KR101804170B1 - 비관심 아이템을 활용한 아이템 추천 방법 및 장치 - Google Patents

비관심 아이템을 활용한 아이템 추천 방법 및 장치 Download PDF

Info

Publication number
KR101804170B1
KR101804170B1 KR1020160084228A KR20160084228A KR101804170B1 KR 101804170 B1 KR101804170 B1 KR 101804170B1 KR 1020160084228 A KR1020160084228 A KR 1020160084228A KR 20160084228 A KR20160084228 A KR 20160084228A KR 101804170 B1 KR101804170 B1 KR 101804170B1
Authority
KR
South Korea
Prior art keywords
item
user
items
determining
preference
Prior art date
Application number
KR1020160084228A
Other languages
English (en)
Other versions
KR20170097535A (ko
Inventor
김상욱
이연창
Original Assignee
한양대학교 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 한양대학교 산학협력단 filed Critical 한양대학교 산학협력단
Publication of KR20170097535A publication Critical patent/KR20170097535A/ko
Application granted granted Critical
Publication of KR101804170B1 publication Critical patent/KR101804170B1/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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0254—Targeted advertisements based on statistics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • G06Q30/0256—User search

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

사용자는 특정 아이템을 선택함으로써, 특정 아이템에 대한 선호도를 표현할 수 있다. 아이템 추천 장치는 사용자가 선호도를 표현한 평가 아이템 및 사용자가 선호도를 표현하지 않은 비평가 아이템을 식별하고, 식별된 평가 아이템 및 비평가 아이템을 이용하여 사용자에게 아이템을 추천할 수 있다. 아이템 추천 장치는 평가 아이템 및 비평가 아이템의 원-클래스 세팅으로 분류된 아이템을, 비평가 아이템 중에서 적어도 하나를 비관심 아이템으로 분류하여, 평가 아이템, 비평가 아이템 및 비관심 아이템의 바이너리-클래스 세팅으로 분류할 수 있다. 아이템 추천 장치는 바이너리-클래스 세팅으로 분류된 아이템을 고려하여 사용자에게 추천할 아이템을 결정할 수 있다.

