KR102087148B1 - Method for recommending food item - Google Patents

Method for recommending food item Download PDF

Info

Publication number
KR102087148B1
KR102087148B1 KR1020180024759A KR20180024759A KR102087148B1 KR 102087148 B1 KR102087148 B1 KR 102087148B1 KR 1020180024759 A KR1020180024759 A KR 1020180024759A KR 20180024759 A KR20180024759 A KR 20180024759A KR 102087148 B1 KR102087148 B1 KR 102087148B1
Authority
KR
South Korea
Prior art keywords
user
food item
food
index information
purchase history
Prior art date
Application number
KR1020180024759A
Other languages
Korean (ko)
Other versions
KR20190103838A (en
Inventor
권오병
진윤선
Original Assignee
경희대학교 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 경희대학교 산학협력단 filed Critical 경희대학교 산학협력단
Priority to KR1020180024759A priority Critical patent/KR102087148B1/en
Publication of KR20190103838A publication Critical patent/KR20190103838A/en
Application granted granted Critical
Publication of KR102087148B1 publication Critical patent/KR102087148B1/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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • 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
    • G06Q30/0255—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
    • 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)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 발명은 음식 아이템의 추천 방법에 관한 것으로, 보다 구체적으로 조식, 중식, 석식, 야식 등 식사 시간대로 구분하여 음식 아이템을 추천함으로써 식사 시간대별 사용자가 원하는 음식 아이템을 정확하게 사용자에 추천할 수 있으며, 사용자의 구매 이력과 개인 정보로부터 선별한 후보 추천 음식 아이템과 후보 추천 음식 아이템의 소셜미디어 컨텐츠에 구비된 해쉬 태크로부터 사용자 개인 정보 및 지수 정보와 후보 추천 음식 아이템 사이의 연관 강도를 계산함으로써 빅데이터를 이용하여 사용자에 적합한 음식 아이템을 추천할 수 있는 음식 아이템의 추천 방법에 관한 것이다.The present invention relates to a method for recommending a food item, and more specifically, by recommending a food item by dividing it into a meal time period such as breakfast, lunch, dinner, and late night meal, the food item desired by the user during each meal time period can be accurately recommended to the user, Big data is calculated by calculating the association strength between the user's personal information and index information and the candidate recommended food item from the hash tag provided in the social media contents of the candidate recommended food item and the candidate recommended food item selected from the user's purchase history and personal information. The present invention relates to a method of recommending a food item that can recommend a food item suitable for a user.

Description

음식 아이템의 추천 방법{Method for recommending food item}Method for recommending food item}

본 발명은 음식 아이템의 추천 방법에 관한 것으로, 보다 구체적으로 조식, 중식, 석식, 야식 등 식사 시간대로 구분하여 음식 아이템을 추천함으로써 식사 시간대별 사용자가 원하는 음식 아이템을 정확하게 사용자에 추천할 수 있으며, 사용자의 구매 이력과 개인 정보로부터 선별한 후보 추천 음식 아이템과 후보 추천 음식 아이템의 소셜미디어 컨텐츠에 구비된 해쉬 태크로부터 사용자 개인 지수 정보와 후보 추천 음식 아이템 사이의 연관 강도를 계산함으로써 소셜미디어 컨텐츠를 이용하여 사용자에 적합한 음식 아이템을 추천할 수 있는 음식 아이템의 추천 방법에 관한 것이다.The present invention relates to a method for recommending a food item, and more specifically, by recommending a food item by dividing it into a meal time period such as breakfast, lunch, dinner, and late night meal, the food item desired by the user during each meal time period can be accurately recommended to the user, The social media content is used by calculating the association strength between the user's personal index information and the candidate recommended food item from the hash tag provided in the social media content of the candidate recommended food item and the candidate recommended food item selected from the user's purchase history and personal information. It relates to a method of recommending a food item that can recommend a food item suitable for the user.

사례 베이스에 기초한 평가 정보는 평가 항목, 예를 들어 사용자의 심리적 또는 신체적 상태(우울증, 불면증, 스트레스 등의 심리적 상태 또는 고혈압, 비만, 혈압 등)을 평가하기 위하여 평가 항목에 해당하는 사용자의 사례를 조사하고, 조사한 사례에 기초하여 전문가가 해당 평가 항목을 가지는 사용자의 공통된 요인을 추출하여 평가 정보를 생성한다. 생성한 평가 정보에 기초하여 해당 평가 정보에 해당하는 경우 사용자는 평가 항목에 해당하는 것으로 판단하며, 이에 따라 사용자에 추천 음식 등 컨설팅 정보를 제공할 수 있다.The evaluation information based on the case base is used to evaluate the evaluation items, for example, the user's case corresponding to the evaluation items in order to evaluate the user's psychological or physical condition (such as depression, insomnia, stress, or hypertension, obesity, blood pressure, etc.). Based on the surveyed case, the expert extracts the common factors of the user with the corresponding evaluation item and generates evaluation information. Based on the generated evaluation information, if it corresponds to the evaluation information, the user determines that it is an evaluation item, and accordingly, the user can provide consulting information such as recommended food.

그러나 종래 사례 베이스에 기초한 음시 추천 방식의 경우 수집 지식(collective knowledge)으로 평가 항목에 대한 정확한 평가 정보를 생성하는데 도움이 되지만, 평가 항목에 대한 사례가 방대한 경우에만 정확한 평가 정보를 생성할 수 있으며 평가 항목에 해당하는 사례가 적은 경우에는 평가 정보를 생성하기 곤란하다는 문제점을 가진다. 더욱이 평가 항목에 대한 사례를 수집하는데 많은 시간과 비용이 소요된다는 문제점을 가진다.However, in the case of a negative recommendation method based on a conventional case base, it is helpful to generate accurate evaluation information for an evaluation item with collective knowledge, but accurate evaluation information can be generated only when there are a large number of cases for the evaluation item. When there are few cases corresponding to the item, it has a problem that it is difficult to generate evaluation information. Moreover, it has a problem that it takes a lot of time and money to collect cases for evaluation items.

한편, 소셜미디어 컨텐츠(big data)의 경우 평가 항목에 직접 일치되는 사례는 아니지만, 평가 항목에 부합하는 평가 정보를 포함하고 있으며 시간이 경과할수록 평가 정보의 양이 기하급수적으로 증가하여 용이하고 저렴한 비용으로 평가 항목에 부합하는 평가 정보를 획득할 수 있다는 장점을 가진다.On the other hand, in the case of social media content (big data), it is not a case that directly matches the evaluation item, but it contains evaluation information that matches the evaluation item, and the amount of evaluation information increases exponentially over time, making it easy and affordable. As a result, it has the advantage of obtaining evaluation information that matches the evaluation items.

따라서 종래 사례 베이스와 소셜미디어 컨텐츠를 동시에 이용하여 적은 사례베이스의 경우에도 사용자에 음식 아이템을 추천할 수 있으며, 사례 베이스와 함께 소셜미디어 컨텐츠로부터 사용자와 관련된 개인정보 또는 지수 정보와의 연관 강도를 함께 고려하여 사용자가 원하는 음식 아이템을 정확하게 추천할 수 있는 기술이 요구된다.Therefore, it is possible to recommend food items to the user even in the case of a small case base by using the conventional case base and social media content at the same time, and together with the case base, the intensity of association with personal information or index information related to the user from the social media content together In consideration, a technology capable of accurately recommending food items desired by a user is required.

종래 사례기반의 음식 추천 방식이 가지는 문제점을 해결하기 위한 것으로 본 발명이 이루고자 하는 목적은 사용자의 구매 이력과 사용자 개인 지수 정보에 기초하여 사용자와 구매 이력이 유사하며 동시에 사용자와 개인 지수 정보가 서로 유사한 주변 사용자가 구매한 음식 아이템으로부터 사용자에 음식 아이템을 추천하는 방법을 제공하는 것이다.The object of the present invention is to solve the problems of the conventional case-based food recommendation method, based on the user's purchase history and user's personal index information, the user's purchase history is similar, and the user's and personal index information are similar to each other. It is to provide a method of recommending a food item to a user from food items purchased by a nearby user.

본 발명이 이루고자 하는 다른 목적은 조식, 중식, 석식, 야식 등 식사 시간대로 구분하여 식사 시간대별 사용자의 구매 이력과 사용자 개인 지수 정보를 고려하여 사용자에 음식 아이템을 추천하는 방법을 제공하는 것이다.Another object of the present invention is to provide a method of recommending a food item to a user in consideration of a user's purchase history and user's personal index information for each meal time by dividing into meal times such as breakfast, lunch, dinner, and late night meals.

본 발명이 이루고자 하는 또 다른 목적은 사용자의 구매 이력과 개인 지수 정보로부터 선별한 후보 추천 음식 아이템과 후보 추천 음식 아이템의 소셜미디어 컨텐츠에 구비된 해쉬 태크로부터 후보 추천 음식 아이템과 사용자 개인 지수 정보의 연관 강도를 계산하여 사용자에 적합한 음식 아이템을 추천하는 방법을 제공하는 것이다.Another object of the present invention is to achieve the candidate recommendation food items selected from the user's purchase history and personal index information and the association of candidate recommendation food items and user personal index information from hash tags provided in the social media contents of the candidate recommendation food items. It is to provide a method of recommending food items suitable for a user by calculating strength.

본 발명의 목적을 달성하기 위하여, 본 발명에 따른 음식 아이템의 추천 방법은 사용자와 주변 사용자 사이의 음식 구매 이력에 따른 구매 이력 유사도, 사용자와 주변 사용자 사이의 개인 지수 정보에 따른 프로필 유사도 및 구매한 음식 아이템별 평가 정보로부터 후보 추천 음식 아이템을 결정하는 단계와, 후보 추천 음식 아이템을 해쉬 태그로 가지는 소셜미디어 컨텐츠의 전체 해쉬 태그와 사용자의 개인 정보 및 지수 정보로부터 후보 추천 음식 아이템별 연관 강도를 계산하는 단계와, 후보 추천 음식 아이템별 연관 강도에 기초하여 사용자에 음식 아이템을 추천하는 단계를 포함하는 것을 특징으로 한다.In order to achieve the object of the present invention, the method of recommending a food item according to the present invention includes a purchase history similarity according to a food purchase history between a user and a nearby user, a profile similarity according to personal index information between a user and a nearby user, and purchased A step of determining a candidate recommended food item from evaluation information for each food item, and calculating an association strength for each candidate recommended food item from the entire hash tag of the social media content having the candidate recommended food item as a hash tag and personal information and index information of the user. And recommending a food item to the user based on the association strength for each candidate recommended food item.

