KR101817322B1 - 집단 지성에 기초한 사용자 호감도 예측 방법 및 시스템 - Google Patents

집단 지성에 기초한 사용자 호감도 예측 방법 및 시스템 Download PDF

Info

Publication number
KR101817322B1
KR101817322B1 KR1020150182779A KR20150182779A KR101817322B1 KR 101817322 B1 KR101817322 B1 KR 101817322B1 KR 1020150182779 A KR1020150182779 A KR 1020150182779A KR 20150182779 A KR20150182779 A KR 20150182779A KR 101817322 B1 KR101817322 B1 KR 101817322B1
Authority
KR
South Korea
Prior art keywords
user
evaluation
mainstream
sub
likelihood
Prior art date
Application number
KR1020150182779A
Other languages
English (en)
Other versions
KR20170073945A (ko
Inventor
박수홍
김정빈
Original Assignee
주식회사 테이스팅앨범
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 테이스팅앨범 filed Critical 주식회사 테이스팅앨범
Priority to KR1020150182779A priority Critical patent/KR101817322B1/ko
Publication of KR20170073945A publication Critical patent/KR20170073945A/ko
Application granted granted Critical
Publication of KR101817322B1 publication Critical patent/KR101817322B1/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
    • 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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 집단 지성에 기초한 사용자 호감도 예측 방법 및 시스템에 관한 것이다. 본 발명에 따른 사용자 호감도 예측 방법은 다수의 사용자로부터 제1 평가대상에 대한 세부항목별 평가 결과를 취합하는 단계, 제1 사용자로부터 입력된 복수 종류의 제2 평가대상에 대한 세부항목별 평가 결과 또는 호감도를 기초로 상기 제1 평가대상 및 상기 제2 평가대상이 속하는 그룹에 대한 상기 제1 사용자의 취향을 분석하는 단계, 그리고 다수의 사용자로부터 취합된 상기 제1 평가대상에 대한 세부항목별 평가 결과와 상기 제1 사용자의 상기 그룹에 대한 취향 분석 결과를 이용하여 상기 제1 평가대상에 대한 상기 제1 사용자의 호감도를 예측하는 단계를 포함한다. 본 발명에 의하면 사용자가 체험하지 못한 평가대상에 대해서 집단 지성의 평가 결과를 이용하여 사용자의 호감도를 예측할 수 있다.

