KR102020551B1 - Method and Apparatus for Recommending Restaurant Based on Mobile Context Information - Google Patents

Method and Apparatus for Recommending Restaurant Based on Mobile Context Information Download PDF

Info

Publication number
KR102020551B1
KR102020551B1 KR1020170063256A KR20170063256A KR102020551B1 KR 102020551 B1 KR102020551 B1 KR 102020551B1 KR 1020170063256 A KR1020170063256 A KR 1020170063256A KR 20170063256 A KR20170063256 A KR 20170063256A KR 102020551 B1 KR102020551 B1 KR 102020551B1
Authority
KR
South Korea
Prior art keywords
information
restaurant
user
behavior
context data
Prior art date
Application number
KR1020170063256A
Other languages
Korean (ko)
Other versions
KR20180128147A (en
Inventor
안병익
정구임
최혜림
Original Assignee
식신 주식회사
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 식신 주식회사 filed Critical 식신 주식회사
Priority to KR1020170063256A priority Critical patent/KR102020551B1/en
Publication of KR20180128147A publication Critical patent/KR20180128147A/en
Application granted granted Critical
Publication of KR102020551B1 publication Critical patent/KR102020551B1/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
    • G06Q30/0252—Targeted advertisements based on events or environment, e.g. weather or festivals
    • 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
    • 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
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G06Q30/0271—Personalized advertisement
    • 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
    • G06Q30/0282—Rating or review of business operators or products
    • 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
    • G06Q50/12—Hotels or restaurants

Landscapes

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

Abstract

모바일 컨텍스트 정보 기반의 음식점 추천방법 및 그를 위한 장치를 개시한다.
단말기로부터 주변환경 및 사용자 행동에 대한 모바일 컨텍스트 정보를 수집하고, 모바일 컨텍스트 정보를 기반으로 사용자의 행동 패턴정보를 생성하며, 행동 패턴정보에 매칭되는 음식점 추천정보를 제공하는 모바일 컨텍스트 정보 기반의 음식점 추천방법 및 그를 위한 장치에 관한 것이다.A restaurant recommendation method based on mobile context information and an apparatus therefor are provided.
Mobile context information based restaurant recommendation that collects mobile context information about the surrounding environment and user behavior from the terminal, generates user behavior pattern information based on mobile context information, and provides restaurant recommendation information matching the behavior pattern information A method and apparatus therefor.

Description

모바일 컨텍스트 정보 기반의 음식점 추천방법 및 그를 위한 장치{Method and Apparatus for Recommending Restaurant Based on Mobile Context Information}Restaurant recommendation method based on mobile context information and a device therefor {Method and Apparatus for Recommending Restaurant Based on Mobile Context Information}

본 실시예는 모바일 컨텍스트 정보 기반의 음식점 추천방법 및 그를 위한 장치에 관한 것이다. The present embodiment relates to a restaurant recommendation method based on mobile context information and an apparatus therefor.

이 부분에 기술된 내용은 단순히 본 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.The contents described in this section merely provide background information on the present embodiment and do not constitute a prior art.

스마트폰과 태블릿PC는 사용자가 언제 어디서나 자유롭게 네트워크에 접속 할 수 있도록 하는 유비쿼터스 시대를 만들었다. 유비쿼터스 컴퓨팅은 사용자의 위치, 상태, 행동정보, 주변 상황 등의 컨텍스트(Context)를 인식할 수 있게 하였는데 이로 인해 사용자에게 필요한 서비스를 빠르고 정확하게 제공해 줄 수 있게 되었다. Smartphones and tablet PCs have created an ubiquitous era that allows users to freely access the network anytime, anywhere. Ubiquitous computing has made it possible to recognize the context of the user's location, status, behavioral information, surroundings, etc., thereby providing the user with the necessary services quickly and accurately.

사용자의 행동은 상황에 따라 변하기 때문에 컨텐츠를 필요로 할 때 사용자의 컨텍스트를 신속하게 수집하고 분석하여 추천할 수 있어야 한다. 현재 대부분의 컨텍스트 기반 추천 서비스는 사용자의 위치를 기반으로 정보를 제공하고 있는데 최근 웨어러블 디바이스와 센서 기능이 포함되어 있는 디바이스가 등장하면서 위치정보 외에 모바일 컨텍스트 정보를 이용한 추천 시스템에 관한 연구가 활발하게 이루어지고 있다.Since the user's behavior changes depending on the situation, it should be possible to quickly collect, analyze and recommend the user's context when the content is needed. Currently, most context-based recommendation services provide information based on the user's location. Recently, as the wearable device and the device including the sensor function appeared, researches on the recommendation system using mobile context information in addition to the location information have been actively conducted. ought.

기존의 이동통신 기반의 추천 시스템이 사용자의 위치와 위치기반 서비스 제공업체의 위치를 감안하여 가장 가까운 곳으로 추천한 반면, 최근의 추천 시스템은 기존의 기능에 사용자의 취향을 반영하고 보안성까지 고려한 방식으로 변화하고 있다.While the existing mobile communication-based recommendation system recommends the closest place considering the user's location and the location-based service provider's location, the recent recommendation system reflects the user's taste in existing functions and considers the security. Is changing in a way.

본 실시예는 단말기로부터 주변환경 및 사용자 행동에 대한 모바일 컨텍스트 정보를 수집하고, 모바일 컨텍스트 정보를 기반으로 사용자의 행동 패턴정보를 생성하며, 행동 패턴정보에 매칭되는 음식점 추천정보를 제공하는 모바일 컨텍스트 정보 기반의 음식점 추천방법 및 그를 위한 장치를 제공하는 데 주된 목적이 있다.The present embodiment collects mobile context information about the surrounding environment and user behavior from the terminal, generates behavior pattern information of the user based on the mobile context information, and provides mobile context information that provides restaurant recommendation information matching the behavior pattern information. The main purpose is to provide a restaurant based restaurant recommendation method and apparatus therefor.

본 실시예의 일 측면에 의하면, 음식점을 추천하는 장치에 있어서, 단말기로부터 주변환경에 대한 제1 컨텍스트 데이터를 수집하는 제1 데이터 수집부; 상기 단말기로부터 사용자 행동에 대한 제2 컨텍스트 데이터를 수집하는 제2 데이터 수집부; 상기 제1 컨텍스트 데이터 및 상기 제2 컨텍스트 데이터를 기반으로 복수의 카테고리 중 사용자 행동이 특정 카테고리에 포함될 확률값을 계산하여 상기 사용자 행동을 분류하는 데이터 분류부; 상기 사용자 행동의 분류 결과에 근거하여 사용자의 행동 패턴정보를 생성하는 행동패턴 생성부; 및 상기 행동 패턴정보 및 기 설정된 기준 패턴정보를의 비교 결과에 근거하여 선정된 적어도 하나의 음식점 정보를 포함하는 음식점 추천정보를 제공하는 추천정보 처리부를 포함하는 음식점 추천장치를 제공한다.According to an aspect of the present embodiment, an apparatus for recommending a restaurant, the apparatus comprising: a first data collector configured to collect first context data of a surrounding environment from a terminal; A second data collector configured to collect second context data on user behavior from the terminal; A data classifier configured to classify the user behavior by calculating a probability value in which user behaviors of a plurality of categories are included in a specific category based on the first context data and the second context data; A behavior pattern generator configured to generate behavior pattern information of the user based on a classification result of the user behavior; And a recommendation information processor configured to provide restaurant recommendation information including at least one restaurant information selected based on a result of comparing the behavior pattern information and preset reference pattern information.

또한, 본 실시예의 다른 측면에 의하면, 음식점을 추천하는 방법에 있어서, 단말기로부터 주변환경에 대한 제1 컨텍스트 데이터를 수집하는 제1 데이터 수집과정; 상기 단말기로부터 사용자 행동에 대한 제2 컨텍스트 데이터를 수집하는 제2 데이터 수집과정; 상기 제1 컨텍스트 데이터 및 상기 제2 컨텍스트 데이터를 기반으로 사용자 행동이 소정의 카테고리에 포함될 확률값을 산출하고, 상기 확률값에 근거하여 상기 사용자 행동을 분류하는 데이터 분류과정; 상기 사용자 행동의 분류 결과에 근거하여 사용자의 행동 패턴정보를 생성하는 행동패턴 생성과정; 및 상기 행동 패턴정보 및 기 설정된 기준 패턴정보를 비교하여 선호 음식점을 예측하여 음식점 추천정보를 제공하는 추천정보 처리과정을 포함하는 음식점 추천방법을 제공한다.According to another aspect of the present embodiment, a method for recommending a restaurant, the method comprising: a first data collection process of collecting first context data of a surrounding environment from a terminal; A second data collection step of collecting second context data on user behavior from the terminal; A data classification process of calculating a probability value to include user behavior in a predetermined category based on the first context data and the second context data, and classifying the user behavior based on the probability value; A behavior pattern generation process of generating behavior pattern information of the user based on a classification result of the user behavior; And a recommendation information processing process of comparing the behavior pattern information and preset reference pattern information to predict a preferred restaurant to provide restaurant recommendation information.

이상에서 설명한 바와 같이 본 실시예에 의하면, 음식점 추천장치는 위치정보, 날씨정보, 온도정보, 대기 측정정보, 요일정보 등 주변환경 및 사용자의 행동에 대한 컨텍스트 정보를 기반으로 사용자의 상황에 따른 맞춤형 음식점을 단말기 사용자에게 추천할 수 있는 효과가 있다. As described above, according to the present embodiment, the restaurant recommendation device is customized according to the user's situation based on context information about the surrounding environment and the user's behavior such as location information, weather information, temperature information, atmospheric measurement information, and day of the week information. There is an effect that can recommend a restaurant to the terminal user.

도 1은 본 실시예에 따른 모바일 컨텍스트 정보 기반의 음식점 추천 시스템을 개략적으로 나타낸 블록 구성도이다.
도 2는 본 실시예에 따른 음식점 추천장치를 개략적으로 나타낸 블록 구성도이다.
도 3은 본 실시예에 따른 모바일 컨텍스트 정보 기반의 음식점 추천방법을 설명하기 위한 순서도이다.
도 4는 본 실시예에서 모바일 컨텍스트 정보 기반으로 음식점 추천정보를 제공하는 동작을 설명하기 위한 예시도이다. 1 is a block diagram schematically illustrating a restaurant recommendation system based on mobile context information according to the present embodiment.
2 is a block diagram schematically illustrating a restaurant recommendation apparatus according to the present embodiment.
3 is a flowchart illustrating a restaurant recommendation method based on mobile context information according to the present embodiment.
4 is an exemplary diagram for explaining an operation of providing restaurant recommendation information based on mobile context information in the present embodiment.

이하, 본 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.Hereinafter, the present embodiment will be described in detail with reference to the accompanying drawings.

도 1은 본 실시예에 따른 모바일 컨텍스트 정보 기반의 음식점 추천 시스템을 개략적으로 나타낸 블록 구성도이다.1 is a block diagram schematically illustrating a restaurant recommendation system based on mobile context information according to the present embodiment.

본 실시예에 따른 모바일 컨텍스트 정보 기반의 음식점 추천 시스템(100)은 단말기(110), 음식점 추천장치(120) 및 행동패턴 DB(130)를 포함한다. 도 1에 도시된 음식점 추천 시스템(100)은 일 실시예에 따른 것으로서, 도 1에 도시된 모든 블록이 필수 구성요소는 아니며, 다른 실시예에서 음식점 추천 시스템(100)에 포함된 일부 블록이 추가, 변경 또는 삭제될 수 있다. The restaurant recommendation system 100 based on mobile context information according to the present embodiment includes a terminal 110, a restaurant recommendation device 120, and a behavior pattern DB 130. The restaurant recommendation system 100 shown in FIG. 1 is in accordance with one embodiment, and not all blocks shown in FIG. 1 are required components, and in some embodiments, some blocks included in the restaurant recommendation system 100 are added. , Can be changed or deleted.

단말기(110)는 음식추천 애플리케이션(미도시)을 설치하여 이용할 수 있는 이동통신 기기를 의미한다. 단말기(110)는 네트워크(120) 또는 AP(Access Point)를 경유하여 인터넷에 접속할 수 있는 휴대용 전화기, 데스크탑 PC, 랩탑, 스마트폰, 태블릿 PC 등을 포함할 수 있다.The terminal 110 refers to a mobile communication device that can install and use a food recommendation application (not shown). The terminal 110 may include a portable telephone, a desktop PC, a laptop, a smartphone, a tablet PC, and the like, which can access the Internet via the network 120 or an access point (AP).

단말기(110)는 음식추천 애플리케이션이 구동되면 모바일 컨텍스트 정보를 음식점 추천장치(120)로 전송한다. 여기서, 모바일 컨텍스트 정보는 제1 컨텍스트 데이터 및 제2 컨텍스트 데이터를 포함한다. 제1 컨텍스트 데이터는 단말기(110)의 주변환경에 대한 데이터를 의미하며, 단말기(110)의 위치정보, 날씨정보, 온도정보, 대기 측정정보, 요일정보 등 다양한 주변환경 정보를 포함할 수 있다. 제2 컨텍스트 데이터는 단말기(110)의 사용자 행동과 관련된 데이터를 의미하며, 음식점 방문 기록정보, 음식 평가정보, 선호도 평가정보, 동행자 정보 등 다양한 사용자 행동과 관련된 정보를 포함할 수 있다.When the food recommendation application is driven, the terminal 110 transmits the mobile context information to the restaurant recommendation device 120. Here, the mobile context information includes first context data and second context data. The first context data refers to data about the surrounding environment of the terminal 110, and may include various surrounding information such as location information, weather information, temperature information, atmospheric measurement information, and day of the week information of the terminal 110. The second context data refers to data related to user behavior of the terminal 110 and may include information related to various user behaviors such as restaurant visit history information, food evaluation information, preference evaluation information, companion information, and the like.

음식점 추천장치(120)는 단말기(110)로부터 제1 컨텍스트 데이터 및 제2 컨텍스트 데이터를 수집하고, 수집된 데이터를 전처리하여 복수의 카테고리에 대해 분류하여 사용자의 행동 패턴정보를 생성한다. 음식점 추천장치(120)는 행동 패턴정보를 행동패턴 DB(130)에 기 저정된 행동 패턴정보와 비교하여 생성된 음식점 추천정보를 단말기(110)로 제공한다. The restaurant recommendation apparatus 120 collects the first context data and the second context data from the terminal 110, and pre-processes the collected data to classify the plurality of categories to generate behavior pattern information of the user. The restaurant recommendation device 120 provides the terminal 110 with restaurant recommendation information generated by comparing the behavior pattern information with the behavior pattern information previously stored in the behavior pattern DB 130.

음식점 추천장치(120)는 제1 컨텍스트 데이터 및 제2 컨텍스트 데이터를 기반으로 복수의 카테고리 중 사용자 행동이 특정 카테고리에 포함될 확률값을 계산하여 복수의 사용자 행동을 분류하고, 사용자 행동에 대한 목적을 추론한다.The restaurant recommendation apparatus 120 classifies a plurality of user behaviors by calculating a probability value that the user behaviors are included in a specific category based on the first context data and the second context data, and infers the purpose for the user behavior. .

음식점 추천장치(120)는 사용자 행동의 분류 결과 및 행동목적 추론정보를 이용하여 사용자의 행동 패턴정보를 생성한다. 행동 패턴정보는 복수의 사용자 각각에 대해 생성된다. 예를 들어, 복수의 사용자 각각에 대한 행동 패턴정보는 위치정보의 속성값에 따라 사용자의 패턴을 모델링한 행동 패턴, 날씨정보의 속성값에 따라 사용자의 패턴을 모델링한 행동 패턴, 대기 측정정보의 속성값에 따라 사용자의 패턴을 모델링한 행동 패턴, 요일정보의 속성값에 따라 사용자의 패턴을 모델링한 행동 패턴 등의 정보를 포함할 수 있다. The restaurant recommendation device 120 generates the behavior pattern information of the user by using the classification result of the user's behavior and the purpose of inference information. Behavior pattern information is generated for each of a plurality of users. For example, the behavior pattern information for each of the plurality of users may include behavior patterns modeling the user's pattern according to the attribute value of the location information, behavior pattern modeling the user's pattern according to the attribute value of the weather information, and atmospheric measurement information. It may include information such as a behavior pattern modeling the user's pattern according to the attribute value, a behavior pattern modeling the user's pattern according to the attribute value of the day information.

음식점 추천장치(120)는 행동패턴 DB(130)에 기 저장된 기준 패턴정보와 사용자의 행동 패턴정보를 비교하고, 비교 결과에 따라 추출된 음식점 리스트를 음식점 추천정보롤 생성한다. 또한, 음식점 추천장치(120)는 음식점에 대한 선호도, 거리 등에 대한 조건을 추가로 반영하여 음식점 추천정보를 생성할 수 있다. 음식점 추천장치(120)에 대한 구체적인 동작은 도 2에서 설명하도록 한다. The restaurant recommendation device 120 compares the reference pattern information previously stored in the behavior pattern DB 130 with the behavior pattern information of the user, and generates a restaurant recommendation information roll based on the result of the comparison. In addition, the restaurant recommendation device 120 may generate restaurant recommendation information by additionally reflecting a condition on a restaurant's preference, distance, and the like. A detailed operation of the restaurant recommendation device 120 will be described with reference to FIG. 2.

행동패턴 DB(130)는 음식점 추천장치(120)와 연결되어 있고, 행동 패턴에 대한 데이터베이스를 구비한 장치를 의미한다. 행동패턴 DB(130)는 신규로 생성된 사용자의 행동 패턴을 저장하거나 기준 패턴정보를 저장하며, 음식점 추천장치(120)의 요청에 따라 저장된 데이터를 제공한다. The behavior pattern DB 130 is connected to the restaurant recommendation device 120 and means a device having a database of behavior patterns. The behavior pattern DB 130 stores a newly generated behavior pattern of the user or stores reference pattern information, and provides stored data at the request of the restaurant recommendation device 120.

도 1에서 행동패턴 DB(130)는 음식점 추천장치(120)와 별도의 장치인 것으로 도시하고 있으나 반드시 이에 한정되는 것은 아니며, 음식점 추천장치(120) 내에 행동패턴 데이터 저장부(미도시)와 같은 모듈 형태로 구현될 수 있다. In FIG. 1, the behavior pattern DB 130 is illustrated as a separate device from the restaurant recommendation device 120, but is not necessarily limited thereto, and the behavior pattern data storage unit (not shown) in the restaurant recommendation device 120 may be used. It may be implemented in a module form.

도 2는 본 실시예에 따른 음식점 추천장치를 개략적으로 나타낸 블록 구성도이다.2 is a block diagram schematically illustrating a restaurant recommendation apparatus according to the present embodiment.

본 실시예에 따른 음식점 추천장치(120)는 제1 데이터 수집부(210), 제2 데이터 수집부(220), 데이터 전처리부(230), 데이터 처리부(240), 행동패턴 생성부(250) 및 추천정보 처리부(260)를 포함한다. 도 2에 도시된 음식점 추천장치(120)는 일 실시예에 따른 것으로서, 도 2에 도시된 모든 블록이 필수 구성요소는 아니며, 다른 실시예에서 음식점 추천장치(120)에 포함된 일부 블록이 추가, 변경 또는 삭제될 수 있다. The restaurant recommendation device 120 according to the present embodiment includes a first data collector 210, a second data collector 220, a data preprocessor 230, a data processor 240, and a behavior pattern generator 250. And a recommendation information processing unit 260. The restaurant recommendation device 120 shown in FIG. 2 is according to an embodiment, and not all blocks shown in FIG. 2 are essential components, and in another embodiment, some blocks included in the restaurant recommendation device 120 are added. , Can be changed or deleted.

제1 데이터 수집부(210)는 단말기(110)로부터 주변환경에 대한 제1 컨텍스트 데이터를 수집한다. 여기서, 주변환경은 단말기(110)의 사용자의 위치를 기준으로 소정의 영역 내의 환경을 의미한다. 제1 컨텍스트 데이터는 단말기의 위치를 기반으로 위치정보, 날씨정보, 온도정보, 대기 측정정보, 요일정보 등 다양한 주변환경 정보를 포함할 수 있다. The first data collector 210 collects first context data about the surrounding environment from the terminal 110. Here, the surrounding environment refers to an environment within a predetermined area based on the location of the user of the terminal 110. The first context data may include various surrounding environment information such as location information, weather information, temperature information, atmospheric measurement information, day of the week information, etc. based on the location of the terminal.

제1 데이터 수집부(210)는 단말기(110)에 구비된 모듈 또는 장치를 이용하여 센싱 또는 측정된 제1 컨텍스트 데이터를 수집할 수 있으나 반드시 이에 한정되는 것은 아니다. 예를 들어, 제1 데이터 수집부(210)는 단말기(110) 내에 설치된 애플리케이션으로부터 정보를 취합하여 생성된 제1 컨텍스트 데이터를 단말기(110)로부터 수집할 수 있다. The first data collector 210 may collect first context data sensed or measured by using a module or a device provided in the terminal 110, but is not limited thereto. For example, the first data collector 210 may collect first context data generated by collecting information from an application installed in the terminal 110 from the terminal 110.

제2 데이터 수집부(220)는 단말기(110)로부터 사용자 행동과 관련된 제2 컨텍스트 데이터를 수집한다. 여기서, 사용자 행동은 단말기(110)를 이용하여 방문한 음식점, 단말기(110)를 통해 입력한 입력정보 등을 통해 판단되는 음식점 방문과 관련된 사용자의 행동을 의미한다. 제2 컨텍스트 데이터는 음식점 방문 기록정보, 음식 평가정보, 선호도 평가정보, 동행자 정보 등 다양한 사용자 행동과 관련된 정보를 포함할 수 있다. The second data collector 220 collects second context data related to user behavior from the terminal 110. Here, the user's behavior refers to a user's behavior associated with a visit to a restaurant determined through a restaurant visited using the terminal 110 and input information input through the terminal 110. The second context data may include information related to various user behaviors such as restaurant visit history information, food evaluation information, preference evaluation information, companion information, and the like.

제2 컨텍스트 데이터는 제1 컨텍스트 데이터와 별도의 데이터일 수 있으나 반드시 이에 한정되는 것은 아니며, 제1 컨텍스트 데이터와 연관된 데이터일 수 있다. 예를 들어, 제2 컨텍스트 데이터는 제1 컨텍스트 데이터에 포함된 위치정보를 중심으로 소정의 영역 내에 포함된 음식점과 연관된 사용자 행동정보(음식점 방문 기록정보, 음식 평가정보, 선호도 평가정보, 동행자 정보 등)를 포함할 수 있다. 또한, 제2 컨텍스트 데이터는 맑음, 흐림, 비, 안개, 눈 등의 날씨정보 각각에 연관된 사용자 행동정보를 포함하거나, 온도정보, 대기 측정정보 등의 수치값에 따른 사용자 행동정보를 포함할 수 있다. The second context data may be data separate from the first context data, but is not necessarily limited thereto, and may be data associated with the first context data. For example, the second context data may include user behavior information (restaurant visit information, food evaluation information, preference evaluation information, companion information, etc.) associated with a restaurant included in a predetermined area based on the location information included in the first context data. ) May be included. In addition, the second context data may include user behavior information associated with each weather information such as sunny, cloudy, rain, fog, snow, or may include user behavior information according to numerical values such as temperature information and atmospheric measurement information. .

본 실시예에서, 제1 데이터 수집부(210) 및 제2 데이터 수집부(220)는 제1 컨텍스트 데이터 및 제2 컨텍스트 데이터를 각각 수집하는 것으로 기재하고 있으나 반드시 이에 한정되는 것은 아니다. 예를 들어, 음식점 추천장치(120)는 데이터 수집부(미도시)를 이용하여 제1 컨텍스트 데이터 및 제2 컨텍스트 데이터가 통합된 모바일 컨텍스트 데이터를 수집할 수 있다. 여기서, 모바일 컨텍스트 데이터는 단말기(110)에 설치된 음식 추천 애플리케이션을 통해 통합된 데이터인 것이 바람직하나 반드시 이에 한정되는 것은 아니다. In the present embodiment, the first data collector 210 and the second data collector 220 are described as collecting the first context data and the second context data, respectively, but are not limited thereto. For example, the restaurant recommendation device 120 may collect mobile context data in which the first context data and the second context data are integrated using a data collector (not shown). Here, the mobile context data is preferably data integrated through the food recommendation application installed in the terminal 110, but is not necessarily limited thereto.

데이터 전처리부(230)는 제1 컨텍스트 데이터 및 제2 컨텍스트 데이터를 전처리 및 정규화 처리한다. The data preprocessor 230 preprocesses and normalizes the first context data and the second context data.

데이터 전처리부(230)는 데이터 분류 처리부(240)에서 사용자의 행동을 분석하기 위한 형태로 제1 컨텍스트 데이터 및 제2 컨텍스트 데이터를 전처리한다. 여기서, 전처리는 제1 컨텍스트 데이터 및 제2 컨텍스트 데이터 각각에 포함된 복수의 속성값 각각을 소정의 기준정보에 따라 식별하기 위한 데이터로 가공하는 것을 의미한다. 예를 들어, 데이터 전처리부(230)는 제1 컨텍스트 데이터 및 제2 컨텍스트 데이터 각각에 포함된 복수의 속성값에 소정의 기준정보에 따른 식별번호를 부여할 수 있다. The data preprocessor 230 preprocesses the first context data and the second context data in a form for analyzing the user's behavior in the data classification processor 240. Here, the preprocessing means processing each of the plurality of attribute values included in each of the first context data and the second context data into data for identifying according to predetermined reference information. For example, the data preprocessor 230 may assign identification numbers according to predetermined reference information to a plurality of attribute values included in each of the first context data and the second context data.

또한, 데이터 전처리부(230)는 전처리를 수행한 후 전처리된 데이터(제1 컨텍스트 데이터 및 제2 컨텍스트 데이터)를 정규화 처리한다. 데이터 전처리부(230)는 전처리된 데이터 중 데이터 분류 처리부(240)에서 분석하기 어렵거나 불필요한 데이터를 판단하여 제거한다. 여기서, 분석하기 어렵거나 불필요한 데이터는 기 설정된 기준량 이하인 데이터(예: 우박, 가뭄에 관한 데이터)를 의미한다. In addition, the data preprocessor 230 normalizes the preprocessed data (the first context data and the second context data) after performing the preprocessing. The data preprocessor 230 determines and removes data that is difficult or unnecessary to analyze by the data classification processor 240 among the preprocessed data. Here, data that is difficult or unnecessary to analyze means data that is less than or equal to a predetermined reference amount (eg, hail and drought data).

데이터 분류 처리부(240)는 제1 컨텍스트 데이터 및 제2 컨텍스트 데이터를 기반으로 복수의 카테고리 중 사용자 행동이 특정 카테고리에 포함될 확률값을 계산하여 복수의 사용자 행동을 분류하고, 사용자 행동에 대한 목적을 추론한다. 데이터 분류 처리부(240)는 데이터 분류부(242) 및 목적 추론부(244)를 포함한다. The data classification processor 240 classifies a plurality of user behaviors by calculating a probability value that the user behaviors are included in a specific category based on the first context data and the second context data, and infers a purpose for the user behaviors. . The data classification processor 240 includes a data classification unit 242 and a purpose inference unit 244.

데이터 분류부(242)는 제1 컨텍스트 데이터 및 제2 컨텍스트 데이터를 기반으로 복수의 카테고리 중 사용자 행동이 특정 카테고리에 포함될 확률값을 계산하여 사용자 행동을 분류한다. 여기서, 제1 컨텍스트 데이터 및 제2 컨텍스트 데이터는 전처리된 데이터인 것이 바람직하나 전처리 과정(데이터 전처리부의 동작)이 생략되는 경우 제1 데이터 수집부(210) 및 제2 데이터 수집부(220)에서 수집된 데이터일 수 있다. The data classifier 242 classifies the user behavior by calculating a probability value in which the user behavior is included in a specific category based on the first context data and the second context data. In this case, the first context data and the second context data are preferably preprocessed data, but are collected by the first data collector 210 and the second data collector 220 when the preprocessing process (the operation of the data preprocessor) is omitted. May be data.

데이터 분류부(242)는 제1 컨텍스트 데이터 및 제2 컨텍스트 데이터를 이용하여 복수의 사용자 행동마다 특정 카테고리에 속할 복수의 확률값을 산출하고, 복수의 확률값 중 가장 높은 확률값에 해당하는 사용자 행동을 특정 카테고리로 분류한다. 데이터 분류부(242)는 수학식 1을 이용하여 복수의 확률값을 산출하고 가장 높은 확률값을 구할 수 있다. The data classifier 242 calculates a plurality of probability values belonging to a specific category for each of a plurality of user actions by using the first context data and the second context data, and selects a user action corresponding to the highest probability value among the plurality of probability values. Classify as The data classifier 242 may calculate a plurality of probability values by using Equation 1 and obtain the highest probability value.

Figure 112017048919890-pat00001
Figure 112017048919890-pat00001

(Vmax: 가장 높은 확률값, ck: 사용자의 행동(속성)이 특정 카테고리 k일 확률(제2 컨텍스트 데이터의 속성), p(ck): 전체 집합(카테고리)에서 특정 카테고리 k가 속할 확률, xi: i 번째 속성일 확률(제1 컨텍스트 데이터의 속성), p(xi|ck): 특정 카테고리 k에서 특정 속성 x일 확률)(V max : highest probability value, c k : probability that the user's behavior (attribute) is a specific category k (attributes in the second context data), p (c k ): probability that a specific category k belongs to the entire set (category) , x i : probability of the i th attribute (attribute of the first context data), p (x i | c k ): probability of a specific attribute x in a specific category k)

목적 추론부(244)는 사용자 행동의 분류 결과에 근거하여 사용자 행동의 목적을 추론하여 행동목적 추론정보를 생성한다. 다시 말해, 목적 추론부(244)는 기 설정된 복수의 목적 모델에 사용자 행동의 분류 결과를 매칭시켜 사용자 목적에 대한 행동목적 추론정보를 생성한다. 예를 들어, 목적 추론부(244)는 업무 모임, 회사 모임, 개인 친목 모임, 가족 모임, 기타 모임 등의 목적 모델을 설정하고, 사용자 행동의 분류 결과를 설정된 복수의 목적 모델에 매칭시켜 행동목적 추론정보를 생성할 수 있다. 행동목적 추론정보는 '평일/저녁/회사 근처 /일반 음식점'을 방문한 사용자 행동의 분류 결과를 '업무 모임'으로 매칭시키고, '주말/점심/집 근처/일반 음식점'을 방문한 사용자 행동의 분류 결과를 '가족 모임'으로 매칭시키고, '주말/저녁/강남/주점'을 방문한 사용자 행동의 분류 결과를 '개인 친목 모임'으로 매칭시켜 행동목적 추론정보를 생성할 수 있다. The purpose inference unit 244 infers the purpose of the user's behavior based on the classification result of the user's behavior to generate behavioral purpose inference information. In other words, the purpose inference unit 244 generates the action purpose inference information for the user purpose by matching the classification result of the user action with a plurality of preset purpose models. For example, the purpose reasoning unit 244 sets up an objective model for a business meeting, a company meeting, a personal social gathering, a family meeting, and other meetings, and matches the result of classification of the user behavior with a plurality of set objective models. Inference information can be generated. Behavioral reasoning information matches the result of classifying user's behavior that visited 'weekday / evening / near company / general restaurant' with 'business meeting', and the result of classifying user behavior who visited 'weekend / lunch / near / common restaurant' To match the 'family gathering', and the classification result of the user's behavior visiting the 'weekend / evening / Gangnam / tavern' to 'personal social gathering' can generate behavioral reasoning information.

행동패턴 생성부(250)는 사용자 행동의 분류 결과에 근거하여 사용자의 행동 패턴정보를 생성한다. 행동 패턴정보는 복수의 사용자 각각에 대해 생성된다. The behavior pattern generator 250 generates behavior pattern information of the user based on the classification result of the user behavior. Behavior pattern information is generated for each of a plurality of users.

행동 패턴정보는 제1 컨텍스트 데이터의 속성값을 기준으로 생성될 수 있다. 예를 들어, 복수의 사용자 각각에 대한 행동 패턴정보는 위치정보의 속성값에 따라 사용자의 패턴을 모델링한 행동 패턴, 날씨정보의 속성값에 따라 사용자의 패턴을 모델링한 행동 패턴, 대기 측정정보의 속성값에 따라 사용자의 패턴을 모델링한 행동 패턴, 요일정보의 속성값에 따라 사용자의 패턴을 모델링한 행동 패턴 등의 정보를 포함할 수 있다. The behavior pattern information may be generated based on the attribute value of the first context data. For example, the behavior pattern information for each of the plurality of users may include behavior patterns modeling the user's pattern according to the attribute value of the location information, behavior pattern modeling the user's pattern according to the attribute value of the weather information, and atmospheric measurement information. It may include information such as a behavior pattern modeling the user's pattern according to the attribute value, a behavior pattern modeling the user's pattern according to the attribute value of the day information.

행동패턴 생성부(250)는 생성된 행동 패턴정보를 행동패턴 DB(130)로 전송하여 저장되도록 한다. 여기서, 행동패턴 DB(130)는 별도의 데이터베이스 장치일 수 있으나 반드시 이에 한정되는 것은 아니며, 음식점 추천장치(120) 내에 행동패턴 저장부(미도시)와 같은 모듈 형태로 구현될 수 있다. The behavior pattern generator 250 transmits the generated behavior pattern information to the behavior pattern DB 130 to be stored. Here, the behavior pattern DB 130 may be a separate database device, but is not necessarily limited thereto, and may be implemented in a module form such as a behavior pattern storage unit (not shown) in the restaurant recommendation device 120.

또한, 행동패턴 생성부(250)는 사용자 행동의 분류 결과와 행동목적 추론정보를 고려하여 사용자의 행동 패턴정보를 생성할 수 있다. 행동패턴 생성부(250)는 제1 컨텍스트 데이터의 속성값을 기준으로 행동 패턴정보를 생성할 때 행동목적 추론정보를 추가로 포함시킬 수 있다. In addition, the behavior pattern generator 250 may generate the behavior pattern information of the user in consideration of the classification result of the user behavior and the purpose of inference information. The behavior pattern generator 250 may additionally include behavior purpose inference information when generating behavior pattern information based on the attribute value of the first context data.

추천정보 처리부(260)는 행동 패턴정보 및 기 설정된 기준 패턴정보를 비교하고, 비교 결과에 근거하여 적어도 하나의 음식점 정보를 포함하는 음식점 추천정보를 생성한다. 추천정보 처리부(260)는 생성된 음식점 추천정보를 단말기(110)로 전송한다. 여기서, 음식점 추천정보는 음식점 추천에 대한 사용자의 요구상황에 따라 포함되는 음식점 정보가 변경될 수 있다. The recommendation information processor 260 compares the behavior pattern information and the predetermined reference pattern information, and generates restaurant recommendation information including at least one restaurant information based on the comparison result. The recommendation information processor 260 transmits the generated restaurant recommendation information to the terminal 110. Here, the restaurant recommendation information may be changed according to the user's request for the restaurant recommendation.

추천정보 처리부(260)는 행동 패턴정보와 기준 패턴정보를 비교한 비교값이 소정의 기준값을 초과하면 유사한 행동 패턴이 존재하는 것으로 판단하여 기준 패턴정보에 해당하는 음식점 리스트를 음식점 추천정보로 생성한다. 여기서, 기준 패턴정보 및 기준 패턴정보에 해당하는 음식점 리스트는 행동패턴 DB(130)로부터 불러온 정보인 것이 바람직하나 반드시 이에 한정되는 것은 아니다. The recommendation information processor 260 determines that similar behavior patterns exist when the comparison value comparing the behavior pattern information and the reference pattern information exceeds a predetermined reference value, and generates a restaurant list corresponding to the reference pattern information as restaurant recommendation information. . Here, the restaurant list corresponding to the reference pattern information and the reference pattern information is preferably information loaded from the behavior pattern DB 130, but is not necessarily limited thereto.

추천정보 처리부(260)는 두 가지 방식을 이용하여 생성된 음식점 리스트에 포함된 음식점을 필터링하고, 필터링된 음식점을 이용하여 음식점 추천정보를 변경(갱신)할 수 있다. The recommendation information processor 260 may filter the restaurants included in the restaurant list generated by using two methods, and change (update) the restaurant recommendation information by using the filtered restaurants.

첫 번째 방식은 음식점의 선호도를 반영하여 음식점 추천정보를 변경하는 방식이다. 추천정보 처리부(260)는 생성된 음식점 리스트에 포함된 음식점 각각에 대한 선호 예측값을 추가로 산출한다. 여기서, 선호 예측값은 기 저장된 사용자들의 선호도를 가중 평균하여 산출된 평가 점수로 예측한 값을 의미한다. 추천정보 처리부(260)는 산출된 선호 예측값이 가장 크거나 소정의 기준 예측값 이상에 해당하는 적어도 하나의 음식점을 추출하여 음식점 추천정보를 변경한다. The first method is to change the restaurant recommendation information to reflect the preference of the restaurant. The recommendation information processor 260 further calculates a preference prediction value for each restaurant included in the generated restaurant list. Here, the preference prediction value means a value predicted by an evaluation score calculated by weighted average of preferences of previously stored users. The recommendation information processor 260 changes the restaurant recommendation information by extracting at least one restaurant having the largest calculated preference prediction value or corresponding to a predetermined reference prediction value or more.

추천정보 처리부(260)는 수학식 2를 이용하여 추출된 음식점의 사용자 선호 예측값을 산출할 수 있다. The recommendation information processor 260 may calculate a user preference prediction value of the extracted restaurant using Equation 2.

Figure 112017048919890-pat00002
Figure 112017048919890-pat00002

(P(u1,pj): 사용자 u1이 경험하지 않은 장소 pj에 대한 선호 예측값,

Figure 112017048919890-pat00003
및(P (u 1 , p j ): Preferred prediction for place p j that user u 1 has not experienced,
Figure 112017048919890-pat00003
And

Figure 112017048919890-pat00004
: 각각 사용자 u1과 u20이 평가한 모든 아이템의 평가점수의 평균값, ru20,pj는 이웃 사용자 u20의 pj에 대한 평가점수)
Figure 112017048919890-pat00004
: The average value of the evaluation scores of all items evaluated by users u 1 and u 20, respectively, r u20, pj is the evaluation score of p j of neighboring users u 20 )

두 번째 방식은 음식점의 거리값을 반영하여 음식점 추천정보를 변경하는 방식이다. 추천정보 처리부(260)는 단말기(110)의 현재위치와 음식점 리스트에 포함된 음식점 각각과 거리값을 산출한다. 추천정보 처리부(260)는 산출된 복수의 거리값 중 거리값이 가장 작거나 소정의 기준 거리값 미만에 해당하는 적어도 하나의 음식점을 추출하여 음식점 추천정보를 변경한다. The second method is to change the restaurant recommendation information to reflect the distance value of the restaurant. The recommendation information processor 260 calculates the current location of the terminal 110 and each of the restaurants included in the restaurant list and the distance value. The recommendation information processor 260 extracts at least one restaurant having a smallest distance value or less than a predetermined reference distance value among the calculated plurality of distance values, and changes restaurant recommendation information.

한편, 추천정보 처리부(260)는 선호 예측값 및 거리값을 모두 이용하여 음식점 추천정보를 생성할 수도 있다. 추천정보 처리부(260)는 행동 패턴정보와 기준 패턴정보를 비교한 비교값이 소정의 기준값을 초과하면 기준 패턴정보에 해당하는 제1 음식점 리스트를 생성하고, 제1 음식점 리스트 중 선호 예측값이 가장 크거나 소정의 기준 예측값 이상에 해당하는 음식점을 추출하여 제2 음식점 리스트를 생성할 수 있다. 추천정보 처리부(260)는 제2 음식점 리스트 중 상기 단말기의 현재위치를 기준으로 거리값이 가장 작거나 소정의 기준 거리값 미만에 해당하는 음식점을 추출하여 음식점 추천정보를 생성할 수 있다. Meanwhile, the recommendation information processor 260 may generate restaurant recommendation information by using both the preference prediction value and the distance value. The recommendation information processing unit 260 generates a first restaurant list corresponding to the reference pattern information when the comparison value comparing the behavior pattern information and the reference pattern information exceeds a predetermined reference value, and the preferred prediction value is the largest among the first restaurant list. Alternatively, the second restaurant list may be generated by extracting a restaurant corresponding to a predetermined reference value or more. The recommendation information processor 260 may generate restaurant recommendation information by extracting a restaurant having a smallest distance value or less than a predetermined reference distance value based on the current location of the terminal in the second restaurant list.

도 3은 본 실시예에 따른 모바일 컨텍스트 정보 기반의 음식점 추천방법을 설명하기 위한 순서도이다. 3 is a flowchart illustrating a restaurant recommendation method based on mobile context information according to the present embodiment.

음식점 추천장치(120)는 단말기(110)로부터 주변환경에 대한 제1 컨텍스트 데이터를 수집한다(S310). 여기서, 제1 컨텍스트 데이터는 단말기의 위치를 기반으로 위치정보, 날씨정보, 온도정보, 대기 측정정보, 요일정보 등 다양한 주변환경 정보를 포함할 수 있다. The restaurant recommendation device 120 collects first context data about the surrounding environment from the terminal 110 (S310). Here, the first context data may include various surrounding environment information such as location information, weather information, temperature information, atmospheric measurement information, and day of the week information based on the location of the terminal.

음식점 추천장치(120)는 단말기(110)로부터 사용자 행동과 관련된 제2 컨텍스트 데이터를 수집한다(S312). 여기서, 제2 컨텍스트 데이터는 음식점 방문 기록정보, 음식 평가정보, 선호도 평가정보, 동행자 정보 등 다양한 사용자 행동과 관련된 정보를 포함할 수 있다. The restaurant recommendation device 120 collects second context data related to user behavior from the terminal 110 (S312). Here, the second context data may include information related to various user behaviors such as restaurant visit history information, food evaluation information, preference evaluation information, companion information, and the like.

음식점 추천장치(120)는 제1 컨텍스트 데이터 및 제2 컨텍스트 데이터를 전처리 및 정규화 처리한다(S320). 음식점 추천장치(120)는 사용자의 행동을 분석하기 위한 형태로 제1 컨텍스트 데이터 및 제2 컨텍스트 데이터를 전처리하고, 전처리된 데이터(제1 컨텍스트 데이터 및 제2 컨텍스트 데이터)를 정규화 처리한다. 여기서, 전처리는 제1 컨텍스트 데이터 및 제2 컨텍스트 데이터 각각에 포함된 복수의 속성값 각각을 소정의 기준정보에 따라 식별하기 위한 데이터로 가공하는 것을 의미하며, 정규화 처리는 기 설정된 기준량 이하인 데이터(예: 우박, 가뭄에 관한 데이터)를 판단하여 제거하는 것을 의미한다. The restaurant recommendation device 120 preprocesses and normalizes the first context data and the second context data (S320). The restaurant recommendation device 120 preprocesses the first context data and the second context data in a form for analyzing the user's behavior, and normalizes the preprocessed data (the first context data and the second context data). Here, the preprocessing means processing each of the plurality of attribute values included in each of the first context data and the second context data into data for identifying according to predetermined reference information, and the normalization processing includes data that is equal to or less than a predetermined reference amount (eg, : Hail, drought data) is determined and eliminated.

음식점 추천장치(120)는 제1 컨텍스트 데이터 및 제2 컨텍스트 데이터를 기반으로 복수의 카테고리 중 사용자 행동이 특정 카테고리에 포함될 확률값을 계산한다(S330).The restaurant recommendation apparatus 120 calculates a probability value in which user behavior is included in a specific category based on the first context data and the second context data (S330).

음식점 추천장치(120)는 복수의 확률값 중 가장 높은 확률값에 해당하는 사용자 행동을 특정 카테고리로 분류한다(S332).The restaurant recommendation apparatus 120 classifies the user behavior corresponding to the highest probability value among the plurality of probability values into a specific category (S332).

음식점 추천장치(120)는 사용자 행동의 목적을 추론한다(S334). 다시 말해, 음식점 추천장치(120)는 기 설정된 복수의 목적 모델에 사용자 행동의 분류 결과를 매칭시켜 사용자 목적에 대한 행동목적 추론정보를 생성한다.Restaurant recommendation device 120 infers the purpose of the user action (S334). In other words, the restaurant recommendation device 120 generates behavior purpose inference information for the user purpose by matching the classification result of the user behavior with a plurality of preset objective models.

음식점 추천장치(120)는 사용자 행동의 분류 결과 및 행동목적 추론정보 중 적어도 하나를 고려하여 사용자의 행동 패턴정보를 생성한다(S340).The restaurant recommendation device 120 generates user behavior pattern information in consideration of at least one of a classification result of the user behavior and behavior purpose inference information (S340).

음식점 추천장치(120)는 단계 S340에서 생성된 행동 패턴정보와 기 저장된 행동 패턴정보를 비교한다(S350). 기 저장된 행동 패턴정보는 행동 패턴 DB(130)에 저장된 정보일 수 있다. The restaurant recommendation device 120 compares the behavior pattern information generated in step S340 with previously stored behavior pattern information (S350). The previously stored behavior pattern information may be information stored in the behavior pattern DB 130.

단계 S350에서 음식점 추천장치(120)는 행동 패턴정보와 기준 패턴정보를 비교한 비교값이 소정의 기준값을 초과하면 유사한 행동 패턴이 존재하는 것으로 판단하여 기준 패턴정보에 해당하는 음식점 리스트를 추출하고(S360), 추출된 음식점 리스트를 음식점 추천정보로 생성하여 단말기(110)에 제공한다(S370).In operation S350, the restaurant recommendation apparatus 120 determines that a similar behavior pattern exists when the comparison value comparing the behavior pattern information and the reference pattern information exceeds a predetermined reference value, and extracts a restaurant list corresponding to the reference pattern information (S350). S360), the extracted restaurant list is generated as restaurant recommendation information and provided to the terminal 110 (S370).

한편, 단계 S350에서 음식점 추천장치(120)는 행동 패턴정보와 기준 패턴정보를 비교한 비교값이 소정의 기준값 이하이면 유사한 행동 패턴이 존재하지 않는 것으로 판단하여 행동 패턴정보를 신규로 행동 패턴 DB(130)에 저장한다(S352). 음식점 추천장치(120)는 신규로 저장된 행동 패턴정보에 관련된 음식점 리스트를 새롭게 생성하고(S354), 생성된 음식점 리스트를 포함하는 음식점 추천정보를 단말기(110)에 제공한다(S370).Meanwhile, in operation S350, the restaurant recommendation device 120 determines that a similar behavior pattern does not exist when the comparison value comparing the behavior pattern information and the reference pattern information is equal to or less than a predetermined reference value, and newly adds the behavior pattern information to the behavior pattern DB ( 130) (S352). The restaurant recommendation device 120 newly generates a restaurant list related to the newly stored behavior pattern information (S354), and provides the restaurant 110 with restaurant recommendation information including the generated restaurant list (S370).

도 3에서는 단계 S310 내지 단계 S370를 순차적으로 실행하는 것으로 기재하고 있으나, 이는 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 도 3에 기재된 순서를 변경하여 실행하거나 단계 S310 내지 단계 S370 중 하나 이상의 단계를 병렬적으로 실행하는 것으로 다양하게 수정 및 변형하여 적용 가능할 것이므로, 도 3은 시계열적인 순서로 한정되는 것은 아니다.In FIG. 3, steps S310 to S370 are described as being sequentially executed. However, these are merely illustrative examples of the technical idea of the present embodiment. 3 may be modified and modified by changing the order described in FIG. 3 or executing one or more steps of steps S310 to S370 in parallel without departing from the essential characteristics thereof. It is not limited.

전술한 바와 같이 도 3에 기재된 본 실시예에 따른 음식점 추천장치(120)의 동작은 프로그램으로 구현되고 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다. 본 실시예에 따른 음식점 추천장치(120)의 동작을 구현하기 위한 프로그램이 기록되고 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 이러한 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수도 있다. 또한, 본 실시예를 구현하기 위한 기능적인(Functional) 프로그램, 코드 및 코드 세그먼트들은 본 실시예가 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있을 것이다. As described above, the operation of the restaurant recommendation apparatus 120 according to the present embodiment described in FIG. 3 may be implemented in a program and recorded in a computer-readable recording medium. The computer-readable recording medium for recording a program for implementing the operation of the restaurant recommendation device 120 according to the present embodiment includes all kinds of recording devices for storing data that can be read by a computer system. Examples of such computer-readable recording media include ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical data storage, and the like, and are implemented in the form of a carrier wave (for example, transmission over the Internet). It includes being. The computer readable recording medium can also be distributed over network coupled computer systems so that the computer readable code is stored and executed in a distributed fashion. Also, functional programs, codes, and code segments for implementing the present embodiment may be easily inferred by programmers in the art to which the present embodiment belongs.

도 4는 본 실시예에서 모바일 컨텍스트 정보 기반으로 음식점 추천정보를 제공하는 동작을 설명하기 위한 예시도이다. 도 4는 도 3의 단계 S360 내지 단계 S370에서 음식점 추천정보를 생성하는 동작을 구체적으로 설명한다. 4 is an exemplary diagram for explaining an operation of providing restaurant recommendation information based on mobile context information in the present embodiment. 4 illustrates an operation of generating restaurant recommendation information in steps S360 to S370 of FIG. 3.

음식점 추천장치(120)는 행동 패턴정보와 기준 패턴정보를 비교한 비교값이 소정의 기준값을 초과하면 기준 패턴정보에 해당하는 제1 음식점 리스트를 생성한다(S410).If the comparison value comparing the behavior pattern information and the reference pattern information exceeds a predetermined reference value, the restaurant recommendation apparatus 120 generates a first restaurant list corresponding to the reference pattern information (S410).

음식점 추천장치(120)는 제1 음식점 리스트에 대한 선호 예측값을 산출한다(S420). 음식점 추천장치(120)는 제1 음식점 리스트에 포함된 음식점 각각에 대한 선호 예측값을 산출한다. 여기서, 선호 예측값은 기 저장된 사용자들의 선호도를 가중 평균하여 산출된 평가 점수로 예측한 값을 의미한다. The restaurant recommendation device 120 calculates a preferred prediction value for the first restaurant list (S420). The restaurant recommendation device 120 calculates a preference prediction value for each restaurant included in the first restaurant list. Here, the preference prediction value means a value predicted by an evaluation score calculated by weighted average of preferences of previously stored users.

음식점 추천장치(120)는 단계 S420에서 산출된 선호 예측값이 가장 크거나 소정의 기준 예측값 이상에 해당하는 적어도 하나의 음식점을 추출하여 제2 음식점 리스트를 생성한다(S430).The restaurant recommendation device 120 extracts at least one restaurant having the largest preferred prediction value calculated in step S420 or corresponding to a predetermined reference predicted value or higher to generate a second restaurant list (S430).

음식점 추천장치(120)는 단말기(110)의 현재위치와 제2 음식점 리스트에 포함된 음식점 각각과의 거리값을 산출한다(S440).The restaurant recommendation device 120 calculates a distance value between the current location of the terminal 110 and each of the restaurants included in the second restaurant list (S440).

음식점 추천장치(120)는 단계 S420에서 산출된 복수의 거리값 중 거리값이 가장 작거나 소정의 기준 거리값 미만에 해당하는 적어도 하나의 음식점을 추출하여 제3 음식점 리스트를 생성한다(S450).The restaurant recommendation apparatus 120 generates a third restaurant list by extracting at least one restaurant having a smallest distance value or a smaller value than a predetermined reference distance value among the plurality of distance values calculated in operation S420 (S450).

음식점 추천장치(120)는 제3 음식점 리스트의 음식점 정보를 포함하는 음식점 추천정보를 생성하여 단말기(110)로 제공한다(S460).The restaurant recommendation device 120 generates restaurant recommendation information including restaurant information of the third restaurant list and provides the generated restaurant recommendation information to the terminal 110 (S460).

도 4에서는 단계 S410 내지 단계 S460를 순차적으로 실행하는 것으로 기재하고 있으나, 이는 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 도 4에 기재된 순서를 변경하여 실행하거나 단계 S410 내지 단계 S460 중 하나 이상의 단계를 병렬적으로 실행하는 것으로 다양하게 수정 및 변형하여 적용 가능할 것이므로, 도 4는 시계열적인 순서로 한정되는 것은 아니다.In FIG. 4, steps S410 through S460 are described as being sequentially executed. However, this is merely illustrative of the technical idea of the present embodiment, and a person having ordinary knowledge in the technical field to which the present embodiment belongs may perform the present embodiment. 4 may be modified and modified in various ways, such as by changing the order described in FIG. 4 or executing one or more steps of steps S410 to S460 in parallel without departing from the essential characteristics. It is not limited.

이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.The above description is merely illustrative of the technical idea of the present embodiment, and those skilled in the art to which the present embodiment belongs may make various modifications and changes without departing from the essential characteristics of the present embodiment. Therefore, the present embodiments are not intended to limit the technical idea of the present embodiment but to describe the present invention, and the scope of the technical idea of the present embodiment is not limited by these embodiments. The scope of protection of the present embodiment should be interpreted by the following claims, and all technical ideas within the scope equivalent thereto should be construed as being included in the scope of the present embodiment.

100: 음식점 추천 시스템 110: 단말기
120: 음식점 추천장치 130: 행동패턴 DB
210: 제1 데이터 수집부 220: 제2 데이터 수집부
230: 데이터 전처리부 240: 데이터 처리부
250: 행동패턴 생성부 260: 추천정보 처리부100: restaurant recommendation system 110: terminal
120: restaurant recommendation device 130: behavior pattern DB
210: first data collector 220: second data collector
230: data preprocessor 240: data processor
250: behavior pattern generation unit 260: recommendation information processing unit

Claims (13)

음식점을 추천하는 장치에 있어서,
단말기로부터 주변환경에 대한 제1 컨텍스트 데이터를 수집하는 제1 데이터 수집부;
상기 단말기로부터 사용자 행동에 대한 제2 컨텍스트 데이터를 수집하는 제2 데이터 수집부;
상기 제1 컨텍스트 데이터 및 상기 제2 컨텍스트 데이터를 기반으로 복수의 카테고리 중 사용자 행동이 특정 카테고리에 포함될 확률값을 계산하여 상기 사용자 행동을 분류할 때, 상기 제2 컨텍스트 데이터의 속성인 사용자의 행동(속성)이 특정 카테고리 k일 확률(ck), 전체 카테고리에서 특정 카테고리 k가 속할 확률(p(ck)), 상기 제1 컨텍스트 데이터의 속성인 i 번째 속성일 확률(xi), 특정 카테고리 k에서 특정 속성 x일 확률(p(xi|ck))을 기반으로 가장 높은 확률값(Vmax)을 산출하고, 상기 가장 높은 확률값(Vmax)을 기반으로 상기 사용자 행동을 분류하는 데이터 분류부;
상기 사용자 행동의 분류 결과, 상기 제1 컨텍스트 데이터의 위치정보, 날씨정보 및 대기 측정정보 각각의 속성값 및 행동목적 추론정보에 근거하여 사용자의 행동 패턴정보를 생성하는 행동패턴 생성부; 및
상기 행동 패턴정보 및 기 설정된 기준 패턴정보의 비교 결과에 근거하여 선정된 적어도 하나의 음식점 정보를 포함하는 음식점 추천정보를 제공할 때, 사용자 u1가 평가한 모든 아이템의 평가점수의 평균값(
Figure 112019035649876-pat00009
), 사용자 u20이 평가한 모든 아이템의 평가점수의 평균값(
Figure 112019035649876-pat00010
), 상기 사용자 u20의 pj에 대한 평가점수(ru20,pj)를 기반으로 상기 사용자 u1이 경험하지 않은 장소 pj에 대한 선호 예측값(P(u1,pj))을 산출하고, 상기 사용자 u1이 경험하지 않은 장소 pj에 대한 선호 예측값(P(u1,pj))을 기반으로 상기 음식점 추천정보를 제공하며, 적어도 하나의 음식점 정보 각각에 대해 선호도를 가중 평균하여 산출된 평가 점수로 예측한 선호 예측값을 추가로 산출하고, 상기 선호 예측값이 가장 크거나 기준 예측값 이상에 해당하는 음식점을 추출하여 갱신된 음식점 추천정보를 제공하는 추천정보 처리부
를 포함하는 것을 특징으로 하는 음식점 추천장치.In the device which recommends a restaurant,
A first data collector configured to collect first context data of a surrounding environment from a terminal;
A second data collector configured to collect second context data on user behavior from the terminal;
A user's behavior that is an attribute of the second context data when the user's behavior is classified by calculating a probability value including a user's behavior among a plurality of categories based on the first context data and the second context data. ) Is the probability of a specific category k (c k ), the probability that a particular category k belongs to all categories (p (c k )), the probability that it is the i-th attribute that is an attribute of the first context data (x i ), a specific category k A data classifier that calculates the highest probability value V max based on the probability p (x i | c k ), and classifies the user's behavior based on the highest probability value V max . ;
A behavior pattern generation unit configured to generate behavior pattern information of the user based on the result of the classification of the user behavior, the attribute value of each of the location information, the weather information, and the atmospheric measurement information of the first context data and the behavioral purpose inference information; And
When providing restaurant recommendation information including at least one restaurant information selected based on a result of comparing the behavior pattern information and preset reference pattern information, the average value of the evaluation scores of all items evaluated by the user u 1 (
Figure 112019035649876-pat00009
), The average value of the ratings of all items rated by user u 20 (
Figure 112019035649876-pat00010
), Based on the evaluation score (r u20, pj ) for p j of the user u 20 , calculates a preferred prediction value (P (u 1 , p j )) for the place p j that the user u 1 has not experienced The restaurant recommendation information is provided based on a preference prediction value P (u 1 , p j ) for a place p j that the user u 1 has not experienced, and the weighted average of each of at least one restaurant information is provided. The recommendation information processing unit further calculates a preference prediction value predicted by the calculated evaluation score, extracts a restaurant corresponding to the largest or more than the reference prediction value and provides updated restaurant recommendation information.
Restaurant recommendation apparatus comprising a. 제1항에 있어서,
상기 제1 컨텍스트 데이터 및 상기 제2 컨텍스트 데이터를 전처리 및 정규화 처리하는 데이터 전처리부를 추가로 포함하되,
상기 데이터 전처리부는,
상기 제1 컨텍스트 데이터 및 상기 제2 컨텍스트 데이터를 분석하기 위해 소정의 기준정보에 따라 데이터를 전처리하며, 전처리된 데이터 중 기 설정된 기준량 이하인 데이터를 정규화 처리하는 것을 특징으로 하는 음식점 추천장치.The method of claim 1,
Further comprising a data preprocessor for preprocessing and normalizing the first context data and the second context data,
The data preprocessing unit,
And preprocess the data according to predetermined reference information to analyze the first context data and the second context data, and normalize the data that is less than or equal to a predetermined reference amount among the preprocessed data. 제1항에 있어서,
상기 제1 컨텍스트 데이터는 상기 단말기의 위치를 기반으로 위치정보, 날씨정보, 온도정보, 대기 측정정보 및 요일정보 중 적어도 하나의 정보를 포함하고, 상기 제2 컨텍스트 데이터는 음식점 방문 기록정보, 음식 평가정보, 선호도 평가정보 및 동행자 정보 중 적어도 하나의 정보를 포함하는 것을 특징으로 하는 음식점 추천장치.The method of claim 1,
The first context data includes at least one of location information, weather information, temperature information, atmospheric measurement information, and day of the week information based on the location of the terminal, and the second context data includes restaurant visit history information and food evaluation. Restaurant recommendation device comprising at least one of information, preference evaluation information and companion information. 삭제delete 제1항에 있어서,
상기 사용자 행동의 분류 결과에 근거하여 상기 사용자 행동의 목적을 추론하여 행동목적 추론정보를 생성하는 목적 추론부를 추가로 포함하는 것을 특징으로 하는 음식점 추천장치.The method of claim 1,
And an object reasoning unit for inducing the purpose of the user action based on the classification result of the user action to generate the action purpose reasoning information. 제5항에 있어서,
상기 행동 패턴 생성부는,
상기 사용자 행동의 분류 결과와 행동목적 추론정보를 고려하여 상기 행동 패턴정보를 생성하는 것을 특징으로 하는 음식점 추천장치.The method of claim 5,
The behavior pattern generation unit,
And the behavior pattern information is generated in consideration of the classification result of the user behavior and behavior purpose inference information. 제6항에 있어서,
상기 추천정보 처리부는,
상기 행동 패턴정보와 상기 기준 패턴정보의 비교값이 소정의 기준값을 초과하면 상기 기준 패턴정보에 해당하는 제1 음식점 리스트를 생성하고, 상기 제1 음식점 리스트 중 선호 예측값이 가장 크거나 소정의 기준 예측값 이상에 해당하는 음식점을 추출하여 제2 음식점 리스트를 생성하며, 상기 제2 음식점 리스트 중 상기 단말기의 현재위치를 기준으로 거리값이 가장 작거나 소정의 기준 거리값 미만에 해당하는 음식점을 추출하여 상기 음식점 추천정보로 제공하는 것을 특징으로 하는 음식점 추천장치.The method of claim 6,
The recommendation information processing unit,
When the comparison value between the behavior pattern information and the reference pattern information exceeds a predetermined reference value, a first restaurant list corresponding to the reference pattern information is generated, and the preferred prediction value is the largest or the predetermined reference prediction value among the first restaurant list. The second restaurant list is generated by extracting a restaurant corresponding to the above, and the second restaurant list is extracted from a restaurant having a smallest distance value or less than a predetermined reference distance value based on the current location of the terminal. Restaurant recommendation apparatus, characterized in that provided by the restaurant recommendation information. 제1항에 있어서,
상기 추천정보 처리부는,
상기 행동 패턴정보와 상기 기준 패턴정보의 비교값이 소정의 기준값을 초과하면 상기 기준 패턴정보에 해당하는 음식점 리스트를 상기 음식점 추천정보로 제공하는 것을 특징으로 하는 음식점 추천장치.The method of claim 1,
The recommendation information processing unit,
And if the comparison value between the behavior pattern information and the reference pattern information exceeds a predetermined reference value, provide a restaurant list corresponding to the reference pattern information as the restaurant recommendation information. 삭제delete 제8항에 있어서,
상기 추천정보 처리부는,
상기 단말기의 현재위치와 상기 음식점 리스트에 포함된 음식점 각각과의 거리값을 산출하고, 상기 거리값이 가장 작거나 소정의 기준 거리값 미만에 해당하는 음식점을 상기 음식점 리스트에서 추출하여 상기 음식점 추천정보로 제공하는 것을 특징으로 하는 음식점 추천장치.The method of claim 8,
The recommendation information processing unit,
Compute a distance value between the current location of the terminal and each of the restaurants included in the restaurant list, and extract the restaurant having the smallest distance or less than a predetermined reference distance value from the restaurant list to recommend the restaurant. Restaurant recommendation apparatus characterized in that provided by. 음식점을 추천하는 방법에 있어서,
제1 데이터 수집부에서 단말기로부터 주변환경에 대한 제1 컨텍스트 데이터를 수집하는 제1 데이터 수집과정;
제2 데이터 수집부에서 상기 단말기로부터 사용자 행동에 대한 제2 컨텍스트 데이터를 수집하는 제2 데이터 수집과정;
데이터 분류부에서 상기 제1 컨텍스트 데이터 및 상기 제2 컨텍스트 데이터를 기반으로 복수의 카테고리 중 사용자 행동이 특정 카테고리에 포함될 확률값을 계산하여 상기 사용자 행동을 분류할 때, 상기 제2 컨텍스트 데이터의 속성인 사용자의 행동(속성)이 특정 카테고리 k일 확률(ck), 전체 카테고리에서 특정 카테고리 k가 속할 확률(p(ck)), 상기 제1 컨텍스트 데이터의 속성인 i 번째 속성일 확률(xi), 특정 카테고리 k에서 특정 속성 x일 확률(p(xi|ck))을 기반으로 가장 높은 확률값(Vmax)을 산출하고, 상기 가장 높은 확률값(Vmax)을 기반으로 상기 사용자 행동을 분류하는 데이터 분류 과정;
행동패턴 생성부에서 상기 사용자 행동의 분류 결과, 상기 제1 컨텍스트 데이터의 위치정보, 날씨정보 및 대기 측정정보 각각의 속성값 및 행동목적 추론정보에 근거하여 사용자의 행동 패턴정보를 생성하는 행동패턴 생성 과정; 및
추천정보 처리부에서 상기 행동 패턴정보 및 기 설정된 기준 패턴정보의 비교 결과에 근거하여 선정된 적어도 하나의 음식점 정보를 포함하는 음식점 추천정보를 제공할 때, 사용자 u1가 평가한 모든 아이템의 평가점수의 평균값(
Figure 112019035649876-pat00011
), 사용자 u20이 평가한 모든 아이템의 평가점수의 평균값(
Figure 112019035649876-pat00012
), 상기 사용자 u20의 pj에 대한 평가점수(ru20,pj)를 기반으로 상기 사용자 u1이 경험하지 않은 장소 pj에 대한 선호 예측값(P(u1,pj))을 산출하고, 상기 사용자 u1이 경험하지 않은 장소 pj에 대한 선호 예측값(P(u1,pj))을 기반으로 상기 음식점 추천정보를 제공하며, 적어도 하나의 음식점 정보 각각에 대해 선호도를 가중 평균하여 산출된 평가 점수로 예측한 선호 예측값을 추가로 산출하고, 상기 선호 예측값이 가장 크거나 기준 예측값 이상에 해당하는 음식점을 추출하여 갱신된 음식점 추천정보를 제공하는 추천정보 처리 과정
을 포함하는 것을 특징으로 하는 음식점 추천방법.In how to recommend a restaurant,
A first data collection process of collecting, by the first data collection unit, first context data of the surrounding environment from the terminal;
A second data collection process of collecting, by a second data collector, second context data on user behavior from the terminal;
When the data classifier classifies the user behavior by calculating a probability value including a user behavior among a plurality of categories based on the first context data and the second context data, the user is an attribute of the second context data. The probability (c k ) of the behavior (attribute) of the specific category k, the probability of the particular category k belonging to the whole category (p (c k )), and the probability (x i ) of the i th attribute that is the attribute of the first context data (x i ). And calculating the highest probability value V max based on the probability p (x i | c k ) of a specific attribute x in a specific category k, and classifying the user behavior based on the highest probability value V max . Data classification process;
The behavior pattern generation unit generates a behavior pattern information of the user based on a classification result of the user behavior, attribute values of each of the location information, weather information, and atmospheric measurement information of the first context data, and behavior purpose inference information. process; And
When the recommendation information processing unit provides restaurant recommendation information including at least one restaurant information selected based on a comparison result of the behavior pattern information and preset reference pattern information, the rating scores of all items evaluated by the user u 1 medium(
Figure 112019035649876-pat00011
), The average value of the ratings of all items rated by user u 20 (
Figure 112019035649876-pat00012
), Based on the evaluation score (r u20, pj ) for p j of the user u 20 , calculates a preferred prediction value (P (u 1 , p j )) for the place p j that the user u 1 has not experienced The restaurant recommendation information is provided based on a preference prediction value P (u 1 , p j ) for a place p j that the user u 1 has not experienced, and the weighted average of each of at least one restaurant information is provided. The recommendation information processing process of further calculating a preference prediction value predicted by the calculated evaluation score, extracting a restaurant having the largest or more than the reference prediction value and providing updated restaurant recommendation information.
Restaurant recommendation method comprising a. 제11항에 있어서,
상기 제1 컨텍스트 데이터는 상기 단말기의 위치를 기반으로 위치정보, 날씨정보, 온도정보, 대기 측정정보 및 요일정보 중 적어도 하나의 정보를 포함하고, 상기 제2 컨텍스트 데이터는 음식점 방문 기록정보, 음식 평가정보, 선호도 평가정보 및 동행자 정보 중 적어도 하나의 정보를 포함하는 것을 특징으로 하는 음식점 추천방법.
The method of claim 11,
The first context data includes at least one of location information, weather information, temperature information, atmospheric measurement information, and day of the week information based on the location of the terminal, and the second context data includes restaurant visit history information and food evaluation. Restaurant recommendation method comprising at least one of information, preference evaluation information and companion information.
삭제delete
KR1020170063256A 2017-05-23 2017-05-23 Method and Apparatus for Recommending Restaurant Based on Mobile Context Information KR102020551B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170063256A KR102020551B1 (en) 2017-05-23 2017-05-23 Method and Apparatus for Recommending Restaurant Based on Mobile Context Information

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170063256A KR102020551B1 (en) 2017-05-23 2017-05-23 Method and Apparatus for Recommending Restaurant Based on Mobile Context Information

Publications (2)

Publication Number Publication Date
KR20180128147A KR20180128147A (en) 2018-12-03
KR102020551B1 true KR102020551B1 (en) 2019-09-30

Family

ID=64743280

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170063256A KR102020551B1 (en) 2017-05-23 2017-05-23 Method and Apparatus for Recommending Restaurant Based on Mobile Context Information

Country Status (1)

Country Link
KR (1) KR102020551B1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102255843B1 (en) * 2020-02-17 2021-05-25 주식회사 타키 Method for Recommending Food by using Machine Learning

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200080355A (en) 2018-12-14 2020-07-07 주식회사 엔유씨전자 Recipe Recommendation System using Big Data
EP3874380A4 (en) 2019-03-18 2022-05-04 Samsung Electronics Co., Ltd. Method and device for storing a data file in a cloud-based storage
WO2020219462A1 (en) * 2019-04-23 2020-10-29 The Mewah Corporation Methods and systems for generating restaurant recommendations
KR102236684B1 (en) * 2019-09-05 2021-04-06 조현우 Apparatus for location-based restaurant recommendation service and method thereof
CN110827080A (en) * 2019-11-04 2020-02-21 恩亿科(北京)数据科技有限公司 Directional pushing method and device
KR102227552B1 (en) * 2020-06-08 2021-03-15 주식회사 그로우키친 System for providing context awareness algorithm based restaurant sorting personalized service using review category

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013513183A (en) * 2009-12-15 2013-04-18 インテル コーポレイション System, apparatus and method for utilizing probabilistic techniques in user behavior trends, profiling and template-based prediction to provide recommendations
JP2016095741A (en) * 2014-11-17 2016-05-26 東芝テック株式会社 Information providing device, information providing system and information providing program

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120037541A (en) * 2010-10-12 2012-04-20 박흥순 Marketing system based on the information about affiliates and customers
KR20120045548A (en) * 2010-10-29 2012-05-09 에스케이플래닛 주식회사 Shopping store information providing system and method based on user's location
KR20130062442A (en) * 2011-11-22 2013-06-13 주식회사 케이티 Method and system for recommendation using style of collaborative filtering
KR101384593B1 (en) * 2012-08-03 2014-04-14 공주대학교 산학협력단 Behavior pattern reasoning based on context awarness

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013513183A (en) * 2009-12-15 2013-04-18 インテル コーポレイション System, apparatus and method for utilizing probabilistic techniques in user behavior trends, profiling and template-based prediction to provide recommendations
JP2016095741A (en) * 2014-11-17 2016-05-26 東芝テック株式会社 Information providing device, information providing system and information providing program

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102255843B1 (en) * 2020-02-17 2021-05-25 주식회사 타키 Method for Recommending Food by using Machine Learning

Also Published As

Publication number Publication date
KR20180128147A (en) 2018-12-03

Similar Documents

Publication Publication Date Title
KR102020551B1 (en) Method and Apparatus for Recommending Restaurant Based on Mobile Context Information
US11734725B2 (en) Information sending method, apparatus and system, and computer-readable storage medium
KR101888919B1 (en) Method and Apparatus for Marketing of Advertisement Based on User Influence
Xiao et al. Inferring social ties between users with human location history
CN107862022B (en) Culture resource recommendation system
CN104488292B (en) Prefetching content data and the method and apparatus stored it in mobile device
US20180049001A1 (en) Method of and server for processing wireless device sensor data to generate an entity vector associated with a physical location
JP5615857B2 (en) Analysis apparatus, analysis method, and analysis program
JP5732441B2 (en) Information recommendation method, apparatus and program
TW201447797A (en) Method and system for multi-phase ranking for content personalization
CN109471978B (en) Electronic resource recommendation method and device
JP6097126B2 (en) RECOMMENDATION INFORMATION GENERATION DEVICE AND RECOMMENDATION INFORMATION GENERATION METHOD
US20150161517A1 (en) Device and method for predicting popularity of social data
KR20130062442A (en) Method and system for recommendation using style of collaborative filtering
KR20170131924A (en) Method, apparatus and computer program for searching image
Zhao et al. A probabilistic lifestyle-based trajectory model for social strength inference from human trajectory data
KR101693429B1 (en) System for identifying human relationships around users and coaching based on identified human relationships
KR20180009408A (en) Placeness Extraction and Inference System based on Social Network Analysis and Ontology
CN110598126B (en) Cross-social network user identity recognition method based on behavior habits
CN110472057B (en) Topic label generation method and device
KR20190136337A (en) Social Media Contents Based Emotion Analysis Method, System and Computer-readable Medium
CN111429161A (en) Feature extraction method, feature extraction device, storage medium, and electronic apparatus
KR101752474B1 (en) Apparatus, method and computer program for providing service to share knowledge
CN113919361A (en) Text classification method and device
Ashraf et al. Personalized news recommendation based on multi-agent framework using social media preferences

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E90F Notification of reason for final refusal
AMND Amendment
E601 Decision to refuse application
E801 Decision on dismissal of amendment
AMND Amendment
E902 Notification of reason for refusal
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant