KR101363171B1 - Cosine similarity based expert recommendation technique using hybrid collaborative filtering - Google Patents
Cosine similarity based expert recommendation technique using hybrid collaborative filtering Download PDFInfo
- Publication number
- KR101363171B1 KR101363171B1 KR1020120057282A KR20120057282A KR101363171B1 KR 101363171 B1 KR101363171 B1 KR 101363171B1 KR 1020120057282 A KR1020120057282 A KR 1020120057282A KR 20120057282 A KR20120057282 A KR 20120057282A KR 101363171 B1 KR101363171 B1 KR 101363171B1
- Authority
- KR
- South Korea
- Prior art keywords
- similarity
- expert
- value
- user
- recommendation
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000001914 filtration Methods 0.000 title abstract description 14
- 230000000694 effects Effects 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 4
- 239000003550 marker Substances 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012795 verification Methods 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- 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
Abstract
전문가의 속성(전문분야, 관심분야)과 전문가 간의 유사도를 계산한 후, 사용자와 관련된 전문가를 추천해 주는 하이브리드 협업적 여과 방법을 이용한 코사인 유사도 기반 전문가 추천 방법을 개시한다.
일 실시예로서, 피부마커와 체내 특징점을 이용한 고정확도 영상정합 장치 및 방법은, 전문가 데이터베이스에 저장되어 있는 데이터가 적을 경우에 점수 예측 기법을 통하여 전문가 추천을 수행할 수 있고, 전문가의 전문성을 판단하기 위하여 전문가의 활동(논문, 경력 등)을 활용하여 가중치를 적용해서 추천의 질을 높일 수 있고, SNS 사용자는 자신의 관심분야에 대한 전문가를 추천받아 자신의 관심분야에 대한 커뮤니케이션 및 협업을 수행할 수 있다.After calculating the similarity between the attributes (specialty, interests) of experts and experts, a cosine similarity based expert recommendation method using hybrid collaborative filtration method that recommends experts related to users is disclosed.
In one embodiment, the high accuracy image registration device and method using the skin marker and the feature points in the body, when there is little data stored in the expert database can perform expert recommendation through a score prediction technique, determine the expert's expertise In order to improve the quality of recommendation by applying weights using experts' activities (papers, careers, etc.), SNS users can recommend experts on their interests to communicate and collaborate on their interests. can do.
Description
본 발명의 실시예들은 전문분야와 관심분야를 포함하는 전문가의 속성과 전문가 간의 유사도를 계산한 후, 사용자에게 적합한 전문가를 추천해 주는 하이브리드 협업적 여과 방법을 이용한 코사인 유사도 기반 전문가 추천 장치 및 방법에 관한 것이다.Embodiments of the present invention are related to cosine similarity-based expert recommendation apparatus and method using a hybrid collaborative filtration method that calculates the similarity between the attributes of experts and experts including experts and interests, and then recommends experts to the user. It is about.
소셜 네트워크 서비스(SNS: Social Network Service)에서 다양한 종류의 소셜 서비스에 대한 요구가 증가하고 있다. 이 중 대표적인 서비스로는 추천 서비스를 들 수 있다. 추천 서비스는 SNS에서 사용자가 관심을 가지는 아이템을 추천해 주거나, 사용자와 가까운 다른 사용자를 추천해 주는 서비스이다.In social network services (SNS), the demand for various kinds of social services is increasing. Representative service is a recommendation service. The recommendation service is a service that recommends an item of interest to the user in SNS, or recommends another user close to the user.
전문가간의 협업을 위한 SNS의 필요성이 증대됨에 따라, 보다 원활한 협업을 지원할 수 있는 기술이 필요하게 되었다. 그 중 대표적인 기술로 화상회의, 전문가 추천이 존재한다. 전문가 추천은 SNS를 사용하고 있는 사용자 중 전문가의 사회적인 인지도, 전문 분야 근속 년수, 최종 학력 등 추천에 필요한 다양한 사용자 속성에 대한 분석이 필수이다. 하지만 기존에 존재하는 협업적 여과 기반 추천 기법은 사용자 속성에 대한 분석이 전혀 없이, 각 사용자들이 추천한 점수에 기반을 둔 데이터에만 의존하기 때문에 성능을 보장하지 못하는 문제점이 있다. 또한 기존의 기법은 전문가로 판단된 사용자와 유사한 전문가에 대한 정보를 파악하기 어려운 문제점이 존재한다. 이와 같은 기존 방법의 문제점을 해결하고, 전문가 간 협업을 원활하게 지원하는 전문가 추천 서비스를 제공하고자 한다.As the necessity of SNS for collaboration among professionals increases, a technology that can support smoother collaboration is required. Representative technologies include video conferencing and expert recommendation. Expert recommendation requires the analysis of various user attributes necessary for recommendation such as social awareness, professional years of service, and final education among users using SNS. However, the existing collaborative filtration-based recommendation technique does not have any analysis on user attributes, and there is a problem in that it cannot guarantee performance because it relies only on data based on scores recommended by each user. In addition, the existing technique has a problem that it is difficult to grasp information about the expert similar to the user judged as an expert. To solve the problems of the existing method and to provide a professional recommendation service that facilitates the collaboration between experts.
본 발명의 일실시예는 전문분야와 관심분야를 포함하는 전문가의 속성과 전문가 간의 유사도를 계산한 후, 사용자에게 적합한 전문가를 추천해 주는 하이브리드 협업적 여과 방법을 이용한 코사인 유사도 기반 전문가 추천 장치 및 방법을 제공한다.An embodiment of the present invention is a cosine similarity-based expert recommendation apparatus and method using a hybrid collaborative filtration method that calculates the similarity between the attributes of experts and experts, including the specialty and interests, and recommends a suitable expert to the user To provide.
상기의 일실시예를 이루기 위한, 전문가 추천 장치는, 전문가 그룹에 속하는 전문가 단말 사이의 제1 유사도를 연산하는 제1 연산부; 상기 전문가 그룹과 소셜 네트워크 서비스(SNS)로 연결되는 사용자 그룹에 속하는 사용자 단말 사이의 제2 유사도를 연산하는 제2 연산부; EMDP(Effective Missing Data Prediction) 알고리즘에 의거하여, 상기 연산을 통해 상기 제1 유사도 및 상기 제2 유사도가 획득되는지에 따른 추천 점수를 계산하는 추천 계산부; 및 상기 계산된 추천 점수를 이용하여 전문가 단말을 추천하는 추천부를 포함한다.In order to achieve the above embodiment, the expert recommendation apparatus includes: a first calculator configured to calculate a first similarity between expert terminals belonging to an expert group; A second calculator configured to calculate a second similarity between the expert group and a user terminal belonging to a user group connected to a social network service (SNS); A recommendation calculation unit configured to calculate a recommendation score based on whether the first similarity and the second similarity are obtained through the operation, based on an effective missing data prediction (EMDP) algorithm; And a recommendation unit for recommending an expert terminal using the calculated recommendation score.
