KR101523192B1

KR101523192B1 - 소셜 검색 시스템 및 기법

Info

Publication number: KR101523192B1
Application number: KR1020130165353A
Authority: KR
Inventors: 유재수; 복경수; 안민제; 임종태
Original assignee: 충북대학교 산학협력단
Priority date: 2013-12-27
Filing date: 2013-12-27
Publication date: 2015-05-28

Abstract

본 발명은 소셜 검색 시스템 및 기법에 관한 것으로서, 질의에 포함된 키워드 및 위치 정보를 이용하여 후보군을 선출하고, 질의에 포함된 시간 정보를 통해 운영하지 않는 후보들을 배제하고, 후보군에 포함된 각 장소들의 방문 빈도를 통해 인기도 점수를 산출하고, 후보군을 스카이라인을 통해 사용자 성향을 만족하는 장소들에 대해 가중치를 부여하고, 인기도 점수와 가중치가 부여된 사용자 성향 점수를 종합하여 순위를 부여하여 사용자에게 반환한다. 본 발명에 따르면, 시간 정보의 활용을 통해 검색하고자 하는 시간대에 적합한 후보만을 선출하기 때문에 반경 내에 있는 모든 장소들에 대해 평가하지 않아 연산량을 감소시킬 수 있다.

Description

소셜 검색 시스템 및 기법{SOCIAL SEARCH SYSTEM AND SCHEME}

본 발명은 소셜 검색 시스템 및 기법에 관한 것으로, 더욱 상세하게는 시간 정보에 기반한 인기도와 사용자 성향을 고려하여 소셜 검색을 수행하는 소셜 검색 시스템 및 기법에 관한 것이다.

최근 모바일 네트워크의 발전과 스마트 폰의 보급으로 사용자들은 언제 어디서나 인터넷에 접속할 수 있게 되었다. 또한 GPS, 무선 인터넷, 이동 통신망을 통하여 현재 사용자의 위치를 측위할 수 있게 되면서 위치 기반 서비스를 결합한 모바일 소셜 네트워크 서비스(SNS: Social Network Services)에 대한 연구가 활발하게 진행되고 있다. 모바일 네트워크 환경의 발전과 함께 사용자의 성향을 고려한 소셜 검색에 대한 중요성이 부각되고 있다. 소셜 검색은 기존의 웹 검색과는 달리 사용자가 자주 이용하는 다양한 SNS들로부터 개인의 성향을 분석하고 이를 검색 결과에 반영시킴으로써 사용자가 원하는 검색 결과를 제공하는 방법이다. 모바일 환경에서 소셜 검색은 장소에 대한 최신의 데이터 상태를 어떻게 유지하고 결과에 대한 순위를 어떻게 부여할 것인가가 매우 중요한 이슈이다. 그런데 일반적인 컴퓨팅 환경과 달리, 모바일 단말의 경우 개인적인 성향이 매우 강하고, 한 화면에 출력할 수 있는 정보의 양이 제한적이다. 따라서 효율적인 검색 결과의 배치는 사용자에게 편리함을 느끼게 할 수 있다.

일반적으로 가장 많이 사용되는 소셜 검색 방법은 SNS나 이메일 등으로부터 사용자 행위 정보를 수집하여 공통 관심사나 SNS를 통해 제공되는 다양한 정보를 검색한다. 즉, 이메일의 본문이나 SNS 상의 게시물로부터 키워드, 인터넷 링크 등을 수집하여 사용자의 성향을 분석하고 이를 검색 결과에 반영시켜 순위를 부여한다. 대부분의 소셜 검색은 사용자의 직접적인 개입이 없이 성향을 분석을 위한 정보를 수집하기 위해 암시적인 정보 수집 방법을 사용한다. 즉, 검색 과정에 사용자가 자신의 성향이나 프로필을 직접 입력하지 않고 SNS의 활동 정보를 수집하여 최근 사용자들의 성향이나 관심사 등을 추출한다. 그러나 암시적인 정보 수집 방법은 사용자의 성향을 분석하기 위해 일정 기간 동안 정보를 수집해야 한다. 만약 충분한 정보 수집이 이루어지지 않는다면, 암시적인 정보 수집을 통해 사용자들의 성향 파악이 명확하지 못해 검색의 정확성이 저하될 수 있다.

최근 성향 분석을 위한 사용자의 활동 정보 수집 기간을 감소시키기 위한 두 가지 방법이 제시된 바 있다.

첫 번째 방법은 대중의 인기도나 전문가의 평가를 기반으로 하는 기법이다[1]. 이 기법은 SNS 사용자들로부터 인기도를 산출하고 그와 더불어 사용자가 전송한 질의 내용의 핵심 키워드를 분석한다. 분석된 내용을 통해 해당 키워드에 대한 전문가를 선택하고 전문가의 평가 정보를 반영하여 검색 결과에 우선순위를 부여한다. 따라서 대중의 인기 정도와 전문가적 평가에 의한 객관적인 검색 결과를 제공해 줄 수 있다. 그러나 이러한 기법은 개인의 개별적인 성향이 직접적으로 반영되지 못하는 문제가 있다.

두 번째 방법은 유사 사용자의 프로필을 이용하는 기법이다[2]. 이 기법은 사용자의 프로필을 수집하는 동안 사용자와 유사한 프로필을 가지는 사용자의 성향을 이용하여 검색을 수행한다. 일반적으로 사용자의 성향은 시간에 따라 변화되지만 프로필을 명시적으로 변경하는 사용자는 거의 없다. 따라서 프로필이 유사한 사용자 성향을 이용하여 검색에 반영할 경우 실제 사용자의 성향과 다른 결과가 생성될 수 있다. 이와 같이, 사용자가 명시적으로 기술한 프로필을 이용하여 유사한 사용자를 검색하기 때문에 프로필의 신뢰성에 따라 성향 분석이 좌우되는 문제가 있다.

이러한 두 가지 방법들은 모두 사용자의 선호도, 대중 또는 전문가의 평가를 기준으로 검색 결과의 순서를 결정하기 때문에 검색 결과를 기반으로 이동하는 사용자에게는 적합한 검색 결과를 제공하는데 한계가 있다. 따라서 사용자가 원하는 결과에 특정 장소에 대한 선호도, 인기도 등 이외에 시간적인 특성을 고려하여 검색 결과를 제공할 수 있는 기법이 요구된다.

[1] P. Shankar, Y. Huang, P. Castro, B. Nath, and L. Ifto, "Crowds Replace Experts : Building Better Location-based Services using Mobile Social Network Interactions," Proc. IEEE International Conference on Pervasive Computing and Communications, pp.20-29, 2012. [2] K. P. Tang, J. Lin, J. I. Hong, D. P. Siewiorek, and N. Sadeh, "Rethinking Location Sharing : Exploring the Implications of Social-Driven vs. Purpose-Driven Location Sharing," Proc. International Conference on Ubiquitous Computing, pp.85-94, 2010.

따라서, 본 발명은 상기한 종래 기술의 문제점을 해결하기 위해 이루어진 것으로서, 본 발명의 목적은 시간 정보를 고려한 후보군을 생성하여 실제 방문 여부를 통해 각 후보들의 인기도 점수를 산출함과 아울러 스카이라인 처리를 통해 선별한 후보에 사용자 성향 정보를 바탕으로 각 속성에 가중치를 부여하여 사용자 성향 점수를 산출하고, 산출된 인기도 점수와 사용자 성향 점수를 합산하여 순위를 부여하는 소셜 검색 시스템 및 기법을 제공하는데 있다.

여기서, 인기도는 서비스 사용자들의 실제 방문한 기록을 수집하여 계산하며, 사용자 성향은 소셜 검색 결과를 통해 실제 방문한 장소 정보를 수집하여 생성한다. 또한, 다중 속성을 갖는 검색 대상 객체에서 의미 있는 정보를 추출하기 위해 스카이라인 처리 기법을 사용하고, 스카이라인 처리 결과에 사용자 선호도와 인기도를 결합하여 검색 결과에 대한 순위를 부여한다.

이에 본 발명에서 제안하는 위치 기반 소셜 검색 기법은 크게 네 단계로 구성된다. 첫 번째 단계는 질의에 포함된 키워드와 시간 정보를 분석하여 키워드를 포함하는 장소 후보들 중, 질의 시간대에 방문자가 없는 즉, 운영하지 않는 장소들을 배제하여 최종 검색 결과로 제공될 후보군을 생성한다. 두 번째 단계에서는 기존에 SNS로부터 수집한 사용자들의 방문 기록을 통해 각 후보들의 인기도를 산출한다. 세 번째 단계에서는 후보군을 스카이라인 처리를 통해 의미 있는 장소들을 선별하고 이들 후보에 사용자 성향 정보를 바탕으로 각 속성에 가중치를 부여하여 사용자 성향 점수를 산출한다. 마지막 단계에서 인기도 점수와 사용자 성향 점수를 합산하여 최종 점수를 기준으로 순위를 부여해 사용자에게 검색 결과를 제공한다.

상기와 같은 목적을 달성하기 위한 본 발명의 소셜 검색 시스템은, 위치 정보를 포함한 사용자의 SNS 게시물을 수집하여 분석하는 수집기; 사용자 성향 정보, 장소 정보, 사용자 방문 기록을 저장하는 데이터베이스; 사용자의 질의로부터 핵심 키워드, 시간, 사용자의 현재 위치를 추출하는 질의 처리기; 장소의 후보 생성 및 인기도 점수를 산출하는 후보 생성기; 사용자 성향 정보를 바탕으로 가중치를 부여하는 스카이라인 모듈; 및 산출된 상기 인기도 점수와 가중치가 부여된 사용자 성향 점수를 합산하여 순위를 부여하는 랭킹 엔진을 포함하는 것을 특징으로 한다.

한편, 본 발명의 소셜 검색 기법은, (a) 키워드, 위치 정보 및 시간 정보를 포함한 질의를 분석하는 단계; (b) 상기 키워드 및 위치 정보를 이용하여 후보군을 선출하고, 상기 시간 정보를 통해 운영하지 않는 후보들을 배제하는 단계; (c) 상기 후보군에 포함된 각 장소들의 방문 빈도를 통해 인기도 점수를 산출하는 단계; (d) 상기 후보군을 스카이라인을 통해 사용자 성향을 만족하는 장소들에 대해 가중치를 부여하는 단계; (e) 상기 인기도 점수와 상기 가중치가 부여된 사용자 성향 점수를 종합하여 순위를 부여하는 단계; 및 (f) 상기 질의 결과 값으로 상기 순위를 사용자에게 반환하는 단계를 포함하는 것을 특징으로 한다.

상술한 바와 같이, 본 발명에 의한 소셜 검색 시스템 및 기법에 따르면, 시간 정보의 활용을 통해 검색하고자 하는 시간대에 적합한 후보만을 선출하기 때문에 반경 내에 있는 모든 장소들에 대해 평가하지 않아 연산량을 감소시킬 수 있다.

즉, 기존의 암시적 수집 기법은 사용자가 SNS에서 수행한 행위 즉, 게시물 등록, 댓글, 이메일 송수신 등을 분석하여 사용자 성향을 판별하므로, 이러한 기법은 신뢰할만한 사용자 성향을 생성하기 위해 많은 기간이 소요된다.

본 발명에서는 이러한 문제점을 해결하기 위해 소셜 검색 결과를 통해 실제 방문한 장소 정보를 수집하여 사용자 성향을 생성한다. 이러한 과정은 사용자 성향을 분석하기 위한 기간을 상대적으로 단축시킬 수 있다. 또한, 다중 속성을 갖는 검색 대상 객체에서 의미 있는 정보를 추출하기 위해 스카이라인 처리 기법을 사용한다. 스카이라인 처리 결과에 사용자 성향과 인기도를 추가하여 검색 결과에 대한 우선순위를 부여함으로써 소셜 검색의 신뢰도를 향상시킬 수 있다.

도 1은 본 발명의 일 실시예에 의한 소셜 검색 시스템의 전체 구성을 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 의한 소셜 검색 기법의 전체 흐름을 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 의한 정보 수집 과정을 나타낸 도면이다.
도 4는 본 발명의 일 실시예에 의한 소셜 검색 시스템의 저장 구조를 나타낸 도면이다.
도 5는 본 발명의 일 실시예에 의한 장소 정보에 대한 계층 구조를 나타낸 도면이다.
도 6은 본 발명의 일 실시예에 의한 사용자 성향 정보를 생성하는 과정을 나타낸 도면이다.
도 7은 본 발명의 일 실시예에 의한 후보군을 생성하는 과정을 나타낸 도면이다.
도 8은 본 발명의 일 실시예에 의한 Candidate generator와 skyline module 처리 과정을 나타낸 도면이다.
도 9는 본 발명의 일 실시예에 의한 Ranking engine 처리 과정을 나타낸 도면이다.

소셜 검색에 있어, 사용자의 성향을 분석하기 위한 정보를 수집하기 위해 암시적 정보 수집 방법과 명시적 정보 수집 방법을 사용할 수 있다.

암시적인 정보 수집은 수집된 정보의 신뢰도 측면에서 강점을 지니지만 많은 정보 수집 기간이 소요된다는 문제점이 있다.

명시적인 정보 수집은 사용자로부터 미리 그 사용자의 성향 정보를 직접 수집하여 수집된 사용자 정보와 유사한 특성을 갖는 기존 사용자의 성향 정보를 검색에 활용할 수 있으나, 이 방법은 사용자 직접 정보를 입력하기 때문에 시간에 따라 변화되는 사용자의 성향을 파악할 수 없어 신뢰성 있는 제공이 어렵다.

이에 본 발명에서는 소셜 검색을 위해 명시적인 정보 수집 기법이 가지는 신뢰성의 문제를 해결하면서 기존의 암시적인 정보 수집 기간을 상대적으로 단축시키기 위한 기법을 제안한다. 제안하는 기법은 사용자가 검색 결과에서 실제 방문한 장소 정보를 수집하고 스카이라인 처리를 통해 각 속성에 가중치를 부여한다.

이하, 본 발명의 소셜 검색 시스템 및 기법에 대하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.

도 1은 본 발명의 일 실시예에 의한 소셜 검색 시스템의 전체 구성을 나타낸 도면이다.

도 1을 참조하면, 본 발명의 소셜 검색 시스템(이하, "서버"라 함)은, 사용자들로부터 각종 위치 정보를 포함한 SNS 게시물들을 수집하여 분석하는 수집기(Collector)(1)와, 사용자 성향 정보, 장소(목적지) 정보, 사용자 방문 기록을 저장하는 데이터베이스(Database)(2)와, 사용자의 질의로부터 핵심 키워드, 시간, 사용자의 현재 위치를 추출하는 질의 처리기(Query processor)(3)와, 적합한 후보 생성 및 인기도 점수를 산출하는 후보 생성기(Candidate generator)(4)와, 사용자 성향 정보를 바탕으로 가중치를 부여하는 스카이라인 모듈(Skyline module)(5)과, 산출된 인기도 점수와 가중치가 부여된 사용자 성향 점수를 합산하여 순위를 부여하는 랭킹 엔진(Ranking engine)(6)을 포함한다.

이와 같이 구성된 서버는, 지속적으로 모든 사용자들로부터 수집기(1)를 이용하여 각종 위치 정보를 포함한 SNS 게시물들을 분석하여 수집한다. 데이터베이스(2)에는 크게 사용자 성향 정보, 장소 정보, 방문 기록이 저장된다. 사용자는 모바일 환경에서 서버에 검색 질의에 따른 검색 결과를 요청한다. 요청 받은 서버는 크게 4개의 모듈(질의 처리기(3), 후보 생성기(4), 스카이라인 모듈(5), 랭킹 엔진(6))을 통해 질의를 분석하고 후보군을 생성하며 점수를 부여하고 점수를 바탕으로 순위를 부여한 검색 결과를 사용자에게 제공한다. 질의 처리기(3)는 사용자의 질의로부터 핵심 키워드, 시간, 사용자의 현재 위치를 추출한다. 후보 생성기(4)는 적합한 후보 생성 및 인기도 점수를 산출하고, 스카이라인 모듈(5)은 사용자 성향 정보를 바탕으로 가중치를 부여한다. 랭킹 엔진(6)에서는 후보 생성기(4)와 스카이라인 모듈(5)로부터 인기도 점수와 사용자 성향 점수를 합산하여 순위를 부여한다.

그러면, 여기서 상기와 같이 구성된 시스템을 이용한 본 발명의 소셜 검색 기법에 대해 설명하기로 한다.

도 2는 본 발명의 일 실시예에 의한 소셜 검색 기법의 전체 흐름을 나타낸 도면이다.

도 2를 참조하면, 수집기(1)는 사용자들의 위치 기반 서비스들을 통해 각 장소들에 대한 방문 기록을 지속적으로 수집하고 저장한다(S1). 사용자는 소셜 검색 서비스를 제공받기 위해 자신의 위치 정보와 방문 예정 시간 정보를 포함한 질의를 서버로 전송하면(S2), 질의 처리기(3)는 사용자 질의를 분석하고, 후보군 생성기는 사용자 위치, 핵심 키워드를 이용하여 적합한 후보군을 선출하고 시간 정보를 통해 운영하지 않는 후보들을 배제한다. 또한 후보군 생성기는 후보군에 포함된 각각의 장소 정보들에 대해 사용자들의 방문 빈도를 통해 인기도 점수를 산출한다(S3). 스카이라인 모듈(5)에서는 후보군 생성기에서 생성한 후보군을 스카이라인을 통해 사용자 성향을 만족하는 장소들에 대해 가중치를 부여한다(S4). 최종적으로 랭킹 엔진(6)에서는 후보군 생성기와 스카이라인 모듈(5)에서 각각 산출된 점수를 종합하여 순위를 부여하고(S5), 사용자가 요청한 Top-k의 결과 값을 반환한다(S6).

도 3은 본 발명의 일 실시예에 의한 정보 수집 과정을 나타낸 도면이다.

도 3을 참조하면, 정보 수집은 수집기(Collector)(1)를 통해 이루어지며, 수집기(Collector)(1)는 장소 정보, 사용자 방문 기록, 검색 결과에 대한 사용자 피드백 정보를 수집한다. 장소 정보(Location)는 사용자가 방문한 해당 장소 정보가 서버에 없거나 갱신이 필요할 때 저장한다. 처음 방문자가 장소 등록을 수행하면 서버는 해당 장소에 대한 고유 ID를 부여하고 위치 정보, 상호 명, 업종 분류 그리고 가격 정보 등과 같은 부가적인 장소 정보들과 함께 데이터베이스(2)에 저장한다. 만약 장소 정보가 변경되는 사안이라면 해당 장소의 고유 ID를 제외한 나머지 정보들을 일괄 갱신한다. 한편, 방문 장소에 대한 정보가 이미 서버 상에 존재할 경우에는 사용자 방문 기록(User record)만을 기록한다. 사용자 방문 기록(User record)는 사용자 고유 ID, 방문 위치, 시간 정보로 구성된다. 결과 값 피드백은 사용자가 주변 장소들에 대한 검색을 수행하고 검색 결과에서 실제 방문이 이루어진 정보를 저장한다. 방문한 장소에 해당하는 각각의 특성 값들은 피드백을 통해 사용자 성향에 반영된다. 누적된 사용자 방문 기록을 바탕으로 사용자 성향 정보(User)를 갱신한다.

도 4는 본 발명의 일 실시예에 의한 소셜 검색 시스템의 저장 구조를 나타낸 도면이다.

사용자로부터 수집된 정보를 분석하여 사용자 성향을 파악하기 위해 사용자 성향과 사용자 방문 기록 기록, 장소에 대한 자세한 정보를 저장하는 데이터베이스(2)가 요구된다.

도 4를 참조하면, 사용자(User) 테이블은 사용자 성향 정보를 보관하게 되고, 사용자 기록(User record) 테이블은 사용자 방문 기록을 보관한다. 이 때, 검색 결과로 방문이 이루어진 경우에는 피드백(Feedback) 기록이 남는다. 장소(Location) 테이블은 각 장소에 대한 세부 정보를 포함하고 있다. 사용자들로부터 수집한 데이터들은 사용자의 다양한 질의에 대한 빠른 검색 및 연산을 위해 세 개의 테이블에 저장된다. 사용자 기록(User record) 테이블은 각 사용자 방문 기록을 저장한다. 이 때, Time과 Location_ID 필드에 방문 시간과 장소를 기록한다. 만약 이전 검색의 결과를 통해 실제 방문을 수행했다면 이를 수집하여 Feedback에 저장한다. 사용자(User) 테이블은 사용자 성향 정보가 기록된다. 사용자 기록(User record)에서 얻어지는 피드백 정보를 기존의 가중치와 합산하여 최신의 가중치로 갱신한다. 장소(Location) 테이블은 장소에 대한 고유 ID, 상호 명, 좌표, 범주 그리고 각 고정된 파라미터 값으로 구성된다.

도 5는 본 발명의 일 실시예에 의한 장소 정보에 대한 계층 구조를 나타낸 도면이다.

도 5를 참조하면, 장소 정보는 매우 방대하기 때문에 실 주소 체계를 토대로 세부 지역 단위까지 계층적인 구조를 통해 저장된다. 예를 들어, 검색 위치가 G3 주 내에 있는 C7이라는 도시 내라고 한다면 G3이라는 단위 구역 내에 있는 도시 리스트 중 C7의 테이블 내에 있는 리스트만을 검색하게 된다. 사용자는 현재 위치로부터 목적지가 다른 도시로 이동하는 거리보다 멀더라도 시내에서 이동하려는 성향이 있다. 따라서 계층 구조를 활용하면 장소에 따른 후보 검색을 효율적으로 수행하는 것이 가능하다. 또한, 이를 통해 적합한 후보군을 생성하기 위한 검색 항목을 최소화 시킬 수 있다. 장소에 대한 추가정보 중 거리 정보와 같이 사용자의 검색 위치에 따라 변하는 값들은 별도로 저장하지 않는다.

암시적 정보 수집 기법은 사용자 성향을 생성하기 위해 SNS에서 활동한 모든 정보를 수집할 경우 많은 기간이 소요된다. 암시적 정보 수집 기간을 상대적으로 단축시키기 위해 기존 검색에서 실제 방문 여부를 수집하여 사용자 성향을 생성하는데 사용한다. User 테이블에서 각 파라미터의 최종 가중치

는 각 속성에 대한 사용자 성향을 나타낸다. 사용자 성향은 (식 1)과 같이 기존 검색 결과에 대한 방문 여부를 수집하여 이에 대한 평균값을 저장한다. 이 때,

는 최근 T 기간 동안의 사용자의 전체 피드백 수이고,

는

번째 속성 값이다. (식 2)에서

는 실제 사용자 피드백을 통해 수집된

을 정규화한 값으로

이다.

의 각 속성

의 값의 범위가 서로 상이하기 때문에 이를 0∼1 정규화하기 위한 파라미터이다.

는 검색 결과에서 사용자가 실제 특정 장소를 방문할 때 사용자를 기준으로 장소에 대한 속성 값으로 거리, 가격 등이 이에 해당된다.

--- (식 1)

--- (식 2)

도 6은 본 발명의 일 실시예에 의한 사용자 성향 정보를 생성하는 과정을 나타낸 도면이다.

일례로서 사용자로부터 수집한 피드백 정보가 3개 있다고 가정한다. 도 6을 참조하면, Normalized User feedback은 사용자의 피드백 정보를 정규화한 값을 나타낸다. 정규화를 통해 서로 다른 속성 단위를 통일시킬 수 있다. 이를 (식 2)에 의해 계산할 경우 각 속성별 Feature value를 생성한다. 이를 통해 각 속성이 가지는 비율을 산출할 수 있다. 산출된 수치는 사용자가 어떤 속성 값에 높은 비중을 두는지 알 수 있으므로 Feature value는 (식 1)을 이용하여 매 비중의 평균값을 사용자 성향(User preference) 값으로 생성한다.