바람직하게, 본 발명의 일 실시예에 따른 후보 추천 음식 아이템을 결정하는 단계는 사용자의 음식 구매 이력과 주변 사용자의 음식 구매 이력에 기초하여 음식 구매 이력에 따른 사용자와 주변 사용자 사이의 구매 이력 유사도를 계산하는 단계와, 구매 이력 유사도가 제1 임계값을 초과하는 n명(여기서 n은 1 이상의 자연수)의 후보 주변 사용자와 사용자의 개인 지수 정보에 기초하여 사용자와 후보 주변 사용자 사이의 프로필 유사도를 계산하는 단계와, 구매 이력 유사도와 프로필 유사도로부터 후보 주변 사용자의 최종 유사도를 계산하는 단계와, 최종 유사도와 후보 주변 사용자의 음식 아이템별 평가 점수로부터 후보 추천 음식 아이템을 결정하는 단계를 포함하는 것을 특징으로 한다.Preferably, the step of determining the candidate recommendation food item according to an embodiment of the present invention is based on the food purchase history of the user and the food purchase history of the neighboring user, and the purchase history similarity between the user and the neighboring user according to the food purchase history. Calculating the profile similarity between the user and the candidate's surrounding users based on the personal index information of the candidate's surrounding users and the user's personal index information where the purchase history similarity exceeds the first threshold (where n is a natural number greater than or equal to 1) And calculating a final similarity of the candidate nearby users from the purchase history similarity and the profile similarity, and determining the candidate recommended food item from the final similarity and the evaluation score for each food item of the candidate nearby users. do.

여기서 구매 이력 유사도는 사용자와 주변 사용자가 동일 음식 아이템의 구매 여부 및 동일 음식 아이템에 대한 평가 점수 차이로부터 계산되는 것을 특징으로 한다. Here, the similarity of the purchase history is characterized in that the user and the neighboring users are calculated from the difference between the purchase of the same food item and the evaluation score difference for the same food item.

여기서 구매 이력 유사도는 사용자와 주변 사용자가 동일 음식 아이템의 구매 여부 및 동일 음식 아이템에 대한 평가 점수의 존재 여부에 따른 리스크값을 고려하여 계산되는 것을 특징으로 한다.Here, the purchase history similarity is characterized in that the user and the neighboring users are calculated in consideration of the risk value according to whether the same food item is purchased and whether an evaluation score exists for the same food item.

여기서 사용자(u)와 주변 사용자(v) 사이의 구매 이력 유사도(Si(u,v))는 아래의 수학식(1)에 의해 계산되는데,Here, the purchase history similarity (Si (u, v)) between the user u and the surrounding user v is calculated by the following equation (1),

[수학식 1][Equation 1]

Figure 112018021024518-pat00001
Figure 112018021024518-pat00001

여기서 rui는 음식 아이템(i)에 대한 사용자(u)의 평가 점수이고, rua는 사용자(u)가 구매한 모든 음식 아이템의 평가 점수 평균값이며, rvi는 음식 아이템(i)에 대한 주변 사용자(v)의 평가 점수이고, rva는 주변 사용자(v)가 구매한 모든 음식 아이템의 평가 점수 평균값이며, σ는 리스크값인 것을 특징으로 한다.Where r ui is the user's (u) evaluation score for the food item (i), r ua is the average of all the food items purchased by the user (u), and r vi is the perimeter of the food item (i) It is characterized in that the evaluation score of the user v, r va is the average evaluation score of all food items purchased by the nearby user v, and σ is a risk value.

여기서 리스크값은 사용자와 주변 사용자가 동일하게 구매하지 않은 음식 아이템의 수에 따라 비례하여 증가하는 것을 특징으로 한다.Here, the risk value is characterized in that it increases in proportion to the number of food items that the user and surrounding users have not purchased the same.

여기서 개인 지수 정보는 사용자 또는 주변 사용자의 나이와 성별을 구비하는 개인 정보와, 사용자와 주변 사용자의 경제 지수, 식습관 지수 및 건강 지수를 구비하는 지수 정보인 것을 특징으로 한다. Here, the personal index information is characterized in that the personal information having the age and gender of the user or the surrounding user, and the index information including the economic index, the eating habit index and the health index of the user and the surrounding user.

프로필 유사도는 아래의 수학식(2)에 의해 계산되는데,Profile similarity is calculated by Equation (2) below,

Figure 112018021024518-pat00002
Figure 112018021024518-pat00002

여기서 ruj는 개인 지수 정보 항목(j)에 대한 사용자(u)의 개인 지수 정보이고, ruja는 개인 지수 정보 항목(j)에 대한 사용자(u)의 개인 지수 정보의 평균값이며, rvj는 개인 지수 정보 항목(j)에 대한 주변 사용자(v)의 개인 지수 정보이고, rvja는 개인 지수 정보 항목(j)에 대한 주변 사용자(v)의 개인 지수 정보의 평균값인 것을 특징으로 한다.Where r uj is the personal index information of the user (u) for the personal index information item (j), r uja is the average value of the personal index information of the user (u) for the personal index information item (j), and r vj is It is characterized in that the personal index information of the neighboring user v for the personal index information item j, and r vja is an average value of personal index information of the neighboring user v for the personal index information item j.

바람직하게, 연관 강도를 계산하는 단계는 후보 추천 음식 아이템을 해쉬 태그로 가지는 소셜미디어 컨텐츠를 검색하는 단계와, 사용자의 개인 정보와 검색한 소셜 미디어 컨텐츠의 전체 해쉬 태크 사이의 제1 연관 강도를 계산하는 단계와, 사용자의 지수 정보와 검색한 소셜 미디어 컨텐츠의 전체 해쉬 태크 사이의 제2 연관 강도를 계산하는 단계와, 제1 연관 강도와 상기 제2 연관 강도로부터 후보 추천 음식 아이템별 연관 강도를 계산하는 단계를 포함하는 것을 특징으로 한다.Preferably, the step of calculating the association strength includes searching the social media content having the candidate recommended food item as a hash tag, and calculating the first association strength between the user's personal information and the entire hash tag of the searched social media contents. And calculating a second association strength between the user's index information and the entire hashtag of the searched social media content, and calculating the association strength for each candidate recommended food item from the first association strength and the second association strength. It characterized in that it comprises a step.

한편, 본 발명의 목적을 달성하기 위하여 본 발명에 따른 음식 아이템의 추천 장치는 사용자와 주변 사용자의 음식 구매 이력, 개인 지수 정보를 저장하고 있는 데이터베이스부와, 사용자와 주변 사용자 사이의 음식 구매 이력에 따른 구매 이력 유사도, 사용자와 주변 사용자 사이의 개인 지수 정보에 따른 프로필 유사도 및 구매한 음식 아이템별 평가 정보로부터 후보 추천 음식 아이템을 결정하는 후보 추천 음식 결정부와, 후보 추천 음식 아이템을 해쉬 태그로 가지는 소셜미디어 컨텐츠의 전체 해쉬 태그와 사용자의 개인 지수 정보로부터 후보 추천 음식 아이템별 연관 강도를 계산하는 연관 강도 계산부와, 후보 추천 음식 아이템별 연관 강도에 기초하여 사용자에 음식 아이템을 추천하는 음식 추천부를 포함하는 것을 특징으로 한다. On the other hand, in order to achieve the object of the present invention, a food item recommendation device according to the present invention includes a database unit storing food purchase history and personal index information of a user and surrounding users, and a food purchase history between the user and surrounding users. A candidate recommendation food decision unit for determining a candidate recommendation food item from a purchase history similarity according to, a profile similarity according to personal index information between the user and surrounding users, and evaluation information for each purchased food item, and a candidate recommendation food item as a hash tag An association strength calculation unit that calculates an association strength for each candidate recommendation food item from the entire hash tag of the social media content and the user's personal index information, and a food recommendation unit that recommends food items to the user based on the association strength for each candidate recommendation food item. It is characterized by including.

바람직하게, 본 발명의 일 실시예에 따른 후보 추천 음식 결정부는 사용자의 음식 구매 이력과 주변 사용자의 음식 구매 이력에 기초하여 음식 구매 이력에 따른 사용자와 주변 사용자 사이의 구매 이력 유사도를 계산하는 구매 이력 유사도 계산부와, 구매 이력 유사도가 제1 임계값을 초과하는 n명(여기서 n은 1 이상의 자연수)의 후보 주변 사용자와 사용자의 개인 지수 정보에 기초하여 사용자와 후보 주변 사용자 사이의 프로필 유사도를 계산하는 프로필 유사도 계산부와, 구매 이력 유사도와 프로필 유사도로부터 후보 주변 사용자의 최종 유사도를 계산하는 최종 유사도 계산부와, 최종 유사도와 후보 주변 사용자의 음식 아이템별 평가 점수로부터 후보 추천 음식 아이템을 결정하는 후보 결정부를 포함하는 것을 특징으로 한다.Preferably, the candidate recommendation food determining unit according to an embodiment of the present invention is a purchase history that calculates the similarity of the purchase history between the user and the neighboring user according to the food purchase history based on the user's food purchase history and the food purchase history of the neighboring users. The similarity calculation unit calculates profile similarity between the user and the candidate's neighbors based on the personal index information of the candidate's neighbors and the user's personal index information, where the purchase history similarity exceeds the first threshold (where n is a natural number greater than or equal to 1). A finality similarity calculation unit that calculates a final similarity of a candidate nearby user from a profile similarity calculation unit to perform, and a purchase history similarity and a profile similarity, and a candidate that determines a candidate recommended food item from the final similarity and the evaluation score of each neighboring user's food item It is characterized by including a crystal part.

여기서 구매 이력 유사도는 사용자와 주변 사용자가 동일 음식 아이템의 구매 여부 및 동일 음식 아이템에 대한 평가 점수 차이로부터 계산되는 것을 특징으로 한다.Here, the similarity of the purchase history is characterized in that the user and the neighboring users are calculated from the difference between the purchase of the same food item and the evaluation score difference for the same food item.

여기서 구매 이력 유사도는 사용자와 주변 사용자가 동일 음식 아이템의 구매 여부 및 동일 음식 아이템에 대한 평가 점수의 존재 여부에 따른 리스크값을 고려하여 계산되는 것을 특징으로 한다. Here, the purchase history similarity is characterized in that the user and the neighboring users are calculated in consideration of the risk value according to whether the same food item is purchased and whether an evaluation score exists for the same food item.

바람직하게, 본 발명의 일 실시예에 따른 연관 강도 계산부는 후보 추천 음식 아이템을 해쉬 태그로 가지는 소셜미디어 컨텐츠를 검색하는 컨텐츠 검색부와, 사용자의 개인 지수 정보 중 사용자의 개인 정보와 검색한 소셜 미디어 컨텐츠의 전체 해쉬 태크 사이의 제1 연관 강도를 계산하는 제1 연관 강도 계산부와, 사용자의 개인 지수 정보 중 사용자의 지수 정보와 검색한 소셜 미디어 컨텐츠의 전체 해쉬 태크 사이의 제2 연관 강도를 계산하는 제2 연관 강도 계산부와, 제1 연관 강도와 제2 연관 강도로부터 후보 추천 음식 아이템별 연관 강도를 전체 연관 강도 계산부를 포함하는 것을 특징으로 한다.Preferably, the association strength calculation unit according to an embodiment of the present invention includes a content search unit for searching social media content having a candidate recommendation food item as a hash tag, and the user's personal index information and the searched social media among the user's personal index information. A first association strength calculation unit that calculates a first association strength between all hash tags of the content, and a second association strength between a user's index information among the user's personal index information and the entire hash tag of the searched social media content. It characterized in that it comprises a second association strength calculation unit, and the association strength for each candidate recommendation food item from the first association strength and the second association strength.

여기서 개인 정보는 상기 사용자의 나이와 성별을 구비하며, 지수 정보는 사용자의 경제 지수, 식습관 지수 및 건강 지수를 구비하는 것을 특징으로 한다.Here, the personal information includes the user's age and gender, and the index information is characterized by having the user's economic index, eating habits index, and health index.

본 발명에 따른 음식 아이템의 추천 방법은 다음과 같은 효과를 가진다.The method of recommending a food item according to the present invention has the following effects.

첫째, 본 발명에 따른 음식 아이템의 추천 방법은 사용자의 구매 이력과 사용자 개인 정보에 기초하여 사용자와 구매 이력이 유사하며 동시에 사용자와 개인 지수 정보가 서로 유사한 주변 사용자가 구매한 음식 아이템을 사용자에 추천함으로써, 사용자가 원하는 음식 아이템을 정확하게 추천할 수 있다.First, the method of recommending food items according to the present invention recommends food items purchased by nearby users having similar purchase history to the user based on the user's purchase history and user personal information, and similar user and personal index information to the user. By doing so, the user can accurately recommend the desired food item.

둘째, 본 발명에 따른 음식 아이템의 추천 방법은 조식, 중식, 석식, 야식 등 식사 시간대로 구분하여 음식 아이템을 추천함으로써, 식사 시간대별 사용자가 원하는 음식 아이템을 정확하게 사용자에 추천할 수 있다.Second, the method of recommending a food item according to the present invention recommends a food item by dividing it into a meal time, such as breakfast, lunch, dinner, and late night meal, so that the user can accurately recommend a food item desired by the user during each meal time.

셋째, 본 발명에 따른 음식 아이템의 추천 방법은 사용자의 구매 이력과 개인 지수 정보로부터 선별한 후보 추천 음식 아이템과 후보 추천 음식 아이템의 소셜미디어 컨텐츠에 구비된 해쉬 태크로부터 사용자 개인 지수 정보와 후보 추천 음식 아이템 사이의 연관 강도를 계산함으로써, 소셜미디어 컨텐츠를 이용하여 사용자에 적합한 음식 아이템을 추천할 수 있다.Third, the method of recommending a food item according to the present invention includes the user's personal index information and the candidate recommendation food from the hash tag provided in the social media contents of the candidate recommendation food item and the candidate recommendation food item selected from the user's purchase history and personal index information. By calculating the association strength between items, it is possible to recommend food items suitable for a user using social media content.

도 1은 본 발명에 따른 음식 아이템의 추천 시스템을 설명하기 위한 기능 블록도이다.
도 2는 본 발명의 일 실시예에 따른 추천 서버를 설명하기 위한 기능 블록도이다.
도 3은 본 발명에 따른 후보 추천 음식 결정부의 일 예를 설명하기 위한 기능 블록도이다.
도 4는 본 발명에 따른 연관 강도 계산부의 일 예를 설명하기 위한 기능 블록도이다.
도 5는 본 발명의 일 실시예에 따른 음식 아이템의 추천 방법을 설명하기 위한 흐름도이다.
도 6은 본 발명에 따른 후보 추천 음식 아이템을 결정하는 단계의 일 예를 설명하기 위한 흐름도이다.
도 7은 본 발명의 데이터베이스부에 등록 저장된 식사 시간대별 사용자 또는 주변 사용자의 음식 아이템의 구매 이력과 구매한 음식 아이템에 대한 평가 점수의 일 예를 도시하고 있다.
도 8은 본 발명의 데이터베이스부에 등록 저장된 개인 지수 정보의 일 예를 도시하고 있다.
도 9는 본 발명에 따라 후보 추천 음식 아이템별 후보 추천 음식 아이템과 사용자 개인 지수 사이의 연관 강도를 계산하는 단계의 일 예를 설명하기 위한 흐름도이다.1 is a functional block diagram illustrating a system for recommending food items according to the present invention.
2 is a functional block diagram illustrating a recommendation server according to an embodiment of the present invention.
3 is a functional block diagram illustrating an example of a candidate recommendation food determining unit according to the present invention.
4 is a functional block diagram for explaining an example of the association strength calculation unit according to the present invention.
5 is a flowchart illustrating a method of recommending a food item according to an embodiment of the present invention.
6 is a flowchart illustrating an example of a step of determining a candidate recommended food item according to the present invention.
7 illustrates an example of a purchase history of a food item of a user or neighboring user for each meal time zone stored in the database unit of the present invention and an evaluation score for the purchased food item.
8 shows an example of personal index information stored and stored in the database unit of the present invention.
9 is a flowchart illustrating an example of a step of calculating an association strength between a candidate recommendation food item for each candidate recommendation food item and a user personal index according to the present invention.

본 발명에서 사용되는 기술적 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본 발명에서 사용되는 기술적 용어는 본 발명에서 특별히 다른 의미로 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다. 또한, 본 발명에서 사용되는 기술적인 용어가 본 발명의 사상을 정확하게 표현하지 못하는 잘못된 기술적 용어일 때에는, 당업자가 올바르게 이해할 수 있는 기술적 용어로 대체되어 이해되어야 할 것이다.Technical terms used in the present invention are merely used to describe particular embodiments, it should be noted that it is not intended to limit the present invention. In addition, technical terms used in the present invention should be interpreted as meanings generally understood by a person having ordinary knowledge in the technical field to which the present invention belongs, unless defined otherwise. It should not be interpreted as a meaning, or an excessively reduced meaning. In addition, when the technical term used in the present invention is a wrong technical term that does not accurately represent the spirit of the present invention, it should be understood as being replaced by a technical term that can be correctly understood by those skilled in the art.

또한, 본 발명에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함한다. 본 발명에서, "구성된다" 또는 "포함한다" 등의 용어는 발명에 기재된 여러 구성 요소들, 또는 여러 단계를 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.In addition, the singular expression used in the present invention includes a plural expression unless the context clearly indicates otherwise. In the present invention, terms such as “consisting of” or “comprising” should not be construed to include all of the various components, or various stages, described in the invention, including some of the components or some stages It may or may not be construed as further comprising additional components or steps.

또한, 첨부된 도면은 본 발명의 사상을 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 발명의 사상이 제한되는 것으로 해석되어서는 아니 됨을 유의해야 한다.
In addition, it should be noted that the accompanying drawings are only for easy understanding of the spirit of the present invention and should not be interpreted as limiting the spirit of the present invention by the accompanying drawings.

이하 첨부한 도면을 참고로 본 발명에 따른 음식 아이템의 추천 방법에 대해 보다 구체적으로 설명한다.
Hereinafter, a method of recommending a food item according to the present invention will be described in detail with reference to the accompanying drawings.

도 1은 본 발명에 따른 음식 아이템의 추천 시스템을 설명하기 위한 기능 블록도이다.1 is a functional block diagram illustrating a system for recommending food items according to the present invention.

도 1을 참고로 보다 구체적으로 살펴보면, 사용자 단말기(10), 추천 서버(50) 및 컨텐츠 서버(70)는 네트워크(30)를 통해 서로 접속되어 있다.Referring to FIG. 1 in more detail, the user terminal 10, the recommendation server 50, and the content server 70 are connected to each other through the network 30.

여기서 네트워크(30)는 사용자 단말기(10)와 추천 서버(50) 사이에서 데이터를 송수신하거나, 컨텐츠 서버(70)와 추천 서버(50) 사이에서 데이터를 송수신할 수 있는 다양한 종류의 유선 또는 무선 네트워크가 사용될 수 있다.Here, the network 30 is a wired or wireless network of various types that can transmit and receive data between the user terminal 10 and the recommendation server 50, or transmit and receive data between the content server 70 and the recommendation server 50. Can be used.

여기서 사용자 단말기(10)는 사용자가 소지하는 단말기로 사용자는 사용자 단말기(10)를 통해 음식 추천을 요청하기 위한 사용자 명령을 입력하거나 입력한 사용자 명령에 따라 추천 음식 아이템을 확인할 수 있는 스마트폰, 노트북, PDA 등 다양한 단말기가 사용될 수 있다.Here, the user terminal 10 is a terminal possessed by the user, and the user may input a user command for requesting food recommendation through the user terminal 10 or a smart phone or notebook capable of confirming the recommended food item according to the input user command. , PDA, various terminals can be used.

여기서 컨텐츠 서버(70)는 소셜미디어 컨텐츠를 추천 서버(50)의 요청에 따라 추천 서버(50)로 제공하는 서버로서, 컨텐츠 서버(70)에는 블로그, 인스타그램 등 다양한 종류의 소셜미디어 컨텐츠가 등록 저장되어 있으며 추천 서버(50)의 요청에 따라 해당 소셜미디어 컨텐츠를 추천 서버(50)로 제공한다.Here, the content server 70 is a server that provides social media content to the recommendation server 50 at the request of the recommendation server 50. The content server 70 includes various types of social media content such as blogs and Instagram. Registration is stored and provides the corresponding social media content to the recommendation server 50 at the request of the recommendation server 50.

여기서 추천 서버(50)는 사용자 단말기(10)로부터 회원 가입 요청 메시지를 수신하는 경우, 사용자의 성별, 나이 등의 개인 정보와 경제 지수, 식습관 지수, 건강 지수 등의 지수 정보를 문의하기 위한 인터페이스 화면을 사용자 단말기(10)로 제공하며, 인터페이스 화면을 통해 입력되는 개인 정보와 지수 정보의 개인 지수 정보를 사용자 로그인 정보와 함께 저장 등록한다.Here, when the recommendation server 50 receives a member subscription request message from the user terminal 10, an interface screen for inquiring personal information such as a user's gender and age, and index information such as economic index, eating habit index, and health index Is provided to the user terminal 10, and personal index information of personal information and index information input through an interface screen is stored and registered together with user login information.

한편, 추천 서버(50)는 사용자 단말기(10)로부터 음식 아이템의 추천 요청 메시지를 수신하는 경우, 사용자가 이전에 구매한 음식 아이템의 구매 이력과 사용자의 개인 지수 정보 및 사용자가 구매한 음식 아이템의 평가 점수에 기초하여 사용자에 추천할 후보 추천 음식 아이템을 결정하며, 다시 후보 추천 음식 아이템과 관련된 소셜미디어 컨텐츠의 해쉬 태그와 사용자의 개인 지수 정보 사이의 연관 강도를 고려하여 사용자에 최종 추천 음식 아이템을 결정한다.Meanwhile, when the recommendation server 50 receives a recommendation message for a food item from the user terminal 10, the recommendation server 50 displays the purchase history of the food item previously purchased by the user, personal index information of the user, and the food item purchased by the user. The candidate recommendation food item to be recommended to the user is determined based on the evaluation score, and the final recommendation food item is selected to the user by considering the association strength between the hash tag of the social media content and the user's personal index information related to the candidate recommendation food item. Decide.

사용자 단말기(10)는 추천 서버(50)로부터 수신한 최종 추천 음식 아이템에 기초하여 최종 추천 음식 아이템을 구매하는 경우, 최종 추천 음식 아이템의 구매 여부 또는 최종 추천 음식 아이템에 대한 평가 점수 등을 추천 서버(50)로 송신한다. 이러한 최종 추천 음식 아이템의 구매 여부 및 최종 추천 음식 아이템의 평가 점수는 차후 사용자에 음식 아이템을 추천하기 위하여 사용자에 매핑되어 추천 서버(50)에 등록 저장된다.When the user recommends the final recommended food item based on the final recommended food item received from the recommendation server 50, the user terminal 10 determines whether the final recommended food item is purchased or an evaluation score for the final recommended food item. (50). Whether the final recommended food item is purchased or not and the evaluation score of the final recommended food item are mapped to the user and then registered and stored in the recommendation server 50 to recommend the food item to the user.

도 2는 본 발명의 일 실시예에 따른 추천 서버를 설명하기 위한 기능 블록도이다.2 is a functional block diagram illustrating a recommendation server according to an embodiment of the present invention.

도 2를 참고로 보다 구체적으로 살펴보면, 송수신부(110)는 사용자 단말기 또는 컨텐츠 서버와 데이터를 송수신한다.Referring to FIG. 2 in more detail, the transceiver 110 transmits and receives data to and from a user terminal or content server.

송수신부(110)를 통해 사용자 단말기로부터 회원 가입 요청 메시지를 수신하는 경우, 회원 관리부(120)는 송수신부(110)를 통해 사용자 단말기로 회원 가입 정보를 획득하기 위한 사용자 인터페이스를 송신한다. 사용자 인터페이스에는 사용자의 식별자, 연령, 성별 등의 사용자 개인 정보와 경제 지수, 건강 지수, 식습관 지수 등의 지수 정보를 획득하기 위한 설문 항목이 포함되어 있다.When receiving a member subscription request message from the user terminal through the transceiver 110, the member management unit 120 transmits a user interface for obtaining member subscription information to the user terminal through the transceiver 110. The user interface includes a questionnaire item for obtaining user personal information such as a user's identifier, age, and gender, and index information such as an economic index, a health index, and a dietary index.

회원 관리부(120)는 사용자 단말기로부터 회원 가입 정보를 획득하는 경우, 사용자 식별자에 매핑하여 데이터베이스부(130)에 등록 저장한다. 바람직하게, 사용자 식별자는 사용자의 이름, 아이디 등이 사용될 수 있으며, 회원 관리부(120)는 설문 항목에 대한 사용자의 답변에 따라 경제 지수, 건강 지수 및 식습관 지수 등의 지수 정보를 레벨로 결정하며 경제 지수, 건강 지수 및 식습관 지수의 레벨 정보를 사용자 식별자에 매핑하여 데이터베이스부(130)에 등록 저장한다.When the member management unit 120 obtains membership subscription information from the user terminal, it maps to a user identifier and registers and stores it in the database unit 130. Preferably, the user identifier, the user's name, ID, etc. may be used, and the member management unit 120 determines the index information such as the economic index, health index, and eating habit index as a level according to the user's answer to the questionnaire, and the economy Level information of the index, health index and eating habit index is mapped to the user identifier and registered and stored in the database unit 130.

바람직하게, 데이터베이스부(130)는 사용자의 개인 정보, 지수 정보를 구비하고 있는 사용자 개인 지수 정보, 사용자가 구매한 음식 아이템, 구매한 음식 아이템의 평가 점수 등의 음식 아이템 정보가 등록 저장되어 있는데, 더욱 바람직하게 음식 아이템 정보는 조식, 중식, 석식, 야식 등으로 식사 시간대별로 구분되어 등록 저장되어 있다.Preferably, in the database unit 130, food item information such as user's personal index information, user personal index information having index information, food items purchased by the user, evaluation scores of purchased food items, etc. is registered and stored. More preferably, the food item information is registered and stored by meal time, such as breakfast, lunch, dinner, and late night meal.

송수신부(110)를 통해 사용자 단말기로부터 음식 추천 요청 메시지를 수신하는 경우, 후보 추천 음식 결정부(150)는 데이터베이스부(130)에 등록 저장되어 있는 사용자와 주변 사용자 사이의 음식 구매 이력에 따른 구매 이력 유사도, 사용자와 주변 사용자 사이의 개인 지수 정보에 따른 프로필 유사도 및 구매한 음식 아이템별 평가 정보로부터 후보 추천 음식 아이템을 결정한다.When receiving a food recommendation request message from the user terminal through the transmitting and receiving unit 110, the candidate recommending food determining unit 150 purchases according to the food purchase history between the user registered in the database unit 130 and the neighboring user. Candidate recommended food items are determined from history similarity, profile similarity according to personal index information between the user and surrounding users, and evaluation information for each purchased food item.

연관 강도 계산부(170)는 후보 추천 음식 아이템을 해쉬 태그로 가지는 소셜미디어 컨텐츠를 컨텐츠 서버로부터 추출하며, 추출한 소셜미디어 컨텐츠의 전체 해쉬 태그와 사용자의 개인 지수 정보로부터 후보 추천 음식 아이템에 대한 사용자 개인 지수 정보와 후보 추천 음식 아이템 사이의 연관 강도를 계산한다.The association strength calculating unit 170 extracts social media content having a candidate recommendation food item as a hash tag from the content server, and a user personal for a candidate recommendation food item from all hash tags of the extracted social media content and personal index information of the user Calculate the strength of association between index information and candidate recommended food items.

음식 추천부(190)는 후보 추천 음식 아이템별 후보 추천 음식 아이템과 사용자 개인 지수 정보 사이의 연관 강도에 기초하여 사용자에 추천할 최종 음식 아이템을 결정하고, 최종 음식 아이템에 대한 정보를 송수신부(110)를 통해 사용자 단말기로 송신한다.
The food recommendation unit 190 determines the final food item to be recommended to the user based on the association strength between the candidate recommendation food item for each candidate recommendation food item and the user's personal index information, and transmits and receives information about the final food item (110) ) To the user terminal.

도 3은 본 발명에 따른 후보 추천 음식 결정부의 일 예를 설명하기 위한 기능 블록도이다.3 is a functional block diagram illustrating an example of a candidate recommendation food determining unit according to the present invention.

도 3을 참고로 보다 구체적으로 살펴보면, 구매 이력 유사도 계산부(151)는 데이터베이스부에 등록 저장된 사용자의 음식 구매 이력과 주변 사용자의 음식 구매 이력에 기초하여 음식 구매 이력에 따른 사용자와 주변 사용자 사이의 구매 이력 유사도를 계산한다. Referring to FIG. 3 in more detail, the purchase history similarity calculation unit 151 is based on the food purchase history of the user registered and stored in the database unit and the food purchase history of the neighboring user based on the food purchase history between the user and the neighboring user. Calculate the similarity of purchase history.

프로필 유사도 계산부(153)는 구매 이력 유사도가 제1 임계값을 초과하는 n명(여기서 n은 1 이상의 자연수)의 후보 주변 사용자를 결정하며, 후보 주변 사용자와 사용자의 개인 지수 정보에 기초하여 사용자와 후보 주변 사용자 사이의 프로필 유사도를 계산한다. The profile similarity calculation unit 153 determines candidate neighbor users of n persons whose purchase history similarity exceeds the first threshold (where n is a natural number equal to or greater than 1), and is based on the candidate neighbor users and the user's personal index information. Calculate the profile similarity between and the candidate's surrounding users.

최종 유사도 계산부(155)는 구매 이력 유사도와 프로필 유사도로부터 후보 주변 사용자와 사용자 사이의 최종 유사도를 계산하고, 후보 결정부(157)는 최종 유사도와 후보 주변 사용자의 음식 아이템별 평가 점수로부터 사용자에 추천할 후보 추천 음식 아이템을 결정한다.The final similarity calculation unit 155 calculates the final similarity between the candidate neighbor user and the user from the purchase history similarity and the profile similarity, and the candidate determination unit 157 determines the user from the final similarity and the evaluation score for each food item of the candidate nearby user. Decide which candidate food items to recommend.

도 4는 본 발명에 따른 연관 강도 계산부의 일 예를 설명하기 위한 기능 블록도이다.4 is a functional block diagram for explaining an example of the association strength calculation unit according to the present invention.

도 4를 참고로 보다 구체적으로 살펴보면, 컨텐츠 검색부(171)는 후보 추천 음식 아이템의 이름을 해쉬 태그로 가지는 소셜미디어 컨텐츠를 컨텐츠 서버에 요청하여 후보 추천 음식 아이템을 해쉬 태그로 가지는 컨텐츠를 검색한다.Referring to FIG. 4 in more detail, the content search unit 171 searches for content having a candidate recommendation food item as a hash tag by requesting a social media content having a name of the candidate recommendation food item as a hash tag. .

제1 연관 강도 계산부(173)는 사용자의 개인 지수 정보 중 제1 개인 지수 정보와 검색한 소셜 미디어 컨텐츠의 전체 해쉬 태크 사이의 제1 연관 강도를 계산하고, 제2 연관 강도 계산부(175)는 사용자의 개인 지수 정보 중 제2 개인 지수 정보와 검색한 소셜 미디어 컨텐츠의 전체 해쉬 태크 사이의 제2 연관 강도를 계산한다.The first association strength calculating unit 173 calculates a first association strength between the first personal index information of the user's personal index information and the entire hashtag of the searched social media content, and the second association strength calculation unit 175 Calculates the second association strength between the second personal index information of the user's personal index information and the entire hashtag of the searched social media content.

여기서 제1 개인 지수 정보는 개인 지수 정보 중 개인 정보를 의미하며, 제2 개인 지수 정보는 개인 지수 정보 중 지수 정보를 의미하는데, 개인 정보는 사용자의 연령, 나이의 지수가 포함될 수 있으며 지수 정보는 경제 지수, 식습관 지수, 건강 지수를 포함할 수 있다.Here, the first personal index information refers to personal information among personal index information, and the second personal index information refers to index information among personal index information. Personal information may include an index of the user's age and age, and the index information is Economic indices, dietary indices, and health indices.

전체 연관 강도 계산부(177)는 제1 연관 강도와 제2 연관 강도로부터 후보 추천 음식 아이템에 대한 사용자 개인 지수와 후보 추천 음식 아이템 사이의 전체 연관 강도를 계산한다.
The overall association intensity calculator 177 calculates the overall association intensity between the user personal index for the candidate recommendation food item and the candidate recommendation food item from the first association intensity and the second association intensity.

도 5는 본 발명의 일 실시예에 따른 음식 아이템의 추천 방법을 설명하기 위한 흐름도이다.5 is a flowchart illustrating a method of recommending a food item according to an embodiment of the present invention.

도 5를 참고로 보다 구체적으로 살펴보면, 사용자 단말기로부터 음식 추천 요청 메시지를 수신하였는지 판단하는데(S110), 사용자 단말기로부터 음식 추천 요청 메시지를 수신하는 경우 음식 추천 요청 메시지에 구비되어 있는 식사 시간 정보를 추출한다.Referring to FIG. 5 in more detail, it is determined whether a food recommendation request message has been received from the user terminal (S110). When receiving a food recommendation request message from the user terminal, meal time information provided in the food recommendation request message is extracted. do.

식사 시간 정보에 기초하여 식사 시간대별로 구분되어 등록 저장된 데이터베이스의 음식 구매 이력으로부터 사용자와 주변 사용자 사이의 음식 구매 이력에 따른 구매 이력 유사도, 사용자와 주변 사용자 사이의 개인 지수 정보에 따른 프로필 유사도 및 구매한 음식 아이템별 평가 정보로부터 후보 추천 음식 아이템을 결정한다(S130).Based on the meal time information, it is classified by meal time zone, and the similarity of purchase history according to the food purchase history between the user and the neighboring users from the food purchase history of the registered and stored database, the profile similarity according to the personal index information between the user and the nearby users, and purchased A candidate recommended food item is determined from the evaluation information for each food item (S130).

후보 추천 음식 아이템을 해쉬 태그로 가지는 소셜미디어 컨텐츠의 전체 해쉬 태그와 사용자의 개인 지수 정보로부터 후보 추천 음식 아이템과 사용자 개인 지수 정보 사이의 후보 추천 음식 아이템별 연관 강도를 계산하고(S150), 후보 추천 음식 아이템과 사용자 개인 지수 정보 사이의 후보 추천 음식 아이템별 연관 강도에 기초하여 사용자에 추천할 음식 아이템을 결정하여 사용자 단말기로 제공한다(S170).
Calculate the association strength for each candidate recommendation food item between the candidate recommendation food item and the user personal index information from the entire hash tag of the social media content having the candidate recommendation food item as a hash tag and the user's personal index information (S150), and the candidate recommendation The food item to be recommended to the user is determined and provided to the user terminal based on the association strength of the candidate recommended food item between the food item and the user personal index information (S170).

도 6은 본 발명에 따른 후보 추천 음식 아이템을 결정하는 단계의 일 예를 설명하기 위한 흐름도이다.6 is a flowchart illustrating an example of a step of determining a candidate recommended food item according to the present invention.

도 6을 참고로 보다 구체적으로 살펴보면, 데이터베이스부에 등록 저장되어있는 식사 시간대별 사용자의 음식 구매 이력과 주변 사용자의 음식 구매 이력에 기초하여 식사 시간대별 음식 구매 이력에 따른 사용자와 주변 사용자 사이의 구매 이력 유사도를 계산한다(S131). Looking more specifically with reference to Figure 6, based on the user's food purchase history of each meal time zone registered and stored in the database unit and the food purchase history of the neighboring user based on the food purchase history by meal time zone according to the purchase between the user and the surrounding users The history similarity is calculated (S131).

여기서 구매 이력 유사도는 사용자와 주변 사용자가 동일 음식 아이템의 구매 여부 및 동일 음식 아이템에 대한 평가 점수 차이로부터 계산되는 것을 특징으로 하는데, 바람직하게 구매 이력 유사도는 사용자와 주변 사용자가 동일 음식 아이템의 구매 여부 및 동일 음식 아이템에 대한 평가 점수의 존재 여부에 따른 리스크 값을 고려하여 계산되는 것을 특징으로 한다.Here, the purchase history similarity is characterized in that the user and the neighboring users are purchased from the same food item and the evaluation score difference for the same food item. Preferably, the purchase history similarity is whether the user and the surrounding user purchase the same food item. And it is characterized in that it is calculated in consideration of the risk value according to the presence or absence of an evaluation score for the same food item.

본 발명의 일 실시예에서 사용자(u)와 주변 사용자(v) 사이의 구매 이력 유사도(Si(u,v))는 아래의 수학식(1)에 의해 계산되는데,In one embodiment of the present invention, the purchase history similarity (Si (u, v)) between the user u and the surrounding user v is calculated by the following equation (1),

[수학식 1][Equation 1]

Figure 112018021024518-pat00003
Figure 112018021024518-pat00003

여기서 rui는 음식 아이템(i)에 대한 사용자(u)의 평가 점수이고, rua는 사용자(u)가 구매한 모든 음식 아이템의 평가 점수 평균값이며, rvi는 음식 아이템(i)에 대한 주변 사용자(v)의 평가 점수이고, rva는 주변 사용자(v)가 구매한 모든 음식 아이템의 평가 점수 평균값이며, σ는 리스크값인 것을 특징으로 한다.
Where r ui is the user's (u) evaluation score for the food item (i), r ua is the average of all the food items purchased by the user (u), and r vi is the perimeter of the food item (i) It is characterized in that the evaluation score of the user v, r va is the average evaluation score of all food items purchased by the nearby user v, and σ is a risk value.

도 7은 본 발명의 데이터베이스부에 등록 저장된 식사 시간대(중식, 식별자2)별 사용자 또는 주변 사용자의 음식 아이템의 구매 이력과 구매한 음식 아이템에 대한 평가 점수의 일 예를 도시하고 있다. 도 7에 도시되어 있는 바와 같이, 사용자 또는 주변 사용자가 각 음식 아이템의 구매 여부와 구매시 구매한 음식 아이템에 대한 평가 점수가 저장 등록되어 있는데, 사용자 또는 주변 사용자가 해당 음식 아이템을 구매하지 않은 경우 Null로 등록 저장되며, 사용자 또는 주변 사용자가 해당 음식 아이템을 구매하였으나 평가 점수가 없는 경우 A로 등록 저장된다.FIG. 7 shows an example of a purchase history of a food item of a user or a neighboring user by meal time zone (lunch, identifier 2) stored in the database unit of the present invention and an evaluation score for the purchased food item. As illustrated in FIG. 7, when a user or a nearby user purchases each food item and an evaluation score for a food item purchased at the time of purchase is stored and registered, if the user or a nearby user does not purchase the food item, Null Registration is stored, and if a user or a nearby user purchases the food item, but there is no evaluation score, registration is stored as A.

바람직하게, 구매 이력 유사도를 계산시 사용자 또는 주변 사용자가 구매하지 않은 음식 아이템은 제외하며, 리스크 값은 사용자와 주변 사용자가 구매하지 않은 음식 아이템의 수에 따라 비례하여 증가하도록 계산되는 것을 특징으로 한다.Preferably, when calculating the similarity of the purchase history, food items not purchased by the user or surrounding users are excluded, and the risk value is calculated to increase in proportion to the number of food items not purchased by the user and surrounding users. .

바람직하게, 구매 이력 유사도를 계산시 사용자 또는 주변 사용자가 해당 음식 아이템을 구매하였으나 해당 음식 아이템에 대한 평가 점수가 없는 경우 평가 점수가 없는 해당 음식 아이템의 평가 점수는 전체 평가 점수 레벨 구간의 평균값(예를 들어 음식 아이템의 평가 점수를 1, 2, 3, 4, 5 중 어느 하나로 선택할 수 있는 경우 전체 평가 점수 레벨 구간의 평균값인 3)으로 적용하며 다만 평가 점수가 없는 음식 아이템의 수에 따라 비례하여 리스크 값이 증가하도록 계산되는 것을 특징으로 한다. Preferably, when calculating the similarity of purchase history, when a user or a nearby user purchases the food item but there is no evaluation score for the food item, the evaluation score of the food item without the evaluation score is the average value of the entire evaluation score level section (eg For example, if the food item's evaluation score can be selected as 1, 2, 3, 4, or 5, it is applied as the average value of the entire evaluation score level section 3), but in proportion to the number of food items without an evaluation score. It is characterized by being calculated to increase the risk value.

다시 도 6을 참고로 살펴보면, 구매 이력 유사도가 제1 임계값을 초과하는 n명(여기서 n은 1 이상의 자연수)의 후보 주변 사용자를 추출하고, 후보 주변 사용자와 사용자의 개인 지수 정보에 기초하여 사용자와 후보 주변 사용자 사이의 프로필 유사도를 계산한다(S133).Referring back to FIG. 6, n neighbor candidates (where n is a natural number greater than or equal to 1) whose purchase history similarity exceeds the first threshold value are extracted, and the user is based on the candidate neighbor user and the user's personal index information. And profile similarity between the candidate and the neighboring users are calculated (S133).

여기서 개인 지수 정보는 사용자 또는 상기 주변 사용자의 나이와 성별을 구비하는 개인 정보 및 사용자와 주변 사용자의 경제 지수, 식습관 지수 및 건강 지수를 구비하는 지수 정보를 포함하는 것을 특징으로 한다.Here, the personal index information is characterized by including personal information having the age and gender of the user or the surrounding user, and index information having the economic index, eating habit index, and health index of the user and the surrounding user.

바람직하게, 본 발명에서 프로필 유사도는 아래의 수학식(2)에 의해 계산되는데,Preferably, the profile similarity in the present invention is calculated by the following equation (2),

Figure 112018021024518-pat00004
Figure 112018021024518-pat00004

여기서 ruj는 개인 지수 정보 항목(j)에 대한 사용자(u)의 개인 지수 정보이고, ruja는 개인 지수 정보 항목(j)에 대한 사용자(u)의 개인 지수 정보의 평균값이며, rvj는 개인 지수 정보 항목(j)에 대한 주변 사용자(v)의 개인 지수 정보이고, rvja는 개인 지수 정보 항목(j)에 대한 주변 사용자(v)의 개인 지수 정보의 평균값인 것을 특징으로 한다.
Where r uj is the personal index information of the user (u) for the personal index information item (j), r uja is the average value of the personal index information of the user (u) for the personal index information item (j), and r vj is It is characterized in that the personal index information of the neighboring user v for the personal index information item j, and r vja is an average value of personal index information of the neighboring user v for the personal index information item j.

도 8은 본 발명의 데이터베이스부에 등록 저장된 개인 지수 정보의 일 예를 도시하고 있는데, 도 8에 도시되어 있는 바와 같이 개인 지수 정보는 사용자의 성별, 연령으로부터 계산되는 성별 지수와 연령 지수 및 경제 지수, 식습관 지수, 건강 지수를 포함한다. 본 발명이 적용되는 분야에 따라 다양한 종류의 개인 지수 정보가 사용될 수 있으며 이는 본 발명의 범위에 속한다.FIG. 8 shows an example of personal index information stored and stored in the database unit of the present invention. As shown in FIG. 8, personal index information includes a gender index, an age index, and an economic index calculated from a user's gender and age. , Eating habits index, health index. Various types of personal index information may be used according to the field to which the present invention is applied, and this is within the scope of the present invention.

바람직하게, 성별 지수는 사용자가 남성인 경우 1, 여성인 경우 2로 계산되며, 경제 지수는 사용자의 설문 항목에 대한 답변에 기초하여 사용자가 음식을 구매함에 있어서 음식 아이템의 가격 중요도를 나타내는 지수로 저렴한 가격의 음식 아이템을 원하는 경우부터 순차적으로 1부터 5의 값이 책정되며, 식습관 지수는 사용자의 설문 항목에 대한 답변에 기초하여 사용자가 채식 또는 육식 위주의 식습관을 가지는지를 나타내는 지수로 육식 위주의 음식 아이템으로부터 채식 위주의 음식 아이템의 선호도 순서에 따라 순차적으로 1부터 5의 값이 책정되며, 건강 지수는 사용자의 설문 항목에 대한 답변에 기초하여 사용자가 음식 아이템을 결정함에 있어 건강식을 중요하게 생각하는 정도를 나타내는 지수로 건강식을 중요하게 생각하는 정도에 기초하여 순차적으로 1부터 5의 값이 책정된다.
Preferably, the gender index is calculated as 1 if the user is male, and 2 when the user is male, and the economic index is an index indicating the price importance of the food item when the user purchases food based on the answer to the user's questionnaire item. Values of 1 to 5 are sequentially set from when a low-priced food item is desired, and the eating habit index is an index indicating whether the user has a vegetarian or meat-based eating habit based on answers to the user's questionnaire. From food items, vegetarian food-oriented food items are sequentially ordered from 1 to 5, and the health index considers healthy food as important for the user to decide food items based on answers to the user's questionnaire items. This is an index that indicates the degree to which a healthy diet is considered. One by one from the value of 1 is formulated 5.

다시 도 6을 참고로 살펴보면, 구매 이력 유사도(Si)와 프로필 유사도(Sp)로부터 후보 주변 사용자의 최종 유사도(St)를 계산하는데(S135), 바람직하게 사용자와 후보 주변 사용자 사이의 최종 유사도는 아래의 수학식(3)에 따라 계산된다.Referring back to FIG. 6, the final similarity (St) of the candidate neighboring user is calculated from the purchase history similarity (Si) and the profile similarity (Sp) (S135), preferably the final similarity between the user and the candidate neighboring user is as follows. It is calculated according to the equation (3).

[수학식 3][Equation 3]

Figure 112018021024518-pat00005
Figure 112018021024518-pat00005

여기서 α와 β는 각각 구매 이력 유사도에 대한 가중치와 프로필 유사도에 대한 가중치인 것을 특징으로 한다.Here, α and β are characterized in that they are weights for the purchase history similarity and weights for the profile similarity, respectively.

최종 유사도와 후보 주변 사용자의 음식 아이템별 평가 점수로부터 후보 추천 음식 아이템을 결정한다(S137).The candidate recommendation food item is determined from the final similarity and the evaluation score for each food item of the candidate nearby user (S137).

바람직하게, 후보 주변 사용자가 구매한 음식 아이템의 평가 점수의 평균값과 최종 유사도의 곱으로부터 아래의 수학식(4)와 같이 음식 아이템별 추천 점수(Ip)를 계산하는데,Preferably, a recommendation score (Ip) for each food item is calculated as shown in Equation (4) below by multiplying the average value of the evaluation score of the food item purchased by a candidate nearby user and the final similarity.

[수학식 4][Equation 4]

Figure 112018021024518-pat00006
Figure 112018021024518-pat00006

여기서 Pia는 음식 아이템(i)에 대한 후보 주변 사용자의 평가 점수의 평균값인 것을 특징으로 한다.Here, P ia is characterized in that it is an average value of a user's evaluation scores around a candidate for a food item (i).

음식 아이템의 평가 점수(Ip)에 기초하여 음식 아이템의 평가 점수(Ip)가 높은 순서로 상위 n개의 음식 아이템을 후보 추천 음식 아이템으로 결정하거나 음식 아이템의 평가 점수(Ip)가 제2 임계값을 초과하는 모든 음식 아이템을 후보 추천 음식 아이템으로 결정한다.
Based on the evaluation score (I p ) of the food item, the top n food items are determined as candidate recommendation food items in the order of highest evaluation score (I p ), or the evaluation score (I p ) of the food items is second. All food items exceeding the threshold are determined as candidate recommended food items.

도 9는 본 발명에 따라 후보 추천 음식 아이템별 후보 추천 음식 아이템과 사용자 개인 지수 사이의 연관 강도를 계산하는 단계의 일 예를 설명하기 위한 흐름도이다.9 is a flowchart illustrating an example of a step of calculating an association strength between a candidate recommendation food item for each candidate recommendation food item and a user personal index according to the present invention.

도 9를 참고로 보다 구체적으로 살펴보면, 후보 추천 음식 아이템의 이름을 해쉬 태그로 가지는 소셜미디어 컨텐츠를 검색한다(S151). 예를 들어 후보 추천 음식 아이템이 '돈가스'인 경우 돈가스를 해쉬 태그로 가지는 소셜미디어 컨텐츠를 추천 서버로부터 검색한다. Referring to FIG. 9 in more detail, social media content having a hash tag as a candidate recommended food item name is searched (S151). For example, if the candidate recommendation food item is 'dongas', social media content having the dongas as a hash tag is searched from the recommendation server.

사용자의 개인 지수 정보 중 제1 개인 지수 정보와 검색한 상기 소셜미디어 컨텐츠의 전체 해쉬 태크 사이의 제1 연관 강도를 계산하고(S153), 사용자의 개인 지수 정보 중 제2 개인 지수 정보와 검색한 상기 소셜 미디어 컨텐츠의 전체 해쉬 태크 사이의 제2 연관 강도를 계산한다(S155).Calculating a first association strength between the first personal index information of the user's personal index information and the entire hashtag of the searched social media content (S153), and searching for the second personal index information of the user's personal index information and the search The second association strength between all hashtags of the social media content is calculated (S155).

여기서 제1 개인 지수 정보는 사용자의 성별, 연령과 관련된 성별 지수 및 연령 지수를 구비하며, 제2 개인 지수 정보는 경제 지수, 식습관 지수 및 건강 지수를 구비한다.Here, the first personal index information includes a gender index and an age index related to the user's gender and age, and the second personal index information includes an economic index, a dietary index, and a health index.

바람직하게, 제1 연관 강도(C1)는 아래의 수학식(5)에 의해 계산되며, 제2 연관 강도(C2)는 아래의 수학식(6)에 의해 계산된다.Preferably, the first association intensity C1 is calculated by the following equation (5), and the second association intensity C2 is calculated by the following equation (6).

[수학식 5][Equation 5]

Figure 112018021024518-pat00007
Figure 112018021024518-pat00007

[수학식 6][Equation 6]

Figure 112018021024518-pat00008
Figure 112018021024518-pat00008

여기서 NCT는 검색한 소셜미디어 컨텐츠의 전체 수이며, Nc1과 Nc2는 각각 제1 개인 지수 정보와 관련된 해쉬 태그가 포함된 소셜미디어 컨텐츠의 수와 제2 개인 지수 정보와 관련된 해쉬 태그가 포함된 소셜미디어 컨텐츠의 수를 의미하며, Ruj는 사용자의 제2 개인 지수 정보 항목(j)에 대한 지수 값을 의미한다. Here, N CT is the total number of searched social media contents, and N c1 and N c2 each include the number of social media contents including the hash tag related to the first personal index information and the hash tag related to the second personal index information. It means the number of social media contents, and R uj means the index value for the user's second personal index information item (j).

예를 들어, 검색한 소셜미디어 컨텐츠 중 20대라는 해쉬 태그가 포함되어 있으며 사용자의 제1 개인 지수 정보 중 연령 지수가 20대를 의미하는 2인 경우 해당 소셜미디어 컨텐츠를 제1 개인 지수 정보와 관련된 소셜미디어 컨텐츠로 판단한다.For example, if the hash tag of 20s among the searched social media contents is included, and the age index of the user's first personal index information is 2, the social media content is related to the first personal index information. Judging by the media content.

한편, 예를 들어 검색한 소셜미디어 컨텐츠 중 "건강식", "건강한" 등 건강지수와 관련한 설정된 키워드가 해쉬 태그로 포함되어 있는 경우 해당 소셜미디어 컨텐츠를 제2 개인 지수 정보와 관련된 소셜미디어 컨텐츠로 판단한다. On the other hand, if a set keyword related to a health index such as "health food" or "healthy" is included as a hash tag among the searched social media contents, the corresponding social media content is determined as social media content related to the second personal index information. do.

제1 연관 강도와 제2 연관 강도의 합으로부터 후보 추천 음식 아이템별 전체 연관 강도를 계산하고 후보 추천 아이템별 전체 연관 강도에 기초하여 사용자에 최종 추천 음식 아이템에 대한 정보를 제공한다(S157).The total association intensity for each candidate recommendation food item is calculated from the sum of the first association intensity and the second association intensity, and information on the final recommendation food item is provided to the user based on the overall association intensity for each candidate recommendation item (S157).

바람직하게, 전체 연관 강도가 높은 순서로 m개의 음식 아이템을 최종 추천 음식 아이템으로 제공하거나 제3 임계값보다 큰 전체 연관 강도를 가지는 음식 아이템을 최종 추천 음식 아이템으로 제공할 수 있다.
Preferably, m food items may be provided as the final recommended food item in the order of high overall association intensity, or a food item having the overall association strength greater than the third threshold may be provided as the final recommended food item.

한편, 상술한 본 발명의 실시 예들은 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터로 읽을 수 있는 기록 매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다.Meanwhile, the above-described embodiments of the present invention can be written as a program that can be executed in a computer, and can be implemented in a general-purpose digital computer that operates the program using a computer-readable recording medium.

상기 컴퓨터로 읽을 수 있는 기록 매체는 마그네틱 저장 매체(예를 들어, 롬, 플로피 디스크, 하드디스크 등), 광학적 판독 매체(예를 들면, 시디롬, 디브이디 등) 및 캐리어 웨이브(예를 들면, 인터넷을 통한 전송)와 같은 저장 매체를 포함한다.
The computer-readable recording medium includes magnetic storage media (eg, ROM, floppy disk, hard disk, etc.), optical reading media (eg, CD-ROM, DVD, etc.) and carrier waves (eg, the Internet). Storage media).

본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 등록청구범위의 기술적 사상에 의해 정해져야 할 것이다. Although the present invention has been described with reference to the embodiments shown in the drawings, this is merely exemplary, and it will be understood by those skilled in the art that various modifications and equivalent other embodiments are possible. Therefore, the true technical protection scope of the present invention should be determined by the technical spirit of the appended claims.

10: 사용자 단말기 30: 네트워크
50: 추천 서버 70: 컨텐츠 서버
110: 송수신부 120: 회원 관리부
130: 데이터베이스부 150: 후보 추천 음식 결정부
170: 연관 강도 계산부 190: 음식 추천부10: user terminal 30: network
50: recommendation server 70: content server
110: transceiver unit 120: member management unit
130: database section 150: candidate recommendation food decision section
170: association strength calculation unit 190: food recommendation unit

Claims (15)

음식 추천 서버에서 사용자에 음식 아이템을 추천하는 방법에 있어서,
데이터베이스부에 저장된 사례에 기반하여 상기 사용자와 주변 사용자 사이의 음식 구매 이력에 따른 구매 이력 유사도, 상기 사용자와 주변 사용자 사이의 개인 지수 정보에 따른 프로필 유사도 및 구매한 음식 아이템별 평가 정보로부터 후보 추천 음식 아이템을 결정하는 단계; 및
상기 후보 추천 음식 아이템을 해쉬 태그로 가지는 소셜미디어 컨텐츠를 검색하는 단계;
상기 사용자의 개인 정보와 검색한 상기 소셜 미디어 컨텐츠의 전체 해쉬 태크 사이의 제1 연관 강도를 계산하는 단계;
상기 사용자의 지수 정보와 검색한 상기 소셜 미디어 컨텐츠의 전체 해쉬 태크 사이의 제2 연관 강도를 계산하는 단계;
상기 제1 연관 강도와 상기 제2 연관 강도로부터 상기 후보 추천 음식 아이템별 연관 강도를 계산하는 단계; 및
상기 후보 추천 음식 아이템별 연관 강도에 기초하여 사용자에 음식 아이템을 추천하는 단계를 포함하며,
여기서 제1 연관 강도는 사용자의 연령, 나이를 포함하는 제1 개인 지수 정보와 상기 전체 해쉬 태크 사이의 연관 정도이고, 제2 연관 강도는 경제지수, 식습관지수 또는 건강지수의 제2 개인 지수 정보와 상기 전체 해쉬 태크 사이의 연관 정도이며,
상기 후보 추천 음식 아이템별 연관 강도는 상기 제1 연관 강도와 제2 연관 강도의 합으로 계산되는 것을 특징으로 하는 음식 아이템의 추천 방법. In the method of recommending food items to the user from the food recommendation server,
Based on the case stored in the database unit, the purchase history similarity according to the food purchase history between the user and the surrounding users, the profile similarity according to the personal index information between the user and the surrounding users, and the food recommendation candidates from the evaluation information for each purchased food item Determining an item; And
Searching for social media content having the candidate recommended food item as a hash tag;
Calculating a first association strength between the user's personal information and the entire hashtag of the retrieved social media content;
Calculating a second association strength between the index information of the user and the entire hashtag of the retrieved social media content;
Calculating an association intensity for each candidate recommendation food item from the first association intensity and the second association intensity; And
And recommending a food item to the user based on the association strength for each of the candidate recommended food items,
Here, the first association strength is a degree of association between the first personal index information including the user's age and age and the entire hashtag, and the second association strength is associated with the second personal index information of the economic index, eating habits index, or health index. The degree of association between the whole hashtag,
The method of recommending a food item, wherein the candidate recommended food item related intensity is calculated as a sum of the first related intensity and the second related intensity. 제 1 항에 있어서, 상기 후보 추천 음식 아이템을 결정하는 단계는
사용자의 음식 구매 이력과 주변 사용자의 음식 구매 이력에 기초하여 음식 구매 이력에 따른 상기 사용자와 상기 주변 사용자 사이의 구매 이력 유사도를 계산하는 단계;
상기 구매 이력 유사도가 제1 임계값을 초과하는 n명(여기서 n은 1 이상의 자연수)의 후보 주변 사용자와 사용자의 개인 지수 정보에 기초하여 상기 사용자와 후보 주변 사용자 사이의 프로필 유사도를 계산하는 단계;
상기 구매 이력 유사도와 상기 프로필 유사도로부터 후보 주변 사용자의 최종 유사도를 계산하는 단계; 및
상기 최종 유사도와 상기 후보 주변 사용자의 음식 아이템별 평가 점수로부터 후보 추천 음식 아이템을 결정하는 단계를 포함하는 것을 특징으로 하는 음식 아이템의 추천 방법.The method of claim 1, wherein determining the candidate recommended food item is
Calculating a purchase history similarity between the user and the neighboring user according to the food purchase history based on the user's food purchase history and the user's food purchase history;
Calculating a profile similarity between the user and the candidate surrounding users based on the personal index information of the candidate nearby users and the user having the purchase history similarity exceeding a first threshold (where n is a natural number equal to or greater than 1);
Calculating a final similarity of a candidate neighbor user from the purchase history similarity and the profile similarity; And
And determining a candidate recommended food item from the final similarity and the evaluation score for each food item of the candidate neighboring user. 제 2 항에 있어서, 상기 구매 이력 유사도는
상기 사용자와 상기 주변 사용자가 동일 음식 아이템의 구매 여부 및 상기 동일 음식 아이템에 대한 평가 점수 차이로부터 계산되는 것을 특징으로 하는 음식 아이템의 추천 방법. The method of claim 2, wherein the purchase history similarity
A method of recommending a food item, characterized in that the user and the neighboring user are calculated based on whether the same food item is purchased and a difference in evaluation scores for the same food item. 제 3 항에 있어서, 상기 구매 이력 유사도는
상기 사용자와 상기 주변 사용자가 동일 음식 아이템의 구매 여부 및 상기 동일 음식 아이템에 대한 평가 점수의 존재 여부에 따른 리스크값을 고려하여 계산되는 것을 특징으로 하는 음식 아이템의 추천 방법.The method of claim 3, wherein the purchase history similarity
A method for recommending a food item, characterized in that the user and the neighboring user are calculated in consideration of a risk value according to whether the same food item is purchased and whether an evaluation score exists for the same food item. 제 4 항에 있어서, 사용자(u)와 주변 사용자(v) 사이의 상기 구매 이력 유사도(Si(u,v))는 아래의 수학식(1)에 의해 계산되는데,
[수학식 1]
Figure 112018021024518-pat00009

여기서 rui는 음식 아이템(i)에 대한 사용자(u)의 평가 점수이고, rua는 사용자(u)가 구매한 모든 음식 아이템의 평가 점수 평균값이며, rvi는 음식 아이템(i)에 대한 주변 사용자(v)의 평가 점수이고, rva는 주변 사용자(v)가 구매한 모든 음식 아이템의 평가 점수 평균값이며, σ는 리스크값인 것을 특징으로 하는 음식 아이템의 추천 방법.The method of claim 4, wherein the purchase history similarity (Si (u, v)) between the user u and the surrounding user v is calculated by the following equation (1).
[Equation 1]
Figure 112018021024518-pat00009

Where r ui is the user's (u) evaluation score for the food item (i), r ua is the average of all the food items purchased by the user (u), and r vi is the perimeter of the food item (i) A user (v) evaluation score, r va is the average score of all food items purchased by the nearby user (v), and σ is a risk value. 제 5 항에 있어서, 상기 리스크값은
상기 사용자와 상기 주변 사용자가 동일하게 구매하지 않은 음식 아이템의 수에 따라 비례하여 증가하는 것을 특징으로 하는 음식 아이템의 추천 방법. The method of claim 5, wherein the risk value
A method of recommending a food item, characterized in that the user and the neighboring user increase in proportion to the number of food items that are not purchased. 삭제delete 제 6 항에 있어서, 상기 프로필 유사도는 아래의 수학식(2)에 의해 계산되는데,
Figure 112018021024518-pat00010

여기서 ruj는 개인 지수 정보 항목(j)에 대한 사용자(u)의 개인 지수 정보이고, ruja는 개인 지수 정보 항목(j)에 대한 사용자(u)의 개인 지수 정보의 평균값이며, rvj는 개인 지수 정보 항목(j)에 대한 주변 사용자(v)의 개인 지수 정보이고, rvja는 개인 지수 정보 항목(j)에 대한 주변 사용자(v)의 개인 지수 정보의 평균값인 것을 특징으로 하는 음식 아이템의 추천 방법.The method of claim 6, wherein the profile similarity is calculated by Equation (2) below,
Figure 112018021024518-pat00010

Where r uj is the personal index information of the user (u) for the personal index information item (j), r uja is the average value of the personal index information of the user (u) for the personal index information item (j), and r vj is A food item characterized in that the personal index information of the neighboring user (v) for the personal index information item (j) is r vja and the average value of the personal index information of the neighboring user (v) for the personal index information item (j). How to recommend. 삭제delete 사용자와 주변 사용자의 음식 구매 이력, 개인 지수 정보를 저장하고 있는 데이터베이스부;
상기 데이터베이스부에 저장된 사례에 기반하여 상기 사용자와 주변 사용자 사이의 음식 구매 이력에 따른 구매 이력 유사도, 상기 사용자와 주변 사용자 사이의 개인 지수 정보에 따른 프로필 유사도 및 구매한 음식 아이템별 평가 정보로부터 후보 추천 음식 아이템을 결정하는 후보 추천 음식 결정부;
상기 후보 추천 음식 아이템을 해쉬 태그로 가지는 소셜미디어 컨텐츠를 검색하는 컨텐츠 검색부와, 상기 사용자의 개인 지수 정보 중 사용자의 개인 정보와 검색한 상기 소셜 미디어 컨텐츠의 전체 해쉬 태크 사이의 제1 연관 강도를 계산하는 제1 연관 강도 계산부와, 상기 사용자의 개인 지수 정보 중 사용자의 지수 정보와 검색한 상기 소셜 미디어 컨텐츠의 전체 해쉬 태크 사이의 제2 연관 강도를 계산하는 제2 연관 강도 계산부와, 상기 제1 연관 강도와 상기 제2 연관 강도로부터 상기 후보 추천 음식 아이템별 연관 강도를 전체 연관 강도 계산부를 구비하는 연관 강도 계산부; 및
후보 추천 음식 아이템별 연관 강도에 기초하여 사용자에 음식 아이템을 추천하는 음식 추천부를 포함하며,
여기서 제1 연관 강도는 사용자의 연령, 나이를 포함하는 제1 개인 지수 정보와 상기 전체 해쉬 태크 사이의 연관 정도이고, 제2 연관 강도는 경제지수, 식습관지수 또는 건강지수의 제2 개인 지수 정보와 상기 전체 해쉬 태크 사이의 연관 정도이며,
상기 후보 추천 음식 아이템별 연관 강도는 상기 제1 연관 강도와 제2 연관 강도의 합으로 계산되는 것을 특징으로 하는 음식 아이템의 추천 장치.A database unit that stores food purchase history and personal index information of users and nearby users;
Based on the case stored in the database, candidates are recommended from the purchase history similarity according to the food purchase history between the user and the nearby users, profile similarity according to personal index information between the user and the nearby users, and evaluation information for each purchased food item. A candidate recommendation food determination unit for determining a food item;
A content retrieval unit that searches for social media content having the candidate recommended food item as a hash tag, and a first association strength between the user's personal information among the user's personal index information and the entire hash tag of the searched social media content. A first association strength calculating unit for calculating, and a second association strength calculating unit for calculating a second association strength between the user's index information among the user's personal index information and the entire hashtag of the searched social media content, and A correlation strength calculation unit having a total association strength calculation unit for the association strength for each candidate recommended food item from the first association strength and the second association strength; And
It includes a food recommendation unit for recommending food items to the user based on the association strength for each candidate recommended food item,
Here, the first association strength is a degree of association between the first personal index information including the user's age and age and the entire hashtag, and the second association strength is associated with the second personal index information of the economic index, eating habits index, or health index. The degree of association between the whole hashtag,
The candidate recommendation food item association intensity is calculated as a sum of the first association intensity and the second association intensity. 제 10 항에 있어서, 상기 후보 추천 음식 결정부는
사용자의 음식 구매 이력과 주변 사용자의 음식 구매 이력에 기초하여 음식 구매 이력에 따른 상기 사용자와 상기 주변 사용자 사이의 구매 이력 유사도를 계산하는 구매 이력 유사도 계산부;
상기 구매 이력 유사도가 제1 임계값을 초과하는 n명(여기서 n은 1 이상의 자연수)의 후보 주변 사용자와 사용자의 개인 지수 정보에 기초하여 상기 사용자와 후보 주변 사용자 사이의 프로필 유사도를 계산하는 프로필 유사도 계산부;
상기 구매 이력 유사도와 상기 프로필 유사도로부터 후보 주변 사용자의 최종 유사도를 계산하는 최종 유사도 계산부; 및
상기 최종 유사도와 상기 후보 주변 사용자의 음식 아이템별 평가 점수로부터 후보 추천 음식 아이템을 결정하는 후보 결정부를 포함하는 것을 특징으로 하는 음식 아이템 추천 장치.The method of claim 10, wherein the candidate recommendation food determining unit
A purchase history similarity calculation unit for calculating a purchase history similarity between the user and the surrounding users according to a food purchase history based on a user's food purchase history and a food purchase history of a nearby user;
Profile similarity for calculating profile similarity between the user and the candidate's surrounding users based on the personal index information of the candidate's surrounding users and the user whose purchase history similarity exceeds the first threshold value, where n is a natural number of 1 or more. Calculation unit;
A final similarity calculation unit calculating a final similarity of a candidate neighbor user from the purchase history similarity and the profile similarity; And
And a candidate determination unit that determines a candidate recommended food item from the final similarity and the evaluation score for each food item of the candidate neighboring user. 제 11 항에 있어서, 상기 구매 이력 유사도는
상기 사용자와 상기 주변 사용자가 동일 음식 아이템의 구매 여부 및 상기 동일 음식 아이템에 대한 평가 점수 차이로부터 계산되는 것을 특징으로 하는 음식 아이템의 추천 장치. 12. The method of claim 11, wherein the purchase history similarity
A device for recommending a food item, characterized in that the user and the neighboring user are calculated based on whether the same food item is purchased and a difference in evaluation scores for the same food item. 제 12 항에 있어서, 상기 구매 이력 유사도는
상기 사용자와 상기 주변 사용자가 동일 음식 아이템의 구매 여부 및 상기 동일 음식 아이템에 대한 평가 점수의 존재 여부에 따른 리스크값을 고려하여 계산되는 것을 특징으로 하는 음식 아이템의 추천 장치.The method of claim 12, wherein the purchase history similarity
A device for recommending a food item, characterized in that the user and the neighboring user are calculated in consideration of a risk value according to whether the same food item is purchased and whether an evaluation score exists for the same food item. 삭제delete 삭제delete
KR1020180024759A 2018-02-28 2018-02-28 Method for recommending food item KR102087148B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180024759A KR102087148B1 (en) 2018-02-28 2018-02-28 Method for recommending food item

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180024759A KR102087148B1 (en) 2018-02-28 2018-02-28 Method for recommending food item

Publications (2)

Publication Number Publication Date
KR20190103838A KR20190103838A (en) 2019-09-05
KR102087148B1 true KR102087148B1 (en) 2020-03-12

Family

ID=67949656

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180024759A KR102087148B1 (en) 2018-02-28 2018-02-28 Method for recommending food item

Country Status (1)

Country Link
KR (1) KR102087148B1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220036073A (en) 2020-09-15 2022-03-22 주식회사 모리아타운 Children's refreshments subscription service method and system

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102191649B1 (en) * 2020-05-21 2020-12-16 박준경 Apparatus and method of recommending drinks using artificial neural network
KR102453378B1 (en) * 2020-09-06 2022-10-11 (주)넷킨 Personalized menu recommendation system using micro data basis artificial intelligence
KR102417570B1 (en) * 2021-10-20 2022-07-06 서울대학교 산학협력단 Method and device for providing customized vegetarian diet service according to vegetarian motivation and vegetarian type
KR102430904B1 (en) * 2021-12-09 2022-08-10 쿠팡 주식회사 Server and method for providing information thereof

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101507328B1 (en) * 2014-03-10 2015-03-31 단국대학교 산학협력단 Apparatus and method for predicting user feed back in collaborative recommendation system
KR101657588B1 (en) * 2015-11-13 2016-09-19 (주)제이케이소프트 System for Providing Product Dealing Information based on Product Image using Web and Method therefor

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160065429A (en) * 2014-11-30 2016-06-09 주식회사 알티웍스 Hybrid personalized product recommendation method
KR101778556B1 (en) * 2015-06-12 2017-09-14 주식회사 아이피플스 Restaurant reservation service method and system

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101507328B1 (en) * 2014-03-10 2015-03-31 단국대학교 산학협력단 Apparatus and method for predicting user feed back in collaborative recommendation system
KR101657588B1 (en) * 2015-11-13 2016-09-19 (주)제이케이소프트 System for Providing Product Dealing Information based on Product Image using Web and Method therefor

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220036073A (en) 2020-09-15 2022-03-22 주식회사 모리아타운 Children's refreshments subscription service method and system

Also Published As

Publication number Publication date
KR20190103838A (en) 2019-09-05

Similar Documents

Publication Publication Date Title
KR102087148B1 (en) Method for recommending food item
Hu et al. New doctors ranking system based on VIKOR method
WO2020048084A1 (en) Resource recommendation method and apparatus, computer device, and computer-readable storage medium
CN103970857B (en) Content recommendation determines system and method
US9645995B2 (en) Language identification on social media
US8832091B1 (en) Graph-based semantic analysis of items
KR101579376B1 (en) Personalized place recommendation system and method by using subjectivity analysis for user classification
JP5581408B2 (en) Information processing system, information processing apparatus, information processing method, and program
Yang et al. Plateclick: Bootstrapping food preferences through an adaptive visual interface
TWI604391B (en) Automatic diet planning method and mobile device for performing the same
KR102227552B1 (en) System for providing context awareness algorithm based restaurant sorting personalized service using review category
CN103119620A (en) Action suggestions based on inferred social relationships
US20210390392A1 (en) System and method for processing point-of-interest data
Zhao et al. A probabilistic lifestyle-based trajectory model for social strength inference from human trajectory data
CN110782286A (en) Advertisement pushing method and device, server and computer readable storage medium
KR101711118B1 (en) System for personnally recommending food based on big-data
Deng et al. A similarity measure based on Kullback–Leibler divergence for collaborative filtering in sparse data
US20150293988A1 (en) System and Method for Opinion Sharing and Recommending Social Connections
US8510307B1 (en) Systems and methods for automatic item classification
EP2613275A1 (en) Search device, search method, search program, and computer-readable memory medium for recording search program
US20220007133A1 (en) System and method for identifying associated subjects from location histories
US10120929B1 (en) Systems and methods for automatic item classification
CN114065016A (en) Recommendation method, device, equipment and computer readable storage medium
KR101958555B1 (en) Apparatus and method for providing search result
Yoon et al. Finding tourism niche on image-based social media: Integrating computational methods

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