KR101552149B1 - 미래 목표-중심 활동을 예측 및 추천하기 위한 방법 및 시스템 - Google Patents

미래 목표-중심 활동을 예측 및 추천하기 위한 방법 및 시스템 Download PDF

Info

Publication number
KR101552149B1
KR101552149B1 KR1020080091465A KR20080091465A KR101552149B1 KR 101552149 B1 KR101552149 B1 KR 101552149B1 KR 1020080091465 A KR1020080091465 A KR 1020080091465A KR 20080091465 A KR20080091465 A KR 20080091465A KR 101552149 B1 KR101552149 B1 KR 101552149B1
Authority
KR
South Korea
Prior art keywords
user
activity
activities
activity type
type distribution
Prior art date
Application number
KR1020080091465A
Other languages
English (en)
Other versions
KR20090029671A (ko
Inventor
비골 제임스
엠. 벨로티 빅토리아
비. 두체노트 니콜라스
프라이스 로버트
패트리지 쿠르트
로버츠 마이클
에이치. 치 에드
Original Assignee
팔로 알토 리서치 센터 인코포레이티드
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 팔로 알토 리서치 센터 인코포레이티드 filed Critical 팔로 알토 리서치 센터 인코포레이티드
Publication of KR20090029671A publication Critical patent/KR20090029671A/ko
Application granted granted Critical
Publication of KR101552149B1 publication Critical patent/KR101552149B1/ko

Links

Images

Classifications

    • G06Q50/40—
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising

Abstract

본 발명의 일 실시예는 사용자에게 활동들을 추천하기 위한 방법을 제공한다. 동작 동안, 시스템은 사용자의 개인 프로필 및/또는 모집단 사전 정보에 기초하여 활동 유형 분포를 결정하고 그에 의해 사용자를 위한 미래 활동들의 예측을 용이하게 한다. 시스템은 또한 활동 유형 분포에 기초하여 하나 이상의 활동들을 검색 및 수신한다. 시스템은 그 후, 각각의 수신된 활동을 평가하고 활동 유형 분포 및 가중 분포에 기초하여, 미래에 사용자에 의해 수행될 많은 활동들, 및 많은 대응하는 베뉴들(venues)을 추천한다.
Figure R1020080091465
추천, 추천기, 활동, 분포, 프로필, 모집단

