KR101524971B1 - 개인 성향 예측 방법 및 그 장치 - Google Patents

개인 성향 예측 방법 및 그 장치 Download PDF

Info

Publication number
KR101524971B1
KR101524971B1 KR1020140015212A KR20140015212A KR101524971B1 KR 101524971 B1 KR101524971 B1 KR 101524971B1 KR 1020140015212 A KR1020140015212 A KR 1020140015212A KR 20140015212 A KR20140015212 A KR 20140015212A KR 101524971 B1 KR101524971 B1 KR 101524971B1
Authority
KR
South Korea
Prior art keywords
user
variable
personal
deriving
friend
Prior art date
Application number
KR1020140015212A
Other languages
English (en)
Inventor
이수원
백종범
Original Assignee
숭실대학교산학협력단
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 숭실대학교산학협력단 filed Critical 숭실대학교산학협력단
Priority to KR1020140015212A priority Critical patent/KR101524971B1/ko
Priority to PCT/KR2014/004809 priority patent/WO2015122575A1/ko
Priority to US15/118,096 priority patent/US20170032270A1/en
Application granted granted Critical
Publication of KR101524971B1 publication Critical patent/KR101524971B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/2866—Architectures; Arrangements
    • H04L67/30—Profiles
    • H04L67/306—User profiles
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/535—Tracking the activity of the user

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Databases & Information Systems (AREA)
  • Primary Health Care (AREA)
  • Computer Hardware Design (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

개인 성향 예측 방법 및 장치가 개시된다. 개인 성향 예측 방법은 소셜 네트워크에서 개인 라이프로그(personal life log)를 수집하는 단계; 상기 개인 라이프로그를 트리플 구조로 분석하여 사용자의 각 행동에 대한 대상을 정의하여 사용자 행동 행렬을 생성하여 사용자 행동 변수를 각각 추출하는 단계; 상기 개인 라이프로그를 분석하여 사용자와 친구간 상호작용 정도를 도출하고, 상기 도출된 상호작용 정도를 이용하여 친구관계 특징 변수를 도출하는 단계; 상기 개인 라이프로그를 분석하여 각 피드에 대해 사용자가 남긴 위치정보를 이용하여 이동 경로 특징 변수를 도출하는 단계; 및 상기 사용자 행동 변수, 상기 친구관계 특징 변수 및 상기 이동 경로 특징 변수를 학습된 네 가지 개인 성향 모델에 적용하여 개인 성향을 예측하는 단계를 포함한다.

Description

개인 성향 예측 방법 및 그 장치{Personality traits prediction method and apparatus based on consumer psychology}
본 발명은 개인의 라이프로그를 이용하여 개인 성향을 예측할 수 있는 개인 성향 예측 방법 및 그 장치에 관한 것이다.
스마트 산업에 있어서 UX(User Experience)는 스마트 기기의 성패를 좌우하는 핵심 요소로 자리하게 되었다. 2011년도 발간된 ETRI의 UX기술동향 보고서에 따르면, Google, Apple, 삼성전자 등 국내외 유수 기업들이 UX 향상을 위한 차세대 기술로 ‘개인화(Personalization) 기술’에 주목하고 있는 것으로 나타났다. 실제로 스마트 산업의 양대 기업인 Google과 Apple은 각각 NowTM와 SiriTM라는 개인 비서 서비스를 제공하고 있다.
그러나 종래의 개인화 서비스들은 대부분 제품 추천 서비스, 개인 비서 서비스 등 사용자의 취향을 고려한 개인 맞춤형 정보를 제공하는데 그치고 있는 실정이다.
또한, 종래의 개인화 서비스들은 심리학에서 널리 사용되는 Big-5 개인 성향 모델(Big-5 Personality Traits Model)에 기반하고 있다. Big-5 개인 성향 모델은 사람의 특성을 설명하기 위한 매우 일반적인 이론이지만 사용자의 구매 행동과의 상관성을 검증한 사례가 없는 한계점을 지니고 있다.
또한, 종래에는 종래의 개인화 서비스들은 트위터, 페이스북 등과 같은 SNS에서 ‘친구수’, ‘그룹수’, 사진 업로드 횟수’와 같은 매우 기초적인 통계치만을 이용함으로써 SNS에 남겨진 다양한 사용자 행동 정보를 활용하지 못하는 문제점을 가지고 있다.
본 발명은 개인의 라이프로그(personal life log)를 분석하여 개인 성향을 예측할 수 있는 개인 성향 예측 방법 및 그 장치를 제공하기 위한 것이다.
또한, 본 발명은 개인의 라이프로그 분석을 통해 소비자 심리 이론에서 주로 활용되는 주요 개인 성향을 이용하여 신규한 개인 성향 예측 모델을 생성할 수 있는 개인 성향 예측 방법 및 그 장치를 제공하기 위한 것이다.
본 발명의 일 측면에 따르면, 개인의 라이프로그(personal life log)를 분석하여 개인 성향을 예측할 수 있는 개인 성향 예측 방법이 제공된다.
본 발명의 일 실시예에 따르면, 소셜 네트워크에서 개인 라이프로그(personal life log)를 수집하는 단계; 상기 개인 라이프로그를 트리플 구조로 분석하여 사용자의 각 행동에 대한 대상을 정의하여 사용자 행동 행렬을 생성하여 사용자 행동 변수를 각각 추출하는 단계; 상기 개인 라이프로그를 분석하여 사용자와 친구간 상호작용 정도를 도출하고, 상기 상호작용 정도를 이용하여 친구관계 특징 변수를 도출하는 단계; 상기 개인 라이프로그를 분석하여 각 피드에 대해 사용자가 남긴 위치정보를 이용하여 이동 경로 특징 변수를 도출하는 단계; 및 상기 사용자 행동 변수, 상기 친구관계 특징 변수 및 상기 이동 경로 특징 변수를 학습된 네 가지 개인 성향 모델에 적용하여 개인 성향을 예측하는 단계를 포함하는 개인 성향 예측 방법이 제공될 수 있다.
상기 사용자 행동 행렬은 상기 개인 라이프로그에서 사용자(subject)의 각 행동(predicate)을 각 대상(object)로 일반화하여 정의한 것이되, 상기 트리플 구조는 상기 사용자, 상기 대상 및 행동을 포함하는 형태일 수 있다.
상기 친구관계 특징 변수를 도출하는 단계는, 상기 개인 라이프로그를 분석하여 사용자의 피드에 친구가 댓글을 단 빈도와 친구의 댓글에 상기 사용자가 응답한 빈도를 상기 상호작용 정도로 도출하는 단계; 및 상기 도출된 상호작용 정도를 K-평균 군집 알고리즘을 통해 군집을 구분하여 친한 친구 수와 아는 사람 수를 각각 친구관계 특징 변수로 도출하는 단계를 포함할 수 있다.
상기 이동 경로 특징 변수를 각각 추출하는 단계는, 상기 사용자가 남긴 위치 정보를 이용하여 각 방문 지점간의 평균 이동 거리를 도출하는 단계; 상기 위치 정보를 이용하여 상기 방문 지점의 개수 및 상기 각 방문 지점의 방문 빈도를 상기 POI 다양성 정보로 각각 도출하는 단계를 포함하되, 상기 평균 이동 거리 및 상기 POI 다양성 정보를 상기 이동 경로 특징 변수로 도출하고, 상기 위치 정보는 GPS 좌표, 각 지점의 명칭 및 각 지점의 식별정보(ID) 중 적어도 하나를 포함할 수 있다.
상기 네 가지 개인 성향 예측 모델에 적용하여 개인 성향을 예측하는 단계는, 상기 사용자 행동 변수, 상기 친구관계 특징 변수 및 상기 이동 경로 특징 변수들을 이용하여 상기 네 가지 개인 성향 예측 모델 각각에 대한 최적 변수 조합을 도출하는 단계; 및 상기 도출된 최적 변수 조합을 이용하여 상기 네 가지 개인 성향 예측 모델에 적용하여 선형 회귀 분석을 수행하여 개인 성향을 예측하는 단계를 포함할 수 있다.
최적 변수 조합을 도출하는 단계는, 상기 네 가지 개인 성향 예측 모델 각각에 대해 상기 사용자 행동 변수, 상기 친구관계 특징 변수 및 상기 이동 경로 특징 변수들을 이용하여 10-fold cross validation의 평균 제곱근 오차(RMSE: root mean square error)를 최소로 하는 최적 변수 조합을 도출하는 단계이되, 상기 네 가지 개인 성향 예측 모델은 소비자 심리 분야의 외향성(Extraversion) 예측 모델, 공적자기의식(Public Self Consciousness) 예측 모델, 독특성욕구(Desire for Uniqueness) 예측 모델 및 자존감(Self Esteem) 예측 모델이다.
상기 네 가지 개인 성향을 예측하는 단계 이전에, 상기 사용자 행동 변수, 상기 친구관계 특징 변수 및 상기 이동 경로 특징 변수와 사용일자간의 상관성을 도출하고, 상관성이 제1 임계치 이상인 변수들을 사용자별 총 사용기간으로 나누어 정규화하는 단계- 상기 사용자별 총 사용기간은 상기 사용자의 최초 피드 발생일 및 최종 피드 발생일 사이의 일수로 계산됨-; 및 상기 변수에 대한 왜도(skewness)를 계산하고, 왜도가 제2 임계치 이상인 경우 로그 함수를 적용하여 정규화하는 단계를 포함할 수 있다.
상기 사용자 행동 변수, 상기 친구관계 특징 변수 및 상기 이동 경로 특징 변수를 이용하여 상기 네 가지 개인 성향 모델을 학습하는 단계를 더 포함할 수 있다.
본 발명의 다른 측면에 따르면, 개인의 라이프로그(personal life log)를 분석하여 개인 성향을 예측할 수 있는 개인 성향 예측 장치가 제공된다.
본 발명의 일 실시예에 따르면, 소셜 네트워크에서 개인 라이프로그(personal life log)를 수집하는 수집부; 상기 개인 라이프로그를 트리플 구조로 분석하여 사용자의 각 행동에 대한 대상을 정의하여 사용자 행동 행렬을 생성하여 사용자 행동 변수를 각각 추출하는 특징 변수 추출부; 상기 개인 라이프로그를 분석하여 사용자와 친구간 댓글 및 답글을 단 빈도를 도출하고, 상기 도출된 빈도를 이용하여 친구관계 특징 변수를 도출하는 친구관계 분석부; 상기 개인 라이프로그를 분석하여 각 피드에 대해 사용자가 남긴 위치정보를 이용하여 평균 이동 거리 및 POI 다양성 정보를 도출하여 이동 경로 특징 변수로서 각각 추출하는 이동 경로 분석부; 및 상기 사용자 행동 변수, 상기 친구관계 특징 변수 및 상기 이동 경로 특징 변수를 학습된 네 가지 개인 성향 예측 모델에 적용하여 개인 성향을 예측하는 예측부를 포함하는 개인 성향 예측 장치가 제공될 수 있다.
본 발명의 일 실시예에 따른 개인 성향 예측 방법 및 그 장치를 제공함으로써, 개인의 라이프로그(personal life log)를 분석하여 개인 성향을 예측할 수 있다.
또한, 본 발명은 개인의 라이프로그 분석을 통해 소비자 심리 이론에서 주로 활용되는 주요 개인 성향을 이용하여 신규한 개인 성향 예측 모델을 생성할 수 있다.
도 1은 본 발명의 일 실시예에 따른 개인 성향 예측 방법을 나타낸 순서도.
도 2는 본 발명의 일 실시예에 따른 사용자 행동 행렬을 예시한 도면.
도 3은 본 발명의 일 실시예에 따른 K-평균 군집 알고리즘을 이용하여 두개의 군집을 구분한 결과를 도시한 도면.
도 4 내지 도 7은 본 발명의 일 실시예에 따른 네 가지 개인 성향 예측 모델의 최적 변수를 예시한 도면.
도 8은 본 발명의 일 실시예에 따른 정규화 이전 및 정규화에 따른 변수 분포를 도시한 도면.
도 9는 본 발명의 일 실시예에 따른 개인 성향 예측 장치의 내부 구성을 개략적으로 도시한 블록도.
도 10은 종래와 본 발명의 일 실시예에 따른 개인 성향 예측에 따른 상관성 향상 정도를 나타낸 그래프.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
이하, 본 발명의 실시예를 첨부한 도면들을 참조하여 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 개인 성향 예측 방법을 나타낸 순서도이고, 도 2는 본 발명의 일 실시예에 따른 사용자 행동 행렬을 예시한 도면이고, 도 3은 본 발명의 일 실시예에 따른 K-평균 군집 알고리즘을 이용하여 두개의 군집을 구분한 결과를 도시한 도면이며, 도 4 내지 도 7은 본 발명의 일 실시예에 따른 네 가지 개인 성향 예측 모델의 최적 변수를 예시한 도면이고, 도 8은 본 발명의 일 실시예에 따른 정규화 이전 및 정규화에 따른 변수 분포를 도시한 도면이다.
단계 110에서 개인 성향 예측 장치(100)는 개발된 앱(예를 들어, 온라인 설문 앱)을 통해 개인 성향에 대한 설문 정보와 액세스 토큰(access token)을 확보한 후 액세스 토큰을 통해 각 사용자의 개인 라이프로그(personal life log)를 수집한다.
이와 같이, 개인 성향에 대한 설문 조사 및 개인 라이프로그를 수집하기 위한 앱은 사전에 사용자 단말에 개별적으로 설치되어 있을 수 있음은 당연하다.
단계 115에서 개인 성향 예측 장치(100)는 수집된 개인 라이프로그를 트리플 구조로 분석하여 사용자의 각 행동에 대한 대상을 클래스 수준으로 일반화하여 정의하여 사용자 행동 변수 행렬을 생성한다. 이어, 개인 성향 예측 장치(100)는 사용자 행동 변수 행렬에서 사용자의 행동을 정의하는 기본 행동 변수인 사용자 행동 변수를 각각 추출한다.
예를 들어, 트리플 구조는 “사용자(subject), 대상(object), 행동(predicate)” 형태를 포함한다. 이에 따라, 개인 성향 예측 장치(100)는 수집된 개인 라이프로그를 트리플 구조 형태로 분석하여 사용자의 다양한 행동들을 인스턴스 수준 ‘User 1’ likes ‘Photo 1’에서 일반화된 정의인 클래스 수준(예를 들어, ‘User’ likes ‘Photo)으로 일반화하여 사용자 행동 변수 행렬을 생성할 수 있다.
도 2에 사용자 행동 변수 행렬이 예시되어 있다.
도 2에 도시된 바와 같이, 사용자가 어떠한 대상에게 어떠한 행동을 하였는지를 중심으로 다양한 사용자 행동 변수 행렬을 생성할 수 있다.
또한, 소셜 네트워크에서 각 페이지에 대한 상태를 표현하는데 있어 개별 페이지별로 사용자 행동 변수를 추출하는 경우, 표본의 특징 변수값이 0으로 채워지는 희소성 문제가 발생하게 된다.
이에 따라, 개인 성향 예측 장치(100)는 각 페이지가 속하는 카테고리로 일반화시킨 후 카테고리에 대해 상태 표현을 위한 특징 변수를 추출할 수도 있다. 예를 들어,
예를 들어, 소셜 네트워크가 페이스북이라고 가정하자. 페이스북의 8355rodml 페이지를 대상으로 카테고리를 일반화하여 약 183개의 카테고리로 요약한 후 각 카테고리에 대해 상태 표현(예를 들어, 좋아요 정보)를 특징 변수로 추출할 수도 있다.
이와 같이, 개인 성향 예측 장치(100)는 수집된 개인 라이프로그를 트리플 구조로 분석하여 SNS에서의 관계를 정리한 사용자 행동 변수 행렬을 생성한 후 적어도 하나의 사용자 행동 변수를 추출할 수 있다.
단계 120에서 개인 성향 예측 장치(100)는 개인 라이프로그를 분석하여 사용자와 친구간 사회적 상호 작용을 분석하여 친구관계 특징 변수를 추출한다.
여기서, 사회적 상호 작용의 분석은 사용자의 피드(Feed)에 친구가 댓글을 닷 빈도와 친구의 댓글에 사용자가 응답한 빈도를 추출하고, 이를 기반으로 K-평균 군집 알고리즘에 적용하여 ‘친한 친구 수’ 및 ‘아는 사람 수’를 친구관계 특징 변수로써 추출할 수 있다.
이때, 개인 성향 예측 장치(100)는 사용자의 피드에 친구가 댓글을 단 빈도는 사용자가 작성한 피드에 사용자의 친구가 댓글을 작성한 빈도를 누적하여 추출할 수 있다.
이를 수식으로 나타내면, 수학식 1과 같다.
Figure 112014013087378-pat00001
여기서, u 는 사용자를 나타내고, f u ,i 는 사용자의 친구를 나타내고, Feed u 는 사용자가 작성한 피드를 나타낸다. 또한,
Figure 112014013087378-pat00002
는 사용자가 작성한 피드에 사용자의 친구가 댓글을 작성한 빈도를 나타낸다.
이때, 수 1을 이용하여 도출한 사용자의 피드에 가장 많은 댓글을 작성한 친구의 ‘사용자의 피드에 친구가 댓글을 단 빈도(
Figure 112014013087378-pat00003
)’로 나누어 0과 1 사이로 정규화할 수 있다. 이를 수식으로 나타내면 수학식 2와 같다.
Figure 112014013087378-pat00004
또한, 개인 성향 예측 장치(100)는 사용자가 작성한 피드 집합 중 사용자의 친구가 댓글을 작성한 피드에 사용자가 답글을 작성한 빈도를 누적하여 친구의 댓글에 사용자가 응답한 빈도를 도출할 수 있다. 이를 수학식으로 나타내면 수학식 3과 같다.
Figure 112014013087378-pat00005
여기서, u는 사용자를 나타내고, Feed u 사용자(u)가 작성한 피드 집합을 나타내며, f u ,i 는 사용자의 친구를 나타내고, feed u ,j 는 사용자의 친구가 댓글을 작성한 피드를 나타내며,
Figure 112014013087378-pat00006
는 사용자의 친구가 댓글을 작성한 피드에 사용자가 답글을 작성한 빈도를 나타낸다. 이와 같이, 친구의 댓글에 사용자가 응답한 빈도는 사용자의 친구가 댓글을 작성한 피드에 사용자가 답글을 작성한 빈도를 누적하여 도출할 수 있다.
이어, 사용자가 가장 많은 답글을 작성한 친구의 “친구의 댓글에 사용자가 응답한 빈도”로 각 도출된 “친구의 댓글에 사용자가 응답한 빈도를 나누어 0과 1 사이로 정규화할 수 있다.
이를 수식으로 나타내면, 수학식 4와 같다.
Figure 112014013087378-pat00007
개인 성향 예측 장치(100)는 상기와 같이 사용자의 피드에 친구가 댓글을 단 빈도 및 친구의 댓글에 사용자가 응답한 빈도를 각각 도출한 후 K-평균 군집 알고리즘을 이용하여 군집화하여 친한 친구와 그렇지 않는 친구(아는 사람)을 구분할 수 있다.
도 3에는 K-평균 군집 알고리즘을 이용하여 두개의 군집을 구분한 결과가 도시되어 있다. 도 3에 도시된 바와 같이 약 8:2 정도의 비율로 친구 목록 내 사용자들이 친한 친구와 아는 사람으로 구분되는 것이 확인되었다. 도 3에서 제1 클러스터는 “아는 사람”을 나타내고, 제2 클러스터는 “친한 친구”를 나타낸다.
개인 성향 예측 장치(100)는 K-평균 군집 알고리즘에 의해 구분된 “친한 친구 수” 및 “아는 사람 수”을 각각 특징 변수로 추출할 수 있다.
