KR101471940B1 - Tv 프로그램 콘텐츠와 웹 콘텐츠의 연계추천 장치, 시스템, 방법 및 그 방법을 실행하는 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체 - Google Patents

Tv 프로그램 콘텐츠와 웹 콘텐츠의 연계추천 장치, 시스템, 방법 및 그 방법을 실행하는 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체 Download PDF

Info

Publication number
KR101471940B1
KR101471940B1 KR1020130010528A KR20130010528A KR101471940B1 KR 101471940 B1 KR101471940 B1 KR 101471940B1 KR 1020130010528 A KR1020130010528 A KR 1020130010528A KR 20130010528 A KR20130010528 A KR 20130010528A KR 101471940 B1 KR101471940 B1 KR 101471940B1
Authority
KR
South Korea
Prior art keywords
information
content
program
web
contents
Prior art date
Application number
KR1020130010528A
Other languages
English (en)
Other versions
KR20130090344A (ko
Inventor
김문철
김은희
표신지
Original Assignee
한국과학기술원
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 한국과학기술원 filed Critical 한국과학기술원
Publication of KR20130090344A publication Critical patent/KR20130090344A/ko
Application granted granted Critical
Publication of KR101471940B1 publication Critical patent/KR101471940B1/ko

Links

Images

Classifications

    • 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
    • H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies
    • 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]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04H—BROADCAST COMMUNICATION
    • H04H60/00—Arrangements for broadcast applications with a direct linking to broadcast information or broadcast space-time; Broadcast-related systems
    • H04H60/35—Arrangements for identifying or recognising characteristics with a direct linkage to broadcast information or to broadcast space-time, e.g. for identifying broadcast stations or for identifying users
    • H04H60/46—Arrangements for identifying or recognising characteristics with a direct linkage to broadcast information or to broadcast space-time, e.g. for identifying broadcast stations or for identifying users for recognising users' preferences
    • 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]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/252—Processing of multiple end-users' preferences to derive collaborative data
    • 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]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
    • H04N21/25866—Management of end-user data
    • H04N21/25891—Management of end-user data being end-user preferences
    • 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
    • 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]
    • H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
    • H04N21/81—Monomedia components thereof
    • H04N21/8126—Monomedia components thereof involving additional data, e.g. news, sports, stocks, weather forecasts
    • H04N21/8133—Monomedia components thereof involving additional data, e.g. news, sports, stocks, weather forecasts specifically related to the content, e.g. biography of the actors in a movie, detailed information about an article seen in a video program

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Computer Graphics (AREA)
  • Computing Systems (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 발명은 인터넷에 연결된 TV 단말로 TV를 시청할 때 해당 TV 프로그램 콘텐츠와 관련성이 높은 인터넷의 웹 콘텐츠를 찾아 연계하여 추천함으로써 풍부한 정보 획득 및 효과적인 TV 시청을 가능하게 하는 TV 프로그램 콘텐츠와 웹 콘텐츠의 연계추천 장치, 시스템, 방법 및 그 방법을 실행하는 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체에 관한 것이다. 본 발명의 일 실시예는, 스마트 TV의 사용자 프로파일을 생성하고 갱신하는 사용자 프로파일부와, 스마트 TV 망으로부터 TV 프로그램 콘텐츠 메타데이터인 제1 정보를 수집하는 제1 정보 수집부와, 웹(web)으로부터 웹 콘텐츠 정보인 제2 정보를 수집하는 제2 정보 수집부, 및 상기 제1 정보 및 제2 정보의 상관성을 찾아 구조화된 제3 정보로 통합 저장하는 통합 콘텐츠 데이터베이스를 포함하는 사용자 TV 프로그램 콘텐츠와 웹 콘텐츠의 연계추천 장치를 제공한다. 본 발명에 따르면, 시청하는 TV 콘텐츠와 관련된 풍부한 웹 콘텐츠의 소비를 통해 콘텐츠의 이해도 향상 및 소비 만족도 향상이 가능해지는 효과가 있다.

