KR101840163B1 - Apparatus and Method for recommending item to user group using emotion information - Google Patents

Apparatus and Method for recommending item to user group using emotion information Download PDF

Info

Publication number
KR101840163B1
KR101840163B1 KR1020170042015A KR20170042015A KR101840163B1 KR 101840163 B1 KR101840163 B1 KR 101840163B1 KR 1020170042015 A KR1020170042015 A KR 1020170042015A KR 20170042015 A KR20170042015 A KR 20170042015A KR 101840163 B1 KR101840163 B1 KR 101840163B1
Authority
KR
South Korea
Prior art keywords
user
affinity
emotion
item
users
Prior art date
Application number
KR1020170042015A
Other languages
Korean (ko)
Inventor
정재은
홍민성
이오준
Original Assignee
중앙대학교 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 중앙대학교 산학협력단 filed Critical 중앙대학교 산학협력단
Priority to KR1020170042015A priority Critical patent/KR101840163B1/en
Application granted granted Critical
Publication of KR101840163B1 publication Critical patent/KR101840163B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • 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
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Mathematical Analysis (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Marketing (AREA)
  • Algebra (AREA)
  • Economics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

Disclosed are an apparatus and method for recommending an item to a user group using emotion information. The disclosed apparatus for recommending an item to a user group, as the apparatus for recommending an item to a user group including a plurality of users, includes an emotion affinity calculating unit for calculating an emotion affinity related to two users with regard to each of at least one user pair including the two users among the plurality of users, wherein the emotion affinity means an influence of an emotional change on the use of the item between the two users based on a usage history of a convention item of the user; a representative emotion affinity calculating unit for calculating a representative emotion affinity of the user group for the item using the emotion affinity; and an item recommending unit for recommending the item to the user group using the representative emotion affinity. Accordingly, the present invention can recommend the item to the user group including each user by analyzing a history of the emotion information for the use of the item of each user.

Description

감정 정보를 이용하여 사용자 그룹에 대해 아이템을 추천하는 장치 및 방법{Apparatus and Method for recommending item to user group using emotion information}[0001] Apparatus and method for recommending an item to a user group using emotion information [0002]

본 발명의 실시예들은 각각의 사용자의 아이템의 사용에 대한 감정 정보의 이력(히스토리)을 분석하여 각각의 사용자가 포함된 사용자 그룹에 대한 아이템을 추천하는 사용자 그룹에 대한 아이템 추천 장치 및 방법에 관한 것이다. Embodiments of the present invention relate to an item recommendation apparatus and method for a user group that analyzes the history (history) of emotion information for each user ' s use of an item and recommends items for each user group will be.

기존의 개인을 위한 추천 시스템들은 선호도 점수(평점)를 비교하여 유사 사용자나 아이템을 구한 후, 이를 기반으로 추천을 한다. 그러나 이 평점은 사용자가 신규 사용자이거나 아이템이 신규 아이템인 경우 존재하지 않기도 하며, 만약 평점이 존재하는 경우 사용자의 평점 스타일에 따라 편향되어 부정확해질 수 있다. 이에 따라 소셜 네트워크(SNS) 등에서 사용자들의 관계를 반영하여 추천하는 방법이 제안되었다.Existing personal recommendation systems compare preference scores (ratings) to obtain similar users or items, and then make recommendations based on them. However, this rating may not be present if the user is a new user or item is a new item, and may be inaccurate due to bias of the user's rating style if rating exists. Accordingly, a method of recommending a user based on the relationship between users in a social network (SNS) has been proposed.

한편, 기존의 사용자 그룹을 대상으로 하는 추천 시스템에서는 사용자들의 선호도 정보를 평균으로 합쳐 그룹의 선호도를 구하는 방식으로 추천을 한다. 그리고, 기존의 소셜 네트워크 서비스를 활용하는 추천 시스템에서는 소셜 네트워크 상에서의 사용자들의 온라인 상에 명시된 관계 정보(친구 리스트)를 활용하여 추천한다. On the other hand, in a recommendation system targeting an existing user group, recommendation is made by obtaining the preference of the group by adding the users' preference information to the average. In the recommendation system utilizing the existing social network service, it is recommended to utilize the relationship information (friend list) specified on the online network of the users on the social network.

그러나, 상기한 관계 정보는 실제 추천에 대한 선호도 정보를 반영하지 못한다. 또한, 그룹을 대상으로 하는 추천의 경우, 사용자들의 지위, 관계, 신뢰도가 아이템 선정에 매우 중요한 역할을 하는데, 종래 기술에서는 상기한 정보들을 반영할 수가 없다. 특히, 사용자 그룹을 대상으로 하는 아이템 추천 시스템에서는 그룹 내 사용자 간의 관계가 아이템 선택에 매우 중요한 역할을 한다.However, the above relationship information does not reflect preference information for actual recommendation. Also, in the case of a recommendation targeting a group, the status, relationship, and reliability of users play a very important role in item selection, and the above-described information can not be reflected in the prior art. Especially, in the item recommendation system targeting the user group, the relationship among the users in the group plays a very important role in item selection.

즉, 위에서 명시한 기존 사용자 그룹을 대상으로 하는 추천 시스템들은 그룹 내 사용자의 선호도 평균 기반으로 아이템을 추천하기 때문에 사용자 간의 관계의 정도를 반영하지 못하는 문제점이 있다. That is, the recommendation systems targeting the existing user groups described above can not reflect the degree of the relationship between the users because the items are recommended based on the average of the users' preferences in the group.

또한, 그룹에 대한 아이템 추천에서는 그룹 내 사용자 간의 관계가 감성적인 반응에 중요한 변수로 작용하지만, 기존의 추천 시스템들은 추천 과정에서 감성 정보를 반영하지 못하고, 단순히 추천 결과를 평가하는 데만 이용하고 있다.
In the item recommendation for group, the relationships among users in group are important variables for emotional reaction. However, existing recommendation systems do not reflect emotional information in recommendation process, and they are used merely to evaluate recommendation results.

상기한 바와 같은 종래기술의 문제점을 해결하기 위해, 본 발명에서는 각각의 사용자의 아이템의 사용에 대한 감정 정보의 이력(히스토리)을 분석하여 각각의 사용자가 포함된 사용자 그룹에 대한 아이템을 추천하는 사용자 그룹에 대한 아이템 추천 장치 및 방법을 제안하고자 한다. In order to solve the problems of the related art as described above, in the present invention, a history (history) of emotional information about use of an item of each user is analyzed, and a user who recommends an item for a user group And recommend an apparatus and method for recommending an item to a group.

본 발명의 다른 목적들은 하기의 실시예를 통해 당업자에 의해 도출될 수 있을 것이다.Other objects of the invention will be apparent to those skilled in the art from the following examples.

상기한 목적을 달성하기 위해 본 발명의 바람직한 일 실시예에 따르면, 복수의 사용자를 포함하는 사용자 그룹에 대한 아이템 추천 장치에 있어서, 상기 복수의 사용자 중 2명의 사용자가 포함된 적어도 하나의 사용자 쌍 각각에 대하여, 상기 2명의 사용자와 관련된 감정 친화도를 산출하는 감정 친화도 산출부 - 상기 감정 친화도는 상기 사용자의 종래 아이템의 사용 이력에 기초한 상기 2명의 사용자 간의 상기 아이템 사용에 대한 감정 변화의 영향력을 의미함 -; 상기 감정 친화도를 이용하여 상기 아이템에 대한 상기 사용자 그룹의 대표 감정 친화도를 산출하는 대표 감정 친화도 산출부; 및 상기 대표 감정 친화도를 이용하여 상기 사용자 그룹에 대해 아이템을 추천하는 아이템 추천부;를 포함하는 것을 특징으로 하는 사용자 그룹에 대한 아이템 추천 장치가 제공된다. According to an exemplary embodiment of the present invention, there is provided an apparatus for recommending an item for a user group including a plurality of users, the apparatus comprising: at least one user pair An emotional affinity calculating unit for calculating an emotional affinity associated with the two users based on a history of use of the conventional item by the user, -; A representative emotion affinity calculating unit for calculating a representative emotion affinity of the user group for the item using the emotion affinity; And an item recommendation unit for recommending an item to the user group using the representative emotion affinity.

