KR101095311B1 - User adaptive recommendation system - Google Patents
User adaptive recommendation system Download PDFInfo
- Publication number
- KR101095311B1 KR101095311B1 KR1020090100554A KR20090100554A KR101095311B1 KR 101095311 B1 KR101095311 B1 KR 101095311B1 KR 1020090100554 A KR1020090100554 A KR 1020090100554A KR 20090100554 A KR20090100554 A KR 20090100554A KR 101095311 B1 KR101095311 B1 KR 101095311B1
- Authority
- KR
- South Korea
- Prior art keywords
- user
- cluster
- preference
- agent
- users
- Prior art date
Links
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 17
- 230000000694 effects Effects 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 26
- 238000003066 decision tree Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000019640 taste Nutrition 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0282—Rating or review of business operators or products
-
- 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
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Entrepreneurship & Innovation (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
사용자들의 상품에 대한 각 항목별 선호도 정보에 기초하여 유사한 선호도를 갖는 사용자들의 군집을 생성하는 사용자 군집 생성부, 상기 생성된 사용자 군집에 포함된 사용자들의 선호도와 각 사용자들의 활동량에 기초하여 산출한 가중치를 곱한 값들에 대한 평균값을 선호도 정보로서 포함하는 군집 에이전트를 생성하는 군집 에이전트 생성부 및 상기 생성된 군집 에이전트의 선호도와 유사한 상품의 랭킹 리스트를 생성하여 상기 군집 에이전트가 대표하는 상기 사용자 군집의 사용자들에게 전송하는 상품 추천부를 포함하는 사용자 적응형 추천 시스템을 제공한다.
선호도, 군집 에이전트, 사용자 적응형 추천
User cluster generation unit for generating a cluster of users having similar preferences based on the preference information for each item of the user's products, weights calculated based on the preferences of the users included in the generated user cluster and the amount of activity of each user Clustering agent generation unit for generating a clustering agent including an average value of the product multiplied as the preference information and a list of products similar to the preferences of the generated clustering agent to generate a user of the user cluster represented by the clustering agent It provides a user adaptive recommendation system including a product recommendation unit for transmitting to.
Affinity, cluster agent, user adaptive recommendation
Description
본 발명은 사용자 적응형 추천 시스템에 관한 것이다.The present invention relates to a user adaptive recommendation system.
최근 정보통신기술의 급속한 발전과 함께 사용자 중심의 서비스를 제공하는 사용자 적응형 추천 시스템의 개발이 활발히 이루어지고 있다. 이러한 사용자 적응형 추천 시스템의 목적은 사용자의 선호도와 행동 정보 등을 분석, 분류하여 이를 바탕으로 각 사용자에게 적합한 서비스를 구성하고 제안하는 것이다.Recently, with the rapid development of information and communication technology, the development of a user adaptive recommendation system providing a user-oriented service has been actively made. The purpose of the user adaptive recommendation system is to analyze and classify user preferences and behavior information, and to configure and propose a service suitable for each user.
이러한 시스템에서 사용자의 정보를 분석하기 위한 방법으로는 명시적 방법과 암시적 방법이 있다. 명시적 방법은 사용자가 추천 시스템에 등록할 때 자신의 관심사항이나 개인정보를 직접 입력하는 것이고, 암시적 방법은 사용자의 행동 정보를 수집하여 이를 기반으로 사용자의 관심사항을 추론하는 것이다. 이후 추론된 사용자의 관심사항을 기반으로 서비스 추천이 이루어진다. 대표적인 추천방법의 종류로는 사용자의 관심 정보와 과거에 사용했던 서비스의 유사도를 비교하여 추천하는 컨텐츠 기반 추천방법(Content-based Recommend Method)과 유사한 취향을 가 진 사용자들 간에 상호추천을 수행하는 협력적 추천방법(Collaborative Recommend Method)이 있다.In such a system, there are explicit and implicit methods for analyzing user information. The explicit method is to directly enter the user's interests or personal information when the user registers in the recommendation system, and the implicit method is to collect the user's behavioral information and infer the user's interests based on this. After that, the service recommendation is made based on the inferred user's interest. Representative types of recommendation methods include the cooperation between users who have similar tastes as the content-based recommend method, which compares the user's interest information and the similarity between services used in the past. There is a Collaborative Recommend Method.
위에서 언급된 추천방법에는 다음과 같은 단점들이 존재한다.The above mentioned recommendation methods have the following disadvantages.
첫째, 새로운 사용자가 나타날 경우, 일반적으로 사용자는 자신의 선호도를 세밀하게 정의하고 분류하는 것을 꺼린다. 사용자가 명시적으로 자신의 선호도를 정의한다면 쉽게 해결될 수 있겠지만 그렇지 않다면 추천 시스템이 사용자를 분석하는데 적지 않은 시간이 소모된다. 이러한 단점은 시스템 전체에 대한 신뢰를 떨어뜨리고, 사용자에게 적합한 추천이 이루어지지 못하게 되는 요인이 된다.First, when new users appear, they are generally reluctant to define and classify their preferences. This can be easily solved if the user explicitly defines his or her preferences, but otherwise the recommendation system spends a lot of time analyzing the user. These disadvantages reduce the trust of the entire system and cause a lack of proper recommendation to the user.
둘째, 컨텐츠 기반 추천방법에서 나타나는 과특성화(Overspecialization)로 인해 추천 서비스의 제한이 발생한다. 과특성화란 사용자의 과거 정보를 바탕으로 하여 사용자 선호도를 분석하기 때문에 발생하는 특성이다. 이러한 특성은 사용자가 이용했던 서비스와 관계가 먼 서비스이거나 사용자가 사용했던 서비스와 흡사한 서비스들이 추천되지 않는 원인이 된다. 예를 들어, 이러한 단점을 가진 추천시스템은 일정 기간 문서 작성 작업만 수행한 사용자에게 문서작업과 거리가 먼 서비스들은 추천되지 않거나 새로운 문서작업에 대하여 추천하지 않는다.Second, the limitation of recommendation service occurs due to overspecialization in the content-based recommendation method. Over-characterization is a characteristic that occurs because the user preference is analyzed based on the user's past information. This characteristic causes a service that is not related to the service used by the user or services similar to the service used by the user are not recommended. For example, a recommendation system with these drawbacks is not recommended for new documents or services that are far from documenting for users who have only done document writing for a period of time.
셋째, 협력적 추천방법은 새로운 서비스가 등장 할 때 문제점이 나타난다. 새롭게 등장한 서비스가 다른 사용자에게 추천되기 위해서는 다른 사용자들의 평가가 미리 이루어져야 한다. 이러한 평가가 이루어지기 위해서는 많은 시간을 필요로 하고 사용자들의 참여 역시 필요하다. 이러한 추천방법에는 희귀성(Sparsity)이라는 특성이 존재한다. 희귀성이란 서비스가 추천되기 위해서는 일정량 이상의 사용자 평가가 필요하지만, 그 양이 채워지지 않는다면 아무리 좋은 평가를 받은 서비스라도 다른 사용자에게 추천되지 않는다는 것을 의미한다. 또한, 다른 사용자들이 좋지 않게 평가했지만 특정 사용자에 한해 요구되는 서비스의 경우, 협력적 추천 기법으로는 그 서비스가 특정 사용자에게 추천되기는 어렵다.Third, the cooperative recommendation method presents a problem when new services emerge. In order for a new service to be recommended to other users, evaluation of other users must be performed in advance. This evaluation takes a lot of time and requires the participation of users. This recommendation has a property called sparsity. Rareness means that a certain amount of user evaluation is required for the service to be recommended, but if the amount is not filled, no matter how well rated the service is, it is not recommended to other users. In addition, in the case of services that other users have evaluated poorly, but are required only for a specific user, it is difficult to recommend the service to a specific user through a collaborative recommendation technique.
본 발명의 일부 실시예는 결정 트리 모델을 이용하여 사용자 군집을 생성하고, 사용자 군집을 대표하는 군집 에이전트에 기초하여 상품 추천을 수행하는 사용자 적응형 추천 시스템을 제공한다.Some embodiments of the present invention provide a user adaptive recommendation system that generates a user cluster using a decision tree model and performs a product recommendation based on a cluster agent representing the user cluster.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 발명의 제 1 측면은 사용자들의 상품에 대한 각 항목별 선호도 정보에 기초하여 유사한 선호도를 갖는 사용자들의 군집을 생성하는 사용자 군집 생성부, 상기 생성된 사용자 군집에 포함된 사용자들의 선호도와 각 사용자들의 활동량에 기초하여 산출한 가중치를 곱한 값들에 대한 평균값을 선호도 정보로서 포함하는 군집 에이전트를 생성하는 군집 에이전트 생성부 및 상기 생성된 군집 에이전트의 선호도와 유사한 상품의 랭킹 리스트를 생성하여 상기 군집 에이전트가 대표하는 상기 사용자 군집의 사용자들에게 전송하는 상품 추천부를 포함하는 사용자 적응형 추천 시스템을 제공한다.As a technical means for achieving the above-described technical problem, the first aspect of the present invention is a user cluster generation unit for generating a cluster of users having similar preferences based on the preference information for each item of the user of the product, the generated Cluster agent generation unit for generating a cluster agent including the average value of the product multiplied by the weight of the user based on the activity of each user and the user group included in the user cluster as preference information and similar to the preference of the generated cluster agent It provides a user adaptive recommendation system including a product recommendation unit for generating a ranking list of products and transmits to the users of the user cluster represented by the cluster agent.
전술한 본 발명의 과제 해결 수단에 의하면, 결정 트리의 분기를 이용하여 사용자를 분류하기 때문에, 새로운 사용자 분석에 걸리는 시간을 감소시킬 수 있다. 또한, 군집 에이전트를 사용함에 따라 사용자가 새로운 서비스에 대해 평가하 지 못해 나타나는 문제점을 해소할 수 있다. 즉, 군집 에이전트가 상품을 미리 평가하여 사용자들에게 추천함으로써 이러한 문제점을 해결하였다. 또한 지속적인 사용자 분석을 위해 결정 트리의 재구성과 군집 에이전트를 이용한 사용자의 재 이동을 수행할 수 있다.According to the above-described problem solving means of the present invention, since the user is classified using the branch of the decision tree, it is possible to reduce the time required for new user analysis. In addition, by using a cluster agent, a user may not be able to evaluate a new service. That is, the cluster agent solved this problem by evaluating the product in advance and recommending it to the users. Also, for continuous user analysis, the decision tree can be reconstructed and the user can be moved again by using a cluster agent.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.DETAILED DESCRIPTION Hereinafter, exemplary embodiments of the present invention will be described in detail with reference to the accompanying drawings so that those skilled in the art may easily implement the present invention. The present invention may, however, be embodied in many different forms and should not be construed as limited to the embodiments set forth herein. In the drawings, parts irrelevant to the description are omitted in order to clearly describe the present invention, and like reference numerals designate like parts throughout the specification.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 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.Throughout the specification, when a part is "connected" to another part, this includes not only "directly connected" but also "electrically connected" with another element in between. . In addition, when a part is said to "include" a certain component, which means that it may further include other components, except to exclude other components unless otherwise stated.
도 1 은 본 발명의 일 실시예에 따른 사용자 적응형 추천 시스템을 도시한 도면이다.1 is a diagram illustrating a user adaptive recommendation system according to an embodiment of the present invention.
사용자 적응형 추천 시스템(100)은 사용자 군집 생성부(110), 군집 에이전트 생성부(120), 상품 추천부(130), 사용자 프로파일 DB(140), 상품 DB(150)를 포함한다. 또한, 사용자 적응형 추천 시스템(100)은 상품을 구매하고자 하는 하나 이상의 사용자 단말, 상품을 판매하고자 하는 하나 이상의 웹 사이트와 네트워크를 통해 접속된다. 참고로, 본 발명의 실시예에 따른 도 1에 도시된 구성 요소들은 소프트웨어 또는 FPGA(Field Programmable Gate Array) 또는 ASIC(Application Specific Integrated Circuit)와 같은 하드웨어 구성 요소를 의미하며, 소정의 역할들을 수행한다.The user
그렇지만 '구성 요소들'은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니며, 각 구성 요소는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다.However, 'components' are not meant to be limited to software or hardware, and each component may be configured to be in an addressable storage medium or may be configured to reproduce one or more processors.
따라서, 일 예로서 구성 요소는 소프트웨어 구성 요소들, 객체지향 소프트웨어 구성 요소들, 클래스 구성 요소들 및 태스크 구성 요소들과 같은 구성 요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다.Thus, as an example, a component may include components such as software components, object-oriented software components, class components, and task components, and processes, functions, properties, procedures, and subs. Routines, segments of program code, drivers, firmware, microcode, circuits, data, databases, data structures, tables, arrays, and variables.
구성 요소들과 해당 구성 요소들 안에서 제공되는 기능은 더 작은 수의 구성 요소들로 결합되거나 추가적인 구성 요소들로 더 분리될 수 있다.Components and the functionality provided within those components may be combined into a smaller number of components or further separated into additional components.
한편, 상기 상품은, 예를 들어, 슈퍼마켓에서 판매하는 생활 용품과 같은 유형재(有形財)와 온라인 게임 서비스나 디지털 콘텐츠 제공 서비스와 같은 무형재(無形財)를 포함하는 의미이다.On the other hand, the product, for example, is meant to include tangible goods such as household goods sold in supermarkets, and intangible goods such as online game services or digital content providing services.
또한, 네트워크는 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN) 또는 부가가치 통신망(Value Added Network; VAN) 등과 같은 유선 네트워크나 이동 통신망(mobile radio communication network) 또는 위성 통신망 등과 같은 모든 종류의 무선 네트워크로 구현될 수 있다. In addition, the network may be a wired network such as a local area network (LAN), a wide area network (WAN), or a value added network (VAN), a mobile radio communication network or a satellite communication network, or the like. The same can be implemented with all kinds of wireless networks.
한편, 사용자 단말은 네트워크를 통해 사용자 적응형 추천 시스템(100)에 접속할 수 있는 컴퓨터나 휴대용 단말기로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop) 등을 포함하고, 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다.Meanwhile, the user terminal may be implemented as a computer or a portable terminal that can access the user
사용자 군집 생성부(110)는 사용자 프로파일 DB(140)에 기록된 사용자들의 상품에 대한 각 항목별 선호도 정보에 기초하여, 동일 또는 유사한 선호도를 갖는 사용자들의 군집을 생성한다. The user
도 2는 본 발명의 일 실시예에 따라 사용자 군집을 생성하는 과정을 설명하기 위한 도면이다.2 is a view for explaining a process of generating a user cluster according to an embodiment of the present invention.
도시된 바와 같이, 상품에 대한 각종 속성을 대표하는 항목을 기준으로, 사 용자의 상품에 대한 선호도를 분류할 수 있다. 예를 들어, 휴대폰이라는 상품 집합에 대한 선호도를 기준으로 사용자를 군집화한다고 가정할 때, 스크린 크기, 디자인 구성, 입력장치, 핵심 성능, 가격대 성능비, 디자인 구성과 같은 상품의 속성에 대한 사용자들의 선호도를 기준으로 사용자를 군집화할 수 있다. 그 결과, 작은 스크린 크기를 선호하고, 단순한 디자인 구성을 선호하고, 터치 스크린 방식의 입력 장치를 선호하는 사용자들의 군집을 생성할 수 있다. 마찬가지로, 큰 스크린 크기를 선호하고, 성능 중에 속도를 우선시하며, 가격이 저렴한 것을 선호하는 사용자들의 군집을 생성할 수 있다.As shown in the figure, a user's preference for a product may be classified based on an item representing various attributes of the product. For example, assuming that users are clustered based on their preference for a product set called a mobile phone, the user's preference for product attributes such as screen size, design configuration, input device, core performance, price / performance ratio, and design configuration Users can be clustered by criteria. As a result, it is possible to create a cluster of users who prefer a small screen size, a simple design configuration, and a touch screen type input device. Similarly, you can create a cluster of users who prefer a large screen size, prioritize speed during performance, and prefer low cost.
이와 같은 사용자 군집은 상품의 속성에 대한 선호도를 기준으로 생성할 수 있다.Such a user cluster may be generated based on a preference for an attribute of a product.
도 3은 본 발명의 일 실시예에 따라 사용자 군집을 생성하는 방법을 도시한 순서도이다.3 is a flowchart illustrating a method of generating a user cluster according to an embodiment of the present invention.
먼저, 각 사용자들의 상품에 대한 선호도 정보를 포함하는 트레이닝 데이터의 개수가 제 1 임계값 이상인지를 판단하여, 제 1 임계값 이상인 경우에 한하여 사용자 군집을 생성한다(S310). 이때, 트레이닝 데이터의 개수는 사용자의 수와 같다.First, it is determined whether the number of training data including preference information of each user's product is equal to or greater than the first threshold value, and a user cluster is generated only when the number of training data is equal to or greater than the first threshold value (S310). At this time, the number of training data is equal to the number of users.
다음으로, 트레이닝 데이터에 대하여 분산치가 가장 큰 항목을 찾아 분기 항목으로 설정한다(S320). 가장 높은 분산도를 가진 항목은 평균값으로부터 자료들의 거리가 먼 사용자들의 집합이라는 의미이고, 이러한 항목은 사용자를 두 개의 군집으로 쉽게 나눌 수 있다. 도 2를 참조하면, 스크린의 크기라는 항목이 가장 높은 분산도를 갖기 때문에, 분기 항목으로서 설정된 것이다.Next, the item having the largest variance value is found for the training data and set as the branch item (S320). The item with the highest variance means that it is a set of users whose data are far from the mean, and this item can be easily divided into two clusters. Referring to Fig. 2, since the item of the size of the screen has the highest dispersion degree, it is set as the branch item.
다음으로, 설정된 분기 항목에 기초하여 사용자를 분류한다(S330). 상기 단계(S320)에서 설정된 분기 항목에 대한 사용자의 선호도를 조사하여, 사용자를 분류한다.Next, the user is classified based on the set branch item (S330). The user's preference for the branch item set in step S320 is examined to classify the user.
다음으로, 상기 단계(S330)의 분류에 의하여 생성된 사용자 군집의 개수가 제 2 임계값 보다 크거나 같은지 여부를 판단하고, 제 2 임계값 보다 작은 경우에는 상기 단계(S320, S330)를 반복 수행하여, 사용자들의 군집을 생성한다(S340).Next, it is determined whether the number of user clusters generated by the classification of the step S330 is greater than or equal to the second threshold value, and if the number of user clusters is smaller than the second threshold value, the steps S320 and S330 are repeated. To generate a cluster of users (S340).
한편, 이러한 사용자 군집 생성 과정은 주기적으로 반복하여 수행될 수 있다. 즉, 사용자의 수가 일정 수 이상이면, 반복적으로 사용자 군집을 재구성하여, 사용자 군집화의 정확도를 향상시킨다.Meanwhile, the user cluster generation process may be repeatedly performed periodically. That is, if the number of users is a predetermined number or more, the user cluster is repeatedly reconfigured to improve the accuracy of the user clustering.
다시 도 1을 참조하면, 군집 에이전트 생성부(120)는 사용자 군집 생성부(110)를 통해 생성된 각 사용자 군집을 대표할 수 있는 군집 에이전트를 생성한다.Referring back to FIG. 1, the
각 사용자 군집에 포함된 사용자들의 선호도는 동일 군집내에서도 상이할 수 있다. 즉, 각 항목별 선호도의 정도를 수치화 할 때, 그 선호도의 정도는 상이할 수 있다. 다시 도 2를 참조하면, 군집 1에 속하는 사용자들이 작은 스크린 크기를 선호하고, 단순한 디자인 구성을 선호하고, 터치 스크린 방식의 입력 장치를 선호하는 사용자들이지만, 그 선호하는 정도는 상이할 수 있다. The preferences of users included in each user cluster may be different within the same cluster. That is, when quantifying the degree of preference for each item, the degree of preference may be different. Referring back to FIG. 2, users belonging to Cluster 1 prefer small screen sizes, prefer simple design configurations, and prefer touch screen type input devices, but the degree of preference may be different.
따라서, 각 군집에 속하는 사용자들의 각 항목에 대한 선호도를 평균하여 군집 에이전트의 선호도를 생성할 수 있다.Therefore, the preference of the cluster agent may be generated by averaging the preference of each item of users belonging to each cluster.
한편, 사용자들의 각 항목에 대한 선호도를 단순히 더하면 해당 군집에 속하지만, 실제로 서비스를 사용하지 않거나, 활동량이 적은 사용자들의 특성까지 모두 합산하게 된다. 이와 같은 문제를 방지하기 위해 사용자의 활동량에 따라 가중치를 두어 군집 에이전트의 선호도에 영향을 미치게 한다. 즉, 서비스 평가 활동을 활발히 하는 사용자는 활동이 적은 사용자보다 군집 에이전트의 선호도에 더 큰 영향을 미치게 되는 것이다. 가중치가 반영된 군집 에이전트 선호도는 다음 수식을 통해 산출한다.On the other hand, simply adding the preferences for each item of the user belongs to the cluster, but does not actually use the service, or even the characteristics of the users with little activity is added up. In order to prevent such a problem, weighting is made according to the amount of activity of the user to influence the preference of the cluster agent. In other words, the user who is active in the service evaluation activity has a greater influence on the preference of the cluster agent than the user who has less activity. The cluster agent preference with weights is calculated by the following equation.
[수학식 1][Equation 1]
수학식 1에서 사용자(i)의 가중치는 최대 참여도 Pm을 밑으로 하고 사용자의 참여도 Pi를 가지는 로그함수이다. 로그함수의 특성에 따라, 가중치는 사용자의 참여도에 따라 초기에 급격히 증가하고 갈수록 줄어들게 된다. 사용자의 활동량이 클수록 사용자 가중치는 1에 가까워지고, 사용자의 활동량이 작을수록 사용자 가중치는 0에 가까워진다.In Equation 1, the weight of the user i is a logarithm function having the maximum participation degree Pm below and the user participation degree Pi. Depending on the nature of the log function, the weight is initially increased rapidly and gradually decreases according to the user's participation. The larger the user's activity, the closer the user weight is to 1, and the smaller the user's activity, the closer the user weight to zero.
[수학식 2][Equation 2]
다음으로, 수학식 2와 같이 군집 에이전트의 선호도는 각각의 사용자의 선호 도 값에 가중치를 곱하여 모든 사용자에 대하여 평균을 구해 정해진다.Next, as shown in Equation 2, the cluster agent's preference is determined by multiplying each user's preference value by a weight to obtain an average for all users.
이와 같이, 사용자들의 활동량에 따른 가중치와 각 사용자들의 선호도에 기초하여 각 사용자 군집을 대표하는 군집 에이전트 선호도를 산출할 수 있다.In this way, cluster agent preferences representing each user cluster may be calculated based on weights according to activity amounts of users and preferences of respective users.
상품 추천부(130)는 상기 군집 에이전트 생성부(120)를 통해 생성된 군집 에이전트를 이용하여, 각 사용자들에게 최적의 상품을 추천한다. 즉, 군집 에이전트의 선호도에 근접하는 상품들의 랭킹 리스트를 생성하여 사용자들에게 전송한다.The
도 4a 내지 4c는 본 발명의 일 실시예에 따른 군집 에이전트를 이용한 상품 추천 과정을 도시한 도면이다.4A to 4C are diagrams illustrating a product recommendation process using a clustering agent according to an embodiment of the present invention.
도 4a에 도시된 바와 같이, 각각의 군집 에이전트(410, 420)는 군집 에이전트 선호도에 적합한 상품들을 각 사용자 군집에 포함된 사용자들에게 전송한다. 제 1 군집 에이전트(410)는 제 1 사용자 군집(412)에 대하여 추천을 수행하고, 제 i 군집 에이전트(420)는 제 i 사용자 군집(422)에 대하여 추천을 수행한다.As shown in FIG. 4A, each
이와 달리, 사용자 군집에 포함된 사용자 단말이 추천을 요청할 수 있다.Alternatively, the user terminal included in the user cluster may request a recommendation.
도 4b에 도시된 바와 같이, 제 1 사용자 군집(432)에 포함된 사용자 단말이 추천을 요청하는 경우, 제 1 군집 에이전트(432)의 선호도에 적합한 상품 리스트를 생성하여 전송할 수 있다. 한편, 제 1 사용자 군집(432)에 포함된 사용자 단말이 요청한 상품이 제 1 군집 에이전트(430)의 선호도와 일치하지 않거나, 제 1 군집 에이전트(430)와 인접한 제 2 군집 에이전트(440)의 선호도와 더 일치하는 경우에는 제 2 군집 에이전트(440)의 선호도에 기초한 상품을 추천할 수 있다. 이때, 제 1 군집 에이전트(430)와 제 2 군집 에이전트(440)는 트리 구조의 사용자 군집 체계 에서 거리가 2 이내인 관계에 있다. 즉, 도 2에 도시된 트리 구조에서 최하위 항목(입력 장치, 가격대 성능비, 디자인 구성)등에 의하여 분류되는 군집 관계이다. As shown in FIG. 4B, when a user terminal included in the
또한, 군집 에이전트의 선호도 항목 중 어느 하나를 반대로 설정하고, 군집 에이전트를 루트 노드부터 선회시켜, 추천을 수행하도록 한다. 도 4c에 도시된 바와 같이, 제 1 군집 에이전트를 생성시킨 선호도 항목 중 루트 노드에 해당하는 선호도 항목(제 1 항목)을 반대로 설정하면, 제 1 군집 에이전트는 제 3 항목을 선호하는 사용자 군집으로 이동하게 된다. 결과적으로 현재의 선호도와 단 하나의 항목에서 차이를 보이는 그룹으로 이동하게 된다. 이런 그룹은 사용자에게 추천 되지 않으나, 사용자가 선호할만한 상품을 지니고 있을 수 있고, 이런 그룹을 순회함으로써 해당 상품들을 사용자에게 추천할 수 있다.In addition, one of the preference items of the cluster agent is reversed, and the cluster agent is pivoted from the root node to perform the recommendation. As shown in FIG. 4C, if the preference item (first item) corresponding to the root node is set in reverse among the preference items for which the first cluster agent is created, the first cluster agent moves the third item to the preferred user cluster. Done. As a result, you move to a group that differs from the current preferences in only one item. Such a group is not recommended to the user, but may have a product that the user prefers, and by traversing such a group, the product may be recommended to the user.
또한, 군집 에이전트는 항상 자신이 속한 그룹의 사용자들의 선호도와 자신의 선호도를 비교하여 선호도 차이 정도를 확인한다. 이러한 차이 정도가 임계 수치 이상으로 커지는 경우 대리자는 해당 사용자를 그룹에서 제외시킨다. 해당 사용자는 새로 등장한 사용자와 마찬가지로 자신에게 적합한 사용자 군집을 찾아서 결정 트리의 첫 번째 분기로 돌아가 분류를 위한 질문에 답하고, 새로 속할 그룹을 결정한다. 이러한 과정에서도 다시 같은 그룹으로 결정된다면 사용자는 현재 그룹에서 가장 적은 이동비용으로 이동할 수 있는 다른 사용자 그룹으로 이동된다.In addition, the cluster agent always checks the degree of preference difference by comparing the preferences of the users of the group with the user's preferences. If this difference increases beyond the threshold, the delegate removes the user from the group. The user, like the new user, finds the appropriate user population, returns to the first branch of the decision tree, answers the questions for classification, and decides which group to belong to. In this process, if the user is determined to be in the same group, the user is moved to another user group that can move at the lowest moving cost in the current group.
본 발명의 일 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체 및 통신 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. 통신 매체는 전형적으로 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈, 또는 반송파와 같은 변조된 데이터 신호의 기타 데이터, 또는 기타 전송 메커니즘을 포함하며, 임의의 정보 전달 매체를 포함한다. One embodiment of the present invention can also be implemented in the form of a recording medium containing instructions executable by a computer, such as a program module executed by the computer. Computer readable media can be any available media that can be accessed by a computer and includes both volatile and nonvolatile media, removable and non-removable media. In addition, computer readable media may include both computer storage media and communication media. Computer storage media includes both volatile and nonvolatile, removable and non-removable media implemented in any method or technology for storage of information such as computer readable instructions, data structures, program modules or other data. Communication media typically includes computer readable instructions, data structures, program modules, or other data in a modulated data signal such as a carrier wave, or other transmission mechanism, and includes any information delivery media.
본 발명의 방법 및 시스템은 특정 실시예와 관련하여 설명되었지만, 그것들의 구성 요소 또는 동작의 일부 또는 전부는 범용 하드웨어 아키텍쳐를 갖는 컴퓨터 시스템을 사용하여 구현될 수 있다. While the methods and systems of the present invention have been described in connection with specific embodiments, some or all of those elements or operations may be implemented using a computer system having a general purpose hardware architecture.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.The foregoing description of the present invention is intended for illustration, and it will be understood by those skilled in the art that the present invention may be easily modified in other specific forms without changing the technical spirit or essential features of the present invention. will be. It is therefore to be understood that the above-described embodiments are illustrative in all aspects and not restrictive. For example, each component described as a single type may be implemented in a distributed manner, and similarly, components described as distributed may be implemented in a combined form.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되 는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.The scope of the present invention is shown by the following claims rather than the detailed description, and all changes or modifications derived from the meaning and scope of the claims and their equivalents are included in the scope of the present invention. Should be.
도 1 은 본 발명의 일 실시예에 따른 사용자 적응형 추천 시스템을 도시한 도면이다.1 is a diagram illustrating a user adaptive recommendation system according to an embodiment of the present invention.
도 2는 본 발명의 일 실시예에 따라 사용자 군집을 생성하는 과정을 설명하기 위한 도면이다.2 is a view for explaining a process of generating a user cluster according to an embodiment of the present invention.
도 3은 본 발명의 일 실시예에 따라 사용자 군집을 생성하는 방법을 도시한 순서도이다.3 is a flowchart illustrating a method of generating a user cluster according to an embodiment of the present invention.
도 4a 내지 4c는 본 발명의 일 실시예에 따른 군집 에이전트를 이용한 상품 추천 과정을 도시한 도면이다.4A to 4C are diagrams illustrating a product recommendation process using a clustering agent according to an embodiment of the present invention.
<도면의 주요 부분에 대한 설명>Description of the main parts of the drawing
100: 사용자 적응형 추천 시스템 110: 사용자 군집 생성부100: user adaptive recommendation system 110: user cluster generation unit
120: 군집 에이전트 생성부 130: 상품 추천부120: cluster agent generation unit 130: product recommendation unit
140: 사용자 프로파일 DB 150: 상품 DB 140: user profile DB 150: product DB
Claims (7)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020090100554A KR101095311B1 (en) | 2009-10-22 | 2009-10-22 | User adaptive recommendation system |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020090100554A KR101095311B1 (en) | 2009-10-22 | 2009-10-22 | User adaptive recommendation system |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20110043842A KR20110043842A (en) | 2011-04-28 |
| KR101095311B1 true KR101095311B1 (en) | 2011-12-16 |
Family
ID=44048803
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020090100554A KR101095311B1 (en) | 2009-10-22 | 2009-10-22 | User adaptive recommendation system |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101095311B1 (en) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170019944A (en) * | 2015-08-13 | 2017-02-22 | 정진호 | Method and device for recommendation service of product using relative comparison |
| KR102099631B1 (en) * | 2018-01-04 | 2020-04-10 | 국민대학교산학협력단 | Hybrid recommendation apparatus and method, storage media storing the same |
| CN108550068B (en) * | 2018-04-16 | 2022-03-11 | 南京大学 | Personalized commodity recommendation method and system based on user behavior analysis |
| KR102153540B1 (en) * | 2018-11-23 | 2020-09-21 | 한국과학기술원 | Method and apparatus for micro simulation parameter calibration using machine learning in agent based simulation |
| KR102198365B1 (en) * | 2019-11-28 | 2021-01-04 | 광운대학교 산학협력단 | Personalized Media Contents Recommendation System and Method based on Previewing Multi-Channel |
| KR20220080791A (en) * | 2020-12-07 | 2022-06-15 | 알리고에이아이 주식회사 | Method and apparatus for recommending product |
| CN114625442A (en) * | 2022-03-22 | 2022-06-14 | 平安普惠企业管理有限公司 | Cold start recommendation method and device, electronic equipment and readable storage medium |
-
2009
- 2009-10-22 KR KR1020090100554A patent/KR101095311B1/en not_active IP Right Cessation
Non-Patent Citations (1)
| Title |
|---|
| 논문(한국정보처리학회 2007년 춘계학술대회 VOL 14 NO. 01, 2007.05) |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20110043842A (en) | 2011-04-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200320646A1 (en) | Interest recommendation method, computer device, and storage medium | |
| KR101095311B1 (en) | User adaptive recommendation system | |
| Gope et al. | A survey on solving cold start problem in recommender systems | |
| KR101173163B1 (en) | Method for evaluating user reputation through social network, system and method for evaluating content reputation using the same | |
| Symeonidis et al. | Product recommendation and rating prediction based on multi-modal social networks | |
| Wang et al. | Combining subjective and objective QoS factors for personalized web service selection | |
| Fagiolo et al. | Segregation in networks | |
| US7421429B2 (en) | Generate blog context ranking using track-back weight, context weight and, cumulative comment weight | |
| Allen et al. | Exploiting user interest similarity and social links for micro-blog forwarding in mobile opportunistic networks | |
| CN107590243A (en) | The personalized service recommendation method to be sorted based on random walk and diversity figure | |
| KR20090081430A (en) | Initial impression analysis tool for an online dating services | |
| CN102165441A (en) | Method, system, and apparatus for ranking media sharing channels | |
| Li et al. | Online social networking sites continuance intention: A model comparison approach | |
| Wang et al. | Quantitative analysis of Matthew effect and sparsity problem of recommender systems | |
| Ayub et al. | Unifying user similarity and social trust to generate powerful recommendations for smart cities using collaborating filtering-based recommender systems | |
| Rezvanian et al. | Sampling algorithms for stochastic graphs: a learning automata approach | |
| Ghavipour et al. | Stochastic trust network enriched by similarity relations to enhance trust-aware recommendations | |
| Jiang et al. | Using combined network information to predict mobile application usage | |
| Kim et al. | Folkommender: a group recommender system based on a graph-based ranking algorithm | |
| US20160171228A1 (en) | Method and apparatus for obfuscating user demographics | |
| US9110998B2 (en) | Hierarchical behavioral profile | |
| Hazarie et al. | Uncovering the differences and similarities between physical and virtual mobility | |
| Jiménez et al. | Content matters: Clustering web pages for QoE analysis with WebCLUST | |
| Wang et al. | A cooperation based metric for mobile applications recommendation | |
| Halvaiee et al. | User quality of experience estimation using social network analysis |
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: 20140923 Year of fee payment: 4 |
|
| FPAY | Annual fee payment |
Payment date: 20151118 Year of fee payment: 5 |
|
| LAPS | Lapse due to unpaid annual fee |