Description

TV 프로그램 콘텐츠와 웹 콘텐츠의 연계추천 장치, 시스템, 방법 및 그 방법을 실행하는 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체{Apparatus, System, Method and Computer Readable Recording Media Storing the Program for Related Recommendation of TV Program Contents and Web Contents}
본 발명은 TV프로그램 콘텐츠와 웹 콘텐츠의 연계추천 장치, 시스템, 방법 및 그 방법을 실행하는 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체에 관한 것이다. 구체적으로 본 발명은 인터넷에 연결된 TV 단말로 TV를 시청할 때 해당 TV프로그램 콘텐츠와 관련성이 높은 인터넷의 웹 콘텐츠를 찾아 연계하여 추천함으로써 풍부한 정보 획득 및 효과적인 TV 시청을 가능하게 하는 TV 프로그램 콘텐츠와 웹 콘텐츠의 연계추천 장치, 시스템, 방법 및 그 방법을 실행하는 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체에 관한 것이다.
최근 다채널, 다매체, 방송과 통신의 융합으로 인한 IPTV 및 Smart TV의 등장으로 TV 프로그램 콘텐츠와 웹 콘텐츠의 경계가 모호해지고 있다. TV 프로그램 콘텐츠의 양과 웹 콘텐츠의 양이 모두 폭증함에 따라, TV 시청자가 선호하는 TV 프로그램 콘텐츠를 추천하는 기술과 웹 콘텐츠 이용자가 선호하는 웹 콘텐츠를 추천하는 기술이 각기 발전하고 있다.
종래의 TV 프로그램 콘텐츠 추천기술 중에는, 사용자의 TV 프로그램 시청기록 데이터를 분석하여 시청하는 TV 프로그램 콘텐츠들에 대한 선호도를 추론하고, 이를 바탕으로 개별 사용자에게 맞는 사용자별 선호 TV 프로그램 콘텐츠를 추천하는 개인 맞춤형 TV 프로그램 콘텐츠 추천기술이 있다. 그 외에도, 협업 필터링 기법을 적용하여 자신과 동일한 TV 프로그램을 시청한 다른 사용자들이 많이 시청한 TV 프로그램들을 추천해 줌으로써 다양한 TV 프로그램 추천을 가능하게 하는 기술, 추론된 사용자의 TV 프로그램에 대한 선호도(preference) 정보와 TV 프로그램 콘텐츠 정보(장르, 채널 등)를 이용하여 개인 사용자별 선호 TV 프로그램 콘텐츠 순위를 정렬하여 추천의 우선 순위를 결정 하는 기술, 사용자의 시청 기록 데이터를 기반으로 순차 패턴 마이닝(sequential pattern mining) 기법을 적용하여 사용자 개인의 시청 패턴을 추론하여 개인 맞춤형 TV 프로그램 콘텐츠 스케줄 추천을 가능하게 하는 기술 등이 존재한다.
종래의 웹 콘텐츠 추천기술 중에서 대표적인 것으로는 전자상거래 등에 적용되어 온 협업 필터링을 이용한 아이템 추천기술이 있다. 그리고 Amazon.com에서 가장 먼저 시작한 것으로서 사용자가 물건 A를 구매했을 시에 물건 A를 구매한 사람들이 많이 구매한 물건 B를 추천해 줌으로써 앞으로 사용자가 구매할 가능성이 높은 물건을 추천하는 협업 필터링을 이용한 추천기술이 이용되고 있다. 인터넷에서의 웹 콘텐츠 추천기술은 사용자로 하여금 TV 프로그램 시청환경보다 능동적인 참여가 가능하다고 판단하여 개인화(personalization)보다는 주문형(customization)에 초점이 맞추어진 추천이 많았다. 즉, 사용자가 원하는 레이아웃(layout)으로 콘텐츠를 배치하거나, 사용자가 원하는 동영상 채널을 북마크(bookmark)하여 해당 채널에서 방영하는 콘텐츠를 즉시 시청 가능하도록 하는 등 사용자의 기본적인 프로파일을 기반으로 추천을 제공하는 기술이 종래 널리 사용되어 왔다.
하지만 이들 종래 기술에서 TV 프로그램 콘텐츠 추천과 웹 콘텐츠 추천은 각기 별개의 영역에서 이루어지는 서비스의 일종에 불과하다. TV 프로그램 콘텐츠와 웹 콘텐츠 각각의 영역에서만 콘텐츠 추천이 가능하였을 뿐, TV 프로그램 시청과 웹 콘텐츠 시청이 모두 가능한 Smart TV 환경에서 웹 콘텐츠와 TV 프로그램 콘텐츠를 상호 연계하여 추천하는 기술은 아직 구현된 바 없다.
상기 문제점을 해결하기 위하여 본 발명은, 웹(인터넷)에 연결된 TV 단말에서 TV 프로그램 콘텐츠를 시청할 때 그 TV 프로그램과 관련성이 인정되는 웹 콘텐츠들을 찾아 연계하여 추천을 제공하는 것을 목적으로 한다.
상기 문제점을 해결하기 위하여 본 발명의 제1 측면은, 스마트 TV의 사용자 프로파일을 생성하고 갱신하는 사용자 프로파일부와, 스마트 TV 망으로부터 TV 프로그램 콘텐츠 메타데이터인 제1 정보를 수집하는 제1 정보 수집부와, 웹(web)으로부터 웹 콘텐츠 정보인 제2 정보를 수집하는 제2 정보 수집부, 및 상기 제1 정보 및 제2 정보의 상관성을 찾아 구조화된 제3 정보로 통합 저장하는 통합 콘텐츠 데이터베이스를 포함하는 사용자 TV프로그램 콘텐츠와 웹 콘텐츠의 연계추천 장치를 제공한다.
또한, 상기 통합 콘텐츠 데이터베이스는 상기 제1 정보 및 상기 제2 정보를 이용하여 각 특징 벡터(feature vector)로 구성하며, 상기 특징 벡터의 각 차원은 콘텐츠의 카테고리, 출연진, 제작진, 장르, 키워드, 콘텐츠 제목, 콘텐츠 내용 주제 중 어느 하나 이상의 항목을 포함하는 사용자 TV 프로그램 콘텐츠와 웹 콘텐츠의 연계추천 장치를 제공한다.
또한, 상기 스마트 TV가 시청하는 TV 프로그램 콘텐츠의 시청기록을 저장하는 사용자 시청기록 데이터베이스를 더 포함하는 사용자 TV 프로그램 콘텐츠와 웹 콘텐츠의 연계추천 장치를 제공한다.
상기 문제점을 해결하기 위하여 본 발명의 제2 측면은, TV 프로그램 콘텐츠 메타데이터인 제1 정보 및 웹 콘텐츠 정보인 제2 정보에 기반한 각 특징 벡터(feature vector)를 이용하여 소정의 TV 프로그램 콘텐츠에 대한 웹 콘텐츠의 연관성을 측정하는 콘텐츠 간 연관성 추론부, 및 스마트 TV가 시청하는 TV 프로그램 콘텐츠의 시청기록을 이용하여 상기 연관성이 높은 웹 콘텐츠를 소정의 기준에 따라 사용자에게 추천하는 연계 웹 콘텐츠 추천부를 포함하는 사용자 TV 프로그램 콘텐츠와 웹 콘텐츠의 연계추천 장치를 제공한다.
또한, 상기 콘텐츠 간 연관성 추론부는, 상기 특징 벡터에 대하여 벡터 공간 모델, 주제 모델링(topic modeling), 코사인 유사도(cosine-similarity), 연관 규칙(association rule) 중 어느 하나 이상의 방법을 이용하여 연관성을 산출하는 사용자 TV프로그램 콘텐츠와 웹 콘텐츠의 연계추천 장치를 제공한다.
상기 문제점을 해결하기 위하여 본 발명의 제3 측면은, 클라이언트의 사용자 프로파일을 생성 및 갱신하고, 스마트 TV 망으로부터 TV 프로그램 콘텐츠 메타데이터인 제1 정보를 수집하고, 웹(web)으로부터 웹 콘텐츠 정보인 제2정보를 수집하며, 상기 제1 정보 및 제2 정보의 상관성을 찾아 구조화된 제3 정보로 통합 저장하는 서버와; 상기 서버로부터 수신한 제1 정보 및 제2 정보에 기반한 각 특징 벡터(feature vector)를 이용하여 소정의 TV 프로그램 콘텐츠에 대한 웹 콘텐츠의 연관성을 측정하며, 클라이언트가 시청하는 TV 프로그램 콘텐츠의 시청기록을 이용하여 상기 연관성이 높은 웹 콘텐츠를 소정의 기준에 따라 사용자에게 추천하는 클라이언트를 포함하는 사용자 TV 프로그램 콘텐츠와 웹 콘텐츠의 연계추천 시스템을 제공한다.
상기 문제점을 해결하기 위하여 본 발명의 제4 측면은, 스마트 TV의 사용자 프로파일을 생성하고 갱신하는 사용자 프로파일링 단계와, 상기 스마트 TV가 시청하는 TV 프로그램 콘텐츠의 시청기록을 저장하는 사용자 시청기록 저장 단계와, 스마트 TV 망으로부터 TV 프로그램 콘텐츠 메타데이터인 제1 정보를 수집하는 제1 정보 수집 단계와, 웹(web)으로부터 웹 콘텐츠 정보인 제2 정보를 수집하는 제2 정보 수집 단계, 및 상기 제1 정보 및 제2 정보를 이용하여 특징 벡터(feature vector)로 구성하여 제3 정보로 저장하며, 상기 특징 벡터의 각 차원은 콘텐츠의 카테고리, 출연진, 제작진, 장르, 키워드, 콘텐츠 제목, 콘텐츠 내용 주제 중 어느 하나 이상의 항목을 포함하는 통합 콘텐츠 저장 단계를 포함하는 사용자 TV프로그램 콘텐츠와 웹 콘텐츠의 연계추천 방법을 제공한다.
