KR101872733B1 - 소셜 네트워크 서비스 팔로잉 추천 시스템 및 이를 이용한 소셜 네트워크 팔로잉 추천 방법 - Google Patents
소셜 네트워크 서비스 팔로잉 추천 시스템 및 이를 이용한 소셜 네트워크 팔로잉 추천 방법 Download PDFInfo
- Publication number
- KR101872733B1 KR101872733B1 KR1020170074867A KR20170074867A KR101872733B1 KR 101872733 B1 KR101872733 B1 KR 101872733B1 KR 1020170074867 A KR1020170074867 A KR 1020170074867A KR 20170074867 A KR20170074867 A KR 20170074867A KR 101872733 B1 KR101872733 B1 KR 101872733B1
- Authority
- KR
- South Korea
- Prior art keywords
- user
- classification
- information
- module
- neural network
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000006855 networking Effects 0.000 title 2
- 238000003062 neural network model Methods 0.000 claims abstract description 60
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 17
- 238000011156 evaluation Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims 1
- 238000011176 pooling Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
본 발명은 소셜 네트워크 서비스 팔로잉 추천 시스템 및 이를 이용한 소셜 네트워크 서비스 팔로잉 추천 방법에 관한 것으로서, 상기 소셜 네트워크 서비스 팔로잉 추천 시스템은 소셜 네트워크 서비스 제공 서버로부터 사용자 및 다수의 정보제공자에 의해 업로드된 이미지 데이터 및 텍스트 데이터를 수집하는 수집모듈과, 상기 수집모듈을 통해 수집된 데이터들을 토대로 상기 사용자 및 다수의 정보제공자를 기설정된 관심사 카테고리 별로 분류하기 위한 신경망 모델을 구축하는 모델 구축 모듈과, 상기 수집모듈을 통해 수집된 데이터들 중 상기 사용자에 의해 업로드된 데이터를 상기 신경망 모델에 적용하여 상기 관심사 카테고리들 중 상기 사용자에 해당하는 관심사 카테고리를 판별하는 사용자 분류모듈과, 상기 수집모듈을 통해 수집된 데이터들 중 상기 정보제공자들에 의해 업로드된 데이터를 상기 신경망 모델에 적용하여 상기 관심사 카테고리 별로 상기 정보제공자들을 분류하는 정보제공자 분류모듈과, 상기 정보제공자 분류모듈을 통해 상기 사용자와 동일한 관심사 카테고리로 분류된 상기 정보제공자의 정보를 상기 사용자에게 제공하는 팔로잉 추천모듈을 구비한다.
본 발명에 따른 소셜 네트워크 서비스 팔로잉 추천 시스템 및 이를 이용한 소셜 네트워크 서비스 팔로잉 추천 방법은 CNN 모델을 이용하여 사용자 및 정보제공자들이 업로드한 이미지 데이터 및 텍스트 데이터를 분석하여 사용자 및 정보제공자들을 관심사 별로 분류하고, 사용자에게 정보제공자를 추천할 수 있으므로 보다 정확하게 사용자와 관심사가 맞는 정보제공자를 추천할 수 있다는 장점이 있다.
본 발명에 따른 소셜 네트워크 서비스 팔로잉 추천 시스템 및 이를 이용한 소셜 네트워크 서비스 팔로잉 추천 방법은 CNN 모델을 이용하여 사용자 및 정보제공자들이 업로드한 이미지 데이터 및 텍스트 데이터를 분석하여 사용자 및 정보제공자들을 관심사 별로 분류하고, 사용자에게 정보제공자를 추천할 수 있으므로 보다 정확하게 사용자와 관심사가 맞는 정보제공자를 추천할 수 있다는 장점이 있다.
Description
본 발명은 소셜 네트워크 서비스 팔로잉 추천 시스템 및 이를 이용한 소셜 네트워크 팔로잉 추천 방법에 관한 것으로서, 사용자와 관심사가 같은 정보제공자를 사용자에게 추천할 수 있는 소셜 네트워크 서비스 팔로잉 추천 시스템 및 이를 이용한 소셜 네트워크 팔로잉 추천 방법에 관한 것이다.
스마트 기기의 발전과 보급률의 증가에 따라 스마트 기기를 이용하여 간편하게 즐길 수 있는 SNS(Social Network Service) 사용자 또한 증가하고 있으며, 이에 따라 기하급수적으로 발생하는 SNS 데이터를 활용한 다양한 기술 연구가 이루어지고 있다. 그 중 관심사에 따른 데이터 분류 기술은 개인에게 맞춤형 서비스를 제공할 수 있다는 측면에서 기술 연구의 가치가 높으며 화두로 자리매김하고 있다. 관심사 분류를 위한 종래기술로 사용자의 프로파일과 관계정보를 이용하는 협업 필터링 기술, 사용자와 친구관계인 사용자가 주고받은 댓글을 카테고리화 시킴으로써 사용자의 관심사를 분류 및 추천하는 기술, 영화관련 게시글을 수집하여 Thayer 모델을 이용하여 감정 유사도를 측정하는 기술, 사용자 게시글에 LDA(Latent Dirichlet Allocation)을 적용하여 Topic 추출을 통해 사용자의 관심사를 분류하는 기술 등이 있다.
그러나 종래 기술은 대부분 사용자 프로파일과 관계정보를 사용하였기 때문에 사용자의 게시글이 적을 경우 사용하기 어렵다는 문제점이 있으며, 사용자 게시글의 텍스트 또는 이미지 중 하나를 사용했기 때문에 게시글의 모든 정보를 사용하지 않았으므로 사용자의 관심사를 정확하게 파악했다고 판단하기 어렵고 관심사의 기준이 존재하지 않기 때문에 분류된 관심사가 모호하다는 문제점이 존재한다.
본 발명은 상기와 같은 문제점을 개선하기 위해 창안된 것으로서, CNN(Convolutional Neural Network) 모델을 이용하여 사용자 및 정보제공자들이 업로드한 이미지 데이터 및 텍스트 데이터를 분석하여 사용자 및 정보제공자들을 관심사 별로 분류하고, 사용자에게 같은 관심사를 갖는 정보제공자를 추천할 수 있는 소셜 네트워크 서비스 팔로잉 추천 시스템 및 이를 이용한 소셜 네트워크 서비스 팔로잉 추천 방법을 제공하는데 그 목적이 있다.
상기 목적을 달성하기 위한 본 발명에 따른 소셜 네트워크 서비스 팔로잉 추천 시스템은 소셜 네트워크 서비스 제공 서버로부터 사용자 및 다수의 정보제공자에 의해 업로드된 이미지 데이터 및 텍스트 데이터를 수집하는 수집모듈과, 상기 수집모듈을 통해 수집된 데이터들을 토대로 상기 사용자 및 다수의 정보제공자를 기설정된 관심사 카테고리 별로 분류하기 위한 신경망 모델을 구축하는 모델 구축 모듈과, 상기 수집모듈을 통해 수집된 데이터들 중 상기 사용자에 의해 업로드된 데이터를 상기 신경망 모델에 적용하여 상기 관심사 카테고리들 중 상기 사용자에 해당하는 관심사 카테고리를 판별하는 사용자 분류모듈과, 상기 수집모듈을 통해 수집된 데이터들 중 상기 정보제공자들에 의해 업로드된 데이터를 상기 신경망 모델에 적용하여 상기 관심사 카테고리 별로 상기 정보제공자들을 분류하는 정보제공자 분류모듈과, 상기 정보제공자 분류모듈을 통해 상기 사용자와 동일한 관심사 카테고리로 분류된 상기 정보제공자의 정보를 상기 사용자에게 제공하는 팔로잉 추천모듈을 구비한다.
상기 신경망 모델은 합성곱 신경망(CNN: Convolutional Neural Network) 모델인 것이 바람직하다.
상기 모델 구축 모듈은 상기 관심사 카테고리 별로 관리자에 의해 선정된 다수의 학습 데이터를 지도학습(Supervised Learning) 기법에 따라 처리하여 상기 신경망 모델을 구축한다.
상기 정보제공자 분류모듈은 상기 관심사 카테고리 별로 상기 신경망 모델에 의해 설정된 평가기준에 대한 상기 각 정보제공자에 의해 업로드된 이미지 데이터 및 텍스트 데이터의 일치도인 제1 및 제2분류값을 산출한다.
상기 사용자 분류모듈은 상기 관심사 카테고리 별로 상기 신경망 모델에 의해 설정된 평가기준에 대한 상기 사용자에 의해 업로드된 이미지 데이터 및 텍스트 데이터의 일치도인 제3 및 제4분류값을 산출하고, 상기 팔로잉 추천모듈은 상기 사용자와 동일한 관심사 카테고리로 분류된 상기 정보제공자들 중 상기 제3 및 제4분류값과 가장 유사한 상기 제1 및 제2분류값을 갖는 정보제공자에 대한 정보를 상기 사용자에게 제공한다.
상기 정보제공자 분류모듈은 상기 정보제공자 별로 상기 제1 및 제2분류값을 x축 좌표 및 y축 좌표로 하는 평면좌표계 상의 제1위치좌표를 생성하고, 상기 사용자 분류모듈은 상기 관심사 카테고리 별로 상기 신경망 모델에 의해 설정된 평가기준에 대한 상기 사용자에 의해 업로드된 이미지 데이터 및 텍스트 데이터의 일치도인 제3 및 제4분류값을 산출하고, 산출된 상기 제3 및 제4분류값을 x축 좌표 및 y축 좌표로하는 평면좌표계 상의 제2위치좌표를 생성하고, 상기 팔로잉 추천모듈은 상기 사용자와 동일한 관심사 카테고리로 분류된 상기 정보제공자들 중 상기 제2위치좌표에 가장 인접된 상기 제1위치좌표를 갖는 정보제공자에 대한 정보를 상기 사용자에게 제공하는 것이 바람직하다.
한편, 본 발명에 따른 소셜 네트워크 서비스 팔로잉 추천 방법은 상기 소셜 네트워크 서비스 제공 서버에 연결된 수집모듈을 통해 사용자 및 다수의 정보제공자에 의해 업로드된 이미지 데이터 및 텍스트 데이터를 수집하는 수집단계와, 상기 수집단계를 통해 수집된 데이터들을 토대로 상기 사용자 및 다수의 정보제공자를 기설정된 관심사 카테고리 별로 분류하기 위한 신경망 모델을 구축하는 모델 구축 단계와, 정보제공자 분류모듈을 통해 상기 수집단계에서 수집된 데이터들 중 상기 정보제공자들에 의해 업로드된 데이터를 상기 신경망 모델에 적용하여 상기 관심사 카테고리 별로 상기 정보제공자들을 분류하는 정보제공자 분류단계와, 사용자 분류모듈을 통해 상기 수집단계에서 수집된 데이터들 중 상기 사용자에 의해 업로드된 데이터가 상기 신경망 모델에 적용되어 상기 관심사 카테고리들 중 상기 사용자에 해당하는 관심사 카테고리가 판별되는 사용자 분류단계와, 상기 정보제공자 분류단계 이후에, 상기 정보제공자 분류단계에서 상기 사용자와 동일한 관심사 카테고리로 분류된 상기 정보제공자의 정보를 상기 사용자에게 제공하는 추천단계를 포함한다.
상기 신경망 모델은 합성곱 신경망(CNN: Convolutional Neural Network) 모델이 적용된다.
상기 모델 구축 단계에서는, 상기 관심사 카테고리 별로 관리자에 의해 선정된 다수의 학습 데이터를 지도학습(Supervised Learning) 기법에 따라 처리하여 상기 신경망 모델을 구축할 수 있다.
상기 정보제공자 분류단계 및 팔로잉 추천단계 사이에, 상기 관심사 카테고리 별로 상기 신경망 모델에 의해 설정된 평가기준에 대한 상기 각 정보제공자에 의해 업로드된 이미지 데이터 및 텍스트 데이터의 일치도인 제1 및 제2분류값을 산출하는 제1분류값 산출단계를 더 포함할 수 있다.
또한, 본 발명에 따른 소셜 네트워크 서비스 팔로잉 추천 방법은 상기 사용자 분류단계 및 팔로잉 추천단계 사이에, 상기 관심사 카테고리 별로 상기 신경망 모델에 의해 설정된 평가기준에 대한 상기 사용자에 의해 업로드된 이미지 데이터 및 텍스트 데이터의 일치도인 제3 및 제4분류값을 산출하는 제2분류값 산출단계를 더 포함하고, 상기 추천단계는 상기 사용자와 동일한 관심사 카테고리로 분류된 상기 정보제공자들 중 상기 제3 및 제4분류값과 가장 유사한 상기 제1 및 제2분류값을 갖는 정보제공자에 대한 정보를 상기 사용자에게 제공한다.
