KR101620597B1 - 통합 추천자를 이용하여 사용자 추천 그룹을 갱신하는 방법 - Google Patents

통합 추천자를 이용하여 사용자 추천 그룹을 갱신하는 방법 Download PDF

Info

Publication number
KR101620597B1
KR101620597B1 KR1020140178420A KR20140178420A KR101620597B1 KR 101620597 B1 KR101620597 B1 KR 101620597B1 KR 1020140178420 A KR1020140178420 A KR 1020140178420A KR 20140178420 A KR20140178420 A KR 20140178420A KR 101620597 B1 KR101620597 B1 KR 101620597B1
Authority
KR
South Korea
Prior art keywords
recommender
recommendation
user
group
integrated
Prior art date
Application number
KR1020140178420A
Other languages
English (en)
Inventor
이경전
김혜경
Original Assignee
주식회사 벤플
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 주식회사 벤플 filed Critical 주식회사 벤플
Priority to KR1020140178420A priority Critical patent/KR101620597B1/ko
Application granted granted Critical
Publication of KR101620597B1 publication Critical patent/KR101620597B1/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

Landscapes

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

Abstract

본 발명은 협업필터링 기반의 추천 시스템에서 사용자 추천 그룹을 생성하는 방법에 관한 것으로, 보다 구체적으로 사용자 추천 그룹를 구성하는 추천자 중 사용자에 추천하는 아이템이 서로 유사한 추천자를 통합하고 통합되는 추천자를 대신하여 신규 추천자를 사용자 추천 그룹에 추가함으로써, 추천 정확도뿐만 아니라 추천 다양성 및 추천 우연성(serendipity)도 고려하여 사용자 추천 그룹을 생성할 수 있는 방법에 관한 것이다.

Description

통합 추천자를 이용하여 사용자 추천 그룹을 갱신하는 방법{Method for updating user recommendation group}
본 발명은 협업필터링 기반의 추천 시스템에서 사용자 추천 그룹을 갱신하는 방법에 관한 것으로, 보다 구체적으로 사용자 추천 그룹을 구성하는 추천자 중 사용자에 추천하는 아이템이 서로 유사한 추천자를 통합하고 통합한 추천자를 대신하여 신규 추천자를 사용자 추천 그룹에 추가함으로써, 추천 정확도뿐만 아니라 추천 다양성 및 추천 우연성(serendipity)도 고려하여 사용자 추천 그룹을 갱신할 수 있는 방법에 관한 것이다.
매일 새로운 상품이 개발되어 판매되고 있으며, 많은 수의 뉴스, 기사, 맛집 등 다양한 컨텐츠가 생성된다. 사용자는 이와 같이 다양한 상품이나 컨텐츠 등의 아이템에 노출됨에 따라, 자신이 요구하는 아이템을 검색하는데 많은 시간과 노력을 낭비하게 된다. 더욱이 최근에는 사용자가 다양한 소셜 네트워크의 구성원으로 가입하여 가입한 소셜 네트워크에서 다양한 아이템을 획득하는데, 소셜 네트워크를 구성하는 구성원의 수가 방대하고 사용자가 가입한 소셜 네트워크의 수도 많아짐에 따라 사용자가 원하는 아이템을 정확하게 획득하기 곤란하다.
따라서 사용자가 선호할 것으로 예상되는 아이템들을 검색하여 검색한 아이템을 사용자에 추천하는 다양한 추천 기법들이 개발되어 왔는데, 협업 필터링에 기반한 추천 기법은 가장 성공적인 추천 기법으로 다양한 인터넷 비즈니스 분야에서 널리 사용되고 있다.
협업필터링에 기반한 추천 기법은 사용자와 유사한 선호도를 가지는 사람들이 선택한 아이템 중 사용자가 아직 선택하지 않은 아이템의 선호도를 예측하여 선호도가 높을 것으로 예측되는 아이템을 사용자에 추천해주는 기법이다.
종래 협업 필터링에 기반한 추천 기법은 사람들의 특정 아이템에 대한 선호도를 판단하는 단계와, 판단한 선호도에 기초하여 사용자와 유사한 선호도를 가지는 사용자 추천 그룹을 결정하는 단계와, 결정한 사용자 추천 그룹에서 사용자의 선호도가 높을 것으로 예상되는 아이템을 추천하는 단계로 이루어졌다.
사용자와 유사한 선호도를 가지는 사용자 추천 그룹을 결정하는 단계를 보다 구체적으로 살펴보면, 고객-아이템 행렬(P)을 이용하여 사용자와 주변 사용자 사이의 아이템에 대한 선호 유사도를 계산한다. 즉, 사용자(i)에 대하여 가장 선호도가 유사한 다수의 주변 사용자(ni)를 추천자로 결정하여 사용자 추천 그룹으로 생성한다. 일반적으로 사용자와 주변 사용자 사이의 선호 유사도를 측정하기 위하여 피어슨 상관계수(Pearson Correlation) 또는 코사인 유사도(cosine similarity)가 사용되고 있다.
결정한 사용자 추천 그룹을 구성하는 추천자들이 선택한 아이템들에 기초하여 사용자가 선호할 것으로 예상되는 N개의 추천 아이템을 결정하고 결정한 추천 아이템을 사용자에 추천한다.
이러한 종래 협업필터링에 기반한 추천 방식에서 사용자 추천 그룹은 사용자와 주변 사용자 사이의 선호 유사도에 기초하여 생성되는데, 사용자에 아이템을 추천할 때마다 사용자 추천 그룹을 생성하고, 생성한 사용자 추천 그룹에서 사용자가 선호할 것으로 예상되는 추천 아이템을 결정한다. 따라서 사용자에 아이템을 추천할 때마다 사용자 추천 그룹을 생성하는데 많은 연산량이 필요하며, 사용자와 주변 사용자 사이의 아이템 선호 유사도에 기초하여 사용자 추천 그룹을 생성하기 때문에 추천 다양성 또는 추천 우연성도 고려하여 아이템을 사용자에 추천하기 곤란하다는 문제점을 가진다.
이와 같이 사용자에 아이템을 추천할 때마다 사용자 추천 그룹을 생성하는데 소비되는 연산량을 줄이기 위하여, 기결정된 사용자 추천 그룹에서 사용자에 아이템을 추천하는 방식이 제안되었다. 제안 방식의 경우 사용자 추천 그룹을 구성하는 추천자의 추천 성공율에 기초하여 추천 성공율이 낮은 추천자를 사용자 추천 그룹에서 삭제하고 추천 성공율이 높을 것으로 예상되는 추천자를 신규 추천자로 사용자 추천 그룹에 추가시켜 사용자 추천 그룹을 갱신함으로써, 사용차 추천 그룹을 생성하는데 소비되는 연산량을 줄이며 추천 정확성도 보장받을 수 있다.
그러나 사용자는 원하는 아이템을 정확하게 추천받는 것을 원하는 동시에 사용자가 관심을 가질 수 있는 다양한 아이템을 추천받기 원한다. 따라서 추천 시스템도 이러한 사용자 니즈(need)를 충족시키기 위하여 추천 정확도와 함께 추천 다양성 또는 추천 우연성(serendipity)도 중요한 사항으로 고려되어야 한다.
그러나 앞서 설명한 사용자 추천 그룹의 생성 방법의 경우 사용자와 주변 사용자 사이의 선호 유사도 또는 추천 성공율에 기초하여 사용자 추천 그룹을 생성하기 때문에, 통상적으로 선호도가 유사한 추천자가 사용자에 추천하는 아이템들은 서로 유사한 아이템들로 구성되어 사용자에 다양한 종류의 아이템을 추천할 수 없다는 문제점을 가진다.
본 발명은 위에서 언급한 종래 협업 필터링 기반의 추천 방법이 가지는 문제점을 해결하기 위한 것으로, 본 발명이 이루고자 하는 목적은 추천 정확도뿐만 아니라 추천 다양성과 추천 우연성(serendipity)도 고려하여 사용자 추천 그룹을 갱신하는 방법을 제공하는 것이다.
본 발명이 이루고자 하는 다른 목적은 사용자 추천 그룹을 구성하는 추천자들 중 서로 유사한 추천 성향을 가지는 추천자를 통합하고 통합한 추천자를 대체하여 신규 추천자를 사용자 추천 그룹에 추가하여 사용자에 다양한 아이템을 추천할 수 있는 사용자 추천 그룹의 갱신 방법을 제공하는 것이다.
본 발명이 이루고자 하는 또 다른 목적은 사용자 추천 그룹에 신규 추천자를 추가시 매개 중심성이 높은 추천자를 신규 추천자로 선택하며, 기존 사용자 추천 그룹을 구성하는 추전자의 친구 또는 친구의 친구에서 신규 추천자를 선택하여 추천 정확도뿐만 아니라 추천 다양성과 추천 우연성도 보장받을 수 있는 사용자 추천 그룹의 갱신 방법을 제공하는 것이다.
본 발명의 목적을 달성하기 위하여, 본 발명에 따른 사용자 추천 그룹의 갱신 방법은 사용자가 추천 리스트를 요청하는 시점에서 사용자 추천 그룹을 구성하는 추천자들이 사용자에 추천하는 아이템의 추천 유사도를 계산하는 단계와, 추천 유사도에 기초하여 추천자 사이의 추천 유사도가 임계 유사도 이상인 추천자로부터 통합 추천자 그룹을 생성하는 단계와, 통합 추천자 그룹을 구성하는 통합 추천자 중 잔존 통합 추천자를 제외한 통합 추천자를 신규 추천자로 대체하여 사용자 추천 그룹을 갱신하는 단계를 포함하는 것을 특징으로 한다.
여기서 잔존 통합 추천자는 통합 추천자 그룹을 구성하는 통합 추천자 중 사용자에 대한 추천 가중치가 가장 높은 통합 추천자인 것을 특징으로 한다.
여기서 추천 가중치는 사용자가 추천 리스트를 요청하는 현재 요청 시점과 이전 요청 시점 사이에서 사용자 추천 그룹을 구성하는 추천자의 추천 아이템 중 사용자가 선택한 추천 성공 아이템의 수에 비례하여 증가하며, 현재 요청 시점과 이전 요청 시점 사이에서 사용자 추천 그룹을 구성하는 추천자가 아이템을 추천하지 않는 경우 감소하는 것을 특징으로 한다.
바람직하게, 통합 추천자 그룹을 생성하는 단계는 사용자 추천 그룹을 구성하는 추천자들이 사용자에 추천하는 아이템의 추천 유사도가 임계 유사도 이상인 통합 추천자를 검색하는 단계와, 통합 추천자의 식별자에 기초하여 통합 추천자 사이의 순환 연결 관계를 판단하는 단계와, 순환 연결 관계에 기초하여 통합 추천자로부터 통합 추천자 그룹을 생성하는 단계를 포함하는 것을 특징으로 한다.
본 발명의 일 실시예에서 신규 추천자는 사용자 추천 그룹을 구성하는 추천자의 주변 추천 그룹에서 주변 추천 그룹을 구성하는 후보 추전자들의 매개 중심성에 기초하여 결정되는 것을 특징으로 한다.
여기서 주변 추천 그룹은 사용자 추천 그룹에서 추천 가중치가 가장 높은 추천자의 추천 그룹인 것을 특징으로 한다.
여기서 매개 중심성은 사용자 추천 그룹을 포함한 전체 추천 네트워크에서 사용자와 추전자 사이 또는 추천자 사이에서 추천자의 중계도이며, 중계도는 사용자와 추천자 사이 또는 추천자 사이의 모든 최단 경로 수와 최단 경로 중 해당 추천자가 존재하는 수에 기초하여 해당 추천자의 중계도가 계산되는 것을 특징으로 한다.
본 발명의 다른 실시예에서 신규 추천자는 사용자 추천 그룹을 구성하는 추천자의 주변 추천 그룹에서 주변 추천 그룹을 구성하는 후보 추전자의 추천 가중치에 기초하여 결정되는 것을 특징으로 한다.
본 발명에 따른 사용자 추천 그룹의 갱신 방법은 다음과 같은 다양한 효과들을 가진다.
첫째, 본 발명에 따른 사용자 추천 그룹의 갱신 방법은 사용자 추천 그룹을 구성하는 추천자들 중 서로 유사한 추천 성향을 가지는 추천자를 통합하고 통합한 추천자를 대신하여 신규 추천자를 사용자 추천 그룹에 추가함으로써, 보다 많은 추천자로부터 다양한 아이템을 추천받을 수 있다.
둘째, 본 발명에 따른 사용자 추천 그룹의 갱신 방법은 매개 중심성이 높은 추천자를 신규 추천자로 선택함으로써, 추천 정확도뿐만 아니라 추천 다양성과 추천 우연성(serendipity)도 고려하여 사용자 추천 그룹을 갱신할 수 있다.
셋째, 본 발명에 따른 사용자 추천 그룹의 갱신 방법은 기존 사용자 추천 그룹을 구성하는 추전자의 친구 또는 친구의 친구의 매개 중심성 또는 추천 가중치에 기초하여 신규 추천자를 선택함으로써, 추천 정확도뿐만 아니라 추천 다양성과 추천 우연성도 보장받을 수 있다.
도 1은 본 발명의 일 실시예에 따른 협업 필터링 기반의 추천 시스템을 설명하기 위한 기능 블록도이다.
도 2는 본 발명의 일 실시예에 따라 추천 서버에서 사용자 추천 그룹을 갱신하는 방법을 설명하기 위한 흐름도이다.
도 3은 본 발명에 따른 사용자 단위로 구성된 사용자 추천 그룹의 일 예를 설명하고 있다.
도 4는 신규 추전자를 사용자 추천 그룹에 추가하여 사용자 추천 그룹을 갱신하는 일 예를 설명하기 위한 도면이다.
도 5는 매개 중심성을 설명하기 위한 도면이다.
도 6은 추천 가중치를 계산하는 일 예를 설명하기 위한 도면이다.
도 7은 본 발명에서 통합 추천자 그룹을 생성하는 방법의 일 예를 설명하기 위한 흐름도이다.
도 8은 본 발명에서 통합 추천 그룹을 생성하는 일 예를 설명하기 위한 도면이다.
이하 첨부한 도면을 참고로 본 발명에 따른 사용자 추천 그룹의 갱신 방법에 대해 살펴본다.
도 1은 본 발명의 일 실시예에 따른 협업 필터링 기반의 추천 시스템을 설명하기 위한 기능 블록도이다.
도 1을 참고로 살펴보면, 협업 필터링 기반의 추천 시스템은 추천 시스템을 이용하는 다수의 사용자로 이루어진 사용자 그룹(10), 사용자에 아이템을 판매하거나 제공하는 아이템 서버(40, 50), 아이템 서버(40, 50)로부터 사용자의 아이템 선택 데이터를 제공받아 협업 필터링 기반으로 사용자에 아이템을 추천하는 추천 서버(30)를 구비하는데, 사용자 그룹(10), 추천 서버(30), 아이템 서버(40, 50)는 유선/무선 네트워크(20)를 통해 서로 접속되어 있다.
여기서 아이템 서버(40, 50)는 사용자에 상품을 판매하는 서버, 사용자에 뉴스, 맛집, 취업정보 등의 컨텐츠를 제공하는 서버, 사용자가 가입하여 활동하는 소셜 네트워크 서버 등이 될 수 있는데, 본 발명이 적용되는 분야에 따라 다양한 종류의 아이템을 사용자에 제공하거나 판매하는 서버를 모두 포함하는 개념이다.
여기서 사용자 그룹(10)을 구성하는 사용자는 유선/무선 네트워크를 통해 추천 서버(30) 또는 아이템 서버(40, 50)에 접속할 수 있는 사용자 단말기를 의미한다.
추천 서버(30)는 사용자 그룹(10)을 구성하는 다수의 사용자 각각에 대해 사용자 단위로 사용자 추천 그룹을 결정하는데, 사용자 추천 그룹은 사용자에 아이템을 추천하는 다수의 추전자로 구성된다. 추천 서버(30)는 사용자에 아이템을 추천할 때마다 사용자 그룹(10)에서 사용자 추천 그룹을 생성하는 것이 아니라, 생성한 사용자 추천 그룹에서 사용자에 아이템을 추천한다. 즉, 추천 서버(30)는 사용자 단위로 사용자 추천 그룹에서 추천자가 구매하거나 제공받은 아이템의 구매 데이터를 아이템 서버(40, 50)로부터 수신하고, 사용자 추천 그룹을 구성하는 추천자의 구매 데이터에 기초하여 추천 아이템 리스트를 생성하여 사용자에 제공한다.
한편, 추천 서버(30)는 사용자 추천 그룹을 구성하는 추천자들이 사용자에 추천하는 아이템을 모니터링하며, 사용자 추천 그룹에서 서로 유사한 아이템을 사용자에 추천하는 추천자가 존재하는 경우 이들을 통합하여 통합 추천자 그룹을 생성한다. 추천 서버(30)는 사용자 추천 그룹을 구성하는 추천자의 친구 또는 친구의 친구들, 즉 추전자의 주변 추천 그룹에서 신규 추천자를 선택하며, 통합 추천자 그룹을 구성하는 통합 추천자 중에서 일부를 신규 추천자로 대체하여 사용자 추천 그룹을 갱신한다.
이와 같이, 추천 서버(30)는 생성된 사용자 추천 그룹에서 사용자에 추천할 아이템을 결정하여 사용자에 아이템을 추천할 때마다 사용자 그룹에서 사용자 추천 그룹을 생성하지 않기 때문에, 사용자 추천 그룹을 생성하는데 소요되는 연산량을 줄일 수 있으며, 사용자 추천 그룹에서 추천 유사도가 높은 통합 추전자들 중 일부를 신규 추천자로 대체함으로써 사용자가 관심 가질 수 있는 다양한 아이템을 추천할 수 있다.
바람직하게, 추천 서버(30)는 사용자 추천 그룹을 구성하는 추천자의 주변 추천 그룹 중 매개 중심성이 높은 추천자를 신규 추천자로 결정함으로써, 사용자 추천 그룹의 추천자를 1) 사용자와 아이템 유사도가 높은 추천자 및 2) 매개 중심성(betweeness centrality)이 높은 추천자들로 조합하여 추천 정확성과 함께 추천 우연성 또는 추천 다양성을 보장받을 수 있도록 사용자 추천 그룹을 갱신할 수 있다.
도 2는 본 발명의 일 실시예에 따라 추천 서버에서 사용자 추천 그룹을 갱신하는 방법을 설명하기 위한 흐름도이다.
도 2를 참고로 살펴보면, 사용자 추천 그룹을 구성한다(S100). 초기 사용자 추천 그룹을 구성하는 추천자는 사용자 그룹에서 임의로 선택하거나 사용자와 주변 사용자의 아이템 구매 데이터에 기초하여 사용자와 아이템 선호도가 유사한 주변 사용자를 사용자 추천 그룹의 추천자로 선택할 수 있다. 초기 사용자 추천 그룹을 구성하는 추천자를 사용자 그룹에서 임의로 선택하는 경우, 사용자에 대한 모든 추천자의 추천 가중치는 서로 동일하다고 가정한다. 한편, 초기 사용자 추천 그룹을 구성하는 추천자를 사용자와 선호도가 유사한 주변 사용자로 선택하는 경우, 사용자에 대한 주변 사용자의 추천 가중치는 사용자와 주변 사용자 사이의 아이템의 유사 선호도 크기로 계산된다. 사용자와 주변 사용자 사이의 유사 선호도는 피어슨 상관계수(Pearson Correlation) 또는 코사인 유사도(cosine similarity)의 방식을 계산될 수 있는데, 이러한 유사 선호도의 계산 방식은 추천 시스템에서 널리 사용되는 기술로 이에 대한 자세한 설명은 생략한다.
사용자 추천 그룹이 결정된 후, 추천 서버는 사용자 추천 그룹을 구성하는 추천자가 선택한 아이템에 기초하여 사용자에 추천 아이템을 제공하는데, 추천 서버는 추천자가 사용자에 제공하는 추천 아이템의 유사 여부를 모니터링하여 사용자 추천 그룹을 구성하는 추천자 사이의 추천 유사도를 계산한다(S200).
여기서 추천 유사도는 사용자 추천 그룹을 구성하는 추천자 사이에서 사용자에게 동일한 아이템을 추천하는 정도를 나타내는 점수를 의미하는 것으로, 추천 유사도는 추천자 사이에서 사용자에 제공한 전체 아이템의 수 중 동일하게 추천한 아이템의 수로 계산될 수 있다. 본 발명이 적용되는 분야에 따라 추천 유사도는 다양한 방식으로 계산될 수 있으며 이는 본 발명의 범위에 속한다. 예를 들어, 추천 유사도는 사용자 추천 그룹을 구성하는 추천자 사이에서 사용자에 추천한 아이템의 전체 수와 동일하게 추천한 아이템의 수의 비율로 계산된다.
본 발명에서 추천 유사도는 사용자가 추천 서버에 접속하여 추천 아이템의 리스트를 요청한 시점에서 사용자에 제공되는 추천 아이템의 유사 여부로 계산되거나, 사용자가 추천 서버에 접속하여 추천 아이템의 리스트를 요청한 후 추천 아이템의 리스트 중 일부 추천 아이템을 선택 후 추천 서버에 접속을 종료한 시점에서 추천 아이템의 유사 여부로 계산된다. 본 발명이 적용되는 분야에 따라 추천 유사도를 계산하는 시점을 상이하게 적용될 수 있으며 이는 본 발명의 범위에 속한다.
사용자 추천 그룹을 구성하는 추천자 사이의 추천 유사도에 기초하여 추천자 사이의 추천 유사도가 임계 유사도 이상인 추천자가 존재하는지 판단하고, 추천 유사도가 임계 유사도 이상인 추천자들로부터 통합 추천자 그룹을 생성한다(S300). 여기서 통합 추천자 그룹은 추천 유사도가 임계 유사도 이상인 2명의 추천인으로 구성되거나, 추천 유사도가 임계 유사도 이상인 3명 이상의 추천인으로 구성된다. 통합 추천자 그룹이 3명 이상의 추천인으로 구성되는 경우, 통합 추천자 그룹을 구성하는 추천인은 서로 순환 연결 구조를 구성하며, 통합 추천자 그룹을 구성하는 모든 추천인 사이의 추천 유사도는 임계 유사도 이상인 것을 특징으로 한다.
통합 추천자 그룹을 구성하는 통합 추천자 중 잔존 통합 추천자를 제외한 나머지 통합 추천자를 선택하고, 선택한 통합 추천자를 대신하여 신규 추천자를 사용자 추천 그룹에 추가하여 사용자 추천 그룹을 갱신한다(S400).
도 3은 본 발명에 따른 사용자 단위로 구성된 사용자 추천 그룹의 일 예를 설명하고 있는데, 도 3을 참고로 살펴보면 사용자 그룹을 구성하는 다수의 사용자들 중에서 추천 서비스를 제공받는 대상의 사용자를 사용자(i)로 언급하고 사용자에 추천 서비스를 제공하는데 필요한 추천 아이템을 제공하는 주변 사용자를 추천자(j)라 언급한다. 사용자 그룹은 사용자 추천 그룹(UN)와 추천자 추천 그룹(RN)으로 구분되는데, 사용자 추천 그룹(UN)은 추천자 추천 그룹(RN)에 존재하는 구성원을 추천자로 포함한다. 예를 들어, 사용자 추천 그룹(UN)에서 추천자(j=1)는 사용자(i)의 추천자이지만, 추천자 추천 그룹(RN1)에서는 추전자(jn=1, 2, 3, 4)의 사용자(j=1)이다.
초기 사용자 추천 그룹은 여러 추천자 추천 그룹(RN)에서 임의로 추천자를 선택하여 구성되거나 사용자와 선호도가 유사한 주변 사용자를 선택하여 구성된다. 추천자 추천 그룹(RN)도 사용자 추천 그룹과 동일하게 추천자의 주변 추전자를 선택하여 추천자 추천 그룹(RN)을 구성할 수 있다.
도 4는 신규 추전자를 사용자 추천 그룹에 추가하여 사용자 추천 그룹을 갱신하는 일 예를 설명하기 위한 도면이다.
도 4를 참고로 살펴보면, 사용자(i)의 사용자 추천 그룹(UN)에는 추천자(j=1, 2, 3, 4, 5)가 존재하는데, 추천자는 추천자 추천 그룹에 존재하는 구성원 중에서 선택된다.
사용자 추천 그룹에서 추천 선호도가 임계 선호도 이상인 추천자들(j=1, 5)가 존재하는 경우, 추천 선호도가 임계 선호도 이상인 추천자들(j=1, 5)을 통합하여 통합 추천자 그룹을 생성한다. 통합 추천자 그룹을 구성하는 통합 추천자들은 사용자에 중복된 아이템을 추천하기 때문에 추천 다양성 또는 추천 우연성의 측면에서 사용자에 대한 추천 기여도가 작다. 따라서 통합 추천자 그룹을 구성하는 통합 추천자 중 일부를 대신하여 신규 추천자로 사용자 추천 그룹을 구성하는 것이 추천 다양성 또는 추천 우연성 측면에서 바람직하다.
본 발명의 일 실시예에서 통합 추천자 그룹을 구성하는 통합 추천자들은 가상의 1명의 추전자로 생성되며, 통합 추천자 그룹을 구성하는 나머지 추천자들은 신규 추천자로 대체될 수 있다.
본 발명의 다른 실시예에서 통합 추천자 그룹을 구성하는 통합 추천자들 중 일부는 사용자 추천 그룹에 잔존하는 잔존 통합 추천자로 선택되고, 잔존 통합 추천자를 제외한 나머지 일부는 제외 통합 추천자로 선택된다. 바람직하게 잔존 통합 추천자는 통합 추천자 그룹을 구성하는 통합 추천자 중 사용자에 대한 추천 가중치가 가장 높은 통합 추천자인 것을 특징으로 한다.
신규 추천자는 사용자 추천 그룹을 구성하는 추천자의 주변 추천 그룹에서 결정되는데, 주변 추천 그룹은 사용자 추천 그룹을 구성하는 추천자의 추천 그룹과 추천자의 추천 그룹을 구성하는 추전자의 추천 그룹인 것을 특징으로 한다. 즉, 주변 추천 그룹은 사용자 추천 그룹을 구성하는 추천자의 추천 그룹(RN1, RN2, RN3, RN4, RN5) 또는 추천자의 추천 그룹(RN1, RN2, RN3, RN4, RN5)을 구성하는 추천자의 추천 그룹(RN6)을 의미한다.
본 발명이 적용되는 범위에 따라 주변 추천 그룹은 추천 그룹(RN6)을 구성하는 추천자의 추천 그룹으로 확장될 수 있는데, 추가 추천자를 결정하는데 소요되는 연산량을 줄이기 위하여 주변 추천 그룹을 사용자 추천 그룹에서 일정 추천 거리 이내에 존재하는 추천 그룹으로 한정할 수 있다. 여기서 추천 거리는 사용자 추천 그룹에 연결되어 있는 추천 그룹의 경로 수를 의미하는데, 예를 들어 사용자 추천 그룹을 구성하는 추천자의 추천 그룹(RN1, RN2, RN3, RN4, RN5)의 추천 거리는 사용자 추천 그룹에 대해 1이며, 추천 그룹(RN1, RN2, RN3, RN4, RN5)을 구성하는 추천자의 추천 그룹(RN6)의 추천 거리는 사용자 추천 그룹에 대해 2이다.
본 발명의 일 실시예에서 신규 추천자는 주변 추천 그룹을 구성하는 추전자의 매개 중심성에 기초하여 매개 중심성이 높은 추천자를 신규 추천자로 결정할 수 있다. 주변 추천 그룹 중 사용자 추천 그룹을 구성하는 추천자의 추천 그룹(RN1, RN2, RN3, RN4, RN5)과 추천 그룹(RN6)을 구성하는 구성원의 매개 중심성을 비교하여 가장 높은 매개 중심성을 가지는 구성원(j=6)을 신규 추천자로 결정한다.
바람직하게, 추천 다양성 또는 추천 우연성과 함께 추천 정확성도 보장하기 위하여 사용자 추천 그룹에서 추천 가중치가 가장 높은 추천자의 추천 그룹을 주변 추천 그룹으로 한정하고, 주변 추천 그룹을 구성하는 구성원 중에서 가장 높은 매개 중심성을 가지는 구성원을 신규 추천자로 결정할 수 있다.
몇 개의 히트 아이템이 엄청난 위력을 발휘했던 시장의 법칙이 바뀌고 꼬리에 있던 틈새 아이템들에 대한 소비자의 요구가 커지고 있다. 매개 중심성은 사용자 추천 그룹에 유사한 성향의 추천자만 존재하여 사용자 추천 그룹이 고립되는 것을 방지하기 위한 것으로 매개 중심성이 높을수록 추천 다양성 또는 추천 우연성을 보장한다.
매개 중심성은 사용자 추천 그룹을 포함한 전체 사용자 그룹의 추천 네트워크에서 사용자와 추전자 사이 또는 추천자 사이에서 추천자의 중계도이며, 중계도는 사용자와 추천자 사이 또는 추천자 사이의 모든 최단 경로 수와 최단 경로 중 해당 추천자가 존재하는 수의 비율로 계산된다.
도 5를 참고로 매개 중심성의 일 예를 살펴보면, 추천자(2)의 매개 중심성은 추천자(2)를 제외한 모든 추천자(1, 3, 4, 5, 6, 7, 8, 9, 10) 사이의 최단 경로의 수를 계산하고, 계산한 최단 경로에서 추천자(2)가 존재하는 최단 경로의 수의 비율로 계산된다.
한편, 본 발명의 다른 실시예에서 신규 추천자는 주변 추천 그룹을 구성하는 추천자 중 사용자에 대한 추천 가중치가 가중 높은 추천자로 결정될 수 있다. 여기서 주변 추천 그룹을 구성하는 추천자(n)의 사용자(i)에 대한 추천 가중치(win)는 아래의 수학식(1)과 같이 계산된다
[수학식 1]
Figure 112014120559012-pat00001
여기서 l은 사용자로부터 추천자까지의 추천 경로의 수를 의미하며, α는 확장 추천 감소 요인으로 0 내지 1의 값을 가진다. 확장 추천 감소 요인의 값이 클수록 추천자의 사용자에 대한 추천 가중치를 크게 하여 추천자가 용이하게 사용자 추천 그룹에 편성될 수 있다. 여기서 w은 추천 가중치를 의미하는데, 추천 가중치는 사용자가 추천 리스트를 요청하는 현재 요청 시점과 이전 요청 시점 사이에서 추천자가 추천한 추천 아이템 중 사용자가 선택한 추천 성공 아이템의 수에 비례하여 증가하며, 현재 요청 시점과 이전 요청 시점 사이에서 사용자 추천 그룹을 구성하는 추천자가 아이템을 추천하지 않는 경우 감소하여 계산된다.
바람직하게, 아래의 수학식(2)와 같이 사용자(i)에 대한 추천자(j)의 추천 가중치(wij)를 계산한다.
[수학식 2]
Figure 112014120559012-pat00002
vij[t]>0인 경우,
Figure 112014120559012-pat00003
otherwise
여기서 vij는 시간 간격[t-1, t] 동안에 사용자(i)가 구매한 추천자(j)의 추천 제품 수이며, γ는 추천 기여 요인으로 0 내지 1의 값을 가지며, β는 추천 감소 요인으로 0 내지 1의 값을 가진다. 초기 추천자의 가중치는 1로 설정될 수 있다.
도 6을 참고로 사용자와 주변 추전자 사이의 추천 가중치의 일 예를 살펴보면, 사용자(i)와 추천자(j=1) 사이의 추천 경로의 수는 1이며 사용자(i)와 주변 추천자(jn=1) 사이의 추천 경로의 수는 2이다. 사용자 추천 그룹을 구성하는 추천자(j=1)의 사용자(i)에 대한 추천 가중치(Wi1)는 0.3이며, 추천자(j=1)가 속해 있는 추천자 추천 그룹(RN1)에서 주변 추천자(jn=1)의 추천자(j=1)에 대한 추천 가중치는 0.4인 경우, 주변 추천자(jn=1)의 사용자(i)에 대한 추천 가중치(Wijn)는 아래의 수학식(3)와 같이 계산된다.
[수학식 3]
Figure 112014120559012-pat00004

도 7은 본 발명에서 통합 추천자 그룹을 생성하는 방법의 일 예를 설명하기 위한 흐름도이다.
도 7을 참고로 보다 구체적으로 살펴보면, 사용자 추천 그룹을 구성하는 추천자들이 사용자에 추천하는 아이템의 추천 유사도와 임계 유사도를 비교하여(S310), 사용자 추천 그룹에서 추천 유사도가 임계 유사도 이상인 추천자를 통합 추천자로 결정한다(S330).
결정한 통합 추천자 중에서 순환 연결 관계를 가지는 통합 추천자가 존재하는지 판단한다(S350). 여기서 순환 연결 관계란 통합 추천자 중 1명이 다른 추천자와 함께 통합 추천자를 구성하여, 통합 추천자 사이에 서로 순환 연결되어 있는 관계를 의미한다. 여기서 순환 연결 관계는 통합 추천자를 구성하는 추천자의 식별자에 기초하여 통합 추천자를 구성하는 1명이 다른 추천자와 함께 통합 추천자를 구성하는지 여부로 판단한다.
통합 추천자 중 순환 연결 관계를 가지는 모든 통합 추천자를 1개의 통합 추천 그룹으로 생성하며, 순환 연결 관계를 가지지 않는 통합 추천자는 통합 추천자만으로 1개의 통합 추천 그룹을 생성한다(S370).
도 8은 본 발명에서 통합 추천 그룹을 생성하는 일 예를 설명하기 위한 도면이다.
먼저, 도 8(a)는 사용자 추천 그룹을 도시하고 있는데 사용자 추천 그룹에는 사용자(i)와 추천자(1, 2, 3, 4, 5, 6, 7, 8)로 구성되어 있다.
도 8(b)는 사용자 추천 그룹에서 추천 유사도가 임계 유사도 이상인 통합 추천자를 도시하고 있다. 예를 들어, 추천자(1-2), 추천자(2-3), 추천자(3-1), 추천자(7-8)가 통합 추천자로 결정된다.
도 8(c)는 결정된 통합 추천자로부터 생성되는 통합 추천자 그룹의 일 예를 도시하고 있는데, 추천자(1-2), 추천자(2-3), 추천자(3-1)는 추천자 식별자에 기초하여 서로 순환 연결 관계를 형성함을 확인할 수 있으며, 따라서 추천자(1-2-3)은 1개의 통합 추천자 그룹(MG1)을 형성한다. 한편, 순환 연결 관계를 형성하지 않는 통합 추천자(7-8)은 통합 추천자(7-8)만으로 1개의 통합 추천자 그룹(MG2)을 형성한다.
생성된 통합 추천자 그룹에서 일부의 통합 추전자는 사용자 추천 그룹에 남겨지는 잔여 통합 추천자이며, 잔여 통합 추천자를 제외한 나머지 통합 추천자는 신규 추천자로 대체되는 제외 통합 추천자인데, 바람직하게 잔여 통합 추천자는 통합 추천자 그룹을 구성하는 통합 추천자 중 사용자에 대한 추천 가중치가 가장 높은 통합 추천자인 것을 특징으로 한다.
한편, 상술한 본 발명의 실시 예들은 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터로 읽을 수 있는 기록 매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다.
상기 컴퓨터로 읽을 수 있는 기록 매체는 마그네틱 저장 매체(예를 들어, 롬, 플로피 디스크, 하드디스크 등), 광학적 판독 매체(예를 들면, 시디롬, 디브이디 등) 및 캐리어 웨이브(예를 들면, 인터넷을 통한 전송)와 같은 저장 매체를 포함한다.
본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 등록청구범위의 기술적 사상에 의해 정해져야 할 것이다.
10: 사용자 그룹 20: 유선/무선 네트워크
30: 추천 서버 40, 50: 아이템 서버

Claims (9)

  1. 추천 서버에서 사용자 추천 그룹을 갱신하는 방법에 있어서,
    상기 사용자 추천 그룹을 구성하는 추천자들이 상기 사용자에 추천하는 아이템의 추천 유사도를 계산하는 단계;
    상기 추천 유사도에 기초하여 상기 추천자 사이의 추천 유사도가 임계 유사도 이상인 추천자로부터 통합 추천자 그룹을 생성하는 단계; 및
    상기 통합 추천자 그룹을 구성하는 통합 추천자 중 잔존 통합 추천자를 제외한 제외 통합 추천자를 신규 추천자로 대체하여 상기 사용자 추천 그룹을 갱신하는 단계를 포함하며,
    상기 추천 유사도는 상기 사용자 추천 그룹을 구성하는 추천자 사이에서 상기 사용자에 추천한 아이템의 전체 수와 동일하게 추천한 아이템의 수의 비율로 계산되며,
    상기 잔존 통합 추천자는 상기 통합 추천자 그룹을 구성하는 통합 추천자 중 상기 사용자에 대한 추천 가중치가 가장 높은 통합 추천자인 것을 특징으로 하는 사용자 추천 그룹의 갱신 방법.
  2. 삭제
  3. 제 1 항에 있어서, 상기 추천 가중치는
    상기 사용자가 추천 리스트를 요청하는 현재 요청 시점과 이전 요청 시점 사이에서 상기 사용자 추천 그룹을 구성하는 추천자의 추천 아이템 중 사용자가 선택한 추천 성공 아이템의 수에 비례하여 증가하며,
    상기 현재 요청 시점과 이전 요청 시점 사이에서 상기 사용자 추천 그룹을 구성하는 추천자가 아이템을 추천하지 않는 경우 감소하는 것을 특징으로 하는 사용자 추천 그룹의 갱신 방법.
  4. 삭제
  5. 제 1 항에 있어서, 상기 통합 추천자 그룹을 생성하는 단계는
    상기 사용자 추천 그룹을 구성하는 추천자들이 상기 사용자에 추천하는 아이템의 추천 유사도가 임계 유사도 이상인 통합 추천자를 검색하는 단계;
    상기 통합 추천자의 식별자에 기초하여 상기 통합 추천자 사이의 순환 연결 관계를 판단하는 단계; 및
    상기 순환 연결 관계에 기초하여 상기 통합 추천자로부터 통합 추천자 그룹을 생성하는 단계를 포함하는 것을 특징으로 하는 사용자 추천 그룹의 갱신 방법.
  6. 제 1 항, 제 3 항 및 제 5 항 중 어느 한 항에 있어서, 상기 신규 추천자는
    상기 사용자 추천 그룹을 구성하는 추천자의 주변 추천 그룹에서 상기 주변 추천 그룹을 구성하는 후보 추전자들의 매개 중심성에 기초하여 결정되는 것을 특징으로 하는 사용자 추천 그룹의 갱신 방법.
  7. 제 6 항에 있어서,
    상기 주변 추천 그룹은 상기 사용자 추천 그룹에서 상기 추천 가중치가 가장 높은 추천자의 추천 그룹인 것을 특징으로 하는 사용자 추천 그룹의 갱신 방법.
  8. 제 6 항에 있어서,
    상기 매개 중심성은 상기 사용자 추천 그룹을 포함한 전체 추천 네트워크에서 사용자와 추전자 사이 또는 추천자 사이에서 추천자의 중계도이며,
    상기 중계도는 상기 사용자와 추천자 사이 또는 추천자 사이의 모든 최단 경로 수와 최단 경로 중 해당 추천자가 존재하는 수에 기초하여 해당 추천자의 중계도가 계산되는 것을 특징으로 하는 사용자 추천 그룹의 갱신 방법.
  9. 제 1 항, 제 3 항 및 제 5 항 중 어느 한 항에 있어서, 상기 신규 추천자는
    상기 사용자 추천 그룹을 구성하는 추천자의 주변 추천 그룹에서 상기 주변 추천 그룹을 구성하는 후보 추전자의 추천 가중치에 기초하여 결정되는 것을 특징으로 하는 사용자 추천 그룹의 갱신 방법.
KR1020140178420A 2014-12-11 2014-12-11 통합 추천자를 이용하여 사용자 추천 그룹을 갱신하는 방법 KR101620597B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020140178420A KR101620597B1 (ko) 2014-12-11 2014-12-11 통합 추천자를 이용하여 사용자 추천 그룹을 갱신하는 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140178420A KR101620597B1 (ko) 2014-12-11 2014-12-11 통합 추천자를 이용하여 사용자 추천 그룹을 갱신하는 방법

Publications (1)

Publication Number Publication Date
KR101620597B1 true KR101620597B1 (ko) 2016-05-16

Family

ID=56109179

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140178420A KR101620597B1 (ko) 2014-12-11 2014-12-11 통합 추천자를 이용하여 사용자 추천 그룹을 갱신하는 방법

Country Status (1)

Country Link
KR (1) KR101620597B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108052639A (zh) * 2017-12-21 2018-05-18 中国联合网络通信集团有限公司 基于运营商数据的行业用户推荐方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108052639A (zh) * 2017-12-21 2018-05-18 中国联合网络通信集团有限公司 基于运营商数据的行业用户推荐方法及装置

Similar Documents

Publication Publication Date Title
JP6480993B2 (ja) ソーシャルネットワーキングシステムでの主張の評価
US9483580B2 (en) Estimation of closeness of topics based on graph analytics
JP5356403B2 (ja) モバイル環境におけるユーザプロファイル更新を用いた短距離通信トランザクション
Yang et al. Bayesian-inference-based recommendation in online social networks
Leskovec et al. The dynamics of viral marketing
US20120185481A1 (en) Method and Apparatus for Executing a Recommendation
JP6545244B2 (ja) 決定装置、決定方法、および決定プログラム
US9864951B1 (en) Randomized latent feature learning
CN106970914B (zh) 一种基于社交电商的好友推荐方法及装置
JP4090320B2 (ja) 配信情報管理方法および情報管理サーバ
US11245649B2 (en) Personalized low latency communication
KR101725510B1 (ko) 사용자 성향을 고려한 소셜 이벤트 추천 방법 및 장치
US20130151348A1 (en) Method and system for building an influence commerce network and use thereof
Al Abri et al. Diversified viral marketing: The power of sharing over multiple online social networks
KR101620597B1 (ko) 통합 추천자를 이용하여 사용자 추천 그룹을 갱신하는 방법
US20150066616A1 (en) Systems, Computer-Implemented Methods, and Non-Transitory Computer-Readable Media for Social Request Routing and Reward Distribution
Ogundele et al. SoCaST: exploiting social, categorical and spatio-temporal preferences for personalized event recommendations
JP2019114306A (ja) 決定装置、決定方法、および決定プログラム
KR101132042B1 (ko) 협업 필터링기반의 추천 시스템에서 사용자 추천 그룹을 결정하는 방법
KR101719328B1 (ko) 매개 중심성에 기반하여 사용자 추천 그룹을 생성하는 방법
JP4962950B2 (ja) ネットワーク上のユーザに対するレコメンデーションの方法、レコメンデーションサーバ及びプログラム
KR101771855B1 (ko) 추천 시스템을 위한 상대적 신뢰도 산출 방법 및 신뢰 기반 아이템 추천 방법
JP2017215647A (ja) 選択装置、選択方法および選択プログラム
KR101719329B1 (ko) 추천 다양성과 정확성을 고려하여 공간 네트워크를 생성하는 방법
JP2021022403A (ja) 情報選択装置、情報選択方法および情報選択プログラム

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: 20190310

Year of fee payment: 4