상기 문제점을 해결하기 위하여 본 발명의 제5 측면은, TV 프로그램 콘텐츠 메타데이터인 제1 정보 및 웹 콘텐츠 정보인 제2 정보에 기반한 각 특징 벡터(feature vector)에 대하여 벡터 공간 모델, 주제 모델링(topic modeling), 코사인 유사도, 연관 규칙(association rule) 중 어느 하나 이상의 방법을 이용하여 소정의 TV 프로그램 콘텐츠에 대한 웹 콘텐츠의 연관성을 측정하는 콘텐츠 간 연관성 추론 단계, 및 스마트 TV가 시청하는 TV 프로그램 콘텐츠의 시청기록을 이용하여 상기 연관성이 높은 웹 콘텐츠를 소정의 기준에 따라 사용자에게 추천하는 연계 웹 콘텐츠 추천 단계를 포함하는 사용자 TV 프로그램 콘텐츠와 웹 콘텐츠의 연계추천 방법을 제공한다.
상기 문제점을 해결하기 위하여 본 발명의 제6 측면은, 상기 어느 하나의 방법을 실행하는 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체를 제공한다.
본 발명에 따르면, 시청하는 TV 콘텐츠와 관련된 풍부한 웹 콘텐츠의 소비를 통해 콘텐츠의 이해도 향상 및 소비 만족도 향상이 가능해지는 효과가 있다.
도 1은 본 발명의 사용자 TV프로그램 콘텐츠와 웹 콘텐츠의 연계추천 장치 및 시스템의 실시예를 나타낸 블록도이다.
도 2는 본 발명의 사용자 TV프로그램 콘텐츠와 웹 콘텐츠의 연계추천 방법의 실시예를 나타낸 흐름도이다.
도 3은 콘텐츠 간 연관성 추론에 주제 모델링 기법이 적용된 경우를 나타낸 개념도이다.
이하 첨부된 도면을 참조하여 본 발명의 실시예를 상세히 설명한다. 하기에서 본 발명을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
본 발명은 TV 프로그램 콘텐츠와 웹 콘텐츠간의 관련성을 분석하고 TV 프로그램 콘텐츠와 웹 콘텐츠를 연계추천하여 사용자(시청자)에게 그 TV 프로그램 콘텐츠와 관련된 정보를 제공한다. 종래기술이 제한적인 영역에서만 콘텐츠를 추천했던 것에서 벗어나, 본 발명은 TV 프로그램 콘텐츠와 웹에 존재하는 다양한 종류의 콘텐츠들(이미지, 동영상, 뉴스, 평점 등)을 함께 추천함으로써 사용자로 하여금 원하는 정보를 쉽고 편리하게 소비할 수 있도록 한다.
도 1은 본 발명의 사용자 TV프로그램 콘텐츠와 웹 콘텐츠의 연계추천 장치 및 시스템의 실시예를 나타낸 블록도이다. 본 실시예의 시스템은 크게 서비스 제공자 측에 해당하는 서버(100)와 스마트 TV 단말 사용자 측에 해당하는 클라이언트(200)라는 2개의 장치로 이루어지며, 서버(100)와 클라이언트(200)는 각기 내부 구성요소들(110 내지 150, 210 내지 230)을 가지고 있다. 여기서 물리적으로는 사용자 시청기록 데이터베이스(120), 통합 콘텐츠 데이터베이스(150) 등 일부 구성요소가 서버(100) 외부에 구현될 수 있으나, 본 실시예에서는 설명의 편의상 이들 데이터베이스도 서버 단에 속해 있는 것으로 하였다.
도 2는 본 발명의 사용자 TV프로그램 콘텐츠와 웹 콘텐츠의 연계추천 방법의 실시예를 나타낸 흐름도이다. 본 실시예의 방법은 TV 프로그램 콘텐츠 메타데이터 등의 정보(제1 정보)를 수집하는 과정(S210), 웹 콘텐츠 정보(제2 정보)를 수집하는 과정(S210), TV 프로그램 콘텐츠와 웹 콘텐츠 사이의 연관성을 추론하는 과정(S240), 두 콘텐츠 간 연계 추천을 하는 과정(S250) 등을 포함한다.
아래에서는 도 1의 장치 또는 시스템이 도 2의 방법을 실시하는 경우를 기준으로 대응하는 실시예들을 동시에 설명하나, 본 발명은 도 1과 다른 장치가 도 2의 방법을 실시하거나 도 2와 다른 방법을 도 1의 장치가 실시하는 경우 등 다양한 실시형태로 구현될 수 있다.
클라이언트(200) 측의 사용자 로그인부(210)는 사용자가 로그인 할 때 사용자 ID 등 사용자 프로파일에 관한 정보를 서버(100) 측의 사용자 프로파일부(110)에 보낸다. 이후 사용자의 현재 시청 TV 프로그램 콘텐츠가 클라이언트(200) 측에 전달되면서 서버(100)는 그 시청기록을 사용자 시청기록 데이터베이스(120)에 저장한다.
서버(100) 측의 TV 프로그램 콘텐츠 메타데이터(제1정보) 수집부(130)와 웹 콘텐츠 정보 수집부(140)는 전달된 TV 프로그램 콘텐츠와 관련된 웹 콘텐츠를 찾기 위해 데이터를 탐색한다. 제1 정보 수집부(130)는 스마트 TV 네트워크 등에서 제1정보를 수집하고 제2 정보 수집부(140)는 웹(web, 인터넷)에서 제2 정보를 수집한다(S210).
통합 콘텐츠 데이터베이스(150)는 수집된 제1 정보와 제2 정보의 상관성을 찾아 구조화된 제3 정보로 통합 저장하면서 구축된다(S220).
통합 콘텐츠 데이터베이스(150)는 이들 제1 정보 및 제2 정보를 이용하여 특징 벡터(feature vector)로 구성할 수 있다(S230). 여기서 특징 벡터의 각 차원은 콘텐츠의 카테고리(category), 출연진, 제작진, 장르(genre), 키워드, 콘텐츠 제목, 콘텐츠 내용 주제 등 콘텐츠의 특성을 표현할 수 있는 항목을 포함하도록 구성될 수 있다. 아래 수학식 1은 이러한 특징 벡터의 예시이다.
[수학식 1]
Figure 112013009058561-pat00001
Figure 112013009058561-pat00002
여기서
Figure 112013009058561-pat00003
는 수집된 TV 프로그램 콘텐츠 메타데이터(제1 정보), 웹 콘텐츠 정보(제2 정보)들을 단어 단위로 나누어서 각각을 키워드(keyword) 로 저장한 것으로, 콘텐츠의 장르, 출연진, 제작진 등 항목에 따라 형식이 정해진 메타데이터 정보를 얻을 수 없을 때에도 콘텐츠를 기술하고 있는 다양한 정보(키워드, 단어)들로 콘텐츠를 표현할 수 있다. 여기서
Figure 112013009058561-pat00004
의 순서는 무관하다.
콘텐츠 간 연관성 추론부(220)는 전달된 TV 프로그램 콘텐츠와 관련된 웹 콘텐츠를 찾기 위해 서버(100) 측의 TV 프로그램 콘텐츠 메타데이터(제1 정보) 수집부(130), 웹 콘텐츠 정보 수집부(140) 및 통합 콘텐츠 데이터베이스(150) 등과 협력하여 해당 TV 프로그램 콘텐츠와 웹 콘텐츠들 사이의 연관성을 찾아낸다(S240).
특정 TV 프로그램 콘텐츠에 대하여 웹 콘텐츠들의 연관성 정도를 측정하기 위해서는 특징 벡터에 벡터 공간 모델, 주제 모델링(topic modeling), 코사인 유사도, 연관 규칙(association rule) 등 다양한 기법을 적용할 수 있다.
첫째, 주제 모델링(topic modeling)을 이용하여 추론된 주제들의 분포로 콘텐츠의 연관성 정도를 측정하는 방법이다.
주제 모델링 기법 중 문서 생성 모델은 특정 TV 프로그램 콘텐츠, 웹 콘텐츠들의 각각의 특징 벡터를 하나의 문서(document)로 정의한다. 주제 모델링의 대표적인 알고리듬 중 하나인 LDA(Latent Dirichlet Allocation)는 확률적 생성 모델로써 문서가 어떻게 작성 되었는지를 고려하여 추론해 나가는 방법이다. 즉, 단어들로 구성된 문서들이 존재할 때, 이 단어들이 문서에 존재하기 위해서 어떠한 과정으로 어떠한 원인을 통해 존재하게 되었는지를 고려하여 추론해 나간다. 따라서 이러한 문서 생성 모델을 통해 문서 내용에 대한 모델링을 할 수 있다면, 거꾸로 이미 알고 있는 문서에 대한 변수들을 찾아내는 것이 가능해진다.
도 3은 콘텐츠 간 연관성 추론에 주제 모델링 기법이 적용된 경우를 나타낸 개념도이다. 이는 LDA의 도식 모델(graphical model)인데, LDA 모델이 파라미터 값들을 이용하여 어떻게 문서와 단어를 모델링 하는지를 나타낸다.
여기에서 M은 전체 문서의 개수를, N은 특정 문서에 포함되어 있는 단어의 개수를, α와 β는 전체 코퍼스(corpus)에 대한 파라미터를, θ는 문서에서 어떤 주제를 어떤 비율로 포함하여 문서를 작성할 것인지에 관한 파라미터를, w는 우리가 관찰할 수 있는 단어를, z는 은닉주제(latent topic)의 단어를 나타낸다.
문서 생성 과정에 따르면, 먼저 전체 코퍼스에 대한 파라미터 값(α, β)이 결정되고, 문서에서 주제의 비율에 관한 파라미터 값(θ)이 결정되며, 이러한 주제의 분포에 맞도록 각 단어의 주제(z)가 결정된 후에, 마지막으로 결정된 주제와 전제 단어들의 전체 주제에 대한 단어의 확률(word probability)을 고려하여 단어(w)가 결정된다.
각 문서에 대해서 아래 수학식 2가, 각 단어
Figure 112013009058561-pat00005
에 대해서 아래 수학식 3 및 수학식 4가 적용될 수 있다. 여기서 α, β, θ 값은 추론(inference)을 통해 구하여야 한다.
[수학식 2]
Figure 112013009058561-pat00006
[수학식 3]
Figure 112013009058561-pat00007
[수학식 4]
Figure 112013009058561-pat00008