상기 사용자 쌍은 사용자 A 및 사용자 B를 포함하며, 상기 감정 친화도는, 상기 사용자 B에 대한 상기 사용자 A의 감정 친화도인 제1 감정 친화도 및 상기 사용자 A에 대한 상기 사용자 B의 감정 친화도인 제2 감정 친화도를 포함하고, 상기 사용자 A는 I개의 종래 아이템을 혼자서 사용한 이력이 있고, 상기 사용자 B는 J개의 종래 아이템을 혼자서 사용한 이력이 있고, 상기 사용자 A 및 상기 사용자 B는 K개의 종래 아이템을 함께 사용한 이력이 있는 경우, 상기 감정 친화도 산출부는 상기 사용자 A의 상기 I개의 종래 아이템 각각에 대한 감정 정보와 상기 사용자 A의 상기 K개의 종래 아이템 각각에 대한 감정 정보 간의 아이템 유사도를 산출함으로써 상기 제1 감정 친화도를 산출하고, 상기 사용자 B의 상기 J개의 종래 아이템 각각에 대한 감정 정보와 상기 사용자 B의 상기 K개의 종래 아이템 각각에 대한 감정 정보 간의 아이템 유사도를 산출함으로써 상기 제2 감정 친화도를 산출할 수 있다. Wherein the user pair includes a user A and a user B, the emotion affinity includes a first emotion affinity, which is the emotion affinity of the user A with respect to the user B, and a second emotion affinity with respect to the user B, Wherein the user A has a history of using I conventional items by himself, the user B has a history of using J conventional items by himself, and the user A and the user B have K When there is a history of using the conventional items together, the emotion affinity calculating unit calculates item similarity between emotion information for each of the I conventional items of the user A and emotion information for each of the K conventional items of the user A The emotion information for each of the J conventional items of the user B and the emotion information for each of the J conventional items, By calculating the degree of similarity between items emotion information on the K conventional items and each party B can calculate the second emotional affinity.

상기 제1 감정 친화도 및 상기 제2 감정 친화도는 아래의 수학식과 같이 표현되는 것을 특징으로 하는 사용자 그룹에 대한 아이템 추천 장치.Wherein the first emotional affinity and the second emotional affinity are expressed as: < EMI ID = 17.0 >

Figure 112017031984535-pat00001
Figure 112017031984535-pat00001

여기서, ui는 상기 사용자 A, uj는 상기 사용자 B, S(ui, uj)는 상기 사용자 B에 대한 상기 사용자 A의 사용자 유사도, S(uj, ui)는 상기 사용자 A에 대한 상기 사용자 B의 사용자 유사도, ei는 상기 I개의 종래 아이템 중 하나의 종래 아이템에 대한 상기 사용자 A의 감정 정보, ej는 상기 J개의 종래 아이템 중 하나의 종래 아이템에 대한 상기 사용자 B의 감정 정보, eij는 상기 K개의 종래 아이템 중 하나의 종래 아이템에 대한 상기 사용자 A의 감정 정보, eji는 상기 K개의 종래 아이템 중 하나의 종래 아이템에 대한 상기 사용자 B의 감정 정보, s(ex, ey)는 아이템 x의 감정 정보(ex)와 아이템 y에 대한 감정 정보(ey)를 이용한 아이템의 유사도, A(ui, uj)는 상기 제1 감정 친화도, A(uj, ui)는 상기 제2 감정 친화도를 각각 의미한다. Here, u i is the user A, u j is the user B, S (u i , u j ) is the user similarity of the user A to the user B, S (u j , u i ) E i is the emotion information of the user A for one conventional item of the I conventional items, e j is the emotion information of the user B for the conventional item of the J conventional items, E ij is the emotion information of the user A for one of the K conventional items, e ji is the emotion information of the user B for one conventional item of the K conventional items, s (e x , e y ) is the similarity degree of the item using the emotion information (e x ) of the item x and the emotion information (e y ) of the item y , and A (u i , u j ) is the first emotion affinity, A j , u i ) represents the second emotional affinity, respectively.

상기 감정 정보는 러셀의 감정 모델에 따른 벡터로 표현되며, 상기 아이템 유사도는 벡터인 상기 감정 정보를 기초로 한 코사인(Cosine) 거리, 유클리안(Euclidean) 거리, 마할라노비스(Mahalanobis) 거리 및 프로베니우스(frobenius) 거리 중 어느 하나를 이용하여 산출될 수 있다. Wherein the emotion information is represented by a vector according to a Russell emotional model, and the item similarity is a cosine distance, an Euclidean distance, a Mahalanobis distance, and a Mahalanobis distance based on the emotion information, And can be calculated using any one of the frobenius distances.

상기 대표 감정 친화도 산출부는, 상기 복수의 사용자가 혼자서 사용한 복수의 종래 아이템의 감정 정보를 대상으로 하여 아이템 유사도를 복수개 산출하고, 상기 복수개의 아이템 유사도에 대한 분산을 산출하고, 상기 분산과 상기 복수의 사용자의 개수를 이용하여 상기 사용자 그룹의 감정 응집도를 산출하며, 상기 감정 응집도가 기 설정된 임계값 A보다 큰 경우, 상기 감정 친화도 중 최대의 감정 친화도를 상기 대표 감정 친화도로 설정하고, 상기 감정 응집도가 상기 임계값 A보다 작은 값을 가지는 기 설정된 임계값 B보다 작은 경우, 상기 감정 친화도 중 최소의 감정 친화도를 상기 대표 감정 친화도로 설정하고, 상기 감정 응집도가 상기 임계값 A보다 작고 상기 임계값 B보다 큰 경우 상기 감정 친화도의 평균값을 상기 대표 감정 친화도로 설정할 수 있다. Wherein the representative emotion affinity calculating unit calculates a plurality of item similarities based on emotion information of a plurality of conventional items used by the plurality of users alone, calculates a variance for the plurality of item similarities, Calculating a degree of emotional cohesion of the user group based on the number of users of the emotional affinity when the degree of cohesion is greater than a predetermined threshold value A, And sets a minimum emotional affinity of the emotional affinity to the representative emotional affinity when the emotional cohesiveness is smaller than a predetermined threshold value B having a value smaller than the threshold value A and if the emotional cohesiveness is smaller than the threshold value A And if it is larger than the threshold value B, sets the average value of the affinity affinity to the representative affinity There.

상기 아이템 추천부는, 미리 설정된 복수의 후보 추천 아이템에 대한 감정 정보와 상기 복수의 사용자가 혼자서 사용한 복수의 종래 아이템의 감정 정보에 기초하여 상기 복수의 사용자에 대한 상기 복수의 후보 추천 아이템의 선호도를 산출하고, 상기 복수의 후보 추천 아이템의 선호도와 상기 대표 감정 친화도를 이용하여 아이템 추천값을 산출하고, 상기 아이템 추천값을 내림차순 정렬하여 상위 N개의 아이템을 상기 그룹에 대한 아이템으로 추천할 수 있다. Wherein the item recommendation section calculates the preference of the plurality of candidate recommendation items for the plurality of users based on emotion information about a plurality of candidate recommendation items set in advance and emotion information of a plurality of conventional items used by the plurality of users alone The item recommendation value is calculated using the preferences of the plurality of candidate recommendation items and the representative emotion affinity, and the item recommendation values are sorted in descending order to recommend the top N items as items for the group.

또한, 본 발명의 다른 실시예에 따르면, 치에서 수행되는 사용자 그룹에 대한 아이템 추천 장치에 있어서, 상기 사용자 그룹에 포함되는 복수의 사용자 중 2명의 사용자가 포함된 적어도 하나의 사용자 쌍 각각에 대하여, 상기 2명의 사용자와 관련된 감정 친화도를 산출하는 단계 - 상기 감정 친화도는 상기 사용자의 종래 아이템의 사용 이력에 기초한 상기 2명의 사용자 간의 상기 아이템 사용에 대한 감정 변화의 영향력을 의미함 -; 상기 감정 친화도를 이용하여 상기 아이템에 대한 상기 사용자 그룹의 대표 감정 친화도를 산출하는 단계; 및 상기 대표 감정 친화도를 이용하여 상기 사용자 그룹에 대해 아이템을 추천하는 단계;를 포함하는 것을 특징으로 하는 사용자 그룹에 대한 아이템 추천 방법이 제공된다. According to another embodiment of the present invention, there is provided an apparatus for recommending an item to a user group performed at a value, the apparatus recommending apparatus for each of at least one user pair including two users among a plurality of users included in the user group, Calculating an emotional affinity associated with the two users, wherein the emotional affinity refers to an influence of an emotional change on the item use between the two users based on the history of use of the user's conventional item; Calculating a representative affinity of the user group for the item using the affinity affinity; And recommending an item to the user group using the representative emotional affinity. ≪ Desc / Clms Page number 13 >

본 발명에 따르면, 각각의 사용자의 아이템의 사용에 대한 감정 정보의 이력(히스토리)을 분석하여 각각의 사용자가 포함된 사용자 그룹에 대한 아이템을 추천할 수 있다. According to the present invention, the history (history) of the emotion information for each user's use of the item can be analyzed to recommend an item for the user group in which each user is included.

또한, 본 발명의 효과는 상기한 효과로 한정되는 것은 아니며, 본 발명의 상세한 설명 또는 특허청구범위에 기재된 발명의 구성으로부터 추론 가능한 모든 효과를 포함하는 것으로 이해되어야 한다.
It should be understood that the effects of the present invention are not limited to the above effects and include all effects that can be deduced from the detailed description of the present invention or the configuration of the invention described in the claims.

도 1은 본 발명의 일 실시예에 따른 아이템 추천 장치(100)의 개략적인 구성을 도시한 도면이다.
도 2는 러셀의 감정 모델에 따른 그래프를 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따라셔, 사용자가 혼자서 영화를 시청한 경우의 감정 정보와 다른 사용자에 함께 영화를 시청한 경우의 감정 정보의 차이를 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 사용자 그룹에 대한 아이템 추천 방법의 흐름도를 도시한 도면이다.
도 5는 본 발명의 일 실시예에 따른 아이템 추천 장치 및 방법에 대한 시뮬레이션 결과를 설명하기 위한 도면이다.1 is a diagram showing a schematic configuration of an item recommendation apparatus 100 according to an embodiment of the present invention.
2 is a graph showing a graph according to an emotional model of Russell.
3 is a diagram for explaining a difference between emotion information when a user watches a movie alone and emotion information when a user watches a movie together with another user according to an embodiment of the present invention.
4 is a flowchart illustrating an item recommendation method for a user group according to an embodiment of the present invention.
5 is a diagram for explaining simulation results of an item recommending apparatus and method according to an embodiment of the present invention.

본 명세서에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "구성된다" 또는 "포함한다" 등의 용어는 명세서상에 기재된 여러 구성 요소들, 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.As used herein, the singular forms "a", "an" and "the" include plural referents unless the context clearly dictates otherwise. In this specification, the terms "comprising ", or" comprising "and the like should not be construed as necessarily including the various elements or steps described in the specification, Or may be further comprised of additional components or steps. Also, the terms "part," " module, "and the like described in the specification mean units for processing at least one function or operation, which may be implemented in hardware or software or a combination of hardware and software .

이하, 본 발명의 다양한 실시예들을 첨부된 도면을 참조하여 상술한다.
Various embodiments of the present invention will now be described in detail with reference to the accompanying drawings.

도 1은 본 발명의 일 실시예에 따른 아이템 추천 장치(100)의 개략적인 구성을 도시한 도면이다. 1 is a diagram showing a schematic configuration of an item recommendation apparatus 100 according to an embodiment of the present invention.

도 1을 참조하면, 본 발명의 일 실시예에 따른 아이템 추천 시스템(100)는 사용자 그룹에 대한 아이템을 추천하기 위한 장치로서, 사용자 정보 관리부(110), 감정 친화도 산출부(120), 대표 감정 친화도 산출부(130) 및 아이템 추천부(140)를 포함한다. Referring to FIG. 1, an item recommendation system 100 according to an exemplary embodiment of the present invention is an apparatus for recommending an item for a user group, and includes a user information management unit 110, an affinity affinity calculation unit 120, An affinity affinity calculation unit 130 and an item recommendation unit 140.

이 때, 사용자 그룹은 소셜 네트워크 서비스(SNS) 상에서 생성된 복수의 사용자를 포함하는 그룹일 수 있다. 또한, "아이템"은 "영화"일 수 있으며, 이 경우 "아이템의 사용"은 "영화의 시청"일 수 있다. At this time, the user group may be a group including a plurality of users created on the social network service (SNS). Also, the "item" may be a "movie ", in which case" use of an item "

한편, 이하에서는 설명의 편의를 위해 "아이템"이 "영화"인 일례를 중심으로 본 발명을 설명하기로 한다. 그러나, 본 발명이 이에 한정되는 것은 아니다.In the following, the present invention will be described with reference to an example in which "item" is "movie" However, the present invention is not limited thereto.

이하, 각 구성 요소 별로 그 기능을 상세하게 설명하기로 한다. Hereinafter, the function of each component will be described in detail.

먼저, 사용자 정보 관리부(110)는 사용자 그룹에 속하는 복수의 사용자 각각에 대한 영화 시청 이력을 생성 및 관리한다. First, the user information management unit 110 generates and manages a movie viewing history for each of a plurality of users belonging to a user group.

보다 상세하게, 사용자 정보 관리부(110)는 복수의 사용자 각각이 시청한 영화의 목록 및 상기 영화에 대한 사용자의 감정 정보를 입력받는다. In more detail, the user information management unit 110 receives a list of movies watched by each of a plurality of users and user's emotion information about the movie.

여기서, 사용자는 영화에 대한 감정 정보를 직접 사용자 정보 관리부(110)로 입력(피드백)할 있다. 이를 위해, 사용자 정보 관리부(110)는 사용자가 소지한 단말 장치로 감정 정보를 입력하기 위한 사용자 인터페이스(UI)를 전송할 수 있으며, 사용자는 단말 장치에 표시된 사용자 인터페이스(UI)를 통해 자신의 영화에 대한 감정 정보를 입력할 수 있다. Here, the user inputs (feedback) the emotion information about the movie directly to the user information management unit 110. [ To this end, the user information management unit 110 may transmit a user interface (UI) for inputting emotion information to the terminal device held by the user, and the user may transmit the user's own movie The user can input the emotion information for the user.

이 때, 감정 정보는 러셀의 감정 모델에 따라 정의될 수 있다. 도 2는 러셀의 감정 모델에 따른 그래프를 도시한 도면이다. 도 2의 그래프는 개인의 감정 또는 정서 상태를 정의한 것으로서, 그래프의 가로축은 업무에 임하는 마음이 즐거운 상태인지　불쾌한 상태인지를 의미하고, 그래프의 세로축은 활기가 있는지 무력한지를 의미한다. 즉, 다양한 감정 또는 정서는 두 개의 차원, 즉 유쾌-불쾌 차원과 흥분-이완 차원에서 배열될 수 있다. 또한, 러셀의 감정 모델은 감정 정보 또는 정서 정보를 28개의 벡터로서 분류한다. At this time, the emotion information can be defined according to Russell's emotion model. 2 is a graph showing a graph according to an emotional model of Russell. The graph of FIG. 2 defines an emotional state or an emotional state of an individual. The horizontal axis of the graph indicates whether the mind attending the task is pleasant or unpleasant, and the vertical axis indicates whether the mind is active or inactive. That is, the various emotions or emotions can be arranged in two dimensions: pleasure-displeasure dimension and excitation-relaxation dimension. In addition, Russell's emotion model classifies emotion information or emotion information as 28 vectors.

따라서, 사용자는 러셀의 감정 모델을 참조하여 자신의 감정 상태를 입력할 수 있다. 일례로, 사용자 정보 관리부(110)는 러셀의 감정 모델에 따른 감정 정보가 표시된 UI를 사용자의 단말 장치로 전송할 수 있고, 사용자는 상기 표시된 감정 정보를 참조하여 자신의 감정 정보를 입력할 수 있다. Accordingly, the user can input his / her emotional state by referring to the emotional model of Russell. For example, the user information management unit 110 may transmit a UI displaying emotion information according to the emotion model of the Russell to the user's terminal device, and the user may input his / her emotion information by referring to the displayed emotion information.

