KR101984287B1 - 온라인 강의 추천 시스템 및 방법 - Google Patents

온라인 강의 추천 시스템 및 방법 Download PDF

Info

Publication number
KR101984287B1
KR101984287B1 KR1020170169392A KR20170169392A KR101984287B1 KR 101984287 B1 KR101984287 B1 KR 101984287B1 KR 1020170169392 A KR1020170169392 A KR 1020170169392A KR 20170169392 A KR20170169392 A KR 20170169392A KR 101984287 B1 KR101984287 B1 KR 101984287B1
Authority
KR
South Korea
Prior art keywords
lecture
information
data
data corresponding
history information
Prior art date
Application number
KR1020170169392A
Other languages
English (en)
Inventor
성상욱
Original Assignee
성상욱
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 성상욱 filed Critical 성상욱
Priority to KR1020170169392A priority Critical patent/KR101984287B1/ko
Application granted granted Critical
Publication of KR101984287B1 publication Critical patent/KR101984287B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Finance (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Multimedia (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 사용자의 기억 능력을 고려하여 사용자가 수강한 강의에 포함된 표현과 유사한 표현을 갖는 강의를 주기적 및 지속적으로 사용자에게 추천 및 제공하는 온라인 강의 추천 시스템 및 방법에 관한 것이다. 본 발명의 일 실시예는, 사용자의 수강 이력 정보가 저장된 수강 이력 서버 및 기 생성된 강의 데이터가 저장된 강의 서버와 통신이 가능한 온라인 강의 추천 시스템에 있어서, 상기 수강 이력 서버로부터 상기 사용자의 수강 이력 정보를 전송 받는 입력부, 상기 수강 이력 정보에 대응되는 강의 데이터에 포함된 소리 데이터를 분석하여 상기 수강 이력 정보에 대응되는 강의 데이터의 중요 표현 정보를 생성하는 소리 데이터 분석부, 상기 중요 표현 정보와 대응되는 강의 데이터를 상기 강의 서버에서 검색하는 검색부, 상기 검색부를 통해 검색된 강의 데이터에 포함된 소리 데이터와, 상기 중요 표현 정보를 비교하여 상기 검색부를 통해 검색된 강의 데이터의 표현 관련도 정보를 생성하는 관련도 분석부, 그리고, 상기 표현 관련도 정보를 토대로 하나 이상의 강의 정보가 포함된 추천 강의 리스트 정보를 생성하는 제 1 리스트 생성부를 포함하는 온라인 강의 추천 시스템을 제공한다.

Description

온라인 강의 추천 시스템 및 방법{SYSTEM AND METHOD FOR RECOMMENDING ONLINE LECTURE}
본 발명은 사용자의 기억 능력을 고려하여 사용자가 수강한 강의에 포함된 표현과 유사한 표현을 갖는 강의를 주기적 및 지속적으로 사용자에게 추천 및 제공하는 온라인 강의 추천 시스템 및 방법에 관한 것이다.
인터넷 기술이 발달함에 따라 오프라인으로만 제공되었던 강의는 인터넷을 통해서도 사용자에게 보급되기 시작하였다. 인터넷을 통해 제공되는 강의를 온라인 강의라고 하는데, 온라인 강의는 사용자가 원하는 시간과 장소에서 수강할 수 있는 장점 있고, 오프라인 강의에 비해 상대적으로 저렴한 수강료를 요구한다.
최근 온라인 강의는 남녀노소를 불만하고 다양한 연령층에 의해 많이 이용되고 있으며, 특히 언어 공부를 위한 온라인 강의의 수요가 계속해서 증대되고 있다.
한편, 언어 공부를 효과적으로 하기 위해서는 반복 학습이 중요하다. 그러나, 언어 공부를 위한 온라인 강의의 경우 사용자가 미리 설정된 수강 가능 기간 내에 온라인 강의 제공자가 제공하는 강의들을 보거나 들어야만 하는 구조가 대부분이므로, 온라인 강의의 수강 가능 기간이 도과하면 사용자의 학습 성취도가 급격하게 감소하게 된다.
다시 말해, 사용자가 온라인 강의를 통해 학습한 언어 표현은 온라인 강의의 수강 가능 기간이 끝난 후에도 일정 기간 내에 재학습 또는 반복 학습을 수행해야만 오래 기억될 수 있으나, 종래의 온라인 강의는 일정 기간 동안만 강의를 보거나 들을 수 있게 하는 일회성 상품이므로, 이러한 현실을 반영하지 못한 문제점이 있다.
따라서, 사용자의 기억 능력을 고려하여 사용자가 수강한 강의에 포함된 언어 표현과 유사한 표현이 포함된 강의를 일정한 기간을 두고 사용자에게 제공 및 추천하여 사용자가 수강할 수 있도록 하는 시스템의 필요성이 대두된다.
대한민국 공개특허공보 제10-2017-0100265 (2017. 09. 04)
본 발명은 상기한 문제점을 해결하기 위해 안출된 것으로, 본 발명이 이루고자 하는 기술적 과제는 사용자의 기억 능력을 고려하여 사용자가 수강한 강의에 포함된 표현과 유사한 표현을 갖는 강의를 주기적 및 지속적으로 사용자에게 추천 및 제공하는 온라인 강의 추천 시스템 및 방법을 제공하는 것이다.
본 발명이 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상기 기술적 과제를 해결하기 위해 본 발명의 일 실시예는, 사용자의 수강 이력 정보가 저장된 수강 이력 서버 및 기 생성된 강의 데이터가 저장된 강의 서버와 통신이 가능한 온라인 강의 추천 시스템에 있어서, 상기 수강 이력 서버로부터 상기 사용자의 수강 이력 정보를 전송 받는 입력부, 상기 수강 이력 정보에 대응되는 강의 데이터에 포함된 소리 데이터를 분석하여 상기 수강 이력 정보에 대응되는 강의 데이터의 중요 표현 정보를 생성하는 소리 데이터 분석부, 상기 중요 표현 정보와 대응되는 강의 데이터를 상기 강의 서버에서 검색하는 검색부, 상기 검색부를 통해 검색된 강의 데이터에 포함된 소리 데이터와, 상기 중요 표현 정보를 비교하여 상기 검색부를 통해 검색된 강의 데이터의 표현 관련도 정보를 생성하는 관련도 분석부, 그리고, 상기 표현 관련도 정보를 토대로 하나 이상의 강의 정보가 포함된 추천 강의 리스트 정보를 생성하는 제 1 리스트 생성부를 포함하는 온라인 강의 추천 시스템을 제공한다.
본 발명의 일 실시예에 있어서, 상기 수강 이력 정보는 복수개이고, 상기 수강 이력 정보에 대응되는 강의 데이터는, 상기 복수개의 수강 이력 정보 각각에 대응되는 강의 데이터들이며, 상기 수강 이력 정보에 대응되는 강의 데이터의 중요 표현 정보는, 상기 복수개의 수강 이력 정보 각각에 대응되는 강의데이터들 각각의 중요 표현 정보이고, 상기 중요 표현 정보와 대응되는 강의 데이터는, 상기 복수개의 수강 이력 정보 각각에 대응되는 강의데이터들 각각의 중요 표현 정보와 대응되는 강의 데이터들이며, 상기 검색부를 통해 검색된 강의 데이터의 표현 관련도 정보는, 상기 복수개의 수강 이력 정보 각각에 대응되는 강의데이터들 각각의 중요 표현 정보와, 상기 복수개의 수강 이력 정보 각각에 대응되는 강의데이터들 각각의 중요 표현 정보에 대응되는 상기 검색부를 통해 검색된 강의 데이터들 각각의 소리 데이터를 비교하여 생성된 복수개의 표현 관련도 정보일 수 있다.
본 발명의 일 실시예에 있어서, 상기 사용자에 대해 기 설정된 망각일 데이터와 상기 복수개의 수강 이력 정보 각각에 대응되는 강의 데이터들 각각의 최후 수강 날짜 데이터를 토대로 상기 복수개의 수강 이력 정보 각각에 대응되는 강의 데이터들 각각의 가중치 값을 산출하는 가중치 산출부 및 상기 추천 강의 리스트 정보 및 상기 가중치 값을 토대로 최종 강의 리스트 정보를 생성하는 제2 리스트 생성부를 더 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 제 2 리스트 생성부는, 상기 복수개의 수강 이력 정보 각각에 대응되는 강의 데이터들 각각의 가중치 값의 크기에 따라 상기 추천 강의 리스트 정보에 포함된 하나 이상의 강의 정보가 순차적으로 배열된 형태의 최종 강의 리스트 정보를 생성할 수 있다.
본 발명의 일 실시예에 있어서, 상기 소리 데이터 분석부는, 상기 수강 이력 정보에 대응되는 강의 데이터에 포함된 소리 데이터 중 반복되는 복수개의 표현 데이터를 추출하고, 상기 반복되는 복수개의 표현 데이터 및 상기 복수개의 표현 데이터 각각의 반복 횟수를 토대로 상기 강의 데이터의 중요 표현 정보를 복수개 생성할 수 있다.
본 발명의 일 실시예에 있어서, 상기 중요 표현 정보와 대응되는 강의 데이터는, 상기 강의 서버에 저장된 강의 데이터 중 상기 중요 표현 정보와 대응되는 소리 데이터를 기 지정된 횟수 이상 포함하는 강의 데이터일 수 있다.
본 발명의 일 실시예에 있어서, 상기 가중치 값은, 현재 날짜 데이터의 수치에서 상기 수강 이력 정보에 대응되는 강의 데이터의 최후 수강 날짜 데이터의 수치를 뺀 차이값이 상기 기 설정된 망각일 데이터의 수치에 가까울수록 클 수 있다.
본 발명의 일 실시예에 있어서, 상기 최종 강의 리스트 정보를 포함한 광고 정보를 상기 사용자의 단말기로 전송하는 출력부를 더 포함하되, 상기 광고 정보는 푸쉬메세지, 이메일 및 뉴스레터 중 어느 하나의 형태로 형성될 수 있다.
또한, 상기 기술적 과제를 해결하기 위해 본 발명의 다른 실시예는, 사용자의 수강 이력 정보가 저장된 수강 이력 서버 및 기 생성된 강의 데이터가 저장된 강의 서버와 통신이 가능한 온라인 강의 추천 시스템을 이용한 온라인 강의 추천 방법에 있어서, 상기 온라인 강의 추천 시스템이 상기 수강 이력 서버로부터 상기 사용자의 수강 이력 정보를 전송 받는 단계, 상기 온라인 강의 추천 시스템이 상기 수강 이력 정보에 대응되는 강의 데이터에 포함된 소리 데이터를 분석하여 상기 수강 이력 정보에 대응되는 강의 데이터의 중요 표현 정보를 생성하는 소리 데이터 분석 단계, 상기 온라인 강의 추천 시스템이 상기 중요 표현 정보와 대응되는 강의 데이터를 상기 강의 서버에서 검색하는 검색 단계, 상기 온라인 강의 추천 시스템이 상기 검색 단계를 통해 검색된 강의 데이터에 포함된 소리 데이터와, 상기 중요 표현 정보를 비교하여 상기 검색 단계를 통해 검색된 강의 데이터의 표현 관련도 정보를 생성하는 관련도 분석 단계, 그리고, 상기 온라인 강의 추천 시스템이 상기 표현 관련도 정보를 토대로 하나 이상의 강의 정보가 포함된 추천 강의 리스트 정보를 생성하는 제 1 리스트 생성 단계를 포함하는 온라인 강의 추천 방법을 제공한다.
본 발명의 다른 실시예에 있어서, 상기 수강 이력 정보는 복수개이고, 상기 수강 이력 정보에 대응되는 강의 데이터는, 상기 복수개의 수강 이력 정보 각각에 대응되는 강의 데이터들이며, 상기 수강 이력 정보에 대응되는 강의 데이터의 중요 표현 정보는, 상기 복수개의 수강 이력 정보 각각에 대응되는 강의데이터들 각각의 중요 표현 정보이고, 상기 중요 표현 정보와 대응되는 강의 데이터는, 상기 복수개의 수강 이력 정보 각각에 대응되는 강의데이터들 각각의 중요 표현 정보와 대응되는 강의 데이터들이며, 상기 검색 단계를 통해 검색된 강의 데이터의 표현 관련도 정보는, 상기 복수개의 수강 이력 정보 각각에 대응되는 강의데이터들 각각의 중요 표현 정보와, 상기 복수개의 수강 이력 정보 각각에 대응되는 강의데이터들 각각의 중요 표현 정보에 대응되는 상기 검색 단계를 통해 검색된 강의 데이터들 각각의 소리 데이터를 비교하여 생성된 복수개의 표현 관련도 정보일 수 있다.
본 발명의 다른 실시예에 있어서, 상기 온라인 강의 추천 시스템이 상기 사용자에 대해 기 설정된 망각일 데이터와 상기 복수개의 수강 이력 정보 각각에 대응되는 강의 데이터들 각각의 최후 수강 날짜 데이터를 토대로 상기 복수개의 수강 이력 정보 각각에 대응되는 강의 데이터들 각각의 가중치 값을 산출하는 가중치 산출 단계 및 상기 온라인 강의 추천 시스템이 상기 추천 강의 리스트 정보 및 상기 가중치 값을 토대로 최종 강의 리스트 정보를 생성하는 제2 리스트 생성 단계를 더 포함할 수 있다.
본 발명의 다른 실시예에 있어서, 상기 제 2 리스트 생성 단계는, 상기 복수개의 수강 이력 정보 각각에 대응되는 강의 데이터들 각각의 가중치 값의 크기에 따라 상기 추천 강의 리스트 정보에 포함된 하나 이상의 강의 정보가 순차적으로 배열된 형태의 최종 강의 리스트 정보를 생성하는 단계일 수 있다.
본 발명의 다른 실시예에 있어서, 상기 소리 데이터 분석 단계는, 상기 수강 이력 정보에 대응되는 강의 데이터에 포함된 소리 데이터 중 반복되는 복수개의 표현 데이터를 추출하고, 상기 반복되는 복수개의 표현 데이터 및 상기 복수개의 표현 데이터 각각의 반복 횟수를 토대로 상기 강의 데이터의 중요 표현 정보를 복수개 생성하는 단계일 수 있다.
본 발명의 다른 실시예에 있어서, 상기 중요 표현 정보와 대응되는 강의 데이터는, 상기 강의 서버에 저장된 강의 데이터 중 상기 중요 표현 정보와 대응되는 소리 데이터를 기 지정된 횟수 이상 포함하는 강의 데이터일 수 있다.
본 발명의 다른 실시예에 있어서, 상기 가중치 값은, 현재 날짜 데이터의 수치에서 상기 수강 이력 정보에 대응되는 강의 데이터의 최후 수강 날짜 데이터의 수치를 뺀 차이값이 상기 기 설정된 망각일 데이터의 수치에 가까울수록 클 수 있다.
본 발명의 다른 실시예에 있어서, 상기 최종 강의 리스트 정보를 포함한 광고 정보를 상기 사용자의 단말기로 전송하는 출력 단계를 더 포함하되, 상기 광고 정보는 푸쉬메세지, 이메일 및 뉴스레터 중 어느 하나의 형태로 형성될 수 있다.
본 발명에 따르면, 사용자의 기억 능력을 고려하여 사용자에게 지속적으로 사용자가 기 수강했던 강의에 포함된 표현과 유사한 표현을 갖는 강의 리스트를 생성할 수 있고, 생성된 강의 리스트를 사용자에게 추천 및 제공할 수 있으며, 이에 따라 사용자의 언어 학습 성취도를 높일 수 있다.
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.
도 1은 본 발명의 일 실시예에 따른 온라인 강의 추천 시스템의 구성을 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 온라인 강의 추천 시스템 및 온라인 강의 추천 시스템과 통신 가능한 서버들을 설명하기 위해 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따라 생성된 수강 이력 정보와 중요 표현 정보를 설명하기 위해 도시한 도면이다.
도 4는 본 발명의 다양한 실시예에 따른 관련도 분석을 설명하기 위해 도시한 도면이다.
도 5 및 6은 본 발명의 다양한 실시예에 따른 가중치 값을 설명하기 위해 도시한 도면이다.
도 7은 본 발명의 다양한 실시예에 따른 최종 강의 리스트 정보를 설명하기 위해 도시한 도면이다.
도 8은 본 발명의 일 실시예에 따른 광고 정보를 설명하기 위해 도시한 도면이다.
도 9는 본 발명의 다른 실시예에 따른 온라인 강의 추천 방법의 절차를 도시한 도면이다.
이하에서는 첨부한 도면을 참조하여 본 발명을 상세히 설명하기로 한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 따라서 여기에서 설명하는 실시예로 한정되는 것은 아니다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경물, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 도면에 나타난 각 구성요소의 크기, 형태, 형상은 다양하게 변형될 수 있고, 명세서 전체에 대하여 동일/유사한 부분에 대해서는 동일/유사한 도면 부호를 붙였다.
이하의 설명에서 사용되는 구성요소에 대한 접미사 "부" 및 "단계"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략하였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결(접속, 접촉 또는 결합)"되어 있다고 할 때, 이는 "직접적으로 연결(접속, 접촉 또는 결합)"되어 있는 경우뿐만 아니라, 그 중간에 다른 부재를 사이에 두고 "간접적으로 연결(접속, 접촉 또는 결합)"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함(구비 또는 마련)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 “포함(구비 또는 마련)”할 수 있다는 것을 의미한다.
본 명세서에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함하며, 분산되어 실시되는 구성요소들은 특별한 제한이 있지 않는 한 결합된 형태로 실시될 수도 있다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
또한, 본 명세서에서 사용되는 제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1구성요소는 제2구성요소로 명명될 수 있고, 유사하게 제2구성요소도 제1구성 요소로 명명될 수 있다.
또한, 본 명세서상에서 설명되는 “정보”, “데이터” 등은 동일/유사한 의미를 갖는 하나 이상의 “정보”, “데이터”일 수 있다. 예컨대, 검색부를 통해 강의 데이터는 검색부를 통해 검색된 하나의 강의 데이터 또는 복수개의 강의 데이터일 수 있다.
도 1은 본 발명의 일 실시예에 따른 온라인 강의 추천 시스템(이하, “온라인 강의 추천 시스템(10)”이라 함)의 구성을 도시한 도면이고, 도 2는 온라인 강의 추천 시스템(10) 및 온라인 강의 추천 시스템과 통신 가능한 서버들을 설명하기 위해 도시한 도면이다.
도 2에 도시된 바와 같이, 온라인 강의 추천 시스템(10)은 사용자의 수강 이력 정보가 저장된 수강 이력 서버(20), 기 생성된 강의 데이터가 저장된 강의 서버(30), 그리고 사용자 단말기(40)와 통신이 가능하다.
여기서 통신은 유선 또는 무선 통신 기술을 이용한 통신을 의미하며, 예컨대, 온라인 강의 추천 시스템(10)은 외부 서버 또는 단말기와 블루투스, 와이파이, LTE 기술을 이용하여 통신할 수 있으나, 이에 제한되는 것은 아니다.
수강 이력 서버(20)는 사용자가 온라인으로 수강한 강의들 각각의 코드 정보, 수강 날짜 정보, 최후 수강 날짜 정보, 구매 이력, 결제 이력 등이 포함된 수강 이력 정보가 저장된 데이터베이스 형태의 서버일 수 있다.
강의 서버(30)는 사용자에게 온라인으로 제공 가능한 강의들의 영상 데이터, 소리 데이터 등을 포함하는 강의 데이터가 기 저장된 데이터베이스 형태의 서버일 수 있다.
사용자 단말기(40)는 데스크탑, 랩탑, 스마트 폰 등의 PC 형태일 수 있으나, 이에 제한되는 것은 아니다.
도 1을 참조하면, 온라인 강의 추천 시스템(10)은 입력부(11), 소리 데이터 분석부(12), 검색부(13), 관련도 분석부(14), 제 1 리스트 생성부(15)를 포함하며, 가중치 산출부(16), 제 2 리스트 생성부(17) 및 출력부(18)를 더 포함할 수 있다.
입력부(11)는 수강 이력 서버(20)로부터 사용자의 수강 이력 정보를 전송 받는다. 또한, 입력부(11)는 수강 이력 서버(20), 강의 서버(30), 사용자 단말기(40)로부터 다양한 정보를 전송 받을 수 있다.
소리 데이터 분석부(12)는 사용자의 수강 이력 정보에 대응되는 강의 데이터에 포함된 소리 데이터를 분석하여 사용자의 수강 이력 정보에 대응되는 강의 데이터의 중요 표현 정보를 생성한다.
사용자의 수강 이력 정보에 대응되는 강의 데이터(강의 코드)와 이에 대하여 소리 데이터 분석부(120)가 생성한 복수개의 중요 표현 정보 및 사용자의 수강 이력 정보의 최후 수강 날짜 정보 등을 포함하는 정보의 예를 도 3에 도시하였다.
예컨대, 소리 데이터 분석부(120)는 사용자의 수강 이력 정보에 대응되는 강의 데이터에 포함된 소리 데이터 중 반복되는 복수개의 표현 데이터를 추출하고, 반복되는 복수개의 표현 데이터 및 복수개의 표현 데이터의 반복 횟수를 토대로 복수개의 중요 표현 정보를 생성할 수 있다.
검색부(13)는 소리 데이터 분석부(12)를 통해 생성된 중요 표현 정보와 대응되는 강의 데이터를 강의 서버에서 검색한다. 여기서, 중요 표현 정보와 대응되는 강의 데이터는 강의 서버(30)에 저장된 강의 데이터 중 중요 표현 정보와 대응되는 소리 데이터를 기 지정된 횟수 이상 포함하는 강의 데이터일 수 있다. 기 지정된 횟수는 3회 또는 5회 이상 등 다양하게 설정될 수 있다.
관련도 분석부(14)는 검색부(13)를 통해 검색된 강의 데이터에 포함된 소리 데이터와, 소리 데이터 분석부(12)를 통해 생성된 중요 표현 정보를 비교하여 검색부(13)를 통해 검색된 강의 데이터의 표현 관련도 정보를 생성한다.
소리 데이터 분석부(120)의 소리 데이터 분석과 관련도 분석의 예를 도시한 도 4를 참조하면, 소리 데이터 분석부(120)는 사용자의 수강 이력 정보에 대응되는 강의 데이터의 영상 데이터 또는 소리 데이터를 중요 표현 영역과 비 중요 표현 영역으로 나누는 방식을 통해 중요 표현 정보를 획득할 수 있다.
예컨대, 소리 데이터 분석부(120)는 중요 표현 영역에 포함된 소리 데이터를 텍스트화하고, 검색부(13)를 통해 검색된 강의 데이터에 포함된 소리 데이터에 텍스트화된 데이터와 동일한 데이터가 있는지 여부를 확인하는, 이른바, 텍스트 맵핑 기술을 이용하여 소리 데이터를 분석할 수 있다.
또한 관련도 분석부(14)는 검색부(13)를 통해 검색된 강의 데이터에 포함된 영상 데이터 또는 소리 데이터에서, 사용자의 수강 이력 정보에 대응되는 강의 데이터의 영상 데이터 또는 소리 데이터의 중요 표현 영역과 동일 또는 유사한 영역의 개수를 산출하고, 산출된 값을 토대로 표현 관련도(%) 값을 도출할 수 있다.
제 1 리스트 생성부(15)는 관련도 분석부(14)를 통해 생성된 표현 관련도 정보를 토대로 하나 이상의 강의 정보가 포함된 추천 강의 리스트 정보를 생성한다.
본 발명의 일 구현예로서, 사용자의 수강 이력 정보는 복수개이고, 사용자의 수강 이력 정보에 대응되는 강의 데이터는, 복수개의 수강 이력 정보 각각에 대응되는 강의 데이터들이며, 사용자의 수강 이력 정보에 대응되는 강의 데이터의 중요 표현 정보는, 복수개의 수강 이력 정보 각각에 대응되는 강의데이터들 각각의 중요 표현 정보이고, 상기 중요 표현 정보와 대응되는 강의 데이터는, 복수개의 수강 이력 정보 각각에 대응되는 강의데이터들 각각의 중요 표현 정보와 대응되는 강의 데이터들이며, 검색부(13)를 통해 검색된 강의 데이터의 표현 관련도 정보는, 복수개의 수강 이력 정보 각각에 대응되는 강의데이터들 각각의 중요 표현 정보와, 복수개의 수강 이력 정보 각각에 대응되는 강의데이터들 각각의 중요 표현 정보에 대응되는 검색부(13)를 통해 검색된 강의 데이터들 각각의 소리 데이터를 비교하여 생성된 복수개의 표현 관련도 정보일 수 있다.
따라서, 사용자가 온라인으로 수강한 모든 강의에 대하여, 중요 표현 정보를 추출하고, 추출된 중요 표현 정보가 포함된 유사 강의를 검색하여 검색된 강의와 중요 표현 정보를 분석할 수 있으며, 이에 따라, 사용자가 온라인으로 수강한 모든 강의에 대한 추천 강의를 생성할 수 있다.
가중치 산출부(16)는 사용자에 대해 기 설정된 망각일 데이터와 복수개의 수강 이력 정보 각각에 대응되는 강의 데이터들 각각의 최후 수강 날짜 데이터를 토대로 복수개의 수강 이력 정보 각각에 대응되는 강의 데이터들 각각의 가중치 값을 산출한다
여기서, 가중치 값은, 현재 날짜 데이터의 수치에서 수강 이력 정보에 대응되는 강의 데이터의 최후 수강 날짜 데이터의 수치를 뺀 차이값이 기 설정된 망각일 데이터의 수치에 가까울수록 클 수 있다. 예컨대, 가중치 값은 0 내지 1의 범위에 존재하는 값을 지닐 수 있다.
사용자에 대한 망각일 데이터는 사용자에 의해 기 설정될 수 있으며, 예컨대 30일, 3개월, 6개월 등으로 설정될 수 있다. 보통 사람들의 평균적인 기억력을 고려하면, 일반적인 사람은 새로운 언어적 표현을 학습하고 3개월 이후 복습하는 것이 가장 큰 복습 효과를 나타낸다고 알려져 있다.
따라서, 온라인 강의 추천 시스템(10)은 사용자가 자신의 기억력을 고려하여 망각일 데이터를 기 설정하도록 하고, 사용자의 수강 이력 정보에 대응되는 강의 데이터의 최후 수강 날짜가 사용자의 망각일 데이터와 유사한 경우 해당 강의 데이터에 높은 가중치를 부여하여, 높은 가중치가 부여된 강의 데이터와 유사한 강의를 사용자가 우선적으로 제공 및 추천 받을 수 있도록 할 수 있다. 이에 따라 사용자의 복습 효과를 높일 수 있다.
망각일 데이터와 가중치 값은 여러 형태로 변형되어 실시될 수 있으며, 이와 관련하여 가중치 값 설정과 사용자의 망각일 데이터의 상관관계에 관한 그래프를 도 5에 도시하였고, 복수개의 수강 이력 정보에 대한 각각의 가중치 값을 반영하여, 가중치 값의 크기에 따라 복수개의 수강 이력 정보가 순차적으로 배열된 형태의 정보의 예를 도 6에 도시하였다.
예컨대, 사용자가 망각일 데이터를 90일로 기 설정하였고, 사용자가 수강한 강의가 3개인 경우, 온라인 강의 추천 시스템(10)이 3개의 강의 각각에 대하여 수강 이력 정보를 통해 최후 수강 날짜를 파악한 결과가 3개의 강의 각각의 최후 수강 날짜와 현재 날짜의 차이값이 50일 90일 120이였다면, 온라인 강의 추천 시스템(10)은 차이값이 90일인 강의 데이터에 가장 높은 가중치를 부여할 수 있다. 또한, 온라인 강의 추천 시스템(10)은 차이값이 120일인 데이터에게 그 다음으로 높은 가중치 값 부여할 수 있고, 차이값이 50일인 의 데이터에게 제일 낮은 가중치 값을 부여할 수 있다.
제 2 리스트 생성부(17)는 제 1 리스트 생성부(15)를 통해 생성된 추천 강의 리스트 정보 및 가중치 산출부(16)를 통해 생성된 가중치 값을 토대로 최종 강의 리스트 정보를 생성한다. 또한, 제 2 리스트 생성부(17)는 상기 복수개의 수강 이력 정보 각각에 대응되는 강의 데이터들 각각의 가중치 값의 크기에 따라 추천 강의 리스트 정보에 포함된 하나 이상의 강의 정보가 순차적으로 배열된 형태의 최종 강의 리스트 정보를 생성할 수 있다.
최종 강의 리스트 정보의 예를 도시한 도 7을 참조하면, 본 발명의 일 구현예로서, 입력부(11)는 수강 이력 서버(20)에서 사용자 수강 이력에 대응되는 강의 데이터(x1 내지 x4)를 입력 받고, 소리 데이터 분석부(12)는 강의 데이터 별로 복수개의 중요 표현 정보(y1 내지 y8)를 생성한다. 검색부(13)는 복수개의 중요 정보 표현 별로 강의 서버(30)에 저장된 하나 이상의 강의 데이터(a1, a2, b1, b2, c1, c2, d1, d2)를 검색하고, 관련도 분석부(14)는 검색된 강의 데이터별로 각 강의 데이터에 포함된 영상 데이터 또는 소리데이터를 검색된 강의 데이터들 각각에 대응되는 중요 표현 정보와 비교하여 표현 관련도 값을 생성한다. 제 1 리스트 생성부(15)는 표현 관련도 값을 토대로 추천 강의 리스트 정보(a1, b2, c2, d1)를 생성하고, 가중치 산출부(16)는 현재 날짜와 사용자가 수강한 강의의 수강 날짜와의 차이를 토대로 가중치를 사용자의 수강 이력 정보에 대응되는 강의 데이터마다 부여한다. 최종적으로, 제 2 리스트 생성부(17)는 가중치 값과 추천 강의 리스트 정보를 토대로 최종 강의 리스트 정보(d1, b2, a1, c2)를 생성한다. 이에 더하여, 출력부(18)는 생성된 최종 강의 리스트 정보를 기 생성된 광고 정보와 함께 사용자에게 제공할 수 있다.
출력부(18)는 제 2 리스트 생성부(17)를 통해 생성된 최종 강의 리스트 정보를 포함한 광고 정보를 사용자의 단말기로 전송한다. 광고 정보는 푸쉬메세지, 이메일 및 뉴스레터 중 어느 하나의 형태로 형성될 수 있다. 또한, 출력부(18)는 사용자가 단말기를 이용하여 서버 형태로 구현된 온라인 강의 추천 시스템에 로그인하면 자동으로 광고 정보를 사용자 단말기로 전송할 수 있고, 특정 기간이 지나면 자동으로 사용자의 이메일 등으로 광고 정보를 전송할 수도 있다.
광고 정보의 예를 도시한 도8을 참조하면, 온라인 강의 추천 시스템(10)은 사용자 단말기(40)로 광고 정보를 전송할 수 있고, 광고 정보는 도 8에 도시된 바와 같은 형태로 작성될 수 있다. 광고 정보에 포함되는 이미지, 정보, 문구 등은 다양하게 변형되어 실시될 수 있다.
도 9는 본 발명의 다른 실시예에 따른 온라인 강의 추천 방법의 절차를 도시한 도면이다.
본 발명의 다른 실시예에 따른 온라인 강의 추천 방법은 사용자의 수강 이력 정보가 저장된 수강 이력 서버 및 기 생성된 강의 데이터가 저장된 강의 서버와 통신이 가능한 온라인 강의 추천 시스템을 이용한 온라인 강의 추천 방법이다. 다시 말해, 본 발명의 다른 실시예에 따른 온라인 강의 추천 방법은 앞서 도 1 내지 도 8을 참조하여 설명한 온라인 강의 추천 시스템(10)을 이용한 방법이다.
따라서, 각각, 입력 단계(S11)는 입력부(11)가 수행하는 모든 절차를, 소리 데이터 분석 단계(S120)는 소리 데이터 분석부(12)가 수행하는 모든 절차를, 검색 단계(S13)는 검색부(13)가 수행하는 모든 절차를, 관련도 분석 단계(S14)는 관련도 분석부(14)가 수행하는 모든 절차를, 제 1 리스트 생성 단계(S15)는 제 1 리스트 생성부(15)가 수행하는 모든 절차, 가중치 산출 단계(S160)는 가중치 산출부(16)가 수행하는 모든 절차를, 제 2 리스트 생성 단계(S17)은 제 2 리스트 생성부(17)가 수행하는 모든 절차를, 출력 단계(S18)는 출력부(18)가 수행하는 모든 절차를 포함할 수 있다.
이하에서는 본 발명의 다른 실시예에 따른 온라인 강의 추천 방법을 설명하되, 앞서 도 1 내지 도 8을 참조하여 설명한 내용과 중복되는 내용은 생략하도록 한다.
도 9를 참조하면, 본 발명의 다른 실시예에 따른 온라인 강의 추천 방법은 상기 온라인 강의 추천 시스템이 수강 이력 서버로부터 사용자의 수강 이력 정보를 전송 받는 단계(S11), 상기 온라인 강의 추천 시스템이 수강 이력 정보에 대응되는 강의 데이터에 포함된 소리 데이터를 분석하여 수강 이력 정보에 대응되는 강의 데이터의 중요 표현 정보를 생성하는 소리 데이터 분석 단계(S12), 상기 온라인 강의 추천 시스템이 중요 표현 정보와 대응되는 강의 데이터를 강의 서버에서 검색하는 검색 단계(S13), 상기 온라인 강의 추천 시스템이 검색 단계를 통해 검색된 강의 데이터에 포함된 소리 데이터와, 중요 표현 정보를 비교하여 검색 단계를 통해 검색된 강의 데이터의 표현 관련도 정보를 생성하는 관련도 분석 단계(S14) 및 상기 온라인 강의 추천 시스템이 표현 관련도 정보를 토대로 하나 이상의 강의 정보가 포함된 추천 강의 리스트 정보를 생성하는 제 1 리스트 생성 단계(S15)를 포함한다
여기서, 사용자의 수강 이력 정보는 복수개이고, 사용자의 수강 이력 정보에 대응되는 강의 데이터는, 복수개의 수강 이력 정보 각각에 대응되는 강의 데이터들이며, 사용자의 수강 이력 정보에 대응되는 강의 데이터의 중요 표현 정보는, 복수개의 수강 이력 정보 각각에 대응되는 강의데이터들 각각의 중요 표현 정보이고, 상기 중요 표현 정보와 대응되는 강의 데이터는, 복수개의 수강 이력 정보 각각에 대응되는 강의데이터들 각각의 중요 표현 정보와 대응되는 강의 데이터들이며, 상기 검색 단계를 통해 검색된 강의 데이터의 표현 관련도 정보는, 복수개의 수강 이력 정보 각각에 대응되는 강의데이터들 각각의 중요 표현 정보와, 복수개의 수강 이력 정보 각각에 대응되는 강의데이터들 각각의 중요 표현 정보에 대응되는 검색 단계를 통해 검색된 강의 데이터들 각각의 소리 데이터를 비교하여 생성된 복수개의 표현 관련도 정보일 수 있다.
또한, 도 9를 참조하면, 본 발명의 다른 실시예에 따른 온라인 강의 추천 방법은 상기 온라인 강의 추천 시스템이 사용자에 대해 기 설정된 망각일 데이터와 복수개의 수강 이력 정보 각각에 대응되는 강의 데이터들 각각의 최후 수강 날짜 데이터를 토대로 복수개의 수강 이력 정보 각각에 대응되는 강의 데이터들 각각의 가중치 값을 산출하는 가중치 산출 단계(S16)과, 상기 온라인 강의 추천 시스템이 추천 강의 리스트 정보 및 가중치 값을 토대로 최종 강의 리스트 정보를 생성하는 제2 리스트 생성 단계(S17)를 더 포함할 수 있다.
이 때, 2 리스트 생성 단계(S17)는 상기 복수개의 수강 이력 정보 각각에 대응되는 강의 데이터들 각각의 가중치 값의 크기에 따라 추천 강의 리스트 정보에 포함된 하나 이상의 강의 정보가 순차적으로 배열된 형태의 최종 강의 리스트 정보를 생성하는 단계일 수 있다.
또한, 소리 데이터 분석 단계(S12)는 사용자의 수강 이력 정보에 대응되는 강의 데이터에 포함된 소리 데이터 중 반복되는 복수개의 표현 데이터를 추출하고, 반복되는 복수개의 표현 데이터 및 복수개의 표현 데이터의 반복 횟수를 토대로 복수개의 중요 표현 정보를 생성하는 단계일 수 있다.
본 발명의 다른 실시예에 있어서, 중요 표현 정보와 대응되는 강의 데이터는, 상기 강의 서버에 저장된 강의 데이터 중 중요 표현 정보와 대응되는 소리 데이터를 기 지정된 횟수 이상 포함하는 강의 데이터일 수 있고, 가중치 값은 0 내지 1의 값을 지니고, 현재 날짜 데이터의 수치에서 수강 이력 정보에 대응되는 강의 데이터의 최후 수강 날짜 데이터의 수치를 뺀 차이값이 기 설정된 망각일 데이터의 수치에 가까울수록 클 수 있다.
다시 도 9를 참조하면, 본 발명의 다른 실시예에 따른 온라인 강의 추천 방법은 상기 최종 강의 리스트 정보를 포함한 광고 정보를 사용자의 단말기로 전송하는 출력 단계(S18)를 더 포함하되, 기 광고 정보는 푸쉬메세지, 이메일 및 뉴스레터 중 어느 하나의 형태로 형성될 수 있다.
이상과 같은 온라인 강의 추천 시스템(10)과 온라인 강의 추천 방법은 각각 모바일 PC와 모바일 어플리케이션을 통해서도 구현이 가능하다. 예컨대, 온라인 강의 추천 시스템(10)은 스마트폰과 같은 형태로 구현될 수 있고, 온라인 강의 추천 시스템(10)을 구성하는 각 부의 기능들은 스마트폰에 장착된 무선 통신 기술, 중앙 처리 장치(Application Processor), 액정 디스플레이를 통해 구현될 수 있으며, 각 절차들은 스마트폰에 내장되어 있거나 다운로드 받은 스마트폰용 어플리케이션을 통해 수행이 가능하다.
또한, 이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서(processor), 컨트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
또한 본 발명의 다양한 실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체 (magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어부로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다. 소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
상술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 범위는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (16)

  1. 사용자의 수강 이력 정보가 저장된 수강 이력 서버 및 기 생성된 강의 데이터가 저장된 강의 서버와 통신이 가능한 온라인 강의 추천 시스템에 있어서,
    상기 수강 이력 서버로부터 상기 사용자의 수강 이력 정보를 전송 받는 입력부;
    상기 수강 이력 정보에 대응되는 강의 데이터에 포함된 소리 데이터를 분석하여 상기 수강 이력 정보에 대응되는 강의 데이터의 중요 표현 정보를 생성하는 소리 데이터 분석부;
    상기 중요 표현 정보와 대응되는 강의 데이터를 상기 강의 서버에서 검색하는 검색부;
    상기 검색부를 통해 검색된 강의 데이터에 포함된 소리 데이터와, 상기 중요 표현 정보를 비교하여 상기 검색부를 통해 검색된 강의 데이터의 표현 관련도 정보를 생성하는 관련도 분석부; 및
    상기 표현 관련도 정보를 토대로 하나 이상의 강의 정보가 포함된 추천 강의 리스트 정보를 생성하는 제 1 리스트 생성부를 포함하고,
    상기 수강 이력 정보는 복수개이고,
    상기 수강 이력 정보에 대응되는 강의 데이터는, 상기 복수개의 수강 이력 정보 각각에 대응되는 강의 데이터들이며,
    상기 수강 이력 정보에 대응되는 강의 데이터의 중요 표현 정보는, 상기 복수개의 수강 이력 정보 각각에 대응되는 강의데이터들 각각의 중요 표현 정보이고,
    상기 중요 표현 정보와 대응되는 강의 데이터는, 상기 복수개의 수강 이력 정보 각각에 대응되는 강의데이터들 각각의 중요 표현 정보와 대응되는 강의 데이터들이며,
    상기 검색부를 통해 검색된 강의 데이터의 표현 관련도 정보는, 상기 복수개의 수강 이력 정보 각각에 대응되는 강의데이터들 각각의 중요 표현 정보와, 상기 복수개의 수강 이력 정보 각각에 대응되는 강의데이터들 각각의 중요 표현 정보에 대응되는 상기 검색부를 통해 검색된 강의 데이터들 각각의 소리 데이터를 비교하여 생성된 복수개의 표현 관련도 정보이며,
    상기 사용자에 대해 기 설정된 망각일 데이터와 상기 복수개의 수강 이력 정보 각각에 대응되는 강의 데이터들 각각의 최후 수강 날짜 데이터를 토대로 상기 복수개의 수강 이력 정보 각각에 대응되는 강의 데이터들 각각의 가중치 값을 산출하는 가중치 산출부; 및
    상기 추천 강의 리스트 정보 및 상기 가중치 값을 토대로 최종 강의 리스트 정보를 생성하는 제2 리스트 생성부를 더 포함하며,
    상기 가중치 값은,
    현재 날짜 데이터의 수치에서 상기 수강 이력 정보에 대응되는 강의 데이터의 최후 수강 날짜 데이터의 수치를 뺀 차이값이 상기 기 설정된 망각일 데이터의 수치에 가까울수록 크고,
    상기 제 2 리스트 생성부는,
    상기 복수개의 수강 이력 정보 각각에 대응되는 강의 데이터들 각각의 가중치 값의 크기에 따라 상기 추천 강의 리스트 정보에 포함된 하나 이상의 강의 정보가 순차적으로 배열된 형태의 최종 강의 리스트 정보를 생성하고,
    상기 소리 데이터 분석부는,
    상기 수강 이력 정보에 대응되는 강의 데이터에 포함된 소리 데이터 중 반복되는 복수개의 표현 데이터를 추출하고, 상기 반복되는 복수개의 표현 데이터 및 상기 복수개의 표현 데이터 각각의 반복 횟수를 토대로 상기 강의 데이터의 중요 표현 정보를 복수개 생성하며,
    상기 중요 표현 정보와 대응되는 강의 데이터는,
    상기 강의 서버에 저장된 강의 데이터 중 상기 중요 표현 정보와 대응되는 소리 데이터를 기 지정된 횟수 이상 포함하는 강의 데이터인 것을 특징으로 하는 온라인 강의 추천 시스템.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
  6. 삭제
  7. 삭제
  8. 제1항에 있어서,
    상기 최종 강의 리스트 정보를 포함한 광고 정보를 상기 사용자의 단말기로 전송하는 출력부를 더 포함하되,
    상기 광고 정보는 푸쉬메세지, 이메일 및 뉴스레터 중 어느 하나의 형태로 형성되는 것을 특징으로 하는 온라인 강의 추천 시스템.
  9. 사용자의 수강 이력 정보가 저장된 수강 이력 서버 및 기 생성된 강의 데이터가 저장된 강의 서버와 통신이 가능한 온라인 강의 추천 시스템을 이용한 온라인 강의 추천 방법에 있어서,
    상기 온라인 강의 추천 시스템이 상기 수강 이력 서버로부터 상기 사용자의 수강 이력 정보를 전송 받는 단계;
    상기 온라인 강의 추천 시스템이 상기 수강 이력 정보에 대응되는 강의 데이터에 포함된 소리 데이터를 분석하여 상기 수강 이력 정보에 대응되는 강의 데이터의 중요 표현 정보를 생성하는 소리 데이터 분석 단계;
    상기 온라인 강의 추천 시스템이 상기 중요 표현 정보와 대응되는 강의 데이터를 상기 강의 서버에서 검색하는 검색 단계;
    상기 온라인 강의 추천 시스템이 상기 검색 단계를 통해 검색된 강의 데이터에 포함된 소리 데이터와, 상기 중요 표현 정보를 비교하여 상기 검색 단계를 통해 검색된 강의 데이터의 표현 관련도 정보를 생성하는 관련도 분석 단계; 및
    상기 온라인 강의 추천 시스템이 상기 표현 관련도 정보를 토대로 하나 이상의 강의 정보가 포함된 추천 강의 리스트 정보를 생성하는 제 1 리스트 생성 단계를 포함하고,
    상기 수강 이력 정보는 복수개이고,
    상기 수강 이력 정보에 대응되는 강의 데이터는, 상기 복수개의 수강 이력 정보 각각에 대응되는 강의 데이터들이며,
    상기 수강 이력 정보에 대응되는 강의 데이터의 중요 표현 정보는, 상기 복수개의 수강 이력 정보 각각에 대응되는 강의데이터들 각각의 중요 표현 정보이고,
    상기 중요 표현 정보와 대응되는 강의 데이터는, 상기 복수개의 수강 이력 정보 각각에 대응되는 강의데이터들 각각의 중요 표현 정보와 대응되는 강의 데이터들이며,
    상기 검색 단계를 통해 검색된 강의 데이터의 표현 관련도 정보는, 상기 복수개의 수강 이력 정보 각각에 대응되는 강의데이터들 각각의 중요 표현 정보와, 상기 복수개의 수강 이력 정보 각각에 대응되는 강의데이터들 각각의 중요 표현 정보에 대응되는 상기 검색 단계를 통해 검색된 강의 데이터들 각각의 소리 데이터를 비교하여 생성된 복수개의 표현 관련도 정보이며,
    상기 온라인 강의 추천 시스템이 상기 사용자에 대해 기 설정된 망각일 데이터와 상기 복수개의 수강 이력 정보 각각에 대응되는 강의 데이터들 각각의 최후 수강 날짜 데이터를 토대로 상기 복수개의 수강 이력 정보 각각에 대응되는 강의 데이터들 각각의 가중치 값을 산출하는 가중치 산출 단계; 및
    상기 온라인 강의 추천 시스템이 상기 추천 강의 리스트 정보 및 상기 가중치 값을 토대로 최종 강의 리스트 정보를 생성하는 제2 리스트 생성 단계를 더 포함하며,
    상기 가중치 값은,
    현재 날짜 데이터의 수치에서 상기 수강 이력 정보에 대응되는 강의 데이터의 최후 수강 날짜 데이터의 수치를 뺀 차이값이 상기 기 설정된 망각일 데이터의 수치에 가까울수록 크고,
    상기 제 2 리스트 생성 단계는,
    상기 복수개의 수강 이력 정보 각각에 대응되는 강의 데이터들 각각의 가중치 값의 크기에 따라 상기 추천 강의 리스트 정보에 포함된 하나 이상의 강의 정보가 순차적으로 배열된 형태의 최종 강의 리스트 정보를 생성하는 단계이고,
    상기 소리 데이터 분석 단계는,
    상기 수강 이력 정보에 대응되는 강의 데이터에 포함된 소리 데이터 중 반복되는 복수개의 표현 데이터를 추출하고, 상기 반복되는 복수개의 표현 데이터 및 상기 복수개의 표현 데이터 각각의 반복 횟수를 토대로 상기 강의 데이터의 중요 표현 정보를 복수개 생성하는 단계이며,
    상기 중요 표현 정보와 대응되는 강의 데이터는,
    상기 강의 서버에 저장된 강의 데이터 중 상기 중요 표현 정보와 대응되는 소리 데이터를 기 지정된 횟수 이상 포함하는 강의 데이터인 것을 특징으로 하는 온라인 강의 추천 방법.
  10. 삭제
  11. 삭제
  12. 삭제
  13. 삭제
  14. 삭제
  15. 삭제
  16. 제9항에 있어서,
    상기 최종 강의 리스트 정보를 포함한 광고 정보를 상기 사용자의 단말기로 전송하는 출력 단계를 더 포함하되,
    상기 광고 정보는 푸쉬메세지, 이메일 및 뉴스레터 중 어느 하나의 형태로 형성되는 것을 특징으로 하는 온라인 강의 추천 방법.


KR1020170169392A 2017-12-11 2017-12-11 온라인 강의 추천 시스템 및 방법 KR101984287B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170169392A KR101984287B1 (ko) 2017-12-11 2017-12-11 온라인 강의 추천 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170169392A KR101984287B1 (ko) 2017-12-11 2017-12-11 온라인 강의 추천 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR101984287B1 true KR101984287B1 (ko) 2019-05-30

Family

ID=66675747

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170169392A KR101984287B1 (ko) 2017-12-11 2017-12-11 온라인 강의 추천 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR101984287B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112685470A (zh) * 2020-12-28 2021-04-20 阳江开放大学 基于学分银行和大数据分析的终身学习资源智能推送方法
KR20220113240A (ko) 2021-02-05 2022-08-12 주식회사 태인교육 학습정보 추천 방법, 학습정보 추천 장치 및 컴퓨터에서 판독가능한 저장매체에 저장된 프로그램
CN115675005A (zh) * 2022-08-26 2023-02-03 泰铂（上海）环保科技股份有限公司 车载空调数据监控方法及系统
KR102542713B1 (ko) * 2022-03-03 2023-06-14 주식회사 오브릭스 강의에 대한 추천 컨텐츠를 제공하는 서버 및 동작 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110062200A (ko) * 2009-12-03 2011-06-10 동국대학교 산학협력단 학습 콘텐츠 제공 장치 및 그 방법
KR20140046430A (ko) * 2011-10-24 2014-04-18 이재권 반복 학습 시스템 및 그 제공 방법
KR20140106479A (ko) * 2014-07-28 2014-09-03 전소연 이동 통신 단말기에서의 강좌 텍스트 데이터 생성 방법과 이를 이용한 이동 통신 단말기
KR101693592B1 (ko) * 2015-02-17 2017-01-06 고려대학교 산학협력단 지능형 학습 관리 방법
KR20170100265A (ko) 2016-02-25 2017-09-04 (주)뤼이드 객관식 문항 학습 데이터를 분석하는 방법, 장치 및 컴퓨터 프로그램

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110062200A (ko) * 2009-12-03 2011-06-10 동국대학교 산학협력단 학습 콘텐츠 제공 장치 및 그 방법
KR20140046430A (ko) * 2011-10-24 2014-04-18 이재권 반복 학습 시스템 및 그 제공 방법
KR20140106479A (ko) * 2014-07-28 2014-09-03 전소연 이동 통신 단말기에서의 강좌 텍스트 데이터 생성 방법과 이를 이용한 이동 통신 단말기
KR101693592B1 (ko) * 2015-02-17 2017-01-06 고려대학교 산학협력단 지능형 학습 관리 방법
KR20170100265A (ko) 2016-02-25 2017-09-04 (주)뤼이드 객관식 문항 학습 데이터를 분석하는 방법, 장치 및 컴퓨터 프로그램

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112685470A (zh) * 2020-12-28 2021-04-20 阳江开放大学 基于学分银行和大数据分析的终身学习资源智能推送方法
CN112685470B (zh) * 2020-12-28 2021-07-20 阳江开放大学 基于学分银行和大数据分析的终身学习资源智能推送方法
KR20220113240A (ko) 2021-02-05 2022-08-12 주식회사 태인교육 학습정보 추천 방법, 학습정보 추천 장치 및 컴퓨터에서 판독가능한 저장매체에 저장된 프로그램
KR102542713B1 (ko) * 2022-03-03 2023-06-14 주식회사 오브릭스 강의에 대한 추천 컨텐츠를 제공하는 서버 및 동작 방법
CN115675005A (zh) * 2022-08-26 2023-02-03 泰铂（上海）环保科技股份有限公司 车载空调数据监控方法及系统

Similar Documents

Publication Publication Date Title
US12010073B2 (en) Systems and processes for operating and training a text-based chatbot
US11687811B2 (en) Predicting user question in question and answer system
JP6515624B2 (ja) 講義ビデオのトピックスを特定する方法及び非一時的なコンピュータ可読媒体
JP7316453B2 (ja) オブジェクト推薦方法及び装置、コンピュータ機器並びに媒体
US9779327B2 (en) Cognitive traits avatar for similarity matching
KR101984287B1 (ko) 온라인 강의 추천 시스템 및 방법
US10452984B2 (en) System and method for automated pattern based alert generation
US10657544B2 (en) Targeted E-commerce business strategies based on affiliation networks derived from predictive cognitive traits
US10157203B2 (en) Question transformation in question answer systems
US20180102062A1 (en) Learning Map Methods and Systems
US20230244934A1 (en) Augmenting machine learning language models using search engine results
US11423223B2 (en) Dynamic creation/expansion of cognitive model dictionaries based on analysis of natural language content
CN112740132A (zh) 简答题评分预测
US20240185734A1 (en) Methods, Systems, Devices, and Software for Managing and Conveying Knowledge
KR20210075023A (ko) 교육정보 공유 및 추천 서비스 제공 방법 및 그 장치와 시스템
US20160364996A1 (en) Matching learning content to learners
KR20200011155A (ko) 유사 답안 제공 시스템 및 이의 운용 방법
WO2020263182A1 (en) Method and system for conducting a brainstorming session with a virtual expert
US10296624B2 (en) Document curation
Shih et al. Virtual voice assistants
TW202324186A (zh) 對話代理反事實模擬
Maloo et al. Cross-Domain Content Generation with Domain-Specific Small Language Models
Sarkar et al. A Graphical Neural Network-Based Chatbot Model for Assisting Cancer Patients with Dietary Assessment in their Survivorship
Jha Chat Generative Pre-Trained Transformer: An Overview
Sangamesh et al. Implementing Smart College Chatbot using Ml And Python

Legal Events

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