Description

미래 목표-중심 활동을 예측 및 추천하기 위한 방법 및 시스템{Method and system to predict and recommend future goal-oriented activity}
본 개시는 추천기 시스템에 관한 것이다. 보다 상세하게는, 본 개시는 미래 목표-중심 활동들을 예측 및 추천하기 위한 추천기 시스템에 관한 것이다.
오늘날의 기술 중심 사회에서, 정보의 주요 소스는 추천기 시스템들이다. 추천 시스템들은 개개인들이 그들 스스로 반드시 발견할 수 있어야 하는 것이 아닌 아이템들을 발견하도록 돕는다. 개인화되고, 만족스러운 추천들은 종종 성취하기 어려운데, 이는 효과적인 추천들이 종종 시스템이 얼마나 정확하게 사용자의 요구들 및 선호들을 매칭시킬 수 있는지에 달려있기 때문이다. 온라인 쇼핑 사이트들과 같은, 몇몇 시스템들은, 그러한 정보를 얻기 위해 사용자 조사들 또는 사용자의 과거 선택들을 이용한다. 그러나, 사용자의 요구들 및 선호들에 대한 정확한 예측은 여전히 도전해야 하며, 특히 명백한 사용자 데이터가 제한되거나 또는 이용가능하지 않은 상황들에서 도전적이다.
본 발명의 일 실시예는 사용자에게 활동들을 추천하기 위한 방법을 제공한다. 동작 동안, 시스템은 사용자의 개인 프로필 및/또는 모집단 사전 정보(population prior information)에 기초한 활동 유형 분포를 결정하고, 그에 의해 사용자를 위한 미래 활동들의 예측을 용이하게 한다. 시스템은 또한 활동 유형 분포에 기초하여 하나 이상의 활동들을 검색 및 수신한다. 그 후, 시스템은 각각의 수신된 활동의 참여(engagement)를 위한 확률을 나타내는 적어도 하나의 점수(score)를 생성한다.
이러한 실시예에 대한 하나의 변화에 있어서, 시스템은 미래에 사용자에 의해 수행될 많은 활동들을 추천한다.
이러한 실시예에 대한 하나의 변화에 있어서, 시스템은 활동 유형 분포 및 가중 분포에 기초하여 많은 베뉴들(venues)을 추천한다.
이러한 변화에 있어서, 활동 유형 분포는 또한 하루의 시각, 주의 요일, 해의 주(a week of year), 휴일 표시, 사용자에게 개인적으로 의미있는 날짜의 n 표시, 기상 상태, 및 사용자에 의해 이전에 액세스된 콘텐트 중 적어도 하나에 기초하여 결정된다.
다른 변화에 있어서, 사용자에 의해 액세스된 콘텐트는 이메일, 인스턴트 메 시지, 웹 페이지, 약속, 달력 엔트리, 및 통화 중 하나 이상을 포함할 수 있다.
다른 변화에 있어서, 활동 유형 분포는 또한 위치 및 위치 부근의 베뉴들과 연관된 하나 이상의 활동 유형들에 기초하여 결정된다.
이러한 실시예의 변화에 있어서, 시스템은 특정 상황들에서 사용자의 지난 활동들을 나타내는 정보에 기초하여 사용자의 개인 프로필을 구성한다.
이러한 실시예의 변화에 있어서, 시스템은 사용자가 참여하고 있거나 사용자가 참여한 현재 또는 과거 활동 유형을 평가한다. 더욱이, 활동들을 추천하는 것은 평가된 현재 또는 과거 활동과 일치하지 않는 활동들을 필터링하는 것을 포함한다.
이러한 실시예의 변화에 있어서, 시스템은 추천된 활동의 수행을 용이하게 하는 지원 활동을 추천한다.
이러한 실시예의 변화에 있어서, 시스템은 사용자가 처음으로 적어도 하나의 다른 사용자와 공존하는지를 결정한다. 그 후, 시스템은 공동의 활동 유형 분포를 생성하기 위해 모든 사용자들 개개인의 활동 유형 분포들을 결합하고, 공동의 메트릭 가중(metric-weight) 분포들을 생성하기 위해 모든 사용자들 개개인의 메트릭 가중 분포들을 결합한다. 또한, 활동들의 추천은 공동의 활동 유형 분포 및 공동의 메트릭 가중 분포에 기초한다.
이러한 실시예의 변화에 있어서, 시스템은 사용자가 적어도 하나의 다른 사용자와 반복적으로 공존하는지를 결정하고, 공존하는 모든 사용자들에 대한 개인 프로필을 구성한다.
이러한 실시예의 변화에 있어서, 시스템은 사용자가 추천된 활동들을 나타내 는 장치와 상호작용할 때 사용자의 활동 선호들에 대한 데이터를 수집한다.
본 발명의 추천기 시스템에 따르면, 미래 활동에서 사용자의 약속을 예측하고, 하나 이상의 미래 활동들을 추천하며, 예측되거나 또는 추천된 활동에 관한 콘텐트를 추천할 수 있다.
오늘날의 세계에서, 사람들은 어디에서 점심 식사를 할 것인지 및 어디로 쇼핑하러 갈 것인지와 같은 작은 태스크들조차, 규칙적으로 많은 선택들을 접한다. 이것은 일정 부분은 이제 이용가능한 더 많은 선택들이 존재하기 때문이고, 일정 부분은 인터넷 및 무선 기술들과 같은 정보 기술들이 이전보다 훨씬 더 많은 접근가능한 정보를 만들어 왔기 때문이다. 그럼에도 불구하고, 이러한 정보 과부하 시대에서조차, 도시에서 사람의 시간과 관련된 것을 찾는 것은 여전히 어려울 수 있다. 대단히 많은 선택들이 존재하지만, 온라인 및 신문 모두에서 도시 가이드들은 찾기 어렵다. 위치 기반 검색 서비스들은 사용자가 몇몇 종류의 선택을 하고(찾는 것- 샵들, 레스토랑들, 박물관들 등 - 을 결정하는 것과 같이), 정보를 입력하도록 요구할 수 있으며, 이것은 서투르고 느릴 수 있다.
본 발명의 실시예들은 사용자의 활동 선호 또는 습관들을 예측하고, 사용자에게 명백하게 검색 기준을 입력하거나 개인 데이터를 제공하도록 요구하지 않고 사용자 개인의 행동 패턴들에 맞춰진 미래 활동들을 추천할 수 있는 활동 추천 시스템을 제공한다.
본 개시에서, 용어 "활동"은 사용자가 의식적으로 인식하는 인식 목표를 달성하기 위해 시간 기간에 걸쳐(일반적으로, 적어도 몇 분에 걸쳐) 수행된 물리적 또는 정신적 동작들의 세트 또는 그 두 개의 조합으로 언급된다. 예를 들면, 활동들은 일하고, 쇼핑하고, 식사하고, 게임하고, 스포츠를 즐기고, 영화를 보고, 및 공연을 보는 것을 포함할 수 있다. 활동은 걷기, 버튼들 누르기, 물체들 집기, 키보드 치기, 마우스 움직이기 등과 같은 간단한 물리적 움직임들과 구별되어야 함을 주의해라. 이러한 개시를 위해, 이들 물리적 움직임들은 비록 활동을 수행하는 프로세스에서의 동작들로서 고려될 수 있을지라도, 활동들이 아니다.
본 발명의 추천기 시스템은 개인 위치, 그들의 이메일 콘텐트, 달력 엔트리들, 현재 시간, 및 이전 사용자 활동들의 기록들 등과 같은, 다수의 정보 소스들을 조합함으로써 사용자의 활동들을 검출 및 예측할 수 있다. 특히, 본 발명의 추천기 시스템은 미래 활동에서 사용자의 약속을 예측하고, 하나 이상의 미래 활동들을 추천하며, 예측되거나 또는 추천된 활동에 관한 콘텐트를 추천할 수 있다.
몇몇 실시예들에 있어서, 본 발명의 추천기 시스템은 클라이언트-서버 구조를 이용한다. 도 1은 본 발명의 일 실시에에 따른 활동 추천기 시스템의 대표적인 동작 모드를 나타낸다. 사용자의 이동 디바이스(106)는 추천기 시스템의 클라이언트 측 소프트웨어를 구동한다. 이동 디바이스(106)는 무선 서비스 제공자의 네트워크(104)의 일부인, 무선 타워(108)와 통신한다. 무선 서비스 제공자의 네트워 크(104)는 또한 인터넷(102)에 결합된다. 동작 동안, 이동 디바이스(106)는 서버(112)에 질의들을 제출한다. 서버(112)는 추천기 시스템의 서버측 소프트웨어를 구동한다. 서버(112)는 또한 위치 데이터, 발생지/활동 데이터, 및 선택적으로는 다수의 사용자들을 위한 사용자 프로필 데이터를 저장하는, 데이터베이스(110)와 통신한다.
일 실시예에서, 이동 디바이스(106)는 사용자와 연관된 물리적 상태를 관찰하는 글로벌 위치측정 시스템(GPS)과 같은, 감지 디바이스들을 포함한다. 이동 디바이스(106)는 이러한 상태 정보를 질의 서버(112)에 전송할 수 있다. 서버(112)는 활동 유형들에 관한 일반적인 모집단 데이터 또는 사용자 프로필에 기초하여, 이러한 상태 정보를 매칭시키는 활동 유형 분포를 계산한다. 활동 유형 분포는 사용자가 상이한 유형들의 활동들에 참여하거나 참여하고자 하는 것이 얼마나 적당한지를 예측하기 위해 사용된다. 서버(112)는 그 후 비제로 확률을 가지며 그 위치가 디바이스(106)의 특정된 위치로부터 설정된 거리 내에 있는 임의의 활동 유형들을 매칭시키는 활동 유형들을 제공하는 베뉴들을 리턴하기 위해 데이터베이스(110)를 통해 검색을 수행한다. 그 후, 액세스된 콘텐트들, 과거 베뉴 등급들, 추론된 장소 방문들 등과 같은 지난 행동들로부터 얻어진 사용자 특정된 선호들 및 사용자 프로필에 대한 그것들의 매칭에 의하여 메트릭 가중 분포에 따라 장소들을 정렬한다. 마지막으로, 서버(112)는 대응하는 활동 유형 확률들을 매칭시키는 비율로 활동 유형들을 제공하는 베뉴들의 리스트를 수집하고, 그 리스트를 디스플레이하기 위해 이동 디바이스(105)로 되돌려 전송한다.
도 2는 본 발명의 일 실시예에 따른 활동 추천기 시스템에 대한 대표적인 구조를 예시하는 블록도를 나타낸다. 일 실시예에서, 본 발명의 추천기 시스템의 동작은 오프라인 프로세스 및 실행시간(run-time) 프로세스를 포함한다. 오프라인 프로세스는 사용자가 참여할 가능성이 있는 미래 활동들의 유형을 예측하기 위해 사용될 수 있는 사용자 특정 활동 유형 분포를 유도한다. 실행시간 프로세스는 메트릭 가중 분포를 생성하고 메트릭 가중 분포에 기초한 특정 활동들을 평가하며, 추천된 활동들의 최종 리스트를 생성한다.
본 발명의 일 실시예에서, 활동 유형들은 "먹기", "구매하기", "수행하기", "보기", 및 "읽기"를 포함한다. 각각의 활동 유형은 상이한 특정 유형들을 포함할 수 있다. 예를 들면, "먹기"는 점심 식사를 하고, 커피를 마시고, 음료수를 마시고, 저녁 식사를 하는 것 등을 포함할 수 있다. 더욱이, 특정 활동은 또한 상이한 콘텐트들을 가질 수 있다. 예를 들면, "점심 식사하기"는 또한 "레스토랑 ABC에서 점심식사로 멕시칸 음식을 먹기" 또는 "레스토랑 ABC에서 가지고 갈 중국 음식을 주문하기"와 같이 특정될 수 있다. 본 발명의 추천기 시스템은 이들 세 개의 추상화 레벨들에 대한 예측 및/또는 추천을 수행할 수 있다.
비록, 활동 유형 분포의 계산이 오프라인 프로세스로서 지명될지라도, 시스템은 또한 서버 또는 클라이언트에서 실시간으로 이러한 계산을 수행할 수 있다. 유사하게, 메트릭 가중 분포의 계산은 또한 서버 또는 클라이언트에 의해 수행될 수 있다. 도 2의 예는 단지 예시를 위한 것이다. 이러한 구조의 실제 구현 예는 일 실시예에서 또 다른 실시예로 변할 수 있다.
도 2에 예시된 바와 같이, 동작 동안, 추천기 애플리케이션(202)은 먼저 사용자를 위한 활동 유형 분포(218)를 획득하기 위해 서버에 질의(203)를 전송한다. 질의(203)는 사용자 식별자, 현재 시간, 주일, 해의 주, 사용자 위치, 지난 시간에서 사용자의 위치 추적 등과 같은, 사용자와 연관된 상황 정보(contextual information)의 세트를 포함할 수 있다. 질의(203)는 또한 사용자에 의해 명백히 제공된 상이한 시간 또는 상이한 위치와 같은 상황 정보를 포함할 수 있다. 질의(203)를 수신한 후, 서버는 사용자 또는 나이, 성, 또는 작업 시간과 같은 특정 기준에 대해 사용자를 매칭시키는 일반 대중 또는 모집단과 연관된 통계 정보의 세트 및 사용자의 상황 정보의 분석을 수행한다.