Description

집단 지성에 기초한 사용자 호감도 예측 방법 및 시스템{User Emotional Preference Prediction Method and System}
본 발명은 사용자 호감도 예측 방법 및 시스템에 관한 것으로, 보다 자세하게는 사용자가 체험하지 못한 평가대상에 대해서 집단 지성의 평가 결과를 이용하여 사용자의 호감도를 예측하는 방법 및 시스템에 관한 것이다.
와인은 그 종류나 빈티지 등에 맛이나 품질 등이 상이하고 가격도 달라진다. 그런데 와인의 종류가 매우 방대해서 사용자가 새로운 와인을 보고 자신의 취향에 맞는 와인을 선택하는 것이 쉽지 않다.
와인 소비자가 방대한 종류의 와인 중에서 와인의 종류, 맛, 가격 등의 아이템에 기초하여 용이하게 희망하는 와인을 선택할 수 있도록 온라인으로 와인 정보를 제공하는 시스템이 일본 공개특허 제2003-331186호에 개시되어 있다.
그런데 일본공개특허 제2003-3331186호에 개시된 방법에 의하더라도 사용자가 아직 마셔보지 못한 와인의 자신의 취향에 맞는지 미리 예측하는 것은 어려웠다.
사용자가 와인을 선택할 때 와인의 당도, 산도, 타닌, 바디 및 균형 등의 요소를 고려할 수 있다. 이를 위해 사용자의 와인 선택을 돕기 위해서 와인 종류별로 전문가 등에 의해 와인의 당도, 산도, 타닌, 바디 및 균형 등의 요소별 평가 결과를 사용자에게 제공해주고 있다.
그런데 사용자가 와인을 마실 때 해당 와인에 대한 호감도를 평가하고, 자신이 선호하는 와인의 당도, 산도, 타닌, 바디 및 균형 등의 요소를 어느 정도 파악할 수 있기는 하나, 여전히 자신이 아직 마셔보지 못한 와인이 자신의 취향에 어느 정도 맞을지 여부에 대해서는 판단하기가 곤란하다.
따라서 본 발명이 해결하고자 하는 기술적 과제는 사용자가 체험하지 못한 평가대상에 대해서 집단 지성의 평가 결과를 이용하여 사용자의 호감도를 예측하는 방법 및 시스템을 제공하는 것이다.
또한, 본 발명은 명시적으로 언급된 목적 이외에도, 후술하는 본 발명의 구성으로부터 달성될 수 있는 다른 목적도 포함한다.
상기한 기술적 과제를 해결하기 위한 본 발명에 따른 사용자 호감도 예측 방법은 다수의 사용자로부터 제1 평가대상에 대한 세부항목별 평가 결과를 취합하는 단계, 제1 사용자로부터 입력된 복수 종류의 제2 평가대상에 대한 세부항목별 평가 결과 또는 호감도를 기초로 상기 제1 평가대상 및 상기 제2 평가대상이 속하는 그룹에 대한 상기 제1 사용자의 취향을 분석하는 단계, 그리고 다수의 사용자로부터 취합된 상기 제1 평가대상에 대한 세부항목별 평가 결과와 상기 제1 사용자의 상기 그룹에 대한 취향 분석 결과를 이용하여 상기 제1 평가대상에 대한 상기 제1 사용자의 호감도를 예측하는 단계를 포함한다.
상기 입력된 복수 종류의 제2 평가대상에 대한 세부항목별 평가 결과 중에서 상기 제1 사용자로부터 미리 정해진 기준 이상의 호감도 평가를 받은 제2 평가대상에 대한 세부항목별 평가 결과만을 상기 제1 사용자의 취향 분석에 이용할 수 있다.
상기 복수 종류의 제2 평가대상 중에서 상기 제1 사용자로부터 호감도만 입력된 제2 평가대상은, 다수의 사용자로부터 취합된 세부항목별 평가 결과를 상기 제1 사용자의 세부항목별 평가 결과로 대체 적용할 수 있다.
상기 제1 평가대상에 대한 상기 제1 사용자의 호감도 예측 결과는 아래 수학식에 의해 구해질 수 있다.
Figure 112015125061601-pat00001
여기서, x는 상기 제1 평가대상에 대한 상기 제1 사용자의 호감도 예측 결과, G는 미리 정해진 호감도의 최대값, n은 세부항목 개수, ai는 i번째 세부항목에 대한 다수의 사용자로부터 취합된 제1 평가대상에 대한 평가 결과의 평균값, bi는 상기 제1 사용자로부터 미리 정해진 기준 이상의 호감도 평가를 받은 제2 평가대상의 i번째 세부항목에 대한 평가 결과의 평균값일 수 있다.
상기 제1 평가대상에 대한 상기 제1 사용자의 호감도 예측 결과는 아래 수학식에 의해 구해질 수도 있다.
Figure 112015125061601-pat00002
여기서, x는 상기 제1 평가대상에 대한 상기 제1 사용자의 호감도 예측 결과, G는 미리 정해진 호감도의 최대값, n은 세부항목 개수, ai는 i번째 세부항목에 대한 다수의 사용자로부터 취합된 제1 평가대상에 대한 평가 결과의 평균값이고,
Figure 112015125061601-pat00003
여기서, m은 상기 제1 사용자로부터 미리 정해진 기준 이상의 호감도 평가를 받은 제2 평가대상의 개수, Pj는 제2 평가대상의 세부항목 평가 결과, Gj는 제2 평가대상의 호감도일 수 있다.
상기 제1 평가대상에 대한 상기 제1 사용자의 호감도 예측 결과는 아래 수학식에 의해 구해질 수도 있다.
Figure 112015125061601-pat00004
여기서, x는 상기 제1 평가대상에 대한 상기 제1 사용자의 호감도 예측 결과, G는 미리 정해진 호감도의 최대값, n은 세부항목 개수, ai는 i번째 세부항목에 대한 다수의 사용자로부터 취합된 제1 평가대상에 대한 평가 결과의 평균값이고, bi는 상기 제1 사용자로부터 미리 정해진 기준 이상의 호감도 평가를 받은 제2 평가대상의 i번째 세부항목에 대한 평가 결과의 평균값이고, ki는 상기 제1 사용자로부터 미리 정해진 기준 이상의 호감도 평가를 받은 제2 평가대상의 i번째 세부항목의 평가 결과에 대한 표준 편차에 따라 부여되는 가중치로서,
Figure 112015125061601-pat00005
일 수 있다.
상기 제1 평가대상에 대한 상기 제1 사용자의 호감도 예측 결과가 미리 정해진 기준 이상인 경우 상기 제1 사용자에게 추천할 수 있다.
상기한 기술적 과제를 해결하기 위한 본 발명에 따른 사용자 호감도 예측 시스템은, 다수의 사용자로부터 제1 평가대상에 대한 세부항목별 평가 결과를 취합하여 저장하는 데이터베이스, 제1 사용자로부터 입력된 복수 종류의 제2 평가대상에 대한 세부항목별 평가 결과 또는 호감도를 기초로 상기 제1 평가대상 및 상기 제2 평가대상이 속하는 그룹에 대한 상기 제1 사용자의 취향을 분석하는 분석부, 그리고 다수의 사용자로부터 취합된 상기 제1 평가대상에 대한 세부항목별 평가 결과와 상기 제1 사용자의 상기 그룹에 대한 취향 분석 결과를 이용하여 상기 제1 평가대상에 대한 상기 제1 사용자의 호감도를 예측하는 예측부를 포함한다.
본 발명에 의하면 사용자가 체험하지 못한 평가대상에 대해서 집단 지성의 평가 결과를 이용하여 사용자의 호감도를 예측할 수 있다.
도 1은 본 발명의 일 실시예에 따른 집단 지성에 기초한 사용자 호감도 예측 시스템의 구성을 나타낸 블록도이다.
도 2는 본 발명의 일 실시예에 따른 집단 지성에 기초한 사용자 호감도 예측 방법을 설명하기 위해 제공되는 흐름도이다.
그러면 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.
도 1은 본 발명의 일 실시예에 따른 집단 지성에 기초한 사용자 호감도 예측 시스템의 구성을 나타낸 블록도이다.
도 1을 참고하면, 본 발명에 따른 시스템은 사용자 호감도 예측 결과를 제공하는 서비스 서버(200)를 포함한다.
통신망(1)은 구내 정보 통신망(local area network, LAN), 도시권 통신망(metropolitan area network, MAN), 광역 통신망(wide area network, WAN), 인터넷, 2G/3G/4G 이동 통신망, 블루투스, 와이파이(Wi-Fi), 와이브로(Wibro), 위성 통신망 등을 포함할 수 있으며, 통신 방식도 유선, 무선을 가리지 않으며 어떠한 통신 방식이라도 상관없다.
사용자 단말(100)은 사용자 호감도 예측 결과를 제공받는 사용자에 의해 이용되는 정보 통신 단말로서, 데스크톱 컴퓨터, 노트북 컴퓨터, 워크스테이션, 팜톱(palmtop) 컴퓨터, UMPC(ultra mobile personal computer), 태블릿 PC, 개인 휴대 정보 단말기(personal digital assistant, PDA), 웹 패드, 스마트폰 등과 같이 메모리 수단을 구비하고 마이크로 프로세서를 탑재하여 연산 능력을 갖춘 단말기로 구현될 수 있다.
사용자 단말(100)에는 본 발명에 따른 호감도 예측 서비스를 제공하기 위한 어플리케이션이 설치될 수 있다. 어플리케이션을 통해 사용자는 평가 대상에 대한 세부항목별 평가 점수를 입력하고, 해당 평가 대상에 대한 호감도를 입력하여 등록할 수 있다. 그리고 사용자는 특정 평가 대상에 대한 해당 사용자의 호감도를 예측한 결과를 어플리케이션을 통해 제공받아 확인할 수도 있다.
가령 어플리케이션이 와인 정보 제공 앱이라고 가정하면, 사용자는 와인 정보 제공 앱을 통해 서비스 서버(200)에 접속하여 특정 와인을 선택하고 당도, 산도, 타닌, 균형, 바디 등의 세부항목별 점수와 해당 와인에 대한 자신의 호감도를 입력하여 등록할 수 있다. 그리고 자신이 등록한 와인 종류별 세부항목별 평가 점수와 호감도에 기초하여 구해지는 자신의 와인 취향 분석 결과를 와인 정보 제공 앱을 통해 제공받을 수 있다. 그리고 사용자는 자신이 아직 마셔보지 못한 와인에 대해서 집단 지성에 기초한 해당 와인의 세부항목별 평가 결과와 자신의 와인 취향 분석 결과를 이용하여 구해지는 호감도 예측 결과를 제공받을 수도 있다.
서비스 서버(200)는 통신망(1)을 통해 다수의 사용자 단말(100)과 연결되어 각종 정보 및 데이터를 교환할 수 있으며, 본 발명에 따른 사용자 호감도 예측 서비스를 제공할 수 있다.
서비스 서버(200)는 데이터베이스(210), 분석부(220) 및 예측부(230)를 포함할 수 있다.
데이터베이스(210)는 서비스 서버(200)에서 호감도 예측 서비스를 제공하는데 필요한 각종 정보 및 데이터를 저장하고, 분석부(200) 또는 예측부(230)의 요청에 따라 제공할 수 있다.
구체적으로 데이터베이스(210)는 다수의 사용자로부터 취합된 특정 평가 대상에 대한 세부항목별 평가 결과를 저장할 수 있다. 예컨대 데이터베이스(210)는 A 와인에 대해서 다수의 사용자로부터 취합된 당도, 산도, 타닌, 균형, 바디 등의 세부항목별 점수의 평균값을 해당 A 와인에 대한 세부항목별 평가 결과로 저장할 수 있다.
아래 표 1에서는 사용자 1 내지 사용자 6에 의해 와인 A에 대해서 당도, 산도, 타닌, 균형, 바디 등의 세부항목별 점수를 입력받고, 이를 평균한 값이 집단 지성에 기초한 각 세부항목별 평가 결과로 정해진 것이 예시되어 있다.
와인 A 당도 산도 타닌 균형 바디
사용자 1 3 2 3 4 3
사용자 2 4 2 3 4 3
사용자 3 3 1 3 3 2
사용자 4 4 2 3 3 4
사용자 5 3 3 2 4 3
사용자 6 3 2 2 4 3
세부항목별 평가 결과
(평균값)
3.3
2
2.7
3.7
3
한편 평균값을 적용하는 대신에 다수의 사용자에 의해 가장 많은 횟수로 평가된 점수, 즉 최빈값을 해당 세부항목의 평가 결과로 정할 수도 있다.
가령 당도는 3점이 4회로 가장 많으므로 3점, 산도는 2점이 4회로 가장 많으므로 2점, 마찬가지 방식으로 타닌 3점, 균형 4점, 바디 3점 등으로 세부항목의 평가 결과로 저장할 수 있다. 물론 최빈값이 2개 이상인 경우에는 최빈값의 평균을 해당 세부항목의 평가 결과로 정할 수도 있다.
이 외에도 다양한 방식으로 다수의 사용자에 의한 세부항목별 점수를 취합한 결과를 이용하여 해당 평가대상에 대한 특성을 집단 지성에 기초하여 정의할 수 있다.
분석부(220)는 특정 사용자로부터 입력된 복수 종류의 평가대상에 대한 세부항목별 평가 결과 또는 호감도를 기초로 해당 평가대상이 속하는 그룹에 대한 사용자의 취향을 분석할 수 있다.
사용자의 취향을 분석할 때, 사용자로부터 일정 기준 이상의 호감도 평가를 받은 대상만 사용자 취향 분석에 이용할 수 있다.
예컨대 분석부(220)는 사용자로부터 와인 B, 와인 C, 와인 D, 와인 E 및 와인 F에 대해서 당도, 산도, 타닌, 균형, 바디 세부 항목에 대해서 각각 평가 점수와 호감도를 입력받았다고 가정할 때, 와인 E 및 와인 F는 호감도가 2점 이하로 낮은 경우, 취향 분석에서 배제하고 와인 B, 와인 C, 와인 D만 아래 표 2에 예시한 것과 같이 사용자 취향 분석에 이용할 수 있다. 한편 사용자로부터 특정 와인에 대한 호감도만 입력되고 세부 항목에 대한 평가 결과가 입력되지 않은 경우, 해당 와인에 대해서 다수의 사용자로부터 취합된 세부항목별 평가 결과로 대체 적용되게 할 수도 있다.
사용자 갑 당도 산도 타닌 균형 바디 별점
(호감도)
와인 B 3 3 2 5 1 3
와인 C 5 1 3 5 2 5
와인 D 4 2 4 5 3 3
평균 4 2 3 5 2