또한, 사용자는 영화를 혼자서 시청한 경우도 있고, 다른 사용자와 함께 시청한 경우도 있는데, 사용자 정보 관리부(110)는 모든 경우에 대한 감정 정보를 입력받을 수 있다. 이 때, 사용자가 하나의 영화는 2번 시청하되, 한번은 혼자서 영화를 시청하고 다른 한번은 다른 사용자의 함께 영화를 시청한 경우가 존재할 수 있는데, 이 경우 혼자서 영화를 시청한 경우의 감정 정보와 다른 사용자에 함께 영화를 시청한 경우의 감정 정보는 서로 다를 수 있다. 이하, 도 3을 참조하여 사용자가 혼자서 영화를 시청한 경우의 감정 정보와 다른 사용자에 함께 영화를 시청한 경우의 감정 정보의 차이를 설명하기로 한다.In addition, the user may watch the movie alone or may watch the movie together with other users. The user information management unit 110 may receive emotion information for all cases. In this case, there may be a case where the user watches one movie twice, one time watching the movie by himself, and another time watching the movie together with the other user. In this case, The emotion information may be different when watching a movie together. Hereinafter, referring to FIG. 3, the difference between emotion information when a user watches a movie alone and emotion information when a user watches a movie together with another user will be described.

먼저, 도 3의 (a)를 참조하면, John는 "The Hangover", "Titanic", "[Rec]" 및 "Ted"를 혼자서 시청하였고, Mary는 "Notting Hill" "Titanic" 및 "Love Actually"를 혼자서 시청하였으며, John과 Mary는 "Love Actually", "Titanic" 및 "Ted"를 함께 시청하였다. Referring to FIG. 3 (a), John has watched "The Hangover", "Titanic", "[Rec]" and "Ted" alone and Mary has "Notting Hill" "Titanic" and "Love Actually "John and Mary watched" Love Actually "," Titanic "and" Ted "together.

여기서, 도 2의 (b)를 참조하면, John 및 Mary는 혼자 및 함께 "Titanic"를 시청하였는데, John이 혼자서 "Titanic"를 시청한 경우의 감정 상태는 'calmness'이고, John이 Mary와 함께 "Titanic"를 시청한 경우의 감정 상태는 'Romantic'이고, Mary가 혼자서 "Titanic"를 시청한 경우의 감정 상태는 'Sadness'이고 Mary가 John와 함께 "Titanic"를 시청한 경우의 감정 상태는 'Romantic"이다. 즉, 하나의 영화에 대해 사용자가 혼자서 영화를 시청한 경우의 감정 정보와 다른 사용자에 함께 시청한 경우의 감정 정보는 서로 다를 수 있다. 이는, 사용자가 다른 사용자에 대해 감정적으로 의지하거나 다른 사용자와 함께 영화를 시청하는 경우 감정이 변화할 수 있음을 의미한다. 본 발명에 따른 아이템 추천 장치(100)는 상기에서 설명된 감정적 의지 또는 감정 변화에 기초하여 아이템을 추천할 수 있다. 이는 아래에서 상세하게 설명하기로 한다. Here, referring to FIG. 2 (b), John and Mary watch the "Titanic" alone and together, and the emotional state when John alone watches "Titanic" is "calmness" The emotional state when watching "Titanic" is "Romantic", the emotion state when Mary alone watches "Titanic" is "Sadness" and the emotional state when Mary watches "Titanic" with John 'Romantic.' That is, the emotion information when a user watches a movie alone for one movie may be different from the emotion information for a user who watches another movie together. The item recommendation apparatus 100 according to the present invention can recommend the item based on the emotional will or emotion change described above. (C) which will be described in detail below.

다음으로, 감정 친화도 산출부(120)는 사용자 그룹에 속하는 복수의 사용자 중 2명의 사용자가 포함된 적어도 하나의 사용자 쌍을 산출하고, 적어도 하나의 사용자 쌍 각각에 대하여 2명의 사용자와 관련된 감정 친화도를 산출한다. 이 때, 감정 친화도는 사용자의 종래에 시청한 영화에 대한 이력(히스토리)에 기초한 사용자 쌍 내의 2명의 사용자 간의 아이템 사용에 대한 감정 변화의 영향력을 의미한다. Next, the emotion affinity calculating section 120 calculates at least one user pair including two users out of a plurality of users belonging to the user group, and calculates the emotion affinity related to two users for each of the at least one user pair ≪ / RTI > At this time, the affinity affinity means the influence of the emotion change on the use of the item between two users in the user pair based on the history (history) of the movie watched by the user in the past.

보다 상세하게, 사용자 쌍은 사용자 A 및 사용자 B를 포함하며, 감정 친화도는, 사용자 B에 대한 사용자 A의 감정 친화도인 제1 감정 친화도 및 사용자 A에 대한 사용자 B의 감정 친화도인 제2 감정 친화도를 포함한다. 이 때, 사용자 A는 I(1 이상이 정수)개의 종래의 영화를 혼자서 시청한 이력이 있고, 사용자 B는 J(1 이상의 정수)개의 종래의 영화를 혼자서 시청한 이력이 있고, 사용자 A 및 사용자 B는 K(0 이상의 정수)개의 종래의 영화를 함께 시청한 이력이 있는 것으로 가정한다.More specifically, the user pair includes the user A and the user B, and the emotion affinity corresponds to the first affection affinity, which is the affection affinity of the user A with respect to the user B, and the second affection affinity, 2 emotional affinity. At this time, there is a history that user A has watched I (one or more integer) conventional movies alone, and user B has a history of watching J (one or more integer) B assumes that there is a history of watching a conventional movie of K (an integer of 0 or more) together.

상기의 내용을 참조하면, 감정 친화도 산출부(120)는 적어도 하나의 사용자 쌍 각각에 대해, 제1 감정 친화도 및 제2 감정 친화도를 산출할 있다. 이 때, 제1 감정 친화도 및 제2 감정 친화도는 아래의 수학식 1을 이용하여 산출할 수 있다.
Referring to the above description, the emotion affinity calculating unit 120 calculates a first emotion affinity and a second emotion affinity for each of at least one user pair. At this time, the first emotion affinity and the second emotion affinity can be calculated using the following equation (1).

Figure 112017031984535-pat00002
Figure 112017031984535-pat00002

여기서, ui는 사용자 A, uj는 사용자 B, S(ui, uj)는 사용자 B에 대한 사용자 A의 사용자 유사도, S(uj, ui)는 사용자 A에 대한 사용자 B의 사용자 유사도를 의미한다. 이 때, 사용자 유사도는 사용자 A와 사용자 B 간의 감정 유사도를 의미하며, "K=0"인 경우는 사용자 A와 사용자 B가 함께 영화를 시청한 적이 없는 경우를 의미한다. Here, u i is the user of the user B to user A, u j is the user B, S (u i, u j) is the user similarity, S (u j, u i ) of the user A to the user B, user A Means the degree of similarity. In this case, the user similarity means the similarity degree of emotion between the user A and the user B, and the case of "K = 0" means that the user A and the user B have never watched the movie together.

또한, 감정 친화도 산출부(120)는 사용자 A 및 사용자 B 각각의 종래의 영화에 대한 감정 정보에 따른 유사도를 이용하여 사용자 유사도를 산출할 수 있다. 일례로서, 감정 친화도 산출부(120)는 아래의 수학식 2를 이용하여 사용자 유사도, 즉 S(ui, uj) 및 S(uj, ui)를 산출할 수 있다.
In addition, the emotion affinity calculating unit 120 may calculate the user similarity using the similarity according to the emotion information for the conventional movies of the user A and the user B, respectively. As an example, the emotion affinity calculation unit 120 may calculate the user similarity, that is, S (u i , u j ) and S (u j , u i ) using the following equation (2).

Figure 112017031984535-pat00003
Figure 112017031984535-pat00003

여기서, ei는 사용자 A가 혼자서 시청한 영화(즉, I개의 종래의 영화) 중 하나의 종래의 영화에 대한 사용자 A의 감정 정보, ej는 사용자 B에 혼자서 시청한 영화(즉, J개의 종래의 영화) 중 하나의 종래 아이템에 대한 사용자 B의 감정 정보, eij는 사용자 A와 사용자 B가 함께 시청한 영화(즉, K개의 종래의 영화) 중 하나의 종래의 영화에 대한 사용자 A의 감정 정보, eji는 K개의 종래의 영화 중 하나의 종래의 영화에 대한 사용자 B의 감정 정보, s(ex, ey)는 영화 x의 감정 정보(ex)와 영화 y에 대한 감정 정보(ey)를 이용한 영화의 유사도를 각각 의미한다. Here, e i is the emotion information of the user A with respect to one conventional movie of the movie watched alone by the user A (i.e., I conventional movies), e j is the movie watched alone by the user B Eij is the emotion information of user B for one conventional one of the movies (i.e., K conventional movies) viewed by both user A and user B, emotion information, e ji the emotion information of the user B for a conventional film of K of conventional films, s (e x, e y) is a film x emotion information (e x) and feelings about the film y of (e y ), respectively.

한편, 감정 정보는 상기에서 설명한 바와 같이 러셀의 감정 모델로부터 정의되는 벡터일 수 있으며, 이 경우 영화의 유사도는 벡터인 감정 정보를 기초로 한 코사인(Cosine) 거리, 유클리안(Euclidean) 거리, 마할라노비스(Mahalanobis) 거리 및 프로베니우스(frobenius) 거리 중 어느 하나를 이용하여 산출될 수 있다. 한편, 마할라노비스 거리는 다차원의 단위 공간으로서 마할라노비스 공간을 정의하고 임의의 대상이 그 공간으로부터 얼마나 떨어져 있는가를 거리로 나타낸 것을 의미하며, 두 지점의 단순한 거리뿐만이 아니라 변수의 특성을 나타내는 표준편차와 상관계수가 함께 고려된다는 특징을 가지고 있다. 그리고, 프로베니우스 거리는 특정한 종류의 선형 상미분 방정식을 거듭제곱 급수 전개로 푸는 방법을 이용한 거리를 의미한다. Meanwhile, the emotion information may be a vector defined from the emotion model of Russell as described above. In this case, the similarity of the movie may be a cosine distance based on the emotion information, which is a vector, an Euclidean distance, Mahalanobis Street, and Frobenius Street, as shown in FIG. On the other hand, Mahalanobis distance is defined as a multi-dimensional unit space. Mahalanobis space is defined as a space, and distance of an arbitrary object from the space is expressed as a distance. Not only a simple distance of two points but also a standard deviation And the correlation coefficient is considered together. And Provenius distance means the distance by which a specific kind of linear ordinary differential equation is solved by power series expansion.

보다 상세하게, 감정 정보를 A(=a1,…, an) 및 B(=b1,…, bn)로 표현할 때, 코사인 거리는 아래의 수학식 3과 같이 표현되고, 유클리안 거리는 아래의 수학식 4와 같이 표현되고, 마할라노비스 거리는 아래의 수학식 5와 같이 표현되고, 프로베니우스 거리는 아래의 수학식 6과 같이 표현된다.
More specifically, when the emotion information is represented by A (= a 1 , ..., a n ) and B (= b 1 , ..., b n ), the cosine distance is expressed by the following Equation 3, The Mahalanobis distance is expressed by the following equation (5), and the Provenius distance is expressed by the following equation (6).

Figure 112017031984535-pat00004
Figure 112017031984535-pat00004

Figure 112017031984535-pat00005
Figure 112017031984535-pat00005

Figure 112017031984535-pat00006
Figure 112017031984535-pat00006

Figure 112017031984535-pat00007
Figure 112017031984535-pat00007

이 때, 코사인 거리, 유클리안 거리 및 마할라노비스 거리는 아래의 수학식 7과 같이 영화의 유사도로 변환될 수 있다.
At this time, the cosine distance, the Yuklean distance, and the Mahalanobis distance can be converted into the similarity of the movie as shown in Equation (7) below.

Figure 112017031984535-pat00008
Figure 112017031984535-pat00008

한편, 코사인 거리의 값의 범위는 [-1, 1]이므로, 코사인 거리는 아래의 수학식 8과 같이 영화의 유사도로 변환될 수 있다.
On the other hand, since the range of the value of the cosine distance is [-1, 1], the cosine distance can be converted into the similarity of the movie as shown in Equation (8) below.

Figure 112017031984535-pat00009
Figure 112017031984535-pat00009

계속하여, 대표 감정 친화도 산출부(130)는 상기에서 산출된 감정 친화도를 이용하여 영화에 대한 사용자 그룹의 대표 감정 친화도를 산출한다. Subsequently, the representative emotion affinity calculation unit 130 calculates the representative emotion affinity of the user group for the movie using the emotion affinity calculated above.

보다 상세하게, 대표 감정 친화도 산출부(130)는 복수의 사용자가 혼자서 시청한 복수의 종래의 영화의 감정 정보를 대상으로 하여 영화의 유사도를 복수개 산출한다. 즉, 대표 감정 친화도 산출부(130)는 복수의 사용자가 입력한 영화의 감정 정보 모두에 대해, 하나의 영화의 감정 정보와 다른 영화의 감정 정보를 이용하여 영화 유사도를 산출한다. More specifically, the representative emotion affinity calculating unit 130 calculates a plurality of similarities of movies with respect to emotion information of a plurality of conventional movies viewed by a plurality of users alone. That is, the representative emotion affinity calculating unit 130 calculates film similarity using emotion information of one movie and emotion information of another movie, for all the emotion information of movies inputted by a plurality of users.

그 후, 대표 감정 친화도 산출부(130)는 복수개의 영화 유사도에 대한 분산을 산출하며, 산출된 분산과 사용자 그룹의 크기(즉, 복수의 사용자의 개수)를 이용하여 사용자 그룹의 감정 응집도를 산출한다. 이 때, 감정 응집도는 "분산/사용자 그룹의 크기"일 수 있다. Then, the representative emotion affinity calculating unit 130 calculates the variance of the plurality of movie similarities, and calculates the emotion cohesion degree of the user group using the calculated variance and the size of the user group (i.e., the number of the plurality of users) . At this time, the emotional cohesion may be "dispersion / size of user group ".

이 때, 감정 응집도가 기 설정된 임계값 A(일례로, 0.6)보다 큰 경우, 대표 감정 친화도 산출부(130)는 감정 친화도 중 최대의 감정 친화도를 대표 감정 친화도로 설정한다. 이는, 복수의 사용자가 한 사용자에게 감정의 의지 정도가 큼을 의미한다. 또한, 감정 응집도가 임계값 A보다 작은 값을 가지는 기 설정된 임계값 B(일례로, 0.4)보다 작은 경우, 대표 감정 친화도 산출부(130)는 최소의 감정 친화도를 대표 감정 친화도로 설정한다. 사용자 그룹의 크기가 크거나, 복수의 사용자의 감정이 다양한 경우가 상기 케이스에 속한다. 그리고, 감정 응집도가 임계값 A보다 작고 임계값 B보다 큰 경우, 대표 감정 친화도 산출부(130) 감정 친화도의 평균값을 대표 감정 친화도로 설정한다. At this time, when the degree of cohesion of the emotion is larger than a predetermined threshold value A (for example, 0.6), the representative emotion affinity calculating unit 130 sets the maximum emotion affinity among the emotion affinity to the representative emotion affinity. This means that a plurality of users have a great degree of willingness to emotion to one user. In addition, when the degree of cohesiveness of the emotion is smaller than a predetermined threshold value B (for example, 0.4) having a value smaller than the threshold value A, the representative affinity affinity calculating unit 130 sets the minimum affinity affinity to the representative affinity affinity . The case where the size of the user group is large or the emotions of a plurality of users are varied belongs to the case. When the degree of cohesion of the emotion is smaller than the threshold value A and larger than the threshold value B, the mean value of the emotion affinity of the representative emotion affinity calculating unit 130 is set to the representative emotion affinity.

마지막으로, 아이템 산출부(140)는 미리 설정된 복수의 후보 추천 영화에 대한 감정 정보와 복수의 사용자가 혼자서 사용한 복수의 종래의 영화의 감정 정보에 기초하여, 복수의 후보 추천 영화의 선호도를 산출하고, 복수의 후보 추천 영화의 선호도와 대표 감정 친화도를 이용하여 영화 추천값을 산출한다. 그리고, 아이템 산출부(140)는 영화 추천값을 내림차순 정렬하여 N(1 이상의 정수)개의 영화를 그룹에 대한 영화로 추천할 수 있다. Finally, the item calculating unit 140 calculates the preferences of a plurality of candidate recommendation films based on the emotion information of a plurality of candidate recommendation movies set in advance and the emotion information of a plurality of conventional movies used by a plurality of users alone , The movie recommendation value is calculated using the preferences of the plurality of candidate recommended movies and the representative emotion affinity. Then, the item calculating unit 140 may recommend N (one or more integers) movies as movies for the group by sorting movie recommendation values in descending order.

보다 상세하게, 복수의 후보 추천 영화에 대한 감정 정보는 사용자 그룹에 속하지 않는 다양한 사용자가 입력한 감정 정보를 이용하여 미리 설정될 수 있다. 그리고, 영화의 선호도는 복수의 후보 추천 영화에 대한 감정 정보와 복수의 사용자가 혼자서 사용한 복수의 종래의 영화의 감정 정보의 영화 유사도일 수 있다. 또한, 아이템 추천부(140)는 복수의 후보 추천 영화의 선호도와 대표 감정 친화도의 곱셈 연산을 수행하여 영화 추천값을 산출하고, 영화 추천값이 기 설정된 값(일례로, 0.6) 이상인 L(1 이상의 정수)개의 후보 영화를 선택한 후, L개의 후보 영화 중에서 영화 추천값이 큰 N(1 이상의 정수)개의 영화를 선택할 수 있다. More specifically, the emotion information for a plurality of candidate recommendation movies can be set in advance using emotion information input by various users not belonging to the user group. The preference of the movie may be the movie similarity degree of the emotion information of a plurality of candidate recommendation movies and emotion information of a plurality of conventional movies used by a plurality of users alone. In addition, the item recommendation unit 140 may calculate a movie recommendation value by performing a multiplication operation of the preferences of the plurality of candidate recommended movies and the representative emotion affinity, and may determine L ( 1 or more) candidate movies are selected, and N (an integer of 1 or more) movies having a large movie recommendation value among the L candidate movies can be selected.

요컨대, 본 발명은 그룹 간의 유의미한 관계를 도출하기 위해, 사용자 그룹에 속하는 복수의 사용자에 대해, 사용자가 시청한 영화에 대한 감정 정보를 분석하고, 상기 감정 정보를 이용하여 사용자 그룹에 대한 영화를 추천한다.
In other words, in order to derive a meaningful relationship between groups, the present invention analyzes emotion information about a movie viewed by a user for a plurality of users belonging to a user group, and recommends a movie about the user group using the emotion information do.

도 4는 본 발명의 일 실시예에 따른 사용자 그룹에 대한 아이템 추천 방법의 흐름도를 도시한 도면이다. 4 is a flowchart illustrating an item recommendation method for a user group according to an embodiment of the present invention.

본 발명의 따른 사용자 그룹에 대한 아이템 추천 방법은 프로세서가 포함된 장치(일례로, 상기에서 설명한 아이템 추천 장치)에서 수행될 수 있다. 이하, 도 4를 참조하여 각 단계 별로 수행되는 과정을 설명하기로 한다. An item recommendation method for a user group according to the present invention can be performed in a device (for example, the item recommendation apparatus described above) including a processor. Hereinafter, a process performed in each step will be described with reference to FIG.

먼저, 단계(410)에서는 사용자 그룹에 속하는 복수의 사용자 각각에 대한 영화 시청 이력을 생성 및 관리한다.First, in step 410, a movie viewing history for each of a plurality of users belonging to a user group is generated and managed.

다음으로, 단계(420)에서는 사용자 그룹에 속하는 복수의 사용자 중 2명의 사용자가 포함된 적어도 하나의 사용자 쌍을 산출하고, 적어도 하나의 사용자 쌍 각각에 대하여 2명의 사용자와 관련된 감정 친화도를 산출한다. Next, in step 420, at least one user pair including two users among a plurality of users belonging to the user group is calculated, and an emotional affinity associated with two users is calculated for each of the at least one user pair .

계속하여, 단계(430)에서는 산출된 감정 친화도를 이용하여 영화에 대한 사용자 그룹의 대표 감정 친화도를 산출한다. Subsequently, in step 430, the representative emotional affinity of the user group for the movie is calculated using the calculated emotional affinity.

그 후, 단계(440)에서는 미리 설정된 복수의 후보 추천 영화에 대한 감정 정보와 복수의 사용자가 혼자서 사용한 복수의 종래의 영화의 감정 정보에 기초하여, 의 후보 추천 영화의 선호도를 산출하고, 복수의 후보 추천 영화의 선호도와 대표 감정 친화도를 이용하여 영화 추천값을 산출하며, 영화 추천값을 내림차순 정렬하여 N(1 이상의 정수)개의 영화를 그룹에 대한 영화로 추천한다. Thereafter, in step 440, the preference degree of the candidate recommendation movie is calculated based on the emotion information about a plurality of candidate recommendation movies set in advance and the emotion information of a plurality of conventional movies used by a plurality of users alone, The movie recommendation value is calculated using the preference degree of the candidate recommendation movie and the representative emotion affinity, and N (one or more integers) movies are recommended as movies for the group by sorting movie recommendation values in descending order.

지금까지 본 발명에 따른 사용자 그룹에 대한 아이템 추천 방법의 실시예들에 대하여 설명하였고, 앞서 도 1 내지 도 3에서 설명한 사용자 그룹에 대한 아이템 추천 장치(100)에 관한 구성이 본 실시예에도 그대로 적용 가능하다. 이에, 보다 상세한 설명은 생략하기로 한다.
Embodiments of the item recommendation method for the user group according to the present invention have been described so far and the configuration of the item recommendation apparatus 100 for the user group described with reference to Figs. 1 to 3 has been applied to this embodiment It is possible. Hereinafter, a detailed description will be omitted.

도 5는 본 발명의 일 실시예에 따른 아이템 추천 장치(100) 및 방법에 대한 시뮬레이션 결과를 설명하기 위한 도면이다.5 is a diagram for explaining simulation results of an item recommendation apparatus 100 and a method according to an embodiment of the present invention.

도 5에 따른 시뮬레이션에서는, 각 사용자 그룹의 크기에 따라 본 발명에 따른 아이템 추천 장치(100) 및 방법과, 기존의 대표적인 그룹 대상 추천 방식인 Average Strategy 및 Average without Least Misery Strategy 방식을 대상으로 비교를 수행하였다. 이 때, Kendall's 타우는 두 리스트의 순서의 유사성을 분석하는 지표로 사용된다.In the simulation according to FIG. 5, the item recommendation apparatus 100 and method according to the present invention and the conventional Average Group Strategy and Average Average Least Misery Strategy are compared according to the size of each user group. Respectively. At this time, Kendall's tau is used as an index to analyze the similarity of the order of the two lists.

도 5를 참조하면, 본 발명에 따른 아이템 추천 장치(100) 및 방법은 마할라노비스 거리에 따른 영화 유사도를 사용했을 경우 가장 좋은 효과를 보였고, 코사인 거리에 따른 영화 유사도가 다음으로 좋은 결과를 보였다. 또한, 그룹의 크기(응집도)에 따라 응집도가 높아질수록 최소값, 평균값, 최대값 방법이 더 효과가 좋음을 알 수 있다.
Referring to FIG. 5, the item recommendation apparatus 100 and method according to the present invention have the best effect when using the movie similarity according to Mahalanobis distance, and the film similarity according to the cosine distance has the following good results . Also, it can be seen that the minimum value, the mean value, and the maximum value method are more effective as the degree of cohesion increases according to the group size (cohesion degree).

또한, 본 발명의 실시예들은 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 본 발명을 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), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 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 본 발명의 일 실시예들의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.In addition, embodiments of the present invention may be implemented in the form of program instructions that can be executed through various computer means and recorded on a computer readable medium. The computer-readable medium may include program instructions, data files, data structures, and the like, alone or in combination. The program instructions recorded on the medium may be those specially designed and constructed for the present invention or may be available to those skilled in the art of computer software. Examples of computer-readable media include magnetic media such as hard disks, floppy disks and magnetic tape; optical media such as CD-ROMs and DVDs; magnetic media such as floppy disks; Examples of program instructions, such as magneto-optical and ROM, RAM, flash memory and the like, can be executed by a computer using an interpreter or the like, as well as machine code, Includes a high-level language code. The hardware devices described above may be configured to operate as one or more software modules to perform operations of one embodiment of the present invention, and vice versa.

이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다. As described above, the present invention has been described with reference to particular embodiments, such as specific elements, and limited embodiments and drawings. However, it should be understood that the present invention is not limited to the above- Various modifications and variations may be made thereto by those skilled in the art to which the present invention pertains. Accordingly, the spirit of the present invention should not be construed as being limited to the embodiments described, and all of the equivalents or equivalents of the claims, as well as the following claims, belong to the scope of the present invention .

Claims (7)

복수의 사용자를 포함하는 사용자 그룹에 대한 아이템 추천 장치에 있어서,
상기 복수의 사용자 중 2명의 사용자가 포함된 적어도 하나의 사용자 쌍을 산출하고, 상기 적어도 하나의 사용자 쌍 각각에 대한 감정 친화도를 산출하는 감정 친화도 산출부;
상기 적어도 하나의 사용자 쌍 각각의 감정 친화도를 이용하여 상기 아이템에 대한 상기 사용자 그룹의 대표 감정 친화도를 산출하는 대표 감정 친화도 산출부; 및
상기 대표 감정 친화도를 이용하여 상기 사용자 그룹에 대해 아이템을 추천하는 아이템 추천부;를 포함하되,
상기 감정 친화도는 상기 사용자 쌍 내의 2명의 사용자의 종래 아이템 사용 이력에 기초한 상기 사용자 쌍 내의 2명의 사용자 사이의 상기 아이템 사용에 대한 감정 변화의 영향력을 의미하고,
상기 종래 아이템 사용 이력은 상기 사용자 쌍 내의 2명의 사용자 각각이 혼자서 사용한 종래 아이템 사용 이력 및 상기 사용자 쌍 내의 2명의 사용자가 함께 사용한 종래 아이템 사용 이력을 포함하는 것을 특징으로 하는 사용자 그룹에 대한 아이템 추천 장치.An item recommendation apparatus for a user group including a plurality of users,
An emotion affinity calculating unit for calculating at least one user pair including two users among the plurality of users and calculating an affinity affinity for each of the at least one pair of users;
A representative emotion affinity calculating unit for calculating a representative emotion affinity of the user group for the item using the emotion affinity of each of the at least one user pair; And
And an item recommendation unit for recommending an item to the user group using the representative emotion affinity,
The affinity affinity refers to the influence of an emotional change on the use of the item between two users in the user pair based on a conventional item use history of two users in the user pair,
Wherein said conventional item use history includes a history of previous item use used by each of two users in said user pair alone and a history of previous item usage used together by two users in said user pair, . 제1항에 있어서,
상기 사용자 쌍은 사용자 A 및 사용자 B를 포함하며, 상기 감정 친화도는, 상기 사용자 B에 대한 상기 사용자 A의 감정 친화도인 제1 감정 친화도 및 상기 사용자 A에 대한 상기 사용자 B의 감정 친화도인 제2 감정 친화도를 포함하고,
상기 사용자 A는 I개의 종래 아이템을 혼자서 사용한 이력이 있고, 상기 사용자 B는 J개의 종래 아이템을 혼자서 사용한 이력이 있고, 상기 사용자 A 및 상기 사용자 B는 K개의 종래 아이템을 함께 사용한 이력이 있는 경우, 상기 감정 친화도 산출부는 상기 사용자 A의 상기 I개의 종래 아이템 각각에 대한 감정 정보와 상기 사용자 A의 상기 K개의 종래 아이템 각각에 대한 감정 정보 간의 아이템 유사도를 산출함으로써 상기 제1 감정 친화도를 산출하고, 상기 사용자 B의 상기 J개의 종래 아이템 각각에 대한 감정 정보와 상기 사용자 B의 상기 K개의 종래 아이템 각각에 대한 감정 정보 간의 아이템 유사도를 산출함으로써 상기 제2 감정 친화도를 산출하는 것을 특징으로 하는 사용자 그룹에 대한 아이템 추천 장치.The method according to claim 1,
Wherein the user pair includes a user A and a user B, the emotion affinity includes a first emotion affinity, which is the emotion affinity of the user A with respect to the user B, and a second emotion affinity with respect to the user B, A second emotional affinity < RTI ID = 0.0 >
If the user A has a history of using I conventional items by himself, the user B has a history of using J conventional items by himself, and the user A and the user B have a history of using K conventional items together, The emotion affinity calculating unit calculates the first emotion affinity by calculating item similarity between emotion information for each of the I conventional items of the user A and emotion information for each of the K conventional items of the user A And calculates the item similarity degree between the emotion information for each of the J conventional items of the user B and the emotion information for each of the K conventional items of the user B to calculate the second emotion affinity. Item recommendation device for group. 제2항에 있어서,
상기 제1 감정 친화도 및 상기 제2 감정 친화도는 아래의 수학식과 같이 표현되는 것을 특징으로 하는 사용자 그룹에 대한 아이템 추천 장치.

Figure 112017031984535-pat00010


여기서, ui는 상기 사용자 A, uj는 상기 사용자 B, S(ui, uj)는 상기 사용자 B에 대한 상기 사용자 A의 사용자 유사도, S(uj, ui)는 상기 사용자 A에 대한 상기 사용자 B의 사용자 유사도, ei는 상기 I개의 종래 아이템 중 하나의 종래 아이템에 대한 상기 사용자 A의 감정 정보, ej는 상기 J개의 종래 아이템 중 하나의 종래 아이템에 대한 상기 사용자 B의 감정 정보, eij는 상기 K개의 종래 아이템 중 하나의 종래 아이템에 대한 상기 사용자 A의 감정 정보, eji는 상기 K개의 종래 아이템 중 하나의 종래 아이템에 대한 상기 사용자 B의 감정 정보, s(ex, ey)는 아이템 x의 감정 정보(ex)와 아이템 y에 대한 감정 정보(ey)를 이용한 아이템의 유사도, A(ui, uj)는 상기 제1 감정 친화도, A(uj, ui)는 상기 제2 감정 친화도를 각각 의미함. 3. The method of claim 2,
Wherein the first emotional affinity and the second emotional affinity are expressed as: < EMI ID = 17.0 >

Figure 112017031984535-pat00010


Here, u i is the user A, u j is the user B, S (u i , u j ) is the user similarity of the user A to the user B, S (u j , u i ) E i is the emotion information of the user A for one conventional item of the I conventional items, e j is the emotion information of the user B for the conventional item of the J conventional items, E ij is the emotion information of the user A for one of the K conventional items, e ji is the emotion information of the user B for one conventional item of the K conventional items, s (e x , e y ) is the similarity degree of the item using the emotion information (e x ) of the item x and the emotion information (e y ) of the item y , and A (u i , u j ) is the first emotion affinity, A j , u i ) denote the second emotional affinity, respectively. 제2항에 있어서,
상기 감정 정보는 러셀의 감정 모델에 따른 벡터로 표현되며,
상기 아이템 유사도는 벡터인 상기 감정 정보를 기초로 한 코사인(Cosine) 거리, 유클리안(Euclidean) 거리, 마할라노비스(Mahalanobis) 거리 및 프로베니우스(frobenius) 거리 중 어느 하나를 이용하여 산출되는 것을 특징으로 하는 사용자 그룹에 대한 아이템 추천 장치.3. The method of claim 2,
The emotion information is represented by a vector according to the emotion model of Russell,
The item similarity is calculated using any one of cosine distance, Euclidean distance, Mahalanobis distance and frobenius distance based on the emotion information as a vector And an item recommendation device for a user group. 제1항에 있어서,
상기 대표 감정 친화도 산출부는,
상기 복수의 사용자가 혼자서 사용한 복수의 종래 아이템의 감정 정보를 대상으로 하여 아이템 유사도를 복수개 산출하고, 상기 복수개의 아이템 유사도에 대한 분산을 산출하고,
상기 분산과 상기 복수의 사용자의 개수를 이용하여 상기 사용자 그룹의 감정 응집도를 산출하며,
상기 감정 응집도가 기 설정된 임계값 A보다 큰 경우, 상기 감정 친화도 중 최대의 감정 친화도를 상기 대표 감정 친화도로 설정하고, 상기 감정 응집도가 상기 임계값 A보다 작은 값을 가지는 기 설정된 임계값 B보다 작은 경우, 상기 감정 친화도 중 최소의 감정 친화도를 상기 대표 감정 친화도로 설정하고, 상기 감정 응집도가 상기 임계값 A보다 작고 상기 임계값 B보다 큰 경우 상기 감정 친화도의 평균값을 상기 대표 감정 친화도로 설정하는 것을 특징으로 하는 사용자 그룹에 대한 아이템 추천 장치.The method according to claim 1,
The representative emotion affinity calculating unit may calculate,
Calculating a plurality of item similarities based on emotion information of a plurality of conventional items used by the plurality of users alone, calculating a variance of the plurality of item similarities,
Calculating an emotional cohesion degree of the user group using the variance and the number of users,
And sets the emotional affinity of the emotional affinity to the representative emotional affinity when the emotional cohesiveness is greater than a preset threshold value A and sets the emotional affinity to the predetermined threshold value B The emotion affinity is set to the representative emotion affinity, and when the emotion cohesion degree is smaller than the threshold value A and larger than the threshold value B, the average value of the emotion affinity is set as the representative emotion affinity, And setting an affinity for the user group. 제5항에 있어서,
상기 아이템 추천부는,
미리 설정된 복수의 후보 추천 아이템에 대한 감정 정보와 상기 복수의 사용자가 혼자서 사용한 복수의 종래 아이템의 감정 정보에 기초하여 상기 복수의 사용자에 대한 상기 복수의 후보 추천 아이템의 선호도를 산출하고, 상기 복수의 후보 추천 아이템의 선호도와 상기 대표 감정 친화도를 이용하여 아이템 추천값을 산출하고,
상기 아이템 추천값을 내림차순 정렬하여 상위 N개의 아이템을 상기 그룹에 대한 아이템으로 추천하는 것을 특징으로 하는 사용자 그룹에 대한 아이템 추천 장치.6. The method of claim 5,
The item recommendation unit,
Calculating a preference of the plurality of candidate recommendation items for the plurality of users based on emotion information about a plurality of candidate recommendation items set in advance and emotion information of a plurality of conventional items used by the plurality of users alone, The item recommendation value is calculated using the preference of the candidate recommendation item and the representative emotion affinity,
And arranging the item recommendation values in descending order to recommend the top N items as items for the group. 프로세서가 포함된 장치에서 수행되는 사용자 그룹에 대한 아이템 추천 장치에 있어서,
상기 사용자 그룹에 포함되는 복수의 사용자 중 2명의 사용자가 포함된 적어도 하나의 사용자 쌍을 산출하고, 상기 적어도 하나의 사용자 쌍 각각에 대한 감정 친화도를 산출하는 단계;
상기 적어도 하나의 사용자 쌍 각각의 감정 친화도를 이용하여 상기 아이템에 대한 상기 사용자 그룹의 대표 감정 친화도를 산출하는 단계; 및
상기 대표 감정 친화도를 이용하여 상기 사용자 그룹에 대해 아이템을 추천하는 단계;를 포함하되,
상기 감정 친화도는 상기 사용자 쌍 내의 2명의 사용자의 종래 아이템 사용 이력에 기초한 상기 사용자 쌍 내의 2명의 사용자 사이의 상기 아이템 사용에 대한 감정 변화의 영향력을 의미하고,
상기 종래 아이템 사용 이력은 상기 사용자 쌍 내의 2명의 사용자 각각이 혼자서 사용한 종래 아이템 사용 이력 및 상기 사용자 쌍 내의 2명의 사용자가 함께 사용한 종래 아이템 사용 이력을 포함하는 것을 특징으로 하는 사용자 그룹에 대한 아이템 추천 방법.An item recommendation apparatus for a user group performed in a device including a processor,
Calculating at least one user pair including two users among a plurality of users included in the user group, and calculating an affinity affinity for each of the at least one user pair;
Calculating a representative emotional affinity of the user group for the item using the emotional affinity of each of the at least one user pair; And
And recommending an item to the user group using the representative emotion affinity,
The affinity affinity refers to the influence of an emotional change on the use of the item between two users in the user pair based on a conventional item use history of two users in the user pair,
Wherein the conventional item use history includes a history of previous item use by each of two users in the user pair alone and a history of previous items used by two users in the pair of users. .
KR1020170042015A 2017-03-31 2017-03-31 Apparatus and Method for recommending item to user group using emotion information KR101840163B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170042015A KR101840163B1 (en) 2017-03-31 2017-03-31 Apparatus and Method for recommending item to user group using emotion information

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170042015A KR101840163B1 (en) 2017-03-31 2017-03-31 Apparatus and Method for recommending item to user group using emotion information

Publications (1)

Publication Number Publication Date
KR101840163B1 true KR101840163B1 (en) 2018-03-20

Family

ID=61910654

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170042015A KR101840163B1 (en) 2017-03-31 2017-03-31 Apparatus and Method for recommending item to user group using emotion information

Country Status (1)

Country Link
KR (1) KR101840163B1 (en)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113806620A (en) * 2020-05-30 2021-12-17 华为技术有限公司 Content recommendation method, device, system and storage medium
KR20220152013A (en) 2021-05-07 2022-11-15 경희대학교 산학협력단 Apparatus and method for recommending items based on big-data of reviews
WO2024014879A1 (en) * 2022-07-14 2024-01-18 주식회사 메디컬에이아이 Method for training model that recommends products to consumer on basis of biological signals, product recommendation method using same, and computer program

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113806620A (en) * 2020-05-30 2021-12-17 华为技术有限公司 Content recommendation method, device, system and storage medium
CN113806620B (en) * 2020-05-30 2023-11-21 华为技术有限公司 Content recommendation method, device, system and storage medium
KR20220152013A (en) 2021-05-07 2022-11-15 경희대학교 산학협력단 Apparatus and method for recommending items based on big-data of reviews
KR102583679B1 (en) * 2021-05-07 2023-09-27 경희대학교 산학협력단 Apparatus and method for recommending items based on big-data of reviews
WO2024014879A1 (en) * 2022-07-14 2024-01-18 주식회사 메디컬에이아이 Method for training model that recommends products to consumer on basis of biological signals, product recommendation method using same, and computer program

Similar Documents

Publication Publication Date Title
AU2016247184B2 (en) Attribute weighting for media content-based recommendation
US9367878B2 (en) Social content suggestions based on connections
US9514226B2 (en) Methods and systems useful for identifying the most influent social media users in query-based social data streams
Carvalho et al. Users' satisfaction in recommendation systems for groups: an approach based on noncooperative games
JP2017174062A (en) Purchase behavior analyzing device and program
US20180033027A1 (en) Interactive user-interface based analytics engine for creating a comprehensive profile of a user
Cho et al. Collaborative filtering using dual information sources
US9922110B2 (en) Information processing apparatus, information processing method, and program
KR101969006B1 (en) Object recommendation based upon similarity distances
KR101840163B1 (en) Apparatus and Method for recommending item to user group using emotion information
US20190087838A1 (en) Determining brand exclusiveness of users
Chen et al. Modeling user's receptiveness over time for recommendation
KR20130134046A (en) Cosine similarity based expert recommendation technique using hybrid collaborative filtering
WO2016165414A1 (en) Method and device for push information
KR20170036874A (en) Method and apparatus for recommendation of social event based on users preference
KR101712291B1 (en) System for recommending a user-customized famous place based on opinion mining and Method of the Same
KR101708254B1 (en) Story-based recommendation system and method for movies by character-net and collaborative filtering
Baeza-Yates et al. The attention economy and the impact of artificial intelligence
CN105260458A (en) Video recommendation method for display apparatus and display apparatus
Chen et al. Tagcloud-based explanation with feedback for recommender systems
Xinchang et al. Movie recommendation algorithm using social network analysis to alleviate cold-start problem
KR20180089846A (en) Apparatus and Method for recommending item for user group
Damásio et al. Social activities and mobile Internet diffusion: A search for the Holy Grail?
Missaoui et al. A language modeling approach for the recommendation of tourism-related services
Kumar et al. Context-aware social popularity based recommender system

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant