 추천하는 것을 특징으로 한다.According to an aspect of the present invention for achieving the above object, the video recommendation system collects and analyzes the evaluation information for a particular video to extract keywords, and can feature the video based on the extracted keywords (Feature) ), Extract the emotional information for each selected feature, calculate the emotional score, calculate the feature importance of each user for the selected features based on the video viewing history of each user, and compare the feature importance patterns of each user. A feature is formed by detecting users having similar patterns of importance and forming a group, and recommending a video not watched by a specific user in the group among the videos watched by the users in the group to the specific user.

본 발명은 실제 동영상을 시청한 사용자들의 동영상 평가와, 동영상을 시청할 사용자의 선호도를 동시에 고려하여 동영상을 추천함으로써 보다 효율적으로 사용자에게 동영상을 추천할 수 있는 유용한 효과가 있다.The present invention has a useful effect of recommending a video to a user more efficiently by recommending the video in consideration of the evaluation of the video of the users who watched the actual video and the preference of the user to watch the video at the same time.

도 1 은 본 발명에 따른 동영상 추천 시스템의 일 실시예의 구성을 도시한 블럭도이다.
도 2 는 특정 사용자의 동영상 시청 이력-특징 테이블의 일 예를 도시한 도면이다.
도 3 은 본 발명에 따른 동영상 추천 시스템의 동영상 추천 절차의 일 예를 도시한 흐름도이다.1 is a block diagram showing the configuration of an embodiment of a video recommendation system according to the present invention.
2 is a diagram illustrating an example of a video viewing history-feature table of a specific user.
3 is a flowchart illustrating an example of a video recommendation procedure of the video recommendation system according to the present invention.

이하, 첨부된 도면을 참조하여 기술되는 바람직한 실시예를 통하여 본 발명을 당업자가 용이하게 이해하고 재현할 수 있도록 상세히 기술하기로 한다.DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS Reference will now be made in detail to embodiments of the present invention, examples of which are illustrated in the accompanying drawings, wherein like reference numerals refer to the like elements throughout.

본 발명을 설명함에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명 실시예들의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다.In the following description of the present invention, a detailed description of known functions and configurations incorporated herein will be omitted when it may make the subject matter of the present invention rather unclear.

본 발명 명세서 전반에 걸쳐 사용되는 용어들은 본 발명 실시예에서의 기능을 고려하여 정의된 용어들로서, 사용자 또는 운용자의 의도, 관례 등에 따라 충분히 변형될 수 있는 사항이므로, 이 용어들의 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.The terms used throughout the specification of the present invention have been defined in consideration of the functions of the embodiments of the present invention and can be sufficiently modified according to the intentions and customs of the user or operator. It should be based on the contents of.

도 1 은 본 발명에 따른 동영상 추천 시스템의 일 실시예의 구성을 도시한 블럭도이다. 도 1 에 도시한 바와 같이, 이 실시예에 따른 동영상 추천 시스템(100)은 평가정보 수집부(110)와, 키워드 추출부(120)와, 특징 선정부(130)와, 감성정보 처리부(140)와, 중요도 개인화부(150)와, 그룹 형성부(160)와, 동영상 추천부(170)를 포함하여 이루어진다.1 is a block diagram showing the configuration of an embodiment of a video recommendation system according to the present invention. As shown in FIG. 1, the video recommendation system 100 according to the present embodiment includes an evaluation information collecting unit 110, a keyword extracting unit 120, a feature selecting unit 130, and an emotional information processing unit 140. ), The importance personalization unit 150, the group forming unit 160, and the video recommendation unit 170.

상기 평가정보 수집부(110)는 VOD(Video On demand) 등의 특정 동영상에 대한 평가 정보를 수집한다. 이 때, 상기 평가정보 수집부(110)가 특정 웹 게시판으로부터 특정 동영상에 대한 평가 정보를 수집하도록 구현할 수 있다.The evaluation information collecting unit 110 collects evaluation information on a specific video such as video on demand (VOD). At this time, the evaluation information collecting unit 110 may be implemented to collect the evaluation information for a specific video from a specific web bulletin board.

예컨대, 상기 평가정보 수집부(110)가 VOD(Video On demand)를 서비스하는 서버의 사용자 리뷰 게시판에서 특정 동영상에 대한 사용자 평가 텍스트를 복사하여 특정 동영상에 대한 평가 정보를 수집할 수 있다.For example, the evaluation information collecting unit 110 may collect the evaluation information for the specific video by copying the user evaluation text for the specific video from the user review bulletin board of the server serving the video on demand (VOD).

상기 키워드 추출부(120)는 상기 평가정보 수집부(110)에 의해 수집된 특정 동영상에 대한 평가 정보를 분석해 키워드들을 추출한다. 이 때, 상기 키워드 추출부(120)가 형태소 분석을 통해 키워드들을 추출하도록 구현할 수 있다.The keyword extracting unit 120 analyzes evaluation information on a specific video collected by the evaluation information collecting unit 110 and extracts keywords. In this case, the keyword extraction unit 120 may be implemented to extract keywords through morphological analysis.

