KR101827345B1

KR101827345B1 - 다중 알고리즘 및 자기학습기능을 적용한 개인화 추천 시스템 및 추천 방법

Info

Publication number: KR101827345B1
Application number: KR1020160010884A
Authority: KR
Inventors: 정원석; 김태견
Original assignee: 주식회사 대구닷컴
Priority date: 2016-01-28
Filing date: 2016-01-28
Publication date: 2018-02-09
Also published as: KR20170090562A

Abstract

본 발명은 다중 알고리즘 및 자기학습기능을 적용한 개인화 추천 시스템 및 추천 방법에 관한 것으로서, 온라인 기반의 서비스에서 사용자별 대상 선호도를 분석하는 알고리즘을 통해 사용자 개개인의 취향에 적합한 대상을 추천해주는 시스템(100)에 있어서; 사용자에 의해 선택된 대상에 대한 선호데이터와, 사용자의 1차피드백데이터와, 대상별 체류시간정보를 포함하는 취향데이터를 수집하는 취향수집부(110)와; 사용자별로 수집된 다수의 취향데이터를 기반으로 취향별 추천 대상 군집인 취향세트(T1~T3)로 분류하기 위해 구비되는 다수의 취향분류알고리즘에 적용되는 내부평가변수(120)와; 상기 취향데이터와 내부평가변수(120)를 매칭하여 사용자에게 적합한 취향세트로부터 대상을 추천하되, 추천 후 재수집되는 2차피드백데이터 점수를 분석하여 사용자별로 취향분류알고리즘을 차등 적용함에 따라 최적의 대상을 추천하는 취향분류화부(130)와; 상기 2차피드백데이터를 정량화하여 이를 기준으로 추후 추천 시 더 높은 2차피드백데이터 점수가 예상되는 값으로 내부평가변수를 조정하여 취향세트를 재구성함에 따라 추천 정확도를 향상시키는 자기학습부(140)를 포함하여 구성함에 따라 추천 정확도를 효과적으로 확보하여 사용자 만족도를 증진하고 다양한 분야에 적극 응용할 수 있는 등의 이점이 있다.

Description

다중 알고리즘 및 자기학습기능을 적용한 개인화 추천 시스템 및 추천 방법{PERSONALIZED RECOMMENDATION SYSTEM AND ITS METHOD USING MULTIPLE ALGORITHMS AND SELF-LEARNING FUNCTION}

본 발명은 다중 알고리즘 및 자기학습기능을 적용한 개인화 추천 시스템 및 추천 방법에 관한 것으로서, 더욱 상세하게는 사용자의 취향에 가장 근접한 대상(Object)을 추천하기 위한 종래의 협업 필터링 기법을 개선하여 다수의 취향분류알고리즘을 확보하여 사용자별로 차등 적용하고 지능형 자기학습기능에 의해 추천 정확도를 점차 향상할 수 있는 개인화 추천 시스템 및 추천 방법의 제공에 관한 것이다.

최근 인터넷 환경의 보편화로 인해 쇼핑, 교육, 문화예술 등 다양한 분야에서 인터넷을 기반으로 각종 아이템이나 콘텐츠를 제공하는 서비스 시장이 급속도로 성장하고 있으며 사용자(소비자)를 확보하기 위한 경쟁 역시 치열해지고 있는 추세이다.

따라서, 온라인상에서 제공되는 무수히 많은 데이터로부터 사용자가 제공받고자하는 대상에 연관된 데이터만을 효과적으로 선별하여 추출하기 위한 관련 기술의 개발이 활발히 이루어지고 있으며, 대표적으로 협업 필터링 기법을 이용한 추천 서비스를 들 수 있다.

협업 필터링(Collaborative filtering) 기법은 사용자의 선호도 및 관심도를 기반으로 이와 유사한 패턴을 가진 사용자들을 추출하는 기법이다.

예컨대, 'A'와 'B'대상에 대한 선호를 보인 제1사용자와 'B'와 'C'대상에 대한 선호를 보인 제2사용자를 추출하여 제1사용자에게는 'C'를 추천하고 제2사용자에게는 'A'를 추천하는 형태와 같이, 비슷한 취향을 가진 사용자들에서 서로 아직 선택하지 않은 대상을 교차 추천하거나, 또는 유사 집단으로 분류된 사용자의 취향에 관련된 대상을 추천하는 형태의 서비스를 제공하는 데 사용된다.

이와 같은 추천 시스템은 이미 온라인 서비스 제공자의 매출 증진에도 큰 영향을 미치고 있을 만큼 중요한 핵심부분을 담당하고 있으며 사용자의 서비스 이용 만족도를 증진하는데에도 매우 효과적인 기법인 것으로 알려져 있다.

일반적인 협업 필터링 기법은 대략 다음과 같은 과정으로 이루어진다. 우선, 사용자로부터 수집한 데이터를 기반으로 소비 패턴을 분석하여 대상에 대한 선호도를 데이터화하는 단계와, 선호도를 기반으로 유사 선호도를 보인 사용자들 간의 집단을 선별하는 단계와, 유사 집단으로부터 대상을 추천하는 단계을 거쳐 이루어진다.

한편, 종래의 협업 필터링 기법을 적용한 일례로서 등록특허 제10-0925511호에 공지된 협업 필터링을 이용한 콘텐츠 분류 시스템의 구성을 구체적으로 살펴보면 다음과 같다.

(a) 콘텐츠 제공 서버로부터 콘텐츠 분류시스템으로 콘텐츠 이용정보가 전송되는 단계; (b) 상기 콘텐츠 분류시스템에 의해 상기 콘텐츠 이용정보가 기 분류 콘텐츠와 미 분류 콘텐츠에 대한 콘텐츠 이용정보로 구분되는 단계; (c) 상기 콘텐츠 분류시스템에 의해 상기 기 분류 콘텐츠에 대한 사용이력정보에 따라 사용자 각각의 분류명별 선호도가 산출되는 단계; (d) 상기 콘텐츠 분류시스템에 의해 분류명별 선호도가 기준치 이상인 사용자에 대해 분류명별 선호사용자 그룹이 생성되고 상기 분류명별 선호사용자 그룹의 사용자가 선택한 미분류 콘텐츠가 선별된 후, 협업 필터링에 의한 클러스터링을 통해 상기 분류명과 상기 미분류 콘텐츠 사이의 유사도가 산출되는 단계; (e) 상기 콘텐츠 분류시스템에 의해 상기 유사도가 기준치 이상인 상기 미분류 콘텐츠에 대해 상기 분류명에 따른 분류명-콘텐츠 군 정보가 생성되는 단계; 및 (f) 상기 콘텐츠 분류시스템에 의해 상기 분류명-콘텐츠 군 정보에 따라 상기 미 분류 콘텐츠가 해당 분류명으로 분류되는 단계를 포함하여 구성된다.

등록특허 제 10 - 0925511 - 0000 호 등록특허 제 10 - 1054088 - 0000 호 공개특허 제 10 - 2011 - 0108611 호 등록특허 제 10 - 1567217 - 0000 호

상기와 같은 종래 기술이 적용되는 협업 필터링을 이용한 콘텐츠 분류 시스템은 사용자의 콘텐츠 이용정보를 기반으로 유사 패턴을 지닌 사용자의 선호도를 산출하여 콘텐츠를 분류하는 클러스터링(Clustering)을 통해 미 분류 콘텐츠를 분류시키는 형태를 취하고 있다.

상기 예시한 종래 기술을 포함해 대부분의 협업 필터링 기법을 적용한 기술은 수년간 다양한 분야에 응용되면서 비약적인 발전을 거듭해 왔으나 클러스터링 및 유사관계 추산을 기본으로 하는 핵심 기법에는 큰 변화가 없었다. 특히 제공되는 대상(콘텐츠)의 종류에 따라 그 효용성에 현저한 차이를 보이는 문제점이 드러나면서 다양한 취향을 가진 사용자 개개인의 만족도에 적절히 대응하지 못하는 등 추천 결과에 대한 정확도, 신뢰도의 확보에 한계가 있는 실정이다.

또한, 종래기술이 적용된 협업 필터링을 이용한 콘텐츠 분류 시스템은 사용자로부터 수집한 데이터의 양이 부족할 경우, 예컨대 신규 사용자와 같이 초기 데이터가 존재하지 않거나 부족한 경우와 같은 콜드 스타트(Cold-start) 뿐만 아니라, 제공 대상의 수가 많아질수록 선호도 데이터가 충분히 수집되지 못하는 대상의 수도 증가하게 되는 경우에도 소수 취향을 가진 사용자의 경우 모집단의 부족에 따른 희소성 문제(Sparsity problem)가 초래되어 추천의 정확도를 현저히 저하시키는 요인이 되고 있으나, 이를 극복하기 위한 방안이 마련되지 않고 있는 실정이다.

이에 본 발명에서는 상술한 바와 같은 문제점을 해결하기 위하여 발명한 것으로서,

온라인 기반의 서비스에서 사용자별 대상 선호도를 분석하는 알고리즘을 통해 사용자 개개인의 취향에 적합한 대상을 추천해주는 시스템(100)에 있어서;

사용자에 의해 선택된 대상에 대한 선호데이터와, 사용자의 1차피드백데이터와, 대상별 체류시간정보를 포함하는 취향데이터를 수집하는 취향수집부(110)와;

사용자별로 수집된 다수의 취향데이터를 기반으로 취향별 추천 대상 군집인 취향세트(T1~T3)로 분류하기 위해 구비되는 다수의 취향분류알고리즘에 적용되는 내부평가변수(120)와;

상기 취향데이터와 내부평가변수(120)를 매칭하여 사용자에게 적합한 취향세트로부터 대상을 추천하되, 추천 후 재수집되는 2차피드백데이터 점수를 분석하여 사용자별로 취향분류알고리즘을 차등 적용함에 따라 최적의 대상을 추천하는 취향분류화부(130)와;

상기 2차피드백데이터를 정량화하여 이를 기준으로 추후 추천 시 더 높은 2차피드백데이터 점수가 예상되는 값으로 내부평가변수를 조정하여 취향세트를 재구성함에 따라 추천 정확도를 향상시키는 자기학습부(140)를 포함하여 구성함으로써 추천 정확도를 효과적으로 확보하고 다양한 분야에서 응용할 수 있는 목적 달성이 가능하다.

본 발명은 유사 취향을 가진 사용자 집단을 분류하기 위한 클러스터링에 있어서 다수의 취향분류알고리즘을 확보하여 사용자 개개인에 따라 최적의 알고리즘을 탐색, 차등 적용함으로써 개별 사용자의 취향에 가장 근접한 취향세트로부터 추천 대상을 선별할 수 있으므로 다양한 종류의 분야에 구애받지 않고 추천 정확도를 확보할 수 있는 이점이 있다.

특히, 오픈소스 기반의 개발자 라이브러리를 제공하여 다양한 취향분류알고리즘의 확보가 용이하고 이를 간편하게 시스템에 적극적으로 적용하여 사용할 수 있으므로 취향세트 분류의 효용성을 증대시킬 수 있는 이점이 있다.

아울러, 지능형 자기학습기능에 의해 추천 서비스 제공을 반복할수록 오차 범위를 축소할 수 있어 사용자의 만족도를 점차 향상시킬 수 있으므로 서비스의 신뢰도를 향상하고 매출 증진을 도모할 수 있는 효과를 기대할 수 있다.

도 1은 본 발명의 다중 알고리즘 및 자기학습기능을 적용한 개인화 추천 시스템의 실시 예에 따른 구성도.
도 2는 본 발명의 다중 알고리즘 및 자기학습기능을 적용한 개인화 추천 방법의 실시 예에 따른 추천 과정을 도시한 구성도.

이하, 본 발명의 다중 알고리즘 및 자기학습기능을 적용한 개인화 추천 시스템 및 추천 방법의 바람직한 실시 예에 따른 구성과 작용을 첨부 도면을 참고하여 더욱 상세히 설명하면 다음과 같다.

도 1은 본 발명의 다중 알고리즘 및 자기학습기능을 적용한 개인화 추천 시스템의 실시 예에 따른 구성도, 도 2는 본 발명의 다중 알고리즘 및 자기학습기능을 적용한 개인화 추천 방법의 실시 예에 따른 추천 과정을 도시한 구성도로서 함께 설명한다.

본 발명의 기술이 적용되는 다중 알고리즘 및 자기학습기능을 적용한 개인화 추천 시스템 및 추천 방법은 온라인 기반의 서비스에서 사용자별 대상 선호도를 분석하는 알고리즘을 통해 사용자 개개인의 취향에 적합한 대상을 추천해주는 시스템(100)에 있어서, 사용자의 개개인의 취향에 가장 근접한 대상을 선별하기 위해서 다수의 취향분류알고리즘을 확보해 사용자별로 차등 적용하고, 아울러 지능형 자기학습기능에 의해 반복적인 추천 과정을 거치면서 추천 정확도를 점차 향상할 수 있는 개인화 추천 시스템 및 추천 방법에 관한 것임을 주지한다.

이를 위해서, 본 발명의 다중 알고리즘 및 자기학습기능을 적용한 개인화 추천 시스템(100)은 도 1에 도시된 바와 같이 사용자로부터 취향데이터를 수집하는 취향수집부(110)와, 취향세트(T1~T3)로 분류하기 위해 구비되는 다수의 취향분류알고리즘에 적용되는 내부평가변수(120)와, 사용자별로 최적의 대상을 추천하는 취향분류화부(130)와, 내부평가변수(120)를 조정하여 취향세트(T1~T3)를 재구성함에 따라 추천 정확도를 향상시키는 자기학습부(140)를 포함하여 구성한다.

상기 취향수집부(110)는 PC나 모바일 기기 등 클라이언트 단말을 통해 구동되는 웹브라우저 또는 애플리케이션을 이용해 사용자와 대상 간의 상호작용이 이루어지는 과정에서 사용자에 의해 선택된 대상에 대한 선호데이터와, 사용자의 1차피드백데이터와, 대상별 체류시간정보를 포함하는 취향데이터를 수집한다.

상기 선호데이터는 사용자가 직접 특정 대상을 선택함과 동시에 생성되어 실시간으로 취향수집부(110)의 데이터베이스에 저장하여 수집한다.

상기 1차피드백데이터는 시스템(100)으로부터 추천받은 대상에 대해 사용자가 점수를 부여하는 방식으로 피드백하여 전송한 데이터로 역시 실시간으로 데이터베이스에 저장해 취향수집부(110)가 수집하도록 한다.

상기 체류시간정보는 사용자별로 특정 대상을 화면에 노출한 상태로 정보를 취득하는 데 소요된 시간을 시스템(100)에서 측정하여 기록한 정보로서 대상에 대한 선호도를 판별하고 사용자와 대상 간의 관계 분석에 중요한 변수로 작용할 수 있으므로 취향데이터에 포함된다.

상기 내부평가변수(120)는 취향수집부(110)를 통해 사용자별로 수집된 다수의 취향데이터를 기반으로 취향별 추천 대상 군집인 취향세트(T1~T3)로 분류하기 위해 구비되는 다수의 취향분류알고리즘에 적용되는 핵심변수이다.

상기 취향분류알고리즘은 수많은 대상을 일정 기준에 따라 복수의 집단으로 분류하는 클러스터링 알고리즘으로 기본적으로는 대상 간의 차이에 따른 분산을 최소화하는 것을 목적으로 구성된다.

즉, 다수의 사용자로부터 수집한 상기 취향데이터를 통해 취향분류알고리즘의 내부평가변수(120)를 설정한 후 유사 취향에 속하는 대상을 취향세트(T1~T3)로 분류하여 사용자에게 추천하도록 한다.

본 발명에서는 상기 취향분류알고리즘에는 K-평균 알고리즘, 퍼지 추산, 사례기반추론(Case based reasoning, CBR)을 포함하며, 따라서 K-평균 알고리즘의 K값, 퍼지 추산의 최소 유사 관계 값이 내부평가변수(120)가 될 수 있다.

또한, 본 발명의 상기 시스템(100)에는 소스코드부(151)와 코드해석부(152)를 별도 마련하고 오픈소스 기반의 알고리즘 라이브러리(153)를 제공하여 임의의 개발자가 코드해석부(152)에 의해 해석 가능한 양식으로 취향분류알고리즘 소스코드를 작성해 소스코드부(151)에 등록함에 따라 다수의 취향분류알고리즘을 확보하여 사용자별 추천 정확도를 향상하도록 구성한다.

이는 본 발명의 시스템(100)을 다양한 취향의 사용자 및 대상에 적용시에도 추천 정확도를 높은 수준으로 유지하기 위해서 사용자 또는 대상에 따라 다수의 취향분류알고리즘 중에서 선택적으로 차등 적용하여 개인화된 추천 시스템(100)을 제공하도록 한다.

예컨대, K-평균 알고리즘을 예로 들면 K값을 높게 설정할 경우와 반대로 K값을 낮게 설정할 경우에 따라 추천 정확도는 달라진다. 전자의 경우 취향세트(T1~T3)를 보다 세분화할 수 있으므로 추천 정확도를 증대시킬 수 있으나 취향세트(T1~T3)의 증가에 따른 데이터 생성량이 많아지는 단점이 있고, 후자의 경우 취향세트(T1~T3)의 분류에 소요되는 시간을 단축할 수는 있으나, 추천 정확도를 확보하기 어려운 단점이 있기 때문이다.

또 다른 예로, 추천 과정에서 초기에 미리 정해둔 분류 기준에 따라 취향세트(T1~T3)를 분류한 상태에서 대상을 추천하는 경우와, 사용자가 선택한 대상에 대한 데이터를 기반으로 취향세트(T1~T3)를 분류한 상태에서 대상을 추천하는 경우도 마찬가지로 사용자 개개인마다 상이한 추천 정확도를 나타내게 된다.

따라서, 특정한 취향분류알고리즘을 다양한 취향을 가진 사용자에게 일반화하여 적용하는 것에는 한계가 있으므로, 본 발명은 다양한 취향분류알고리즘을 확보하여 예컨대, 소규모 집단에 더욱 적합한 취향분류알고리즘과 같은 다양한 기법의 알고리즘을 확보하여 상기한 문제점을 극복하도록 구성한다.

그러므로, 임의의 개발자는 제공된 개발 라이브러리(153)를 참고하여 소스코드를 작성하되 본 발명의 시스템(100)에 마련된 코드해석부(152)에서 해석가능한 형태의 소스코드를 작성하여 소스코드부(151)에 등록해 다수의 취향분류알고리즘을 확보하도록 한다.

상기 개발 라이브러리(153)는 알고리즘 개발자가 본 발명의 시스템(100)에 적용 가능한 알고리즘을 구현하도록 스크립트(Script) 형태의 컴퓨터 프로그래밍 언어로 작성되어 제공되며, 사용자 변수, 피드백데이터 변수, 피드백데이터 처리 함수, 추천 대상 변수, 기 선언된 추천 성공함수, 기 선언된 추천 실패함수, 및 시스템(100)에 축적된 사용자-대상 연관도 점수의 배열에 접근하는 API(Application programming interface)를 포함한다.

따라서, 상기 개발 라이브러리(153)를 참고하여 개발된 취향분류알고리즘을 시스템(100)에 추가하면, 시스템(100)은 해당 알고리즘에 상기 변수를 매칭하여 결과값을 도출하는 방식으로 구현될 수 있게 된다.

상기 취향분류화부(130)는 취향수집부(110)에서 수집한 취향데이터와 내부평가변수(120)를 매칭하여 사용자에게 적합한 취향세트(T1~T3)로부터 대상을 추천하되, 추천 후 재수집되는 2차피드백데이터 점수를 분석하여 사용자별로 취향분류알고리즘을 차등 적용함에 따라 개개인의 취향에 가장 근접하는 최적의 대상을 추천하도록 구성한다.

한편, 상기 자기학습부(140)는 추천받은 사용자로부터 생성된 2차피드백데이터를 정량화하여 이를 기준으로 추후 추천 시 더 높은 2차피드백데이터 점수가 예상되는 값으로 내부평가변수(120)를 조정하여 취향세트(T1~T3)를 재구성함에 따라 추천 정확도를 향상시키도록 구성한다.

전술한 바와 같은 구성으로 이루어지는 본 발명의 기술이 적용된 다중 알고리즘 및 자기학습기능을 적용한 개인화 추천 시스템(100)에 의한 추천 방법의 적용과정을 도 2에 도시된 바를 참고하여 살펴보면 다음과 같다.

우선, 클라이언트 단말로부터 사용자가 직접 선택한 대상에 대한 선호데이터와, 선택한 대상에 대해 사용자가 부여한 점수로 이루어진 1차피드백데이터를 시스템(100)으로 수신하고, 사용자의 대상별 체류시간정보를 계측한 취향데이터를 수집하는 취향수집단계(S10)를 실시한다.

다음으로, 사용자별로 수집된 다수의 취향데이터와 취향분류알고리즘에 적용되는 내부평가변수(120)를 매칭하여 사용자에게 적합한 취향세트(T1~T3)로부터 대상을 추천하는 1차추천단계(S20)를 실시한다.

이때, 다수의 취향분류알고리즘 중에서 사용자에게 적합한 알고리즘을 선택하는 과정은 후속되는 자기학습단계(S30)를 통해 반복된 추천 경험을 토대로 이루어지게 된다.

즉, 상기 1차추천단계(S20)를 통해 대상을 추천받은 사용자로부터 2차피드백데이터를 수집하여 이를 정량화하고, 이를 기준으로 추후 추천 시 더 높은 2차피드백데이터 점수가 예상되는 값으로 내부평가변수(120)를 조정하여 취향세트(T1~T3)를 재구성하는 자기학습단계(S30)를 실시한다.

따라서, 상기 자기학습단계(S30)를 통해 사용자별로 적합한 취향분류알고리즘을 차등 적용해 최적의 대상을 추천하는 2차추천단계(S40)를 실시한다.

아울러, 오픈소스 기반의 알고리즘 라이브러리(153)를 기반으로 임의의 개발자가 코드해석부(152)에 의해 해석 가능한 양식으로 작성한 취향분류알고리즘 소스코드를 소스코드부(151)에 등록하여 다수의 취향분류알고리즘을 확보하는 알고리즘추가단계(S50)를 포함하여 실시함으로써, 상기와 같은 일련의 과정을 반복하면서 수집된 데이터를 축적하여 추천 실패를 야기하는 오차 범위를 최소화해 정확도를 보장할 수 있도록 구성한다.

그러므로, 상술한 바와 같은 본 발명에 따른 다중 알고리즘 및 자기학습기능을 적용한 개인화 추천 시스템 및 추천 방법은 다양한 기법의 취향분류알고리즘을 확보하고 사용자 개개인의 취향에 최적의 알고리즘을 차등 적용하여 추천 정확도를 증진할 수 있는 이점이 있다.

아울러, 지능형 자기학습기능에 의해 추천 서비스 제공을 반복할수록 사용자의 취향에 근접한 대상을 추천할 수 있어 사용자의 만족도를 점차 향상시킬 수 있으므로 서비스의 신뢰도를 향상하고 매출 증진을 도모할 수 있는 등의 다양한 효과를 기대할 수 있다.

100: 개인화 추천 시스템
110: 취향수집부
120: 내부평가변수
130: 취향분류화부
140: 자기학습부
151: 소스코드부
152: 코드해석부
153: 알고리즘 라이브러리
T1~T3: 취향세트
S10: 취향수집단계
S20: 1차추천단계
S30: 자기학습단계
S40: 2차추천단계
S50: 알고리즘추가단계

Claims

사용자가 직접 특정 대상을 선택함과 동시에 생성되는 선호데이터와, 사용자의 1차피드백데이터와, 사용자가 특정 대상을 화면에 노출한 상태로 정보 취득에 소요된 시간을 측정한 체류시간정보를 포함하는 취향데이터를 수집하는 취향수집부(110)와;
사용자별로 수집된 다수의 상기 취향데이터를 기반으로 취향별 추천 대상 군집인 취향세트(T1~T3)로 분류하도록 구비되는 다수의 취향분류알고리즘에 적용되는 내부평가변수(120)와;
상기 취향데이터와 내부평가변수(120)를 매칭하여 사용자에게 적합한 취향세트로부터 대상을 추천하되, 추천 후 재수집되는 2차피드백데이터 점수를 분석하여 사용자별로 취향분류알고리즘을 선택적으로 차등 적용함에 따라 최적의 대상을 추천하는 취향분류화부(130)와;
상기 2차피드백데이터를 정량화하여 이를 기준으로 추후 추천 시 더 높은 2차피드백데이터 점수가 예상되는 값으로 상기 내부평가변수를 조정하여 취향분류알고리즘의 취향세트(T1~T3)를 재구성함에 따라 추천 정확도를 향상시키는 자기학습부(140)를 포함하고;
상기 취향분류알고리즘은, 알고리즘 라이브러리(153)를 통해 임의의 개발자가 코드해석부(152)에 의해 해석 가능한 양식으로 소스코드부(151)에 등록함에 따라 다수의 취향분류알고리즘을 확보하여 취향분류화부(130)에 의한 사용자별 추천 정확도를 향상하도록 구성하는 것을 특징으로 하는 다중 알고리즘 및 자기학습기능을 적용한 개인화 추천 시스템.
삭제
클라이언트 단말로부터 사용자가 직접 특정 대상을 선택함과 동시에 생성되는 선호데이터와, 선택한 대상에 대해 사용자가 부여한 점수로 이루어진 1차피드백데이터와, 사용자가 특정 대상을 화면에 노출한 상태로 정보 취득에 소요된 시간을 측정하여 생성하는 체류시간정보를 포함한 취향데이터를 수집하는 취향수집단계(S10)와;
사용자별로 수집된 상기 취향데이터와 취향분류알고리즘에 적용되는 내부평가변수를 매칭하여 사용자에게 적합한 취향세트로부터 대상을 추천하는 1차추천단계(S20)와;
대상을 추천받은 사용자로부터 2차피드백데이터를 수집하여 정량화하고, 이를 기준으로 추후 추천 시 더 높은 2차피드백데이터 점수가 예상되는 값으로 내부평가변수(120)를 조정하여 취향세트(T1~T3)를 재구성하는 자기학습단계(S30)와;
상기 자기학습단계(S30)를 통해 사용자별로 적합한 취향분류알고리즘을 선택적으로 차등 적용하여 최적의 대상을 추천하는 2차추천단계(S40)로 이루어지고;
상기 1차추천단계(S20) 및 2차추천단계(S40)에서 사용자별 추천 정확도를 향상하도록 알고리즘 라이브러리(153)를 통해 임의의 개발자가 코드해석부(152)에 의해 해석 가능한 양식으로 소스코드부(151)에 등록하여 다수의 취향분류알고리즘을 확보하는 알고리즘추가단계(S50)를 포함하는 것을 특징으로 하는 다중 알고리즘 및 자기학습기능을 적용한 개인화 추천 방법.