KR101690366B1 - Method for recommending content based on response of user - Google Patents

Method for recommending content based on response of user Download PDF

Info

Publication number
KR101690366B1
KR101690366B1 KR1020140037113A KR20140037113A KR101690366B1 KR 101690366 B1 KR101690366 B1 KR 101690366B1 KR 1020140037113 A KR1020140037113 A KR 1020140037113A KR 20140037113 A KR20140037113 A KR 20140037113A KR 101690366 B1 KR101690366 B1 KR 101690366B1
Authority
KR
South Korea
Prior art keywords
user
content
unit
recommendation
evaluation
Prior art date
Application number
KR1020140037113A
Other languages
Korean (ko)
Other versions
KR20150114002A (en
Inventor
김재경
안현철
Original Assignee
경희대학교 산학협력단
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 경희대학교 산학협력단 filed Critical 경희대학교 산학협력단
Priority to KR1020140037113A priority Critical patent/KR101690366B1/en
Publication of KR20150114002A publication Critical patent/KR20150114002A/en
Application granted granted Critical
Publication of KR101690366B1 publication Critical patent/KR101690366B1/en

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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services

Abstract

본 발명은 컨텐츠의 추천 방법 및 그 장치에 관한 것으로, 보다 구체적으로 사용자와 유사한 주변 사용자가 선택한 컨텐츠를 사용자에 1차 추천 컨텐츠로 제공하고, 다시 1차 추천 컨텐츠에 대한 사용자의 몰입 여부에 기초하여 1차 추천 컨텐츠와 반대되는 특성을 가지는 신규 추천 컨텐츠를 사용자에 제공하거나 1차 추천 컨텐츠와 동일 특성을 가지는 추가 추천 컨텐츠를 사용자에 제공하여, 단순히 1차 추천 컨텐츠를 제공하는 것으로 추천이 종료되는 것이 아니라 추천한 컨텐츠에 대한 사용자의 몰입 여부에 따라 사용자의 선호도를 재반영하여 사용자에 추천할 컨텐츠를 보완할 수 있는 컨텐츠 추천 방법에 관한 것이다.More particularly, the present invention relates to a content recommendation method and apparatus, and more particularly to a content recommendation method for providing a content selected by a neighbor user similar to a user as first recommendation content to a user, The recommendation is terminated by providing the user with new recommendation content having characteristics opposite to the first recommendation content or providing additional recommendation content having the same characteristics as the first recommendation content to the user and simply providing the first recommendation content The present invention relates to a content recommendation method capable of supplementing contents to be recommended to a user by re-reflecting a user's preference according to whether the user is immersed in recommended contents.

Description

컨텐츠에 대한 사용자 반응을 고려한 컨텐츠 추천 방법{Method for recommending content based on response of user}Technical Field [0001] The present invention relates to a method of recommending content based on user response to content,

본 발명은 컨텐츠의 추천 방법 및 그 장치에 관한 것으로, 보다 구체적으로 사용자와 유사한 주변 사용자가 선택한 컨텐츠를 사용자에 1차 추천 컨텐츠로 제공하고, 다시 1차 추천 컨텐츠에 대한 사용자의 몰입 여부에 기초하여 1차 추천 컨텐츠와 반대되는 특성을 가지는 신규 추천 컨텐츠를 사용자에 제공하거나 1차 추천 컨텐츠와 동일 특성을 가지는 추가 추천 컨텐츠를 사용자에 제공하여, 단순히 1차 추천 컨텐츠를 제공하는 것으로 추천이 종료되는 것이 아니라 추천한 컨텐츠에 대한 사용자의 몰입 여부에 따라 사용자의 선호도를 재반영하여 사용자에 추천할 컨텐츠를 보완할 수 있는 컨텐츠 추천 방법에 관한 것이다.More particularly, the present invention relates to a content recommendation method and apparatus, and more particularly to a content recommendation method for providing a content selected by a neighbor user similar to a user as first recommendation content to a user, The recommendation is terminated by providing the user with new recommendation content having characteristics opposite to the first recommendation content or providing additional recommendation content having the same characteristics as the first recommendation content to the user and simply providing the first recommendation content The present invention relates to a content recommendation method capable of supplementing contents to be recommended to a user by re-reflecting a user's preference according to whether the user is immersed in recommended contents.

최근, 각종 A/V 미디어의 전송 및 저장 기술의 발전으로 사용자가 접할 수 있는 컨텐츠는 기하 급수적으로 늘어나고 있다. 특히, 디지털 방송 및 초고속 인터넷 인프라가 도입되고 각종 A/V기기의 대용량화가 진행됨에 따라 사용자는 때와 장소에 구애됨 없이 수많은 컨텐츠들을 즐길 수 있게 되었다. 그러나, 이렇게 컨텐츠의 양이 늘어남에 따라 이들 중 사용자가 원하는 것을 검색하는데 많은 시간과 노력이 소요된다는 문제점이 있어 이를 해결하기 위해 여러 컨텐츠 추천 기술이 연구되고 있다.BACKGROUND ART [0002] In recent years, with the development of various A / V media transmission and storage technologies, contents that users can access are increasing exponentially. Especially, with the introduction of digital broadcasting and high-speed internet infrastructure and the increasing capacity of various A / V devices, users can enjoy a lot of contents regardless of time and place. However, as the amount of content increases, there is a problem that a lot of time and efforts are required to search for a desired one of them. To solve this problem, various content recommendation techniques are being studied.

종래 컨텐츠 추천 방법1을 살펴보면, 사용자가 원하는 컨텐츠의 메타 정보 또는 요약 정보를 사용자가 직접 입력하고, 입력한 메타 정보 또는 요약 정보에 일치하는 컨텐츠를 컨텐츠 데이버베이스에서 검색하여 사용자에 컨텐츠 추천 리스트를 제공한다. 사용자는 제공된 컨텐츠 추천 리스트에서 사용자가 원하는 컨텐츠를 선택한다. 그러나 종래 컨텐츠 추천 방법1의 경우, 사용자가 직접 컨텐츠의 메타 정보 또는 요약 정보를 입력하여야 하는 불편함이 있었다.In the conventional content recommendation method 1, a user directly inputs meta information or summary information of a content desired by the user, searches contents database based on the input meta information or summary information, to provide. The user selects the content desired by the user from the provided content recommendation list. However, in the case of the conventional content recommendation method 1, the user has to input meta information or summary information of contents directly.

종래 컨텐츠 추천 방법2를 살펴보면, 사용자가 원하는 컨텐츠의 메타 정보 또는 요약 정보를 직접 사용자가 입력하는 대신 사용자의 상황 정보를 추론한 후, 사용자의 상황 정보에 일치하는 컨텐츠를 자동으로 검색하고, 검색한 컨텐츠로부터 컨텐츠 추천 리스트를 생성하여 사용자에 제공한다. 그러나 사용자가 원하는 컨텐츠를 추론한 사용자 상황정보로부터 정확하게 판단한다는 것이 용이하지 않다는 문제점을 가진다.In the conventional content recommendation method 2, instead of directly inputting meta information or summary information of a content desired by the user, the user inferences the context information of the user, and then automatically retrieves contents matching the context information of the user, And generates a content recommendation list from the content and provides it to the user. However, there is a problem that it is not easy to accurately determine from the user situation information inferred by the user.

종래 컨텐츠 추천 방법2의 문제점을 보완하기 위하여 종래 컨텐츠 추천 방법3의 경우 사용자의 성별, 나이, 주소 등의 사용자 정보와 유사한 사용자 정보를 가지는 주변 사용자가 선택한 컨텐츠를 사용자에 추천한다. 그러나 사용자 정보가 동일 또는 유사하다는 점만으로 주변 사용자가 선택한 컨텐츠를 사용자가 선호하지 않은 경우가 종종 발생한다는 문제점을 가진다.In order to solve the problem of the conventional content recommendation method 2, in the case of the conventional content recommendation method 3, the content selected by the neighboring user having the user information similar to the user information such as the user's sex, age and address is recommended to the user. However, there is a problem that the user often does not prefer the content selected by the surrounding user merely because the user information is the same or similar.

한편, 위에서 언급한 종래 컨텐츠 추천 방법은 사용자에 단순히 컨텐츠를 추천할 뿐, 추천한 컨텐츠에 대한 사용자의 선호도를 사후적으로 반영하지 못하여 사용자가 원하는 컨텐츠를 정확하게 추천하지 못한다는 문제점을 가진다. On the other hand, the above-mentioned conventional content recommendation method merely suggests content to the user, but does not accurately reflect the user's preference for the recommended content, so that the user can not accurately recommend the desired content.

본 발명은 위에서 언급한 종래 컨텐츠 추천 방법이 가지는 문제점을 해결하기 위한 것으로, 본 발명이 이루고자 하는 목적은 사용자 정보에 기초하여 사용자와 동일 또는 유사한 사용자 정보를 가지는 주변 사용자가 선택한 컨텐츠를 사용자에 1차적으로 추천 제공하며, 사용자가 1차 추천 제공된 컨텐츠의 몰입 여부에 기초하여 추후 추천할 컨텐츠를 변경하는 컨텐츠 추천 방법을 제공하는 것이다.SUMMARY OF THE INVENTION The present invention has been made to solve the problems of the conventional content recommendation method described above, and it is an object of the present invention to provide a content recommendation method and a content recommendation method, And provides a content recommendation method in which a content to be recommended later is changed based on whether or not a user is immersed in the first recommended and offered content.

본 발명이 이루고자 하는 다른 목적은 1차 추천 컨텐츠에 대한 사용자의 몰입 여부를 사용자의 움직임 변화량에 기초하여 판단하며, 사용자의 1차 추천 컨텐츠에 대한 사용자의 몰입 여부에 따른 1차 추천 컨텐츠의 선호도를 반영하여 사용자가 원하는 컨텐츠를 정확하게 추가 추천할 수 있는 컨텐츠 추천 방법을 제공하는 것이다. Another object of the present invention is to determine whether or not the user's immersion into the first recommendation content is based on the amount of change in the user's movement and determine the preference of the first recommendation content according to whether the user is immersed in the first recommendation content And to provide a content recommendation method capable of accurately recommending a content desired by a user.

본 발명의 목적을 달성하기 위하여, 본 발명의 일 실시예에 따른 컨텐츠 추천 방법은 사용자 정보에 기초하여 사용자와 임계 유사도 이상의 유사도를 가지는 주변 사용자가 선택한 컨텐츠를 상기 사용자에 1차 추천 컨텐츠로 제공하는 단계와, 1차 추천 컨텐츠를 사용자에 제공하며 설정한 평가 시간 동안 획득한 사용자 영상에 기초하여 1차 추천 컨텐츠에 대한 사용자의 몰입 여부를 판단하는 단계와, 1차 추천 컨텐츠에 대해 사용자가 몰입하지 않는 것으로 판단되는 경우 1차 추천 컨텐츠와 반대 특성의 컨텐츠를 사용자에 신규 추천 컨텐츠로 제공하는 단계를 포함하는 것을 특징으로 한다.In order to achieve the object of the present invention, a content recommendation method according to an exemplary embodiment of the present invention provides content selected by a neighboring user having similarity to the user, Determining whether the user is immersed in the first recommendation content based on the user image acquired during the set evaluation time by providing the first recommendation content to the user and determining whether the user is immersed in the first recommendation content And providing the user with the content having the opposite characteristics to the first recommended content as the new recommended content if it is determined that the first recommended content does not exist.

본 발명의 일 실시예에 따른 컨텐츠 추천 방법은 1차 추천 컨텐츠에 대한 사용자가 몰입하는 것으로 판단되는 경우 1차 추천 컨텐츠와 동일 특성을 가지는 유사 컨텐츠를 선택하는 단계와, 선택한 유사 컨텐츠를 추가 추천 컨텐츠로 사용자에 제공하는 단계를 더 포함하는 것을 특징으로 한다. The content recommendation method according to an exemplary embodiment of the present invention includes the steps of: selecting similar content having the same characteristics as the first recommended content when the user is determined to be immersed in the first recommended content; To the user.

본 발명의 일 실시예에 따른 컨텐츠 추천 방법은 1차 추천 컨텐츠에 대한 사용자가 몰입하는 것으로 판단되는 경우 1차 추천 컨텐츠에 대한 추가 정보를 제공하는 단계를 더 포함하는 것을 특징으로 한다.The content recommendation method according to an exemplary embodiment of the present invention may further include the step of providing additional information on the first recommendation content when it is determined that the user is immersed in the first recommendation content.

바람직하게, 신규 컨텐츠로 제공하는 단계는 1차 추천 컨텐츠의 특성과 반대되는 특성 종류를 판단하는 단계와, 1차 추천 컨텐츠의 특성과 반대되는 특성의 컨텐츠를 검색하는 단계와, 반대되는 특성의 컨텐츠를 사용자에 신규 추천 컨텐츠로 제공하는 단계를 포함하는 것을 특징으로 한다.Preferably, the step of providing the content as new content includes the steps of: determining a type of characteristic opposite to the characteristic of the primary recommended content; searching contents having characteristics opposite to those of the primary recommended content; To the user as new recommended content.

한편, 1차 추천 컨텐츠에 대한 사용자의 몰입 여부를 판단하는 단계는 1차 추천 컨텐츠를 사용자에 제공 전 또는 제공 후 초기 시간 동안의 사용자 영상으로부터 사용자의 제1 평균 움직임 변화량을 계산하는 단계와, 제1 평균 움직임 변화량에 가중치를 합산하여 평가 임계범위를 계산하는 단계와, 초기 시간 이후의 평가 시간 동안의 사용자 영상으로부터 사용자의 제2 평균 움직임 변화량을 계산하는 단계와, 제2 평균 움직임 변화량와 평가 임계범위를 비교하여 1차 추천 컨텐츠에 대한 사용자의 몰입 여부를 판단하는 단계를 포함하는 것을 특징으로 한다.The step of determining whether the user is immersed in the first recommendation content may include calculating a first average motion change amount of the user from the user image before or after providing the first recommendation content to the user, Calculating a second average motion variation amount of the user from the user image during the evaluation time after the initial time, and calculating a second average motion variation amount based on the second average motion variation amount and the evaluation threshold range And determining whether the user is immersed in the first recommended content.

여기서 1차 추천 컨텐츠에 대한 사용자의 몰입 여부는 동적 몰입, 정적 몰입 또는 무관심 중 어느 하나로 판단되는 것을 특징으로 한다. Here, whether the user is immersed in the first recommended content is determined as one of dynamic commitment, static commitment, and indifference.

바람직하게, 제1 평균 움직임 변화량을 계산하는 단계는 1차 추천 컨텐츠를 사용자에 제공 전 또는 제공 후, 설정한 초기 시간 동안의 사용자 영상을 획득하고 사용자 영상에서 사용자 영역을 판단하는 단계와, 초기 시간을 구성하는 단위 초기 시간별로 각 단위 초기 시간의 사용자 영역의 영상과 이전 초기 단위 시간의 사용자 영역의 영상을 차감하여 단위 초기 시간의 차 영상을 생성하는 단계와, 단위 초기 시간의 차 영상으로부터 각 단위 초기 시간의 사용자 영역의 움직임 변화량을 계산하는 단계와, 단위 초기 시간의 사용자 영역의 움직임 변화량으로부터 초기 시간 동안의 사용자의 제1 평균 움직임 변화량을 계산하는 단계를 포함하는 것을 특징으로 한다.Preferably, the step of calculating the first average motion variation amount includes the steps of obtaining a user image for a set initial time and determining a user area in the user image before or after providing the first recommended content to the user, Generating a difference image of the unit initial time by subtracting the image of the user area of each unit initial time and the image of the user area of the previous initial unit time in units of the unit initial time constituting the unit initial time, Calculating a first amount of motion variation of a user during an initial time from a variation amount of a user area in a unit initial time;

여기서 평가 임계범위는 상한 평가 임계값과 하한 평가 임계값 사이의 값을 가지는데, 상한 평가 임계값은 상기 제1 평균 움직임 변화량에 가중치를 합산하여 계산되며, 하한 평가 임계값은 상기 제1 평균 움직임 변화량에 가중치를 차감하여 계산되는 것을 특징으로 한다. Wherein the evaluation threshold range has a value between an upper evaluation threshold value and a lower evaluation threshold value, wherein the upper evaluation threshold value is calculated by adding the weight to the first average motion variation amount, And is calculated by subtracting the weight from the amount of change.

바람직하게, 제2 평균 움직임 변화량을 계산하는 단계는 초기 시간 이후의 평가 시간 동안의 사용자 영상을 획득하고 평가 시간 동안의 사용자 영상에서 사용자 영역을 판단하는 단계와, 평가 시간을 구성하는 단위 평가 시간별로 각 단위 평가 시간의 사용자 영역과 이전 평가 단위 시간의 사용자 영역을 차감하여 단위 평가 시간의 차 영상을 생성하는 단계와, 단위 평가 시간의 차 영상으로부터 각 단위 평가 시간의 사용자 영역의 움직임 변화량을 계산하는 단계와, 단위 평가 시간의 사용자 영역의 움직임 변화량으로부터 평가 시간 동안의 사용자 영역의 제2 평균 움직임 변화량을 계산하는 단계를 포함하는 것을 특징으로 한다.Preferably, the step of calculating the second average motion variation amount includes the steps of: acquiring the user image during the evaluation time after the initial time and determining the user area in the user image during the evaluation time; A step of generating a difference image of the unit evaluation time by subtracting the user area of each unit evaluation time and the user area of the previous evaluation unit time, and a step of calculating a movement variation of the user area of each unit evaluation time from the difference image of the unit evaluation time And calculating a second average motion variation amount of the user area during the evaluation time from the motion variation amount of the user area of the unit evaluation time.

여기서 제2 평균 움직임 변화량이 상기 상한 평가 임계범위보다 높은 경우 동적 몰입으로 판단하며, 제2 평균 움직임 변화량이 상기 하한 평가 임계범위보다 낮은 경우 정적 몰입으로 판단하며, 제2 평균 움직임 변화량이 상한 평가 임계범위와 하한 평가 임계범위 사이인 경우 무관심으로 판단하는 것을 특징으로 한다.If the second average motion variation amount is greater than the upper evaluation threshold range, it is determined to be dynamic immersion. If the second average motion variation amount is lower than the lower evaluation threshold range, it is determined as static immersion. If the second average motion variation amount is less than the upper evaluation threshold And when it is between the range and the lower limit evaluation threshold range, it is judged as indifferent.

한편, 본 발명의 일 실시예에 따른 컨텐츠 추천 장치는 사용자 정보를 저장하고 있는 사용자 데이터베이스와 컨텐츠 정보를 저장하고 있는 컨텐츠 데이터베이스를 구비하는 데이터베이스부와, 사용자 정보에 기초하여 사용자와 임계 유사도 이상의 유사도를 가지는 주변 사용자를 사용자 데이터베이스에서 검색하고 검색한 주변 사용자가 선택한 컨텐츠를 컨텐츠 데이터베이스에서 검색하여 사용자에 1차 추천 컨텐츠로 제공하는 1차 추천 컨텐츠 제공부와, 1차 추천 컨텐츠를 사용자에 제공하며 설정한 평가 시간 동안 획득한 사용자 영상에 기초하여 1차 추천 컨텐츠에 대한 사용자의 몰입 여부를 판단하는 판단부와, 사용자가 1차 추천 컨텐츠에 몰입하지 않는 것으로 판단되는 경우 1차 추천 컨텐츠의 특성과 반대되는 특성의 컨텐츠를 사용자에 신규 추천 컨텐츠로 제공하는 신규 추천 컨텐츠 제공부를 포함하는 것을 특징으로 한다.According to another aspect of the present invention, there is provided a content recommendation apparatus including a database unit including a user database storing user information and a content database storing content information, A first recommendation content providing unit for providing a first recommendation content to a user, a first recommendation content providing unit for providing a first recommendation content to a user, A determination unit for determining whether the user is immersed in the first recommendation content based on the user image acquired during the evaluation time, and a determination unit for determining whether the user is immersed in the first recommendation content, The content of the attribute is And a new recommended content providing unit provided as recommended content.

여기서 본 발명의 일 실시예에 따른 컨텐츠 추천 장치는 사용자가 1차 추천 컨텐츠에 몰입하는 것으로 판단되는 경우, 1차 추천 컨텐츠와 동일 특성을 가지는 유사 컨텐츠를 선택하고 선택한 유사 컨텐츠를 추가 추천 컨텐츠로 사용자에 제공하는 추가 추천 컨텐츠 제공부를 더 포함하는 것을 특징으로 한다.Here, if it is determined that the user is immersed in the first recommended content, the content recommendation apparatus selects the similar content having the same characteristics as the first recommended content, And an additional recommendation content providing unit for providing the recommended recommendation content.

여기서 본 발명의 일 실시예에 따른 컨텐츠 추천 장치는 사용자가 1차 추천 컨텐츠에 몰입하는 것으로 판단되는 경우 1차 추천 컨텐츠에 대한 추가 정보를 컨텐츠 데이터베이스에서 검색하고 추가 정보를 상기 사용자에 제공하는 추가 정보 제공부를 더 포함하는 것을 특징으로 한다.Here, the content recommendation apparatus according to an exemplary embodiment of the present invention may include additional information for searching the content database for additional information about the first recommended content and providing the additional information to the user when it is determined that the user is immersed in the first recommended content And a providing unit.

바람직하게, 신규 추천 컨텐츠 제공부는 사용자가 1차 추천 컨텐츠에 대해 몰입하지 않는 것으로 판단되는 경우 사용자에 상기 1차 추천 컨텐츠의 특성과 반대되는 특성을 판단하는 특성 판단부와, 1차 추천 컨텐츠의 특성과 반대되는 특성을 가지는 컨텐츠를 컨텐츠 데이터베이스에서 검색하는 컨텐츠 검색부와, 반대되는 특성의 컨텐츠를 사용자에 신규 추천 컨텐츠로 제공하는 컨텐츠 제공부를 포함하는 것을 특징으로 한다.Preferably, the new recommended content providing unit may include a characteristic determining unit that determines a characteristic opposite to the characteristic of the primary recommended content to the user when it is determined that the user is not immersed in the primary recommended content, And a content providing unit for providing the user with the content having the opposite characteristics as the new recommended content.

바람직하게, 판단부는 획득한 사용자 영상에서 사용자 영역을 판단하는 사용자 영역 판단부와, 1차 추천 컨텐츠를 사용자에 제공 전 또는 제공 후 설정한 초기 시간을 구성하는 단위 초기 시간별로 사용자 영역에 대한 차 영상을 계산하거나 초기 시간 이후 평가 시간을 구성하는 단위 평가 시간별로 사용자 영역에 대한 차 영상을 계산하는 차 영상 계산부와, 단위 초기 시간의 사용자 영역에 대한 차 영상으로부터 초기 시간 동안의 사용자의 제1 평균 움직임 변화량을 계산하거나 단위 평가 시간의 사용자 영역에 대한 차 영상으로부터 평가 시간 동안의 사용자의 제2 평균 움직임 변화량을 계산하는 움직임 변화량 계산부와, 제1 평균 움직임 변화량에 가중치를 합산하여 평가 임계범위를 계산하는 평가 임계범위 계산부와, 제2 평균 움직임 변화량과 평가 임계범위를 비교하여 1차 추천 컨텐츠에 대한 사용자의 몰입 여부를 판단하는 몰입 여부 판단부를 포함하는 것을 특징으로 한다.Preferably, the determination unit includes a user region determination unit for determining a user region in the acquired user image, a difference image unit for determining a user region based on a unit initial time that constitutes an initial time set before or after providing the first recommended content to the user, A difference image calculation unit for calculating a difference image with respect to the user area for each unit evaluation time constituting the evaluation time after the initial time, A motion variation amount calculation section for calculating a motion variation amount or calculating a second average motion variation amount of the user during the evaluation time from a difference image with respect to a user area of the unit evaluation time; An evaluation threshold range calculation unit for calculating a second average motion variation amount Comparing the threshold range and is characterized by comprising: a determination whether the commitment for determining whether the user's involvement for the primary content like.

본 발명에 따른 컨텐츠 추천 방법은 사용자 정보에 기초하여 사용자와 동일 또는 유사한 사용자 정보를 가지는 주변 사용자가 선택한 컨텐츠를 사용자에 1차적으로 추천 제공하며 1차 추천 제공된 컨텐츠의 몰입 여부에 따라 추후 추천할 컨텐츠를 변경함으로써, 사용자의 선호도에 따른 컨텐츠를 정확하게 추천할 수 있다.A content recommendation method according to the present invention is a content recommendation method that primarily provides a user with a content selected by a neighboring user having the same or similar user information as the user based on user information, It is possible to accurately recommend contents according to the user's preference.

또한, 본 발명에 따른 컨텐츠 추천 방법은 1차 추천 컨텐츠를 제공한 후 1차 추천 컨텐츠에 대한 사용자의 몰입 여부를 사용자의 움직임 변화량에 기초하여 판단함으로써, 간단한 연산량으로 컨텐츠에 대한 사용자의 선호도를 반영하여 정확하게 컨텐츠를 추천할 수 있다. In addition, the content recommendation method according to the present invention reflects the user's preference for the content with a simple calculation amount by determining whether the user is immersed in the first recommended content after providing the first recommended content based on the user's motion variation. Thereby accurately recommending the content.

도 1은 본 발명의 일 실시예에 따른 컨텐츠 추천 장치를 설명하기 위한 기능 블록도이다.
도 2는 본 발명의 일 실시예에 따른 판단부를 설명하기 위한 기능 블록도이다.
도 3은 본 발명의 일 실시예에 따른 신규 추천 컨텐츠 제공부를 설명하기 위한 기능 블록도이다.
도 4는 본 발명에 따른 컨텐츠 데이터베이스의 일 예를 도시하고 있다.
도 5는 본 발명에 따른 컨텐츠 추천 방법을 설명하기 위한 흐름도이다.
도 6은 본 발명의 일 실시예에 따른 사용자의 1차 추천 컨텐츠의 몰입 여부를 판단하는 방법을 설명하기 위한 흐름도이다.
도 7은 1차 추천 컨텐츠에 대한 사용자의 몰입 여부를 판단하는데 사용되는 초기 시간과 평가 시간의 일 예를 도시하고 있다.
도 8은 본 발명의 일 실시예에 따른 제1 평균 움직임 변화량을 계산하는 단계를 설명하기 위한 흐름도이다.
도 9는 본 발명에 일 실시예에 따른 제2 평균 움직임 변화량을 계산하는 단계를 설명하기 위한 흐름도이다.
도 10은 본 발명에서 콘텐츠에 대한 개인 관객의 몰입도 유형의 일 예를 설명하기 위한 도면이다.1 is a functional block diagram for explaining a content recommendation apparatus according to an embodiment of the present invention.
2 is a functional block diagram illustrating a determination unit according to an embodiment of the present invention.
3 is a functional block diagram for explaining a new recommended content providing unit according to an embodiment of the present invention.
FIG. 4 shows an example of a content database according to the present invention.
5 is a flowchart illustrating a content recommendation method according to the present invention.
FIG. 6 is a flowchart illustrating a method for determining whether a user's primary recommendation content is immersive according to an embodiment of the present invention. Referring to FIG.
FIG. 7 shows an example of an initial time and an evaluation time used for determining whether a user is immersed in the first recommended content.
8 is a flowchart for explaining a step of calculating a first average motion variation amount according to an embodiment of the present invention.
9 is a flowchart for explaining a step of calculating a second average motion variation according to an embodiment of the present invention.
FIG. 10 is a view for explaining an example of an individual viewer's immersion type for contents in the present invention.

이하 첨부한 도면을 참고로 본 발명에 따른 컨텐츠 추천 방법에 대해 보다 구체적으로 설명한다.
Hereinafter, a content recommendation method according to the present invention will be described in more detail with reference to the accompanying drawings.

도 1은 본 발명의 일 실시예에 따른 컨텐츠 추천 장치를 설명하기 위한 기능 블록도이다.1 is a functional block diagram for explaining a content recommendation apparatus according to an embodiment of the present invention.

도 1을 참고로 보다 구체적으로 살펴보면, 데이터베이스(110)는 컨텐츠 정보를 저장하고 있는 컨텐츠 데이터베이스(111)와 사용자 정보를 저장하고 있는 사용자 데이터베이스(113)을 구비하고 있다. 컨텐츠 데이터베이스(111)에는 컨텐츠 이름, 컨텐츠 종류, 컨텐츠 제작일, 컨텐츠 이용횟수, 컨텐츠에 대한 사용자 평가 등의 컨텐츠 서지 사항, 해당 컨텐츠를 이용한 사용자 정보, 컨텐츠 특성을 나타내는 특성 식별자가 저장되어 있다. 바람직하게, 컨텐츠 종류는 그룹으로 크게 분류될 수 있는데, 예를 들어 컨텐츠가 영화인 경우, 영화는 종류에 따라 멜로 영화 그룹, 코미디 영화 그룹, SF 영화 그룹, 공포 영화 그룹 등으로 분류할 수 있다. 한편, 사용자 데이터베이스(113)에는 사용자 이름, 성별, 나이, 주소 등의 사용자 정보가 저장되어 있다.Referring to FIG. 1, the database 110 includes a content database 111 storing content information and a user database 113 storing user information. In the content database 111, content bibliographies such as a content name, a content type, a date of producing a content, a number of times a content is used, a user evaluation of the content, user information using the content, and characteristic identifiers indicating content characteristics are stored. Preferably, the content types can be largely classified into groups. For example, if the content is a movie, the movie can be classified into a melody movie group, a comedy movie group, a SF movie group, and a horror movie group depending on the type. On the other hand, user information such as user name, sex, age, and address is stored in the user database 113.

1차 추천 컨텐츠 제공부(120)는 컨텐츠를 추천하고자 하는 사용자의 사용자 정보에 기초하여 사용자의 사용자 정보와 유사한 사용자 정보를 가지는 주변 사용자를 사용자 데이터베이스(113)에서 검색하고, 검색한 주변 사용자가 이용한 컨텐츠를 사용자에 1차 추천 컨텐츠로 제공한다. 1차 추천 컨텐츠 제공부(120)는 사용자와 유사한 사용자 정보를 가지는 주변 사용자를 검색하기 위하여 사용자 정보의 각 카테고리별로 사용자와 주변 사용자가 일치하는지 여부를 판단하여 유사도를 계산하고, 계산한 유사도가 임계 유사도 이상인 경우 사용자와 유사한 사용자 정보를 가지는 주변 사용자로 검색한다. The primary recommendation content providing unit 120 searches the user database 113 for a neighboring user having user information similar to the user's user information based on the user information of the user who intends to recommend the content, The content is provided to the user as the first recommended content. The primary recommended content providing unit 120 determines whether the user and the neighboring user coincide with each category of the user information in order to search for a neighboring user having user information similar to the user, calculates the similarity, If the degree of similarity is equal to or higher than the degree of similarity, a neighboring user having similar user information is searched.

영상 획득부(130)는 1차 추천 컨텐츠를 사용자에 제공하기 전 또는 제공 후 설정한 초기 시간 동안 사용자 영상과 초기 시간 경과 후 설정한 평가 시간 동안 사용자 영상을 획득하며, 판단부(140)는 초기 시간 동안 사용자 영상으로부터 판단한 평가 임계범위와 평가 시간 동안 사용자 영상으로부터 판단한 사용자의 움직임 변화량에 기초하여 사용자가 1차 추천한 컨텐츠에 대해 몰입하고 있는지 여부를 판단한다. 영상 획득부(130)는 공연, 뮤지컬, 영화, 전시물 등의 컨텐츠를 관람하는 사용자의 영상을 촬영하여 사용자 영상을 획득한다. 영상 획득부(130)는 컨텐츠를 관람하는 사용자의 모습을 정확하게 촬영하는 위치에 배치되어 있는데, 예를 들어 사용자의 정면에 위치하거나 정면 상부에 위치하거나 옆에 위치할 수 있다. 또한 컨텐츠를 관람하는 사용자 반응을 정확하게 판단하기 위하여 영상 획득부(110)는 여러 장소에 배치되어 컨텐츠를 관람하는 사용자의 영상을 촬영할 수 있다. The image acquiring unit 130 acquires the user image during the initial time set before or after providing the primary recommendation contents to the user and the user image during the evaluation time set after the initial time elapses, Based on the evaluation threshold range determined from the user's image during the time and the amount of movement of the user determined from the user's image during the evaluation time, whether or not the user is immersed in the first-recommended content. The image acquiring unit 130 acquires a user image by capturing an image of a user who watches contents such as performances, musicals, movies, and exhibits. The image acquisition unit 130 is disposed at a position for accurately photographing the user viewing the content, for example, located at the front side of the user, at the upper front side, or at the side. Also, in order to accurately determine a user reaction of viewing the content, the image acquisition unit 110 may be disposed at various places to capture a user's image of viewing the content.

판단부(140)의 판단 결과에 기초하여 사용자가 1차 추천 컨텐츠에 몰입하지 않는 것으로 판단되는 경우, 신규 추천 컨텐츠 제공부(150)는 1차 추천 컨텐츠의 특성 식별자와 반대되는 특성 식별자를 가지는 컨텐츠를 컨텐츠 데이터베이스(111)에서 신규 추천 컨텐츠로 검색하고, 검색한 신규 추천 컨텐츠를 사용자에 제공한다.If it is determined that the user is not immersed in the first recommendation content based on the determination result of the determination unit 140, the new recommendation content provider 150 determines that the content having the feature identifier opposite to the feature identifier of the first recommendation content In the content database 111 as new recommended content, and provides the searched new recommended content to the user.

한편, 판단부(140)의 판단 결과에 기초하여 사용자가 1차 추천 컨텐츠에 몰입하고 있는 것으로 판단되는 경우, 추가 추천 컨텐츠 제공부(160)는 1차 추천 컨텐츠와 동일한 특성 식별자를 가지는 컨텐츠를 컨텐츠 데이터베이스(111)에서 추가 추천 컨텐츠로 검색하며, 검색한 추가 추천 컨텐츠를 사용자에 제공한다. 또한, 선택적으로 판단부(140)의 판단 결과에 기초하여 사용자가 1차 추천 컨텐츠에 몰입하고 있는 것으로 판단되는 경우, 추가 정보 제공부(170)는 사용자에 제공한 1차 추천 컨텐츠에 대한 상세 정보, 예를 들어 1차 추천 컨텐츠에 연결되어 설정되어 있는 주변 사용자의 평가, 상세 설명, 1차 추천 컨텐츠에서 디스플레이된 제품에 대한 설명 등을 제공할 수 있다. On the other hand, when it is determined based on the determination result of the determination unit 140 that the user is immersed in the first recommended content, the additional recommended content providing unit 160 transmits the content having the same characteristic identifier as the first recommended content to the content Searches the database 111 for additional recommended contents, and provides the retrieved additional recommended contents to the user. In addition, when it is determined that the user is immersed in the first recommended content based on the determination result of the determination unit 140, the additional information providing unit 170 may provide detailed information about the first recommended content provided to the user For example, an evaluation of a peripheral user connected to the first recommended content, a detailed description thereof, and a description of the product displayed in the first recommended content.

도 2는 본 발명의 일 실시예에 따른 판단부를 설명하기 위한 기능 블록도이다. 2 is a functional block diagram illustrating a determination unit according to an embodiment of the present invention.

도 2를 참고로 보다 구체적으로 살펴보면, 사용자 영역 판단부(141)는 영상 획득부(130)로부터 획득한 사용자 영상에서 사용자의 얼굴 패턴 영역을 검색하고 검색한 얼굴 패턴 영역에 기초하여 사용자 영상에 위치하는 사용자의 얼굴 영역을 판단하고, 사용자의 얼굴 영역에 기초하여 사용자 영역을 생성한다. 예를 들어, 사용자의 얼굴 영역의 일정 거리 내에 있는 영역을 사용자 영역으로 생성할 수 있다. 본 발명에서는 얼굴 영역 특징점으로부터 얼굴 영역을 검색하는 Haar 검출 방식을 사용할 수 있다. 획득한 사용자 영상에서 사용자의 얼굴 영역을 검색하는 다양한 방법이 공지되어 있는데, 본 발명에서는 다양한 얼굴 영역 검색 방법이 사용될 수 있으며, 이는 본 발명의 범위에 속한다. 2, the user region determination unit 141 searches the face pattern region of the user in the user image acquired from the image acquisition unit 130, And a user area is created based on the face area of the user. For example, an area within a certain distance of the user's face area can be created as a user area. In the present invention, a Haar detection method for searching a face area from a face area feature point can be used. Various methods for searching a face region of a user in an acquired user image are known. In the present invention, various face region searching methods can be used, and this is within the scope of the present invention.

차 영상 생성부(143)는 컨텐츠를 사용자에 제공하기 전 또는 제공 시작한 이후 초기 시간을 구성하는 단위 초기 시간별로 사용자 영역에 대한 차 영상을 계산하거나 초기 시간 이후 평가 시간을 구성하는 단위 평가 시간별로 사용자 영역에 대한 차 영상을 계산한다. 초기 시간을 구성하는 다수의 단위 초기 시간별로 또는 평가 시간을 구성하는 다수의 단위 평가 시간별로 현재 단위 시간의 사용자 영상에서 생성한 현재 사용자 영역과 이전 단위 시간의 사용자 영상에서 생성한 이전 사용자 영역을 차감하여 단위 시간별로 차영상을 생성한다. 여기서 차영상 생성부(143)는 사용자 영상을 RGB 색영역에서 YUV 색영역, 즉 휘도와 색차 영역으로 변환하며, 현재 단위 시간의 현재 사용자 영상과 이전 단위 시간의 이전 사용자 영상을 차감하여 생성되는 전체 차영상 중 앞서 생성한 사용자 영역에 대한 차영상을 구분하여 생성한다. 본 발명이 적용되는 분야에 따라 현재 사용자 영상과 이전 사용자 영상을 차감하는 대신, 현재 사용자 영상에서 생성한 사용자 영역과 이전 사용자 영상에서 생성한 이전 사용자 영역을 차감하여 차영상을 생성할 수 있으며, 이는 본 발명의 범위에 속한다.The difference image generation unit 143 calculates a difference image for a user area according to a unit initial time before or after providing the content to the user, And calculates a difference image for the region. The current user area generated in the user image of the current unit time and the previous user area generated in the user image of the previous unit time are subtracted from the plurality of unit initial time periods constituting the initial time or the plurality of unit evaluation time periods constituting the evaluation time And generates a difference image by unit time. Here, the difference image generating unit 143 converts the user image into the YUV color space, i.e., the YUV color space, i.e., the luminance and chrominance areas, and stores the current user image of the current unit time and the previous user image of the previous unit time And generates a difference image for the user area generated from the difference image. The difference image may be generated by subtracting the current user image and the previous user image from the current user image area and the previous user area image generated in the previous user image area, And falls within the scope of the present invention.

움직임 변화량 계산부(145)는 단위 초기 시간의 사용자 영역에 대한 차 영상으로부터 초기 시간 동안의 사용자 영역의 제1 평균 움직임 변화량을 계산하거나, 단위 평가 시간의 사용자 영역에 대한 차 영상으로부터 평가 시간 동안의 사용자 영역의 제2 평균 움직임 변화량을 계산한다. 바람직하게, 움직임 변화량 계산부(145)는 차영상을 구성하는 픽셀들의 밝기 픽셀값에 기초하여 차영상의 누적 밝기 히스토그램을 생성하며, 누적 밝기 히스토그램에 기초하여 움직임 변화량을 계산할 수 있다.The motion variation calculation unit 145 calculates the first average motion variation of the user area for the initial time from the difference image for the user area of the initial unit time or calculates the first average motion variation of the user area for the evaluation time from the difference image for the user area of the unit evaluation time The second average motion variation of the user area is calculated. Preferably, the motion variation calculation unit 145 generates a cumulative brightness histogram of the difference image based on the brightness pixel values of the pixels constituting the difference image, and calculates the amount of motion variation based on the cumulative brightness histogram.

평가 임계범위 계산부(147)는 제1 평균 움직임 변화량에 양의 가중치를 합산하거나 음의 가중치를 합산하여 제1 평균 움직임 변화량에서 일정 임계범위를 가지는 평가 임계범위를 계산한다.The evaluation threshold range calculator 147 calculates the evaluation threshold range having a certain threshold range at the first average motion variation by summing positive weights or adding negative weights to the first average motion variation.

몰입 여부 판단부(149)는 움직임 변화량 계산부(145)에서 계산한 제2 평균 움직임 변화량과 평가 임계범위 계산부(147)에서 계산한 평가 임계범위를 비교하여 사용자가 1차 추천 콘텐츠에 몰입하고 있는지 여부를 판단한다. 여기서 몰입 여부 판단부(149)는 사용자가 1차 추천 콘텐츠에 몰입하고 있는지 여부를 동적 몰입, 정적 몰입 또는 무관심 중 어느 하나로 판단한다.The immersion determination unit 149 compares the second average motion variation calculated by the motion variation calculation unit 145 with the evaluation threshold range calculated by the evaluation threshold range calculation unit 147 so that the user is immersed in the first recommended content Or not. Here, the immersion determination unit 149 determines whether the user is immersed in the first-order recommendation content as one of dynamic commitment, static commitment, and indifference.

도 3은 본 발명의 일 실시예에 따른 신규 추천 컨텐츠 제공부를 설명하기 위한 기능 블록도이다. 3 is a functional block diagram for explaining a new recommended content providing unit according to an embodiment of the present invention.

도 3을 참고로 보다 구체적으로 살펴보면, 판단부(140)에서 사용자가 1차 추천 컨텐츠에 대해 몰입하지 않는 것으로 판단되는 경우, 특성 종류 판단부(151)는 사용자에 제공했던 1차 추천 컨텐츠의 특성 식별자를 판단한다. 도 4에 도시되어 있는 바와 같이 컨텐츠 데이터베이스에는 1차 추천 컨텐츠의 특성을 나타내는 식별자가 저장되어 있는데, 컨텐츠가 영화인 경우 즐거운 영화인지 아니면 슬픈 영화인지에 따라 즐거운 정도의 특성을 나타내는 특성 식별자가 부여된다. 예를 들어, 즐거운 정도에 따라 1에서 0 사이의 값이 특성 식별자로 할당될 수 있는데, "러브액추얼리"라는 영화는 즐거운 정도가 0.9이고 "봄날은 간다"라는 영화는 즐거운 정도가 0.2의 특성 식별자를 가진다. 특성 종류 판단부(151)는 1차 추천 컨텐츠에 어떠한 종류의 특성 식별자가 부여되어 있는지 판단한다.3, when the determination unit 140 determines that the user is not immersed in the primary recommendation content, the feature type determination unit 151 determines the characteristics of the primary recommendation content provided to the user Determine the identifier. As shown in FIG. 4, an identifier indicating the characteristics of the first-order recommendation content is stored in the content database. If the content is a movie, a characteristic identifier indicating a pleasant degree of characteristics is given depending on whether it is a pleasant movie or a sad movie. For example, a value between 1 and 0 may be assigned a characteristic identifier, depending on the degree of joy, the movie "Love Actual" having a pleasure rating of 0.9 and the movie "Springtime Going" . The characteristic type determination unit 151 determines what kind of characteristic identifier is assigned to the primary recommended content.

컨텐츠 검색부(153)는 특성 종류 판단부(151)에서 판단한 1차 추천 컨텐츠의 특성 식별자 종류에 기초하여, 1차 추천 컨텐츠와 반대되는 특성의 특성 식별자를 가지는 컨텐츠를 컨텐츠 데이터베이스에서 검색하며, 컨텐츠 제공부(155)는 컨텐츠 검색부(153)에서 검색한 1차 추천 컨텐츠와 반대되는 특성의 특성 식별자를 가지는 컨텐츠를 사용자에 신규 추천 컨텐츠로 제공한다. 예를 들어, 즐거운 정도의 특성을 나타내는 특성 식별자가 0.5를 기준으로 0.5 이상인 경우 즐거운 컨텐츠로 분류되고 0.5 이하인 경우 슬픈 컨텐츠로 분류되는 경우, 1차 추천 컨텐츠의 즐거운 정도의 특성을 나타내는 특성 식별자가 0.7인 경우 1차 추천 컨텐츠의 특성 식별자와 반대되도록 즐거운 정도의 특성을 나타내는 0.5 이하인 컨텐츠를 신규 추천 컨텐츠로 검색한다.The content searching unit 153 searches the content database for content having a characteristic identifier having a characteristic opposite to that of the primary recommended content based on the type of the characteristic identifier of the primary recommended content determined by the characteristic type determining unit 151, The providing unit 155 provides the user with the content having the characteristic identifier having the characteristic opposite to the primary recommended content searched by the content searching unit 153 as the new recommended content to the user. For example, if the characteristic identifier indicating the degree of pleasantness is 0.5 or more on the basis of 0.5, it is classified as pleasant content. If it is classified as sad content when the content identifier is 0.5 or less, the characteristic identifier indicating the pleasantness characteristic of the first recommended content is 0.7 , The content that is less than or equal to 0.5, which indicates a pleasant level characteristic to be opposite to the characteristic identifier of the primary recommended content, is retrieved as the new recommended content.

바람직하게, 컨텐츠 검색부(153)는 사용자에 추천한 컨텐츠에 대한 추천 이력을 사용자 데이터베이스에서 추출하며, 추출한 추천 컨텐츠의 특성 식별자의 평균값을 가지는 컨텐츠를 신규 추천 컨텐츠로 검색할 수 있다. 이와 같이, 사용자에 추천한 컨텐츠에 대한 추천 이력에 기초하여 평균값의 특성 식별자를 가지는 컨텐츠를 사용자에 신규 추천 컨텐츠로 제공함으로써, 사용자가 요구하는 컨텐츠를 보다 정확하게 검색할 수 있다.
Preferably, the content searching unit 153 extracts a recommendation history of the content recommended by the user from the user database, and may search for the content having the average value of the feature identifiers of the extracted recommended content as the new recommended content. Thus, by providing the content having the characteristic identifier of the average value to the user as the new recommended content based on the recommendation history of the content recommended by the user, the content requested by the user can be searched more accurately.

도 5는 본 발명에 따른 컨텐츠 추천 방법을 설명하기 위한 흐름도이다.5 is a flowchart illustrating a content recommendation method according to the present invention.

도 5를 참고로 보다 구체적으로 살펴보면, 사용자 정보에 기초하여 사용자와 임계 유사도 이상의 유사도를 가지는 주변 사용자가 선택한 컨텐츠를 사용자에 1차 추천 컨텐츠로 제공한다(S110). 여기서 사용자와 주변 사용자 사이의 유사도는 사용자 데이터베이스에 저장되어 있는 사용자 정보의 각 카테고리와 이에 해당하는 주변 사용자 정보의 각 카테고리의 일치 정도에 기초하여 계산된다. 예를 들어, 사용자와 주변 사용자 사이의 유사도(SL)는 아래의 수학식(1)에 의해 계산된다.Referring to FIG. 5, in operation S110, the content selected by the neighboring user having a degree of similarity equal to or greater than the threshold similarity to the user is provided to the user as the primary recommendation content based on the user information. Here, the similarity degree between the user and the surrounding user is calculated based on the degree of correspondence between each category of the user information stored in the user database and each category of the corresponding peripheral user information. For example, the similarity SL between the user and the surrounding user is calculated by the following equation (1).

[수학식 1][Equation 1]

Figure 112014030336790-pat00001
Figure 112014030336790-pat00001

여기서 Ai는 사용자 정보의 i번째 카테고리의 일치 정도를 의미하며, αi는 Ai에 부가되는 가중치를 의미한다. 예를 들어, 사용자 정보의 i번째 카테고리가 성별인 경우 성별이 남자로 서로 일치하는 경우 1의 값을 가지며, 서로 일치하지 않는 경우 0의 값을 가진다.Where A i denotes the degree of coincidence of the i-th category of user information, and α i denotes a weight added to A i . For example, when the i-th category of the user information is gender, the gender has a value of 1 when the gender is matched with a man, and a value of 0 when the gender does not match each other.

1차 추천 컨텐츠를 사용자에 제공하며, 사용자가 1차 추천 컨텐츠에 대해 몰입하고 있는지 여부를 판단한다(S120). 1차 추천 컨텐츠를 사용자에 제공하기 전 또는 제공 후 설정한 초기 시간 동안 획득한 사용자 영상에 기초하여 사용자의 1차 움직임 변화량을 계산하고, 초기 시간 이후 설정한 평가 시간 동안 획득한 사용자 영상에 기초하여 사용자의 2차 움직임 변화량을 계산한다. 그리고 사용자의 1차 움직임 변화량으로부터 계산된 임계 평가 범위와 사용자의 2차 움직임 변화량에 기초하여 사용자가 1차 추천 컨텐츠에 대해 몰입하고 있는지 여부를 판단한다. The first recommendation content is provided to the user, and it is determined whether the user is immersed in the first recommendation content (S120). A first motion variation amount of the user is calculated on the basis of the user image acquired before the primary recommendation contents are provided to the user or during the initial time set after the provision of the user's recommendation contents and based on the user images acquired during the evaluation time set after the initial time And calculates the second-order motion variation of the user. Then, based on the critical evaluation range calculated from the user's primary motion variation amount and the secondary motion variation amount of the user, it is determined whether or not the user is immersed in the primary recommended content.

사용자가 1차 추천 컨텐츠에 대해 몰입하고 있지 않다고 판단되는 경우 사용자에 1차 추천한 컨텐츠와 반대되는 특성 식별자를 가지거나 이전 사용자에 추천한 컨텐츠들의 특성 식별자 평균값을 가지는 컨텐츠를 검색하여 신규 추천 컨텐츠로 사용자에 제공한다(S130). If it is determined that the user is not immersed in the primary recommendation content, the content having the characteristic identifier opposite to the first recommendation content to the user or having the average value of the characteristic identifier of the contents recommended to the previous user is searched for, To the user (S130).

한편, 사용자가 1차 추천 컨텐츠에 몰입하고 있다고 판단되는 경우, 1차 추천 컨텐츠와 동일한 특성 식별자를 가지는 컨텐츠를 사용자에 추가 추천 컨텐츠로 제공하거나(S140), 제공하고 있는 1차 추천 컨텐츠와 관련한 추가 정보, 예를 들어 1차 추천 컨텐츠에 대한 상세한 설명, 1차 추천 컨텐츠에서 주인공이 자주 가는 카페에 대한 정보, 사용하는 제품에 대한 정보 등의 추가 정보를 사용자에 제공한다(S150). 바람직하게, 1차 추천 컨텐츠와 동일한 특성 식별자를 가지는 컨텐츠는 1차 추천 컨텐츠와 특성 식별자의 값이 동일하거나 1차 추천 컨텐츠의 특성 식별자 값에 상한 또는 하한 임계값을 추가한 동일 임계범위의 특성 식별자를 가지는 컨텐츠를 의미한다.
On the other hand, when it is determined that the user is immersed in the first recommended content, the content having the same characteristic identifier as the first recommended content is provided to the user as additional recommended content (S140) (S150), information such as a detailed description of the first recommended content, information on a café frequently used by the main character in the first recommended content, information on a product to be used, and the like. Preferably, the content having the same characteristic identifier as that of the primary recommended content includes a characteristic identifier having the same value as the primary recommended content and the characteristic identifier having the same upper limit or lower limit threshold value added to the characteristic identifier value of the primary recommended content Quot; content "

도 6은 본 발명의 일 실시예에 따른 사용자의 1차 추천 컨텐츠의 몰입 여부를 판단하는 방법을 설명하기 위한 흐름도이다.FIG. 6 is a flowchart illustrating a method for determining whether a user's primary recommendation content is immersive according to an embodiment of the present invention. Referring to FIG.

도 6을 참고로 보다 구체적으로 살펴보면, 영상 획득부를 통해 1차 추천 컨텐츠의 제공 전 또는 제공 후 기설정한 초기 시간 동안 획득한 사용자 영상으로부터 사용자 영역에 대한 초기 시간 동안의 제1 평균 움직임 변화량을 계산한다(S210). 계산한 제1 평균 움직임 변화량에 양의 가중치와 음의 가중치를 각각 합산하여 제1 평균 움직임 변화량으로부터 일정 범위를 가지는 평가 임계 범위를 계산한다(S220). 여기서 가중치는 초기 시간 동안 단위 초기 시간별 움직임 변화량의 표준편차인 것을 특징으로 한다.Referring to FIG. 6, the first average motion variation during the initial time for the user area is calculated from the user image acquired before or after the provision of the first recommended content through the image acquisition unit (S210). An evaluation threshold range having a certain range from the first average motion variation is calculated by summing the positive weight and the negative weight to the calculated first average motion variation (S220). Here, the weight is a standard deviation of the amount of motion variation per unit initial time during the initial time.

한편, 영상 획득부를 통해 1차 추천 컨텐츠를 제공한 초기 시간 이후 기설정한 평가 시간 동안 획득한 사용자 영상으로부터 사용자 영역에 대한 평가 시간 동안의 제2 평균 움직임 변화량을 계산한다(S230). 제2 평균 움직임 변화량과 평가 임계 범위를 비교하여 1차 추천 컨텐츠에 사용자가 몰입하고 있는지 여부를 판단한다(S240). 평가 시간 동안 사용자의 제2 평균 움직임 변화량이 평가 임계 범위보다 큰 경우 사용자가 1차 추천 컨텐츠에 대해 동적으로 몰입하고 있어 동적 몰입으로 판단하며, 평가 시간 동안 사용자의 제2 평균 움직임 변화량이 평가 임계 범위보다 작은 경우 사용자가 1차 추천 컨텐츠에 대해 정적으로 몰입하고 있어 정적 몰입으로 판단하며, 평가 시간 동안 사용자의 제2 평균 움직임 변화량이 평가 임계 범위에 존재하는 경우 사용자가 1차 추천 컨텐츠에 대해 몰입하지 못하고 무관심하다고 판단한다.Meanwhile, a second average motion variation during the evaluation time for the user area is calculated from the user image acquired during the predetermined evaluation time after the initial time when the first recommended content is provided through the image acquisition unit (S230). The second average motion variation is compared with the evaluation threshold range to determine whether the user is immersed in the first recommended content (S240). If the second average motion variation of the user is greater than the evaluation threshold range during the evaluation time, the user is determined to be dynamically immersed in the first recommendation content and determined that the second average motion variation is less than the evaluation threshold range The user is determined to be static immersion because the user is statically immersed in the first recommended content and if the user's second average motion variation is present in the evaluation threshold range during the evaluation time, I think it is indifferent.

여기서 동적 몰입이란 1차 추천 컨텐츠에 대해 사용자가 큰 움직임을 가지며 1차 추천 컨텐츠에 몰입하여 관람하는 것이며, 정적 몰입이란 1차 추천 컨텐츠에 대해 사용자가 집중함으로써 움직임이 거의 없이 1차 추천 컨텐츠를 몰입하여 관람하는 것이며, 무관심은 1차 추천 컨텐츠가 시작되기 전 또는 시작된 후 일정 초기 시간과 동일하게 일정한 크기의 움직임을 가지며 1차 추천 컨텐츠에 집중을 하지 못하는 것을 의미한다.
Here, the dynamic immersion means that the user has a large movement with respect to the first recommended content and is immersed in the first recommended content and is viewed. The static immersion means that the user concentrates on the first recommended content, And indifference means that the user can not concentrate on the first recommendation contents because the indifference has a certain size of movement before or after the first recommendation content starts and is equal to the initial time.

도 7은 1차 추천 컨텐츠에 대한 사용자의 몰입 여부를 판단하는데 사용되는 초기 시간과 평가 시간의 일 예를 도시하고 있다. 도 7에 도시되어 있는 바와 같이 1차 추천 컨텐츠가 시작된 시점(t0)부터 일정한 시간이 흐른 시점(t1)이 초기 시간으로 설정되며, 초기 시간 이후 일정한 시간이 흐름 시점(t2)이 평가 시간으로 설정된다. FIG. 7 shows an example of an initial time and an evaluation time used for determining whether a user is immersed in the first recommended content. As shown in FIG. 7, a time t 1 at which a predetermined time has elapsed since the time point t 0 at which the first recommendation content starts is set as an initial time, and a time point t 2 at which a certain time passes after the initial time is evaluated Time.

도 8은 본 발명의 일 실시예에 따른 제1 평균 움직임 변화량을 계산하는 단계를 설명하기 위한 흐름도이다.8 is a flowchart for explaining a step of calculating a first average motion variation amount according to an embodiment of the present invention.

도 8을 참고로 보다 구체적으로 살펴보면, 1차 추천 컨텐츠를 제공하기 전 또는 제공 후 설정한 초기 시간 동안 획득한 사용자 영상에서 초기 시간의 사용자 영역을 판단한다(S211). 초기 시간은 다수의 단위 초기 시간으로 구성되며, 각 단위 초기 시간에서 사용자 영역을 판단한다.Referring to FIG. 8, in operation S211, a user area of an initial time is determined in a user image acquired before or after the provision of the first recommended content. The initial time is composed of a plurality of unit initial times, and a user area is determined at each unit initial time.

단위 초기 시간에서 판단한 사용자 영역에 기초하여 현재 단위 초기 시간에서의 사용자 영역과 이전 단위 초기 시간에서의 사용자 영역을 차감하여 현재 단위 초기 시간에서의 차 영상을 생성한다(S213). 이와 같이 단위 초기 시간별로 각각 차 영상을 생성한다.A difference image at the current unit initial time is generated by subtracting the user area at the current unit initial time and the user area at the previous unit initial time based on the user area determined at the unit initial time at step S213. As described above, a difference image is generated for each unit initial time.

생성한 각 단위 초기 시간의 차 영상으로부터 각 단위 초기 시간별로 사용자 영역의 움직임 변화량을 계산하고(S215). 각 단위 초기 시간의 사용자 영역의 움직임 변화량에 기초하여 초기 시간 동안의 제1 평균 움직임 변화량을 계산한다(S217).
The motion variation of the user region is calculated from the difference image of each unit initial time generated for each unit initial time (S215). The first average motion variation amount for the initial time is calculated based on the movement variation of the user area of each unit initial time (S217).

도 9는 본 발명에 일 실시예에 따른 제2 평균 움직임 변화량을 계산하는 단계를 설명하기 위한 흐름도이다.9 is a flowchart for explaining a step of calculating a second average motion variation according to an embodiment of the present invention.

도 9를 참고로 보다 구체적으로 살펴보면, 초기 시간 이후 평가 시간 동안 획득한 사용자 영상에서 평가 시간의 사용자 영역을 판단한다(S231). 평가 시간은 다수의 단위 평가 시간으로 구성되며, 각 단위 평가 시간에서 사용자 영역을 판단한다. Referring to FIG. 9, the user area of the evaluation time is determined in the user image acquired during the evaluation time after the initial time (S231). The evaluation time is composed of a plurality of unit evaluation times, and the user area is determined at each unit evaluation time.

단위 평가 시간에서 판단한 사용자 영역에 기초하여 현재 단위 평가 시간에서의 사용자 영역과 이전 단위 평가 시간에서의 사용자 영역을 차감하여 현재 단위 평가 시간에서의 차 영상을 생성한다(S233). 이와 같이 단위 평가 시간별로 각각 차 영상을 생성한다.A difference image at the current unit evaluation time is generated by subtracting the user area at the current unit evaluation time from the user area at the previous unit evaluation time based on the user area determined at the unit evaluation time at step S233. As described above, a difference image is generated for each unit evaluation time.

생성한 각 단위 평가 시간의 차 영상으로부터 각 단위 평가 시간별로 사용자 영역의 움직임 변화량을 계산하고(S235). 각 단위 평가 시간의 사용자 영역의 움직임 변화량에 기초하여 평가 시간 동안의 제2 평균 움직임 변화량을 계산한다(S237).
The amount of motion change of the user area is calculated from the difference image of each unit evaluation time generated for each unit evaluation time (S235). The second average motion variation during the evaluation time is calculated based on the motion variation of the user area of each unit evaluation time (S237).

도 10은 본 발명에서 콘텐츠에 대한 개인 관객의 몰입도 유형의 일 예를 설명하기 위한 도면이다.FIG. 10 is a view for explaining an example of an individual viewer's immersion type for contents in the present invention.

도 10(a)는 동적 몰입의 일 예를 도시하고 있는데, 도 10(a)에 도시되어 있는 바와 같이 평가 시간 동안의 단위 평가 시간별로 판단한 사용자의 움직임 변화량이 평가 임계 범위의 상한 평가 임계값(AVT)보다 크게 계산되며, 이러한 경우 사용자는 1차 추천 컨텐츠에 동적으로 몰입하고 있음을 나타낸다.10A shows an example of the dynamic immersion. As shown in FIG. 10A, when the amount of motion variation of the user determined by the unit evaluation time during the evaluation time is less than the upper evaluation threshold value of the evaluation threshold range AV T ), which in this case indicates that the user is dynamically immersed in the primary recommendation content.

도 10(b)는 정적 몰입의 일 예를 도시하고 있는데, 도 10(b)에 도시되어 있는 바와 같이 평가 시간 동안의 단위 평가 시간별로 판단한 사용자의 움직임 변화량이 평가 임계 범위의 하한 평가 임계값(AVB)보다 작게 계산되며, 이러한 경우 사용자는 1차 추천 컨텐츠에 집중하여 움직임이 거의 없음을 의미한다.10 (b) shows an example of the static immersion. As shown in FIG. 10 (b), when the amount of motion variation of the user judged by the unit evaluation time during the evaluation time is lower than the lower evaluation threshold AV B ). In this case, the user concentrates on the first recommendation content, which means that there is almost no movement.

도 10(c)는 무관심 몰입의 일 예를 도시하고 있는데, 도 10(c)에 도시되어 있는 바와 같이 평가 시간 동안의 단위 평가 시간별로 판단한 사용자의 움직임 변화량이 평가 임계 범위의 상한 평가 임계값(AVT)과 하한 평가 임계값(AVB) 사이에 존재하며 이는 사용자가 1차 추천 컨텐츠의 제공 시점과 동일하게 1차 추천 컨텐츠에 몰입하지 못하고 무관심함으로 의미한다.10C shows an example of the indifference commitment. As shown in FIG. 10C, when the amount of movement of the user determined by unit evaluation time during the evaluation time is less than the upper evaluation threshold value AV T ) and the lower limit evaluation threshold (AV B ), which means that the user can not be immersed in the first recommendation content and is indifferent to the first recommendation content.

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.The above-described embodiments of the present invention can be embodied in a general-purpose digital computer that can be embodied as a program that can be executed in a computer and operates the program using a computer-readable recording medium.

상기 컴퓨터로 읽을 수 있는 기록 매체는 전기 또는 자기식 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.
The computer-readable recording medium may be an electrically or magnetic storage medium such as a ROM, a floppy disk, a hard disk, etc., an optical reading medium such as a CD-ROM or a DVD and a carrier wave, , Transmission over the Internet).

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. While the present invention has been particularly shown and described with reference to exemplary embodiments thereof, it is evident that many alternatives, modifications and variations will be apparent to those skilled in the art. Accordingly, the true scope of the present invention should be determined by the technical idea of the appended claims.

110: 데이터베이스 120: 1차 추천 컨텐츠 제공부
130: 영상 획득부 140: 판단부
150: 신규 추천 컨텐츠 제공부 160: 추가 추천 컨텐츠 제공부
170: 추가 정보 제공부
141: 사용자 영역 판단부 143: 차 영상 생성부
145: 움직임 변화량 계산부 147: 평가 임계범위 계산부
149: 몰입 여부 판단부 151: 특성 판단부
153: 컨텐츠 검색부 155: 컨텐츠 제공부110: Database 120: Primary recommended content provisioning
130: Image acquisition unit 140:
150: Offering new recommended contents 160: Offering additional recommended contents
170: Additional information Offering
141: User area determining unit 143: Differential image generating unit
145: motion variation calculation unit 147: evaluation threshold range calculation unit
149: immersion determination unit 151: characteristic determination unit
153: Contents searching unit 155: Content providing unit

Claims (17)

1차 추천 컨텐츠 제공부에서 사용자 데이터베이스에 저장되어 있는 사용자의 사용자 정보와 사용자 데이터베이스에 저장되어 있는 주변 사용자의 사용자 정보를 비교하여 상기 사용자와 상기 주변 사용자 사이의 유사도를 계산하며, 상기 사용자와 임계 유사도 이상의 유사도를 가지는 주변 사용자가 선택한 컨텐츠를 컨텐츠 데이터베이스에서 추출하여 상기 사용자에 1차 추천 컨텐츠로 제공하는 단계;
영상 획득부에서 상기 사용자를 촬영하여 설정한 초기 시간 및 설정한 평가 시간 동안 사용자 영상을 획득하는 단계;
판단부에서 상기 초기 시간 동안 획득한 사용자 영상의 평가 임계 범위와 상기 평가 시간 동안 획득한 사용자 영상 사이의 움직임 변화량을 비교하여 상기 1차 추천 콘텐츠에 대한 사용자의 몰입 여부를 판단하는 단계; 및
상기 1차 추천 컨텐츠에 대해 사용자가 무관심한 것으로 판단되는 경우, 신규 추천 컨텐츠 제공부에서 상기 1차 추천 컨텐츠의 특성 식별자와 반대되는 특성 식별자의 컨텐츠를 상기 사용자에 신규 추천 컨텐츠로 제공하는 단계를 포함하며,
상기 초기 시간은 상기 1차 추천 컨텐츠를 상기 사용자에 제공하기 전 또는 제공 후 설정된 시간이며, 상기 평가 시간은 상기 초기 시간 경과 후 설정된 시간이며,
상기 1차 추천 컨텐츠에 대한 상기 사용자의 몰입 여부는 동적 몰입, 정적 몰입 또는 무관심 중 어느 하나로 판단되며,
상기 신규 추천 컨텐츠 제공부에서 상기 사용자에 신규 추천 컨텐츠를 제공하는 단계는 상기 1차 추천 컨텐츠의 특성 식별자의 종류를 판단하는 단계와, 상기 1차 추천 컨텐츠의 특성 식별자의 종류별로 상기 1차 추천 컨텐츠의 특성 식별자와 반대되는 특성 식별자를 가지는 컨텐츠를 검색하는 단계와, 상기 반대되는 특성 식별자의 컨텐츠를 상기 사용자에 신규 추천 컨텐츠로 제공하는 단계를 포함하는 것을 특징으로 하는 컨텐츠 추천 방법. The first recommended content providing unit compares the user information of the user stored in the user database with the user information of the nearby users stored in the user database to calculate the similarity between the user and the neighboring user, Extracting the content selected by the neighboring user having the similarity from the content database and providing the extracted content as first recommendation content to the user;
Acquiring a user image during an initial time and an established evaluation time by photographing the user in an image acquisition unit;
Determining whether the user is immersed in the primary recommendation content by comparing a movement variation between the evaluation threshold range of the user image acquired during the initial time and the user image acquired during the evaluation time; And
If the user is determined to be indifferent to the primary recommended content, providing the content of the characteristic identifier opposite to the characteristic identifier of the primary recommended content in the new recommended content providing unit to the user as new recommended content ,
Wherein the initial time is a time set before or after providing the primary recommendation content to the user and the evaluation time is a time set after the initial time has elapsed,
Whether the user is immersed in the primary recommendation content is judged to be one of dynamic commitment, static commitment, and indifference,
Wherein the step of providing the new recommended content to the user in the new recommended content providing step comprises the steps of: determining the type of the characteristic identifier of the primary recommended content; determining, by the type of the characteristic identifier of the primary recommended content, Searching for a content having a characteristic identifier that is opposite to the characteristic identifier of the characteristic identifier of the user; and providing the content of the opposite characteristic identifier to the user as new recommended content. 제 1 항에 있어서, 상기 컨텐츠 추천 방법은
상기 1차 추천 컨텐츠에 대한 사용자가 동적 몰입 또는 정적 몰입하는 것으로 판단되는 경우, 추가 추천 컨텐츠 제공부는 상기 1차 추천 컨텐츠와 동일한 특성 식별자를 가지는 유사 컨텐츠를 선택하는 단계; 및
상기 추가 컨텐츠 제공부에서 상기 선택한 유사 컨텐츠를 추가 추천 컨텐츠로 상기 사용자에 제공하는 단계를 더 포함하는 것을 특징으로 하는 컨텐츠 추천 방법. The method of claim 1, wherein the content recommendation method comprises:
If it is determined that the user has a dynamic commitment or a static commitment to the primary recommendation content, the supplemental recommendation content provider selects the similar content having the same characteristic identifier as the primary recommendation content; And
And providing the selected similar content to the user as additional recommended content in the additional content providing unit. 제 1 항에 있어서, 상기 컨텐츠 추천 방법은
상기 1차 추천 컨텐츠에 대한 사용자가 동적 몰입 또는 정적 몰입하는 것으로 판단되는 경우, 추가정보 제공부는 상기 1차 추천 컨텐츠에 대한 추가 정보를 사용자에 제공하는 단계를 더 포함하는 것을 특징으로 하는 컨텐츠 추천 방법.The method of claim 1, wherein the content recommendation method comprises:
Wherein the supplementary information providing unit further provides the supplementary information on the first recommended content to the user when it is determined that the user has a dynamic commitment or a static commitment to the first recommended content . 삭제delete 1차 추천 컨텐츠 제공부에서 사용자 데이터베이스에 저장되어 있는 사용자의 사용자 정보와 사용자 데이터베이스에 저장되어 있는 주변 사용자의 사용자 정보를 비교하여 상기 사용자와 상기 주변 사용자 사이의 유사도를 계산하며, 상기 사용자와 임계 유사도 이상의 유사도를 가지는 주변 사용자가 선택한 컨텐츠를 컨텐츠 데이터베이스에서 추출하여 상기 사용자에 1차 추천 컨텐츠로 제공하는 단계;
영상 획득부에서 상기 사용자를 촬영하여 설정한 초기 시간 및 설정한 평가 시간 동안 사용자 영상을 획득하는 단계;
판단부에서 상기 초기 시간 동안 획득한 사용자 영상의 평가 임계 범위와 상기 평가 시간 동안 획득한 사용자 영상 사이의 움직임 변화량을 비교하여 상기 1차 추천 콘텐츠에 대한 사용자의 몰입 여부를 판단하는 단계; 및
상기 1차 추천 컨텐츠에 대해 사용자가 무관심한 것으로 판단되는 경우, 신규 추천 컨텐츠 제공부에서 상기 1차 추천 컨텐츠의 특성 식별자와 반대되는 특성 식별자의 컨텐츠를 상기 사용자에 신규 추천 컨텐츠로 제공하는 단계를 포함하며,
상기 초기 시간은 상기 1차 추천 컨텐츠를 상기 사용자에 제공하기 전 또는 제공 후 설정된 시간이며, 상기 평가 시간은 상기 초기 시간 경과 후 설정된 시간이며,
상기 1차 추천 컨텐츠에 대한 상기 사용자의 몰입 여부는 동적 몰입, 정적 몰입 또는 무관심 중 어느 하나로 판단되며,
상기 판단부에서 상기 1차 추천 컨텐츠에 대한 사용자의 몰입 여부를 판단하는 단계는 상기 1차 추천 컨텐츠를 사용자에 제공 전 또는 제공 후 초기 시간 동안의 사용자 영상으로부터 상기 사용자의 제1 평균 움직임 변화량을 계산하는 단계와, 상기 제1 평균 움직임 변화량에 가중치를 합산하여 평가 임계범위를 계산하는 단계와, 상기 초기 시간 이후의 평가 시간 동안의 사용자 영상으로부터 상기 사용자의 제2 평균 움직임 변화량을 계산하는 단계와, 상기 제2 평균 움직임 변화량와 상기 평가 임계범위를 비교하여 상기 1차 추천 컨텐츠에 대한 상기 사용자의 몰입 여부를 판단하는 단계를 포함하는 것을 특징으로 하는 컨텐츠 추천 방법.The first recommended content providing unit compares the user information of the user stored in the user database with the user information of the nearby users stored in the user database to calculate the similarity between the user and the neighboring user, Extracting the content selected by the neighboring user having the similarity from the content database and providing the extracted content as first recommendation content to the user;
Acquiring a user image during an initial time and an established evaluation time by photographing the user in an image acquisition unit;
Determining whether the user is immersed in the primary recommendation content by comparing a movement variation between the evaluation threshold range of the user image acquired during the initial time and the user image acquired during the evaluation time; And
If the user is determined to be indifferent to the primary recommended content, providing the content of the characteristic identifier opposite to the characteristic identifier of the primary recommended content in the new recommended content providing unit to the user as new recommended content ,
Wherein the initial time is a time set before or after providing the primary recommendation content to the user and the evaluation time is a time set after the initial time has elapsed,
Whether the user is immersed in the primary recommendation content is judged to be one of dynamic commitment, static commitment, and indifference,
Wherein the step of determining whether the user is immersed in the primary recommendation content in the determination unit includes calculating a first average motion change amount of the user from a user image before or after providing the primary recommendation content to the user Calculating a second average motion variation amount of the user from the user image during the evaluation time after the initial time, calculating a second average motion variation amount of the user from the user image during the evaluation time after the initial time, And comparing the second average motion variation with the evaluation threshold range to determine whether the user is immersed in the primary recommendation content. 삭제delete 제 5 항에 있어서, 상기 제1 평균 움직임 변화량을 계산하는 단계는
상기 1차 추천 컨텐츠를 사용자에 제공 전 또는 제공 후, 설정한 초기 시간 동안의 사용자 영상을 획득하고 상기 사용자 영상에서 사용자 영역을 판단하는 단계;
상기 초기 시간을 구성하는 단위 초기 시간별로 각 단위 초기 시간의 사용자 영역의 영상과 이전 초기 단위 시간의 사용자 영역의 영상을 차감하여 단위 초기 시간의 차 영상을 생성하는 단계;
상기 단위 초기 시간의 차 영상으로부터 각 단위 초기 시간의 사용자 영역의 움직임 변화량을 계산하는 단계 ; 및
상기 단위 초기 시간의 사용자 영역의 움직임 변화량으로부터 상기 초기 시간 동안의 사용자의 제1 평균 움직임 변화량을 계산하는 단계를 포함하는 것을 특징으로 하는 컨텐츠 추천 방법. 6. The method of claim 5, wherein calculating the first average motion variation comprises:
Acquiring a user image for an initial time set before or after providing the primary recommendation content to a user and determining a user area in the user image;
Generating a difference image of a unit initial time by subtracting an image of a user area of each unit initial time and an image of a user area of a previous initial unit time by a unit initial time constituting the initial time;
Calculating a movement variation of a user area of each unit initial time from a difference image of the unit initial time; And
And calculating a first average motion variation of the user during the initial time from a motion variation of the user area of the unit initial time. 제 5 항에 있어서,
상기 평가 임계범위는 상한 평가 임계값과 하한 평가 임계값 사이의 값을 가지는데,
상기 상한 평가 임계값은 상기 제1 평균 움직임 변화량에 가중치를 합산하여 계산되며,
상기 하한 평가 임계값은 상기 제1 평균 움직임 변화량에 가중치를 차감하여 계산되는 것을 특징으로 하는 컨텐츠 추천 방법.6. The method of claim 5,
The evaluation threshold range has a value between an upper evaluation threshold and a lower evaluation threshold,
Wherein the upper limit evaluation threshold value is calculated by adding a weight to the first average motion variation amount,
Wherein the lower limit evaluation threshold value is calculated by subtracting a weight from the first average motion variation amount. 제 5 항에 있어서, 상기 제2 평균 움직임 변화량을 계산하는 단계는
상기 초기 시간 이후의 평가 시간 동안의 사용자 영상을 획득하고 평가 시간 동안의 상기 사용자 영상에서 사용자 영역을 판단하는 단계;
상기 평가 시간을 구성하는 단위 평가 시간별로 각 단위 평가 시간의 사용자 영역과 이전 평가 단위 시간의 사용자 영역을 차감하여 단위 평가 시간의 차 영상을 생성하는 단계;
상기 단위 평가 시간의 차 영상으로부터 각 단위 평가 시간의 사용자 영역의 움직임 변화량을 계산하는 단계; 및
상기 단위 평가 시간의 사용자 영역의 움직임 변화량으로부터 상기 평가 시간 동안의 사용자 영역의 제2 평균 움직임 변화량을 계산하는 단계를 포함하는 것을 특징으로 하는 컨텐츠 추천 방법.6. The method of claim 5, wherein calculating the second average motion variation comprises:
Obtaining a user image during the evaluation time after the initial time and determining a user area in the user image during the evaluation time;
Generating a difference image of a unit evaluation time by subtracting a user area of each unit evaluation time and a user area of a previous evaluation unit time from each unit evaluation time constituting the evaluation time;
Calculating a motion variation amount of a user area of each unit evaluation time from a difference image of the unit evaluation time; And
And calculating a second average motion variation of the user area during the evaluation time from a motion variation of the user area of the unit evaluation time. 제 8 항에 있어서, 상기 제2 평균 움직임 변화량이 상기 상한 평가 임계값보다 높은 경우 동적 몰입으로 판단하는 것을 특징으로 하는 컨텐츠 추천 방법. 9. The content recommendation method according to claim 8, wherein when the second average motion variation amount is higher than the upper limit evaluation threshold value, it is determined to be dynamic immersion. 제 8 항에 있어서, 상기 제2 평균 움직임 변화량이 상기 하한 평가 임계값보다 낮은 경우 정적 몰입으로 판단하는 것을 특징으로 하는 컨텐츠 추천 방법.The content recommendation method according to claim 8, wherein when the second average motion variation amount is lower than the lower limit evaluation threshold value, it is determined to be static immersion. 제 8 항에 있어서, 상기 제2 평균 움직임 변화량이 상기 상한 평가 임계값과 상기 하한 평가 임계값 사이인 경우 무관심으로 판단하는 것을 특징으로 하는 컨텐츠 추천 방법.9. The content recommendation method according to claim 8, wherein when the second average motion variation amount is between the upper evaluation threshold value and the lower evaluation threshold value, it is determined to be indifferent. 사용자 정보를 저장하고 있는 사용자 데이터베이스와 컨텐츠 정보를 저장하고 있는 컨텐츠 데이터베이스를 구비하는 데이터베이스부;
상기 사용자 데이터베이스에 저장되어 있는 사용자의 사용자 정보와 상기 사용자 데이터베이스에 저장되어 있는 주변 사용자의 사용자 정보를 비교하여 상기 사용자와 상기 주변 사용자 사이의 유사도를 계산하며, 상기 사용자와 임계 유사도 이상의 유사도를 가지는 주변 사용자가 선택한 컨텐츠를 상기 컨텐츠 데이터베이스에서 추출하여 상기 사용자에 1차 추천 컨텐츠로 제공하는 1차 추천 컨텐츠 제공부;
상기 사용자를 촬영하여 설정한 초기 시간 및 설정한 평가 시간 동안 사용자 영상을 획득하는 영상 획득부;
상기 초기 시간 동안 획득한 사용자 영상의 평가 임계 범위와 상기 평가 시간 동안 획득한 사용자 영상 사이의 움직임 변화량을 비교하여 상기 1차 추천 콘텐츠에 대한 사용자의 몰입 여부를 판단하는 판단부; 및
상기 1차 추천 컨텐츠에 대해 사용자가 무관심한 것으로 판단되는 경우, 상기 1차 추천 컨텐츠의 특성 식별자와 반대되는 특성 식별자의 컨텐츠를 상기 사용자에 신규 추천 컨텐츠로 제공하는 신규 추천 컨텐츠 제공부를 포함하며,
상기 컨텐츠 데이터베이스의 컨텐츠는 컨텐츠의 특성을 나타내는 특성 식별자로 구분되어 상기 컨텐츠 데이터베이스에 저장되어 있으며,
상기 초기 시간은 상기 1차 추천 컨텐츠를 상기 사용자에 제공하기 전 또는 제공 후 설정된 시간이고 상기 평가 시간은 상기 초기 시간 경과 후 설정된 시간이며,
상기 1차 추천 컨텐츠에 대한 상기 사용자의 몰입 여부는 동적 몰입, 정적 몰입 또는 무관심 중 어느 하나로 판단되며,
상기 신규 추천 컨텐츠 제공부는 사용자가 상기 1차 추천 컨텐츠에 대해 몰입하지 않는 것으로 판단되는 경우, 상기 사용자에 상기 1차 추천 컨텐츠의 특성 식별자의 종류를 판단하는 특성 판단와, 상기 1차 추천 컨텐츠의 특성 식별자의 종류별로 상기 1차 추천 컨텐츠의 특성 식별자와 반대되는 특성 식별자를 가지는 컨텐츠를 상기 컨텐츠 데이터베이스에서 검색하는 컨텐츠 검색부와, 상기 반대되는 특성 식별자의 컨텐츠를 상기 사용자에 신규 추천 컨텐츠로 제공하는 컨텐츠 제공부를 포함하는 것을 특징으로 하는 컨텐츠 추천 장치.A database unit having a user database storing user information and a content database storing content information;
And calculating a degree of similarity between the user and the neighboring user by comparing the user information of the user stored in the user database with the user information of the neighboring user stored in the user database, A first recommendation content providing unit that extracts content selected by the user from the content database and provides the first recommendation content to the user;
An image acquisition unit for acquiring a user image during an initial time and an evaluation time set by photographing the user;
A determining unit for determining whether the user is immersed in the first recommended content by comparing the amount of change in motion between the evaluation threshold range of the user image acquired during the initial time and the user image acquired during the evaluation time; And
And a new recommended content providing unit for providing the user with a content having a characteristic identifier opposite to the characteristic identifier of the primary recommended content as the new recommended content when it is determined that the user is indifferent to the primary recommended content,
Wherein the contents of the contents database are divided into characteristic identifiers indicating characteristics of the contents and stored in the contents database,
Wherein the initial time is a time set before or after providing the primary recommendation content to the user and the evaluation time is a time set after the initial time elapses,
Whether the user is immersed in the primary recommendation content is judged to be one of dynamic commitment, static commitment, and indifference,
The new recommended content providing unit may include a characteristic determination unit that determines a type of the characteristic identifier of the primary recommended content to the user when the user is determined not to be immersed in the primary recommended content, A content search unit for searching the content database for a content having a characteristic identifier that is opposite to a characteristic identifier of the primary recommendation content for each type of content, and a content providing unit for providing the content of the opposite characteristic identifier to the user as new recommended content And a content recommendation unit. 제 13 항에 있어서, 상기 컨텐츠 추천 장치는
사용자가 상기 1차 추천 컨텐츠에 몰입하는 것으로 판단되는 경우, 상기 1차 추천 컨텐츠와 동일한 특성 식별자를 가지는 유사 컨텐츠를 선택하고, 상기 선택한 유사 컨텐츠를 추가 추천 컨텐츠로 사용자에 제공하는 추가 추천 컨텐츠 제공부를 더 포함하는 것을 특징으로 하는 컨텐츠 추천 장치. 14. The apparatus of claim 13, wherein the content recommendation apparatus
When the user is determined to be immersed in the primary recommendation content, selects the similar content having the same characteristic identifier as the primary recommendation content, and provides the selected similar content to the user as additional recommendation content The content recommendation apparatus comprising: 제 13 항에 있어서, 상기 컨텐츠 추천 장치는
사용자가 상기 1차 추천 컨텐츠에 몰입하는 것으로 판단되는 경우, 상기 1차 추천 컨텐츠에 대한 추가 정보를 상기 컨텐츠 데이터베이스에서 검색하고 상기 추가 정보를 상기 사용자에 제공하는 추가 정보 제공부를 더 포함하는 것을 특징으로 하는 컨텐츠 추천 장치.14. The apparatus of claim 13, wherein the content recommendation apparatus
And an additional information providing unit for searching the content database for additional information on the primary recommended content and providing the additional information to the user when it is determined that the user is immersed in the primary recommended content, . 삭제delete 사용자 정보를 저장하고 있는 사용자 데이터베이스와 컨텐츠 정보를 저장하고 있는 컨텐츠 데이터베이스를 구비하는 데이터베이스부;
상기 사용자 데이터베이스에 저장되어 있는 사용자의 사용자 정보와 상기 사용자 데이터베이스에 저장되어 있는 주변 사용자의 사용자 정보를 비교하여 상기 사용자와 상기 주변 사용자 사이의 유사도를 계산하며, 상기 사용자와 임계 유사도 이상의 유사도를 가지는 주변 사용자가 선택한 컨텐츠를 상기 컨텐츠 데이터베이스에서 추출하여 상기 사용자에 1차 추천 컨텐츠로 제공하는 1차 추천 컨텐츠 제공부;
상기 사용자를 촬영하여 설정한 초기 시간 및 설정한 평가 시간 동안 사용자 영상을 획득하는 영상 획득부;
상기 초기 시간 동안 획득한 사용자 영상의 평가 임계 범위와 상기 평가 시간 동안 획득한 사용자 영상 사이의 움직임 변화량을 비교하여 상기 1차 추천 콘텐츠에 대한 사용자의 몰입 여부를 판단하는 판단부; 및
상기 1차 추천 컨텐츠에 대해 사용자가 무관심한 것으로 판단되는 경우, 상기 1차 추천 컨텐츠의 특성 식별자와 반대되는 특성 식별자의 컨텐츠를 상기 사용자에 신규 추천 컨텐츠로 제공하는 신규 추천 컨텐츠 제공부를 포함하며,
상기 컨텐츠 데이터베이스의 컨텐츠는 컨텐츠의 특성을 나타내는 특성 식별자로 구분되어 상기 컨텐츠 데이터베이스에 저장되어 있으며,
상기 초기 시간은 상기 1차 추천 컨텐츠를 상기 사용자에 제공하기 전 또는 제공 후 설정된 시간이고 상기 평가 시간은 상기 초기 시간 경과 후 설정된 시간이며,
상기 1차 추천 컨텐츠에 대한 상기 사용자의 몰입 여부는 동적 몰입, 정적 몰입 또는 무관심 중 어느 하나로 판단되며,
상기 판단부는 획득한 사용자 영상에서 사용자 영역을 판단하는 사용자 영역 판단부와, 상기 1차 추천 컨텐츠를 상기 사용자에 제공 전 또는 제공 후 설정한 초기 시간을 구성하는 단위 초기 시간별로 상기 사용자 영역에 대한 차 영상을 계산하거나 상기 초기 시간 이후 평가 시간을 구성하는 단위 평가 시간별로 상기 사용자 영역에 대한 차 영상을 계산하는 차 영상 계산부와, 상기 단위 초기 시간의 사용자 영역에 대한 차 영상으로부터 상기 초기 시간 동안의 사용자의 제1 평균 움직임 변화량을 계산하거나, 상기 단위 평가 시간의 사용자 영역에 대한 차 영상으로부터 상기 평가 시간 동안의 사용자의 제2 평균 움직임 변화량을 계산하는 움직임 변화량 계산부와, 상기 제1 평균 움직임 변화량에 가중치를 합산하여 평가 임계범위를 계산하는 평가 임계범위 계산부와, 상기 제2 평균 움직임 변화량과 상기 평가 임계범위를 비교하여 상기 1차 추천 컨텐츠에 대한 사용자의 몰입 여부를 판단하는 몰입 여부 판단부를 포함하는 것을 특징으로 하는 컨텐츠 추천 장치.A database unit having a user database storing user information and a content database storing content information;
And calculating a degree of similarity between the user and the neighboring user by comparing the user information of the user stored in the user database with the user information of the neighboring user stored in the user database, A first recommendation content providing unit that extracts content selected by the user from the content database and provides the first recommendation content to the user;
An image acquisition unit for acquiring a user image during an initial time and an evaluation time set by photographing the user;
A determining unit for determining whether the user is immersed in the first recommended content by comparing the amount of change in motion between the evaluation threshold range of the user image acquired during the initial time and the user image acquired during the evaluation time; And
And a new recommended content providing unit for providing the user with a content having a characteristic identifier opposite to the characteristic identifier of the primary recommended content as the new recommended content when it is determined that the user is indifferent to the primary recommended content,
Wherein the contents of the contents database are divided into characteristic identifiers indicating characteristics of the contents and stored in the contents database,
Wherein the initial time is a time set before or after providing the primary recommendation content to the user and the evaluation time is a time set after the initial time elapses,
Whether the user is immersed in the primary recommendation content is judged to be one of dynamic commitment, static commitment, and indifference,
The determination unit may include a user region determination unit for determining a user region in the acquired user image, a user determination unit for determining a user region based on a unit initial time that constitutes an initial time set before or after providing the first recommended content to the user, A difference image calculation unit for calculating an image or calculating a difference image for the user area for each unit evaluation time that constitutes an evaluation time after the initial time; A motion variation amount calculation section for calculating a first average motion variation amount of the user or a second average motion variation amount of the user during the evaluation time from a difference image with respect to a user area of the unit evaluation time; Is an evaluation for calculating the evaluation threshold range by summing the weights Range calculation unit, and a second mean motion change amount and the content comprises comparing the evaluated critical range, the primary recommendation whether immersion for determining whether the user's involvement for the content judgment unit like device.
KR1020140037113A 2014-03-28 2014-03-28 Method for recommending content based on response of user KR101690366B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020140037113A KR101690366B1 (en) 2014-03-28 2014-03-28 Method for recommending content based on response of user

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140037113A KR101690366B1 (en) 2014-03-28 2014-03-28 Method for recommending content based on response of user

Publications (2)

Publication Number Publication Date
KR20150114002A KR20150114002A (en) 2015-10-12
KR101690366B1 true KR101690366B1 (en) 2016-12-28

Family

ID=54346790

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140037113A KR101690366B1 (en) 2014-03-28 2014-03-28 Method for recommending content based on response of user

Country Status (1)

Country Link
KR (1) KR101690366B1 (en)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102560677B1 (en) * 2015-10-29 2023-07-28 에스케이플래닛 주식회사 Service providing device for recommending movie using BLE and face recognition technology, movie recommendation service system comprising the same, control method thereof and computer readable medium having computer program recorded thereon
KR101790951B1 (en) * 2016-03-24 2017-10-27 (주)잼투고 System of Adjust Weight Value of Contents Based on Immersive Event
KR101905501B1 (en) * 2016-12-29 2018-10-08 주식회사 카카오 Method and apparatus of recommending contents
KR102222747B1 (en) * 2018-11-30 2021-03-04 오당찬 Method for operating an immersion level and electronic device supporting the same
KR20220054067A (en) * 2020-10-23 2022-05-02 삼성전자주식회사 System including electronic device and server, and contents recommendation method using the system
KR102522784B1 (en) * 2020-11-13 2023-04-17 주식회사 엘지유플러스 Apparatus and method for providing video contents

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101206160B1 (en) 2010-11-09 2012-11-28 경희대학교 산학협력단 Method for recommending content based on user preference and profile of content
JP2013218417A (en) 2012-04-05 2013-10-24 Sharp Corp Recommend system, reading terminal device and recommend method

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101206160B1 (en) 2010-11-09 2012-11-28 경희대학교 산학협력단 Method for recommending content based on user preference and profile of content
JP2013218417A (en) 2012-04-05 2013-10-24 Sharp Corp Recommend system, reading terminal device and recommend method

Also Published As

Publication number Publication date
KR20150114002A (en) 2015-10-12

Similar Documents

Publication Publication Date Title
KR101690366B1 (en) Method for recommending content based on response of user
KR102133529B1 (en) Method of arranging image filter, Computer readable storage medium of recording the method and a digital photographing apparatus
KR102197098B1 (en) Method and apparatus for recommending content
US11076206B2 (en) Apparatus and method for manufacturing viewer-relation type video
JP5693369B2 (en) Information processing apparatus, control method thereof, and computer program
US20130268513A1 (en) Annotations based on hierarchical categories and groups
CN105653572A (en) Resource processing method and apparatus
JP6048692B2 (en) Promote TV-based interaction with social networking tools
CN103414930A (en) Remote control system for identifying and sensing user and method thereof
CN106952130B (en) General article recommendation method based on collaborative filtering
CN109922379B (en) Advertisement video optimization method, device and equipment and computer readable storage medium
US20150213110A1 (en) Information processing apparatus, score calculation method, program, and system
CN106709076B (en) Social network recommendation device and method based on collaborative filtering
KR100681017B1 (en) Mobile terminal capable of summary providing of moving image and summary providing method using it
US20160225184A1 (en) Recommendation engine interface and method
US11347793B2 (en) Use of depth perception as indicator of search, user interest or preference
CN112000024A (en) Method, device and equipment for controlling household appliance
KR101305535B1 (en) Recommendation system for moving picture
KR20180025754A (en) Display apparatus and control method thereof
US20170200062A1 (en) Method of determination of stable zones within an image stream, and portable device for implementing the method
CN109685079B (en) Method and device for generating characteristic image category information
KR101554784B1 (en) Method for estimating response of audience concerning content
CN111915637B (en) Picture display method and device, electronic equipment and storage medium
US20210074044A1 (en) Method, server, and recording medium for creating composite image
JP5918098B2 (en) Viewing area estimation device, viewing area estimation method, and program

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: 20191001

Year of fee payment: 4