한편, 소셜 네트워크 서비스 팔로잉 추천 방법은 상기 제1분류값 산출단계 및 추천단계 사이에, 상기 정보제공자 별로 상기 제1 및 제2분류값을 x축 좌표 및 y축 좌표로 하는 평면좌표계 상의 제1위치좌표를 생성하는 제1좌표 생성단계를 포함하고, 상기 사용자 분류단계 및 추천단계 사이에, 상기 관심사 카테고리 별로 상기 신경망 모델에 의해 설정된 평가기준에 대한 상기 사용자에 의해 업로드된 이미지 데이터 및 텍스트 데이터의 일치도인 제3 및 제4분류값을 산출하는 제2분류값 산출단계 및 상기 제2분류값 산출단계에서 산출된 제3 및 제4분류값을 x축 좌표 및 y축 좌표로하는 평면좌표계 상의 제2위치좌표를 생성하는 제2좌표 생성단계를 더 포함하고, 상기 추천단계는 상기 사용자와 동일한 관심사 카테고리로 분류된 상기 정보제공자들 중 상기 제2위치좌표에 가장 인접된 상기 제1위치좌표를 갖는 정보제공자에 대한 정보를 상기 사용자에게 제공할 수도 있다.
본 발명에 따른 소셜 네트워크 서비스 팔로잉 추천 시스템 및 이를 이용한 소셜 네트워크 서비스 팔로잉 추천 방법은 CNN 모델을 이용하여 사용자 및 정보제공자들이 업로드한 이미지 데이터 및 텍스트 데이터를 분석하여 사용자 및 정보제공자들을 관심사 별로 분류하고, 사용자에게 정보제공자를 추천할 수 있으므로 보다 정확하게 사용자와 관심사가 맞는 정보제공자를 추천할 수 있다는 장점이 있다.
도 1은 본 발명에 따른 소셜 네트워크 서비스 팔로잉 추천 시스템에 대한 블럭도이고,
도 2는 본 발명에 따른 소셜 네트워크 서비스 팔로잉 추천 시스템의 모델 구축 모듈이 이미지 데이터를 토대로 신경망 모델을 구축하는 방법에 대한 예시도이고,
도 3은 본 발명에 따른 소셜 네트워크 서비스 팔로잉 추천 시스템의 모델 구축 모듈이 텍스트 데이터를 토대로 신경망 모델을 구축하는 방법에 대한 예시도이고,
도 4는 본 발명에 따른 소셜 네트워크 서비스 팔로잉 추천 시스템의 팔로잉 추천 모듈의 정보제공자 추천 방법에 대한 예시도이고,
도 5는 본 발명에 따른 소셜 네트워크 서비스 팔로잉 추천 방법에 대한 순서도이다.
도 2는 본 발명에 따른 소셜 네트워크 서비스 팔로잉 추천 시스템의 모델 구축 모듈이 이미지 데이터를 토대로 신경망 모델을 구축하는 방법에 대한 예시도이고,
도 3은 본 발명에 따른 소셜 네트워크 서비스 팔로잉 추천 시스템의 모델 구축 모듈이 텍스트 데이터를 토대로 신경망 모델을 구축하는 방법에 대한 예시도이고,
도 4는 본 발명에 따른 소셜 네트워크 서비스 팔로잉 추천 시스템의 팔로잉 추천 모듈의 정보제공자 추천 방법에 대한 예시도이고,
도 5는 본 발명에 따른 소셜 네트워크 서비스 팔로잉 추천 방법에 대한 순서도이다.
이하, 첨부한 도면을 참조하여 본 발명의 실시예에 따른 소셜 네트워크 서비스 팔로잉 추천 시스템 및 이를 이용한 소셜 네트워크 서비스 팔로잉 추천 방법에 대해 상세히 설명한다. 본 발명은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 본문에 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다. 첨부된 도면에 있어서, 구조물들의 치수는 본 발명의 명확성을 기하기 위하여 실제보다 확대하여 도시한 것이다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
도 1에는 본 발명에 따른 소셜 네트워크 서비스 팔로잉 추천 시스템(10)이 도시되어 있다.
도면을 참조하면, 상기 소셜 네트워크 서비스 팔로잉 추천 시스템(10)은 수집모듈(20), 모델 구축 모듈(30), 사용자 분류모듈(40), 정보제공자 분류모듈(50) 및 팔로잉 추천모듈(60)을 구비한다.
수집모듈(20)은 소셜 네트워크 서비스 제공 서버로부터 사용자 및 다수의 정보제공자에 의해 업로드된 이미지 데이터 및 텍스트 데이터를 수집한다. 상기 소셜 네트워크 서비스는 인스타그램(instagram), 페이스북(facebook) 등과 같은 SNS가 적용된다. 수집모듈(20)은 무선 또는 유선을 통해 소셜 네트워크 서비스 제공 서버에 연결된다.
이때, 관리자는 수집모듈(20)을 통해 수집된 이미지 데이터 및 텍스트 데이터들 중에 기설정된 관심사 카테고리 별로 다수의 학습 데이터를 선정할 수 있다. 선정된 학습 데이터는 수집모듈(20)로부터 모델 구축 모듈(30)에 전송되며, 모델 구축 모듈(30)에 마련된 학습데이터 메모리(미도시)에 저장된다.
한편, 상기 관심사 카테고리는 DMOZ을 기반으로 재구성한 것으로서, 하기의 표1과 같다.
상기 관심사 카테고리에 대한 정보는 관리자에 의해 모델 구축 모듈(30)에 마련된 카테고리 메모리(31)에 저장되어 있다. 상기 관심사 카테고리에 대한 정보에는 각 카테고리 명칭 또는 각 카테고리에 대한 설명, 분류기준이 포함된다. 한편, 관심사 카테고리는 이에 한정하는 것이 아니라 사용되는 소셜 네트워크 서비스 종류나 주 사용자의 특성에 따라 다양하게 변경될 수도 있으며, 변경된 관심사 카테고리에 대한 정보는 관리자에 의해 카테고리 메모리(31)에 저장된다.
모델 구축 모듈(30)은 상기 수집모듈(20)을 통해 수집된 데이터들을 토대로 상기 사용자 및 다수의 정보제공자를 기설정된 관심사 카테고리 별로 분류하기 위한 신경망 모델을 구축한다. 이때, 상기 신경망 모델은 합성곱 신경망(CNN: Convolutional Neural Network) 모델이 적용되는데, 상기 CNN 모델은 복수의 연산 레이어(Convolutional Layer, pooling Layer)를 번갈아 수행하여 최종적으로는 입력 데이터의 특징을 추출하는 데 사용되는 계층 모델이다.
상기 모델 구축 모듈(30)은 수집모듈(20)로부터 전송되어 학습데이터 메모리에 저장된 학습 데이터를 지도학습(Supervised Learning) 기법에 따라 처리하여 상기 신경망 모델을 구축한다. 이때, 학습 데이터에는 이미지 데이터 및 텍스트 데이터가 포함된다.
도 2 및 도 3에는 모델 구축 모듈(30)이 각각 이미지 데이터 및 텍스트 데이터를 이용하여 신경망 모델을 구축하는 방법에 대한 예시도가 도시되어 있다. 도 2에 도시된 바와 같이 모델 구축 모듈(30)은 학습 데이터로 선정된 이미지 데이터의 특징 값을 추출하기 위한 컨볼루션 레이어(convolution layer)와, 이미지 데이터의 특징 값을 결합하여 특징 맵을 구성하는 풀링 레이어(pooling layer)를 수행하고, 각 레이어에서 추출한 특징 맵을 결합하여 이미지 분류를 위한 준비를 하는 풀리 컨넥티드 레이어(Fully Conected Layer)와, 이미지 분류를 하는 아웃풋 레이어(Output Layer)를 산출한다. 이때, 풀링 레이어(pooling layer)에서 Pooling을 하기 위한 방법으로 Max-Pooling 방법을 포함할 수 있으며, 아웃풋 레이어는 Softmax와 같은 분류기를 포함할 수 있다. 또한, 도 3에는 모델 구축 모듈(30)이 학습 데이터로 선정된 텍스트 데이터를 이용하여 학습하는 방법이 예시되어 있는데, 모델 구축 모듈(30)은 도 2의 이미지 데이터와 유사하게 특징 값을 추출하기 위한 컨볼루션 레이어(convolution layer), 풀링 레이어(pooling layer), 아웃풋 레이어(Output Layer)를 산출하여 사용한다. 이때, 도시된 예에서는 3개의 필터가 각 2,3,4의 크기를 갖고 있으며, 필터의 크기에 따라 특징 맵을 구성하고, Pooling을 통해 특징 맵을 축소시킨 후 Output Layer에서 텍스트 또는 이미지를 분류한다. 또한, 신경망 모델은 카테고리 메모리(31)에 저장된 관심사 카테고리 별로 평가기준을 선정한다.
정보제공자 분류모듈(50)은 상기 수집모듈(20)을 통해 수집된 데이터들 중 상기 정보제공자들에 의해 소셜 네트워크 서비스 제공 서버에 업로드된 데이터를 상기 신경망 모델에 적용하여 상기 관심사 카테고리 별로 상기 정보제공자들을 분류한다.
정보제공자 분류모듈(50)은 각 정보제공자 별로 업로드한 이미지 데이터 및 텍스트 데이터를 수집모듈(20)로부터 제공받아 신경망 모델을 적용하는데, 신경망 모델은 모델 구축 모듈(30)에서 학습 데이터를 이용하여 학습하는 방법과 유사한 방법으로 상기 이미지 데이터 및 텍스트 데이터를 분석한다.
이때, 정보제공자 분류모듈(50)은 각 정보제공자에 식별ID를 부여하고, 상기 관심사 카테고리 별로 상기 신경망 모델에 의해 설정된 평가기준에 대한 상기 각 정보제공자에 의해 업로드된 이미지 데이터 및 텍스트 데이터의 일치도인 제1 및 제2분류값을 산출한다. 즉, 정보제공자 분류모듈(50)은 정보제공자들의 이미지 데이터 및 텍스트 데이터를 신경망 모델이 설정한 관심사 카테고리의 평가기준과 비교하고, 평가기준에 대한 이미지 데이터 및 텍스트 데이터의 일치도를 산출하여 각각 제1분류값 및 제2분류값으로 설정한다. 이때, 제1분류값 및 제2분류값은 숫자의 형식을 갖는다.
또한, 정보제공자 분류모듈(50)은 상기 정보제공자 별로 상기 제1 및 제2분류값을 x축 좌표 및 y축 좌표로 하는 평면좌표계 상의 제1위치좌표를 생성하고, 각 정보제공자의 식별ID와 함께 제1위치좌표를 데이터 베이스(51)에 저장한다.
하기의 표2는 데이터 베이스(51)에 저장된 관심사 카테고리 별로 정리된 정보제공자의 식별ID 및 제1위치좌표에 대한 정보의 예시를 나타낸 것이다.
또한, 표2에서 괄호 안의 숫자가 각 정보제공자의 제1위치좌표이며, 괄호 앞의 문자가 각 정보제공자의 식별ID이다.
사용자 분류모듈(40)은 사용자 분류모듈(40)은 상기 수집모듈(20)을 통해 수집된 데이터들 중 상기 사용자에 의해 소셜 네트워크 서비스 제공 서버에 업로드된 데이터를 상기 신경망 모델에 적용하여 사용자가 해당하는 관심사 카테고리를 선정한다.
사용자 분류모듈(40)은 사용자가 업로드한 이미지 데이터 및 텍스트 데이터를 수집모듈(20)로부터 제공받아 신경망 모델을 적용하는데, 신경망 모델은 모델 구축 모듈(30)에서 학습 데이터를 이용하여 학습하는 방법과 유사한 방법으로 상기 이미지 데이터 및 텍스트 데이터를 분석한다.
이때, 사용자 분류모듈(40)은 사용자가 다수일 경우 각 사용자에 식별ID를 부여하고, 상기 관심사 카테고리 별로 상기 신경망 모델에 의해 설정된 평가기준에 대한 상기 각 사용자에 의해 업로드된 이미지 데이터 및 텍스트 데이터의 일치도인 제3 및 제4분류값을 산출한다. 즉, 사용자 분류모듈(40)은 사용자들의 이미지 데이터 및 텍스트 데이터를 신경망 모델이 설정한 관심사 카테고리의 평가기준과 비교하고, 상기 평가기준에 대한 이미지 데이터 및 텍스트 데이터의 일치도를 산출하여 각각 제3분류값 및 제4분류값으로 설정한다. 이때, 제3분류값 및 제4분류값은 숫자의 형식을 갖는다.
또한, 사용자 분류모듈(40)은 각 사용자 별로 상기 제3 및 제4분류값을 x축 좌표 및 y축 좌표로 하는 평면좌표계 상의 제2위치좌표를 생성하고, 각 사용자의 식별ID와 함께 제2위치좌표를 사용자 메모리(미도시)에 저장한다.
하기의 표3은 상기 사용자 메모리에 저장된 관심사 카테고리 별로 정리된 사용자들의 식별ID 및 제2위치좌표에 대한 정보의 예시를 나타낸 것이다.
또한, 표 3에서, ID 항목은 각 사용자의 식별아이디이고, Category는 각 사용자가 해당하는 관심사 카테고리이고, Score는 각 사용자의 제2위치좌표이다.
팔로잉 추천모듈(60)은 상기 정보제공자 분류모듈(50)을 통해 상기 사용자와 동일한 관심사 카테고리로 분류된 상기 정보제공자의 정보를 상기 사용자에게 제공한다. 이때, 팔로잉 추천모듈(60)은 상기 사용자와 동일한 관심사 카테고리로 분류된 상기 정보제공자들 중 상기 제3 및 제4분류값과 가장 유사한 상기 제1 및 제2분류값을 갖는 정보제공자에 대한 정보를 상기 사용자에게 제공하는데, 제1위치좌표 및 제2위치좌표를 사용하여 사용자와 유사한 정보제공자를 산출한다.
팔로잉 추천모듈(60)은 각 관심사 카테고리 별로 평면좌표 상에, 제1위치좌표 및 제2위치좌표를 토대로 해당 관심사 카테고리로 분류된 사용자들 및 정보제공자들을 표시하고, 각 사용자에 대해 가장 인접되게 위치한 정보제공자를 선정하며, 선정된 정보제공자의 정보를 해당 사용자에게 제공한다. 즉, 팔로잉 추천모듈(60)은 상기 사용자와 동일한 관심사 카테고리로 분류된 상기 정보제공자들 중 상기 제2위치좌표에 가장 인접된 상기 제1위치좌표를 갖는 정보제공자에 대한 정보를 상기 사용자에게 제공한다. 이때, 사용자에게 제공되는 정보제공자의 정보에는 사용자가 정보제공자를 등록할 수 있도록 소셜 네트워크 서비스에 등록된 정보제공자의 ID 또는 이메일 주소가 포함된다.
도 4에는 제1위치좌표 및 제2위치좌표를 토대로 'Arts' 관심사 카테고리에 분류된 정보제공자들과 사용자들을 평면좌표 상에 표시한 도표이다. 여기서, 회색점은 정보제공자이고, 검정색 점은 사용자이다. 팔로잉 추천모듈(60)은 사용자로부터 가장 인접된 거리에 위치한 정보제공자를 산출하여 사용자에게 해당 정보제공자의 정보를 제공한다.
한편, 도 5에는 본 발명에 따른 소셜 네트워크 서비스 팔로잉 추천 방법에 대한 순서도가 도시되어 있다.
도면을 참조하면, 상기 소셜 네트워크 서비스 팔로잉 추천 방법은 수집단계(S101), 모델 구축 단계(S102), 정보제공자 분류 단계(S103), 제1분류값 산출단계(S104), 제1좌표 생성단계(S105), 사용자 분류단계(S106), 제2분류값 산출단계(S107), 제2좌표 생성단계(S108) 및 추천단계(S109)를 포함한다.
수집단계(S101)는 상기 소셜 네트워크 서비스 제공 서버에 연결된 수집모듈(20)을 통해 사용자 및 다수의 정보제공자에 의해 업로드된 이미지 데이터 및 텍스트 데이터를 수집하는 단계이다. 관리자는 수집모듈(20)을 무선 또는 유선을 통해 소셜 네트워크 서비스 제공 서버에 연결하면, 수집모듈(20)은 소셜 네트워크 서비스 제공 서버로부터 업로드된 이미지 데이터 및 텍스트 데이터를 수집한다. 이때, 관리자는 수집모듈(20)을 통해 수집된 이미지 데이터 및 텍스트 데이터들 중에 기설정된 관심사 카테고리 별로 다수의 학습 데이터를 선정할 수 있다.
모델 구축 단계(S102)는 상기 수집단계(S101)를 통해 수집된 데이터들을 토대로 상기 사용자 및 다수의 정보제공자를 기설정된 관심사 카테고리 별로 분류하기 위한 신경망 모델을 구축하는 단계이다. 모델 구축 모듈(30)은 상술된 바와 같이 학습 데이터를 지도학습 기법을 통해 처리하여 CNN모델인 신경망 모델을 구축한다.
정보제공자 분류 단계(S103)는 정보제공자 분류모듈(50)을 통해 상기 수집단계(S101)에서 수집된 데이터들 중 상기 정보제공자들에 의해 업로드된 데이터를 상기 신경망 모델에 적용하여 상기 관심사 카테고리 별로 상기 정보제공자들을 분류하는 단계이다. 정보제공자 분류모듈(50)은 각 정보제공자 별로 업로드한 이미지 데이터 및 텍스트 데이터를 수집모듈(20)로부터 제공받아 신경망 모델을 적용하는데, 신경망 모델은 모델 구축 모듈(30)에서 학습 데이터를 이용하여 학습하는 방법과 유사한 방법으로 상기 이미지 데이터 및 텍스트 데이터를 분석하여 정보제공자들을 각 관심사 카테고리 별로 분류한다.
제1분류값 산출단계(S104)는 상기 정보제공자 분류 단계(S103) 이후에, 상기 관심사 카테고리 별로 상기 신경망 모델에 의해 설정된 평가기준에 대한 상기 각 정보제공자에 의해 업로드된 이미지 데이터 및 텍스트 데이터의 일치도인 제1 및 제2분류값을 산출하는 단계이다. 정보제공자 분류모듈(50)은 상술된 바와 같이 정보제공자들의 이미지 데이터 및 텍스트 데이터를 신경망 모델이 설정한 관심사 카테고리의 평가기준과 비교하고, 평가기준에 대한 이미지 데이터 및 텍스트 데이터의 일치도를 산출하여 각각 제1분류값 및 제2분류값으로 설정한다.
제1좌표 생성단계(S105)는 상기 제1분류값 산출단계(S104) 및 추천단계(S109) 사이에, 상기 정보제공자 별로 상기 제1 및 제2분류값을 x축 좌표 및 y축 좌표로 하는 평면좌표계 상의 제1위치좌표를 생성하는 단계이다. 정보제공자 분류모듈(50)은 각 정보제공자 별로 제1 및 제2분류값이 설정되면, 상기 제1 및 제2분류값을 토대로 제1위치좌표를 생성한다. 이때, 정보제공자 분류모듈(50)은 정보제공자의 식별ID와 함께 제1위치좌표를 데이터 베이스(51)에 저장한다.
사용자 분류단계(S106)는 사용자 분류모듈(40)을 통해 상기 수집단계(S101)에서 수집된 데이터들 중 상기 사용자에 의해 업로드된 데이터가 상기 신경망 모델에 적용되어 상기 관심사 카테고리들 중 상기 사용자에 해당하는 관심사 카테고리가 판별되는 단계이다.
사용자 분류모듈(40)은 사용자가 업로드한 이미지 데이터 및 텍스트 데이터를 수집모듈(20)로부터 제공받아 신경망 모델을 적용하는데, 신경망 모델은 모델 구축 모듈(30)에서 학습 데이터를 이용하여 학습하는 방법과 유사한 방법으로 상기 이미지 데이터 및 텍스트 데이터를 분석하여 사용자들을 각 관심사 카테고리 별로 분류한다.
제2분류값 산출단계(S107)는 상기 사용자 분류단계(S106) 이후에, 상기 관심사 카테고리 별로 상기 신경망 모델에 의해 설정된 평가기준에 대한 상기 사용자에 의해 업로드된 이미지 데이터 및 텍스트 데이터의 일치도인 제3 및 제4분류값을 산출하는 단계이다. 사용자 분류모듈(40)은 상술된 바와 같이 사용자들의 이미지 데이터 및 텍스트 데이터를 신경망 모델이 설정한 관심사 카테고리의 평가기준과 비교하고, 평가기준에 대한 이미지 데이터 및 텍스트 데이터의 일치도를 산출하여 각각 제3분류값 및 제4분류값으로 설정한다.
제2좌표 생성단계(S108)는 상기 제2분류값 산출단계(S107)에서 산출된 제3 및 제4분류값을 x축 좌표 및 y축 좌표로하는 평면좌표계 상의 제2위치좌표를 생성하는 단계이다. 사용자자 분류모듈은 각 사용자 별로 제3 및 제4분류값이 설정되면, 상기 제3 및 제4분류값을 토대로 제2위치좌표를 생성한다. 이때, 사용자 분류모듈(40)은 사용자의 식별ID와 함께 제2위치좌표를 사용자 메모리에 저장한다.
추천단계(S109)는 상기 정보제공자 분류 단계(S103) 이후에, 상기 정보제공자 분류 단계(S103)에서 상기 사용자와 동일한 관심사 카테고리로 분류된 상기 정보제공자의 정보를 상기 사용자에게 제공하는 단계이다. 이때, 추천단계(S109)에서는 상기 사용자와 동일한 관심사 카테고리로 분류된 상기 정보제공자들 중 상기 제3 및 제4분류값과 가장 유사한 상기 제1 및 제2분류값을 갖는 정보제공자에 대한 정보를 상기 사용자에게 제공하는데, 여기서, 제1위치좌표 및 제2위치좌표가 이용된다.
팔로잉 추천모듈(60)은 상술된 바와 같이 각 관심사 카테고리 별로 평면좌표 상에 제1위치좌표 및 제2위치좌표를 토대로 해당 관심사 카테고리로 분류된 사용자들 및 정보제공자들을 표시하고, 각 사용자에 대해 가장 인접되게 위치한 정보제공자를 선정하며, 선정된 정보제공자의 정보를 해당 사용자에게 제공한다. 즉, 추천단계(S109)에서, 팔로잉 추천모듈(60)은 상기 사용자와 동일한 관심사 카테고리로 분류된 상기 정보제공자들 중 상기 제2위치좌표에 가장 인접된 상기 제1위치좌표를 갖는 정보제공자에 대한 정보를 상기 사용자에게 제공한다.
상술된 바와 같이 구성된 본 발명에 다른 소셜 네트워크 서비스 팔로잉 추천 시스템(10) 및 이를 이용한 소셜 네트워크 서비스 팔로잉 추천 방법은 CNN 모델을 이용하여 사용자 및 정보제공자들이 업로드한 이미지 데이터 및 텍스트 데이터를 분석하여 사용자 및 정보제공자들을 관심사 별로 분류하고, 사용자에게 정보제공자를 추천할 수 있으므로 보다 정확하게 사용자와 관심사가 맞는 정보제공자를 추천할 수 있다는 장점이 있다.
제시된 실시예들에 대한 설명은 임의의 본 발명의 기술분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 발명의 기술 분야에서 통상의 지식을 가진자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 발명의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의 범위에서 해석되어야 할 것이다.
10: 소셜 네트워크 서비스 팔로잉 추천 시스템
20: 수집모듈
30: 모델 구축 모듈
31: 카테고리 메모리
40: 사용자 분류모듈
50: 정보제공자 분류모듈
51: 데이터 베이스
60: 팔로잉 추천모듈
S101: 수집단계
S102: 모델 구축 단계
S103: 정보제공자 분류 단계
S104: 제1분류값 산출단계
S105: 제1좌표 생성단계
S106: 사용자 분류단계
S107: 제2분류값 산출단계
S108: 제2좌표 생성단계
S109: 추천단계
20: 수집모듈
30: 모델 구축 모듈
31: 카테고리 메모리
40: 사용자 분류모듈
50: 정보제공자 분류모듈
51: 데이터 베이스
60: 팔로잉 추천모듈
S101: 수집단계
S102: 모델 구축 단계
S103: 정보제공자 분류 단계
S104: 제1분류값 산출단계
S105: 제1좌표 생성단계
S106: 사용자 분류단계
S107: 제2분류값 산출단계
S108: 제2좌표 생성단계
S109: 추천단계
Claims (12)
- 소셜 네트워크 서비스 제공 서버로부터 사용자 및 다수의 정보제공자에 의해 업로드된 이미지 데이터 및 텍스트 데이터를 수집하는 수집모듈;
상기 수집모듈에서 제공된 이미지 데이터 및 텍스트 데이터에서 각각 특징값을 추출하고, 추출된 상기 이미지 데이터 및 텍스트 데이터의 특징 값을 이용하여 상기 사용자 및 다수의 정보제공자를 기설정된 관심사 카테고리 별로 분류하기 위한 신경망 모델을 구축하는 모델 구축 모듈;
상기 수집모듈을 통해 수집된 데이터들 중 상기 사용자에 의해 업로드된 이미지 데이터 및 텍스트 데이터를 상기 신경망 모델에 적용하여 상기 관심사 카테고리들 중 상기 사용자에 해당하는 관심사 카테고리를 판별하는 사용자 분류모듈;
상기 수집모듈을 통해 수집된 데이터들 중 상기 정보제공자들에 의해 업로드된 이미지 데이터 및 텍스트 데이터를 상기 신경망 모델에 적용하여 상기 관심사 카테고리 별로 상기 정보제공자들을 분류하는 정보제공자 분류모듈; 및
상기 정보제공자 분류모듈을 통해 상기 사용자와 동일한 관심사 카테고리로 분류된 상기 정보제공자의 정보를 상기 사용자에게 제공하는 팔로잉 추천모듈;을 구비하고,
상기 정보제공자 분류모듈은 상기 관심사 카테고리 별로 상기 신경망 모델에 의해 설정된 평가기준에 대한 상기 각 정보제공자에 의해 업로드된 이미지 데이터 및 텍스트 데이터의 일치도인 제1 및 제2분류값을 산출하고, 상기 정보제공자 별로 상기 제1 및 제2분류값을 x축 좌표 및 y축 좌표로 하는 평면좌표계 상의 제1위치좌표를 생성하고,
상기 사용자 분류모듈은 상기 관심사 카테고리 별로 상기 신경망 모델에 의해 설정된 평가기준에 대한 상기 사용자에 의해 업로드된 이미지 데이터 및 텍스트 데이터의 일치도인 제3 및 제4분류값을 산출하고, 산출된 상기 제3 및 제4분류값을 x축 좌표 및 y축 좌표로하는 평면좌표계 상의 제2위치좌표를 생성하고,
상기 팔로잉 추천모듈은 상기 사용자와 동일한 관심사 카테고리로 분류된 상기 정보제공자들 중 상기 제2위치좌표에 가장 인접된 상기 제1위치좌표를 갖는 정보제공자에 대한 정보를 상기 사용자에게 제공하는,
소셜 네트워크 서비스 팔로잉 추천 시스템.
- 제1항에 있어서,
상기 신경망 모델은 합성곱 신경망(CNN: Convolutional Neural Network) 모델인,
소셜 네트워크 서비스 팔로잉 추천 시스템.
- 제1항 또는 제2항에 있어서,
상기 모델 구축 모듈은 상기 관심사 카테고리 별로 관리자에 의해 선정된 다수의 학습 데이터를 지도학습(Supervised Learning) 기법에 따라 처리하여 상기 신경망 모델을 구축하는,
소셜 네트워크 서비스 팔로잉 추천 시스템.
- 삭제
- 삭제
- 삭제
- 소셜 네트워크 서비스 제공 서버에 연결된 수집모듈을 통해 사용자 및 다수의 정보제공자에 의해 업로드된 이미지 데이터 및 텍스트 데이터를 수집하는 수집단계;
상기 수집단계를 통해 수집된 데이터들을 토대로 상기 사용자 및 다수의 정보제공자를 기설정된 관심사 카테고리 별로 분류하기 위한 신경망 모델을 구축하는 모델 구축 단계;
정보제공자 분류모듈을 통해 상기 수집단계에서 수집된 데이터들 중 상기 정보제공자들에 의해 업로드된 이미지 데이터 및 텍스트 데이터를 상기 신경망 모델에 적용하여 상기 관심사 카테고리 별로 상기 정보제공자들을 분류하는 정보제공자 분류단계;
상기 정보제공자 분류단계 이후에, 상기 관심사 카테고리 별로 상기 신경망 모델에 의해 설정된 평가기준에 대한 상기 각 정보제공자에 의해 업로드된 이미지 데이터 및 텍스트 데이터의 일치도인 제1 및 제2분류값을 산출하는 제1분류값 산출단계;
상기 제1분류값 산출단계 이후에, 상기 정보제공자 별로 상기 제1 및 제2분류값을 x축 좌표 및 y축 좌표로 하는 평면좌표계 상의 제1위치좌표를 생성하는 제1좌표 생성단계;
사용자 분류모듈을 통해 상기 수집단계에서 수집된 데이터들 중 상기 사용자에 의해 업로드된 이미지 데이터 및 텍스트 데이터가 상기 신경망 모델에 적용되어 상기 관심사 카테고리들 중 상기 사용자에 해당하는 관심사 카테고리가 판별되는 사용자 분류단계;
상기 사용자 분류단계 이후에, 상기 관심사 카테고리 별로 상기 신경망 모델에 의해 설정된 평가기준에 대한 상기 사용자에 의해 업로드된 이미지 데이터 및 텍스트 데이터의 일치도인 제3 및 제4분류값을 산출하는 제2분류값 산출단계; 및
상기 제2분류값 산출단계에서 산출된 제3 및 제4분류값을 x축 좌표 및 y축 좌표로하는 평면좌표계 상의 제2위치좌표를 생성하는 제2좌표 생성단계; 및
상기 정보제공자 분류단계에서 상기 사용자와 동일한 관심사 카테고리로 분류된 상기 정보제공자의 정보를 상기 사용자에게 제공하는 추천단계;를 포함하고,
상기 추천단계에서는 상기 사용자와 동일한 관심사 카테고리로 분류된 상기 정보제공자들 중 상기 제2위치좌표에 가장 인접된 상기 제1위치좌표를 갖는 정보제공자에 대한 정보를 상기 사용자에게 제공하는,
소셜 네트워크 서비스 팔로잉 추천 방법.
- 제7항에 있어서,
상기 신경망 모델은 합성곱 신경망(CNN: Convolutional Neural Network) 모델인,
소셜 네트워크 서비스 팔로잉 추천 방법.
- 제7항 또는 제8항에 있어서,
상기 모델 구축 단계에서는, 상기 관심사 카테고리 별로 관리자에 의해 선정된 다수의 학습 데이터를 지도학습(Supervised Learning) 기법에 따라 처리하여 상기 신경망 모델을 구축하는,
소셜 네트워크 서비스 팔로잉 추천 방법.
- 삭제
- 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170074867A KR101872733B1 (ko) | 2017-06-14 | 2017-06-14 | 소셜 네트워크 서비스 팔로잉 추천 시스템 및 이를 이용한 소셜 네트워크 팔로잉 추천 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170074867A KR101872733B1 (ko) | 2017-06-14 | 2017-06-14 | 소셜 네트워크 서비스 팔로잉 추천 시스템 및 이를 이용한 소셜 네트워크 팔로잉 추천 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR101872733B1 true KR101872733B1 (ko) | 2018-06-29 |
Family
ID=62780992
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170074867A KR101872733B1 (ko) | 2017-06-14 | 2017-06-14 | 소셜 네트워크 서비스 팔로잉 추천 시스템 및 이를 이용한 소셜 네트워크 팔로잉 추천 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101872733B1 (ko) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109299327A (zh) * | 2018-11-16 | 2019-02-01 | 广州市百果园信息技术有限公司 | 视频推荐方法、装置、设备及存储介质 |
| KR102113969B1 (ko) * | 2019-10-28 | 2020-06-02 | 이화여자대학교 산학협력단 | 공간 정보 딥러닝 기술을 활용한 관광 목적 sns 이미지 데이터 분류의 정확도 향상 방법, 이를 수행하기 위한 기록 매체 및 장치 |
| KR20200082136A (ko) * | 2018-12-28 | 2020-07-08 | 아주대학교산학협력단 | 온라인 데이터에 기반한 사용자 성 정체성 예측 장치 및 방법 |
| WO2020145571A3 (ko) * | 2019-01-07 | 2020-09-03 | 주식회사 제네시스랩 | 면접영상 자동평가모델을 관리하는 방법, 시스템 및 컴퓨터-판독가능 매체 |
| KR20220014499A (ko) * | 2020-07-29 | 2022-02-07 | 백석대학교산학협력단 | Cnn 학습 방식을 이용한 사용자 경험 기반 취향관계망 생성 시스템 |
| CN114677234A (zh) * | 2022-04-26 | 2022-06-28 | 河南大学 | 一种融合多通道注意力机制的图卷积神经网络社交推荐方法及系统 |
| KR102632850B1 (ko) * | 2023-10-04 | 2024-02-02 | 주식회사 릴리즈 | 사진 또는 영상 인증에 기반하여 리워드를 제공하는 전자 장치 및 전자 장치의 동작 방법 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101356948B1 (ko) | 2012-04-17 | 2014-01-29 | 한국과학기술원 | Ｓｎｓ에서 사회적 이웃의 관심사와 사회적 활동의 토픽을 통해 사용자 관심사를 추론하는 방법 및 그 시스템 |
| KR20140026305A (ko) * | 2012-08-24 | 2014-03-05 | 삼성전자주식회사 | 친구 추천 방법 및 이를 위한 서버 및 단말 |
| KR101657495B1 (ko) * | 2015-09-04 | 2016-09-30 | (주)한국플랫폼서비스기술 | 딥러닝 분석을 위한 모듈화시스템 및 이를 이용한 영상 인식 방법 |
| KR20170050215A (ko) * | 2015-10-30 | 2017-05-11 | 양승준 | 인사데이터의 분석을 통한 특정행위 발생 예측방법 및 예측프로그램 |
-
2017
- 2017-06-14 KR KR1020170074867A patent/KR101872733B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101356948B1 (ko) | 2012-04-17 | 2014-01-29 | 한국과학기술원 | Ｓｎｓ에서 사회적 이웃의 관심사와 사회적 활동의 토픽을 통해 사용자 관심사를 추론하는 방법 및 그 시스템 |
| KR20140026305A (ko) * | 2012-08-24 | 2014-03-05 | 삼성전자주식회사 | 친구 추천 방법 및 이를 위한 서버 및 단말 |
| KR101657495B1 (ko) * | 2015-09-04 | 2016-09-30 | (주)한국플랫폼서비스기술 | 딥러닝 분석을 위한 모듈화시스템 및 이를 이용한 영상 인식 방법 |
| KR20170050215A (ko) * | 2015-10-30 | 2017-05-11 | 양승준 | 인사데이터의 분석을 통한 특정행위 발생 예측방법 및 예측프로그램 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109299327A (zh) * | 2018-11-16 | 2019-02-01 | 广州市百果园信息技术有限公司 | 视频推荐方法、装置、设备及存储介质 |
| KR20200082136A (ko) * | 2018-12-28 | 2020-07-08 | 아주대학교산학협력단 | 온라인 데이터에 기반한 사용자 성 정체성 예측 장치 및 방법 |
| KR102210772B1 (ko) * | 2018-12-28 | 2021-02-01 | 아주대학교산학협력단 | 온라인 데이터에 기반한 사용자 성 정체성 예측 장치 및 방법 |
| WO2020145571A3 (ko) * | 2019-01-07 | 2020-09-03 | 주식회사 제네시스랩 | 면접영상 자동평가모델을 관리하는 방법, 시스템 및 컴퓨터-판독가능 매체 |
| KR102113969B1 (ko) * | 2019-10-28 | 2020-06-02 | 이화여자대학교 산학협력단 | 공간 정보 딥러닝 기술을 활용한 관광 목적 sns 이미지 데이터 분류의 정확도 향상 방법, 이를 수행하기 위한 기록 매체 및 장치 |
| KR102141777B1 (ko) * | 2019-10-28 | 2020-08-05 | 이화여자대학교 산학협력단 | 합성곱 신경망을 활용한 sns 이미지 데이터의 관광 목적 분류 및 관광객별 선호도 분석 방법, 이를 수행하기 위한 기록 매체 및 장치 |
| KR20220014499A (ko) * | 2020-07-29 | 2022-02-07 | 백석대학교산학협력단 | Cnn 학습 방식을 이용한 사용자 경험 기반 취향관계망 생성 시스템 |
| KR102442988B1 (ko) * | 2020-07-29 | 2022-09-13 | 백석대학교산학협력단 | Cnn 학습 방식을 이용한 사용자 경험 기반 취향관계망 생성 시스템 |
| CN114677234A (zh) * | 2022-04-26 | 2022-06-28 | 河南大学 | 一种融合多通道注意力机制的图卷积神经网络社交推荐方法及系统 |
| CN114677234B (zh) * | 2022-04-26 | 2024-04-30 | 河南大学 | 一种融合多通道注意力机制的图卷积神经网络社交推荐方法及系统 |
| KR102632850B1 (ko) * | 2023-10-04 | 2024-02-02 | 주식회사 릴리즈 | 사진 또는 영상 인증에 기반하여 리워드를 제공하는 전자 장치 및 전자 장치의 동작 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101872733B1 (ko) | 소셜 네트워크 서비스 팔로잉 추천 시스템 및 이를 이용한 소셜 네트워크 팔로잉 추천 방법 | |
| Liu et al. | Visual listening in: Extracting brand image portrayed on social media | |
| Ahmad et al. | Personality assessment using Twitter tweets | |
| Sultana et al. | Social behavioral information fusion in multimodal biometrics | |
| CN107894998B (zh) | 视频推荐方法及装置 | |
| Siddiqi et al. | Depth camera-based facial expression recognition system using multilayer scheme | |
| CN106055710A (zh) | 基于视频的商品推荐方法及装置 | |
| CN110750656A (zh) | 一种基于知识图谱的多媒体检测方法 | |
| CN103984775A (zh) | 一种推荐好友的方法和设备 | |
| CN108959323B (zh) | 视频分类方法和装置 | |
| CN101460942A (zh) | 使用感情偏好进行电脑化搜索及匹配的方法及系统 | |
| CN103324636A (zh) | 在社交网络中推荐好友的系统和方法 | |
| Bedeli et al. | Clothing identification via deep learning: forensic applications | |
| CN104423945B (zh) | 一种信息处理方法及电子设备 | |
| Hong et al. | CNN‐based malicious user detection in social networks | |
| Shin et al. | Detection of emotion using multi-block deep learning in a self-management interview app | |
| Iloanusi et al. | Gender classification from fused multi-fingerprint types | |
| Jiang et al. | Camera fingerprint: A new perspective for identifying user's identity | |
| Hermosilla et al. | An enhanced representation of thermal faces for improving local appearance-based face recognition | |
| CN112466435A (zh) | 心理辅导方案的确定方法及装置、存储介质、电子装置 | |
| Shukla et al. | An Efficient Approach of Face Detection and Prediction of Drowsiness Using SVM | |
| CN116958729A (zh) | 对象分类模型的训练、对象分类方法、装置及存储介质 | |
| Arya et al. | Predicting behavioural patterns in discussion forums using deep learning on hypergraphs | |
| Sultana | Multimodal Person Recognition using Social Behavioral Biometric. | |
| Morshed et al. | Customer’s spontaneous facial expression recognition |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |