KR102180271B1 - 사용자 활동이력 기반 협업 필터링을 통한 공모전 추천 시스템 및 방법 - Google Patents

사용자 활동이력 기반 협업 필터링을 통한 공모전 추천 시스템 및 방법 Download PDF

Info

Publication number
KR102180271B1
KR102180271B1 KR1020200037976A KR20200037976A KR102180271B1 KR 102180271 B1 KR102180271 B1 KR 102180271B1 KR 1020200037976 A KR1020200037976 A KR 1020200037976A KR 20200037976 A KR20200037976 A KR 20200037976A KR 102180271 B1 KR102180271 B1 KR 102180271B1
Authority
KR
South Korea
Prior art keywords
user
contest
competition
degree
relevance
Prior art date
Application number
KR1020200037976A
Other languages
English (en)
Inventor
최진영
김현조
Original Assignee
비에이비 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 비에이비 주식회사 filed Critical 비에이비 주식회사
Priority to KR1020200037976A priority Critical patent/KR102180271B1/ko
Application granted granted Critical
Publication of KR102180271B1 publication Critical patent/KR102180271B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

사용자(응모자)의 활동 이력을 통해 파악된 사용자 속성 정보를 기반으로 복수의 사용자 또는 다수의 공모전 간 협업 필터링에 의해 사용자에게 최적의 공모전을 추천할 수 있는 사용자 활동이력 기반 협업 필터링을 통한 공모전 추천 시스템 및 방법, 기록 매체가 개시된다. 본 발명의 실시예에 따른 사용자 활동이력 기반 협업 필터링을 통한 공모전 추천 시스템은, 공모전과 관련된 사용자의 속성 정보를 기반으로 다수의 공모전과 복수의 사용자 간의 관련도를 나타내는 공모전 관련도 매트릭스를 생성하는 공모전 관련도 매트릭스 생성부; 및 상기 복수의 사용자 간의 유사도 및 상기 다수의 공모전 간의 유사도 중 적어도 하나와, 상기 공모전 관련도 매트릭스를 기반으로, 사용자 별로 공모전을 추천하는 공모전 추천부를 포함한다.

Description

사용자 활동이력 기반 협업 필터링을 통한 공모전 추천 시스템 및 방법{SYSTEM AND METHOD FOR RECOMMENDING COMPETITION THROUGH COLLABORATIVE FILTERING BASED ON USER ACTIVITY HISTORY}
본 발명은 사용자 활동이력 기반 협업 필터링을 통한 공모전 추천 시스템 및 방법에 관한 것으로, 보다 상세하게는 사용자의 활동 이력을 통해 파악된 사용자 속성 정보를 기반으로 복수의 사용자 또는 다수의 공모전 간 협업 필터링에 의해 사용자에게 적합한 공모전을 추천할 수 있는 사용자 활동이력 기반 협업 필터링을 통한 공모전 추천 시스템 및 방법에 관한 것이다.
일반적으로 공모전은 공개 모집되는 형태의 공모(Contest)의 의미로 사용되고 있으며, 미술, 문학, 마케팅, 광고, 디자인, 아이디어, 네이밍 등 다양한 분야로 확대되어 활용되고 있다. 공모전은 특정한 주제의 아이디어, 제안, 기획 혹은 작품 등을 심사해 상금 혹은 상품을 비롯한 특전을 제공하는 경우가 많으며, 응모자는 공모전에서 제공하는 특전을 목적으로 하거나 취업 등 다양한 목적을 위해 자신에게 적합한 공모전을 찾아 응모하게 된다.
응모자에게 공모전 정보를 제공하기 위한 공모전 정보 서비스 플랫폼이 존재하고 있으나, 기존의 공모전 정보 서비스 플랫폼은 단순히 공모전 정보가 등재되는 게시판 형태의 서비스로, 관심 분야의 소식에 접근하기 용이하도록 카테고리를 분류하여 공모전 정보를 제공하는 기능을 제공하거나, 응모자의 검색 기록이나 구매 내역 등을 바탕으로 관련 공모전을 추천하는 수준에 그치고 있다. 이로 인해 상대적으로 공모전의 개수는 많으나 실제 공모할 확률이 높은 사용자에게 노출되지 못하며 직접 찾고자 할 때에도 복잡도가 높아 효율적으로 공모전 정보가 사용자에게 전달되기 어려웠다.
본 발명은 사용자(응모자)의 활동 이력을 통해 파악된 사용자 속성 정보를 기반으로 복수의 사용자 또는 다수의 공모전 간 협업 필터링에 의해 사용자에게 적합한 공모전을 추천할 수 있는 사용자 활동이력 기반 협업 필터링을 통한 공모전 추천 시스템 및 방법, 기록 매체를 제공하기 위한 것이다.
또한, 본 발명은 사용자의 공모전 관련 활동 이력 시기나 활동 이력 순서(예를 들어, 과거 공모전 응모 순서)를 고려하여 사용자에게 최적의 공모전을 추천할 수 있는 사용자 활동이력 기반 협업 필터링을 통한 공모전 추천 시스템 및 방법, 기록 매체를 제공하기 위한 것이다.
본 발명의 실시예에 따른 사용자 활동이력 기반 협업 필터링을 통한 공모전 추천 시스템은, 공모전과 관련된 사용자의 속성 정보를 기반으로 다수의 공모전과 복수의 사용자 간의 관련도를 나타내는 공모전 관련도 매트릭스를 생성하는 공모전 관련도 매트릭스 생성부; 및 상기 복수의 사용자 간의 유사도 및 상기 다수의 공모전 간의 유사도 중 적어도 하나와, 상기 공모전 관련도 매트릭스를 기반으로, 사용자 별로 공모전을 추천하는 공모전 추천부를 포함한다.
상기 공모전 추천부는, 상기 공모전 관련도 매트릭스를 기반으로, 상기 복수의 사용자 별로 상기 다수의 공모전과 관련된 사용자 속성 벡터를 생성하거나 상기 다수의 공모전 별로 상기 복수의 사용자와 관련된 공모전 속성 벡터를 생성하는 속성 벡터 생성부; 상기 복수의 사용자의 복수의 사용자 속성 벡터 간의 제1 유사도를 산출하거나, 상기 다수의 공모전의 복수의 공모전 속성 벡터 간의 제2 유사도를 산출하는 유사도 산출부; 상기 제1 유사도 또는 상기 제2 유사도를 기반으로, 상기 공모전 관련도 매트릭스 중 공모전과 사용자 간의 관련도가 존재하지 않는 예측 대상 항목에 대한 관련도를 산출하는 관련도 산출부; 및 상기 예측 대상 항목에 대해 산출된 관련도를 기반으로 사용자 별로 추천 공모전을 선정하는 추천 공모전 선정부를 포함할 수 있다.
본 발명의 실시예에 따른 사용자 활동이력 기반 협업 필터링을 통한 공모전 추천 시스템은, 상기 사용자의 공모전과 관련한 다양한 활동 이력을 수집하고, 상기 사용자의 다양한 활동 이력에 각각 가중치를 적용하여 상기 사용자의 속성 정보를 생성하는 사용자 활동 이력 수집부를 더 포함할 수 있다. 상기 사용자의 다양한 활동 이력은 상기 사용자의 공모전에 대한 검색 이력, 응모 이력, 공모전 수상 내역 및 상기 공모전에 대한 평점을 포함할 수 있다.
상기 공모전 관련도 매트릭스 생성부는 상기 공모전의 응모 시기에 따라 상기 가중치를 조절하여 상기 공모전 관련도 매트릭스를 생성할 수 있다. 상기 유사도 산출부는 상기 사용자 별 공모전 응모 순서의 관련도를 고려하여 상기 제1 유사도를 보정할 수 있다. 상기 관련도 산출부는 상기 공모전 응모 순서에 따라 보정된 제1 유사도를 기반으로 상기 관련도를 산출할 수 있다.
본 발명의 실시예에 따른 사용자 활동이력 기반 협업 필터링을 통한 공모전 추천 시스템은, 상기 추천 공모전과 관련된 상기 사용자의 피드백 데이터를 기반으로 상기 사용자의 다양한 활동 이력의 가중치를 보정하는 가중치 보정부를 더 포함할 수 있다.
본 발명의 실시예에 따른 사용자 활동이력 기반 협업 필터링을 통한 공모전 추천 방법은, 공모전 관련도 매트릭스 생성부에 의해, 공모전과 관련된 사용자의 속성 정보를 기반으로 다수의 공모전과 복수의 사용자 간의 관련도를 나타내는 공모전 관련도 매트릭스를 생성하는 단계; 및 공모전 추천부에 의해, 상기 복수의 사용자 간의 유사도 및 상기 다수의 공모전 간의 유사도 중 적어도 하나와, 상기 공모전 관련도 매트릭스를 기반으로, 사용자 별로 공모전을 추천하는 단계를 포함한다.
상기 공모전을 추천하는 단계는, 상기 공모전 관련도 매트릭스를 기반으로, 상기 복수의 사용자 별로 상기 다수의 공모전과 관련된 사용자 속성 벡터를 생성하거나 상기 다수의 공모전 별로 상기 복수의 사용자와 관련된 공모전 속성 벡터를 생성하는 단계; 상기 복수의 사용자의 복수의 사용자 속성 벡터 간의 제1 유사도를 산출하거나, 상기 다수의 공모전의 다수의 공모전 속성 벡터 간의 제2 유사도를 산출하는 단계; 상기 제1 유사도 또는 상기 제2 유사도를 기반으로, 상기 공모전 관련도 매트릭스 중 공모전과 사용자 간의 관련도가 존재하지 않는 예측 대상 항목에 대한 관련도를 산출하는 단계; 및 상기 예측 대상 항목에 대해 산출된 관련도를 기반으로 사용자 별로 추천 공모전을 선정하는 단계를 포함할 수 있다.
상기 공모전 관련도 매트릭스를 생성하는 단계는, 상기 사용자의 공모전과 관련한 검색 이력, 응모 이력, 공모전 수상 내역 및 상기 공모전에 대한 평점을 포함하는 다양한 활동 이력을 수집하는 단계; 상기 사용자의 다양한 활동 이력에 각각 가중치를 적용하여 상기 사용자의 속성 정보를 생성하는 단계; 및 상기 사용자의 속성 정보를 기반으로 상기 공모전 관련도 매트릭스를 생성하는 단계를 포함할 수 있다.
상기 공모전 관련도 매트릭스를 생성하는 단계는 상기 공모전의 응모 시기에 따라 상기 가중치를 조절하여 상기 공모전 관련도 매트릭스를 생성할 수 있다. 상기 사용자 별 공모전 응모 순서의 관련도를 고려하여 상기 복수의 사용자 속성 벡터 간의 제1 유사도를 보정하는 단계를 더 포함할 수 있다. 상기 관련도를 산출하는 단계는 상기 공모전 응모 순서에 따라 보정된 제1 유사도를 기반으로 상기 관련도를 산출할 수 있다.
본 발명의 실시예에 따른 사용자 활동이력 기반 협업 필터링을 통한 공모전 추천 방법은, 상기 추천 공모전과 관련된 상기 사용자의 피드백 데이터를 기반으로 상기 사용자의 다양한 활동 이력의 가중치를 보정하는 단계를 더 포함할 수 있다.
본 발명의 실시예에 따르면, 상기 사용자 활동이력 기반 협업 필터링을 통한 공모전 추천 방법을 실행하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체가 제공된다.
본 발명의 실시예에 의하면, 사용자(응모자)의 활동 이력을 통해 파악된 사용자 속성 정보를 기반으로 복수의 사용자 또는 다수의 공모전 간 협업 필터링에 의해 사용자에게 최적의 공모전을 추천할 수 있는 사용자 활동이력 기반 협업 필터링을 통한 공모전 추천 시스템 및 방법, 기록 매체가 제공된다.
또한, 본 발명의 실시예에 의하면, 사용자의 공모전 관련 활동 이력 시기나 활동 이력 순서(예를 들어, 과거 공모전 응모 순서)를 고려하여 사용자에게 최적의 공모전을 추천할 수 있는 사용자 활동이력 기반 협업 필터링을 통한 공모전 추천 시스템 및 방법, 기록 매체가 제공된다.
도 1은 본 발명의 실시예에 따른 사용자 활동이력 기반 협업 필터링을 통한 공모전 추천 시스템의 구성도이다.
도 2는 본 발명의 실시예에 따른 사용자 활동이력 기반 협업 필터링을 통한 공모전 추천 방법의 순서도이다.
도 3은 도 2의 단계 S130의 일 실시예를 나타낸 순서도이다.
도 4는 도 3의 실시예를 설명하기 위한 예시도이다.
도 5는 도 2의 단계 S130의 다른 실시예를 나타낸 순서도이다.
도 6은 도 5의 실시예를 설명하기 위한 예시도이다.
도 7은 본 발명의 다른 실시예에 따른 사용자 활동이력 기반 협업 필터링을 통한 공모전 추천 방법의 순서도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
본 명세서에서, 어떤 부분이 어떤 구성요소를 '포함'한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 본 명세서에서 사용되는 '~부'는 적어도 하나의 기능이나 동작을 처리하는 단위로서, 예를 들어 소프트웨어, FPGA 또는 하드웨어 구성요소를 의미할 수 있다. '~부'에서 제공하는 기능은 복수의 구성요소에 의해 분리되어 수행되거나, 다른 추가적인 구성요소와 통합될 수도 있다. 본 명세서의 '~부'는 반드시 소프트웨어 또는 하드웨어에 한정되지 않으며, 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고, 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다.
본 발명의 실시예에 따른 사용자 활동이력 기반 협업 필터링을 통한 공모전 추천 시스템 및 방법은 공모전과 관련된 사용자의 속성 정보를 기반으로 다수의 공모전과 복수의 사용자 간의 관련도를 나타내는 공모전 관련도 매트릭스를 생성하고, 복수의 사용자 간의 유사도 및/또는 다수의 공모전 간의 유사도와, 공모전 관련도 매트릭스를 기반으로, 사용자 별로 공모전을 추천한다.
도 1은 본 발명의 실시예에 따른 사용자 활동이력 기반 협업 필터링을 통한 공모전 추천 시스템의 구성도이다. 도 1을 참조하면, 본 발명의 실시예에 따른 사용자 활동이력 기반 협업 필터링을 통한 공모전 추천 시스템(100)은 사용자 활동 이력 수집부(110), 공모전 관련도 매트릭스 생성부(120), 공모전 추천부(130), 피드백 입력부(140) 및 가중치 보정부(150)를 포함한다.
사용자 활동 이력 수집부(110)는 사용자의 공모전과 관련한 다양한 활동 이력을 수집하고, 사용자의 다양한 활동 이력에 각각 가중치를 적용하여 사용자의 공모전과 관련된 속성 정보를 생성한다.
공모전은 미술, 문학, 마케팅, 광고, 디자인, 아이디어, 네이밍 등 다양한 분야에서 공개 모집되는 형태의 컨테스트(Contest)일 수 있으나, 이에 제한되는 것은 아니다. 사용자의 다양한 활동 이력은 사용자의 공모전에 대한 검색(조회) 이력, 응모 이력, 공모전 수상 내역, 공모전에 대한 평점 등을 포함할 수 있다.
공모전 관련도 매트릭스 생성부(120)는 공모전과 관련된 사용자의 속성 정보를 기반으로 다수의 공모전과 복수의 사용자 간의 관련도를 나타내는 공모전 관련도 매트릭스를 생성한다. 공모전 관련도 매트릭스 생성을 위한 사용자의 속성 정보는 사용자의 연령, 관심사, 공모전 참여 이력을 비롯하여 수집하는 정보의 종류에 따라 다양하게 확장될 수 있다.
공모전 추천부(130)는 복수의 사용자 간의 유사도 및 다수의 공모전 간의 유사도 중 적어도 하나와, 공모전 관련도 매트릭스를 기반으로, 사용자 별로 하나 이상의 공모전을 추천한다.
가중치 보정부(150)는 피드백 입력부(140)를 통해 추천 공모전과 관련된 사용자의 피드백 데이터를 입력받고, 피드백 데이터를 기반으로 사용자의 다양한 활동 이력의 가중치를 보정한다.
가중치 보정부(150)는 가중치 설정을 위한 시뮬레이션 결과 또는 피드백 데이터를 기반으로 가중치 업데이트를 수행함으로써 공모전 추천의 성능 및 정확도를 높일 수 있다.
가중치 보정부(150)는 사용자에게 추천된 공모전과 사용자의 실제 이력 간의 일치/불일치 통계 등과 같은 피드백 데이터를 기반으로, 휴리스틱하게 가중치를 조정할 수 있다.
공모전 관련도 매트릭스는 사용자 속성(응모자 속성)과 공모전 속성을 기반으로 생성될 수 있다. 응모자 속성은 예를 들어, 사용자의 전문 분야, 응모 이력, 수상 이력, 조회 기록, 검색기록, 기타 사용 이력, 개인 정보 등을 포함할 수 있다. 공모전 속성은 공모전의 카테고리, 주최기관, 응모대상, 상금 등의 리워드 등을 포함할 수 있다.
공모전 관련도 매트릭스의 사용자와 공모전 간의 관련도는 응모자 속성과 공모전 속성 사이의 점수를 계산하기 위한 가중치에 따라 결정될 수 있다. 응모자의 속성 혹은 기록 중 공모전의 속성과 매칭되는 속성은 높은 가중치를 가질 수 있으며, 두 속성의 중요도에 따라 가중치는 상이하게 설정될 수 있다. 공모전 관련도 매트릭스는 응모자와 공모전 사이의 상관 관계를 점수화하여 협업 필터링을 통해 사용자에게 공모전을 추천할 수 있는 기반으로 활용될 수 있다.
공모전 추천부(130)는 속성 벡터 생성부(132), 유사도 산출부(134), 관련도 산출부(136) 및 추천 공모전 선정부(138)를 포함할 수 있다. 속성 벡터 생성부(132)는 공모전 관련도 매트릭스를 기반으로, 복수의 사용자 별로 다수의 공모전과 관련된 사용자 속성 벡터를 생성하거나 다수의 공모전 별로 복수의 사용자와 관련된 공모전 속성 벡터를 생성한다.
유사도 산출부(134)는 복수의 사용자의 복수의 사용자 속성 벡터 간의 제1 유사도를 산출하거나, 다수의 공모전의 다수의 공모전 속성 벡터 간의 제2 유사도를 산출한다.
관련도 산출부(136)는 유사도 산출부(134)에 의해 산출된 복수의 사용자 속성 벡터 간의 제1 유사도 또는 다수의 공모전 속성 벡터 간의 제2 유사도를 기반으로, 공모전 관련도 매트릭스 중 공모전과 사용자 간의 관련도가 존재하지 않는 예측 대상 항목에 대한 관련도를 산출한다.
추천 공모전 선정부(138)는 예측 대상 항목에 대해 산출된 관련도를 기반으로 사용자 별로 추천 공모전을 선정한다.
도 2는 본 발명의 실시예에 따른 사용자 활동이력 기반 협업 필터링을 통한 공모전 추천 방법의 순서도이다. 도 1 및 도 2를 참조하면, 사용자 활동 이력 수집부(110)는 사용자의 공모전과 관련한 다양한 활동 이력(예를 들어, 사용자의 공모전에 대한 검색 이력, 응모 이력, 공모전 수상 내역, 공모전에 대한 평점 등)을 수집하고, 사용자의 다양한 활동 이력에 각각 가중치를 적용하여 사용자의 공모전과 관련된 속성 정보를 생성한다(S110).
공모전 관련도 매트릭스 생성부(120)는 공모전과 관련된 사용자의 속성 정보를 기반으로 다수의 공모전과 복수의 사용자 간의 관련도를 나타내는 공모전 관련도 매트릭스를 생성한다(S120).
공모전 추천부(130)는 복수의 사용자 간의 유사도 및 다수의 공모전 간의 유사도 중 적어도 하나와, 공모전 관련도 매트릭스를 기반으로, 사용자 별로 하나 이상의 공모전을 추천한다(S130).
가중치 보정부(150)는 피드백 입력부(140)를 통해 추천 공모전과 관련된 사용자의 피드백 데이터를 입력받고, 피드백 데이터를 기반으로 사용자의 다양한 활동 이력의 가중치를 보정한다(S140).
공모전 추천부(130)는 필요에 따라 지정된 기간의 데이터만 사용하여 공모전을 추천할 수 있다. 즉, 데이터 축적 기간이 길어짐으로 인해 오래된 데이터가 주는 영향을 제거함으로써, 공모전 추천 정확도를 높일 수 있다. 공모전 추천에 잘못된 영향을 주는 기간이 존재하는 경우(예를 들어, 질병, 재난 등과 같은 특별한 이슈가 있는 시기)에 해당 기간 동안 수집된 데이터를 배제하여 공모전 추천 오류를 줄일 수 있다.
공모전 추천부(130)는 정규화(normalization)와 평탄화(smoothing)에 의해 공모전 관련도 매트릭스의 관련도 스코어를 정규화 및 평탄화함으로써, 공모전 추천의 오류를 줄일 수 있다. 공모전 관련도 매트릭스의 관련도 스코어링을 하였을 때 데이터가 가지는 스케일 차이가 크게 나는 경우, 특정 공모전으로 추천이 집중되는 등의 문제가 발생할 수 있다. 이러한 경우, 데이터 정규화를 통해 공모전 별 또는 사용자 별로 정규화를 수행할 수 있다.
또한, 공모전 추천부(130)는 데이터 평탄화를 통해 공모전 추천을 위한 데이터의 정확성, 일관성, 단순성, 비 중복성, 안정성을 확보하여, 의도치 않은 노이즈 발생을 줄이고 노이즈로 인해 전체적인 공모전 추천 성능에 영향을 미칠 가능성을 줄일 수 있다.
도 3은 도 2의 단계 S130의 일 실시예를 나타낸 순서도이다. 도 4는 도 3의 실시예를 설명하기 위한 예시도이다. 도 1 내지 도 4를 참조하면, 속성 벡터 생성부(132)는 공모전 관련도 매트릭스를 기반으로, 복수의 사용자 별로 다수의 공모전과 관련된 사용자 속성 벡터를 생성한다(S132).
도 4에 도시된 공모전 관련도 매트릭스에는 사용자 별로 공모전에 대한 관련도(스코어)가 나열되어 있다. 속성 벡터 생성부(132)는 공모전 관련도 매트릭스로부터 사용자 별로 N개(N은 공모전 개수)의 공모전들에 대한 관련도 성분들을 포함하는 K개(K는 사용자 수)의 사용자 속성 벡터(V1, V2, V3, ..., VK-1, VK)를 생성할 수 있다. 이에 따라, 사용자 속성 벡터(V1, V2, V3, ..., VK-1, VK)는 각각 N개(N은 공모전 개수)의 벡터 성분을 가질 수 있다.
유사도 산출부(134)는 복수의 사용자의 복수의 사용자 속성 벡터 간의 제1 유사도를 산출한다(S134). 복수의 사용자 속성 벡터 간의 제1 유사도는 예를 들어 코사인 유사도(Cosine Similarity), 유클리디언 거리(Euclidean Distance), 맨해튼 거리(Manhattan Distance), 민코스키 거리(Minkowski Distance) 등을 기반으로 산출될 수 있으나, 이에 제한되는 것은 아니다.
관련도 산출부(136)는 유사도 산출부(134)에 의해 산출된 복수의 사용자 속성 벡터 간의 제1 유사도를 기반으로, 공모전 관련도 매트릭스 중 공모전과 사용자 간의 관련도가 존재하지 않는 예측 대상 항목에 대한 관련도를 산출한다(S136).
추천 공모전 선정부(138)는 예측 대상 항목에 대해 산출된 관련도를 기반으로 사용자 별로 추천 공모전을 선정한다(S138).
예를 들어, "사용자 2"과 "사용자 K-1" 간의 유사도가 높은 경우, 즉 "사용자 2"의 사용자 속성 벡터(V2)와 "사용자 K-1"의 사용자 속성 벡터(VK-1) 간의 유사도가 높은 경우, "사용자 K-1"의 "공모전 1"(10)에 대한 관련도 "5"는 "사용자 2"의 예측 대상 항목(20)에 대한 관련도 예측시 높은 비율로 반영될 수 있다.
다른 예로, "사용자 1"과 "사용자 2" 간의 유사도가 낮은 경우, 즉 "사용자 1"의 사용자 속성 벡터(V1)와 "사용자 2"의 사용자 속성 벡터(V2) 간의 유사도가 낮은 경우, "사용자 1"의 "공모전 1"(10)에 대한 관련도 "2"는 "사용자 2"에 대한 예측 대상 항목(20)의 관련도 예측시 낮은 비율로 반영되거나 아예 반영되지 않을 수 있다.
도 5는 도 2의 단계 S130의 다른 실시예를 나타낸 순서도이다. 도 6은 도 5의 실시예를 설명하기 위한 예시도이다. 도 1, 도 2, 도 5 및 도 6을 참조하면, 속성 벡터 생성부(132)는 공모전 관련도 매트릭스를 기반으로, 다수의 공모전 별로 복수의 사용자와 관련된 공모전 속성 벡터를 생성한다(S142). 도 6에 도시된 공모전 관련도 매트릭스에는 사용자 별로 공모전에 대한 관련도가 나열되어 있다.
속성 벡터 생성부(132)는 공모전 관련도 매트릭스로부터, 공모전 별로 공모전에 대한 K개(K는 사용자 수)의 관련도 성분들을 포함하는 N개(N은 공모전 개수)의 공모전 속성 벡터(VG1, VG2, VG3, VG4, ..., VGN)를 생성할 수 있다. 이에 따라, 공모전 속성 벡터(VG1, VG2, VG3, VG4, ..., VGN)는 각각 K개(K는 사용자 수)의 벡터 성분을 가질 수 있다.
유사도 산출부(134)는 다수의 공모전의 다수의 공모전 속성 벡터 간의 제2 유사도를 산출한다(S144). 다수의 공모전 속성 벡터 간의 제2 유사도는 예를 들어 코사인 유사도(Cosine Similarity), 유클리디언 거리(Euclidean Distance), 맨해튼 거리(Manhattan Distance), 민코스키 거리(Minkowski Distance) 등을 기반으로 산출될 수 있으나, 이에 제한되는 것은 아니다.
관련도 산출부(136)는 유사도 산출부(134)에 의해 산출된 다수의 공모전 속성 벡터 간의 제2 유사도를 기반으로, 공모전 관련도 매트릭스 중 공모전과 사용자 간의 관련도가 존재하지 않는 예측 대상 항목에 대한 관련도를 산출한다(S146).
추천 공모전 선정부(138)는 예측 대상 항목에 대해 산출된 관련도를 기반으로 사용자 별로 추천 공모전을 선정한다(S148).
예를 들어, "공모전 1"과 "공모전 N" 간의 유사도가 높은 경우, 즉 "공모전 1"의 공모전 속성 벡터(VG1)와 "공모전 N"의 공모전 속성 벡터(VGN) 간의 유사도가 높은 경우, "사용자 K-1"과 "공모전 N" 간의 관련도 "5"는 예측 대상 항목(20)인 "사용자 2"의 "공모전 1"에 대한 관련도 예측시 높은 비율로 반영될 수 있다.
다른 예로, "공모전 1"과 "공모전 3" 간의 유사도가 낮은 경우, 즉 "공모전 1"의 공모전 속성 벡터(VG1)와 "공모전 3"의 공모전 속성 벡터(VG3) 간의 유사도가 낮은 경우, "사용자 1"과 "공모전 1" 간의 관련도 "2"는 예측 대상 항목(20)인 "사용자 2"의 "공모전 1"에 대한 관련도 예측시 낮은 비율로 반영되거나 아예 반영되지 않을 수 있다.
도 7은 본 발명의 다른 실시예에 따른 사용자 활동이력 기반 협업 필터링을 통한 공모전 추천 방법의 순서도이다. 도 1 및 도 7을 참조하면, 공모전 관련도 매트릭스 생성부(120)는 공모전의 응모 시기에 따라 가중치를 조절하여 공모전 관련도 매트릭스를 생성할 수 있다(S152).
유사도 산출부(134)는 사용자 별 공모전 응모 순서의 관련도를 고려하여 복수의 사용자 속성 벡터 간의 제1 유사도를 보정할 수 있다(S154). 관련도 산출부(136)는 공모전 응모 순서에 따라 보정된 제1 유사도를 기반으로 공모전 관련도 매트릭스의 예측 대상 항목에 대한 관련도를 산출할 수 있다(S156). 추천 공모전 선정부(138)는 예측 대상 항목에 대해 산출된 관련도를 기반으로 사용자 별로 추천 공모전을 선정할 수 있다(S158).
예를 들어, 과거에 공모전 A -> 공모전 B 순으로 공모전에 응모한 사용자 A와, 공모전 B -> 공모전 A -> 공모전 C 순으로 공모전에 응모한 사용자 B와, 공모전 A -> 공모전 B -> 공모전 D 순으로 공모전에 응모한 사용자 C가 있는 경우, 사용자 A는 공모전 응모 순서가 유사한 사용자 C와 유사도가 높으므로, 사용자 B가 응모한 공모전 C 보다 사용자 C가 응모한 공모전 D를 보다 높은 우선 순위로 사용자 A에게 추천할 수 있다.
이와 같이, 사용자 별 공모전 응모 순서의 관련도를 고려하여 사용자 간의 유사도를 산출하여 사용자에게 공모전을 추천함으로써, 공모전 추천 정확도를 높일 수 있으며, 특히 다양한 분야의 숙련도를 필요로 하는 융복합 분야에서 사용자에게 보다 적합한 공모전을 추천할 수 있다.
상술한 실시예에서는 각 사용자와, 각 공모전 간의 관련도를 나타내는 공모전 관련도 매트릭스를 이용하여 각 사용자에게 공모전을 추천하는 예가 설명되었으며, 군집화(Clustering) 알고리즘에 의해 사용자 및/또는 공모전을 속성을 기준으로 그룹 별로 분류하여, 사용자 그룹 단위 및/또는 공모전 그룹 단위의 공모전 관련도 매트릭스를 생성하여 이를 기반으로 사용자 그룹에 대해 공모전을 추천할 수도 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(Arithmetic Logic Unit), 디지털 신호 프로세서(Digital Signal Processor), 마이크로컴퓨터, FPGA(Field Programmable Gate Array), PLU(Programmable Logic Unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다.
처리 장치는 운영 체제 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술 분야에서 통상의 지식을 가진 자는 처리 장치가 복수 개의 처리 요소(Processing Element) 및/또는 복수 유형의 처리요소를 포함할 수 있음을 이해할 것이다.
예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(Parallel Processor) 와 같은, 다른 처리 구성(Processing configuration)도 가능하다. 소프트웨어는 컴퓨터 프로그램(Computer Program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다.
소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody) 될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 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), CDROM, DVD와 같은 광기록 매체(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 청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.
100: 사용자 활동이력 기반 협업 필터링을 통한 공모전 추천 시스템
110: 사용자 활동 이력 수집부
120: 공모전 관련도 매트릭스 생성부
130: 공모전 추천부
132: 속성 벡터 생성부
134: 유사도 산출부
136: 관련도 산출부
138: 추천 공모전 선정부
140: 피드백 입력부
150: 가중치 보정부

Claims (11)

  1. 공모전과 관련된 사용자의 속성 정보를 기반으로 다수의 공모전과 복수의 사용자 간의 관련도를 나타내는 공모전 관련도 매트릭스를 생성하는 공모전 관련도 매트릭스 생성부; 및
    상기 복수의 사용자 간의 유사도 및 상기 다수의 공모전 간의 유사도 중 적어도 하나와, 상기 공모전 관련도 매트릭스를 기반으로, 사용자 별로 공모전을 추천하는 공모전 추천부를 포함하고,
    상기 공모전 추천부는,
    상기 공모전 관련도 매트릭스를 기반으로, 상기 복수의 사용자 별로 상기 다수의 공모전과 관련된 사용자 속성 벡터를 생성하거나 상기 다수의 공모전 별로 상기 복수의 사용자와 관련된 공모전 속성 벡터를 생성하는 속성 벡터 생성부;
    상기 복수의 사용자의 복수의 사용자 속성 벡터 간의 제1 유사도를 산출하거나, 상기 다수의 공모전의 복수의 공모전 속성 벡터 간의 제2 유사도를 산출하는 유사도 산출부;
    상기 제1 유사도 또는 상기 제2 유사도를 기반으로, 상기 공모전 관련도 매트릭스 중 공모전과 사용자 간의 관련도가 존재하지 않는 예측 대상 항목에 대한 관련도를 산출하는 관련도 산출부; 및
    상기 예측 대상 항목에 대해 산출된 관련도를 기반으로 사용자 별로 추천 공모전을 선정하는 추천 공모전 선정부;
    상기 사용자의 공모전과 관련한 다양한 활동 이력을 수집하고, 상기 사용자의 다양한 활동 이력에 각각 가중치를 적용하여 상기 사용자의 속성 정보를 생성하는 사용자 활동 이력 수집부를 포함하고,
    상기 사용자의 다양한 활동 이력은 상기 사용자의 공모전에 대한 검색 이력, 응모 이력, 공모전 수상 내역 및 상기 공모전에 대한 평점을 포함하고,
    상기 공모전 관련도 매트릭스 생성부는 상기 공모전의 응모 시기에 따라 상기 가중치를 조절하여 상기 공모전 관련도 매트릭스를 생성하고,
    상기 유사도 산출부는 상기 사용자 별 공모전 응모 순서의 관련도를 고려하여 상기 제1 유사도를 보정하고,
    상기 관련도 산출부는 상기 공모전 응모 순서에 따라 보정된 제1 유사도를 기반으로 상기 관련도를 산출하는, 사용자 활동이력 기반 협업 필터링을 통한 공모전 추천 시스템.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 제1항에 있어서,
    상기 추천 공모전과 관련된 상기 사용자의 피드백 데이터를 기반으로 상기 사용자의 다양한 활동 이력의 가중치를 보정하는 가중치 보정부를 더 포함하는, 사용자 활동이력 기반 협업 필터링을 통한 공모전 추천 시스템.
  6. 공모전 관련도 매트릭스 생성부에 의해, 공모전과 관련된 사용자의 속성 정보를 기반으로 다수의 공모전과 복수의 사용자 간의 관련도를 나타내는 공모전 관련도 매트릭스를 생성하는 단계; 및
    공모전 추천부에 의해, 상기 복수의 사용자 간의 유사도 및 상기 다수의 공모전 간의 유사도 중 적어도 하나와, 상기 공모전 관련도 매트릭스를 기반으로, 사용자 별로 공모전을 추천하는 단계를 포함하고,
    상기 공모전을 추천하는 단계는,
    상기 공모전 관련도 매트릭스를 기반으로, 상기 복수의 사용자 별로 상기 다수의 공모전과 관련된 사용자 속성 벡터를 생성하거나 상기 다수의 공모전 별로 상기 복수의 사용자와 관련된 공모전 속성 벡터를 생성하는 단계;
    상기 복수의 사용자의 복수의 사용자 속성 벡터 간의 제1 유사도를 산출하거나, 상기 다수의 공모전의 다수의 공모전 속성 벡터 간의 제2 유사도를 산출하는 단계;
    상기 제1 유사도 또는 상기 제2 유사도를 기반으로, 상기 공모전 관련도 매트릭스 중 공모전과 사용자 간의 관련도가 존재하지 않는 예측 대상 항목에 대한 관련도를 산출하는 단계; 및
    상기 예측 대상 항목에 대해 산출된 관련도를 기반으로 사용자 별로 추천 공모전을 선정하는 단계를 포함하고,
    상기 공모전 관련도 매트릭스를 생성하는 단계는,
    상기 사용자의 공모전과 관련한 검색 이력, 응모 이력, 공모전 수상 내역 및 상기 공모전에 대한 평점을 포함하는 다양한 활동 이력을 수집하는 단계;
    상기 사용자의 다양한 활동 이력에 각각 가중치를 적용하여 상기 사용자의 속성 정보를 생성하는 단계; 및
    상기 사용자의 속성 정보를 기반으로 상기 공모전 관련도 매트릭스를 생성하는 단계를 포함하고,
    상기 공모전 관련도 매트릭스를 생성하는 단계는 상기 공모전의 응모 시기에 따라 상기 가중치를 조절하여 상기 공모전 관련도 매트릭스를 생성하고,
    상기 사용자 별 공모전 응모 순서의 관련도를 고려하여 상기 복수의 사용자 속성 벡터 간의 제1 유사도를 보정하는 단계를 더 포함하고,
    상기 관련도를 산출하는 단계는 상기 공모전 응모 순서에 따라 보정된 제1 유사도를 기반으로 상기 관련도를 산출하는, 사용자 활동이력 기반 협업 필터링을 통한 공모전 추천 방법.
  7. 삭제
  8. 삭제
  9. 삭제
  10. 제6항에 있어서,
    상기 추천 공모전과 관련된 상기 사용자의 피드백 데이터를 기반으로 상기 사용자의 다양한 활동 이력의 가중치를 보정하여 상기 공모전 관련도 매트릭스 생성부를 갱신하는 단계를 더 포함하는, 사용자 활동이력 기반 협업 필터링을 통한 공모전 추천 방법.
  11. 제6항 및 제10항 중 어느 한 항의 사용자 활동이력 기반 협업 필터링을 통한 공모전 추천 방법을 실행하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.
KR1020200037976A 2020-03-30 2020-03-30 사용자 활동이력 기반 협업 필터링을 통한 공모전 추천 시스템 및 방법 KR102180271B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200037976A KR102180271B1 (ko) 2020-03-30 2020-03-30 사용자 활동이력 기반 협업 필터링을 통한 공모전 추천 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200037976A KR102180271B1 (ko) 2020-03-30 2020-03-30 사용자 활동이력 기반 협업 필터링을 통한 공모전 추천 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR102180271B1 true KR102180271B1 (ko) 2020-11-18

Family

ID=73697877

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200037976A KR102180271B1 (ko) 2020-03-30 2020-03-30 사용자 활동이력 기반 협업 필터링을 통한 공모전 추천 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102180271B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102280462B1 (ko) * 2020-12-16 2021-07-22 주식회사 한컴로보틱스 사용자에게 맞춤형 복합 정보를 제공하는 홈 로봇 장치 및 그 동작 방법
CN116821486A (zh) * 2023-06-18 2023-09-29 深圳悦智网络科技有限公司 基于大数据的劝募人匹配方法、装置、计算机设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150105830A (ko) * 2014-03-10 2015-09-18 단국대학교 산학협력단 사용자 프로파일과 상황 정보를 이용한 선호도 기반 하이브리드 필터링 콘텐츠 추천 장치 및 방법
KR101846122B1 (ko) * 2017-05-15 2018-04-05 주식회사 케이콘테스트 빅데이터 분석을 활용한 공모전 관리 시스템
KR20190081716A (ko) * 2017-12-29 2019-07-09 민상기 대외활동 추천 시스템
KR20190119743A (ko) * 2018-04-13 2019-10-23 (주)스마일게이트스토브 컨텐츠 정보 제공 장치 및 그 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150105830A (ko) * 2014-03-10 2015-09-18 단국대학교 산학협력단 사용자 프로파일과 상황 정보를 이용한 선호도 기반 하이브리드 필터링 콘텐츠 추천 장치 및 방법
KR101846122B1 (ko) * 2017-05-15 2018-04-05 주식회사 케이콘테스트 빅데이터 분석을 활용한 공모전 관리 시스템
KR20190081716A (ko) * 2017-12-29 2019-07-09 민상기 대외활동 추천 시스템
KR20190119743A (ko) * 2018-04-13 2019-10-23 (주)스마일게이트스토브 컨텐츠 정보 제공 장치 및 그 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102280462B1 (ko) * 2020-12-16 2021-07-22 주식회사 한컴로보틱스 사용자에게 맞춤형 복합 정보를 제공하는 홈 로봇 장치 및 그 동작 방법
CN116821486A (zh) * 2023-06-18 2023-09-29 深圳悦智网络科技有限公司 基于大数据的劝募人匹配方法、装置、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
US20230191229A1 (en) Method and System for Interactive, Interpretable, and Improved Match and Player Performance Predictions in Team Sports
US6763338B2 (en) Machine decisions based on preferential voting techniques
US7967731B2 (en) System and method for motivating users to improve their wellness
US20200027539A1 (en) Systems and Methods for Predicting Medications to Prescribe to a Patient Based on Machine Learning
KR102180271B1 (ko) 사용자 활동이력 기반 협업 필터링을 통한 공모전 추천 시스템 및 방법
Jain et al. A two-phase hybrid approach using feature selection and adaptive SVM for chronic disease classification
Ruiz et al. A generative model for predicting outcomes in college basketball
CN113407759A (zh) 一种基于自适应特征融合的多模态实体对齐方法
KR102203253B1 (ko) 생성적 적대 신경망에 기반한 평점 증강 및 아이템 추천 방법 및 시스템
US20190012573A1 (en) Co-clustering system, method and program
KR20210035871A (ko) 게임내 자원 서페이싱 플랫폼
Cruz et al. Pay-as-you-go multi-user feedback model for ontology matching
US11874843B1 (en) Apparatus and methods for tracking progression of measured phenomena
JP2023052555A (ja) 対話型機械学習
Dallmann et al. Sequential item recommendation in the moba game dota 2
Ren et al. Predicting football match outcomes with explainable machine learning and the kelly index
Davami et al. Improving the performance of mobile phone crowdsourcing applications
KR20200072391A (ko) 게임 지표 정보 예측 방법 및 장치
JP2005222445A (ja) データマイニングにおける情報処理方法及び解析装置
CN113190763B (zh) 一种信息推荐方法及系统
US11494732B2 (en) Need-based inventory
US9466031B1 (en) Data-agnostic methods and systems for ranking and updating beliefs
Davis et al. Methodology and evaluation in sports analytics: Challenges, approaches, and lessons learned
Wang et al. Would You Like Your Data to Be Trained? A User Controllable Recommendation Framework
KR20200120120A (ko) 게임 이벤트 가이드를 위한 방법 및 장치

Legal Events

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