단계 125에서 개인 성향 예측 장치(100)는 개인 라이프로그에서 각 피드에 대해 사용자가 남긴 위치정보를 분석하여 이동 경로를 분석함으로써 평균 이동 거리 및 POI 다양성 정보를 이동 경로 특징 변수로서 각각 도출한다.
여기서, 위치 정보는 예를 들어, GPS 좌표, 특정 장소(지점)의 명칭, 특정 장소(지점)의 식별정보(ID) 중 적어도 하나일 수 있다.
예를 들어, 개인 성향 예측 장치(100)는 사용자가 피드에 남긴 GPS 좌표를 이용하여 사용자의 성향에 따른 이동 경로의 차이를 분석할 수 있도록 이동 경로 특징 변수를 각각 도출할 수 있다.
일반적으로, 사용자의 성향, 즉 외향성을 예측하는데 있어서 사용자의 이동 경로를 분석하는 것은 상당한 의미를 지닐 수 있다. 즉, 외향적인 사용자들은 활발하게 여러 POI(Point of Interest)를 돌아다닐 것이며, 내성적인 사용자들은 특정 POI를 중심으로 이동 경로가 한정되는 경우가 일반적이다.
따라서, 개인 성향 예측 장치(100)는 사용자가 남긴 GPS 피드 정보를 분석하여 사용자의 성향에 따른 이동 경로의 차이를 모델링하기 위해 ‘평균 이동 거리’와 ‘POI 다양성’을 특징 변수로 추출할 수 있다. 여기서, POI 다양성 정보는 사용자별 방문장소 개수와 사용자별 동일 장소 평균 방문 횟수를 포함한다.
본 발명의 일 실시예에 따르면, 평균 이동 거리는 사용자가 피드를 남긴 방문 지점들(POI)간 거리를 이용하여 사용자의 행동 반경을 판단하기 위한 척도를 나타낸다.
따라서, 개인 성향 예측 장치(100)는 GPS 좌표를 이용하여 유클리디안 거리를 계산하여 평균 이동 거리를 도출할 수 있다.
유클리디안 거리 행렬의 모든 값들은 대칭이고, 대각 행렬의 값들은 모두 0인 속성을 갖는다. 따라서, 개인 성향 예측 장치(100)는 유클리디안 거리 행렬 중 대각선을 제외한 절반의 값에 대해서만 거리를 계산하여 평균을 취함으로써 평균 이동 거리를 도출할 수 있다. 이를 수식으로 나타내면 수학식 5와 같다.
Figure 112014013087378-pat00008
여기서, u는 사용자를 나타내고, L u 는 사용자가 남긴 위치정보를 나타내며, 위치정보(L u )는 하기 수 6과 같이 위도 및 경도의 집합으로 나타낼 수 있다.
Figure 112014013087378-pat00009
본 발명의 일 실시예에 따르면, ‘POI 다양성’은 사용자가 피드를 남긴 방문 지점들의 분포 및 빈도를 판단하기 위한 척도로, 사용자가 얼마나 다양한 장소를 활발히 돌아다녔는지에 대한 정도를 나타낸다.
사용자의 장소 정보는 단순히 GPS 좌표로만 기록되는 것이 아니라, 장소 식별정보(예를 들어, 장소 ID 및 장소 명) 등 특정 장소에 대한 명칭도 함께 기록될 수 있다.
물론, 사용자가 특정 장소에 대한 정보를 별도로 기입하지 않는 경우, 해당 데이터는 기록되지 않을 수 있음은 당연하다.
개인 성향 예측 장치(100)는 사용자의 장소 정보를 이용하여 ‘사용자별 방문장소의 개수’와 ‘사용자별 동일 장소 평균 방문 횟수’를 각각 도출하여 POI 다양성을 모델링할 수 있다.
단계 130에서 개인 성향 예측 장치(100)는 사용자 행동 변수, 친구 관계 특징 변수 및 이동 경로 특징 변수를 각각 정규화한다.
추출된 특징 변수들의 수치 분포를 살펴보면, 몇몇 활발한 사용자(Heavy User)로 인해 대부분의 값이 도 8의 810에 도시된 바와 같이, 왼쪽으로 치우치는 경향이 나타난다. 일반적으로 선형 모델은 변수값의 분포에 매우 민감한 특성이 있다. 따라서, 본 발명의 일 실시예에서는 각 변수값의 분포를 비슷한 수준으로 유지하기 위해 개인 성향 예측 장치(100)는 각 변수에 로그 함수를 적용하여 정규화하는 과정을 선행하였다. 단, 개인 성향 예측 장치(100)는 숫자 0의 경우 로그 값이 존재하지 않으므로, 1을 더한 후 로그 함수를 취하여 정규화하였다. 정규화에 따른 변수들의 분포는 도 8의 820과 같이 나타난다.
또한, 각 사용자들의 SNS 이용 기간이 서로 상이하므로, 추출된 특징 변수들 중 빈도에 해당되는 특징변수들은 공정한 비교가 되지 않는 문제가 발생하였다. 이로 인해, 개인 성향 예측 장치(100)는 ‘사용자별 총 사용기간’을 추출하고, 빈도에 해당하는 특징변수를 사용자별 총 사용기간으로 나누어 동등한 조건의 특징 변수가 될수 있도록 정규화하였다.
본 발명의 일 실시예에 따르면, 사용자별 총 사용기간은 최종 피드 발생일과 최초 피드 발생일 사이의 일수를 이용하여 추출되었다.
다만, 개인 성향 예측 장치(100)는 상기의 특징 변수의 수치 및 사용자별 총 사용 기간을 이용하여 일괄적으로 정규화하는 경우 왜곡된 분포 또는 의미적으로 해석되지 않는 특징 변수가 파생될 가능성이 있으므로, 특징 변수 정규화 규칙에 의거하여 정규화하였다. 특징 변수 정규화 규칙은 다음과 같다.
제1 규칙: 변수 목록에 존재하는 특징 변수들에 대해 ‘사용일자’와 상관성을 계산하고, 상관성이 임계치(예를 들어, 0.2) 이상인 특징 변수들을 사용자별 총 사용 기간으로 나누고, 정규화된 변수를 특징 변수 목록에 추가한다.
이와 같은 경우, 정규화 이전의 특징 변수는 특징 변수 목록에서 제거한다.
예를 들어, 임계치는 0.2로 설정될 수 있다. 임계치를 0.2로 설정하는 이유는 선행 연구에서 일반적으로 0.2를 기준으로 상관성 유무를 판단하기 때문에, 본 발명의 일 실시예에서도 상관성에 따른 임계치를 0.2로 설정할 수 있다.
제2 규칙: 특징 변수 목록에 존재하는 모든 변수에 대해 왜도(Skewness)를 계산한 후 왜도가 0 이상인 경우에 한해 로그 함수를 적용한다. 로그 함수가 적용된 특징 변수는 특징 변수 목록에 추가하고, 로그 함수를 적용하기 이전의 특징 변수는 특징 변수 목록에서 제거한다. 다만 사용일자 정규화가 적용된 변수의 경우에는 특징 변수 목록에서 유지시킨다.
제2 규칙에서 사용일자와 로그 정규화가 수행된 특징 변수를 모두 사용하는 이유는 특정 행동 변수의 값이 ‘사용일자’에 절대적으로 비례하여 늘어나는 것이 아니므로, 일부 특징 변수들의 경우 사용일자가 긴 사용자들에게 불리할 수도 있다. 예를 들어, ‘친한 친구 수’의 경우 시간이 지날수록 증가추세가 둔화될 가능성이 높다. 따라서, 제2 규칙을 적용하여 사용일자를 적용한 특징 변수와 사용일자를 적용하지 않은 특징 변수를 모두 고려하여 상호보완적인 기능을 수행하도록 변수 집합이 구성될 수 있다.
단계 135에서 개인 성향 예측 장치(100)는 사용자 행동 변수, 친구 관계 특징 변수 및 이동 경로 특징 변수를 네 가지 개인 성향 예측 모델에 적용하여 개인 성향을 학습한다. 여기서, 네 가지 개인 성향 예측 모델은 외향성 예측 모델, 공적자기의식 예측 모델, 독특성욕구 예측 모델 및 자존감 예측 모델이다. 네 가지 개인 성향 예측 모델은 소비자 심리 분야에서 이미 공지된 것이므로, 각각에 대해서는 별도의 설명은 생략하기로 한다.
보다 상세하게, 개인 성향 예측 장치(100)는 그리디 스텝와이즈(Greedy Stepwise) 방식으로 Wrapper Subset Evaluation을 수행하여 용자 행동 변수, 친구 관계 특징 변수 및 이동 경로 특징 변수들 중 10-fold Cross Validation의 평균 RMSE 수치를 최소화하는 최적의 변수 조합을 도출한다.
네 가지 개인 성향 예측 모델 각각에 대해 도출된 최적의 변수 조합이 도 4 내지 도 7에 예시되어 있다.
도 4 내지 도 7에는 네 가지 개인 성향 예측 모델 각각에 대해 도출된 개인 성향 예측을 위해 사용되는 예측자(predicator)와 계수(coefficient)가 예시되어 있다.
도 4 내지 도 7에서
Figure 112014013087378-pat00010
는 원래 값에 로그 함수를 취하였음을 나타내고,
Figure 112014013087378-pat00011
