KR101647364B1 - 사용자 특성정보 및 상호작용 기반의 컨텐츠 추천 시스템，방법 및 그 기록매체 - Google Patents

Abstract

본 발명은 사용자 특성정보 및 상호작용 기반의 컨텐츠 추천 방법에 관한 것으로, 컨텐츠 데이터베이스와 연동하여 컨텐츠 관리서버에서 수행되는 네트워크를 통한 컨텐츠 추천 방법이며, 복수 사용자들의 특성정보에 기초한 복수개의 사용자 그룹을 정의하는 단계; 복수개의 컨텐츠 각각에 대하여 상기 복수 사용자들의 상호작용 데이터에 기하여 상기 사용자 그룹별 스코어를 각각 산출하는 단계; 네트워크를 통하여 컨텐츠 요청신호를 전송한 특정 사용자의 특성정보를 추출하여 상기 사용자 그룹 중 어느 그룹에 속하는지를 판별하는 단계; 상기 스코어에 따라 상기 복수개의 컨텐츠 중 상기 특정 사용자에게 추천할 컨텐츠의 우선 순위를 산출하는 단계; 및 상기 우선 순위에 기초하여 상기 복수개의 컨텐츠 중 하나 이상을 상기 사용자에게 추천하는 단계를 포함한다.

Description

사용자 특성정보 및 상호작용 기반의 컨텐츠 추천 시스템，방법 및 그 기록매체 {System and method for recommending contents based on user characteristics and transactions, and recording media thereof}

본 발명은 사용자 특성정보 및 상호작용 기반의 컨텐츠 추천 시스템, 방법 및 그 기록매체에 관한 것으로, 사용자의 연령, 성별 등 인구통계학적 기준, 특정 가입 카페, SNS, 위치, 관심분야 또는 선호도 등 사용자의 특성정보와 해당 컨텐츠에 대한 사용자의 상호작용에 대한 데이터를 기초로 하여 그에 적합한 컨텐츠를 추천해 주기 위한 시스템, 방법 및 그 기록매체에 관한 것이다.

네트워크를 통한 웹 페이지 상으로 제공되는 웹 모금함(가령, 출원인 제공 '해피빈 서비스')을 통해 다양한 특정 목적 달성을 위한 모금 내지 기부 등 활동이 네트워크를 통하여 용이하게 이루어질 수 있어 여론형성 및 사회적 부조가 촉진되는 유익한 효과가 있다. 그러나 현재는 수작업에 의해 전체 생성되는 모금함을 검수하여 유의미한 모금함을 웹 페이지의 추천 모금함 영역에 나타내는 방식을 채용하고 있어 매우 번거로울 뿐 아니라 해당 사용자의 성향에 부합하는 적합한 웹 모금함을 추천하지 못하는 경우가 많다는 한계가 있다.

경우에 따라서는 특정 테마 별로 페이지를 분류하여 그에 해당하는 모금함을 사용자의 화면에 출력하기도 하는데, 이 역시도 테마 별 단순 나열에 불과하여 각 사용자의 관심사나 선호 테마 등을 반영하지 못하는 한계가 있다.

이러한 종래기술의 방식에서는 사용자의 성향 별로 최적화된 웹 모금함을 보여주지 못한다는 문제뿐만 아니라, 재해시의 긴급 모금과 같은 사회적 이슈를 반영한 신속한 대응이 어려운 문제가 있으며, 특히, 신규 생성된 모금함에 대하여 높은 우선순위로 전면에 노출될 기회를 부여하기 곤란한 문제가 있다.

예컨대, 특정 모금함의 경우, 페이스 북 등의 SNS 사용자들이 자발적으로 바이럴(Viral)하여 모금 액과 방문자 수가 폭발적으로 증가하는 성과를 거두기도 하였으나, 이러한 사용자들의 활동 내지 웹 모금함에 대한 상호작용이 웹 상의 모금함 순위로는 즉각 반영되지 못하였고, 일반 웹 사용자들은 제1페이지의 추천 모금함에 대해서만 주목하는 경향이 있어, 일반 웹 사용자들의 관심이나 후속 기부행위 등으로 이어지지 못하게 된 사례도 존재한다.

이에 따라, 웹 모금함 등의 컨텐츠를 사용자의 특성정보 및 해당 컨텐츠와의 상호작용을 기초로 하여 수시로 자동 추천하고, 신규 컨텐츠의 경우에도 적합한 노출이 이루어질 수 있도록 하는 방안이 필요한 실정이며, 이러한 문제점은 웹 모금함의 경우뿐 아니라 네트워크를 통한 컨텐츠 추천을 필요로 하는 경우에 공통되는 문제가 될 수 있다.

따라서, 본 발명은 상술한 문제점을 해결하기 위한 것으로서, 복수의 사용자 그룹을 대상으로 하여 복수개의 컨텐츠 중 적합한 것을 복수 사용자들의 각 컨텐츠에 대한 상호작용에 기반한 사용자 그룹별 스코어와 해당 사용자가 속하는 사용자 그룹에 기초한 우선 순위를 기초로 하여 제공함으로써, 해당 사용자에게 보다 적합도가 높은 컨텐츠의 추천이 가능하도록 하는 방안을 제공하기 위한 것이다.

또한, 본 발명은 복수 사용자들의 상호작용을 지속적으로 반영하고 스코어링하는 학습 내지 반복(iteration)을 통해 수시로 컨텐츠의 자동 평가 및 순위조정이 이루어지도록 함으로써, 보다 각각의 웹 사용자에게 적합도가 높은 컨텐츠의 추천이 이루어지게 되어 열람 내지 구매활동 등이 촉진될 수 있고, 궁극적으로 우수한 컨텐츠의 활용 및 유통이 촉진될 수 있도록 하기 위한 것이다.

또한, 본 발명은 각 구간별 특성을 반영한 효율적인 사용자 그룹의 설정 방안을 제시하여 보다 각 사용자들의 특성에 적합한 컨텐츠의 추천이 이루어질 수 있도록 하기 위한 것이다.

또한, 본 발명은 다양한 상호작용 요소에 대한 가중치를 설정함으로써 사용자 그룹의 특성 및 개별 컨텐츠의 특성에 보다 적합한 컨텐츠의 추천이 이루어질 수 있도록 하기 위한 것이다.

또한, 본 발명은 사용자들의 컨텐츠 적합도 판단 시 개별 컨텐츠보다 컨텐츠의 테마(또는 카테고리)를 중시한다는 점에 착안하여, 보다 사용자의 의도에 맞는 컨텐츠의 추천이 이루어질 수 있도록 하기 위한 것이다.

또한, 본 발명은 특성정보를 파악하기 곤란한 사용자들이나 상호작용 데이터가 누적되기 전의 신규 컨텐츠의 경우에도 각 사용자들의 특성에 적합한 컨텐츠의 추천이 이루어질 수 있도록 하기 위한 것이다.

또한, 본 발명은 사용자의 상호작용 데이터를 기초로 한 유사도 판단 방안을 제공하여 특성정보를 파악하기 곤란한 사용자들이나 상호작용 데이터가 누적되기 전의 신규 컨텐츠의 경우에도 각 사용자들의 특성에 적합한 컨텐츠의 추천이 이루어질 수 있도록 하기 위한 것이다.

또한, 본 발명은, 특히, 웹 모금의 경우에 사용자의 특성 내지 선호와 사회적 이슈 등을 즉각적으로 반영하여 사용자의 참여를 유도하고 사회적 부조 등 각 모금함의 특정 목적을 달성할 수 있도록 하기 위한 것이다.

상기 목적 외에 본 발명의 다른 목적 및 특징들은 첨부 도면을 참조한 실시형태에 관한 설명을 통하여 명백히 드러나게 될 것이다.

상술한 기술적 과제의 해결을 위한 본 발명의 특징을 요약하면, 본 발명의 한 특징에 의한, 컨텐츠 데이터베이스와 연동하여 컨텐츠 관리서버에서 수행되는 네트워크를 통한 컨텐츠 추천방법은, 복수 사용자들의 특성정보에 기초한 복수개의 사용자 그룹을 정의하는 단계; 복수개의 컨텐츠 각각에 대하여 상기 복수 사용자들의 상호작용 데이터에 기하여 상기 사용자 그룹별 스코어를 각각 산출하는 단계; 네트워크를 통하여 컨텐츠 요청신호를 전송한 특정 사용자의 특성정보를 추출하여 상기 사용자 그룹 중 어느 그룹에 속하는지를 판별하는 단계; 상기 스코어에 따라 상기 복수개의 컨텐츠 중 상기 특정 사용자에게 추천할 컨텐츠의 우선 순위를 산출하는 단계; 및 상기 우선 순위에 기초하여 상기 복수개의 컨텐츠 중 하나 이상을 상기 사용자에게 추천하는 단계를 포함한다.

여기서, 상기 사용자 그룹 정의 단계는, n개(n은 1 이상)의 특성정보가 사용되고 각각의 특성정보가 m(n)개의 구별구간[m(1)부터 m(n), 각각은 1 이상]으로 이루어져 있는 경우,

의 관계에 기초하여 사용자 그룹을 정의하는 단계를 포함할 수 있다.

또한, 상기 사용자 그룹별 스코어 산출 단계는, 상기 복수개의 컨텐츠 각각에 대한 상기 각 사용자 그룹에 속하는 사용자들의 상호작용을 포함하는 로그 데이터에 기초하고, 상기 사용자들의 클릭-대비-노출비율(CTR), 클릭-대비-전환비율(CVR) 및 바이럴비율(VTR) 중 적어도 하나 이상의 상호작용요소에 기초하는 것일 수 있다.

또한, 상기 상호작용요소는 두 개 이상이며, 스코어 산출에 있어서 그 각각에는 가중치(weight)가 부여되는 것일 수 있다.

또한, 상기 가중치는 상기 복수개의 컨텐츠 각각에 대하여 별도로 결정될 수 있다.

또한, 상기 스코어는 누적된 상기 사용자들의 상호작용을 반영하여 고정 또는 가변 주기로 갱신되는 것일 수 있다.

또한, 상기 복수개의 컨텐츠에 포함되는 각 컨텐츠의 유형을 기준으로 한 복수개의 컨텐츠 그룹을 정의하는 단계를 더 포함하며; 상기 컨텐츠 추천 단계는 상기 복수개의 컨텐츠 그룹 중 선택된 하나 이상의 컨텐츠 그룹에 해당하는 컨텐츠들만을 상기 사용자에게 추천하는 단계를 포함할 수 있다.

또한, 신규 컨텐츠의 스코어 결정에 필요한 상기 사용자들의 상호작용이 누적되기 이전에는, 상기 신규 컨텐츠에 대해서 상기 스코어의 초기치를 부여하는 단계를 더 포함하도록 할 수 있다.

또한, 신규 컨텐츠의 스코어 결정에 필요한 상기 사용자들의 상호작용이 누적되기 이전에는, 상기 복수 사용자들 중 상기 특정 사용자와 높은 상호작용 데이터 유사도를 갖는 타 사용자에게 상기 신규 컨텐츠가 추천되었는지를 판별하여, 상기 특정 사용자에게도 상기 신규 컨텐츠를 추천하는 단계를 더 포함할 수 있다.

또한, 신규 컨텐츠의 스코어 결정에 필요한 상기 사용자들의 상호작용이 누적되기 이전에는, 상기 특정 사용자가 상기 신규 컨텐츠의 유형을 기준으로 한 컨텐츠 그룹에 대해 높은 상호작용을 갖는 사용자인지를 판별하여, 상기 특정 사용자에게도 상기 신규 컨텐츠를 추천하는 단계를 더 포함할 수 있다.

또한, 상기 사용자 그룹 정의 단계는 복수 사용자들 중 특성정보가 추출되지 않는 사용자들을 별도 사용자 그룹으로 정의하는 단계를 포함할 수 있다.

또한, 상기 특정 사용자의 특성정보가 추출되지 않는 경우에 상기 복수 사용자들 중 상기 특정 사용자와 높은 상호작용 데이터 유사도를 갖는 타 사용자가 속하는 사용자 그룹에 상기 특정 사용자도 속하는 것으로 간주하여 처리할 수 있다.

또한, 상기 사용자 그룹 정의 단계는, 상기 각 사용자들의 특성정보에 대한 상기 복수개의 컨텐츠의 스코어 분포를 기초로 하여 상기 사용자 그룹을 더 세분 또는 병합하는 단계를 더 포함할 수 있다.

본 발명의 또 다른 한 특징에 의한, 컨텐츠 데이터베이스와 연동하여 컨텐츠 관리서버에서 수행되는 네트워크를 통한 컨텐츠 추천방법은, 복수개의 컨텐츠에 대한 복수 사용자들의 상호작용 데이터를 각각 집계하는 단계; 상기 집계된 상기 사용자들의 상호작용 데이터를 기초로 하여 상기 복수 사용자들 중 제1사용자와 다른 사용자들 사이의 상호작용 데이터 유사도를 각각 결정하는 단계; 및 상기 다른 사용자들 중 상기 제1사용자와의 관계에서 높은 상호작용 데이터 유사도를 갖는 제2 사용자를 추출하는 단계; 및 상기 제2사용자가 상호작용을 갖는 상기 복수개의 컨텐츠 중 하나 이상의 컨텐츠를 상기 제1사용자에게 추천하는 단계를 포함한다.

또한, 상기 상호작용 데이터 집계 단계는, 상기 복수 사용자들의 상호작용 데이터를 정규화하는 단계를 더 포함할 수 있다.

또한, 상기 상호작용 데이터 유사도 결정 단계는, 제1컨텐츠에 대한 상기 제1사용자의 상호작용 데이터와 제2사용자의 상호작용 데이터를 곱하는 단계; 제2컨텐츠에 대한 상기 제1사용자의 상호작용 데이터와 제2사용자의 상호작용 데이터를 곱하는 단계; 및 상기 제1컨텐츠에 대한 곱과 상기 제2 컨텐츠에 대한 곱의 결과를 합산하는 단계를 더 포함할 수 있다.

또한, 상기 추천하는 단계는, 상기 제2사용자가 상호작용을 갖는 상기 복수개의 컨텐츠 중 상기 제1사용자도 이미 상호작용을 갖는 컨텐츠를 필터링하는 단계를 더 포함할 수 있다.

또한, 상기 추천하는 단계는, 상기 제2사용자가 상호작용을 갖는 상기 복수개의 컨텐츠 중에서 랜덤 추출하여 상기 제1사용자에게 제공하는 단계를 더 포함할 수 있다.

본 발명의 또 다른 특징에 의한 네트워크를 통해 특정 사용자에게 컨텐츠를 추천하는 시스템은, 복수 사용자들의 특성정보 및 복수개의 컨텐츠를 저장하는 데이터베이스; 및 상기 복수 사용자들의 특성정보에 기초한 복수개의 사용자 그룹을 정의하고, 상기 복수개의 컨텐츠 각각에 대하여 상기 복수 사용자들의 상호작용 데이터에 기하여 상기 사용자 그룹별 스코어를 각각 산출하고, 상기 네트워크를 통하여 컨텐츠 요청신호를 전송한 상기 특정 사용자의 특성정보를 추출하여 상기 사용자 그룹 중 어느 그룹에 속하는지를 판별하고, 상기 스코어에 따라 상기 복수개의 컨텐츠 중 상기 특정 사용자에게 추천할 컨텐츠의 우선 순위를 산출하고, 상기 우선 순위에 기초하여 상기 복수개의 컨텐츠 중 하나 이상을 상기 사용자에게 추천하는 컨텐츠 관리 서버를 포함한다.

본 발명의 또 다른 특징에 의한 네트워크를 통해 특정 사용자에게 컨텐츠를 추천하는 시스템은, 복수 사용자들의 특성정보 및 복수개의 컨텐츠를 저장하는 데이터베이스; 및 복수개의 컨텐츠에 대한 복수 사용자들의 상호작용 데이터를 각각 집계하고, 상기 집계된 상기 사용자들의 상호작용 데이터를 기초로 하여 상기 복수 사용자들 중 제1사용자와 다른 사용자들 사이의 상호작용 데이터 유사도를 각각 결정하고, 상기 다른 사용자들 중 상기 제1사용자와의 관계에서 높은 상호작용 데이터 유사도를 갖는 제2 사용자를 추출하고, 상기 제2사용자가 상호작용을 갖는 상기 복수개의 컨텐츠 중 하나 이상의 컨텐츠를 상기 제1사용자에게 추천하는 컨텐츠 관리 서버를 포함한다.

본 발명에 의하여, 복수의 사용자 그룹을 대상으로 하여 복수개의 컨텐츠 중 적합한 것을 복수 사용자들의 각 컨텐츠에 대한 상호작용에 기반한 사용자 그룹별 스코어와 해당 사용자가 속하는 사용자 그룹에 기초한 우선 순위를 기초로 하여 제공함으로써, 해당 사용자에게 보다 적합도가 높은 컨텐츠의 추천이 가능하도록 하는 방안이 제공된다.

또한, 본 발명에 의하여, 복수 사용자들의 상호작용을 지속적으로 반영하고 스코어링하는 학습 내지 반복(iteration)을 통해 수시로 컨텐츠의 자동 평가 및 순위조정이 이루어지도록 함으로써, 보다 각각의 웹 사용자에게 적합도가 높은 컨텐츠의 추천이 이루어지게 되어 열람 내지 구매활동 등이 촉진될 수 있고, 궁극적으로 우수한 컨텐츠의 활용 및 유통이 촉진될 수 있다.

또한, 본 발명에 의하여, 각 구간별 특성을 반영한 효율적인 사용자 그룹의 설정 방안을 제시하여 보다 각 사용자들의 특성에 적합한 컨텐츠의 추천이 이루어질 수 있다.

또한, 본 발명에 의하여, 다양한 상호작용 요소에 대한 가중치를 설정함으로써 사용자 그룹의 특성 및 개별 컨텐츠의 특성에 보다 적합한 컨텐츠의 추천이 이루어질 수 있다.

또한, 본 발명은 사용자들의 컨텐츠 적합도 판단 시 개별 컨텐츠보다 컨텐츠의 테마(또는 카테고리)를 중시한다는 점을 활용하여 보다 사용자의 의도에 맞는 컨텐츠의 추천이 이루어질 수 있도록 한다.

또한, 본 발명은 특성정보를 파악하기 곤란한 사용자들이나 상호작용 데이터가 누적되기 전의 신규 컨텐츠의 경우에도 각 사용자들의 특성에 적합한 컨텐츠의 추천이 이루어질 수 있도록 한다.

또한, 본 발명은 사용자의 상호작용 데이터를 기초로 한 유사도 판단 방안을 제공하여 특성정보를 파악하기 곤란한 사용자들이나 상호작용 데이터가 누적되기 전의 신규 컨텐츠의 경우에도 각 사용자들의 특성에 적합한 컨텐츠의 추천이 이루어질 수 있도록 한다.

또한, 본 발명은, 특히, 웹 모금함의 경우에 사용자의 특성 내지 선호와 사회적 이슈 등을 즉각적으로 반영하여 사용자의 참여를 유도하고 사회적 부조 등 각 모금함의 특정 목적을 달성할 수 있도록 한다.

도 1은 본 발명의 한 실시예에 따른 컨텐츠 추천 시스템을 설명하기 위한 도면이다.
도 2는 컨텐츠 관리서버(20)에서 수행되는 네트워크를 통한 컨텐츠 추천 방법의 일례를 나타내는 도면이다.
도 3은 사용자 그룹에 따른 각 컨텐츠의 스코어 산출 결과를 예시적으로 설명하기 위한 도면이다.
도 4는 사용자 그룹에 따른 각 컨텐츠의 스코어 산출 결과를 예시적으로 설명하기 위한 도면으로서 컨텐츠 그룹(테마)이 부가된 경우를 나타낸다.
도 5는 각 사용자 그룹을 각 컨텐츠에 대한 스코어 값의 분포를 기초로 하여 세분한 경우를 예시하는 도면이다.
도 6은 웹 모금함의 예로써 일부 모금함이 추천 웹 모금함 페이지에서 사용자에게 제공되는 경우를 예시한다.
도 7은 본 발명의 상호작용 데이터 유사성을 바탕으로 한 컨텐츠 추천 방법의 한 실시예를 설명하기 위한 도면이다.
도 8a 내지 도 8k는 본 발명의 상호작용 데이터 유사성을 바탕으로 한 컨텐츠 추천 방법을 적용한 처리 과정을 예시적으로 설명하기 위한 도면이다.

이하, 첨부 도면들 및 첨부 도면들에 기재된 내용들을 참조하여 본 발명의 바람직한 실시예를 상세하게 설명하지만, 본 발명의 기술사상이 실시예들에 의해 제한되거나 한정되는 것은 아니다.

도 1은 본 발명의 한 실시예에 따른 컨텐츠 추천 시스템을 설명하기 위한 도면이다. 본 발명의 컨텐츠 추천 시스템은 컨텐츠를 웹 페이지를 통해 추천 및 제공하기 위한 웹 서버(10), 특정 사용자에 적합한 추천 컨텐츠를 선정하기 위한 프로세스를 진행하는 컨텐츠 관리서버(20), 사용자들의 특성정보와 컨텐츠들을 저장하고 관리하는 컨텐츠 데이터베이스(30)를 포함한다.

컨텐츠 추천 시스템은 네트워크(40)를 통해 PC 등 사용자 단말(U1 내지 Un) 들에 대하여 각 사용자들의 특성정보를 기초로 하여 컨텐츠를 추천 내지 제공한다.

여기서, '컨텐츠'는 웹 모금함과 같은 복합형 컨텐츠나, 인터넷 게시물 등의 웹 문서, 소정 애플리케이션(일례로, 스마트 폰 실행 가능한 앱), 음악, 영상, 동영상, 기타 파일 등일 수 있으며, 네트워크를 통해 사용자들에게 열람 또는 배포될 수 있는 일체의 것을 말한다.

사용자 단말은 3G(WCDMA)/4G(LTE) 등 이동통신 네트워크, 유무선 인터넷 등의 통신망을 통해 인터넷에 접속할 수 있는 노트북 PC, 데스크 탑 PC, 태블릿 PC 등일 수 있고, 이외에도 스마트 폰, 스마트 패드, PDA, PMP 등 통신망을 통해 네트워크에 접속할 수 있는 모든 종류의 전자 장치를 의미한다.

이하에서는 컨텐츠가 웹 모금함인 경우를 일례로 설명하나, 이는 설명의 편의를 위한 것일 뿐 본 발명의 기술사상을 제한하고자 하는 의도가 아니다.

웹 모금함이란 네트워크를 통하여 특정 목적의 모금함을 사용자들이 쉽게 열람할 수 있도록 하고, 특정 목적에 공감하는 사용자들이 쉽게 기부 등의 행위를 할 수 있도록 하기 위한 것을 말한다. 도 6은 웹 모금함의 추천을 위해 사용자에게 제공되는 웹 페이지(50)의 일례를 나타낸다.