Description

비관심 아이템을 활용한 아이템 추천 방법 및 장치{ITEM RECOMMENDATION METHOD AND APPARATUS THEREOF UTILIZING UNINTERESTING ITEM AND APPARATUS}
본 발명은 사용자에게 아이템을 추천하는 아이템 추천 장치 및 아이템 추천 방법에 관한 것이다.
아이템 추천 장치가 사용자가 선호할만한 아이템을 사용자에게 추천하기 위해서는, 사용자가 어떤 아이템을 선호하는지를 측정할 필요가 있다. (i) 사용자가 아이템에 대해 부여한 선호도를 수집하거나 또는 (ii) 사용자가 특정 아이템을 선택하였는지 여부를 수집함으로써, 아이템 추천 장치는 사용자가 어떤 아이템을 선호하는지를 측정할 수 있다.
(i) 사용자가 아이템에 대해 부여한 선호도를 수집하는 것의 예는 사용자가 아이템에 매긴 평점을 수집하는 것이다. 아이템 추천 장치는 수집된 평점의 높고 낮음을 통해 사용자가 특정 아이템을 선호하는지 또 선호하지 않는지를 알 수 있다. 더 나아가서, 아이템 추천 장치는 사용자가 평점을 매기지 않은 아이템이 있는 경우, 사용자가 그 아이템을 평가하지 않았다는 사실까지 알 수 있다.
(ii) 사용자가 특정 아이템을 선택하였는지 여부를 수집하는 것의 예는 사용자가 특정 아이템을 클릭하였는지 또는 특정 아이템을 북마크(bookmark)하였는지의 여부를 수집하는 것이다. 특정 아이템을 북마크하는 것은 단순히 북마크에 추가하는 것뿐만 아니라, 특정 아이템에 대한 좋아요(like) 버튼을 누르는 것 또는 특정 아이템을 구매 목록에 추가하는 것을 포함한다.
일반적으로, 사용자가 평점을 특정 아이템에 부여하는 경우보다는 사용자가 특정 아이템을 클릭하거나 또는 북마크하는 경우가 많기 때문에, 아이템 추천 장치는 사용자가 클릭하거나 또는 북마크한 아이템을 해석하여 사용자가 선호할만한 아이템을 계산할 필요가 있다.
사용자가 클릭하거나 또는 북마크하여 선택한 아이템은 사용자가 관심을 가지는 아이템이라는 것이 분명하다. 하지만, 사용자가 선택하지 않은 아이템은 사용자가 선호하지 않는 아이템을 포함할 뿐만 아니라, 사용자가 평가하지 않은 아이템도 포함할 수 있다.
따라서, 아이템 추천 장치는 사용자가 선택하지 않은 아이템이 정말로 사용자가 선호하지 않아서 선택되지 않았는지 또는 사용자가 평가하지 않아서 선택되지 않았는지를 판단해야 한다. 아이템 추천 장치가 이를 명확하게 판단하지 못할 경우, 아이템에 대한 사용자의 선호도를 정확하게 예측할 수 없다. 아이템 추천 장치가 아이템에 대한 사용자의 선호도를 정확하게 예측하지 못할 경우, OCCF 문제(OCCF problem, One-Class Collaborative Filtering problem)가 발생될 수 있다.
본 발명은 아이템에 대한 사용자의 선호도를 정확하게 예측함으로써, OCCF 문제를 해결하는 아이템 추천 장치 및 방법을 제안한다.
본 발명의 일실시예에 따르면, 사용자가 선호도를 표현한 평가 아이템 및 상기 사용자가 선호도를 표현하지 않은 비평가 아이템(unrated item)의 원-클래스 세팅(one-class setting)으로 분류된 아이템을 식별하는 단계, 상기 비평가 아이템의 비관심 점수(uninteresting score)를 결정하는 단계, 결정된 상기 비관심 점수에 기초하여, 상기 비평가 아이템 중에서 비관심 아이템(uninteresting item)을 결정함으로써, 상기 원-클래스 세팅으로 구분된 아이템을 상기 평가 아이템, 상기 비평가 아이템 및 상기 비관심 아이템의 바이너리-클래스 세팅(binary-class setting)으로 분류하는 단계 및 상기 바이너리-클래스 세팅으로 구분된 아이템에 기초하여, 상기 사용자에게 추천할 아이템을 결정하는 단계를 포함하는 아이템 추천 방법이 제공된다.
일실시예에 따르면, 상기 바이너리-클래스 세팅으로 분류하는 단계는, 복수의 비평가 아이템 중에서, 상기 비관심 점수가 낮은 일정 개수의 비평가 아이템을 상기 비관심 아이템으로 분류함으로써, 상기 원-클래스 세팅으로 구분된 아이템을 바이너리-클래스 세팅으로 분류하는 아이템 추천 방법이 제공된다.
일실시예에 따르면, 상기 바이너리-클래스 세팅으로 분류하는 단계는, 상기 비관심 아이템에 대응하는 원소 값을 포함하는 확장 매트릭스(augmented matrix)를 생성하는 아이템 추천 방법이 제공된다.
일실시예에 따르면, 상기 사용자에게 추천할 아이템을 결정하는 단계는, 상기 확장 매트릭스로부터, 복수의 상기 사용자의 복수의 상기 아이템에 대한 선호도가 얼마나 유사한지를 나타내는 유사도를 계산하는 단계 및 상기 유사도에 기초하여, 상기 사용자에게 추천할 아이템을 결정하는 단계를 포함하고, 상기 유사도는, 복수의 상기 아이템들을 전부 평가 아이템으로 분류한 사용자 수, 복수의 상기 아이템들이 전부 비관심 아이템으로 분류된 사용자의 수 및 복수의 상기 아이템들이 전부 비평가 아이템으로 분류된 사용자의 수에 따라 결정되는 아이템 추천 방법이 제공된다.
일실시예에 따르면, 상기 사용자에게 추천할 아이템을 결정하는 단계는, 원소 값이 상기 원-클래스 세팅으로 분류된 아이템이 상기 원-클래스 세팅 중에서 어느 것으로 분류되었는지에 따라 결정되는 대상 매트릭스를 생성하는 단계, 상기 원-클래스 세팅으로 분류된 아이템에 대해 가중치를 할당함으로써, 상기 대상 매트릭스에 대응하는 가중치 매트릭스를 생성하는 단계, 상기 가중치 매트릭스를 이용하여 상기 대상 매트릭스에 대하여 매트릭스 분해를 수행하는 단계 및 상기 매트릭스 분해를 수행한 결과에 따라, 상기 사용자에게 추천할 아이템을 결정하는 단계를 포함하고, 상기 가중치는, 상기 원-클래스 세팅으로 분류된 아이템이 상기 바이너리-클래스 세팅 중에서 어느 것으로 분류되었는지에 따라 결정되는 아이템 추천 방법이 제공된다.
일실시예에 따르면, 상기 가중치 매트릭스를 생성하는 단계는, 상기 사용자가 상기 비평가 아이템을 선호하지 않을 확률을 이용하여 상기 가중치를 결정하는 아이템 추천 방법이 제공된다.
일실시예에 따르면, 상기 사용자에게 추천할 아이템을 결정하는 단계는, 상기 사용자 및 상기 평가 아이템을 연결하여 포지티브 그래프(positive graph)를 생성하는 단계, 상기 사용자 및 상기 비관심 아이템을 연결하여 네거티브 그래프(negative graph)를 생성하는 단계, 상기 포지티브 그래프 및 상기 네거티브 그래프를 이용하여 상기 사용자에 대한 상기 아이템의 관련성 점수를 결정하는 단계 및 상기 관련성 점수에 따라 상기 사용자에게 추천할 아이템을 결정하는 단계를 포함하는 아이템 추천 방법이 제공된다.
일실시예에 따르면, 상기 사용자에게 추천할 아이템을 결정하는 단계는, 상기 평가 아이템에 대한 선호 포텐셜(like-potential)을 결정하는 단계, 상기 비관심 아이템에 대한 비선호 포텐셜(dislike-potential)을 결정하는 단계, 신뢰도 확산(BP, Belief propagation)을 이용하여, 결정된 상기 선호 포텐셜 및 상기 비선호 포텐셜로부터 상기 사용자의 아이템의 선호도에 대한 확률을 결정하는 단계 및 결정된 상기 선호도에 대한 확률에 따라, 상기 사용자에게 추천할 아이템을 결정하는 단계를 포함하는 아이템 추천 방법이 제공된다.
본 발명의 일실시예에 따르면, 아이템에 대한 사용자의 선호도를 정확하게 예측함으로써, OCCF 문제를 해결할 수 있다.
도 1은 본 발명의 일실시예에 따른 아이템 추천 장치가 사용자에게 아이템을 추천하는 동작을 설명하기 위한 도면이다.
도 2는 본 발명의 일실시예에 따른 아이템 추천 장치가 사용자에게 아이템을 추천하는 동작을 설명하기 위한 흐름도이다.
도 3은 본 발명의 일실시예에 따른 아이템 추천 장치가 원-클래스 세팅으로 분류된 아이템을 바이너리-클래스 세팅으로 분류하는 동작을 설명하기 위한 예시적인 도면이다.
도 4는 본 발명의 일실시예에 따른 아이템 추천 장치가 아이템을 바이너리-클래스 세팅으로 분류하여 확장 매트릭스(augmented matrix)를 생성하는 동작을 설명하기 위한 흐름도이다.
도 5는 본 발명의 일실시예에 따른 아이템 추천 장치가 비평가 아이템의 비관심 점수를 결정하여, 아이템을 바이너리-클래스 세팅으로 분류하는 동작을 설명하기 위한 예시적인 도면이다.
도 6은 일실시예에 따른 아이템 추천 장치가 협업 필터링(CF, Collaborative Filtering) 방법을 이용하여 사용자에게 추천할 아이템을 결정하는 동작을 설명하기 위한 흐름도이다.
도 7은 일실시예에 따른 아이템 추천 장치가 원-클래스 협업 필터링(OCCF, One-Class Collaborative Filtering) 방법을 이용하여 사용자에게 추천할 아이템을 결정하는 동작을 설명하기 위한 흐름도이다.
도 8은 본 발명의 일실시예에 따른 아이템 추천 장치가 RWR(Random Walk with Restart) 방법을 이용하여 사용자에게 추천할 아이템을 결정하는 동작을 설명하기 위한 흐름도이다.
도 9는 본 발명의 일실시예에 따른 아이템 추천 장치가 신뢰도 확산(BP, Belief Propagation) 방법을 이용하여 사용자에게 추천할 아이템을 결정하는 동작을 설명하기 위한 흐름도이다.
본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시예들에 대해서 특정한 구조적 또는 기능적 설명들은 단지 본 발명의 개념에 따른 실시예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시예들은 다양한 형태로 실시될 수 있으며 본 명세서에 설명된 실시예들에 한정되지 않는다.
본 발명의 개념에 따른 실시예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시예들을 도면에 예시하고 본 명세서에 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시예들을 특정한 개시형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만, 예를 들어 본 발명의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 “연결되어” 있다거나 “접속되어” 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 “직접 연결되어” 있다거나 “직접 접속되어” 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 표현들, 예를 들어 “~사이에”와 “바로~사이에” 또는 “~에 직접 이웃하는” 등도 마찬가지로 해석되어야 한다.
본 명세서에서 사용한 용어는 단지 특정한 실시예들을 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, “포함하다” 또는 “가지다” 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나, 특허출원의 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
도 1은 본 발명의 일실시예에 따른 아이템 추천 장치(120)가 사용자(110)에게 아이템을 추천하는 동작을 설명하기 위한 도면이다.
도 1을 참고하면, 사용자(110)는 아이템 리스트(130)를 제공받을 수 있다. 사용자(110)는 아이템 리스트(130)에 포함된 하나 이상의 아이템에 대한 선호도를 표현할 수 있다. 예를 들어, 사용자(110)는 하나 이상의 아이템에 평점을 부여하거나, 아이템을 클릭하거나, 또는 아이템을 북마크함으로써, 아이템에 대한 선호도를 표현할 수 있다. 도 1을 참고하면, 사용자(110)는 아이템 리스트(130)에 포함된 A 아이템 내지 G 아이템 중에서, A 아이템, C 아이템 및 D 아이템에 대한 선호도를 표현할 수 있다.
평가 아이템은 사용자(110)가 선호도를 표현한 아이템을 의미한다. 도 1을 참고하면, A 아이템, C 아이템 및 D 아이템은 평가 아이템이다. 비평가 아이템(unrated item)은 사용자(110)가 선호도를 표현하지 않은 아이템을 의미한다. 도 1을 참고하면, 평가 아이템을 제외한 나머지 아이템 - B 아이템, E 아이템 내지 G 아이템 - 이 비평가 아이템이다. 사용자(110)가 아이템 리스트(130)의 아이템 중 일부에 선호도를 표현함으로써, 아이템 리스트(130)의 아이템들은 평가 아이템 또는 비평가 아이템으로 분류될 수 있다.
도 1을 참고하면, 일실시예에 따른 아이템 추천 장치(120)가 제공될 수 있다. 아이템 추천 장치(120)는 사용자(110)로부터 수신한 아이템 리스트(130)로부터, 평가 아이템 및 비평가 아이템을 식별할 수 있다. 아이템 추천 장치(120)는 평점이 부여된 아이템을 평가 아이템으로, 평점이 부여되지 않은 아이템을 비평가 아이템으로 식별할 수 있다. 아이템 추천 장치(120)는 사용자가 클릭하거나 또는 북마크한 아이템을 평가 아이템으로, 사용자가 클릭 및 북마크하지 않은 아이템을 비평가 아이템으로 식별할 수 있다.
아이템 추천 장치(120)는 식별한 결과에 따라, 아이템 리스트(130)에 포함된 아이템을 평가 아이템 및 비평가 아이템의 원-클래스 세팅(one-class setting)으로 분류할 수 있다. 보다 구체적으로, 아이템 추천 장치(120)는 아이템 리스트(130)에 포함된 특정 아이템이 평가 아이템 및 비평가 아이템 중 어느 것에 대응하는지에 따라 특정 아이템에 값을 할당함으로써, 아이템을 원-클래스 세팅으로 분류할 수 있다. 예를 들어, 아이템 추천 장치(120)는 평가 아이템에 ‘1’을, 비평가 아이템에 ‘unknown’을 할당할 수 있다.
이하에서는, 도 1을 참고하여, 사용자(110)가 아이템 리스트(130)에 포함된 아이템 들 중에서 A 아이템, C 아이템 및 D 아이템에 선호도를 표현한 것으로 가정한다. 특히, 사용자(110)는 A 아이템, C 아이템 및 D 아이템을 클릭 또는 북마크함으로써 선호도를 표현한 것으로 가정한다. 사용자가 A 아이템, C 아이템 및 D 아이템에 선호도를 표현하였으므로, 아이템 추천 장치(120)는 사용자가 A 아이템, C 아이템 및 D 아이템에 대한 관심이 있음을 탐지할 수 있다. 다시 말하면, 아이템 추천 장치(120)는 사용자가 평가 아이템에 대한 관심이 있음을 탐지할 수 있다.
대조적으로, 사용자(110)가 클릭 또는 북마크하지 않은 비평가 아이템은, 사용자(110)가 선호하지 않아서 선호도를 표현하지 않아서 비평가 아이템이 되었거나 또는 사용자(110)가 관심이 없어서 선호도를 표현하지 않아서 비평가 아이템이 될 수 있다. 도 1을 참고하면, 비평가 아이템은 B 아이템, E 아이템 내지 G 아이템으로, 사용자(110)는 B 아이템을 선호하지 않아서 클릭 또는 북마크하지 않을 수 있다. 하지만, 사용자(110)는 E 아이템 내지 G 아이템에 대한 관심이 없어서, 이 아이템들을 클릭 또는 북마크하지 않을 수 있다.
일실시예에 따른 아이템 추천 장치(120)는 원-클래스 세팅에 네거티브 클래스(negative class)인 비관심 아이템(uninteresting item)을 추가한 바이너리-클래스 세팅(binary-class setting)을 이용하여 아이템을 분류할 수 있다. 아이템 추천 장치(120)는 비평가 아이템 중에서 사용자(110)가 선호하지 않아서 선호도를 표현하지 않은 비평가 아이템을 추정하고, 추정된 비평가 아이템을 비관심 아이템으로 분류할 수 있다. 예를 들어, 아이템 추천 장치(120)는 사용자(110)가 B 아이템을 선호하지 않아서 선호도를 표현하지 않은 것으로 결정한 다음, B 아이템을 비관심 아이템으로 분류할 수 있다. 이로써, 비평가 아이템 중 일부를 네거티브 클래스로 분류할 수 있다. 아이템 추천 장치(120)는 바이너리-클래스 세팅을 사용자에게 추천할 아이템을 결정하는데 활용함으로써, OCCF 문제를 해결할 수 있다.
아이템 추천 장치(120)는 바이너리-클래스 세팅으로 구분된 아이템에 기초하여, 사용자(110)에게 추천할 아이템을 결정할 수 있다. 아이템 추천 장치(120)는 B 아이템이 비관심 아이템으로 분류되었으므로, B 아이템 및 B 아이템과 유사한 아이템을 사용자(110)에게 추천하지 않을 수 있다. 아이템 추천 장치(120)는 다른 사용자가 아이템을 평가한 결과를 이용하여, B 아이템과 유사한 아이템을 식별할 수 있다. E 아이템 내지 G 아이템은 비평가 아이템으로써 네거티브 클래스, 즉, 비관심 아이템으로 분류되지 않았으므로, 아이템 추천 장치(120)는 E 아이템 내지 G 아이템 중 적어도 하나를 사용자(110)에게 추천할 수 있다.
도 1을 참고하면, 아이템 추천 장치(120)는 사용자(110)에게 추천하기로 결정된 아이템을 추천 아이템 리스트(140)의 형태로 사용자(110)에게 제공할 수 있다. 아이템 리스트(130)에 포함되지 않은 아이템이 추천 아이템 리스트(140)에 포함될 수 있다. 도 1을 참고하면, H 아이템 및 M 아이템은 아이템 리스트(130)에 포함되지 않았음에도 불구하고, 추천 아이템 리스트(140)에 포함될 수 있다.
비평가 아이템이더라도 네거티브 클래스로 분류되지 않았다면, 추천 아이템 리스트(140)에 포함될 수 있다. 도 1을 참고하면, 아이템 추천 장치(120)는 비평가 아이템인 F 아이템을 추천 아이템 리스트(140)에 포함시킬 수 있다.
도 1에는 한 명의 사용자(110)에 대한 실시예만이 도시되었지만, 아이템 추천 장치(120)는 복수의 아이템 리스트(130)를 복수의 사용자로부터 수신할 수 있다. 아이템 추천 장치(120)는 수신한 복수의 아이템 리스트에 기초하여, 아이템에 대한 사용자의 선호도가 얼마나 유사한지를 판단할 수 있다. 예를 들어, 복수의 사용자가 A 아이템 및 F 아이템에 대한 선호도를 표현한 것으로 가정하자. 사용자(110)가 A 아이템을 선택하였으므로, 사용자(110)가 아이템 리스트(130)에서 F 아이템을 선택하지 않았더라도, 아이템 추천 장치(120)는 F 아이템을 추천 아이템 리스트(140)에 포함시킬 수 있다.
아이템 추천 장치(120)는 사용자(110)가 선호도를 표현하지 않은 비평가 아이템들 중에서 일부를 네거티브 클래스로 분류함으로써, 사용자(110)에게 제공된 아이템들을 평가 아이템, 비평가 아이템 및 비관심 아이템의 바이너리-클래스 세팅으로 분류할 수 있으며, 바이너리-클래스 세팅으로 구분된 아이템에 기초하여, 사용자에게 추천할 아이템을 결정할 수 있다. 이로써 아이템 추천 장치(120)는 사용자(110)에게 추천할 아이템을 보다 정확하게 결정할 수 있다.
도 2는 본 발명의 일실시예에 따른 아이템 추천 장치가 사용자에게 아이템을 추천하는 동작을 설명하기 위한 흐름도이다. 일실시예에 따른 아이템 추천 방법을 실행하기 위한 프로그램이 기록된 컴퓨터에서 판독 가능한 기록 매체가 제공될 수 있다. 상기 프로그램은 아이템 추천 방법을 저장한 응용 프로그램, 디바이스 드라이버, 펌웨어, 미들웨어, 동적 링크 라이브러리(DLL) 및 애플릿 중 적어도 하나를 포함할 수 있다. 본 발명의 일실시예에 따르면, 아이템 추천 장치는 프로세서를 포함하고, 프로세서는 아이템 추천 방법이 기록된 기록 매체를 판독함으로써, 아이템 추천 방법을 수행할 수 있다.
도 2를 참고하면, 단계(210)에서, 일실시예에 따른 아이템 추천 장치는 사용자가 선호도를 표현한 평가 아이템 및 사용자가 선호도를 표현하지 않은 비평가 아이템을 식별할 수 있다. 도 1에서 설명한 바를 참고하면, 사용자는 수신한 아이템 리스트의 하나 이상의 아이템에 대한 선호도를 표현할 수 있다. 사용자는 특정 아이템을 선호하지 않거나 또는 관심이 없음을 이유로 특정 아이템을 선택하지 않을 수 있다. 아이템 추천 장치는 사용자가 선택한 결과를 수신할 수 있다.