은 원래 값에 날짜 정규화를 수행하였음을 나타낸다. 또한,
Figure 112014013087378-pat00012
는 개인 피드의 공개 수준 설정으로부터 추출된 예측자임을 나타내고,
Figure 112014013087378-pat00013
는 사용자가 "좋아요"를 클릭한 페이지가 속한 카테고리 레이블을 나타낸다. 또한, Friend's POI는 각 친구가 남긴 피드에 사용자가 태그된 경우를 나타내고, OwnPOI는 자기 자신이 직접 위치정보를 태그한 경우를 나타낸다.
개인 성향 예측 장치(100)는 네 가지 개인 성향 예측 모델 각각에 대해 도출된 최적의 변수 조합을 이용하여 선형 회귀 알고리즘의 Attribute Selection Measure(기본값: M5 Method)를 사용하지 않은 상태에서 개인 성향 예측 모델을 각각 학습할 수 있다.
단계 110 내지 단계 135의 방법에 의해 네 가지 개인 성향 예측 모델에 대한 학습이 선행된 후 단계 110 내지 단계 130을 수행한 후 단계 140에서 개인 성향 예측 장치(100)는 사용자 행동 변수, 친구 관계 특징 변수 및 이동 경로 특징 변수를 학습된 네 가지 개인 성향 예측 모델에 적용하여 개인 성향을 예측한다.
예를 들어, 개인 성향 예측 장치(100)는 학습된 네 가지 개인 성향 예측 모델에 대해 도출된 최적 변수를 이용하여 각 최적 변수의 예측자에 계수를 곱하여 네 가지 개인 성향 예측 모델 각각에 대한 개인 성향을 예측할 수 있다.
도 9는 본 발명의 일 실시예에 따른 개인 성향 예측 장치의 내부 구성을 개략적으로 도시한 블록도이다.
도 9를 참조하면, 본 발명의 일 실시예에 따른 개인 성향 예측 장치(100)는 수집부(910), 사용자 행동 변수 추출부(915), 친구 관계 분석부(920), 이동 경로 분석부(925), 정규화부(927), 학습부(930), 예측부(935), 메모리(940) 및 제어부(945)를 포함하여 구성된다.
수집부(910)는 미리 설치된 앱(예를 들어, 온라인 설문 조사 앱)을 통해 개인 성향에 대한 설문 조사 및 액세스 토근(access token)을 확보한 후 액세스 토큰을 통해 각 사용자의 개인 라이프로그를 수집하기 위한 수단이다. 수집부(910)는 수집된 개인 라이프로그를 데이터베이스에 저장할 수 있다. 이와 같은 앱(app)은 사용자 단말에 설치되어 동작될 수 있음은 당연하다.
사용자 행동 변수 추출부(915)는 수집된 개인 라이프로그를 트리플 구조 형태로 분석하여 사용자의 행동에 대한 대상을 일반화하여 정리한 사용자 행동 변수 행렬을 생성하고, 이를 통해 각 사용자 행동 변수를 특징 변수로 추출하기 위한 수단이다.
친구 관계 분석부(920)는 개인 라이프로그에서 사용자와 친구간의 사회적 상호 작용을 분석하여 친구 관계의 친밀도를 분석함으로써 친구 관계 특징 변수를 도출하기 위한 수단이다.
예를 들어, 친구 관계 분석부(920)는 사용자와 친구간 사회적 상호 작용은 ‘사용자의 피드(Feed)에 친구가 댓글을 단 빈도’와 이에 대해 사용자가 응답한 빈도를 추출하여 친구 관계의 친밀도를 분석할 수 있다.
즉, 친구 관계 분석부(920)는 사용자의 피드에 친구가 댓글을 단 빈도와 이에 대해 사용자가 응답한 빈도를 이용하여 K-평균 군집 알고리즘을 수행하여 ‘친한 친구 수’ 및 ‘아는 사람 수’를 친구 관계 특징 변수로 도출할 수 있다.
이동 경로 분석부(925)는 사용자가 남긴 GPS 피드 정보를 분석하여 사용자의 성향에 따른 이동 경로의 차이를 모델링하기 위해 ‘평균 이동 거리’와 ‘POI 다양성’을 특징 변수로 추출하기 위한 수단이다.
정규화부(927)는 사용자 행동 변수, 친구 관계 특징 변수 및 이동 경로 특징 변수를 정규화 규칙에 따라 정규화하기 위한 수단이다.
학습부(930)는 사용자 행동 변수, 친구 관계 특징 변수 및 이동 경로 특징 변수를 네 가지 개인 성향 예측 모델에 적용하여 학습하기 위한 수단이다.
학습부(930)에서 네 가지 개인 성향 예측 모델을 학습하기 이전에 사용자 행동 변수, 친구 관계 특징 변수 및 이동 경로 특징 변수에 대한 정규화가 선행될 수 있다.. 이는 도 1에서 설명한 바와 동일하므로 중복되는 설명은 생략하기로 한다.
예측부(935)는 사용자 행동 변수, 친구 관계 특징 변수 및 이동 경로 특징 변수를 학습된 네 가지 개인 성향 예측 모델에 적용하여 개인 성향을 예측하기 위한 수단이다.
메모리(940)는 본 발명의 일 실시예에 따른 개인 성향 예측 장치(100)를 운용하기 위해 필요한 다양한 알고리즘, 개인 성향 예측 과정에서 파생되는 다양한 데이터를 저장하기 위한 수단이다.
제어부(945)는 본 발명의 일 실시예에 따른 개인 성향 예측 장치(100)의 내부 구성 요소들(예를 들어, 수집부(910), 사용자 행동 변수 추출부(915), 친구 관계 분석부(920), 이동 경로 분석부(925), 정규화부(927), 학습부(930), 예측부(935), 메모리(940) 등)을 제어하기 위한 수단이다.
도 10은 종래와 본 발명의 일 실시예에 따른 개인 성향 예측에 따른 상관성 향상 정도를 나타낸 그래프이다.
이미 전술한 바와 같이, 개인 성향 예측 모델은 선형 회귀 알고리즘을 이용하여 학습되었으며, 학습된 개인 성향 예측 모델의 예측 성능을 평가하기 위해 10-fold Cross Validation을 통해 수학식 7 내지 수학식 9를 이용하여 R(Correlation Coefficient), R2(Coefficient of Determination) 및 RMSE(Root Mean Squared Error)를 측정하였다.
Figure 112014013087378-pat00014
여기서, X-i는 i번째 사용자의 실제 성향 수치를 나타내고, Yi는 학습된 개인 성향 예측 모델을 이용하여 예측된 i번째 사용자의 성향 수치를 나타낸다. 또한, 와 는 각각 실제 개인 성향 수치값과 예측된 개인 성향 수치값의 평균을 나타낸다.
Figure 112014013087378-pat00015
Figure 112014013087378-pat00016
도 10에서 보여지는 바와 같이, 네 가지 개인 성향 모두 기본적인 사용자 행동 변수 및 카테고리 정보가 추가되었을 경우 R에 있어서 종래의 방법에 비해 외향성에서 “0.21”, 자존감에서 “0.26” 정도의 성능 향상이 있는 것을 확인할 수 있다.
또한, 이동 경로 분석 및 친구 관계 분석을 통해 외향성과 공적자기의식을 예측하는데 있어 상당한 영향력을 지니는 것이 확인되었으며, 독특성욕구 및 자존감 예측에서는 별다른 영향을 미치지 않는 것으로 확인되었다.
한편, 본 발명의 실시예에 따른 개인의 라이프로그 분석을 통해 개인 성향을 예측할 수 있는 방법은 다양한 전자적으로 정보를 처리하는 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 저장 매체에 기록될 수 있다. 저장 매체는 프로그램 명령, 데이터 파일, 데이터 구조등을 단독으로 또는 조합하여 포함할 수 있다.
프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 전자적으로 정보를 처리하는 장치, 예를 들어, 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
상술한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야에서 통상의 지식을 가진 자라면 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
100: 개인 성향 예측 장치
910: 수집부
915: 사용자 행동 변수 추출부
920: 친구 관계 분석부
925: 이동 경로 분석부
927: 정규화부
930: 학습부
935: 예측부
940: 메모리
945: 제어부

Claims (10)

  1. 소셜 네트워크에서 개인 라이프로그(personal life log)를 수집하는 단계;
    상기 개인 라이프로그를 트리플 구조로 분석하여 사용자의 각 행동에 대한 대상을 정의하여 사용자 행동 행렬을 생성하여 사용자 행동 변수를 각각 추출하는 단계;
    상기 개인 라이프로그를 분석하여 사용자와 친구간 상호작용 정도를 도출하고, 도출된 상호작용 정도를 이용하여 친구관계 특징 변수를 도출하는 단계;
    상기 개인 라이프로그를 분석하여 각 피드에 대해 사용자가 남긴 위치정보를 이용하여 이동 경로 특징 변수를 도출하는 단계; 및
    상기 사용자 행동 변수, 상기 친구관계 특징 변수 및 상기 이동 경로 특징 변수를 학습된 네 가지 개인 성향 모델에 적용하여 개인 성향을 예측하는 단계를 포함하는 개인 성향 예측 방법.
  2. 제1 항에 있어서,
    상기 사용자 행동 행렬은 상기 개인 라이프로그에서 사용자(subject)의 각 행동(predicate)을 각 대상(object)로 일반화하여 정의한 것이되,
    상기 트리플 구조는 상기 사용자, 상기 대상 및 행동을 포함하는 형태인 것을 특징으로 하는 개인 성향 예측 방법.
  3. 제1 항에 있어서,
    상기 친구관계 특징 변수를 도출하는 단계는,
    상기 개인 라이프로그를 분석하여 사용자의 피드에 친구가 댓글을 단 빈도 및 상기 친구의 댓글에 상기 사용자가 응답한 빈도를 상기 상호작용 정도로 도출하는 단계; 및
    상기 도출된 상호작용 정도를 K-평균 군집 알고리즘을 통해 군집을 구분하여 친한 친구 수와 아는 사람 수를 각각 친구관계 특징 변수로 도출하는 단계를 포함하는 것을 특징으로 하는 개인 성향 예측 방법.
  4. 제1 항에 있어서,
    상기 이동 경로 특징 변수를 도출하는 단계는,
    상기 사용자가 남긴 위치 정보를 이용하여 각 방문 지점간의 평균 이동 거리를 도출하는 단계; 및
    상기 위치 정보를 이용하여 상기 방문 지점의 개수 및 상기 각 방문 지점의 방문 빈도를 POI 다양성 정보로 각각 도출하는 단계를 포함하되,
    상기 평균 이동 거리 및 상기 POI 다양성 정보를 상기 이동 경로 특징 변수로 도출하고,
    상기 위치 정보는 GPS 좌표, 각 지점의 명칭 및 각 지점의 식별정보(ID) 중 적어도 하나를 포함하는 것을 특징으로 하는 개인 성향 예측 방법.
  5. 제1 항에 있어서,
    상기 네 가지 개인 성향 예측 모델에 적용하여 개인 성향을 예측하는 단계는,
    상기 사용자 행동 변수, 상기 친구관계 특징 변수 및 상기 이동 경로 특징 변수들을 이용하여 상기 네 가지 개인 성향 예측 모델 각각에 대한 최적 변수 조합을 도출하는 단계; 및
    상기 도출된 최적 변수 조합을 이용하여 상기 네 가지 개인 성향 예측 모델에 적용하여 선형 회귀 분석을 수행하여 개인 성향을 예측하는 단계를 포함하는 개인 성향 예측 방법.
  6. 제 5 항에 있어서,
    최적 변수 조합을 도출하는 단계는,
    상기 네 가지 개인 성향 예측 모델 각각에 대해 상기 사용자 행동 변수, 상기 친구관계 특징 변수 및 상기 이동 경로 특징 변수들을 이용하여 10-fold cross validation의 평균 제곱근 오차(RMSE: root mean square error)를 최소로 하는 최적 변수 조합을 도출하는 단계이되,
    상기 네 가지 개인 성향 예측 모델은 소비자 심리 분야의 외향성(Extraversion) 예측 모델, 공적자기의식(Public Self Consciousness) 예측 모델, 독특성욕구(Desire for Uniqueness) 예측 모델 및 자존감(Self Esteem) 예측 모델인 것을 특징으로 하는 개인 성향 예측 방법.
  7. 제1 항에 있어서,
    상기 네 가지 개인 성향을 예측하는 단계 이전에,
    상기 사용자 행동 변수, 상기 친구관계 특징 변수 및 상기 이동 경로 특징 변수와 사용일자간의 상관성을 도출하고, 상관성이 제1 임계치 이상인 변수들을 사용자별 총 사용기간으로 나누어 정규화하는 단계- 상기 사용자별 총 사용기간은 상기 사용자의 최초 피드 발생일 및 최종 피드 발생일 사이의 일수로 계산됨-; 및
    상기 변수에 대한 왜도(skewness)를 계산하고, 왜도가 제2 임계치 이상인 경우 로그 함수를 적용하여 정규화하는 단계를 포함하는 것을 특징으로 하는 개인 성향 예측 방법.
  8. 제7 항에 있어서,
    상기 사용자 행동 변수, 상기 친구관계 특징 변수 및 상기 이동 경로 특징 변수를 이용하여 상기 네 가지 개인 성향 모델을 학습하는 단계를 더 포함하는 개인 성향 예측 방법.
  9. 제1 항 내지 제8 항 중 어느 하나의 방법을 수행하기 위한 프로그램 코드를 기록한 기록매체 제품.
  10. 소셜 네트워크에서 개인 라이프로그(personal life log)를 수집하는 수집부;
    상기 개인 라이프로그를 트리플 구조로 분석하여 사용자의 각 행동에 대한 대상을 정의하여 사용자 행동 행렬을 생성하여 사용자 행동 변수를 각각 추출하는 특징 변수 추출부;
    상기 개인 라이프로그를 분석하여 사용자와 친구간 상호작용 정도를 도출하고, 상기 도출된 상호작용 정도를 이용하여 친구관계 특징 변수를 도출하는 친구관계 분석부;
    상기 개인 라이프로그를 분석하여 각 피드에 대해 사용자가 남긴 위치정보를 이용하여 이동 경로 특징 변수를 도출하는 이동 경로 분석부; 및
    상기 사용자 행동 변수, 상기 친구관계 특징 변수 및 상기 이동 경로 특징 변수를 학습된 네 가지 개인 성향 예측 모델에 적용하여 개인 성향을 예측하는 예측부를 포함하는 개인 성향 예측 장치.

KR1020140015212A 2014-02-11 2014-02-11 개인 성향 예측 방법 및 그 장치 KR101524971B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020140015212A KR101524971B1 (ko) 2014-02-11 2014-02-11 개인 성향 예측 방법 및 그 장치
PCT/KR2014/004809 WO2015122575A1 (ko) 2014-02-11 2014-05-29 개인 성향 예측 방법 및 그 장치
US15/118,096 US20170032270A1 (en) 2014-02-11 2014-05-29 Method for predicting personality trait and device therefor

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140015212A KR101524971B1 (ko) 2014-02-11 2014-02-11 개인 성향 예측 방법 및 그 장치

Publications (1)

Publication Number Publication Date
KR101524971B1 true KR101524971B1 (ko) 2015-06-02

Family

ID=53490887

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140015212A KR101524971B1 (ko) 2014-02-11 2014-02-11 개인 성향 예측 방법 및 그 장치

Country Status (3)

Country Link
US (1) US20170032270A1 (ko)
KR (1) KR101524971B1 (ko)
WO (1) WO2015122575A1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180119674A (ko) * 2016-06-12 2018-11-02 텐센트 테크놀로지(센젠) 컴퍼니 리미티드 사용자 신용 평가 방법 및 장치, 그리고 저장 매체
KR20190115530A (ko) * 2018-03-22 2019-10-14 (주)다음소프트 빅데이터 기반 소비자심리지수 제공 시스템 및 그 방법
KR20200081812A (ko) 2018-12-28 2020-07-08 한국과학기술원 공간 속 사용자 의도 파악 및 추적을 위한 사용자 군집 기반 페르소나 생성방법 및 생성장치
CN115587263A (zh) * 2022-12-13 2023-01-10 中国人民解放军国防科技大学 基于社交网络数据的社会心理预测方法

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201411633D0 (en) * 2014-06-30 2014-08-13 Moment Us Ltd A media player
US11188809B2 (en) * 2017-06-27 2021-11-30 International Business Machines Corporation Optimizing personality traits of virtual agents
CN108540826B (zh) * 2018-04-17 2021-01-26 京东方科技集团股份有限公司 弹幕推送方法、装置、电子设备及存储介质
CN110544190B (zh) * 2018-05-29 2022-07-05 杭州海康威视数字技术股份有限公司 一种确定人员特征的方法、装置及设备
CN111461153B (zh) * 2019-01-22 2023-08-04 刘宏军 人群特征深度学习方法
CN110363571B (zh) * 2019-06-24 2020-08-28 阿里巴巴集团控股有限公司 交易用户的提前感知方法和装置
US11216832B2 (en) 2019-06-24 2022-01-04 Advanced New Technologies Co., Ltd. Predicting future user transactions
CN111327913B (zh) * 2020-01-20 2021-07-20 北京字节跳动网络技术有限公司 消息处理方法、装置及电子设备
CN113190696A (zh) * 2021-05-12 2021-07-30 百果园技术(新加坡)有限公司 一种用户筛选模型的训练、用户推送方法和相关装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080082393A1 (en) * 2006-09-28 2008-04-03 Microsoft Corporation Personal data mining
WO2012141444A2 (ko) * 2011-04-11 2012-10-18 에스케이씨앤씨 주식회사 소셜 네트워크 분석 서비스 방법 및 장치
WO2013024932A1 (ko) * 2011-08-18 2013-02-21 경북대학교 산학협력단 확장형 소셜 네트워크 서비스 제공 방법 및 시스템
KR20130076406A (ko) * 2011-12-28 2013-07-08 숭실대학교산학협력단 로그 데이터를 이용한 장소 추정 장치 및 그 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100420486B1 (ko) * 2000-07-08 2004-03-02 주식회사 라스이십일 사용자 성향분석 기능을 갖는 네트워크 기반의 개인화서비스 제공 시스템

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080082393A1 (en) * 2006-09-28 2008-04-03 Microsoft Corporation Personal data mining
WO2012141444A2 (ko) * 2011-04-11 2012-10-18 에스케이씨앤씨 주식회사 소셜 네트워크 분석 서비스 방법 및 장치
WO2013024932A1 (ko) * 2011-08-18 2013-02-21 경북대학교 산학협력단 확장형 소셜 네트워크 서비스 제공 방법 및 시스템
KR20130076406A (ko) * 2011-12-28 2013-07-08 숭실대학교산학협력단 로그 데이터를 이용한 장소 추정 장치 및 그 방법

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180119674A (ko) * 2016-06-12 2018-11-02 텐센트 테크놀로지(센젠) 컴퍼니 리미티드 사용자 신용 평가 방법 및 장치, 그리고 저장 매체
KR102178633B1 (ko) * 2016-06-12 2020-11-13 텐센트 테크놀로지(센젠) 컴퍼니 리미티드 사용자 신용 평가 방법 및 장치, 그리고 저장 매체
KR20190115530A (ko) * 2018-03-22 2019-10-14 (주)다음소프트 빅데이터 기반 소비자심리지수 제공 시스템 및 그 방법
KR102138967B1 (ko) * 2018-03-22 2020-07-28 (주)다음소프트 빅데이터 기반 소비자심리지수 제공 시스템 및 그 방법
KR20200081812A (ko) 2018-12-28 2020-07-08 한국과학기술원 공간 속 사용자 의도 파악 및 추적을 위한 사용자 군집 기반 페르소나 생성방법 및 생성장치
KR102198866B1 (ko) * 2018-12-28 2021-01-05 한국과학기술원 공간 속 사용자 의도 파악 및 추적을 위한 사용자 군집 기반 페르소나 생성방법 및 생성장치
CN115587263A (zh) * 2022-12-13 2023-01-10 中国人民解放军国防科技大学 基于社交网络数据的社会心理预测方法

Also Published As

Publication number Publication date
US20170032270A1 (en) 2017-02-02
WO2015122575A1 (ko) 2015-08-20

Similar Documents

Publication Publication Date Title
KR101524971B1 (ko) 개인 성향 예측 방법 및 그 장치
US10726050B2 (en) Assigning social networking system users to households
Karimi et al. News recommender systems–Survey and roads ahead
US10937089B2 (en) Machine learning classification and prediction system
CN107818344B (zh) 用户行为进行分类和预测的方法和系统
US11443015B2 (en) Generating prediction models in accordance with any specific data sets
US8600797B1 (en) Inferring household income for users of a social networking system
US10430727B1 (en) Systems and methods for privacy-preserving generation of models for estimating consumer behavior
CN109460520B (zh) 基于地理-社会关系与深隐式兴趣挖掘的兴趣点推荐方法
WO2014107440A2 (en) Social media impact assessment
US20180033027A1 (en) Interactive user-interface based analytics engine for creating a comprehensive profile of a user
US11620474B2 (en) Model reselection for accommodating unsatisfactory training data
CN106164896B (zh) 用于发现对手方关系的多维递归方法及系统
US20200320548A1 (en) Systems and Methods for Estimating Future Behavior of a Consumer
WO2019061664A1 (zh) 电子装置、基于用户上网数据的产品推荐方法及存储介质
TW201443812A (zh) 社群媒體影響性評估（二）
CN103970752A (zh) 独立访问者数量估算方法和系统
JP2021500659A (ja) 自動化されたアトリビューションモデリングおよび測定
KR102515439B1 (ko) 인공지능 기반 인플루언서 정보 및 브랜드 메이커 정보를 이용한 뷰티 제품 제조사 매칭 방법, 장치 및 시스템
JP5061999B2 (ja) 解析装置、解析方法及び解析プログラム
Vamosi et al. A deep recurrent neural network approach to learn sequence similarities for user-identification
Wang et al. Concept drift-aware temporal cloud service APIs recommendation for building composite cloud systems
US10346856B1 (en) Personality aggregation and web browsing
US20210350202A1 (en) Methods and systems of automatic creation of user personas
CN117745355A (zh) 基于移动端的广告发布系统及发布方法

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20180409

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20190401

Year of fee payment: 5