사용자로부터 일정 기준 이상의 호감도 평가를 받은, 여기서는 3 이상의 호감도 평가를 받은 와인에 대해서 세부항목별 평가 결과의 평균값을 이용하여 사용자의 와인에 대한 취향을 분석할 수 있다. 즉 당도 4, 산도 2, 타닌 3, 균형 5 및 바디 2를 가지는 와인에 대해서 사용자가 호감도 3 이상을 가질 가능성이 높다고 볼 수 있다.
표 2에 예시한 방식에 의하면, 사용자로부터 일정 호감도 이상을 가진 와인 종류에 대해서 세부항목별 평가 점수를 단순 평균하여 사용자의 취향을 분석하게 된다.
표 2에 예시한 방식과 달리, 사용자로부터 호감도를 높게 평가받은 와인 종류에 대해서 상대적으로 낮은 호감도 평가를 받은 와인 종류의 세부항목별 평가 점수보다 높은 가중치를 부여하여 사용자의 취향 분석에 적용하는 것도 가능하다. 예컨대 표 2에서 와인 C는 와인 B 및 와인 D에 비해 사용자로부터 높은 호감도를 받았으므로 와인 C에 대한 사용자 평가에 가중치를 적용하는 것이 사용자의 취향을 보다 정확하게 반영한 것일 수 있다.
가령 당도에 대해서 가중치 고려 평균을 구해보면, (3×3+5×5+4×3)/(3+5+3) = 4.2가 될 수 있다.
사용자 갑 당도 산도 타닌 균형 바디 별점
(호감도)
와인 B 3 3 2 5 1 3
와인 C 5 1 3 5 2 5
와인 D 4 2 4 5 3 3
가중치 적용 평균 4.2 1.8 3.0 5.0 2.0
호감도를 고려한 가중치 적용 평균은 아래 수학식 1에 의해 구해질 수 있다.
Figure 112015125061601-pat00006
여기서 bi는 i번째 세부항목에 대한 호감도를 고려한 가중치 적용 평균값, m은 사용자로부터 미리 정해진 기준 이상의 호감도 평가를 받은 평가대상의 개수, Pj는 j번째 평가대상의 i번째 세부항목 평가 결과, Gj는 j번째 평가대상의 호감도이다. 표 3에서 당도, 산도, 타닌, 균형, 바디는 각각 1~5번째 세부항목이고, 호감도 3 이상의 와인 종류가 와인 B, 와인 C, 와인 D이므로 m은 3이다.
예측부(230)는 다수의 사용자로부터 취합된 특정 평가대상에 대한 세부항목별 평가 결과와 특정 사용자의 평가대상 그룹에 대한 취향 분석 결과를 이용하여 특정 평가대상에 대한 특정 사용자의 호감도를 예측할 수 있다. 예컨대 사용자 갑이 와인 A를 아직 마셔보지 못한 경우에도, 집단 지성에 의해 구해진 와인 A의 특성과 사용자 갑의 와인 취향 분석 결과를 이용하여, 사용자 갑의 와인 A에 대한 호감도를 예측할 수 있다.
사용자의 호감도 예측은 아래 수학식 2를 이용할 수 있다.
Figure 112015125061601-pat00007
여기서, x는 제1 평가대상에 대한 제1 사용자의 호감도 예측 결과, G는 미리 정해진 호감도의 최대값, n은 세부항목 개수, ai는 i번째 세부항목에 대한 다수의 사용자로부터 취합된 제1 평가대상에 대한 평가 결과의 평균값, bi는 제1 사용자로부터 미리 정해진 기준 이상의 호감도 평가를 받은 제2 평가대상의 i번째 세부항목에 대한 평가 결과의 평균값이다.
표 1과 표 2에서 예시한 값을 수학식 2에 적용하여, 와인 A에 대한 사용자 갑의 호감도를 구해보면 4.2로 구해진다. 여기서 호감도의 최대값(G)는 5라고 가정하였다.
따라서 사용자 갑은 와인 A에 대해서 3 이상의 호감도를 가지는 것으로 판단하고 서비스 서버(200)는 와인 A를 사용자 갑에게 추천할 수 있다.
한편 표 3에 예시한 것처럼 사용자의 취향 분석에서 호감도를 고려한 가중치 평균을 적용하여 사용자 갑의 와인 A에 대한 호감도를 구해보면 4.1로 구해진다.
한편 실시예에 따라서 사용자가 일정 기준 이상의 호감도를 평가한 평가 대상에 대해서 세부항목별 평가 점수의 표준 편차를 활용하여 호감도를 계산할 때 세부항목별 가중치를 다르게 적용하는 것도 가능하다.
사용자 갑 당도 산도 타닌 균형 바디
와인 1 4 3 2 5 1
와인 2 5 1 3 5 2
와인 3 4 2 3 5 2
와인 4 4 2 1 5 3
와인 5 5 1 4 5 5
평균 4.4 1.8 2.6 5 2.6
표준 편차 0.55 0.84 1.14 0 1.52
가중치 0.22 0.2 0.18 0.24 0.16
표 4는 사용자 갑으로부터 일정 기준 이상, 예컨대 별점 3 이상의 호감도 평가를 받은 와인 1 ~ 5에 대해서 세부항목별 평가 점수를 평균한 값과 표준 편차를 나타낸 것이다. 여기서 표준 편차가 작으면 해당 세부항목이 사용자의 호감도에 미치는 영향이 커진다고 볼 수 있고, 표준 편차가 커지면 해당 세부항목이 사용자의 호감도에 미치는 영향이 작아진다고 볼 수 있다. 예컨대 표 4에서 타닌의 경우 와인 1 내지 와인 5에 대한 평가 점수가 1 부터 4까지 산재되어 있어 타닌은 사용자 갑이 와인의 맛을 평가하는데 중요한 요소가 아니라고 판단할 수 있다. 반대로 세부항목 균형에 대해서는 와인 1 내지 5에 대해서 평가 점수가 모두 5점으로 와인의 맛을 평가하는데 매우 중요한 요소라고 판단할 수 있다.
표 4에서는 표준 편차가 가장 작은 세부 항목인 균형에 대해서 가중치를 0.24로 가장 높게 부여하고, 다음으로 표준 편자가 작은 당도에 대해서 가중치를 0.22 부여하는 방식으로, 산도, 타닌, 바디에 각각 0.2, 0.18. 0.16으로 가중치를 부여하였다. 이렇게 세부항목별로 가중치를 부여한 후에 아래 수학식 3을 이용하여 평가 대상에 대한 사용자의 호감도를 예측할 수 있다. 각 세부 항목별로 부여된 가중치의 합은 1이 되게 할 수 있다.
Figure 112015125061601-pat00008
여기서, x는 제1 평가대상에 대한 제1 사용자의 호감도 예측 결과, G는 미리 정해진 호감도의 최대값, n은 세부항목 개수, ai는 i번째 세부항목에 대한 다수의 사용자로부터 취합된 제1 평가대상에 대한 평가 결과의 평균값이고, bi는 제1 사용자로부터 미리 정해진 기준 이상의 호감도 평가를 받은 제2 평가대상의 i번째 세부항목에 대한 평가 결과의 평균값이고, ki는 제1 사용자로부터 미리 정해진 기준 이상의 호감도 평가를 받은 제2 평가대상의 i번째 세부항목의 평가 결과에 대한 표준 편차에 따라 부여되는 가중치로서,
Figure 112015125061601-pat00009
이다.
가령 다수의 사용자에 의해 와인 E에 대해서 당도, 산도, 타닌, 균형, 바디의 세부항목별 평가 점수의 평균이 4, 2, 3, 5, 2이고, 호감도 최대값(G)이 5이고, 사용자의 취향 분석 결과는 표 4에 예시한 값을 이용하면, 와인 E에 대한 사용자의 호감도는 4.64로 구해진다.
한편 와인 F에 대한 집단 지성에 기초한 당도, 산도, 타닌, 균형, 바디의 세부항목별 평가 점수의 평균이 2, 4, 5, 2, 5 일 경우, 와인 F에 대한 사용자의 호감도는 2.48로 구해진다. 이 경우 와인 F는 해당 사용자가 선호하지 않는 것으로 판단하여 추천 등에서 배제할 수 있다.
도 2는 본 발명의 일 실시예에 따른 집단 지성에 기초한 사용자 호감도 예측 방법을 설명하기 위해 제공되는 흐름도이다.
도 2를 참고하면, 먼저 사용자는 사용자 단말(100)을 통해 서비스 서버(200)에 접속하여 평가 대상에 대한 세부항목별 평가 점수와 호감도를 입력할 수 있다(S210). 단계(S210)에서 세부항목별 평가 점수만을 입력할 수도 있으며 호감도를 같이 입력할 수도 있다. 단계(S210)는 본 발명에 따른 사용자 호감도 예측 서비스를 제공하는 동안에 지속적으로 이루어질 수 있다. 평가 대상이 와인이라고 가정하면, 단계(S210)는 본 발명에 따른 사용자 호감도 예측 서비스에 가입한 다수의 사용자가 자신이 특정 와인을 마셔보고 해당 와인에 대해서 세부항목별 평가 점수를 등록하고 싶을 때마다 이루어질 수 있으며, 호감도를 함께 등록하게 할 수도 있다.
다음으로 서비스 서버(200)는 단계(S210)에서 입력되는 특정 평가 대상에 대한 세부항목별 평가 점수를 취합한 결과를 저장할 수 있다(S220). 예컨대 단계(S210)에서 특정 와인 A에 대해 다수의 사용자로부터 세부항목별 평가 점수가 등록되었으면 이를 취합하여 세부항목별 평균값 또는 최빈값을 집단 지성에 의한 해당 와인 A의 세부항목별 평가 결과로 저장할 수 있다. 단계(S220)에서는 개별 사용자의 호감도를 반영할 필요는 없다.
한편 서비스 서버(200)는 단계(S210)에서 특정 사용자가 복수 종류의 평가 대상에 대해서 입력한 세부항목별 평가 결과와 호감도를 기초로, 해당 평가 대상 그룹에 대한 특정 사용자의 취향을 분석할 수 있다(S230). 단계(S230)에서 사용자로부터 일정 기준 이상의 호감도 평가를 받은 평가 대상의 세부항목별 평가 점수만을 사용자의 취향 분석에 이용하는 것이 바람직하다.
이후 서비스 서버(200)는 사용자가 아직 체험하지 못한 평가 대상에 대한 호감도 예측을 요청받으면(S240-Y), 서비스 서버(200)는 사용자가 아직 체험하지 못한 평가 대상에 대한 집단 지성에 기초한 세부항목별 평가 결과와, 사용자의 평가 대상 그룹에 대한 취향 분석 결과를 이용하여 사용자의 호감도를 예측할 수 있다(S250).
마지막으로 서비스 서버(200)는 단계(S250)에서 구해진 특정 평가 대상에 대한 사용자의 호감도 예측 결과를 사용자 단말(100)에 제공하여 표시되게 할 수 있다(S260).
지금까지 주로 평가 대상이 와인인 경우에 대해서 설명하였으나, 본 발명은 이에 한정되지 않으며 와인 이외의 주류, 음악, 영화, 음식 등 다양한 카테고리의 평가대상 그룹에 대해서도 적용 가능하다.
예컨대 음악에 대한 세부 항목을 리듬, 템포, 멜로디, 가사, 전체 균형 등의 세부항목으로 하여 개별 곡들에 대해서 집단 지성에 기초한 평가 결과를 마련하고, 특정 사용자의 음악에 대한 취향을 분석하여 위에서 설명한 방법을 적용하면, 사용자가 미처 들어보지 못한 개별 곡에 대한 사용자의 호감도를 예측해낼 수 있다.
마찬가지로 음식점에 대한 세부 항목을 맛, 가격, 친절, 분위기, 청결 등의세부항목으로 하여 집단 지성에 기초한 개별 음식점의 평가 결과를 취합한 결과를 마련하고, 특정 사용자의 음식점에 대한 취향을 분석하여 위에서 설명한 방법을 적용하면, 사용자가 아직 방문해보지 못한 음식점에 대한 사용자의 호감도를 예측해낼 수 있다. 이렇게 예측된 사용자 호감도를 이용하여 사용자에게 추천 음악, 추천 영화, 추천 음식점 등을 제시하는 것도 가능하다.
한편 사용자가 특정 평가 대상에 대한 호감도 예측을 요청하지 않았더라도 자동으로 해당 평가 대상에 대한 사용자의 호감도 예측 결과를 구하고, 이를 기초로 사용자에게 해당 평가 대상을 추천하도록 구현하는 것도 가능하다. 이 경우 사용자로부터 추천 기준이 되는 호감도를 미리 설정 받을 수 있다. 추천 기준이 되는 호감도는 사용자의 취향 분석 대상을 정하는 호감도 기준보다는 높게 설정되는 것이 바람직하다. 가령 사용자 취향 분석 대상의 호감도 기준이 3이었다고 가정하면, 추천 기준 호감도는 4로 설정 받을 수 있다. 한편 일정한 주기, 예컨대 1일, 1주일 또는 1달마다 사용자가 아직 호감도를 직접 평가하지 않은 대상(즉 아직 체험하지 못한 평가 대상) 중에서 추천 기준 이상의 호감도 예측 결과를 가지는 평가 대상으로 이루어진 추천 리스트를 제공할 수도 있다. 물론 가장 호감도 예측 결과가 높은 평가 대상 하나를 추천하는 것도 가능하다. 또한 실시예에 따라서 별도의 추천 기준 호감도를 입력 받지 않더라도 호감도 예측 결과가 가장 높은 평가 대상을 자동으로 일정한 주기마다 추천하도록 구현하는 것도 가능하다.
본 발명의 실시예는 다양한 컴퓨터로 구현되는 동작을 수행하기 위한 프로그램 명령을 포함하는 컴퓨터로 읽을 수 있는 매체를 포함한다. 이 매체는 앞서 설명한 집단 지성에 기초한 사용자 호감도 예측 방법을 실행시키기 위한 프로그램을 기록한다. 이 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 이러한 매체의 예에는 하드디스크, 플로피디스크 및 자기 테이프와 같은 자기 매체, CD 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 자기-광 매체, 롬, 램, 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 구성된 하드웨어 장치 등이 있다. 또는 이러한 매체는 프로그램 명령, 데이터 구조 등을 지정하는 신호를 전송하는 반송파를 포함하는 광 또는 금속선, 도파관 등의 전송 매체일 수 있다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상에서 본 발명의 바람직한 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.
1: 통신망
100: 사용자 단말
200: 서비스 서버
210: 데이터베이스
220: 분석부
230: 예측부

Claims (10)

  1. 데이터베이스가 다수의 사용자로부터 제1 주류에 대한 세부항목별 평가 점수를 취합하여 정해지는 상기 제1 주류의 특성을 정의하는 세부항목별 평가 결과를 저장하는 단계,
    분석부가 제1 사용자로부터 입력된 복수 종류의 제2 주류에 대한 세부항목별 평가 결과 및 호감도를 기초로 상기 제1 주류와 상기 제2 주류가 속하는 주류에 대한 상기 제1 사용자의 취향을 분석하는 단계, 그리고
    예측부가 상기 제1 주류의 특성을 정의하는 세부항목별 평가 결과와 상기 제1 사용자의 상기 주류에 대한 취향 분석 결과를 이용하여 상기 제1 주류에 대한 상기 제1 사용자의 호감도를 예측하는 단계
    를 포함하고,
    상기 복수 종류의 제2 주류는 상기 제1 주류가 아니며,
    상기 입력된 복수 종류의 제2 주류에 대한 세부항목별 평가 결과 중에서 상기 제1 사용자로부터 미리 정해진 기준 이상의 호감도 평가를 받은 제2 주류에 대한 세부항목별 평가 결과만을 상기 제1 사용자의 취향 분석에 이용하는 사용자 호감도 예측 방법.
  2. 삭제
  3. 제 1 항에서,
    상기 복수 종류의 제2 주류 중에서 상기 제1 사용자로부터 호감도만 입력된 제2 주류는, 다수의 사용자로부터 취합된 세부항목별 평가 결과를 상기 제1 사용자의 세부항목별 평가 결과로 대체 적용하는 사용자 호감도 예측 방법.
  4. 제 3 항에서,
    상기 제1 주류에 대한 상기 제1 사용자의 호감도 예측 결과는 아래 수학식에 의해 구해지는 사용자 호감도 예측 방법:
    Figure 112017073803340-pat00010

    여기서, x는 상기 제1 주류에 대한 상기 제1 사용자의 호감도 예측 결과, G는 미리 정해진 호감도의 최대값, n은 세부항목 개수, ai는 i번째 세부항목에 대한 다수의 사용자로부터 취합된 제1 주류에 대한 평가 결과의 평균값, bi는 상기 제1 사용자로부터 미리 정해진 기준 이상의 호감도 평가를 받은 제2 주류의 i번째 세부항목에 대한 평가 결과의 평균값임.
  5. 제 3 항에서,
    상기 제1 주류에 대한 상기 제1 사용자의 호감도 예측 결과는 아래 수학식에 의해 구해지는 사용자 호감도 예측 방법:
    Figure 112017073803340-pat00011

    여기서, x는 상기 제1 주류에 대한 상기 제1 사용자의 호감도 예측 결과, G는 미리 정해진 호감도의 최대값, n은 세부항목 개수, ai는 i번째 세부항목에 대한 다수의 사용자로부터 취합된 제1 주류에 대한 평가 결과의 평균값이고,
    Figure 112017073803340-pat00012

    여기서, m은 상기 제1 사용자로부터 미리 정해진 기준 이상의 호감도 평가를 받은 제2 주류의 개수, Pj는 제2 주류의 세부항목 평가 결과, Gj는 제2 주류의 호감도임.
  6. 제 3 항에서,
    상기 제1 주류에 대한 상기 제1 사용자의 호감도 예측 결과는 아래 수학식에 의해 구해지는 사용자 호감도 예측 방법:
    Figure 112017073803340-pat00013

    여기서, x는 상기 제1 주류에 대한 상기 제1 사용자의 호감도 예측 결과, G는 미리 정해진 호감도의 최대값, n은 세부항목 개수, ai는 i번째 세부항목에 대한 다수의 사용자로부터 취합된 제1 주류에 대한 평가 결과의 평균값이고, bi는 상기 제1 사용자로부터 미리 정해진 기준 이상의 호감도 평가를 받은 제2 주류의 i번째 세부항목에 대한 평가 결과의 평균값이고, ki는 상기 제1 사용자로부터 미리 정해진 기준 이상의 호감도 평가를 받은 제2 주류의 i번째 세부항목의 평가 결과에 대한 표준 편차에 따라 부여되는 가중치로서,
    Figure 112017073803340-pat00014
    임.
  7. 제 1 항에서,
    상기 제1 주류에 대한 상기 제1 사용자의 호감도 예측 결과가 미리 정해진 기준 이상인 경우 상기 제1 사용자에게 추천하는 사용자 호감도 예측 방법.
  8. 다수의 사용자로부터 제1 주류에 대한 세부항목별 평가 점수를 취합하여 정해지는 상기 제1 주류의 특성을 정의하는 세부항목별 평가 결과를 저장하는 데이터베이스,
    제1 사용자로부터 입력된 복수 종류의 제2 주류에 대한 세부항목별 평가 결과 및 호감도를 기초로 상기 제1 주류와 상기 제2 주류가 속하는 주류에 대한 상기 제1 사용자의 취향을 분석하는 분석부, 그리고
    상기 제1 주류의 특성을 정의하는 세부항목별 평가 결과와 상기 제1 사용자의 상기 주류에 대한 취향 분석 결과를 이용하여 상기 제1 주류에 대한 상기 제1 사용자의 호감도를 예측하는 예측부
    를 포함하고,
    상기 복수 종류의 제2 주류는 상기 제1 주류가 아니며,
    상기 분석부는,
    상기 입력된 복수 종류의 제2 주류에 대한 세부항목별 평가 결과 중에서 상기 제1 사용자로부터 미리 정해진 기준 이상의 호감도 평가를 받은 제2 주류에 대한 세부항목별 평가 결과만을 상기 제1 사용자의 취향 분석에 이용하는 사용자 호감도 예측 시스템.
  9. 삭제
  10. 제 8 항에서,
    상기 분석부는,
    상기 복수 종류의 제2 주류 중에서 상기 제1 사용자로부터 호감도만 입력된 제2 주류는, 다수의 사용자로부터 취합된 세부항목별 평가 결과를 상기 제1 사용자의 세부항목별 평가 결과로 대체 적용하는 사용자 호감도 예측 시스템.
KR1020150182779A 2015-12-21 2015-12-21 집단 지성에 기초한 사용자 호감도 예측 방법 및 시스템 KR101817322B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020150182779A KR101817322B1 (ko) 2015-12-21 2015-12-21 집단 지성에 기초한 사용자 호감도 예측 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150182779A KR101817322B1 (ko) 2015-12-21 2015-12-21 집단 지성에 기초한 사용자 호감도 예측 방법 및 시스템

Publications (2)

Publication Number Publication Date
KR20170073945A KR20170073945A (ko) 2017-06-29
KR101817322B1 true KR101817322B1 (ko) 2018-01-10

Family

ID=59280195

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150182779A KR101817322B1 (ko) 2015-12-21 2015-12-21 집단 지성에 기초한 사용자 호감도 예측 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR101817322B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021178967A1 (en) * 2020-03-06 2021-09-10 Anthrop LLC Hybrid human-computer learning system

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101707182B1 (ko) * 2012-05-14 2017-02-15 성균관대학교산학협력단 실시간 경험 분석 시스템 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101707182B1 (ko) * 2012-05-14 2017-02-15 성균관대학교산학협력단 실시간 경험 분석 시스템 및 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021178967A1 (en) * 2020-03-06 2021-09-10 Anthrop LLC Hybrid human-computer learning system

Also Published As

Publication number Publication date
KR20170073945A (ko) 2017-06-29

Similar Documents

Publication Publication Date Title
Volchek et al. Forecasting tourist arrivals at attractions: Search engine empowered methodologies
Steinker et al. The value of weather information for e‐commerce operations
KR101871747B1 (ko) 유사성향 기반 사용자-관광상품 추천 방법 및 시스템
Kipkirong Tarus et al. Determinants of customer loyalty in Kenya: does corporate image play a moderating role?
Mittal et al. Satisfaction, repurchase intent, and repurchase behavior: Investigating the moderating effect of customer characteristics
Hu et al. Data source combination for tourism demand forecasting
JP5571804B2 (ja) 再購入傾向を予測する方法および装置
KR102340463B1 (ko) 샘플 가중치 설정방법 및 장치, 전자 기기
CN107862530A (zh) 建立用户人际关系信息的方法及装置
Assimakopoulos et al. Online reviews as a feedback mechanism for hotel CRM systems
Sabaitytė et al. Decision tree modelling of E-consumers’ preferences for internet marketing communication tools during browsing
Lumsden et al. Customer value in an all-inclusive travel vacation club: An application of the RFM framework
KR101873319B1 (ko) 실시간 홍보 및 이벤트 제공시스템
Chatterjee et al. Classification Analysis for Brand Loyalty Determination
Moon et al. The effects of involvement on e-satisfaction models
KR102090545B1 (ko) 사용자 프로파일 기반 양방향 맞춤형 통합 소믈리에 컨설팅 서비스 제공 방법
Varki et al. The augmented latent class model: Incorporating additional heterogeneity in the latent class model for panel data
KR100901782B1 (ko) 마케팅 정보 생성 방법 및 시스템
Ku Functional integration and systems implementation of customer relationship management in hotel industry: A multilevel analysis
KR101817322B1 (ko) 집단 지성에 기초한 사용자 호감도 예측 방법 및 시스템
Ding et al. Conjoint analysis and its application in the hospitality industry
Oczkowski Modelling prices and the reputation of individual named wines
CN116823303A (zh) 基于大数据的销售数据分析方法、装置、设备及存储介质
KR102442988B1 (ko) Cnn 학습 방식을 이용한 사용자 경험 기반 취향관계망 생성 시스템
Hoyos-Vallejo et al. Consumer Perceptions of Online Food Delivery Services: Examining the Impact of Food Biosafety Measures and Brand Image

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant