KR101106772B1 - 사용자 선호 지식 베이스 기반의 컨텐츠 추천 방법 및 시스템 - Google Patents

Abstract

사용자 선호 지식 베이스를 기반으로 컨텐츠를 추천하는 방법 및 시스템이 제공된다. 사용자 선호 지식 베이스 기반의 컨텐츠 추천 방법은, 사용자의 레거시 이력들이 저장된 원시 데이터 저장부로부터 구매동인 데이터들을 추출하고, 상기 구매동인 데이터들이 해당하는 구매동인요소들을 식별하는 데이터 추출 단계; 상기 구매동인요소들에 해당하는 상기 구매동인 데이터들을 통계 처리하여 상기 사용자의 선호 객체를 결정하는 선호 객체 결정 단계; 상기 사용자와 상기 구매동인요소들에 해당하는 상기 선호 객체들을 구매동인 온톨로지로 구성하는 구매동인 온톨로지 구성 단계; 컨텐츠와 상기 컨텐츠의 속성들을 컨텐츠 온톨로지로 구성하는 컨텐츠 온톨로지 구성 단계; 및 상기 컨텐츠 온톨로지의 상기 컨텐츠의 속성들과 상기 구매동인 온톨로지의 상기 구매동인요소들을 연관시키는 추천 규칙을 통해 상기 사용자에게 추천할 상기 컨텐츠를 결정하거나 상기 컨텐츠를 선호할 상기 사용자를 결정하는 추천 단계를 포함한다.

컨텐츠 추천, 온톨로지, 추천 규칙, 구매동인, 사용자 선호 지식 베이스

Description

사용자 선호 지식 베이스 기반의 컨텐츠 추천 방법 및 시스템{Method and system for recommending contents based on knowledge base for user preference}

본 발명은 사용자 선호 지식 베이스를 기반으로 컨텐츠를 추천하는 방법 및 시스템에 관한 것이다. 더욱 구체적으로는, 사용자의 구매를 유발시키는 구매동인의 핵심 요소, 예컨대 인물, 브랜드, 가격, 시간, 장소, 종류 등에 대한 정보를 지식 모델링하고 이를 사용자 선호 지식 베이스로 구축하고 이를 통해서 컨텐츠를 추천하는 방법 및 시스템에 관한 것이다.

기존 통신망이 유무선 복합망으로 확장되고 개방됨에 따라 휴대폰을 비롯한 모바일 단말장치에서 접근할 수 있는 컨텐츠의 종류와 수는 급격히 증가하고 있다. 이에 따라 가입자의 상황과 선호를 고려한 컨텐츠 추천 기술에 대한 관심이 높아지고 있다.

가입자의 사용 이력을 기반으로 컨텐츠에 대한 사용자의 선호지수를 측정하여 이를 컨텐츠 추천에 이용하는 컨텐츠 추천 방식이 현재 이용되고 있다. 이러한 컨텐츠 추천 방식에서, 사용자의 성향을 판단하는 방법은 데이터마이닝을 통해 식별된 성향 판단을 통한 추천과 각각의 정해진 상황에 대한 한정된 결정 트리를 이 용한 추천으로 크게 구별된다.

데이터마이닝을 통해 식별된 성향 판단의 경우, 주로 사용자가 과거에 컨텐츠를 사용한 이력을 토대로 관련된 성향의 패턴을 분석하고 구별되는 패턴들을 기준으로 사용자를 세분화하여 세분화된 성향에 따른 사용자 선호를 발견하게 된다. 이러한 방법은 사용자의 컨텐츠 사용 이력의 수가 통계적으로 충분히 많을 때, 즉 통계적 변별력이 있을 때에는 효과적일 수 있다.

하지만 새로 추가된 컨텐츠에 대한 이력이 충분히 많지 않은 경우, 또는 사용자의 컨텐츠 사용 이력이 충분히 많지 않은 경우, 해당 추천이 적절한 효과를 발휘할 수 없다. 또한, 사용자와 컨텐츠가 계속적으로 확장되고 변화하는 환경에서, 사용자의 성향이 문화적 시대상을 반영하는 컨텐츠의 경우, 데이터마이닝과 같은 통계적 방식을 이용한 추천은 한계를 보일 수 있다. 또한, 데이터마이닝을 통해 구별된 선호는 한 명의 사용자를 위한 것이 아닌, 비슷한 성향을 지닌 그룹의 성향이므로 충분히 개인화될 수 없다.

또한, 사전에 파악된 사용자 선호를 기반으로 미리 정의된 결정 트리에 의해 추천을 하는 경우, 미리 정의되지 못한 경우에 대해 부적합한 추천의 결론을 도출할 수 있다는 한계가 있다. 더욱이 모바일 통신 환경에서와 같이 새롭고 다양한 종류의 컨텐츠가 계속적으로 생성되는 환경 하에서, 새롭게 추가된 컨텐츠는 추천의 범주에 속하지 않을 가능성이 있다.

따라서, 모바일 통신 환경에서와 같이 새롭고 다양한 종류의 컨텐츠가 계속적으로 생성되는 환경에서도 적용될 수 있는 새로운 추천 방식이 요구된다.

본 발명이 해결하고자 하는 기술적 과제는 상기와 같은 종래기술의 문제점을 해결하고 상기와 같은 요구에 부응하고, 모바일 통신 환경에서와 같이 새롭고 다양한 종류의 컨텐츠가 계속적으로 생성되는 환경에서도 적용될 수 있으며, 특정 컨텐츠의 사용이력이 없더라도 사용자의 행위 정보들로부터 핵심적인 구매동인을 구성하는 개념을 지식 모델링하고 사용자 선호 지식 베이스를 기반으로 선호와 컨텐츠 메타정보를 추론함으로써, 사용자마다 시간과 장소에 따른 차별화된 컨텐츠를 제공할 수 있는 사용자 선호 지식 베이스 기반의 컨텐츠 추천 방법을 제공하는 것이다.

본 발명이 해결하고자 하는 다른 기술적 과제는 상술한 목적에 부합하는 사용자 선호 지식 베이스 기반의 컨텐츠 추천 시스템을 제공하는 것이다.

상기 기술적 과제를 달성하기 위한 본 발명의 일 실시예에 따른 사용자 선호 지식 베이스 기반의 컨텐츠 추천 시스템은, 사용자의 레거시 이력들을 저장하는 원시 데이터 저장부; 상기 원시 데이터 저장부로부터 구매동인 데이터들을 추출하고, 상기 구매동인 데이터들이 해당하는 구매동인요소들을 식별하는 데이터 추출부; 상기 구매동인요소들에 해당하는 상기 구매동인 데이터들을 통계 처리하여 상기 사용자의 선호 객체를 결정하는 선호 객체 결정부; 상기 사용자와 상기 구매동인요소들에 해당하는 상기 선호 객체들을 구매동인 온톨로지로 관리하는 구매동인 온톨로지 관리부; 컨텐츠와 상기 컨텐츠의 속성들을 컨텐츠 온톨로지로 관리하는 컨텐츠 온 톨로지 관리부; 및 상기 컨텐츠 온톨로지의 상기 컨텐츠의 속성들과 상기 구매동인 온톨로지의 상기 구매동인요소들을 연관시키는 추천 규칙을 포함하며, 상기 추천 규칙을 통해 상기 사용자에게 추천할 상기 컨텐츠를 결정하거나 상기 컨텐츠를 선호할 상기 사용자를 결정하는 추천부를 포함한다.

상기 사용자 선호 지식 베이스 기반의 컨텐츠 추천 시스템의 일 예에 따르면, 상기 레거시 이력들은 유무선 복합망으로부터 수집될 수 있는 상기 사용자의 인터넷 검색어 이력, 개인 태그 이력, 유선 통화 이력, 무선인터넷 사용 이력 및 멤버십 할인 이력 중 적어도 하나를 포함할 수 있다. 또한, 상기 구매동인요소들은 인물, 브랜드, 가격, 시간, 장소 및 종류 중 적어도 하나를 포함할 수 있다.

상기 사용자 선호 지식 베이스 기반의 컨텐츠 추천 시스템의 다른 예에 따르면, 상기 구매동인 데이터들에 대한 설명을 포함하는 지식 사전을 더 포함하며, 상기 데이터 추출부는 구문 패턴 규칙(Phrasal Pattern Rule) 및 키워드 집합 규칙(Keyword Set Rule) 중 적어도 하나와 상기 지식 사전을 이용할 수 있다.

상기 사용자 선호 지식 베이스 기반의 컨텐츠 추천 시스템의 또 다른 예에 따르면, 상기 구매동인 온톨로지는 상기 사용자, 상기 사용자의 상기 선호 객체들, 및 상기 선호 객체와 관련되는 관계 정보들을 저장할 수 있다.

상기 사용자 선호 지식 베이스 기반의 컨텐츠 추천 시스템의 또 다른 예에 따르면, 상기 컨텐츠에 관한 컨텐츠 정보로부터 어휘들을 추출하는 컨텐츠 어휘 추출부; 및 상기 어휘들을 상기 구매동인요소에 대응하는 상기 속성에 매핑하는 어휘 속성 매핑부를 더 포함할 수 있다.

상기 기술적 과제를 달성하기 위한 본 발명의 일 실시예에 따른 사용자 선호 지식 베이스 기반의 컨텐츠 추천 방법은, 사용자의 레거시 이력들이 저장된 원시 데이터 저장부로부터 구매동인 데이터들을 추출하고, 상기 구매동인 데이터들이 해당하는 구매동인요소들을 식별하는 데이터 추출 단계; 상기 구매동인요소들에 해당하는 상기 구매동인 데이터들을 통계 처리하여 상기 사용자의 선호 객체를 결정하는 선호 객체 결정 단계; 상기 사용자와 상기 구매동인요소들에 해당하는 상기 선호 객체들을 구매동인 온톨로지로 구성하는 구매동인 온톨로지 구성 단계; 컨텐츠와 상기 컨텐츠의 속성들을 컨텐츠 온톨로지로 구성하는 컨텐츠 온톨로지 구성 단계; 및 상기 컨텐츠 온톨로지의 상기 컨텐츠의 속성들과 상기 구매동인 온톨로지의 상기 구매동인요소들을 연관시키는 추천 규칙을 통해 상기 사용자에게 추천할 상기 컨텐츠를 결정하거나 상기 컨텐츠를 선호할 상기 사용자를 결정하는 추천 단계를 포함한다.

또한, 이하에서는 상기 기재된 사용자 선호 지식 베이스 기반의 컨텐츠 추천 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공한다.

본 발명의 사용자 선호 지식 베이스 기반의 컨텐츠 추천 방법 및 시스템은, 모바일 통신 환경에서와 같이 새롭고 다양한 종류의 컨텐츠가 계속적으로 생성되는 환경에서도 적용될 수 있다. 또한, 특정 컨텐츠의 사용이력이 없더라도 사용자의 행위 정보들로부터 핵심적인 구매동인을 구성하는 개념을 지식 모델링하고 사용자 선호 지식 베이스를 기반으로 선호와 컨텐츠 메타정보를 추론함으로써, 사용자마다 시간과 장소에 따른 차별화된 컨텐츠를 제공할 수 있다.

본 발명의 실시예들은 당해 기술 분야에서 통상의 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위하여 제공되는 것이며, 하기 실시예는 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 하기 실시예에 한정되는 것은 아니다. 오히려, 이들 실시예는 본 개시를 더욱 충실하고 완전하게 하고, 당업자에게 본 발명의 사상을 완전하게 전달하기 위하여 제공되는 것이다.

본 명세서에서 사용된 용어는 특정 실시예를 설명하기 위하여 사용되며, 본 발명을 제한하기 위한 것이 아니다. 본 명세서에서 사용된 바와 같이, 단수 형태는 문맥상 다른 경우를 분명히 지적하는 것이 아니라면, 복수의 형태를 포함할 수 있으며, 용어 "및/또는"은 해당 열거된 항목 중 어느 하나 및 하나 이상의 모든 조합을 포함한다. 또한, 본 명세서에서 사용되는 경우 "포함한다(comprise)" 및/또는 "포함하는(comprising)"은 언급한 단계, 동작, 구성요소 및/또는 이들 그룹의 존재를 특정하는 것이며, 하나 이상의 다른 단계, 동작, 구성요소 및/또는 이들의 그룹들의 존재 또는 부가를 배제하는 것이 아니다.

본 명세서에서 제 1, 제 2 등의 용어가 다양한 단계, 동작 및/또는 구성요소를 설명하기 위하여 사용되지만, 이들 단계, 동작 및/또는 구성요소는 이들 용어에 의해 한정되어서는 안됨은 자명하다. 이들 용어는 하나의 단계, 동작 또는 구성요소를 다른 단계, 동작 또는 구성요소와 구별하기 위하여만 사용된다. 따라서, 이 하 상술할 제 1 단계, 동작 또는 구성요소는 본 발명의 가르침으로부터 벗어나지 않고서도 제 2 단계, 동작 또는 구성요소를 지칭할 수 있다.

본 발명의 실시예들을 설명하기에 앞서 이하에서 사용할 용어들과 개념을 간략히 설명한다.

시맨틱 기술(semantic technology)은 사람이 화면을 읽고 의미를 이해하는 것처럼 컴퓨터가 이해할 수 있는 언어와 규칙들을 정해 놓아 컴퓨터 사이의 의사소통을 가능하게 하는 지능형 기술을 의미한다. 시맨틱 기술에서는 해당 환경에 속하는 객체들 간의 관계-의미 정보(semanteme)를 기계, 즉 컴퓨터가 처리할 수 있는 온톨로지(ontology) 형태로 표현하고, 이를 자동화된 기계가 처리하도록 하는 것을 목표로 하고 있다. 여기서, 온톨로지란 사람들이 사물에 대해 생각하는 바를 추상화하고 공유한 모델로서, 정형화되고 개념의 유형이나 사용상의 제약 조건들이 명시적으로 정의된 기술을 말한다. 컴퓨터 과학 분야에서 온톨로지는 특정한 도메인을 표현하는 데이터 모델로서 특정한 도메인(domain)에 속하는 개념과 개념 사이의 관계를 기술하는 정형(formal) 어휘의 집합으로 정의된다. 특히, 온톨로지는 시맨틱 기술을 구현할 수 있는 도구로써, 지식 개념을 의미적으로 연결할 수 있는 도구로 사용되며, 컴퓨터에서 사람이 갖고 있는 사물에 대한 개념을 일종의 데이터베이스의 형태로 가공하여 처리할 수 있도록 해 준다.

이러한 시맨틱 기술 분야에서는 관계를 표현하기 위한 수단으로서 트리플(triple)이라는 표현 형태를 사용한다. 트리플이란, 주어(subject), 술어(predicate), 객체(object)의 형태로 개념을 표현하는 것을 말한다. 각각의 주 어, 술어, 객체는 XML의 URI(Uniform Resource Identifier)로 표현될 수 있으며, 현재 시맨틱 웹 온톨로지를 기술하는 표준 언어로 W3C에서 제안한 RDF, OWL 그리고 ISO에서 제안한 TopicMaps 등이 있다.

이상에서 설명한 온톨로지 개념을 활용하여, 사용자와 사용자가 선호하는 선호 객체와의 관계, 및 컨텐츠와 컨텐츠의 속성의 관계를 효율적으로 표현하는 것이 가능하다.

이하, 첨부한 도면들을 참조하여, 본 발명의 실시예를 보다 상세하게 설명하고자 한다. 설명의 편이와 명확성을 위하여 도면 상의 동일한 구성요소에 대해서는 동일한 참조부호가 사용되었으며 설명과 관계없는 부분이나 동일한 구성요소에 대한 중복된 설명은 생략되었다.

도 1은 본 발명의 일 실시예에 따른 사용자 선호 지식 베이스 기반의 컨텐츠 추천 시스템의 블록도이다.

도 1을 참조하면, 사용자 선호 지식 베이스 기반의 컨텐츠 추천 시스템(100)은 원시 데이터 저장부(10), 데이터 추출부(20), 선호 객체 결정부(30), 구매동인 온톨로지 관리부(40), 컨텐츠 온톨로지 관리부(50) 및 추천부(60)를 포함한다.

원시 데이터 저장부(10)는 사용자의 레거시 이력들(12)을 저장한다. 사용자는 예컨대 유무선 복합망을 이용하는 휴대 단말기를 소유하는 개인으로서, 상기 휴대 단말기의 통신 서비스를 제공하는 이동통신사의 가입자일 수 있다. 이동통신사는 사용자의 휴대 단말기의 사용 내역에 대한 정보를 가질 수 있다.

레거시 이력들(12)은 이동통신사가 유무선 복합망으로부터 수집할 수 있는 정보로서, 이동통신사에 가입된 사용자의 인터넷 검색어 이력, 개인 태그 이력, 유선 통화 이력, 무선인터넷 사용 이력 및 이동통신사가 제공하는 멤버십 할인 이력 중 적어도 하나를 포함할 수 있다. 이러한 이력은 사용자가 특정 컨텐츠나 제품을 구입함으로써 발생되는 의도적인 정보가 아니라, 사용자가 휴대 단말기를 일반적으로 사용함으로써 발생되는 비의도적인 정보이다. 뿐만 아니라, 레거시 이력들(12)은 비구조화된 정보일 수 있다. 이러한 레거시 이력(12)의 예는, '홍길동'이란 사용자가 오후 10시에 집에서 '빅뱅'의 '하루하루'라는 음악 mp3를 '도시락'이란 음악 사이트에서 구매하였다는 이력일 수 있다. 레거시 이력(12)의 다른 예는, '홍길동'이란 사용자가 오후 1시에 02-123-4567로 전화를 하였다는 이력일 수 있다. 이동통신사는 유선번호, 예컨대 상술한 예에서 02-123-4567의 주인, 예컨대 회사 또는 개인에 대한 정보를 가지고 있을 수 있다.

원시 데이터 저장부(10)는 이러한 사용자가 비의도적으로 남긴 행위 정보들을 포함하는 레거시 이력들(12)을 저장할 수 있으며, 예컨대 데이터를 저장하는 하드 디스크, 광자기 디스크 등을 포함할 수 있다. 뿐만 아니라, 외부로부터 사용자의 레거시 이력들(12)을 수신 받아 저장할 수 있는 저장용 서버일 수도 있다.

데이터 추출부(20)는 원시 데이터 저장부(10)에 저장된 레거시 이력들(12)로부터 구매동인 데이터들을 추출하고, 추출된 구매동인 데이터들이 해당하는 구매동인요소들을 식별한다.

본 명세서에서 사용되는 구매동인이란 용어는 사용자의 구매를 유도하는 요인을 의미하는데, 이러한 구매동인은 도메인에 따라 각각 다르게 정의될 수 있다. 예컨대 도메인이 음악 앨범인 경우, 구매동인은 락, 댄스, 알앤비 또는 클래식과 같은 장르, 국내, 미국 또는 일본과 같은 출시 국가, 출시 년도, 가수나 작곡가와 같은 인물, 및 구매 방식 중 적어도 하나 를 포함할 수 있다. 다른 예로서 도메인이 음식인 경우, 구매동인은 한식, 일식, 양식과 같은 음식 종류, 가격대, 주류 판매 여부, 및 음식점의 위치 중 적어도 하나 를 포함할 수 있다. 도메인이 특정되지 않아 모든 상품 또는 컨텐츠를 대상으로 하는 경우, 구매동인은 인물, 브랜드, 가격, 시간, 장소 및 종류 중 적어도 하나를 포함할 수 있으며, 인물, 브랜드, 가격, 시간, 장소 및 종류만을 포함할 수도 있다. 이러한 분류는 도메인이 특정되지 않은 경우에도 적용될 수 있다. 본 명세서에서는 상술한 구매동인의 예들, 예컨대 인물, 브랜드 또는 가격을 구매동인요소라고 칭한다.

본 명세서에서 사용되는 구매동인 데이터들은 레거시 이력들(12)로부터 추출된 정제되지 않은 표현 또는 어휘일 수 있다. 예컨대, 상술한 예에서, '홍길동', '오후 10시', '집', '빅뱅', '하루하루', 'mp3', '도시락', '구매'와 같은 단어가 구매동인 데이터들일 수 있다. 원시 데이터 저장부(10)에 레거시 이력들(12)이 구조화되어 저장되어 있다면, 데이터 추출부(20)는 레거시 이력들(12)로부터 구매동인 데이터들을 어렵지 않게 추출할 수 있다. 그러나, 레거시 이력들(12)이 비구조화 정보인 경우라면, 후술하는 바와 같이, 데이터 추출부(20)는 지식 사전(22)을 이용하여 구매동인 데이터들을 추출할 수 있다.

본 명세서에서 사용되는 지식 사전(22)은 특정 도메인에서 구매동인 데이터로 추출될 수 있는 모든 객체에 대한 속성 및 관계를 설명하고 있는 정보 집합이 다. 예컨대, 지식 사전(22)에서 '빅뱅'이란 단어는 한국 남성 그룹이란 속성을 가질 수 있으며, 이들의 구성원, 이들에 속한 기획사, 이들이 부른 노래들이 특정 관계로 정의되어 있을 수 있다.

데이터 추출부(20)는 비구조화된 레거시 이력들(12)로부터 구매동인 데이터들을 추출하기 위해 구문 패턴 규칙(Phrasal Pattern Rule)을 이용할 수 있다. 구문 패턴 규칙은 패턴 인식(Pattern Recognition)을 위한 규칙으로서, 특정 구문에서 일정한 패턴을 발견하고 패턴을 통해 특정 단어, 예컨대 구매동인 데이터를 추출하는데 이용될 수 있다. 예컨대, 사용자가 휴대 단말기로 인터넷에 접속하여 특정 사이트에 접속하면, 이동통신사는 사용자가 접속한 사이트의 URL(uniform resource locator)을 저장할 수 있다. 사용자가 접속한 URL이 "http://pmmsmb.magicn.com/shotmobile01/sendprocess/mmsprocess.asp?album_seq=5001721&intuserseq=5001543&intuseralbumseq=50017218&struserid=&tpt=&tpg=1&folder_seq=5050574"인 경우, 구문 패턴 규칙을 통해, " http://pmmsmb.magicn.com/"이라는 인터넷 도메인을 추출할 수 있으며, "album_seq", "intuserseq", " intuseralbumseq", "struserid" 및 "folder_seq"과 같은 주요 속성을 추출할 수 있다. 다른 예로서, "http://kt68showstock.magicn.com:80/2_currprc/currprc.asp?upchk=6&search=현대건설&ktfid=idr&itemcd=000720&naver=&url="이란 URL로부터, " http://kt68showstock.magicn.com"라는 인터넷 도메인과 "search=현대건설"와 같이 검색어를 추출할 수 있다.

뿐만 아니라, 구문 패턴 규칙은 레거시 이력들(12)로부터 추출되는 구매동인 데이터들이 해당하는 구매동인요소들을 식별하는데 사용될 수 있다. 예를 들어, "stock"이 포함된 URL에서 "searchkeyword=" 다음에 "A"가 위치한다면, A는 상장주식회사명임을 추출할 수 있으며, 주식과 관련된 도메인에서 A는 하나의 구매동인요소, 예컨대 회사 이름에 해당한다는 것을 식별할 수 있다.

또한, 데이터 추출부(20)는 구매동인 데이터들을 추출하는데 키워드 집합 규칙(Keyword Set Rule)을 이용할 수 있다. 키워드 집합 규칙은 특정 키워드가 발견된다면, 발견된 키워드를 포함하는 레거시 이력(12)이 관련되는 카테고리를 알 수 있다. 이를 위해서는 상술한 지식 사전(22)이 필요할 수 있다. 예컨대, 레거시 이력(12)에 "바게트", "제과", 및 "식품"이란 단어가 발견된다면, 지식 사전(22)을 통해 상기 단어들의 상위 개념을 찾을 수 있으며, 키워드 집합 규칙을 통해 상기 레거시 이력(12)이 "음식/요리" 또는 이를 포괄하는 "생활건강"이라는 카테고리에 포함된다는 것을 알 수 있다.

상술한 예에서, 데이터 추출부(20)는 레거시 이력(12)에서 추출한 '홍길동', '오후 10시', '집', '빅뱅', '하루하루', 'mp3', '도시락', '구매'과 같은 단어들이 속하는 구매동인요소들을 식별할 수 있다. 예컨대, 구매동인요소들이 인물, 브랜드, 가격, 시간, 장소, 종류라면, '홍길동'은 사용자이고, '오후 10시'는 시간이라는 구매동인요소에 해당하며, '집'은 장소라는 구매동인요소에 해당하며, '빅뱅'은 인물이라는 구매동인요소에 해당하며, '도시락'은 브랜드라는 구매동인요소에 해당한다는 것을 식별할 수 있다. 본 발명의 일 실시예에 따르면, 시간이라는 구 매동인요소에 대해, 레거시 이력(12)으로부터 추출된 정확한 시간이 구매동인요소로서 식별될 수도 있지만, '아침', '근무 시간', '저녁 시간', '밤 시간' 과 같이 분류된 체계에 해당하는 것으로 식별될 수 있다. 본 예에서 '오후 10시'는 이의 상위 개념인 '저녁 시간' 이나 '밤 시간'으로 시간이라는 구매동인요소에 저장될 수 있다. 마찬가지로, 인물이라는 구매동인요소에 대해, '빅뱅'이란 그룹의 이름은 이를 포괄하는 '남성 그룹'으로 저장될 수 있다.

선호 객체 결정부(30)는 구매동인요소들이 식별된 구매동인 데이터들을 통계 처리하여, 사용자의 선호 객체를 결정할 수 있다. 상술한 바와 같이, 사용자의 다양한 행위 정보들로부터 많은 구매동인 데이터들이 추출될 수 있다. 이러한 구매동인 데이터들을 통계 처리함으로써 사용자가 선호하는 객체를 결정할 수 있다.

예를 들어, 음악 도메인에서, 홍길동이란 사용자가 빅뱅의 노래를 5개 구입하였고, 2번 들었으며, 원더걸스의 노래를 2번 들었다는 레거시 이력(12)으로부터 데이터 추출부(20)는 인물 구매동인요소에 대해 빅뱅을 7건 추출하고, 원더걸스를 2건 추출할 수 있다. 이러한 추출 결과를 통해 선호 객체 결정부(30)는 홍길동이란 사용자가 빅뱅이란 인물, 또는 남성 그룹을 선호한다는 것을 결정할 수 있다. 뿐만 아니라, 지식 사전(22)을 통해 빅뱅과 원더걸스가 부르는 음악의 장르가 댄스라는 것을 알 수 있으며, 그에 따라 홍길동이란 사용자가 댄스 음악이란 장르를 선호한다는 것을 추론할 수 있다.

이력의 형태의 관점에서, 구매는 듣기보다 선호 강도가 더 세다고 가정할 수 있다. 이러한 점을 통계 처리에 반영할 수 있다. 예컨대 구매에 대한 선호 강도 가 1이고, 듣기에 대한 선호 강도가 0.2라면, 빅뱅에 대한 선호 지수는 5.4이며, 원더걸스에 대한 선호 지수는 0.4로 산출될 수 있다. 이 경우에도 홍길동이란 사용자는 빅뱅이란 인물을 선호한다고 결정할 수 있다. 선호 객체는 하나일 수도 있으며, 다수일 수도 있다. 다수인 경우, 선호 지수에 따라 1순위, 2순위 등의 선호 객체가 결정 또는 추론될 수 있다.

구매동인 온톨로지 관리부(40)는 선호 객체 결정부(30)가 결정한 선호 객체와 이의 사용자를 구매동인 온톨로지(42)로 관리할 수 있다.

온톨로지에 대해 상술한 바와 같이, 구매동인 온톨로지(42)는 사용자와 선호 객체를 구매동인요소로 관계시키는 구조를 가질 수 있다. 즉, 사용자와 이의 선호 객체가 노드에 해당하며, 이 노드들을 연결시키는 구매동인요소는 에지에 해당한다. 예컨대, 홍길동이란 사용자와 빅뱅 또는 남성 그룹은 선호 인물이라는 구매동인요소로 연결되며, 홍길동과 댄스 음악은 선호 장르 또는 선호 종류라는 구매동인요소로 연결될 수 있다.

구매동인 온톨로지(42)는 클래스가 다양한 속성을 갖는 것으로 설계될 수 있다. 이 경우, 선호 인물인 빅뱅은 가수 이름, 소속사, 그룹 형태, 한국 가수, 활동 시기 등과 같은 다양한 속성들과 함께 구매동인 온톨로지(42)에 저장될 수 있다. 이러한 속성들은 지식 사전(22)을 통해 수집될 수 있다. 또한, 사용자 클래스도 다양한 속성을 갖는 것을 설계될 수 있다. 이러한 사용자 클래스의 속성은 사용자가 작성한 프로파일 정보로부터 수집될 수 있다.

컨텐츠 온톨로지 관리부(50)는 컨텐츠와 컨텐츠의 속성을 컨텐츠 온톨로지로 관리할 수 있다. 컨텐츠와 속성은 구매동인요소에 대응하는 연결관계를 가질 수 있다. 예컨대, 'KTF SHOW 광고' 컨텐츠의 경우, 인물 속성은 전지현이고, 종류 속성은 모바일 광고이고, 브랜드 속성은 KTF일 것이다. 또한, '포호아 쌀국수 코엑스점 광고' 컨텐츠의 경우, 종류 속성은 음식점 광고이고, 브랜드 속성은 포호아이고, 장소 속성은 코엑스일 것이다. 이러한 컨텐츠의 속성들은 컨텐츠의 제공업체가 제공하는 구조적 자료에 의해 수집될 수 있다. 그러나 컨텐츠에 대한 구조적 자료가 없는 경우라면, 후술될 컨텐츠 어휘 추출부(70) 및 어휘-속성 매핑부(80)가 선택적으로 필요할 수 있다.

컨텐츠에 대한 구조적 정보가 없는 경우, 컨텐츠 어휘 추출부(70)는 비구조적인 컨텐츠 정보로부터 어휘들을 추출할 수 있다. 예컨대, 한국관광공사의 홈페이지에 접속하면, 한국의 관광지가 자세히 설명되어 있지만, 이러한 설명은 비구조적이다. 비구조적인 설명으로부터 어휘를 추출하기 위해서, 상술한 바와 같이 지식 사전(22)을 이용하거나, 개체명 인식(named entity recognition) 기술을 이용할 수 있다. 예컨대 컨텐츠 어휘 추출부(70)는 컨텐츠에 대한 비구조적 정보를 입력 받고, 비구조적 정보에 사용된 조사들을 삭제함으로써 명사들만 남길 수 있다.

추출된 어휘들을 속성과 매핑시키는 어휘-속성 매핑부(80)가 제공될 수 있다. 컴퓨터는 추출된 어휘들을 글자로서만 이해할 뿐 그 의미를 이해하지 못하므로, 추출된 어휘들을 속성과 매핑시켜야 한다. 예컨대, 어휘-속성 매핑부(80)는 용두암에 대한 설명에서 추출된 제주도를 용두암이 위치한 장소로 매핑시킬 수 있다. 이러한 매핑은 관광 도메인에 적합한 지식 사전(22)을 이용하여 수행될 수 있 다.

본 명세서에서는 컨텐츠 어휘 추출부(70)와 어휘-속성 매핑부(80)가 별개의 구성요소인 것으로 개시되어 있지만, 하나의 구성요소로 통합될 수 있다.

추천부(60)는 컨텐츠 온톨로지(52)의 컨텐츠 속성과 구매동인 온톨로지(42)의 구매동인요소들을 연관시키는 추천 규칙(62)을 이용하여 추천을 수행할 수 있다.

추천 규칙(62)은 컨텐츠 속성과 구매동인요소를 연관시키는 규칙이다. 예컨대, 구매동인요소가 인물이고 컨텐츠 속성은 광고 모델인 경우, 상이한 것으로 판단될 수 있지만, 추천 규칙(62)은 이들을 연관시킨다. 또한, 브랜드 구매동인요소에 해당하는 선호 객체가 애니콜이고, 제조사에 해당하는 컨텐츠 속성이 삼성인 경우에도, 추천 규칙(62)은 이들을 연관시킬 수 있다. 이러한 추천 규칙(62)은 규칙의 작성자에 의해 개별적으로 설정될 수 있으며, 컨텐츠 온톨로지(52)와 구매동인 온톨로지(42)의 클래스 속성을 이용함으로써 자동으로 연관시킬 수 있다.

추천은 특정 사용자에게 적합한 컨텐츠를 추천하는 것일 수도 있고, 특정 컨텐츠를 선호할만한 사용자들을 선택하는 것일 수도 있다. 전자의 경우, 특정 사용자가 선호하는 구매동인요소들과 연관되는 속성들을 갖는 컨텐츠를 추론하여 이를 추천할 수 있다. 예컨대 특정 사용자가 빨간색을 선호한다면, 그 사용자에게 자동차를 광고하는 경우에도 빨간 자동차의 이미지를 활용하여 광고할 수 있다.

후자의 경우에는, 특정 컨텐츠의 속성들과 연관되는 구매동인요소들을 갖는 사용자들을 추론하고, 추론된 사용자들을 추천할 수 있다. 예컨대, 전지현이 광고하는 KTF의 SHOW 모바일 광고와 같은 컨텐츠는 전지현 또는 한국 여자 배우를 선호하고 KTF 브랜드를 선호하는 사용자들에게 추천할 수 있다.

추천부(60)는 추천 규칙(62)을 이용하여 컨텐츠 또는 사용자를 추천하는데 사용자의 프로파일 정보 또는 상황 정보를 이용할 수 있다. 사용자의 프로파일 정보는 사용자의 신상 정보의 일종으로서, 사용자의 나이, 성별, 주소 및 직업 등이 포함될 수 있다. 프로파일 정보는 사용자가 가입한 이동통신사에 제공되어 있을 수 있다. 상황 정보는 사용자의 현재 상태, 즉 위치, 시간, 날씨 등이 고려될 수 있다. 사용자의 위치는 휴대 단말기의 GPS 기능을 이용하여 수집될 수 있으며, 시간과 날씨도 시간 및 날씨 서비스를 제공하는 외부 서버들로부터 전송 받을 수 있다.

추천부(60)는 외부의 서버와 연결될 수 있다. 외부의 서버로부터 특정 컨텐츠에 대한 사용자 추천을 요청 받으면, 특정 컨텐츠에 적합한 사용자들을 추천 결과로서 제공할 수 있다.

상술한 바와 같이, 본 발명의 컨텐츠 추천 시스템(100)은 구매동인 온톨로지(42)와 컨텐츠 온톨로지(52)를 이용함으로써 개념을 쉽게 확장할 수 있다. 즉, 새로운 컨텐츠를 추가하거나 새로운 규칙이나 속성을 추가하는 것이 용이하다. 뿐 만 아니라, 컨텐츠 추천 시스템(100)은 규칙 기반 추론을 할 수 있다. 예컨대, 사용자가 코엑스라는 장소를 선호하더라도, 코엑스에 인접한 현대 백화점에 관한 정보가 온톨로지에 저장된다면, 코엑스가 아닌 현대 백화점에 관한 컨텐츠를 추천할 수 있다.

이와 같은 장점을 갖는 것은 본 발명의 컨텐츠 추천 시스템(100)이 사용자 선호 지식 베이스를 기반으로 하고 있기 때문이다. 본 명세서에서 사용된 사용자 선호 지식 베이스는 사용자와 사용자의 선호 객체, 그리고 이들간의 구매동인요소의 관계를 표현하는 구매동인 온톨로지와 컨텐츠에 관한 컨텐츠 온톨로지를 포함하는 개념이다.

도 2는 본 발명의 일 실시예에 따른 사용자 선호 지식 베이스 기반의 컨텐츠 추천 방법의 흐름도이다.

도 1과 함께 도 2를 참조하면, 단계(S10)에서 데이터 추출부(20)는 사용자의 레거시 이력들(12)이 저장된 원시 데이터 저장부(10)로부터 구매동인 데이터들을 추출하고, 추출된 구매동인 데이터들이 해당하는 구매동인요소들을 식별한다. 이 단계(S10)는, 구문 패턴 규칙(Phrasal Pattern Rule) 및/또는 키워드 집합 규칙(Keyword Set Rule), 및 지식 사전(22)을 이용하여 레거시 이력들(12)로부터 구매동인 데이터들을 추출하는 단계와 지식 사전을 이용하여 구매동인 데이터들이 해당하는 상기 구매동인요소들을 식별하는 단계를 포함할 수 있다.

그 후, 단계(S20)에서, 선호 객체 결정부(30)는 구매동인요소들에 해당하는 구매동인 데이터들을 통계처리하여 사용자의 선호 객체를 결정한다. 그 후, 구매 동인 온톨로지 관리부(40)는 사용자와 선호 객체, 및 이들간의 관계인 구매동인요소들을 구매동인 온톨로지(42)로 구성한다.

단계(S40)에서, 선택적으로 컨텐츠 어휘 추출부(70)는 컨텐츠 정보로부터 어휘들을 추출할 수 있다. 그 후, 단계(S50)에서, 어휘-속성 매핑부(80)는 어휘들을 속성에 매핑하는데, 여기서 속성은 구매동인요소에 대응할 수 있다. 그 후, 단계(S60)에서 컨텐츠 온톨로지 관리부(50)는 컨텐츠와 속성들, 및 이들간의 관계를 컨텐츠 온톨로지(52)로 구성한다.

마지막으로, 단계(S70)에서, 추천부(60)는 구매동인 온톨로지(42)의 구매동인요소들과 컨텐츠 온톨로지(52)의 속성들을 연관시키는 추천 규칙(62)을 통해 사용자에게 추천할 컨텐츠를 결정하거나 컨텐츠를 선호할 사용자를 결정한다. 추천부(60)는 결정된 컨텐츠 또는 사용자를 추천 결과로서 제공할 수 있다.

이상에서 설명한 본 발명이 전술한 실시예 및 첨부된 도면에 한정되지 않으며, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 여러가지 치환, 변형 및 변경이 가능하다는 것은, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 있어 명백할 것이다.

도 1은 본 발명의 일 실시예에 따른 사용자 선호 지식 베이스 기반의 컨텐츠 추천 시스템의 블록도이다.

도 2는 본 발명의 일 실시예에 따른 사용자 선호 지식 베이스 기반의 컨텐츠 추천 방법의 흐름도이다.

* 도면의 주요부분에 대한 부호의 설명 *

10: 원시 데이터 저장부

20: 데이터 추출부

30: 선호 객체 결정부

40: 구매동인 온톨로지 관리부

50: 컨텐츠 온톨로지 관리부

60: 추천부

70: 컨텐츠 어휘 추출부

80: 어휘-속성 매핑부

100: 컨텐츠 추천 시스템

Claims (10)

1. 사용자의 레거시 이력들을 저장하는 원시 데이터 저장부;

   상기 원시 데이터 저장부로부터 구매동인 데이터들을 추출하고, 상기 구매동인 데이터들이 해당하는 구매동인요소들을 식별하는 데이터 추출부;

   상기 구매동인요소들에 해당하는 상기 구매동인 데이터들을 통계 처리하여 상기 사용자의 선호 객체를 결정하는 선호 객체 결정부;

   상기 사용자와 상기 구매동인요소들에 해당하는 상기 선호 객체들을 구매동인 온톨로지로 관리하는 구매동인 온톨로지 관리부;

   컨텐츠와 상기 컨텐츠의 속성들을 컨텐츠 온톨로지로 관리하는 컨텐츠 온톨로지 관리부; 및

   상기 컨텐츠 온톨로지의 상기 컨텐츠의 속성들과 상기 구매동인 온톨로지의 상기 구매동인요소들을 연관시키는 추천 규칙을 포함하며, 상기 추천 규칙을 통해 상기 사용자에게 추천할 상기 컨텐츠를 결정하거나 상기 컨텐츠를 선호할 상기 사용자를 결정하는 추천부를 포함하며,

   상기 구매동인요소들은 인물, 브랜드, 가격, 시간, 장소 및 종류 중 적어도 하나를 포함하는 것을 특징으로 하는 사용자 선호 지식 베이스 기반의 컨텐츠 추천 시스템.
2. 제 1 항에 있어서,

   상기 레거시 이력들은 유무선 복합망으로부터 수집될 수 있는 상기 사용자의 인터넷 검색어 이력, 개인 태그 이력, 유선 통화 이력, 무선인터넷 사용 이력 및 멤버십 할인 이력 중 적어도 하나를 포함하는 것을 특징으로 하는 사용자 선호 지식 베이스 기반의 컨텐츠 추천 시스템.
3. 삭제
4. 사용자의 레거시 이력들을 저장하는 원시 데이터 저장부;

   상기 원시 데이터 저장부로부터 구매동인 데이터들을 추출하고, 상기 구매동인 데이터들이 해당하는 구매동인요소들을 식별하는 데이터 추출부;

   상기 구매동인요소들에 해당하는 상기 구매동인 데이터들을 통계 처리하여 상기 사용자의 선호 객체를 결정하는 선호 객체 결정부;

   상기 사용자와 상기 구매동인요소들에 해당하는 상기 선호 객체들을 구매동인 온톨로지로 관리하는 구매동인 온톨로지 관리부;

   컨텐츠와 상기 컨텐츠의 속성들을 컨텐츠 온톨로지로 관리하는 컨텐츠 온톨로지 관리부;

   상기 컨텐츠 온톨로지의 상기 컨텐츠의 속성들과 상기 구매동인 온톨로지의 상기 구매동인요소들을 연관시키는 추천 규칙을 포함하며, 상기 추천 규칙을 통해 상기 사용자에게 추천할 상기 컨텐츠를 결정하거나 상기 컨텐츠를 선호할 상기 사용자를 결정하는 추천부; 및

   상기 구매동인 데이터들에 대한 설명을 포함하는 지식 사전을 포함하며,

   상기 데이터 추출부는 구문 패턴 규칙(Phrasal Pattern Rule) 및 키워드 집합 규칙(Keyword Set Rule) 중 적어도 하나와 상기 지식 사전을 이용하여, 상기 레거시 이력들로부터 상기 구매동인 데이터들을 추출하고, 상기 구매동인 데이터들이 해당하는 상기 구매동인요소들을 식별하는 것을 특징으로 하는 사용자 선호 지식 베이스 기반의 컨텐츠 추천 시스템.
5. 제 1 항에 있어서,

   상기 구매동인 온톨로지는 상기 사용자, 상기 사용자의 상기 선호 객체들, 및 상기 선호 객체와 관련되는 관계 정보들을 저장하는 것을 특징으로 하는 사용자 선호 지식 베이스 기반의 컨텐츠 추천 시스템.
6. 제 1 항에 있어서,

   상기 컨텐츠에 관한 컨텐츠 정보로부터 어휘들을 추출하는 컨텐츠 어휘 추출부; 및

   상기 어휘들을 상기 구매동인요소에 대응하는 상기 속성에 매핑하는 어휘 속성 매핑부를 더 포함하는 것을 특징으로 하는 사용자 선호 지식 베이스 기반의 컨텐츠 추천 시스템.
7. 사용자의 레거시 이력들이 저장된 원시 데이터 저장부로부터 구매동인 데이터들을 추출하고, 상기 구매동인 데이터들이 해당하는 구매동인요소들을 식별하는 데이터 추출 단계;

   상기 구매동인요소들에 해당하는 상기 구매동인 데이터들을 통계 처리하여 상기 사용자의 선호 객체를 결정하는 선호 객체 결정 단계;

   상기 사용자와 상기 구매동인요소들에 해당하는 상기 선호 객체들을 구매동인 온톨로지로 구성하는 구매동인 온톨로지 구성 단계;

   컨텐츠와 상기 컨텐츠의 속성들을 컨텐츠 온톨로지로 구성하는 컨텐츠 온톨로지 구성 단계; 및

   상기 컨텐츠 온톨로지의 상기 컨텐츠의 속성들과 상기 구매동인 온톨로지의 상기 구매동인요소들을 연관시키는 추천 규칙을 통해 상기 사용자에게 추천할 상기 컨텐츠를 결정하거나 상기 컨텐츠를 선호할 상기 사용자를 결정하는 추천 단계를 포함하며,

   상기 데이터 추출 단계는,

   구문 패턴 규칙(Phrasal Pattern Rule) 및 키워드 집합 규칙(Keyword Set Rule) 중 적어도 하나와 지식 사전을 이용하여 상기 레거시 이력들로부터 상기 구매동인 데이터들을 추출하는 단계; 및

   상기 지식 사전을 이용하여 상기 구매동인 데이터들이 해당하는 상기 구매동인요소들을 식별하는 단계를 포함하는 것을 특징으로 하는 사용자 선호 지식 베이스 기반의 컨텐츠 추천 방법.
8. 삭제
9. 제 7 항에 있어서,

   상기 컨텐츠 온톨로지 구성 단계는,

   상기 컨텐츠에 관한 컨텐츠 정보로부터 어휘들을 추출하는 단계;

   상기 어휘들을 상기 구매동인요소에 대응하는 상기 속성에 매핑하는 단계; 및

   상기 컨텐츠와 상기 속성들 및 이들의 관계를 컨텐츠 온톨로지로 구성하는 단계를 포함하는 것을 특징으로 하는 사용자 선호 지식 베이스 기반의 컨텐츠 추천 방법.
10. 제 7 항 또는 제 9 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.

Images