KR102076407B1 - 관심장소 추천 방법 및 관심장소 추천 시스템 - Google Patents

관심장소 추천 방법 및 관심장소 추천 시스템 Download PDF

Info

Publication number
KR102076407B1
KR102076407B1 KR1020180048593A KR20180048593A KR102076407B1 KR 102076407 B1 KR102076407 B1 KR 102076407B1 KR 1020180048593 A KR1020180048593 A KR 1020180048593A KR 20180048593 A KR20180048593 A KR 20180048593A KR 102076407 B1 KR102076407 B1 KR 102076407B1
Authority
KR
South Korea
Prior art keywords
user terminal
category
user
place
preference
Prior art date
Application number
KR1020180048593A
Other languages
English (en)
Other versions
KR20190124524A (ko
Inventor
이규남
임종태
복경수
유재수
Original Assignee
충북대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 충북대학교 산학협력단 filed Critical 충북대학교 산학협력단
Priority to KR1020180048593A priority Critical patent/KR102076407B1/ko
Publication of KR20190124524A publication Critical patent/KR20190124524A/ko
Application granted granted Critical
Publication of KR102076407B1 publication Critical patent/KR102076407B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • 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
    • G06Q30/0267—Wireless devices
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/30—Transportation; Communications
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • H04W4/022—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences with dynamic range variability

Abstract

관심장소 추천 방법 및 관심장소 추천 시스템이 개시된다. 본 발명의 일실시예에 따른 관심장소 추천 방법은, 소셜 네트워크 시스템에 가입된 복수의 사용자 단말 중, 제1 사용자 단말이 위치한 지역을 주활동영역으로 결정하는 하나 이상의 제2 사용자 단말을 선별하는 단계와, 상기 제2 사용자 단말에 관해 등록된 선호 카테고리를 참조하여, 상기 지역과 연관되는 카테고리 각각으로 선호도를 부여하는 단계와, 상기 선호도의 순으로 정해진 수의 카테고리를 선택하여 관심 카테고리로 분류하는 단계, 및 상기 관심 카테고리에 의해 구분되는 후보장소를, 상기 소셜 네트워크 시스템에 접속된 상기 제1 사용자 단말에 추천하는 단계를 포함한다.

Description

관심장소 추천 방법 및 관심장소 추천 시스템{METHOD AND SYSTEM FOR RECOMMENDING POINT OF INTEREST}
본 발명은 위치 기반 소셜 네트워크 환경에서 사용자와 연관 관계가 있는 타 사용자의 선호도를 고려해, 사용자가 현재 위치한 지역에서 관심을 가질 만한 장소(POINT OF INTEREST, POI)를 예측해 추천할 수 있는 관심장소 추천 방법 및 관심장소 추천 시스템에 관한 것입니다.
위치 인식 기술의 발전으로 인하여 장소에 대한 정보를 소셜 네트워크를 통해 사용자 간에 공유하고 해당 장소를 평가할 수 있는 위치 기반 소셜 네트워크(Location Based Social Networks)가 널리 사용되고 있다.
특히, 위치 기반 소셜 네트워크는 사용자들의 장소 방문 이력과 방문 장소에 대한 후기 정보를 활용하여 소셜 네트워크 관계에 있는 사용자에게 정보를 제공하는 서비스로서, 일례로, 체크인(Check-in)을 통해 자신이 방문한 장소에 대한 이력을 다른 사용자와 공유하고 다른 사용자가 체크인한 이력을 기반으로 타 사용자의 방문 여부를 알 수 있게 하는 서비스가 이용되고 있다.
하지만, 위치 기반 소셜 네트워크에서 제공되는 정보가 사용자가 받아들일 수 있는 한계치를 넘을 경우 사용자는 서비스 활용에 어려움을 겪게 된다.
예를 들어, 사용자가 '청주'라는 지역에 방문해서 자신이 선호할 만한 장소를 소셜 네트워크 상에서 서치하는 경우, 해당 지역에 대한 다른 사용자의 평가나 후기에 관한 데이터가 너무 많으면 사용자는 모든 정보를 탐색할 수 없어 혼란을 겪게 될 수 있다.
따라서, 소셜 네트워크 환경에서 다수의 사용자에 의해 등록되는 정보를 무차별적으로 제공하는 것이 아니라, 사용자와 밀접하게 관련이 있는 정보를 필터링해 제공 함으로써 사용자의 서비스에 대한 활용도를 높일 필요가 있다.
이를 위해, 위치 기반 소셜 네트워크 사용자들의 방문 이력 데이터와 장소 방문후기와 평점 등에 관한 활동 데이터를 분석해 각 사용자의 선호도를 판별하여, 사용자의 선호도가 높은 장소에 대한 정보를 제공할 필요가 있다.
또한, 사용자의 현위치와 방문시간대에 따라 변화되는 선호도를 고려하여 사용자의 현상태에 최적한 정보를 제공할 수 있어야 하며, 사용자가 방문한 지역에서 주로 활동하여 관련 정보가 풍부한 사용자(전문가)의 선호도를 추천에 활용할 필요가 있다.
이에 따라, 기존의 위치 기반 소셜 네트워크 환경에서의 고려하지 못했던 전문가들을 적극 활용하고, 타 사용자에 비해 유달리 선호하는 사용자 개인의 희귀한 선호도를 반영하여 사용자가 관심을 가질 만한 관심장소(POI)를 보다 정확하게 추천하기 위한 기술이 요구되고 있다.
본 발명의 실시예는 위치 기반 소셜 네트워크를 이용하는 임의의 사용자들 중, 사용자의 현재 방문 지역을 주활동영역으로 하는 타 사용자(전문가) 및 사용자와 선호도가 유사한 타 사용자에 관한 방문 이력 데이터 분석을 통해 해당 지역에서 방문 가능한 장소들에 대한 선호도를 카테고리 별로 판별하고, 각 카테고리에 대한 선호도를 고려하여, 상기 지역에서 사용자가 관심을 가질 만한 장소(POI)를 정확히 예측해 추천하는 것을 목적으로 한다.
또한, 본 발명의 실시예는 타 사용자에 대비 사용자 개인의 희귀한 카테고리 선호도에 가중치를 두어, 사용자 입장에서 보다 의미 있는 관심장소를 추천할 수 있도록 하는 것을 목적으로 한다.
또한, 본 발명의 실시예는 사용자의 현재 방문 지역에서 방문 가능한 장소들을 분류하는 카테고리에 대한 타 사용자의 선호도 및 사용자 자신의 희귀한 선호도와 함께, 일반적으로 널리 방문 되고 있는 장소인지에 관한 각 장소의 중요도를 고려하여 관심장소를 추천 함으로써, 사용자가 실제로 방문할 확률이 높은 장소를 추천하는 것을 목적으로 한다.
본 발명의 일실시예에 따른 관심장소 추천 방법은, 소셜 네트워크 시스템에 가입된 복수의 사용자 단말 중, 제1 사용자 단말이 위치한 지역을 주활동영역으로 결정하는 하나 이상의 제2 사용자 단말을 선별하는 단계와, 상기 제2 사용자 단말에 관해 등록된 선호 카테고리를 참조하여, 상기 지역과 연관되는 카테고리 각각으로 선호도를 부여하는 단계와, 상기 선호도의 순으로 정해진 수의 카테고리를 선택하여 관심 카테고리로 분류하는 단계, 및 상기 관심 카테고리에 의해 구분되는 후보장소를, 상기 소셜 네트워크 시스템에 접속된 상기 제1 사용자 단말에 추천하는 단계를 포함한다.
또한, 본 발명의 일실시예에 따른 관심장소 추천 시스템은, 소셜 네트워크 시스템에 가입된 복수의 사용자 단말 중, 제1 사용자 단말이 위치한 지역을 주활동영역으로 결정하는 하나 이상의 제2 사용자 단말을 선별하는 사용자 선별부와, 상기 제2 사용자 단말에 관해 등록된 선호 카테고리를 참조하여, 상기 지역과 연관되는 카테고리 각각으로 선호도를 부여하는 선호도 부여부, 및 상기 선호도의 순으로 정해진 수의 카테고리를 선택하여 관심 카테고리로 분류하고, 상기 관심 카테고리에 의해 구분되는 후보장소를, 상기 소셜 네트워크 시스템에 접속된 상기 제1 사용자 단말에 추천하는 장소 추천부를 포함한다.
본 발명의 일실시예에 따르면, 단순히 타 사용자에 의해 평점이 높게 평가된 장소를 추천하는 종래의 기술에 비하여, 위치 기반 소셜 네트워크를 이용하는 임의의 사용자들의 주활동영역과 사용자 간 유사도 및 사용자 개인의 희귀한 선호도를 고려해, 사용자가 관심을 가질 만한 장소를 보다 정확히 예측할 수 있어 실제로 방문으로 이어지는 확률을 높일 수 있다.
또한, 본 발명의 일실시예에 따르면, 여행이나 출장 등 사용자가 평소 방문하지 않는 지역에서 사전 정보 없이도 소셜 네트워크를 통해 만족도 높은 새로운 장소를 손쉽게 발견해 방문할 수 있도록 할 수 있다.
또한, 본 발명의 일실시예에 따르면, 사용자의 방문 지역의 정보(POI 정보)가 풍부한 전문가들을 선별적으로 추천에 활용할 수 있으며, 사용자 개인의 희귀한 선호도를 더 고려하여 개인의 선호도에도 부합하는 장소를 정확히 예측할 수 있다.
또한, 본 발명의 일실시예에 따르면, 사용자가 위치한 지역 내의 방문 가능한 장소들에 대해 RWR 기반으로 확률적 중요도를 계산하고 상기 중요도를 더 고려하여 관심장소를 추천 함으로써, 사용자가 자주 방문하지 않은 지역에서의 사용자 별 관심장소의 선호도 행렬의 결측치 복원을 위한 MF 방법의 정확도 감소 문제를 보완할 수 있다.
도 1은 본 발명의 일실시예에 따른 관심장소 추천 시스템의 구성을 도시한 블록도이다.
도 2는 본 발명의 다른 실시예에 따른 관심장소 추천 시스템의 구성을 도시한 블록도이다.
도 3은 본 발명의 일실시예에 따른 관심장소 추천 시스템에서, 사용자 간 유사도를 계산하는 과정을 도시한 도면이다.
도 4는 본 발명의 일실시예에 따른 관심장소 추천 시스템에서, 사용자 단말의 카테고리 선호도를 분석하는 과정을 도시한 도면이다.
도 5는 본 발명의 일실시예에 따른 관심장소 추천 시스템에서, 그래프를 구성하는 과정을 도시한 도면이다.
도 6은 본 발명의 일실시예에 따른 관심장소 추천 시스템에서, 주활동영역을 결정하는 일례를 도시한 도면이다.
도 7은 본 발명의 일실시예에 따른 관심장소 추천 시스템에서, 방향성 없는 가중치 그래프를 구성하는 일례를 도시한 도면이다.
도 8은 본 발명의 일실시예에 따른 관심장소 추천 시스템에서, 방향성 있는 가중치 그래프를 구성하는 일례를 도시한 도면이다.
도 9는 본 발명의 일실시예에 따른 관심장소 추천 방법의 순서를 도시한 흐름도이다.
이하, 첨부된 도면들을 참조하여 본 발명의 일실시예에 따른 관심장소 추천 방법 및 관심장소 추천 시스템에 대해 상세히 설명한다. 그러나, 본 발명이 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
도 1은 본 발명의 일실시예에 따른 관심장소 추천 시스템의 구성을 도시한 블록도이다.
도 1을 참조하면, 본 발명의 일실시예에 따른 관심장소 추천 시스템(100)은, 사용자 선별부(110), 선호도 부여부(120) 및 장소 추천부(130)를 포함하여 구성할 수 있다. 또한, 실시예에 따라, 관심장소 추천 시스템(100)은 수집부(101), 선호 카테고리 등록부(102), 유사도 계산부(103), 분할부(104), 주활동영역 결정부(105), 그래프 구성부(106), 설정부(107) 및 중요도 부여부(108) 및 데이터베이스(미도시)를 각각 추가하여 구성할 수 있다.
사용자 선별부(110)는 소셜 네트워크 시스템에 가입된 복수의 사용자 단말 중, 제1 사용자 단말이 위치한 지역을 주활동영역으로 결정하는 하나 이상의 제2 사용자 단말을 선별한다.
일례로, 사용자 선별부(110)는 소셜 네트워크 시스템을 이용하는 임의의 사용자 중에서, 제1 사용자 단말이 현재 방문 중인 지역(예, '담양') 내에 있는 장소들에 대한 정보와 방문 이력이 풍부한 적어도 하나의 제2 사용자 단말을 필터링, 선별할 수 있다.
또한, 사용자 선별부(110)는 제1 사용자 단말이 현재 방문 중인 지역 내의 각 장소들이 속한 카테고리 각각으로, 제2 사용자 단말을 필터링 할 수 있다.
예를 들어, 사용자 선별부(110)는 상기 지역 내의 방문 가능한 장소들을 구분하는 카테고리('숙박업소', '음식점', '유원지', '카페', '주유소/충전소') 각각으로 상기 지역에 대한 전문가 단말을 구분해서 다양하게 선출할 수 있다.
실시예에 따라, 관심장소 추천 시스템(100)은 지역 별 전문가 선출을 목적으로 소셜 네트워크 시스템을 이용하는 복수의 사용자 각각에 대한 주활동영역을 결정하기 위해, 분할부(104) 및 주활동영역 결정부(105)를 더 포함하여 구성될 수 있다.
분할부(104)는 추천 가능한 모든 장소를 K-means 클러스터링 기법에 따라 군집화 하여, 각 장소가 위치하는 서비스 대상 지역을 복수의 영역으로 분할한다.
예를 들어, 분할부(104)는 전체 사용자 단말의 체크인 이력을 기반으로 방문 가능한 장소(POI)를 K-means 클러스터링 하여, 전체 지역을 도 7과 같이 5개의 영역(R1, R2, R3, R4, R5)으로 군집화 할 수 있다.
주활동영역 결정부(105)는 일정 기간 동안, 상기 복수의 사용자 단말 각각이 방문한 장소가 위치한 영역 별로 방문횟수를 카운트하고, 상기 복수의 영역 중에서 방문횟수가 가장 높은 영역을, 상기 복수의 사용자 단말 각각에 대한 주활동영역으로 결정한다.
즉, 주활동영역 결정부(105)는 군집화 된 각 영역 별로 사용자 단말이 체크인 한 이력을 기반으로 사용자 단말의 주활동영역을 판별, 결정할 수 있다.
예를 들어, 도 7에 도시된 것처럼, 주활동영역 결정부(105)는 사용자 B가 영역(R1)에 위치한 POI에서 3번 체크인하고, 영역(R2)에 위치한 POI에서 체크인한 기록이 없고, 영역(R3)에 위치한 POI에서 9번 체크인하고, 영역(R4)에 위치한 POI에서 2번 체크인하고, 영역(R5)에 위치한 POI에서 1번 체크인한 경우, 사용자 B의 체크인 횟수가 최대(max)인 영역(R3)을 사용자 B에 대한 주활동영역으로 판별, 결정할 수 있다.
사용자 선별부(110)는 복수의 영역 중, 제1 사용자 단말이 방문한 지역이 위치하는 영역을 식별하고, 식별한 영역이 상기 주활동영역으로 결정된 적어도 하나의 제2 사용자 단말을 복수의 사용자로부터 선별할 수 있다.
예를 들어, 사용자 선별부(110)는 제1 사용자 단말로부터 관심장소 추천 요청이 발생 됨에 따라 수집되는 제1 사용자 단말의 현 위치에 기초하여 제1 사용자 단말이 현재 방문 중인 지역('담양')이 속하는 영역(R3)을 식별하고, 상기 영역(R3)을 주활동영역으로 결정하는 사용자 B를, 담양 지역의 전문가 단말(제2 사용자 단말)로서 선별할 수 있다.
선호도 부여부(120)는 제2 사용자 단말에 관해 등록된 선호 카테고리를 참조하여, 상기 지역과 연관되는 카테고리 각각으로 선호도를 부여한다.
여기서 제2 사용자 단말에 관한 선호 카테고리는, 제2 사용자 단말이 일정 기간 동안 방문한 장소들 중 카테고리 별 방문횟수가 높은 상위 n개(예, 3개)의 카테고리를 포함하고, 실시예에 따라 상기 카테고리 별 방문횟수가 속한 등급 별 점수(이하, 카테고리 선호도)를 더 포함하여 예를 들어 '숙박업소: 70', '음식점: 50', '전시관: 60'와 같이 데이터베이스(미도시)에 등록될 수 있다.
선호도 부여부(120)는 제1 사용자 단말이 현재 방문 중인 지역 내의 장소들을 분류하는 카테고리('숙박업소', '음식점', '유원지', '카페', '주유소/충전소', '서점', '선술집' 등)에 대한 선호도(초기값 '0')에, 일정 수의 제2 사용자 단말에 관한 선호 카테고리에 포함된 카테고리 선호도를 반복적으로 가산 함으로써, 선호도를 부여할 수 있다.
장소 추천부(130)는 상기 선호도의 순으로 정해진 수의 카테고리를 선택하여 관심 카테고리로 분류하고, 상기 관심 카테고리에 의해 구분되는 후보장소를, 상기 소셜 네트워크 시스템에 접속된 상기 제1 사용자 단말에 추천한다.
예를 들어, 장소 추천부(130)는 선호도가 가장 높은 4개의 카테고리('음식점', '숙박업소', '카페', '전시관')을 관심 카테고리로 분류하고, 상기 관심 카테고리에 의해 구분되는 후보장소('한정식집A', '파스타/피자B', '고기집C', 'G커피', '갤러리 엘르', '죽제품 전시장', '하늘 펜션', '호텔 스테이' 등)를 카테고리 별로 구분해서 추천 목록에 포함시켜 제1 사용자 단말에 제공할 수 있다.
실시예에 따라, 장소 추천부(130)는 상기 관심 카테고리에 의해 구분되는 후보장소 중, 각 후보장소에 부여된 중요도에 따라 상위 k개(상기 k은 2 이상의 자연수)의 후보장소를 선택해서, 제1 사용자 단말이 접속한 소셜 네트워크 시스템의 페이지 일측에 표시할 수도 있다.
상기 중요도는 각 후보장소에 대한 방문의 용이성과 접근성을 고려하여 부여될 수 있다. 일례로, 방문이 용이한 카테고리(음식점)에 속한 후보장소에, 방문이 상대적으로 용이하지 않은 카테고리(유원지)에 속한 후보장소 보다 높은 중요도가 부여되고, 동일 카테고리라면 교통의 편리성과 사용자의 현위치로부터의 이격 거리가 작은 후보장소에 대해 교통이 불편하고 이격 거리가 먼 후보장소 보다 높은 중요도가 부여될 수 있다.
예를 들어, 후술하는 중요도 부여부(108)에서는 일반적으로 사용자가 쉽게 방문하기 어려운 장소인 '놀이동산A' 보다는 사용자의 방문이 용이한 장소인 '한정식집B'에 대해 장소의 상대적인 중요도를 높게 부여할 수 있다.
장소 추천부(130)는 카테고리에 부여된 선호도와 함께, 상기 지역 내의 각 후보장소의 상대적인 중요도 값을 결합하여, 최종 장소 추천을 수행할 수 있다.
예를 들어, 장소 추천부(130)는 '놀이동산A'이 속한 카테고리 '유원지'에 대한 선호도가, '한정식집B'가 속한 카테고리 '음식점'에 대한 선호도 보다 높다고 하더라도, 방문의 용이성을 고려한 각 후보장소의 상대적인 중요도를 결합했을 때의 선호도가 더 높은 '한정식집B'를 사용자에게 추천할 수 있다.
실시예에 따라, 관심장소 추천 시스템(100)은 수집부(101)를 더 포함하여 구성될 수 있다.
수집부(101)는 상기 소셜 네트워크 시스템으로부터, 상기 제1 사용자 단말에 의한 방문횟수가 기준치 이상(예를 들어, '10회' 이상)이면서, 상기 제1 사용자 단말을 제외한 타 사용자 단말에 의한 방문횟수가 기준치 이하(예를 들어, '9회' 이하)인 방문장소를 검색한다.
선호도 부여부(120)는 상기 각 카테고리 중, 상기 검색된 방문장소가 속하는 카테고리에 부여된 선호도를, 가중치를 가산하여 조정할 수 있다.
선호도 부여부(120)는 수집부(101)를 통해 소셜 네트워크 시스템으로부터 수집한 각 사용자 단말의 방문 이력 데이터를 통해 카테고리 별 방문횟수를 카운트하고, 카테고리 별 방문횟수가 타 사용자 단말에 비해 현저히 높은 카테고리('성당')를, 제1 사용자 단말의 희귀한 선호도로 파악하고, 상기 지역 내의 장소들 중 카테고리('성당')에 부여된 선호도에 가중치(예를 들어, '+30')를 더하여, 제1 사용자 단말 개인의 취향이 반영되도록 각 카테고리에 대한 선호도를 보정할 수 있다.
실시예에 따라, 관심장소 추천 시스템(100)은 선호 카테고리 등록부(102)를 더 포함하여 구성될 수 있다.
선호 카테고리 등록부(102)는 일정 기간 동안, 상기 복수의 사용자 단말 각각이 방문한 장소가 속하는 카테고리 별로 방문횟수를 카운트하고, 상기 카테고리 별 방문횟수가 높은 상위 n개(상기 n은 2 이상의 자연수)의 카테고리를 이용하여 상기 복수의 사용자 단말 각각에 대한 선호 카테고리를 등록한다.
예를 들어, 선호 카테고리 등록부(102)는 복수의 사용자 단말 각각에 관한 방문 이력 데이터를 분석하여, 각 사용자 단말이 일정 기간 동안 방문한 장소들 중 카테고리 별 방문횟수가 높은 상위 n개(예, 3개)의 카테고리를 포함하여 복수의 사용자 단말 각각에 대한 선호 카테고리를 등록할 수 있다.
이때 선호 카테고리 등록부(102)는 상기 카테고리 별 방문횟수가 속한 등급 별 점수(이하, 카테고리 선호도)를 더 포함하여, 예를 들어 '숙박업소: 70', '음식점: 50', '전시관: 60'와 같이 선호 카테고리를 등록할 수 있다.
사용자 선별부(110)는 제1 사용자 단말과 유사도가 높은 선호 카테고리를 등록한 제3 사용자 단말을, 복수의 사용자 단말 중에서 선별할 수 있으며, 선호도 부여부(120)는 제3 사용자 단말에 관해 등록된 선호 카테고리를 더 참조하여, 카테고리 각각으로 선호도를 부여할 수 있다.
즉, 사용자 선별부(110)는 제1 사용자 단말에 관한 선호 카테고리를, 타 사용자 단말의 선호 카테고리와 비교하여, 카테고리 및 카테고리 선호도의 유사도가 높은 순서로 적어도 하나의 제3 사용자 단말을 필터링, 선별할 수 있다. 여기서 제3 사용자 단말을, 제1 사용자 단말의 유사 사용자 단말로 지칭할 수 있다.
사용자 선별부(110)는 코사인 유사도를 이용하여 계산되는 사용자 간 유사도에 기초하여, 유사도가 높은 제3 사용자 단말을 선별할 수 있다.
선호도 부여부(120)는 제2 사용자 단말(지역 전문가 단말)의 선호 카테고리를 이용해 부여한 선호도에, 제3 사용자 단말(유사 사용자 단말)에 관한 선호 카테고리에 포함된 카테고리 선호도를 더 가산하여 선호도를 부여할 수 있다.
실시예에 따라, 제1 사용자 단말과 동시간대에 방문한 이력이 있는 유사 사용자를 선별하여 장소 추천의 정확도를 높일 수 있다.
수집부(101)는 제1 사용자 단말의 소셜 네트워크 시스템으로의 접속에 따라 제1 사용자 단말이 위치한 지역의 방문시간대를 확인할 수 있다.
이 경우, 선호 카테고리 등록부(102)는 일정 기간 동안, 복수의 사용자 단말 각각이 상기 방문시간대에 방문한 장소가 속하는 카테고리 별로 방문횟수를 카운트하고, 사용자 선별부(110)는 상기 방문시간대에 해당하는 카테고리 별 방문횟수에 기초하여 등록된 선호 카테고리에 기초하여, 제1 사용자 단말과 유사도가 높은 선호 카테고리를 등록한 제3 사용자 단말을 선별할 수 있다.
예를 들어, 선호 카테고리 등록부(102)는 수집된 사용자 단말의 체크인 이력을 시간대 별로 분할하여 사용자 단말의 카테고리 별 방문횟수를 카운트하고, 사용자 선별부(110)는 제1 사용자의 방문시간대에 해당하는 카테고리 별 방문횟수에 따라 사용자 간 유사도가 높은 제3 사용자 단말을 선별할 수 있다.
실시예에 따라, 관심장소 추천 시스템(100)은 소셜 네트워크 시스템의 각 사용자 단말의 방문 이력 데이터를 통해, 선호 카테고리와 사용자 간 유사도 및 주활동영역 중 적어도 하나의 데이터를 분석하여 데이터베이스에 사용자 단말 각각으로 유지 함으로써, 제1 사용자 단말이 관심을 가질 만한 관심장소(POI) 추천을 위한 학습 데이터 구축할 수 있다.
수집부(101)는 상기 소셜 네트워크 시스템으로부터, 상기 복수의 사용자 단말 각각이 일정 기간 동안 방문한 방문장소에 관한 이력 데이터를 수집한다.
선호 카테고리 등록부(102)는 상기 이력 데이터를 분석하여, 각 방문장소가 속한 카테고리 별로 카운트한 방문횟수에 따라, 선호 카테고리를 등록한다.
유사도 계산부(103)는 상기 복수의 사용자 단말 각각에 대해 등록되는 선호 카테고리를 비교하여 상기 복수의 사용자 단말 간 유사도를 계산한다.
주활동영역 결정부(105)는 상기 이력 데이터를 분석하여, 상기 각 방문장소가 위치한 영역 별로 카운트한 방문횟수에 따라, 각 사용자 단말의 주활동영역을 결정한다.
데이터베이스(미도시)는 상기 복수의 사용자 단말 각각에 대해, 상기 선호 카테고리와 상기 유사도 및 상기 주활동영역 중 적어도 하나의 분석 데이터를 유지한다.
실시예에 따라, 관심장소 추천 시스템(100)은 그래프 구성부(106), 설정부(107) 및 중요도 부여부(108)를 더 포함하여 구성될 수 있다.
그래프 구성부(106)는 제2 사용자 단말(유사 사용자 단말, Sim) 및 제3 사용자 단말(지역 전문가 단말, expert)을 포함한 타 사용자 단말을, 관심장소 추천을 요청한 제1 사용자 단말(A)과 제1 간선으로 각각 연결하고, 타 사용자 단말에 관해 등록된 선호 카테고리에 의해 구분되는 후보장소(POI1, POI2) 각각을, 제1 사용자 단말(A)과 제2 간선으로 연결하여, 그래프를 구성한다.
예를 들어, 도 7을 참조하면, 그래프 구성부(106)는 사용자 단말(A)을 기준으로, 유사 사용자 단말(Sim)과 지역 전문가 단말(expert)을 방향성 없는 간선(Edge)으로 연결하고, 지역 전문가 단말(expert)을 선출 시 선정한 대중적인 장소(POI1)를 각 전문가 단말(expert)과 연결하고, 유사한 사용자 단말(Sim)이 방문했던 장소(POI2)와 유사 사용자 단말(Sim)을 연결하여, 사용자 단말(A)로부터, 거리가 2 이내인 그래프를 구성할 수 있다.
설정부(107)는 상기 제1 간선에 복수의 사용자 단말 간 유사도를 가중치로서 설정하고, 상기 제2 간선에 후보장소를 방문한 전체 사용자 단말 중 상기 타 사용자 단말의 방문횟수의 비율을 가중치로서 설정한다.
그래프 구성부(106)는 유사 사용자와 지역 전문가 각각의 선호도를 활용하여 방향성 없는 가중치 그래프를 도 8의 좌측 상단 그래프와 같이 구성하고, 구성된 그래프를 기반으로 도 8의 우측 하단의 방향성 있는 가중치 그래프를 구성하여, POI 중요도를 계산할 수 있다.
중요도 부여부(108)는 상기 그래프에서 타 사용자 단말이 상기 각 후보장소로 이동하는 확률 및 상기 제1 간선 및 상기 제2 간선 중 적어도 하나의 간선에 설정된 값(가중치)을 이용하여, 상기 각 후보장소에 중요도를 부여한다.
일례로, 중요도 부여부(108)는 방향성 없는 가중치 그래프를 기반으로, 랜덤 서퍼를 통해, 임의의 정점에서 다른 정점으로 이동할 확률을 계산할 수 있다(수학식 9 참조).
이때, 중요도 부여부(108)는 그래프에서 서로 연결된 각 정점의 속성(사용자 속성, 장소 속성)이 동일한 경우와 상이한 경우, 확률은 서로 다르게 계산할 수 있다.
예를 들어, 중요도 부여부(108)는 도 8의 우측 상단 그래프에서 사용자 단말(A)에서 이동 가능한 정점이 유사 사용자 단말(Sim)과 지역 전문가 단말(expert)로서 모두 사용자 속성이므로 제1 간선(A→Sim)에 부여된 가중치(유사도 '0.2')를, 사용자 단말(A)에서 유사 사용자 단말(Sim)로 이동하는 확률로 계산하고, 제1 간선(A→expert)에 부여된 가중치(유사도 '0.4')를, 사용자 단말(A)에서 지역 전문가 단말(expert)로 이동하는 확률로서 계산할 수 있으며, 설정부(107)는 계산된 확률을 도 8의 우측 상단의 방향성 있는 그래프에서 제1 간선 각각의 가중치로 설정할 수 있다.
또한, 중요도 부여부(108)는 도 8의 좌측 하단 그래프에서 유사 사용자 단말(Sim)로부터 이동 가능한 정점이 사용자 단말(A) 및 두 장소(POI1, POI2)로서 정점들 간의 속성이 상이하므로 수학식 9에 따라 확률을 계산할 수 있다.
즉, 중요도 부여부(108)는 유사 사용자 단말(Sim)과 연결된 전체 정점의 개수의 총합은 '3'이며 그 중 장소 속성의 정점의 개수는 '2'이고 도 8의 좌측 상단의 방향성이 없는 가중치 그래프에서 제2 간선(Sim→ POI1)에 부여된 가중치는 0.25이므로, 이를 각각 수학식 9에 적용하면, '(2/3)*0.25'가 되어 대략 '0.17'을 유사 사용자 단말(Sim)로부터 장소(POI1) 정점으로 이동할 확률로서 계산할 수 있다.
설정부(107)는 계산된 확률 '0.17'을, 도 8의 좌측 하단의 방향성 있는 그래프에서 제2 간선(Sim→ POI1)의 가중치로 설정할 수 있다.
이처럼, 중요도 부여부(108)는 방향성 없는 가중치 그래프에서 나머지 정점들에 대해서도 동일한 과정을 적용하면, 모든 정점 사이에 이동할 확률을 계산할 수 있으므로, 최종적으로 도 8의 우측 하단의 방향성 있는 그래프를 구성할 수 있다.
장소 추천부(130)는 상기 관심 카테고리에 의해 구분되는 후보장소 중, 상기 중요도가 높은 상위 k개(상기 k은 2 이상의 자연수)의 후보장소를, 상기 제1 사용자 단말이 접속한 상기 소셜 네트워크 시스템의 페이지 일측에 표시할 수 있다.
즉, 중요도 부여부(108)는 각 카테고리 별로 방향성 있는 가중치 그래프를 기반으로 RWR을 수행하면 각 카테고리 별로 장소의 상대적인 중요도를 계산할 수 있다. 여기서 RWR은 후술하는 수학식 10을 통해 계산될 수 있다.
장소 추천부(130)는 계산된 장소의 상대적인 중요도 값과, 학습 단계에서 계산했던 사용자 단말의 카테고리 선호도를 결합하여, 최종 장소 추천을 수행할 수 있다.
이때, 중요도 부여부(108)는 상기 각 카테고리에 대해, 상기 제1 사용자 단말에 관해 등록된 선호 카테고리에 포함되는지 여부를 확인하고, 포함되는 경우, 해당 카테고리에 의해 구분되는 후보장소에 부여된 중요도를 증가시키는 조정을 할 수 있다.
또한, 중요도 부여부(108)는 상기 각 카테고리 중, 상기 제1 사용자 단말에 관한 선호 카테고리에 포함되지 않는 나머지 카테고리에 의해 구분되는 후보장소에 대해서는, 부여된 중요도를 감소시키는 조정을 할 수도 있다.
다시 말해, 중요도 부여부(108)는 만약 사용자 단말(A)이 선호했던 카테고리라면 선호도가 높으므로 해당 카테고리에 해당하는 장소들의 중요도 값을 증가시키고, 반대로 선호하지 않았던 카테고리라면 선호도가 낮으므로 해당 카테고리에 해당하는 장소들의 중요도 값을 감소시킬 수 있다.
이처럼, 중요도 부여부(108)는 카테고리에 대한 선호도와, 장소에 대한 중요도를 결합 시 카테고리에 속한 장소들에 대한 중요도를 상향 조정할 수 있다.
이를 통해, 장소 추천부(130)는 사용자 단말(A)이 선호하지 않는 카테고리에 들어가더라도 중요도가 높은 장소라면, 최종적으로 장소의 선호도를 높게 계산하여 추천 목록에 포함시키고, 반대로 사용자 단말(A)이 선호하는 카테고리 중에서도 상대적으로 장소가 가지는 중요도가 떨어진다면 추천 목록에서 제외할 수 있다.
이와 같이, 본 발명의 일실시예에 따르면, 위치 기반 소셜 네트워크를 이용하는 임의의 사용자들 중, 사용자의 현재 방문 지역을 주활동영역으로 하는 타 사용자(전문가) 및 사용자와 선호도가 유사한 타 사용자에 관한 방문 이력 데이터 분석을 통해 해당 지역에서 방문 가능한 장소들에 대한 선호도를 카테고리 별로 판별하고, 각 카테고리에 대한 선호도를 고려하여, 상기 지역에서 사용자가 관심을 가질 만한 장소(POI)를 정확히 예측해 추천할 수 있다.
또한, 본 발명의 일실시예에 따르면, 타 사용자에 대비 사용자 개인의 희귀한 카테고리 선호도에 가중치를 두어 사용자 입장에서 보다 의미 있는 관심장소를 추천할 수 있다.
또한, 본 발명의 실시예는 사용자의 현재 방문 지역에서 방문 가능한 장소들을 분류하는 카테고리에 대한 타 사용자의 선호도 및 사용자 자신의 희귀한 선호도와 함께, 일반적으로 널리 방문 되고 있는 장소인지에 관한 각 장소의 중요도를 고려하여 관심장소를 추천 함으로써, 사용자가 실제로 방문할 확률이 높은 장소를 추천할 수 있다.
도 2는 본 발명의 다른 실시예에 따른 관심장소 추천 시스템의 구성을 도시한 블록도이다.
도 2를 참조하면, 본 발명의 다른 실시예에 따른 관심장소 추천 시스템은, 수집 모듈(210), 학습 모듈(220) 및 추천 모듈(230)을 포함하여 구성될 수 있다.
수집 모듈(210)은 소셜 네트워크 시스템에 가입된 복수의 사용자 단말 각각이 일정 기간 동안 방문한 방문장소에 관한 이력 데이터를 수집한다.
상기 이력 데이터에는, 각 사용자가 일정 기간 동안 방문한 장소들에 대한 방문 이력('체크인 이력')과, 각 방문장소에 관한 명칭('엘르 갤러리'), 카테고리('미술관/전시관'), 지역('담양'), 주소 및 사용자에 의해 등록된 평점('10점 중 8점') 중 적어도 하나의 장소 정보가 포함될 수 있다.
또한, 수집 모듈(210)은 소셜 네트워크 시스템으로부터, 복수의 사용자 단말 각각에 관한 상태 정보를 더 수집할 수 있다. 상기 상태 정보에는, 각 사용자 단말의 현 위치와 현 시간이 포함될 수 있다.
예를 들어, 수집 모듈(210)은 소셜 네트워크 시스템을 통해 숙박 업소를 검색, 예약, 결제하여 이용한 사용자에 관한 체크인 이력을 수집하고, 각 체크인 이력으로부터 사용자의 방문 이력과 시간대 별 현위치를 수집할 수 있다.
학습 모듈(220)은 수집 모듈(210)에서 수집된 각 사용자 단말의 이력 데이터(체크인 이력)을 기반으로 카테고리 선호도(선호 카테고리)를 분석하고 사용자 간 유사도를 계산하며 주활동영역을 판별한다.
구체적으로, 학습 모듈(220)은 상기 이력 데이터를 분석하여 사용자 각각의 카테고리 별 방문횟수를 카운트할 수 있다. 예를 들어, 학습 모듈(220)은 상기 이력 데이터(예, '호텔'→'식당'→'미술관'→…)를 분석하여, 복수의 사용자 단말 각각이 방문한 장소가 속하는 카테고리(예, '숙박업소', '음식점', '미술관/전시관', '주유소', '카페' 등) 별로 방문횟수를 카운트 한다.
학습 모듈(220)은 상기 카테고리 별 방문횟수가 높은 순서대로 사용자의 카테고리 선호도를 분석하여 각 사용자의 선호 카테고리를 등록할 수 있다. 이때, 학습 모듈(220)은 타 사용자에 비해 많이 방문한 장소가 속한 카테고리에, 가중치를 두어 카테고리 선호도를 보정할 수 있다.
또한, 학습 모듈(220)은 각 사용자의 선호 카테고리를 비교하여 사용자 간 카테고리 유사도를 계산할 수 있다. 학습 모듈(220)에서의 사용자 단말의 카테고리 선호도 분석 및 사용자 간 유사도 계산의 상세한 과정은, 후술하는 도 3에서 상세히 설명한다.
또한, 학습 모듈(220)은 상기 이력 데이터를 분석하여 각 방문장소가 위치한 영역 별로 카운트한 방문횟수에 따라, 각 사용자 단말의 주활동영역(예컨대, 서울 및 수도권, 제주도, 강원도 평창, 경상도 부산 등)을 결정할 수 있다.
학습 모듈(220)은 카테고리 선호도(선호 카테고리), 사용자 간 유사도, 및 주활동영역을 복수의 사용자 단말 각각에 대해 데이터베이스에 유지할 수 있다.
추천 모듈(230)은 사용자 단말의 현 위치와 현 시간을 기반으로, 카테고리 선호도가 유사한 사용자 또는 현 위치의 지역 전문가를 활용하여 카테고리 별 장소의 중요도를 계산하고, 학습 모듈(220)에서 계산된 카테고리 선호도(선호 카테고리)를 결합하여 최종적으로 사용자 단말에 관심장소(POI)를 추천한다.
이를 위해, 추천 모듈(230)은 학습 모듈(220)에서 분석한 각 사용자의 카테고리 선호도와 사용자 간 유사도 및 주활동영역을 이용하여 그래프를 구성하고, 구성된 그래프에서 카테고리 별 관심장소의 중요도를 계산하고, 중요도가 높은 순서로 상위 k개의 장소를 선택해 추천할 수 있다.
추천 모듈(230)은 사용자가 이전에 방문한 장소에 대해서는 사용자의 이용 후기나 평가를 통해 선호도를 파악할 수 있지만, 사용자가 이전에 방문하지 않은 장소에 대해서는 직접적인 선호도를 파악하기 어려우므로, 사용자와 카테고리 선호도가 유사한 사용자 단말과 지역의 전문가를 활용하여 사용자가 이전에 방문하지 않은 장소이더라도 관심을 가질 만한 장소인지를 예측해 추천할 수 있다.
예를 들어, 추천 모듈(230)은 제1 사용자와 유사한 선호도를 보이는 제3 사용자가 관심장소a 보다 관심장소b를 더 선호하여 방문한 경우, 제1 사용자에게도 관심장소b를 추천할 수 있다.
도 3은 본 발명의 일실시예에 따른 관심장소 추천 시스템에서, 사용자 간 유사도를 계산하는 과정을 도시한 도면이다.
도 3을 참조하면, 본 발명의 관심장소 추천 시스템은, 일정 기간 동안 소셜 네트워크 시스템에 가입된 복수의 사용자 각각에 관한 방문 이력 데이터(LSBN 데이터)를 수집하고, 소셜 네트워크 시스템으로부터 상기 기간 동안의 사용자의 현 위치와 현 시간에 관한 상태 정보를 수집한다(단계 301).
관심장소 추천 시스템은, 각 사용자의 방문 이력 데이터를 상기 사용자의 방문시간대 별로 분할한다(단계 302).
관심장소 추천 시스템은, 상기 방문시간대에 해당하는 카테고리 별 방문횟수를 카운트하여, 복수의 사용자 각각의 선호 카테고리를 등록한다(단계 303).
관심장소 추천 시스템은, 상기 사용자의 선호 카테고리와, 타 사용자의 선호 카테고리를 비교하여 사용자 간 유사도를 계산한다(단계 304).
구체적으로, 관심장소 추천 시스템은, 수집된 사용자 단말의 체크인 이력을 시간대 별로 분할하고, 분할된 시간대 별로 카운트한 사용자 단말의 카테고리 방문횟수를 활용하여 사용자 간 유사도를 계산할 수 있다.
여기서, 사용자 간 유사도는 코사인 유사도를 통해 계산될 수 있다. 코사인 유사도는 수학식 1을 통해 계산된다.
Figure 112018041687537-pat00001
도 4는 본 발명의 일실시예에 따른 관심장소 추천 시스템에서, 사용자 단말의 카테고리 선호도를 분석하는 과정을 도시한 도면이다.
도 4를 참조하면, 본 발명의 관심장소 추천 시스템은, 사용자 단말이 다른 사용자 단말에 비해 유달리 선호하는 카테고리가 있다면 가중치를 반영하여 선호도를 보정 함으로써, 사용자 단말의 선호도를 보다 정확히 반영할 수 있다.
구체적으로, 관심장소 추천 시스템은 사용자의 방문시간대에 해당하는 카테고리 방문횟수를 계산한다(단계 401).
관심장소 추천 시스템은 시간대 별 카테고리 방문횟수에 기초하여, 타 사용자에 비해 유달리 선호하는 카테고리에 대해 가중치를 가산하여 카테고리 호도를 보정한다(단계 402).
관심장소 추천 시스템은 보정된 카테고리 선호도에 기초하여 사용자의 선호 카테고리를 예측한다(단계 403).
구체적으로, 관심장소 추천 시스템은 도 3의 사용자 간 유사도 계산 과정에서 계산된 시간대 별 카테고리 방문횟수(방문통계값)을 활용하여, 카테고리 방문 선호도(각 카테고리의 선호도)를 보정하고 최종적으로 사용자 단말의 선호 카테고리를 예측한다. 관심장소 추천 시스템은 카테고리 방문 선호도를 보정하기 위해 수학식 2를 활용한다.
Figure 112018041687537-pat00002
수학식 2에서 ω는 특정 카테고리에 속하는 각 관심장소(이하, POI)의 선호도이고, Vi는 해당 POI에 사용자 i가 방문한 횟수이고, AV는 해당 POI에 모든 사용자 단말이 방문한 횟수이고, CP는 해당 카테고리의 하위 관심장소들이며, α는 가중치를 어느 만큼 반영할 것인지에 대한 보정치이다.
관심장소 추천 시스템은 수학식 2에서 해당 POI에 사용자 단말이 방문한 횟수와 전체 사용자 단말이 방문한 횟수를 반영하여, 전체 사용자 단말의 방문 대비 상대적으로 사용자 단말이 많이 방문한 경우를 고려할 수 있다.
또한, 해당 카테고리의 POI가 흔한 POI일 경우 흔하지 않은 POI 보다 방문될 가능성이 높게 되므로, 이로 인해 방문횟수가 당연히 더 높을 수밖에 없는 현상을 미리 방지해야 한다.
예를 들어, 사용자 A가 놀이동산을 선호한다고 가정하면, 놀이동산은 사용자 A가 선호하는 POI이지만 음식점 보다는 쉽사리 방문하기 힘든 POI이기 때문에, 사용자 단말의 카테고리 별 선호도 행렬을 구성하면, 놀이동산 보다는 음식점을 더 많이 방문하므로 음식점을 더 선호한다는 잘못된 결과를 얻을 수 있다.
따라서, 관심장소 추천 시스템은 해당 부분의 보정을 위하여 카테고리에 속한 하위 POI의 수를 활용할 수 있다. 수학식 3은, 수학식 2를 이용하여 계산한 최종 사용자 단말의 카테고리 선호도이다.
Figure 112018041687537-pat00003
CLi는 사용자 단말의 i번째 카테고리의 최종 선호도이고, Cui는 사용자 단말의
Figure 112018041687537-pat00004
번째 카테고리의 방문횟수이다.
관심장소 추천 시스템은 보정된 카테고리 선호도를 활용하여 사용자 별 카테고리 선호도 행렬을 만들고, 만들어진 사용자 별 카테고리 선호도 행렬의 결측값을 기존에 제안되어 있는 알고리즘(일례로 Algorithms for Non-negative Matrix Factorization)을 활용하여 예측할 수 있다.
관심장소 추천 시스템은 사용자 별 카테고리 선호도 행렬 V를, 비음수 행렬 W와 H로 분할한 뒤에 수학식 4와 수학식 5를 반복적으로 수행하고, 이러한 반복적인 수행에 따라 비음수 행렬 W와 H는 값에 거의 변동이 없는 안정된 상태가 되고 이를 활용하여 결측값을 예측할 수 있다.
Figure 112018041687537-pat00005
Figure 112018041687537-pat00006
사용자 별 장소의 선호도 행렬의 결측값을 MF 방법으로 예측할 경우 사용자 단말이 방문하지 않은 지역은 결측값이 많아 관련 연구에서 서술한 바와 같이 정확도에 영향을 크게 받을 수 있다. 그러나 사용자 별 카테고리의 선호도의 경우 장소의 상위 개념으로 결측값이 다수 존재하지 않게 되어 정확도에 영향을 미치지 않아 활용이 가능하다. 관심장소 추천 시스템은 계산된 사용자 단말의 카테고리 선호도를 0~100의 값으로 정규화 할 수 있다.
도 5는 본 발명의 일실시예에 따른 관심장소 추천 시스템에서, 그래프를 구성하는 과정을 도시한 도면이다.
도 5를 참조하면, 본 발명의 관심장소 추천 시스템은, 사용자 단말의 관심장소 추천 요청이 입력되면, 수집 모듈을 통해 사용자 단말의 현 위치와 시간값을 수집할 수 있다.
관심장소 추천 시스템은, 수집된 사용자 단말의 현 위치와 시간값 기반으로, 사용자 단말과 선호도가 유사한 사용자 및 카테고리 별 지역 전문가를 선출한다(단계 501).
구체적으로, 관심장소 추천 시스템은 사용자 단말의 현 위치가 속한 지역이 주활동영역이면서, 동시간대의 사용자 중 사용자 단말과 선호도가 유사한 사용자 단말을 선출할 수 있다(유사 사용자 선출).
다음으로, 관심장소 추천 시스템은, 상기 지역 내의 대중적인 장소에 대해 지식이 많은 지역의 전문가들을 선출하기 위해, 사용자 단말이 속한 시간대와 영역에서 각 카테고리 별로 사용자들이 많이 방문한 대중적인 장소를 지정하고, 각 장소에 방문한 사용자들 중에서 카테고리 별로 방문횟수가 가장 높은 사용자들을 선출할 수 있다(지역 전문가 선출).
관심장소 추천 시스템은 유사 사용자와 지역 전문가 각각의 선호도를 활용하여 방향성 없는 가중치 그래프를 도 7과 같이 구성한다(단계 502).
이후, 관심장소 추천 시스템은 구성된 그래프를 기반으로 방향성 있는 가중치 그래프를 도 8과 같이 구성하여, POI 중요도를 계산한다(단계 503).
도 6은 본 발명의 일실시예에 따른 관심장소 추천 시스템에서, 주활동영역을 결정하는 일례를 도시한 도면이다.
도 6을 참조하면, 본 발명의 관심장소 추천 시스템은, 사용자 단말이 방문하지 않은 지역의 관심장소(이하, POI)들을 추천 시 상기 사용자 단말과 선호도가 유사한 다른 사용자 단말과 해당 지역의 전문가를 활용할 수 있다.
관심장소 추천 시스템은, 해당 지역 내의 POI에 대한 정보가 풍부한 전문가를 활용하여 POI 추천을 시도하게 되면 해당 지역에 대한 전문성이 정확히 반영된 POI를 추천에 활용할 수 있다.
먼저, 관심장소 추천 시스템은 전문가 선별을 위해 POI 군집화를 통해 지역을 분할한다. 이는 일반적으로 서비스 대상 지역 전체를 대상으로 하는 전문가 보다는 사용자들이 방문이 용이한 지역 별로 전문가가 있는 경우가 많기 때문이며, 본 발명의 관심장소 추천 시스템은 각 POI의 군집화를 통해 분할된 지역 별로 전문가를 선출할 수 있다.
이후, 관심장소 추천 시스템은 분할된 지역을 기반으로 사용자들의 주활동영역을 결정할 수 있다. 즉, 본 발명의 관심장소 추천 시스템은 K-means 클러스터링을 활용하여 각 POI를 군집화 하고, 군집화 된 각 영역 별로 사용자 단말이 체크인 한 이력을 기반으로 수학식 6을 수행하여 각 사용자 단말의 주활동영역을 판별, 결정할 수 있다.
Figure 112018041687537-pat00007
수학식 6에서 MR은 사용자 단말의 주활동영역을 의미하고, RCi는 사용자 A가 각 영역 별로 사용자 단말이 체크인한 횟수를 의미한다.
예를 들어, 관심장소 추천 시스템은 전체 사용자 단말의 체크인 이력을 기반으로 각 POI를 K-means 클러스터링 하여, 전체 지역을 도 7과 같이 5개의 영역(R1, R2, R3, R4, R5)으로 군집화 할 수 있다.
도 7에 도시된 것처럼, 사용자 A의 경우, 영역(R1)에 위치한 POI에서 3번 체크인하고, 영역(R2)에 위치한 POI에서 체크인한 기록이 없고, 영역(R3)에 위치한 POI에서 9번 체크인하고, 영역(R4)에 위치한 POI에서 2번 체크인하고, 영역(R5)에 위치한 POI에서 1번 체크인한 경우, 관심장소 추천 시스템은, 수학식 6에 따라, 사용자 A가 체크인 횟수가 최대(max)인 영역(R3)을 사용자 A에 대한 주활동영역으로 판별, 결정할 수 있다.
도 7은 본 발명의 일실시예에 따른 관심장소 추천 시스템에서, 방향성 없는 가중치 그래프를 구성하는 일례를 도시한 도면이다.
도 7에는 유사 사용자 단말(Sim)과 카테고리 별 선출된 지역의 전문가 단말(expert)을 활용하여 카테고리 별로 방향성 없는 가중치 그래프를 구성한 예시가 나타나 있다.
도 7을 참조하면, 본 발명의 관심장소 추천 시스템은, 특정 카테고리로 구분되는 장소(POI1, POI2) 만을 정점(Vertex)으로 사용하여 그래프를 구성할 수 있다.
먼저, 관심장소 추천 시스템은 사용자 단말(A)에 의해 관심장소(POI) 추천이 요청되면, 사용자 단말(A)과 선호도가 유사한 사용자 단말(Sim) 및 사용자 단말(A)의 현 위치가 속한 지역을 주활동영역으로 하는 전문가 단말(expert)을 각각 선출할 수 있다.
이후, 관심장소 추천 시스템은 사용자 단말(A)을 기준으로, 유사 사용자 단말(Sim)과 지역 전문가 단말(expert)을 방향성 없는 간선(Edge)으로 연결할 수 있다.
다음으로, 관심장소 추천 시스템은 지역 전문가 단말(expert)을 선출 시 선정한 대중적인 장소(POI1)를 각 전문가 단말(expert)과 연결하고, 유사한 사용자 단말(Sim)이 방문했던 장소(POI2)와 유사 사용자 단말(Sim)을 연결하여, 사용자 단말(A)로부터, 거리가 2 이내인 그래프를 구성할 수 있다.
여기서, 구성된 그래프는 방향성 없는 간선에 가중치가 있는 그래프이며, 상기 간선은 사용자 단말 사이를 연결하는 제2 간선과 사용자 단말과 장소를 연결하는 제2 간선으로 구분될 수 있다.
아래의 수학식 7은 사용자 단말 사이를 연결하는 제1 간선의 가중치를 계산하는 식이다.
Figure 112018041687537-pat00008
수학식 7에서 uui는 사용자 단말(A)와 유사 사용자 단말(Sim) 또는 지역 전문가 단말(expert)을 연결하는 제1 간선을 의미하고, β는 가중치이고, SC는 사용자 단말(A)와의 유사도이며, PC는 그래프에서 해당 카테고리로 구분되는 장소들(POI1, POI2)을 방문한 횟수를 나타낼 수 있다.
아래의 수학식 8은 사용자 단말(A)과 각 장소(POI1, POI2)를 연결하는 제2 간선의 가중치를 계산하는 식이다.
Figure 112018041687537-pat00009
수학식 8에서 upi는 사용자 단말(A)과 각 장소(POI1, POI2)를 연결하는 제2 간선을 의미하고, AP는 전체 체크인 횟수이며, Pi는 해당 장소에의 방문횟수를 나타낼 수 있다.
도 8은 본 발명의 일실시예에 따른 관심장소 추천 시스템에서, 방향성 있는 가중치 그래프를 구성하는 일례를 도시한 도면이다.
도 8을 참조하면, 본 발명의 관심장소 추천 시스템은, 방향성 없는 가중치 그래프(도 8의 좌측 상단 그래프)를 기반으로, 방향성 있는 가중치 그래프(도 8의 우측 하단 참조)를 구성할 수 있다.
우선, 관심장소 추천 시스템은 방향성 없는 가중치 그래프(도 8의 좌측 상단 그래프)를 기반으로, 랜덤 서퍼를 통해, 임의의 정점에서 다른 정점으로 이동할 확률을 수학식 9를 활용하여 계산할 수 있다.
Figure 112018041687537-pat00010
수학식 9에서, wejk는 j번째 정점에서 k번째 정점으로 이동할 확률이며, ac는 현재 랜덤 서퍼가 있는 정점에 연결되어 있는 다른 정점 중 속성 i에 해당하는 정점의 개수를 나타낸다.
한편, 관심장소 추천 시스템은 그래프에서 서로 연결된 각 정점의 속성(사용자 속성, 장소 속성)이 동일한 경우와 상이한 경우, 확률은 서로 다르게 계산할 수 있다.
먼저, 임의의 정점과 연결된 다른 정점의 속성이 동일한 경우, 예를 들어 도 8의 우측 상단 그래프와 같이 사용자 단말(A)이 이동을 시작하는 정점일 때, 랜덤 서퍼는 유사 사용자 단말(Sim)과 지역 전문가 단말(expert) 중 어느 하나의 정점으로 이동이 가능하다. 여기서 유사 사용자 단말(Sim)과 지역 전문가 단말(expert)은 모두 사용자 속성으로 동일하므로, 수학식 9를 활용하여 계산 시
Figure 112018041687537-pat00011
는 1이 되기 때문에, wejk = edgejk이 된다.
즉, 관심장소 추천 시스템은 도 8의 좌측 상단의 방향성 없는 가중치 그래프에서 제1 간선(A→Sim)에 부여된 가중치(유사도 '0.2')를, 사용자 단말(A)에서 유사 사용자 단말(Sim)로 이동하는 확률로 계산하고, 제1 간선(A→expert)에 부여된 가중치(유사도 '0.4')를, 사용자 단말(A)에서 지역 전문가 단말(expert)로 이동하는 확률로서 계산할 수 있으며, 계산된 확률을 도 8의 우측 상단의 방향성 있는 그래프에서 제1 간선 각각의 가중치로 설정할 수 있다.
다음으로, 임의의 정점과 연결된 다른 정점의 속성이 서로 상이한 경우 수학식 9를 활용해서 도 7의 방향성이 없는 가중치 그래프에서 랜덤 서퍼가 이동할 확률을 산출할 수 있다.
예를 들어, 도 8의 좌측 하단 그래프에서 유사 사용자 단말(Sim)이 이동을 시작하는 정점일 때, 랜덤 서퍼는 유사 사용자 단말(Sim)과 연결되어 있는 사용자 단말(A)과 각 장소(POI1, POI2)를 나타내는 정점으로 이동이 가능하다. 여기서 정점들 간의 속성이 사용자 속성과 장소 속성으로 상이하므로 동일하게 가중치를 적용하는 것은 적절하지 않으며 수학식 9에 따라 속성이 상이한 경우의 확률을 계산할 수 있다.
구체적으로, 관심장소 추천 시스템은 도 8의 좌측 하단 그래프에서 유사 사용자 단말(Sim)과 연결된 전체 정점의 개수의 총합은 '3'이며 그 중 장소 속성의 정점의 개수는 '2'이고 도 8의 좌측 상단의 방향성이 없는 가중치 그래프에서 제2 간선(Sim→ POI1)에 부여된 가중치는 0.25이므로, 이를 각각 수학식 9에 적용하면, '(2/3)*0.25'가 되어 대략 '0.17'을 유사 사용자 단말(Sim)로부터 장소(POI1) 정점으로 이동할 확률로서 계산할 수 있다.
관심장소 추천 시스템은 계산된 확률 '0.17'을, 도 8의 좌측 하단의 방향성 있는 그래프에서 제2 간선(Sim→ POI1)의 가중치로 설정할 수 있다.
이처럼, 관심장소 추천 시스템은 방향성 없는 가중치 그래프에서 나머지 정점들에 대해서도 동일한 과정을 적용하면, 모든 정점 사이에 이동할 확률을 계산할 수 있고, 계산된 확률을 새롭게 가중치로 설정하여, 최종적으로 도 8의 우측 하단의 방향성 있는 그래프를 구성할 수 있다.
또한, 관심장소 추천 시스템은 도 8의 우측 하단의 방향성 있는 가중치 그래프를 기반으로 각 카테고리 별 관심장소(이하, POI)의 중요도를 계산하여 이를 카테고리 별 선호도와 결합할 수 있다.
이때, 관심장소 추천 시스템은 만약 사용자 단말(A)이 선호했던 카테고리라면 선호도가 높으므로 해당 카테고리에 해당하는 장소들의 중요도 값을 증가시키고, 반대로 선호하지 않았던 카테고리라면 선호도가 낮으므로 해당 카테고리에 해당하는 장소들의 중요도 값을 감소시킬 수 있다.
이처럼, 관심장소 추천 시스템은 카테고리에 대한 선호도와, 장소에 대한 중요도를 결합하면서, 카테고리에 속한 장소들에 대한 중요도를 상향 조정할 수 있다.
이를 통해, 관심장소 추천 시스템은 사용자 단말(A)이 선호하지 않는 카테고리에 들어가더라도 중요도가 높은 장소라면, 최종적으로 장소의 선호도를 높게 계산하게 되므로 사용자 단말(A)에게 제공할 추천 목록에 포함시킬 수 있고, 반대로 사용자 단말(A)이 선호하는 카테고리 중에서도 상대적으로 장소가 가지는 중요도가 떨어진다면 추천 목록에 포함시키지 않을 수 있다.
관심장소 추천 시스템은 각 카테고리 별로 방향성 있는 가중치 그래프를 기반으로 RWR을 수행하면 각 카테고리 별로 장소의 상대적인 중요도를 계산할 수 있다. 여기서 RWR은 수학식 10을 통해 계산될 수 있다.
Figure 112018041687537-pat00012
수학식 10에서
Figure 112018041687537-pat00013
는 시작 정점 입장에서의 i번째 정점의 중요도 벡터이고, c는 시작 정점으로 되돌아가는 확률을 의미하고,
Figure 112018041687537-pat00014
는 인접 행렬을 의미하며,
Figure 112018041687537-pat00015
는 시작 정점이 1이고 나머지 정점은 0인 벡터를 의미한다.
관심장소 추천 시스템은, 아래의 수학식 11을 통해, 수학식 10에서 계산된 장소의 상대적인 중요도 값과, 학습 단계에서 계산했던 사용자 단말의 카테고리 선호도를 결합하여, 최종 장소 추천을 수행할 수 있다.
Figure 112018041687537-pat00016
수학식 11에서 FPij는 i번째 카테고리의 j번째 POI의 최종 선호도를 의미하고, Ci는 i번째 카테고리의 선호도를 의미하고, Pj는 j번째 POI의 상대적인 중요도를 의미한다.
예를 들어, 관심장소 추천 시스템은 카테고리 'a'에 의해 구분되는 관심장소 'POI b'의 개인 선호도를 계산하는 경우, 사용자 단말의 카테고리 'a'에 대한 선호도가 30이고, 'POI b'에 대한 상대적인 중요도가 0.65라 할 때, 관심장소 'POI b'에 대한 최종적인 개인 선호도는 수학식 11에 따라 '30 * 0.65'이 되어 대략 19.5으로 계산될 수 있다. 즉, 사용자 입장에서 관심장소 'POI b'를 19.5 만큼 선호한다고 볼 수 있다.
이하, 도 9에서는 본 발명의 실시예들에 따른 관심장소 추천 시스템의 작업 흐름을 상세히 설명한다.
도 9는 본 발명의 일실시예에 따른 관심장소 추천 방법의 순서를 도시한 흐름도이다.
본 실시예에 따른 관심장소 추천 방법은 상술한 관심장소 추천 시스템에 의해 수행될 수 있다.
도 9를 참조하면, 단계(910)에서, 관심장소 추천 시스템은, 소셜 네트워크 시스템에 가입된 복수의 사용자 단말 중, 제1 사용자 단말이 위치한 지역을 주활동영역으로 결정하는 제2 사용자 단말을 선별한다
단계(920)에서, 관심장소 추천 시스템은, 상기 제2 사용자 단말에 관해 등록된 선호 카테고리를 참조하여, 상기 지역과 연관되는 카테고리 각각으로 선호도를 부여한다.
단계(930)에서, 관심장소 추천 시스템은, 상기 선호도의 순으로 정해진 수의 카테고리를 선택하여 관심 카테고리로 분류한다.
단계(940)에서, 관심장소 추천 시스템은, 상기 관심 카테고리에 의해 구분되는 후보장소를, 상기 소셜 네트워크 시스템에 접속된 상기 제1 사용자 단말에게 추천한다.
이와 같이, 본 발명의 일실시예에 따르면, 단순히 타 사용자에 의해 평점이 높게 평가된 장소를 추천하는 종래의 기술에 비하여, 위치 기반 소셜 네트워크를 이용하는 임의의 사용자들의 주활동영역과 사용자 간 유사도 및 사용자 개인의 희귀한 선호도를 고려해, 사용자가 관심을 가질 만한 장소를 보다 정확히 예측할 수 있어 실제로 방문으로 이어지는 확률을 높일 수 있다.
또한, 본 발명의 일실시예에 따르면, 여행이나 출장 등 사용자가 평소 방문하지 않는 지역에서 사전 정보 없이도 소셜 네트워크를 통해 만족도 높은 새로운 장소를 손쉽게 발견해 방문할 수 있도록 할 수 있다.
본 발명의 실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
100: 관심정보 추천 시스템
110: 사용자 선별부 120: 선호도 부여부
130: 장소 추천부 101: 수집부
102: 선호 카테고리 등록부 103: 유사도 계산부
104: 분할부 105: 주활동영역 결정부
106: 그래프 구성부 107: 설정부
108: 중요도 부여부

Claims (16)

  1. 소셜 네트워크 시스템에 가입된 복수의 사용자 단말 각각이 일정 기간 동안 방문한 방문장소에 관한 이력 데이터를, 상기 소셜 네트워크 시스템으로부터 수집하는 단계;
    상기 이력 데이터를 분석하여, 각 방문장소가 속한 카테고리 별로 카운트한 제1 방문횟수에 따라, 선호 카테고리를 등록하는 단계;
    상기 복수의 사용자 단말 각각에 대해 등록되는 선호 카테고리를 비교하여 상기 복수의 사용자 단말 간 유사도를 계산하는 단계;
    상기 이력 데이터를 분석하여, 각 방문장소가 위치한 영역 별로 카운트한 제2 방문횟수에 따라, 각 사용자 단말의 주활동영역을 결정하는 단계;
    상기 복수의 사용자 단말 각각에 대해, 상기 선호 카테고리와 상기 유사도 및 상기 주활동영역 중 적어도 하나의 분석 데이터를, 데이터베이스에 유지하는 단계;
    상기 데이터베이스를 참조하여, 상기 복수의 사용자 단말 중, 제1 사용자 단말이 위치한 지역을 주활동영역으로 결정하는 하나 이상의 제2 사용자 단말을 선별하는 단계;
    상기 데이터베이스 내, 상기 제2 사용자 단말에 관해 등록된 선호 카테고리를 참조하여, 상기 지역과 연관되는 카테고리 각각으로 선호도를 부여하는 단계;
    상기 선호도의 순으로 정해진 수의 카테고리를 선택하여 관심 카테고리로 분류하는 단계; 및
    상기 관심 카테고리에 의해 구분되는 후보장소를, 상기 소셜 네트워크 시스템에 접속된 상기 제1 사용자 단말에 추천하는 단계
    를 포함하는 관심장소 추천 방법.
  2. 제1항에 있어서,
    상기 선호 카테고리를 등록하는 단계는,
    일정 기간 동안, 상기 복수의 사용자 단말 각각이 방문한 장소가 속하는 카테고리 별로 제1 방문횟수를 카운트하는 단계; 및
    상기 제1 방문횟수가 높은 상위 n개(상기 n은 2 이상의 자연수)의 카테고리를 이용하여 상기 복수의 사용자 단말 각각에 대한 선호 카테고리를 등록하는 단계
    를 포함하고,
    상기 선호도를 부여하는 단계는,
    상기 복수의 사용자 단말 중, 상기 제1 사용자 단말과 상기 유사도가 높은 제3 사용자 단말에 관해 등록된 선호 카테고리를 더 참조하여, 상기 지역과 연관되는 카테고리 각각으로 선호도를 부여하는 단계
    를 포함하는 관심장소 추천 방법.
  3. 제2항에 있어서,
    상기 관심장소 추천 방법은,
    상기 제1 사용자 단말의 접속에 따라 상기 제1 사용자 단말이 위치한 지역의 방문시간대를 확인하는 단계;
    상기 일정 기간 동안, 상기 복수의 사용자 단말 각각이 상기 방문시간대에 방문한 장소가 속하는 카테고리 별로 상기 제1 방문횟수를 카운트하는 단계; 및
    상기 방문시간대에 해당하는 상기 제1 방문횟수를 이용하여 등록된 선호 카테고리에 기초하여, 상기 제1 사용자 단말과 상기 유사도가 높은 선호 카테고리를 등록한 제3 사용자 단말을, 상기 복수의 사용자 단말 중에서 선별하는 단계
    를 더 포함하는 관심장소 추천 방법.
  4. 제2항에 있어서,
    상기 관심장소 추천 방법은,
    상기 제2 사용자 단말 및 상기 제3 사용자 단말을 포함한 타 사용자 단말을, 상기 제1 사용자 단말과 제1 간선으로 각각 연결하고, 상기 타 사용자 단말에 관해 등록된 선호 카테고리에 의해 구분되는 후보장소 각각을, 상기 제1 사용자 단말과 제2 간선으로 연결하여, 그래프를 구성하는 단계;
    상기 제1 간선에 상기 복수의 사용자 단말 간 유사도를 설정하고, 상기 제2 간선에 상기 후보장소를 방문한 전체 사용자 단말 중 상기 타 사용자 단말의 제1 방문횟수의 비율을 설정하는 단계; 및
    상기 그래프에서 상기 타 사용자 단말이 상기 후보장소로 이동하는 확률 및 상기 제1 간선 및 상기 제2 간선 중 적어도 하나의 간선에 설정된 값을 이용하여, 상기 각 후보장소에 중요도를 부여하는 단계
    를 더 포함하는 관심장소 추천 방법.
  5. 제4항에 있어서,
    상기 제1 사용자 단말에 추천하는 단계는,
    상기 관심 카테고리에 의해 구분되는 후보장소 중, 상기 중요도가 높은 상위 k개(상기 k은 2 이상의 자연수)의 후보장소를, 상기 제1 사용자 단말이 접속한 상기 소셜 네트워크 시스템의 페이지 일측에 표시하는 단계
    를 포함하는 관심장소 추천 방법.
  6. 제4항에 있어서,
    상기 관심장소 추천 방법은,
    상기 각 카테고리에 대해, 상기 제1 사용자 단말에 관해 등록된 선호 카테고리에 포함되는지 여부를 확인하고, 포함되는 경우, 해당 카테고리에 의해 구분되는 후보장소에 부여된 중요도를 증가시키는 조정을 하는 단계
    를 더 포함하는 관심장소 추천 방법.
  7. 제1항에 있어서,
    상기 소셜 네트워크 시스템으로부터, 상기 제1 사용자 단말에 의한 제1 방문횟수가 기준치 이상이면서, 상기 제1 사용자 단말을 제외한 타 사용자 단말에 의한 제1 방문횟수가 기준치 이하인 방문장소를 검색하는 단계; 및
    상기 각 카테고리 중, 상기 검색된 방문장소가 속하는 카테고리에 부여된 선호도를, 가중치를 가산하여 조정하는 단계
    를 더 포함하는 관심장소 추천 방법.
  8. 제1항에 있어서,
    상기 관심장소 추천 방법은,
    추천 가능한 모든 장소를 K-means 클러스터링 기법에 따라 군집화 하여, 각 장소가 위치하는 서비스 대상 지역을 복수의 영역으로 분할하는 단계
    를 더 포함하고,
    상기 각 사용자 단말의 주활동영역을 결정하는 단계는,
    일정 기간 동안, 상기 복수의 사용자 단말 각각이 방문한 장소가 위치한 영역 별로 제2 방문횟수를 카운트하는 단계; 및
    상기 복수의 영역 중에서 상기 제2 방문횟수가 가장 높은 영역을, 상기 복수의 사용자 단말 각각에 대한 주활동영역으로 결정하는 단계
    를 포함하고,
    상기 제2 사용자 단말을 선별하는 단계는,
    상기 복수의 영역 중, 상기 제1 사용자 단말이 방문한 지역이 위치하는 영역을 식별하고, 상기 식별한 영역이 상기 주활동영역으로 결정된 적어도 하나의 제2 사용자 단말을 상기 복수의 사용자 단말로부터 선별하는 단계
    를 포함하는 관심장소 추천 방법.
  9. 삭제
  10. 소셜 네트워크 시스템에 가입된 복수의 사용자 단말 각각이 일정 기간 동안 방문한 방문장소에 관한 이력 데이터를, 상기 소셜 네트워크 시스템으로부터 수집하는 수집부;
    상기 이력 데이터를 분석하여, 각 방문장소가 속한 카테고리 별로 카운트한 제1 방문횟수에 따라, 선호 카테고리를 등록하는 선호 카테고리 등록부;
    상기 복수의 사용자 단말 각각에 대해 등록되는 선호 카테고리를 비교하여 상기 복수의 사용자 단말 간 유사도를 계산하는 유사도 계산부;
    상기 이력 데이터를 분석하여, 상기 각 방문장소가 위치한 영역 별로 카운트한 제2 방문횟수에 따라, 각 사용자 단말의 주활동영역을 결정하는 주활동영역 결정부;
    상기 복수의 사용자 단말 각각에 대해, 상기 선호 카테고리와 상기 유사도 및 상기 주활동영역 중 적어도 하나의 분석 데이터를 유지하는 데이터베이스;
    상기 데이터베이스를 참조하여, 상기 복수의 사용자 단말 중, 제1 사용자 단말이 위치한 지역을 주활동영역으로 결정하는 하나 이상의 제2 사용자 단말을 선별하는 사용자 선별부;
    상기 데이터베이스 내, 상기 제2 사용자 단말에 관한 선호 카테고리를 참조하여, 상기 지역과 연관되는 카테고리 각각으로 선호도를 부여하는 선호도 부여부; 및
    상기 선호도의 순으로 정해진 수의 카테고리를 선택하여 관심 카테고리로 분류하고, 상기 관심 카테고리에 의해 구분되는 후보장소를, 상기 소셜 네트워크 시스템에 접속된 상기 제1 사용자 단말에 추천하는 장소 추천부
    를 포함하는 관심장소 추천 시스템.
  11. 제10항에 있어서,
    상기 선호 카테고리 등록부는,
    일정 기간 동안, 상기 복수의 사용자 단말 각각이 방문한 장소가 속하는 카테고리 별로 제1 방문횟수를 카운트하고, 상기 제1 방문횟수가 높은 상위 n개(상기 n은 2 이상의 자연수)의 카테고리를 이용하여 상기 복수의 사용자 단말 각각에 대한 선호 카테고리를 등록하고,
    상기 사용자 선별부는,
    상기 복수의 사용자 단말 중, 상기 제1 사용자 단말과 상기 유사도가 높은 제3 사용자 단말을 선별하고,
    상기 선호도 부여부는,
    상기 제3 사용자 단말에 관해 등록된 선호 카테고리를 더 참조하여, 상기 지역과 연관되는 카테고리 각각으로 선호도를 부여하는
    관심장소 추천 시스템.
  12. 제11항에 있어서,
    상기 수집부는,
    상기 제1 사용자 단말의 접속에 따라 상기 제1 사용자 단말이 위치한 지역의 방문시간대를 확인하고,
    상기 선호 카테고리 등록부는,
    상기 일정 기간 동안, 상기 복수의 사용자 단말 각각이 상기 방문시간대에 방문한 장소가 속하는 카테고리 별로 방문횟수를 카운트하고,
    상기 사용자 선별부는,
    상기 방문시간대에 해당하는 카테고리 별 방문횟수에 기초하여 등록된 선호 카테고리에 기초하여, 상기 제1 사용자 단말과 유사도가 높은 선호 카테고리를 등록한 제3 사용자 단말을 선별하는
    관심장소 추천 시스템.
  13. 제11항에 있어서,
    상기 관심장소 추천 시스템은,
    상기 제2 사용자 단말 및 상기 제3 사용자 단말을 포함한 타 사용자 단말을, 상기 제1 사용자 단말과 제1 간선으로 각각 연결하고, 상기 타 사용자 단말에 관해 등록된 선호 카테고리에 의해 구분되는 후보장소 각각을, 상기 제1 사용자 단말과 제2 간선으로 연결하여, 그래프를 구성하는 그래프 구성부;
    상기 제1 간선에 상기 복수의 사용자 단말 간 유사도를 설정하고, 상기 제2 간선에 상기 후보장소를 방문한 전체 사용자 단말 중 상기 타 사용자 단말의 제1 방문횟수의 비율을 설정하는 설정부; 및
    상기 그래프에서 상기 타 사용자 단말이 상기 각 후보장소로 이동하는 확률 및 상기 제1 간선 및 상기 제2 간선 중 적어도 하나의 간선에 설정된 값을 이용하여, 상기 각 후보장소에 중요도를 부여하는 중요도 부여부
    를 더 포함하는 관심장소 추천 시스템.
  14. 제10항에 있어서,
    상기 소셜 네트워크 시스템으로부터, 상기 제1 사용자 단말에 의한 제1 방문횟수가 기준치 이상이면서, 상기 제1 사용자 단말을 제외한 타 사용자 단말에 의한 제1 방문횟수가 기준치 이하인 방문장소를 검색하는 검색부
    를 더 포함하고,
    상기 선호도 부여부는,
    상기 각 카테고리 중, 상기 검색된 방문장소가 속하는 카테고리에 부여된 선호도를, 가중치를 가산하여 조정하는
    관심장소 추천 시스템.
  15. 제10항에 있어서,
    추천 가능한 모든 장소를 K-means 클러스터링 기법에 따라 군집화 하여, 각 장소가 위치하는 서비스 대상 지역을 복수의 영역으로 분할하는 분할부
    를 더 포함하고,
    상기 주활동영역 결정부는,
    일정 기간 동안, 상기 복수의 사용자 단말 각각이 방문한 장소가 위치한 영역 별로 제2 방문횟수를 카운트하고, 상기 복수의 영역 중에서 상기 제2 방문횟수가 가장 높은 영역을, 상기 복수의 사용자 단말 각각에 대한 주활동영역으로 결정하고,
    상기 사용자 선별부는,
    상기 복수의 영역 중, 상기 제1 사용자 단말이 방문한 지역이 위치하는 영역을 식별하고, 상기 식별한 영역이 상기 주활동영역으로 결정된 적어도 하나의 제2 사용자 단말을 상기 복수의 사용자로부터 선별하는
    관심장소 추천 시스템.
  16. 삭제
KR1020180048593A 2018-04-26 2018-04-26 관심장소 추천 방법 및 관심장소 추천 시스템 KR102076407B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180048593A KR102076407B1 (ko) 2018-04-26 2018-04-26 관심장소 추천 방법 및 관심장소 추천 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180048593A KR102076407B1 (ko) 2018-04-26 2018-04-26 관심장소 추천 방법 및 관심장소 추천 시스템

Publications (2)

Publication Number Publication Date
KR20190124524A KR20190124524A (ko) 2019-11-05
KR102076407B1 true KR102076407B1 (ko) 2020-02-11

Family

ID=68577112

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180048593A KR102076407B1 (ko) 2018-04-26 2018-04-26 관심장소 추천 방법 및 관심장소 추천 시스템

Country Status (1)

Country Link
KR (1) KR102076407B1 (ko)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102327029B1 (ko) * 2020-01-09 2021-11-16 고려대학교 산학협력단 Poi 추천 방법 및 이를 수행하는 추천 제공 시스템
CN113392313B (zh) * 2020-03-12 2024-04-26 中国移动通信集团福建有限公司 目标终端业务推荐方法、装置及电子设备、存储介质
KR102388952B1 (ko) * 2020-03-18 2022-04-20 충북대학교 산학협력단 소셜 사물 인터넷 환경에서 유사 사용자 추천 방법 및 이를 기록한 기록매체
CN111949877B (zh) * 2020-08-14 2023-02-28 中国科学院信息工程研究所 一种个性化兴趣点推荐方法及系统
KR102655723B1 (ko) * 2021-01-28 2024-04-09 네이버 주식회사 장소 추천 방법 및 시스템
KR102568567B1 (ko) * 2021-01-29 2023-08-18 경남대학교 산학협력단 목적지 추천 방법 및 이를 수행하기 위한 컴퓨팅 장치
KR102570399B1 (ko) * 2021-05-03 2023-08-25 주식회사 카카오 장소 추천 방법 및 장치
KR102445380B1 (ko) 2021-11-26 2022-09-21 주식회사 로이쿠 Poi 모델링을 통한 poi 검색 및 추천 프로세스 및 그 구동 시스템
CN115687801B (zh) * 2022-09-27 2024-01-19 南京工业职业技术大学 基于位置时效特征和时间感知动态相似性的位置推荐方法
CN117555888A (zh) * 2023-11-23 2024-02-13 宁夏隆基宁光仪表股份有限公司 一种基于ap聚类算法的终端历史数据维护方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101451153B1 (ko) * 2013-08-02 2014-10-16 충북대학교 산학협력단 동행인과의 이동 궤적 분석을 통한 모바일 사용자에 대한 장소 추천 시스템 및 방법
KR101633349B1 (ko) * 2015-03-26 2016-06-27 주식회사 크리에이트뉴컬쳐 여행지 추천 및 인증 방법과 이를 구현하기 위한 모바일 단말용 애플리케이션

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101451153B1 (ko) * 2013-08-02 2014-10-16 충북대학교 산학협력단 동행인과의 이동 궤적 분석을 통한 모바일 사용자에 대한 장소 추천 시스템 및 방법
KR101633349B1 (ko) * 2015-03-26 2016-06-27 주식회사 크리에이트뉴컬쳐 여행지 추천 및 인증 방법과 이를 구현하기 위한 모바일 단말용 애플리케이션

Also Published As

Publication number Publication date
KR20190124524A (ko) 2019-11-05

Similar Documents

Publication Publication Date Title
KR102076407B1 (ko) 관심장소 추천 방법 및 관심장소 추천 시스템
CN108875007B (zh) 兴趣点的确定方法和装置、存储介质、电子装置
US8838586B2 (en) Relevancy ranking for map-related search
US7831381B2 (en) Data engine for ranking popularity of landmarks in a geographical area
EP2875655B1 (en) Inferring user interests
US10169804B2 (en) Methods and systems for transportation service recommendation
CN108470308B (zh) 航空旅行信息推荐方法和装置
KR101399267B1 (ko) 모바일 디바이스에서의 애플리케이션 추천 장치 및 방법
EP4002252A1 (en) Apparatus, systems, and methods for analyzing movements of target entities
Berlingerio et al. The GRAAL of carpooling: GReen And sociAL optimization from crowd-sourced data
US20130238432A1 (en) Automatic provider recommendation
KR101482756B1 (ko) 의미적 지역을 기반으로 검색어를 추천하는 방법 및 시스템
KR101424382B1 (ko) 사용자의 선호도 및 이동 패턴을 이용한 관심지역 추천 방법
US11049199B2 (en) Contextual trip itinerary generator
US20190122315A1 (en) Itinerary Portfolio Evaluation Tool
US20130205196A1 (en) Location-based mobile application marketplace system
KR20170129529A (ko) 유동인구 패턴정보 기반의 미래입점객수 예측방법 및 장치
WO2018166280A1 (zh) 信息推荐方法、装置、系统及储存介质
EP3014491B1 (en) Displaying demographic data
CN113971893B (zh) 一种车位推荐方法、装置及存储介质
JP6028493B2 (ja) サーバ装置、プログラム及び通信システム
Vy et al. iBeacon indoor localization using trusted-ranges model
KR102078619B1 (ko) 위치기반 정보탐색 방법 및 시스템
WO2020006834A1 (zh) 金融机构推荐方法、设备、存储介质及装置
CN112395488A (zh) 路线推荐的方法、装置、服务器和存储介质

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant