KR101754723B1 - 개인 맞춤형 교과목 추천 방법 및 그 장치 - Google Patents

개인 맞춤형 교과목 추천 방법 및 그 장치 Download PDF

Info

Publication number
KR101754723B1
KR101754723B1 KR1020150119285A KR20150119285A KR101754723B1 KR 101754723 B1 KR101754723 B1 KR 101754723B1 KR 1020150119285 A KR1020150119285 A KR 1020150119285A KR 20150119285 A KR20150119285 A KR 20150119285A KR 101754723 B1 KR101754723 B1 KR 101754723B1
Authority
KR
South Korea
Prior art keywords
recommended
information providers
similarity
calculating
group
Prior art date
Application number
KR1020150119285A
Other languages
English (en)
Other versions
KR20170024257A (ko
Inventor
윤장혁
김충일
신지훈
허유진
최남규
Original Assignee
건국대학교 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 건국대학교 산학협력단 filed Critical 건국대학교 산학협력단
Priority to KR1020150119285A priority Critical patent/KR101754723B1/ko
Publication of KR20170024257A publication Critical patent/KR20170024257A/ko
Application granted granted Critical
Publication of KR101754723B1 publication Critical patent/KR101754723B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • G06Q50/2057—Career enhancement or continuing education service
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/02—Reservations, e.g. for tickets, services or events
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education

Landscapes

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

Abstract

개인 맞춤형 교과목 추천 방법은 추천 대상자 및 복수의 정보제공자를 포함하는 사용자 집단에 대하여 자카드(Jaccard) 계수 및 코사인(Cosine) 계수 중 적어도 어느 하나를 산출하여 상기 추천 대상자와 상기 복수의 정보제공자 간의 유사도를 산출하는 단계, 상기 산출된 유사도 및 적어도 하나의 교과목에 대한 상기 복수의 정보제공자의 평가 점수에 기초하여, 상기 적어도 하나의 교과목에 대한 상기 추천 대상자의 예측 선호도를 산출하는 단계, 상기 예측 선호도가 높은 상위 N개의 교과목을 추천 교과목으로 결정하는 단계 및 상기 추천 대상자에게 상기 추천 교과목을 제공하는 단계를 포함할 수 있다.

Description

개인 맞춤형 교과목 추천 방법 및 그 장치{METHOD AND APPARATUS FOR RECOMMENDING PERSONALIZED SUBJECT}
본원은 개인 맞춤형 교과목 추천 방법 및 장치에 관한 것이다.
대학교양과목은 인문학, 사회학, 자연과학 등의 분야를 포괄하며, 대학생들은 이러한 다양한 분야의 교육과목을 수강함으로써 어떤 전공, 이떤 삶을 선택하더라도 기본적인 지식과 인격함양이 가능하게 된다. 학생들에게 있어, 교양과목의 선택은 학제적인 지식의 습득을 통한 융합인재로 거듭나는 첫걸음일 뿐만 아니라, 학기중에 수강중인 다른 과목에 영향을 미침으로써 전체 학업성취도 및 대학생활 만족도에까지 영향을 미치는 중요한 요소이다.
대학교육연구소의 2012년 조사에 따르면, 현재 전국 201여 개의 4년제 대학에 210만 명의 학생들이 재학중에 있다. 하지만, 학생들은 교양과목을 선택함에 있어 다양한 개설과목에 대해 수강신청의 기회가 있더라도 개설과목들이 자신의 성향에 적합한지를 알 수 없어 매학기 수강신청 과정에서 어려움을 겪고 있다.
또한, 현재 대학생들의 교양과목 수강에 도움을 줄 추천 시스템에 대한 연구는 미흡한 실정이다. 기존의 협업필터링을 도입한 대학교양과목 추천에 대한 연구들의 경우, 단순 Pearson상관계수를 통한 협업필터링의 적용으로 인해 기존 수강이력이 부족한 학생들에게 효과적인 추천이 이루어질 수 없는 Cold Start Problem에 취약하다. Cold Start Problem이란 새롭게 등장한 사용자의 정보가 충분하지 않아 추천시스템이 정확한 추천을 제공하지 못하는 문제를 의미한다.
따라서, 이러한 협업필터링에 기초한 교양과목 추천 방법에 따르면, 대학 교과목에 대한 수강이력이 상대적으로 부족한 1,2학년들이나 개인적인 사유 및 선택으로 인하여 비교적 적은 교양과목을 수강한 학생들에게는 적용이 어렵거나, 개인의 선호 및 성향보다는 정해진 커리큘럼상 우선시 되는 과목이 추전되는 한계점이 따른다.
본원의 배경이 되는 기술은 한국공개특허공보 2007-0091843호에 개시되어 있다.
본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 개인의 선호도 및 성향을 최대한 반영하면서도 수강 이력이 부족한 학생들에게도 보다 적합한 교과목을 추천할 수 있는 개인 맞춤형 교과목 추천 방법 및 그 장치를 제공하고자 한다.
다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상기한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본원의 일 실시예에 따른 개인 맞춤형 교과목 추천 방법은 추천 대상자 및 복수의 정보제공자를 포함하는 사용자 집단에 대하여 자카드(Jaccard) 계수 및 코사인(Cosine) 계수 중 적어도 어느 하나를 산출하여 상기 추천 대상자와 상기 복수의 정보제공자 간의 유사도를 산출하는 단계, 상기 산출된 유사도 및 적어도 하나의 교과목에 대한 상기 복수의 정보제공자의 평가 점수에 기초하여, 상기 적어도 하나의 교과목에 대한 상기 추천 대상자의 예측 선호도를 산출하는 단계, 상기 예측 선호도가 높은 상위 N개의 교과목을 추천 교과목으로 결정하는 단계 및 상기 추천 대상자에게 상기 추천 교과목을 제공하는 단계를 포함할 수 있다.
본 실시예의 일 예에 따르면, 상기 유사도를 산출하는 단계 이전에, 상기 복수의 정보제공자가 수강하였던 교과목 수 또는 상기 복수의 정보제공자의 학년 중 적어도 어느 하나에 기초하여 상기 사용자 집단을 복수의 그룹으로 분류하는 단계를 더 포함할 수 있다.
본 실시예의 일 예에 따르면, 상기 추천 대상자의 수강하였던 교과목 수 또는 학년 중 적어도 어느 하나에 기초하여 상기 추천 대상자가 상기 복수의 그룹 중 어느 하나의 그룹에 속하는지 결정하는 단계를 더 포함할 수 있다.
본 실시예의 일 예에 따르면, 상기 유사도를 산출하는 단계는, 상기 추천 대상자가 상기 복수의 그룹 중 어느 그룹에 속하는지에 따라 상기 자카드 계수 및 상기 코사인 계수 중 적어도 어느 하나를 선택하여 상기 유사도를 산출하는 것을 특징으로 할 수 있다.
본 실시예의 일 예에 따르면, 상기 유사도를 산출하는 단계는, 상기 복수의 그룹의 수에 따라 상기 자카드 계수 및 상기 코사인 계수의 가중치를 결정하여 수행되는 것을 특징으로 할 수 있다.
본 실시예의 일 예에 따르면, 상기 사용자 집단을 분류하는 단계는, 상기 복수의 정보제공자 중에서, 수강하였던 교과목 수가 미리 설정된 제1임계값 이하인 정보제공자를 제1그룹으로 분류하고, 수강하였던 교과목 수가 상기 제1임계값을 초과하고 미리 설정된 제2임계값 이하인 정보제공자를 제2그룹으로 분류하며, 수강하였던 교과목 수가 상기 제2임계값을 초과하는 정보제공자를 제3그룹으로 분류하는 단계를 더 포함할 수 있다.
본 실시예의 일 예에 따르면, 상기 추천 대상자의 수강하였던 교과목 수 또는 학년 중 적어도 어느 하나에 기초하여 상기 추천 대상자가 상기 제1그룹 내지 제3그룹 중 어느 하나의 그룹에 속하는지 결정하는 단계를 더 포함할 수 있다.
본 실시예의 일 예에 따르면, 상기 유사도를 산출하는 단계는, 상기 추천 대상자가 상기 제1그룹에 속하는 경우, 상기 자카드 계수를 산출하여 상기 추천 대상자와 상기 복수의 정보제공자 간의 유사도를 산출하고, 상기 추천 대상자가 상기 제2그룹에 속하는 경우, 상기 자카드 계수 및 상기 코사인 계수를 산출하여 상기 추천 대상자와 상기 복수의 정보제공자 간의 유사도를 산출하며, 상기 추천 대상자가 상기 제3그룹에 속하는 경우, 상기 코사인 계수를 산출하여 상기 추천 대상자와 상기 복수의 정보제공자 간의 유사도를 산출하는 것을 특징으로 할 수 있다.
본 실시예의 일 예에 따르면, 상기 예측 선호도를 산출하는 단계는, 상기 추천 대상자가 수강하였던 교과목에 대한 상기 추천 대상자의 평가 점수의 평균값 및 상기 복수의 정보제공자가 수강하였던 교과목에 대한 상기 복수의 정보제공자의 평가 점수의 평균값 중 적어도 어느 하나에 더 기초하여 수행되는 것을 특징으로 할 수 있다.
본 실시예의 일 예에 따르면, 상기 자카드 계수는 상기 추천 대상자 및 상기 복수의 정보제공자의 속성 정보에 기초하여 산출되고, 상기 속성 정보는 상기 추천 대상자 및 상기 복수의 정보제공자가 선호했거나 성적이 우수했던 과목, 관심 분야, 취미 분야 및 전공 중 적어도 어느 하나를 포함하는 것을 특징으로 할 수 있다.
본 실시예의 일 예에 따르면, 상기 복수의 정보제공자 중에서 상기 추천 대상자와의 유사도가 높은 상위K명을 결정하는 단계를 더 포함하고, 상기 예측 선호도를 산출하는 단계는 상기 추천 대상자와 상기 K명 간의 유사도 및 상기 K명의 평가 점수에 기초하여 수행되는 것을 특징으로 할 수 있다.
상기한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본원의 일 실시예에 따른 개인 맞춤형 교과목 추천 장치는 추천 대상자 및 복수의 정보제공자를 포함하는 사용자 집단에 대하여 자카드 계수 및 코사인 계수 중 적어도 어느 하나를 산출하여 상기 추천 대상자와 상기 복수의 정보제공자간의 유사도를 산출하는 유사도 산출부, 상기 산출된 유사도 및 적어도 하나의 교과목에 대한 상기 복수의 정보제공자의 평가 점수에 기초하여, 상기 적어도 하나의 교과목에 대한 상기 추천 대상자의 예측 선호도를 산출하는 예측 선호도 산출부, 상기 예측 선호도가 높은 상위 N개의 교과목을 추천 교과목으로 결정하는 결정부 및 상기 추천 대상자에게 상기 추천 교과목을 제공하는 제공부를 포함할 수 있다.
본 실시예의 일 예에 따르면, 상기 복수의 정보제공자가 수강하였던 교과목 수 또는 상기 복수의 정보제공자의 학년 중 적어도 어느 하나에 기초하여 상기 사용자 집단을 복수의 그룹으로 분류하는 분류부를 더 포함할 수 있다.
