KR101065779B1 - 동적 프로파일 자동 구축 방법 및 이를 이용한 맞춤형 추천 정보 제공 시스템 - Google Patents

동적 프로파일 자동 구축 방법 및 이를 이용한 맞춤형 추천 정보 제공 시스템 Download PDF

Info

Publication number
KR101065779B1
KR101065779B1 KR1020090075298A KR20090075298A KR101065779B1 KR 101065779 B1 KR101065779 B1 KR 101065779B1 KR 1020090075298 A KR1020090075298 A KR 1020090075298A KR 20090075298 A KR20090075298 A KR 20090075298A KR 101065779 B1 KR101065779 B1 KR 101065779B1
Authority
KR
South Korea
Prior art keywords
profile
information
generating
user
individual
Prior art date
Application number
KR1020090075298A
Other languages
English (en)
Other versions
KR20110017696A (ko
Inventor
이대희
신용수
강대신
나인욱
천호영
박종진
정윤철
Original Assignee
한국과학기술연구원
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 한국과학기술연구원 filed Critical 한국과학기술연구원
Priority to KR1020090075298A priority Critical patent/KR101065779B1/ko
Publication of KR20110017696A publication Critical patent/KR20110017696A/ko
Application granted granted Critical
Publication of KR101065779B1 publication Critical patent/KR101065779B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/40—Data acquisition and logging

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 발명은 개인별 맞춤형 정보서비스의 제공을 위하여 사용자 프로파일을 자동화된 방식으로 동적으로 구성할 수 있는 시스템 및 방법을 제공한다.
본 발명에 따른 동적 프로파일 자동 구축 방법을 이용한 맞춤형 추천 정보 제공 시스템은, 동적으로 변경되는 개인별 프로파일을 생성하는 개인별 프로파일 구성부, 서비스 대상 프로파일을 생성하는 서비스 대상 프로파일 구성부, 상기 개인별 프로파일 구성부에서 생성되는 상기 개인별 프로파일과 상기 서비스 대상 프로파일 구성부에서 생성되는 서비스 대상 프로파일에 기초하여 개인별 추천 정보를 생성하는 추천 정보 생성부 및 상기 개인별 추천 정보를 사용자에게 제공하는 사용자 서비스부를 포함한다.
프로파일, 용어, 용어 가중치, 용어 프로파일, 추천 서비스

Description

동적 프로파일 자동 구축 방법 및 이를 이용한 맞춤형 추천 정보 제공 시스템{METHOD FOR AUTOMATICALLY CONSTRUCTING DYNAMIC PROFILE, AND INFORMATION PROVIDING SYSTEM FOR CUSTOMIZED RECOMMENDATION USING THE SAME}
본 발명은 정보 제공 서비스에 관한 것으로서, 더욱 상세히는 개인별 맞춤형 정보 제공을 위한 시스템 및 방법에 관한 것이다.
일반적으로, 정보통신망에서 사용자가 자신이 원하는 정보의 제공을 받기 위해서는, 사용자가 자신이 원하는 정보의 카테고리를 직접 정하여 시스템에 등록하거나, 원하는 정보의 검색을 위한 키워드를 직접 시스템에 입력해야 한다.
도 1은 기존의 정보 제공 시스템의 구성을 나타낸 도이다.
도 1에 도시된 바와 같이, 정보 제공 시스템은 키워드 등록 모듈(110), 검색 모듈(140), 이메일 발송 모듈(160), 개인별 키워드 데이타베이스(Database; 이하 'DB'로 기재)(120), 서비스 대상 정보 DB(130) 및 개인별 추천 정보 DB(150)를 포함한다..
키워드 등록 모듈(110)은 사용자(190)로부터 정보 검색을 위한 키워드를 입력받아 이를 개인별 키워드 DB(120)에 저장한다.
개인별 키워드 DB(120)는 각 사용자가 입력한 키워드를 저장, 관리 및 추출하는 기능을 제공한다.
서비스 대상 정보 DB(130)는 정보 제공 시스템에서 제공되는 정보를 저장, 관리, 추출하는 기능을 제공하는 DB이다.
검색 모듈(140)은 개인별 키워드 DB(120)로부터 각 사용자가 등록한 키워드를 추출하는 한편, 서비스 대상 정보 DB(130)로부터 정보를 추출한다. 또한, 검색 모듈(140)은 서비스 대상 정보 DB(130)로부터 제공된 정보 중에서 개인별 키워드 DB(120)로부터 추출된 키워드와 연관성이 있는 내용을 가려내어, 서로 연관성이 있는 내용을 개인별 추천 정보로서 개인별 추천 정보 DB(150)에 저장한다.
이메일 발송 모듈(160)은 개인별 추천 정보 DB(150)로부터 정보를 추출하여, 이를 해당하는 사용자(190)에게 전달하는 기능을 제공한다.
전술한 종래 기술에서는, 사용자가 먼저 키워드 등을 등록해야만 적절한 정보 서비스가 제공되는 문제가 있다. 또한, 사용자가 직접 해당 정보를 등록 또는 수정하지 않는 이상, 사용자에게 제공되는 정보의 카테고리가 변경되지 않기 때문에, 사용자에게 제공되는 정보의 카테고리가 계속 정적인 상태로 유지되는 문제가 있다.
따라서, 본 발명의 목적은 사용자가 별도의 등록을 하지 않더라도, 기관 내 시스템을 통해 자동으로 추출된 사용자 프로파일을 활용하는 맞춤형 추천 정보 제공 시스템 및 방법을 제공함에 있다.
또한, 본 발명의 목적은 시스템 내에 있는 사용자 관련 정보가 변경될 경우, 사용자에 의한 직접적인 수정 없이도 해당 사용자에 대한 프로파일이 동적으로 변경되는 맞춤형 추천 정보 제공 시스템 및 방법을 제공함에 있다.
본 발명에 따른 동적 프로파일 자동 구축 방법을 이용한 맞춤형 추천 정보 제공 시스템은, 동적으로 변경되는 개인별 프로파일을 생성하는 개인별 프로파일 구성부, 서비스 대상 프로파일을 생성하는 서비스 대상 프로파일 구성부, 상기 개인별 프로파일 구성부에서 생성되는 상기 개인별 프로파일과 상기 서비스 대상 프로파일 구성부에서 생성되는 서비스 대상 프로파일에 기초하여 개인별 추천 정보를 생성하는 추천 정보 생성부 및 상기 개인별 추천 정보를 사용자에게 제공하는 사용 자 서비스부를 포함한다.
바람직하게, 상기 개인별 프로파일 또는 상기 서비스 대상 프로파일은 용어 벡터의 형태를 갖는 용어 프로파일을 포함하며, 상기 용어 벡터는 용어 및 상기 용어에 대한 가중치에 기초하여 정해진다.
바람직하게, 상기 개인별 프로파일 구성부는 동적으로 변경될 수 있는 개인별 프로파일 정보를 생성하는 프로파일 추출 모듈, 상기 프로파일 추출 모듈로부터 상기 개인별 프로파일 정보를 제공받아 이를 통합하여 개인별 프로파일을 생성하는 개인별 프로파일 통합 모듈 및 생성된 상기 개인별 프로파일이 저장되는 개인별 프로파일 데이터베이스를 포함한다.
바람직하게, 상기 프로파일 추출 모듈은 상기 사용자가 이용한 서비스에 대한 기록을 사용하여, 상기 개인별 프로파일 정보를 생성하는 활용이력 기반 프로파일 추출 모듈, 상기 사용자의 입력으로부터 상기 개인별 프로파일 정보를 생성하는 입력 정보 기반 프로파일 추출 모듈 및 레거시 시스템에 저장된 정보를 사용하여, 상기 개인별 프로파일 정보를 생성하는 기존 시스템 기반 프로파일 추출 모듈을 포함한다.
바람직하게, 상기 사용자가 이용한 서비스에 대한 기록은 상기 사용자에게 제공된 추천 정보에 대한 상기 사용자의 사용 내역을 포함한다.
바람직하게, 상기 서비스 대상 프로파일 구성부는 상기 서비스 대상 정보가 저장되는 서비스 대상 정보 데이터베이스 및 상기 서비스 대상 정보 데이터베이스에 저장된 상기 서비스 대상 정보를 사용하여, 상기 서비스 대상 프로파일을 생성 하는 서비스 대상 정보 프로파일 추출 모듈을 포함한다.
바람직하게, 상기 추천 정보 생성부는 상기 개인별 프로파일과 상기 서비스 대상 프로파일 간의 유사도를 계산하고, 상기 유사도를 기준으로 선택된 정보를 개인별 추천 정보로 저장하는 유사도 계산 모듈을 포함한다.
바람직하게, 상기 개인별 프로파일과 상기 서비스 대상 프로파일은 용어 벡터의 형태를 갖는 용어 프로파일을 포함하며, 상기 유사도는 상기 개인별 프로파일과 상기 서비스 대상 프로파일 간의 내적(Inner Product)을 통한 코사인유사도(Cosine Similarity)이다.
바람직하게, 상기 유사도 계산 모듈은 상기 유사도가 큰 순서로 일정 개수의 정보만을 상기 개인별 추천 정보로 저장한다.
바람직하게, 상기 사용자 서비스부는 이메일을 통해 상기 사용자에게 상기 개인별 추천 정보를 제공한다.
본 발명에 따른 동적 프로파일 자동 구축 및 맞춤형 추천 정보 제공 방법은 동적으로 변경될 수 있는 개인별 프로파일을 생성하는 단계, 서비스 대상 프로파일을 생성하는 단계, 상기 개인별 프로파일을 생성하는 단계에서 생성된 상기 개인별 프로파일과 상기 서비스 대상 프로파일을 생성하는 단계에서 생성된 상기 서비스 대상 프로파일에 기초하여, 개인별 추천 정보를 생성하는 단계 및 상기 개인별 추천 정보를 사용자에게 제공하는 단계를 포함한다.
바람직하게, 상기 개인별 프로파일 또는 상기 서비스 대상 프로파일은 용어 벡터의 형태를 갖는 용어 프로파일을 포함하며, 상기 용어 벡터는 용어 및 상기 용 어에 대한 가중치에 기초하여 정해진다.
바람직하게, 상기 개인별 프로파일을 생성하는 단계는 동적으로 변경될 수 있는 개인별 프로파일 정보를 생성하는 단계 및 상기 개인별 프로파일 정보를 생성하는 단계로부터 상기 개인별 프로파일 정보를 제공받아 이를 통합하여 상기 개인별 프로파일을 생성하는 단계를 포함한다.
바람직하게, 상기 개인별 프로파일 정보를 생성하는 단계는 상기 사용자가 이용한 서비스에 대한 기록으로부터 상기 개인별 프로파일 정보를 생성하는 단계를 포함한다.
바람직하게, 상기 사용자가 이용한 서비스에 대한 기록은 상기 사용자에게 제공된 추천 정보에 대한 상기 사용자의 사용 내역을 포함한다.
바람직하게, 상기 개인별 프로파일 정보를 생성하는 단계는 상기 사용자의 입력으로부터 상기 개인별 프로파일 정보를 생성하는 단계를 포함한다.
바람직하게, 상기 개인별 프로파일 정보를 생성하는 단계는 레거시 시스템에 저장된 정보를 사용하여 상기 개인별 프로파일 정보를 생성하는 단계를 포함한다.
바람직하게, 상기 개인별 프로파일 정보를 생성하는 단계는 상기 사용자가 이용한 서비스에 대한 기록을 사용하여 상기 개인별 프로파일 정보를 생성하는 단계, 상기 사용자의 입력으로부터 상기 개인별 프로파일 정보를 생성하는 단계 및 레거시 시스템에 저장된 정보를 사용하여 상기 개인별 프로파일 정보를 생성하는 단계를 포함한다.
바람직하게, 상기 서비스 대상 프로파일을 생성하는 단계는 서비스 대상 정 보 데이터베이스에 저장된 서비스 대상 정보를 사용하여 상기 서비스 대상 프로파일을 생성하는 단계를 포함한다.
바람직하게, 상기 개인별 추천 정보를 생성하는 단계는 상기 개인별 프로파일과 상기 서비스 대상 프로파일 간의 유사도를 계산하는 단계 및 상기 유사도를 기준으로 선택된 정보를 개인별 추천 정보로 저장하는 단계를 포함한다.
바람직하게, 상기 개인별 프로파일과 상기 서비스 대상 프로파일은 용어 벡터의 형태를 갖는 용어 프로파일을 포함하며, 상기 유사도는 상기 개인별 프로파일과 상기 서비스 대상 프로파일 간의 내적(Inner Product)을 통한 코사인유사도(Cosine Similarity)이다.
바람직하게, 상기 개인별 추천 정보를 저장하는 단계는 상기 유사도가 큰 순서로 일정 개수의 정보만을 상기 개인별 추천 정보로 저장한다.
바람직하게, 상기 발송 단계는 이메일을 통해 상기 사용자에게 상기 개인별 추천 정보를 제공한다.
본 발명에 따르면, 사용자가 별도의 등록을 하지 않더라도, 기관 내 시스템을 통해 자동으로 추출된 사용자 프로파일을 활용하여 사용자별 맞춤형 정보 서비스를 제공할 수 있다. 즉, 본 발명은 사용자가 직접 자신의 프로파일을 입력하여야 하는 불편을 초래함 없이 용이하게 사용자가 원하는 맞춤형 정보를 제공할 수 있다.
또한 본 발명에 따르면 입력 작업시 발생하는 오류로 인하여 사용자에게 적 합하지 않은 정보가 제공될 위험을 방지할 수 있다.
또한, 본 발명에 따르면 시스템 내에 있는 사용자 관련 정보가 변경된 경우, 사용자에 의한 직접적인 수정 없이도 해당 사용자에 대한 프로파일이 동적으로 변경된다. 즉, 본 발명은 사용자가 자신의 프로파일을 직접 수정하지 않더라도, 사용자의 현재 관심사를 반영한 정보 서비스를 용이하고 정확하게 제공한다.
아래에서는 첨부한 도면을 참조로 하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시 예에 대하여 상세히 설명한다.
도면 전체에 걸쳐 동일 도면 부호는 동일 구성요소를 의미한다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
명세서 전체에서, 데이터베이스(Database) 또는 DB는 정보의 저장, 변경 및 추출 등의 작업을 수행할 수 있는 전산화된 정보 조직을 총칭하며, 수문자(Alphanumeric)로 구성된 로그 파일이나 관계형 DB 등이 될 수 있다.
본 발명은 동적 프로파일에 기반한 정보 제공 시스템 및 정보 제공 방법에 적용된다. 그러나, 본 발명은 이에 한정되지 않으며 본 발명의 기술적 사상이 적용될 수 있는 모든 정보 제공 장치 및 방법에 적용될 수 있다.
이하, 본 발명에 대하여 상세히 설명한다.
먼저, 프로파일은 사용자 또는 서비스 대상 정보와 같이 특정한 개체와 관련된 개별적인 데이터의 집합이다. 즉, 프로파일은 개체의 아이덴티티(Identity)에 대한 디지털화된 명시적인 표현을 의미한다.
프로파일의 일 예로서, 특정한 개체를 나타내는 용어와 그 용어의 용어 가중치 쌍의 집합(A Set Of Term And Term Weight Pair)인 용어 프로파일(Term Profile)이 있다.
용어 가중치는 어떤 용어가 문서 등의 정보 내에서 얼마만큼의 중요도를 가졌는지 평가하는데 사용되는 통계적 측정 방법이다.
용어 가중치를 이해하기 위해, 우선 아래와 같이 정의한다.
N : 전체 문서 집합에서의 문서의 개수
f(d, t) : 문서 d에 나타나는 용어 t의 빈도 수(Term Frequency)
r(d, t) : 문서 d에 나타나는 용어 t의 빈도수의 변형 함수(Relative Term Frequency)
w(d, t) : 문서 d에 대한 용어 t의 가중치(Document Term Weight)
f(t) : 전체 문서 집합(D)에서 용어 t를 포함하고 있는 문서의 개수(Document Frequency)
w(t) : 전체 문서 집합(D)에 대한 용어 t의 가중치(Tern Weight)
어떤 문서에서 특정 용어가 여러 번 나타날 경우, 그 문서와 해당 용어 사이에는 밀접한 관계가 있다고 볼 수 있다. 이러한 관련성을 표현한 것이 빈도 수 함수 f(d, t)로서, f(d, t)는 문서 d에 용어 t가 몇 번 나타나는 지를 의미한다.
f(d, t)를 계산에 사용할 경우. 문서 내에서 용어가 나타나는 횟수가 많을 수록 문서와 용어 사이의 관련성도 정비례하여 커진다. 그러나 문서와 어떤 용어 간의 관련성이 반드시 그 용어의 사용횟수에 따라 정비례하여 증가한다고 볼 수는 없으므로, 일반적으로는 간단한 수학적 변형이 가해진 함수를 사용하게 된다. 이러한 함수가 r(d, t)이다. 예를 들면 r(d, t)는 다음 수학식 1과 같이 정의될 수 있다.
r(d, t) = 1 + log(f(d, t))
수학식 1의 r(d, t)를 사용하면, 용어 t가 문서 d 내에서 사용된 횟수가 적을 경우 사용 횟수에 따른 r(d, t) 값의 차이가 크지만, 용어 t가 문서 d 내에서 여러번 사용될수록, 1회의 사용에 따른 r(d, t) 값의 차이는 적어진다. 이렇게 보완된 빈도 수 함수를 상대적 용어 빈도(Relative Term Frequency)라고 한다.
r(d, t)의 수식은 고정된 것이 아니고, 용어 빈도를 기본으로 문서와 용어 사이의 관련성을 수치화할 수 있는 어떤 함수도 r(d, t)가 될 수 있다.
한편, 전술한 용어 빈도 또는 상대적 용어 빈도 만으로 문서와 용어 사이의 관련성을 나타내는 데에는 문제가 있다. 즉, 'the'나 'a' 같은 특정 용어는 어떤 문서에서도 여러 번 나타나지만, 이렇게 항상 자주 쓰이는 용어가 특정 문서와 높 은 관련성을 갖고 있다고는 볼 수 없기 때문이다.
이러한 부분을 고려하기 위해, 전체 대상 문서 집합에 대한 용어의 가중치인 w(t)를 부여한다. w(t)를 부여하는 가장 기본적인 방법은, 전체 문서 집합에서 어떤 용어 t를 포함하고 있는 문서의 개수를 문서 빈도(Document Frequency) f(t)라 할 때, 문서 빈도가 높은 용어일수록 적은 가중치를 가지도록 설정하는 것이다. 이는 문서 빈도의 역수이기 때문에 역 문서 빈도(Inverse Document Frequency; IDF)라고 한다. 역 문서 빈도 w(t)는 다음 수학식 2와 같이 정의될 수 있다.
w(t) = 1 / f(t)
이 계산에 따르면 w(t)는 f(t)에 반비례하게 된다. 그러나 현실적으로는 전체 N개의 문서 중 하나의 문서에만 나타나는 용어가 두 개의 문서에 나타나는 용어 보다 두 배의 가중치를 갖는다고 보기는 어렵다. 따라서 전술한 수학식 2에 간단한 수학적 변형을 가하여 다음 수학식 3과 같이 w(t)를 재정의할 수 있다.
w(t) = log(1 + N / f(t))
여기서, w(t)의 수식은 고정된 것이 아니고, 문서 빈도를 기본으로 전체 문서 집합과 용어 사이의 관련성을 수치화할 수 있는 어떤 함수도 w(t)가 될 수 있다.
개별 문서에 대한 용어 가중치 w(d, t)는, 그 개별 문서에 대한 용어의 출현 빈도를 기본으로 하되 일반적으로 많이 쓰이는 단어의 가중치를 낮추기 위해서 상 대적 용어 빈도와 역 문서 빈도의 곱으로 표현한다. 즉, 용어 가중치는 다음 수학식 4와 같이 정의된다.
w(d, t) = r(d, t) × w(t)
이와 같은 방식으로 용어의 가중치를 정의할 수 있다.
용어 프로파일은 용어 벡터(Vector)의 형태를 가지며, 수학적으로는 Tvector = {(ti , wi)}와 같은 방식으로 표현할 수 있다. 여기서, ti는 i 번째의 용어를 의미하며, wi는 i 번째 용어의 가중치를 의미한다.
또한, 용어와 용어가중치 쌍의 집합 외에도 개체의 특성 정보도 프로파일로 활용될 수 있다. 개체의 특성 정보의 예로서는, 사용자의 전공분야, 대상 자료의 저자, 자료의 카테고리(Category) 등이 가능하다.
이하에서는, 도 2을 참조하여 본 발명의 정보 제공 시스템에 대해 상세히 설명한다.
도 2은 본 발명의 일 실시 예에 따른 정보 제공 시스템을 나타낸 구성도이다.
도 2에 도시된 바와 같이, 본 발명의 일 실시 예에 따른 정보 제공 시스템은 크게 개인별 프로파일 구성부(201), 서비스 대상 프로파일 구성부(202), 추천 정보 생성부(203) 및 사용자 서비스부(204)로 이루어진다.
더 구체적으로는, 개인별 프로파일 구성부(201)는 서비스 사용 기록 DB(210), 활용이력 기반 프로파일 추출 모듈(212), 레거시(Legacy) 시스템(220), 기존 시스템 기반 프로파일 추출 모듈(222), 입력 정보 기반 프로파일 추출 모듈(230), 개인별 프로파일 통합 모듈(240) 및 개인별 프로파일 DB(242)를 포함한다..
서비스 대상 프로파일 구성부(202)는 서비스 대상 정보 DB(250), 서비스 대상 정보 프로파일 추출 모듈(252) 및 서비스 대상 프로파일 DB(260)를 포함한다..
추천 정보 생성부(203)는 유사도 계산 모듈(270) 및 개인별 추천 정보 DB(272)를 포함한다.
한편, 사용자 서비스부(204)는 이메일 발송 모듈(280)을 포함한다..
아래에서는 본 발명의 구성요소 중 사용자의 활동 정보 등을 기초로 개인별 프로파일 DB를 생성하는 기능을 수행하는 개인별 프로파일 구성부(201) 및 이를 구성하는 구성요소를 자세히 설명한다.
전술한 것처럼, 개인별 프로파일 구성부(201)는 서비스 사용 기록 DB(210), 활용이력 기반 프로파일 추출 모듈(212), 레거시(Legacy) 시스템(220), 기존 시스템 기반 프로파일 추출 모듈(222), 입력 정보 기반 프로파일 추출 모듈(230), 개인별 프로파일 통합 모듈(240) 및 개인별 프로파일 DB(242)를 포함한다.
여기서, 서비스 사용 기록 DB(210)는 사용자가 해당 정보 제공 시스템을 통해 사용한 서비스에 대한 기록을 저장하는 DB이다. 이러한 기록은, 이후 활용이력 기반 프로파일 추출 모듈(212)이 개인별 프로파일을 생성하기 위한 자료가 된다.
예를 들면, 정보 제공 시스템이 사용자에게 추천 정보를 제공하면, 사용자는 제공된 추천 정보를 확인하고, 그 중 관심 있는 부분에 대해 원문을 확인하는 등의 활용을 할 수 있다. 이와 같이 어떤 특정한 정보가 화면 등에 표시되었을 때, 사용자가 표시된 정보를 클릭하였다면, 사용자는 그 정보에 대하여 다른 정보에 비해 높은 관심을 가지고 있다고 볼 수 있다. 이상의 예에서 알 수 있는 바와 같이, 사용자의 서비스 사용에 대한 내역이 상술한 기록의 대상이 될 수 있다.
활용이력 기반 프로파일 추출 모듈(212)은 서비스 사용 기록 DB(210)가 제공하는 기록을 이용하여, 개인별 프로파일을 생성하는데 필요한 정보를 추출한다. 이때, 기록의 종류나 빈도 등에 따라 사용자 프로파일에 반영되는 수준이 서로 다르거나, 변경될 수 있다.
사용자가 서비스를 계속 이용함에 따라 서비스 사용 기록 DB(210)의 기록 내용은 변경되게 되고, 이러한 변경에 따라 활용이력 기반 프로파일 추출 모듈(212)에 의해 추출되는 정보도 또한 동적으로 변경된다.
입력 정보 기반 프로파일 추출 모듈(230)은 사용자가 입력한 키워드 등으로부터 용어 프로파일 등 개인별 프로파일을 생성하는데 필요한 정보를 추출한다. 즉, 사용자가 어느 시점에 직접 관심 용어로서 입력한 용어를 정보로써 사용하는 것이다. 사용자가 관심 용어로 직접 입력한 것은 가장 중요한 용어라고 볼 수 있으므로, 사용자 프로파일에 가장 높은 정도로 반영시킬 수 있다. 또한, 등록 후에는 시간이 경과될 수록 입력된 용어의 중요도를 감소시킬 수 있다.
레거시 시스템(220)은 일반적으로 정보를 제공하는 기관에서 이전부터 장기간 운영해온 기존의 컴퓨터 시스템을 의미한다. 이러한 레거시 시스템(220)은 독자 적인 사양을 가지거나 특정 판매자의 하드웨어 또는 소프트웨어에 종속되기 때문에 새로운 운영 환경으로 이행하기 어려운 특성이 있다. 따라서 레거시 통합(Legacy Intergration)을 통해 기존의 레거시 시스템(220)에 축적된 프로그램이나 데이터를 본 발명이 제공하는 새로운 정보 제공 시스템 환경과 연계시킬 필요가 있다.
예를 들면, 레거시 시스템(220)은 사용자가 작성한 발표 논문, 관련 연구과제, 관련 특허출원 등의 문서와, 그 문서에 대한 자료명, 저자, 수록 잡지명(ISSN), 발표시기, 저자 키워드, 연구 과제명, 연구 기간, 연구 개요, 연차별 목표, 기대 효과, 참여 연구원, 참여율, 발명의 명칭, 발명의 키워드, 발명자, 특허 분류 등 관련 정보를 저장할 수 있다. 이러한 레거시 시스템(220)의 경우 특정 인터페이스만을 통해서만 제한적인 접근이 가능할 수 있으므로, 이러한 인터페이스를 사용하여 레거시 시스템(220) 내의 정보에 접근하고 이를 본 발명의 정보제공 시스템의 다른 부분에 제공할 수 있는 모듈이 필요하다.
기존 시스템 기반 프로파일 추출 모듈(222)은 레거시 시스템(220)에 대해 전술한 레거시 통합 작업을 수행한다. 즉, 기존 시스템 기반 프로파일 추출 모듈(222)은 레게시 시스템(220)으로부터 용어 프로파일 등 개인별 프로파일을 생성하는데 필요한 정보를 추출한다.
개인별 프로파일을 생성하기 위해, 사용자가 이전에 작성한 발표 자료, 관련 연구 자료 및 관련 특허출원과 같이 레거시 시스템(220)에 산재되어 있는 정보로부터 사용자의 용어 프로파일을 추출할 수 있다. 또한 정보의 카테고리에 따라 해당 정보의 개인별 프로파일로의 반영 비율을 달리할 수 있다. 예를 들면, 문서의 초록 에는 높은 가중치를, 문서의 원문에는 상대적으로 낮은 가중치를 줄 수 있다.
레거시 시스템(220)에 기록되어 있는 사용자 관련 자료는 시간의 흐름에 따라 계속적으로 변경될 수 있다. 이에 따라서 기존 시스템 기반 프로파일 추출 모듈(222)에 대한 입력 정보가 변경되므로, 기존 시스템 기반 프로파일 추출 모듈(222)이 추출하는 정보 또한 동적으로 변경된다.
개인별 프로파일 통합 모듈(240)은, 각각의 사용자에 대하여 자동화된 추출 모듈들로부터 추출된 결과들을 하나의 통합된 프로파일로 구성한다. 이때, 추출된 결과의 용어 프로파일 등을 고려하여 통합된 프로파일을 구성할 수 있다. 자동화된 추출 모듈로서는 전술한 활용이력 기반 프로파일 추출 모듈(212), 입력 정보 기반 프로파일 추출 모듈(230) 및 기존 시스템 기반 프로파일 추출 모듈(222)이 이에 해당한다.
전술한 것과 같이 활용이력 기반 프로파일 추출 모듈(212)이 추출하는 정보와 기존 시스템 기반 프로파일 추출 모듈(222)이 추출하는 정보는 계속적으로 변경되기 때문에, 개인별 프로파일 통합 모듈(240)이 생성하는 통합된 프로파일 역시 동적으로 변경된다.
통합된 프로파일이 생성되면, 개인별 프로파일 통합 모듈(240)은 생성된 통합된 프로파일을 개인별 프로파일 DB(242)에 저장한다.
아래에서는 본 발명의 구성요소 중 서비스 대상 정보를 기초로 서비스 대상 프로파일 DB를 생성하는 기능을 수행하는 서비스 대상 프로파일 구성부(202) 및 이를 구성하는 구성요소를 설명한다.
전술한 것처럼, 서비스 대상 프로파일 구성부(202)는 서비스 대상 정보 DB(250), 서비스 대상 정보 프로파일 추출 모듈(252) 및 서비스 대상 프로파일 DB(260)를 포함한다.
서비스 대상 정보 DB(250)는 정보 제공 시스템이 사용자에게 제공하는 정보가 저장되는 DB이다.
서비스 대상 정보 프로파일 추출 모듈(252)은 서비스 대상 정보(250)로부터 용어 프로파일 등 서비스 대상 프로파일을 생성하는데 필요한 정보를 추출한다. 또한 서비스 대상 정보 프로파일 추출 모듈(252)은 추출된 정보를 이용하여 서비스 대상 프로파일을 생성하고, 이를 서비스 대상 프로파일 DB(260)에 저장한다.
아래에서는 본 발명의 구성요소 중 개인별 프로파일 및 서비스 대상 프로파일을 기초로 개인별 추천 정보를 구축하는 기능을 수행하는 추천 정보 생성부(203) 및 구성요소에 대해 설명한다.
전술한 것처럼, 추천 정보 생성부(203)는 유사도 계산 모듈(270) 및 개인별 추천 정보 DB(272)를 포함한다.
유사도 계산 모듈(270)은 개인별 프로파일 DB(242) 및 서비스 대상 프로파일 DB(260)로부터 개인별 프로파일 정보 및 서비스 대상 프로파일 정보를 읽어 온다. 이후, 유사도 계산 모듈(270)은 읽어온 정보를 이용하여 유사도 값을 계산하고, 계산된 유사도 값을 기준으로 개인별 추천 정보를 생성하여, 이를 개인별 추천 정보 DB(272)에 저장한다.
프로파일이 용어 벡터로서 나타나는 경우, 유사도 값의 계산은 개인별 프로 파일과 서비스 대상 프로파일 간의 내적(Inner Product)을 통한 코사인유사도(Cosine Similarity)를 사용할 수 있다.
코사인 유사도는 n 차원인 두 벡터 사이의 코사인 각을 구함으로써 유사도를 측정하는 것이다. 개인별 프로파일의 용어 벡터를 A, 서비스 대상 프로파일의 용어 벡터를 B라고 했을때, 코사인유사도는 다음 수학식 5와 같이 계산된다.
Figure 112009049813378-pat00001
수학식 5에서 보인 것과 같이, 코사인유사도란 벡터의 내적, 즉 벡터 A와 벡터 B의 동일한 차원의 값을 서로 곱한 것을 전부 합한 값을 분자로 두고, 벡터 A의 길이와 벡터 B의 길이의 곱을 분모로 한 값이다. 본 실시 예에서, 벡터 A와 벡터 B의 같은 차원의 값이란 양 벡터에서 동일한 용어의 가중치를 의미한다.
단, 수학식 5의 경우, 코사인유사도를 계산할 때마다 벡터 A 및 벡터 B의 길이를 구해야하는 문제가 있다. 따라서 벡터 A의 정규화 요소(Normalization Component) A' 및 벡터 B의 정규화 요소 B'를 미리 구해놓으면, A'와 B'의 내적만을 계산함으로써 코사인유사도를 구할 수 있다. 어떤 벡터의 정규화 요소란 벡터 내의 값들 간에 상대적인 비율은 그대로 유지된 상태로, 전체 길이가 1이 된 벡터를 의미한다. 정규화 요소를 구하는 식은 다음 수학식 6과 같이 정의된다.
Figure 112009049813378-pat00002
본 실시 예에서는, 두 정규화된 벡터 A' 및 B'에서 공통으로 나타나는 용어가 있을 때 그 용어의 벡터 A'에서의 가중치와 벡터 B'에서의 가중치를 곱하고, 모든 공통 용어에 대해서 그 곱한 값들을 더한 값이 코사인유사도가 된다.
본 실시 예에서 용어 가중치는 0 이상의 값만을 가지므로 코사인유사도 또한 0에서 1사이의 값을 갖는다. 코사인유사도가 0일 경우 양 프로파일은 공통 용어를 갖고 있지 않다는 것을 의미하고, 코사인유사도가 1일 경우 양 프로파일의 사용 용어 및 각 용어의 가중치가 완전히 일치한다는 것을 의미한다.
또한, 특정 정보의 저장시 계산된 유사도가 큰 순서로 일정 개수의 정보만을 개인별 추천 정보 DB(272)에 저장할 수도 있다.
아래에서는 본 발명의 구성요소 중 사용자 서비스를 제공하는 기능을 수행하는 사용자 서비스부(204) 및 구성요소에 대하여 설명한다.
전술한 것처럼, 사용자 서비스부(204)는 이메일 발송 모듈(280)을 포함한다. 이메일 발송 모듈(280)은 개인별 추천 정보 DB(272)로부터 각 사용자에 대한 추천 정보를 추출하여 이를 이메일을 통해 발송한다.
본 실시 예에서 이메일을 통한 발송은 예시적인 것이고, 이메일 외에도 인터넷을 통한 인스턴트 메시지(Instant Message) 전송, 웹 사이트 또는 웹 페이지에 대한 링크 전송 및 이동통신망을 통한 문자메시지 전송 등 정보통신망을 통해 사용 자에게 정보를 전달할 수 있는 제반 방법을 사용할 수 있다.
이하, 도 3을 참조하여, 본 발명의 일 실시 예에 따른 동적 프로파일 자동 구축 및 맞춤형 추천 정보 제공 시스템의 동작을 설명한다.
도 3은 본 발명의 일 실시 예에 따른 동적 프로파일 자동 구축 및 맞춤형 추천 정보 제공 시스템의 동작을 설명하는 절차 흐름도이다.
본 실시 예에서는 개인별 프로파일을 생성하기 위한 절차와 서비스 대상 프로파일을 생성하기 위한 절차가 각각 진행된다.
먼저, 개인별 프로파일을 생성하기 위한 절차를 설명한다.
개인별 프로파일을 생성하기 위한 정보를 얻기 위해서는 활용이력 기반 프로파일, 기존 시스템 기반 프로파일 및 입력 정보 기반 프로파일을 추출해야 한다.
활용이력 기반 프로파일을 추출하기 위해서는, 활용이력 기반 프로파일 추출 모듈(212)이 서비스 사용 기록 DB(210)의 기록 내용을 이용하여 개인별 프로파일을 생성하는데 필요한 정보를 추출한다(S212).
기존 시스템 기반 프로파일을 추출하기 위해서는, 기존 시스템 기반 프로파일 추출 모듈(222)이 레거시 시스템(220)으로부터 개인별 프로파일을 생성하는데 필요한 정보를 추출한다(S222).
입력 정보 기반 프로파일을 추출하기 위해서는, 입력 정보 기반 프로파일 추출 모듈(230)이 사용자가 입력한 키워드 등으로부터 개인별 프로파일을 생성하는데 필요한 정보를 추출한다(S230).
전술한 활용이력 기반 프로파일을 추출하는 단계(S212), 기존 시스템 기반 프로파일을 추출하는 단계(S222) 및 입력 정보 기반 프로파일을 추출하는 단계(S230)는 본 발명의 구현에 따라 선택적으로 진행될 수 있으며, 또한 병렬적으로 진행될 수도 있다.
전술한 프로파일 추출 단계들을 거쳐 얻어진 결과는, 개인별 프로파일 통합 모듈(240)에 의해 하나의 프로파일로 통합되어, 개인별 프로파일 DB에 저장된다(S240).
다음으로, 서비스 대상 프로파일을 생성하기 위한 절차를 설명한다.
서비스 대상 프로파일 추출 모듈(252)는 서비스 대상 정보(250)로부터 서비스 대상 프로파일을 생성하는데 필요한 정보를 추출한다(S252). 또한 서비스 대상 프로파일 추출 모듈(252)은 추출된 정보를 이용하여 서비스 대상 프로파일을 생성하고 이를 서비스 대상 프로파일 DB(260)에 저장한다(S242).
이상과 같이, 개인별 프로파일 및 서비스 대상 프로파일이 생성되면 이를 이용하여 개인별 추천정보를 생성할 수 있게 된다.
유사도 계산 모듈(270)은 개인별 프로파일 DB(242) 및 서비스 대상 프로파일 DB(260)로부터 개인별 프로파일 정보 및 서비스 대상 프로파일 정보를 추출하고, 이 정보를 이용하여 유사도를 계산한다(S270). 유사도 계산 모듈(270)은 계산된 유사도 값을 기준으로 개인별 추천 정보를 생성하고, 이를 개인별 추천 정보 DB에 저장한다(S272).
이후, 이메일 발송 모듈(280)은 개인별 추천 정보 DB(272)로부터 각 사용자에 대한 추천 정보를 추출하여 이를 이메일을 통해 발송한다(S300).
본 흐름도에서는 본 발명의 이해를 돕기 위해 모든 절차가 순차적으로 진행되는 것과 같이 도시되었으나, 본 흐름도에서의 화살표는 한 절차의 출력 자료를 다른 절차에서 입력 자료로서 이용함을 의미한다. 즉, 각 절차는 일단 그 절차를 수행하기 위한 입력 자료가 준비된 이후에는 독립적으로 수행될 수 있다.
예를 들면, 입력 정보 기반 프로파일 추출 단계(S230)는 사용자의 입력이 있을 때마다 수행되는 반면, 기존 시스템 기반 프로파일 추출 단계(S222)나 개인별 프로파일 통합 단계(S240)는 주기적으로 수행될 수 있다. 또한 이메일 발송 단계(S280)는 본 흐름도 상의 다른 단계에 비해 긴 주기를 갖도록 설정할 수 있다.
이상에서 설명한 본 발명에 따른 정보 제공 시스템에 의하면, 사용자가 시스템에 정보 서비스를 받기 위한 별도의 등록을 하지 않더라도, 기존의 정보 제공 기관 내 시스템을 통해 자동으로 추출된 사용자 프로파일을 활용하여 사용자별로 맞춤형 정보 서비스를 제공할 수 있는 효과가 있다.
또한, 본 발명에 따른 시스템은 사용자에 관련된 정보가 변경될 경우, 사용자가 직접 프로파일을 수정하지 않더라도 사용자에 대한 프로파일이 동적으로 변경된다. 따라서 사용자의 현재 관심사를 반영한 정보 서비스를 사용자에게 제공하는 효과가 있다.
여기서 설명한 다양한 특징 및 사상은, 소프트웨어, 하드웨어, 펌웨어, 미들웨어, 또는 그 결합의 형태로 실시될 수 있다. 예를 들면, 정보 제공 시스템을 구현하기 위한, 컴퓨터 실행가능한(Computer-Executable) 매체에 저장된 컴퓨터 프로그램(컴퓨터, 프로세서, 제어기 등에 의해 실행된다)은 다양한 작업을 수행하는 하 나 이상의 프로그램 코드 섹션(Section)을 포함할 수 있다. 유사하게, 정보 제공 시스템을 구현하기 위한, 컴퓨터 실행가능한(Computer-Executable) 매체에 저장된 소프트웨어 도구(컴퓨터, 프로세서, 제어기 등에 의해 실행된다)는, 다양한 작업을 수행하는 프로그램 코드 일부를 포함할 수 있다.
이상에서는 본 발명의 바람직한 실시 예를 예시적으로 설명하였으나, 본 발명의 범위는 이와 같은 특정 실시 예에만 한정되는 것은 아니므로, 본 발명은 본 발명의 사상 및 특허청구범위에 기재된 범주 내에서 다양한 형태로 수정, 변경 또는 개선될 수 있으며, 이러한 수정, 변경 또는 개선된 형태 또한 본 발명의 권리범위에 속하는 것이다.
도 1은 기존의 정보 제공 시스템의 구성을 나타낸 블록 구성도.
도 2는 본 발명의 일 실시 예에 따른 동적 프로파일 자동 구축 방법을 이용한 맞춤형 추천 정보 제공 시스템을 나타낸 블록 구성도.
도 3은 본 발명의 일 실시 예에 따른 동적 프로파일 자동 구축 방법을 이용한 맞춤형 추천 정보 제공 시스템의 동작을 설명하는 절차 흐름도.

Claims (26)

  1. 동적으로 변경될 수 있는 개인별 프로파일을 생성하는 개인별 프로파일 구성부;
    서비스 대상 프로파일을 생성하는 서비스 대상 프로파일 구성부;
    상기 개인별 프로파일 구성부에서 생성되는 상기 개인별 프로파일과 상기 서비스 대상 프로파일 구성부에서 생성되는 서비스 대상 프로파일에 기초하여, 개인별 추천 정보를 생성하는 추천 정보 생성부; 및
    상기 개인별 추천 정보를 사용자에게 제공하는 사용자 서비스부를 포함하고,
    상기 추천 정보 생성부는,
    상기 개인별 프로파일과 상기 서비스 대상 프로파일 간의 유사도를 계산하고, 상기 유사도를 기준으로 선택된 정보를 개인별 추천 정보로 저장하는 것을 특징으로 하는 동적 프로파일 자동 구축 방법을 이용한 맞춤형 추천 정보 제공 시스템.
  2. 제 1항에 있어서, 상기 개인별 프로파일 또는 상기 서비스 대상 프로파일은,
    용어 벡터의 형태를 갖는 용어 프로파일을 포함하며,
    상기 용어 벡터는 용어 및 상기 용어에 대한 가중치에 기초하여 정해지는 것을 특징으로 하는 동적 프로파일 자동 구축 방법을 이용한 맞춤형 추천 정보 제공 시스템.
  3. 제 1항에 있어서, 상기 개인별 프로파일 구성부는,
    동적으로 변경될 수 있는 개인별 프로파일 정보를 생성하는 프로파일 추출 모듈;
    상기 프로파일 추출 모듈로부터 상기 개인별 프로파일 정보를 제공받아, 이를 통합하여 상기 개인별 프로파일을 생성하는 개인별 프로파일 통합 모듈; 및
    생성된 상기 개인별 프로파일이 저장되는 개인별 프로파일 데이터베이스를 포함하는 것을 특징으로 하는 동적 프로파일 자동 구축 방법을 이용한 맞춤형 추천 정보 제공 시스템.
  4. 제 3항에 있어서, 상기 프로파일 추출 모듈은,
    상기 사용자가 이용한 서비스에 대한 기록을 사용하여, 상기 개인별 프로파일 정보를 생성하는 활용이력 기반 프로파일 추출 모듈을 포함하는 것을 특징으로 하는 동적 프로파일 자동 구축 방법을 이용한 맞춤형 추천 정보 제공 시스템.
  5. 제 4항에 있어서, 상기 사용자가 이용한 서비스에 대한 기록은,
    상기 사용자에게 제공된 추천 정보에 대한 상기 사용자의 사용 내역을 포함하는 것을 특징으로 하는 동적 프로파일 자동 구축 방법을 이용한 맞춤형 추천 정보 제공 시스템.
  6. 제 3항에 있어서, 상기 프로파일 추출 모듈은,
    상기 사용자의 입력으로부터 상기 개인별 프로파일 정보를 생성하는 입력 정보 기반 프로파일 추출 모듈을 포함하는 것을 특징으로 하는 동적 프로파일 자동 구축 방법을 이용한 맞춤형 추천 정보 제공 시스템.
  7. 제 3항에 있어서, 상기 프로파일 추출 모듈은,
    레거시 시스템에 저장된 정보를 사용하여, 상기 개인별 프로파일 정보를 생성하는 기존 시스템 기반 프로파일 추출 모듈을 포함하는 것을 특징으로 하는 동적 프로파일 자동 구축 방법을 이용한 맞춤형 추천 정보 제공 시스템.
  8. 제 3항에 있어서, 상기 프로파일 추출 모듈은,
    상기 사용자가 이용한 서비스에 대한 기록을 사용하여, 상기 개인별 프로파일 정보를 생성하는 활용이력 기반 프로파일 추출 모듈;
    상기 사용자의 입력으로부터 상기 개인별 프로파일 정보를 생성하는 입력 정보 기반 프로파일 추출 모듈; 및
    레거시 시스템에 저장된 정보를 사용하여, 상기 개인별 프로파일 정보를 생성하는 기존 시스템 기반 프로파일 추출 모듈을 포함하는 것을 특징으로 하는 동적 프로파일 자동 구축 방법을 이용한 맞춤형 추천 정보 제공 시스템.
  9. 제 1항에 있어서, 상기 서비스 대상 프로파일 구성부는,
    상기 서비스 대상 정보가 저장되는 서비스 대상 정보 데이터베이스; 및
    상기 서비스 대상 정보 데이터베이스에 저장된 상기 서비스 대상 정보를 사용하여, 상기 서비스 대상 프로파일을 생성하는 서비스 대상 정보 프로파일 추출 모듈을 포함하는 것을 특징으로 하는 동적 프로파일 자동 구축 방법을 이용한 맞춤형 추천 정보 제공 시스템.
  10. 삭제
  11. 제 1항에 있어서, 상기 개인별 프로파일과 상기 서비스 대상 프로파일은,
    용어 벡터의 형태를 갖는 용어 프로파일을 포함하며,
    상기 유사도는 상기 개인별 프로파일과 상기 서비스 대상 프로파일 간의 내적(Inner Product)을 통한 코사인유사도(Cosine Similarity)임을 특징으로 하는 동적 프로파일 자동 구축 방법을 이용한 맞춤형 추천 정보 제공 시스템.
  12. 제 1항에 있어서, 상기 추천 정보 생성부는,
    상기 유사도가 큰 순서로 일정 개수의 정보만을 상기 개인별 추천 정보로 저장하는 것을 특징으로 하는 동적 프로파일 자동 구축 방법을 이용한 맞춤형 추천 정보 제공 시스템.
  13. 제 1항에 있어서, 상기 사용자 서비스부는,
    이메일을 통해 상기 사용자에게 상기 개인별 추천 정보를 제공하는 것을 특징으로 하는 동적 프로파일 자동 구축 방법을 이용한 맞춤형 추천 정보 제공 시스템.
  14. 동적으로 변경될 수 있는 개인별 프로파일을 생성하는 단계;
    서비스 대상 프로파일을 생성하는 단계;
    상기 개인별 프로파일을 생성하는 단계에서 생성된 상기 개인별 프로파일과 상기 서비스 대상 프로파일을 생성하는 단계에서 생성된 상기 서비스 대상 프로파일에 기초하여, 개인별 추천 정보를 생성하는 단계; 및
    상기 개인별 추천 정보를 사용자에게 제공하는 단계를 포함하고,
    상기 개인별 추천 정보를 생성하는 단계는,
    상기 개인별 프로파일과 상기 서비스 대상 프로파일 간의 유사도를 계산하는 단계; 및
    상기 유사도를 기준으로 선택된 정보를 개인별 추천 정보로 저장하는 단계를 포함하는 것을 특징으로 하는 동적 프로파일 자동 구축 및 맞춤형 추천 정보 제공 방법.
  15. 제 14항에 있어서, 상기 개인별 프로파일 또는 상기 서비스 대상 프로파일은,
    용어 벡터의 형태를 갖는 용어 프로파일을 포함하며,
    상기 용어 벡터는 용어 및 상기 용어에 대한 가중치에 기초하여 정해지는 것을 특징으로 하는 동적 프로파일 자동 구축 및 맞춤형 추천 정보 제공 방법.
  16. 제 14항에 있어서, 상기 개인별 프로파일을 생성하는 단계는,
    동적으로 변경될 수 있는 개인별 프로파일 정보를 생성하는 단계; 및
    상기 개인별 프로파일 정보를 생성하는 단계로부터 상기 개인별 프로파일 정보를 제공받아, 이를 통합하여 상기 개인별 프로파일을 생성하는 단계를 포함하는 것을 특징으로 하는 동적 프로파일 자동 구축 및 맞춤형 추천 정보 제공 방법.
  17. 제 16항에 있어서, 상기 개인별 프로파일 정보를 생성하는 단계는,
    상기 사용자가 이용한 서비스에 대한 기록으로부터 상기 개인별 프로파일 정보를 생성하는 단계를 포함하는 것을 특징으로 하는 동적 프로파일 자동 구축 및 맞춤형 추천 정보 제공 방법.
  18. 제 17항에 있어서, 상기 사용자가 이용한 서비스에 대한 기록은,
    상기 사용자에게 제공된 추천 정보에 대한 상기 사용자의 사용 내역을 포함하는 것을 특징으로 하는 동적 프로파일 자동 구축 및 맞춤형 추천 정보 제공 방법.
  19. 제 16항에 있어서, 상기 개인별 프로파일 정보를 생성하는 단계는,
    상기 사용자의 입력으로부터 상기 개인별 프로파일 정보를 생성하는 단계를 포함하는 것을 특징으로 하는 동적 프로파일 자동 구축 및 맞춤형 추천 정보 제공 방법.
  20. 제 16항에 있어서, 상기 개인별 프로파일 정보를 생성하는 단계는,
    레거시 시스템에 저장된 정보를 사용하여 상기 개인별 프로파일 정보를 생성하는 단계를 포함하는 것을 특징으로 하는 동적 프로파일 자동 구축 및 맞춤형 추천 정보 제공 방법.
  21. 제 16항에 있어서, 상기 개인별 프로파일 정보를 생성하는 단계는,
    상기 사용자가 이용한 서비스에 대한 기록을 사용하여, 상기 개인별 프로파일 정보를 생성하는 단계;
    상기 사용자의 입력으로부터 상기 개인별 프로파일 정보를 생성하는 단계; 및
    레거시 시스템에 저장된 정보를 사용하여 상기 개인별 프로파일 정보를 생성하는 단계를 포함하는 것을 특징으로 하는 동적 프로파일 자동 구축 및 맞춤형 추천 정보 제공 방법.
  22. 제 14항에 있어서, 상기 서비스 대상 프로파일을 생성하는 단계는,
    서비스 대상 정보 데이터베이스에 저장된 서비스 대상 정보를 사용하여, 상기 서비스 대상 프로파일을 생성하는 단계를 포함하는 것을 특징으로 하는 동적 프로파일 자동 구축 및 맞춤형 추천 정보 제공 방법.
  23. 삭제
  24. 제 14항에 있어서, 상기 개인별 프로파일과 상기 서비스 대상 프로파일은,
    용어 벡터의 형태를 갖는 용어 프로파일을 포함하며,
    상기 유사도는 상기 개인별 프로파일과 상기 서비스 대상 프로파일 간의 내적(Inner Product)을 통한 코사인유사도(Cosine Similarity)임을 특징으로 하는 동적 프로파일 자동 구축 및 맞춤형 추천 정보 제공 방법.
  25. 제 14항에 있어서, 상기 개인별 추천 정보를 저장하는 단계는,
    상기 유사도가 큰 순서로 일정 개수의 정보만을 상기 개인별 추천 정보로 저장하는 것을 특징으로 하는 동적 프로파일 자동 구축 및 맞춤형 추천 정보 제공 방법.
  26. 제14항에 있어서, 상기 개인별 추천 정보를 사용자에게 제공하는 단계는,
    이메일을 통해 상기 사용자에게 상기 개인별 추천 정보를 제공하는 것을 특징으로 하는 동적 프로파일 자동 구축 및 맞춤형 추천 정보 제공 방법.
KR1020090075298A 2009-08-14 2009-08-14 동적 프로파일 자동 구축 방법 및 이를 이용한 맞춤형 추천 정보 제공 시스템 KR101065779B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020090075298A KR101065779B1 (ko) 2009-08-14 2009-08-14 동적 프로파일 자동 구축 방법 및 이를 이용한 맞춤형 추천 정보 제공 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020090075298A KR101065779B1 (ko) 2009-08-14 2009-08-14 동적 프로파일 자동 구축 방법 및 이를 이용한 맞춤형 추천 정보 제공 시스템

Publications (2)

Publication Number Publication Date
KR20110017696A KR20110017696A (ko) 2011-02-22
KR101065779B1 true KR101065779B1 (ko) 2011-09-20

Family

ID=43775650

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020090075298A KR101065779B1 (ko) 2009-08-14 2009-08-14 동적 프로파일 자동 구축 방법 및 이를 이용한 맞춤형 추천 정보 제공 시스템

Country Status (1)

Country Link
KR (1) KR101065779B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060069143A (ko) * 2004-12-17 2006-06-21 한국전자통신연구원 개인화 서비스를 위한 프로파일 정보 분류 및 처리 방법그리고 이를 이용한 개인화 서비스 제공 시스템
KR20070040598A (ko) * 2005-10-12 2007-04-17 한국전자통신연구원 일체형 포탈서비스 시스템 및 방법과, 이를 위한 사용자단말장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060069143A (ko) * 2004-12-17 2006-06-21 한국전자통신연구원 개인화 서비스를 위한 프로파일 정보 분류 및 처리 방법그리고 이를 이용한 개인화 서비스 제공 시스템
KR100688079B1 (ko) * 2004-12-17 2007-03-02 한국전자통신연구원 개인화 서비스를 위한 프로파일 정보 분류 및 처리 방법그리고 이를 이용한 개인화 서비스 제공 시스템
KR20070040598A (ko) * 2005-10-12 2007-04-17 한국전자통신연구원 일체형 포탈서비스 시스템 및 방법과, 이를 위한 사용자단말장치

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
김경식외,'유비쿼터스 환경에서 사용자에게 적응화된 콘텐츠 제공을 위한 프로파일 관리 기술',정보과학회논문지,컴퓨팅의 실제 및 레터. v.13 no.6, pp.343-357, 2007.11.30.

Also Published As

Publication number Publication date
KR20110017696A (ko) 2011-02-22

Similar Documents

Publication Publication Date Title
US11372894B2 (en) Associating product with document using document linkage data
US9990422B2 (en) Contextual analysis engine
US20150081431A1 (en) Posterior probability calculating apparatus, posterior probability calculating method, and non-transitory computer-readable recording medium
Street et al. Optimal designs for 2 k paired comparison experiments
KR101899843B1 (ko) 화장품 고객 트렌드 분석 시스템 및 방법
Yun et al. What determines actual use of mobile web browsing services? A contextual study in Korea
Conn et al. Bilevel derivative-free optimization and its application to robust optimization
KR101450453B1 (ko) 컨텐츠 추천 방법 및 장치
Widyaningrum et al. Sentiment analysis to assess the community’s enthusiasm towards the development chatbot using an appraisal theory
Yang First-and second-order asymptotics for the tail distortion risk measure of extreme risks
US11269896B2 (en) System and method for automatic difficulty level estimation
Zhang et al. Weighted Lorentz and Lorentz–Morrey estimates to viscosity solutions of fully nonlinear elliptic equations
US20170186102A1 (en) Network-based publications using feature engineering
Srinivasa Rao et al. Group acceptance sampling plans for resubmitted lots under exponentiated half logistic distribution
US20150180818A1 (en) Interface for Product Reviews Identified in Online Reviewer Generated Content
Raqab et al. Sharp bounds for the mean of k th record value
WO2017074710A1 (en) Search system
Jerbashian* On the theory of weighted classes of area integrable regular functions
KR101065779B1 (ko) 동적 프로파일 자동 구축 방법 및 이를 이용한 맞춤형 추천 정보 제공 시스템
KR102460438B1 (ko) 요약문과 키워드 추출을 위한 문서 정보처리 시스템 및 문서 정보처리 방법
Belzunce et al. Kernel estimation of residual entropy
JP6605683B1 (ja) 見積方法、課金方法、コンピュータ、及びプログラム
Alabert et al. On the minimum of a conditioned Brownian bridge
Tunno et al. Arc length tests for equivalent autocovariances
Gupta et al. A posteriori error estimates for lumped mass finite element method for linear parabolic problems using elliptic reconstruction

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
FPAY Annual fee payment

Payment date: 20140829

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20160719

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20170909

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20180711

Year of fee payment: 8