도 7은 본 발명의 일 실시예에 의한 후보군을 생성하는 과정을 나타낸 도면이다.

도 7을 참조하면, 우선 사용자의 현재 위치에 해당하는 단위 구역 테이블에서 장소 Category 정보에 핵심 키워드를 포함하는 장소 정보들을 추출한다. 임시로 생성된 후보군들로부터 사용자가 지정한 시간 정보를 통해 검색 시간 범위 내에 방문 기록이 없는 장소들은 후보에서 배제한다. 이는 해당 시간에 운영이 이루어지지 않는 것으로 간주하기 때문이다. 이러한 과정을 통해 검색 결과로 제공될 최종 후보 리스트를 생성한다. 예를 들어, User34라는 아이디를 사용하는 사용자가 16시에 있을 미팅을 위해 출장지에 도착하였으나 14시 30분에 도착하여 1시간 30분 동안 대기하기 위해 주변에 적당한 카페를 검색한다고 가정했을 때, 사용자는 서버로 <User34, cafe, 36.002453, 145.356363, 20131102T123124>의 형태로 질의를 전송하게 된다. 서버는 사용자로부터 위도와 경도를 토대로 현재 위치를 지오코딩을 통해 현재 위치에 해당하는 주소를 파악한다. 장소 계층 구조에 의해 현재 사용자가 위치해 있는 도시를 찾고, 해당 도시 테이블에서 cafe 라는 소분류를 가지는 장소들을 검색한다. 검색 키워드를 통해 초기 후보 리스트가 생성이 되면, 검색 시간 20131102T143124로부터 14시라는 시간 정보를 추출해낸다. 14시라는 시간 정보를 기준으로 유의미한 시간 반경 이내에 체크인 기록이 없는 장소들은 후보 리스트에서 제외시킨다. 이를 통해 현재 운영 중인 장소를 확인할 수 있으며, 결국 검색 시간대에 실질적으로 방문이 가능한 주변의 cafe가 최종 후보 리스트에 포함되게 된다.

제안하는 기법에서 운영시간 유무를 확인할 시간 정보

는 (식 3)에 의해 계산된다. 방문 예정 시간

을 기준으로 각 장소

의 과거 방문 시간

에 대해 유효 범위

과

내에서 가중치를 부여한다. 이 때,

과

는 반복적인 경험에 의해 지정되는 값으로 유효 범위 내에 방문 기록이 없는 경우 후보군에서 제외시킨다. 만약 방문 기록이 있는 경우에만

를 활용한 가중치를 통해 인기도 점수

를 산출할 때 반영한다.

--- (식 3)

본 발명에서 지속적으로 수집한 데이터들로부터 사용자에게 적합한 결과를 반환하기 위해 네 단계의 처리 절차를 수행한다. 우선 사용자의 위치로부터 적합한 후보군을 선출한 후, 후보군 생성기와 스카이라인 모듈(5)에서 각각 인기도와 사용자 성향 점수를 산출한다. 랭킹 엔진(6)에서는 인기도와 사용자 성향을 반영하여 (식 4)를 통해 최종 점수

를 부여한다. 이 때, 각 후보군

에 대해

는 장소 가중치,

는 인기도,

는 가중치이다. 가중치

는 검색 빈도에 따라 결정된다. 최종 점수를 기준으로 후보군을 재 정렬하여 사용자에게 최종 결과를 반환한다.

--- (식 4)

질의 처리기(3)는 사용자 검색 질의로부터 핵심 키워드와 좌표 정보를 추출한다. 이를 통하여 사용자 위치로부터 반경 이내에 포함되는 후보군을 선출한다. 선출된 모든 후보 장소들에 대한 정보는 검색 시점

을 기준으로 최근 T 기간 동안의 대중의 인기도를 반영한 점수로 계산된다. (식 5)는 인기도를 계산하는 식이다. 이 때,

는 최근 T 기간 동안 총 후보군 전체 방문자 수,

은 해당 후보 장소

의 방문자 수를 나타낸다. 인기도는 질의 시점으로부터

의 과거 방문 기록

가 최근일수록 높은 가중치를 부여한다. 또한 검색 시간에 따른 시간 정보 가중치

를 통해 검색 시간과 가까운 방문 기록은 더 높은 가중치를 부여 받게 된다.

--- (식 5)

스카이라인 모듈(5)에서는 다중 속성을 갖는 검색 대상 객체에서 특정 속성 값에 의해 지배되지 않는 객체를 선별한다. 이러한 과정을 통해 불필요한 장소를 미리 제거하고 사용자에게 의미 있는 장소만을 추출하여 우선순위를 부여한다. 따라서 장소 가중치

는 스카이라인을 통해 선별된 객체들에 사용자 성향 정보를 반영하여 계산한다. (식 6)는

를 계산하는 식이다. 이 때,

는 사용자 성향 정보이고,

는 피드백을 통해 수집한 장소에 대한 정규화된 속성 값이다.

--- (식 6)

랭킹 엔진(6)에서는 인기도 점수와 장소 가중치를 합산하여 순위를 부여하고 결과를 반환한다. 이 때, 인기도 점수와 장소 가중치의 비율

는 (식 7)과 같이 검색 빈도 임계값

대비 실제 검색 빈도

을 통해 반영된다.

의 계산에 적용되는 상수 δ는 다양한 환경에서 성능 평가를 통해 산출한 값이다. 만약 사용자 성향 정보가 수식의 상수 값 δ을 넘어서게 되면 일반적인 인기도와 별개로 사용자 성향 정보만이 반영된 검색 결과를 제공할 수 있다. 따라서 이를 조절하기 위해 실제 검색 빈도 횟수

는 검색 빈도 임계값

이상 누적시키지 않으며 적용되는 비중은 상수 δ 값에 제한을 받는다.

--- (식 7)

도 8은 본 발명의 일 실시예에 의한 Candidate generator와 skyline module 처리 과정을 나타낸 도면이고, 도 9는 본 발명의 일 실시예에 의한 Ranking engine 처리 과정을 나타낸 도면이다.

도 8을 참조하면, Candidate Generator에서 검색을 요청한 사용자 위치를 기반으로 주변 정보를 탐색한다. 이 때, 검색되는 후보 리스트로부터 사용자가 전송한 시간 정보를 토대로 해당 시간 영역 내에 방문 기록이 없는 장소들을 후보 리스트에서 제거한다. 검색 키워드와 시간 및 위치 정보를 바탕으로 A, B, C, D를 추출하고 각 장소들에 대해 검색 시간에 대한 가중치와 인기도(popularity)를 계산한다. 대중의 인기도는 최근일수록 높은 가중치가 부여되며, 사용자가 요청한 시간과 유사할 경우에도 높은 가중치가 부여된다. 추출된 각 장소에 대해 스카이라인 모듈(5)에서는 특정 속성에 지배되지 않는 장소 A와 C를 선별하고 사용자 성향을 반영하여 장소 가중치(location weight)를 계산한다.

도 9를 참조하면, 랭킹 엔진(6)에서는 인기도와 장소 가중치를 합산하여 최종 점수를 산출한다. 이 때 사용자의 사용 빈도(Search Frequency)에 따라 인기도와 장소 가중치에 대한 비율을 달리 한다. 예에서처럼 사용자의 사용빈도가 단위 기간 동안 약 65% 수준의 이용률을 보인다면 대중의 인기도보다 장소 가중치에 대한 비중을 높인다. 이를 토대로 각 항목에 대해 최종 순위를 부여하여 사용자에게 A, C, D를 전달한다. 사용자가 스크롤 등의 추가 정보를 요청할 경우 B 이하의 항목을 제공해 준다.

여기서, 도 8과 도 9는 소셜 검색에서 Top-3을 처리 과정을 나타낸 것으로서, 통상적으로 검색은 키워드와 관련된 모든 결과 값을 제공해야 한다.

이상에서 몇 가지 실시예를 들어 본 발명을 더욱 상세하게 설명하였으나, 본 발명은 반드시 이러한 실시예로 국한되는 것이 아니고 본 발명의 기술사상을 벗어나지 않는 범위 내에서 다양하게 변형실시될 수 있다.

1 : 수집기
2 : 데이터베이스
3 : 질의 처리기
4 : 후보 생성기
5 : 스카이라인 모듈
6 : 랭킹 엔진

Claims

삭제
(a) 키워드, 위치 정보 및 시간 정보를 포함한 질의를 분석하는 단계;
(b) 상기 키워드 및 위치 정보를 이용하여 후보군을 선출하고, 상기 시간 정보를 통해 운영하지 않는 후보들을 배제하는 단계;
(c) 상기 후보군에 포함된 각 장소들의 방문 빈도를 통해 인기도 점수를 산출하는 단계;
(d) 상기 후보군을 스카이라인을 통해 사용자 성향을 만족하는 장소들에 대해 가중치를 부여하는 단계;
(e) 상기 인기도 점수와 상기 가중치가 부여된 사용자 성향 점수를 종합하여 순위를 부여하는 단계; 및
(f) 상기 질의 결과 값으로 상기 순위를 사용자에게 반환하는 단계를 포함하며,
상기 단계 (d)에서 장소 가중치(
)는 아래의 (식 6)으로 계산하는 소셜 검색 기법.

--- (식 6)
여기서,
는 사용자 성향 정보이고,
는 피드백을 통해 수집한 장소에 대한 정규화된 속성 값이다.
제2항에 있어서,
상기 단계 (a) 이전에 위치 기반 서비스를 통해 각 장소들에 대한 방문 기록을 수집하는 단계를 더 포함하는 소셜 검색 기법.
제3항에 있어서,
상기 수집이 이루어지는 정보는,
해당 장소에 대한 고유 ID가 부여되고, 위치 정보, 상호 명, 업종 분류를 포함하는 부가 정보를 포함하는 장소 정보(Location);
사용자 고유 ID, 방문 위치, 시간 정보를 포함하며, 검색의 결과를 통해 장소에 실제 방문이 이루어진 정보를 포함하는 사용자 피드백 정보를 포함하는 사용자 방문 기록(User record); 및
누적된 상기 사용자 방문 기록을 바탕으로 갱신되는 사용자 성향 정보(User)를 포함하는 소셜 검색 기법.
제4항에 있어서,
상기 사용자 성향 정보(User)는 상기 사용자 방문 기록(User record)에서 얻어지는 사용자 피드백 정보를 기존의 가중치와 합산하여 최신의 가중치로 갱신하는 소셜 검색 기법.
제5항에 있어서,
최종 가중치(
)는 아래의 (식 1) 및 (식 2)를 이용하여 계산하는 소셜 검색 기법.

--- (식 1)

--- (식 2)
여기서,
는 최근 T 기간 동안의 사용자의 전체 피드백 수이고,
는
번째 속성 값이고,
는 실제 사용자 피드백을 통해 수집된
을 정규화한 값으로
이며,
의 각 속성
의 값의 범위가 서로 상이하기 때문에 이를 0∼1 정규화하기 위한 파라미터이고,
는 검색 결과에서 사용자가 실제 특정 장소를 방문할 때 사용자를 기준으로 장소에 대한 속성 값(거리, 가격)이다.
제6항에 있어서,
상기 사용자 성향 정보를 생성하는 과정은,
서로 다른 속성 단위를 통일시키기 위해 상기 사용자 피드백 정보를 정규화하는 단계;
상기 (식 2)에 의해 각 속성별 속성 값(Feature value)을 생성하는 단계; 및
상기 속성 값으로부터 상기 (식 1)에 의해 사용자 성향(User preference) 값을 생성하는 단계를 포함하는 소셜 검색 기법.
제4항에 있어서,
상기 장소 정보(Location)는 적어도 하나 이상의 지역 단위를 포함하는 계층 구조를 가지며,
상기 후보군은 사용자의 현재 위치의 지역 단위만을 선택하여 검색하는 소셜 검색 기법.
제2항에 있어서,
상기 단계 (b)에서 후보군을 생성하는 과정은,
상기 위치 정보로부터 주소를 파악하는 단계;
상기 주소의 해당 지역의 검색 대상을 추출하여 초기 후보 리스트를 생성하는 단계;
상기 시간 정보를 기준으로 유의미한 시간 반경 이내에 체크인 기록이 없는 장소들은 후보 리스트에서 제외시키는 단계; 및
검색 시간대에 실질적으로 방문이 가능한 주변의 검색 대상을 포함하는 최종 후보 리스트를 생성하는 단계를 포함하는 소셜 검색 기법.
제9항에 있어서,
상기 검색 대상의 운영시간 유무를 확인할 시간 정보
는 아래의 (식 3)에 의해 계산되는 소셜 검색 기법.

--- (식 3)
여기서, 방문 예정 시간
을 기준으로 각 장소
의 과거 방문 시간
에 대해 유효 범위
과
내에서 가중치를 부여한다. 이 때,
과
는 반복적인 경험에 의해 지정되는 값으로 유효 범위 내에 방문 기록이 없는 경우 후보군에서 제외시킨다. 만약 방문 기록이 있는 경우에만
를 활용한 가중치를 통해 인기도 점수
를 산출할 때 반영한다.
제2항에 있어서,
상기 단계 (e)에서 아래의 (식 4)를 통해 최종 점수
를 부여하는 소셜 검색 기법.

--- (식 4)
여기서, 각 후보군
에 대해
는 장소 가중치,
는 인기도,
는 가중치를 각각 나타낸다. 가중치
는 검색 빈도에 따라 결정된다.
제11항에 있어서,
상기 가중치(
)는 아래의 (식 7)로 정의되는 소셜 검색 기법.

--- (식 7)
여기서,
는 검색 빈도 임계값,
는 실제 검색 빈도, 상수 δ는 성능 평가를 통해 산출한 값을 각각 나타낸다.
제11항에 있어서,
상기 인기도(
)는 아래의 식 (5)를 이용하여 점수로 계산되는 소셜 검색 기법.

--- (식 5)
여기서,
는 검색 시점,
는 최근 T 기간 동안 총 후보군 전체 방문자 수,
은 해당 후보 장소
의 방문자 수를 각각 나타낸다.
삭제