KR101352418B1 - 통신 장비（들）의 이용자（들）의 프로파일（들）에 도입될 잠재적인 향후 관심사들을 결정하기 위한 디바이스 - Google Patents

통신 장비（들）의 이용자（들）의 프로파일（들）에 도입될 잠재적인 향후 관심사들을 결정하기 위한 디바이스 Download PDF

Info

Publication number
KR101352418B1
KR101352418B1 KR1020127012345A KR20127012345A KR101352418B1 KR 101352418 B1 KR101352418 B1 KR 101352418B1 KR 1020127012345 A KR1020127012345 A KR 1020127012345A KR 20127012345 A KR20127012345 A KR 20127012345A KR 101352418 B1 KR101352418 B1 KR 101352418B1
Authority
KR
South Korea
Prior art keywords
user
interest
interests
potential
determining
Prior art date
Application number
KR1020127012345A
Other languages
English (en)
Other versions
KR20120082447A (ko
Inventor
제롬 피컬트
디미트레 다비도프 코스타디노프
마크람 부지드
Original Assignee
알까뗄 루슨트
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 알까뗄 루슨트 filed Critical 알까뗄 루슨트
Publication of KR20120082447A publication Critical patent/KR20120082447A/ko
Application granted granted Critical
Publication of KR101352418B1 publication Critical patent/KR101352418B1/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
    • G06F15/00—Digital computers in general; Data processing equipment in general
    • G06F15/16—Combinations of two or more digital computers each having at least an arithmetic unit, a program unit and a register, e.g. for a simultaneous processing of several programs
    • 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
    • G06F16/33—Querying
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • G06F16/337—Profile generation, learning or modification
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/2866—Architectures; Arrangements
    • H04L67/30—Profiles
    • H04L67/303—Terminal profiles
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/2866—Architectures; Arrangements
    • H04L67/30—Profiles
    • H04L67/306—User profiles
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/2866—Architectures; Arrangements
    • H04L67/30—Profiles
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/535—Tracking the activity of the user
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
    • H04N21/44213—Monitoring of end-user related data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

디바이스(D)는 적어도 하나의 네트워크 오퍼레이터의 클라이언트들인 이용자들(U1 내지 U3)의 잠재적인 관심사들을 결정하기 위한 것으로, 각 이용자는 적어도 그의 관심사들을 규정하는 프로파일과 관련된다. 이 디바이스(D)는, i) 포함할 새로운 실제 관심사(들)를(을) 결정하기 위해 적어도 한 명의 이용자(U1)의 프로파일을 분석하고, 새로운 실제 관심사로서 고려된 제 1 날짜에 따라서 이 이용자(U1)의 결정된 새로운 실제 관심사를 나타내는 식별자를 그의 프로파일에 저장하도록 구성된 추적 수단(TM), 및 ii) 결정된 새로운 실제 관심사 이전의 관심사들의 시간적으로 순서화된 시퀀스를 결정하기 위해 이용자(U1)의 제 1 날짜들을 분석하고, 그의 프로파일에 도입될 이 이용자(U1)에 대한 적어도 하나의 잠재적인 향후 관심사를 예측하기 위해 상기 결정된 이용자 관심사 시퀀스를 적어도 한 명의 다른 이용자(U2)의 관심사들의 적어도 하나의 다른 시퀀스와 비교하도록 배열된 추천 수단(RM)을 포함한다.

