KR102066773B1 - 콘텐츠 추천 방법, 장치 및 시스템 - Google Patents

콘텐츠 추천 방법, 장치 및 시스템 Download PDF

Info

Publication number
KR102066773B1
KR102066773B1 KR1020167023483A KR20167023483A KR102066773B1 KR 102066773 B1 KR102066773 B1 KR 102066773B1 KR 1020167023483 A KR1020167023483 A KR 1020167023483A KR 20167023483 A KR20167023483 A KR 20167023483A KR 102066773 B1 KR102066773 B1 KR 102066773B1
Authority
KR
South Korea
Prior art keywords
user
score
item
recommendation
content
Prior art date
Application number
KR1020167023483A
Other languages
English (en)
Other versions
KR20160113685A (ko
Inventor
앨빈 친
구앙시앙 젱
질레이 티안
엔홍 첸
Original Assignee
노키아 테크놀로지스 오와이
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 노키아 테크놀로지스 오와이 filed Critical 노키아 테크놀로지스 오와이
Publication of KR20160113685A publication Critical patent/KR20160113685A/ko
Application granted granted Critical
Publication of KR102066773B1 publication Critical patent/KR102066773B1/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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • 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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G06F16/24578—Query processing with adaptation to user needs using ranking
    • 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
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • G06Q30/0224—Discounts or incentives, e.g. coupons or rebates 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
    • G06Q30/0242—Determining effectiveness of advertisements
    • G06Q30/0244—Optimization
    • 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
    • G06Q30/0242—Determining effectiveness of advertisements
    • G06Q30/0245—Surveys
    • 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
    • G06Q30/0254—Targeted advertisements based on statistics
    • 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
    • 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
    • G06Q30/0277—Online 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
    • G06Q30/0278—Product appraisal
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/10—Network architectures or network communication protocols for network security for controlling access to devices or network resources

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Computing Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

복수의 사용자에게 콘텐츠를 추천하는 방법, 장치, 시스템, 컴퓨터 프로그램 제품, 및 컴퓨터 판독가능한 매체가 개시된다. 각 사용자는 사용자 점수와 연관된다. 방법은 항목의 사용자 홍보 및 홍보 사용자의 사용자 점수에 적어도 부분적으로 기초하여 콘텐츠의 항목에 대해 추천 점수를 결정하는 단계와, 그 추천 점수에 따라서 항목을 추천하는 단계와, 상기 사용자에 의해 홍보된 항목에 대해 다른 사용자의 피드백에 기초하여 홍보 사용자의 사용자 점수를 조정하는 단계를 포함한다.

Description

콘텐츠 추천 방법, 장치 및 시스템{METHOD, APPARATUS AND SYSTEM FOR CONTENT RECOMMENDATION}
본 개시의 실시예는 일반적으로 정보 기술에 관한 것으로, 특히 컴퓨터 기반의 추천 기술에 관한 것이다.
사용자에게 관심 항목이나 인물을 추천하는 추천 시스템 및 방법은 진화되어 왔고 점점 더 유용해지고 있다. 기존의 기계에 의한 추천 시스템은 대부분 데이터로부터 학습된 지능에 의존하며 사용자-콘텐츠-순위 데이터에 관한 협업 필터링과 같은 사용자 행동 모델링에서의 강점을 발전시켜왔다. 한편, 인간은 여전히 콘텐츠의 품질을 판단하는데 최고이다. 대부분의 콘텐츠가 언어적이고 의미적인 풍부한 데이터로 구성되어 기계 학습이 인간보다 취약하기 때문에 콘텐츠 적합성 및 품질을 개선하는 데는 인간의 추천이 더 나은 위치에 있다. 그러므로 추천 기능과 콘텐츠 품질을 개선하기 위해서는 기계 및 인간 추천 모두의 장점을 조합하는 것이 바람직하다.
본 요약 내용은 아래 상세한 설명에서 더 자세히 설명되는 간략화된 형태로 개념의 선택을 소개하기 위해 제공된다. 본 요약 내용은 청구되는 주제의 핵심적인 특징이나 본질적인 특징을 확인하려는 의도이거나 청구되는 주제의 범위를 제한하기 위해 사용하려는 의도는 아니다.
본 개시의 일 양태에 따르면, 복수의 사용자에게 콘텐츠를 추천하는 방법이 제공된다. 각 사용자는 사용자 점수와 연관된다. 이 방법은 콘텐츠 항목의 사용자 홍보 및 홍보 사용자의 사용자 점수에 적어도 일부 기초로 하여 콘텐츠 항목에 대해 추천 점수를 결정하고, 그 추천 점수에 따라 항목을 추천하고, 상기 사용자에 의해 홍보된 항목에 대해 다른 사용자의 피드백에 기초하여 홍보 사용자의 사용자 점수를 조정하는 단계를 포함한다.
본 개시의 다른 양태에 따르면, 컴퓨터에 의해 판독가능한 배포 매체에서 구현되고, 컴퓨터에 로드될 때 전술한 방법을 실행하는 프로그램 명령어를 포함하는 컴퓨터 프로그램 제품이 제공된다.
본 개시의 또 다른 양태에 따르면, 프로세서가 전술한 방법을 실행하게 하는 스테이트먼트 및 명령어가 인코딩되어 있는 비일시적인 컴퓨터 판독가능한 매체가 제공된다.
본 개시의 또 다른 양태에 따르면, 복수의 사용자에게 콘텐츠를 추천하는 시스템이 제공된다. 각 사용자는 사용자 점수와 연관된다. 이 시스템은 복수의 콘텐츠 항목을 저장하도록 구성된 콘텐츠 데이터베이스와, 사용자에 관한 정보를 저장하는 사용자 데이터베이스 - 각 사용자는 사용자 점수와 연관됨 - 와, 콘텐츠 항목의 사용자 홍보 및 홍보 사용자의 사용자 점수에 적어도 부분적으로 기초하여 항목에 대한 추천 점수를 결정하고, 그 추천 점수에 따라 항목을 추천하도록 구성된 제 1 추천기와, 사용자들로부터 피드백을 수집하고 그 사용자에 의해 홍보된 항목에 대해 다른 사용자의 피드백에 기초하여 홍보 사용자의 사용자 점수를 조정하도록 구성된 피드백 분석기를 포함한다.
본 개시의 이러한 목적, 특징 및 이점과 다른 목적, 특징 및 이점은 첨부 도면과 관련하여 읽게 되는 다음과 같은 예시적인 실시예의 상세한 설명으로부터 명확해 질 것이다.
도 1은 일 실시예에 따른 시스템을 예시하는 간략화된 블록도이다.
도 2는 일 실시예에 따른 추천 프로세스를 도시하는 흐름도이다.
도 3은 일 실시예에 따른 항목 홍보, 사용자 피드백, 및 사용자 점수 업데이트의 예를 도시하는 설명도이다.
도 4는 일 실시예에 따른 사용자 점수의 업데이트를 도시하는 도면이다.
도 5는 일 실시예에 따라 사용자가 콘텐츠 항목을 보고, 홍보하고, 투표하는 예시적인 사용자 인터페이스를 도시하는 도면이다.
도 6은 일 실시예에 따른 추천 프로세스를 도시하는 설명도이다.
설명을 목적으로, 다음의 상세한 설명에서 설명되는 실시예의 철저한 이해를 제공하기 위해 상세 내용이 제시된다. 그러나 본 기술에서 통상의 지식을 가진 자에게는 특정한 상세 내용 없이 또는 동등한 구성을 가지고 실시예가 실시될 수 있다는 것이 자명하다.
본 명세서에서 설명되는 바와 같이, 본 개시의 양태는 향상된 콘텐츠 추천을 제공하는 것을 포함한다. 도 1은 일 실시예에 따른 사용자에게 콘텐츠를 추천할 수 있는 시스템을 도시한다.
도 1에 도시된 바와 같이, 시스템(100)은 애플리케이션 서버(102)에 각기 동작 가능하게 연결된 복수의 사용자 디바이스(1011-101n)를 포함한다. 사용자 디바이스(1011-101n)는, 이것으로 제한되는 것은 아니지만 윈도우즈, 안드로이드 및 iOS를 비롯한 임의의 종류의 오퍼레이팅 시스템을 이용하여 구동하는, 이것으로 제한되는 것은 아니지만 스마트폰, 태블릿, 랩톱, 및 PC를 비롯한 임의의 종류의 사용자 장비 또는 컴퓨팅 디바이스가 될 수 있다. 응용 서버(102)와 사용자 디바이스(1011-101n) 중 하나 사이의 연결은 인터넷, 인트라넷, 셀룰러 네트워크, 근거리 네트워크(local area network, LAN), 광역 네트워크(wide area network, WAN), 무선 LAN, 또는 이들의 조합과 같은 임의의 형태로 연결될 수 있다. 예를 들어, 사용자 디바이스(1011-101n)는 앱(app)이 설치된 윈도우즈 폰일 수 있고, 사용자는 그 윈도우즈 폰을 가지고 애플리케이션 서버(102)에 의해 제공되는 서비스에 액세스할 수 있다. 서비스는, 이것으로 제한되는 것은 아니지만 Nokia Xpress Now, NBC News와 같은 뉴스 서비스, Linkedin, Facebook, Twitter, YouTube와 같은 소셜 네트워크 서비스, 및 WeChat, Yahoo! 메일 등과 같은 메시지 서비스를 비롯한 임의의 종류의 서비스일 수 있다. 사용자는 또한 사용자 디바이스(1011-101n)에 설치된 인터넷 익스플로러(Internet Explorer), 크롬(Chrome), 및 파이어폭스(Firefox)와 같은 웹 브라우저로 서비스에 액세스할 수 있다. 이 경우, 애플리케이션 서버(102)는 웹 서버일 것이다.
콘텐츠 데이터(103)는 애플리케이션 서버(102)와 시스템(100)의 다른 컴포넌트가 선택하여 사용자에게 추천할 수 있는 복수의 콘텐츠 항목을 포함한다. 콘텐츠의 항목은 텍스트, 오디오, 비디오, 이미지, 광고, 멀티미디어 등과 같은 임의의 형태의 한편의 정보일 수 있다. 콘텐츠 데이터는 RDBMS, SQL, NoSQL 등과 같은 데이터베이스에 저장되거나 HDD, 디스켓, CD, DVD, 블루레이 디스크, EEPROM 등과 같은 임의의 저장 매체상의 하나 이상의 파일로서 저장될 수 있다. 본 개시에서 설명되는 실시예는 특정한 종류의 서비스, 서비스의 특정한 실시, 또는 특정한 종류의 콘텐츠에 제한되지 않는다는 것을 주목해야 한다.
시스템(100)은 콘텐츠 데이터(103)로부터 초기 추천 결과를 발생하도록 구성된 기계 홍보기(추천기)(106)를 포함한다. 기계 홍보기(106)는, 이것으로 제한되는 것은 아니지만 콘텐츠 기반의 추천, 협업 필터링(collaborative filtering, CF) 추천, 및 복합 접근방법을 비롯한 기존 또는 미래의 추천 기술을 활용할 수 있다. 예를 들어, 베이스 추론(Bayesian inference) 추천은 Xiwang Yang에 의해 2013년 2월 14일 공개된 미국 특허출원 제 2013/0041862A1 호에서 개시되어 있고, 소셜 네트워크 공동체에 기초한 추천은 Arpit Mathur에 의해 2010년 11월 11일 공개된 미국 특허출원 제 2010/0287033A1 호에서 개시되어 있으며, 그리고 사회적 행동 분석 및 어휘 분류학을 기초로 하는 추천은 SihemAmer-Yahia에 의해 2009년 6월 25일 공개된 미국 특허출원 제 2009/0164897A1 호에서 개시되어 있다. 그 밖에, 기계 홍보기(106)는 또한 트위터에서 실행되는 롤링 카운트(rolling count) 알고리즘을 사용할 수도 있다.
사용자 디바이스(1011-101n)를 이용하여, 사용자는 자기들에게 제공되는 콘텐츠를 읽거나 보거나 들을 수 있다. 사용자는 또한 예를 들어, 항목이 좋다거나 싫다는 (또는 항목의 등급을 매기는) 피드백을 제공할 수 있다. 또한, 사용자는 다른 사람들이 더 보게 하기를 원한다면 사용자가 찾은 높은 품질의 항목을 홍보할 수 있다.
실시예에서, 각 사용자는 사용자 점수와 연관된다. 사용자 및 각 사용자의 사용자 점수에 관한 정보는 사용자 데이터(104)에 저장된다. 콘텐츠 데이터(103)와 유사하게, 사용자 데이터(104)는 RDBMS, SQL, NoSQL 등과 같은 데이터베이스에 저장되거나 HDD, 디스켓, CD, DVD, 블루레이 디스크, EEPOM 등과 같은 임의의 저장매체에 하나 이상의 파일로서 저장될 수 있다.
최종 홍보기(105)는 사용자 데이터(104) 내의 정보를 사용하여 추천 결과를 동적으로 조정하고 업데이트한다. 최종 홍보기(105)는 사용자로부터 항목의 홍보를 수신한 이후에 홍보 사용자의 사용자 점수에 기초하여 그 항목의 추천 점수를 조정하는 홍보 집계기(1051)를 포함한다. 구체적으로, 사용자 점수가 더 높은, 항목을 홍보하는 사용자는 그 항목의 추천 점수 조정에 더 큰 영향을 미칠 것이다. 본 실시예에서, 홍보 집계기(1051)는 각 홍보자의 사용자 점수를 가중치로 이용하여 그의 홍보들의 가중 합산을 기초로 하여 항목의 추천 점수를 계산하도록 구성된다. 홍보 집계기(1051)에는 다른 집계 알고리즘도 또한 사용될 수 있음을 주목하자. 예를 들어, 홍보 집계기(1051)는 또한 그 항목의 이전 추천 점수, 홍보자(예를 들면, 이후 설명되는 바와 같은 독자, 논평가, 및 편집자)의 역할, 또는 추천 품질을 개선하는데 관련된 다른 요소를 고려할 수 있다.
최종 홍보기(105)는 또한 다른 사용자들로부터의 피드백을 기초로 하여 홍보 사용자의 사용자 점수를 조정하는 피드백 분석기(1052)를 포함한다. 구체적으로, 피드백 분석기(1052)는 홍보된 항목이 긍정적인 피드백을 받는 경우 그 항목을 홍보한 사용자의 사용자 점수를 증가시키고, 홍보된 항목이 부정적인 피드백을 받는 경우 홍보 사용자의 사용자 점수를 감소시킨다. 아래에서 더 상세히 설명되는 바와 같이, 피드백 분석기(1052)는 홍보 집계기와 병렬적으로 동작할 수 있다. 다른 말로 하자면, 사용자 점수의 조정은 추천 점수의 업데이트와 병렬적으로 수행될 수 있다. 일 실시예에서, 추천 점수의 업데이트는 시스템(100)이 한 사용자로부터의 홍보를 수신할 때 실시간으로 즉시 수행되는데 반해, 사용자 점수의 조정은 주기적으로 수행된다.
도 3은 일 실시예에 따른 항목 홍보, 사용자 피드백, 및 사용자 점수 업데이트의 일 예를 도시하며, 도 4는 사용자 점수의 업데이트를 예시한다. 본 예에서, 사용자(ui)에 의해 홍보된 항목(도 3에서 URL로 도시됨)은 시간 간격(T1)으로 결정된다. 시스템은 마지막 T2에서 다른 사용자로부터 수신된 항목(지난 T1 동안 사용자(ui)에 의해 홍보됨)을 "좋아요(Likes)" 및 "싫어요(Dislikes)"의 횟수에 기초하여, 시간 간격(T2)으로 사용자(ui)의 사용자 점수를 업데이트한다.
일 실시예에 따르면, 시스템이 시작될 때, 모든 사용자는 동등하게, 예를 들어 똑같은 사용자 점수 "1"을 갖는 것으로 취급되며, 그래서 N명의 사용자가 있는 경우 모든 사용자 점수의 합은 N이다. 사용자의 수가 변하지 않을 때, 총 사용자 점수는 사용자 점수가 업데이트된 이후에도 똑같이 유지되어야 한다. 사용자의 수가 증가할 때, 총 사용자 점수도 또한 증가할 것이다. 예를 들어, 새로운 사용자가 "1"의 사용자 점수를 배정받고 총 사용자 점수는 N+1이 될 것이다. 반대로, 사용자의 수가 감소하면, 총 사용자 점수도 또한 감소될 것이다. 예를 들어, 시스템을 그만두는 사용자가 n명이 있으면, 총 사용자 점수는 N-n이 될 것이다.
실시예에서, 시스템(100)은 다음과 같이, 홍보한 항목이 '좋아요'를 받은 홍보 사용자(ui)에게 보상을 하고, 홍보한 항목이 '싫어요'를 받은 홍보 사용자(ui)에게 벌점을 준다.
처벌은
Figure 112016083115773-pct00001
Figure 112016083115773-pct00002
이면,
Figure 112016083115773-pct00003
를 사용하고,
그렇지 않고
Figure 112016083115773-pct00004
이면,
Figure 112016083115773-pct00005
를 사용한다.
여기서, Ni는 ui의 홍보 항목이 '싫어요'를 받은 횟수이다(대략적으로
Figure 112016083115773-pct00006
).
Figure 112016083115773-pct00007
라 놓으면, 보상은
Figure 112016083115773-pct00008
이며, 여기서 Ri는 ui의 홍보 항목이 '좋아요'를 받은 횟수이다.
업데이트 공식은
Figure 112016083115773-pct00009
이다.
도 5는 일 실시예에 따라 콘텐츠의 항목을 보고, 홍보하고, 투표할 수 있는 사용자 인터페이스의 일예를 도시한다. 도 5에 도시된 바와 같이, 먼저 사용자에게는 초기 추천 점수에 따라 복수의 추천 항목이 주어진다. 이때 사용자는 항목 중 하나를 클릭하여 그 항목 중의 항목을 보도록 선택할 수 있다. 항목을 볼 때, 사용자는 그 항목에 투표(본 예에서는 "좋아요")를 하거나 홍보를 할 수 있다. 사용자가 홍보 버튼을 클릭하여 그 항목을 홍보하면, 그 항목의 추천 점수는 업데이트되고 추천 결과는 업데이트 내용을 반영할 것이다.
도 2는 실시예에 따른 추천 프로세스를 도시한다. 도 2에 도시된 바와 같이, 프로세스는 사용자가 한 항목을 홍보하는 단계(201)에서 시작한다. 앞에서 설명된 바와 같이, 사용자가 흥미로운 항목 또는 높은 품질일 것으로 생각되는 항목을 찾을 때, 사용자는 그 항목을 홍보할 수 있다. 본 실시예에서, 사용자는 시스템(100)에 의해 추천된 항목뿐만 아니라 다른 소스로부터의 항목, 예를 들면 다른 서비스나 콘텐츠 제공자로부터의 항목도 홍보할 수 있다. 항목의 URL이 항목의 콘텐츠를 찾는 충분한 정보를 제공하는 한 항목이 어디서 왔는지는 문제되지 않는다.
단계(201)와 병렬적으로, 단계(210)에서는 사용자로부터의 피드백이 수집된다. 앞의 실시예와 유사하게, 사용자는 예를 들어, 좋아요/싫어요 또는 등급의 형태로 추천된 항목을 본 다음에 그 피드백을 줄 수 있다. 이때 홍보자의 사용자 점수는 단계(215)에서 다른 사용자로부터의 피드백에 따라 조정된다. 앞의 실시예에서 설명된 바와 같이, 각 사용자는 사용자의 홍보가 얼마나 많은 가중치를 전하는지를 제시하는 사용자 점수와 연관된다. 다시 말해서, 사용자 점수는 그 사용자에 의해 홍보된 항목이 얼마나 인기를 얻을 것 같은지를 측정한다. 추천된 콘텐츠의 품질과 사용자의 활동 수위를 개선하기 위해, 시스템은 도 1, 도 3, 및 도 4를 참조하여 앞에서 설명된 바와 같이, 사용자의 홍보된 항목이 긍정적인 피드백을 받는 경우 사용자 점수를 증가시킴으로써 사용자에게 보상을 주고, 홍보된 항목이 부정적인 피드백을 받는 경우 사용자 점수를 감소시킴으로써 사용자에게 벌점을 준다.
또한, 도면에 도시된 바와 같이, 단계(210) 및 (215)는 단계(201)와 병렬적으로 수행된다. 다시 말해서, 사용자 점수의 조정은 추천 점수의 업데이트와 병렬적으로 수행될 수 있다. 전술한 일부 실시예에서 설명된 바와 같이, 추천 점수의 업데이트는 시스템이 사용자로부터 홍보를 수신할 때 실시간으로 바로 수행될 수 있는데 반해, 사용자 점수의 조정은 주기적으로 수행될 수 있다.
단계(205)에서 홍보자의 사용자 점수를 로딩한 후, 프로세스는 단계(220)로 진행하여 각 홍보 항목이 이미 콘텐츠 데이터베이스에 있는지를 결정한다. 언급된 바와 같이, 사용자는 또 다른 소스로부터 찾은 항목을 홍보할 수 있다. 이 경우에는 그 항목에 대해 이전의 추천 점수가 없기 때문에, 단계(225)에서 시스템은 새로운 항목에 대한 초기 추천 점수를 배정할 것이다. 그렇지 않으면, 프로세스는 단계(230)로 진행하여 도 1, 도 3, 및 도 4를 참조하여 앞에서 설명된 바와 같이, 홍보 사용자의 사용자 점수에 기초하여 각 홍보 항목에 대한 추천 점수를 업데이트한다.
모든 홍보 항목의 추천 점수를 업데이트한 후, 단계(235)에서 시스템은 업데이트된 추천 점수에 따라 추천 결과를 업데이트할 것이다. 앞에서 설명된 프로세스는 강화된 추천을 위한 연속적이고 실시간적인 해결법을 제공하기 위해 반복될 수 있음을 주목해야 한다.
전술한 실시예에서 도시된 바와 같이, 사용자는 다른 사용자에게 추천된 콘텐츠의 품질에 동적으로 영향을 주며 그 품질을 개선할 수 있다. 홍보 콘텐츠에 대한 다른 사용자의 피드백(예를 들면, 좋아요, 공유, 싫어요, 콘텐츠의 등급)에 따라서, 사용자는 사용자가 콘텐츠 추천에 영향을 미칠 때의 영향력의 레벨을 결정하는 사용자 점수를 배정받는다. 이러한 방식으로, 시스템 내의 사용자는 애플리케이션이나 서비스를 사용하도록 장려되며 그리고 그저 자신의 추천 콘텐츠를 개선하는 것뿐만 아니라 전체 공동체에 대한 콘텐츠 품질도 또한 개선하도록 장려된다. 또한, 사용자는 동적으로 추천 시스템으로 피드백을 제공할 수 있으며 콘텐츠를 애초부터 홍보했었던 사용자에게 동적으로 피드백을 제공할 수 있다. 이는 공동체로부터 제공되는 콘텐츠의 규제 및 절제를 가능하게 한다. 사용자가 콘텐츠를 개선시켜 보상을 받도록 다른 사람들과 경쟁하도록 동기를 부여하는 게임화(gamification)는 자생적 진화 시스템을 제공하는데, 이러한 자생적 진화 시스템에서 매우 활동적인 기여자(예를 들면, 전문가) 및 높은 품질의 콘텐츠는 장려되는데 반해 낮은 품질의 콘텐츠 및 쓸모없는 사람에게는 의욕을 저하한다. 더욱이, 높은 콘텐츠 품질로 인하여, 사용자 자료 수집 및 추천을 개선하는데 더 많은 데이터가 이용 가능해지며, 따라서 사용자는 더 나은 개인화된 사용자 경험을 얻게 된다.
실시예에 따르면, 시스템이 지금 막 시작되어 사용자로부터 어떠한 홍보도 갖지 않을 때, 프로세스는 예를 들어, 도 2의 단계(205)에서, 항목을 홍보하기 위해 기계 추천을 시작할 수 있다. 앞에서 설명된 바와 같이, 기계 홍보기(추천기)는 이것으로 제한되는 것은 아니지만, 콘텐츠 기반의 추천, 협업 필터링(CF) 추천, 및 복합적인 접근방법을 비롯한 임의의 기존 또는 미래의 추천 기술을 사용할 수 있다.
또한 실시예에서, 기계 추천기는 사용자처럼 취급될 수 있으며 사용자 점수와 연관될 수 있다. 사용자로부터 피드백을 수신할 때, 홍보 사용자와 유사한 방법으로 기계 추천기의 사용자 점수도 또한 업데이트된다. 예를 들어, 시스템은 도 3 및 도 4를 참조하여 앞에서 설명된 바와 같이, 추천된 항목이 사용자로부터 긍정적인 피드백을 받는 경우 기계 추천기의 사용자 점수를 증가시키고, 추천된 항목이 부정적인 피드백을 받는 경우 사용자 점수를 감소시킬 수 있다. 이러한 방식으로, 높은 사용자 점수를 가진 기계 추천기는 양호한 추천 성능을 나타내게 되며, 그렇지 않으면 기계 추천기는 사용자로부터의 피드백뿐만 아니라 다른 사용자의 성과를 이용하여 적응적으로 개선될 수 있다. 시간이 흐르면서, (두 개의 추천기를 조합하는) 전체 시스템은 긍정적으로 개선될 수 있다.
도 6은 실시예에 따른 추천 프로세스를 도시한다. 본 실시예에서는 복수의 기계 홍보기가 있다. 인간 홍보자와 유사하게, 각 기계 홍보기는 홍보시 기계 홍보기가 미칠 영향력이 얼마나 큰지를 제시하는 사용자 점수와 연관된다. 복수의 기계 홍보기는 다른 기계 추천 알고리즘에 따라 콘텐츠를 홍보(추천)할 수 있다. 앞에서 설명된 바와 같이, 기계 홍보기에는 임의의 기존 또는 미래의 기계 추천 알고리즘이 사용될 수 있다.
복수의 기계 홍보기 중에서, 인간 홍보자 및 기계 홍보기 모두를 비롯한 다른 홍보기들의 홍보를 사용자에게 최종적으로 추천된 것이 무엇인지를 결정하는 입력으로서 처리하는 하나의 집계기가 있다. 앞에서 설명된 바와 같이, 최종 집계기는 (인간 홍보자이든 기계 홍보기이든) 각 홍보자의 사용자 점수를 가중치로서 이용하여 그의 홍보의 가중 합에 기초하여 항목의 추천 점수를 계산할 수 있다. 또한, 최종 집계기는 항목의 이전의 추천 점수, 홍보자(예를 들어, 아래에서 설명되는 바와 같은 독자, 논평가, 및 편집자)의 역할, 또는 관련된 임의의 다른 요인을 또한 고려할 수 있다.
앞의 실시예에서, 복수의 기계 추천 시스템과 인간 추천을 조합하는 복합 추천 시스템이 제공된다. 모든 사용자는 콘텐츠의 항목을 홍보할 때 인간 추천자로서 역할을 할 수 있다. 한편, 모든 사용자는 또한 추천된 항목에 관한 피드백, 예를 들면 공감(좋아요) 또는 비공감(싫어요)을 제공할 수 있다. 사용자가 항목을 홍보할 때, 그 항목에 대해 다른 사용자의 피드백(좋아요/싫어요)은 홍보자의 사용자 점수를 조정하는데 사용될 것이다. 만일 사용자의 홍보 항목이 전체적으로 긍정적인 피드백을 받으면, 시스템은 그의 사용자 점수를 증가시킬 것이며, 그 반대로도 가능하다.
예를 들어, 시스템이 초기 단계라 인간 사용자가 없거나 아주 소수의 사용자만 활동적으로 홍보하거나 투표할 때, 기계 홍보기는 완전 초기의 문제점을 효과적으로 해결할 수 있다. 홍보나 투표에 사용자들이 활동적으로 관여한 이후에, 시스템은 복합 추천 시스템이 된다. 인간 홍보자가 기계 홍보기보다 나은 피드백을 받을 때, 시스템은 인간 추천에 더 기댄다. 이러한 방식으로, 시스템은 예를 들어 완전 초기의 문제점을 해결하기 위해 기계 추천 및 예를 들어 정제된 성과를 갖기 위해 인간 추천의 양쪽 모두로부터의 이득을 취할 수 있다. 더욱이, 최종 집계기도 또한 집계 알고리즘의 유효성 및 시스템의 전체적인 성능을 측정하는 좋은 지표인 사용자 점수와 연관될 수 있다.
다른 실시예에 따르면, 사용자는 사용자 점수에 따라 역할을 배정받을 수 있다. 더 많은 특권을 가진 역할에는 더 높은 사용자 점수가 요구된다. 예를 들어, 학술적인 출판 공동체에서 책이나 잡지의 출판 프로세스와 유사하게, 네 가지의 상이한 역할, 즉 독자, 논평가, 및 편집자가 있을 수 있다. 이는 사용자가 콘텐츠를 사용하고 콘텐츠와 교류하기 위한 다른 허가를 갖게 해준다. 이러한 역할은 다음과 같이 설명된다.
독자
Figure 112016083115773-pct00010
α reader ≤user_score<α reviewer , 여기서 α reader 는 사용자가 독자로서 자격을 갖는 최소 사용자 점수이고, α reviewer 는 사용자가 논평가로서 자격을 갖는 최소 사용자 점수이다;
Figure 112016083115773-pct00011
독자는 콘텐츠 항목을 읽고, 좋아하고, 싫어하고, 공유하고, 플래그 표시(flag)하고, 홍보할 수 있다;
Figure 112016083115773-pct00012
독자는 상세한 콘텐츠 논평 피드백을 제공할 수 없다(어떠한 피드백 형태도 제공되지 않는다).
논평가
Figure 112016083115773-pct00013
α reviewer ≤user_score<α editor , 여기서 α reviewer 는 사용자가 논평가로서 자격을 갖는 최소 사용자 점수이고, α editor 는 사용자가 편집자로서 자격을 갖는 최소 사용자 점수이다;
Figure 112016083115773-pct00014
논평가는 (앞에서처럼) 독자가 갖는 것에 더하여 모든 특혜를 갖는다;
Figure 112016083115773-pct00015
논평가는 다음과 같은 것을 포함하는 논평 형태를 통해 콘텐츠를 논평할 수 있다:
* 콘텐츠의 품질을 등급화(1 내지 5의 등급을 매기는데, 1은 최저이며 5는 최고임)
* 콘텐츠의 관련성을 등급화(1 내지 5의 등급을 매기는데, 1은 최저이며 5는 매우 관련성 있음)
* 콘텐츠를 다른 사람에게 추천(예(yes) 또는 아니오(no))
* 의견 언급(commenting).
Figure 112016083115773-pct00016
완성된 논평 형태는 이를 수용할지 거절할지(그 콘텐츠가 다른 사람에게 추천되어야 하는지 여부)를 결정하는 편집자에게 전달된다.
편집자
Figure 112016083115773-pct00017
user_score≥α editor , 여기서 α editor 는 사용자가 편집자로서 자격을 갖는 최소 사용자 점수이다;
Figure 112016083115773-pct00018
편집자는 (앞에서처럼) 논평가가 갖는 것에 더하여 모든 특혜를 갖는다;
Figure 112016083115773-pct00019
편집자는 콘텐츠에 더하여 태그표시(tag)를 추가할 수 있다;
Figure 112016083115773-pct00020
편집자는 논평가의 피드백 형태를 논평하고 다음과 같은 것에 의해 그 콘텐츠를 수용할지 거절할지를 결정할 수 있다:
* 먼저 4개의 완성된 논평을 수신한다;
* 수용비율≥γ이면 중단한다. 여기서 γ는 목표 수용 비율로, 예를 들면 이 콘텐츠가 수용되기 위해 모든 완성 비평 중 70%가 "예"의 추천을 받아야 한다. 그렇지 않으면 거절된다;
* γ>0.5이면서 수용비율>γ인 경우 , 항목은 추천 시스템의 콘텐츠 데이터베이스에 계속 남는다;
* 수용비율<γ이면, 콘텐츠 데이터베이스에서 그 항목을 제거한다.
본 실시예에서, 사용자는 다른 사람들의 피드백을 근거로 경쟁적으로 업데이트되는 사용자 점수에 따라 다른 역할을 배정받는다. 더 많은 특권을 가진 역할은 더 높은 최소 사용자 점수를 요구한다. 그래서 사용자는 더 많은 자체 동기를 부여받는다. 더 많은 특권을 가진 사용자가 콘텐츠를 논평하고 추천할 때 더 신뢰할 수 있고 활동적인 것으로 증명되었음이 또한 보장된다. 이는 결과적으로 시스템의 전체적인 성능 및 추천의 품질을 확실하게 보장한다.
또한, 실시예에 따르면, 최종 집계기도 또한 추천 점수를 결정할 때 홍보자의 역할을 고려할 수 있다. 홍보자가 논평가나 편집자인 경우, 이는 추천 결과에 영향을 미칠 것이다. 예를 들어, 대부분의 논평가나 편집자가 항목을 좋은 것으로 받아들이면, 더 높은 추천 점수가 주어지게 되고, 그 결과 그 항목은 추천 리스트에서 더 높은 등급을 받을 것이다.
본 개시의 양태에 따르면, 복수의 사용자에게 콘텐츠를 추천하는 장치가 제공되며, 장치는 앞에서 설명된 방법을 실행하도록 구성된 수단을 포함한다. 실시예에서, 장치는 콘텐츠 항목의 사용자 홍보 및 홍보 사용자의 사용자 점수에 적어도 일부 기초로 하여 콘텐츠 항목에 대한 추천 점수를 결정하도록 구성된 수단과, 추천 점수에 따라 항목을 추천하도록 구성된 수단과, 상기 사용자에 의해 홍보된 항목에 대한 다른 사용자의 피드백을 근거로 홍보 사용자의 사용자 점수를 조정하도록 구성된 수단을 포함한다.
장치는 또한 기계 추천에 의해 항목의 초기 점수를 발생하도록 구성된 수단과, 홍보 사용자로부터 항목의 홍보를 수신한 후, 초기 점수, 홍보 및 홍보 사용자의 사용자 점수에 적어도 일부를 기초하여 홍보된 항목에 대해 업데이트된 추천 점수를 결정하도록 구성된 수단을 포함한다.
실시예에 따르면, 기계 추천은 사용자 점수와 연관되며, 추천 점수를 결정할 때 기계 추천은 홍보 사용자로서 취급된다. 장치는 또한 기계 추천에 의해 추천된 항목에 대해 사용자로부터의 피드백에 기초하여 기계 추천의 사용자 점수를 조정하도록 구성된 수단을 포함한다.
다른 실시예에서, 사용자로부터의 피드백은 긍정적 및 부정적 응답을 포함하며, 장치는 또한 만일 홍보 항목이 다른 사용자로부터 긍정적인 홍보 피드백을 받으면 홍보 사용자의 사용자 점수를 증가시키고, 만일 홍보 항목이 다른 사용자로부터 부정적인 홍보 피드백을 받으면 홍보 사용자의 사용자 점수를 감소시키도록 구성된 수단을 포함한다.
실시예에 따르면, 사용자로부터 피드백을 수신하기 이전에, 각 사용자는 동일한 초기 사용자 점수를 배정받으며, 조정 단계 이후, 모든 사용자 점수의 합은 똑같이 유지된다.
장치는 또한 사용자 점수에 따라서 각 사용자에게 역할을 배정하도록 구성된 수단을 포함한다. 더 많은 특권을 가진 역할은 더 높은 사용자 점수를 요구한다. 실시예에서, 그 역할은 독자, 논평가, 및 편집자 중에서 선택된 역할이다.
도 1에 도시된 시스템(100)의 임의의 컴포넌트는 하드웨어 또는 소프트웨어 모듈로서 구현될 수 있음을 주목해야 한다. 소프트웨어 모듈의 경우, 소프트웨어 모듈은 유형의 컴퓨터-판독가능하고 기록가능한 저장 매체에서 구현될 수 있다. 예를 들면, 모든 소프트웨어 모듈(또는 그의 일부)은 동일한 매체에 있거나, 각각의 소프트웨어 모듈은 다른 매체에 있을 수 있다. 소프트웨어 모듈은 예를 들어 하드웨어 프로세서에서 구동될 수 있다. 방법의 단계들은 앞에서 설명된 바와 같이, 하드웨어 프로세스에서 실행되는 별개의 소프트웨어 모듈을 사용하여 실행될 수 있다.
또한, 본 개시의 양태는 범용 컴퓨터 또는 워크스테이션에서 구동되는 소프트웨어를 활용할 수 있다. 이러한 실시는 예를 들어, 프로세서, 메모리, 및 예를 들어 디스플레이와 키보드로 형성되는 입력/출력 인터페이스를 채용할 수도 있다. 본 명세서에서 사용되는 "프로세서"라는 용어는 예를 들어 CPU(central processing unit) 및/또는 다른 형태의 프로세싱 회로를 포함하는 것과 같은 임의의 프로세싱 디바이스를 포함하도록 의도된다. 또한, "프로세서"라는 용어는 하나 이상의 개별 프로세서를 말할 수 있다. "메모리"라는 용어는 예를 들어, RAM(random access memory), ROM(read only memory), 고정 메모리 디바이스(예를 들면, 하드디스크), 분리가능한 메모리 디바이스(예를 들면, 디스켓), 플래쉬 메모리 등과 같이, 프로세서나 CPU와 연관되는 메모리를 포함하도록 의도된다. 프로세서, 메모리, 및 디스플레이와 키보드와 같은 입력/출력 인터페이스는 예를 들어 데이터 처리 유닛의 일부인 버스를 통해 상호연결될 수 있다. 예를 들어, 버스를 통한 적절한 상호연결은 또한 컴퓨터 네트워크와의 인터페이스에 제공될 수 있는 네트워크 카드와 같은 네트워크 인터페이스, 및 매체와의 인터페이스에 제공될 수 있는 디스켓이나 CD-ROM 드라이버와 같은 매체 인터페이스에도 제공될 수 있다.
따라서, 본 명세서에서 설명되는 바와 같이, 본 개시의 방법을 실행하기 위한 명령어나 코드를 포함하는 컴퓨터 소프트웨어는 연관된 메모리 디바이스(예를 들면, ROM, 고정 또는 분리 가능한 메모리)에 저장될 수 있으며, 사용될 준비가 되었을 때, 일부 또는 전체가 (예를 들면, RAM 내에) 로드되어 CPU에 의해 실행된다. 이와 같은 소프트웨어는, 이것으로 제한되는 것은 아니지만, 펌웨어, 상주 소프트웨어, 마이크로코드 등을 포함할 수 있다.
언급된 바와 같이, 본 개시의 양태는 컴퓨터 판독가능한 프로그램 코드가 포함된 컴퓨터 판독가능한 매체에 구현되는 컴퓨터 프로그램 제품의 형태를 취할 수 있다. 또한, 컴퓨터 판독가능한 매체의 임의의 조합이 사용될 수도 있다. 컴퓨터 판독가능한 매체는 컴퓨터 판독가능한 저장 매체일 수 있다. 컴퓨터 판독가능한 저장 매체는 예를 들어, 이것으로 제한되는 것은 아니지만, 전자, 자기, 광학, 전자기, 적외선, 또는 반도체 시스템, 장치나 디바이스, 또는 전술한 것들의 임의의 적절한 조합일 수 있다. 컴퓨터 판독가능한 저장 매체의 더 특정한 예(비배타적인 리스트)는 다음과 같이 휴대용 컴퓨터 디스켓, 하드 디스크, 랜덤 액세스 메모리(RAM), 판독 전용 메모리(ROM), 소거가능한 프로그래머블 판독 전용 메모리(erasable programmable read-only memory, EEPROM) 또는 플래쉬 메모리), 광섬유, 휴대용 콤팩트 디스크 판독 전용 메모리(compact disc read-only memory, CD-ROM), 광학 저장 디바이스, 자기 저장 디바이스, 또는 전술한 것들의 임의의 적절한 조합을 포함한다. 본 명세서의 내용에서, 컴퓨터 판독가능한 저장 매체는 명령어 실행 시스템, 장치, 또는 디바이스에 의해 또는 그와 연결되어 사용하는 프로그램을 포함하거나 저장할 수 있는 유형의 매체일 수 있다.
본 개시의 양태를 위한 동작을 실행하기 위한 컴퓨터 프로그램 코드는 Java, Smalltalk, 또는 C++ 등과 같은 객체 지향적 프로그래밍 언어를 비롯한 적어도 하나의 프로그래밍 언어와 "C" 프로그래밍 언어나 유사한 프로그래밍 언어와 같은 통상의 절차형 프로그래밍 언어의 임의의 조합으로 기록될 수 있다. 프로그램 코드는 사용자의 컴퓨터에서 전체적으로, 스탠드-얼론 소프트웨어 패키지로서 사용자의 컴퓨터에서 부분적으로, 사용자의 컴퓨터에서 부분적이면서 원격 컴퓨터에서 부분적으로, 또는 원격 컴퓨터나 서버에서 전체적으로 실행될 수 있다.
도면에서 플로우차트 및 블록도는 본 개시의 다양일 실시예에 따른 시스템, 방법 및 컴퓨터 프로그램 제품의 가능한 구현 예의 아키텍처, 기능성, 및 동작을 예시한다. 이 점에서, 플로우차트나 블록도의 각 블록은 명시된 논리적 기능(들)을 실시하기 위한 적어도 하나의 실행가능한 지시를 포함하는 모듈, 컴포넌트, 세그먼트, 또는 코드 일부를 나타낸다. 일부 대안의 실시에서는 블록에서 기술된 기능이 도면에 기술된 것과 다른 순서로 일어날 수 있음을 또한 주목하여야 한다. 예를 들어, 연속하여 도시된 두 개의 블록이 사실상 실질적으로 동시에 실행될 수 있거나, 블록들이 때로는 연루된 기능성에 좌우하여 역순으로 실행될 수 있다. 또한 블록도 및/또는 플로우차트 도면의 각 블록과, 블록도 및/또는 플로우차트 도면의 블록들의 조합은 명시된 기능이나 행위, 또는 특수 목적의 하드웨어와 컴퓨터 명령어의 조합을 실행하는 특수 목적의 하드웨어-기반 시스템으로 실시될 수 있음을 또한 주목하여야 한다.
어떠한 경우에든 본 개시에서 설명된 컴포넌트는 다양한 형태의 하드웨어, 소프트웨어, 또는 그들의 조합, 예를 들면 주문형 집적회로(application specific integrated circuit, ASIC), 기능적 회로, 및 연관된 메모리를 이용하여 적절하게 프로그램된 범용 디지털 컴퓨터 등의 형태로 구현될 수 있음을 이해하여야 한다. 본 명세서에서 제공된 본 개시의 가르침이 전수되면, 본 기술에서 통상의 지식을 가진 자는 본 개시의 컴포넌트를 다르게 실시하는 것을 고려할 수 있을 것이다.
본 명세서에서 사용된 용어는 단지 특정 실시예를 설명하기 위한 목적이지 본 개시를 제한하려는 의도는 아니다. 본 명세서에서 사용된 바와 같이, "하나", "하나의", 및 "그"라는 단수 형태는 문장에서 달리 명확하게 표시하지 않는 한 복수의 형태를 또한 포함하도록 의도된다. 또한, 본 명세서에서 사용되는 "포함한다"라는 용어는 본 명세서에서 사용될 때 언급된 특징, 정수, 단계, 동작, 요소, 및/또는 컴포넌트의 존재를 명시하며, 다른 특징, 정수, 단계, 동작, 요소, 컴포넌트, 및/또는 이들의 그룹의 존재나 추가를 배제하지는 않는 것으로 이해될 것이다.
다양일 실시예에 관한 기술 내용은 설명 목적을 위해 제시되었으며, 개시된 실시예를 하나도 빠짐없이 망라하거나 제한하려는 의도는 아니다. 본 기술에서 통상의 지식을 가진자에게는 설명된 실시예의 범위 및 의도에서 벗어나지 않는 많은 수정 및 변형이 자명할 것이다.

Claims (17)

  1. 복수의 사용자에게 콘텐츠를 추천하는 방법으로서,
    각 사용자는 사용자 점수와 연관되고,
    상기 방법은,
    추천기에 의해, 콘텐츠 항목의 사용자 홍보 및 홍보 사용자의 사용자 점수에 적어도 부분적으로 기초하여 상기 콘텐츠 항목에 대해 추천 점수를 결정하는 단계와,
    상기 추천기에 의해, 상기 항목의 추천 점수에 따라서 상기 항목을 추천하는 단계와,
    피드백 분석기에 의해, 상기 사용자에 의해 홍보된 항목에 대해 다른 사용자의 피드백에 기초하여 상기 홍보 사용자의 상기 사용자 점수를 조정하는 단계를 포함하며,
    상기 결정하는 단계는,
    기계 추천에 의해 상기 항목의 초기 점수를 생성하는 단계와,
    상기 홍보 사용자로부터 상기 항목의 홍보를 수신한 이후에, 상기 초기 점수, 상기 홍보, 및 상기 홍보 사용자의 상기 사용자 점수에 적어도 부분적으로 기초하여 상기 홍보된 항목에 대해 업데이트된 추천 점수를 결정하는 단계를 포함하는
    콘텐츠 추천 방법.
  2. 삭제
  3. 제 1 항에 있어서,
    상기 기계 추천은 사용자 점수와 연관되며, 상기 기계 추천은 상기 추천 점수를 결정할 때 홍보 사용자로서 취급되며,
    상기 조정하는 단계는, 상기 기계 추천에 의해 추천된 상기 항목에 대해 상기 사용자로부터의 피드백에 기초하여 상기 기계 추천의 상기 사용자 점수를 조정하는 단계를 포함하는
    콘텐츠 추천 방법.
  4. 제 1 항 또는 제 3 항에 있어서,
    상기 사용자로부터의 피드백은 긍정적 응답 및 부정적 응답을 포함하며,
    상기 조정하는 단계는,
    상기 홍보된 항목이 다른 사용자로부터 긍정적인 피드백을 받는 경우 상기 홍보 사용자의 사용자 점수를 증가시키는 단계와,
    상기 홍보된 항목이 다른 사용자로부터 부정적인 피드백을 받는 경우 상기 홍보 사용자의 사용자 점수를 감소시키는 단계를 포함하는
    콘텐츠 추천 방법.
  5. 제 4 항에 있어서,
    상기 사용자로부터 어떠한 피드백도 받기 이전에, 각 사용자는 동일한 초기 사용자 점수를 배정받으며, 상기 조정하는 단계 이후에, 모든 사용자 점수의 합은 똑같이 유지되는
    콘텐츠 추천 방법.
  6. 제 1 항 또는 제 3 항에 있어서,
    각 사용자의 사용자 점수에 따라서 각 사용자에게 역할이 배정되며, 더 많은 특권을 가진 역할은 더 높은 사용자 점수를 요구하는
    콘텐츠 추천 방법.
  7. 제 6 항에 있어서,
    상기 역할은 독자, 논평가, 및 편집자 중에서 선택된 역할인
    콘텐츠 추천 방법.
  8. 제 1 항 또는 제 3 항에 따른 방법을 실행하도록 구성된 수단을 포함하는
    장치.
  9. 삭제
  10. 프로세서로 하여금 제 1 항 또는 제 3 항에 따른 방법을 실행하게 하는 프로그램이 기록되어 있는
    컴퓨터 판독가능한 저장 매체.
  11. 복수의 사용자에게 콘텐츠를 추천하는 시스템으로서,
    복수의 콘텐츠 항목을 저장하도록 구성된 콘텐츠 데이터베이스와,
    사용자에 관한 정보를 저장하도록 구성된 사용자 데이터베이스 - 각 사용자는 사용자 점수와 연관됨 - 와,
    항목의 사용자 홍보 및 홍보 사용자의 사용자 점수에 적어도 부분적으로 기초하여 상기 항목에 대한 추천 점수를 결정하고, 항목의 추천 점수에 따라서 상기 항목을 추천하도록 구성된 제 1 추천기와,
    기계 추천을 통하여 상기 항목에 대한 초기 점수를 생성하도록 구성된 제 2 추천기와,
    상기 사용자로부터의 피드백을 수집하고 상기 홍보 사용자에 의해 홍보된 항목에 대한 다른 사용자의 피드백에 기초하여 상기 홍보 사용자의 사용자 점수를 조정하도록 구성된 피드백 분석기를 포함하되,
    상기 제 1 추천기는 상기 초기 점수, 상기 항목의 사용자 홍보, 및 상기 홍보 사용자의 사용자 점수에 적어도 부분적으로 기초하여 상기 항목에 대한 업데이트된 추천 점수를 결정하도록 구성되는
    콘텐츠 추천 시스템.
  12. 삭제
  13. 제 11 항에 있어서,
    상기 제 2 추천기는 사용자 점수와 연관되고, 상기 제 1 추천기는 상기 추천 점수를 결정할 때 상기 제2 추천기를 사용자로서 취급하도록 구성되며,
    상기 피드백 분석기는 또한 상기 제 2 추천기에 의해 추천된 항목에 대해 상기 사용자로부터의 피드백에 기초하여 상기 제 2 추천기의 사용자 점수를 조정하도록 구성되는
    콘텐츠 추천 시스템.
  14. 제 11 항 또는 제 13 항에 있어서,
    상기 사용자로부터의 피드백은 긍정적 응답 및 부정적 응답을 포함하며,
    상기 피드백 분석기는 상기 홍보된 항목이 다른 사용자로부터 긍정적인 피드백을 받는 경우 상기 홍보 사용자의 사용자 점수를 증가시키고, 상기 홍보된 항목이 다른 사용자로부터 부정적인 피드백을 받는 경우 상기 홍보 사용자의 사용자 점수를 감소시키도록 구성되는
    콘텐츠 추천 시스템.
  15. 제 14 항에 있어서,
    상기 사용자로부터 어떠한 피드백도 받기 이전에, 각 사용자는 동일한 초기 사용자 점수를 배정받으며, 상기 피드백 분석기는 상기 사용자 점수를 조정한 이후에, 모든 사용자 점수의 합을 변하지 않게 유지하도록 구성되는
    콘텐츠 추천 시스템.
  16. 제 11 항 또는 제 13 항에 있어서,
    각 사용자의 사용자 점수에 따라서 상기 각 사용자는 역할을 배정받으며, 더 많은 특권을 가진 역할은 더 높은 사용자 점수를 요구하는
    콘텐츠 추천 시스템.
  17. 제 16 항에 있어서,
    상기 역할은 독자, 논평가, 및 편집자 중에서 선택되는 역할인
    콘텐츠 추천 시스템.
KR1020167023483A 2014-01-29 2014-01-29 콘텐츠 추천 방법, 장치 및 시스템 KR102066773B1 (ko)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2014/071735 WO2015113240A1 (en) 2014-01-29 2014-01-29 Method, apparatus and system for content recommendation

Publications (2)

Publication Number Publication Date
KR20160113685A KR20160113685A (ko) 2016-09-30
KR102066773B1 true KR102066773B1 (ko) 2020-01-15

Family

ID=53756134

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020167023483A KR102066773B1 (ko) 2014-01-29 2014-01-29 콘텐츠 추천 방법, 장치 및 시스템

Country Status (8)

Country Link
US (1) US20160335704A1 (ko)
EP (1) EP3100221A4 (ko)
JP (1) JP6737707B2 (ko)
KR (1) KR102066773B1 (ko)
CN (1) CN105993028B (ko)
MX (1) MX2016009765A (ko)
PH (1) PH12016501474B1 (ko)
WO (1) WO2015113240A1 (ko)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9754306B2 (en) * 2014-03-03 2017-09-05 Invent.ly LLC Recommendation engine with profile analysis
US20150248720A1 (en) * 2014-03-03 2015-09-03 Invent.ly LLC Recommendation engine
US10970289B2 (en) * 2016-05-20 2021-04-06 Adobe Inc. Methods and systems for ranking search results via implicit query driven active learning
US20180025084A1 (en) * 2016-07-19 2018-01-25 Microsoft Technology Licensing, Llc Automatic recommendations for content collaboration
US20180032615A1 (en) * 2016-07-26 2018-02-01 Linkedin Corporation Feedback-based standardization of member attributes in social networks
CN106790606A (zh) * 2016-12-29 2017-05-31 北京奇虎科技有限公司 一种业务处理方法和装置
US10609453B2 (en) 2017-02-21 2020-03-31 The Directv Group, Inc. Customized recommendations of multimedia content streams
US10645182B2 (en) * 2017-03-10 2020-05-05 Wei-Shan Wang Social network information match-up system and method thereof
US20190019158A1 (en) * 2017-07-13 2019-01-17 Linkedln Corporation Quality evaluation of recommendation service
CN108446951A (zh) * 2018-02-13 2018-08-24 李杰波 评分展示方法及系统
KR102236684B1 (ko) * 2019-09-05 2021-04-06 조현우 위치 기반의 음식점 추천 서비스 장치 및 그 방법
KR102391640B1 (ko) * 2020-09-10 2022-04-27 주식회사 엘지유플러스 Vod 컨텐츠 추천 방법 및 장치
CN117876029B (zh) * 2024-03-12 2024-05-07 南京摆渡人网络信息技术有限公司 一种基于商品推广的人机交互优化系统、方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005512249A (ja) * 2001-12-13 2005-04-28 コーニンクレッカ　フィリップス　エレクトロニクス　エヌ　ヴィ メディアシステム上のメディアコンテンツの推薦
JP2007537496A (ja) * 2002-12-10 2007-12-20 テルアバウト，インコーポレイテッド コンテンツ作成、配信、対話、及びモニタリングシステム
JP2013058213A (ja) * 2007-10-04 2013-03-28 Xiam Technologies Ltd リコメンデーション生成システム、装置、及び方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7016866B1 (en) * 2000-11-28 2006-03-21 Accenture Sdn. Bhd. System and method for assisting the buying and selling of property
US20130097184A1 (en) * 2004-09-15 2013-04-18 Yahoo! Inc. Automatic updating of trust networks in recommender systems
US10510043B2 (en) * 2005-06-13 2019-12-17 Skyword Inc. Computer method and apparatus for targeting advertising
US8631015B2 (en) * 2007-09-06 2014-01-14 Linkedin Corporation Detecting associates
CN101251850A (zh) * 2008-01-04 2008-08-27 杨虡 基于用户威望的互联网主题排名系统和方法
JP4374417B1 (ja) * 2008-10-31 2009-12-02 データセクション株式会社 情報分析装置及び情報分析プログラム
WO2012162873A1 (en) * 2011-05-27 2012-12-06 Nokia Corporation Method and apparatus for role-based trust modeling and recommendation
JP5667959B2 (ja) * 2011-10-12 2015-02-12 日本電信電話株式会社 影響度分析方法、影響度分析装置及びそのプログラム
WO2014001908A1 (en) * 2012-06-29 2014-01-03 Thomson Licensing A system and method for recommending items in a social network

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005512249A (ja) * 2001-12-13 2005-04-28 コーニンクレッカ　フィリップス　エレクトロニクス　エヌ　ヴィ メディアシステム上のメディアコンテンツの推薦
JP2007537496A (ja) * 2002-12-10 2007-12-20 テルアバウト，インコーポレイテッド コンテンツ作成、配信、対話、及びモニタリングシステム
JP2013058213A (ja) * 2007-10-04 2013-03-28 Xiam Technologies Ltd リコメンデーション生成システム、装置、及び方法

Also Published As

Publication number Publication date
CN105993028B (zh) 2020-04-24
PH12016501474A1 (en) 2017-02-06
WO2015113240A1 (en) 2015-08-06
EP3100221A4 (en) 2017-07-19
JP2017509960A (ja) 2017-04-06
CN105993028A (zh) 2016-10-05
MX2016009765A (es) 2016-11-14
KR20160113685A (ko) 2016-09-30
PH12016501474B1 (en) 2017-02-06
EP3100221A1 (en) 2016-12-07
JP6737707B2 (ja) 2020-08-12
US20160335704A1 (en) 2016-11-17

Similar Documents

Publication Publication Date Title
KR102066773B1 (ko) 콘텐츠 추천 방법, 장치 및 시스템
US10693981B2 (en) Provisioning personalized content recommendations
US11397763B1 (en) Live video recommendation by an online system
US10645054B1 (en) Promoting social network sharing of a content item on a content sharing platform
US10015128B2 (en) Social content features based on user tracking
US9367878B2 (en) Social content suggestions based on connections
US9674579B1 (en) Rating videos based on parental feedback
US9864951B1 (en) Randomized latent feature learning
US10911384B2 (en) Staggered notification by affinity to promote positive discussion
US10206003B1 (en) Identifying media channels that have a high likelihood of multiple consumptions by one or more users
CN106030650B (zh) 分离内容频道
US20140147048A1 (en) Document quality measurement
US20140317237A1 (en) Selective Content Delivery in a Real-Time Streaming Environment
US20190058770A1 (en) User lifetime revenue allocation associated with provisioned content recommendations
US10210465B2 (en) Enabling preference portability for users of a social networking system
RU2678088C1 (ru) Программирование уведомлений, исходя из последующей активности пользователя
US10237226B2 (en) Detection of manipulation of social media content
US10607253B1 (en) Content title user engagement optimization
US20140317108A1 (en) Prioritized and personalized content on online communities
US11237693B1 (en) Provisioning serendipitous content recommendations in a targeted content zone
US11620410B1 (en) Digital content management using sentiment driven and privacy prioritization adjustability
US11303683B2 (en) Methods and systems for managing distribution of online content based on content maturity
US20140337129A1 (en) Content Recommendation Based on Uniqueness of Individuals in Target Audience
US20230316325A1 (en) Generation and implementation of a configurable measurement platform using artificial intelligence (ai) and machine learning (ml) based techniques

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E601 Decision to refuse application
J201 Request for trial against refusal decision
J301 Trial decision

Free format text: TRIAL NUMBER: 2018101002244; TRIAL DECISION FOR APPEAL AGAINST DECISION TO DECLINE REFUSAL REQUESTED 20180528

Effective date: 20190927

S901 Examination by remand of revocation
GRNO Decision to grant (after opposition)
GRNT Written decision to grant