KR101031602B1

KR101031602B1 - 휴대용미디어플레이어 파일들에 우선순위를 설정하는시스템 및 방법

Info

Publication number: KR101031602B1
Application number: KR1020087019305A
Authority: KR
Inventors: 릭 행가트너; 프란시스코 마틴; 세르 바르똘로메 다비드 델; 구일레르모 카우데빌라-랄리에나; 매트 맥래플린; 크레이그 롤리; 앤드류 입; 짐 슈어
Original assignee: 스트랜즈, 아이엔씨.
Priority date: 2006-02-10
Filing date: 2007-02-12
Publication date: 2011-04-27
Also published as: KR20080093120A; US20110251995A1; JP5075132B2; US20090132453A1; EP2024811A2; EP2024811A4; US7987148B2; JP2009527034A; WO2007095272A3; US7743009B2; US20100268680A1; KR20100090312A; US8214315B2; BRPI0708030A2; WO2007095272A2

Abstract

휴대용 미디어 플레이어에서 미디어아이템들을 자동으로 삭제 및/또는 부가하기 위해 휴대용 미디어 플레이어 파일들의 우선순위를 설정하는 방법 및 시스템들의 실시예가 개시되었다. 일부 실시예에서, 예를 들어 사용자취향 데이터에 따라 휴대용 미디어 플레이어 상에서 어떠한 미디어 아이템들을 삭제해야하는지를 추론하는 방법이 기술되었다. 일부 실시예에서, 새로운 미디어 아이템들이 플레이목록생성부로부터 하나 이상의 플레이목록들을 생성함으로써 사용자의 휴대용 미디어 플레이어에 로딩될 수 있다. 플레이목록(들)은 사용자취향데이터를 이용하여 생성될 수 있다. 현재 휴대용 미디어 플레이어 상의 미디어 아이템들을 삭제하거나 기기로 새로운 미디어 아이템들을 부가하기 위해 순위를 설정하기 위해 순위들이 생성된다.

Description

휴대용미디어플레이어 파일들에 우선순위를 설정하는 시스템 및 방법{Systems and Methods for prioritizing mobile media player files}

본 발명은 휴대용미디어플레이어 파일들에 우선순위를 설정하는 시스템 및 방법에 관한 것이다.

도 1 은 휴대용미디어플레이어에서 자동으로 미디어아이템들을 삭제하는 방법의 일 실시예를 도시한 흐름도이다.

도 2 는 확률 계산 과정의 일 실시예를 도시한 흐름도이다.

도 3 은 휴대용미디어플레이어에서 미디어아이템들을 자동으로 삭제하는 방법의 또 다른 일 실시예를 도시한 흐름도이다.

도 4 는 휴대용미디어플레이어에서 미디어아이템들을 자동으로 삭제하는 방법 및 플레이어에 새로운 미디어아이템들을 선택하여 부가하는 일 실시예를 도시한 흐름도이다.

이하 프로그래밍 소프트웨어의 특정 모듈에 대한 상세한 설명, 사용자 선택, 네트워크 트랜잭션들, 데이터베이스 요청, 데이터베이스 구조들이 본 발명의 실시예를 통해 이해를 돕기 위해 제시되었다. 그러나, 본 기술 분야의 통상의 지 식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다.

일부 경우, 공지된 구조, 물질 또는 동작들은 본 발명의 실시예의 관점에 초점을 맞추기 위해 상세히 기술되지 않았다. 또한, 기술된 구성, 구조 또는 특징들은 다양한 변형이 가능하다. 본 발명은 또한 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다.

본 발명의 실시예에서 제시한 방법 및 시스템은 PC, 랩탑, PDA 및 다른 데스크탑이나 휴대용 전자 장치와 같은 곳에서 공통적으로 사용되는 마이클로프로세서 유형들과 같은 하나 이상의 디지털 프로세서들을 이용하여 수행될 수 있다.

본 발명에서는 휴대용미디어플레이어 파일들의 우선순위를 정하는 방법 및 시스템에 대한 실시예들이 개시되었다. 본 발명의 일부 실시예들은 휴대용미디어플레이어에서 미디어아이템들과 같은 파일을 자동으로 삭제하는 방법 및 시스템이 제공된다. 일부 실시예에서, 예를 들어 사용자의 데이터 취향에 맞추어 휴대용미디어플레이어상에서 어떠한 미디어아이템들을 삭제해야하는지를 추론하는 통계적 방법이 제시된다. 이러한 파일들을 삭제함으로써 새로운 미디어아이템들이 미디어플레이어 상에 옮길 수 있는 공간을 제공해준다. 하나 이상의 사용자 취향 계수들과, 계획된 재생 시나리오들, 및/또는 명시적으로 구체화된 사용자 선호도들을 조합하여 필수공간제약을 충족시키기 위해 아이템들의 우선순위를 최상위부터 최하위까지 분류한다.

또한, 본 발명의 일부 실시예에서는 미디어아이템들을 휴대용미디어플레이어에 담기 위한 방법 및 시스템을 제시한다. 일부 실시예에서는, 하루가 시작될 쯤이나 또는 여행전과 같이 특정 이벤트 전 및/또는 정해진 시간에 자동-담기(auto-filling) 동작이 자동으로 수행될 수 있다. 일부 실시예에서는 장치에 로딩 될 새로운 미디어아이템들이 앞으로 발생할 것이 예상되는 이벤트에 맞추어 사용자의 선호도 취향에 따라 선택될 수 있다. 시스템 호스트 서버에서 파악한 사용자의 데이터 취향 히스토리 및 데이터의 일치성에 따라 최근에 데이터를 담은 이후에 장치에 누적된 사용자취향데이터를 통합한 것을 일부 기초로 하여 새로운 미디어아이템들을 또한 선택하거나 현재 장치에 있는 아이템들을 삭제한다.

본 발명의 일 실시예에서, 하나 이상의 휴대용미디어플레이어들이 제공된다. 각 휴대용미디어플레이어는 현재 아이템 플레이목록에 있는 미디어아이템들을 플레이하도록 구현된다. 플레이목록을 수정하는 구성이 제공되며, 사용자의 휴대용미디어플레이어에서 미디어아이템 플레이목록을 수신하고, 휴대용미디어플레이어와 연관된 사용자취향데이터를 분석한 후 이를 이용하여 플레이목록을 수정하는 구성에서 미디어아이템 플레이목록을 수정한다. 네트워크전송부는 휴대용미디어플레이어에 미디어아이템들을 전송하거나 수정된 미디어아이템 플레이목록에 따라 휴대용미디어플레이어에서 미디어아이템들을 삭제한다. 또한, 수정된 미디어아이템 플레이목록은 다운로드를 월할 경우 휴대용미디어플레이어에 다운로드가 가능하다.

플레이목록수정부는 사용자취향데이터 분석에 따라 미디어아이템 플레이목록 내에서 미디어아이템들의 순위를 설정한다. 또한 본 실시예에서, 네트워크전송부는 유사한 순위에 따라 휴대용미디어플레이어에서 미디어아이템들을 삭제할 수 있다. 또한 플레이목록수정부는 사용자취향데이터를 기초로 하나 이상의 플레이목록들을 생성하는 플레이목록생성부(a play list builder)를 포함할 수 있다. 플레이목록생성부는 사용자취향데이터으로부터 생성된 적어도 하나의 플레이목록 내의 미디어아이템들의 순위를 매길 수 있다. 이렇게 플레이목록 내의 미디어아이템들이 순위가 매겨지면, 네트워크전송부는 순위에 따라 휴대용미디어플레이어로 미디어아이템들을 다운로드 한다. 시스템은 그에 따라 미디어아이템들의 순위를 매겨 휴대용미디어플레이어에서 미디어아이템들을 삭제하거나 부가할 수 있다.

일부 실시예들에서, 플레이목록수정부는 이전 세션의 사용자취향데이터와 현재 사용자취향데이터를 비교하여 사용자취향데이터의 변경여부를 확인할 수 있다. 플레이목록수정부는 그 후 변경된 사용자취향데이터를 이용하여 미디어아이템 플레이목록을 수정할 수 있다.

본 발명의 일 실시예에서, 미디어아이템 플레이목록은 휴대용미디어플레이어로부터 수신된다. 휴대용미디어플레이어의 사용자와 연관된 사용자취향데이터 역시 수신되어 분석된다. 그 후 사용자취향데이터 분석 결과로부터 추천플레이목록이 생성된다. 그 후 미디어아이템 플레이목록과 추천플레이목록을 비교한 비교결과를 이용하여 추천플레이목록이 수정된다. 이와 같은 비교 및 수정과정은 미디어아이템 플레이목록에 이미 있는 추천플레이목록에서 미디어아이템들을 제거하는 예를 포함할 수 있다. 그 후 추천플레이목록 내의 미디어아이템들이나 추천플레이목록내 의 미디어아이템들의 서브셋은 순위가 매겨질 수 있다. 이 순위는 휴대용미디어플레이어에 최종적으로 전송될 미디어아이템들의 순서를 포함한다. 물론, 이 경우 순위 안에 든 리스트 내의 모든 아이템들이 반드시 전송되야 된다는 것을 의미하는 것은 아니다. 대신, 공간상의 제약이나 특별한 사용자 요청 등으로 인해 순위내의 미디어아이템들이 모두 복사되지 못할 수도 있다. 미디어아이템 플레이목록 내의 미디어아이템들은 또한 휴대용미디어플레이어에서 삭제되어야 할 순으로 순위가 정렬될 수 있다. 그러나, 이것 역시 삭제 순위 내의 모든 아이템들이 반드시 삭제되어야 하는 것을 의미하지는 않는다. 하나 이상의 미디어아이템들은 그 순위에 따라 순서대로 휴대용미디어플레이어에서 삭제될 수 있고, 하나 이상의 미디어아이템들은 그 순서에 따라 순서대로 휴대용미디어플레이어로 전송될 수 있다.

미디어아이템 플레이목록은 또한 휴대용미디어플레이어에서 제거된 미디어아이템들과 휴대용미디어플레이어로 전송된 미디어아이템들을 반영하여 변경될 수 있다. 그 후 수정된 미디어아이템 플레이목록 역시 휴대용미디어플레이어로 전송될 수 있다.

본 명세서에서 사용되는 "사용자추천부"는 사용자들의 커뮤니티 내에 통합된 모듈로서, 주요 기능은 사용자들이 그 커뮤니티 내의 다른 사용자들에게 추천해주는 것이다. 커뮤니티에서 사용자들 간의 상호소통을 위한 아이템들의 세트가 있을 수 있다. 또한 사용자들에게 다른 아이템들을 추천하는 아이템추천부도 있을 수 있다. 본 발명에서 제시되는 실시예와 연관되어 사용될 수 있는 추천부 시스템들의 실시예들은 미극 특허출원번호 No.11/346,818, 발명의 명칭 "Recommender System for Identifying a New Set of Media Items Responsive to an Input Set of Media Items and Knowledge Base Metrics,"과 미국 특허출원번호 No. 11/048,950, 발명의 명칭 "Dynamic Identification of a New Set of Media Items Responsive to an Input Mediaset" 에 기재되어 있는 것을 참고 내용으로 본 명세서에 포함한다.

본 발명에서 사용되는 "미디어데이터아이템"이라는 용어는 미디어아이템 또는 미디어아이템 표시를 모두 포함하는 용어이다. "미디어아이템"은 음악, 영화, 사진, e-book, 뉴스, TV/라디오 프로그램, 게임 등과 같이 디지털 미디어에 표현될 수 있는 모든 미디어 파일 유형을 포함한다. 따라서, "미디어데이터아이템"이라는 용어는, 예를 들어, 플레이할 수 있는 미디어 파일(예를 들어,MP3 파일) 및 플레이할 수 있는 미디어 파일을 식별하는 메타데이터(예, MP3 파일을 식별하는 메타데이터)를 포함한다. 본 발명의 실시예에서, "미디어아이템들"을 이용하는 프로세스, 단계 또는 시스템에서 프로세스, 단계 또는 시스템이 대신 미디어아이템의 표시(메타데이터와 같은)를 이용할 수 있으며, 그 역의 경우도 가능하다.

휴대용미디어플레이어에서 미디어아이템들을 자동으로 제거하는 프로세스들 및 시스템들의 예가 이하에서 상세히 서술될 것이다. 일반적으로, 휴대용미디어플레이어상에 미디어아이템들을 저장하기에 적합한 메모리는 제한된 리소스로서 반드시 관리가 필요하다. 새로운 미디어 아이테들을 로딩할 때, 사용자는 종종 덮어쓰기를 할 것인지를 또는 그렇지 않은 경우 새로운 아이템들을 저장할 공간을 마련하기 위해 현재 저장된 미디어아이템들을 삭제할 것인지를 결정하여야만 한다. 기기(device) 내에 각 미디어아이템들 또는 미디어아이템들의 서브셋을 현재 보유하 고 있는 사용자의 선호도에 따라 이들의 순위가 자동으로 순위가 매겨질 수 있는 경우, 새로운 미디어아이템들을 로딩하는 과정은 빠르고 간략하게 진행될 수 있다.

현재 존재하는 아이템들에서 요구되는 공간이나 품질이 보장될 문턱값을 확보할 때까지 설정된 순위에 따라 가장 선호도가 떨어지는 것에서부터 가장 선호도가 높은 순으로 자동으로 삭제된다. 그 후 새로운 미디어아이템들을 로딩할 수 있는 자유공간(freed space)이 확보된다. 휴대용미디어플레이어에 자동으로 미디어아이템들을 부가할 수 있는 프로세스들 및 시스템의 예가 이하에서 서술될 것이다.

통계적퇴화(statistical regression)에 기초하여 자유공간이 어느정도인지를 추정하는 방법의 실시예가 이하에서 서술된다. 장치내의 각 아이템에 대한 삭제가능성 정도를 부가하기 위해 사용되는 퇴화모델의 예가 기술될 것이다. 사용자 선호도에 따라 모델의 계수들을 결정하는 방법이 그 후 약술될 것이다. 통계적퇴화 값을 이용하여 아이템들을 삭제하는 확정된 구조와 랜덤한 구조들의 예가 기술될 것이다.

휴대용 장치의 "자유공간"을 통계적퇴화에 따라 추정하는 것은 다음과 같다.

휴대용 장치에서 미디어아이템을 저장할 수 있는 전체 공간은 ST 바이트이고 장치의 메모리는 현재 m₁, m₂,..., m_N 아이템들을 포함한다고 가정할 때, 요구되는 공간은 다음과 같다.

Su = s(m₁)+ s(m₂)+ ... +s(m_N)

m_i1, m_i2,...,m_iL 중 어느 아이템들을 버려야 하는지를 결정하면, 나머지 아이 템들에서 사용되는 공간은 다음과 같다.

S_R = s(m₁)+ s(m_i1 - 1)+ s(m_i1 + 1) ... +s(m_i2 - 1) +s(m_i2 + 1)+ ...

그 결과 새로운 아이템들을 위해 사용할 수 있는 자유 공간은 다음과 같다.

S_F = S_T-S_R

일반화된 선형퇴화 모델

이를 사용하기 위한 한 접근법은 일반화된 선형모델을 이용하여 표준통계퇴화를 이용하는 것이다. 아이템을 삭제할지 여부는 이진랜덤변수 y 로 표시되고, 그 결과 샘플 인스턴스(sample instance) "yi=1"은 mi 아이템을 삭제하라는 것을 "yi=0"은 mi 아이템을 보유하라는 것을 의미한다. y의 값은 이진값일 필요는 없고 측정할 수 있는 공변량들(covariate)의 벡터 X=[x1,x2,...,xK] 로 예측할 수 있는 것으로 가정한다.

공변량들 X로 Y를 확률적으로 예측한다. 즉,

Pr{y=1│X=[x1,x2,...,xK]} = F(β0x0 + β1x1 + β2x2 + ...+βKxK )=F(βX)

여기서 표시의 편의를 위해 x₀=1 이라 가정하고, F(x) 는 F(-∞)=0 에서 F(∞)=1까지 변하는 단조증가함수이다. 공변량들 X 는 아이템을 삭제할 가능성을 증가시키거나 또는 감소시키는 사용자의 선호도를 반영한 측정가능한 아이템들의 특성값일 수 있다.

y 가 이진랜덤변수인 것을 기억해보면, 다음과 같이 기술될 수 있다.

E{y│X,β} = 1*Pr{y=1│X,β} + 0*Pr{y=0│X,β}=F(βX)

이상은 랜덤변수 y가 수학적으로 다음의 수식과 같이 쓰일 수 있다는 것과 같은 의미이다.

y=F(βX)+ε

여기서 ε는 누적분포 F(y)를 지닌 랜덤변수이다.

선형 모델의 다항 일반화(Multinomial Generalization of the Linear Moder)

기본 선형모델은 모델의 일반 공식에서 새로운 비선형 공변량 벡터 X'=[g1(X), g2(X),..., gL(X)] = G(X)로 공변량 벡터 X로 단순히 치환함으로써 공변량들의 비선형 함수들 내에서 선형 모델로 추가적으로 확장될 수 있다.

그 결과 y=F(βG(X))+ε 이다.

이 비선형모델은 단순히 변수 벡터가 β일때 보다 최적의 다항함수 G(X)를 찾으려 할 경우 훨씬 더 풀기가 어려워질 수 있다. G(X)가 벡터 다항함수인 경우 R 계산 환경이(R computational environment) 일반화된 선형모델해결기 내의 비선형확장을 지원한다.

모델 변수들 산정

대부분의 경우, 모델 변수들의 벡터 β를 먼저 알 수 없다. 대신 주어진 예시들의 세트(y1, x1), (y2, X2),...,(yN, XN), N≫M 이에서 추정치 β'을 도출해야 만 한다. 일반적으로, 이는 최대가능성(likelihood)방법을 이용하여 수행된다. 이 방법은 실제 애플리케이션에서 발생하는 특정 항목들을 다루는 구체화된 수학기법을 포함한다. 다만, 본 발명에서 예시들의 세트(y1, x1), (y2, X2),...,(yN, XN)가 있을 가능성이 없으므로 변수 벡터 β'=[β'₁, β'₂, ..., β'_K]에 대한 추정값을 도출하는 것을 이용할 수 있다. 대신, β에 대한 임시(ad hoc)값 들을 구체화하거나 또는 이러한 값들을 생성하는 대안적인 방법들을 이용해야 한다. 한 가지 실질적인 방법은 아이템들을 보유하거나 삭제하기 위해 비공식적인 논리규칙을 정량화하는 것이다.

논리적 표현의 산술화

본 발명의 일 실시예에서, 변수들 X는 각 미디어아이템에 대하여 계산될 수 있는 메트릭스(metrics) X의 세트에 대한 값이고 아이템을 보유하여야 하는지 또는 삭제해야하는지를 결정하기 위한 메트릭스들의 항에서 규칙들을 비공식적으로 기술한 논리 함수 Γ(X)를 구비하는 것으로 가정한다. Boolean 대수의 표준 방법을 이용하여, Γ(X)를 "생성물들의 합(sum-of-products)" 논리 형태로 변경시킬 수 있다.

Γ(X)=z₁(X)∨z₂(X)∨...∨z_K(X)

여기서 각 zi(X) 는 메트릭스 X의 이루 서브셋의 컨정션(conjunction)이다.

예를들어,

zi(X)=x₂∧x₅∧x₇ 이다.

Boolean 함수 Γ(X)는 메트릭스 X의 변수들 X의 가중 다항함수로 변경할 수 있다.

βG(X) =β₁z₁ + β₂z₂ + ...+β_Kz_K =1/2

여기서, 각 z_i는 대응되는 컨졍션 z1내의 메트릭스의 값들의 곱이다.

z_i(X)=X₂X₅X₇ 이다.

Boolean 함수 Γ(X)의 이러한 변형을 위해 βi값들을 선택하는 다양한 방법이 있다. 한 가지 방법은 각 x1 가 한정된(bounded), 음의 값이 아닌(non-negative) 값이라고 가정할 경우, 각 β1는 대응되는 곱 내의 메트릭스들을 위한 값의 윗경계(upper bound)의 곱의 역수라고 한다. 예를 들면,

βi =1/[sup(x₂)sup(x₅)sup(x₇)] 이다.

이 단조 모델은 논리부정된(negated) 논리변수를 위한 메트릭 값을 ~xi=sup(xi)-xi와 같이 표현함으로써 논리부정 논리변수들 ~xi를 포함하도록 확장될 수 있다.

메트릭스의 일부 예시

여기서, 모델은 아이템이 보유되거나 또는 삭제되어야 하는지를 알려주는 메트릭스를 구성요소로 포함할 수 있다. 예측 공변량들(predictive covariates)의 한 클랙스는 다음을 포함하는 대중적 메트릭스들(popularity metrics)이다.

1)일정 시간동안 어느구간에서나(at any point in time) 플레이된 전체 회수 p(t), 플레이의 전체 예상 회수 P(예, p(t)/P)에 의해 표준화될 수도 있다.

2) 최근 플레이 비율(rate) r(t)=[p(t)-p(t-△t)]/△t

3) 최근 스킵(skip) 비율(rate) s(t)=[q(t)-q(t-△t)]/△t, 여기서 q(t)는 청취자가 아이템 재생을 이미 마친 회수이다.

예측 공변량들의 다른 클래스는 아이템 i와 몇몇의 새로운 j1,j2,...,jm 아이템들 후보 간의 유사성에 기초한다. 유사성 메트릭스의 한 유형은 메타데이터에 기초한다. 각 아이템에 대해 I 메타데이터 아이템들의 세트(예, 장르, 년도, 라벨)를 지니고 있다고 가정하면, 아이템 i에 대한 메타데이터 아이템들의 값은 m_1i, m_2i,...,m_Ii로 나타낼 수 있다. 아이템들 i 및 j간의 메타-데이터 유사성을 다음과 같이 정의할 수 있다.

η(i,j)=msin(m_1i,m_1j) + msin(m_2i,m_2j) + ... +msin(m_Ii,m_1j)

여기서 함수 msin(m_Ii,m_1j)는 m_Ii 및 m_1j가 유사하다고 판단될 경우 "1"로 그렇지 않은 경우 "0"으로 산정된다. 아이템 i와 몇몇의 새로운 j1,j2,...,jm 아이템들 후보가 주어진 경우, 이하 모델의 다른 구성성분으로 사용할 수 있다.

4) q-평균(q-mean) 메타데이터 유사성 η(i)=[η(i,j₁)^q + η(i,j₂)^q +...+η(i,j_I)^q]/I¹ ^/q

주의할 것은 q=1이면, q->0. q=-1이면, q->∞이고, q-평균은 산술평균, 기하 평균, 조화평균, 및 최대값(놈,norm)으로 각각 내려간다. 또한, η(i,jI)의 최소값을 유사성 메트릭으로 취할 수도 있다.

메타데이터 유사성 외에, 아이템 i 와 j간의 독립적인 유사성 측정 0≤μ(i,j)≤1 을 갖는 대부분의 경우, 다음을 정의할 수 있다.

5) q-평균 상관유사성 μ(i)=[μ(i,j₁)^q + μ(i,j₂)^q +...+μ(i,j_I)^q]/I¹ ^/ ^q 으로 정의할 수 있다.

마지막으로, U(i,j)를 유사성들의 벡터 μ(i, I),I≠i,아이템 i에 대한 j 로 나타낼 경우, U(i,j) 및 U(j,i) 간의 코사인 유사성을 다음과 같이 정의할 수 있다.

ρ(i,j)=<U(i,j),U(j,i)>/∥U(i,j)∥∥U(j,i)∥

일부 경우, 유사성 벡터들 U(i,j) 및 U(j,i) 내에서 새로운 j1,j2,...,jm 아이템들에 대한 구성성분 유사성들 μ(i,I)만을 포함하기를 원할 수 있다. 이러한 구성성분유사성들 ρ(i,j)을 이용하여, 다음을 정의할 수 있다.

6) q-평균 코사인 유사성 ρ(i)=[ρ(i,j₁)^q + ρ(i,j₂)^q +...+ρ(i,j_I)^q]/I¹ ^/q

아이템을 보유하여야 하는지 또는 삭제하여야 하는지를 비공식적으로 기술한 논리 함수 Γ(X)의 산술화와 연관된 것들을 포함하는 다른 메트릭스들, 아이템 상에서 측정할 수 있는 메트릭스들을 확률값으로 결합시키는 기술들 역시 본 발명에서 기술하고 있는 아이템을 보유하여야 하는지 또는 삭제하여야 하는지에 대한 가 능성을 도출하는 방법의 기술 사상에 포함된다.

아이템 삭제 방법들

일단 벡타 β계수를 지니면, 이하의 두 가지 방법 중 한 방법으로 어떠한 아이템을 삭제할 것인지 결정할 수 있다.

확정적(deterministic) 삭제:

확정적 접근 방식에서, 아이템 m1을 삭제할 것인지에 대한 실제 결정 di 는 다음과 같이 예측된 E{yi│Xi,β}=F(βXi) 에 의해 결정된다.

/1 사용자가 아이템이 삭제되어야 한다고 명시

│

di=<0 사용자가 아이템이 보유되어야 한다고 명시

＼1 그렇지 않은 경우 E{yi│Xi,β}>B 인 경우

여기서 Xi는 아이템 mi에 대해 측정된 팩터들의 벡터이고, 스레쉬홀드 0≤B≤1 는 아이템을 보유하고자 하는 의사에 대한 스레쉬홀드 값이고, 그 결과 외부적으로 부과될 수 있는 여러 다른 공간요건사항까지도 만족시킬 만큼 자유공간 S_f가 충분히 크다.

무작위 삭제

무작위적인 접근 방법은 이진랜덤변수 yi를 직접적으로 이용한다. 즉, m₁아이템을 삭제하려는 결정 di는 랜덤변수이다.

/1 사용자가 아이템이 삭제되어야 한다고 명시

│

di=<0 사용자가 아이템이 보유되어야 한다고 명시

＼1 그 외의 경우

여기서, Pr{yi=1│Xi}=F(βXi)이다. F(βXi)가 주어진 경우, 표준 계산 기법들이 필수(required) 이진분포 Pr{Yi=1} 및 Pr{Yi=0} 과 함께 이진랜덤변수 yi의 샘플 인스턴스들을 생성하는데 사용될 수 있다.

삭제는 임의적으로 수행되므로, 삭제 이후 남은 자유 공간 Sf은 이 접근법에서는 가변적이다. 결과적으로 원하는 목표를 남는 자유공간량에 맞추는 것 Sf>=Sf 는 확정적 접근법보다 더 복잡할 수 있다. 본 방법은 표시가 된 삭제부분들을 삭제하고, 샘플 인스턴스의 벡터 Y(n)=[y1,y2,...,yN]를 생성하여, 나머지 자유 공간 Sf를 파악함으로써 처리될 수 있다. 본 과정은 그 후 Sf>=Sf 조건이 충족될 때까지 필요한 만큼 반복된다. 대안적으로는, 삭제를 수행하지 않고 특정 인스턴스 Y(m)에 의해 구체화된 삭제부분들이 Sf>=Sf 조건을 충족시켜 충분한 자유 공간이 생기게 될 때까지 순차적으로 샘플 인스턴스들 Y(1),Y(2),...의 벡터들을 생성할 수 있다.

새로운 미디어아이템들을 위해 기기의 자유 저장 공간에 사용자의 선호 취향 에 기초하여 휴대용 플레이어 장치에서 미디어아이템들을 지능적으로 삭제하기 위한 예시적인 방법 및 시스템이 이상에서 서술되었다. 일부 실시예들은 기기에서 각 미디어아이템 mi를 삭제해야 하는지에 관한 예측 결정값 yi 에 도래하기 위해 사용자 선호 취향에 대한 메트릭스인 예측 공변량들 Xi=[x1,x2,...,xK]를 이용한다. 공변량들 Xi는 휴대용 플레이어에서 시스템 호스트로 업로드 되는 로컬 데이터 취향의 메트릭스와 사용자들의 커뮤니티에서 시스템 호스트에 의해 수집되고 유지된 커뮤니티 취향 측정값들을 포함할 수 있다. 유사하게, 본 방법은 휴대용 장치에 통합될 수 있고 시스템 호스트에 의해 휴대용 장치에 제공되는 메트릭스에 의해 구동될 수 있다. 또는 시스템 호스트 상에 주둔하거나 휴대용 장치에 최종 삭제 결정이 전송될 수 있다.

도 1 의 흐름도에는 휴대용미디어플레이어에서 미디어아이템들을 자동으로 삭제하는 방법의 예가 도시되었다. 도면에서 알 수 있는 바와 같이, 미디어아이템 플레이 데이터는 502 단계에서 휴대용미디어플레이어 내에 레코드 된다. 504 단계에서 사용자는 그 후 새로운 미디어아이템들을 다운로드하거나 및/또는 기기상의 자유 공간을 생성해달라는 요청을 한다. 506 단계에서 기기상의 미디어아이템들은 할당된 확률값들(probability values)에 따라 순위가 결정된다. 508 단계에서 목록 상에서 순위가 정해진 미디어아이템들을 (순위가 어떻게 정해졌는지에 따라) 최상 순서부터(또는 최하순서부터) 삭제하기 시작한다. 일단 미디어아이템이 삭제되면, 512 단계에서 시스템은 스레쉬홀드 값에 이르렀는지 여부를 체크할 수 있다. 스레쉬홀드값에 이른 경우에는, 과정은 종료된다. 그렇지 않은 경우, 510 단계에서 기 기에서 요청된 공간이 사용가능한지에 대해 체크한다. 요청된 공간을 아직 쓸 수 없는 경우, 목록 상의 다음 아이템이 삭제된다. 요청된 공간을 쓸 수 있는 경우, 과정은 종료된다.

확률계산 과정의 일 예가 도 2에 도시되었다. 도면에서 알 수 있듯이, 514 단계에서 확률 모델이 선택된다. 그 후 516 단계에서 공변량 계수 벡터를 결정하기 위해 로컬 및/또는 커뮤니티 메트릭스를 적용한다. 518 단계에서 휴대용미디어플레이어 상에서 각 미디어아이템에 삭제될 확률값을 할당한다. 520 단계에서, 삭제될 확률값이 그 후 이전에 서술한 삭제 방법에 적용된다.

도 3 에는 휴대용미디어플레이어에서 미디어아이템들을 자동으로 삭제하는 또 다른 방법이 도시되었다. 도시된 바와 같이, 미디어아이템 플레이 데이터는 602 단계에서 휴대용미디어플레이어 내에서 레코딩 된다. 사용자는 그 후 604 단계에서 기기에 자유 공간을 생성하거나 및/또는 새로운 미디어아이템들을 다운로드하라는 요청을 한다. 606 단계에서 휴대용미디어플레이어에서 각 미디어아이템들 또는 미디어아이템들의 서브셋에 대한 삭제할 확률값이 입수된다(access).

그 후 608 단계에서 계산된 확률값 들에 기초하여 임의적으로 아이템들을 삭제하는 과정이 시작된다. 일단 미디어아이템이 삭제되면, 612 단계에서 시스템은 스레쉬홀드값에 도달했는지 여부를 체크할 수 있다. 스레쉬홀드값에 다다른 경우, 과정은 종료된다. 그렇지 않은 경우, 610 단계에 표시된 바와 같이 기기에 요청된 공간이 이용가능한지가 체크된다. 요청된 공간이 아직 사용가능하지 않은 경우, 목록에서 다음 아이템이 삭제된다. 그 경우, 과정은 종료된다.

휴대용미디어플레이어를 자동으로 채우는 방법이 또한 이하에서 상세히 서술된다. 일 실시예에서, 복수의 휴대용미디어플레이어들은 각각 중앙 서버 등과 같은 기기로 액세스권한을 지닌다. 각 사용자는 초기에 획득하여 로컬 컴퓨터에 소프트웨어를 설치할 수 있다. 각 사용자는 또한 서버에 선호하는 데이터를 제공할 수 있다. 이상에서 서술된 초기화단계이후, 사용자는 호스트 서버와 사용자의 미디어플레이어간에 연결을 설치할 수 있다. 일반적으로 호스트 서버에 액세스는 네트워크로 연결된 컴퓨터와 미디어플레이어를 연결함으로써 수행된다. 사용자는 그 후 자동-채움 프로세스를 시작하라는 "시작" 명령을 내린다. 대안적으로, 시스템은 미디어플레이어와 연결되어 있는 프로세스를 자동으로 시작하도록 구현된다. 일부 버젼에서, 이 단계는 또한 플레이 회수, 플레이 시퀀스들, 미디어아이템 순위 등과 같은 로컬 사용자 데이터 선호도를 휴대용 장치에서 추출하는 것을 포함할 수 있다. 사용자취향데이터의 다른 예들이 본 발명의 곳곳에서 제시되었다.

일부 버전에서, 휴대용 장치에 현재 있는 미디어아이템들의 목록이 호스트 서버로 또한 전송될 수 있다. 호스트 서버는 그 후 사용자취향데이터를 독립적인 플레이목록-생성부 시스템으로 제공하고, 이는 휴대용 장치에서 뽑아낸 사용자취향데이터, 사용자취향데이터 히스토리, 및/또는 미디어아이템들의 목록을 이용하여 사용자의 선호 취향에 따라 미디어아이템들의 플레이목록들을 호스트 서버에 제공한다. 이러한 플레이목록들은 플레이목록-생성 시스템에 알려지거나 사용자가 이용할 수 있는 미디어 라이브러리들 내의 미디어아이템들을 포함한다. 일반적으로, 이러한 라이브러리들은 사용자가 라이선스한 미디어아이템들 및 사용자가 접속할 수 있도록 하기 위해 서버에 저장된 미디어아이템들을 포함할 것이다.

호스트 서버가 플레이목록들을 제공하면, 호스트 서버는 휴대용 장치의 현재 미디어아이템들의 목록을 추출할 수 있다(다만, 이 목록이 이전에 추출된 것이 아닌 경우이다). 그 후 새로운 미디어아이템들을 수용하기 위해 기기에 어느 정도의 자유공간이 필요한지와 어떠한 미디어아이템들이 삭제되어야 하는지를 결정하기 위해 기기에 로딩 될 새로운 미디어아이템들 목록이 기기에 현재 있는 미디어아이템들의 목록과 호환된다(reconcile). 그 후 삭제를 위해 선택된 미디어아이템들이 삭제되고 새로운 미디어아이템들이 기기에 로딩된다.

이상에서 서술한 단계들은 사용자가 자동-채움 동작을 변경하려는 사용자 선호도 조정을 원하는 일부 경우와 같이 추가적으로 사용자의 개입이 없으면 무한히 반복적으로 수행될 수 있다. 예를 들어, 사용자는 기기에 저장되어 있는 특정 미디어아이템들에 대해 "삭제금지" 또는 "항상삭제"등과 같이 마킹하라는 명령과 같은 특정 사용자 명령들을 제공하길 원할 수 있다. 대안적으로 사용자는 "운동(running)", "저녁" 또는 “회사”와 같이 미디어아이템들의 장르 또는 미디어아이템들의 선택 요청 형태의 데이터와 같이 특정 활동과 사용자 선호도를 연관시키는 부가적인 사용자취향데이터를 제공하기를 원할 수 있다. 또 다른 실시예에서, 사용자는 미디어아이템 또는 미디어아이템들의 장르 선택을 다가올 기념일 또는 이벤트와 같은 것에 연관시키려는 일시적 사용자취향데이터를 제공하기를 원할 수 있다.

이전에 언급한 바와 같이, 시스템의 일부 실시예들은 호스트 서버가 플레이 목록-생성 시스템에 액세스 권한을 가지고 있는 것으로 가정한다. 플레이목록-생성 시스템은 호스트 서버의 요청에 따라 사용자가 제공한 선호도에 기초하여 플레이목록들을 자동으로 생성한다. 본 발명이 속하는 기술 분야의 통상적인 지식을 가진 자에게 알려진 이러한 시스템들의 일부 실시예들은 미국 특허번호 6,993,532, 발명의 명칭 "Auto Playlist Generator"와 미국특허번호 6,526,411, 발명의 명칭 "System and Method for Creating Dynamic Playlists."를 포함한다. 부가적인 실시예들은 미국 특허공보 번호 2002/0082901, 발명의 명칭 "Relationship Discovery Engine", 2003/0221541 발명의 명칭 "Auto Playlist Generation with Multiple Seed Songs," 및 2005/0235811 발명의 명칭 "Systems for and Methods of Selection, Characterization and Automated Sequencing of Media Content."에서 볼 수 있다. 이상의 각 특허들 및 공개된 특허 출원들이 여기에 참고로 통합된다. 바람직한 실시예들에서, 플레이목록 생성기는 사용자취향데이터를 이하의 하나 이상의 형태와 같은 다양한 형태로 받을 수 있다.

1. 태그(Tags)- 태그들은 객체(Object)와 관련이 있으나 이와 분리된 정보 조각들이다. 협력과정을 통해 자유롭게 선택된 키워드들을 이용하여 카테고리를 나누는 방식에서, 태그는 개개인들이 객체들에 할당한 식별자들이다.

2. 미디어아이템들 또는 미디어아이템 목록들- 휴대용 장치에 전송될 아이템들과 같은 유형의 트랙들의 목록, 영화들 등

3. 스페셜 아이템 목록들-예를 들어, 사용자가 명확히 거절한 아이템들, 사용자 피드백을 이용하는 지능형 시스템이 내부적으로 금지한 아이템들, 사용자가 기기 상에 있을 것을 명확히 요청한 아이템들

4. 메타데이터- 아이템을 분류하기 위해(예, 장르, 년도, 구매 날짜) 아이템과 규칙적으로 연관된 텍스트 기반 데이터

5. 순위들 -아이템의 특성을 판단하는 사용자가 정의한 값

6. 이벤트들- 달력(예, Yahoo　calender)에서 도출될 수 있는 일시적인 특성들

7. 뜻밖의 발견(serendipity)- 사용자의 플레이 스트림 내에서 인기 없는 컨텐츠에 대한 사용자의 선호도를 표시한 사용자 정의값

8. 플레이 모델- 사용자가 지겨울 때까지 미디어아이템을 플레이한 횟수, 사용자의 시간 대비 아이템에 대한 예상 플레이횟수, 및/또는 사용자가 다른 것으로 스위칭 하기 전에 사용자가 플레이한 플레이목록 또는 미디어아이템의 비율

9. 플레이 스트림-완전히 다 플레이하거나, 스킵하거나, 재시작 및/또는 삭제한 아이템들과 같이 통계량을 포함하는 미디어 플레이 상호작용에 대한 타임-스탬핑된(time-stamped) 기록

10. 플레이 횟수-미디어아이템이 주어진 시간동안 플레이된 횟수

11. 일시적 데이터- 하루 중 일정 시간 또는 일주일 중 특정 날과 같이 이벤트 또는 타임 인스턴스와 명시적 또는 암시적으로 연관된 선호도들

12, 지지 영향들(subscrbed influences)- 사용자가 원하는 경험(예를 들어, 친구들의 취향, DJ와 같은 전문가가 예를 든 미디어아이템들)을 정의하도록 돕는 사용자가 정의한 외부 취향 입력들

13. 주변 노이즈- 기기가 감지하는 사용자 환경 노이즈 레벨

14. 탐색값(Discovery value)- 미디어 체험 경험에 소개될 수 있는 사용자가 한번도 경험하지 미디어아이템들을 표시하는 사용자 정의값

15. 재탐색값-미디어 체험 경험에 소개될 수 있는 사용자가 최근에 플레이 하지 않은 미디어아이템들을 표시하는 사용자 정의값

호스트 서버는 조회 결과 플레이목록-생성 시스템에서 생성한 하나 이상의 플레이목록들이 주어질 때, 플레이목록들 내에 포함된 미디어아이템들의 세트를 결정하고 자동-채움 프로세스를 실행할 수 있다. 이 일 실시예가 도 4에 도시되었다. 자동채움 프로세스 개시(702)는 휴대용 장치를 호스트 서버에 연결하거나 또는 사용자로부터 명확히 “시작” 지시를 수신하는 것과 같이 단일 사용자 조치에 따라 수행될 수 있다. 플레이목록 생성기는 그 후 사용자취향데이터를 수신하고 (720) 그 데이터를 이용하여 704 단계에서 표시된 바와 같이 하나 이상의 플레이목록들을 생성한다.

일단 플레이목록(들)이 제공되면, 호스트 서버는 미디어아이템들의 세트나 플레이목록들 상의 미디어아이템들의 세트를 열거할 수 있고 그 후 기기 상에 현재 미디어아이템들의 세트와 미디어아이템들의 세트를 호환한다(reconcile). 호스트는 새로운 미디어아이템들 중 어느 아이템이 이미 기기 상에 있는지를 파악하고 로딩 될 아이템들의 목록에서 이를 제거한다. 일부 실시예에서, 이러한 미디어아이템들은 삭제 대상에서 또한 제거될 수 있다. 호스트 서버는 그 후 플레이목록 생성 시스템에 제공된 사용자취향데이터와 어느 정도 호환이 가능한지에 기초하여 삭제될 확률과 관련하여 기기 상의 미디어아이템들의 순위를 효과적으로 설정하는 방법을 이용할 수 있다. 이 순위는 그 후 기기에 로딩 될 미디어아이템들을 선택하기 위해 사용될 수 있다. 호스트 서버는 또한 플레이어에서 삭제해야하는 가능성과 관련된 미디어아이템들의 순위를 역시 유사한 방법으로 정할 수 있다.

호스트 서버는 새로운 미디어아이템들에 대한 순위정보를 이용하여 710 단계에 도시된 바와 같이 새로운 미디어아이템들의 목록에서 로딩 되어야 할 가장 높은 확률의 아이템을 선택할 수 있다. 그 후 이하에서 서술되는 방법을 이용하여 새로운 아이템들이 가장 잘 호환될 수 있도록 충분한 공간이 확보될 때까지 미디어플레이어에서 아이템들이 삭제되고(712), 그 후 미디어플레이어에 미디어아이템들이 로딩 된다(714). 선택(710), 삭제(712), 및 로딩(714) 과정은 예를 들어, 716 단계에 도시된 바와 같이 자동-채움 동작을 수행할 수 있는 시간이 경과할 때까지, 또는 718 단계에 도시된 바와 같이 기기상의 모든 아이템들이 삭제될 때까지, 또는 722 단계에 도시된 바와 같이 모든 새로운 미디어아이템들의 세트가 기기에 로딩 될 때까지 반복된다. 대안적으로, 로딩 과정에 시간제한이 없는 경우, 삭제과정(712)에서는 기기 용량이 새로운 아이템들을 또는 미리 선택해놓은 아이템들의 수가 가능한 많이 로딩 될 수 있는 충분한 자유공간을 확보하도록 많은 아이템들을 삭제한다. 사용자는 또한 메모리의 특정 서브셋이 새로운 아이템들을 위해 사용되도록 그만큼의 공간을 비우라는 명령을 할 수 있다. 로딩과정(714)은 그 후 단일 동작 동안 기기에서 이용할 수 있는 공간이 허용되는 만큼 새로운 미디어아이템들 을 가능한 많이 로딩한다.

마지막으로, 플레이목록들을 다운로드할 수 있는 미디어플레이어들의 경우, 플레이목록(들)은 로딩 될 수 없는 새로운 아이템들을 제거하도록 수정되고 그 후 플레이목록들이 기기에 로딩된다(724, 726).

일부 실시예들에서, 미디어아이템들은 무작위로 선택되어 미디어플레이어 상에 충분한 저장 공간을 확보하여 새로운 미디어아이템들을 수용하도록 삭제된다. 다른 실시예들에서, 플레이어에 현재 있는 미디어아이템들은 기기에 로딩 될 수 있는 새로운 미디어아이템들의 목록들을 생성하기 위해 사용된 기준과 어떻게 호환될 수 있는지의 관점에서 순위가 생성된다. 또한 플레이목록 아이템들에 동일한 과정이 적용되어 가장 원하는 아이템이 가장 먼저 로딩 될 수 있도록 새로운 미디어아이템들을 역순위로 설정할 수 있다. 이 방법에서는, 예를 들어 새로운 미디어아이템들 전체가 시간 또는 공간 제약들에 의해 로딩 될 수 없는 경우 새로운 아이템들의 가장 원하는 서브셋이 로딩 될 것이다.

이전에 서술한 바와 같이, 사용자 취향 선호도 메트릭스에 기초하여 플레이어에서 어떤 미디어아이템이 삭제되어야 하는가를 나타내는 통계적 방법이 적용될 수 있다. 이 방법은 아이템을 삭제하여야 할 경우 이진결정의 조건부 확률값 y를 아이템 메트릭스 X의 n 벡터에 대해 계산된 값 X로 표현한 (y=1)로 나타낸다.

Pr{y=1│X=[x1,x2,...,xk]}=F(F(βG(X))

여기서 G(X)는 메트릭스의 비선형 함수들의 m-벡터이고 β는 G(X)의 구성성분들을 스칼라 값으로 선형적으로 결합하기 위한 m 벡터의 가중치 값 들이다. 함수 들 G(X)의 구성들은 특정 클래스 함수에서 온 것으로 이진 변수 y는 일반화된 선형 모델의 특정 타입을 지닌다.

y=F((βG(X)) + ε

여기서 F(x)는 (-∞, ∞)를 (0,1) 구간으로 매핑하는 단조(monotonic), 비감소(non-decreasing) “링크” 함수이고, ε는 관련 분포를 지니는 것으로 가정된 평균이 영(zero-mean)인 랜덤변수이다.

특정 F(x), β, G(X)가 주어진 상황에서, 호스트 서버는 삭제 대상이 되는 플레이어 상의 미디어아이템들과 로딩 될 새로운 아이템들을 양 셋트들 내의 각 아이템에 대한 F((βG(X))를 우선 계산함으로써 순위를 정한다. F(x)의 공통선택은 로지스틱 함수이다.

F(x)=1/(1+e^_x)

F(x)는 단조, 비감소 함수이므로 두 개의 아이템들에 대한 F((βG(X))값들이 동일하고 이 아이템들에 대한 βG(X)값이 다를 때 제 1 라운드의 타이브레이커들(tie-breakers)로 사용되는 βG(X)값과 함께, 아이템들은 F((βG(X)) 계산값에 의해 순위가 정해질 수 있다는 것을 이해하여야 할 것이다. 두 개의 아이템들에 대한 F((βG(X))와 βG(X)의 값이 모두 일치하는 경우에는, 다른 것에 앞서 하나의 순위를 정함에 있어 무작위로 선택하는 방식을 포함하여 어떠한 방법이던지 사용될 수 있다. 이 방법에서, F((βG(X)) 값들의 세트 내의 미디어아이템들의 순서는 βG(X)의 값들에 의한 아이템들의 순서와 동일하게 여겨질 수 있고, 후자는 계산된 메트릭스에 명확하게 링크된 순위이다.

X=[x1,x2,...,xk] 메트릭스를 계산하는 다른 방법에서는 예를 들어 위에서 플레이목록 생성 그리고 0(강한 선호도)에서 1(약한 선호도) 사의의 범위를 지니는 선호도값들의 세트 p1,p2,...pk 에 관해 서술한 바와 같이 아이템들이 아이템 속성들 a1,a2,...,ak 의 세트에 기초하여 순위를 정하는 것으로 가정한다.

어떤 아이템이 ak 속성을 만족시키는지 정도는 아례와 같이 계산될 수 있다.

x_k=h(a_k)[100-90p_k]+(1-h(a_k))u(p_k)

여기서 아이템이 ak 속성을 지니는 경우 h(ak)=1 이고, 그렇지 않은 경우 h(ak)=0 이며, pk가 0인 경우 U(pk)=0 이고, 그렇지 않은 경우 U(pk)=5이다. 기기 상의 미디어아이템들은 그 후 값들에 기초해 삭제될 가능성 순으로 순위가 설정된다.

βG(X)=50k-(x1+...+xk)

유사하게, 새로운 아이템들은 값은 값에 따라 역으로 순위가 설정될 수 있다.

708 단계의 조정과정 동안 기기 상에 미디어아이템들의 순서는 아이템들이 삭제될 상대적 가능성을 설정한다. 712 단계의 삭제 과정에서, 아이템들은 본 명세서에서 기술된 방법에 따라 결정되거나 또는 확률에 따라 실제로 삭제될 수 있다.

삭제에 사용되는 결정적 및 확률적 방법은 새로운 아이템들의 세트에서 시퀀스 내의 아이템들을 선택하는 712 과정에도 적용될 수 있으며, 그로써 반복된 자동-채움 동작과정에서 사용자에게 다양한 경험을 제공한다.

이상 도면과 명세서에서 최적 실시예들이 개시되었다. 여기서 특정한 용어들 이 사용되었으나, 이는 단지 본 발명을 설명하기 위한 목적에서 사용된 것이지 의미 한정이나 특허청구범위에 기재된 본 발명의 범위를 제한하기 위하여 사용된 것은 아니다.

그러므로 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.

Claims

삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
컴퓨터에서 휴대용미디어플레이어 장치로 미디어 아이템들을 자동으로 선택하여 로딩하는 컴퓨터로 구현되는 방법으로서,

휴대용미디어플레이어로부터 현재 미디어아이템의 플레이목록을 수신하는 단계;

상기 휴대용미디어플레이어의 사용자와 연관된 현재 사용자취향데이터를 수신하는 단계;

상기 사용자취향데이터로부터 추천플레이목록을 생성하는 단계;

상기 사용자취향데이터에 따라 상기 추천플레이목록 내의 상기 미디어아이템들의 순위를 설정하는(rank) 단계;

새로운 아이템들을 저장하기 위해 상기 휴대용미디어플레이어에서 이용가능한 메모리 저장 공간량을 결정하는 단계;

상기 순위가 설정된 미디어 아이템들 중 적어도 최고 순위의 아이템을 수용하기 위한 자유메모리공간이 확보될 수 있을 만큼 상기 휴대용미디어플레이어에서 미디어아이템들을 제거하는 단계로서, 상기 미디어 아이템들은 상기 현재 사용자취향데이터에 따라 상기 휴대용미디어플레이어에서 제거되는, 제거단계;

상기 추천플레이목록상의 적어도 하나의 미디어아이템을 상기 휴대용미디어플레이어상의 메모리로 다운로드 하는 단계로서, 상기 미디어아이템들 중 최고 순위의 아이템부터 다운로드를 시작하는, 다운로드 단계; 및

새로운 아이템들을 저장하기 위해 상기 휴대용미디어플레이어에서 이용가능한 메모리 저장공간량이 다음 아이템(next item)을 추가하기에 부적합할 때까지 상기 미디어아이템들을 순위가 낮아지는 순서로 상기 다운로드 단계를 반복하는 단계;를 포함하고, 이 경우 상기 현재 사용자취향데이터는 현재 미디어아이템의 플레이목록 내의 하나 이상의 미디어 아이템들에 대해 전체 플레이 회수를 표시하는 메트릭스, 상기 현재 미디어아이템의 플레이목록 내의 하나 이상의 미디어아이템들에 대한 최근 플레이 비율을 표시하는 메트릭스 및 상기 현재 미디어아이템의 플레이목록 내의 하나 이상의 미디어 아이템들에 대한 최근 스킵 비율을 표시하는 메트릭스 중 적어도 하나를 포함하는 것을 특징으로 하는 방법.
컴퓨터에서 휴대용미디어플레이어 장치로 미디어 아이템들을 자동으로 선택하여 로딩하는 컴퓨터로 구현되는 방법으로서,

휴대용미디어플레이어로부터 현재 미디어아이템의 플레이목록을 수신하는 단계;

상기 휴대용미디어플레이어의 사용자와 연관된 현재 사용자취향데이터를 수신하는 단계;

상기 사용자취향데이터로부터 추천플레이목록을 생성하는 단계;

상기 사용자취향데이터에 따라 상기 추천플레이목록 내의 상기 미디어아이템들의 순위를 설정하는(rank) 단계;

새로운 아이템들을 저장하기 위해 상기 휴대용미디어플레이어에서 이용가능한 메모리 저장 공간량을 결정하는 단계;

상기 순위가 설정된 미디어 아이템들 중 적어도 최고 순위의 아이템을 수용하기 위한 자유메모리공간이 확보될 수 있을 만큼 상기 휴대용미디어플레이어에서 미디어아이템들을 제거하는 단계로서, 상기 미디어 아이템들은 상기 현재 사용자취향데이터에 따라 상기 휴대용미디어플레이어에서 제거되는, 제거단계;

상기 추천플레이목록상의 적어도 하나의 미디어아이템을 상기 휴대용미디어플레이어상의 메모리로 다운로드 하는 단계로서, 상기 미디어아이템들 중 최고 순위의 아이템부터 다운로드를 시작하는, 다운로드 단계;

새로운 아이템들을 저장하기 위해 상기 휴대용미디어플레이어에서 이용가능한 메모리 저장공간량이 다음 아이템(next item)을 추가하기에 부적합할 때까지 상기 미디어아이템들을 순위가 낮아지는 순서로 상기 다운로드 단계를 반복하는 단계;

새로운 아이템들을 저장하기 위해 상기 휴대용미디어플레이어에서 이용가능한 메모리 공간을 증가시키기 위해, 사용자 개입 없이 미디어 아이템들의 현재 플레이목록에서 적어도 하나의 미디어아이템을 삭제하기 위해 자동으로 선택하는 단계;

상기 휴대용미디어플레이어에서 삭제하기 위해 선택된 상기 미디어아이템들을 자동으로 삭제하는 단계; 및

상기 휴대용미디어플레이어에서 확정된 이용가능한 메모리 저장 공간량을 업데이트하는 단계;를 포함하는 것을 특징으로 하는 방법.
제 23 항에 있어서,

상기 삭제하기 위해 미디어 아이템들을 선택하는 단계는 상기 현재 사용자취향데이터에 따라 상기 현재 플레이목록 아이템들의 순위를 설정하는 단계를 포함하고,

삭제를 위해 선택된 상기 미디어 아이템들을 삭제하는 단계는 상기 휴대용미디어플레이어에서 적어도 하나의 미디어 아이템을 삭제하는 단계를 포함하며, 이 경우 상기 미디어 아이템들 중 순위가 가장 낮은 아이템부터 삭제하기 시작하고, 그리고,

상기 미디어 아이템들의 순위가 올라가는 순서로 상기 삭제하는 단계를 반복하는 단계를 포함하는 것을 특징으로 하는 방법.
제 24 항에 있어서, 상기 삭제하는 단계는 상기 사용자가 유보(retension)하기 위해 표시한 미디어아이템을 스킵하는 단계를 포함함으로써, 상기 표시된 미디어 아이템은 상기 휴대용미디어플레이어에 저장된 상태로 남아있는 것을 특징으로 하는 방법.
제 24 항에 있어서, 상기 휴대용미디어플레이어 장치상에 기록된 현재 사용자 플레이 데이터에 따라 현재 미디어아이템의 플레이목록의 상기 순위가 결정되고,

상기 현재 미디어아이템의 플레이목록 내의 하나 이상의 미디어 아이템들에 대해 전체 플레이 회수를 표시하는 메트릭스, 상기 현재 미디어아이템의 플레이목록 내의 하나 이상의 미디어아이템들에 대한 최근 플레이 비율을 표시하는 메트릭스, 및 상기 현재 미디어아이템의 플레이목록 내의 하나 이상의 미디어 아이템들에 대한 최근 스킵 비율을 표시하는 메트릭스 중 적어도 하나를 포함하는 것을 특징으로 하는 방법.
제 25 항에 있어서,

미디어 아이템들의 상기 추천 플레이목록의 서브셋을 설정된 순위 중 최고 순위에 기초하여 선택하는 단계;

상기 휴대용미디어플레이어 상의 미디어아이템들의 서브셋을 저장하기 위해 필요한 메모리 저장 공간량을 결정하는 단계;

새로운 아이템들을 저장하기 위해 상기 휴대용미디어플레이어에서 이용가능한 메모리 저장 공간량을 비교하는 단계; 그리고

필요한 상기 메모리 저장공간량이 이용가능한 상기 메모리 저장공간량을 초과할 경우, 새로운 아이템들을 위한 공간을 확보하기 위해 상기 휴대용미디어플레이어에서 미디어아이템들을 삭제하는 단계;를 더 포함하는 것을 특징으로 하는 방법.
휴대용미디어플레이어 플레이목록을 자동으로 수정하는 방법으로서,

휴대용미디어플레이어로부터 현재 미디어아이템의 플레이목록을 수신하는 단계;

상기 휴대용미디어플레이어의 사용자와 연관된 사용자취향데이터를 수신하는 단계;

상기 사용자를 위한 추천플레이목록을 생성하는 단계;

중복된 것을 지우기 위해 현재 미디어아이템 플레이목록과 상기 추천플레이목록을 비교하는 단계;

상기 미디어아이템들이 상기 휴대용미디어플레이어로 전송될 순서대로 상기 추천플레이목록 내의 하나 이상의 미디어아이템들의 순위를 설정하는 단계;

상기 미디어아이템들이 상기 휴대용미디어플레이어에서 삭제될 순서대로 상기 미디어아이템 플레이목록 내의 하나 이상의 미디어아이템들의 순위를 설정하는 단계;

새로운 미디어 아이템들을 로딩하기 위한 공간을 확보하기 위해 상기 휴대용미디어플레이어에서 미디어 아이템들을 삭제하는 단계로서, 미디어 아이템은 사용자의 명확한 입력 또는 선택 없이, 설정된 순위에 따라 상기 휴대용미디어플레이어에서 삭제되는, 삭제단계;

상기 휴대용미디어플레이어로 상기 추천플레이목록에 있는 미디어 아이템들을 전송하는 단계로, 미디어 아이템들은 설정된 순위에 따라 상기 휴대용미디어플레이어로 전송되는, 전송단계;를 포함하고, 이 경우

상기 미디어아이템들이 상기 휴대용미디어플레이어에서 삭제될 순서대로 상기 현재 미디어아이템의 플레이목록 내의 하나 이상의 미디어아이템들의 순위를 설정하는 단계는 사용자의 명확한 입력 또는 선택 없이, 미디어 아이템들을 보유하겠다는 현재 사용자의 암묵적인 관심도에 대응하여, 상기 휴대용미디어플레이어에서 삭제가능성에 따라 상기 휴대용미디어플레이어에 저장된 미디어 아이템들의 순서를 설정하고, 이 경우 상기 미디어 아이템을 보유하겠다는 상기 현재 사용자의 암묵적인 관심도는 상기 미디어 아이템을 플레이하는 상기 사용자의 메트릭스에 따라 결정 되는 단계를 포함하는 것을 특징으로 하는 방법.
제 28 항에 있어서, 상기 휴대용미디어플레이어에 현재 저장된 각각의 미디어 아이템에 대한 사용자의 암묵적인 관심도는 선택된 공변량들(covariates)의 벡터에 따라 선형후퇴모델(linear regression model)을 이용하여 양이 정해지고, 상기 공변량들은 상기 미디어 아이템을 삭제할 가능성을 증가시키거나 또는 감소시키는 사용자 취향이 반영된 상기 미디어 아이템들의 측정가능한 특성들 또는 메트릭스들을 포함하는 것을 특징으로 하는 방법.
제 29 항에 있어서, 상기 공변량들은

1) 일정시간동안 어느구간에서나 플레이된 전체 회수 p(t)

2) 최근 플레이 비율(rate) r(t)=[p(t)-p(t-△t)]/△t, 및

3) 최근 스킵(skip) 비율(rate) s(t)=[q(t)-q(t-△t)]/△t, 여기서 q(t)는 청취자가 아이템 재생을 이미 마친 회수이다

상기 1) 내지 3)을 포함하는 메트릭스의 제 1 클래스에서 선택되는 것을 특징으로 하는 방법.
제 30 항에 있어서, 상기 플레이 회수 p(t)는 전체 플레이 회수 P와 관련하여(예, p(t)/P) 표준화되는 것을 특징으로 하는 방법.
제 30 항에 있어서, 상기 미디어 아이템들 중 하나와 새로운 j1,j2,...,jm 아이템들의 후보 세트 간의 메타데이터 유사성에 따라 메트릭스들의 제 2 클래스로부터 선택되는 것을 특징으로 하는 방법.
명확한 사용자 개입없이 휴대용미디어플레이어의 메모리 내에 저장된 디지털 미디어 아이템들을 자동으로 선택 및 삭제하기 위한 컴퓨터로 구현되는 방법으로서, 상기 방법은

상기 휴대용미디어플레이어와 컴퓨터 간에 유선 또는 무선의 일시 통신 링크를 설정하는 단계;

상기 휴대용미디어플레이어에 저장된 현재 미디어아이템들의 플레이목록 m₁, m₂, ...m_N을 컴퓨터로 업로드하는 단계;

저장된 미디어아이템들 m₁, m₂, ...m_N과 연관된 현재 플레이 데이터를 컴퓨터에 업로드하는 단계;

상기 현재 플레이 데이터에 따라 상기 미디어 플레이어로부터 삭제 또는 유보하기 위해 상기 미디어아이템들의 순위를 설정하는 단계로서, 상기 순위를 설정하는 단계는 선택된 공변량들의 벡터에 따라 선형후퇴모델을 적용함으로써 상기 미디어플레이어에 현재 저장된 각 미디어 아이템들에 대한 사용자의 암묵적인 관심도의 양을 정하는 것을 포함하고, 이 경우 상기 공변량들은 미디어 아이템의 삭제가능성을 증가시키거나 또는 감소시키는 사용자 취향을 반영한 상기 미디어 아이템들의 측정가능한 특징 또는 메트릭스들을 포함하는, 순위 설정 단계;및

상기 순위설정의 순서에 따라 상기 플레이어에서 미디어아이템들을 순차적으로 삭제하는 단계;를 포함하는 것을 특징으로 하는 방법.
제 33 항에 있어서, 예측 공변량들은

상기 현재 미디어아이템의 플레이목록 내의 하나 이상의 미디어 아이템들에 대해 전체 플레이 회수를 표시하는 메트릭스, 상기 현재 미디어아이템의 플레이목록 내의 하나 이상의 미디어아이템들에 대한 최근 플레이 비율을 표시하는 메트릭스, 및 상기 현재 미디어아이템의 플레이목록 내의 하나 이상의 미디어 아이템들에 대한 최근 스킵 비율을 표시하는 메트릭스 중 적어도 하나를 포함하는 것을 특징으로 하는 방법.