Description

통신 장비（들）의 이용자（들）의 프로파일（들）에 도입될 잠재적인 향후 관심사들을 결정하기 위한 디바이스{DEVICE FOR DETERMINING POTENTIAL FUTURE INTERESTS TO BE INTRODUCED INTO PROFILE(S) OF USER(S) OF COMMUNICATION EQUIPMENT(S)}
본 발명은 적어도 하나의 통신 네트워크에 접속될 수 있는 통신 장비들의 이용자들에 대한 콘텐트 아이템들의 추천에 관한 것으로, 더욱 정확하게는 이용자 콘텐트 추천들의 개인화에 관한 것이다.
본원에서, "이용자 프로파일"은, 하나 이상의 주제들(예를 들면, 텔레비전 프로그램들, 라디오 프로그램들, 뉴스, 음악, 광고, 연예, 구입 아이템들 또는 서비스들의 이용)과 관련된 사회-인구적 데이터 및 관심사들(또는 선호도들이나 아니면 습관들)과 같이 이용자의 아이덴티티를 기술하는 데이터의 세트(또는 메타데이터)를 의미한다. 이용자 관심사들을 기술하는 (메타)데이터는 단어들 또는 표현들이거나, 아니면, 콘텐트 아이템들과 연관되는 기술들에서 대부분 발견될 수도 있는 개념들일 수 있다.
또한, 본원에서, "이용자 콘텐트 추천들"은 이용자의 프로파일에 포함된 관심사들(또는 선호도들이나 아니면 습관들)에 기초하여 이용자에게 제안되는 콘텐트 아이템들의 추천들(또는 제안들)을 의미한다.
또한, 본원에서, "개념"은, 하나 이상의 단어들에 의해 또는 하나 또는 여러 개의 분류학 또는 존재론으로부터 규정되고, 따라서, 의미적 콘텐트와 연관되는 것을 의미한다. 이것은 일반적으로 적어도 하나의 속성의 세트(즉, 종류 및 값을 갖는 서술자들의 세트)에 의해 기술된다.
이용자 콘텐트 추천들의 개인화 분야에서의 한가지 중요한 도전은 이용자들 각각의 요구들에 맞춘 콘텐트 아이템들을 그들에게 제공하기 위해서 가능한 한 적합하게 이용자들의 관심사들을 이해하는 것이다.
당업자들에게 공지되어 있는 것과 같이, (콘텐트-기반 필터링 알고리즘들과 같이) 콘텐트 추천을 위한 일반적인 서술들은 이용자들이 소비한 콘텐트의 서술들에서는 나타나지 않는 개념들을 이용자 프로파일들에 도입하는 것을 가능하게 하지 않는다. 실제로, 콘텐트 아이템을 이용자가 소비하고 있을 때, 이 콘텐트 아이템을 서술하는 메타데이터가 (다양한 휴리스틱스(heuristics)에 따라) 이용자 프로파일에 부가될 수 있고, 이어서, 이용자 프로프일과 콘텐트 메타데이터 간의 유사성들에 기초하여 추천들이 이루어진다. 따라서, 대응하는 메타데이터가 없는 이용자 프로파일에 콘텐트 아이템들은 이용자에게 추천되지 않을 것이다.
이러한 방식들은 추천들을 지나치게 전문화하는 경향이 있고, 추천들에 있어서 충분한 다양성/발견성을 부가하는 것을 가능하게 하지 않는다. 더욱 정확하게, 이들 방식들은 이용자 관심사들의 예측을 가능하게 하지 않고: 이용자는 개념(또는 그에 상당하는 것)에 의해 서술된 것을 소비해야 함으로써 그 개념과 관련된 추가적인 추천들을 받는다. 예를 들면, 기존 시스템들에 의하면, 이용자가 빅토르 위고의 한 책을 좋아한다면, 추천기 시스템은 빅토르 위고의 다른 책들을 그에게 추천할 것이지만, 이 이용자(아니면 많은 다른 사람들)는 다른 작가들을 찾는데 관심이 있을 수도 있으며, 이는 시간이 지남에 따라 그(그들)의 기호(들)가(이) 자연스럽게 변화하기 때문이고, 또한 그(그들)가(이) 소비하고 있는 아이템들의 영향 및 그(그들)가(이) 그 사이에 다른 관심사들을 가졌을 수도 있기 때문이다.
이용자 콘텐트 추천들을 개선하기 위한 다른 방식들이 최근에 제안되고 있다.
제 1 방식은 소위 "공동 추천기들"과 관련된다. 일반적인 공동 추천기들은 이용자들의 선호도들 및 이력이 있는 행동의 유사성에 기초하여 이용자들 간의 숨겨진 링크들을 찾는 것으로 이루어지는 핵심 메커니즘을 포함한다. 특정 이용자가 다른 이용자들과 공유하는 관심사들에 대해 또는 유사한 프로파일들을 갖는 다른 이용자들에 의해 제공되는 아이템들의 의견들, 비교들, 및 평가들에 따라 그 이용자에게 아이템들이 추천된다.
따라서, 이 제 1 방식에 있어서, 시간적 차원의 고려 없이 이용자들 및 아이템들 간의 비교가 광범위하게 행해지고, 따라서, 이 방식은 두 아이템들 간에 강한 의존도가 있을 때는 아주 적절하지 않을 수도 있다. 또한, 공동 추천기들이 추천들에 있어서 어떤 다양성을 부여할 수 있도록 하더라도, 그것들은 다음(또는 향후) 이용자 관심사들을 예측하는 문제점을 직접 다룰 수 없다. 또한, 공동 추천기들은 효율적이 되도록 하기 위해서 상당한 수의 이용자 평가들을 필요로 한다(즉, 소위 "콜드-스타트 문제"가 있다).
제 2 방식은 소위 "빈발 패턴 마이닝 알고리즘들(frequent pattern mining algorithms)"이라고 하는 것과 관련된다. 이들 알고리즘들은, 특히 2003년 정보 기술에 대한 헬싱키 협회의 기술 보고서, 고에탈스,비.(Goethals, B.)의 기고인 "빈발 패턴 마이닝에 관한 조사"에 기술되어 있는 것과 같이, 트랜잭션들의 세트에서 아이템들의 출현 사이에서 의존도들을 발견하는 것을 가능하게 한다. 빈발 패턴 마이닝 알고리즘의 목적은 "X⇒Y" 형태의 빈번하고 확실한 연관 규칙들의 세트를 발견하는 것으로, 상기 형태는 "아이템들의 세트(X)가 트랜잭션에 나타나면, 아이템들의 또 다른 세트(Y)가 그 트랜잭션에 나타난다"라는 것을 의미한다. 연관 규칙은 X 및 Y가 함께 나타나는 트랜잭션들의 수와 트랜잭션들의 총 수 간의 비율이 빈도 임계치를 만족하는지를 빈번히 고려한다. 유사하게, X 및 Y가 X를 포함하는 모든 트랜잭션들 중에서 함께 나타나는 트랜잭션들의 퍼센트가 확신 임계치보다 크다면 연관 규칙은 확신된다.
빈발 패턴 마이닝 알고리즘들이 아이템들 간의 관계를 발견하는 것을 가능하게 하더라도, 그것은 단지 트랜잭션들에 아이템들이 존재하는 것과 관련되고, 선호도들(또는 아이템들)의 출현 시기를 고려하지는 않는다. 트랜잭션들에서 아이템들의 출현 순서를 고려하는 빈발 시간적 패턴 마이닝(예를 들면, 2006년, 정보 기술 저널, vol.5, 1043 내지 1047쪽의 시바셀반,비.(Sivaselvan,B.) 등의 기고인 "효과적인 빈발 시간적 패턴 마이닝 알고리즘"에 기술되어 있는 것)을 위한 방식들이 있다. 그러나, 아이템들의 2개의 빈발 세트들을 분리하는 아이템들의 수와 관련해서는 일시성이 고려되지만, 그들 간에 지연된 시간에 대해서는 그렇지 않다.
제 3 방식은 소위 "시간 개연론적 모델들"과 관련된다. 몇몇 개연론적 모델들은 이용자 관심사 및 관심사 전이 포착 및 예측을 위해 제안되었다. 그것은 특히 2005년, 94-99, 폴란드 브로츠와프, 지능형 시스템 설계 및 애플리케이션에 관한 5차 국제 컨퍼런스의 회보의 스즈키,티.(Suzuki,T.) 등의 기고인 "변분 베이지안 추정기를 이용하여 이용자 관심사를 추정하기 위한 학습" 및 2000년 스프링거, 컴퓨터 과학 볼륨 4027/2006, 470 내지 478쪽의 강의록의 왕, 에스.(Wang, S.) 등의 기고인 "은닉 마코브 모델에 의한 관심사 네비게이션 패턴들의 마이닝"에 기술되어 있다.
이들 마지막 모델들은 단일 이용자 관심사 전이 포착을 위한 것이지만, 한 명의 이용자의 포착된 관심사 전이 패턴들을 유사한 이용자들에게 적용하기 위한 것은 아니다.
따라서, 본 발명의 목적은 추천기 시스템들에서 이용자들의 수락 및 확신을 향상시키기 위해서 향후 이용자들의 관심사들을 예측하고, 이용자 관심사들을 업데이트하기 전에 이전 관찰들을 필요로 하는 콘텐트-기반 추천기 시스템들의 결점들을 완화하는 것이다.
이 목적을 위해서, 본 발명은 적어도 한 명의 네트워크 오퍼레이터의 클라이언트(들)인 이용자(들)의 잠재적인 관심사(들)를(을) 결정하기 위한 디바이스를 제공하고, 각 이용자는 적어도 그의 관심사들을 규정하는 프로파일과 연관되며, 이 디바이스는:
- 포함할 새로운 실제 관심사(들)를(을) 결정하기 위해 적어도 한 명의 이용자의 프로파일을 분석하고, 새로운 실제 관심사로서 고려된 제 1 날짜에 따라서 이 이용자의 결정된 새로운 실제 관심사를 나타내는 식별자를 그의 프로파일에 저장하도록 배열된 추적 수단, 및
- 결정된 새로운 실제 관심사 이전의 관심사들의 시간적으로 순서화된 시퀀스를 결정하기 위해 이용자의 제 1 날짜들을 분석하고, 그의 프로파일에 도입될 상기 이용자에 대한 적어도 하나의 잠재적인 향후 관심사를 예측하기 위해 상기 결정된 이용자 관심사 시퀀스를 적어도 한 명의 다른 이용자의 관심사들의 적어도 하나의 다른 시퀀스와 비교하도록 배열된 추천 수단을 포함한다.
본 발명에 따른 디바이스는 개별적으로 또는 조합하여 고려되는 부가적인 특징들을 포함할 수도 있고, 특히 다음과 같다:
- 그 추천 수단은, 결정된 이용자 관심사 시퀀스를, 다른 이용자들의 관심사들로부터 만들어진 관심사들의 그래프에서 결정된 관심사들의 적어도 하나의 다른 시퀀스와 비교하여 이 이용자의 적어도 하나의 잠재적인 향후 관심사를 예측하도록 배열될 수도 있다;
▷ 그 추천 수단은 이용자들의 저장되어 있는 실제 관심사들로부터 관심사 그래프를 만들고 업데이트하도록 배열될 수도 있다;
- 그 추천 수단은 복수의 이용자들에 대한 시간 경과에 따른 관심사들의 진화를 모델링하는 관심사 그래프를 만들고 업데이트하도록 배열될 수도 있다;
- 변형으로서, 그 추천 수단은 한 명의 이용자에 대한 시간 경과에 따른 관심사들의 진화를 모델링하는 보조 관심사 그래프를 만들고 업데이트한 다음, 관심사 그래프를 생성하기 위해 이 보조 관심사 그래프를 다른 이용자들에 대해 만들어진 보조 관심사 그래프들과 종합하도록 배열될 수도 있다;
- 그 추천 수단은 방향성이 있고 가중된 관심사 그래프 G(V, W)를 만들고 업데이트하도록 배열될 수도 있고, 여기서, V는 각각 이용자 관심사들을 나타내는 노드들의 세트이고, W는 하나의 이용자 관심사로부터 또 다른 이용자 관심사로의 전이를 나타내는 방향성 에지들의 세트이다;
▷ 그 추천 수단은 방향성 에지들 각각에 가중치를 할당하도록 배열될 수도 있고, 각 가중치는 제 1 및 제 2 연속하는 실제 관심사들의 출현들 간의 경과 시간과 각 이용자 간의 대응성을 수립하는 표에 의해 규정된다;
- 그 추천 수단은, 추적 수단이 이용자의 새로운 실제 관심사가 결정되었다는 것을 통지할 때마다 관심사 그래프를 업데이트하도록 배열될 수도 있다;
- 그 추천 수단은, 방향성 에지들에 할당된 가중치들로부터 적어도 하나의 통계적 메트릭을 결정하고, 선택된 응용 콘텍스트에 적응된 관심사들을 제안한 다음 이들 제안된 관심사들로부터 이용자에 대한 적어도 하나의 잠재적인 향후 관심사를 예측하기 위해 휴리스틱스에 의해 각 결정된 통계적 메트릭을 이용하도록 배열될 수도 있다;
▷ 적어도 하나의 통계적 메트릭은 2개의 관심사들 간의 관련성을 나타낼 수도 있다;
▷ 적어도 하나의 통계적 메트릭은 2개의 관심사들 간의 전이 빈도를 나타낼 수도 있다;
- 그 추적 수단은, 이용자의 프로파일에 포함된 관심사와 관련되는 이용자의 콘텐트 아이템들의 소비를 결정하고, 관련된 콘텐트 아이템들의 상기 결정된 소비가 선택된 임계치보다 클 때 이 관심사를 새로운 실제 관심사로 고려하도록 배열될 수도 있다;
▷ 그 추적 수단은, 관심사의 제 1 날짜가, 이 관심사와 관련된 콘텐트 아이템 소비가 선택된 임계치보다 크다는 것을 검출하는 날짜인 것으로 고려하도록 배열될 수도 있다;
- 그 추천 수단은 잠재적인 향후 관심사를 이용자의 프로파일에 넣기 위해 적절한 날짜를 결정하도록 배열될 수도 있다.
본 발명은 또한 적어도 하나의 통신 네트워크에 대한 네트워크 장비를 제공하고, 복수의 이용자들에 대한 잠재적인 향후 관심사들을 예측하기 위해 중앙집중식 방식으로 작동하도록 하는, 상술된 것과 같은 디바이스를 포함한다.
본 발명은 또한 적어도 하나의 통신 네트워크에 접속되는 이용자 통신 장비를 제공하고, 그 이용자에 대한 잠재적인 향후 관심사들을 예측하도록 의도된, 상술된 것과 같은 디바이스를 포함한다.
본 발명의 다른 특징들 및 이점들은 다음의 상세한 설명 및 첨부된 도면들을 검토함으로써 명백해질 것이다.
도 1은 이용자들의 3개의 통신 장비들에 연결되는 통신 네트워크 및 본 발명에 따른 디바이스의 실시예의 예를 포함하는 네트워크 장비를 개략적으로 도시하는 도면.
도 2는 시간(t) 경과에 따른 이용자의 관심사 강도(IS)의 변화의 예를 도시하는 도면.
도 3은 n명의 이용자들과 관련된 관심사 그래프의 예를 개략적으로 도시하는 도면.
도 4는 관심사 그래프를 반복적으로 만들고 업데이트하기 위한 알고리즘의 예를 개략적으로 도시하는 도면.
첨부된 도면들은 본 발명을 완벽하게 할 뿐만 아니라, 필요하다면, 그 정의에 기여하도록 작용할 수도 있다.
본 발명은, i) 네트워크 오퍼레이터의 클라이언트이고, ii) 이 네트워크 오퍼레이터의 통신 네트워크(CN)에 접속될 수 있는 통신 장비(CE)를 구비하고, iii) 적어도 그의 관심사들을 규정하는 프로파일과 연관되는, 적어도 한 명의 이용자(Uj)에 대한 잠재적인 관심사(들)를(을) 제공하기 위한 디바이스(D)를 제공하는 것을 목적으로 한다.
도입부에서 언급한 것과 같이, 본원에서의 "이용자 프로파일"은 하나 이상의 주제들(예를 들면, 텔레비전 프로그램들, 라디오 프로그램들, 뉴스, 음악, 광고, 연예, 구입할 아이템들 또는 서비스들의 이용)과 관련된 사회-인구적 데이터 및 관심사들(또는 선호도들이나 아니면 습관들)과 같이 이용자의 아이덴티티를 서술하는 데이터의 세트(또는 메타데이터)를 의미한다. 이용자 관심사들을 서술하는 (메타)데이터는 단어들 또는 표현들이거나, 아니면, 콘텐트 아이템들과 연관되는 서술들에서 대부분 발견될 수도 있는 개념들일 수 있다.
다음 설명에서, 통신 네트워크(CN)가 유선 네트워크인 예, 예를 들면, ADSL 종류가 고려될 것이다. 그러나, 본 발명은 이러한 종류의 통신 네트워크로 제한되지 않는다. 실제로, 이는 임의의 종류의 통신 네트워크와 관련되고, 따라서, 유선 네트워크들뿐만 아니라 무선 네트워크들과도 관련된다.
이 가정으로 인해, 다음의 설명에서는 이용자 통신 장비들(CE)이 고정용 또는 휴대용 컴퓨터들인 것으로 고려될 것이다. 그러나, 본 발명은 이러한 종류의 통신 장비로 제한되지 않는다. 실제로, 무선 네트워크 및/또는 유선 네트워크에 접속될 수 있는 임의의 종류의 통신 장비와 관련된다. 따라서, 통신 장비는 또한, 예를 들면, 고정 또는 휴대 전화, 개인용 휴대 정보 단말기(또는 PDA), 또는 셋-톱 박스(STB)일 수 있다.
도 1의 비제한적인 예에 도시되어 있는 것과 같이, 본 발명에 따른 디바이스(D)는 네트워크 오퍼레이터의 통신 네트워크(CN)에 접속된 네트워크 장비(SS)로 국한될 수도 있다. 이 네트워크 장비(SS)는, 예를 들면, 네트워크 오퍼레이터의 클라이언트들인 이용자들(Uj)에 과한 정보에 대한 액세스에 전용되는 서버(SS)일 수도 있다. 이 서버(SS)는, 예를 들면, 추천기 시스템일 수도 있다. 따라서, 이 예에서, 디바이스(D)는 복수의 이용자들(Uj)(여기서, j = 1 내지 3)에 대해 중앙집중식 방식으로 작동한다. 그러나, 이 디바이스(D)는 또한 (중앙집중식 방식으로 작동하기 위해) 네트워크 장비에 연결될 수 있거나, 또는 단일 이용자(Uj)에 대해 분산 방식으로 작동하기 위해 이용자 통신 장비(CE)에 위치되거나 그에 연결될 수 있다.
이 디바이스(D)는 전자 회로(들)(또는 하드웨어 모듈들) 및 소프트웨어 모듈들의 조합으로 이루어질 수 있다. 이 경우에, 하드웨어 및 소프트웨어 모듈들 간의 상호 연동을 가능하게 하는 소프트웨어 인터페이스를 추가로 포함한다. 그러나, 이것은 전자 회로(들) 또는 소프트웨어 모듈들로 이루어질 수 있다(이 마지막 경우에 있어서, 그것은, 예를 들면, 메모리 또는 CD-ROM과 같은 임의의 컴퓨터 소프트웨어 제품에 저장될 수 있다).
본 발명에 따른 디바이스(D)는 추적 모듈(TM) 및 추천기 모듈(RM)을 포함한다.
이 추적 모듈(TM)은 적어도 한 명의 이용자(Uj)의 프로파일을 분석하기 위한 것이다. 기술된 예에서, 디바이스(D)는 복수의 이용자들(Uj)(여기서, j = 1 내지 3)에 대해 중앙집중식 방식으로 작동한다는 것을 유념하는 것이 중요하다. 따라서, 추적 모듈은, 예를 들면, 네트워크 오퍼레이터에 속하는 제 1 저장 수단(SM1)에 저장되고, 통신 네트워크(CN)에 (도시되어 있는 것과 같이) 접속되거나 포함되는, 이 복수의 모든 이용자들(Uj)의 프로파일들을 분석하도록 배열된다. 그러나, 디바이스(D)가 단일 이용자 통신 장비(CE)와 연관되는 변형에 있어서, 추적 모듈(TM)은 이용자 통신 장비(CE)의 저장 수단에 저장될 수 있는 이 이용자(Uj)의 프로파일만을 분석하도록 배열된다.
모든 분석은 추적 모듈(TM)의 서브 모듈(TSM)에 의해 실행되고, 분석된 이용자 프로파일에 포함된 각 새로운 실제 관심사를 결정하는 것을 목적으로 한다. "새로운 실제 관심사"는, 선행하는 분석 동안 이용자 프로파일에 이미 포함되어 있지만 아직은 이 이용자에게 있어서 실제로 중요한 것으로 고려되지 않고 있는 관심사, 또는 마지막 분석 동안 이용자 프로파일에는 포함되어 있지 않지만 이 이용자에게 있어서 실제로 중요한 것으로서 즉시 고려되는 관심사 중 어느 하나이다. 따라서, 새로운 실제 관심사는 매우 새로운(또는 최신의) 관심사인 것이 의무적인 것은 아니다.
(이용자 프로파일에 포함된) 관심사가 실제로 이 이용자(Uj)에게 중요한 것인지를 결정하기 위해서, 추적 모듈(TM)(및 더욱 정확하게는 그의 서브 모듈(TSM))은, 이 관심사와 관련되는 이 이용자(Uj)의 콘텐트 아이템들의 소비를 결정하고, 상기 결정된 관련 콘텐트 아이템들의 소비가 선택된 임계치(TIS) 보다 클 때 이 관심사가 (새로운) 실제 관심사인 것으로 고려하도록 배열될 수도 있다. 이러한 콘텐트 아이템 소비의 결정은 통신 네트워크(CN)에서(예를 들면, 콘텐트 아이템들을 전달하는 서버(들)에서) 또는 관련 이용자 통신 장비(CE)에서 (서버(SS)를 통해) 추적 모듈(TM)에 의해 실행될 수 있다.
이용자의 프로파일에 포함된 관심사와 관련된 콘텐트 아이템들의 이용자(Uj)에 의한 소비를 나타내는 관심사 강도(IS)의 시간(t) 경과에 따른 변화의 예가 도 2에 도시되어 있다. 일반적으로 말해서, 관심사 강도(IS)는 콘텐트 소비의 함수이다. 이 도면에서, 시간(t)은 일로 주어지고(그러나, 달이나 주, 아니면, 조작된 데이터 및/또는 관련된 애플리케이션에 따라서 시간으로 주어질 수 있고―일반적으로, 단위(t)는 시간(t) 경과에 따라 관심사 강도(IS)의 변화를 서술하기에 가장 적절하게 선택된다), 선택된 임계치(TIS)는 0.72이다. 또한, 이 예에서, 추적 모듈(TM)은, IS 곡선이 임계치(TIS)보다 크게 될 때의, 즉, ta=6.4일일 때의 시간에 대응하는 날짜(ta)에서 관심사가 실제로 중요하게 되는 것으로 고려한다. 이 날짜(ta)는 이하 제 1 날짜라고 할 것이다.
추적 모듈(TM)(및 더욱 정확하게는 그의 서브 모듈(TSM))이 이용자(Uj)의 관심사가 실제로 중요한 것으로 고려할 때, 이 이용자(Uj)의 식별자 및 그의 프로파일에서 새로운 실제 관심사로서 고려된 제 1 날짜에 따라서 이 관심사를 나타내는 식별자를 저장한다. 서브 모듈(TSM)은, 도시되어 있는 것과 같이, 추적 모듈(TM)의 일부일 수도 있는 제 2 저장 수단(SM2)에 상기 언급된 데이터를 저장할 수도 있다. 이 제 2 저장 수단(SM2)은 당업자들에게 공지되어 있는 임의의 종류의 수단일 수도 있다. 따라서, 예를 들면, 데이터베이스나 저장소, 아니면 메모리일 수도 있다.
바람직하게, 추적 모듈(TM)은 또한, 이 이용자 관심사가 더 이상 이 이용자에게 있어서 실제 관심사가 아니라고 고려될 때(즉, 이 이용자 관심사의 관심사 강도(IS)가 선택된 임계치(TIS) 보다 작아질 때), 관심사 식별자, 이용자 식별자 및 제 1 날짜(ta)에 따라서 제 2 날짜(td)를 제 2 저장 수단(SM2)에 저장한다. 도 2에서, IS 곡선이 임계치(TIS) 보다 작아질 때의 시간에 대응하는 제 2 날짜(td)는 20.6일이다.
(디바이스(D)의) 추천 모듈(RM)은 제 2 저장 수단(SM2)에 저장되는 이용자(Uj)의 제 1 날짜(ta)를 분석하도록 배열된다. 이 분석은 추천 모듈(RM)의 서브 모듈(RSM)에 의해 실행되고, 이용자(Uj)에 대한 새로운 실제 관심사로서 추적 모듈(TM)에 의해 막 고려된 관심사 이전의 관심사들의 시간적으로 순서화된 시퀀스를 결정하기 위한 것이다.
추천 모듈(RM)은 추적 모듈(TM)에 의해, 또는 요청에 따라 또는 자동으로(예를 들면, 주기적으로) 제 2 저장 수단(SM2)의 콘텐트를 분석함으로써 이용자(Uj)의 새로운 실제 관심사의 출현을 통지받을 수도 있다.
이용자(Uj)의 관심사들의 시간적으로 순서화된 시퀀스는, 그들 각각의 관심사 식별자들 및 이용자 식별자들에 따라서 제 2 저장 수단(SM2)에 저장되는 제 1 날짜(ta)에 따라 순서화되는 이 이용자(Uj)의 관심사들의 목록을 포함하는 시퀀스이다.
서브 모듈(RSM)이 이용자(Uj)에 대한 관심사들의 시간적으로 순서화된 시퀀스를 결정하면, 상기 결정된 이용자 관심사 시퀀스를 적어도 한 명의 다른 이용자(Uj')(j'≠j)의 관심사들의 적어도 하나의 다른 시퀀스와 비교하여 이 이용자(Uj)에 대한 적어도 하나의 잠재적인 향후 관심사를 예측하도록 하여, 이 잠재적인 향후 관심사를 이 이용자(Uj)의 프로파일에 넣거나 적어도 이 이용자(Uj)에게 제안할 수 있다.
따라서, 공지된 방법들과는 반대로, 본 발명은 아이템들을 추천하지는 않지만, 이 이용자(Uj)의 과거 관심사들의 시퀀스(들) 및 다른 이용자(들)의 다른 관심사들의 시퀀스들에 기초하여 이용자(Uj)에게 향후(또는 잠재적인) 관심사들을 추천한다.
본 발명은, 추천기 시스템들의 기존 방식들에서 현재는 무시되고 있고, 몇몇 이용자들이 시간 경과에 따라 그들의 취향들 및 관심사들에 있어서 유사한 변화를 갖는 것으로 가정할 때 다른 이용자들(Uj')의 관심사들의 시퀀스로부터 유도될 수도 있는 이용자 관심사들 간의 시간적 의존도들을 이용한다. 예를 들면, 재즈 음악에 관심을 갖기 시작하는 이용자(Uj)는 재즈 음악과 관련된 음악 장르 및/또는 특히 재즈 음악을 연주하는 특정 아티스트(들) 및/또는 집시 재즈와 같이 재즈 음악의 서브-장르 및/또는 최근에 생긴 관심사와 관련된 콘서트들에 빠르게 관심을 가질 수도 있다. 다른 예에서, 특히 자연 재해에 대한 이용자(Uj)의 관심사는 사회상들 및/또는 경제에 대한 관심사들을 촉발시킬 수도 있다. 또 다른 예로서, 패션에 대한 이용자(Uj)의 관심사는 온라인 쇼핑에 대한 더욱 일반적인 관심사를 촉발시킬 수도 있다.
추천 모듈(RM)(및 더욱 정확하게는 그의 서브 모듈(RSM))은, 이 이용자(Uj)의 적어도 하나의 잠재적인 향후 관심사를 예측하기 위해서, 이 이용자(Uj)와 관련된 데이터에서 막 결정되고 제 2 저장 수단(SM2)에 저장되어 있는 이용자 관심사 시퀀스를, 다른 이용자들(Uj')의 관심사들로부터 만들어진 관심사들의 그래프에서 결정될 수 있는 관심사들의 적어도 하나의 다른 시퀀스(바람직하게는 가장 긴 것)와 비교하도록 배열될 수도 있다.
이러한 관심사들의 그래프는 이용자들(Uj)의 실제 관심사들을 규정하고 제 2 저장 수단(SM2)에 저장되는 데이터로부터 추천 모듈(RM)(및 더욱 정확하게는 그의 서브 모듈(RSM))에 의해 만들어지고 업데이트될 수 있다.
서브 모듈(RSM)은, 예시되어 있는 것과 같이, 추천 모듈(RM)의 일부일 수도 있는 제 3 저장 수단(SM3)에 관심사 그래프를 저장할 수도 있다. 제 3 저장 수단(SM3)은 당업자들에게 공지되어 있는 임의의 종류일 수도 있다. 따라서, 그것은, 예를 들면, 저장소이거나 아니면 메모리일 수도 있다.
예를 들면, 관심사들의 그래프는 복수의 이용자들(Uj)에 대한 시간 경과에 따른 관심사들의 진화를 모델링할 수도 있다. 그것은 저장되어 있는 데이터로부터 직접 또는 관심사 그래프들의 집합에 의해 만들어지고 업데이트될 수 있다. 마지막 경우는 특히 디바이스들(D)이 이용자 통신 장비들(CE)에 분배되는 상황에 적응된다. 이 경우에, 이용자(Uj)와 연관된 디바이스(D)에 속하는 추천 모듈(RM)(및 더욱 정확하게는 그의 서브 모듈(RSM))은, 관심사 그래프를 생성하기 위해서, 이 이용자(Uj)에 대한 시간 경과에 따른 관심사들의 진화를 모델링하는 보조 관심사 그래프를 만들고 업데이트한 다음, 이 보조 관심사 그래프를 (그들 각각의 연관된 디바이스들(D)에 의해) 다른 이용자들(Uj')에 대해 만들어진 보조 관심사 그래프들과 종합하도록 배열될 수도 있다.
관심사 그래프는 방향성이 있고 가중된 그래프(G(V,W))일 수도 있고, 여기서, V는 각각 이용자 관심사들을 나타내는 노드들의 세트이고, W는 각각 하나의 이용자 관심사(in -1)로부터 또 다른 이용자 관심사(in)로의 전이를 나타내는 방향성 에지들의 세트이다.
이러한 방향성이 있고 가중된 관심사 그래프(G(V,W))의 비제한적인 예가 도 3에 도시되어 있다. 각각 6개의 이용자 관심사들에 대응하는 6개의 노드들(A, B, C, D, E 및 F)이 이 예에서는 8개의 방향성 에지들(W)의 세트로 이 그래프(G(V,W))를 구성한다. 더욱 정확하게, 노드(A)와 노드(B) 사이에는 방향성 에지(WAB)가 있고, 노드(B)와 노드(C) 사이에는 방향성 에지(WBC)가 있고, 노드(B)와 노드(D) 사이에는 방향성 에지(WBD)가 있고, 노드(C)와 노드(F) 사이에는 방향성 에지(WCF)가 있고, 노드(D)와 노드(E) 사이에는 방향성 에지(WDE)가 있고, 노드(D)와 노드(F) 사이에는 방향성 에지(WDF)가 있고, 노드(E)와 노드(F) 사이에는 방향성 에지(WEF)가 있다.
예를 들면, 추천 모듈(RM)(및 더욱 정확하게는 그의 서브 모듈(RSM))에 의해 각 방향성 에지(W)에 가중치가 할당된다. 비제한적인 예에서 예시되어 있는 것과 같이, 각 가중치는 표(T(WAB))(또는 T(WBC) 또는 ... 아니면 T(WEF))에 의해 규정될 수도 있다. 예를 들면, 방향성 에지(WAB)와 연관되는 예시되어 있는 표(T(WAB))는 각 이용자(Uj)(j = 1 내지 n, 예를 들면, n=3) 및 노드들(A 및 B)과 각각 연관되는 2개의 연속하는 실제 관심사들의 출현들 간의 경과 시간(△tABj) 사이의 대응성을 수립한다.
예를 들면, 이용자(Uj)에 대해 나타나는 마지막 공지된 실제 관심사들은 도 2의 그래프에서 노드들(B, D 및 C)로 표현되는 것으로 가정한다. 노드들(B, D 및 C)은 이용자(Uj)의 순서화된 관심사 시퀀스를 구성한다. 이 예시된 그래프의 예에서, 노드(C)는 노드들(B 및 F)에 접속되고, 노드(D)는 노드들(B, E 및 F)에 접속되지만, 노드(D)는 노드(C)에 접속되지 않는다. 따라서, 한 가지 가능한 전이는 노드(C)로부터 노드(F)로의 전이이다. 그러나, 이 전이(C-F)가 이용자(Uj)의 마지막 공지되어 있는 관심사에만 의존한다면, 이 전이는 다소 약하고 확신도가 비교적 낮을 수도 있으며, 이는 그래프에서 E와 D 어느 것도 C에 접속되어 있지 않기 때문이다. 따라서, 노드 C를 무시하고 (노드(D)로 나타낸) 이용자(Uj)의 이전 관심사를 고려하면, 노드(D)는 그래프에서 선행자로서 노드(B)를 갖는다는 것을 알 수 있고, 이는 또한 (노드(D)로 나타낸) 이용자 관심사의 선행자를 나타낸다. 따라서, 이용자(Uj)에 대한 잠재적인 향후 관심사들로서, 각각 노드들(E 및 F)로 나타내는 관심사들을 고려할 수 있다.
(상기 예에서와 같이) 이용자(Uj)에 대한 몇 개의 잠재적인 향후 관심사들이 존재하면, 추천 모듈(RM)(및 더욱 정확하게는 그의 서브 모듈(RSM))은, 방향성 에지들(W)의 가중치들로부터 하나 이상의 통계적 메트릭들을 계산한 다음, 가장 적절한 잠재적인 향후 관심사를 선택하기 위해 각 결정된 통계적 메트릭을 이용할 수도 있다.
예를 들면, 서브 모듈(RSM)은 그래프의 2개의 노드들 간의 전이 관련성(및 그에 따른 2개의 대응하는 관심사들)을 추정하기 위해 표준 편차와 같은 통계적 메트릭을 계산할 수도 있다. 예를 들면, 값들의 분산이 매우 높다면, 전이는 충분히 이용 가능할 수도 있다.
서브 모듈(RSM)은 또한 2개의 관심사들 간의 전이 빈도를 추정하기 위해 방향성 에지(W)의 표(또는 가중치)에서 관련 엔트리들의 수와 같은 통계적 메트릭을 계산할 수도 있고, 이는 이 전이가 주요 흐름인지 아니면 더욱 특별한 어떤 것이 있는지를 나타낼 수도 있다.
이들 통계적 메트릭들에 기초하여, 선택된 응용 콘텍스트에 적응된 적절한 관심사들을 제안한 다음 이들 제안된 관심사들로부터 이용자(Uj)에 대한 적어도 하나의 잠재적인 향후 관심사를 예측하는데 도움을 줄 휴리스틱스를 만드는 것이 가능하다. 예를 들면, 응용 콘텍스트에 의존하여, 이용자 관심사들의 비주류의 변화들을 강조하는데 더 흥미로울 수도 있으며, 이는 "롱-테일(long-tail)" 콘텐트를 유발할 수 있기 때문이다.
휴리스틱은 고려된 이용자(Uj)의 관심사들의 공지되어 있는 시퀀스로부터 추출된 관심사들의 최장 시퀀스(ik, ik +1, ..., in)에 대한 관심사 그래프를 조사하는 것으로 이루어질 수도 있다. 또한, 특히, 중요하지 않은 전이라는 것을 의미하는, 2개의 가능한 관심사들 간의 결정된 관련성 메트릭이 낮은 경우에 또는 2개의 가능한 관심사들 간의 전이 빈도가 낮다면, 불완전한 시퀀스들을 고려함으로써 탐색을 늦추는 것이 가능하다. 따라서, in과 in +1 간의 전이 빈도가 가장 높은 관심사 그래프에서 다음 노드(in +1)를 선택할 수 있다(이 휴리스틱은 주류의 관심사 변화를 지지한다).
추천 모듈(RM)(및 더욱 정확하게는 그의 서브 모듈(RSM))은 또한 잠재적인 향후 관심사를 이용자(Uj)의 프로파일에 넣기 위한 적절한 날짜를 결정하도록 배열될 수도 있다. 이 목적을 위해서, 예를 들면, 이 이용자(Uj)의 마지막 관심사와 예측된 관심사(들) 간의 방향성 에지(W)의 가중치(들)를(을) 이용할 수도 있다. 예를 들면, 선택된 방향성 에지(W)와 연관된 표의 평균 값(평균(△tAB))을 계산한 다음, 이용자(Uj)에게 새로운 대응하는 관심사를 추천하기 전 또는 이 이용자(Uj)의 프로파일에 도입될 수 있도록 이 새로운 대응하는 관심사를 추천하기 전에, 이 평균 값으로 스케줄링된 타이머가 만료될 때까지 기다릴 수도 있다.
주어진 이용자(Uj)의 향후 관심사를 예측하기 위해서, 추천 모듈(RM)은 도 4를 참조하여 이하 기술되는 것과 같은 알고리즘을 구현할 수도 있다.
이 알고리즘은 새로운 실제 관심사(in)가 추적 모듈(TM)에 의해 이용자(Uj)에 대해 검출되었을 때 단계 10에서 시작한다.
이어서, 단계 20에서, 추천 모듈(RM)은 이 새로운 실제 관심사(in)가 관심사 그래프에 노드로서 이미 존재하는지를 결정하기 위해 제 1 검사를 실행한다. 존재하지 않는다면, 단계 30에서, 추천 모듈(RM)은 (새로운 실제 관심사(in))를 나타내는 새로운 노드를 관심사 그래프에 추가한다.
이어서, 단계 40에서, 추천 모듈(RM)은 관심사 그래프에서 관심사들(in -1 및 in)을 나타내는 2개의 노드들 사이에 링크(또는 방향성 에지(W))를 생성한다.
이어서, 단계 60에서, 추천 모듈(RM)은 관심사 그래프에서 관심사들(in -1 및 in)을 나타내는 2개의 노드들 사이의 링크(또는 방향성 에지(W))에 대한 가중치를 계산한다.
이제, 단계 20에서 실행된 제 1 검사가, 새로운 실제 관심사(in)가 관심사 그래프에 노드로서 이미 존재한다는 것을 나타내면, 추천 모듈(RM)은 관심사들(in -1 및 in)을 나타내는 2개의 노드들 사이의 링크(또는 방향성 에지(W))가 관심사 그래프에 존재하는지를 결정하기 위해 단계 50에서 제 2 검사를 실행한다. 존재하지 않는다면, 추천 모듈(RM)은 (새로운 링크를 생성하기 위해) 단계 40을 실행한 다음 (이 새로운 링크에 대한 가중치를 계산하기 위해) 단계 60을 실행한다.
제 2 검사가, 관심사들(in -1 및 in)을 나타내는 2개의 노드들 사이의 링크(또는 방향성 에지(W))가 관심사 그래프에 이미 존재한다는 것을 나타내면, 추천 모듈(RM)은 이 링크의 가중치를 업데이트하기 위해 단계 60을 실행한다. 이것은 이 이용자(Uj)가 그 관심사와 관련된 콘텐트를 충분히 소비할 때까지의 긴 시간 동안 기다리지 않고 그 관심사와 관련된 콘텐트를 이용자(Uj)에게 추천하도록 할 수도 있다. 따라서, 본 발명에 의해, 이용자는 그가 관심을 가질 수도 있는 콘텐트에 대한 관심을 증명하기 전이라도, 이러한 종류의 콘텐트에 더 빠르게 액세스할 수도 있다.
본 발명은 (콜드-스타트)와 같은 공동 필터링 방법들이 나타내는 것(들)과 동일한 문제(들) 없이 콘텐트-기반 필터링 알고리즘들에 대해 중요한 이점들을 제공할 수 있다(이는 전문화를 피하기 때문이다).
본 발명은 상술된 디바이스, 네트워크 및 통신 장비의 실시예들로 제한되지 않고, 이들은 단지 예들이며, 다음의 청구항들의 범위 내에서 당업자가 고려할 수도 있는 모든 대안적인 실시예들을 포괄한다.
CE: 통신 장비 CN: 통신 네트워크
D: 디바이스 U1, U2: 이용자
SM1 내지 SM3: 저장 수단 SS: 네트워크 장비(서버)
TM: 추적 모듈
TSM: 추적 모듈(TM)의 서브 모듈 RM: 추천 모듈
RSM: 추천 모듈(RM)의 서브 모듈

Claims (16)

  1. 적어도 하나의 네트워크 오퍼레이터의 클라이언트(들)인 이용자(들)(Uj)의 잠재적인 관심사(들)를(을) 결정하기 위한 디바이스(D)로서, 각 이용자(Uj)는 적어도 그의 관심사들을 규정하는 프로파일과 연관되는, 상기 디바이스(D)에 있어서:
    i) 포함할 새로운 실제 관심사(들)를(을) 결정하기 위해 적어도 한 명의 이용자(Uj)의 프로파일을 분석하고, 새로운 실제 관심사로서 고려된 제 1 날짜에 따라서 상기 이용자(Uj)의 결정된 새로운 실제 관심사를 나타내는 식별자를 그의 프로파일에 저장하도록 구성된 추적 수단(TM), 및
    ii) 결정된 새로운 실제 관심사 이전의 관심사들의 시간적으로 순서화된 시퀀스를 결정하기 위해 이용자(Uj)의 상기 제 1 날짜들을 분석하고, 그의 프로파일에 도입될 상기 이용자(Uj)에 대한 적어도 하나의 잠재적인 향후 관심사를 예측하기 위해 상기 결정된 이용자 관심사 시퀀스를 적어도 한 명의 다른 이용자(Uj')의 관심사들의 적어도 하나의 다른 시퀀스와 비교하도록 구성된 추천 수단(RM)을 포함하는 것을 특징으로 하는, 이용자(들)(Uj)의 잠재적인 관심사(들)를(을) 결정하기 위한 디바이스(D).
  2. 제 1 항에 있어서,
    상기 추천 수단(RM)은 상기 이용자(Uj)의 적어도 하나의 잠재적인 향후 관심사를 예측하기 위해, 상기 결정된 이용자 관심사 시퀀스를, 다른 이용자들(Uj')의 상기 관심사들로부터 만들어진 관심사들의 그래프에서 결정된 관심사들의 적어도 하나의 다른 시퀀스와 비교하도록 구성된 것을 특징으로 하는, 이용자(들)(Uj)의 잠재적인 관심사(들)를(을) 결정하기 위한 디바이스(D).
  3. 제 2 항에 있어서,
    상기 추천 수단(RM)은 상기 이용자들(Uj)의 상기 저장된 실제 관심사들로부터 상기 관심사 그래프를 만들고 업데이트하도록 구성된 것을 특징으로 하는, 이용자(들)(Uj)의 잠재적인 관심사(들)를(을) 결정하기 위한 디바이스(D).
  4. 제 1 항 내지 제 3 항 중 어느 한 항에 있어서,
    상기 추천 수단(RM)은 복수의 이용자들(Uj)에 대한 시간 경과에 따른 관심사들의 진화를 모델링하는 관심사 그래프를 만들고 업데이트하도록 구성된 것을 특징으로 하는, 이용자(들)(Uj)의 잠재적인 관심사(들)를(을) 결정하기 위한 디바이스(D).
  5. 제 1 항 내지 제 3 항 중 어느 한 항에 있어서,
    상기 추천 수단(RM)은, 관심사 그래프를 생성하기 위해, 한 명의 이용자(Uj)에 대한 시간 경과에 따른 관심사들의 진화를 모델링하는 보조 관심사 그래프를 만들고 업데이트한 다음, 상기 보조 관심사 그래프를 다른 이용자들(Uj')에 대해 만들어진 보조 관심사 그래프들과 종합하도록 구성된 것을 특징으로 하는, 이용자(들)(Uj)의 잠재적인 관심사(들)를(을) 결정하기 위한 디바이스(D).
  6. 제 4 항에 있어서,
    상기 추천 수단(RM)은 방향성이 있고 가중된 관심사 그래프(G(V,W))를 만들고 업데이트하도록 구성되고, 여기서, V는 각각 상기 이용자 관심사들을 나타내는 노드들의 세트이고, W는 하나의 이용자 관심사로부터 또 다른 이용자 관심사로의 전이를 나타내는 방향성 에지들의 세트인 것을 특징으로 하는, 이용자(들)(Uj)의 잠재적인 관심사(들)를(을) 결정하기 위한 디바이스(D).
  7. 제 6 항에 있어서,
    상기 추천 수단(RM)은 상기 방향성 에지들 각각에 가중치를 할당하도록 구성되고, 각 가중치는 각 이용자와, 제 1 및 제 2 연속하는 실제 관심사들의 출현들 간의 경과 시간 사이의 대응성을 수립하는 표에 의해 규정되는 것을 특징으로 하는, 이용자(들)(Uj)의 잠재적인 관심사(들)를(을) 결정하기 위한 디바이스(D).
  8. 제 4 항에 있어서,
    상기 추천 수단(RM)은, 상기 추적 수단(TM)이 이용자(Uj)의 새로운 실제 관심사가 결정되었다는 것을 통지할 때마다 상기 관심사 그래프를 업데이트하도록 구성된 것을 특징으로 하는, 이용자(들)(Uj)의 잠재적인 관심사(들)를(을) 결정하기 위한 디바이스(D).
  9. 제 7 항에 있어서,
    상기 추천 수단(RM)은, 상기 방향성 에지들에 할당된 상기 가중치로부터 적어도 하나의 통계적 메트릭을 결정하고, 선택된 응용 콘텍스트에 적응된 관심사들을 제안한 다음 상기 제안된 관심사들로부터 상기 이용자(Uj)에 대한 적어도 하나의 잠재적인 향후 관심사를 예측하기 위해 휴리스틱스(heuristics)에 의해 각 결정된 통계적 메트릭을 이용하도록 구성된 것을 특징으로 하는, 이용자(들)(Uj)의 잠재적인 관심사(들)를(을) 결정하기 위한 디바이스(D).
  10. 제 9 항에 있어서,
    적어도 하나의 통계적 메트릭은 2개의 관심사들 간의 관련성을 나타내는 것을 특징으로 하는, 이용자(들)(Uj)의 잠재적인 관심사(들)를(을) 결정하기 위한 디바이스(D).
  11. 제 9 항에 있어서,
    적어도 하나의 통계적 메트릭은 2개의 관심사들 간의 전이 빈도를 나타내는 것을 특징으로 하는, 이용자(들)(Uj)의 잠재적인 관심사(들)를(을) 결정하기 위한 디바이스(D).
  12. 제 1 항 내지 제 3 항 중 어느 한 항에 있어서,
    상기 추적 수단(TM)은, 상기 이용자의 프로파일에 포함된 관심사와 관련되는 상기 이용자(Uj)의 콘텐트 아이템들의 소비를 결정하고, 상기 관련된 콘텐트 아이템들의 상기 결정된 소비가 선택된 임계치보다 클 때 이 관심사를 새로운 실제 관심사로 고려하도록 구성된 것을 특징으로 하는, 이용자(들)(Uj)의 잠재적인 관심사(들)를(을) 결정하기 위한 디바이스(D).
  13. 제 12 항에 있어서,
    상기 추적 수단(TM)은, 관심사의 상기 제 1 날짜가, 상기 관심사와 관련된 콘텐트 아이템 소비가 상기 선택된 임계치보다 크다는 것을 검출하는 날짜인 것으로 고려하도록 구성된 것을 특징으로 하는, 이용자(들)(Uj)의 잠재적인 관심사(들)를(을) 결정하기 위한 디바이스(D).
  14. 제 1 항 내지 제 3 항 중 어느 한 항에 있어서,
    상기 추천 수단(RM)은 상기 잠재적인 향후 관심사를 상기 이용자(Uj)의 프로파일에 넣기 위한 날짜를 결정하도록 구성된 것을 특징으로 하는, 이용자(들)(Uj)의 잠재적인 관심사(들)를(을) 결정하기 위한 디바이스(D).
  15. 적어도 하나의 통신 네트워크(CN)에 대한 네트워크 장비(SS)에 있어서,
    복수의 이용자들에 대한 잠재적인 향후 관심사들을 예측하기 위해 중앙집중식 방식으로 작동하도록 하는, 제 1 항 내지 제 3 항 중 어느 한 항에 따른 디바이스(D)를 포함하는 것을 특징으로 하는, 적어도 하나의 통신 네트워크에 대한 네트워크 장비(SS).
  16. 적어도 하나의 통신 네트워크(CN)에 접속되도록 의도된 이용자(Uj)에 대한 통신 장비(CE)에 있어서,
    상기 이용자(Uj)에 대한 잠재적인 향후 관심사들을 예측하도록 하는, 제 1 항 내지 제 3 항 중 어느 한 항에 따른 디바이스(D)를 포함하는 것을 특징으로 하는, 적어도 하나의 통신 네트워크(CN)에 접속되도록 의도된 이용자(Uj)에 대한 통신 장비(CE).
KR1020127012345A 2009-10-16 2010-09-24 통신 장비（들）의 이용자（들）의 프로파일（들）에 도입될 잠재적인 향후 관심사들을 결정하기 위한 디바이스 KR101352418B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP09305989A EP2312515A1 (en) 2009-10-16 2009-10-16 Device for determining potential future interests to be introduced into profile(s) of user(s) of communication equipment(s)
EP09305989.7 2009-10-16
PCT/EP2010/064101 WO2011045162A1 (en) 2009-10-16 2010-09-24 Device for determining potential future interests to be introduced into profile(s) of user(s) of communication equipment(s)

Publications (2)

Publication Number Publication Date
KR20120082447A KR20120082447A (ko) 2012-07-23
KR101352418B1 true KR101352418B1 (ko) 2014-02-07

Family

ID=41728030

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020127012345A KR101352418B1 (ko) 2009-10-16 2010-09-24 통신 장비（들）의 이용자（들）의 프로파일（들）에 도입될 잠재적인 향후 관심사들을 결정하기 위한 디바이스

Country Status (7)

Country Link
US (1) US9251525B2 (ko)
EP (1) EP2312515A1 (ko)
JP (1) JP5358024B2 (ko)
KR (1) KR101352418B1 (ko)
CN (1) CN102576444A (ko)
IN (1) IN2012DN03141A (ko)
WO (1) WO2011045162A1 (ko)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1960897A4 (en) * 2005-12-08 2011-05-18 Mybuys Inc DEVICE AND METHOD FOR PROVIDING A MARKETING SERVICE
CN102999539B (zh) * 2011-09-13 2015-11-25 富士通株式会社 预测给定话题的未来发展趋势的方法和装置
JP5745388B2 (ja) * 2011-11-17 2015-07-08 日本電信電話株式会社 コンテンツ推薦装置及び方法及びプログラム
JP5662303B2 (ja) * 2011-11-17 2015-01-28 日本電信電話株式会社 コンテンツ推薦装置及び方法及びプログラム
US10163063B2 (en) 2012-03-07 2018-12-25 International Business Machines Corporation Automatically mining patterns for rule based data standardization systems
US9582547B2 (en) * 2013-11-18 2017-02-28 Palo Alto Research Center Incorporated Generalized graph, rule, and spatial structure based recommendation engine
CN104765752B (zh) * 2014-01-07 2018-10-16 三星电子（中国）研发中心 基于用户模型演进的推荐装置和方法
US20190095262A1 (en) * 2014-01-17 2019-03-28 Renée BUNNELL System and methods for determining character strength via application programming interface
US10558706B2 (en) * 2014-12-17 2020-02-11 Oath Inc. Method and system for determining user interests based on a correspondence graph
US10893312B2 (en) * 2015-06-26 2021-01-12 British Telecommunications Public Limited Company Digital content provision
US11194842B2 (en) * 2018-01-18 2021-12-07 Samsung Electronics Company, Ltd. Methods and systems for interacting with mobile device
US10866989B1 (en) * 2018-04-06 2020-12-15 Architecture Technology Corporation Real time recommender modeling system, methods of construction, and methods of use
CN112148960B (zh) * 2019-06-27 2024-03-22 北京百度网讯科技有限公司 关注点的类别确定方法、装置、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020173971A1 (en) 2001-03-28 2002-11-21 Stirpe Paul Alan System, method and application of ontology driven inferencing-based personalization systems
US20080114756A1 (en) 1999-12-28 2008-05-15 Levino Authomatic, personalized online information and product services
US20090248494A1 (en) 2008-04-01 2009-10-01 Certona Corporation System and method for collecting and targeting visitor behavior

Family Cites Families (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2809557B1 (fr) * 2000-05-25 2004-12-10 Cit Alcatel Procede de diffusion d'elements d'information multimedia, recepteur d'elements d'information multimedia diffuses par ce procede et interface utilisateur pour consulter ces elements d'information
JP4581446B2 (ja) * 2004-03-22 2010-11-17 ソニー株式会社 情報処理装置および方法、並びにプログラム
JP2005332127A (ja) * 2004-05-19 2005-12-02 Nippon Telegr & Teleph Corp <Ntt> 個人プロファイルによる状況予測システムおよび方法、プログラムおよび記録媒体
JP2006048319A (ja) * 2004-08-04 2006-02-16 Sony Corp 情報処理装置および方法、記録媒体、並びにプログラム
US8281037B2 (en) * 2005-01-03 2012-10-02 Orb Networks, Inc. System and method for delivering content to users on a network
WO2007052285A2 (en) * 2005-07-22 2007-05-10 Yogesh Chunilal Rathod Universal knowledge management and desktop search system
US8019777B2 (en) * 2006-03-16 2011-09-13 Nexify, Inc. Digital content personalization method and system
US20070250467A1 (en) * 2006-04-24 2007-10-25 Imakenews, Inc. Systems and methods for targeted content delivery
US7970934B1 (en) * 2006-07-31 2011-06-28 Google Inc. Detecting events of interest
US8407220B2 (en) * 2006-09-28 2013-03-26 Augme Technologies, Inc. Apparatuses, methods and systems for ambiguous code-triggered information querying and serving on mobile devices
US8055664B2 (en) * 2007-05-01 2011-11-08 Google Inc. Inferring user interests
US20090012955A1 (en) * 2007-07-03 2009-01-08 John Chu Method and system for continuous, dynamic, adaptive recommendation based on a continuously evolving personal region of interest
US20090249129A1 (en) * 2007-10-12 2009-10-01 David Femia Systems and Methods for Managing Multi-Component Systems in an Infrastructure
US8165985B2 (en) * 2007-10-12 2012-04-24 Palo Alto Research Center Incorporated System and method for performing discovery of digital information in a subject area
US9159034B2 (en) * 2007-11-02 2015-10-13 Ebay Inc. Geographically localized recommendations in a computing advice facility
US8666909B2 (en) * 2007-11-02 2014-03-04 Ebay, Inc. Interestingness recommendations in a computing advice facility
US8032480B2 (en) * 2007-11-02 2011-10-04 Hunch Inc. Interactive computing advice facility with learning based on user feedback
WO2009059199A2 (en) * 2007-11-02 2009-05-07 Hunch Inc. Interactive machine learning advice facility
US8781989B2 (en) * 2008-01-14 2014-07-15 Aptima, Inc. Method and system to predict a data value
US9165254B2 (en) * 2008-01-14 2015-10-20 Aptima, Inc. Method and system to predict the likelihood of topics
US20090187540A1 (en) * 2008-01-22 2009-07-23 Microsoft Corporation Prediction of informational interests
US20090228774A1 (en) * 2008-03-06 2009-09-10 Joseph Matheny System for coordinating the presentation of digital content data feeds
US20090299945A1 (en) * 2008-06-03 2009-12-03 Strands, Inc. Profile modeling for sharing individual user preferences
US8271413B2 (en) * 2008-11-25 2012-09-18 Google Inc. Providing digital content based on expected user behavior
JP5182178B2 (ja) * 2009-03-18 2013-04-10 ソニー株式会社 情報処理装置及び情報処理方法
US9466077B2 (en) * 2009-06-30 2016-10-11 Google Inc. Propagating promotional information on a social network
US8229873B1 (en) * 2009-09-18 2012-07-24 Google Inc. News topic-interest-based recommendations twiddling
FR2960077A1 (fr) * 2010-05-11 2011-11-18 Alcatel Lucent Dispositif de gestion dynamique d'applications telechargeables, pour un equipement de communication
US8924382B2 (en) * 2011-10-03 2014-12-30 Oracle International Corporation Techniques for distributing information over a network

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080114756A1 (en) 1999-12-28 2008-05-15 Levino Authomatic, personalized online information and product services
US20020173971A1 (en) 2001-03-28 2002-11-21 Stirpe Paul Alan System, method and application of ontology driven inferencing-based personalization systems
US20090248494A1 (en) 2008-04-01 2009-10-01 Certona Corporation System and method for collecting and targeting visitor behavior

Also Published As

Publication number Publication date
IN2012DN03141A (ko) 2015-09-18
US9251525B2 (en) 2016-02-02
EP2312515A1 (en) 2011-04-20
CN102576444A (zh) 2012-07-11
US20120265816A1 (en) 2012-10-18
JP5358024B2 (ja) 2013-12-04
JP2013507705A (ja) 2013-03-04
WO2011045162A1 (en) 2011-04-21
KR20120082447A (ko) 2012-07-23

Similar Documents

Publication Publication Date Title
KR101352418B1 (ko) 통신 장비（들）의 이용자（들）의 프로파일（들）에 도입될 잠재적인 향후 관심사들을 결정하기 위한 디바이스
Sohail et al. Classifications of recommender systems: A review.
US8200667B2 (en) Method and apparatus for constructing user profile using content tag, and method for content recommendation using the constructed user profile
Massa et al. Using trust in recommender systems: an experimental analysis
Javari et al. A probabilistic model to resolve diversity–accuracy challenge of recommendation systems
Sharma et al. A survey of recommender systems: approaches and limitations
US20120185481A1 (en) Method and Apparatus for Executing a Recommendation
Boratto et al. Groups Identification and Individual Recommendations in Group Recommendation Algorithms.
US20130166649A1 (en) System for social-based filtering and contributed playlist generation
Berkovsky et al. Cross-representation mediation of user models
US11663661B2 (en) Apparatus and method for training a similarity model used to predict similarity between items
US20140172501A1 (en) System Apparatus Circuit Method and Associated Computer Executable Code for Hybrid Content Recommendation
US20170199930A1 (en) Systems Methods Devices Circuits and Associated Computer Executable Code for Taste Profiling of Internet Users
Kim et al. A novel recommendation approach based on chronological cohesive units in content consuming logs
Zhang et al. A personalized next-song recommendation system using community detection and markov model
Sánchez-Moreno et al. Recommendation of songs in music streaming services: Dealing with sparsity and gray sheep problems
Pichl et al. # nowplaying on# Spotify: Leveraging Spotify information on Twitter for artist recommendations
Aliannejadi et al. Venue suggestion using social-centric scores
Uhlmann et al. Personalization algorithms for portable personality
SP et al. Lazy collaborative filtering with dynamic neighborhoods
Mustafa et al. Performance comparison of top N recommendation algorithms
KR101626953B1 (ko) 사용자 성향 기반 아이템 추천 시스템 및 방법
Benouaret et al. An efficient greedy algorithm for sequence recommendation
Kotkov et al. Improving serendipity and accuracy in cross-domain recommender systems
Matsumoto et al. Construction of network using heterogeneous social metadata for music video recommendation

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: 20161230

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20181226

Year of fee payment: 6