또한, 상기 일실시예를 달성하기 위한 기술적 방법으로서, 전문가 추천 방법은, 전문가 그룹에 속하는 전문가 단말 사이의 제1 유사도를 연산하는 단계; 상기 전문가 그룹과 소셜 네트워크 서비스(SNS)로 연결되는 사용자 그룹에 속하는 사용자 단말 사이의 제2 유사도를 연산하는 단계; EMDP(Effective Missing Data Prediction) 알고리즘에 의거하여, 상기 연산을 통해 상기 제1 유사도 및 상기 제2 유사도가 획득되는지에 따른 추천 점수를 계산하는 단계; 및 상기 계산된 추천 점수를 이용하여 전문가 단말을 추천하는 단계를 포함한다.In addition, as a technical method for achieving the above embodiment, the expert recommendation method, Comprising: calculating a first similarity between expert terminals belonging to the expert group; Calculating a second similarity between the expert group and a user terminal belonging to a user group connected to a social network service (SNS); Calculating a recommendation score according to whether the first similarity and the second similarity are obtained through the operation based on an effective missing data prediction (EMDP) algorithm; And recommending an expert terminal using the calculated recommendation score.
본 발명의 일실시예에 따르면, 전문가 데이터베이스에 저장되어 있는 데이터가 적을 경우에 점수 예측 기법을 통하여 계산되는 추천 점수를 활용하여 전문가 추천을 수행할 수 있다.According to an embodiment of the present invention, when there is less data stored in the expert database, the expert recommendation may be performed by using the recommendation score calculated through the score prediction technique.
또한, 본 발명의 일실시예에 따르면, 전문가의 전문성을 판단하기 위하여 전문가의 활동(논문, 경력 등)을 활용하여 가중치를 적용해서 전문가 추천의 질을 높일 수 있다.In addition, according to an embodiment of the present invention, in order to determine the professionalism of the expert, the weight of the expert recommendation may be increased by applying a weight using the expert's activities (paper, career, etc.).
또한, 본 발명의 일실시예에 따르면, SNS 사용자는 자신의 관심분야에 대한 전문가를 추천받아 자신의 관심분야에 대한 커뮤니케이션 및 협업을 수행할 수 있다.In addition, according to an embodiment of the present invention, the SNS user may be recommended by experts on their interests to perform communication and collaboration on their interests.
도 1은 본 발명의 일실시예에 따른 전문가 추천 장치의 구성을 보인 블록도이다.
도 2는 본 발명의 일실시예에 따른 전문가 추천 방법의 동작 흐름도이다.1 is a block diagram showing the configuration of an expert recommendation apparatus according to an embodiment of the present invention.
2 is a flowchart illustrating an expert recommendation method according to an embodiment of the present invention.
이하에서, 본 발명에 따른 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나, 본 발명이 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.Hereinafter, embodiments according to the present invention will be described in detail with reference to the accompanying drawings. However, the present invention is not limited to or limited by the embodiments. Like reference symbols in the drawings denote like elements.
도 1은 본 발명의 일실시예에 따른 전문가 추천 장치의 구성을 보인 블록도이다.1 is a block diagram showing the configuration of an expert recommendation apparatus according to an embodiment of the present invention.
본 발명은 기존 방법의 단점인 수학식 1의 γ 파라미터 값 설정이 어려우며, 공통으로 점수가 매겨진 부분에 비해 해당 부분을 제외한 영역이 클 경우 신빙성이 떨어지는 문제점을 해결하기 위해, 코사인 유사도를 기반으로 한 사용자 단말간 유사도를 계산한다. 또한, 본 발명은 신뢰도 높은 전문가 단말 추천을 수행하기 위해, 전문가 단말 판단을 위한 사용자 속성을 제시한다.In the present invention, it is difficult to set the γ parameter value of Equation 1, which is a disadvantage of the conventional method, and to solve the problem of low reliability when the area except the corresponding part is larger than the commonly scored part, it is based on cosine similarity. Calculate the similarity between user terminals. In addition, the present invention provides a user attribute for expert terminal determination in order to perform a reliable expert terminal recommendation.
본 발명에서 제안된 방법에서는 각 사용자 단말의 프로필 정보 중 유사도를 판단할 수 있는 기준이 되는 속성들을 선정하여 코사인 유사도를 적용한 내용 기반 유사도 측정 방법을 제시한다. 또한, 본 발명은 각 사용자 단말들이 전문가 단말에게 추천 점수를 준 데이터를 분석하여 코사인 유사도를 적용한 협업적 여과 기반 유사도 측정 방법을 제시한다. 두 가지 방법은 사용자 기반 측정 데이터(ub)와 전문가(전문가 추천 점수, 전문가 속성 유사도) 기반 측정 데이터(ib)로 분류되며, 사용자 기반 측정 데이터와 전문가 기반 측정 데이터에 대해 α, (1-α)와 같이 대칭되는 반영치를 적용하여, 결과 데이터에 대한 신뢰성을 확보하는 EMDP 과정을 통해 최종 점수 예측 테이블을 생성한다. 마지막으로 본 발명은 서비스 사용자에게 추천 점수 랭킹을 통한 전문가 추천 기능을 제공하며, 추천 데이터에 대한 검증을 통해 전문가 추천 신뢰성을 높인다.In the method proposed in the present invention, a method of measuring content-based similarity using cosine similarity by selecting attributes that are criteria for determining similarity among profile information of each user terminal is presented. In addition, the present invention proposes a collaborative filtration-based similarity measuring method applying cosine similarity by analyzing data that each user terminal gives a recommendation score to an expert terminal. The two methods are divided into user-based measurement data (ub) and expert (expert recommendation scores, expert attribute similarity) -based measurement data (ib), and α, (1-α) for user-based measurement data and expert-based measurement data. The final score prediction table is generated through the EMDP process that secures the reliability of the result data by applying the symmetric reflecting values. Finally, the present invention provides a service user with an expert recommendation function through recommendation score ranking, and enhances expert recommendation reliability through verification of recommendation data.
도 1을 참조하면, 전문가 추천 장치는 제1 연산부(110), 제2 연산부(120), 추천 계산부(130), 추천부(140)를 포함한다.Referring to FIG. 1, the expert recommendation apparatus includes a
제1 연산부(110)는 전문가 그룹에 속하는 전문가 단말 사이의 제1 유사도를 연산한다.The
제1 연산부(110)는 전문분야, 관심분야, 출신지역, 종사지역, 직장, 또는 나이 중 적어도 하나에 관한 속성에 근거하여, 전문가 단말 간의 내용기반 유사도값을 산출한다. 제1 연산부(110)는 속성별 가중치와 복수 전문가 단말 사이의 임의 속성에 대한 유사도값을 곱하고 합산하여 내용기반 유사도값을 산출한다.The first calculating
제1 연산부(110)는 임의 사용자 단말에 의해 평가되었던 전문가 단말 간의 협업기반 유사도값을 산출한다. 제1 연산부(110)는 임의 사용자 단말이 전문가 단말에 부여한 평가점수를 평균한 값을 분산 값으로 나누어 협업기반 유사도값을 산출한다.The
제1 연산부(110)는 내용기반 유사도값과 헙업기반 유사도값 각각으로 서로 대칭되는 제2 반영치를 곱셈 적용하여 제1 유사도를 연산한다.The
제2 연산부(120)는 전문가 그룹과 소셜 네트워크 서비스(SNS)로 연결되는 사용자 그룹에 속하는 사용자 단말 사이의 제2 유사도를 연산한다.The
제2 연산부(120)는 사용자 유사도값을 산출하고, 직접 경로로 연결되는 사용자 단말 간에 사용자 유사도값으로 산출된 로컬 사용자 유사도값과, 간접 경로로 연결되는 사용자 단말 간에 사용자 유사도값으로 산출된 글로벌 사용자 유사도값 중 큰 값을, 제2 유사도로서 연산한다. 여기서, 제2 연산부(120)는 사용자 유사도값의 외적값을 내적값으로 나누고, 사용자 단말 사이의 피어슨 상관 계수를 곱하여 사용자 유사도값을 산출한다.The
추천 계산부(130)는 EMDP(Effective Missing Data Prediction) 알고리즘에 의거하여, 연산을 통해 제1 유사도 및 제2 유사도가 획득되는지에 따른 추천 점수를 계산한다.The
추천 계산부(130)는 제1 유사도와 제2 유사도를 모두 획득하는 경우, 제1 유사도와 제2 유사도 각각으로 서로 대칭되는 제1 반영치를 곱셈 적용하여 추천 점수를 계산한다.When the
추천 계산부(130)는 제1 유사도와 제2 유사도를 모두 획득하지 않는 경우, 전문가 단말에 기부여된 전문가 점수에 대한 전문가 평균값을 연산하고, 사용자 단말에 기부여된 사용자 점수에 대한 사용자 평균값을 연산하고, 전문가 평균값과 사용자 평균값 각각으로 서로 대칭되는 제1 반영치를 곱셈 적용하여 추천 점수를 계산한다.When the
추천 계산부(130)는 제1, 2 유사도 중 어느 하나의 유사도를 획득하는 경우, 획득된 유사도를 추천 점수로서 계산한다.When the
추천부(140)는 계산된 추천 점수를 이용하여 전문가 단말을 추천한다. 추천부(140)는 전문가 단말에 대한 활동성 값에 따른 가중치를 고려하여 추천 점수를 갱신하고, 갱신된 추천 점수에 의해 부여된 랭킹 순으로 전문가 단말을 추천한다.The
도 2는 본 발명의 일실시예에 따른 전문가 추천 방법의 동작 흐름도이다.2 is a flowchart illustrating an expert recommendation method according to an embodiment of the present invention.
전문가 간 내용기반 유사도 계산(210)Content-Based Similarity Calculation Between Experts (210)
도 2를 참조하여, 전문가 추천 장치는 전문가 단말 간 내용기반 유사도 계산에서 전문가 단말의 각 속성 간 거리 계산에서 도출된 내용 기반 값을 기준으로 하여, 전문가 간 내용기반 유사도 계산을 통해 비슷한 속성 값을 갖는 전문가 단말을 추출한다. 내용 기반 값을 판단하는 기준은 표 1의 각 전문가 단말의 속성에서 전문분야, 관심분야, 출신지역, 종사지역, 직장명, 나이 등이 존재한다. 전문가 추천 장치는 전문분야, 관심분야, 출신지역, 종사지역, 직장, 또는 나이 중 적어도 하나에 관한 속성에 근거하여, 전문가 단말 간의 내용기반 유사도값을 산출한다. 각 속성의 유사도를 계산하는 식은 수학식 2와 같다. 전문가 추천 장치는 속성별 가중치와 복수 전문가 단말 사이의 임의 속성에 대한 유사도값을 곱하고 합산하여 내용기반 유사도값을 산출한다.Referring to FIG. 2, the expert recommendation apparatus has similar attribute values through content-based similarity calculation between experts based on content-based values derived from distance calculation between attributes of expert terminals in content-based similarity calculation between expert terminals. Extract the expert terminal. Criteria for judging content-based values include specialty, interest, place of origin, working area, job name and age in the attributes of each expert terminal in Table 1. The expert recommendation apparatus calculates a content-based similarity value between expert terminals based on attributes related to at least one of a specialty, an area of interest, a region of origin, a work area, a job, or age. The equation for calculating the similarity of each attribute is shown in Equation 2. The expert recommendation apparatus calculates a content-based similarity value by multiplying and summing similarity values for arbitrary attributes among the plurality of expert terminals.
여기서, ContentSim(Ei, Ej)는 두 전문가 단말 Ei와 Ej간의 내용 기반 유사도를 의미하며, wn은 전문가 판단을 위한 사용자 속성 별 가중치 값을 의미하고, f(Ani, Anj)는 두 전문가 단말사이의 한 속성(An)에 대한 유사도를 계산하는 함수로써, 표 1의 거리 측정과 같다. SPSS의 회귀분석을 활용하여 도출된 전문가 속성 별 가중치 값은 표 2와 같다.Here, ContentSim (E i , E j ) means content-based similarity between two expert terminals E i and E j , w n means a weight value for each user attribute for expert judgment, and f (A ni , A nj ) Is a function that calculates the similarity of one attribute (A n ) between two expert terminals, as shown in Table 1 below. The weight values for each expert attribute derived from the SPSS regression analysis are shown in Table 2.
내용 기반 유사도가 높은 전문가 단말들은 추천이 필요한 전문가 그룹에 대해서 비슷한 그룹으로 분류될 가능성이 높다. 따라서 전문가 추천 장치는 내용 기반 유사도가 높은 전문가에 대해서 다음 요소 기술인 협업적 여과 기법을 통한 유사도 계산을 추가적으로 수행하여 전문가 간 유사도를 최종적으로 계산한다.Expert terminals with high content-based similarity are more likely to be classified into similar groups for expert groups that need to be recommended. Therefore, the expert recommendation device finally calculates the similarity between experts by additionally performing similarity calculation through collaborative filtration technique, which is the next element technology, for the experts with high content-based similarity.
전문가 간 협업적 여과 기법을 통한 유사도 계산(220)Similarity Calculation with Collaborative Filtering Techniques Between Experts (220)
도 2를 참조하여, 전문가 추천 장치는 전문가 단말 간 협업적 여과 기법을 통한 유사도 계산에서 전문가 단말 간 협업적 여과 기법을 통한 유사도 계산을 수행한다. 협업적 여과 기법은 표 3의 추천 점수 예제 테이블에서 사용자 A가 추천 점수를 준 전문가 A와 B의 유사도, 사용자 B가 추천 점수를 준 전문가 B와 C의 유사도, 사용자 C가 추천 점수를 준 전문가 A와 C의 유사도를 구하는 방법이다.Referring to FIG. 2, the expert recommendation apparatus performs a similarity calculation through a collaborative filtering technique between expert terminals in a similarity calculation through collaborative filtering technique between expert terminals. The collaborative filtration technique uses the similarity between Experts A and B for which User A gave a recommendation score, the similarity between Experts B and C for which User B gave a recommendation score, and Expert A for which User C gave a recommendation score in Table 3 Find the similarity between and C.
전문가 간 협업적 여과 기법을 통한 유사도 계산식은 수학식 3과 같다.The similarity calculation through the collaborative filtering technique between experts is shown in Equation 3.
여기서, Ru , Ei와 Ru , Ej는 각각 사용자 단말 u가 전문가 단말 Ei와 Ej에 부여한 점수를 의미하고, 
전문가 추천 장치는 임의 사용자 단말에 의해 평가되었던 전문가 단말 간의 협업 기반 유사도값을 산출한다. 전문가 추천 장치는 임의 사용자 단말이 전문가 단말에 부여한 평가점수를 평균한 값을 분산 값으로 나누어 협업기반 유사도값을 산출한다.The expert recommendation apparatus calculates a collaboration-based similarity value between expert terminals that has been evaluated by any user terminal. The expert recommendation apparatus calculates the collaboration-based similarity value by dividing the average value of the evaluation scores assigned to the expert terminal by the variance value.
전문가 간 유사도 계산(230)Calculation of similarity between experts (230)
위에서 계산된 전문가 단말 간 내용 기반 유사도 값과 협업적 여과 방법을 통한 유사도 값을 모두 종합하는 수학식은 다음과 같다. 수학식 4는 β의 값을 통하여 전문가 단말 간 내용기반 유사도값과 협업적 여과 기법을 통한 유사도값을 반영한다.The equation that synthesizes both the content-based similarity value between expert terminals and the similarity value through the collaborative filtering method is as follows. Equation 4 reflects the content-based similarity value between expert terminals through the value of β and the similarity value through the collaborative filtering technique.
여기서, OverAllItemSim은 전문가 단말 간 유사도 값을 의미하고, 이는 전문가(전문가 추천 점수, 전문가 속성 유사도) 기반 측정 데이터(ib)로 분류된다. 계산된 전문가 단말 간 유사도는 최종 결과값을 추출하기 위한 EMDP 알고리즘에서 전문가 유사도로 사용한다.Here, OverAllItemSim means a similarity value between expert terminals, which is classified as expert (expert recommendation score, expert attribute similarity) based measurement data ib. The calculated similarity between expert terminals is used as expert similarity in the EMDP algorithm for extracting the final result.
전문가 추천 장치는 내용기반 유사도값과 협업기반 유사도값 각각에 서로 대칭되는 제2 반영치를 곱셈 적용하여 제1 유사도를 연산한다.The expert recommendation apparatus calculates the first similarity by multiplying the second reflecting values that are symmetrical to each of the content-based similarity value and the collaboration-based similarity value.
로컬, 글로벌 유사도 계산(240)Local, Global Similarity Calculations (240)
전문가 추천 장치는 전문가 그룹과 소셜 네트워크 서비스로 연결되는 사용자 그룹에 속하는 사용자 단말 사이의 제2 유사도를 연산한다. 전문가 추천 장치는 사용자 유사도값을 산출하고, 직접 경로로 연결되는 사용자 단말 간에 사용자 유사도값으로 산출된 로컬 사용자 유사도값과, 간접 경로로 연결되는 사용자 단말 간에 사용자 유사도값으로 산출된 글로벌 사용자 유사도값 중 큰 값을, 제2 유사도로서 연산한다. 여기서, 전문가 추천 장치는 사용자 유사도값의 외적값을 내적값으로 나누고, 사용자 단말 사이의 피어슨 상관 계수를 곱하여 사용자 유사도값을 산출한다.The expert recommendation apparatus calculates a second similarity between the expert group and the user terminal belonging to the user group connected to the social network service. The expert recommendation apparatus calculates a user similarity value, and among the local user similarity values calculated as user similarity values between the user terminals connected by the direct path, and the global user similarity values calculated as the user similarity values between the user terminals connected by the indirect path. The large value is calculated as the second similarity degree. Here, the expert recommendation apparatus calculates a user similarity value by dividing the external value of the user similarity value by the internal value and multiplying the Pearson correlation coefficient between user terminals.
로컬 사용자 유사도는 사용자 단말들 간의 직접적인 유사도 관계를 나타내는 것으로, 종래 추천 방법의 문제점을 해결하기 위한 본 발명에 따른 방법에서 로컬 사용자 유사도는 수학식 5를 통해 계산한다.Local user similarity represents a direct similarity relationship between user terminals. In the method according to the present invention for solving the problem of the conventional recommendation method, the local user similarity is calculated through Equation 5.
여기서, CollabSim(a,u)는 사용자 단말 Ua와 Uu의 로컬 사용자 유사도를, sim(a,u)는 사용자 단말 Ua와 Uu사이이 피어슨 상관 계수(Peason's Correlation Coefficient)를 의미한다. 사용자 단말들간의 로컬 사용자 유사도가 측정되면, 사용자 단말들간의 간접 경로를 통해 사용자 단말 Ua, Uu에 대한 글로벌 사용자 유사도를 계산한다. 만약, Ua에서 Uu로 이어지는 어느 경로상의 각 사용자 Uk간의 유사도 값이 Ua와 Uu간의 로컬 사용자 유사도 값보다 높으면, 해당 값을 Ua와 Uu의 글로벌 유사도로 결정한다.Here, CollabSim (a, u) denotes a local user similarity between user terminals Ua and Uu, and sim (a, u) denotes Pearson's Correlation Coefficient between the user terminals Ua and Uu. When the local user similarity between the user terminals is measured, the global user similarity for the user terminals Ua and Uu is calculated through the indirect path between the user terminals. If the similarity value between each user Uk on a path from Ua to Uu is higher than the local user similarity value between Ua and Uu, the value is determined as the global similarity between Ua and Uu.
최종 추천 점수 값 도출(250)Derived Final Referral Score Values (250)
전문가 추천 장치는 계산된 전문가 단말 간 및 사용자 단말 간 유사도를 바탕으로 EMDP(Effective Missing Data Prediction) 알고리즘을 통한 실제 점수 예측을 수행한다. EMDP 알고리즘은 제1 유사도, 제2 유사도의 유무에 따라 총 네 가지 결과를 통해 결측 정보에 대한 점수 데이터를 예측 및 반영하고, 이를 바탕으로 추천 점수를 계산한다. EDMP의 세부 과정은 다음과 같다. 첫째, 제1 유사도(ub) 및 제2 유사도(ib)가 모두 존재할 경우, λ*ub(u,i) + (1-λ)*ib(u,i)를 통해 추천 점수를 계산한다. 둘째, 제1 유사도만이 존재할 경우, 이를 추천 점수(ub(u,i))로 설정한다. 셋째, 제2 유사도만이 존재할 경우, 이를 추천 점수(ib(u,i))로 설정한다. 마지막으로 제1 유사도 및 제2 유사도가 모두 존재하지 않을 경우, λ*avg(u) + (1-λ)*avg(i)와 같이 사용자 단말 및 전문가 단말의 평균 점수를 기반으로 추천 점수를 계산한다. EMDP를 통해 추천 점수가 계산되면, 수학식 6에서 계산된 가중치 weight를 수학식 7과 같이 추천 점수에 반영하여 최종 추천 점수를 계산하고, 이를 통해 구축된 최종 추천 점수 예측 테이블을 통해 전문성이 높게 분류된 전문가를 추천한다.The expert recommendation apparatus performs the actual score prediction through the effective missing data prediction (EMDP) algorithm based on the calculated similarity between expert terminals and user terminals. The EMDP algorithm predicts and reflects score data on missing information based on four results according to whether there is a first similarity and a second similarity, and calculates a recommendation score based on the result. The detailed process of EDMP is as follows. First, when both the first similarity ub and the second similarity ib exist, a recommendation score is calculated through λ * ub (u, i) + (1-λ) * ib (u, i). Second, if only the first similarity exists, it is set as the recommendation score ub (u, i). Third, if only the second similarity exists, it is set as the recommendation score ib (u, i). Finally, when neither the first similarity nor the second similarity exists, the recommendation score is calculated based on the average score of the user terminal and the expert terminal, such as λ * avg (u) + (1-λ) * avg (i). do. When the recommendation score is calculated through EMDP, the final recommendation score is calculated by reflecting the weighted weight calculated in Equation 6 to the recommendation score as shown in Equation 7, and the expertise is highly classified through the final recommendation score prediction table constructed through this. Recommend a professional.
표 1의 논문 수, 게시 글/답변 글 수, 인맥 수, 경력은 해당 사용자의 활동성 및 전문성을 판단하기 위해 사용되며, 전체 결과 셋에 곱할 가중치(weight)로 계산된다. 가중치는 수학식 6을 통해 계산되며, 가중치의 값은 [w1,w2]의 범위를 가진다. 이때, 수학식 6은 전문가 단말을 추천하고자 하는 분야의 최대 논문 수, 최대 게시 글 수 등 활동성이 높은 전문가 단말을 기준으로 하여, 비교하고자 하는 전문가 단말의 활동성 값을 평균으로 계산한다. 따라서 활동성이 높은 전문가 단말일수록 w2에 가깝고, 활동성이 낮은 전문가 단말일수록 w1에 가까워진다.The number of articles, posts / answers, contacts, and careers in Table 1 are used to determine the user's activity and professionalism, and are calculated as the weight to multiply the overall result set. The weight is calculated through Equation 6, and the value of the weight has a range of [w 1 , w 2 ]. In this case, Equation 6 calculates the average activity values of the expert terminals to be compared, based on the expert terminals having high activity, such as the maximum number of articles and the maximum number of posts in the field for which the expert terminals are recommended. Therefore, the more active expert terminal is closer to w 2 , and the less active expert terminal is closer to w 1 .
전문가 추천 장치는 추천 점수를 이용하여 전문가 단말을 추천한다. 전문가 추천 장치는 전문가 단말에 대한 활동성 값에 따른 가중치를 고려하여 추천 점수를 갱신하고, 갱신된 추천 점수에 의해 부여된 랭킹 순으로 전문가 단말을 추천한다.The expert recommendation device recommends the expert terminal using the recommendation score. The expert recommendation apparatus updates the recommendation score in consideration of the weight according to the activity value for the expert terminal, and recommends the expert terminal in the order of ranking given by the updated recommendation score.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.The apparatus described above may be implemented as a hardware component, a software component, and / or a combination of hardware components and software components. For example, the apparatus and components described in the embodiments may be implemented within a computer system, such as, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable array (FPA) A programmable logic unit (PLU), a microprocessor, or any other device capable of executing and responding to instructions. The processing device may execute an operating system (OS) and one or more software applications running on the operating system. The processing device may also access, store, manipulate, process, and generate data in response to execution of the software. For ease of understanding, the processing apparatus may be described as being used singly, but those skilled in the art will recognize that the processing apparatus may have a plurality of processing elements and / As shown in FIG. For example, the processing unit may comprise a plurality of processors or one processor and one controller. Other processing configurations are also possible, such as a parallel processor.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.The software may include a computer program, code, instructions, or a combination of one or more of the foregoing, and may be configured to configure the processing device to operate as desired or to process it collectively or collectively Device can be commanded. The software and / or data may be in the form of any type of machine, component, physical device, virtual equipment, computer storage media, or device , Or may be permanently or temporarily embodied in a transmitted signal wave. The software may be distributed over a networked computer system and stored or executed in a distributed manner. The software and data may be stored on one or more computer readable recording media.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.The method according to an embodiment may be implemented in the form of a program command that can be executed through various computer means and recorded in a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, and the like, alone or in combination. The program instructions to be recorded on the medium may be those specially designed and configured for the embodiments or may be available to those skilled in the art of computer software. Examples of computer-readable media include magnetic media such as hard disks, floppy disks and magnetic tape; optical media such as CD-ROMs and DVDs; magnetic media such as floppy disks; Magneto-optical media, and hardware devices specifically configured to store and execute program instructions such as ROM, RAM, flash memory, and the like. Examples of program instructions include machine language code such as those produced by a compiler, as well as high-level language code that can be executed by a computer using an interpreter or the like. The hardware devices described above may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.While the present invention has been particularly shown and described with reference to exemplary embodiments thereof, it is to be understood that the invention is not limited to the disclosed exemplary embodiments. For example, it is to be understood that the techniques described may be performed in a different order than the described methods, and / or that components of the described systems, structures, devices, circuits, Lt; / RTI > or equivalents, even if it is replaced or replaced.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents to the claims are also within the scope of the following claims.
110 : 제1 연산부
120 : 제2 연산부
130 : 추천 계산부
140 : 추천부110: first operation unit
120: second calculation unit
130: recommendation calculation unit
140: recommendation
Claims (20)
상기 전문가 그룹과 소셜 네트워크 서비스(SNS)로 연결되는 사용자 그룹에 속하는 사용자 단말 사이의 제2 유사도를 연산하는 제2 연산부;
EMDP(Effective Missing Data Prediction) 알고리즘에 의거하여, 상기 연산을 통해 상기 제1 유사도 및 상기 제2 유사도가 획득되는지에 따른 추천 점수를 계산하는 추천 계산부; 및
상기 계산된 추천 점수를 이용하여 전문가 단말을 추천하는 추천부
를 포함하는 전문가 추천 장치.A first calculator configured to calculate a first similarity between expert terminals belonging to an expert group;
A second calculator configured to calculate a second similarity between the expert group and a user terminal belonging to a user group connected to a social network service (SNS);
A recommendation calculation unit configured to calculate a recommendation score based on whether the first similarity and the second similarity are obtained through the operation, based on an effective missing data prediction (EMDP) algorithm; And
Recommendation unit for recommending a professional terminal using the calculated recommendation score
Expert recommendation device comprising a.
상기 추천 계산부는,
상기 제1 유사도와 상기 제2 유사도를 모두 획득하는 경우,
상기 제1 유사도와 상기 제2 유사도 각각으로 서로 대칭되는 제1 반영치를 곱셈 적용하여 상기 추천 점수를 계산하는
전문가 추천 장치.The method of claim 1,
The recommendation calculation unit,
When both the first similarity and the second similarity are obtained,
Calculating the recommendation score by multiplying a first reflection value which is symmetrical with each of the first similarity and the second similarity;
Expert recommendation device.
상기 추천 계산부는,
상기 제1 유사도와 상기 제2 유사도를 모두 획득하지 않는 경우,
상기 전문가 단말에 기부여된 전문가 점수에 대한 전문가 평균값을 연산하고, 상기 사용자 단말에 기부여된 사용자 점수에 대한 사용자 평균값을 연산하며, 상기 전문가 평균값과 상기 사용자 평균값 각각으로 서로 대칭되는 제1 반영치를 곱셈 적용하여 상기 추천 점수를 계산하는
전문가 추천 장치.The method of claim 1,
The recommendation calculation unit,
If neither the first similarity nor the second similarity is obtained,
Computing an expert average value for the expert scores donated to the expert terminal, calculating a user average value for the user scores donated to the user terminal, the first reflection value symmetrical with each other the expert average value and the user average value Calculate the recommendation score by applying multiplication
Expert recommendation device.
상기 추천 계산부는,
상기 제1 유사도와 상기 제2 유사도 중 어느 하나의 유사도를 획득하는 경우, 획득된 유사도를 상기 추천 점수로서 계산하는
전문가 추천 장치.The method of claim 1,
The recommendation calculation unit,
When the similarity degree of any one of the first similarity and the second similarity is obtained, the obtained similarity is calculated as the recommendation score.
Expert recommendation device.
상기 제1 연산부는,
전문분야, 관심분야, 출신지역, 종사지역, 직장, 또는 나이 중 적어도 하나에 관한 속성에 근거하여, 상기 전문가 단말 간의 내용기반 유사도값을 산출하고, 임의 사용자 단말에 의해 평가되었던 전문가 단말 간의 협업기반 유사도값을 산출하며, 상기 내용기반 유사도값과 상기 헙업기반 유사도값 각각으로 서로 대칭되는 제2 반영치를 곱셈 적용하여 상기 제1 유사도를 연산하는
전문가 추천 장치.The method of claim 1,
The first operation unit,
Based on attributes related to at least one of specialty, interest, region of origin, working area, workplace, or age, the content-based similarity value between the expert terminals is calculated, and the collaboration base between expert terminals evaluated by any user terminal. Calculating a similarity value and calculating the first similarity by multiplying a second reflection value symmetrically with each of the content-based similarity value and the pop-up based similarity value;
Expert recommendation device.
상기 제1 연산부는,
속성별 가중치와 복수 전문가 단말 사이의 임의 속성에 대한 유사도값을 곱하고 합산하여 상기 내용기반 유사도값을 산출하는
전문가 추천 장치.6. The method of claim 5,
The first operation unit,
The content-based similarity value is calculated by multiplying and summing similarity values for arbitrary attributes between a plurality of expert terminals and a plurality of expert terminals.
Expert recommendation device.
상기 제1 연산부는,
상기 임의 사용자 단말이 상기 전문가 단말에 부여한 평가점수를 평균한 값을 분산 값으로 나누어 상기 협업기반 유사도값을 산출하는
전문가 추천 장치.6. The method of claim 5,
The first operation unit,
Computing the collaboration-based similarity value by dividing the average of the evaluation scores given to the expert terminal by the arbitrary user terminal by the variance value
Expert recommendation device.
상기 제2 연산부는,
사용자 유사도값을 산출하고, 직접 경로로 연결되는 사용자 단말 간에 상기 사용자 유사도값으로 산출된 로컬 사용자 유사도값과, 간접 경로로 연결되는 사용자 단말 간에 상기 사용자 유사도값으로 산출된 글로벌 사용자 유사도값 중 큰 값을, 상기 제2 유사도로서 연산하는
전문가 추천 장치.The method of claim 1,
The second operation unit,
A larger value of a local user similarity value calculated as the user similarity value between user terminals connected by a direct path and a global user similarity value calculated as the user similarity value between user terminals connected by an indirect path; Is calculated as the second similarity degree.
Expert recommendation device.
상기 제2 연산부는,
상기 사용자 유사도값의 외적값을 내적값으로 나누고, 상기 사용자 단말 사이의 피어슨 상관 계수를 곱하여 상기 사용자 유사도값을 산출하는
전문가 추천 장치.9. The method of claim 8,
The second operation unit,
Dividing the external value of the user similarity value by the internal product and multiplying the Pearson correlation coefficient between the user terminals to calculate the user similarity value
Expert recommendation device.
상기 추천부는,
상기 전문가 단말에 대한 활동성 값에 따른 가중치를 고려하여 상기 추천 점수를 갱신하고, 상기 갱신된 추천 점수에 의해 부여된 랭킹 순으로 상기 전문가 단말을 추천하는
전문가 추천 장치.The method of claim 1,
The recommendation unit,
Updating the recommendation score in consideration of weights according to activity values for the expert terminal, and recommending the expert terminal in the order of ranking given by the updated recommendation score
Expert recommendation device.
상기 전문가 그룹과 소셜 네트워크 서비스(SNS)로 연결되는 사용자 그룹에 속하는 사용자 단말 사이의 제2 유사도를 연산하는 단계;
EMDP(Effective Missing Data Prediction) 알고리즘에 의거하여, 상기 연산을 통해 상기 제1 유사도 및 상기 제2 유사도가 획득되는지에 따른 추천 점수를 계산하는 단계; 및
상기 계산된 추천 점수를 이용하여 전문가 단말을 추천하는 단계
를 포함하는 전문가 추천 방법.Calculating a first similarity between expert terminals belonging to an expert group;
Calculating a second similarity between the expert group and a user terminal belonging to a user group connected to a social network service (SNS);
Calculating a recommendation score according to whether the first similarity and the second similarity are obtained through the operation based on an effective missing data prediction (EMDP) algorithm; And
Recommending an expert terminal using the calculated recommendation score
Expert recommendation method that includes.
상기 추천 점수를 계산하는 단계는,
상기 제1 유사도와 상기 제2 유사도를 모두 획득하는 경우,
상기 제1 유사도와 상기 제2 유사도 각각으로 서로 대칭되는 제1 반영치를 곱셈 적용하는 수식 1을 통해 상기 추천 점수를 계산하는 단계
를 포함하고,
상기 수식 1은, 'λ*제2 유사도 + (1-λ)*제1 유사도'를 만족하고,
상기 서로 대칭되는 제1 반영치 λ와 1-λ는, 합산하면 1이 되는 변수인
전문가 추천 방법.12. The method of claim 11,
The step of calculating the recommendation score includes:
When both the first similarity and the second similarity are obtained,
Calculating the recommendation score through Equation 1 to multiply and apply a first reflection value which is symmetrical to each of the first similarity and the second similarity;
Lt; / RTI >
Equation 1 satisfies 'λ * second similarity + (1-λ) * first similarity',
The first reflection values [lambda] and 1- [lambda], which are symmetrical to each other, are variables that add up to 1 when they add up.
How to recommend an expert.
상기 추천 점수를 계산하는 단계는,
상기 제1 유사도와 상기 제2 유사도를 모두 획득하지 않는 경우,
상기 전문가 단말에 기부여된 전문가 점수에 대한 전문가 평균값을 연산하는 단계;
상기 사용자 단말에 기부여된 사용자 점수에 대한 사용자 평균값을 연산하는 단계; 및
상기 전문가 평균값과 상기 사용자 평균값 각각으로 서로 대칭되는 제1 반영치를 곱셈 적용하는 수식 2을 통해 상기 추천 점수를 계산하는 단계
를 포함하고,
상기 수식 2는, 'λ*사용자 평균값 + (1-λ)*전문가 평균값'를 만족하고,
상기 서로 대칭되는 제1 반영치 λ와 1-λ는, 합산하면 1이 되는 변수인
전문가 추천 방법.12. The method of claim 11,
The step of calculating the recommendation score includes:
If neither the first similarity nor the second similarity is obtained,
Calculating an expert average value for an expert score donated to the expert terminal;
Calculating a user average value for a user score donated to the user terminal; And
Calculating the recommendation score through Equation 2 to multiply and apply a first reflection value which is symmetrical to each of the expert mean value and the user mean value;
Lt; / RTI >
Equation 2 satisfies 'λ * user average value + (1-λ) * expert average value',
The first reflection values [lambda] and 1- [lambda], which are symmetrical to each other, are variables that add up to 1 when they add up.
How to recommend an expert.
상기 추천 점수를 계산하는 단계는,
상기 제1 유사도 및 제2 유사도 중 어느 하나의 유사도를 획득하는 경우, 획득된 유사도를 상기 추천 점수로서 계산하는 단계
를 포함하는 전문가 추천 방법.12. The method of claim 11,
The step of calculating the recommendation score includes:
Calculating the similarity as the recommendation score when the similarity of any one of the first similarity and the second similarity is obtained;
Expert recommendation method that includes.
상기 제1 유사도를 연산하는 단계는,
전문분야, 관심분야, 출신지역, 종사지역, 직장, 또는 나이 중 적어도 하나에 관한 속성에 근거하여, 상기 전문가 단말 간의 내용기반 유사도값을 산출하는 단계;
임의 사용자 단말에 의해 평가되었던 전문가 단말 간의 협업기반 유사도값을 산출하는 단계; 및
상기 내용기반 유사도값과 상기 헙업기반 유사도값 각각으로 서로 대칭되는 제2 반영치를 곱셈 적용하는 수식 3을 통해 상기 제1 유사도를 연산하는 단계
를 포함하고,
상기 수식 3은, 'β*내용기반 유사도값 + (1-β)*협업기반 유사도값'를 만족하고,
상기 서로 대칭되는 제2 반영치 β와 1-β는, 합산하면 1이 되는 변수인
전문가 추천 방법.12. The method of claim 11,
Computing the first similarity degree,
Calculating a content-based similarity value between the expert terminals based on attributes related to at least one of a specialty, an interest, a region of origin, a work area, a job, or an age;
Calculating a collaboration-based similarity value between expert terminals evaluated by any user terminal; And
Calculating the first similarity through Equation 3 to multiply and apply a second reflection value which is symmetrical to each of the content-based similarity value and the pop-up based similarity value.
Lt; / RTI >
Equation 3 satisfies 'β * content-based similarity value + (1-β) * collaboration-based similarity value',
The second reflection values β and 1-β, which are symmetrical to each other, are variables that add up to 1 when summed together.
How to recommend an expert.
상기 내용기반 유사도값을 산출하는 단계는,
- 상기
를 포함하는 전문가 추천 방법.16. The method of claim 15,
Computing the content-based similarity value,
- remind
Expert recommendation method that includes.
상기 협업기반 유사도값을 산출하는 단계는,
- 상기
를 포함하는 전문가 추천 방법.16. The method of claim 15,
Computing the collaboration-based similarity value,
- remind
Expert recommendation method that includes.
상기 제2 유사도를 연산하는 단계는,
사용자 유사도값을 산출하는 단계; 및
직접 경로로 연결되는 사용자 단말 간에 상기 사용자 유사도값으로 산출된 로컬 사용자 유사도값과, 간접 경로로 연결되는 사용자 단말 간에 상기 사용자 유사도값으로 산출된 글로벌 사용자 유사도값 중 큰 값을, 상기 제2 유사도로서 연산하는 단계
를 포함하는 전문가 추천 방법.12. The method of claim 11,
Computing the second similarity,
Calculating a user similarity value; And
The larger of a local user similarity value calculated as the user similarity value between the user terminals connected by the direct path and a global user similarity value calculated as the user similarity value between the user terminals connected by the indirect path as the second similarity. Calculation step
Expert recommendation method that includes.
상기 사용자 유사도값을 산출하는 단계는,
- 상기 sim(a,u)는 상기 사용자 단말 사이의 피어슨 상관 계수를 의미함 -
를 포함하는 전문가 추천 방법.19. The method of claim 18,
Computing the user similarity value,
Sim (a, u) means Pearson's correlation coefficient between the user terminals
Expert recommendation method that includes.
상기 전문가 단말을 추천하는 단계는,
상기 전문가 단말에 대한 활동성 값에 따른 가중치를 고려하여 상기 추천 점수를 갱신하고, 상기 갱신된 추천 점수에 의해 부여된 랭킹 순으로 상기 전문가 단말을 추천하는 단계
를 포함하는 전문가 추천 방법.12. The method of claim 11,
Recommend the expert terminal,
Updating the recommendation score in consideration of a weight according to the activity value for the expert terminal, and recommending the expert terminal in order of ranking given by the updated recommendation score
Expert recommendation method that includes.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020120057282A KR101363171B1 (en) | 2012-05-30 | 2012-05-30 | Cosine similarity based expert recommendation technique using hybrid collaborative filtering |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020120057282A KR101363171B1 (en) | 2012-05-30 | 2012-05-30 | Cosine similarity based expert recommendation technique using hybrid collaborative filtering |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20130134046A KR20130134046A (en) | 2013-12-10 |
| KR101363171B1 true KR101363171B1 (en) | 2014-02-14 |
Family
ID=49981734
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020120057282A KR101363171B1 (en) | 2012-05-30 | 2012-05-30 | Cosine similarity based expert recommendation technique using hybrid collaborative filtering |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101363171B1 (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103886747A (en) * | 2014-03-14 | 2014-06-25 | 浙江大学 | Road segment traffic circulation similarity measure method |
| KR102147540B1 (en) * | 2020-03-11 | 2020-08-24 | 주식회사 다리소프트 | Information sharing server that enables sharing of road condition information based on location information and vehicle driving information and operating method thereof |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108269172B (en) * | 2018-01-18 | 2020-02-18 | 四川大学 | Collaborative filtering method based on comprehensive similarity migration |
| CN108985370B (en) * | 2018-07-10 | 2021-04-16 | 中国人民解放军国防科技大学 | Automatic generation method of image annotation sentences |
| KR102380871B1 (en) * | 2020-05-18 | 2022-03-30 | 주식회사 엘지유플러스 | Method and Apparatus for Recommendation of Similar Content Items |
| KR102454261B1 (en) * | 2020-06-03 | 2022-10-14 | 위인터랙트(주) | Collaborative partner recommendation system and method based on user information |
| CN111857660B (en) * | 2020-07-06 | 2021-10-08 | 南京航空航天大学 | Context-aware API recommendation method and terminal based on query statement |
| KR102600307B1 (en) * | 2022-10-11 | 2023-11-09 | 주식회사 커피챗 | User and conversation partner matching optimization system based on combination of user 's representative activity log extraction method and machine learning model and the operation method thereof |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100256862A1 (en) | 2009-02-20 | 2010-10-07 | Jean Verhardt | Apparatus, method, and platform for real-time mobile broadband communication data |
-
2012
- 2012-05-30 KR KR1020120057282A patent/KR101363171B1/en not_active IP Right Cessation
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100256862A1 (en) | 2009-02-20 | 2010-10-07 | Jean Verhardt | Apparatus, method, and platform for real-time mobile broadband communication data |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103886747A (en) * | 2014-03-14 | 2014-06-25 | 浙江大学 | Road segment traffic circulation similarity measure method |
| CN103886747B (en) * | 2014-03-14 | 2016-03-09 | 浙江大学 | Road section traffic volume runs method for measuring similarity |
| KR102147540B1 (en) * | 2020-03-11 | 2020-08-24 | 주식회사 다리소프트 | Information sharing server that enables sharing of road condition information based on location information and vehicle driving information and operating method thereof |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20130134046A (en) | 2013-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101363171B1 (en) | Cosine similarity based expert recommendation technique using hybrid collaborative filtering | |
| He et al. | Diversified third-party library prediction for mobile app development | |
| US10430727B1 (en) | Systems and methods for privacy-preserving generation of models for estimating consumer behavior | |
| CN109241415B (en) | Project recommendation method and device, computer equipment and storage medium | |
| Lu | Recommendations based on purchase patterns | |
| CN108805598B (en) | Similarity information determination method, server and computer-readable storage medium | |
| US20180357669A1 (en) | System and method for information processing | |
| KR101524971B1 (en) | Personality traits prediction method and apparatus based on consumer psychology | |
| WO2016015444A1 (en) | Target user determination method, device and network server | |
| CN107391692A (en) | The appraisal procedure and device of a kind of recommendation effect | |
| US20200320548A1 (en) | Systems and Methods for Estimating Future Behavior of a Consumer | |
| US20160042428A1 (en) | Personalized product recommendation based on brand personality scale | |
| WO2012161740A2 (en) | System and method for generating recommendations | |
| US10432738B2 (en) | Dynamic rule allocation for visitor identification | |
| US20170169463A1 (en) | Method, apparatus, and computer-readable medium for determining effectiveness of a targeting model | |
| US20200160386A1 (en) | Control of advertisement delivery based on user sentiment | |
| US20220101358A1 (en) | Segments of contacts | |
| US11481810B2 (en) | Generating and utilizing machine-learning models to create target audiences with customized auto-tunable reach and accuracy | |
| KR101567684B1 (en) | Method for selecting recommendation type in product recommeding system | |
| KR102515439B1 (en) | Method, device and system for matching beauty product manufacturers using influencer information and brand maker information based on artificial intelligence | |
| CN111078997B (en) | Information recommendation method and device | |
| JP2009244981A (en) | Analysis apparatus, analysis method, and analysis program | |
| CN113934937A (en) | Intelligent content recommendation method and device, terminal and storage medium | |
| KR101879829B1 (en) | Method and device for detecting frauds by using click log data | |
| Aravazhi Irissappane et al. | Filtering unfair ratings from dishonest advisors in multi-criteria e-markets: a biclustering-based approach |
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: 20170208 Year of fee payment: 4 |
|
| FPAY | Annual fee payment |
Payment date: 20180207 Year of fee payment: 5 |
|
| LAPS | Lapse due to unpaid annual fee |