콘텐츠 간 연관성 추론부(220)는 이렇게 구조화된 LDA 의 도식 모델(graphical model)을 기반으로 Variational inference, Markov Chain Monte Carlo(MCMC), Expectation propagation 등의 방법을 통해 파라미터들을 찾아 문서들에 존재하는 은닉주제를 찾아낼 수 있다. 그 결과, 각 특징 벡터는 특징 벡터를 구성하고 있던 요소들로 인하여 미리 정의한 K개의 주제들을 proportion으로 표현할 수 있게 된다(θ). 이러한 topic proportion을 이용하여 해당 TV 프로그램 콘텐츠의 특징 벡터, 웹 콘텐츠들의 특징 벡터들을 표현할 수 있고, 해당 TV 프로그램 콘텐츠의 topic proportion 과 웹 콘텐츠들의 topic proportion 을 고려하여 관련 웹 콘텐츠들을 찾아낼 수 있다.
둘째, 코사인 유사도(cosine-similarity)를 이용하여 특징 벡터의 연관성을 측정하는 방법이다.
이 방법에서는 특정 TV 프로그램 콘텐츠의 특징 벡터를 구성하고 있는 요소들을 기준으로 코사인 유사도를 계산하기 위한 변형된 특징 벡터를 아래 수학식 5와 같이 정의한다.
[수학식 5]
Figure 112013009058561-pat00009
[수학식 6]
Figure 112013009058561-pat00010
[수학식 7]
Figure 112013009058561-pat00011

여기서 수학식 5는 특정 TV 프로그램의 특징 벡터를, 수학식 6은 그 특징 벡터의 키워드들을 기준 값으로 설정하여 모두 1로 둔 변형된 특징 벡터를, 수학식 7은 기준으로 정한 특징 벡터의 키워드와 비교하여 웹 콘텐츠의 특징 벡터를 변환한 특징 벡터를 나타낸다. 수학식 5 내지 수학식 7에서 indicator는 아래 수학식 8과 같이 정의된다.
[수학식 8]
Figure 112013009058561-pat00012

이렇게 변환된 각각의 웹 콘텐츠 특징벡터와 기준이 되는 TV 프로그램 특징 벡터 사이의 코사인 유사도(cosine similarity)는 아래의 수학식 9를 통해 구할 수 있다.
[수학식 9]
Figure 112013009058561-pat00013

특정 TV 프로그램 콘텐츠의 변환된 특징 벡터와 웹 콘텐츠들의 변환된 특징 벡터 사이의 코사인 유사도를 모든 웹 콘텐츠 특징 벡터에 대하여 계산할 수 있으며, 그 값이 클 수록 연관성이 높은 웹 콘텐츠라고 할 수 있다.
셋째, 연관 규칙(association rule)을 이용하여 특징 벡터의 연관성을 추론하는 방법이다.
특정 TV 프로그램 콘텐츠와 웹 콘텐츠들의 각각의 특징 벡터를 트랜잭션 데이터(transaction data)로 보고, 특징 타이틀(title)을 제외한 벡터를 구성하고 있는 요소들(키워드들이나 채널정보 등)에 대하여 연관 규칙(association rule)을 찾아내는 것이다. 연관 규칙을 찾기 위해 전체 transaction database 에서 특정 TV 프로그램 콘텐츠의 특징 벡터를 구성하고 있는 요소들을 기준으로 지지도
Figure 112013009058561-pat00014
값을 아래 수학식 10과 같이 계산한다.
[수학식 10]
Figure 112013009058561-pat00015

그 다음
Figure 112013009058561-pat00016
값이 큰 순서대로 정렬하고 아래 수학식 11과 같이
Figure 112013009058561-pat00017
를 포함하고 있는 transaction(웹 콘텐츠 특징벡터)들에 대하여
Figure 112013009058561-pat00018
를 구할 수 있다.
[수학식 11]
Figure 112013009058561-pat00019

여기서 모든
Figure 112013009058561-pat00020
에 대하여, 또한 각
Figure 112013009058561-pat00021
에 대한
Figure 112013009058561-pat00022
에 대하여,
Figure 112013009058561-pat00023
값을 구하여 문턱 값(threshold)을 넘는 아이템들을 연관 규칙으로 형성할 수 있다. 이를 통해 특정 TV 프로그램 콘텐츠와 연관된 키워드를 얻을 수 있으며, 이러한 연관 키워드를 포함하고 있는 웹 콘텐츠의 특징 벡터를 통해 관련 웹 콘텐츠를 찾을 수 있는 것이다.
연계 웹 콘텐츠 추천부(230)는 콘텐츠 간 연관성 추론부(220)를 통해 찾아낸 연관성과 사용자 시청기록 데이터베이스(120)에서 전달된 시청기록 등을 이용하여 특정 TV 프로그램 콘텐츠와 연관성이 높은 웹 콘텐츠 후보들을 사용자가 선호할 만한 순서대로 정렬하여 관련 웹 콘텐츠 추천항목을 사용자에게 제공한다(S260).
본 실시형태의 모듈, 기능 블록들 또는 수단들은 전자 회로, 집적 회로, ASIC (Application Specific Integrated Circuit) 등 공지된 다양한 소자들로 구현될 수 있으며, 각각 별개로 구현되거나 2 이상이 하나로 통합되어 구현될 수 있다.
이상과 같이 본 발명의 이해를 위하여 그 실시예를 기술하였으나, 당업자라면 알 수 있듯이, 본 발명은 본 명세서에서 기술된 특정 실시예에 한정되는 것이 아니라, 본 발명의 범주를 벗어나지 않는 범위 내에서 다양하게 변형, 변경 및 대체될 수 있다. 예를 들어, 문자 대신 기타 LCD 등 디스플레이에 의해 표시될 수 있는 그림, 영상 등에도 본 발명의 기술이 적용될 수 있다. 따라서, 본 발명의 진정한 사상 및 범주에 속하는 모든 변형 및 변경을 특허청구범위에 의하여 모두 포괄하고자 한다.
[100] 서버
[110] 사용자 프로파일부
[120] 사용자 시청기록 데이터베이스
[130] 제1정보(TV 프로그램 콘텐츠 메타데이터) 수집부
[140] 제2정보(웹 콘텐츠 정보) 수집부
[150] 통합 콘텐츠 데이터베이스
[200] 클라이언트(스마트 TV)
[210] 사용자 로그인부
[220] 콘텐츠 간 연관성 추론부
[230] 연계 웹 콘텐츠 추천부

Claims (9)

  1. TV 프로그램 콘텐츠 메타데이터인 제1정보 및 웹 콘텐츠 정보인 제2정보에 기반한 각 동일한 차원으로 구성된 특징 벡터(feature vector)에 주제 모델링(topic modeling) 또는 연관 규칙(association rule) 중 어느 하나 이상의 방법을 적용하여 소정의 TV 프로그램 콘텐츠에 대한 웹 콘텐츠의 연관성을 추론하는 콘텐츠 간 연관성 추론부, 및
    스마트 TV가 시청하는 TV 프로그램 콘텐츠의 시청기록과 상기 연관성을 이용하여 웹 콘텐츠를 소정의 기준에 따라 사용자에게 추천하는 연계 웹 콘텐츠 추천부
    를 포함하는 사용자 TV 프로그램 콘텐츠와 웹 콘텐츠의 연계추천 장치.
  2. 제1항에 있어서,
    상기 주제 모델링(topic modeling) 방법에 의한 연관성 추론은,
    LDA(Latent Dirichlet Allocation) 알고리즘의 도식 모델(graphical model)을 기반으로 상기 제1정보에 기반한 특징 벡터와 상기 제2정보에 기반한 특징 벡터를 각각 하나의 문서로 정의하고, 전체 코퍼스(corpus)에 대한 파라미터 값(α, β), 문서에서 주제의 비율에 관한 파라미터 값(θ) 중 어느 하나 이상을 결정하고, 상기 각 문서에 존재하는 은닉주제(z)를 결정한 후, 은닉주제(z)를 고려하여 단어(w)를 결정하는 방식의 문서 생성 과정을 고려하여 이루어지는
    사용자 TV 프로그램 콘텐츠와 웹 콘텐츠의 연계추천 장치.
  3. 제2항에 있어서,
    상기 각 파라미터 값(α, β, θ) 중 어느 하나 이상의 결정은, Variational inference, Markov Chain Monte Carlo(MCMC), Expectation propagation 중 어느 하나 이상의 방법을 통해 이루어지며,
    파라미터 값 θ은 하기 수학식 2에 의하여, 은닉주제 z 는 하기 수학식 3에 의하여, 단어 w는 하기 수학식 4에 의하여 각 결정되는
    사용자 TV 프로그램 콘텐츠와 웹 콘텐츠의 연계추천 장치.
    [수학식 2]
    Figure 112014040409758-pat00027

