KR101013942B1 - 추천 항목 제공 장치 및 방법 - Google Patents

추천 항목 제공 장치 및 방법 Download PDF

Info

Publication number
KR101013942B1
KR101013942B1 KR1020080129308A KR20080129308A KR101013942B1 KR 101013942 B1 KR101013942 B1 KR 101013942B1 KR 1020080129308 A KR1020080129308 A KR 1020080129308A KR 20080129308 A KR20080129308 A KR 20080129308A KR 101013942 B1 KR101013942 B1 KR 101013942B1
Authority
KR
South Korea
Prior art keywords
item
user
preference
items
extracting
Prior art date
Application number
KR1020080129308A
Other languages
English (en)
Other versions
KR20100070661A (ko
Inventor
이해성
권준희
Original Assignee
경기대학교 산학협력단
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 경기대학교 산학협력단 filed Critical 경기대학교 산학협력단
Priority to KR1020080129308A priority Critical patent/KR101013942B1/ko
Publication of KR20100070661A publication Critical patent/KR20100070661A/ko
Application granted granted Critical
Publication of KR101013942B1 publication Critical patent/KR101013942B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • 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
    • G06Q30/0282—Rating or review of business operators or products

Abstract

추천 항목 제공 장치 및 방법이 개시된다. 제1 사용자에게 추천 항목을 제공하는 추천 항목 제공 장치는, 제1 사용자의 컨텍스트(Context) 정보를 이용하여 필터링 대상 항목을 추출하는 필터링 대상 항목 추출부, 협업 필터링(Collaborative Filtering) 방식으로 필터링 대상 항목 중 추천 항목 목록을 추출하는 추천 항목 목록 추출부 및 추출된 추천 항목 목록을 제공하는 추천 항목 목록 제공부를 포함할 수 있다. 본 발명은 사용자가 실제로 선호하는 항목을 추천 항목으로 제공하여 사용자의 만족도를 높이고, 상품 또는 서비스가 효율적으로 제공될 수 있도록 하는 효과가 있다.
협업 필터링, 컨텍스트, 추천 시스템

Description

추천 항목 제공 장치 및 방법{Apparatus and Method for Offering Item Recommendation}
본 발명은 추천 항목 제공 장치 및 방법에 관한 것이다.
오늘날 세계는 정보로 넘쳐나고 있으며, 정보의 증가 속도는 점차 증가하여, 전체 정보량이 두 배가 되는 데 걸리는 주기도 점차 빨라지고 있다.
이에 따라 오늘날의 사용자는 넘쳐날 정도로 많은 정보 속에서 실제로 자신에게 필요한 정보만을 제공받아야 할 필요성을 필연적으로 가지게 되었다.
사용자에게 필요한 정보를 제공하고자 하는 연구가 학계 및 산업계에서 이루어지고 있으며, 이에 따라 맞춤형 광고 제공이나 쇼핑몰에서의 맞춤형 상품 추천이나, 영화예매 홈페이지에서의 영화 추천, 음악 판매 홈페이지에서의 음악 추천 등 추천 시스템이 실제로 사용되고 있다.
그러나 아직까지는 단순히 다른 사용자의 선호도(영화 별 점 등) 정보만을 이용하거나, 단순히 사용자의 신상 정보만을 이용하는 데 그치고 있어, 사용자가 진정으로 유용하다고 느낄 만한 정보를 제공하는 것이 어려운 실정이었다.
특히, 다른 사용자의 선호도 정보만을 이용하는 경우 현재 사용자의 취향이 고려되지 못하는 문제가 있고, 현재 사용자의 신상 정보만을 이용하는 경우 다른 사용자에 대한 선호도 정보, 또는 현재 사용자의 다른 항목에 대한 선호도 정보를 반영할 수 없어 고품질의 추천 시스템을 제공하기 어려웠다.
또한, 가까운 미래에 유비쿼터스(ubiquitous) 환경이 대중화될 것으로 예상되는 가운데, 사용자의 컨텍스트(Context, 상황) 정보를 보다 용이하고 상세하게 수집, 사용할 수 있어, 컨텍스트 정보를 보다 효과적으로 활용하는 추천 시스템의 제공이 요청되고 있다.
본 발명은 상술한 문제점을 해결하기 위하여 제안된 것으로, 사용자의 선호도 정보 및 컨텍스트 정보를 모두 이용하여 고품질의 추천 항목 제공 장치 및 방법을 제공하는 데 그 목적이 있다.
또한, 본 발명은 사용자가 실제로 선호하는 항목을 추천 항목으로 제공하여 사용자의 만족도를 높이고, 상품 또는 서비스가 효율적으로 제공될 수 있도록 하는 추천 항목 제공 장치 및 방법을 제공하는 데 그 목적이 있다.
또한, 본 발명은 유비쿼터스 환경에서 사용자의 컨텍스트 정보를 효과적으로 사용하는 추천 항목 제공 장치 및 방법을 제공하는 데 그 목적이 있다.
본 발명의 일 측면에 따르면 추천 항목 제공 장치가 제공된다.
본 발명의 일 실시 예에 따르는 제1 사용자에게 추천 항목을 제공하는 추천 항목 제공 장치는 상기 제1 사용자의 컨텍스트(Context) 정보를 이용하여 필터링 대상 항목을 추출하는 필터링 대상 항목 추출부, 협업 필터링(Collaborative Filtering) 방식으로 상기 필터링 대상 항목 중 추천 항목 목록을 추출하는 추천 항목 목록 추출부 및 상기 추출된 추천 항목 목록을 제공하는 추천 항목 목록 제공부를 포함할 수 있다.
본 발명의 다른 측면에 따르면 추천 항목 제공 방법이 제공된다.
본 발명의 일 실시 예에 따르는 제1 사용자에게 추천 항목을 제공하는 추천 항목 제공 방법은 상기 제1 사용자의 컨텍스트 정보를 이용하여 필터링 대상 항목을 추출하는 단계, 협업 필터링 방식으로 상기 필터링 대상 항목 중 추천 항목 목록을 추출하는 단계 및 상기 추출된 추천 항목 목록을 제공하는 단계를 포함할 수 있다.
본 발명의 또 다른 측면에 따르면 프로그램을 기록한 기록 매체가 제공된다.
제1 사용자에게 추천 항목을 제공하기 위해 전자장치에 의해 실행될 수 있는 명령어의 프로그램이 유형적으로 구현되어 있으며, 상기 전자장치에 의해 판독될 수 있는 프로그램을 기록한 기록매체는 상기 제1 사용자의 컨텍스트 정보를 이용하여 필터링 대상 항목을 추출하는 단계, 협업 필터링 방식으로 상기 필터링 대상 항목 중 추천 항목 목록을 추출하는 단계 및 상기 추출된 추천 항목 목록을 제공하는 단계를 실행할 수 있다.
본 발명에 따르면 사용자의 선호도 정보 및 컨텍스트 정보를 모두 이용하여 고품질의 추천 항목 제공 장치 및 방법을 제공하는 효과가 있다.
또한, 본 발명은 사용자가 실제로 선호하는 항목을 추천 항목으로 제공하여 사용자의 만족도를 높이고, 상품 또는 서비스가 효율적으로 제공될 수 있도록 하는 효과가 있다.
또한, 본 발명은 유비쿼터스 환경에서 사용자의 컨텍스트 정보를 효과적으로 사용하는 추천 항목 제공 장치 및 방법을 제공하는 효과가 있다.
이하, 본 발명에 따른 추천 항목 제공 장치 및 방법의 실시 예를 첨부도면을 참조하여 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어, 동일하거나 대응하는 구성 요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
도 1a는 본 발명의 일 실시 예에 따르는 추천 항목 제공 장치(100)의 블록구성도이다.
도 1a를 참조하면, 본 발명의 일 실시 예에 따르는 추천 항목 제공 장 치(100)는 필터링 대상 항목 추출부(110), 추천 항목 목록 추출부(120), 추천 항목 목록 제공부(130) 및 컨텍스트 태그 설정부(140)를 포함할 수 있다.
도 1a의 추천 항목 제공 장치(100)는 제1 사용자에게 추천 항목을 제공하기 위한 장치이다. 여기서 추천 항목은 실시 예에 따라 여러 가지 상품, 서비스, 정보 등이 될 수 있다. 예를 들어, 영화 예매를 하려는 이동 단말 사용자에게 영화를 추천할 수 있고, 금융 업무를 보려는 이동 단말 사용자에게 적합한 상품(펀드, 예금, 대출 등)을 추천할 수도 있다. 사용자에게 시간과 장소에 적합한 뉴스 기사를 추천할 수도 있다. RFID(Radio Frequency Identification, 무선 식별) 시스템과 같은 다양한 센서 기술을 활용하여 대형 할인점이나 백화점에서 사용자에게 적당한 상품을 추천할 수도 있을 것이다.
편의상 도 1a의 실시 예에서는 도서를 추천하는 것으로 가정한다.
도 1a의 실시 예에 대한 설명에서 제1 사용자라 함은, 현재 쇼핑몰이나 은행 홈페이지 등을 방문중인 사용자를 가리키는 것으로, 이 제1 사용자의 컨텍스트 정보를 활용하여 제1 사용자에게 적당한 항목을 추천하게 된다.
컨텍스트 태그 설정부(140)는 사용자의 컨텍스트 정보에 따라 상기 제1 사용자에 컨텍스트 태그를 설정한다.
사용자의 컨텍스트 정보는 사용자의 상황에 관한 정보를 말한다. 즉 예를 들면, 사용자의 신상 정보나 현재의 시기 정보, 위치 정보 등 수집이 가능한 모든 정보를 포함할 수 있다.
사용자의 신상 정보는 예를 들어 성별, 연령, 학력, 직업, 소득, 주거 구분, 취미 등의 정보 중 하나 이상을 포함할 수 있다. 시기 정보는 예를 들어 크리스마스 시즌, 명절, 방학, 계절, 올림픽 등의 정보 중 하나 이상을 포함할 수 있다. 위치 정보는 현재 사용자의 국가, 도시 정보가 될 수도 있고, 대형 할인점 안에서의 구체적인 위치 정보, 예를 들어 1m 범위의 오차를 가지는 위치정보나 가장 근접한 상품 코너 정보 중 하나 이상을 포함할 수 있다.
이 같은 사용자의 컨텍스트 정보는 사용자의 직접 입력에 의하여 수집될 수도 있고 (인터넷 홈페이지 가입 등) 관리자에 의하여 수집될 수도 있으며(올림픽 시즌 입력 등), 자동화된 프로그램으로 수집될 수도 있다. 예를 들어, 현재 날짜가 12월 1일부터 12월 25일 사이의 날짜인 경우 사용자의 컨텍스트 정보에 '크리스마스 시즌' 정보를 포함할 수 있다.
유비쿼터스 환경의 적용이 확산되면, RFID 시스템 등을 이용해 보다 용이하게 사용자의 컨텍스트 정보를 자동으로 수집할 수 있다.
이렇게 수집된 사용자의 컨텍스트 정보는 제1 사용자에 태그로 설정된다.
예를 들어 A사용자가 35세, 여성이고 현재 크리스마스 시즌이라는 컨텍스트 정보가 수집된 경우 A 사용자에 (30대 중반, 남성, 크리스마스)의 세 개의 태그를 설정할 수 있다. 후에 A 사용자에 대한 태그를 추출하고자 하면 위의 세 태그가 제공될 수 있다.
컨텍스트 태그 설정부(140)는 각 항목에도 태그를 설정할 수 있다. 예를 들어 도서에 설정되는 태그는 제목을 분석하여 설정하거나, 출판사 담당자 또는 도서 쇼핑몰 관리자에 의하여 설정될 수 있다.
다른 실시 예에 따르면, 사용자의 특정 항목에 대한 접근시의 사용자 컨텍스트에 따라 그 항목에 컨텍스트를 설정할 수 있다. 일종의 폭소노미(folksonomy)를 사용하는 것이다.
즉, 그 항목에 관심을 가진(구입 또는 조회) 사용자의 컨텍스트 정보를 분석하여 그 항목에 컨텍스트 태그를 설정할 수 있다. 예를 들어 A 항목을 구입한 사용자 중 98%의 연령이 23~26세라면 A 항목에 '20대 중반' 태그를 설정할 수 있을 것이다. 또는 제목에 '크리스마스'가 포함된 도서에 '크리스마스' 태그를 설정할 수 있을 것이다. 서울 강남구 역삼동 소재의 부동산 항목에는 '서울 강남구 역삼동' 태그를 설정할 수 있고, 제주도 소재 사용자가 주로 열람한 신문기사에는 '제주도' 태그를 설정할 수 있을 것이다.
이와 같이 폭소노미를 이용한 상황(컨텍스트) 태그 설정은 사용자의 상황(컨텍스트) 정보를 다른 사용자를 위한 항목 추천을 위해 공유할 수 있으며, 콘텐츠로의 접근과 검색이 용이하고, 사용자의 불편 없이 자동 추천 시스템의 신뢰도를 향상시킬 수 있는 장점이 있다.
필터링 대상 항목 추출부(110)는 제1 사용자의 컨텍스트(Context) 정보를 이용하여 필터링 대상 항목을 추출한다.
예를 들어 인터넷 도서 쇼핑몰의 경우 수십만~수억여 권의 도서 상품이 데이터베이스에 존재할 수 있는데, 이들 중 사용자의 컨텍스트 정보에 맞는 도서를 필터링 대상 항목으로서 추출할 수 있다.
이를 위하여 컨텍스트 태그 설정부(140)가 제1 사용자에 설정한 태그를 활용 할 수 있다. 제1 사용자에 (35세, 남성, 크리스마스)의 태그가 설정되어 있다면, 이 태그를 활용할 수 있다. 태그 설정의 방식을 취하지 않더라도, 제1 사용자의 컨텍스트 정보를 수집하여 활용할 수 있다.
필터링 대상 항목 추출부(110)는 제1 사용자에 설정된 컨텍스트 태그 중 제2 제한개수 이상의 태그와 일치하는 태그가 설정된 항목을 필터링 대상 항목으로서 추출할 수 있다.
제2 제한개수는 사용자 또는 관리자에 의하여 설정될 수 있다.
예를 들어 제1 사용자가 30대 중반, 여성이고 시기가 크리스마스 시즌이라고 가정한다. 제2 제한개수가 3이면 데이터베이스에 존재하는 도서 항목 중 '30대 중반', '여성', '크리스마스'에 해당하는 태그가 모두 설정된 도서 항목을 필터링 대상 항목으로서 추출할 수 있다.
제2 제한개수가 1이면 데이터베이스에 존재하는 도서 항목 중 '30대 중반', '여성', '크리스마스'에 해당하는 태그 중 어느 하나 이상이 설정된 도서 항목을 필터링 대상 항목으로서 추출할 수 있다.
실시 예에 따라 태그가 기계적으로 동일한 경우뿐 아니라 논리적으로 동일한 경우, 즉 유의어, 동의어(예를 들어 달걀과 계란)나 같은 뜻을 가지는 다른 언어로의 표현(예를 들어 달걀, 계란과 egg), 또는 서로 상하관계에 있는 표현(수상 스포츠와 윈드 서핑)에 해당하는 경우에도 태그가 일치한다고 할 수 있다.
예를 들어 제1 사용자에 '수상 스포츠' 태그가 설정되고, 제1 항목에 '윈드 서핑' 태그가 설정된 경우 '수상 스포츠' 태그와 '윈드 서핑' 태그는 일치한다고 할 수 있다.
추천 항목 목록 추출부(120)는 협업 필터링(Collaborative Filtering) 방식으로 상기 필터링 대상 항목 중 추천 항목 목록을 추출한다.
협업 필터링(collaborative filtering)은 많은 사용자로부터 얻은 기호정보(taste information)에 따라 사용자들의 관심사들을 자동으로 예측하게 해주는 방법이다. 협업 필터링 접근법의 근본적인 가정은 사용자들의 과거의 경향이 미래에서도 그대로 유지될 것이라는 전제에 있다. 예를 들어, 음악에 관한 협업 필터링 혹은 추천시스템(recommendation system)은 사용자들의 기호(좋음, 싫음)에 대한 부분적인 목록(partial list)을 이용하여 그 사용자의 음악에 대한 기호를 예측하게 된다. 이 시스템은 특정 사용자의 정보에만 국한된 것이 아니라 많은 사용자로부터 수집한 정보를 사용한다는 것이 특징이다. 이것이 단순히 투표를 한 수를 기반으로 각 아이템의 관심사에 대한 평균적인 평가로 처리하는 방법과 차별화된 것이다. 즉 고객들의 선호도와 관심 표현을 바탕으로 선호도, 관심에서 비슷한 패턴을 가진 고객들을 식별해 내는 기법이다. 비슷한 취향을 가진 고객들에게 서로 아직 구매하지 않은 상품들은 교차 추천하거나 분류된 고객의 취향이나 생활 형태에 따라 관련 상품을 추천하는 형태의 서비스를 제공하기 위해 사용된다.
협업 필터링의 종류는 아이템 기반 필터링(Item based filtering) 및 사용자 기반 필터링(User based filtering)을 포함한다.
협업 필터링에 대해서는 도 2a 및 도 2b를 참조하여 상세하게 후술한다.
추천 항목 목록 제공부(130)는 제1 사용자에게 추천 항목 목록을 제공한다.
예를 들어, 서점에서 책을 구입하려는 이동 단말 사용자의 단말기 화면 일부에 추천 도서의 구입 페이지로 연결되는 링크의 리스트를 표시할 수 있다.
도 1b는 본 발명의 일 실시 예에 따르는 추천 항목 목록 제공 인터페이스이다.
사용자란(150)에 현재 사용자의 식별자가 기재되어 있으며, 현재 컨텍스트 정보란(160)에는 현재 사용자의 컨텍스트로서 35세, 여성, 크리스마스가 기재되어 있다. 이 정보에 따라 추천 도서 목록(170)이 제공된다. 도 1b의 실시 예에서 단순히 도서의 제목만이 제시되었으나, 도서의 표지 사진, 저자, ISBN, 출판사, 가격 등의 정보도 함께 제공될 수 있다.
도 2a는 본 발명의 일 실시 예에 따르는 추천 항목 목록 추출부(120)의 블록 구성도이다.
도 2a의 실시 예에서 추천 항목 목록 추출부(120)는 협업 필터링 기법 중 아이템 기반 필터링 기법을 사용한다. 즉, 제1 사용자(현재 사용자)의 다른 항목(대상 항목을 제외한 항목)에 대한 선호도를 기초로 제1 사용자의 대상 항목에 대한 예상 선호도를 추출한다.
도 2a의 실시 예에 따르는 추천 항목 목록 추출부(120)는 항목 간 유사도 테이블 생성부(210a), 선호도 추출부(220a), 예상 선호도 추출부(230a), 목록 추출부(240) 및 정렬부(250)를 포함할 수 있다.
항목 간 유사도 테이블 생성부(210a)는 각 항목 간의 유사도를 계산한 데이터베이스를 생성한다.
표 1은 본 발명의 일 실시 예에 따르는 항목 간 유사도 테이블이다.
A B C D E F
A 1 0.023 0.3 0.128 0.103 0.148
B 0.023 1 0.045 0.222 0.091 0.4
C 0.3 0.045 1 0.105 0.065 0.182
D 0.128 0.222 0.105 1 0.12 0.073
E 0.103 0.091 0.065 0.12 1 0.2
F 0.148 0.4 0.182 0.073 0.2 1
완전히 동일한 항목 간의 유사도를 1이라고 하고 전혀 관련 없는 항목 간의 유사도를 0으로 가정하여 산출된 값을 나타낸다.
표 1을 참조하면 A와 D는 0.128의 유사도를 가지고, B와 F는 0.4의 유사도를 가진다. B는 F와는 비교적 유사하고(0.4) E(유사도 0.091)나 D(0.222)와는 덜 유사한 것을 알 수 있다.
이와 같은 유사도 테이블 생성을 위해 항목의 정보를 이용할 수 있다. 도서의 예를 들면, 출판사, 저자 등의 정보가 동일하면 유사도가 높아질 것이고, 또한 페이지 수, 장르, 제목의 유사성도 유사도 산출의 기준이 될 것이다. 유사도 추출을 위해 여러 기법이 사용될 수 있으나, 이는 공지기술이므로 상세한 설명을 생략한다.
선호도 추출부(220a)는 제1 사용자의 기 평가 항목에 대한 선호도를 추출한다. 즉 제1 사용자가 이미 구매하였거나 열람하고 평가(도서 별 점 등)를 내린 항목에 대한 선호도를 추출한다.
제1 사용자는 상기 표 1에서 D, E, F 항목을 이미 평가하였다고 가정한다.
제1 사용자는 D, E, F에 대해 각각 4.5, 4.0, 1.0의 선호도를 가진다고 가정한다.
이와 같은 선호도는 사용자의 입력이나 관리자의 입력, 사용자의 행동 패턴 분석으로 측정될 수 있다.
즉, 제1 사용자가 D, E, F 항목에 대해서 직접 선호도를 입력할 수도 있고, 관리자가 사용자의 평가 의견을 들어 입력할 수도 있다. 또는 사용자가 자주 접근한 항목, 오래 열람한 항목에 높은 선호도를 줄 수도 있다.
예상 선호도 추출부(230a)는 제1 사용자의 상기 기 평가 항목에 대한 선호도 및 상기 항목 간 유사도 테이블을 기초로 상기 제1 사용자의 상기 필터링 항목에 대한 예상 선호도를 추출한다.
예상 선호도 추출부(230a)는 가중치 선호도 추출부(231a) 및 정규 선호도 추출부(232a)를 포함할 수 있다.
가중치 선호도 추출부(231a)는 각 기 평가 항목에 대한 상기 제1 사용자의 선호도에 각 기 평가 항목과 제1 필터링 항목의 유사도를 곱한 값의 제1 총합을 추출한다.
표 2는 본 발명의 일 실시 예에 따르는 예상 선호도 추출 과정을 설명한 표이다.
항목 선호도 A와의 유사도 (A유사도) x (선호도) B와의 유사도 (B유사도) x (선호도) C와의 유사도 (C유사도) x (선호도)
D 4.5 0.128 0.576 0.222 0.999 0.105 0.473
E 4.0 0.103 0.312 0.091 0.364 0.065 0.26
F 1.0 0.148 0.148 0.4 0.4 0.182 0.182
총합 0.379 1.036 0.713 1.763 0.352 0.915
정규값 2.734 2.473 2.599
필터링 대상 항목 추출부(110)에서 D, E, F를 포함하는 항목을 필터링 대상 항목으로 추출하였고, A, B, C에 대해서는 제1 사용자가 선호도를 입력해 둔 것으로 가정하고, 항목간 유사도는 표 1을 참조하였다.
'선호도' 컬럼은 제1 사용자의 각 기 평가 항목에 대한 선호도를 나타낸다. 제1 사용자는 D, E, F 항목에 대해서 각각 4.5, 4.0, 1의 선호도를 가지는 것을 알 수 있다.
'A와의 유사도' 컬럼은 각 항목과 A 항목과의 유사도를 나타낸다. A와 D는 0.128의 유사도를 가지고, A와 E는 0.103의 유사도를 가지며, A와 F는 0.148의 유사도를 가진다.
(A유사도) x (선호도) 컬럼에는 제1 사용자의 각 항목에 대한 선호도와 각 항목과 A와의 유사도를 곱한 값이 기재된다.
D의 경우 4.5*0.128=0.576이 기재되고, E의 경우 4.0*0.103=0.312, F의 경우 1.0* 0.148=0.148이 기재된다. 이는 유사도에 따른 가중치를 고려한 값이다.
이에 따라 (A유사도) x (선호도) 컬럼의 D, E, F 항목에 대한 값의 총합(제1 총합)은 1.036이 된다.
정규 선호도 추출부(232a)는 제1 총합을 유사도의 총합으로 나누어 예상 선호도를 추출한다. 즉 제1 총합(1.036)을 A의 각 아이템에 대한 유사도의 총합 (0.379)로 나누어 정규 선호도 2.734를 추출해 낼 수 있다.
제1 총합을 유사도의 총합으로 나누는 이유는 가중치를 고려한 값이 유사도가 곱하여져 있으므로, 상대적으로 많은 수의 기 평가 항목과 유사한 항목이 상대적으로 높은 선호도 평가를 받을 수 있기 때문에 기 평가 항목과의 유사성과 무관하게 사용자의 예상 선호도를 추정하기 위함이다.
이와 같은 방식으로 A, B, C 항목에 대해서 2.784, 2.473, 2.599의 예상 선호도를 추출할 수 있다.
상기 예에서는 세 개의 항목에 대해서만 예상 선호도를 추출하였으나, 실제 적용에는 더욱 많은 수의 항목에 대해 예상 선호도를 추출할 수 있다.
목록 추출부(240)는 예상 선호도를 기초로 상기 필터링 항목 중 제1 제한개수의 항목을 포함하는 추천 항목 목록을 추출한다.
제1 제한개수는 사용자 또는 관리자에 의하여 설정되거나, 사용자 인터페이스(웹 브라우저 또는 단말의 화면 크기 등)에 의하여 결정될 수 있다.
예를 들어 제1 제한개수가 2로 설정됐다면, 표 2의 A, B, C 항목 중 예상 선호도가 높은 A, C 항목이 추천 항목 목록에 포함될 수 있다.
다른 실시 예에 따르면 제1 제한선호도 이상의 예상 선호도를 가지는 항목만이 추천 항목 목록에 포함될 수도 있다. 예를 들어 2.5 이상의 선호도를 가지는 항목만이 추천 항목 목록에 포함될 수도 있으며, 이 경우 A, C만이 추천 항목 목록에 포함된다.
정렬부(250)는 추천 항목 목록을 상기 예상 선호도를 기준으로 정렬한다. 표 2의 A, B, C 항목이 모두 추천 항목 목록에 포함된다면, 예상 선호도가 높은 순서인 A, C, B의 순서로 정렬하여 사용자에게 제공할 수 있다.
도 2b는 본 발명의 다른 실시 예에 따르는 추천 항목 목록 추출부(120)의 블록 구성도이다.
도 2b의 실시 예에서 추천 항목 목록 추출부(120)는 협업 필터링 기법 중 사용자 기반 필터링 기법을 사용한다. 죽 다른 사용자(제1 사용자를 제외한 사용자)의 대상 항목에 대한 선호도를 기초로 제1 사용자(현재 사용자)의 대상 항목의 예상 선호도를 추출한다.
사용자 기반 필터링 기법은 아이템 기반 필터링 기법과 매우 유사하지만, 예상 선호도를 추출하는 기반은 현재 사용자가 아닌 다른 사용자의 선호도 정보 및 사용자 간 유사도라는 점에서 차이가 있다.
도 2b의 실시 예에 따르는 추천 항목 목록 추출부(120)는 사용자 간 유사도 테이블 생성부(210b), 선호도 추출부(220b), 예상 선호도 추출부(230b), 목록 추출부(240) 및 정렬부(250)를 포함할 수 있다.
사용자 간 유사도 테이블 생성부(210b)는 각 사용자 간의 유사도를 계산한 데이터베이스를 생성한다.
표 3은 본 발명의 일 실시 예에 따르는 사용자 간 유사도 테이블이다.
P Q R S T U
P 1 0.023 0.3 0.128 0.103 0.148
Q 0.023 1 0.045 0.222 0.091 0.4
R 0.3 0.045 1 0.105 0.065 0.182
S 0.128 0.222 0.105 1 0.12 0.073
T 0.103 0.091 0.065 0.12 1 0.2
U 0.148 0.4 0.182 0.073 0.2 1
완전히 동일한 사용자 간의 유사도를 1이라고 하고 전혀 비유사한 사용자 간의 유사도를 0으로 가정하여 산출된 값을 나타낸다.
표 3을 참조하면 사용자 P와 사용자 S는 0.128의 유사도를 가지고, 사용자 Q와 사용자 U는 0.4의 유사도를 가진다. Q는 U와는 비교적 유사하고(0.4) T(유사도 0.091)나 S(0.222)와는 덜 유사한 것을 알 수 있다.
이와 같은 유사도 테이블 생성을 위해 사용자의 정보를 이용할 수 있다. 예를 들어, 성별이 같은 경우 유사도가 높아지고, 연령 차이가 클수록 유사도가 낮아질 수 있다. 또한, 직업군이 유사한 경우 유사도가 높아지고, 취미가 같은 경우 유사도가 높아질 수 있다. 유사도 추출을 위해 여러 기법이 사용될 수 있으나, 이는 공지기술이므로 상세한 설명을 생략한다.
선호도 추출부(220b)는 기 평가 사용자의 필터링 대상 항목에 대한 선호도를 추출한다.
필터링 대상 항목이 A라고 가정한다. A항목에 대해서 S, T, U 사용자(기 평가 사용자)가 평가를 하여 선호도 정보가 저장되어 있다고 가정한다.
즉 S, T, U 사용자는 A 항목을 이미 구매하였거나 열람하고 평가(도서 별 점 등)를 내렸으며, 이에 대한 선호도를 추출하게 된다.
예를 들면, A항목에 대해서 S 사용자는 4.5의 선호도를 가지고, T 사용자는 4.0, U 사용자는 1.0의 선호도를 가진다고 가정한다.
이와 같은 선호도는 사용자의 입력이나 관리자의 입력, 사용자의 행동 패턴 분석으로 측정될 수 있다.
즉, S, T, U 사용자가 A 항목에 대해서 직접 선호도를 입력할 수도 있고, 관리자가 사용자의 평가 의견을 들어 입력할 수도 있다. 또는 당해 사용자가 자주 접근한 항목, 오래 열람한 항목에 높은 선호도를 줄 수도 있다.
예상 선호도 추출부(230b)는 상기 기 평가 사용자의 상기 제1 항목에 대한 선호도 및 상기 사용자 간 유사도 테이블을 기초로 상기 제1 사용자의 상기 필터링 항목에 대한 예상 선호도를 추출한다.
예상 선호도 추출부(230b)는 가중치 선호도 추출부(231b) 및 정규 선호도 추출부(232b)를 포함할 수 있다.
가중치 선호도 추출부(231b)는 각 기 평가 사용자의 상기 제1 항목에 대한 선호도에 상기 각 기 평가 사용자와 제1 사용자의 유사도를 곱한 값의 제1 총합을 추출한다.
표 4는 본 발명의 다른 실시 예에 따르는 예상 선호도 추출 과정을 설명한 표이다.
사용자 선호도 P와의 유사도 (P유사도) x (선호도) Q와의 유사도 (Q유사도) x (선호도) R와의 유사도 (R유사도) x (선호도)
S 4.5 0.128 0.576 0.222 0.999 0.105 0.473
T 4.0 0.103 0.312 0.091 0.364 0.065 0.26
U 1.0 0.148 0.148 0.4 0.4 0.182 0.182
총합 0.379 1.036 0.713 1.763 0.352 0.915
정규값 2.734 2.473 2.599
필터링 대상 항목 추출부(110)에서 A 항목을 포함하는 항목을 필터링 대상 항목으로 추출하였고, A 항목에 대해 S, T, U 사용자가 선호도를 입력해 둔 것으로 가정하고, 사용자 간 유사도는 표 3을 참조하였다.
'선호도' 컬럼은 S, T, U 사용자의 A 항목에 대한 선호도를 나타낸다. A 항목에 대해서 S, T, U 사용자는 각각 4.5, 4.0, 1의 선호도를 가지는 것을 알 수 있다.
'P와의 유사도' 컬럼은 각 사용자와 P 사용자와의 유사도를 나타낸다. 사용자 S와 사용자 P는 0.128의 유사도를 가지고, 사용자 P와 사용자 T는 0.103의 유사도를 가지며, 사용자 P와 사용자 U는 0.148의 유사도를 가진다.
(P유사도) x (선호도) 컬럼에는 제1 사용자의 각 항목에 대한 선호도와 각 항목과 A와의 유사도를 곱한 값이 기재된다.
S의 경우 4.5*0.128=0.576이 기재되고, T의 경우 4.0*0.103=0.312, U의 경우 1.0* 0.148=0.148이 기재된다. 이는 유사도에 따른 가중치를 고려한 값이다.
이에 따라 (P유사도) x (선호도) 컬럼의 S, T, U 사용자에 대한 값의 총합(제1 총합)은 1.036이 된다.
정규 선호도 추출부(232b)는 제1 총합을 유사도의 총합으로 나누어 예상 선호도를 추출한다. 즉 제1 총합(1.036)을 P의 각 사용자에 대한 유사도의 총합 (0.379)로 나누어 정규 선호도 2.734를 추출해 낼 수 있다.
제1 총합을 유사도의 총합으로 나누는 이유는 가중치를 고려한 값이 유사도가 곱하여져 있으므로, 상대적으로 제1 사용자와 유사한 사용자에게 선호도 평가를 받은 항목이 상대적으로 높은 선호도 평가를 받을 수 있기 때문에 선호도 평가를 누구에게 받았는가와 무관하게 사용자의 예상 선호도를 추정하기 위함이다.
이와 같은 방식으로 P, Q, R 사용자에 대해서 2.784, 2.473, 2.599의 예상 선호도를 추출할 수 있다. 즉, A항목에 대해 P사용자는 2.784, Q 사용자는 2.478, R 사용자는 2.599의 선호도를 가질 것으로 예상할 수 있다.
위와 같은 방식으로 모든 필터링 대상 항목에 대한 P의 예상 선호도를 추출할 수 있다.
목록 추출부(240)와 정렬부(250)에서는 예상 선호도 추출부(230b)에서 추출한 각 항목에 대한 예상 선호도를 기준으로 추천 항목 목록을 정렬하여 제공한다. 이에 대해서는 도 2a를 참조하여 상술하였다.
도 3은 본 발명의 일 실시 예에 따르는 추천 항목 제공 과정의 순서도이다.
단계 S310에서 추천 항목 제공 장치(100)는 제1 사용자(현재 사용자)의 컨텍스트 정보에 따라 상기 제1 사용자에 컨텍스트 태그를 설정한다. 이에 대해서는 도 1a의 컨텍스트 태그 설정부(140)에 대한 설명에서 상세히 설명하였으므로, 여기서는 자세한 설명을 생략한다.
단계 S320에서 추천 항목 제공 장치(100)는 제1 항목에 대한 제2 사용자의 접근시의 컨텍스트에 따라 상기 제1 항목에 컨텍스트 태그를 설정한다. 여기서 제2 사용자는 제1 사용자(현재 사용자)를 제외한 사용자를 말한다.
이에 대해서는 도 1의 컨텍스트 태그 설정부(140)에 대한 설명에서 상세히 설명하였으므로, 여기서는 자세한 설명을 생략한다.
단계 S330에서 제1 사용자의 컨텍스트 정보를 이용하여 필터링 대상 항목을 추출한다. 즉 현재 사용자의 성별, 연령, 시기 등 컨텍스트 정보를 이용하여 이에 맞는 항목을 필터링 대상 항목으로서 추출한다. 이에 대해서는 도 1a의 필터링 대상 항목 추출부(110)에 대한 설명에서 상세히 설명하였으므로, 여기서는 자세한 설명을 생략한다.
단계 S340에서 협업 필터링 방식으로 필터링 대상 항목 중 추천 항목 목록을 추출한다. 이에 대해서는 도 1a의 추천 항목 목록 추출부(120)에 대한 설명 및 도 2a, 도 2b를 참조하여 상세히 설명하였다. 또한, 추천 항목 목록 추출 과정에 대해서 도 4a내지 도 4d를 참조하여 보충설명 할 것이다.
단계 S350에서 추출된 추천 항목 목록을 제공한다. 이에 대해서는 도 1a의 추천 항목 목록 제공부(130)에 대한 설명 및 도 1b에 대한 설명에서 상세히 설명하였으므로, 여기서는 자세한 설명을 생략한다.
도 4a는 본 발명의 일 실시 예에 따르는 도 3의 단계 S340의 상세 순서도이다.
도 4a의 과정에서는 아이템 기반 협업 필터링 기법을 사용한다.
단계 S410a에서 추천 항목 목록 추출부(120)는 항목 간 유사도 테이블을 생성한다. 이에 대해서는 도 2a의 항목 간 유사도 테이블 생성부(210a)에 대한 설명에서 상세히 설명하였다.
단계 S420a에서 추천 항목 목록 추출부(120)는 제1 사용자의 기 평가 항목에 대한 선호도를 추출한다. 이에 대해서는 도 2a의 선호도 추출부(220a)에 대한 설명에서 상세히 설명하였다.
단계 S430a에서 추천 항목 목록 추출부(120)는 제1 사용자의 기 평가 항목에 대한 선호도 및 상기 항목 간 유사도 테이블을 기초로 제1 사용자의 상기 필터링 항목에 대한 예상 선호도를 추출한다.
도 4b는 도 4a의 단계 S430a의 상세 순서도이다.
단계 S431a에서 추천 항목 목록 추출부(120)는 각 기 평가 항목에 대한 제1 사용자의 선호도에 각 기 평가 항목과 제1 필터링 항목의 유사도를 곱한 값의 제1 총합을 추출한다. 이에 대해서는 도 2a의 가중치 선호도 추출부(231a)에 대한 설명에서 상세히 설명하였다.
단계 S432a에서 추천 항목 목록 추출부(120)는 제1 총합을 상기 유사도의 총합으로 나누어 예상 선호도를 추출한다. 이에 대해서는 도 2a의 정규 선호도 추출부(232a)에 대한 설명에서 상세히 설명하였다.
단계 S440에서 추천 항목 목록 추출부(120)는 예상 선호도를 기초로 필터링 항목 중 제1 제한개수의 항목을 포함하는 추천 항목 목록을 추출한다. 이에 대해서는 도 2a의 목록 추출부(240)에 대한 설명에서 상세히 설명하였다.
단계 S450에서 추천 항목 목록 추출부(120)는 상기 추천 항목 목록을 상기 예상 선호도를 기준으로 정렬한다. 이에 대해서는 도 2a의 정렬부(250)에 대한 설명에서 상세히 설명하였다.
이와 같은 과정을 통해 추출된 추천 항목 목록이 도 1b와 같은 인터페이스를 통해 사용자에게 제공되게 된다.
도 4c는 본 발명의 일 실시 예에 따르는 도 3의 단계 S340의 상세 순서도이다.
도 4c의 과정에서는 사용자 기반 협업 필터링 기법을 사용한다.
단계 S410b에서 추천 항목 목록 추출부(120)는 사용자 간 유사도 테이블을 생성한다. 이에 대해서는 도 2b의 사용자 간 유사도 테이블 생성부(210b)에 대한 설명에서 상세히 설명하였다.
단계 S420b에서 추천 항목 목록 추출부(120)는 기 평가 사용자의 상기 필터링 대상 항목에 대한 선호도를 추출한다. 이에 대해서는 도 2b의 선호도 추출부(220b)에 대한 설명에서 상세히 설명하였다.
단계 S430b에서 추천 항목 목록 추출부(120)는 상기 기 평가 사용자의 상기 제1 항목에 대한 선호도 및 상기 사용자 간 유사도 테이블을 기초로 상기 제1 사용자의 상기 필터링 항목에 대한 예상 선호도를 추출한다.
도 4d는 도 4c의 단계 S430b의 상세 순서도이다.
단계 S431b에서 추천 항목 목록 추출부(120) 각 기 평가 사용자의 상기 제1 항목에 대한 선호도에 상기 각 기 평가 사용자와 제1 사용자의 유사도를 곱한 값의 제1 총합을 추출한다. 이에 대해서는 도 2b의 가중치 선호도 추출부(231b)에 대한 설명에서 상세히 설명하였다.
단계 S432b에서 추천 항목 목록 추출부(120)는 제1 총합을 상기 유사도의 총합으로 나누어 예상 선호도를 추출한다. 이에 대해서는 도 2b의 정규 선호도 추출부(232b)에 대한 설명에서 상세히 설명하였다.
단계 S440에서 추천 항목 목록 추출부(120)는 예상 선호도를 기초로 필터링 항목 중 제1 제한개수의 항목을 포함하는 추천 항목 목록을 추출한다. 이에 대해서는 도 2a의 목록 추출부(240)에 대한 설명에서 상세히 설명하였다.
단계 S450에서 추천 항목 목록 추출부(120)는 상기 추천 항목 목록을 상기 예상 선호도를 기준으로 정렬한다. 이에 대해서는 도 2a의 정렬부(250)에 대한 설명에서 상세히 설명하였다.
이와 같은 과정을 통해 추출된 추천 항목 목록이 도 1b와 같은 인터페이스를 통해 사용자에게 제공되게 된다.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
본 발명의 실시 예는 다양한 컴퓨터로 구현되는 동작을 수행하기 위한 프로그램 명령을 포함하는 컴퓨터 판독 가능 매체를 포함할 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 로컬 데이터 파일, 로컬 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.
또한, 도 1a, 2a, 2b에 도시된 구성요소들은 반드시 하드웨어 구성을 가질 필요는 없으며, 일부 구성요소는 동일 또는 유사한 기능을 수행하는 응용 프로그램의 형태로 구현될 수 있다. 또한, 각 구성요소들은 발명의 사상 범위 내에서 결합되거나 분리될 수도 있음은 물론이다.
이제까지 본 발명에 대하여 그 실시 예를 중심으로 살펴보았다. 전술한 실시 예 외의 많은 실시 예들이 본 발명의 특허청구범위 내에 존재한다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시 예는 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.
도 1a는 본 발명의 일 실시 예에 따르는 추천 항목 제공 장치(100)의 블록구성도이다.
도 1b는 본 발명의 일 실시 예에 따르는 추천 항목 목록 제공 인터페이스이다.
도 2a는 본 발명의 일 실시 예에 따르는 추천 항목 목록 추출부(120)의 블록 구성도이다.
도 2b는 본 발명의 다른 실시 예에 따르는 추천 항목 목록 추출부(120)의 블록 구성도이다.
도 3은 본 발명의 일 실시 예에 따르는 추천 항목 제공 과정의 순서도이다.
도 4a는 본 발명의 일 실시 예에 따르는 도 3의 단계 S340의 상세 순서도이다.
도 4b는 도 4a의 단계 S430a의 상세 순서도이다.
도 4c는 본 발명의 일 실시 예에 따르는 도 3의 단계 S340의 상세 순서도이다.
도 4d는 도 4c의 단계 S430b의 상세 순서도이다.

Claims (17)

  1. 제1 사용자에게 추천 항목을 제공하는 추천 항목 제공 장치에 있어서,
    상기 제1 사용자의 컨텍스트(Context) 정보를 이용하여 필터링 대상 항목을 추출하는 필터링 대상 항목 추출부;
    협업 필터링(Collaborative Filtering) 방식으로 상기 필터링 대상 항목 중 추천 항목 목록을 추출하는 추천 항목 목록 추출부; 및
    상기 추출된 추천 항목 목록을 제공하는 추천 항목 목록 제공부를 포함하되,
    상기 추천 항목 목록 추출부는,
    항목 간 유사도 테이블을 생성하는 항목 간 유사도 테이블 생성부;
    상기 제1 사용자의 기 평가 항목에 대한 선호도를 추출하는 선호도 추출부;
    상기 제1 사용자의 상기 기 평가 항목에 대한 선호도 및 상기 항목 간 유사도 테이블을 기초로 상기 제1 사용자의 상기 필터링 항목에 대한 예상 선호도를 추출하는 예상 선호도 추출부; 및
    상기 예상 선호도를 기초로 상기 필터링 항목 중 제1 제한개수의 항목을 포함하는 추천 항목 목록을 추출하는 목록 추출부를 포함하는 추천 항목 제공 장치.
  2. 삭제
  3. 제1항에 있어서,
    상기 추천 항목 목록 추출부는,
    사용자 간 유사도 테이블을 생성하는 사용자 간 유사도 테이블 생성부;
    기 평가 사용자의 상기 필터링 대상 항목에 대한 선호도를 추출하는 선호도 추출부;
    상기 기 평가 사용자의 제1 항목에 대한 선호도 및 상기 사용자 간 유사도 테이블을 기초로 상기 제1 사용자의 상기 필터링 항목에 대한 예상 선호도를 추출하는 예상 선호도 추출부; 및
    상기 예상 선호도를 기초로 상기 필터링 항목 중 제1 제한개수의 항목을 포함하는 추천 항목 목록을 추출하는 목록 추출부를 포함하는 추천 항목 제공 장치.
  4. 제1항 또는 제3항에 있어서,
    상기 추천 항목 목록 추출부는,
    상기 추천 항목 목록을 상기 예상 선호도를 기준으로 정렬하는 정렬부를 더 포함하는 추천 항목 제공 장치.
  5. 제1항에 있어서,
    상기 예상 선호도 추출부는,
    각 기 평가 항목에 대한 상기 제1 사용자의 선호도에 상기 각 기 평가 항목과 제1 필터링 항목의 유사도를 곱한 값의 제1 총합을 추출하는 가중치 선호도 추출부;
    상기 제1 총합을 상기 유사도의 총합으로 나누어 예상 선호도를 추출하는 정규 선호도 추출부를 포함하는 추천 항목 제공 장치.
  6. 제3항에 있어서,
    상기 예상 선호도 추출부는,
    각 기 평가 사용자의 상기 제1 항목에 대한 선호도에 상기 각 기 평가 사용자와 제1 사용자의 유사도를 곱한 값의 제1 총합을 추출하는 가중치 선호도 추출부;
    상기 제1 총합을 상기 유사도의 총합으로 나누어 예상 선호도를 추출하는 정규 선호도 추출부를 포함하는 추천 항목 제공 장치.
  7. 제1항 또는 제3항에 있어서,
    상기 추천 항목 제공 장치는,
    상기 제1 사용자의 컨텍스트 정보에 따라 상기 제1 사용자에 컨텍스트 태그를 설정하는 컨텍스트 태그 설정부를 더 포함하고,
    상기 필터링 대상 항목 추출부는,
    상기 제1 사용자에 설정된 컨텍스트 태그 중 제2 제한개수 이상의 태그와 일치하는 태그가 설정된 항목을 필터링 대상 항목으로서 추출하는 추천 항목 제공 장치.
  8. 제1항 또는 제3항에 있어서,
    제1 항목에 대한 제2 사용자의 접근시의 컨텍스트에 따라 상기 제1 항목에 컨텍스트 태그를 설정하는 컨텍스트 태그 설정부를 더 포함하는 추천 항목 제공 장치.
  9. 제1 사용자에게 추천 항목을 제공하는 추천 항목 제공 방법에 있어서,
    상기 제1 사용자의 컨텍스트 정보를 이용하여 필터링 대상 항목을 추출하는 단계;
    협업 필터링 방식으로 상기 필터링 대상 항목 중 추천 항목 목록을 추출하는 단계; 및
    상기 추출된 추천 항목 목록을 제공하는 단계를 포함하되,
    상기 협업 필터링 방식으로 상기 필터링 대상 항목 중 추천 항목 목록을 추출하는 단계는,
    항목 간 유사도 테이블을 생성하는 단계;
    상기 제1 사용자의 기 평가 항목에 대한 선호도를 추출하는 단계;
    상기 제1 사용자의 상기 기 평가 항목에 대한 선호도 및 상기 항목 간 유사도 테이블을 기초로 상기 제1 사용자의 상기 필터링 항목에 대한 예상 선호도를 추출하는 단계; 및
    상기 예상 선호도를 기초로 상기 필터링 항목 중 제1 제한개수의 항목을 포함하는 추천 항목 목록을 추출하는 단계를 포함하는 추천 항목 제공 방법.
  10. 삭제
  11. 제9항에 있어서,
    상기 협업 필터링 방식으로 상기 필터링 대상 항목 중 추천 항목 목록을 추출하는 단계는,
    사용자 간 유사도 테이블을 생성하는 단계;
    기 평가 사용자의 상기 필터링 대상 항목에 대한 선호도를 추출하는 단계;
    상기 기 평가 사용자의 제1 항목에 대한 선호도 및 상기 사용자 간 유사도 테이블을 기초로 상기 제1 사용자의 상기 필터링 항목에 대한 예상 선호도를 추출하는 단계; 및
    상기 예상 선호도를 기초로 상기 필터링 항목 중 제1 제한개수의 항목을 포함하는 추천 항목 목록을 추출하는 단계를 포함하는 추천 항목 제공 방법.
  12. 제9항 또는 제11항에 있어서,
    상기 협업 필터링 방식으로 상기 필터링 대상 항목 중 추천 항목 목록을 추출하는 단계는,
    상기 추천 항목 목록을 상기 예상 선호도를 기준으로 정렬하는 단계를 더 포함하는 추천 항목 제공 방법.
  13. 제9항에 있어서,
    상기 제1 사용자의 상기 기 평가 항목에 대한 선호도 및 상기 항목 간 유사도 테이블을 기초로 상기 제1 사용자의 상기 필터링 항목에 대한 예상 선호도를 추출하는 단계는,
    각 기 평가 항목에 대한 상기 제1 사용자의 선호도에 상기 각 기 평가 항목과 제1 필터링 항목의 유사도를 곱한 값의 제1 총합을 추출하는 단계;
    상기 제1 총합을 상기 유사도의 총합으로 나누어 예상 선호도를 추출하는 단계를 포함하는 추천 항목 제공 방법.
  14. 제11항에 있어서,
    상기 기 평가 사용자의 상기 제1 항목에 대한 선호도 및 상기 사용자 간 유사도 테이블을 기초로 상기 제1 사용자의 상기 필터링 항목에 대한 예상 선호도를 추출하는 단계는,
    각 기 평가 사용자의 상기 제1 항목에 대한 선호도에 상기 각 기 평가 사용자와 제1 사용자의 유사도를 곱한 값의 제1 총합을 추출하는 단계;
    상기 제1 총합을 상기 유사도의 총합으로 나누어 예상 선호도를 추출하는 단계를 포함하는 추천 항목 제공 방법.
  15. 제9항 또는 제11항에 있어서,
    상기 추천 항목 제공 방법은,
    상기 제1 사용자의 컨텍스트 정보에 따라 상기 제1 사용자에 컨텍스트 태그를 설정하는 단계를 더 포함하고,
    상기 제1 사용자의 컨텍스트 정보를 이용하여 필터링 대상 항목을 추출하는 단계는,
    상기 제1 사용자에 설정된 컨텍스트 태그 중 제2 제한개수 이상의 태그와 일치하는 태그가 설정된 항목을 필터링 대상 항목으로서 추출하는 단계를 포함하는 추천 항목 제공 방법.
  16. 제15항에 있어서,
    상기 추천 항목 제공 방법은,
    제1 항목에 대한 제2 사용자의 접근시의 컨텍스트에 따라 상기 제1 항목에 컨텍스트 태그를 설정하는 단계를 더 포함하는 추천 항목 제공 방법.
  17. 제1 사용자에게 추천 항목을 제공하기 위해 전자장치에 의해 실행될 수 있는 명령어의 프로그램이 유형적으로 구현되어 있으며, 상기 전자장치에 의해 판독될 수 있는 프로그램을 기록한 기록매체에 있어서,
    상기 제1 사용자의 컨텍스트 정보를 이용하여 필터링 대상 항목을 추출하는 단계;
    협업 필터링 방식으로 상기 필터링 대상 항목 중 추천 항목 목록을 추출하는 단계; 및
    상기 추출된 추천 항목 목록을 제공하는 단계를 포함하되,
    상기 협업 필터링 방식으로 상기 필터링 대상 항목 중 추천 항목 목록을 추출하는 단계는,
    항목 간 유사도 테이블을 생성하는 단계;
    상기 제1 사용자의 기 평가 항목에 대한 선호도를 추출하는 단계;
    상기 제1 사용자의 상기 기 평가 항목에 대한 선호도 및 상기 항목 간 유사도 테이블을 기초로 상기 제1 사용자의 상기 필터링 항목에 대한 예상 선호도를 추출하는 단계; 및
    상기 예상 선호도를 기초로 상기 필터링 항목 중 제1 제한개수의 항목을 포함하는 추천 항목 목록을 추출하는 단계를 포함하는 추천 항목 제공 방법을 실행하는 프로그램을 기록한 기록매체.
KR1020080129308A 2008-12-18 2008-12-18 추천 항목 제공 장치 및 방법 KR101013942B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020080129308A KR101013942B1 (ko) 2008-12-18 2008-12-18 추천 항목 제공 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020080129308A KR101013942B1 (ko) 2008-12-18 2008-12-18 추천 항목 제공 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20100070661A KR20100070661A (ko) 2010-06-28
KR101013942B1 true KR101013942B1 (ko) 2011-02-14

Family

ID=42368379

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020080129308A KR101013942B1 (ko) 2008-12-18 2008-12-18 추천 항목 제공 장치 및 방법

Country Status (1)

Country Link
KR (1) KR101013942B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101216692B1 (ko) 2011-09-06 2012-12-31 (주)코리아센터닷컴 쇼핑몰 관리 시스템 및 그를 이용한 쇼핑몰 관리 방법
KR20150114087A (ko) * 2014-03-31 2015-10-12 한양대학교 산학협력단 업데이트된 뉴스 콘텐츠 제공 방법 및 장치

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101600893B1 (ko) * 2014-07-03 2016-03-08 공주대학교 산학협력단 주관적 성향을 고려한 퍼지 적분 기반의 상품 만족도 추론 시스템
KR101864822B1 (ko) * 2016-09-12 2018-06-05 고려대학교 산학협력단 사용자를 위한 항목을 추천하는 장치 및 방법
KR102399808B1 (ko) * 2020-09-28 2022-05-18 연세대학교 산학협력단 변형 자기유사도를 이용한 반복구매상품 추천시스템 및 추천방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20010089778A (ko) * 1999-11-05 2001-10-08 요트.게.아. 롤페즈 정보 소스들을 위한 매체의 융합
KR20050011754A (ko) * 2002-06-18 2005-01-29 코닌클리케 필립스 일렉트로닉스 엔.브이. 사용자의 관심을 나타내는 항목을 추천하기 위한 적응형스테레오타입의 프로파일을 위한 방법 및 장치
KR100578357B1 (ko) 2004-10-27 2006-05-11 주식회사 케이티프리텔 통신망을 이용한 컨텐츠 추천 서비스 방법 및 시스템

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20010089778A (ko) * 1999-11-05 2001-10-08 요트.게.아. 롤페즈 정보 소스들을 위한 매체의 융합
KR20050011754A (ko) * 2002-06-18 2005-01-29 코닌클리케 필립스 일렉트로닉스 엔.브이. 사용자의 관심을 나타내는 항목을 추천하기 위한 적응형스테레오타입의 프로파일을 위한 방법 및 장치
KR100578357B1 (ko) 2004-10-27 2006-05-11 주식회사 케이티프리텔 통신망을 이용한 컨텐츠 추천 서비스 방법 및 시스템

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101216692B1 (ko) 2011-09-06 2012-12-31 (주)코리아센터닷컴 쇼핑몰 관리 시스템 및 그를 이용한 쇼핑몰 관리 방법
KR20150114087A (ko) * 2014-03-31 2015-10-12 한양대학교 산학협력단 업데이트된 뉴스 콘텐츠 제공 방법 및 장치
KR101663359B1 (ko) 2014-03-31 2016-10-07 한양대학교 산학협력단 업데이트된 뉴스 콘텐츠 제공 방법 및 장치

Also Published As

Publication number Publication date
KR20100070661A (ko) 2010-06-28

Similar Documents

Publication Publication Date Title
Chen et al. Developing recommender systems with the consideration of product profitability for sellers
Hsu A personalized English learning recommender system for ESL students
Kim et al. Development of a recommender system based on navigational and behavioral patterns of customers in e-commerce sites
Jooa et al. Implementation of a recommendation system using association rules and collaborative filtering
Wang et al. A personalized recommender system for the cosmetic business
US8407104B2 (en) Catalog based price search
US20090248496A1 (en) System and method for automating market analysis from anonymous behavior profiles
US20160012511A1 (en) Methods and systems for generating recommendation list with diversity
KR20140026932A (ko) 사용자 성향 분석을 통한 맞춤형 쇼핑 정보 제공 시스템 및 방법
US20160063547A1 (en) Method and system for making targeted offers
EP2478448A1 (en) Method and apparatus for data traffic analysis and clustering
Badriyah et al. Recommendation system for property search using content based filtering method
KR20180052489A (ko) 사용자 경험분석 및 환경요인에 기초한 크로스보더 전자상거래 상품 추천 방법
KR101013942B1 (ko) 추천 항목 제공 장치 및 방법
US20160275553A1 (en) Methods and systems for comparing merchants, and predicting the compatibility of a merchant with a potential customer
KR20030058660A (ko) 개인화 시스템에서 사용자의 컨텐트 선호도를 이용한협업필터링 학습방법
Ryngksai et al. Recommender systems: types of filtering techniques
KR20110114071A (ko) 상품 관련 인터넷 게시물에 기반한 광고 방법 및 광고 시스템
Bogers Recommender systems for social bookmarking
US20070276720A1 (en) Indexing of a focused data set through a comparison technique method and apparatus
Markellou et al. Personalized e-commerce recommendations
Engel et al. Fuzzy multi attribute decision making–simple additive weighting (MADM-SAW) for information retrieval (IR) in e-commerce recommendation
KR102429104B1 (ko) 인공지능에 기반한 상품 카탈로그 자동 분류 시스템
WO2021181900A1 (ja) ターゲットユーザ特徴抽出方法、ターゲットユーザ特徴抽出システム及びターゲットユーザ特徴抽出サーバ
Diwandari et al. Analysis of customer purchase behavior using association rules in e-shop

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