KR101558910B1 - 여가 활동들을 위한 혼합형 모델 추천기 - Google Patents

여가 활동들을 위한 혼합형 모델 추천기 Download PDF

Info

Publication number
KR101558910B1
KR101558910B1 KR1020080091466A KR20080091466A KR101558910B1 KR 101558910 B1 KR101558910 B1 KR 101558910B1 KR 1020080091466 A KR1020080091466 A KR 1020080091466A KR 20080091466 A KR20080091466 A KR 20080091466A KR 101558910 B1 KR101558910 B1 KR 101558910B1
Authority
KR
South Korea
Prior art keywords
score
user
model
collaborative filtering
query
Prior art date
Application number
KR1020080091466A
Other languages
English (en)
Other versions
KR20090029672A (ko
Inventor
비. 두체노트 니콜라스
프라이스 로버트
패트리지 쿠르트
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 KR20090029672A publication Critical patent/KR20090029672A/ko
Application granted granted Critical
Publication of KR101558910B1 publication Critical patent/KR101558910B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명의 일 실시예는 사용자에게 여가 활동들을 추천하기 위한 방법을 제공한다. 동작 동안, 시스템은 여가 활동들에 대한 적어도 하나의 질의를 수신한다. 시스템은 그 후 협업 필터링 모델에 기초하여 후보 활동의 협업 필터링 점수, 소프트 질의 모델에 기초하여 상기 후보 활동에 대한 소프트 질의 점수, 콘텐츠 선호 모델 및 상기 사용자의 과거 행동에 기초하여 상기 후보 활동에 대한 콘텐츠 선호 점수, 및 거리 모델에 기초하여 상기 후보 활동에 대한 거리 점수를 결정한다. 다음으로, 시스템은 협업 필터링 점수, 소프트 질의 점수, 콘텐츠 선호 점수, 및 거리 점수의 가중 평균을 계산함으로써 후보 활동에 대한 종합 점수를 생성한다. 시스템은 또한 가장 높은 종합 점수들을 갖는 활동들을 포함한 추천 리스트를 리턴한다.
추천기 시스템, 협업 필터링, 소프트 질의, 콘텐츠 선호, 거리 모델

Description

여가 활동들을 위한 혼합형 모델 추천기{A mixed-model recommender for leisure activities}
본 개시는 추천기 시스템에 관한 것이다. 특히, 본 개시는 여가 활동들에 대한 추천들을 하기 위한 네 개의 유틸리티 모델들을 포함한 추천기 시스템에 관한 것이다.
대부분의 추천 시스템들의 목적은 개개인들이 그들 스스로 반드시 찾을 수 있는 것이 아닌 아이템들을 발견하도록 도와주는 것이다. 오늘날의 기술 지향적 사회에서, 그러한 추천들의 주요 소스는 특수화된 "추천기 시스템"이다. 그러한 추천기 시스템은 사용자로부터의 질의에 응답하여 개인화된 추천들을 생성할 수 있다. 사용자가 사람, 장소, 책들, 영화들, 음악, 웹 콘텐츠, 추상적 아이디어 등과 같은 특정 관심사들을 나타내는 질의를 제시하고, 추천기 시스템은 관심 영역 내에서 아이템들을 평가하고 추천을 생성한다.
모두가 그런 것은 아니지만, 대부분의 종래의 추천기 시스템들은 사용자가 흥미를 갖는 한 가지 유형의 아이템만을 추천하였다. 그러므로, 이들 시스템들은 광범위한 아이템들에 개방되어 있는 질의에 대한 추천들을 생성할 수 없었다. 예를 들면, 종래의 추천기 시스템은 책들 또는 영화들을 추천할 수 있지만, 동시에 둘 모두를 추천할 수 없었다. 사용자는 동일한 장르에 관련한 책들 및 영화들에 대한 추천을 검색할 수 없을 것이며, 질의는 두 개의 별개의 질의들로 분해되어야 할 것이다.
그러므로, 사용자는 한 번에 많은 유형들의 아이템들에 대한 추천들을 요청할 수 있는 것이 바람직하다. 사용자는 여가 활동들에 대한 질의를 제시하고 싶어할 수 있다. 여가 활동들은 영화 보기, 레스토랑에서 식사하기, 바에서의 음주, 또는 박물관 방문과 같은 광범위한 활동들을 포함한다. 그러므로, 종래의 추천기 시스템은 다수의 카테고리들에서의 아이템들에 대한 추천들을 제공할 수 없기 때문에 이러한 작업을 수행할 수 없을 것이다.
본 발명의 일 실시예는 사용자에게 여가 활동들을 추천하기 위한 방법을 제공한다. 동작 동안, 시스템은 여가 활동들에 대한 적어도 하나의 질의를 수신한다. 그 후, 시스템은 협업 필터링 모델(collaborative filtering model)에 기초한 후보 활동의 협업 필터링 점수, 소프트 질의 모델(soft query model)에 기초한 후보 활동에 대한 소프트 질의 점수, 콘텐츠 선호 모델(content preference model) 및 사용자의 과거 행동에 기초한 후보 활동에 대한 콘텐츠 선호 점수, 및 거리 모델(distance model)에 기초한 후보 활동에 대한 거리 점수를 결정한다. 다음으로, 시스템은 협업 필터링 점수, 소프트 질의 점수, 콘텐츠 선호 점수, 및 거리 점수의 가중 평균을 계산함으로써 후보 활동에 대한 종합 점수를 생성한다. 시스템은 또한 가장 높은 종합 점수들을 갖는 활동들을 포함한 추천 리스트를 리턴한다.
이러한 실시예의 변경에 있어서, 협업 필터링 점수를 결정하는 것은 사용자-프로필 정보(user-profiling information)의 세트를 수신하는 것을 포함한다.
이러한 실시예의 변경에 있어서, 협업 필터링 점수를 결정하는 것은 사용자가 일치되는 동일한 프로필 그룹에서의 다른 사용자들에 의해 제시된 후보 활동에 대한 하나 이상의 평가들을 검색하는 것을 포함한다.
이러한 실시예의 변경에 있어서, 소프트 질의 점수를 결정하는 것은 사용자로부터 선호 정보를 수신하는 것을 포함한다.
이러한 실시예의 변경에 있어서, 콘텐츠 선호 점수를 결정하는 것은 사용자에 의해 이전에 액세스된 콘텐츠의 세트로부터 키워드들의 세트를 추출하고 후보 활동의 설명이 키워드들 중 임의의 하나와 일치하는지 여부를 결정하는 것을 포함한다.
이러한 실시예의 변경에 있어서, 거리 점수를 결정하는 것은 후보 활동과 연관된 위치 및 사용자와 연관된 위치 사이의 거리를 계산하는 것을 포함한다.
다른 변경에 있어서, 거리 점수를 결정하는 것은 또한 GPS 좌표들의 세트를 수신하고 사용자를 위한 이동 범위를 계산하는 것을 포함한다.
본 발명에 따른 네 개의 모델들을 포함하는 여가 활동 추천기 시스템을 통해 다수의 카테고리들에서의 아이템들에 대한 추천들을 제공할 수 있다.
본 발명의 실시예들은 다수의 여가 활동들을 포함한 추천 리스트를 생성하기 위해 네 개의 모델들을 포함하는 여가 활동 추천기 시스템을 제공한다. 이들 네 개의 모델들은 소프트 질의 모델, 협업 필터링 모델, 콘텐츠 선호 모델, 및 거리 모델이다. 일 실시예에서, 추천기 시스템은 먼저 이들 네 개의 모델들을 이용하여 후보 여가 활동에 대한 네 개의 각각의 점수들을 계산하고, 그 후 이들 네 개의 점수들에 기초하여 종합 점수를 계산한다. 이어서, 추천기 시스템은 여가 활동들을 평가하고 가장 높은 종합 점수들을 갖는 다수의 활동들을 포함한 추천 리스트를 리턴한다.
모델의 선택은 추천들을 생성하도록 비교 또는 추정을 수행하기 위해 어떤 데이터 유형이 사용되는지에 관한 것임을 유의한다. 또한, 모델은 추천들을 생성할 때 사용되는 데이터의 유형에 관련되는 속성들의 세트를 평가한다. 예를 들면, 협업 필터링 모델은 사용자의 프로필 및 다른 사람들의 선호들에 기초하고, 소프트 질의 모델은 사용자 자신의 선호들에 기초한다.
최종 종합 점수를 계산할 때, 시스템은 다양한 알고리즘들을 사용할 수 있다. 예를 들면, 시스템은 모든 각각의 점수들의 산술 평균(arithmetic mean)을 사용할 수 있다. 시스템은 또한 최종 종합 점수를 계산하기 위해 가중 평균 또는 다른 접근법들을 사용할 수 있다. 또한, 최종 점수를 계산할 때 사용된 파라미터들 또는 공식은 시스템 구성에 기초하여 변경 또는 조정될 수 있다. 일 실시예에서, 각각의 모델 특정 점수는 0.01에서 1.0의 범위에 이르는 값이다. 아이템에 대한 최종 점수는 네 개의 모델 특정 점수들의 가중 평균이다. 각각의 점수에 할당된 가중치는 휴리스틱적으로 결정될 수 있다. 애플리케이션 개발자들은 또한 그들의 요구에 기초하여 가중치들을 상이하게 선택할 수 있다.
다음 단락들은 각각의 모델에 대한 상세한 설명을 제공한다.
협업 필터링은 많은 사용자들("협업하는")로부터 취향 정보를 수집함으로써 사용자의 관심사들을 예측한다(또는 필터링한다). CF 모델의 기본 가정은 과거에 동의했던 사용자들이 미래에 다시 동의하는 경향이 있다는 것이다. 예를 들면, 음악에 대한 추천 시스템 또는 협업 필터링은 사용자의 취향들(좋아하거나 또는 싫어하는 것)의 부분 리스트, 또는 다른 사용자 프로필 정보가 제공되면, 사용자가 어떤 음악을 좋아하는지에 대한 예측들을 할 수 있다. 그러한 정보는 이에 제한되지는 않지만 사용자 나이, 성별, 소득 수준, 교육 수준, 위치, 직업 등을 포함할 수 있다. 그 후, 시스템은 그 선호들이 시스템에 알려진 다른 사용자들의 보다 큰 풀(pool)과 사용자를 매칭하기 위해 그러한 정보를 이용한다. 유사한 사용자들의 이러한 선호 정보에 기초하여, 시스템은 현재 사용자에게 아이템들을 예측 또는 추천할 수 있다.
이들 예측들은 사용자에게 특정적이지만, 시스템은 많은 다른 사용자들로부터 수집된 정보를 이용함을 유의한다. 이러한 방법은 예를 들면, 표들(votes)의 수에 기초하여, 각각의 관심있는 아이템에 대한 평균(비사용자 특정적인) 점수를 제공하는 단순한 접근법과 상이하다. 그러므로, 협업 필터링은 특정 사용자의 특성들에 맞춰진 추천들을 생성할 수 있다.
도 1은 본 발명의 일 실시예에 따른 협업 필터링 모델을 사용하여 여가 활동에 대한 점수들을 평가하는 대표적인 프로세스를 예시한 흐름도를 나타낸다. 동작 동안, 시스템은 여가 활동 및 몇몇 사용자 프로필 정보에 대한 평점 요청을 수신한다(동작 110). 사용자는 그가 어떤 유형의 여가 활동을 찾고 있는지를 특정하거나 특정할 수 없음을 유의한다. 예를 들면, 사용자는 특정 시간 기간 동안 그 주변에 있는 라이브 공연들에 대한 추천을 수신하기를 원한다고 특정할 수 있다. 사용자는 또한 다음 세 시간을 보내기 위해 임의의 유형들의 활동에 대한 추천을 요청할 수 있다. 더욱이, 사용자 프로필 정보는 사용자에 의해 제공되거나 제공되지 않을 수 있다. 일 실시예에서, 이러한 정보는 사용자가 클라이언트로서 사용하는 핸드헬드 장치에 의해 추천기 시스템에 제공될 수 있다. 다른 실시예에서, 사용자 프로필 정보는 그러한 정보를 저장하는 데이터베이스를 유지하는 원격 서버에 의해 제공될 수 있다. 또한, 사용자 프로필 정보는 시스템에 사용자의 선호들에 대한 지식을 유도할 수 있는 임의의 명백하거나 또는 내재적인 정보일 수 있다. 예를 들면, 사용자의 과거 선택들, 나이, 성별, 교육 수준, 소득 수준, 직업 등이 있다.
질의 및 사용자 프로필 정보를 수신한 후, 추천기 시스템은 사용자 프로필 정보에 기초하여 프로필 그룹과 사용자를 매칭한다(동작 120). 그 후, 시스템은 후보 여가 활동과 연관된 평가 데이터베이스를 검사하고 동일한 프로필 그룹에서 다른 사용자들에 의해 제시된 동일한 여가 활동의 평가들에 기초하여 이전에 계산된 하나 이상의 평가들을 검색한다(동작 130). 말하자면, 레스토랑 ABC에서 식사하는 것과 같은, 특정 여가 활동은 음식 품질, 서비스, 분위기, 주차 편의시설, 흡연 영역들의 이용가능성 등과 같은 여러 속성들과 연관될 수 있다. 일 실시예에서, 평가 데이터베이스는 각각의 속성에 대한 특정 평가들을 리턴할 수 있다.
후보 여가 활동의 점수는 그 후 평가 데이터베이스에 의해 리턴된 평가(들)에 기초하여 계산된다(동작 140). 일 실시예에서, 시스템은 가중에 상관없이 각각의 속성에 대한 평가들을 평균함으로써 점수를 계산한다. 시스템은 또한 0.01에서 1.0에 이르는 범위로 점수 값을 선택적으로 표준화할 수 있다.
소프트 질의 모델은 사용자의 광범위한 선호들을 고려함으로써 최종 추천에 대한 협업 필터링의 효과를 완화시키는데 사용된다. 일 실시예에서, 처음으로 추천기 시스템을 사용할 경우, 사용자는 그들이 어떤 속성들을 대부분 좋아하는지, 각각의 활동 유형에 대해 특정하도록 요구된다. 예를 들면, 레스토랑들에 대해서, 사용자는 모든 다른 유형들보다 오히려 프랑스 요리를 더 좋아하고, 흡연이 허용되는 레스토랑에서 식사하길 원하지 않음을 선택적으로 특정할 수 있다. 이들 선호들은 그 후 여가 활동을 위한 각각의 속성에 대한 점수로 변환된다. 예를 들면, 프랑스 음식을 서비스하는 레스토랑은 "음식 유형" 속성에 대해 1.0의 점수를 받을 것이다. 그러나, 이 레스토랑에서 흡연이 허용된다면, 그것은 "흡연 또는 비흡연" 속성에 대해 0.01의 점수를 받을 것이다. 일 실시예에서, 시스템은 각각의 속성에 대한 점수들에 기초하여 여가 활동에 대한 평균 점수를 생성할 수 있다. 부가적으로, 이러한 평균 프로세스는 가중된 평균 프로세스를 이용할 수 있고, 사용자가 어떤 속성이 사용자에게 더 중요한지를 특정하도록 허용한다.
상기 레스토랑을 예로서 취한다. 사용자가 그에게 어떤 속성(즉, 음식 유형 또는 비흡연)이 더 중요한지를 특정하지 않는다면, 레스토랑의 전체 점수는 0.5가 될 수 있다. 사용자가 음식이 비흡연 환경에서 식사하는 것보다 더 중요하다고 나타내는 경우, 점수는 0.5보다 더 높을 수 있다. 반면, 자유 흡연 레스토랑에서 식사하는 것이 사용자에게 훨씬 더 중요하다면, 점수는 0.5보다 훨씬 더 낮은, 예로서 0.01이 될 수 있다. 이러한 평균 프로세스에서, 시스템은 임의의 분석적, 경험적, 휴리스틱적 접근법을 사용할 수 있다.
여가 활동에 대한 소프트 질의 점수가 다른 모델들에 대한 점수들과 결합되는 경우, 소프트 질의 모델은 사용자의 명백한 선호들에 기초하여 최종 결과를 꺾이도록 하는 역할을 한다. 예를 들면, 협업 필터링은 많은 유사한 사용자들의 평가들에 기초하여 레스토랑에 0.8의 점수를 할당할 수 있다. 그러나, 이것은 흡연이 허용되는 레스토랑인 경우, 이러한 아이템에 대한 최종 점수는 사용자들의 일반적인 선호를 반영한 훨씬 더 낮은 점수인, (0.8+0.01)/2-0.405보다 훨씬 더 높지 않을 수 있다.
예를 들면, 일 실시예에서, 사용자는 식사할 곳을 추천하도록 추천기 시스템에 요청한다. 식사와 연관된 속성 데이터베이스를 검사한 후, 추천기 시스템은 레스토랑들에 관련한 속성들의 세트를 검색한다. 이러한 속성들의 세트는 이에 제한되는 것은 아니지만, 요리 유형, 야외 대 실내 식사, 흡연 또는 비흡연, 발레 파킹의 이용가능성, 가격 범위, 예약의 이용가능성 등을 포함할 수 있다.
식사에 대한 질의가 처음으로 제안되면, 사용자는 이들 속성들에 대한 선호들의 세트를 위한 입력을 제공하도록 촉구된다. 일 실시예에서, 속성에 대한 선호는 점수들로 표현된다. 사용자의 선호들에 기초하여, 프랑스 음식을 서비스하는 레스토랑은 1.0의 점수가 주어지는 반면, 타이 음식을 서비스하는 레스토랑은 0.8의 점수가 주어질 수 있다. 또한, 흡연을 금하는 레스토랑은 1.0의 점수가 주어질 수 있는 반면, 전용 흡연 영역들을 가진 레스토랑은 0.01의 점수가 주어질 수 있다. 레스토랑을 위한 레스토랑의 점수는 그 후 모든 속성들과 연관된 점수들을 평균함으로써 계산된다.
도 2는 본 발명의 일 실시예에 따른 소프트 질의 모델을 사용하여 여가 활동에 대한 점수들을 계산하는 대표적인 프로세스를 예시한 흐름도를 나타낸다. 동작 동안, 시스템은 여가 활동들에 대한 질의를 수신한다(동작 210). 응답으로, 시스템은 사용자로 하여금 활동의 유형에 대한 선호들을 입력하도록 선택적으로 촉구할 수 있고 사용자로부터 선호 정보를 수신한다(동작 220). 사용자는 질의에서의 활동 유형을 특정할 수 있거나 특정할 수 없음을 유의한다. 활동 유형이 특정되면, 시스템은 단지 그 활동 유형에 대한 선호들만을 위해 사용자를 촉구할 수 있다. 그렇지 않다면, 시스템은 모든 가능한 활동 유형들을 위해 사용자를 촉구하고 사용자로 하여금 사용자가 선호들을 입력하길 원하는 활동 유형을 선택하도록 허용할 수 있다.
후보들의 리스트 중에서 각각의 여가 활동에 대해서, 시스템은 그 후 사용자 선호 정보에 기초하여 여가 활동의 각각의 속성에 점수들을 할당한다(동작 230). 이어서, 시스템은 여가 활동에 대한 전체 소프트 질의 점수를 계산 및 리턴한다(동작 240).
콘텐츠 선호 모델은 사용자의 현재 관심사들에 의미론적으로 관련된 아이템들의 점수를 "올린다". 일 실시예에서, 시스템은 사용자가 온라인으로 액세스한 자원들을 유지한다. 예를 들면, 시스템은 사용자가 방문한 웹 사이트들, 이메일들, 인스턴트 메시지들, 온라인 채팅 세션들, 웹 검색 키워드들 등을 모니터하고 대응하는 토픽들을 나타내는 키워드들을 추출한다. 예를 들면, 사용자는 웹상에서 요트에 대해 많이 판독해왔을 수 있다. 방문할 장소들을 추천할 때, 이러한 토픽, 예를 들면 다가오는 보트 쇼들에 관련된 데이터베이스에서의 각각의 아이템은, 콘텐츠 선호 모델에 기초하여 1.0의 점수를 수신하는 반면, 상이한 토픽들에 관한 다른 아이템들은 이러한 "상승"을 수신하지 않을 것이다. 결과적으로, 화제 관련한 아이템들은 추천 리스트의 상부로 "끓어 오르려는(bubble up)" 경향이 있을 수 있다.
예를 들면, 일 실시예에서, 사용자는 추천기 시스템이 방문할 장소를 추천하도록 요청한다. 지난 몇 주 동안 사용자의 임시 인터넷 캐시 파일들을 포함한 콘텐츠 데이터베이스를 검색한 후, 추천기 시스템은 많은 키워드들을 추출한다. 시스템은 키워드들을 추출하기 위해 임의의 컴퓨터 언어학적인 접근법(computational-linguistic approach)을 사용할 수 있다.
이어서, 추천기 시스템은 로컬 활동 데이터베이스를 검색하고 키워드들 중 임의의 키워드와 매칭하는 후보 활동들에 보다 높은 점수들을 할당한다.
도 3은 본 발명의 일 실시예에 따른 콘텐츠 선호 모델을 사용하여 여가 활동에 대한 점수들을 계산하는 대표적인 프로세스를 예시한 흐름도를 제공한다. 동작 동안, 시스템은 여가 활동들에 대한 질의를 수신한다(동작 310). 그 후, 시스템은 사용자에 의해 이전에 액세스된 콘텐츠로부터 키워드들을 추출한다(동작 320).
후보 활동들의 리스트에서 각각의 여가 활동에 대해, 시스템은 활동의 설명이 콘텐츠로부터 추출된 키워드들 중 임의의 키워드와 매칭하는지 여부를 결정한다(동작 330). 매칭하는 것이 있다면, 시스템은 활동에 높은 점수를 할당한다(동작 340). 시스템이 매칭을 확인하지 않는다면, 시스템은 디폴트 점수 값, 예를 들면 0의 값을 리턴한다(동작 350).
거리 모델은 사용자가 어디에 있고, 사용자가 어떻게 이동하는지, 후보 여가 활동의 위치에 종속하는 아이템의 점수를 감소시킨다. 일 실시예에서, 시스템은 사용자의 현재 위치 및 사용자의 이동 범위에 대한 추정을 반영하는 글로벌 위치측정 시스템(GPS) 좌표들의 세트를 수신한다. 일 실시예에서, 시스템은 사용자의 현재 속도에 기초하여 이러한 이동 범위를 계산할 수 있다. 그 후, 시스템은 활동이 범위 밖임을 나타내는 0.01에서, 활동이 사용자의 아주 가까운 곳에 있음을 나타내는 1.0까지의 점수를 할당한다. 이러한 방식으로, 단지 관련될 뿐만 아니라 아주 인접해 있는 아이템들은 최종 추천 리스트에서 지지되는 경향이 있다.
도 4는 본 발명의 일 실시예에 따른 접근 가능성 모델을 이용하여 여가 활동에 대한 점수들을 계산하는 대표적인 프로세스를 예시한 흐름도를 나타낸다. 동작 동안, 시스템은 여가 활동들에 대한 질의를 수신한다(동작 410). 시스템은 또한 사용자와 관련된 좌표들의 세트를 포함할 수 있는 GPS 정보의 세트를 수신한다(동작 420).
시스템은 이어서 수신된 GPS 정보에 기초하여 사용자의 이동 범위 및 위치를 계산한다(동작 430). 다음으로, 모든 후보 여가 활동에 대해서, 시스템은 활동 및 사용자의 위치 간의 거리, 및 사용자의 이동 범위에 기초하여 거리 모델 점수를 할당한다(440). 시스템은 그 후 계산된 거리 모델 점수를 리턴한다.
도 5는 본 발명에 따른 네 개의 모델들로부터 생성된 최종 점수에 기초하여 여가 활동들의 상이한 유형들에 대한 후보들을 추천하는 대표적인 프로세스를 예시한 흐름도를 나타낸다. 동작 동안, 시스템은 여가 활동들에 대한 질의를 수신한다(동작 510). 다음으로, 각각의 후보 여가 활동에 대해서, 시스템은 네 개의 모델들에 기초하여 네 개의 점수들을 계산한다. 특히, 시스템은 협업 필터링 모델 점수(동작 520), 소프트 질의 모델 점수(동작 530), 콘텐츠 선호 모델 점수(동작 540), 및 거리 모델 점수(동작 550)를 계산한다. 시스템은 그 후 네 개의 모델 특정 점수들에 기초하여 후보 활동에 대한 최종 종합 점수를 계산한다(동작 560).
다음으로, 시스템은 그것들 각각의 종합 점수들에 기초하여 모든 후보 활동들을 평가한다(동작 570). 시스템은 그 후 가장 높은 평가 점수의 활동들의 리스트를 사용자에게 리턴한다(동작 580).
도 6은 본 발명에 따른 네 개의 모델들을 이용하여 추천기 시스템을 용이하게 하는 대표적인 컴퓨터 및 통신 시스템을 예시한다. 컴퓨터 및 통신 시스템(600)은 통신 모듈(640)에 결합되고 프로세서(610), 메모리(620), 및 저장 디바이스(630)를 포함한다. 저장 디바이스(630)는 애플리케이션들(642 및 644)과 같은 다수의 애플리케이션들을 저장한다. 저장 디바이스(630)는 또한 협업 필터링 모델(634), 소프트 질의 모델(636), 콘텐츠 선호 모듈(638), 및 거리 모델(640)을 포함하는, 추천기 애플리케이션(632)을 저장한다.
동작 동안, 추천기 애플리케이션(632)은 저장 디바이스(630)에서 메모리(620)로 로딩되고, 그 후 사용자에게 여가 활동들을 추천하기 위해 프로세서(610)에 의해 실행된다.
도 1은 본 발명의 일 실시예에 따른 협업 필터링 모델을 사용하여 여가 활동을 위한 점수들을 계산하는 대표적인 프로세스를 예시하는 흐름도를 나타낸다.
도 2는 본 발명의 일 실시예에 따른 소프트 질의 모델을 사용하여 여가 활동을 위한 점수들을 계산하는 대표적인 프로세스를 예시한 흐름도를 나타낸다.
도 3은 본 발명의 일 실시예에 따른 콘텐츠 선호 모델을 사용하여 여가 활동을 위한 점수들을 계산하는 대표적인 프로세스를 예시하는 흐름도를 나타낸다.
도 4는 본 발명의 일 실시예에 따른 접근가능성 모델을 사용하여 여가 활동을 위한 점수들을 계산하는 대표적인 프로세스를 예시하는 흐름도를 나타낸다.
도 5는 본 발명에 따른 네 개의 모델들로부터 생성된 최종 점수에 기초하여 상이한 유형들의 여가 활동들에 대한 후보들을 추천하는 대표적인 프로세스를 예시하는 흐름도를 나타낸다.
도 6은 본 발명에 따른 네 개의 모델들을 사용하여 추천기 시스템을 용이하게 하는 대표적인 컴퓨터 및 통신 시스템을 예시한다.

Claims (4)

  1. 사용자에게 여가 활동들을 추천하기 위한 컴퓨터 시스템에 있어서,
    프로세서;
    협업 필터링 모델(collaborative filtering model), 소프트 질의 모델(soft query model), 콘텐츠 선호 모델(content preference model) 및 거리 모델(distance model)을 포함하는 추천기 애플리케이션을 저장하는 저장 디바이스;
    상기 프로세서에 의해 여가 활동들에 대한 적어도 하나의 질의를 수신하도록 구성된 수신 메커니즘;
    상기 프로세서에 의해 상기 추천기 애플리케이션을 실행함으로써, 상기 협업 필터링 모델에 기초하여 후보 활동의 협업 필터링 점수를 결정하도록 구성된 협업 필터링 메커니즘;
    상기 프로세서에 의해 상기 추천기 애플리케이션을 실행함으로써, 상기 소프트 질의 모델에 기초하여 상기 후보 활동에 대한 소프트 질의 점수를 결정하도록 구성된 소프트 질의 평점 메커니즘;
    상기 프로세서에 의해 상기 추천기 애플리케이션을 실행함으로써, 상기 콘텐츠 선호 모델 및 상기 사용자의 과거 행동에 기초하여 상기 후보 활동에 대한 콘텐츠 선호 점수를 결정하도록 구성된 콘텐츠 선호 평점 메커니즘;
    상기 프로세서에 의해 상기 추천기 애플리케이션을 실행함으로써, 상기 거리 모델에 기초하여 상기 후보 활동에 대한 거리 점수를 결정하도록 구성된 거리 평점 메커니즘;
    상기 프로세서에 의해 상기 협업 필터링 점수, 상기 소프트 질의 점수, 상기 콘텐츠 선호 점수, 및 상기 거리 점수의 가중 평균을 계산함으로써 상기 후보 활동에 대한 종합 점수를 생성하도록 구성된 종합 평점 메커니즘; 및
    상기 프로세서에 의해 상기 가장 높은 종합 점수들을 갖는 상기 활동들을 포함한 추천 리스트를 리턴하도록 구성된 표시 메커니즘(presentation mechanism)을 포함하는, 컴퓨터 시스템.
  2. 제 1 항에 있어서,
    상기 협업 필터링 점수를 결정하는 동안, 상기 협업 필터링 메커니즘은 또한 사용자 프로필 정보의 세트를 수신하도록 구성되는, 컴퓨터 시스템.
  3. 제 1 항에 있어서,
    상기 협업 필터링 점수를 결정하는 동안, 상기 협업 필터링 메커니즘은 또한 상기 사용자가 매칭되는 동일한 프로필 그룹에서의 다른 사용자들에 의해 제시된 상기 후보 활동에 대한 하나 이상의 평가들을 검색하도록 구성되는, 컴퓨터 시스템.
  4. 제 1 항에 있어서,
    상기 소프트 질의 점수를 결정하는 동안, 상기 소프트 질의 평점 메커니즘은 상기 사용자로부터 선호 정보를 수신하도록 구성되는, 컴퓨터 시스템.
KR1020080091466A 2007-09-18 2008-09-18 여가 활동들을 위한 혼합형 모델 추천기 KR101558910B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US11/856,913 2007-09-18
US11/856,913 US7743067B2 (en) 2007-09-18 2007-09-18 Mixed-model recommender for leisure activities

Publications (2)

Publication Number Publication Date
KR20090029672A KR20090029672A (ko) 2009-03-23
KR101558910B1 true KR101558910B1 (ko) 2015-10-12

Family

ID=40040028

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020080091466A KR101558910B1 (ko) 2007-09-18 2008-09-18 여가 활동들을 위한 혼합형 모델 추천기

Country Status (4)

Country Link
US (1) US7743067B2 (ko)
EP (1) EP2040213A1 (ko)
JP (1) JP5248913B2 (ko)
KR (1) KR101558910B1 (ko)

Families Citing this family (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7836001B2 (en) * 2007-09-14 2010-11-16 Palo Alto Research Center Incorporated Recommender system with AD-HOC, dynamic model composition
US7904442B2 (en) * 2007-10-31 2011-03-08 Intuit Inc. Method and apparatus for facilitating a collaborative search procedure
US8321261B2 (en) 2007-12-14 2012-11-27 John Nicholas and Kristin Gross Integrated gourmet item data collection, recommender and vending system and method
US8560371B2 (en) * 2008-09-26 2013-10-15 Microsoft Corporation Suggesting things to do during time slots in a schedule
ES2351565B1 (es) * 2009-01-19 2011-12-12 Vodafone España, S.A.U. Metodo para compartir y registrar logros obtenidos en servicios web.
KR101270747B1 (ko) * 2009-11-19 2013-06-03 한국전자통신연구원 온톨로지 기반의 서비스 추천 장치 및 방법
KR101628054B1 (ko) 2009-12-28 2016-06-08 삼성전자주식회사 가상 공간 제공 장치 및 방법
US20110191697A1 (en) * 2010-02-03 2011-08-04 Victor Sumner Method and system for discovery of local activities based on autonomous suggestion for discovery of local activities
US8412726B2 (en) 2010-06-03 2013-04-02 Microsoft Corporation Related links recommendation
US8346746B2 (en) * 2010-09-07 2013-01-01 International Business Machines Corporation Aggregation, organization and provision of professional and social information
US9098606B1 (en) * 2010-12-21 2015-08-04 Google Inc. Activity assistant
US20120179717A1 (en) * 2011-01-11 2012-07-12 Sony Corporation System and method for effectively providing entertainment recommendations to device users
US9659317B2 (en) * 2011-02-24 2017-05-23 International Business Machines Corporation Individual online price adjustments in real time
US20120238295A1 (en) * 2011-03-14 2012-09-20 Nokia Corporation Method and apparatus for recommending content based on content provision models associated with spatial regions
US9547369B1 (en) 2011-06-19 2017-01-17 Mr. Buzz, Inc. Dynamic sorting and inference using gesture based machine learning
US9122757B1 (en) * 2011-06-19 2015-09-01 Mr. Buzz, Inc. Personal concierge plan and itinerary generator
US8671068B2 (en) * 2011-09-22 2014-03-11 Toyota Jidosha Kabushiki Kaisha Content recommendation system
US11727249B2 (en) 2011-09-28 2023-08-15 Nara Logics, Inc. Methods for constructing and applying synaptic networks
US8170971B1 (en) 2011-09-28 2012-05-01 Ava, Inc. Systems and methods for providing recommendations based on collaborative and/or content-based nodal interrelationships
US8732101B1 (en) 2013-03-15 2014-05-20 Nara Logics, Inc. Apparatus and method for providing harmonized recommendations based on an integrated user profile
US10789526B2 (en) 2012-03-09 2020-09-29 Nara Logics, Inc. Method, system, and non-transitory computer-readable medium for constructing and applying synaptic networks
US11151617B2 (en) 2012-03-09 2021-10-19 Nara Logics, Inc. Systems and methods for providing recommendations based on collaborative and/or content-based nodal interrelationships
US10467677B2 (en) 2011-09-28 2019-11-05 Nara Logics, Inc. Systems and methods for providing recommendations based on collaborative and/or content-based nodal interrelationships
US9053424B1 (en) * 2012-10-26 2015-06-09 Google Inc. Learning mechanism for recommended reordering of elements based on demographic information
US20140280576A1 (en) * 2013-03-14 2014-09-18 Google Inc. Determining activities relevant to groups of individuals
US20140297455A1 (en) * 2013-03-29 2014-10-02 Ebay Inc. Routine suggestion system
US10565993B2 (en) 2015-01-30 2020-02-18 Disney Enterprises, Inc. Enhancing group decisions within social messaging applications
US10475121B1 (en) * 2015-10-07 2019-11-12 Wells Fargo Bank, N.A. Identification of loss risk candidates for financial institutions
US20180012229A1 (en) 2016-07-06 2018-01-11 Palo Alto Research Center Incorporated Computer-Implemented System And Method For Providing Contextually Relevant Servicing
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
US11093834B2 (en) 2016-07-06 2021-08-17 Palo Alto Research Center Incorporated Computer-implemented system and method for predicting activity outcome based on user attention
US11477302B2 (en) * 2016-07-06 2022-10-18 Palo Alto Research Center Incorporated Computer-implemented system and method for distributed activity detection
CN108280200B (zh) * 2018-01-29 2021-11-09 百度在线网络技术（北京）有限公司 用于推送信息的方法和装置
CN108460631B (zh) * 2018-02-13 2021-03-09 口口相传(北京)网络技术有限公司 多元化信息的混合推送方法及装置
US11093871B2 (en) * 2018-04-16 2021-08-17 International Business Machines Corporation Facilitating micro-task performance during down-time
WO2020067072A1 (en) * 2018-09-24 2020-04-02 Panasonic Intellectual Property Management Co., Ltd. Personalized experience journeys
US11048767B2 (en) * 2018-11-16 2021-06-29 Sap Se Combination content search
JP7466088B2 (ja) * 2019-10-28 2024-04-12 パナソニックＩｐマネジメント株式会社 行動推定システム
KR102446341B1 (ko) 2020-02-12 2022-09-23 고려대학교 산학협력단 여가문화 활동 추천 장치 및 방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002008854A2 (en) 2000-07-24 2002-01-31 C5 Solutions Pte Ltd. Method and apparatus for providing context sensitive advertisements to mobile users
US20020188589A1 (en) 2001-05-15 2002-12-12 Jukka-Pekka Salmenkaita Method and business process to maintain privacy in distributed recommendation systems
JP2005513687A (ja) 2001-12-27 2005-05-12 コーニンクレッカ　フィリップス　エレクトロニクス　エヌ　ヴィ リコメンダのスコアに関する階層的な融合判定機能
JP2005284421A (ja) 2004-03-29 2005-10-13 Fujimoto Research Park:Kk 情報処理装置およびプログラム

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05143341A (ja) * 1991-11-15 1993-06-11 Ricoh Co Ltd 問題解決装置およびそれを用いた診断システム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002008854A2 (en) 2000-07-24 2002-01-31 C5 Solutions Pte Ltd. Method and apparatus for providing context sensitive advertisements to mobile users
US20020188589A1 (en) 2001-05-15 2002-12-12 Jukka-Pekka Salmenkaita Method and business process to maintain privacy in distributed recommendation systems
JP2005513687A (ja) 2001-12-27 2005-05-12 コーニンクレッカ　フィリップス　エレクトロニクス　エヌ　ヴィ リコメンダのスコアに関する階層的な融合判定機能
JP2005284421A (ja) 2004-03-29 2005-10-13 Fujimoto Research Park:Kk 情報処理装置およびプログラム

Also Published As

Publication number Publication date
EP2040213A1 (en) 2009-03-25
KR20090029672A (ko) 2009-03-23
JP2009076039A (ja) 2009-04-09
US20090077057A1 (en) 2009-03-19
US7743067B2 (en) 2010-06-22
JP5248913B2 (ja) 2013-07-31

Similar Documents

Publication Publication Date Title
KR101558910B1 (ko) 여가 활동들을 위한 혼합형 모델 추천기
Pessemier et al. Hybrid group recommendations for a travel service
US6931399B2 (en) Method and apparatus for providing personalized relevant information
De Pessemier et al. Comparison of group recommendation algorithms
US9177063B2 (en) Endorsing search results
US9633116B2 (en) Endorsing local search results
US7882056B2 (en) Method and system to predict and recommend future goal-oriented activity
Zhang et al. The structure of customer satisfaction with cruise-line services: An empirical investigation based on online word of mouth
US20190340537A1 (en) Personalized Match Score For Places
KR101704887B1 (ko) 컴퓨터 판독가능한 저장 매체
Braunhofer et al. Context dependent preference acquisition with personality-based active learning in mobile recommender systems
De Pessemier et al. Travelwithfriends: a hybrid group recommender system for travel destinations
US20140330770A1 (en) Context-aware implicit and explicit search
Kzaz et al. Tourism recommender systems: an overview of recommendation approaches
Thio et al. The contribution of perceived food consumption value on destination attractiveness and revisit intention
De Carolis Adapting news and advertisements to groups
Győrödi et al. An extended recommendation system using data mining implemented for smart phones
Sappelli et al. Recommending personalized touristic sights using google places
JP7082008B2 (ja) 情報処理装置、情報処理方法、及び情報処理プログラム
Xiang et al. Searching the travel network
Zulkefli et al. Hotel travel recommendation based on blog information
Alfarhood et al. Traveltant: Social Network-Based Restaurant Recommender 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: 20181001

Year of fee payment: 4