    [수학식 3]
    Figure 112014040409758-pat00028

    [수학식 4]
    Figure 112014040409758-pat00029
  4. 제1항에 있어서,
    상기 연관 규칙(association rule) 방법에 의한 연관성 추론은,
    상기 제1정보에 기반한 특징 벡터와 상기 제2정보에 기반한 특징 벡터를 각 트랜잭션 데이터(transaction data)로 보고, 특징 타이틀(title)을 제외한 벡터를 구성하고 있는 요소들(키워드들이나 채널정보 등)에 대하여 연관 규칙(association rule)을 찾음으로써 이루어지는
    사용자 TV 프로그램 콘텐츠와 웹 콘텐츠의 연계추천 장치.
  5. 제4항에 있어서,
    상기 연관 규칙은, 상기 트랜잭션 데이터로 구성된 데이터베이스(transaction database)에서 상기 제1정보에 기반한 특징 벡터로부터 지지도
    Figure 112014040409758-pat00030
    값을 하기 수학식 10과 같이 계산하고, 이를 값이 큰 순서대로 정렬하고, 하기 수학식 11과 같이
    Figure 112014040409758-pat00031
    를 포함하고 있는 트랜잭션에 대하여
    Figure 112014040409758-pat00032
    를 구하는 방식으로 형성되는
    사용자 TV 프로그램 콘텐츠와 웹 콘텐츠의 연계추천 장치.
    [수학식 10]
    Figure 112014040409758-pat00033

    [수학식 11]
    Figure 112014040409758-pat00034

  6. 클라이언트의 사용자 프로파일을 생성 및 갱신하고, 스마트 TV 망으로부터 TV 프로그램 콘텐츠 메타데이터인 제1 정보를 수집하고, 웹(web)으로부터 웹 콘텐츠 정보인 제2 정보를 수집하며, 상기 제1 정보 및 제2 정보의 상관성을 찾아 구조화된 제3 정보로 통합 저장하는 서버와;
    상기 서버로부터 수신한 제1 정보 및 제2 정보에 기반한 각 특징 벡터(feature vector)에 주제 모델링(topic modeling) 또는 연관 규칙(association rule) 중 어느 하나 이상의 방법을 적용하여 소정의 TV프로그램 콘텐츠에 대한 웹 콘텐츠의 연관성을 측정하며, 클라이언트가 시청하는 TV 프로그램 콘텐츠의 시청기록과 상기 연관성을 이용하여 웹 콘텐츠를 소정의 기준에 따라 사용자에게 추천하는 클라이언트
    를 포함하는 사용자 TV 프로그램 콘텐츠와 웹 콘텐츠의 연계추천 시스템.
  7. TV 프로그램 콘텐츠 메타데이터인 제1정보 및 웹 콘텐츠 정보인 제2정보를 이용하여 구성된 각 특징 벡터(feature vector)에 주제 모델링(topic modeling) 또는 연관 규칙(association rule) 중 어느 하나 이상의 방법을 적용하여 소정의 TV 프로그램 콘텐츠에 대한 웹 콘텐츠의 연관성을 측정하는 콘텐츠 간 연관성 추론 단계, 및
    스마트 TV가 시청하는 TV 프로그램 콘텐츠의 시청기록과 상기 연관성을 이용하여 웹 콘텐츠를 소정의 기준에 따라 사용자에게 추천하는 연계 웹 콘텐츠 추천 단계
    를 포함하는 사용자 TV 프로그램 콘텐츠와 웹 콘텐츠의 연계추천 방법.
  8. 제7항에 있어서,
    상기 주제 모델링(topic modeling)에 의한 콘텐츠 간 연관성 추론은 LDA(Latent Dirichlet Allocation) 알고리즘의 도식 모델(graphical model)을 기반으로 상기 제1정보에 기반한 특징 벡터와 상기 제2정보에 기반한 특징 벡터를 각각 하나의 문서로 정의하고, 전체 코퍼스(corpus)에 대한 파라미터 값(α, β), 문서에서 주제의 비율에 관한 파라미터 값(θ) 중 어느 하나 이상을 결정하고, 상기 각 문서에 존재하는 은닉주제(z)를 결정한 후, 은닉주제(z)를 고려하여 단어(w)를 결정하는 방식의 문서 생성 과정을 고려하여 이루어지며,
    상기 연관 규칙(association rule) 방법에 의한 연관성 추론은 상기 제1정보에 기반한 특징 벡터와 상기 제2정보에 기반한 특징 벡터를 각 트랜잭션 데이터(transaction data)로 보고, 특징 타이틀(title)을 제외한 벡터를 구성하고 있는 요소들(키워드들이나 채널정보 등)에 대하여 연관 규칙(association rule)을 찾음으로써 이루어지는
    사용자 TV 프로그램 콘텐츠와 웹 콘텐츠의 연계추천 방법.
  9. 제7항 또는 제8항 중 어느 한 항에 기재된 방법을 실행하는 프로그램이 기록된
    컴퓨터로 읽을 수 있는 기록매체.
KR1020130010528A 2012-02-03 2013-01-30 Tv 프로그램 콘텐츠와 웹 콘텐츠의 연계추천 장치, 시스템, 방법 및 그 방법을 실행하는 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체 KR101471940B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020120011068 2012-02-03
KR20120011068 2012-02-03

Publications (2)

Publication Number Publication Date
KR20130090344A KR20130090344A (ko) 2013-08-13
KR101471940B1 true KR101471940B1 (ko) 2014-12-24

Family

ID=48904065

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020130010528A KR101471940B1 (ko) 2012-02-03 2013-01-30 Tv 프로그램 콘텐츠와 웹 콘텐츠의 연계추천 장치, 시스템, 방법 및 그 방법을 실행하는 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체

Country Status (2)

Country Link
US (1) US8819716B2 (ko)
KR (1) KR101471940B1 (ko)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9210461B2 (en) * 2013-03-27 2015-12-08 Verizon and Redbox Digital Entertainment Services, LLC Theme-based media program discovery systems and methods
KR20150058745A (ko) * 2013-11-21 2015-05-29 한국전자통신연구원 컨텐츠 내용 기반 매쉬업 서비스 관리 시스템 및 이의 컨텐츠 내용 기반 매쉬업 서비스 관리 방법
WO2015115850A1 (ko) * 2014-01-29 2015-08-06 엘지전자(주) 방송 수신 장치
KR102169134B1 (ko) * 2014-01-29 2020-10-23 엘지전자 주식회사 방송 수신 장치
KR102156356B1 (ko) * 2014-02-13 2020-09-15 엘지전자 주식회사 방송 수신 장치
CN104219577A (zh) * 2014-08-18 2014-12-17 四川长虹电器股份有限公司 基于智能电视的实时电视节目与网络视频混合推荐方法
CN106650189A (zh) * 2015-10-30 2017-05-10 日本电气株式会社 一种用于因果关系挖掘的方法和设备
CN105872761A (zh) * 2015-12-03 2016-08-17 乐视致新电子科技（天津）有限公司 智能推送视频节目的方法、装置及智能电视
CN106919997B (zh) * 2015-12-28 2020-12-22 航天信息股份有限公司 一种基于lda的电子商务的用户消费预测方法
CN107249145B (zh) * 2017-05-05 2019-08-02 中广热点云科技有限公司 一种推送视频的方法
CN109922369A (zh) * 2017-12-12 2019-06-21 深圳Tcl新技术有限公司 一种智能电视节目推荐方法、系统及存储介质
CN108924655B (zh) * 2018-08-01 2020-11-17 北京奇艺世纪科技有限公司 一种视频客户端导航生成方法及装置
KR102137887B1 (ko) * 2018-10-30 2020-07-24 세종대학교산학협력단 Iptv 서비스의 모바일 ott 서비스의 영화 vod 선호도 정보 결합을 통한 iptv 영화 vod 콘텐츠 추천 서버 및 그 방법
CN112218114B (zh) * 2019-07-10 2023-01-03 中国电信股份有限公司 视频缓存控制方法、装置和计算机可读存储介质
KR20220165154A (ko) 2021-06-07 2022-12-14 김현우 카메라와 저장기능, 인터넷이 장착된 화면 90도 회전 거울형 티비

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100871873B1 (ko) * 2007-08-30 2008-12-03 전자부품연구원 맞춤형 방송 시스템의 선호 정보 관리 장치 및 방법
KR100990302B1 (ko) * 2008-12-02 2010-10-26 주식회사 씨제이헬로비전 케이블 방송 콘텐츠와 연계된 동영상 서비스 시스템 및 방법

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7051352B1 (en) 2000-02-04 2006-05-23 Koninklijke Philips Electronics N.V. Adaptive TV program recommender
EP2202656A1 (en) * 2008-12-23 2010-06-30 Axel Springer Digital TV Guide GmbH Context-based recommender system
US8706024B2 (en) * 2009-12-11 2014-04-22 Aldo G. Cugnini System and method for providing interactive mobile content using multiple communication paths
JP4940348B1 (ja) * 2010-12-27 2012-05-30 株式会社東芝 映像出力装置および映像出力方法
US20110296452A1 (en) * 2011-08-08 2011-12-01 Lei Yu System and method for providing content-aware persistent advertisements

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100871873B1 (ko) * 2007-08-30 2008-12-03 전자부품연구원 맞춤형 방송 시스템의 선호 정보 관리 장치 및 방법
KR100990302B1 (ko) * 2008-12-02 2010-10-26 주식회사 씨제이헬로비전 케이블 방송 콘텐츠와 연계된 동영상 서비스 시스템 및 방법

Also Published As

Publication number Publication date
US8819716B2 (en) 2014-08-26
US20130205320A1 (en) 2013-08-08
KR20130090344A (ko) 2013-08-13

Similar Documents

Publication Publication Date Title
KR101471940B1 (ko) Tv 프로그램 콘텐츠와 웹 콘텐츠의 연계추천 장치, 시스템, 방법 및 그 방법을 실행하는 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체
US20200372059A1 (en) Topic and time based media affinity estimation
Barragáns-Martínez et al. A hybrid content-based and item-based collaborative filtering approach to recommend TV programs enhanced with singular value decomposition
US20200183956A1 (en) Character based media analytics
Tso-Sutter et al. Tag-aware recommender systems by fusion of collaborative filtering algorithms
US11061973B2 (en) Incorporating user usage of consumable content into recommendations
US8943015B2 (en) Hierarchical behavioral profile
US8301624B2 (en) Determining user preference of items based on user ratings and user features
CN109033149B (zh) 信息推荐方法、装置、服务器及存储介质
CN105378720B (zh) 媒体内容发现以及角色组织技术
CN104317835B (zh) 视频终端的新用户推荐方法
Kwon et al. Accurately or accidentally? Recommendation agent and search experience in over-the-top (OTT) services
CN103106208B (zh) 一种移动互联网中的流媒体内容推荐方法和系统
EP2763421A1 (en) A personalized movie recommendation method and system
US20090164442A1 (en) Interactive hybrid recommender system
Oh et al. When to recommend: A new issue on TV show recommendation
US20080215453A1 (en) Server apparatus, information processing apparatus, and information processing method
Kim et al. Commenders: A recommendation procedure for online book communities
JP2006526817A (ja) プロフィールに基づく協調フィルタリングを実行する装置及び方法
EP1906316A1 (en) An interactive hybrid recommender system
CN105338408B (zh) 基于时间因子的视频推荐方法
KR101372928B1 (ko) 사용자 선호주제 기반 ｔｖ프로그램 콘텐츠 자동추천 장치, 시스템, 방법 및 그 방법을 실행하는 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체
Barragáns-Martínez et al. Developing a recommender system in a consumer electronic device
KR20170079429A (ko) 사용자 속성을 고려한 클러스터링 기반의 협업 필터링 방법 및 영화 추천 시스템
Arekar et al. A survey on recommendation system

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: 20171124

Year of fee payment: 4

LAPS Lapse due to unpaid annual fee