본 실시예의 일 예에 따르면, 상기 분류부는 상기 추천 대상자의 수강하였던 교과목 수 또는 학년 중 적어도 어느 하나에 기초하여 상기 추천 대상자가 상기 복수의 그룹 중 어느 하나의 그룹에 속하는지 결정하고, 상기 유사도 산출부는 상기 추천 대상자가 상기 복수의 그룹 중 어느 그룹에 속하는지에 따라 상기 자카드 계수 및 상기 코사인 계수 중 적어도 어느 하나를 선택하여 상기 유사도를 산출하는 것을 특징으로 할 수 있다.
본 실시예의 일 예에 따르면, 상기 분류부는, 상기 복수의 정보제공자 중에서, 수강하였던 교과목 수가 미리 설정된 제1임계값 이하인 정보제공자를 제1그룹으로 분류하고, 수강하였던 교과목 수가 상기 제1임계값을 초과하고 미리 설정된 제2임계값 이하인 정보제공자를 제2그룹으로 분류하며, 수강하였던 교과목 수가 상기 제2임계값을 초과하는 정보제공자를 제3그룹으로 분류하는 특징으로 할 수 있다.
본 실시예의 일 예에 따르면, 상기 분류부는 상기 추천 대상자의 수강하였던 교과목 수 또는 학년 중 적어도 어느 하나에 기초하여 상기 추천 대상자가 상기 제1그룹 내지 제3그룹 중 어느 하나의 그룹에 속하는지 결정하고, 상기 유사도 산출부는, 상기 추천 대상자가 상기 제1그룹에 속하는 경우, 상기 자카드 계수를 산출하여 상기 추천 대상자와 상기 복수의 정보제공자 간의 유사도를 산출하며, 상기 추천 대상자가 상기 제2그룹에 속하는 경우, 상기 자카드 계수 및 상기 코사인 계수를 산출하여 상기 추천 대상자와 상기 복수의 정보제공자 간의 유사도를 산출하고, 상기 추천 대상자가 상기 제3그룹에 속하는 경우, 상기 코사인 계수를 산출하여 상기 추천 대상자와 상기 복수의 정보제공자 간의 유사도를 산출하는 것을 특징으로 할 수 있다.
본 실시예의 일 예에 따르면, 상기 유사도 산출부는 상기 복수의 정보제공자 중에서 상기 추천 대상자와의 유사도가 높은 상위 K명을 결정하고, 상기 예측 선호도 산출부는 상기 추천 대상자와 상기 K명 간의 유사도 및 상기 K명의 평가 점수에 기초하여, 상기 적어도 하나의 교과목에 대한 상기 추천 대상자의 예측 선호도를 산출하는 것을 특징으로 할 수 있다.
상기한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 실시예의 일 예에 따르면, 추천 대상자 및 복수의 정보제공자를 포함하는 사용자 집단에 대하여 자카드(Jaccard) 계수 및 코사인(Cosine) 계수 중 적어도 어느 하나를 산출하여 상기 추천 대상자와 상기 복수의 정보제공자 간의 유사도를 산출하는 단계, 상기 산출된 유사도 및 적어도 하나의 교과목에 대한 상기 복수의 정보제공자의 평가 점수에 기초하여, 상기 적어도 하나의 교과목에 대한 상기 추천 대상자의 예측 선호도를 산출하는 단계, 상기 예측 선호도가 높은 상위 N개의 교과목을 추천 교과목으로 결정하는 단계 및 상기 추천 대상자에게 상기 추천 교과목을 제공하는 단계를 포함하는 개인 맞춤형 교과목 추천 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 포함할 수 있다.
상술한 과제 해결 수단은 단지 예시적인 것으로서, 본원을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 기재된 추가적인 실시예가 존재할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 추천 대상자의 학년, 수강 이력 등에 따라 개인의 선호도 및 성향을 최대한 반영하면서도 수강 이력이 부족한 학생들에게도 보다 적합한 교과목을 추천할 수 있다.
본원에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본원의 일 실시예에 따른 개인 맞춤형 교과목 추천 시스템의 구성을 개략적으로 도시한 구성도이다.
도 2는 본원의 일 실시예에 따른 개인 맞춤형 교과목 추천 장치의 블록도이다.
도 3은 본원의 일 실시예에 따른 개인 맞춤형 교과목 추천 방법을 나타낸 흐름도이다.
아래에서는 첨부한 도면을 참조하여 본원이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본원의 실시예를 상세히 설명한다. 그러나 본원은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본원을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본원 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부재가 다른 부재 “상에” 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함" 한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.
본원 명세서 전체에서 사용되는 정도의 용어 "약", "실질적으로" 등은 언급된 의미에 고유한 제조 및 물질 허용오차가 제시될 때 그 수치에서 또는 그 수치에 근접한 의미로 사용되고, 본원의 이해를 돕기 위해 정확하거나 절대적인 수치가 언급된 개시 내용을 비양심적인 침해자가 부당하게 이용하는 것을 방지하기 위해 사용된다. 본원 명세서 전체에서 사용되는 정도의 용어 "~(하는) 단계" 또는 "~의 단계"는 "~ 를 위한 단계"를 의미하지 않는다.
본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1개의 유닛이 2개 이상의 하드웨어를 이용하여 실현되어도 되고, 2개 이상의 유닛이 1개의 하드웨어에 의해 실현되어도 된다.
본 명세서 있어서 단말, 장치 또는 디바이스가 수행하는 것으로 기술된 동작이나 기능 중 일부는 해당 단말, 장치 또는 디바이스와 연결된 서버에서 대신 수행될 수도 있다. 이와 마찬가지로, 서버가 수행하는 것으로 기술된 동작이나 기능 중 일부도 해당 서버와 연결된 단말, 장치 또는 디바이스에서 수행될 수도 있다. 이하 첨부된 도면을 참고하여 본원의 일 실시예를 상세히 설명하기로 한다.
도 1은 본원의 일 실시예에 따른 개인 맞춤형 교과목 추천 시스템의 구성을 개략적으로 도시한 구성도이다.
도 1에 도시된 바와 같이, 본원의 일 실시예에 따른 개인 맞춤형 교과목 추천 시스템(100)은 추천 대상자(110), 복수의 정보제공자(120)를 포함하는 사용자 집단 및 개인 맞춤형 교과목 추천 장치(130)를 포함할 수 있다. 추천 대상자(110) 및 복수의 정보제공자(120)는 각각 단말기를 소지할 수 있으며, 각 단말기와 개인 맞춤형 교과목 추천 장치(130)는 네트워크를 통해 상호 연결될 수 있다.
상기 단말기는, 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트폰(Smart Phone) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다. 또한, 상기 단말기는 네트워크를 통해 원격지의 서버에 접속하거나, 타 단말 및 서버와 연결 가능한 컴퓨터를 포함할 수 있다. 상기, 컴퓨터는, 예를 들어, 웹 브라우저(Web Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop), 태블릿(Tablet) 컴퓨터 등을 포함할 수 있다.
또한, 상기 네트워크는 복수의 단말 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 이러한 네트워크의 일 예에는 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 블루투스(Bluetooth) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다.
본 명세서에 있어서, 추천 대상자(110)는 개인 맞춤형 교과목 추천 장치(130)에 의해 추천된 교과목을 제공받는 사용자를 의미하고, 복수의 정보제공자(120)는 개인 맞춤형 교과목 추천 장치(130)가 교과목을 추천하기 위해 필요한 데이터(정보)를 제공하는 사용자를 의미할 수 있다.
개인 맞춤형 교과목 추천 장치(130)는 설문을 통해 복수의 정보제공자(120)의 관심분야와 같은 속성정보와 지금까지의 수강과목에 대한 선호도(평가) 점수를 수집할 수 있다. 또한, 개인 맞춤형 교과목 추천 장치(130)는 상기 수집한 정보들을 이용하여 추천 대상자(110)에게 적합한 교과목을 추천하되, 추천 대상자(110)의 특성, 학년, 수강 이력 등에 따라 이용하는 정보를 달리하여 교과목을 추천할 수 있다. 이하에서는 본 발명의 일 실시예에 따른 개인 맞춤형 교과목 추천 장치(130)가 추천 대상자(110)에게 맞는 교과목을 추천하는 과정에 대해 상세히 설명한다.
개인 맞춤형 교과목 추천 장치(130)는 복수의 정보제공자(120)가 수강하였던 교과목 수 또는 복수의 정보제공자(120)의 학년 중 적어도 어느 하나에 기초하여 정보제공자(120)를 포함하는 사용자 집단을 복수의 그룹으로 분류할 수 있다. 본 발명의 일 실시예에 따르면, 개인 맞춤형 교과목 추천 장치(130)는 복수의 정보제공자(120) 중에서, 수강하였던 교과목 수가 미리 설정된 제1임계값 이하인 정보제공자를 제1그룹으로 분류하고, 수강하였던 교과목 수가 상기 제1임계값을 초과하고 미리 설정된 제2임계값 이하인 정보제공자를 제2그룹으로 분류하며, 수강하였던 교과목 수가 상기 제2임계값을 초과하는 정보제공자를 제3그룹으로 분류할 수 있다.
예를 들어, 개인 맞춤형 교과목 추천 장치(130)는 복수의 정보제공자(120) 중에서 수강한 교과목 수가 3개 이하인 정보제공자를 제1그룹으로 분류하고, 수강한 과목수가 4-6개인 정보제공자를 제2그룹으로 분류하며, 수강한 과목수가 7개 이상인 정보제공자를 제3그룹으로 분류할 수 있다. 상기 예에서는 그룹의 수가 3개인 것으로 설명하였으나, 사용자 집단이 분류되는 그룹의 수는 정보제공자(120)들의 학년, 수강 이력 등에 따라 다양하게 결정될 수 있다. 또한, 그룹의 결정에 이용되는 교과목의 수(상기 제1임계값, 제2임계값, 제3임계값)도 정보제공자(120)들의 학년, 수강 이력 등에 따라 다양하게 결정될 수 있다.
또한, 개인 맞춤형 교과목 추천 장치(130)는 추천 대상자(110)의 수강하였던 교과목 수 또는 학년 중 적어도 어느 하나에 기초하여 추천 대상자(110)가 상술한 복수의 그룹 중 어느 하나의 그룹에 속하는지 결정할 수 있다. 예를 들어, 추천 대상자(110)가 수강한 교과목 수가 5개일 경우, 개인 맞춤형 교과목 추천 장치(130)는 추천 대상자(110)가 상기 제2그룹에 해당하는 것으로 결정할 수 있다.
개인 맞춤형 교과목 추천 장치(130)는 추천 대상자(110) 및 복수의 정보제공자(120)를 포함하는 사용자 집단에 대하여 자카드(Jaccard) 계수 및 코사인(Cosine) 계수 중 적어도 어느 하나를 산출하여 추천 대상자(110)와 복수의 정보제공자(120) 간의 유사도를 산출할 수 있다.
자카드 계수는 내용기반 필터링(Contents-based filtering) 기법에 사용되는 것으로, 개인 맞춤형 교과목 추천 장치(130)는 추천 대상자(110) 및 복수의 정보제공자(120)의 속성 정보(Property)에 기초하여 추천 대상자(110)와 정보제공자(120) 각각 사이의 자카드 계수를 산출하여 추천 대상자(110)와 정보제공자(120) 각각의 유사도를 산출할 수 있다. 예를 들어, 상기 속성 정보는 추천 대상자(110) 및 복수의 정보제공자(120)가 선호했거나 성적이 우수했던 과목, 관심 분야, 취미 분야 및 전공 중 적어도 어느 하나를 포함할 수 있다.예를 들어, 상기 자카드 계수는 하기의 [수학식 1]에 의해 산출되며, 두 사용자 간에 특성이 일치한다면 1, 일치하지 않는다면 0의 값을 가진다. 예를 들어, 사용자(u1)가 과목 4개(국어, 영어, 사회, 수학) 중에 선호하는 과목으로 국어, 영어, 사회를 체크하고 사용자(u2)가 상기 과목 4개 중에 선호하는 과목으로 영어, 수학을 체크했을 경우, 상기 사용자(u1)와 상기 사용자(u2) 간의 유사도는 0.25로 산출될 수 있다.
[수학식 1]
Figure 112015082206143-pat00001
코사인 계수는 협업필터링(Collaborative filtering) 기법에 사용되는 것으로, 협업필터링 기법은 교과목에 대한 추천 대상자(110)의 평가치와 다른 사용자(복수의 정보제공자(120))의 평가치를 이용하여 추천 대상자(110)가 선호할 만한 교과목을 추천하는 기법이다.
예를 들어, 협업필터링 기법은 아래의 [그림 1] 에 도시된 바와 같이, 추천 대상자 또는 복수의 정보제공자(u)가 복수의 교과목(i)에 대하여 평가한 점수를 활용하여 추천을 진행할 수 있다. 개인 맞춤형 교과목 추천 장치(130)는 추천 대상자(110) 및 복수의 정보제공자(120)가 부여한 교과목에 대한 평가점수에 기초하여 추천 대상자(110)와 정보제공자(120) 각각 사이의 코사인 계수를 산출하여 추천 대상자(110)와 정보제공자(120)의 유사도를 산출할 수 있다.
[그림 1]
Figure 112015082206143-pat00002
코사인 계수는 추천 대상자 A와 사용자 V(정보제공자)를 벡터로 취급하여 [수학식2] 와 같이 두 벡터의 코사인 내적으로 유사도를 계산할 수 있다.
[수학식 2]
Figure 112015082206143-pat00003
두 벡터가 비슷하면, 즉, 추천 대상자(A)와 사용자(V)의 선호도가 유사하면, 코사인 유사도 값는 1에 가까운 값이 나오고, 그렇지 않으면 0에 가까운 값이 나오게 된다.
예를 들어, 추천 대상자(A)가 긍정적으로 평가한 교양과목이 법과 사회, 대화의 기법, 현대인의 다이어트이고, 사용자(V)가 법과 사회, 대화의 기법, 생활 법률, 신화와 영화를 긍정적으로 평가한 경우, 추천 대상자(A)와 사용자(V) 간의 코사인 계수는 하기의 수학식 3과 같이 계산될 수 있다.
[수학식 3]
Figure 112015082206143-pat00004
이하에서는 개인 맞춤형 교과목 추천 장치(130)가 추천 대상자(110)와 복수의 정보제공자(120) 간의 유사도를 산출하는 방법에 대해 상세하게 설명하도록 한다.
개인 맞춤형 교과목 추천 장치(130)는 추천 대상자(110)가 상기 복수의 그룹 중 어느 그룹에 속하는지에 따라 자카드 계수 및 코사인 계수 중 적어도 어느 하나를 선택하고, 추천 대상자(110)와 복수의 정보 제공자(120) 각각 간의 유사도를 산출할 수 있다.
본 발명의 일 실시예에 따르면, 개인 맞춤형 교과목 추천 장치(130)는 추천 대상자(110)가 상기 제1그룹에 속하는 경우, 자카드 계수를 산출하여 추천 대상자(110)와 복수의 정보제공자(120) 간의 유사도를 산출할 수 있다. 추천 대상자(110)가 상기 제1그룹에 속한다는 것은, 추천 대상자(110)가 저학년(예를 들어, 대학교 1, 2학년)이거나 상대적으로 수강했던 교과목 수가 적어, 협업 필터링 기법에 활용되는 데이터가 상대적으로 적다는 것을 의미할 수 있다. 즉, 추천 대상자(110)가 상기 제1그룹에 속하는 경우, Cold Start Problem으로 인해 코사인 계수의 산출이 불가능 하거나 의미가 없기 때문에, 개인 맞춤형 교과목 추천 장치(130)는 자카드 계수를 이용한 내용기반 필터링을 통해 교과목을 추천할 수 있다.
또한, 개인 맞춤형 교과목 추천 장치(130)는 추천 대상자(110)가 상기 제2그룹에 속하는 경우, 상기 자카드 계수 및 상기 코사인 계수를 산출하여 추천 대상자(110)와 복수의 정보제공자(120) 간의 유사도를 산출할 수 있다. 추천 대상자(110)가 상기 제2그룹에 속한다는 것은, 코사인 유사도가 유의미하지만 데이터가 충분하지 못해 협업필터링 기법의 정확도가 상대적으로 낮다는 것을 의미할 수 있다. 개인 맞춤형 교과목 추천 장치(130)는 코사인 계수를 활용한 협업필터링의 적용이 가능하더라도 교과목 추천의 정확도를 높이기 위하여 자카드 계수를 통한 내용기반 필터링을 통해 보정하여 추천의 정확도를 높일 수 있다.
개인 맞춤형 교과목 추천 장치(130)는 상기 복수의 그룹의 수에 따라 상기 자카드 계수 및 상기 코사인 계수의 가중치를 결정할 수 있다. 즉, 개인 맞춤형 교과목 추천 장치(130)는 자카드 계수와 코사인 계수를 모두 이용하여 추천 대상자(110)와 복수의 정보제공자(120) 간의 유사도를 산출하는 경우, 자카드 계수와 코사인 계수의 가중치를 반영하며, 상기 가중치는 사용자 집단이 분류되는 그룹의 수에 따라 결정될 수 있다.
예를 들어, 사용자 집단이 3개의 그룹으로 분류되는 경우, 개인 맞춤형 교과목 추천 장치(130)는 자카드 계수와 코사인 계수를 1:1 비중으로 가중하여 추천 대상자(110)와 복수의 정보제공자(120) 간의 유사도를 산출할 수 있다. 또 다른 예를 들어, 사용자 집단이 5개의 그룹으로 분류되는 경우, 개인 맞춤형 교과목 추천 장치(130)는 2번째 그룹에 대해서는 자카드 계수와 코사인 계수를 2:1 비중으로 가중하고, 3번째 그룹에 대해서는 1:1 비중으로 가중하고, 4번째 그룹에 대해서는 1:3 비중으로 가중하여 추천 대상자(110)와 복수의 정보제공자(120) 간의 유사도를 산출할 수 있다.
또한, 개인 맞춤형 교과목 추천 장치(130)는 추천 대상자(110)가 상기 제3그룹에 속하는 경우, 상기 코사인 계수를 산출하여 추천 대상자(110)와 복수의 정보제공자(120) 간의 유사도를 산출할 수 있다. 추천 대상자(110)가 상기 제3그룹에 속한다는 것은, 추천 대상자(110)가 고학년(예를 들어, 대학교 3, 4학년)이거나 상대적으로 수강했던 교과목 수가 많아 데이터의 양이 상대적으로 충분하여 코사인 유사도가 유의미하며, 협업필터링 기법에 의해 양질의 교과목 추천이 행해질 수 있음을 의미할 수 있다. 개인 맞춤형 교과목 추천 장치(130)는 추천 대상자(110)의 수강 이력 등에 기초하여 협업필터링의 정확도가 충분히 높다고 판단한 경우 코사인 계수를 이용한 협업필터링만을 활용하여 교과목을 추천할 수 있다.
이하에서는 개인 맞춤형 교과목 추천 장치(130)가 상기 산출된 유사도 등에 기초하여 교과목에 대한 추천 대상자의 예측 선호도를 산출하는 방법에 대해 상세하게 설명한다.
개인 맞춤형 교과목 추천 장치(130)는 추천 대상자(110)와 복수의 정보제공자(120) 간의 유사도와 적어도 하나의 교과목에 대한 복수의 정보제공자(120)의 평가 점수, 그리고, 추천 대상자(110)가 수강하였던 교과목에 대한 추천 대상자(110)의 평가 점수의 평균값 및 복수의 정보제공자(120)가 수강하였던 교과목에 대한 상기 복수의 정보제공자의 평가 점수의 평균값 중 적어도 어느 하나에 기초하여, 상기 적어도 하나의 교과목에 대한 추천 대상자(110)의 예측 선호도를 산출할 수 있다.
본 발명의 일 실시예에 따르면, 개인 맞춤형 교과목 추천 장치(130)는 복수의 정보제공자(120) 중에서 추천 대상자(110)와의 유사도가 높은 상위K명을 결정한다. 또한, 개인 맞춤형 교과목 추천 장치(130)는 추천 대상자(110)와 상기 K명 간의 유사도 및 상기 K명의 교과목에 대한 평가 점수에 기초하여 추천 대상자(110)의 교과목 선호도를 예측할 수 있다.
본 발명의 일 실시예에 따른 교과목 예측 선호도는 하기의 [수학식 4]를 통해 산출될 수 있다.
[수학식4]
Figure 112015082206143-pat00005
Figure 112015082206143-pat00006
는 추천 대상자A가 교과목 i를 얼마나 선호할 것인가를 예측한 점수로서, 추천 대상자 A의 KNN(K Nearest Neighbor)의 평가치 및 추천 대상자 A와의 유사도를 가중 평균하여 예측한다. KNN이란 추천 대상자와 선호가 가장 비슷한 사용자(유사도가 가장 높은 사용자) K명의 다른 사용자이다(예를 들어, 추천 대상자 A와의 유사도가 높은 K명의 정보제공자이다).
Figure 112015082206143-pat00007
는 추천 대상자 A의 이용 가능한 평가치들의 평균값으로, 추천 대상자A의 성향을 나타내며, 이로 인해 추천 리스트에 제공하는 예상 평점 점수가 개인 성향에 맞게 적용될 수 있다.
Figure 112015082206143-pat00008
는 상대적 크기 비교에는 영향을 주지 않으나, 추천 대상자 A에게
Figure 112015082206143-pat00009
를 더한 예상 평가치를 알려 줌으로써 추천 대상자의 성향을 반영한 예상점수를 추천 대상자에게 제공할 수 있다. 예를 들어 상기 [그림 1]의 추천 대상자 u1의
Figure 112015082206143-pat00010
을 구하면 추천 대상자 u1의 모든 평가치의 합(1+5+5)/평가 과목수(3)이므로 3.667이 된다. 3.667는 추천 대상자u1이 평균적으로 평가하는 선호도로 추천 대상자u1이 대체로 높은 평점을 주는 성향을 가진 것을 알 수 있으며 이는 추천리스트에 표시되는 예상 평점 값에 반영될 수 있다. 추천 대상자 A의 수강 이력 데이터가 충분하지 않은 경우에는 (즉, Jaccard 유사도를 이용하는 경우) 에는
Figure 112015082206143-pat00011
값이 존재하지 않으므로 모든 사용자(복수의 정보제공자(120)의 이용 가능한 평가치들의 평균값을 대표값으로 결정하여 계산할 수 있다.
Figure 112015082206143-pat00012
는 사용자v(예를 들어, 복수의 정보제공자(120) 중 높은 유사도를 가지는 K명)의 교과목 i에 대한 사용 가능한 평점이며,
Figure 112015082206143-pat00013
는 가장 높은 유사도를 나타낸K명의 각각의 교과목에 대한 평점 평균일 수 있다.
w(A,v)는 추천 대상자 A와 사용자 v(정보제공자) 간의 유사도 값으로서, 내용기반 필터링에는 자카드 계수가, 협업필터링에는 코사인 계수가 사용될 수 있다. 상기 수학식 4에 따르면, 추천 대상자 A와 정보제공자 v 간의 유사도 w(A, v)를 가중치로 하여 정보제공자 v의 교과목 i에 대한 선호 점수를 합산할 수 있다. 추천 대상자 A와 정보제공자 v의 유사도가 높다면 w(A, v) 값이 크기 때문에 정보제공자 v의 의견 가 더 많이 반영이 되고, 유사도가 낮다면 적게 반영되게 된다.
이와 같이, 본 발명의 일 실시예에 따르면, 추천 대상자 A와 다른 모든 정보제공자와의 유사도를 계산하여 가장 유사도가 높은 정보제공자 K명을 선별하고, K명의 유사도 데이터와 교과목에 대한 평점을 이용하여 추천 대상자 A의 교과목에 대한 예측 선호도를 산출할 수 있다. 유사도가 높은 K명의 데이터만을 사용함으로써, 추천 대상자와 성향이 다른 사용자들의 정보로 인해 추천이 발생하여 추천시스템의 정확도를 감소시키는 것을 방지 할 수 있다. (Top-K 방식)
또한, 개인 맞춤형 교과목 추천 장치(130)는 예측 선호도가 높은 상위 N개의 교과목을 추천 교과목으로 결정하고, 결정된 추천 교과목을 추천 대상자(110)에게 제공할 수 있다. 예를 들어, 개인 맞춤형 교과목 추천 장치(130)는 상기 수학식 4를 이용하여 산출한 적어도 하나의 교과목 i에 대한 추천 대상자 A의 예측 선호도가 높은 상위 N개의 교과목을 결정할 수 있다. (Top-N 기법)
또한, 추천 대상자(110)에 대한 교과목 추천의 정확도는 예측 선호도 산출에 고려되는 정보 제공자의 수(K)와 추천 교과목의 수(N)에 따라 변경될 수 있다.
도 2는 본원의 일 실시예에 따른 개인 맞춤형 교과목 추천 장치의 블록도이다. 도 2 에 도시된 바와 같이, 본 발명의 일 실시예에 따른 개인 맞춤형 교과목 추천 장치(200)는 분류부(210), 유사도 산출부(220), 예측 선호도 산출부(230), 결정부(240) 및 제공부(250)를 포함할 수 있다. 도 2에 도시된 개인 맞춤형 교과목 추천 장치(200)는 본원의 하나의 구현 예에 불과하며, 도 2에 도시된 구성 요소들을 기초로 하여 여러 형태로 변형이 가능함은 본원의 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 이해할 수 있다. 예를 들어, 구성 요소들과 해당 구성 요소들 안에서 제공되는 기능은 더 작은 수의 구성 요소들로 결합되거나 추가적인 구성 요소들로 더 분리될 수 있다.
분류부(210)는 복수의 정보제공자(120)가 수강하였던 교과목 수 또는 복수의 정보제공자(120)의 학년 중 적어도 어느 하나에 기초하여 복수의 정보 제공자(120)를 포함하는 사용자 집단을 복수의 그룹으로 분류할 수 있다. 본 발명의 일 실시예에 따르면, 분류부(210)는 복수의 정보제공자(120) 중에서, 수강하였던 교과목 수가 미리 설정된 제1임계값 이하인 정보제공자를 제1그룹으로 분류하고, 수강하였던 교과목 수가 상기 제1임계값을 초과하고 미리 설정된 제2임계값 이하인 정보제공자를 제2그룹으로 분류하며, 수강하였던 교과목 수가 상기 제2임계값을 초과하는 정보제공자를 제3그룹으로 분류할 수 있다
또한, 분류부(210)는 추천 대상자(110)의 수강하였던 교과목 수 또는 학년 중 적어도 어느 하나에 기초하여 추천 대상자(110)가 상기 복수의 그룹 중 어느 하나의 그룹에 속하는지 결정할 수 있다. 본 발명의 일 실시예에 따르면, 분류부(210)는 추천 대상자(110)의 수강하였던 교과목 수 또는 학년 중 적어도 어느 하나에 기초하여 추천 대상자(110)가 상기 제1그룹 내지 제3그룹 중 어느 하나의 그룹에 속하는지 결정할 수 있다.
유사도 산출부(220)는 추천 대상자(110) 및 복수의 정보제공자(120)를 포함하는 사용자 집단에 대하여 자카드 계수 및 코사인 계수 중 적어도 어느 하나를 산출하여 추천 대상자(110)와 복수의 정보제공자(120) 간의 유사도를 산출할 수 있다. 본 발명의 일 실시예에 따르면, 유사도 산출부(220)는 추천 대상자(110)가 상기 복수의 그룹 중 어느 그룹에 속하는지에 따라 상기 자카드 계수 및 상기 코사인 계수 중 적어도 어느 하나를 선택하여 유사도를 산출할 수 있다. 예를 들어, 추천 대상자(110)가 상기 제1그룹에 속하는 경우, 유사도 산출부(220)는 자카드 계수를 산출하여 추천 대상자(110)와 복수의 정보제공자(120) 간의 유사도를 산출할 수 있다. 또한, 추천 대상자(110)가 상기 제2그룹에 속하는 경우, 유사도 산출부(220)는 자카드 계수 및 코사인 계수를 산출하여 추천 대상자(110)와 복수의 정보제공자(120) 간의 유사도를 산출할 수 있다. 유사도 산출부(220)는 사용자 집단을 분류하는 그룹의 수에 따라 자카드 계수 및 코사인 계수의 가중치를 결정하여 유사도를 산출할 수 있다. 또한, 추천 대상자(110)가 상기 제3그룹에 속하는 경우, 유사도 산출부(220)는 코사인 계수를 산출하여 추천 대상자(110)와 복수의 정보제공자(120) 간의 유사도를 산출할 수 있다.
또한, 유사도 산출부(220)는 상기 산출된 유사도에 기초하여, 복수의 정보제공자(120) 중에서 추천 대상자(110)와의 유사도가 높은 상위K명을 결정할 수 있다.
예측 선호도 산출부(230)는 상기 산출된 유사도 및 적어도 하나의 교과목에 대한 복수의 정보제공자(120)의 평가 점수에 기초하여, 상기 적어도 하나의 교과목에 대한 추천 대상자(110)의 예측 선호도를 산출할 수 있다. 본 발명의 일 실시예에 따르면, 예측 선호도 산출부(230)는 추천 대상자(110)와 유사도가 높은 상위 K명과의 유사도 및 상기 K명의 교과목에 대한 평가 점수에 기초하여, 적어도 하나의 교과목에 대한 추천 대상자(110)의 예측 선호도를 산출할 수 있다. 또한, 예측 선호도 산출부(230)는 예측 선호도를 산출하는데 있어서, 추천 대상자(110)가 수강하였던 교과목에 대한 추천 대상자(110)의 평가 점수의 평균값 및 복수의 정보제공자(120)가 수강하였던 교과목에 대한 복수의 정보제공자(120)의 평가 점수의 평균값 중 적어도 어느 하나를 더 고려할 수 있다. 예측 선호도 산출부(230)가 추천 대상자(110)의 교과목에 대한 예측 선호도를 산출하는 과정은 상기 수학식 4를 참조하여 자세히 설명한 바 있다.
결정부(240)는 복수의 교과목 중에서 예측 선호도가 높은 상위 N개의 교과목을 추천 교과목으로 결정할 수 있다. 제공부(250)는 추천 대상자(110)에게 상기 추천 교과목을 제공할 수 있다. 예를 들어, 제공부(250)는 추천 대상자(110)의 단말에 추천 교과목 리스트를 전송할 수 있다.
도 3은 본원의 일 실시예에 따른 개인 맞춤형 교과목 추천 방법을 나타낸 흐름도이다. 도 3에 도시된 실시예에 따른 개인 맞춤형 교과목 추천 방법은 도 1에 도시된 개인 맞춤형 교과목 추천 장치에서 시계열적으로 처리되는 단계들을 포함한다. 따라서 이하에서 생략된 내용이라고 하더라도 도 1에 도시된 개인 맞춤형 교과목 추천 장치에 관하여 이상에서 기술한 내용은 도 3에 도시된 실시예에 따른 개인 맞춤형 교과목 추천 방법에도 적용될 수 있다.
단계 S300에서, 개인 맞춤형 교과목 추천 장치(130)는 복수의 정보제공자(120)가 수강하였던 교과목 수 또는 복수의 정보제공자(120)의 학년 중 적어도 어느 하나에 기초하여 복수의 정보제공자(120)를 포함하는 사용자 집단을 복수의 그룹으로 분류할 수 있다.
단계 S310에서, 개인 맞춤형 교과목 추천 장치(130)는 추천 대상자(110)의 수강하였던 교과목 수 또는 학년 중 적어도 어느 하나에 기초하여 추천 대상자(110)의 소속 그룹을 결정할 수 있다.
단계 S320에서, 개인 맞춤형 교과목 추천 장치(130)는 추천 대상자(110)와 복수의 정보제공자(120) 간의 유사도를 산출할 수 있다. 개인 맞춤형 교과목 추천 장치(130)는 추천 대상자(110)가 어느 그룹에 속하는지에 따라 자카드 계수 및 코사인 계수 중 적어도 어느 하나를 선택하여 복수의 정보제공자(120)와의 유사도를 산출할 수 있다.
단계 S330에서, 개인 맞춤형 교과목 추천 장치(130)는 복수의 정보제공자 (120)중에서 유사도가 높은 상위K명을 결정할 수 있다. 단계 S340에서, 개인 맞춤형 교과목 추천 장치(130)는 추천 대상자(110)와 상기 K명 간의 유사도, 교과목에 대한 K명의 정보제공자(120)의 평가 점수, 추천 대상자(110)가 수강하였던 교과목에 대한 평가 점수, K명의 정보제공자(120)가 수강하였던 교과목에 대한 평가 점수 등에 기초하여, 적어도 하나의 교과목에 대한 추천 대상자(110)의 예측 선호도를 산출할 수 있다.
단계 S350에서, 개인 맞춤형 교과목 추천 장치(130)는 예측 선호도가 높은 상위 N개의 추천 교과목을 결정할 수 있다. 또한, 단계 S360에서, 개인 맞춤형 교과목 추천 장치(130)는 결정된 N개의 추천 교과목을 추천 대상자(110)에게 제공할 수 있다.
앞서 설명된 각각의 방법은 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
전술한 본원의 설명은 예시를 위한 것이며, 본원이 속하는 기술분야의 통상의 지식을 가진 자는 본원의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 겹합된 형태로 실시될 수 있다.
본원의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본원의 범위에 포함되는 것으로 해석되어야 한다.
100: 개인 맞춤형 교과목 추천 시스템
110: 추천 대상자
120: 복수의 정보제공자
130, 200: 개인 맞춤형 교과목 추천 장치
210: 분류부
220: 유사도 산출부
230: 예측 선호도 산출부
240: 결정부
250: 제공부

Claims (18)

  1. 개인 맞춤형 교과목 추천 장치가 개인 맞춤형 교과목을 추천하는 방법에 있어서,
    추천 대상자 및 복수의 정보제공자를 포함하는 사용자 집단에 대하여 상기 복수의 정보제공자 각각이 수강하였던 교과목의 수에 기초하여 상기 복수의 정보제공자를 복수의 그룹으로 분류하는 단계;
    상기 추천 대상자가 수강하였던 교과목의 수에 기초하여 상기 추천 대상자가 상기 복수의 그룹 중 어느 하나의 그룹에 속하는지 결정하는 단계;
    상기 추천 대상자가 상기 복수의 그룹 중 어느 그룹에 속하는지에 따라 자카드(Jaccard) 계수 및 코사인(Cosine) 계수 중 적어도 어느 하나를 산출하고 자카드 계수 및 코사인 계수의 가중치를 결정하여 상기 추천 대상자와 상기 복수의 정보제공자 간의 유사도를 산출하는 단계;
    상기 산출된 유사도 및 적어도 하나의 교과목에 대한 상기 복수의 정보제공자의 평가 점수에 기초하여, 상기 적어도 하나의 교과목에 대한 상기 추천 대상자의 예측 선호도를 산출하는 단계;
    상기 예측 선호도가 높은 상위 N개의 교과목을 추천 교과목으로 결정하는 단계; 및
    상기 추천 대상자에게 상기 추천 교과목을 제공하는 단계,
    를 포함하되,
    상기 유사도를 산출하는 단계는, 상기 추천 대상자가 속한 그룹의 수강 교과목의 수가 적을수록 상기 자카드 계수의 가중치를 높이고 상기 추천 대상자가 속한 그룹의 수강 교과목의 수가 많을수록 상기 코사인 계수의 가중치를 높이는 것인, 개인 맞춤형 교과목 추천 방법.
  2. 제 1 항에 있어서,
    상기 복수의 정보제공자를 복수의 그룹으로 분류하는 단계는, 상기 복수의 정보제공자의 학년 정보에 기초하여 상기 복수의 정보제공자를 복수의 그룹으로 분류하는 것인, 개인 맞춤형 교과목 추천 방법.
  3. 제 2 항에 있어서,
    상기 추천 대상자가 상기 복수의 그룹 중 어느 그룹에 속하는지 결정하는 단계는, 상기 추천 대상자의 학년 정보에 기초하여 상기 추천 대상자가 속하는 그룹을 결정하는 것인, 개인 맞춤형 교과목 추천 방법.
  4. 삭제
  5. 제 1 항에 있어서,
    상기 유사도를 산출하는 단계는, 상기 복수의 그룹의 수에 따라 상기 자카드 계수 및 상기 코사인 계수의 가중치를 결정하여 수행되는 것을 특징으로 하는 개인 맞춤형 교과목 추천 방법.
  6. 제 2 항에 있어서,
    상기 복수의 정보제공자를 분류하는 단계는,
    상기 복수의 정보제공자 중에서, 수강하였던 교과목 수가 미리 설정된 제1임계값 이하인 정보제공자를 제1그룹으로 분류하고, 수강하였던 교과목 수가 상기 제1임계값을 초과하고 미리 설정된 제2임계값 이하인 정보제공자를 제2그룹으로 분류하며, 수강하였던 교과목 수가 상기 제2임계값을 초과하는 정보제공자를 제3그룹으로 분류하는 단계,
    를 더 포함하는 개인 맞춤형 교과목 추천 방법.
  7. 제 6 항에 있어서,
    상기 추천 대상자의 수강하였던 교과목 수 또는 학년 중 적어도 어느 하나에 기초하여 상기 추천 대상자가 상기 제1그룹 내지 제3그룹 중 어느 하나의 그룹에 속하는지 결정하는 단계,
    를 더 포함하는 개인 맞춤형 교과목 추천 방법.
  8. 제 7 항에 있어서,
    상기 유사도를 산출하는 단계는,
    상기 추천 대상자가 상기 제1그룹에 속하는 경우, 상기 자카드 계수를 산출하여 상기 추천 대상자와 상기 복수의 정보제공자 간의 유사도를 산출하고,
    상기 추천 대상자가 상기 제2그룹에 속하는 경우, 상기 자카드 계수 및 상기 코사인 계수를 산출하여 상기 추천 대상자와 상기 복수의 정보제공자 간의 유사도를 산출하고,
    상기 추천 대상자가 상기 제3그룹에 속하는 경우, 상기 코사인 계수를 산출하여 상기 추천 대상자와 상기 복수의 정보제공자 간의 유사도를 산출하는 것을 특징으로 하는 개인 맞춤형 교과목 추천 방법.
  9. 제 8 항에 있어서,
    상기 예측 선호도를 산출하는 단계는, 상기 추천 대상자가 수강하였던 교과목에 대한 상기 추천 대상자의 평가 점수의 평균값 및 상기 복수의 정보제공자가 수강하였던 교과목에 대한 상기 복수의 정보제공자의 평가 점수의 평균값 중 적어도 어느 하나에 더 기초하여 수행되는 것을 특징으로 하는 개인 맞춤형 교과목 추천 방법.
  10. 제 1 항에 있어서,
    상기 자카드 계수는 상기 추천 대상자 및 상기 복수의 정보제공자의 속성 정보에 기초하여 산출되고,
    상기 속성 정보는 상기 추천 대상자 및 상기 복수의 정보제공자가 선호했거나 성적이 우수했던 과목, 관심 분야, 취미 분야 및 전공 중 적어도 어느 하나를 포함하는 것을 특징으로 하는 개인 맞춤형 교과목 추천 방법.
  11. 제 1 항에 있어서,
    상기 복수의 정보제공자 중에서 상기 추천 대상자와의 유사도가 높은 상위K명을 결정하는 단계,
    를 더 포함하고,
    상기 예측 선호도를 산출하는 단계는 상기 추천 대상자와 상기 K명 간의 유사도 및 상기 K명의 평가 점수에 기초하여 수행되는 것을 특징으로 하는 개인 맞춤형 교과목 추천 방법.
  12. 개인 맞춤형 교과목 추천 장치에 있어서,
    추천 대상자 및 복수의 정보제공자를 포함하는 사용자 집단에 대하여 상기 복수의 정보제공자 각각이 수강하였던 교과목 수에 기초하여 상기 복수의 정보제공자를 복수의 그룹으로 분류하고, 상기 추천 대상자의 수강하였던 교과목 수에 기초하여 상기 추천 대상자가 상기 복수의 그룹 중 어느 하나의 그룹에 속하는지 결정하는 분류부;
    상기 추천 대상자가 상기 복수의 그룹 중 어느 그룹에 속하는지에 따라 자카드 계수 및 코사인 계수 중 적어도 어느 하나를 산출하고, 자카드 계수 및 코사인 계수의 가중치를 결정하여 상기 추천 대상자와 상기 복수의 정보제공자 간의 유사도를 산출하는 유사도 산출부;
    상기 산출된 유사도 및 적어도 하나의 교과목에 대한 상기 복수의 정보제공자의 평가 점수에 기초하여, 상기 적어도 하나의 교과목에 대한 상기 추천 대상자의 예측 선호도를 산출하는 예측 선호도 산출부;
    상기 예측 선호도가 높은 상위 N개의 교과목을 추천 교과목으로 결정하는 결정부; 및
    상기 추천 대상자에게 상기 추천 교과목을 제공하는 제공부;
    를 포함하되,
    상기 유사도 산출부는 상기 추천 대상자가 속한 그룹의 수강 교과목의 수가 적을수록 상기 자카드 계수의 가중치를 높이고 상기 추천 대상자가 속한 그룹의 수강 교과목의 수가 많을수록 상기 코사인 계수의 가중치를 높이는 것인, 개인 맞춤형 교과목 추천 장치.
  13. 제 12 항에 있어서,
    상기 분류부는, 상기 복수의 정보제공자의 학년 정보에 기초하여 상기 복수의 정보제공자를 복수의 그룹으로 분류하는 것을 특징으로 하는 개인 맞춤형 교과목 추천 장치.
  14. 제 13 항에 있어서,
    상기 분류부는 상기 추천 대상자의 학년 정보에 기초하여 상기 추천 대상자가 속하는 그룹을 결정하는 것을 특징으로 하는 개인 맞춤형 교과목 추천 장치.
  15. 제 12 항에 있어서,
    상기 분류부는,
    상기 복수의 정보제공자 중에서, 수강하였던 교과목 수가 미리 설정된 제1임계값 이하인 정보제공자를 제1그룹으로 분류하고, 수강하였던 교과목 수가 상기 제1임계값을 초과하고 미리 설정된 제2임계값 이하인 정보제공자를 제2그룹으로 분류하며, 수강하였던 교과목 수가 상기 제2임계값을 초과하는 정보제공자를 제3그룹으로 분류하는 것을 특징으로 하는 개인 맞춤형 교과목 추천 장치.
  16. 제 15 항에 있어서,
    상기 분류부는 상기 추천 대상자의 수강하였던 교과목 수 또는 학년 중 적어도 어느 하나에 기초하여 상기 추천 대상자가 상기 제1그룹 내지 제3그룹 중 어느 하나의 그룹에 속하는지 결정하고,
    상기 유사도 산출부는,
    상기 추천 대상자가 상기 제1그룹에 속하는 경우, 상기 자카드 계수를 산출하여 상기 추천 대상자와 상기 복수의 정보제공자 간의 유사도를 산출하고,
    상기 추천 대상자가 상기 제2그룹에 속하는 경우, 상기 자카드 계수 및 상기 코사인 계수를 산출하여 상기 추천 대상자와 상기 복수의 정보제공자 간의 유사도를 산출하고,
    상기 추천 대상자가 상기 제3그룹에 속하는 경우, 상기 코사인 계수를 산출하여 상기 추천 대상자와 상기 복수의 정보제공자 간의 유사도를 산출하는 것을 특징으로 하는 개인 맞춤형 교과목 추천 장치.
  17. 제 12 항에 있어서,
    상기 유사도 산출부는 상기 복수의 정보제공자 중에서 상기 추천 대상자와의 유사도가 높은 상위K명을 결정하고,
    상기 예측 선호도 산출부는 상기 추천 대상자와 상기 K명 간의 유사도 및 상기 K명의 평가 점수에 기초하여, 상기 적어도 하나의 교과목에 대한 상기 추천 대상자의 예측 선호도를 산출하는 것을 특징으로 하는 개인 맞춤형 교과목 추천 장치.
  18. 제 1 항 내지 제 3 항, 제 5 항 내지 제 11항 중 어느 한 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
KR1020150119285A 2015-08-25 2015-08-25 개인 맞춤형 교과목 추천 방법 및 그 장치 KR101754723B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020150119285A KR101754723B1 (ko) 2015-08-25 2015-08-25 개인 맞춤형 교과목 추천 방법 및 그 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150119285A KR101754723B1 (ko) 2015-08-25 2015-08-25 개인 맞춤형 교과목 추천 방법 및 그 장치

Publications (2)

Publication Number Publication Date
KR20170024257A KR20170024257A (ko) 2017-03-07
KR101754723B1 true KR101754723B1 (ko) 2017-07-06

Family

ID=58411537

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150119285A KR101754723B1 (ko) 2015-08-25 2015-08-25 개인 맞춤형 교과목 추천 방법 및 그 장치

Country Status (1)

Country Link
KR (1) KR101754723B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210115233A (ko) * 2020-03-12 2021-09-27 국민대학교산학협력단 온라인 구독 서비스 기반 영어 학습 서비스 장치 및 방법
KR102375755B1 (ko) * 2021-03-31 2022-03-17 고려대학교 산학협력단 과목 유사도에 기반한 과목 추천 시스템과 방법 및 이를 위한 컴퓨터 프로그램

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107562912B (zh) * 2017-09-12 2021-08-27 电子科技大学 新浪微博事件推荐方法
KR102158191B1 (ko) * 2018-08-30 2020-09-22 충북대학교 산학협력단 교육 강좌 관리 방법
KR102270568B1 (ko) * 2020-06-16 2021-07-27 주식회사 에이아이파트너스 대학입시 합격가능성 예측 및 교육 컨텐츠 연계 시스템 및 방법
KR102438104B1 (ko) * 2020-09-01 2022-08-30 지혜령 맞춤형 학습 문제풀이 컨텐츠 제공 시스템, 방법 및 컴퓨터 프로그램
KR102466112B1 (ko) * 2020-11-27 2022-11-14 스퀘어네트 주식회사 직무에 적합한 전공 추천 서비스 제공 시스템
KR102557827B1 (ko) * 2022-03-29 2023-07-19 고려대학교 산학협력단 그래프 데이터 기반 관련 과목 추천 시스템 및 그 방법, 이를 수행하기 위한 기록매체
KR102497016B1 (ko) * 2022-10-27 2023-02-07 강나영 농산물 추천 방법 및 장치
US11869015B1 (en) 2022-12-09 2024-01-09 Northern Trust Corporation Computing technologies for benchmarking

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210115233A (ko) * 2020-03-12 2021-09-27 국민대학교산학협력단 온라인 구독 서비스 기반 영어 학습 서비스 장치 및 방법
KR102447128B1 (ko) * 2020-03-12 2022-09-26 국민대학교산학협력단 온라인 구독 서비스 기반 영어 학습 서비스 장치 및 방법
KR102375755B1 (ko) * 2021-03-31 2022-03-17 고려대학교 산학협력단 과목 유사도에 기반한 과목 추천 시스템과 방법 및 이를 위한 컴퓨터 프로그램

Also Published As

Publication number Publication date
KR20170024257A (ko) 2017-03-07

Similar Documents

Publication Publication Date Title
KR101754723B1 (ko) 개인 맞춤형 교과목 추천 방법 및 그 장치
US11284158B2 (en) Profiling media characters
CN111061946B (zh) 场景化内容推荐方法、装置、电子设备及存储介质
CN111209474B (zh) 在线课程的推荐方法、装置、计算机设备和存储介质
US11514063B2 (en) Method and apparatus of recommending information based on fused relationship network, and device and medium
JP5454357B2 (ja) 情報処理装置および方法、並びに、プログラム
KR20190070911A (ko) 온라인 강의 시스템에서 강사를 추천하는 방법
Zhang et al. Collaborative filtering with social regularization for TV program recommendation
CN107590232B (zh) 一种基于网络学习环境的资源推荐系统及方法
CN113221019B (zh) 基于即时学习的个性化推荐方法和系统
KR20160043601A (ko) 디지털 컨텐츠 추천 단말 및 방법
US11663826B2 (en) Method and apparatus for data processing, and method and apparatus for video cover generation
CN113742572A (zh) 一种数据的推荐方法、装置、电子设备及存储介质
Filmer et al. Learning-adjusted years of schooling: Defining a new macro measure of education
Zhang et al. Image tweet popularity prediction with convolutional neural network
Aliannejadi et al. Venue suggestion using social-centric scores
CN110933504B (zh) 视频推荐方法、装置、服务器和存储介质
Gu et al. An effective news recommendation method for microblog user
Salehi et al. Attribute-based recommender system for learning resource by learner preference tree
KR102552915B1 (ko) 가상 모델을 이용한 광고 서비스를 제공하는 방법 및 시스템
CN112182414A (zh) 文章推荐方法、装置及电子设备
Fernández et al. Let's go to the cinema! A movie recommender system for ephemeral groups of users
Yu et al. Exploiting location significance and user authority for point-of-interest recommendation
CN116340645A (zh) 基于图增强协同过滤的内容推荐
Zhou et al. TCB: A feature transformation method based central behavior for user interest prediction on mobile big data

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