형태소 분석 기법은 단어(한국어의 경우 어절)를 구성하는 각각의 형태소들을 인식하고, 불규칙 활용이나 축약, 탈락 현상이 일어난 경우 원형을 복원하는 자연 언어 분석 기법이다. 형태소 분석은 이 출원 이전에 이미 다양하게 공지되어 시행되는 통상의 기술이므로, 이에 대한 구체적인 설명은 생략한다.Morphological analysis is a natural language analysis technique that recognizes each morpheme constituting a word (word in Korean) and restores the original form when irregular use, abbreviation, or dropout occurs. Morphological analysis is a conventional technique that is already known and implemented in various ways prior to this application, so a detailed description thereof is omitted.

상기 특징 선정부(130)는 상기 키워드 추출부(120)에 의해 추출된 키워드들을 기반으로 해당 동영상을 특징할 수 있는 특징(Feature)들을 선정한다. 예컨대, 상기 특징(Feature)은 동영상을 특징할 수 있는 배우, 감독, 연기 등의 표준화된 식별자를 의미한다.The feature selector 130 selects features that may characterize the video based on the keywords extracted by the keyword extractor 120. For example, the feature refers to a standardized identifier of an actor, director, acting, etc. that can characterize a video.

이 때, 상기 특징 선정부(130)가 특징들이 미리 저장된 특징 DB를 참조해 추출된 키워드들과 유사한 특징들을 선정하도록 구현할 수 있다. 이를 위해서는 미리 동영상을 특징할 수 있는 배우, 감독, 연기 등의 표준화된 식별자를 정의하여 특징 DB에 저장해야 한다.In this case, the feature selecting unit 130 may be implemented to select features similar to the extracted keywords by referring to the feature DB in which the features are stored in advance. To do this, standardized identifiers such as actors, directors, and acting who can characterize the video must be defined and stored in the feature DB.

예컨대, 특징 DB에 동영상에 등장하는 등장 인물에 대한 특징으로 '배우'가 정의되었고, 상기 키워드 추출부(120)에 의해 키워드로 '인물'이 추출되었다면, 상기 특징 선정부(130)는 특징으로 '배우'를 선정한다.For example, if the 'actor' is defined as a feature for the characters appearing in the video in the feature DB, and the 'person' is extracted by the keyword extractor 120, the feature selector 130 is characterized by the feature. Choose an actor.

상기 감성정보 처리부(140)는 상기 특징 선정부(130)에 의해 선정된 특징별 감성정보를 추출하고, 추출된 감성정보에 대한 감성점수를 산출한다. 이 때, 상기 감성정보 처리부(140)가 상기 키워드 추출부(120)에 의해 추출된 키워드들을 설명하는 형용사 및 부사의 형태소 단어로부터 상기 특징 선정부(130)에 의해 선정된 특징별 감성정보를 추출하도록 구현할 수 있다.The emotion information processor 140 extracts emotion information for each feature selected by the feature selector 130 and calculates an emotion score for the extracted emotion information. At this time, the emotional information processing unit 140 extracts the emotional information for each feature selected by the feature selecting unit 130 from the morpheme words of adjectives and adverbs that describe the keywords extracted by the keyword extracting unit 120. Can be implemented.

예컨대, 평가 정보가 '인물 좋아요'이고, 상기 키워드 추출부(120)에 의해 키워드로 '인물'이 추출되고, 상기 특징 선정부(130)에 의해 특징으로 '배우'가 선정되었다면, 상기 감성정보 처리부(140)는 '인물'을 수식하는 형용사 '좋아요'로부터 감성정보를 추출할 수 있다.For example, if evaluation information is 'personal liking', 'personality' is extracted as a keyword by the keyword extraction unit 120, and 'actor' is selected as a characteristic by the feature selecting unit 130, the emotional information The processor 140 may extract emotional information from the adjective 'like' that modifies the 'person'.

만약, 감성정보들을 미리 정의하고, 이들에 대한 감성점수를 미리 설정하여 DB화하고, 감성점수 DB에 감성 '좋아요'에 대한 점수가 '2'로 설정되었다면, 선정된 특징 '배우'에 대한 감성점수가 '2'로 산출될 수 있다.If the emotion information is defined in advance, the emotional scores for these are set in advance, and the score is set to '2' for the emotional score, the emotion for the selected feature 'actor' is set. The score may be calculated as '2'.

상기 중요도 개인화부(150)는 각 사용자의 동영상 시청이력을 기반으로 상기 특징 선정부(130)에 의해 선정된 특징들에 대한 사용자별 특징 중요도를 계산한다. 이 때, 상기 중요도 개인화부(150)가 각 사용자의 특정 기간 동안 시청한 동영상들에 대한 특징들의 빈도수를 계산해 각 사용자별 특징 중요도를 판단하도록 구현할 수 있다.The importance personalization unit 150 calculates feature importance for each user for the features selected by the feature selecting unit 130 based on the video viewing history of each user. At this time, the importance personalization unit 150 may be implemented to calculate the frequency of features for the videos watched for a specific period of each user to determine the feature importance for each user.

도 2 는 특정 사용자의 동영상 시청 이력-특징 테이블의 일 예로, 도 2 에 도시한 바와같이 사용자의 동영상 시청 이력으로부터 사용자가 특정 기간 동안 시청한 동영상이 '동영상1', 동영상2', '동영상3'이라 검출되고, 상기 특징 선정부(130)에 의해 '동영상1'의 경우 특징으로 '특징A', '특징B', '특징C'가, '동영상2'의 경우 특징으로 '특징A', '특징C', '특징D'가, '동영상3'의 경우 특징으로 '특징A', '특징B', '특징E'가 선택되어 저장되었다고 가정하자.FIG. 2 is an example of a video viewing history-feature table of a specific user. As shown in FIG. 2, a video watched by a user for a specific period of time from the video viewing history of the user is' video 1 ', video 2', or 'video 3' 'Character A', 'Feature B', 'Feature C' as 'Feature A', and 'Feature A' as 'Feature A' Assume that 'Feature C', 'Feature D', and 'Feature A', 'Feature B', and 'Feature E' are selected and stored as the features of 'Video 3'.

그러면, 중요도 개인화부(150)는 '특징A'의 빈도수는 3, '특징B'의 빈도수는 2, '특징C'의 빈도수는 2, '특징D'의 빈도수는 1, '특징E'의 빈도수는 1로 계산하고, 빈도수가 제일 높은 '특징A'가 가장 중요도가 높다고 판단하고, 그 다음 빈도수가 높은 '특징B' 및 '특징C'를 그 다음 중요도가 높다고 판단하고, 빈도수가 제일 낮은 '특징D' 및 '특징E'를 제일 중요도가 낮다고 판단할 수 있다.Then, the importance personalization unit 150 has the frequency of 'feature A' is 3, the frequency of 'feature B' is 2, the frequency of 'feature C' is 2, the frequency of 'feature D' is 1, and the 'feature E' is The frequency is calculated as 1, and the most important feature is 'Feature A', which is considered to be the most important.The next most frequently used 'Feature B' and 'Feature C' are judged to be the next most important, and the frequency is lowest. 'Feature D' and 'Feature E' can be judged to have the least importance.

한편, 상기 중요도 개인화부(150)가 상기 감성정보 처리부(140)에 의해 산출된 감성정보를 참조하여 사용자별 특징에 대한 감성점수를 더 계산하도록 구현할 수도 있다.On the other hand, the importance personalization unit 150 may be implemented to further calculate the emotion score for the user-specific features with reference to the emotion information calculated by the emotion information processing unit 140.

동영상1과 동영상2에서 동일한 특징이 선정되었다고 해도, 동영상1에서 선정된 특징의 감성정보와 동영상2에서 선정한 감성정보가 서로 상이할 수가 있다. 따라서, 좀 더 사용자가 선호하는 동영상을 제공하기 위해서는 사용자별 특징에 대한 감성점수를 더 반영해야 한다.Even if the same feature is selected in the video 1 and the video 2, the emotion information of the feature selected in the video 1 and the emotion information selected in the video 2 may be different from each other. Therefore, in order to provide a user's favorite video, the user's emotional score for the user's characteristics should be further reflected.

이를 위해 상기 중요도 개인화부(150)를 통해 사용자별 특징에 대한 감성점수를 더 계산하고, 그룹 형성부(160)에 의해 사용자 그룹 형성시 사용자별 감성정보를 더 반영하도록 한다.To this end, the importance personalization unit 150 further calculates an emotional score for each user's characteristics, and the group forming unit 160 further reflects the user's emotional information when the user group is formed.

상기 그룹 형성부(160)는 상기 중요도 개인화부(150)에 의해 계산된 사용자별 특징 중요도 패턴을 비교해 특징 중요도 패턴이 유사한 사용자들을 검출하여 그룹을 형성한다.The group forming unit 160 compares the feature importance patterns for each user calculated by the importance personalization unit 150 and detects users having similar feature importance patterns to form a group.

이 때, 상기 그룹 형성부(160)가 코사인 유사도 측정(Cosine similarity measure) 기법을 이용해 특징 중요도 패턴이 유사한 사용자들을 검출하도록 구현할 수 있다.In this case, the group forming unit 160 may be implemented to detect users having similar feature importance patterns by using a cosine similarity measure technique.

상기 중요도 개인화부(150)에 의해 중요도가 계산된 사용자별 특징들은 N차원의 벡터 공간(Vector Space)상의 한 점으로 생각할 수 있다. N차원의 벡터(Vector Space)에서 코사인(Cosine)의 각(Angle)이 작을수록 유사도가 높다고 가정할 수 있으므로, 내적 코사인(Inner Cosine)을 이용하여 각 사용자들의 특징 중요도 패턴의 유사도를 비교할 수 있다. 코사인 유사도 측정(Cosine similarity measure) 기법은 이 출원 이전에 이미 다양하게 공지되어 시행되는 통상의 기술이므로, 이에 대한 구체적인 설명은 생략한다.The user-specific features whose importance is calculated by the importance personalization unit 150 may be considered as a point on an N-dimensional vector space. Since the smaller the angle of the cosine in the vector space of the N-dimensional vector (Vector Space), it can be assumed that the similarity is higher, the similarity of the feature importance pattern of each user can be compared using the inner cosine (Inner Cosine). . Since the cosine similarity measure technique is a conventional technique that is known and implemented in various ways before this application, a detailed description thereof will be omitted.

한편, 상기 그룹 형성부(160)가 사용자별 감성점수 패턴을 더 비교하여 그룹을 형성하도록 구현할 수도 있다. 이 때, 상기 그룹 형성부(160)가 코사인 유사도 측정(Cosine similarity measure) 기법을 이용해 특징 중요도 및 감성점수 패턴이 유사한 사용자들을 검출하도록 구현할 수 있다.On the other hand, the group forming unit 160 may be implemented to form a group by further comparing the emotional score pattern for each user. In this case, the group forming unit 160 may be implemented to detect users having similar feature importance and emotional score patterns by using a cosine similarity measure technique.

동영상1과 동영상2에서 동일한 특징이 선정되었다고 해도, 동영상1에서 선정된 특징의 감성정보와 동영상2에서 선정한 감성정보가 서로 상이할 수가 있다. 따라서, 좀 더 사용자가 선호하는 동영상을 제공하기 위해서는 사용자별 특징에 대한 감성점수를 더 반영해야 한다.Even if the same feature is selected in the video 1 and the video 2, the emotion information of the feature selected in the video 1 and the emotion information selected in the video 2 may be different from each other. Therefore, in order to provide a user's favorite video, the user's emotional score for the user's characteristics should be further reflected.

이를 위해 상기 중요도 개인화부(150)를 통해 사용자별 특징에 대한 감성점수를 더 계산하고, 상기 그룹 형성부(160)가 사용자 그룹 형성시 사용자별 감성점수 패턴을 더 비교하여 그룹을 형성하도록 한 것이다.To this end, the importance personalization unit 150 further calculates an emotional score for each user feature, and the group forming unit 160 forms a group by further comparing the emotional score patterns for each user when forming a user group. .

상기 동영상 추천부(170)는 상기 그룹 형성부(160)에 형성된 그룹내의 사용자들이 시청한 동영상 중 해당 그룹내의 특정 사용자가 시청하지 않은 동영상을 해당 특정 사용자에게 추천한다.The video recommendation unit 170 recommends a video not watched by a specific user in the group among the videos watched by the users in the group formed in the group forming unit 160 to the specific user.

이 때, 상기 동영상 추천부(170)가 동일한 그룹내의 각 사용자들이 특정 기간 동안 시청한 동영상 시청이력을 기반으로 동영상들을 추출하고, 추출된 동영상별 미시청 사용자들을 검출하여, 검출된 동영상별 미시청 사용자들에게 미시청 동영상을 추천하도록 구현할 수 있다.At this time, the video recommendation unit 170 extracts videos based on the video viewing history viewed by each user in the same group for a specific period of time, detects the unviewed users for each extracted video, and unviews each detected video. It can be implemented to recommend unviewed video to users.

한편, 상기 동영상 추천부(170)가 검출된 동영상별 미시청 사용자들에게 미시청 동영상을 추천시, 특징 중요도 및 감성점수 패턴 유사도가 높은 순으로 추천하도록 구현할 수도 있다.On the other hand, the video recommendation unit 170 may be implemented to recommend unviewed video to the unviewed users for each video detected, in order of feature importance and emotional score pattern similarity.

예컨대, 상기 동영상 추천부(170)가 동영상별 미시청 사용자들에게 e-메일, 메신저, 단문 메시지, 멀티미디어 메시지 등을 통해 미시청 동영상 추천 정보를 제공할 수 있다.For example, the video recommendation unit 170 may provide unviewed video recommendation information to e-mail, messenger, short message, multimedia message, etc. to unviewed users for each video.

따라서, 본 발명은 실제 동영상을 시청한 사용자들의 동영상 평가와, 동영상을 시청할 사용자의 선호도를 동시에 고려하여 동영상을 추천함으로써 보다 효율적으로 사용자에게 동영상을 추천할 수 있게 된다.Therefore, the present invention can recommend a video to the user more efficiently by recommending the video in consideration of the evaluation of the video of the user who actually watched the video and the preference of the user to watch the video.

한편, 발명의 부가적인 양상에 따르면, 상기 동영상 추천 시스템(100)이 특징 정의부(180)를 더 포함할 수 있다. 상기 특징 정의부(180)는 추출된 키워드와 유사한 특징이 특징 DB로부터 검색되지 않은 경우, 해당 키워드에 대해 새로운 특징을 정의하고, 새로 정의된 특징을 특징 DB에 추가하여 저장한다.Meanwhile, according to an additional aspect of the invention, the video recommendation system 100 may further include a feature definition unit 180. When the feature similar to the extracted keyword is not retrieved from the feature DB, the feature defining unit 180 defines a new feature for the corresponding keyword and adds and stores the newly defined feature to the feature DB.

즉, 이 실시예는 평가정보 수집부(110)에 의해 수집된 특정 동영상에 대한 평가정보를 키워드 추출부(120)가 분석해 키워드를 추출하고, 특징 선정부(130)가 추출된 키워드들을 기반으로 해당 동영상을 특징할 수 있는 특징(Feature)들을 선정하는데, 이 때, 추출된 키워드와 유사한 특징이 특징 DB로부터 검색되지 않은 경우, 특징 정의부(180)를 통해 새로운 특징을 정의하고, 새로 정의된 특징을 특징 DB에 추가하여 저장함으로써 특징 DB내에 특징들을 마이닝하도록 한 실시예이다. That is, in this embodiment, the keyword extracting unit 120 analyzes the evaluation information on the specific video collected by the evaluation information collecting unit 110 to extract a keyword, and the feature selecting unit 130 based on the extracted keywords. Features that can characterize the video are selected. In this case, when a feature similar to the extracted keyword is not retrieved from the feature DB, a new feature is defined through the feature defining unit 180 and a newly defined feature is defined. In an embodiment, the feature is mined in the feature DB by adding the feature to the feature DB and storing the feature.

한편, 발명의 부가적인 양상에 따르면, 상기 동영상 추천 시스템(100)이 사용자 정보 수집부(190)를 더 포함할 수 있다. 상기 사용자 정보 수집부(190)는 각 사용자의 동영상 시청이력을 수집한다.Meanwhile, according to an additional aspect of the present invention, the video recommendation system 100 may further include a user information collector 190. The user information collecting unit 190 collects the video viewing history of each user.

이 때, 상기 사용자 정보 수집부(190)가 VOD(Video On demand)를 서비스하는 서버로부터 수집 가능한 각 사용자의 동영상 다운로드 정보를 이용해 동영상 시청이력을 수집할 수 있다. In this case, the user information collecting unit 190 may collect a video viewing history by using the video download information of each user that can be collected from a server that provides a video on demand (VOD) service.

상기 사용자 정보 수집부(190)에 의해 수집된 각 사용자의 동영상 시청이력은 상기 중요도 개인화부(150)에 의해 각 사용자의 동영상 시청이력을 기반으로 상기 특징 선정부(130)에 의해 선정된 특징들에 대한 사용자별 특징 중요도를 계산할 때 이용된다.The video viewing history of each user collected by the user information collecting unit 190 is selected by the feature selecting unit 130 based on the video viewing history of each user by the importance personalization unit 150. It is used to calculate the user's feature importance for.

도 3 을 참조하여 이상에서 설명한 바와 같은 본 발명에 따른 동영상 추천 시스템의 동영상 추천 동작의 일 예를 알아본다. 도 3 은 본 발명에 따른 동영상 추천 시스템의 동영상 추천 절차의 일 예를 도시한 흐름도이다.An example of a video recommendation operation of a video recommendation system according to the present invention as described above with reference to FIG. 3 will be described. 3 is a flowchart illustrating an example of a video recommendation procedure of the video recommendation system according to the present invention.

먼저, 동영상 추천 시스템이 단계 310에서 특정 동영상에 대한 평가 정보를 수집한다. 동영상에 대한 평가 정보 수집과 관련해서는 기 설명하였으므로, 중복 설명은 생략한다.First, the video recommendation system collects evaluation information about a specific video in step 310. Since the evaluation information regarding the video has been described above, duplicate descriptions are omitted.

상기 단계 310에 의해 특정 동영상에 대한 평가 정보가 수집되면, 동영상 추천 시스템이 단계 320에서 수집된 특정 동영상에 대한 평가 정보를 분석해 키워드들을 추출한다. 키워드 추출과 관련해서는 기 설명하였으므로, 중복 설명은 생략한다.When the evaluation information on the specific video is collected in step 310, the video recommendation system analyzes the evaluation information on the specific video collected in step 320 and extracts keywords. Since keyword extraction has been described above, duplicate descriptions are omitted.

상기 단계 320에 의해 키워드들이 추출되면, 동영상 추천 시스템이 단계 330에서 추출된 키워드들을 기반으로 해당 동영상을 특징할 수 있는 특징(Feature)들을 선정한다. 특징 선정과 관련해서는 기 설명하였으므로, 중복 설명은 생략한다.When keywords are extracted in step 320, the video recommendation system selects features that can characterize the video based on the keywords extracted in step 330. Since the feature selection has been described above, duplicate description is omitted.

상기 단계 330에 의해 해당 동영상을 특징할 수 있는 특징(Feature)들이 선정되면, 동영상 추천 시스템이 단계 340에서 선정된 특징별 감성정보를 추출하고, 추출된 감성정보에 대한 감성점수를 산출한다. 감성정보 추출 및 감성점수 산출과 관련해서는 기 설명하였으므로, 중복 설명은 생략한다.When the features that can characterize the video are selected in step 330, the video recommendation system extracts emotion information for each feature selected in step 340, and calculates an emotional score for the extracted emotion information. Since the extraction of emotional information and the calculation of emotional scores have been described above, duplicate descriptions are omitted.

상기 단계 340에 의해 선정된 특징별 감성점수가 계산되면, 동영상 추천 시스템이 단계 350에서 각 사용자의 동영상 시청이력을 수집한다. 각 사용자의 동영상 시청이력 수집과 관련해서는 기 설명하였으므로, 중복 설명은 생략한다.When the emotional score for each feature selected in step 340 is calculated, the video recommendation system collects video viewing history of each user in step 350. Since the description of the video viewing history of each user has been described above, duplicate descriptions are omitted.

상기 단계 350에 의해 각 사용자의 동영상 시청이력이 수집되면, 동영상 추천 시스템이 단계 360에서 각 사용자의 동영상 시청이력을 기반으로 상기 단계 330에 의해 선정된 특징들에 대한 사용자별 특징 중요도 및 감성점수를 산출한다. 사용자별 특징 중요도 및 감성점수 산출과 관련해서는 기 설명하였으므로, 중복 설명은 생략한다.When the video viewing history of each user is collected in step 350, the video recommendation system determines the feature importance and emotional score of each user for the features selected in step 330 based on the video viewing history of each user in step 360. Calculate. Since the feature importance and the emotional score calculation for each user have been described above, duplicate descriptions are omitted.

상기 단계 360에 의해 사용자별 특징 중요도 및 감성점수가 계산되면, 동영상 추천 시스템이 단계 370에서 사용자별 특징 중요도 및 감성점수 패턴을 비교해 특징 중요도 및 감성점수 패턴이 유사한 사용자들을 검출하여 그룹을 형성한다. 특징 중요도 및 감성점수 패턴이 유사한 사용자들을 검출하여 그룹을 형성하는 것과 관련해서는 기 설명하였으므로, 중복 설명은 생략한다.When the feature importance and the emotional score for each user are calculated in step 360, the video recommendation system compares the feature importance and the emotional score pattern for each user in step 370 to detect and form a group of users having similar feature importance and emotional score patterns. Since the feature importance and the emotional score pattern are similarly described with respect to the formation of a group by detecting users having similar patterns, duplicate description is omitted.

상기 단계 370에 의해 특징 중요도 및 감성점수 패턴이 유사한 사용자들의 그룹이 형성되면, 동영상 추천 시스템이 단계 380에서 형성된 그룹내의 사용자들이 시청한 동영상 중 해당 그룹내의 특정 사용자가 시청하지 않은 동영상을 해당 특정 사용자에게 추천한다. 그룹내의 특정 사용자가 시청하지 않은 동영상을 해당 특정 사용자에게 추천하는 것과 관련해서는 기 설명하였으므로, 중복 설명은 생략한다.In step 370, if a group of users having similar feature importance and emotional score patterns is formed, the video recommendation system selects a video that is not watched by a specific user in the group among the videos watched by users in the group formed in step 380. Recommended to. Since a description of recommending a video not watched by a specific user in the group to the specific user has been described above, duplicate description will be omitted.

따라서, 본 발명은 실제 동영상을 시청한 사용자들의 동영상 평가와, 동영상을 시청할 사용자의 선호도를 동시에 고려하여 동영상을 추천함으로써 보다 효율적으로 사용자에게 동영상을 추천할 수 있으므로, 상기에서 제시한 본 발명의 목적을 달성할 수 있다.Therefore, the present invention can recommend a video to the user more efficiently by recommending the video by considering the video evaluation of the users who actually watched the video and the preference of the user to watch the video at the same time. Can be achieved.

본 발명은 첨부된 도면에 의해 참조되는 바람직한 실시예를 중심으로 기술되었지만, 이러한 기재로부터 후술하는 특허청구범위에 의해 포괄되는 범위내에서 본 발명의 범주를 벗어남이 없이 다양한 변형이 가능하다는 것은 명백하다.While the present invention has been particularly shown and described with reference to exemplary embodiments thereof, it will be understood by those of ordinary skill in the art that various changes in form and details may be made therein without departing from the spirit and scope of the invention as defined by the appended claims. .

본 발명은 동영상 추천 기술분야 및 이의 응용 기술분야에서 산업상으로 이용 가능하다.The present invention can be used industrially in the video recommendation field and its application field.

100 : 동영상 추천 시스템 110 : 평가정보 수집부
120 : 키워드 추출부 130 : 특징 선정부
140 : 감성정보 처리부 150 : 중요도 개인화부
160 : 그룹 형성부 170 : 동영상 추천부
180 : 특징 정의부 190 : 사용자 정보 수집부100: video recommendation system 110: evaluation information collection unit
120: keyword extraction unit 130: feature selection unit
140: emotional information processing unit 150: importance personalization unit
160: group forming unit 170: video recommendation unit
180: feature definition unit 190: user information collection unit

Claims (13)

특정 동영상에 대한 평가 정보를 수집하는 평가정보 수집부와;
상기 평가정보 수집부에 의해 수집된 특정 동영상에 대한 평가 정보를 분석해 키워드들을 추출하는 키워드 추출부와;
상기 키워드 추출부에 의해 추출된 키워드들을 기반으로 해당 동영상을 특징할 수 있는 특징(Feature)들을 선정하되, 특징들이 미리 저장된 특징 DB를 참조해 추출된 키워드들과 유사한 특징들을 선정하는 특징 선정부와;
상기 특징 선정부에 의해 선정된 특징별 감성정보를 추출하고, 추출된 감성정보에 대한 감성점수를 산출하는 감성정보 처리부와;
각 사용자의 동영상 시청이력을 기반으로 상기 특징 선정부에 의해 선정된 특징들에 대한 사용자별 특징 중요도를 계산하는 중요도 개인화부와;
상기 중요도 개인화부에 의해 계산된 사용자별 특징 중요도 패턴을 비교해 특징 중요도 패턴이 유사한 사용자들을 검출하여 그룹을 형성하는 그룹 형성부와;
상기 그룹 형성부에 형성된 그룹내의 사용자들이 시청한 동영상 중 해당 그룹내의 특정 사용자가 시청하지 않은 동영상을 해당 특정 사용자에게 추천하는 동영상 추천부를;
포함하여 이루어지는 것을 특징으로 하는 동영상 추천 시스템.An evaluation information collection unit configured to collect evaluation information on a specific video;
A keyword extracting unit which extracts keywords by analyzing evaluation information on a specific video collected by the evaluation information collecting unit;
A feature selector which selects features that can characterize the video based on the keywords extracted by the keyword extractor, and selects features similar to the extracted keywords by referring to a feature DB in which the features are stored in advance; ;
An emotion information processing unit for extracting emotion information for each feature selected by the feature selection unit and calculating an emotion score for the extracted emotion information;
An importance personalization unit configured to calculate a feature importance for each user for features selected by the feature selection unit based on each user's video viewing history;
A group forming unit for comparing the feature importance patterns for each user calculated by the importance personalization unit to form a group by detecting users having similar feature importance patterns;
A video recommending unit for recommending a video not watched by a specific user in the group among the videos watched by the users in the group formed in the group forming unit to the specific user;
Video recommendation system comprising a. 제 1 항에 있어서,
상기 중요도 개인화부가:
상기 감성정보 처리부에 의해 산출된 감성정보를 참조하여 사용자별 특징에 대한 감성점수를 더 계산하고;
상기 그룹 형성부가:
사용자별 감성점수 패턴을 더 비교하여 그룹을 형성하는 것을 특징으로 하는 동영상 추천 시스템.The method of claim 1,
The importance personalization section:
Calculating an emotional score for the user-specific feature by referring to the emotional information calculated by the emotional information processor;
The group forming unit:
Video recommendation system, characterized in that to form a group by further comparing the emotional score pattern for each user. 삭제delete 제 1 항에 있어서,
상기 감성정보 처리부가:
상기 키워드 추출부에 의해 추출된 키워드들을 설명하는 형용사 및 부사의 형태소 단어로부터 상기 특징 선정부에 의해 선정된 특징별 감성정보를 추출하는 것을 특징으로 하는 동영상 추천 시스템.The method of claim 1,
The emotional information processing unit:
And a feature-specific emotional information selected by the feature selector from the morpheme words of the adjectives and the adverbs describing the keywords extracted by the keyword extractor. 제 1 항에 있어서,
상기 중요도 개인화부가:
각 사용자의 특정 기간 동안 시청한 동영상들에 대한 특징들의 빈도수를 계산해 각 사용자별 특징 중요도를 판단하는 것을 특징으로 하는 동영상 추천 시스템.The method of claim 1,
The importance personalization section:
The video recommendation system, characterized by determining the frequency of features of each user by calculating the frequency of the features of the videos watched for each user for a specific period of time. 제 1 항에 있어서,
상기 동영상 추천부가:
동일한 그룹내의 각 사용자들이 특정 기간 동안 시청한 동영상 시청이력을 기반으로 동영상들을 추출하고, 추출된 동영상별 미시청 사용자들을 검출하여, 검출된 동영상별 미시청 사용자들에게 미시청 동영상을 추천하는 것을 특징으로 하는 동영상 추천 시스템.The method of claim 1,
The video recommendation section above:
Extracts videos based on video viewing history viewed by each user in the same group, detects unviewed users by extracted videos, and recommends unviewed videos to unviewed users by detected videos Video recommendation system. 제 1 항에 있어서,
상기 평가정보 수집부가:
특정 웹 게시판으로부터 특정 동영상에 대한 평가 정보를 수집하는 것을 특징으로 하는 동영상 추천 시스템.The method of claim 1,
The evaluation information collection unit:
Video recommendation system, characterized in that for collecting the evaluation information for a particular video from a specific web bulletin board. 제 1 항에 있어서,
상기 키워드 추출부가:
형태소 분석을 통해 키워드들을 추출하는 것을 특징으로 하는 동영상 추천 시스템.The method of claim 1,
The keyword extraction unit:
A video recommendation system characterized by extracting keywords through morphological analysis. 제 1 항에 있어서,
상기 그룹 형성부가:
코사인 유사도 측정(Cosine similarity measure) 기법을 이용해 특징 중요도 패턴이 유사한 사용자들을 검출하는 것을 특징으로 하는 동영상 추천 시스템.The method of claim 1,
The group forming unit:
A video recommendation system for detecting users with similar feature importance patterns using a cosine similarity measure technique. 제 2 항에 있어서,
상기 그룹 형성부가:
코사인 유사도 측정(Cosine similarity measure) 기법을 이용해 특징 중요도 및 감성점수 패턴이 유사한 사용자들을 검출하는 것을 특징으로 하는 동영상 추천 시스템.3. The method of claim 2,
The group forming unit:
A video recommendation system for detecting users having similar feature importance and emotional score patterns using a cosine similarity measure technique. 제 1 항에 있어서,
상기 동영상 추천 시스템이:
추출된 키워드와 유사한 특징이 특징 DB로부터 검색되지 않은 경우, 해당 키워드에 대해 새로운 특징을 정의하고, 새로 정의된 특징을 특징 DB에 추가하여 저장하는 특징 정의부를;
더 포함하는 것을 특징으로 하는 동영상 추천 시스템.The method of claim 1,
The video recommendation system above:
If a feature similar to the extracted keyword is not retrieved from the feature DB, a feature defining unit for defining a new feature for the keyword, and adds the newly defined feature to the feature DB and stores it;
Video recommendation system, characterized in that it further comprises. 제 1 항 또는 제 2 항 또는 제 4 항 내지 제 11 항 중의 어느 한 항에 있어서,
상기 동영상 추천 시스템이:
각 사용자의 동영상 시청이력을 수집하는 사용자 정보 수집부를;
더 포함하는 것을 특징으로 하는 동영상 추천 시스템.The method according to any one of claims 1 or 2 or 4 to 11,
The video recommendation system above:
A user information collecting unit for collecting a video viewing history of each user;
Video recommendation system, characterized in that it further comprises. 제 12 항에 있어서,
상기 사용자 정보 수집부가:
각 사용자의 동영상 다운로드 정보를 이용해 동영상 시청이력을 수집하는 것을 특징으로 하는 동영상 추천 시스템.13. The method of claim 12,
The user information collecting unit:
The video recommendation system, which collects video viewing history by using video download information of each user.
KR1020110085997A 2011-08-26 2011-08-26 Recommendation system for moving picture KR101305535B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020110085997A KR101305535B1 (en) 2011-08-26 2011-08-26 Recommendation system for moving picture

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020110085997A KR101305535B1 (en) 2011-08-26 2011-08-26 Recommendation system for moving picture

Publications (2)

Publication Number Publication Date
KR20130022942A KR20130022942A (en) 2013-03-07
KR101305535B1 true KR101305535B1 (en) 2013-09-06

Family

ID=48175504

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020110085997A KR101305535B1 (en) 2011-08-26 2011-08-26 Recommendation system for moving picture

Country Status (1)

Country Link
KR (1) KR101305535B1 (en)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103686236A (en) * 2013-11-19 2014-03-26 乐视致新电子科技（天津）有限公司 Method and system for recommending video resource
KR20210118566A (en) 2020-03-23 2021-10-01 윤종식 Method and system for recommending video
KR20230084706A (en) 2021-12-06 2023-06-13 김규태 Cloud based content recommend method

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2973352A4 (en) 2013-03-15 2016-11-02 Opanga Networks Inc Pre-delivery of content to devices
KR102357357B1 (en) * 2020-04-03 2022-01-27 주식회사 엘지유플러스 Method and Apparatus for Content Recommendation Based on User-Based Collaborative Filtering

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090010866A (en) * 2007-07-24 2009-01-30 삼성전자주식회사 Method and apparatus for information recommendation using hybrid algorithm
KR20090051540A (en) * 2007-11-19 2009-05-22 주식회사 코아로직 Apparatus and method for recommending content using tag cloud
KR20090068803A (en) * 2007-12-24 2009-06-29 한성주 Method and system for searching information of collective emotion based on comments about contents on internet
KR20110052114A (en) * 2009-11-12 2011-05-18 주식회사 버즈니 Recommendation searching system using internet and method thereof

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090010866A (en) * 2007-07-24 2009-01-30 삼성전자주식회사 Method and apparatus for information recommendation using hybrid algorithm
KR20090051540A (en) * 2007-11-19 2009-05-22 주식회사 코아로직 Apparatus and method for recommending content using tag cloud
KR20090068803A (en) * 2007-12-24 2009-06-29 한성주 Method and system for searching information of collective emotion based on comments about contents on internet
KR20110052114A (en) * 2009-11-12 2011-05-18 주식회사 버즈니 Recommendation searching system using internet and method thereof

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103686236A (en) * 2013-11-19 2014-03-26 乐视致新电子科技（天津）有限公司 Method and system for recommending video resource
KR20210118566A (en) 2020-03-23 2021-10-01 윤종식 Method and system for recommending video
KR20230084706A (en) 2021-12-06 2023-06-13 김규태 Cloud based content recommend method

Also Published As

Publication number Publication date
KR20130022942A (en) 2013-03-07

Similar Documents

Publication Publication Date Title
KR102112973B1 (en) Estimating and displaying social interest in time-based media
US9253511B2 (en) Systems and methods for performing multi-modal video datastream segmentation
JP5651231B2 (en) Media fingerprint for determining and searching content
KR101379503B1 (en) Recommendation system for goods
US20160014482A1 (en) Systems and Methods for Generating Video Summary Sequences From One or More Video Segments
KR101999389B1 (en) Identification and presentation of internet-accessible content associated with currently playing television programs
US9100701B2 (en) Enhanced video systems and methods
US20160044357A1 (en) Personalized channel recommendation method and system
WO2009006234A2 (en) Automatic video recommendation
JP2009238115A (en) Information recommendation device and information recommendation method
KR20160083746A (en) Contents recommending service system, and apparatus and control method applied to the same
CN105653572A (en) Resource processing method and apparatus
KR20140032439A (en) System and method for enhancing user search results by determining a television program currently being displayed in proximity to an electronic device
JP2011175362A (en) Information processing apparatus, importance level calculation method, and program
KR101305535B1 (en) Recommendation system for moving picture
Chiny et al. Netflix recommendation system based on TF-IDF and cosine similarity algorithms
CN107506459A (en) A kind of film recommendation method based on film similarity
JP5627002B2 (en) Similar video output method, similar video output device, and similar video output program
JP2017182527A (en) Information processing system
Deldjoo et al. The 2019 Multimedia for Recommender System Task: MovieREC and NewsREEL at MediaEval.
JP6294279B2 (en) Content recommendation device, content recommendation system, content recommendation method, and program
JP5916790B2 (en) Video playback device, candidate extraction method and program
KR102072723B1 (en) Method for providing contents recommended word and apparatus for providing contents thereof
US20170177577A1 (en) Biasing scrubber for digital content

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
LAPS Lapse due to unpaid annual fee