KR101060487B1 - 태그 클라우드를 이용한 콘텐츠 추천 장치 및 방법 - Google Patents

태그 클라우드를 이용한 콘텐츠 추천 장치 및 방법 Download PDF

Info

Publication number
KR101060487B1
KR101060487B1 KR1020070117987A KR20070117987A KR101060487B1 KR 101060487 B1 KR101060487 B1 KR 101060487B1 KR 1020070117987 A KR1020070117987 A KR 1020070117987A KR 20070117987 A KR20070117987 A KR 20070117987A KR 101060487 B1 KR101060487 B1 KR 101060487B1
Authority
KR
South Korea
Prior art keywords
content
user
tag
recommendation
users
Prior art date
Application number
KR1020070117987A
Other languages
English (en)
Other versions
KR20090051540A (ko
Inventor
박종헌
Original Assignee
서울대학교산학협력단
주식회사 코아로직
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 서울대학교산학협력단, 주식회사 코아로직 filed Critical 서울대학교산학협력단
Priority to KR1020070117987A priority Critical patent/KR101060487B1/ko
Priority to EP08020041A priority patent/EP2060983A1/en
Priority to CN200810178287.1A priority patent/CN101442546B/zh
Priority to JP2008295784A priority patent/JP4785906B2/ja
Priority to US12/273,710 priority patent/US8209337B2/en
Publication of KR20090051540A publication Critical patent/KR20090051540A/ko
Application granted granted Critical
Publication of KR101060487B1 publication Critical patent/KR101060487B1/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/38—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually

Abstract

본 발명은 태그 클라우드를 이용한 콘텐츠 추천 장치 및 방법에 관한 것으로, 본 발명에 따른 네트워크를 통해 콘텐츠 추천 서비스를 제공하는 콘텐츠 추천 장치는, 각 콘텐츠에 부여된 태그를 분석하여 각 콘텐츠에 대한 태그별 빈도를 구축하는 콘텐츠 태그 클라우드 생성모듈; 사용자가 이용한 콘텐츠들의 태그별 빈도를 누적하여 사용자별 태그 클라우드를 구축하는 사용자 태그 클라우드 생성모듈; 상기 사용자별 태그 클라우드를 이용하여 사용자 간의 유사도를 산출하는 유사도 산출모듈; 및 상기 산출된 사용자 간의 유사도를 기반으로 추천 대상 사용자가 특정 콘텐츠를 볼 확률을 계산하여 콘텐츠를 추천하는 추천모듈;을 포함하는 것을 특징으로 한다.
태그, 클라우드, 협업 필터링, 추천, 콘텐츠, 동영상

Description

태그 클라우드를 이용한 콘텐츠 추천 장치 및 방법{APPARATUS AND METHOD FOR RECOMMENDING CONTENT USING TAG CLOUD}
본 발명은 콘텐츠 추천 장치 및 방법에 관한 것으로, 더욱 상세하게는 콘텐츠에 부여되는 태그 클라우드(tag cloud)를 이용하여 사용자 간 유사도를 산출하여 이에 근거하여 콘텐츠를 사용자에게 추천하는 콘텐츠 추천 장치 및 방법에 관한 것이다.
최근 인터넷의 대중화에 따라 인터넷 상에 각종 콘텐츠가 기하급수적으로 증가하게 되었고, 특히 동영상 형태의 사용자 생성 콘텐츠(UCC:User Created Content)들의 수는 폭발적으로 증가하고 있는 추세이다. 이러한 환경 하에서 사용자들은 한정된 시간 및 정보만을 이용하여 자신의 관심 또는 필요를 만족시킬 수 있는 콘텐츠를 찾기가 현실적으로 매우 어렵게 되는 바, 개별 사용자의 성향 및 선호도 등을 고려하여 사용자에게 적합한 콘텐츠를 추천하는 기술로서 추천 시스템(recommendation system)이 널리 사용되고 있다.
추천 시스템이란 사용자에 관한 정보 및 추천 대상 콘텐츠들로부터 추출한 정보에 기반하여 사용자에게 필요할 것으로 예상되는 콘텐츠를 추천해주는 시스템 을 뜻하며, 추천은 사용자가 직접 요청하거나, 추천 시스템이 자동으로 사용자에게 적합한 콘텐츠를 추천해주게 된다.
현재 추천 시스템의 종류는 사용되는 기반 기술에 따라, 크게 협력 필터링(collaborative filtering) 방식, 내용 기반(content-based) 방식, 혼합(hybrid) 방식으로 구분될 수 있으며, 이하 본 발명이 기초하고 있는 협력 필터링 방식에 대해 간략히 설명하기로 한다.
협력 필터링 방식은 그 응용 목적에 따라 다양한 형태의 수식들이 제안되어 있으나 개념적으로는 추천 대상 사용자(active user) 및 그 추천 대상 사용자와 유사한 사용자들(neighbors)을 파악하여 이들이 과거 관심을 보였던 콘텐츠들을 이용하여 상기 추천 대상 사용자에게 콘텐츠를 추천하는 개념을 바탕으로 하고 있다. 이 개념을 동영상 추천 문제로 모형화하면 다음과 같은 [수학식 1]로 표현할 수 있다.
Figure 112007082893797-pat00001
여기서, u는 추천 대상 사용자, ru ,v는 추천 대상 사용자 u가 아직 보지 않은 동영상 v에 대해 부여할 평점(rating)의 예측치, U는 이미 동영상 v를 관람하고 평점을 부여한 사용자들 중 추천 대상 사용자 u와 가장 유사한 사용자들 N 명의 집합, sim(u, u')는 추천 대상 사용자 u와 사용자 u' 간의 유사도(similarity), ru' ,v는 U에 속한 사용자 u'가 동영상 v에 대해 부여한 평점, k는 정규화 상수(즉, )를 나타낸다. 그리고 상기 sim(u, u')의 계산은 추천 대상 사용자 u와 사용자 u'가 공동으로 평점을 부여한 동영상에 대하여 평점들 간의 상관계수(correlation coefficient) 또는 코사인(cosine) 값 등을 이용하여 구하는 것이 통상적이다.
상기 [수학식 1]에 따라 도출된 값은, 추천 대상 사용자 u가 아직 보지 않은 특정 동영상 v에 대해 상기 추천 대상 사용자 u가 그 동영상에 부여할 평점(rating)의 예측치로서, 모든 동영상 v∈V의 각각에 대해 추천 대상 사용자 u가 부여할 평점의 예측치가 모두 계산되면, 평점의 예측치가 가장 큰 동영상부터 우선적으로 추천 대상 사용자에게 추천된다.
한편, 협력 필터링 기반의 종래 추천 시스템에는 상술한 바와 같은 사용자들의 평점을 활용한 기법 이외에도 사용자들의 구매 이력을 고려하여 추천 대상 콘텐츠를 산출하는 기술들도 포함되며, 이 경우 상기 [수학식 1]의 간단한 변형을 통하여 적용이 가능하다.
그러나 상술한 종래 협력 필터링 기반의 추천 방법들은 다음과 같은 한계를 지니고 있다.
먼저, 상술한 종래 협력 필터링 기반의 추천 방법은, 사용자에 의해 평점이 부여된 콘텐츠가 많지 않거나 사용자에 의해 구매된 콘텐츠가 많지 않을 경우, 추 천 가능한 콘텐츠가 매우 제한된다.
또한, 종래 협력 필터링 기반의 추천 방법에 있어서 추천 대상 사용자와 유사한 사용자는 추천 대상 사용자와 동일한 콘텐츠를 이용한 사용자들 중 선별되기 때문에 유사 사용자의 범위가 매우 좁아지게 되어 결과적으로 추천 대상 콘텐츠의 범위 또한 매우 좁아지게 되고 원하지 않은 콘텐츠가 추천될 수 있는 문제점이 있다.
또한, 사용자의 수보다 콘텐츠의 수가 매우 많은 경우, 추천 대상 사용자와 유사한 사용자들을 찾아내기가 어렵다. 즉, 추천 대상 사용자와 유사한 사용자는 추천 대상 사용자와 동일한 콘텐츠를 이용한 사용자들 중 선별되는 것인데, 사용자의 수보다 콘텐츠의 수가 매우 많은 경우, 추천 대상 사용자와 동일한 콘텐츠를 이용한 사용자가 매우 적어지게 되고, 이에 따라 추천 대상 사용자와 유사한 사용자를 선별하는 것은 어려워진다. 특히, 사용자 간의 유사도는 그 사용자들이 동일하게 이용한 여러 콘텐츠에 대해 부여한 평점에 기초하여 계산되나, 콘텐츠의 수가 많을 경우, 1 개 콘텐츠만 이용하는 사용자가 자연적으로 증가하게 되고, 따라서 사용자 간의 유사도 값은 그 정확도가 떨어지게 되는 문제점이 있다.
또한, 자주 추천되는 특정 콘텐츠들이 반복적으로 추천되는 경향을 보이고, 추천 대상 사용자가 과거에 이용하였던 콘텐츠를 기반으로 유사 사용자들을 선별하기 때문에 추천의 대상이 되는 콘텐츠는 추천 대상 사용자가 과거에 관심을 가졌던 주제에만 집중되는 등, 추천된 콘텐츠들이 사용자에게 발견의 기쁨(serendipity)을 제공하지 못한다.
또한, 종래 협력 필터링 기반의 추천 방법은, 유사 사용자의 선별이 추천 대상 사용자와 동일한 콘텐츠를 이용한 사용자들 중에서 이루어짐으로써, 전체 콘텐츠에 대한 커버리지가 약 10~30%로 매우 낮은 문제점이 있다.
상기와 같은 문제점을 해결하기 위해 안출된 것으로, 콘텐츠에 부여된 태그 클라우드(tag cloud)를 이용하여 추천 대상 콘텐츠에 대한 커버리지를 높이고 콘텐츠의 수가 증가하더라도 추천 대상 사용자와 취향이 유사한 사용자들을 효과적으로 찾아내어 추천의 성능을 높이는 태그 클라우드를 이용한 콘텐츠 추천 장치 및 방법을 제공하는데 그 목적이 있다.
본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있으며, 본 발명의 실시예에 의해 보다 분명하게 알게 될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
상기 목적을 달성하기 위한 본 발명의 제 1 측면에 따른, 네트워크를 통해 콘텐츠 추천 서비스를 제공하는 콘텐츠 추천 장치는, 각 콘텐츠에 부여된 태그를 분석하여 각 콘텐츠에 대한 태그별 빈도를 구축하는 콘텐츠 태그 클라우드 생성모듈; 사용자가 이용한 콘텐츠들의 태그별 빈도를 누적하여 사용자별 태그 클라우드를 구축하는 사용자 태그 클라우드 생성모듈; 상기 사용자별 태그 클라우드를 이용하여 사용자 간의 유사도를 산출하는 유사도 산출모듈; 및 상기 산출된 사용자 간의 유사도를 기반으로 추천 대상 사용자가 특정 콘텐츠를 볼 확률을 계산하여 콘텐츠를 추천하는 추천모듈;을 포함하는 것을 특징으로 한다.
또한, 상기 목적을 달성하기 위한 본 발명의 제 2 측면에 따른, 네트워크를 통해 콘텐츠 추천 서비스를 제공하는 콘텐츠 추천 방법은, 각 콘텐츠에 부여된 태그를 분석하여 각 콘텐츠에 대한 태그별 빈도를 구축하는 콘텐츠 태그 클라우드 생성단계; 사용자가 이용한 콘텐츠들의 태그별 빈도를 누적하여 사용자별 태그 클라우드를 구축하는 사용자 태그 클라우드 생성단계; 구축된 사용자별 태그 클라우드를 이용하여 사용자 간의 유사도를 산출하는 유사도 산출단계; 및 산출된 사용자 간의 유사도를 기반으로 추천 대상 사용자가 특정 콘텐츠를 볼 확률을 계산하여 콘텐츠를 추천하는 추천단계;를 포함하는 것을 특징으로 한다.
상기와 같은 본 발명은, 다수의 사용자에 의해 집단적으로 콘텐츠에 부여된 태그 클라우드를 기반으로 사용자의 콘텐츠 이용 형태에 따라 사용자의 태그 클라우드를 구성 및 갱신하여 사용자 간의 유사도를 측정함으로써, 사용자들에게 더욱 적절하고 정확한 콘텐츠를 추천할 수 있도록 하는 효과가 있다.
상술한 목적, 특징 및 장점은 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해 질 것이며, 그에 따라 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 또한, 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에 그 상세한 설명을 생략하기로 한다. 이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 일 실시예를 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 콘텐츠 추천 시스템의 네트워크 구성을 나타낸 도면이다.
도 1에 도시된 바와 같이, 본 발명에 따른 콘텐츠 추천 시스템은, 다수의 사용자 단말(110), 상기 다수의 사용자 단말(110)과 네트워크(130)로 연결되어 상기 사용자 단말(110)로 콘텐츠를 추천하는 콘텐츠 추천 서버(200)를 포함한다.
사용자 단말(110)은 데스크탑 PC, 노트북 PC, PDA, 이동통신 단말기 등과 같이 네트워크(130)를 통해 콘텐츠 추천 서버(200)에 접속하여 콘텐츠 추천 서버(200)가 제공하는 각종 콘텐츠를 소비할 수 있는 단말을 통칭한다. 바람직하게, 유무선 인터넷 브라우저가 설치되어 그 브라우저를 이용하여 콘텐츠 추천 서버(200)에 접속할 수 있다. 여기서 콘텐츠 추천 서버(200)가 제공하는 콘텐츠는 동영상, 정지영상, 음원(예컨대, MP3 파일), 광고 등을 지칭하고, 상기 네트워크(130)는 이동통신망, 유무선 인터넷망 등 상기 콘텐츠를 송수신할 수 있는 통신망이다.
콘텐츠 추천 서버(200)는 네트워크(130)를 통해 접속한 사용자 단말(110)로 콘텐츠를 포함하는 웹 사이트를 제공하고 콘텐츠 추천 서비스를 제공한다. 본 발명에 따른 콘텐츠 추천 서버(200)는 도 1에 도시된 바와 같이, 서비스 운영부(210) 및 콘텐츠 추천부(230)를 포함한다.
서비스 운영부(210)는 다수의 사용자 단말(110)로 제공할 각종 콘텐츠를 저장 관리하고, 사용자 단말(110)의 접속시 콘텐츠를 포함하는 웹 사이트를 상기 사 용자 단말(110)로 제공한다. 이때, 서비스 운영부(210)는 사용자가 웹 사이트에 포함된 각 콘텐츠에 대해 연관 단어인 태그를 부여할 수 있도록 하는 태그 설정 인터페이스를 사용자 단말(110)로 제공하고, 그에 따라 각 콘텐츠에 부여된 태그를 저장 관리한다. 각 콘텐츠에 부여된 태그들의 집합은 각 콘텐츠의 태그 클라우드(tag cloud)로서 저장 관리된다. 예컨대, 사용자는 특정 뮤직 비디오에 대하여 해당 뮤직 비디오에서 연상되는 연관 단어인 섹시, 원더걸스, 댄스 등을 상기 뮤직 비디오의 태그로서 부여할 수 있고, 서비스 운영부(210)는 상기 뮤직 비디오의 태그 클라우드로서 섹시, 원더걸스, 댄스를 저장 관리한다.
또한, 서비스 운영부(210)는, 다수의 사용자 단말(110)로 콘텐츠 서비스를 제공하며 각 사용자의 태그 클라우드를 형성하여 저장 관리한다. 즉, 서비스 운영부(210)는 어느 한 사용자가 다수의 콘텐츠를 이용한 경우, 그 사용자가 이용한 각 콘텐츠의 태그 클라우드를 종합하여 해당 사용자의 태그 클라우드를 형성하여 저장 관리한다. 여기서, 서비스 운영부(210)는 각 사용자의 태그 클라우드를 형성함에 있어서 태그 클라우드를 구성하는 각 태그의 발생 빈도를 관리한다.
콘텐츠 추천부(230)는 상기 서비스 운영부(210)에서 형성되어 저장 관리되는 사용자들의 태그 클라우드를 이용하여 유사한 취향을 가진 사용자들의 집합을 선별하고, 그 유사한 취향을 가진 사용자 집단 내의 사용자들의 콘텐츠 이용 현황에 기초하여 상기 사용자 집단 내의 사용자들에게 콘텐츠를 추천한다. 콘텐츠 추천 알고리즘에 대해서는 자세히 후술한다.
도 2는 도 1의 서비스 운영부의 구성을 나타낸 도면으로, 도 2에 도시된 바 와 같이, 도 1의 서비스 운영부(210)는, 콘텐츠 관람 내역 관리모듈(211), 콘텐츠 태그 클라우드 생성모듈(213), 사용자 태그 클라우드 생성모듈(215), 관람 내역 DB(212), 콘텐츠 태그 클라우드 DB(214), 사용자 태그 클라우드 DB(216)를 포함한다.
콘텐츠 관람 내역 관리모듈(211)은 콘텐츠 추천 서버(200)에서 다수의 사용자 단말(110)로 제공하는 각종 콘텐츠들에 대한 사용자의 관람 내역을 관람 내역 DB(212)에 등록 관리한다. 즉, 사용자 단말(110)이 콘텐츠 추천 서버(200)에 접속하여 소정의 콘텐츠를 이용하는 경우, 콘텐츠 관람 내역 관리모듈(211)은 상기 사용자 단말(110)의 사용자 식별정보(예컨대, 쿠키 정보, ID 등)에 콘텐츠 이용 유무를 체크하여 관람 내역 DB(212)에 저장한다. 관람 내역 DB(212)는 사용자 식별정보별로 해당 사용자가 이용한 콘텐츠의 식별정보를 매핑하여 저장한다.
콘텐츠 태그 클라우드 생성모듈(213)은 콘텐츠 추천 서버(200)에서 다수의 사용자 단말(110)로 제공하는 각종 콘텐츠들에 부여된 태그들을 콘텐츠 태그 클라우드 DB(214)에 등록 관리한다. 콘텐츠 태그 클라우드 생성모듈(213)은 사용자 단말(110)로 콘텐츠에 대한 태그를 사용자가 직접 부여할 수 있는 인터페이스를 제공하여 사용자로부터 해당 콘텐츠에 대한 태그를 부여받는다.
콘텐츠 태그 클라우드 생성모듈(213)은 사용자가 직접 정의한 태그를 콘텐츠의 태그로서 부여받거나, 또는 복수의 기 설정된 태그 항목을 사용자에게 제공한 후 그 중 어느 하나 또는 복수 개를 선택받아 콘텐츠의 태그로서 부여받는다. 콘텐츠 태그 클라우드 생성모듈(213)은 각 콘텐츠에 대해 태그가 부여되면 모든 사용자 들로부터 각 콘텐츠에 대해 부여된 태그들의 빈도를 콘텐츠 태그 클라우드 DB(214)에 저장한다. 콘텐츠 태그 클라우드 DB(214)는 각 콘텐츠의 식별정보에 해당 콘텐츠에 대해 부여된 태그들의 빈도를 매핑하여 저장한다. 예컨대, 동영상 A에 대해 사용자 1은 박지성, 맨유라는 태그를 부여하고 사용자 2는 축구, 박지성이라는 태그를 부여한 경우, 콘텐츠 태그 클라우드 DB(214)에는 상기 동영상 A의 태그 클라우드로서 {박지성2, 맨유1, 축구1}이 구축된다.
콘텐츠 태그 클라우드 생성모듈(213)에 의해 구축되는 콘텐츠 태그 클라우드를 수학식으로 표현하면 다음과 같다. 구체적으로, U={u1, u2,..., ul}를 사용자 집합, V={v1, v2, ..., vm}를 콘텐츠 집합, T={t1, t2,..., tn}를 태그 집합, 그리고 fijk를 사용자 ui가 콘텐츠 vj에 태그 tk를 부여하면 1의 값을, 아니면 0의 값을 갖는 변수라고 하면, 콘텐츠 vj의 태그 클라우드 VTCj는 다음 [수학식 2]와 같다.
Figure 112007082893797-pat00003
즉, VTCj는 특정 콘텐츠 vj에 대하여 사용자들이 각각의 태그 tk를 총 몇 회 부여했는지를 나타내는 n 차원의 벡터이다.
사용자 태그 클라우드 생성모듈(215)은 사용자가 콘텐츠를 이용할 때마다 사용자가 이용한 콘텐츠들에 부여되어 있는 태그 클라우드를 누적하여 사용자의 태그 클라우드로서 사용자 태그 클라우드 DB(216)에 저장한다. 즉, 사용자 태그 클라우 드 생성모듈(215)은 사용자가 이용한 콘텐츠들에 대해 구축된 태그 빈도를 태그별로 모두 누적하여 전체 태그의 빈도를 사용자 태그 클라우드로서 사용자 태그 클라우드 DB(216)에 저장한다.
사용자 태그 클라우드 생성모듈(215)에 의해 구축되는 사용자 태그 클라우드를 수학식으로 표현하면 다음과 같다. 사용자 ui의 태그 클라우드를 UTCi라 하고, 사용자 ui의 최초 가입시 태그 클라우드 UTCi를 n 차원의 0 벡터 초기화화면, 향후 사용자 ui가 콘텐츠 vj를 관람할 때마다 다음 [수학식 3]과 같은 방식으로 사용자 ui의 태그 클라우드 UTCi는 갱신된다.
UTCi ← UTCi ＋ NVTCj
여기서, NVTCj는 VTCj를 정규화(Normalization)한 것으로, 다음 [수학식 4]와 같이 정의된다.
Figure 112007082893797-pat00004
상기 [수학식 3] 및 [수학식 4]를 종합하면, UTCi는 각각의 태그가 나타내는 주제에 대한 사용자 ui의 관심의 분포를 뜻하고, 사용자 ui가 콘텐츠 vj를 이용한다 는 것은 NVTCj로 표현되는 콘텐츠가 가지고 있는 주제에 대해 사용자 ui가 관심을 가지고 있다는 것을 의미한다. 따라서 상기 [수학식 3]은 콘텐츠 이용 행위를 통해 사용자의 관심이 갱신되는 과정을 나타낸다.
이상을 구체적인 예를 들어 설명하면, 동영상 A의 태그 클라우드로서 {박지성2, 맨유1, 축구1}이 구축되어 있고, 신규 사용자1이 상기 동영상 A를 이용한 경우, 사용자1의 태그 클라우드는 {박지성1/2, 맨유1/4, 축구1/4}로 정규화되어 구축된다. 다음으로 사용자1이 태그 클라우드로서 {이영표2, 토트넘1, 축구1}로 구축된 동영상 B를 이용한 경우, 그 사용자1의 태그 클라우드 {박지성1/2, 맨유1/4, 축구1/4}에 상기 동영상 B의 태그 클라우드 {이영표2, 토트넘1, 축구1}이 정규화되어 더해져, 최종적으로 사용자1의 태그 클라우드로서 {박지성1/2, 맨유1/4, 이영표1/2, 토트넘1/4, 축구1/2}가 구축된다. 여기서, n 차원 벡터의 태그 클라우드에 태그의 빈도를 나열하는 순서는 전체 태그의 생성 순서에 따른다.
도 3은 도 1의 콘텐츠 추천부의 구성을 나타낸 도면으로, 도 3에 도시된 바와 같이, 도 1의 콘텐츠 추천부(230)는 사용자 유사도 산출모듈(231) 및 콘텐츠 추천모듈(233)을 포함한다.
사용자 유사도 산출모듈(231)은 상기 사용자 태그 클라우드 DB(216)에 저장되어 있는 사용자들의 태그 클라우드를 이용하여 각 사용자 간의 유사도를 산출한다. 즉, 사용자 유사도 산출모듈(231)은 사용자 태그 클라우드 DB(216)에 저장되어 있는 사용자 태그 클라우드를 바탕으로 임의의 두 사용자 ui와 ui' 간의 태그 클라 우드 유사도를 계산한다. 이를 수학식으로 표현하면 다음과 같다.
임의의 두 사용자 ui와 ui' 간의 태그 클라우드 유사도를 sim(ui, ui')라 하고, 사용자 ui의 태그 클라우드를 UTCi=(α1 i, α2 i, ...,αn i), 사용자 ui'의 태그 클라우드를 UTCi'=(α1 i', α2 i', ...,αn i')라 하면, sim(ui, ui')는 다음 [수학식 5]와 같이 두 벡터가 이루는 각(angle)의 코사인(cosine) 값으로 계산될 수 있다.
Figure 112007082893797-pat00005
여기서 UTCiㆍUTCi'는 두 벡터 UTCi와 UTCi'의 내적(dot product)을 나타낸다.
다음으로, 콘텐츠 추천모듈(233)은 상기 사용자 유사도 산출모듈(231)에서 산출된 추천 대상 사용자와 임의의 사용자 간의 유사도를 이용하여 추천 대상 사용자가 특정 콘텐츠를 볼 확률을 모든 콘텐츠에 대해 계산하여 확률이 가장 큰 순서대로 상기 추천 대상 사용자에게 추천한다. 이때, 콘텐츠 추천모듈(233)은 추천 대상 사용자가 이미 이용한 콘텐츠들은 제외한다. 또한 콘텐츠 추천모듈(233)은 추천 대상 사용자가 특정 콘텐츠를 볼 확률을 계산함에 있어서, 즉각적인 추천 리스트의 변경이 필요한 경우에는 그 추천 대상 사용자가 신규 콘텐츠를 이용할 때마다 상기 확률을 갱신하며, 그렇지 않은 경우에는 정기적인 배치(batch) 처리 형태로 모든 사용자에 대한 확률을 일괄적으로 갱신한다.
콘텐츠 추천모듈(233)이 추천 대상 사용자가 특정 콘텐츠를 볼 확률을 계산하는 과정을 수학식으로 표현하면 다음 [수학식 6]과 같다.
Figure 112007082893797-pat00006
여기서 U는 추천 대상 사용자 ui와 유사한 다른 사용자들의 집합(neighbor)이고, pi',j는 사용자 ui'가 특정 콘텐츠 vj를 보았는지 여부를 나타내는 변수로서, 특정 콘텐츠 vj를 보았을 경우 pi',j는 1 그렇지 않으면 pi',j는 0이다. k는 정규화 상수를 나타낸다. 즉
Figure 112007082893797-pat00007
이다.
콘텐츠 추천모듈(233)은 추천 대상 사용자가 특정 콘텐츠를 볼 확률을 계산하는데 있어서 추천 대상 사용자와 유사한 다른 사용자들의 집합(neighbor) U를 결정하는 방법으로서, 통상적으로 추천 대상 사용자 ui가 이용한 적이 있는 콘텐츠들의 집합에 대해, 이 집합에 속하는 콘텐츠를 2 개 이상 이용한 적이 있는 사용자 집합을 Si라 하면, Si를 U로 결정한다. 그러나 이 같은 방식은 콘텐츠의 수가 사용자의 수보다 압도적으로 많을 경우, 2 개 이상의 콘텐츠를 함께 이용한 사용자의 수가 급격히 작아지게 되므로, 대다수 추천 대상 사용자에 대해 유사한 사용자를 찾을 수 없는 한계를 지니고 있으며, 추천 대상 사용자가 이용한 콘텐츠가 1 개 뿐 일 경우 사용할 수 없는 문제가 있다. 따라서 콘테츠 추천모듈(233)은 다음과 같은 방식으로 유사한 다른 사용자들의 집합 U를 결정한다.
(1) ｜Si｜≥ N이면 U=Si
(2) ｜Si｜＜ N이면 U는 ui와 상기 [수학식 5]의 유사도를 기준으로 가장 유사한 상위 N 명의 사용자들의 집합.
여기서 N은 추천 시스템 성능이 최대화되도록 실험적으로 결정되는 상수 값이다.
도 4는 본 발명의 일 실시예에 따른 콘텐츠 태그 클라우드 구축 방법을 설명하는 흐름도이다.
도 4에 도시된 바와 같이, 먼저 본 발명에 따른 콘텐츠 추천 서버(200)는 내부에 보유하고 있는 다수의 콘텐츠를 홈 페이지 등에 개시한다(S401). 콘텐츠 추천 서버(200)는 자체 제작한 콘텐츠 및/또는 사용자 제작 콘텐츠(UCC:User Created Content)를 홈 페이지 등에 개시한다. 이러한 콘텐츠는 동영상, 사진, 방송 미디어 등을 지칭한다. 이와 같이 콘텐츠 추천 서버(200)에 의해 홈 페이지 등을 통해 다수의 콘텐츠들이 개시되면, 사용자들은 사용자 단말(110)을 이용하여 상기 콘텐츠 추천 서버(220)의 홈 페이지에 접속하여 상기 개시된 다수의 콘텐츠를 이용할 수 있게 된다. 이하에서는 콘텐츠 추천 서버(200)에서 개시하는 다수의 콘텐츠 중 어느 하나를 다수의 사용자들이 차례로 이용하는 경우를 예로 들어 설명한다.
콘텐츠 추천 서버(200)는 사용자가 특정 콘텐츠를 이용할 때 해당 콘텐츠의 특징을 나타내는 태그를 사용자가 부여할 수 있도록 사용자 단말(110)로 관련 인터페이스를 제공한다. 예컨대, 사용자가 콘텐츠에 대한 태그를 직접 정의할 수 있도록 하거나 또는 기 정의되어 있는 다수의 태그 유형을 사용자에게 제공하고 그 중 일부를 선택받을 수 있는 인터페이스를 제공하여 태그를 부여받는다.
콘텐츠 추천 서버(200)는 사용자가 특정 콘텐츠를 이용한 후 상기 인터페이스를 통해 콘텐츠에 대한 태그를 부여하면 해당 콘텐츠의 태그 클라우드로서 상기 부여된 태그 및 태그 발생 빈도를 저장하고 또한 콘텐츠 이용 내역을 저장한다(S403). 예컨대, 사용자1이 동영상 A를 이용한 후 해당 동영상 A에 태그 {박지성, 축구}를 입력한 경우, 콘텐츠 추천 서버(200)는 동영상 A에 대해 상기 태그 {박지성, 축구}를 저장하고 또한 상기 태그 발생 빈도 {1, 1}을 저장한다.
다음으로, 콘텐츠 추천 서버(200)는 다른 사용자가 동일 콘텐츠를 이용한 후 상기 인터페이스를 통해 콘텐츠에 대한 태그를 부여하면 그 부여된 태그를 반영하여 상기 기 저장된 해당 콘텐츠의 태그 클라우드 및 콘텐츠 이용 내역을 업데이트한다(S405). 즉, 콘텐츠의 태그 및 태그 발생 빈도를 갱신하고 또한 콘텐츠 이용 내역을 갱신한다. 예컨대, 동영상 A의 기 저장된 태그 클라우드의 태그는 {박지성, 축구}이고 태그 발생 빈도는 {1, 1}인 상태에서, 새로운 태그로서 {박지성, 맨유}가 부여되면, 태그는 {박지성, 축구, 맨유}로 갱신되고 태그 발생 빈도는 {2, 1, 1}로 갱신된다.
이상과 같은 과정을 모든 사용자가 이용하는 모든 콘텐츠에 대해 반복 수행하여 모든 콘텐츠에 대한 태그 클라우드 및 콘텐츠 이용 내역을 구축한다. 이를 수 학식으로 정리하면 상기 [수학식 2]와 같다.
도 5는 본 발명의 일 실시예에 따른 사용자 태그 클라우드 구축 방법을 설명하는 흐름도이다.
도 4를 참조하여 설명한 바와 같이 콘텐츠 추천 서버(200)에서 제공되는 모든 콘텐츠에 대해 태그 클라우드가 구축된 후, 신규 사용자가 상기 콘텐츠 추천 서버(200)에서 제공하는 콘텐츠를 이용할 때 해당 신규 사용자의 태그 클라우드가 구축되는 과정을 설명한다.
도 5에 도시된 바와 같이, 먼저 콘텐츠 추천 서버(200)는 신규 사용자가 접속하면 해당 신규 사용자의 n 차원(콘텐츠 추천 서버(200)에서 생성된 태그의 수와 동일) 태그 클라우드를 초기화한다(S501).
이어서, 상기 신규 사용자가 콘텐츠 추천 서버(200)에서 제공하는 콘텐츠 중 어느 하나를 이용하게 되면, 콘텐츠 추천 서버(200)는 상기 신규 사용자의 초기화된 태그 클라우드에 상기 신규 사용자가 이용한 콘텐츠의 태그 클라우드를 더하여 신규 사용자의 태그 클라우드를 업데이트한다(S503). 바람직하게, 콘텐츠 추천 서버(200)는 콘텐츠의 태그 발생 빈도를 정규화하여 신규 사용자의 태그 발생 빈도에 더한다. 예컨대, 신규 사용자가 태그가 {박지성, 축구, 맨유}이고 태그 발생 빈도가 {2, 1, 1}인 동영상 A를 이용한 경우, 신규 사용자의 태그는 {박지성, 축구, 맨유}가 되고 태그 발생 빈도는 {2/4, 1/4, 1/4}={0.5, 0.25, 0.25}가 된다.
다음으로, 상기 신규 사용자가 콘텐츠 추천 서버(200)에서 제공하는 다른 콘텐츠를 이용하게 되면, 콘텐츠 추천 서버(200)는 상기 단계 S503에서 생성된 신규 사용자의 태그 클라우드에 상기 다른 콘텐츠의 태그 클라우드를 누적하여 신규 사용자의 태그 클라우드를 업데이트한다(S505). 이때도 콘텐츠 추천 서버(200)는 해당 콘텐츠의 태그 발생 빈도를 정규화하여 신규 사용자의 태그 발생 빈도에 누적하는 것이 바람직하다.
이상과 같은 과정은 모든 사용자에 대해 동일하게 반복 수행되어 모든 사용자의 태그 클라우드가 구축된다. 이를 수학식으로 정리하면 상기 [수학식 3] 및 [수학식 4]와 같다.
도 6은 본 발명의 일 실시예에 따른 콘텐츠 추천 방법을 설명하는 흐름도이다.
도 5를 참조하여 설명한 바와 같이 사용자들의 태그 클라우드가 생성되면, 콘텐츠 추천 서버(200)는 어느 한 사용자(이하, 추천 대상 사용자)에 대해 그 사용자가 선호하는 콘텐츠를 추천한다.
도 6에 도시된 바와 같이, 먼저 콘텐츠 추천 서버(200)는 사용자 태그 클라우드를 바탕으로 추천 대상 사용자와 다른 사용자들 간의 유사도를 계산한다(S601). 즉, 추천 대상 사용자의 태그 클라우드 벡터와 다른 사용자들의 태그 클라우드 벡터가 이루는 각(angle)의 코사인(cosine) 값을 유사도로 산출한다. 이를 수학식으로 나타내면 상기 [수학식 5]와 같다.
다음으로, 콘텐츠 추천 서버(200)는 추천 대상 사용자와 취향이 유사한 사용자들의 집합을 결정한다(S603). 추천 대상 사용자와 유사한 다른 사용자들의 집합(neighbor) U를 결정하는 방법으로서, 추천 대상 사용자가 이용한 적이 있는 콘 텐츠들의 집합에 대해, 이 집합에 속하는 콘텐츠를 2 개 이상 이용한 적이 있는 사용자 집합을 Si라 하면, 다음과 같은 방식으로 유사한 다른 사용자들의 집합 U를 결정한다.
(1) ｜Si｜≥ N이면 U=Si
(2) ｜Si｜＜ N이면 U는 추천 대상 사용자와 상기 산출된 유사도를 기준으로 가장 유사한 상위 N 명의 사용자들의 집합.
여기서 N은 추천 시스템 성능이 최대화되도록 실험적으로 결정되는 상수 값이다.
이와 같이 추천 대상 사용자와 유사한 사용자들의 집합을 결정한 후, 콘텐츠 추천 서버(200)는 상기 유사 사용자 집합에 속하는 사용자들과 추천 대상 사용자 간의 유사도, 그리고 상기 유사 사용자 집합에 속하는 사용자들의 콘텐츠 이용 내역을 바탕으로, 추천 대상 사용자가 콘텐츠를 볼 확률을 추천 대상 사용자가 기존에 사용하지 않은 모든 콘텐츠에 대해 계산한다(S605). 이를 수학식으로 표현하면 상기 [수학식 6]과 같다.
다음으로, 콘텐츠 추천 서버(200)는 모든 콘텐츠에 대해 계산된 추천 대상 사용자가 콘텐츠를 볼 확률을 바탕으로 확률이 가장 큰 순서대로 상기 추천 대상 사용자에게 콘텐츠를 추천한다(S607). 모든 콘텐츠를 순서대로 나열할 수도 있고, 또는 상위 몇 개의 콘텐츠만을 선별하여 추천 대상 사용자에게 추천할 수도 있다.
이상의 과정들은 모두 콘텐츠 추천 서버(200)가 개별적인 콘텐츠를 추천 대상 사용자에게 추천하는 것을 설명하였으나 본 발명은 이에 제한되지 않는다. 사용자에게 추천할 콘텐츠가 결정되면, 콘텐츠 추천 서버(200)는 단순히 추천 대상 콘텐츠를 나열하는 것뿐만 아니라 추천 대상 콘텐츠를 가장 많이 보유하고 있는 패키지 아이템을 사용자에게 추천할 수도 있고, 또는 추천 대상 콘텐츠를 가장 많이 보유하고 있는 온라인 샵(Shop) 또는 웹 페이지를 추천할 수도 있다. 따라서 도 1의 콘텐츠 추천부(230)는, 콘텐츠 추천모듈(233)에서 사용자에게 추천할 콘텐츠가 결정되면 그 결정된 추천 대상 콘텐츠를 가장 많이 보유하고 있는 패키지 아이템 또는 온라인 샵(Shop)을 사용자에게 추천하는 패키지 및 샵 추천모듈을 더 포함할 수 있다.
이상과 같이 본 발명에 따른 콘텐츠 추천 방법은, 두 사용자 간의 유사도를 도출하는데 있어서 태그 클라우드를 이용함으로써 반드시 두 사용자가 동일한 콘텐츠를 이용하지 않았더라도 서로 유사한 취향을 가진 사용자 집합으로 결정될 수 있다. 그러나 종래에는 두 사용자 간의 유사도를 도출하는데 있어서 반드시 두 사용자가 동일 콘텐츠에 대해 부여된 평점을 이용하거나 동일 콘텐츠에 대한 구매 정보를 이용하였다. 따라서 종래 방법은 전체 콘텐츠에 대한 커버리지가 낮은 반면 본 발명에 따른 콘텐츠 추천 방법은 전체 콘텐츠에 대한 커버리지가 높다.
이러한 본 발명에 따른 방법을 기록매체(씨디롬, 램, 롬, 플로피 디스크, 하드 디스크, 광자기 디스크 등)에 저장하는 과정은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있으므로 더 이상 상세히 설명하지 않기로 한다.
이상에서 설명한 본 발명은, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 있어 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 여러 가지 치환, 변형 및 변경이 가능하므로 전술한 실시예 및 첨부된 도면에 의해 한정되는 것이 아니다.
도 1은 본 발명의 일 실시예에 따른 콘텐츠 추천 시스템의 네트워크 구성을 나타낸 도면이다.
도 2는 도 1의 서비스 운영부의 구성을 나타낸 도면이다.
도 3은 도 1의 콘텐츠 추천부의 구성을 나타낸 도면이다.
도 4는 본 발명의 일 실시예에 따른 콘텐츠 태그 클라우드 구축 방법을 설명하는 흐름도이다.
도 5는 본 발명의 일 실시예에 따른 사용자 태그 클라우드 구축 방법을 설명하는 흐름도이다.
도 6은 본 발명의 일 실시예에 따른 콘텐츠 추천 방법을 설명하는 흐름도이다.
<도면의 주요 부분에 대한 부호의 설명>
110 : 사용자 단말 200 : 콘텐츠 추천 서버
213 : 콘텐츠 태그 클라우드 생성모듈 215 : 사용자 태그 클라우드 생성모듈
231 : 사용자 유사도 산출모듈 233 : 콘텐츠 추천모듈

Claims (15)

  1. 네트워크를 통해 콘텐츠 추천 서비스를 제공하는 콘텐츠 추천 장치로서,
    각 콘텐츠에 부여된 태그를 분석하고 각 콘텐츠에 대한 태그별 빈도를 누적하여 콘텐츠 태그 클라우드를 구축하는 콘텐츠 태그 클라우드 생성모듈;
    사용자가 이용한 콘텐츠들의 태그별 빈도를 누적하여 사용자별 태그 클라우드를 구축하는 사용자 태그 클라우드 생성모듈;
    상기 사용자별 태그 클라우드를 이용하여 사용자 간의 유사도를 산출하는 유사도 산출모듈; 및
    상기 산출된 사용자 간의 유사도를 기반으로 추천 대상 사용자가 특정 콘텐츠를 이용할 확률을 계산하여 콘텐츠를 추천하는 추천모듈;을 포함하고,
    각 콘텐츠에 대응하는 각각의 상기 콘텐츠 태그 클라우드는 대응되는 콘텐츠에 부여된 태그 각각의 누적된 빈도를 성분으로 하는 n차원(n은 1 이상의 정수) 벡터로 정의되고, 각 콘텐츠의 상기 태그는 n개 이하이며, 태그가 존재하지 않은 상기 성분의 값은 0이며,
    각 사용자에 대응하는 각각의 상기 사용자별 태그 클라우드는 n차원 벡터이고, 대응하는 사용자가 콘텐츠를 이용할 때마다 이용한 콘텐츠의 상기 콘텐츠 태그 클라우드의 성분들이 누적되어 구성되는 것을 특징으로 하는 콘텐츠 추천 장치.
  2. 제 1 항에 있어서,
    상기 사용자 태그 클라우드 생성모듈은,
    사용자가 이용한 콘텐츠들의 태그별 빈도를 누적하는데 있어서 사용자가 최근 이용한 콘텐츠의 태그별 빈도를 정규화하며 누적하는 것을 특징으로 하는 콘텐츠 추천 장치.
  3. 제 1 항 또는 제 2 항에 있어서,
    상기 추천모듈은,
    추천 대상 사용자와 유사한 사용자 집합을 결정하고, 그 결정된 사용자 집합 내에 속한 사용자와 상기 추천 대상 사용자 간의 유사도를 기반으로 콘텐츠를 추천하는 것을 특징으로 하는 콘텐츠 추천 장치.
  4. 제 3 항에 있어서,
    상기 추천모듈은,
    추천 대상 사용자가 이용한 적이 있는 콘텐츠 집합에 속하는 콘텐츠를 2 개 이상 이용한 적이 있는 사용자 집합을 상기 추천 대상 사용자와 유사한 사용자 집합으로 결정하는 것을 특징으로 하는 콘텐츠 추천 장치.
  5. 제 3 항에 있어서,
    상기 추천모듈은,
    상기 유사도 산출모듈에서 산출된 사용자 간의 유사도를 기반으로 추천 대상 사용자와의 유사도가 높은 순서로 N 명의 사용자들을 상기 추천 대상 사용자와 유사한 사용자 집합으로 결정하는 것을 특징으로 하는 콘텐츠 추천 장치.
  6. 제 1 항 또는 제 2 항에 있어서,
    상기 유사도 산출모듈은,
    두 사용자의 사용자 태그 클라우드가 형성하는 두 벡터가 이루는 각의 코사 인 값을 유사도로 산출하는 것을 특징으로 하는 콘텐츠 추천 장치.
  7. 제 1 항에 있어서,
    상기 추천 모듈에서 추천한 콘텐츠에 해당하는 추천 콘텐츠는 복수 개이고,
    패키지 아이템 또는 웹 페이지에서 보유하고 있는 상기 추천 콘텐츠의 개수를 세어 가장 많이 포함하고 있는 상기 패키지 아이템 또는 웹 페이지를 추천하는 제 2 추천모듈;을 더 포함하는 것을 특징으로 하는 콘텐츠 추천 장치.
  8. 네트워크를 통해 콘텐츠 추천 서비스를 제공하는 콘텐츠 추천 방법으로서,
    각 콘텐츠에 부여된 태그를 분석하고 각 콘텐츠에 대한 태그별 빈도를 누적하여 콘텐츠 태그 클라우드를 구축하는 콘텐츠 태그 클라우드 생성단계;
    사용자가 이용한 콘텐츠들의 태그별 빈도를 누적하여 사용자별 태그 클라우드를 구축하는 사용자 태그 클라우드 생성단계;
    구축된 사용자별 태그 클라우드를 이용하여 사용자 간의 유사도를 산출하는 유사도 산출단계; 및
    산출된 사용자 간의 유사도를 기반으로 추천 대상 사용자가 특정 콘텐츠를 이용할 확률을 계산하여 콘텐츠를 추천하는 추천단계;를 포함하고,
    각 콘텐츠에 대응하는 각각의 상기 콘텐츠 태그 클라우드는 대응되는 콘텐츠에 부여된 태그 각각의 누적된 빈도를 성분으로 하는 n차원(n은 1 이상의 정수) 벡터로 정의되고, 각 콘텐츠의 상기 태그는 n개 이하이며, 태그가 존재하지 않은 상기 성분의 값은 0이며,
    각 사용자에 대응하는 각각의 상기 사용자별 태그 클라우드는 n차원 벡터이고, 대응하는 사용자가 콘텐츠를 이용할 때마다, 이용한 콘텐츠의 상기 콘텐츠 태그 클라우드의 성분들이 누적되어 구성되는 것을 특징으로 하는 콘텐츠 추천 방법.
  9. 제 8 항에 있어서,
    상기 사용자 태그 클라우드 생성단계는,
    사용자가 이용한 콘텐츠들의 태그별 빈도를 누적하는데 있어서 사용자가 최 근 이용한 콘텐츠의 태그별 빈도를 정규화하며 누적하는 것을 특징으로 하는 콘텐츠 추천 방법.
  10. 제 8 항 또는 제 9 항에 있어서,
    상기 추천단계는,
    (a) 추천 대상 사용자와 유사한 사용자 집합을 결정하는 단계; 및
    (b) 결정된 사용자 집합 내에 속한 사용자와 상기 추천 대상 사용자 간의 유사도를 기반으로 콘텐츠를 추천하는 단계;를 포함하는 것을 특징으로 하는 콘텐츠 추천 방법.
  11. 제 10 항에 있어서,
    상기 (a) 단계는,
    추천 대상 사용자가 이용한 적이 있는 콘텐츠 집합에 속하는 콘텐츠를 2 개 이상 이용한 적이 있는 사용자 집합을 상기 추천 대상 사용자와 유사한 사용자 집합으로 결정하는 것을 특징으로 하는 콘텐츠 추천 방법.
  12. 제 10 항에 있어서,
    상기 (a) 단계는,
    상기 유사도 산출단계에서 산출된 사용자 간의 유사도를 기반으로 추천 대상 사용자와의 유사도가 높은 순서로 N 명의 사용자들을 상기 추천 대상 사용자와 유 사한 사용자 집합으로 결정하는 것을 특징으로 하는 콘텐츠 추천 방법.
  13. 제 8 항 또는 제 9 항에 있어서,
    상기 유사도 산출단계는,
    두 사용자의 사용자 태그 클라우드가 형성하는 두 벡터가 이루는 각의 코사인 값을 유사도로 산출하는 것을 특징으로 하는 콘텐츠 추천 방법.
  14. 제 8 항에 있어서,
    상기 추천단계에서, 추천한 콘텐츠에 해당하는 추천 콘텐츠는 복수 개이고,
    패키지 아이템 또는 웹 페이지에서 보유하고 있는 상기 추천 콘텐츠의 개수를 세어 가장 많이 포함하고 있는 상기 패키지 아이템 또는 웹 페이지를 추천하는 제 2 추천단계;를 더 포함하는 것을 특징으로 하는 콘텐츠 추천 방법.
  15. 삭제
KR1020070117987A 2007-11-19 2007-11-19 태그 클라우드를 이용한 콘텐츠 추천 장치 및 방법 KR101060487B1 (ko)

Priority Applications (5)

Application Number Priority Date Filing Date Title
KR1020070117987A KR101060487B1 (ko) 2007-11-19 2007-11-19 태그 클라우드를 이용한 콘텐츠 추천 장치 및 방법
EP08020041A EP2060983A1 (en) 2007-11-19 2008-11-17 Content recommendation apparatus and method using tag cloud
CN200810178287.1A CN101442546B (zh) 2007-11-19 2008-11-19 利用标签云的内容推荐设备和方法
JP2008295784A JP4785906B2 (ja) 2007-11-19 2008-11-19 コンテンツ推薦装置及び方法
US12/273,710 US8209337B2 (en) 2007-11-19 2008-11-19 Content recommendation apparatus and method using tag cloud

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020070117987A KR101060487B1 (ko) 2007-11-19 2007-11-19 태그 클라우드를 이용한 콘텐츠 추천 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20090051540A KR20090051540A (ko) 2009-05-22
KR101060487B1 true KR101060487B1 (ko) 2011-08-30

Family

ID=40386345

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020070117987A KR101060487B1 (ko) 2007-11-19 2007-11-19 태그 클라우드를 이용한 콘텐츠 추천 장치 및 방법

Country Status (5)

Country Link
US (1) US8209337B2 (ko)
EP (1) EP2060983A1 (ko)
JP (1) JP4785906B2 (ko)
KR (1) KR101060487B1 (ko)
CN (1) CN101442546B (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180060114A (ko) 2016-11-28 2018-06-07 강원대학교산학협력단 실시간 sns 데이터에 대한 동적 태그 클라우드 시스템 및 방법
KR102007504B1 (ko) * 2018-09-07 2019-08-06 주식회사 이노식스 사용자별 맞춤형 콘텐츠정보 제공 시스템 및 방법

Families Citing this family (49)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7590997B2 (en) 2004-07-30 2009-09-15 Broadband Itv, Inc. System and method for managing, converting and displaying video content on a video-on-demand platform, including ads used for drill-down navigation and consumer-generated classified ads
US9584868B2 (en) 2004-07-30 2017-02-28 Broadband Itv, Inc. Dynamic adjustment of electronic program guide displays based on viewer preferences for minimizing navigation in VOD program selection
US9641902B2 (en) 2007-06-26 2017-05-02 Broadband Itv, Inc. Dynamic adjustment of electronic program guide displays based on viewer preferences for minimizing navigation in VOD program selection
US7631336B2 (en) 2004-07-30 2009-12-08 Broadband Itv, Inc. Method for converting, navigating and displaying video content uploaded from the internet to a digital TV video-on-demand platform
US11259059B2 (en) 2004-07-30 2022-02-22 Broadband Itv, Inc. System for addressing on-demand TV program content on TV services platform of a digital TV services provider
US9317179B2 (en) 2007-01-08 2016-04-19 Samsung Electronics Co., Ltd. Method and apparatus for providing recommendations to a user of a cloud computing service
US7937451B2 (en) 2007-01-08 2011-05-03 Mspot, Inc. Method and apparatus for transferring digital content from a computer to a mobile handset
US11570521B2 (en) 2007-06-26 2023-01-31 Broadband Itv, Inc. Dynamic adjustment of electronic program guide displays based on viewer preferences for minimizing navigation in VOD program selection
US20100107075A1 (en) * 2008-10-17 2010-04-29 Louis Hawthorne System and method for content customization based on emotional state of the user
US20100100826A1 (en) * 2008-10-17 2010-04-22 Louis Hawthorne System and method for content customization based on user profile
US20100100827A1 (en) * 2008-10-17 2010-04-22 Louis Hawthorne System and method for managing wisdom solicited from user community
US20110113041A1 (en) * 2008-10-17 2011-05-12 Louis Hawthorne System and method for content identification and customization based on weighted recommendation scores
US10373079B2 (en) * 2008-12-18 2019-08-06 Oracle International Corporation Method and apparatus for generating recommendations from descriptive information
US9141694B2 (en) * 2008-12-18 2015-09-22 Oracle America, Inc. Method and apparatus for user-steerable recommendations
US9466077B2 (en) 2009-06-30 2016-10-11 Google Inc. Propagating promotional information on a social network
US20110016102A1 (en) * 2009-07-20 2011-01-20 Louis Hawthorne System and method for identifying and providing user-specific psychoactive content
US8954893B2 (en) * 2009-11-06 2015-02-10 Hewlett-Packard Development Company, L.P. Visually representing a hierarchy of category nodes
US20110154197A1 (en) * 2009-12-18 2011-06-23 Louis Hawthorne System and method for algorithmic movie generation based on audio/video synchronization
EP2348424A1 (en) 2009-12-21 2011-07-27 Thomson Licensing Method for recommending content items to users
KR101116026B1 (ko) * 2009-12-24 2012-02-13 성균관대학교산학협력단 차이 확률 변수의 원점 모멘트를 이용한 유사성 척도에 기반한 협업 필터링 추천 시스템
US20110276921A1 (en) * 2010-05-05 2011-11-10 Yahoo! Inc. Selecting content based on interest tags that are included in an interest cloud
US20110307791A1 (en) * 2010-06-10 2011-12-15 Wall Street Network, Inc. Social Networking Application for Knowledge Sharing and Management
KR101719265B1 (ko) * 2010-10-26 2017-04-04 삼성전자주식회사 서버, 사용자 단말 장치, 그 서비스 제공 방법 및 그 제어 방법
KR101580601B1 (ko) * 2010-11-12 2015-12-29 에스케이플래닛 주식회사 클라우드 컴퓨팅 기반의 마켓 서비스 제공 시스템 및 방법, 그리고 이에 적용되는 장치
US9996620B2 (en) 2010-12-28 2018-06-12 Excalibur Ip, Llc Continuous content refinement of topics of user interest
US8595353B2 (en) 2011-06-06 2013-11-26 International Business Machines Corporation Automated recommendations for cloud-computing options
KR101305535B1 (ko) * 2011-08-26 2013-09-06 허순영 동영상 추천 시스템
US9210098B2 (en) 2012-02-13 2015-12-08 International Business Machines Corporation Enhanced command selection in a networked computing environment
US8838799B2 (en) 2012-02-13 2014-09-16 International Business Machines Corporation Command management in a networked computing environment
US9047294B2 (en) * 2012-06-11 2015-06-02 Oracle International Corporation Model for generating custom file plans towards management of content as records
CN102930457B (zh) * 2012-10-24 2013-10-30 深圳市万凯达科技有限公司 一种基于面部图像特征实现应用推荐的方法和系统
US10394936B2 (en) 2012-11-06 2019-08-27 International Business Machines Corporation Viewing hierarchical document summaries using tag clouds
KR101497467B1 (ko) * 2013-05-20 2015-03-05 동덕여자대학교 산학협력단 사용자 청취 습관과 태그 정보를 이용한 음악 추천 시스템 및 방법
US9851993B2 (en) 2013-09-24 2017-12-26 International Business Machines Corporation Virtual machine template optimization
US11568442B1 (en) 2013-12-11 2023-01-31 Groupon, Inc. Unlocking editorial content
CN104765730B (zh) * 2014-01-02 2018-06-05 株式会社理光 感兴趣人员推荐方法和装置
US9607040B2 (en) * 2014-01-23 2017-03-28 International Business Machines Corporation Tag management in a tag cloud
US11288711B1 (en) 2014-04-29 2022-03-29 Groupon, Inc. Collaborative editing service
WO2016004585A1 (en) * 2014-07-08 2016-01-14 Yahoo! Inc Method and system for personalized presentation of content
WO2016006995A1 (en) * 2014-07-09 2016-01-14 Manja Technologies Sdn Bhd Systems and methods for providing a social media platform with a loyalty system
KR101758246B1 (ko) * 2016-02-29 2017-07-17 중앙대학교 산학협력단 웹사이트(Website) 정보 추천 장치 및 방법
WO2018066502A1 (ja) * 2016-10-04 2018-04-12 シャープ株式会社 コンテンツ管理システム
CN107016026B (zh) * 2016-11-11 2020-07-24 阿里巴巴集团控股有限公司 一种用户标签确定、信息推送方法和设备
KR102126796B1 (ko) * 2018-11-30 2020-06-26 서울대학교 산학협력단 딥러닝을 이용한 체류시간을 기반의 뉴스 선호도 판단 장치 및 그 방법
US11410418B2 (en) * 2019-01-11 2022-08-09 Pixlee, Inc. Methods and systems for tagged image generation
US20200226651A1 (en) * 2019-01-11 2020-07-16 Pixlee, Inc. Methods and systems for product discovery in user generated content
CN110489377B (zh) * 2019-08-15 2022-01-07 陈征 一种基于标签的信息管理系统、方法、存储器及电子设备
KR102322213B1 (ko) * 2021-01-20 2021-11-09 (주)인더스트리미디어 학습 콘텐츠 추천 장치 및 방법
CN113032678B (zh) * 2021-04-13 2023-09-19 南京薄荷网络科技有限公司 一种基于大数据的短视频个性化推荐方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100720762B1 (ko) * 2007-01-30 2007-05-23 (주) 프람트 사용자의 상황 정보를 이용한 유사도 계산 및 콘텐츠의검색 방법
JP2007213401A (ja) * 2006-02-10 2007-08-23 Kddi Corp ユーザ嗜好の音楽データに基づいてコミュニティを構成するコミュニティサイトサーバ及びプログラム

Family Cites Families (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5963916A (en) * 1990-09-13 1999-10-05 Intouch Group, Inc. Network apparatus and method for preview of music products and compilation of market data
US5749081A (en) * 1995-04-06 1998-05-05 Firefly Network, Inc. System and method for recommending items to a user
US5790426A (en) * 1996-04-30 1998-08-04 Athenium L.L.C. Automated collaborative filtering system
US6138128A (en) * 1997-04-02 2000-10-24 Microsoft Corp. Sharing and organizing world wide web references using distinctive characters
US6317722B1 (en) * 1998-09-18 2001-11-13 Amazon.Com, Inc. Use of electronic shopping carts to generate personal recommendations
US7720723B2 (en) * 1998-09-18 2010-05-18 Amazon Technologies, Inc. User interface and methods for recommending items to users
JP2003535381A (ja) * 1998-12-18 2003-11-25 フロッグ デザイン インコーポレイテッド 製品を構成するためのシステム及び方法
WO2000051050A1 (en) * 1999-02-26 2000-08-31 Professionalshopper.Com, Inc. System and method of providing personalized e-commerce recommendations via the internet
JP3684951B2 (ja) * 1999-11-11 2005-08-17 松下電器産業株式会社 画像検索方法及びその装置
US6981040B1 (en) * 1999-12-28 2005-12-27 Utopy, Inc. Automatic, personalized online information and product services
US6313745B1 (en) * 2000-01-06 2001-11-06 Fujitsu Limited System and method for fitting room merchandise item recognition using wireless tag
US20020065721A1 (en) * 2000-01-27 2002-05-30 Christian Lema System and method for recommending a wireless product to a user
US7617127B2 (en) * 2000-04-28 2009-11-10 Netflix, Inc. Approach for estimating user ratings of items
US6873967B1 (en) * 2000-07-17 2005-03-29 International Business Machines Corporation Electronic shopping assistant and method of use
US6655963B1 (en) * 2000-07-31 2003-12-02 Microsoft Corporation Methods and apparatus for predicting and selectively collecting preferences based on personality diagnosis
JP2002215665A (ja) * 2001-01-16 2002-08-02 Dainippon Printing Co Ltd 情報推薦サーバー装置
US7231419B1 (en) * 2001-10-19 2007-06-12 Outlooksoft Corporation System and method for adaptively selecting and delivering recommendations to a requester
DE10247929A1 (de) * 2001-10-31 2003-05-28 Ibm Auslegen eines Empfehlungssystems zum Vorsehen von Anwender-zu-Anwender-Empfehlungen
JP2004194108A (ja) * 2002-12-12 2004-07-08 Sony Corp 情報処理装置および情報処理方法、記録媒体、並びにプログラム
JP4423262B2 (ja) * 2003-09-11 2010-03-03 パナソニック株式会社 コンテンツ選択方法およびコンテンツ選択装置
US20050071328A1 (en) * 2003-09-30 2005-03-31 Lawrence Stephen R. Personalization of web search
JP2005196415A (ja) * 2004-01-06 2005-07-21 Nomura Research Institute Ltd 情報推薦プログラム、情報推薦サーバ及び情報推薦方法
WO2005072405A2 (en) * 2004-01-27 2005-08-11 Transpose, Llc Enabling recommendations and community by massively-distributed nearest-neighbor searching
US7698270B2 (en) * 2004-12-29 2010-04-13 Baynote, Inc. Method and apparatus for identifying, extracting, capturing, and leveraging expertise and knowledge
KR100940981B1 (ko) * 2005-01-05 2010-02-05 야후! 인크. 텔레비전 환경에서 복수의 콘텐츠를 전달하고 복수의콘텐츠 아이템의 상호 작용을 제공하기 위한 프레임워크
US20060253590A1 (en) * 2005-04-08 2006-11-09 Konaware, Inc. Platform and methods for continuous asset location tracking and monitoring in intermittently connected environments
JP2006302097A (ja) 2005-04-22 2006-11-02 Matsushita Electric Ind Co Ltd 協調フィルタ装置
US20080242279A1 (en) * 2005-09-14 2008-10-02 Jorey Ramer Behavior-based mobile content placement on a mobile communication facility
US20070078832A1 (en) * 2005-09-30 2007-04-05 Yahoo! Inc. Method and system for using smart tags and a recommendation engine using smart tags
US20070078714A1 (en) * 2005-09-30 2007-04-05 Yahoo! Inc. Automatically matching advertisements to media files
US7584159B1 (en) * 2005-10-31 2009-09-01 Amazon Technologies, Inc. Strategies for providing novel recommendations
US20080275755A1 (en) * 2006-04-21 2008-11-06 Brustein Richard C System for, and method of, providing a sequence of content segments and advertisements to a user and recommending product purchases to the user on the basis of the user's behavioral characteristics
US20080222105A1 (en) * 2007-03-09 2008-09-11 Joseph Matheny Entity recommendation system using restricted information tagged to selected entities
US8205166B2 (en) * 2007-07-20 2012-06-19 International Business Machines Corporation Methods for organizing information accessed through a web browser
US20090077081A1 (en) * 2007-09-19 2009-03-19 Joydeep Sen Sarma Attribute-Based Item Similarity Using Collaborative Filtering Techniques
JP2010113593A (ja) * 2008-11-07 2010-05-20 Sony Corp 情報処理装置、情報処理方法及び情報処理プログラム
US8239333B2 (en) * 2009-03-03 2012-08-07 Microsoft Corporation Media tag recommendation technologies
US20110191311A1 (en) * 2010-02-03 2011-08-04 Gartner, Inc. Bi-model recommendation engine for recommending items and peers

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007213401A (ja) * 2006-02-10 2007-08-23 Kddi Corp ユーザ嗜好の音楽データに基づいてコミュニティを構成するコミュニティサイトサーバ及びプログラム
KR100720762B1 (ko) * 2007-01-30 2007-05-23 (주) 프람트 사용자의 상황 정보를 이용한 유사도 계산 및 콘텐츠의검색 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180060114A (ko) 2016-11-28 2018-06-07 강원대학교산학협력단 실시간 sns 데이터에 대한 동적 태그 클라우드 시스템 및 방법
KR102007504B1 (ko) * 2018-09-07 2019-08-06 주식회사 이노식스 사용자별 맞춤형 콘텐츠정보 제공 시스템 및 방법

Also Published As

Publication number Publication date
JP2009129458A (ja) 2009-06-11
KR20090051540A (ko) 2009-05-22
US20090132526A1 (en) 2009-05-21
EP2060983A1 (en) 2009-05-20
US8209337B2 (en) 2012-06-26
CN101442546B (zh) 2014-02-12
CN101442546A (zh) 2009-05-27
JP4785906B2 (ja) 2011-10-05

Similar Documents

Publication Publication Date Title
KR101060487B1 (ko) 태그 클라우드를 이용한 콘텐츠 추천 장치 및 방법
TWI636416B (zh) 內容個人化之多相排序方法和系統
JP5735087B2 (ja) 個人化されたリソースをオンデマンドで消費者デバイスアプリケーションに広帯域ネットワークを介して提供すること
US9589025B2 (en) Correlated information recommendation
US8943015B2 (en) Hierarchical behavioral profile
US8204878B2 (en) System and method for finding unexpected, but relevant content in an information retrieval system
US8700489B2 (en) Apparatuses and method for recommending items based on determined trend leaders and trend followers
US11025583B2 (en) Recommendation system based on common interests in social networks
US20090216639A1 (en) Advertising selection and display based on electronic profile information
US20120078725A1 (en) Method and system for contextual advertisement recommendation across multiple devices of content delivery
US11243957B2 (en) Self-organizing maps for adaptive individualized user preference determination for recommendation systems
CN108595493B (zh) 媒体内容的推送方法和装置、存储介质、电子装置
US20130166609A1 (en) Hierarchical behavioral profile
Sachan et al. A survey on recommender systems based on collaborative filtering technique
Hwang et al. An algorithm for movie classification and recommendation using genre correlation
US20210233147A1 (en) Recommendation engine based on optimized combination of recommendation algorithms
CN115455280A (zh) 一种推荐列表确定方法和服务器
CN110766489A (zh) 请求内容及提供内容的方法和相应设备
US9110998B2 (en) Hierarchical behavioral profile
US20150170035A1 (en) Real time personalization and categorization of entities
JP5938002B2 (ja) コンテンツ推薦装置およびその動作方法
KR20190044592A (ko) 동적인 다차원 분석 기반의 광고 추천 장치 및 방법
Paleti et al. User opinions driven social recommendation system
CN110309361A (zh) 一种视频评分的确定方法、推荐方法、装置及电子设备
JP2004206256A (ja) 提供情報決定システムおよび方法

Legal Events

Date Code Title Description
N231 Notification of change of applicant
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20140703

Year of fee payment: 4

LAPS Lapse due to unpaid annual fee