다른 컨텐츠의 경우와 마찬가지로 웹 모금함의 경우에도 수많은 목적 및 단체에 의한 복수개의 웹 모금함이 정의될 수 있으며, 사용자의 입장에서 그 수많은 웹 모금함의 내용을 일일이 열람하여 자신이 공감할 수 있는 것을 찾아내기란 번거로운 일이므로, 예시된 추천 웹 모금함 페이지에서는 특정 사용자에게 적합한 웹 모금함을 자동으로 추천할 수 있는 효율적인 방법을 구축하는 것이 바람직하다. 가령, 웹 모금함이 M1부터 M20까지 20개가 구비되어 있는 경우, 도 6과 같은 추천 웹 모금함 페이지(50)에서는 그 중 6개(예시에서는 M13, M2, M6, M8, M17, M7)만을 사용자에게 나타내도록 구성될 수 있으며, 중첩된 후속 페이지들의 선택에 의해 나머지의 것들을 볼 수 있도록 구성하는 것이 가능하다. 도 6의 예시에서는 6개의 웹 모금함이 최상위 페이지에 선정되어 있는데 최상위 페이지는 사용자의 열람 가능성이 매우 높기 때문에 이러한 웹 모금함을 등록의 순서 등에 의해 기계적으로 순차 제공되도록 하는 것보다는 특정 사용자에게 적합한 것을 자동 선정하여 표시되도록 하는 것이 바람직하다.

도 1의 컨텐츠 관리서버(20)는 웹 서버(10)를 통해 특정 사용자에게 적합한 컨텐츠(웹 모금함 포함)를 추천하기 위하여 이하에서 설명될 처리를 수행한다. 도 1의 컨텐츠 DB(30)는 상호작용 DB(도시하지 않음)를 포함할 수 있는데, 본 실시예에서는 특정 사용자와 특정 모금함의 매칭을 위해서 기존의 사용자들과 모금함 컨텐츠의 상호작용(interaction) 데이터베이스를 활용한다. 상호작용 데이터베이스(DB)란 특정 컨텐츠에 대한 사용자들의 클릭, 열람, 기부 내지 구매 등의 트랜잭션, 바이럴 등의 네트워크를 통한 소정 행위를 예컨대 로그 등의 데이터를 통해 집계한 데이터베이스를 의미한다.

도 2는 컨텐츠 관리서버(20)에서 수행되는 네트워크를 통한 컨텐츠 추천 방법의 일례를 나타내는 도면이다.

도 2에 나타낸 바와 같이, 복수 사용자들의 특성정보에 기초한 복수개의 사용자 그룹을 정의하는 단계(A10)가 수행되는데, 여기서 사용자들의 특성정보는, 예컨대, 사용자의 성별, 연령, 취미, 관심분야, 거주지역, 출신지역, 접속지역 등의 정보나 또는 해당 사용자의 네트워크를 통한 활동 내역(자주 접속하는 사이트, 가입한 카페, 클럽, IP주소를 통해 파악되는 위치, 자원봉사 내역, 구매내역, 바이럴 내역 등) 등이 될 수 있다. 위 특성정보 중 하나 이상이 사용자 그룹 정의를 위해 사용될 수 있는데, n개(n은 1 이상)의 특성정보가 사용되고 각각의 특성정보가 m(n)개의 구별구간[m(1)부터 m(n), 각각은 1이상]으로 이루어져 있는 경우 예컨대 사용자 그룹의 수는 다음과 같이 정의될 수 있다. 여기서, n=1인 경우는 하나의 특성정보(예컨대, 성별)만이 사용되는 경우를 말한다.

도 3은 사용자 그룹에 따른 각 컨텐츠의 스코어 산출 결과를 예시적으로 설명하기 위한 도면이다. 여기서, 스코어란 각 사용자 그룹에 포함되는 사용자들의 대상 컨텐츠에 대한 네트워크를 통한 상호작용의 빈도 내지 정도를 평가한 결과로서 서로 상대적 비교가 가능하도록 하는 수치 내지 등급 등의 각종 데이터를 말한다. 예컨대, 도 3의 스코어 산출 결과는 '성별'이라는 특성정보(110)는 남성과 여성이라는 2개의 구별구간을 가지며, '연령'이라는 특성정보(120)는 10대, 20대, 30대, 40대, 50대 이상이라는 5개의 구별구간을 갖도록 정의할 수 있다. 이때 사용자 그룹은 총 2 X 5 =10개 그룹이 된다. 도 3에 나타낸 각 컨텐츠들은 각 사용자 그룹(세그먼트) 별로 다른 스코어를 갖게 된다. 가령, 웹 모금함의 경우, M1은 10대 남성이 상호작용한 모금함 중에서 가장 높은 스코어를 차지하여 상위에 노출될 수 있는 반면, 30대 남성에 대해서는 스코어가 낮기 때문에 순위 밖으로 밀려서 맨 앞 페이지의 추천 모금함 9개에는 노출이 되지 못할 수 있다.

해당 컨텐츠에 상호작용을 수행한 이력은 있으나 사용자 특성정보를 알 수 없는 경우가 있을 수 있는데, 예컨대 특정 사이트에 회원으로 가입하지 않았거나 또는 운영자에 대한 개인정보의 제공을 제한한 경우가 그에 해당할 수 있다. 이러한 사용자들의 그룹에 대해서는 '식별불가'(140)라는 별도 사용자 그룹을 할당하여 별도의 스코어를 부여할 수 있다(도 3 및 도 4 참조).

또한, 특정 사용자의 특성정보가 추출되지 않는 경우에 복수 사용자들 중 그 특정 사용자와 높은 상호작용 데이터 유사도를 갖는 타 사용자가 속하는 사용자 그룹에 그 특정 사용자도 속하는 것으로 간주하여 처리할 수 있다. 예컨대, 웹 모금함의 경우 사용자의 상호작용 데이터 중 '기부' 행위를 기준으로 하여 유사도를 판별할 수 있는데, 가령, A, B 두 사용자는 특성정보는 알려져 있는데, C 사용자의 특성정보는 알 수 없는 경우에 C 사용자와 타 사용자들 간의 '기부' 행위에 대한 상호작용 데이터의 유사도를 구하여, A 와 B 사용자 중 높은 유사도를 갖는 사용자의 특성정보 데이터를 C 사용자에게도 적용하는 방식을 말한다. 상호작용 데이터 간의 유사도를 판단하는 방법에 대해서는 후술한다.

또한, 상술한 사용자 그룹 정의 단계에서는, 각 사용자들의 특성정보에 대한 복수개의 컨텐츠의 스코어 분포를 기초로 하여 사용자 그룹을 더 세분 또는 병합하는 단계를 더 포함할 수 있다. 즉, 도 3에 도시된 바와 같이, 사용자 그룹을 인구통계학적 기준을 적용하여 고정 구간으로 나눌 수도 있으나, 특정 연령의 그룹에서는 더 세분하는 것이 효과적일 수 있는데, 예컨대, 도 5에 나타낸 바와 같이 10대의 그룹(120)에 속하는 각 사용자들 중 각 컨텐츠에 대한 스코어 값의 분포가 확연히 구분되는 경우 이를 반영하여 10대 초반과 10대 후반의 두 개 그룹(150)으로 분할할 수 있다.

또한, 도 2 및 도 3에 나타낸 바와 같이 복수개의 컨텐츠 각각에 대하여 사용자 그룹별 스코어를 각각 산출하는 단계(A20)가 수행되는데, 도 3에서는 각각의 웹 모금함(M1 내지 M6)에 대하여 각 사용자 그룹별로 스코어(S1 내지 S60, SA52 내지 SA57)가 부여되어 있는 상태가 예시된다.

여기서 사용자의 수가 많지 않은 경우는 각 사용자 그룹은 1인의 사용자로 구성될 수도 있다. 이 경우는 결국 각 사용자에 대한 컨텐츠 별 스코어를 부여하는 형태가 된다.

스코어의 산출을 위해서는 상술한 복수개의 컨텐츠 각각에 대한 각 사용자 그룹에 속하는 사용자들의 상호작용을 포함하는 로그 데이터 등에 기초할 수 있는데, 이러한 데이터는 상술한 상호작용 DB에 저장 및 갱신 등 관리되며, 가령, 사용자들의 클릭-대비-노출비율(CTR), 클릭-대비-전환비율(CVR) 및 바이럴비율(VTR) 중 적어도 하나 이상의 상호작용요소를 이용할 수 있다. 보다 상세히 살펴보면 다음과 같다.

1. CTR(Click-Through Rate): 클릭-대비-노출의 비율을 의미한다. 이는 컨텐츠의 특성에 따라 정할 수 있는데, 가령, 모금함의 경우 해당 모금함이 다른 모금함과 함께 화면에 표시되는 것만으로는 의미가 없으므로 해당 화면 중에서 특정 모금함을 클릭함으로써 그 모금함의 세부 정보가 화면에 나타나는 경우만을 유의미한 노출로 정의할 수 있다.

2. CVR(Conversion Rate): 사용자의 클릭대비 전환 횟수의 비율을 의미한다. 모금함의 경우 전환이란 사용자의 기부 행위를 나타내도록 정할 수 있다.

3. VTR(Viral-Through Rate): 사용자의 클릭대비 해당 모금함이 바이럴 된 비율을 의미한다. 예를 들어, 플러그인 기능을 통해서 트위터나 페이스북 등의 소셜(social) 채널로 바이럴 된 비율이 포함될 수 있다.

4. 가중치: 스코어 결정에 복수개의 상호작용요소를 활용하는 경우에는 각각의 요소들에 대한 가중치를 정할 수 있는데, 예컨대, (가중치1) X CTR X (가중치2) X CVR X (가중치 3) X VTR 과 같이 정할 수 있다. 이는 모금함의 특성에 따라 각각의 요소들의 중요도가 달라질 수 있기 때문이다(가령, 소셜 기부 프로모션이 중요한 모금함의 경우 VTR의 가중치를 높게 설정). 따라서, 가중치는 복수개의 컨텐츠 각각에 대하여 별도로 결정될 수 있다.

도 3에 예시된 스코어 데이터는 누적된 사용자들의 상호작용을 일정 주기, 불특정 주기 또는 실시간으로 계속 반영하여 갱신될 수 있는데, 각각의 컨텐츠에 대한 사용자들의 상호작용이 누적 반영될수록 컨텐츠 추천에 있어서 통계적으로 의미있는 데이터를 얻을 수 있게 되며, 이러한 갱신과정을 통해 컨텐츠 추천서버에 대한 지속적인 학습이 이루어지게 된다.

필요에 따라서는 복수개의 컨텐츠에 포함되는 각 컨텐츠의 유형을 기준으로 한 복수개의 컨텐츠 그룹을 정의할 수 있다. 도 4에서는 도 3에 나타낸 스코어 데이터에 컨텐츠 그룹 항목(250)(예컨대, 컨텐츠의 테마 별로 그룹을 정의)이 추가된 스코어 데이터를 예시한다. 이때, 가령 10대 남성인 사용자 그룹에 속하는 특정 사용자에게 컨텐츠를 추천하여야 할 경우, 테마 별로 필터링하여 해당 사용자가 관심이 있거나 또는 허용되는 컨텐츠 그룹에 해당하는 컨텐츠들만을 추천하도록 할 수 있다. 예컨대, 웹 모금함의 경우 다른 테마의 것들은 OFF되고 '동물보호'나 '노인복지' 등 특정 테마에 속하는 웹 모금함만이 추천되도록 할 수 있다.

이와 같이 본 발명에서는 기본적으로 각 컨텐츠의 스코어링을 위해서 각 사용자들의 해당 컨텐츠에 대한 상호작용 데이터를 이용하게 되는데, 신규 컨텐츠의 경우 충분한 상호작용 데이터가 누적되어 있지 않아 컨텐츠의 스코어 산정이 곤란한 문제점이 있다. 이러한 문제점을 해결하기 위한 방안으로는, (i) 신규 컨텐츠에 대해서 소정의 초기치를 부여하여 상위 랭크 노출의 기회를 부여함으로써 상호작용에 의한 사용자의 평가를 누적시키는 방안이 사용될 수 있으며(예컨대, 1페이지에 출력되는 9개 컨텐츠의 평균값을 부여하거나 보다 상위에 노출될 기회를 부여하기 위하여 가중치를 부여하는 등), 이와 같이 하여 일정 기간 동안 사용자의 평가가 누적되면 그에 기한 상호작용 데이터를 기초로 스코어가 결정되게 되므로 지속적 노출되거나 후 순위로 밀리게 된다.

또한, 신규 컨텐츠 스코어 결정에 필요한 사용자들의 상호작용이 누적되기 이전에는, (ii) 복수 사용자들 중 컨텐츠를 추천할 특정 사용자와 높은 상호작용 데이터 유사도를 갖는 타 사용자에게 그 신규 컨텐츠가 추천되었는지를 판별하여, 그 특정 사용자에게도 그 신규 컨텐츠를 추천하도록 할 수 있다. 상호작용 데이터 유사도의 결정 방식에 관해서는 후술한다. 가령, 웹 모금함의 경우 신규 모금함 M2를 생성하였는데 기부자 A의 경우에는 M1과 M2에 기부를 하였고 B의 경우에는 M1에 기부를 하였다면, A와 B가 서로 높은 상호작용 데이터 유사도를 갖는 사용자로 판단되면 B에 대해서도 신규 생성된 M2를 추천하는 방식으로써, 일괄적으로 초기치를 부여하는 위의 방안보다는 보다 그 특정 사용자에게 관련도가 높은 적합한 컨텐츠의 추천이 이루어질 수 있게 된다. 이와 같이 하여 일정 기간 동안 사용자의 평가가 누적되면 그에 기한 상호작용 데이터를 기초로 스코어가 결정되게 되므로 지속적 노출되거나 후 순위로 밀리게 된다.

나아가, 신규 컨텐츠의 스코어 결정에 필요한 사용자들의 상호작용이 누적되기 이전에는, (iii) 컨텐츠를 추천할 특정 사용자가 신규 컨텐츠의 유형을 기준으로 한 컨텐츠 그룹에 대해 높은 상호작용을 갖는 사용자인지를 판별하여, 그 특정 사용자에게도 그 신규 컨텐츠를 추천하도록 할 수도 있다. 가령, 도 8a 내지 도 8k에 나타낸 바와 같이 웹 모금함의 경우 특정 기부자는 특정 카테고리(또는 컨텐츠 그룹)에 대한 기부를 선호하는 경향이 있다. 따라서 사전에 선호도가 판별된 특정 사용자의 기부 카테고리 정보를 바탕으로 신규 모금함이 속하는 컨텐츠 그룹에 대해 선호도를 갖는 사용자에 대해서 집중적으로 노출시킴으로써 해당 그룹 내에서 사용자의 특성정보(성별 또는 연령별 등)에 따른 상호작용 데이터를 조기에 누적시킬 수 있다는 장점이 있다. 이와 같이 하여 일정 기간 동안 사용자의 평가가 누적되면 그에 기한 상호작용 데이터를 기초로 스코어가 결정되게 되므로 지속적 노출되거나 후 순위로 밀리게 된다.

상술한 바와 같이, 도 2에 도시된 복수 사용자들의 특성정보에 기초한 복수개의 사용자 그룹을 정의하는 단계(A10)와 복수개의 컨텐츠 각각에 대하여 사용자 그룹별 스코어를 각각 산출하는 단계(A20)가 수행되면, 네트워크를 통하여 컨텐츠 요청신호를 전송한 특정 사용자의 특성정보를 추출하여 위의 사용자 그룹 중 어느 그룹에 속하는지를 판별하는 단계(A30)가 수행된다.

이때, 그 특정 사용자의 특성정보를 알 수 없는 경우는 상술한 도 3 및 도 4의 '식별불가' 그룹에 속하는 것으로 간주할 수 있다.

또한, 그 특정 사용자의 특성정보가 추출되지 않는 경우에 복수 사용자들 중 그 특정 사용자와 높은 상호작용 데이터 유사도를 갖는 타 사용자가 속하는 사용자 그룹에 그 특정 사용자도 속하는 것으로 간주하여 처리할 수 있다. 예컨대, 웹 모금함의 경우 사용자의 상호작용 데이터 중 '기부' 행위를 기준으로 하여 유사도를 판별할 수 있는데, 가령, A, B 두 사용자는 특성정보는 알려져 있는데, C 사용자의 특성정보는 알 수 없는 경우에 C 사용자와 타 사용자들 간의 '기부' 행위에 대한 상호작용 데이터의 유사도를 구하여, A 와 B 사용자 중 높은 유사도를 갖는 사용자의 특성정보 데이터를 C 사용자에게도 적용하는 방식을 말한다. 상호작용 데이터 간의 유사도를 판단하는 방법에 대해서는 후술한다.

나아가, 특정 사용자의 특성정보가 추출되지 않거나 추출되는 경우라 하더라도, 특정 URL, 커뮤니티 등에서 특정 웹 모금함을 지원하는 경향이 있는 경우, 그 특정 사용자가 해당 URL을 통하여 접속한 경우라면 그 특정 웹 모금함을 추천해 주는 부가 필터링이 가능하다. 가령, 특정 연예인의 팬 클럽 등 커뮤니티의 회원인 사용자들의 경우 자발적으로 특정 웹 모금함에 집중 기부하는 경향이 나타나므로 동일 URL로 접속한 사용자들에게 해당 커뮤니티에서 기부하고 있는 웹 모금함을 추천해 주는 방식이다. 이러한 부가 필터링 조건은 기존의 사용자 그룹 분류에 의한 세그먼트 방식에 대하여 분화 조건으로 추가하거나 또는 우선 순위를 부여하는 등의 처리가 가능하다.

이와 같이 컨텐츠를 추천할 특정 사용자의 특성정보를 통하여 그 특정 사용자가 속한 사용자 그룹이 판별되면, 상술한 각 컨텐츠 별 스코어에 따라 복수개의 컨텐츠 중 그 특정 사용자에게 추천할 컨텐츠의 우선 순위를 산출하고(A50), 도 6에 나타낸 바와 같이 그 우선 순위에 기초하여 상술한 복수개의 컨텐츠 중 하나 이상을 그 특정 사용자에게 추천한다(A60).

이하에서는 본 발명의 또 다른 특징에 따른 실시형태로서, 사용자간의 상호작용 데이터 유사성을 바탕으로 컨텐츠를 추천하는 방법에 관하여 상세히 설명한다. 각 컨텐츠에 대한 사용자의 상호작용은 특정 사용자의 선호경향을 반영하는 척도로 사용될 수 있다. 가령, 웹 모금함의 경우 기부 행위는 자신이 선호하는 모금함에 대하여 이루어지는 것이 보통이며, 동영상이나 음악 등의 컨텐츠에 대한 구매 행위의 경우에도 이러한 경향이 두드러지게 된다. 알려진 두 사용자의 선호경향이 유사한지 여부는 이하에서 설명할 상호작용 데이터 유사성 판단 방법에 의해서 결정할 수 있다.

도 7은 본 발명의 상호작용 데이터 유사성을 바탕으로 한 컨텐츠 추천 방법의 한 실시예를 설명하기 위한 도면이다.

우선, 사용자 그룹을 정의하며(B10), 컨텐츠 각각에 대한 사용자 그룹별 스코어를 산출하고(B20), 컨텐츠를 추천할 특정 사용자의 특성정보를 추출하고(B30), 그 특정 사용자가 어느 사용자 그룹에 속하는지를 판별하고(B40), 각 컨텐츠의 스코어에 따른 우선 순위를 판단하고(B50), 우선순위에 기초한 컨텐츠 추천이 이루어지는 전체적 흐름은 상술한 도 2의 경우와 유사하다.

이때, 가령, 단계 B30에서, 컨텐츠를 추천할 특정 사용자의 특성정보가 식별불가(UNKNOWN)인 경우가 문제로 되는데, 그 특정 사용자와 특성정보가 알려진 타 사용자들간의 상호작용 데이터의 유사도를 판단하여(C10), 높은 유사도를 갖는 타 사용자가 상호작용을 갖는 컨텐츠를 그 특정 사용자에게도 추천하게 된다(C20).

이때, 상호작용 데이터 유사도 판단 단계(C10)는, 복수개의 컨텐츠에 대한 복수 사용자들의 상호작용 데이터를 각각 집계하는 단계와, 집계된 사용자들의 상호작용 데이터를 기초로 하여 복수 사용자들 중 제1사용자(컨텐츠를 추천할 특정 사용자)와 타 사용자들 사이의 상호작용 데이터 유사도를 각각 결정하는 단계와, 그 타 사용자들 중 제1사용자와의 관계에서 높은 상호작용 데이터 유사도를 갖는 제2 사용자를 추출하는 단계로 이루어질 수 있다.

이어서, 상술한 높은 유사도를 갖는 타 사용자인 제2사용자가 상호작용을 갖는 복수개의 컨텐츠 중 하나 이상의 컨텐츠를 제1사용자에게 추천하게 된다(C20).

이하에서는 유사도 판단 및 추천 과정을 도 8a 내지 도 8k를 참조하여 상세히 설명한다.

도 8a는 각 사용자의 컨텐츠에 대한 상호작용 성향을 설명하기 위한 테이블을 예시한다. 예컨대, 웹 모금함에 대한 기부 성향이 나타나 있는데, 이는 일정 기간 동안에 기부를 진행한 6명의 사용자를 샘플로 추출하여 각 컨텐츠(또는 컨텐츠 그룹, 카테고리) 별로 모금 횟수를 실제 집계한 것인데, 각 사용자 별로 주로 기부하는 컨텐츠 그룹이 존재함을 확인할 수 있다. 즉, 사용자는 자신도 모르게 자신이 선호하는 주요 웹 모금함 테마에 따라 기부행위를 하고 있는 것이다.

도 8b는 특정 사용자(갑)에 대한 각 컨텐츠 별 상호작용 횟수를 집계한 테이블을 예시한다. 예컨대, 웹 모금함의 경우 모금함 번호에 대하여 기부횟수가 나타나 있다. 나타낸 바와 같이 여러 번의 기부행위가 있더라도 유효카운팅을 1회로 집계하여 중복을 제거한 고유 값만이 나타나도록 할 수도 있다. 또한, 기부 데이터는 사용자가 최초 기부를 한 시점에서 조회시점까지의 데이터를 모두 추출하는 것이 충분한 표본 확보에 유리하다. 유효카운팅이 일정 기준 미만인 사용자는 집계 대상에서 제외하는 것이 정확한 성향 판단을 위해 유리할 수 있다.

도 8c는 전체 사용자의 각 컨텐츠 그룹(테마) 별 상호작용 데이터를 예시한다. 예컨대, 각 웹 모금함의 테마 별 기부행위의 횟수를 나타내는데, 모델링을 위해서 사용자가 갑, 을, 병, 정의 4명만 존재한다고 가정하고, 4명의 사용자의 기부 모금함의 테마(카테고리)에 따라 집계한 것이다. 상호작용 유사도 판단을 위해서는 모든 모금함의 테마들을 기준으로 할 수도 있으나, 일정 상위 테마를 기준으로 하여 판단하거나, 적절한 테마들을 선택하여 기준으로 활용할 수도 있다.

도 8d는 위 도 8c의 데이터를 기부 점수로 환산한 테이블을 예시한다. 각 사용자간의 비교를 위하여 합계를 1로 환산하였을 경우의 각 항목의 비율을 환산한 것이다.

도 8e는 위 도 8c의 데이터를 기부 점수로 환산한 다른 한 테이블을 나타낸다. 각 사용자간의 비교를 위하여 합계를 10으로 하였을 경우의 각 항목의 비율을 환산한 것이다.

또한, 상기 상호작용 데이터 집계 단계는, 상기 복수 사용자들의 상호작용 데이터를 정규화하는 단계를 더 포함할 수 있다.

도 8f는 위 도 8c 또는 8d에 예시된 값들을 정규 값으로 변환시킨 테이블을 예시한다. 또한, 도 8g는 도 8f의 데이터들 중 갑이 상호작용을 갖는(즉, 0이 아닌) 4개 컨텐츠 그룹에 대한 정규 값 산출 과정을 예시하는 테이블이다. 여기서, 정규 값으로는 개별 사용자간의 스코어 값의 편향을 보상하여 정규화 처리를 한 값이 사용될 수 있는데, 가령, 도 8g의 경우, 갑이 상호작용을 갖는 4개 컨텐츠 그룹의 개별 값들을 제곱하고 그 제곱의 총합에서 차지하는 비율을 구하여 각 항목별 데이터 값을 산출한다. 동일한 방식으로 을, 병, 정에 대해서 처리를 수행하면 도 8f와 같은 테이블을 얻게 된다.

도 8h 및 도 8i는 사용자간의 상호작용 데이터에 대한 유사도를 판단하는 과정을 예시하는 테이블이다. 상호작용 데이터 유사도 결정은, 제1컨텐츠에 대한 제1사용자의 상호작용 데이터와 제2사용자의 상호작용 데이터를 곱하는 단계와, 제2컨텐츠에 대한 제1사용자의 상호작용 데이터와 제2사용자의 상호작용 데이터를 곱하는 단계와, 제1컨텐츠에 대한 곱과 제2 컨텐츠에 대한 곱의 결과를 합산하는 단계를 포함하여 수행될 수 있다.

예컨대, 도 8f의 테이블에서 갑과 을이 공통적으로 상호작용 데이터를 갖는 컨텐츠(또는 컨텐츠 그룹) 항목은 '지구촌나눔' 항목(도면부호 810 및 820)과 '피풀앤피풀' 항목(도면부호 830 및 840)이다. 이때, 갑과 을간의 유사도 수치는 갑과 을이 공통적으로 상호작용 데이터를 갖는 '지구촌나눔' 컨텐츠(또는 컨텐츠 그룹)의 데이터(각각 갑에 대한 데이터는 0.03 을에 대한 데이터는 0.05)를 곱하고, 또한 역시 갑과 을이 공통적으로 상호작용 데이터를 갖는 '피풀앤피풀' 컨텐츠(또는 컨텐츠 그룹)의 데이터(각각 갑에 대한 데이터는 0.08 을에 대한 데이터는 0.14)를 곱하여, 곱한 결과들을 다시 합산함으로써 얻어질 수 있다(도 8i에서 유사도 수치는 0.0127).

갑과 병에 대해서도 이러한 연산을 수행하는데, 도 8f에서 갑과 병이 공통적으로 상호작용 데이터를 갖는 것은 '피풀앤피풀' 항목(도면부호 830 및 870)과 '아이들에게 희망을' 항목(도면부호 850 및 860)이므로 이에 대해 위의 연산을 수행하여 유사도 수치를 얻을 수 있다(도 8i에서 유사도 수치는 0.0051). 또한, 갑과 정에 대해서도 이러한 연산을 수행하는데, 도 8f에서 갑과 정이 공통적으로 상호작용 데이터를 갖는 것은 '아이들에게 희망을' 항목(도면부호 850 및 880)이므로 이에 대해 마찬가지로 연산을 수행하면 유사도 수치를 얻을 수 있다(도 8i에서 유사도 수치는 0.003). 도 8i에 예시된 사례에서는 유사도 수치는 갑과 을간에 가장 높은 것으로 나타났다. 즉, 갑에 대하여 을이 기부한 웹 모금함을 추천하게 되는 것이다.

이때, 제2사용자가 상호작용을 갖는 복수개의 컨텐츠 중 제1사용자도 이미 상호작용을 갖는 컨텐츠를 필터링하는 단계를 더 포함할 수 있다. 예컨대, 을이 기부한 모금함 중 부가적인 필터링을 거친 모금함을 갑에게 추천하는 것이 가능하다. 도 8j는 갑이 기부한 모금함을 상세히 예시하며, 도 8k는 을이 기부한 모금함을 상세히 예시한다. 을의 모금함 중 도 8k에 나타낸 H000000019773의 경우는 도 8j에 나타낸 갑의 모금함 중 동일 번호의 것과 중복되어 있다. 중복된 모금함을 갑에게 추천하는 것은 무의미할 수 있으므로 이를 제외할 수 있다.

그 외에도 도 8k에 나타낸 을의 모금함 중에서 이미 모금이 완료되는 등의 이유로 현재 집행상태가 'OFF' 되어 있는 것들을 추천에서 제외하는 등의 추가 필터링이 가능하다.

또한, 제2사용자가 상호작용을 갖는 복수개의 컨텐츠 중에서 랜덤 추출하여 제1사용자에게 제공하는 단계를 더 포함할 수 있다. 예컨대, 현재 제공이 가능한(가령, 웹 모금함의 경우 유효기간이 설정되어 있고, 그 유효기간 중에 있는 경우), 컨텐츠가 여러 개일 경우, 이들 중에서 갑에게 추천될 것을 랜덤 추출하여 제공할 수 있는데, 유사한 상호작용 데이터를 갖는 사용자들 간에는 컨텐츠의 테마(카테고리)가 중요하며 개별 컨텐츠를 중시하지는 않는 경향이 있기 때문이다.

여기서 사용자간의 상호작용 데이터의 유사도를 판단하기 위한 기준이 되는 상호작용 데이터는 컨텐츠의 유형에 따라 다양하게 설정할 수 있는데, 가령, 웹 모금함의 경우는 기부행위가 가장 각 사용자의 의사표현을 강하게 반영하는 경향이 있다.

본 발명의 또 다른 측면에 의한 실시예로서, 네트워크를 통해 특정 사용자에게 컨텐츠를 추천하는 시스템은, 복수 사용자들의 특성정보 및 복수개의 컨텐츠를 저장하는 데이터베이스; 및 복수 사용자들의 특성정보에 기초한 복수개의 사용자 그룹을 정의하고, 복수개의 컨텐츠 각각에 대하여 사용자 그룹별 스코어를 각각 산출하고, 네트워크를 통하여 컨텐츠 요청신호를 전송한 특정 사용자의 특성정보를 추출하여 사용자 그룹 중 어느 그룹에 속하는지를 판별하고, 스코어에 따라 복수개의 컨텐츠 중 상기 특정 사용자에게 추천할 컨텐츠의 우선 순위를 산출하고, 우선 순위에 기초하여 상기 복수개의 컨텐츠 중 하나 이상을 상기 사용자에게 추천하는 컨텐츠 관리 서버를 포함하여 이루어질 수 있다.

본 발명의 또 다른 측면에 의한 실시예로서, 네트워크를 통해 특정 사용자에게 컨텐츠를 추천하는 시스템은, 복수 사용자들의 특성정보 및 복수개의 컨텐츠를 저장하는 데이터베이스; 및 복수개의 컨텐츠에 대한 복수 사용자들의 상호작용 데이터를 각각 집계하고, 집계된 사용자들의 상호작용 데이터를 기초로 하여 복수 사용자들 중 제1사용자와 다른 사용자들 사이의 상호작용 데이터 유사도를 각각 결정하고, 다른 사용자들 중 제1사용자와의 관계에서 높은 상호작용 데이터 유사도를 갖는 제2 사용자를 추출하고, 제2사용자가 상호작용을 갖는 복수개의 컨텐츠 중 하나 이상의 컨텐츠를 제1사용자에게 추천하는 컨텐츠 관리 서버를 포함하여 이루어질 수 있다.

이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광 기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상과 같이 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 그러므로, 본 발명의 범위는 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.

웹 서버(10)
컨텐츠 관리서버(20)
컨텐츠 데이터베이스(30)
네트워크(40)
사용자 단말(U1 내지 Un)

Claims (19)

1. 컨텐츠 데이터베이스와 연동하여 컨텐츠 관리서버에서 수행되는 네트워크를 통한 컨텐츠 추천 방법에 있어서,
   복수 사용자들의 개인정보에 기초한 복수개의 사용자 그룹을 정의하는 단계;
   복수개의 컨텐츠 각각에 대하여 상기 복수 사용자들의 상호작용 데이터에 기초하여 사용자 그룹별 스코어를 각각 산출하는 단계;
   네트워크를 통하여 컨텐츠 요청신호를 전송한 특정 사용자의 개인정보를 추출하여 상기 사용자 그룹 중 어느 그룹에 속하는지를 판별하는 단계;
   상기 스코어에 따라 상기 복수개의 컨텐츠 중 상기 특정 사용자에게 추천할 컨텐츠의 우선 순위를 산출하는 단계; 및
   상기 우선 순위에 기초하여 상기 복수개의 컨텐츠 중 하나 이상을 상기 특정 사용자에게 추천하는 단계를 포함하고,
   상기 특정 사용자의 개인정보가 추출되지 않는 경우에는, 상기 복수 사용자들 중 상기 특정 사용자와의 상호작용 데이터 유사도에 기초하여 결정되는 타 사용자의 개인정보를 상기 특정 사용자의 개인정보로 적용하여 상기 특정 사용자가 속하는 그룹을 판별하는 것을 특징으로 하는 네트워크를 통한 컨텐츠 추천 방법.
2. 제1항에 있어서,
   상기 사용자 그룹 정의 단계는,
   n개(n은 1 이상)의 개인정보가 사용되고 각각의 개인정보가 m(n)개의 구별구간[m(1)부터 m(n), 각각은 1 이상]으로 이루어져 있는 경우,

   

   의 관계에 기초하여 사용자 그룹을 정의하는 단계를 포함하는 네트워크를 통한 컨텐츠 추천 방법.
3. 제1항에 있어서,
   상기 사용자 그룹별 스코어 산출 단계는,
   상기 복수개의 컨텐츠 각각에 대한 각 사용자 그룹에 속하는 사용자들의 상호작용을 포함하는 로그 데이터에 기초하고,
   상기 사용자들의 클릭-대비-노출비율(CTR), 클릭-대비-전환비율(CVR) 및 바이럴비율(VTR) 중 적어도 하나 이상의 상호작용요소에 기초하는 것인 네트워크를 통한 컨텐츠 추천 방법.
4. 제3항에 있어서,
   상기 상호작용요소는 두 개 이상이며, 스코어 산출에 있어서 그 각각에는 가중치(weight)가 부여되는 것을 특징으로 하는 네트워크를 통한 컨텐츠 추천 방법.
5. 제4항에 있어서,
   상기 가중치는 상기 복수개의 컨텐츠 각각에 대하여 별도로 결정될 수 있는 것을 특징으로 하는 네트워크를 통한 컨텐츠 추천 방법.
6. 제3항에 있어서,
   상기 스코어는 누적된 상기 사용자들의 상호작용을 반영하여 고정 또는 가변 주기로 갱신되는 것임을 특징으로 하는 네트워크를 통한 컨텐츠 추천 방법.
7. 제1항에 있어서,
   상기 복수개의 컨텐츠에 포함되는 각 컨텐츠의 유형을 기준으로 한 복수개의 컨텐츠 그룹을 정의하는 단계를 더 포함하며;
   상기 컨텐츠 추천 단계는 상기 복수개의 컨텐츠 그룹 중 선택된 하나 이상의 컨텐츠 그룹에 해당하는 컨텐츠들만을 상기 사용자에게 추천하는 단계를 포함하는 네트워크를 통한 컨텐츠 추천 방법.
8. 제3항에 있어서,
   신규 컨텐츠의 스코어 결정에 필요한 상기 사용자들의 상호작용이 누적되기 이전에는,
   상기 신규 컨텐츠에 대해서 상기 스코어의 초기치를 부여하는 단계를 더 포함하는 네트워크를 통한 컨텐츠 추천 방법.
9. 제3항에 있어서,
   신규 컨텐츠의 스코어 결정에 필요한 상기 사용자들의 상호작용이 누적되기 이전에는,
   상기 복수 사용자들 중 상기 특정 사용자와 가장 높은 상호작용 데이터 유사도를 갖는 타 사용자에게 상기 신규 컨텐츠가 추천되었는지를 판별하거나, 또는 상기 특정 사용자가 상기 신규 컨텐츠의 유형을 기준으로 한 컨텐츠 그룹에 대해 가장 높은 상호작용을 갖는 사용자인지를 판별하여, 상기 특정 사용자에게도 상기 신규 컨텐츠를 추천하는 단계를 더 포함하는 네트워크를 통한 컨텐츠 추천 방법.
10. 삭제
11. 삭제
12. 제1항에 있어서,
    상기 사용자 그룹 정의 단계는,
    각 사용자들의 개인정보에 대한 상기 복수개의 컨텐츠의 스코어 분포를 기초로 하여 상기 사용자 그룹을 더 세분 또는 병합하는 단계를 더 포함하는 것을 특징으로 하는 네트워크를 통한 컨텐츠 추천 방법.
13. 삭제
14. 제1항에 있어서,
    상기 네트워크를 통한 컨텐츠 추천 방법은,
    상기 특정 사용자와 상기 타 사용자의 상호작용 데이터 유사도를 결정하는 단계를 더 포함하고,
    상기 상호작용 데이터 유사도를 결정하는 단계는,
    제1컨텐츠에 대한 상기 특정 사용자의 상호작용 데이터와 타 사용자의 상호작용 데이터를 곱하는 단계;
    제2컨텐츠에 대한 상기 특정 사용자의 상호작용 데이터와 타 사용자의 상호작용 데이터를 곱하는 단계; 및
    상기 제1컨텐츠에 대한 곱과 상기 제2 컨텐츠에 대한 곱의 결과를 합산하는 단계를 포함하는 네트워크를 통한 컨텐츠 추천 방법.
15. 제1항에 있어서,
    상기 추천하는 단계는,
    상기 타 사용자가 상호작용을 갖는 상기 복수개의 컨텐츠 중 상기 특정 사용자도 이미 상호작용을 갖는 컨텐츠를 필터링하는 단계를 더 포함하는 네트워크를 통한 컨텐츠 추천 방법.
16. 제1항에 있어서,
    상기 추천하는 단계는,
    상기 타 사용자가 상호작용을 갖는 상기 복수개의 컨텐츠 중에서 랜덤 추출하여 상기 특정 사용자에게 제공하는 단계를 더 포함하는 네트워크를 통한 컨텐츠 추천 방법.
17. 제1항 내지 제9항, 제12항, 제14항 내지 제16항 중 어느 한 항의 방법을 수행하기 위한 컴퓨터로 판독 가능한 프로그램을 기록한 기록매체.
18. 네트워크를 통해 특정 사용자에게 컨텐츠를 추천하는 시스템에 있어서,
    복수 사용자들의 개인정보 및 복수개의 컨텐츠를 저장하는 데이터베이스; 및
    상기 복수 사용자들의 개인정보에 기초한 복수개의 사용자 그룹을 정의하고, 상기 복수개의 컨텐츠 각각에 대하여 상기 복수 사용자들의 상호작용 데이터에 기하여 사용자 그룹별 스코어를 각각 산출하고, 상기 네트워크를 통하여 컨텐츠 요청신호를 전송한 상기 특정 사용자의 개인정보를 추출하여 상기 사용자 그룹 중 어느 그룹에 속하는지를 판별하고, 상기 스코어에 따라 상기 복수개의 컨텐츠 중 상기 특정 사용자에게 추천할 컨텐츠의 우선 순위를 산출하고, 상기 우선 순위에 기초하여 상기 복수개의 컨텐츠 중 하나 이상을 상기 사용자에게 추천하는 컨텐츠 관리 서버를 포함하고,
    상기 컨텐츠 관리 서버는, 상기 특정 사용자의 개인정보가 추출되지 않는 경우에는, 상기 복수 사용자들 중 상기 특정 사용자와의 상호작용 데이터 유사도에 기초하여 결정되는 타 사용자의 개인정보를 상기 특정 사용자의 개인정보로 적용하여 상기 특정 사용자가 속하는 그룹을 판별하는 것을 특징으로 하는 네트워크를 통한 컨텐츠 추천 시스템.
19. 삭제

Images