도 3은 본 발명의 일실시예에 따른 아이템 추천 장치가 원-클래스 세팅으로 분류된 아이템을 바이너리-클래스 세팅으로 분류하는 동작을 설명하기 위한 예시적인 도면이다. 이하에서는 도 3의 예시를 참고하여 도 2의 아이템 추천 장치가 수행하는 동작을 구체적으로 설명한다.
도 3을 참고하면, 아이템 추천 장치는 사용자로부터 아이템 리스트(310)를 수신할 수 있다. 도 3을 참고하면, 사용자는 A 아이템, C 아이템 내지 D 아이템에 대한 선호도를 표현하였으며(평가 아이템), B 아이템, E 아이템 내지 G 아이템에 대해서는 선호도를 표현하지 않았다(비평가 아이템).
아이템 추천 장치는 사용자가 선호도를 평가하였는지에 따라 아이템에 값을 할당함으로써, 아이템을 평가 아이템 및 비평가 아이템의 원-클래스 세팅으로 분류할 수 있다. 도 3을 참고하면, 아이템 추천 장치는 평가 아이템에 1을 할당하고, 비평가 아이템에 ‘unknown’을 할당하여 아이템 리스트(320)를 생성할 수 있다.
다시 도 2를 참고하면, 단계(220)에서, 일실시예에 따른 아이템 추천 장치는 비평가 아이템의 비관심 점수(uninteresting score)를 결정할 수 있다. 즉, 아이템 추천 장치는 비평가 아이템들 중에서, 사용자가 관심이 없어서 선호도를 표현하지 않은 아이템 및 사용자가 선호하지 않아서 선호도를 표현하지 않은 아이템을 구분할 수 있다. 아이템 추천 장치가 비평가 아이템의 비관심 점수를 결정하는 동작은 이후 구체적으로 설명한다.
도 2를 참고하면, 단계(230)에서, 일실시예에 따른 아이템 추천 장치는 결정된 비관심 점수에 기초하여, 비평가 아이템 중에서 비관심 아이템을 결정함으로써, 원-클래스 세팅으로 구분된 아이템을 평가 아이템, 비평가 아이템 및 비관심 아이템의 바이너리-클래스 세팅으로 분류할 수 있다. 아이템 추천 장치는 비평가 아이템 중에서, 비관심 점수가 낮은 일정 개수의 비평가 아이템을 비관심 아이템으로 분류할 수 있다. 아이템 추천 장치는 비관심 아이템으로 분류된 비평가 아이템의 값을 ‘unknown’이 아닌 다른 값으로 변경할 수 있다.
도 3을 참고하면, 아이템 추천 장치가 비평가 아이템 중에서 일부를 비관심 아이템으로 분류한 아이템 리스트(330)가 도시된다. 아이템 추천 장치는 비평가 아이템인 B 아이템, E 아이템 내지 G 아이템 중에서, B 아이템 및 G 아이템을 비관심 아이템으로 분류할 수 있다. 아이템 추천 장치는 B 아이템 및 G 아이템에 할당된 값을 ‘unknown’에서 0으로 재설정함으로써, B 아이템 및 G 아이템을 비관심 아이템으로 분류할 수 있다. 아이템 추천 장치는 비평가 아이템의 전부 또는 일부를 비관심 아이템으로 분류할 수 있다. 따라서, 비평가 아이템 중 일부의 값은 ‘unknown’으로 유지될 수 있다.
결론적으로, 아이템 추천 장치는 원-클래스 세팅으로 분류된 아이템 리스트(310) 내지 아이템 리스트(320)로부터 바이너리-클래스 세팅으로 분류된 아이템 리스트(330)를 생성할 수 있다. 다시 말하면, 아이템 추천 장치는 원-클래스 세팅(1, ‘unknown’)에 네거티브 클래스(0)를 추가하여 바이너리-클래스 세팅(1, 0, ‘unknown’)으로 변환할 수 있다. 아이템 추천 장치는 아이템을 바이너리-클래스 세팅으로 분류한 결과를 이용하여 확장 매트릭스(augmented matrix)를 생성할 수 있다.
다시 도 2를 참고하면, 단계(240)에서, 일실시예에 따른 아이템 추천 장치는 바이너리-클래스 세팅으로 구분된 아이템에 기초하여, 사용자에게 추천할 아이템을 결정할 수 있다. 앞서 설명한 바와 같이, 사용자에게 제공된 아이템에 할당된 값은 바이너리-클래스 세팅에 따라 1, 0 및 ‘unknown’ 중 어느 하나일 수 있다. 선호도가 원-클래스 세팅에서 바이너리-클래스 세팅으로 변환되었으므로, 아이템 추천 장치는 비평가 아이템 중에서 사용자가 선호하지 않아서 선호도를 표현하지 않은 것으로 추정되는 아이템을 구분할 수 있다. 즉, 아이템 추천 장치는 바이너리-클래스 세팅으로 분류된 결과를 사용자가 아이템에 평점을 매긴것으로 가정하고, 사용자가 아이템에 평점을 부여하였을 때 사용되는 아이템 추천 방법을 적용할 수 있다.
도 4는 본 발명의 일실시예에 따른 아이템 추천 장치가 아이템을 바이너리-클래스 세팅으로 분류하여 확장 매트릭스(augmented matrix)를 생성하는 동작을 설명하기 위한 흐름도이다. 도 5는 본 발명의 일실시예에 따른 아이템 추천 장치가 비평가 아이템의 비관심 점수를 결정하여, 아이템을 바이너리-클래스 세팅으로 분류하는 동작을 설명하기 위한 예시적인 도면이다. 이하에서는 도 4 및 도 5를 참고하여 아이템 추천 장치가 아이템을 바이너리-클래스 세팅으로 분류하는 동작을 설명한다.
도 4를 참고하면, 단계(410)에서, 일실시예에 따른 아이템 추천 장치는 비선호 아이템의 비관심 점수(uninteresting score)를 결정할 수 있다. 아이템 추천 장치는 사용자들이 선호도를 표현한 평가 아이템간의 유사성에 기초하여, 사용자가 비평가 아이템을 선호하는 정도를 결정할 수 있다. 아이템 추천 장치는 사용자가 이전에 선호도를 표현한 평가 아이템들을 참고하여, 사용자가 비평가 아이템을 선호하는 정도를 결정할 수 있다. 아이템 추천 장치는 비평가 아이템을 선호하는 정도를 비관심 점수를 이용해 표시할 수 있다.
도 5를 참고하면, 아이템 추천 장치가 아이템 리스트(510)에 포함된 비평가 아이템의 비관심 점수를 결정하여 생성한 아이템 리스트(520)가 도시된다. 비관심 점수가 높을수록, 사용자가 비평가 아이템을 선호할 확률이 높음을 의미한다. 도 5를 참고하면, F 아이템 보다 E 아이템의 비관심 점수가 높으므로, 아이템 추천 장치는 사용자가 F 아이템 보다 E 아이템을 선호할 확률이 높은 것으로 결정하였음을 알 수 있다. 또한, G 아이템의 비관심 점수가 가장 낮으므로, 사용자가 G 아이템을 선호할 확률은 B 아이템, E 아이템 내지 F 아이템을 선호할 확률보다 낮음을 알 수 있다.
다시 도 4를 참고하면, 단계(420)에서, 일실시예에 따른 아이템 추천 장치는 비관심 점수를 이용하여, 원-클래스 세팅으로 구분된 아이템을 바이너리-클래스 세팅으로 분류할 수 있다. 아이템 추천 장치는 비관심 점수가 낮은 일정 개수의 비평가 아이템을 비관심 아이템으로 분류할 수 있다. 예를 들어, 아이템 추천 장치는 비관심 점수가 0.5 보다 낮은 비평가 아이템을 비관심 아이템으로 분류할 수 있다. 도 5를 참고하면, 아이템 추천 장치는 비평가 아이템 중에서 결정된 비관심 점수가 미리 설정된 비관심 점수보다 낮은 비평가 아이템을 비관심 아이템으로 분류하여 아이템 리스트(530)를 생성할 수 있다. 도 5를 참고하면, 비관심 점수가 0.5보다 낮은 비평가 아이템을 비관심 아이템으로 분류함으로써, B 아이템 및 G 아이템에 네거티브 클래스에 대응하는 값(0)이 부여된다. 아이템 추천 장치는 비관심 아이템으로 분류되지 않은 비평가 아이템의 값을 ‘unknown’으로 유지할 수 있다.
일실시예에 따르면, 아이템 추천 장치는 비평가 아이템 중 미리 설정된 비율의 아이템을 비관심 아이템으로 분류할 수 있다. 이 경우, 아이템 추천 장치는 결정된 비관심 점수가 가장 낮은 아이템부터 순차적으로 비관심 아이템으로 분류할 수 있다. 도 5를 참고하면, 비평가 아이템중 50%의 아이템을 비관심 아이템으로 분류하는 경우, 4개의 비평가 아이템 중에서 2개의 아이템을 비관심 아이템으로 분류하여야 한다. 따라서, 아이템 추천 장치는 결정된 비관심 점수가 가장 낮은 G 아이템 및 그 다음으로 비관심 점수가 낮은 B 아이템을 비관심 아이템으로 분류할 수 있다.
다시 도 4를 참고하면, 단계(430)에서, 일실시예에 따른 아이템 추천 장치는 비관심 아이템에 대응하는 원소 값을 포함하는 확장 매트릭스(augmented matrix)를 생성할 수 있다. 확장 매트릭스는 원소로써, 아이템을 바이너리-클래스 세팅으로 분류한 결과를 포함할 수 있다. 확장 매트릭스는 사용자에게 제공된 아이템 전체에 대한 원소값을, 바이너리-클래스 세팅에 따라 평가 아이템(1), 비관심 아이템(0) 및 비평가 아이템(unknown)으로 구분하여 포함할 수 있다. 아이템 추천 장치가 사용자에게 추천할 아이템을 결정할 때에, 생성된 확장 매트릭스가 이용될 수 있다.
도 6은 일실시예에 따른 아이템 추천 장치가 협업 필터링(CF, Collaborative Filtering) 방법을 이용하여 사용자에게 추천할 아이템을 결정하는 동작을 설명하기 위한 흐름도이다. 아이템 추천 장치는 확장 매트릭스를 이용하여 협업 필터링 방법을 수행할 수 있다. 아이템 추천 장치는 사용자와 유사한 다른 사용자들이 아이템을 평가한 정보를 활용할 수 있다(UserKNN). 아이템 추천 장치는 사용자의 평가 아이템과 유사한 아이템을 평가한 다른 사용자의 정보를 활용할 수 있다(ItemKNN). 아이템 추천 장치는 행렬 분해시 발생되는 잠재 변수(latent factor)를 이용하여 사용자에게 추천할 아이템을 결정할 수 있다(SVD, SVD++, PureSVD).
도 6을 참고하면, 단계(610)에서, 일실시예에 따른 아이템 추천 장치는 확장 매트릭스로부터, 복수의 사용자의 복수의 아이템에 대한 선호도가 얼마나 유사한지를 나타내는 유사도를 계산할 수 있다. 이하에서는 표 1의 예시를 참고하여, 아이템 추천 장치가 유사도를 계산하는 실시예를 설명한다. 표 1은 아이템 1 및 아이템 2가 아이템 리스트를 통해 q 명의 사용자에게 제공되었을 때, 확장 매트릭스를 이용하여, 아이템 1 및 아이템 2에 대한 사용자의 선호도를 바이너리-클래스 세팅에 따라 집계한 것이다.
아이템1

아이템2		 1 0 Unknown 합계
1 a b c a+b+c
0 d e f d+e+f
Unknown g h i g+h+i
합계 a+d+g b+e+h c+f+i q
표 1을 참고하면, a는 아이템 1 및 아이템 2 전부에 선호도를 표현한 사용자의 수를 의미한다. b는 아이템 2에 선호도를 표현하고, 아이템 1이 아이템 추천 장치에 의해 비관심 아이템으로 분류된 사용자의 수를 의미한다. i는 아이템 1 및 아이템 2 전부가 비관심 아이템으로 분류된 사용자의 수를 의미한다. 확장 매트릭스가 복수의 사용자가 복수의 아이템에 대해 평가한 선호도를 바이너리-클래스 세팅에 따라 저장할 수 있으므로, 아이템 추천 장치는 확장 매트릭스를 이용하여 표 1처럼 복수의 아이템에 대한 사용자의 선호도를 바이너리-클래스 세팅에 따라 집계할 수 있다.
아이템 추천 장치는 비평가 아이템을 네거티브 클래스를 이용하여 분류함으로써, 유사도를 보다 정확하게 계산할 수 있다. 일실시예에 따르면, 아이템 추천 장치는 복수의 아이템을 전부 평가 아이템으로 분류한 사용자의 수(a), 복수의 아이템들이 전부 비관심 아이템으로 분류된 사용자의 수(e), 및 복수의 아이템들이 전부 비평가 아이템으로 분류된 사용자의 수(i)에 따라 유사도를 결정할 수 있다. 아이템 추천 장치는 수학식 1을 이용하여 유사도를 결정할 수 있다.
Figure 112016064586134-pat00001
Figure 112016064586134-pat00002
Figure 112016064586134-pat00003
표 1을 참고하면, 수학식 1의 복수의 아이템이 동일하게 평가 아이템 또는 비관심 아이템으로 분류된 사용자의 수는, 아이템 1 및 아이템 2 전부를 평가 아이템으로 분류한 사용자의 수(a) 및 아이템 추천 장치에 의해 아이템 1 및 아이템 2 전부를 비관심 아이템으로 분류된 사용자의 수(e)의 합으로 결정될 수 있다(a+e). 수학식 1의 복수의 아이템 전부를 비평가 아이템으로 분류하지 않은 사용자의 수는 전체 사용자의 수 q에서 아이템 1 및 아이템 2 전부가 비평가 아이템으로 분류된 사용자의 수 i를 제외함으로써 결정될 수 있다(q-i).
아이템 추천 장치는 수학식 1에 따라 결정된 유사도를 이용하여, 복수의 사용자의 복수의 아이템에 대한 선호도가 유사한 정도를 계산할 수 있다. 특히, 아이템 추천 장치는 비관심 아이템으로 분류된 사용자의 수를 유사도를 계산하는 것에 이용할 수 있다. 이로써, 아이템 추천 장치는 비평가 아이템 중에서, 사용자가 선호하지 않을 확률이 높은 아이템을 고려하여 유사도를 계산할 수 있다. 따라서, 아이템 추천 장치는 보다 정확하게 유사도를 계산할 수 있다.
도 6을 참고하면, 단계(620)에서, 일실시예에 따른 아이템 추천 장치는 결정된 유사도에 기초하여, 사용자에게 추천할 아이템을 결정할 수 있다. 아이템 추천 장치는 계산된 유사도에 기초하여 협업 필터링 방법을 수행함으로써, 사용자에게 추천할 아이템을 결정할 수 있다. 즉, 아이템 추천 장치는 복수의 아이템에 대한 선호도의 분포가 서로 유사한 사용자를 추출함으로써, 사용자에게 추천할 아이템을 결정할 수 있다.
도 7은 일실시예에 따른 아이템 추천 장치가 원-클래스 협업 필터링(OCCF, One-Class Collaborative Filtering) 방법을 이용하여 사용자에게 추천할 아이템을 결정하는 동작을 설명하기 위한 흐름도이다. 아이템 추천 장치는 WALS(weighted alternating least squares) 알고리즘을 사용하여 사용자에게 추천할 아이템을 결정할 수 있다. 아이템 추천 장치는 WALS 알고리즘을 적용하기 위하여, 대상 매트릭스 및 대상 매트릭스를 분해하는데 사용되는 가중치 매트릭스를 생성할 수 있다. 아이템 추천 장치는 가중치 매트릭스의 각 원소 값을, 각 아이템을 바이너리-클래스 세팅으로 분류한 결과에 따라 설정할 수 있다.
도 7을 참고하면, 단계(710)에서, 일실시예에 따른 아이템 추천 장치는, 원소 값이 원-클래스 세팅으로 분류된 아이템이 원-클래스 세팅 중에서 어느 것으로 분류되었는지에 따라 결정되는, 대상 매트릭스를 생성할 수 있다. 즉, 대상 매트릭스의 i 행 j 열의 원소값은, j 아이템이 i 사용자에 대하여 원-클래스 세팅 중에서 어느 것으로 분류되었는지에 따라 결정될 수 있다. 예를 들어, j 아이템이 i 사용자에 대하여 비평가 아이템으로 분류된 경우, i 행 j 열의 원소값은 0으로 설정될 수 있다. j 아이템이 i 사용자에 대하여 평가 아이템으로 분류된 경우, i 행 j 열의 원소값은 1로 설정될 수 있다. 표 2는 A 아이템 내지 D 아이템이 사용자 1 내지 사용자 3에 대하여 원-클래스 세팅 중에서 어느 것으로 분류되었는지에 따라 원소 값이 결정된 대상 매트릭스의 일례를 제시한다.
아이템
사용자		 A B C D
1 1 0 1 0
2 1 1 1 0
3 0 1 0 0
표 2를 참고하면, 사용자 1은 A 아이템을 평가 아이템으로 분류하였으며, 사용자 2는 D 아이템에 대한 선호도를 표현하지 않았음을 알 수 있다.
도 7을 참고하면, 단계(720)에서, 일실시예에 따른 아이템 추천 장치는, 원-클래스 세팅으로 분류된 아이템에 대해 가중치를 할당함으로써, 대상 매트릭스에 대응하는 가중치 매트릭스를 생성할 수 있다. 가중치는, 원-클래스 세팅으로 분류된 아이템이 바이너리-클래스 세팅 중에서 어느 것으로 분류되었는지에 따라 결정될 수 있다.
일실시예에 따르면, 아이템 추천 장치는 비관심 아이템으로 분류된 아이템의 가중치를, 평가 아이템의 가중치와 동일하게 설정할 수 있다. 예를 들어, 아이템 추천 장치는 평가 아이템의 가중치를 1로 설정한 경우, 비관심 아이템으로 분류된 아이템의 가중치를 1로 설정할 수 있다.
아이템 추천 장치는 비평가 아이템의 가중치를 평가 아이템의 가중치인 1 보다 작은 값으로 설정할 수 있다. 예를 들어, 아이템 추천 장치는 비평가 아이템의 가중치를 0으로 설정할 수 있다. 아이템 추천 장치는 선호도가 비평가 아이템의 가중치를 1 보다 작고 0 보다 큰 상수로 설정할 수 있다.
아이템 추천 장치는 사용자가 선호도를 표현한 평가 아이템의 개수에 따라, 비평가 아이템의 가중치를 설정할 수 있다. 특정 사용자가 선호도를 표현한 평가 아이템의 수가 다른 사용자의 평가 아이템보다 많은 경우, 특정 사용자가 선호도를 표현하지 않은 비평가 아이템을 선호하지 않을 확률은 다른 사용자가 비평가 아이템을 선호하지 않을 확률보다 높을 수 있다. 따라서, 아이템 추천 장치는 사용자의 평가 아이템의 수가 많은 경우, 비평가 아이템의 가중치를 상대적으로 높게 설정할 수 있다.
아이템 추천 장치는 특정 사용자에 대한 비평가 아이템의 가중치를, 비평가 아이템에 대해 선호도를 표현한 다른 사용자의 수가 적을수록 높게 설정할 수 있다. 즉, 가중치는 사용자가 비평가 아이템을 선호하지 않을 확률이 높음을 의미할 수 있다. 표 3은 일실시예에 따른 아이템 추천 장치가 표 2의 대상 매트릭스에 대응하여 생성한 가중치 매트릭스의 일례를 제시한다.
아이템
사용자		 A B C D
1 1 0.9 1 0.7
2 1 1 1 0.5
3 0.5 1 0 0.8
표 2를 참고하면, 사용자 1은 B 아이템 및 D 아이템에 대한 선호도를 표현하지 않았다. 도 3을 참고하면, 아이템 추천 장치는 B 아이템의 가중치를 D 아이템의 가중치보다 높게 설정하였다. 즉, 아이템 추천 장치는 사용자가 B 아이템을 선호하지 않을 확률이 사용자가 D 아이템을 선호하지 않을 확률보다 높은 것으로 결정하였음을 알 수 있다.
도 7을 참고하면, 단계(730)에서, 일실시예에 따른 아이템 추천 장치는 가중치 매트릭스를 이용하여, 대상 매트릭스에 대하여 매트릭스 분해(matrix factorization)를 수행할 수 있다. 아이템 추천 장치는 WALS 알고리즘을 적용하여 대상 매트릭스를 매트릭스 분해할 수 있다. 따라서, 아이템 추천 장치는 가중치 매트릭스의 원소에 할당된 가중치를 이용하여, 대상 매트릭스에 대하여 매트릭스 분해를 수행할 수 있다. 아이템 추천 장치는 가중치를 이용하여, 사용자의 어떤 아이템에 대한 선호도를 다른 아이템 보다 더 정확하게 예측할지를 결정할 수 있다.
도 7을 참고하면, 단계(740)에서, 일실시예에 따른 아이템 추천 장치는 매트릭스 분해를 수행한 결과에 따라, 사용자에게 추천할 아이템을 결정할 수 있다. 아이템 추천 장치는 원-클래스 협업 필터링 방법을 수행함으로써, 사용자에게 추천할 아이템을 결정할 수 있다. 즉, 높은 가중치가 할당된 평가 아이템 및 비관심 아이템으로 분류된 아이템이, 상대적으로 낮은 가중치가 할당된 비평가 아이템 보다 사용자에게 추천할 아이템을 결정하는데 더 큰 영향을 줄 수 있다.
도 8은 본 발명의 일실시예에 따른 아이템 추천 장치가 RWR(Random Walk with Restart) 방법을 이용하여 사용자에게 추천할 아이템을 결정하는 동작을 설명하기 위한 흐름도이다. 아이템 추천 장치는 사용자 및 아이템을 노드로 하고, 노드들을 사용자가 아이템에 대한 선호도를 표현하였는지에 따라 연결함으로써, 그래프를 생성할 수 있다. 아이템 추천 장치는 생성된 그래프에 대하여 RWR을 수행함으로써, 사용자에게 추천할 아이템을 결정할 수 있다. 아이템 추천 장치가 비평가 아이템의 전부 또는 일부를 비관심 아이템으로 분류하였으므로, 아이템 추천 장치는 사용자 및 평가 아이템을 연결하는 것뿐만 아니라, 사용자 및 비관심 아이템을 연결할 수 있다.
도 8을 참고하면, 단계(810)에서, 일실시예에 따른 아이템 추천 장치는 사용자 및 평가 아이템을 연결하여 포지티브 그래프(positive graph)를 생성할 수 있다. 따라서, 사용자 및 아이템은 사용자가 그 아이템에 선호도를 표현한 경우에만 연결될 수 있다.
도 8을 참고하면, 단계(820)에서, 일실시예에 따른 아이템 추천 장치는 사용자 및 비관심 아이템을 연결하여 네거티브 그래프(negative graph)를 생성할 수 있다. 즉, 비평가 아이템 중에서 ‘unknown’이 부여된 아이템을 제외한 나머지 아이템이 사용자와 연결될 수 있다.
도 8을 참고하면, 단계(830)에서, 일실시예에 따른 아이템 추천 장치는 포지티브 그래프 및 네거티브 그래프를 이용하여 사용자에 대한 아이템의 관련성 점수를 결정할 수 있다. 아이템 추천 장치는 포지티브 그래프에 대하여 RWR을 수행함으로써 포지티브 점수를 결정할 수 있다. 아이템 추천 장치는 네거티브 그래프에 대하여 RWR을 수행함으로써 네거티브 점수를 결정할 수 있다. 아이템 추천 장치는 수학식 2에 따라 포지티브 그래프 및 네거티브 그래프 각각으로부터 포지티브 점수 및 네거티브 점수를 결정할 수 있다.
Figure 112016064586134-pat00004
수학식 2를 참고하면,
Figure 112016064586134-pat00005
은 랭킹 벡터로써, 결정되는 포지티브 점수 또는 네거티브 점수를 의미한다. c는 재시작 확률,
Figure 112016064586134-pat00006
은 시작 벡터,
Figure 112016064586134-pat00007
는 정규화된 가중치 그래프를 의미한다.
아이템 추천 장치는 포지티브 점수에서 네거티브 점수를 제외하여 관련성 점수를 결정할 수 있다. 즉, 아이템 추천 장치는 사용자 및 평가 아이템간의 관련성뿐만 아니라, 사용자 및 비관심 아이템간의 관련성을 고려하여 관련성 점수를 결정할 수 있다.
도 8을 참고하면, 단계(840)에서, 일실시예에 따른 아이템 추천 장치는 결정된 관련성 점수에 따라 상기 사용자에게 추천할 아이템을 결정할 수 있다. 따라서, 아이템 추천 장치는 사용자 및 평가 아이템간의 관련성, 그리고 사용자 및 낮은 선호도(0)가 부여된 아이템간의 관련성을 고려하여 사용자에게 추천할 아이템을 결정할 수 있다.
도 9는 본 발명의 일실시예에 따른 아이템 추천 장치가 신뢰도 확산(BP, Belief Propagation) 방법을 이용하여 사용자에게 추천할 아이템을 결정하는 동작을 설명하기 위한 흐름도이다. 아이템 추천 장치는 아이템에 대한 사용자의 선호도에 대한 확률을 결정하고, 결정된 확률을 사용자에게 아이템을 추천하는데 사용할 수 있다.
도 9를 참고하면, 단계(910)에서, 일실시예에 따른 아이템 추천 장치는 평가 아이템에 대한 선호 포텐셜(like-potential)을 결정할 수 있다. 아이템 추천 장치는 평가 아이템의 선호 포텐셜에 높은 확률을 부여할 수 있다. 예를 들어, 아이템 추천 장치는 평가 아이템에 대한 선호 포텐셜을 0.9 또는 그 이상으로 부여할 수 있다.
도 9를 참고하면, 단계(920)에서, 일실시예에 따른 아이템 추천 장치는 비관심 아이템에 대한 비선호 포텐셜(dislike-potential)을 결정할 수 있다. 아이템 추천 장치는 비관심 아이템의 비선호 포텐셜에 높은 확률을 부여할 수 있다. 예를 들어, 아이템 추천 장치는 비관심 아이템에 대한 비선호 포텐셜을 0.9 또는 그 이상으로 부여할 수 있다. 이로써, 아이템 추천 장치는 아이템이 평가 아이템으로 분류되는지 또는 비관심 아이템으로 분류되는지에 따라 사용자 또는 아이템의 노드 포텐셜(node potential)을 다르게 설정할 수 있다.
도 9를 참고하면, 단계(930)에서, 일실시예에 따른 아이템 추천 장치는 신뢰도 확산(BP, Belief propagation)을 이용하여, 결정된 선호 포텐셜 및 비선호 포텐셜로부터 사용자의 아이템의 선호도에 대한 확률을 결정할 수 있다. 아이템 추천 장치가 평가 아이템에 대한 선호 포텐셜 뿐만 아니라, 비관심 아이템의 비선호 포텐셜까지 결정하였으므로, 비관심 아이템을 고려하여 신뢰도 확산을 적용할 수 있다. 따라서, 아이템 추천 장치는 보다 정확하게 사용자의 아이템의 선호도에 대한 확률을 결정할 수 있다.
아이템 추천 장치는 수학식 3을 이용하여 신뢰도 확산을 적용할 수 있다.
Figure 112016064586134-pat00008
수학식 3을 참고하면, mij(xc)는 사용자(또는 아이템) vi 에서 아이템(또는 사용자) vj로의 메시지로써, vj가 xc상태(평가 아이템 상태 또는 비평가 아이템 상태)일 가능성에 대한 vi의 신뢰를 의미할 수 있다. 일실시예에 따르면, mij(xc)는 아이템(또는 사용자) vi 에서 사용자(또는 아이템) vj로의 메시지를 의미할 수 있다. 수학식 3을 참고하면, mij(xc)는 사용자(또는 아이템) vi가 아이템(또는 사용자) vi를 제외한 주변 사용자 또는 주변 아이템으로부터 수신한 메시지들의 곱으로부터 생성될 수 있다.
수학식 3을 참고하면,
Figure 112016064586134-pat00009
는 사용자(또는 아이템) vi의 상태가 xd 상태(평가 아이템 상태 또는 비평가 아이템 상태)인 경우, 그 이웃 사용자 또는 이웃 아이템 vj가 xc 상태일 가능성을 표시할 수 있다.
Figure 112016064586134-pat00010
는 미리 설정된 파급 행렬을 통해 결정될 수 있다. 일실시예에 따르면, 파급 행렬은 표 4와 같이 설정될 수 있다.
Figure 112016064586134-pat00011

Figure 112016064586134-pat00012
 평가 아이템 비평가 아이템
평가 아이템 0.5 +
Figure 112016064586134-pat00013
 0.5 -
Figure 112016064586134-pat00014
비평가 아이템 0.5 -
Figure 112016064586134-pat00015
 0.5 +
Figure 112016064586134-pat00016
표 4를 참고하면,
Figure 112016064586134-pat00017
는 0 보다 크고 1 보다 작은 값으로 설정될 수 있다.
수학식 3을 참고하면,
Figure 112016064586134-pat00018
는 사용자 또는 아이템에게 할당된 초기 값으로, 사용자 vi의 상태가 xd 상태(평가 아이템 또는 비평가 아이템)일 확률을 나타낸다. 초기값은 단계(910) 또는 단계(920)에서 결정된 선호 포텐셜 또는 비선호 포텐셜에 따라 결정될 수 있다.
아이템 추천 장치는 수학식 3의 mij(xc)를 이용하여, 수학식 4에 따라 사용자 또는 아이템이 특정 상태에 속할 가능성을 계산할 수 있다.
Figure 112016064586134-pat00019
수학식 4를 참고하면, k는 신뢰 벡터의 각 요소의 합이 1이 되도록 정규화하기 위한 상수이다. 수학식 4에 따라 계산된 신뢰 벡터의 각 요소는 해당 노드(사용자 또는 아이템)가 특정 상태에 속할 가능성을 의미할 수 있다.
도 9를 참고하면, 단계(940)에서, 일실시예에 따른 아이템 추천 장치는 결정된 선호도에 대한 확률에 따라, 사용자에게 추천할 아이템을 결정할 수 있다. 선호도에 대한 확률이 비관심 아이템을 고려하여 결정되었으므로, 아이템 추천 장치는 보다 정확하게 사용자에게 추천할 아이템을 결정할 수 있다.
아이템 추천 장치가 비평가 아이템 중 적어도 일부를 비관심 아이템으로 분류하고, 비관심 아이템을 고려하여 사용자에게 아이템을 추천할 수 있다. 이로써, 아이템 추천 장치는 사용자에게 추천할 아이템을 보다 정확하게 결정할 수 있다. 또한, 아이템 추천 장치는 비관심 아이템을 고려하여 협업 필터링 방법, 단일-클래스 협업 필터링 방법, RWR 방법 및 신뢰도 확산 방법을 이용할 수 있다. 비평가 아이템 중 일부를 비관심 아이템으로 분류함으로써, 아이템 추천 장치는 OCCF 문제를 해결할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
110 : 사용자
120 : 아이템 추천 장치
130 : 아이템 리스트
140 : 추천 아이템 리스트

Claims (8)

  1. 사용자가 선호도를 표현한 평가 아이템 및 상기 사용자가 선호도를 표현하지 않은 비평가 아이템(unrated item)의 원-클래스 세팅(one-class setting)으로 분류된 아이템을 식별하는 단계;
    적어도 하나의 다른 사용자가 선호도를 표현한 평가 아이템에 기초하여, 상기 비평가 아이템의 비관심 점수(uninteresting score)를 결정하는 단계;
    상기 비관심 점수에 기초하여, 상기 비평가 아이템 중에서 비관심 아이템(uninteresting item)을 결정함으로써, 상기 원-클래스 세팅으로 구분된 아이템을 상기 평가 아이템, 상기 비평가 아이템 및 상기 비관심 아이템의 바이너리-클래스 세팅(binary-class setting)으로 분류하는 단계; 및
    상기 바이너리-클래스 세팅으로 구분된 아이템에 기초하여, 상기 사용자에게 추천할 아이템을 결정하는 단계
    를 포함하고,
    상기 사용자에게 추천할 아이템을 결정하는 단계는,
    상기 사용자 및 상기 평가 아이템을 연결하여 포지티브 그래프(positive graph)를 생성하는 단계;
    상기 사용자 및 상기 비관심 아이템을 연결하여 네거티브 그래프(negative graph)를 생성하는 단계;
    상기 포지티브 그래프 및 상기 네거티브 그래프를 이용하여 상기 사용자에 대한 상기 아이템의 관련성 점수를 결정하는 단계; 및
    상기 관련성 점수에 따라 상기 사용자에게 추천할 아이템을 결정하는 단계
    를 포함하는 아이템 추천 방법.
  2. 제1항에 있어서,
    상기 바이너리-클래스 세팅으로 분류하는 단계는, 복수의 비평가 아이템 중에서, 상기 비관심 점수가 낮은 일정 개수의 비평가 아이템을 상기 비관심 아이템으로 분류함으로써, 상기 원-클래스 세팅으로 구분된 아이템을 바이너리-클래스 세팅으로 분류하는 아이템 추천 방법.
  3. 삭제
  4. 삭제
  5. 사용자가 선호도를 표현한 평가 아이템 및 상기 사용자가 선호도를 표현하지 않은 비평가 아이템(unrated item)의 원-클래스 세팅(one-class setting)으로 분류된 아이템을 식별하는 단계;
    적어도 하나의 다른 사용자가 선호도를 표현한 평가 아이템에 기초하여, 상기 비평가 아이템의 비관심 점수(uninteresting score)를 결정하는 단계;
    상기 비관심 점수에 기초하여, 상기 비평가 아이템 중에서 비관심 아이템(uninteresting item)을 결정함으로써, 상기 원-클래스 세팅으로 구분된 아이템을 상기 평가 아이템, 상기 비평가 아이템 및 상기 비관심 아이템의 바이너리-클래스 세팅(binary-class setting)으로 분류하는 단계; 및
    상기 바이너리-클래스 세팅으로 구분된 아이템에 기초하여, 상기 사용자에게 추천할 아이템을 결정하는 단계
    를 포함하고,
    상기 사용자에게 추천할 아이템을 결정하는 단계는,
    원소 값이 상기 원-클래스 세팅으로 분류된 아이템이 상기 원-클래스 세팅 중에서 어느 것으로 분류되었는지에 따라 결정되는 대상 매트릭스를 생성하는 단계;
    상기 원-클래스 세팅으로 분류된 아이템에 대해 가중치를 할당함으로써, 상기 대상 매트릭스에 대응하는 가중치 매트릭스를 생성하는 단계;
    상기 가중치 매트릭스를 이용하여 상기 대상 매트릭스에 대하여 매트릭스 분해를 수행하는 단계; 및
    상기 매트릭스 분해를 수행한 결과에 따라, 상기 사용자에게 추천할 아이템을 결정하는 단계
    를 포함하고,
    상기 가중치는, 상기 원-클래스 세팅으로 분류된 아이템이 상기 바이너리-클래스 세팅 중에서 어느 것으로 분류되었는지에 따라 결정되고,
    상기 가중치 매트릭스를 생성하는 단계는,
    상기 사용자가 상기 비평가 아이템을 선호하지 않을 확률을 이용하여 상기 가중치를 결정하는 아이템 추천 방법.
  6. 삭제
  7. 삭제
  8. 사용자가 선호도를 표현한 평가 아이템 및 상기 사용자가 선호도를 표현하지 않은 비평가 아이템(unrated item)의 원-클래스 세팅(one-class setting)으로 분류된 아이템을 식별하는 단계;
    적어도 하나의 다른 사용자가 선호도를 표현한 평가 아이템에 기초하여, 상기 비평가 아이템의 비관심 점수(uninteresting score)를 결정하는 단계;
    상기 비관심 점수에 기초하여, 상기 비평가 아이템 중에서 비관심 아이템(uninteresting item)을 결정함으로써, 상기 원-클래스 세팅으로 구분된 아이템을 상기 평가 아이템, 상기 비평가 아이템 및 상기 비관심 아이템의 바이너리-클래스 세팅(binary-class setting)으로 분류하는 단계; 및
    상기 바이너리-클래스 세팅으로 구분된 아이템에 기초하여, 상기 사용자에게 추천할 아이템을 결정하는 단계
    를 포함하고,
    상기 사용자에게 추천할 아이템을 결정하는 단계는,
    상기 평가 아이템에 대한 선호 포텐셜(like-potential)을 결정하는 단계;
    상기 비관심 아이템에 대한 비선호 포텐셜(dislike-potential)을 결정하는 단계;
    신뢰도 확산(BP, Belief propagation)을 이용하여, 결정된 상기 선호 포텐셜 및 상기 비선호 포텐셜로부터 상기 사용자의 아이템의 선호도에 대한 확률을 결정하는 단계; 및
    결정된 상기 선호도에 대한 확률에 따라, 상기 사용자에게 추천할 아이템을 결정하는 단계
    를 포함하는 아이템 추천 방법.

KR1020160084228A 2016-02-18 2016-07-04 비관심 아이템을 활용한 아이템 추천 방법 및 장치 KR101804170B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020160019018 2016-02-18
KR20160019018 2016-02-18

Publications (2)

Publication Number Publication Date
KR20170097535A KR20170097535A (ko) 2017-08-28
KR101804170B1 true KR101804170B1 (ko) 2017-12-05

Family

ID=59759720

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160084228A KR101804170B1 (ko) 2016-02-18 2016-07-04 비관심 아이템을 활용한 아이템 추천 방법 및 장치

Country Status (1)

Country Link
KR (1) KR101804170B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200087318A (ko) 2018-12-28 2020-07-21 한양대학교 산학협력단 Gan과 비관심 아이템 생성자를 이용한 협업 필터링을 통한 아이템 추천 방법 및 장치
KR20200142871A (ko) 2019-06-13 2020-12-23 한양대학교 산학협력단 명시적 및 내연적 평가 정보를 이용한 아이템 추천 방법 및 장치
US11853901B2 (en) 2019-07-26 2023-12-26 Samsung Electronics Co., Ltd. Learning method of AI model and electronic apparatus

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200104013A (ko) * 2019-02-26 2020-09-03 주식회사 틸투원 상품 추천 방법 및 그 장치
KR102203253B1 (ko) * 2019-03-07 2021-01-14 네이버 주식회사 생성적 적대 신경망에 기반한 평점 증강 및 아이템 추천 방법 및 시스템
KR102108683B1 (ko) * 2019-08-13 2020-05-07 주식회사 데이블 비관심사 컨텐츠를 포함하는 추천 컨텐츠를 제공하는 방법
KR102494782B1 (ko) * 2020-09-22 2023-02-01 한양대학교 산학협력단 사용자와의 거리를 기반으로 한 아이템 추천 방법 및 장치
CN112860880B (zh) * 2021-03-23 2024-03-08 辽宁工程技术大学 一种融合评论文本和特征加权的四维张量分解推荐方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200087318A (ko) 2018-12-28 2020-07-21 한양대학교 산학협력단 Gan과 비관심 아이템 생성자를 이용한 협업 필터링을 통한 아이템 추천 방법 및 장치
KR20200142871A (ko) 2019-06-13 2020-12-23 한양대학교 산학협력단 명시적 및 내연적 평가 정보를 이용한 아이템 추천 방법 및 장치
US11853901B2 (en) 2019-07-26 2023-12-26 Samsung Electronics Co., Ltd. Learning method of AI model and electronic apparatus

Also Published As

Publication number Publication date
KR20170097535A (ko) 2017-08-28

Similar Documents

Publication Publication Date Title
KR101804170B1 (ko) 비관심 아이템을 활용한 아이템 추천 방법 및 장치
US20180365522A1 (en) Methods and apparatuses for building data identification models
JP6839342B2 (ja) 情報処理装置、情報処理方法およびプログラム
CN102262647B (zh) 信息处理装置、信息处理方法和程序
JP6662119B2 (ja) ソーシャルメディア投稿のキャプションを生成する方法、プログラム及びサーバ装置
CN107153656B (zh) 一种信息搜索方法和装置
CN110110139B (zh) 一种对推荐结果进行解释的方法、装置及电子设备
JP2014515514A (ja) 提案される語を提供するための方法および装置
CN106599047B (zh) 一种信息的推送方法及装置
CN103383702A (zh) 一种基于用户投票排名的个性化新闻推荐的方法及系统
US20230004608A1 (en) Method for content recommendation and device
US11036818B2 (en) Method and system for detecting graph based event in social networks
CN110991476A (zh) 决策分类器的训练、音视频的推荐方法、装置及存储介质
KR101725510B1 (ko) 사용자 성향을 고려한 소셜 이벤트 추천 방법 및 장치
CN110472742B (zh) 一种模型变量确定方法、装置及设备
CN107908649B (zh) 一种文本分类的控制方法
Patching et al. A supervised learning process to validate online disease reports for use in predictive models
CN112287225B (zh) 一种对象推荐方法及装置
KR102299525B1 (ko) 제품 평가 마이닝 방법 및 이를 수행하는 장치
CN111784384B (zh) 支付业务数据处理方法、装置、设备及系统
KR101620659B1 (ko) 협업 필터링을 위한 ｅｍｄ 기반 유사 사용자 선별 방법
KR101958555B1 (ko) 검색 결과 제공 장치 및 방법
JP5063639B2 (ja) データ分類方法及び装置及びプログラム
US11842299B2 (en) System and method using deep learning machine vision to conduct product positioning analyses
US9892201B2 (en) Search engine classification

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)