일 실시예에서, 시스템은 하나 이상의 사용자들에 대한 사용자 프로필(204)을 관리한다. 이러한 사용자 프로필은 사용자의 과거 활동 또는 상황 데이터에 의해 생성될 수 있다. 일 실시예에서, 시스템은 사용자 프로필을 구성하기 위해 사용자의 이전 GPS 추적들(206)을 사용한다. GPS 추적은 일반적으로 일련의 좌표들 및 대응하는 타임 스탬프들을 포함한다. 시스템은 GPS 추적을 베뉴 맵에 매핑하고 사용자가 한 위치에서 얼마나 많은 시간을 보냈는지 및 그 위치 주변의 베뉴들 간의 상호관계들을 식별할 수 있다. 이들 베뉴들은 종종 활동 유형들과 연관될 수 있다. 예를 들면, 레스토랑은 "먹기" 유형과 연관되며 샵은 "구매" 유형과 연관된다. 이러한 방식으로, 시스템은 이력 데이터에 기초하여 사용자가 일반적으로 특정 시간에 특정 위치 주변에서 어떤 유형들의 활동들을 하는지 나타내는 사용자 프로필을 수립할 수 있다. 그 후, 시스템은 활동 유형 분포(218)를 얻기 위해 질의(203)를 가지고 수신된 상황 정보와 함께, 이러한 사용자 프로필을 이용할 수 있다.
예를 들면, 만약 사용자의 과거 GPS 추적들이 종종 많은 레스토랑 중 하나에서 정오 경 1시간을 규칙적으로 소비한다고 나타낸다면, 시스템은 그가 보통 정오에 식사한다고 나타내는 프로필을 수립할 수 있다. 그리고, 질의(203)가 정오 가까운 시간을 나타낼 때, 시스템은 활동 유형 분포(218)를 계산할 때, 활동 유형 "먹기"의 확률을 증가시킬 것이다. 일 실시예에서, 시스템은 또한 상황 정보에 기초하여 활동 유형을 강등시킬 수 있다. 상기 예에서, 상황 정보가 사용자가 레스토랑에서 마지막 시간을 보낸다고 나타낸다면, 시스템은 사용자가 이미 식사를 하였다고 추론할 것이며, 따라서 활동 유형 분포(218)에서 활동 유형 "먹기"의 확률을 감소시킬 것이다.
몇몇 경우들에 있어서, 사용자의 프로필은 (예로서, 사용자가 처음으로 추천 시스템을 사용하고 시스템이 이러한 사용자에 대한 이전 데이터를 가지고 있지 않은 경우) 이용가능하지 않을 수 있다. 시스템은 그 후 활동 유형 분포(218)를 예측하기 위해, 일반 모집단의 프로필 또는 그 서브셋인 모집단 사전 정보(208)의 세트를 이용할 수 있다. 모집단 사전 정보(208)는 하루의 시각(210), 주의 요일(212), 계절(214), 및/또는 기상 상태들(216)과 같은 다양한 유형들의 상황 정보에 대한 조건이 붙여질 수 있다. 일 실시예에서, 시스템은 모집단 사전 정보(208)로서, 인구 조사국에 의해 공개된 데이터와 같은 공개적으로 이용가능한 정보를 이용할 수 있다.
활동 유형 분포(218)를 수신한 후, 추천기 애플리케이션(202)은 장소/활동 데이터베이스(242)로 질의(241)를 만든다. 장소/활동 데이터베이스(242)는 다양한 활동들을 위한 다수의 베뉴들에 대한 정보를 저장한다. 질의(241)는 사용자에 의해 감지 또는 제공된 시간 및 위치, 및 활동 유형 분포(218)에 따른 활동 유형들을 특정할 수 있다. 예를 들면, 활동 유형 분포(218)가 60%의 "먹기", 20%의 "구매하기", 및 20%의 "수행하기"의 분포를 리턴하면, 질의(241)는 활동 유형들로서 "먹기", "구매하기", 및 " 수행하기"를 특정할 것이다. 응답하여, 장소/활동 데이터베이스(242)는 시간을 매칭시키고 특정된 위치 주변에서의 이들 세 개의 활동 유형들을 제공하는 개방 시간을 갖는 장소들만을 리턴할 것이다.
장소/활동 데이터베이스(242)로부터 많은 활동들(및 베뉴들)을 수신한 후, 추천기 애플리케이션(202)은 그 후 활동 평점 모듈(activity scoring module)(221)에 의해 각각의 활동을 구동하며, 이것은 이러한 실시예에서, 메트릭들의 세트 및 활동 메트릭 가중 분포(219)에 기초하여 각각의 활동에 정규화된 점수를 할당한다. 활동은 상이한 메트릭들로 평점되며, 마지막 점수는 메트릭 가중 분포(219)에 기초하여 가중 평균된다. 상이한 점수 메트릭들은 사용자가 이전에 액세스한 콘텐트(220), 활동 위치 및 사용자의 현재 또는 제공된 위치 사이의 거리(222), 및 선택적으로 사용자 선호들(224)의 세트와 같은 다양한 정보에 기초할 수 있다.
특히, 콘텐트(220)는 웹 페이지들(226), 이메일들(228), 사용자의 약속 또는 달력 엔트리들(230), 또는 임의의 유형의 이전에 본 텍스트(232)를 포함할 수 있다. 일 실시예에서, 시스템은 이들 콘텐트들로부터(예로서, 사용자의 시스템 캐시 또는 임시 인터넷 파일들로부터) 키워드들을 추출할 수 있고, 이들 키워드들에 대 항하여 활동들의 디스크립션(description)을 비교한다. 일치한다면, 활동은 그 점수에서의 상승을 수신할 것이다.
거리 메트릭(222)은 사용자의 감지되거나 또는 제공된 GPS 데이터(234) 및 활동 위치에 기초하여 계산된다. 거리가 크다면, 시스템은 거리 메트릭에 관하여 그 점수를 감소시킴으로써 그 활동을 강등시킬 수 있다.
시스템은 또한 사용자 입력(236)에 기초하여 명백한 사용자 선호들(224)을 수신할 수 있다. 활동이 사용자 선호(224)와 일치하면, 시스템은 높은 선호 점수를 활동에 할당할 수 있다. 그렇지 않으면, 활동은 낮은 점수를 수신할 것이다.
평점 메커니즘은 각각의 메트릭에 특정되고 재구성가능할 수 있다. 또한, 시스템은 메트릭들을 부가, 제거, 또는 변경할 수 있다. 더욱이, 시스템은 상황 특정 점수를 생성하기 위해 사용자 상황 및 상황 저장소(context repository)(238)에 기초하여 상황 메트릭을 부가적으로 사용할 수 있다. 상황 저장소(238)는 특정 상황 활동 조합들을 위한 평점 방식을 특정할 수 있다. 예를 들면, 특정 레스토랑들은 활동이 점심 시간 동안, 또는 연중 특별한 시간에 질의되는 경우 높은 상황 점수를 수신할 수 있다.
각각의 활동에 대한 점수들을 수신한 후, 추천기 애플리케이션(202)은 그 후 하나의 유형 하에서 장소들에 의해 나타내어진 모든 활동들을 평가하고 활동 유형 분포(218)에 따라 많은 상위 랭크된 활동 제공 장소들을 선택한다. 예를 들면, 활동 유형 분포(218)가 60%의 "먹기", 20%의 "구매하기", 및 20%의 "수행하기"를 특정한다면, 추천기 애플리케이션(202)은 10개의 활동들을 포함하는 추천된 활동 들(240)로서 장소들의 리스트를 생성할 수 있는데, 그 중 6개는 "먹기"와 관련되고, 그 중 2개는 "구매하기"와 관련되며, 그 중 2개는 "수행하기"와 관련된다.
다른 실시예들에 있어서, 시스템은 또한 사용자가 또 다른 사용자와 함께 인지 여부를 검출한다. 예를 들면, 시스템은 사용자가 처음으로 또 다른 사용자와 공존하는지 여부를 검출한다. 이것이 사실이면, 시스템은 공동의 활동 유형 분포를 생성하기 위해 사용자들 개개인의 활동 유형 분포들 모두를 조합할 수 있다. 시스템은 또한 공동의 메트릭 가중 분포를 생성하기 위해 사용자 개개인의 메트릭 가중 분포들 모두를 조합할 수 있다. 둘 이상의 사용자들이 과거에 반복적으로 공존하여온 경우에 있어서, 시스템은 이러한 사용자들의 그룹을 위한 사용자 프로필을 수립하고 또한 단일의 메트릭 가중 분포를 구성할 수 있다. 달리 말하면, 시스템은 사용자들의 그룹을 단일 사용자로서 처리하고, 상술된 바와 동일한 활동 예측 및 추천 프로세스를 이용한다.
다른 실시예들에 있어서, 시스템은 추천된 활동의 수행을 용이하게 하기 위해 지원 활동들을 추천하도록 확장될 수 있다. 예를 들면, 추천된 활동들 중 하나가 "콘서트 가기"라면, 시스템은 사용자가 콘서트를 위한 티켓을 구매할 수 있는 장소를 추천할 수 있다.
도 3은 본 발명의 일 실시예에 따라 활동 유형들을 예측하고 다양한 베뉴들에 의해 제공된 미래 활동들을 추천하는 대표적인 프로세스를 예시하는 흐름도를 나타낸다. 동작 동안, 시스템은 활동 유형들 및 대응하는 상황 정보에 대한 질의를 수신한다(동작 302). 시스템은 그 후 사용자 프로필이 이용가능한지를 결정한다(동 작 304). 사용자 프로필이 이용가능하다면, 시스템은 사용자 프로필을 로딩한다(동작 306). 그렇지 않다면, 시스템은 모집단 사전 정보의 세트를 로딩한다(동작 308). 시스템은 그 후 사용자 프로필 또는 모집단 사전 정보, 및 상황 정보에 기초하여 활동 유형 분포를 산출한다(동작 310).
이어서, 시스템은 활동 유형 분포에 특정된 활동 유형들 및 사용자 위치에 기초하여 베뉴/활동 데이터베이스를 검색한다(동작 312). 시스템은 그 후, 리턴된 활동들을 평가한다(동작 314). 다음으로, 시스템은 활동 유형 분포에 기초하여 가장 높게 랭크된 활동들 및 대응하는 베뉴들을 추천한다(동작 316).
도 4는 본 발명의 일 실시예에 따른 먹기 및 쇼핑 활동들에 관하여, 일반적인 시간 확률들 p를 나타내는 대표적인 모집단 사전 정보의 세트를 예시한다. 도 4에 도시된 바와 같이, 두 개의 곡선들은 상이한 시각 동안 먹기 또는 쇼핑인 확률을 나타낸다. 이들 곡선들은 상당히 많은 사람들의 조사들에 기초하여 생성된다. 일반적으로, 그러한 데이터는 미국 인구 조사국과 같은 정부 기관으로부터 얻어질 수 있다. 일 실시예에서, 추천기 시스템은 또한 상당히 많은 사용자들 및 긴 시간 기간에 걸쳐 수집된 GPS 추적들에 기초하여 그 자신의 모집단 사전 정보를 수립할 수 있다.
도 5는 본 발명에 따라 추천기 시스템이 활동 유형들을 예측하고 미래 활동들을 추천하는 것을 용이하게 하는 대표적인 컴퓨터 및 통신 시스템을 예시한다. 컴퓨터 및 통신 시스템(500)은 통신 모듈(540)에 결합되고, 프로세서(510), 메모리(520), 및 저장 디바이스(530)를 포함한다. 저장 디바이스(530)는 애플리케이션 들(542 및 544)뿐만 아니라 추천기 애플리케이션(532)을 저장한다. 추천기 애플리케이션(532)은 활동 유형 분포 모듈(534), 및 활동 평점 모듈(535)을 포함한다. 동작 동안, 추천기 애플리케이션(532)은 저장 디바이스(530)로부터 메모리(520)에 로딩되고 프로세서(510)에 의해 실행된다.
도 1은 본 발명의 일 실시예에 따른 활동 추천기 시스템의 대표적인 동작 모드를 나타내는 도면.
도 2는 본 발명의 일 실시예에 따른 활동 추천기 시스템에 대한 대표적인 구조를 예시하는 블록도를 나타내는 도면.
도 3은 본 발명의 일 실시예에 따라 활동 유형들을 예측하고 미래 활동들을 추천하는 대표적인 프로세스를 예시하는 흐름도를 나타내는 도면.
도 4는 본 발명의 일 실시예에 따라 식사 및 쇼핑 활동들에 관한 일반적인 시간 선호들을 나타내는 대표적인 모집단 사전 정보의 세트를 예시하는 도면.
도 5는 본 발명에 따라 추천기 시스템이 활동 유형들을 예측하고 미래 활동들을 추천하는 것을 용이하게 하는 대표적인 컴퓨터 및 통신 시스템을 예시한 도면.

Claims (6)

  1. 사용자에게 활동들을 추천하기 위한 컴퓨터 시스템에 있어서,
    저장 디바이스에 저장된 애플리케이션들이 로딩되는 메모리;
    상기 메모리에 로딩된 상기 애플리게이션들을 실행하기 위한 프로세서;
    상기 사용자의 개인 프로필 및 모집단 사전 정보 중 적어도 하나에 기초하여 활동 유형 분포를 결정하고, 그에 의해 상기 사용자를 위한 미래 활동들의 예측을 용이하게 하도록 구성된 활동 유형 분포 모듈;
    상기 활동 유형 분포에 기초하여 하나 이상의 활동들을 검색 및 수신하도록 구성된 검색 메커니즘; 및
    각각 수신된 활동에 참여하기 위한 확률을 나타내는 적어도 하나의 점수를 생성하도록 구성된 평점 메커니즘을 포함하는, 컴퓨터 시스템.
  2. 제 1 항에 있어서,
    미래에 상기 사용자에 의해 수행될 다수의 활동들을 추천하도록 구성된 추천 메커니즘을 더 포함하는, 컴퓨터 시스템.
  3. 제 1 항에 있어서,
    상기 활동 유형 분포 및 가중 분포에 기초하여 다수의 베뉴들(venues)을 더 포함하는, 컴퓨터 시스템.
  4. 제 1 항에 있어서,
    상기 활동 유형 분포는, 또한
    하루의 시각;
    주의 요일;
    해의 주;
    휴일 표시;
    상기 사용자에게 개인적으로 의미있는 날짜의 표시;
    기상 상태; 및
    상기 사용자에 의해 이전에 액세스된 콘텐트 중 적어도 하나에 기초하여 결정되는, 컴퓨터 시스템.
  5. 제 1 항에 있어서,
    특정 상황들에서 상기 사용자의 지난 활동들을 나타내는 정보에 기초하여 상기 사용자의 개인 프로필을 구성하도록 구성된 사용자 프로필 구성 메커니즘을 더 포함하는, 컴퓨터 시스템.
  6. 제 1 항에 있어서,
    상기 사용자가 참여하고 있거나 상기 사용자가 참여한 현재 또는 과거 활동 유형을 추정하도록 구성된 추정 메커니즘을 더 포함하고,
    상기 활동들을 추천하는 동안, 상기 추천 메커니즘은 상기 추정된 현재 또는 과거 활동과 일치하지 않는 활동들을 필터링하도록 구성되는, 컴퓨터 시스템.
KR1020080091465A 2007-09-18 2008-09-18 미래 목표-중심 활동을 예측 및 추천하기 위한 방법 및 시스템 KR101552149B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US11/857,386 US7882056B2 (en) 2007-09-18 2007-09-18 Method and system to predict and recommend future goal-oriented activity
US11/857,386 2007-09-18

Publications (2)

Publication Number Publication Date
KR20090029671A KR20090029671A (ko) 2009-03-23
KR101552149B1 true KR101552149B1 (ko) 2015-09-11

Family

ID=39768871

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020080091465A KR101552149B1 (ko) 2007-09-18 2008-09-18 미래 목표-중심 활동을 예측 및 추천하기 위한 방법 및 시스템

Country Status (4)

Country Link
US (1) US7882056B2 (ko)
EP (1) EP2040209A1 (ko)
JP (1) JP5248914B2 (ko)
KR (1) KR101552149B1 (ko)

Families Citing this family (50)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8504621B2 (en) * 2007-10-26 2013-08-06 Microsoft Corporation Facilitating a decision-making process
US20090287687A1 (en) * 2008-04-14 2009-11-19 Gianni Martire System and method for recommending venues and events of interest to a user
US20090298483A1 (en) * 2008-06-02 2009-12-03 Motorola, Inc. Method and apparatus for selecting advertisements and determining constraints for presenting the advertisements on mobile communication devices
JP2010014455A (ja) * 2008-07-02 2010-01-21 Aisin Aw Co Ltd ナビゲーション装置、ナビゲーション方法、及びナビゲーションプログラム
US20100131447A1 (en) * 2008-11-26 2010-05-27 Nokia Corporation Method, Apparatus and Computer Program Product for Providing an Adaptive Word Completion Mechanism
US10013489B2 (en) * 2009-08-12 2018-07-03 Oath Inc. System and method for providing recommendations
US20110071971A1 (en) * 2009-09-22 2011-03-24 Microsoft Corporation Multi-level event computing model
JP5440080B2 (ja) * 2009-10-02 2014-03-12 ソニー株式会社 行動パターン解析システム、携帯端末、行動パターン解析方法、及びプログラム
WO2011067675A2 (en) * 2009-12-01 2011-06-09 France Telecom Behavior and attention targeted notification system and method of operation thereof
CN102667839A (zh) * 2009-12-15 2012-09-12 英特尔公司 在用户行为的趋势分析和简档建立以及基于模板的预测中使用概率技术以便提供推荐的系统、装置和方法
US9335893B2 (en) * 2009-12-29 2016-05-10 Here Global B.V. Method and apparatus for dynamically grouping items in applications
US8838586B2 (en) 2010-03-05 2014-09-16 Apple Inc. Relevancy ranking for map-related search
US9417084B2 (en) * 2010-03-26 2016-08-16 Koninklijke Philips N.V. Method and navigation device for providing at least one route
US8612477B2 (en) 2010-09-24 2013-12-17 Aol Inc. Systems and methods for customized electronic communications
US9177029B1 (en) * 2010-12-21 2015-11-03 Google Inc. Determining activity importance to a user
US9201952B1 (en) 2010-12-21 2015-12-01 Google Inc. User interface for activity status and history
US9098606B1 (en) * 2010-12-21 2015-08-04 Google Inc. Activity assistant
US8600981B1 (en) * 2010-12-21 2013-12-03 Google Inc. Using activity status to adjust activity rankings
CN103748892B (zh) 2011-08-25 2017-04-05 英特尔公司 用于基于音频的人类存在检测的系统和方法以及计算机程序产品
US20130159234A1 (en) * 2011-12-19 2013-06-20 Bo Xing Context activity tracking for recommending activities through mobile electronic terminals
US9183497B2 (en) * 2012-02-23 2015-11-10 Palo Alto Research Center Incorporated Performance-efficient system for predicting user activities based on time-related features
US20130254140A1 (en) * 2012-03-20 2013-09-26 General Instrument Corporation Method and system for assessing and updating user-preference information
US8978158B2 (en) * 2012-04-27 2015-03-10 Google Inc. Privacy management across multiple devices
US9514446B1 (en) 2012-04-27 2016-12-06 Google Inc. Remarketing content to a user associated with multiple devices
US9881301B2 (en) 2012-04-27 2018-01-30 Google Llc Conversion tracking of a user across multiple devices
US9258279B1 (en) 2012-04-27 2016-02-09 Google Inc. Bookmarking content for users associated with multiple devices
US20140007010A1 (en) * 2012-06-29 2014-01-02 Nokia Corporation Method and apparatus for determining sensory data associated with a user
US20140032250A1 (en) * 2012-07-27 2014-01-30 Ebay, Inc. Interactive Venue Seat Map
US20140222564A1 (en) * 2013-02-07 2014-08-07 KBR IP Holdings, LLC Geo-located social connectivity relating to events and commerce
US8744890B1 (en) * 2013-02-14 2014-06-03 Aktana, Inc. System and method for managing system-level workflow strategy and individual workflow activity
US20140280576A1 (en) * 2013-03-14 2014-09-18 Google Inc. Determining activities relevant to groups of individuals
CN104239020A (zh) * 2013-06-21 2014-12-24 Sap欧洲公司 决策做出标准驱动的推荐
US9195972B2 (en) 2013-09-30 2015-11-24 Globalfoundries Inc. Smart calendar
US20150149390A1 (en) * 2013-11-25 2015-05-28 Palo Alto Research Center Incorporated Method and system for creating an intelligent digital self representation
US20150169371A1 (en) * 2013-12-13 2015-06-18 Mark D. Yarvis Platform self-management of resources based on a contextual understanding of user plans and goals
TWI506458B (zh) 2013-12-24 2015-11-01 Ind Tech Res Inst 辨識網路產生裝置及其方法
US10460098B1 (en) 2014-08-20 2019-10-29 Google Llc Linking devices using encrypted account identifiers
US10650437B2 (en) 2015-06-01 2020-05-12 Accenture Global Services Limited User interface generation for transacting goods
US9239987B1 (en) * 2015-06-01 2016-01-19 Accenture Global Services Limited Trigger repeat order notifications
US9939923B2 (en) 2015-06-19 2018-04-10 Microsoft Technology Licensing, Llc Selecting events based on user input and current context
US9872150B2 (en) 2015-07-28 2018-01-16 Microsoft Technology Licensing, Llc Inferring logical user locations
US20170032248A1 (en) * 2015-07-28 2017-02-02 Microsoft Technology Licensing, Llc Activity Detection Based On Activity Models
US20170109656A1 (en) * 2015-10-16 2017-04-20 Washington State University Data-driven activity prediction
EP3365864B1 (en) 2015-12-22 2023-05-31 Beijing Didi Infinity Technology and Development Co., Ltd. Systems and methods for updating sequence of services
KR20170088574A (ko) * 2016-01-25 2017-08-02 삼성전자주식회사 전자 장치, 그 제어 방법 및 컴퓨터 판독가능 기록 매체
US10885478B2 (en) * 2016-07-06 2021-01-05 Palo Alto Research Center Incorporated Computer-implemented system and method for providing contextually relevant task recommendations to qualified users
US10783450B2 (en) * 2016-11-10 2020-09-22 Adobe Inc. Learning user preferences using sequential user behavior data to predict user behavior and provide recommendations
JP6870995B2 (ja) * 2017-01-26 2021-05-12 株式会社デンソーテン 情報提供装置、情報提供方法および情報提供プログラム
US11681895B2 (en) * 2018-05-30 2023-06-20 Kyndryl, Inc. Cognitive assistant with recommendation capability
JP7044922B1 (ja) 2021-03-18 2022-03-30 ヤフー株式会社 情報処理装置、情報処理方法および情報処理プログラム

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002320159A (ja) 2001-04-23 2002-10-31 Nec Corp 番組推薦システムおよび番組推薦方法
JP2005174094A (ja) 2003-12-12 2005-06-30 Ntt Docomo Inc 利用履歴サーバ装置、サービス検索サーバ装置、通信端末、サービス推薦方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6236768B1 (en) 1997-10-14 2001-05-22 Massachusetts Institute Of Technology Method and apparatus for automated, context-dependent retrieval of information
US6968334B2 (en) 2001-05-15 2005-11-22 Nokia Corporation Method and business process to maintain privacy in distributed recommendation systems
US20040039630A1 (en) 2002-08-12 2004-02-26 Begole James M.A. Method and system for inferring and applying coordination patterns from individual work and communication activity

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002320159A (ja) 2001-04-23 2002-10-31 Nec Corp 番組推薦システムおよび番組推薦方法
JP2005174094A (ja) 2003-12-12 2005-06-30 Ntt Docomo Inc 利用履歴サーバ装置、サービス検索サーバ装置、通信端末、サービス推薦方法

Also Published As

Publication number Publication date
KR20090029671A (ko) 2009-03-23
US20090077000A1 (en) 2009-03-19
US7882056B2 (en) 2011-02-01
JP5248914B2 (ja) 2013-07-31
EP2040209A1 (en) 2009-03-25
JP2009076041A (ja) 2009-04-09

Similar Documents

Publication Publication Date Title
KR101552149B1 (ko) 미래 목표-중심 활동을 예측 및 추천하기 위한 방법 및 시스템
JP5479673B2 (ja) 仮想コンテンツのフィルタリング方法
KR101699918B1 (ko) 방문 가능성에 기초한 부근의 목적지들의 정렬 및 위치 히스토리로부터의 장소들에 대한 미래의 방문들의 예측
US10726438B2 (en) Personalized contextual coupon engine
US20160191450A1 (en) Recommendations Engine in a Layered Social Media Webpage
De Pessemier et al. Context-aware recommendations through context and activity recognition in a mobile environment
JP4861004B2 (ja) サービス推薦システム、及び、サービス推薦方法
CN106471499B (zh) 生成关于物理位置的文本概要的方法，系统和存储介质
KR101608697B1 (ko) 애드혹, 동적 모델 구성을 갖는 추천기 시스템
US20120290434A1 (en) Method For Providing a Recommendation Such as a Personalized Recommendation, Recommender System, and Computer Program Product Comprising a Recommender Computer Program
JP5805548B2 (ja) 情報処理装置、及び、情報処理方法
CN112088390A (zh) 对于地点的个性化匹配得分
US8909581B2 (en) Factor-graph based matching systems and methods
US20100185519A1 (en) System and method for presenting relevant contextual advertisements in microblogging services
US11809463B2 (en) Method for determining relative ranking data in a broker mediated geospatial information service environment
JP2012113544A (ja) 飲食店推薦システム
CN113454669A (zh) 通过用户访问的特征来表征地点
Richa et al. Trust and distrust based cross-domain recommender system
US20130097053A1 (en) Method and system for recommending a combined service by taking into account situation information on a target user and the degree of complementarity of a service
Özsoy et al. Multi-objective optimization based location and social network aware recommendation
US20080307004A1 (en) Broker mediated geospatial information service including relative ranking data
JP6638265B2 (ja) 情報提供装置、プログラム
JP2020008967A (ja) 情報処理装置、情報処理方法、及び情報処理プログラム
JP6672644B2 (ja) 情報提供装置、プログラム
JP6664602B2 (ja) 情報処理装置、情報処理方法、及び情報処理プログラム

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