KR102192863B1 - 정보 권고 방법 및 장치 - Google Patents

정보 권고 방법 및 장치 Download PDF

Info

Publication number
KR102192863B1
KR102192863B1 KR1020187017994A KR20187017994A KR102192863B1 KR 102192863 B1 KR102192863 B1 KR 102192863B1 KR 1020187017994 A KR1020187017994 A KR 1020187017994A KR 20187017994 A KR20187017994 A KR 20187017994A KR 102192863 B1 KR102192863 B1 KR 102192863B1
Authority
KR
South Korea
Prior art keywords
recommendation
information
list
weighting factor
user
Prior art date
Application number
KR1020187017994A
Other languages
English (en)
Other versions
KR20180097587A (ko
Inventor
동 시에
Original Assignee
어드밴스드 뉴 테크놀로지스 씨오., 엘티디.
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 어드밴스드 뉴 테크놀로지스 씨오., 엘티디. filed Critical 어드밴스드 뉴 테크놀로지스 씨오., 엘티디.
Publication of KR20180097587A publication Critical patent/KR20180097587A/ko
Application granted granted Critical
Publication of KR102192863B1 publication Critical patent/KR102192863B1/ko

Links

Images

Classifications

    • 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
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
    • G06F16/43—Querying
    • G06F16/435—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
    • G06F16/63—Querying
    • G06F16/635—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Transfer Between Computers (AREA)
  • Telephonic Communication Services (AREA)

Abstract

본 발명의 구현은 정보 추천 방법 및 장치를 제공한다. 방법에서, 사용자의 이력 행동 정보에 기초하여 상이한 추천 알고리즘들을 통해 복수의 추천 정보 세트가 결정된다. 각각의 추천 정보 세트에 대응하는 가중 계수에 기초하여 추천 리스트가 결정된다. 추천 리스트가 미리 결정된 추천 조건을 충족하지 않는 경우, 추천 리스트에 대응하는 각각의 추천 정보 세트의 가중 계수가 조정되고, 획득된 추천 리스트가 미리 결정된 추천 조건을 충족할 때까지 조정된 추천 리스트가 획득된다. 그 다음, 추천 리스트에서의 정보가 사용자에게 추천된다. 정보 추천 방법에서, 각각의 추천 정보 세트의 가중 계수는 수동으로 설정될 필요가 없고, 사용자의 요구를 충족하는 추천 리스트를 획득하도록 사용자의 이력 행동 데이터에 기초하여 자동으로 조정될 수 있다. 따라서, 추천 리스트의 정확도가 개선될 수 있으며, 그리하여 사용자는 관련 정보를 검색하는 데에 많은 시간을 소비하지 않아도 된다. 또한, 네트워크 자원이 절약될 수 있고, 서버 부담이 완화될 수 있다.

Description

정보 추천 방법 및 장치
본 발명은, 2015년 11월 25일 발명되어 발명의 명칭이 “INFORMATION RECOMMENDATION METHOD AND APPARATUS”인 중국 특허 출원 번호 제201510831206.3호의 우선권을 주장하며, 이는 그 전체가 참조에 의해 여기에 포함된다.
기술분야
본 발명은 정보 기술 분야에 관한 것으로, 보다 상세하게는 하이브리드(hybrid) 추천 방법 및 장치에 관한 것이다.
정보 사회의 발전으로, 사람들은 온라인 쇼핑, 온라인 뱅킹, 및 인스턴트 메시징과 같은 사회 활동을 위해 인터넷을 사용하는 것에 익숙하다. 웹사이트 브라우징의 사용자 경험을 개선하고 사용자가 브라우징하기를 원하는 콘텐츠를 빠르게 찾을 수 있도록, 온라인 서비스 프로바이더는 보통 사용자 행동 데이터(user behavioral data)에 기초하여 웹사이트 상에 추천 정보를 제공한다. 예를 들어, 음악 웹사이트는 사용자에게 노래를 추천할 수 있고, 소셜 네트워킹 웹사이트는 사용자에게 친구를 추천할 수 있다.
정보를 추천하기 위한 추천 리스트는 보통 추천 알고리즘에 기초하여 계산된다. 일반적으로 2가지 유형의 추천 알고리즘이 있다: 정보 콘텐츠에 기초한 추천 및 사용자 행동에 기초한 추천. 전자는 사용자 행동 데이터 없이 바로 추천 리스트를 계산할 수 있다. 그러나, 추천 리스트에서의 추천 결과는 사용자 선호도에 맞춰질 수가 없으며, 낮은 정확도를 갖는다. 후자는 상대적으로 정확한 추천 리스트를 계산할 수 있지만, 정확도가 사용자 행동 데이터의 양에 따라 좌우되기 때문에 한정된다. 종래에는, 2가지 유형의 추천 알고리즘의 단점에 대처하기 위하여, 복수의 추천 알고리즘들의 결과들이 보통 하이브리드 추천 리스트를 계산하도록 조합된다. 가중 계수(weight coefficient) 기반의 하이브리드 추천 방법은, 조합 용이성, 추천 알고리즘을 조합하는 것의 편의성, 및 높은 융통성과 같은 이점 때문에 가장 일반적으로 사용되는 것이다.
그러나, 가중 계수 기반의 하이브리드 추천 방법을 사용함으로써 획득된 추천 리스트가 사용자 선호도를 충족시키는지의 여부, 즉 추천 리스트에서의 추천 결과가 사용자의 요구를 충족시키는지의 여부는 가중된 하이브리드 추천에 사용된 가중 계수에 따라 좌우된다. 종래에는, 가중 계수 기반의 하이브리드 추천에 사용되는 가중 계수가 보통 관찰 또는 경험적(heuristic) 경험에 기초하여 설정 및 조정된다.
관찰 또는 경험적 경험에 기초하여 가중 계수를 설정 및 조정하는 것은 많은 시간 및 노동을 요한다. 게다가, 결과적인 추천 리스트의 정확도는 비교적 낮다. 또한, 사용자 선호도는 변할 수 있지만, 경험적 경험에 기초하여 설정되는 가중 계수는 비교적 긴 시간 동안 변경되지 않을 수 있다. 사용자 선호도가 변할 때, 기존의 방법은 그에 따라 시기적절한 조정을 제공할 수 없었다. 따라서, 가중 계수 기반의 하이브리드 추천 방법을 사용하여 획득된 추천 리스트는 사용자의 요구를 충족시키는 것이 어려울 수 있다. 이에 대응하여, 사용자는 정보를 찾기 위해 검색하는 데에 많은 시간을 소비해야 할 수 있으며, 이는 네트워크 자원을 소비하고 서버 부담을 증가시킨다.
본 발명의 구현은, 수동으로 설정된 가중 계수에 의해 획득된 추천 리스트가 사용자의 요구를 충족시키지 않을 때 사용자가 유용한 정보를 검색하는 데에 많은 시간을 소비해야 하기 때문에 높은 네트워크 자원 소비 및 서버 부담의 기존의 문제점을 해결하기 위한 정보 추천 방법 및 장치를 제공한다.
본 발명의 구현은, 정보 추천 방법에 있어서, 사용자의 이력 행동 정보(historical behavioral information)를 결정하는 단계; 상기 이력 행동 정보에 기초하여 복수의 추천 정보 세트를 결정하는 단계; 각각의 추천 정보 세트에 대하여 미리 결정된 가중 계수(weight coefficient)에 기초하여 추천 리스트를 결정하는 단계; 상기 추천 리스트가 미리 결정된 추천 조건을 충족하는지 여부를 결정하는 단계; 및 상기 추천 리스트가 상기 조건을 충족하는 경우, 상기 추천 리스트에 포함된 정보를 사용자에게 추천하는 단계, 아니면 상기 추천 리스트가 상기 조건을 충족하지 않는 경우, 각각의 추천 정보 세트의 가중 계수를 조정하고, 상기 결정된 추천 리스트가 상기 추천 조건을 충족할 때까지 상기 조정된 가중 계수에 기초하여 새로운 추천 리스트를 결정하고, 상기 추천 리스트에 포함된 정보를 사용자에게 추천하는 단계를 포함하는 정보 추천 방법을 제공한다.
본 발명의 구현은, 정보 추천 장치에 있어서, 사용자의 이력 행동 정보를 결정하도록 구성된 행동 결정 모듈; 상기 이력 행동 정보에 기초하여 복수의 추천 정보 세트를 결정하도록 구성된 정보 세트 결정 모듈; 각각의 추천 정보 세트에 대하여 미리 결정된 가중 계수에 기초하여 추천 리스트를 결정하도록 구성된 조합 모듈; 및 결정 및 추천 모듈을 포함하고, 상기 결정 및 추천 모듈은, 상기 추천 리스트가 미리 결정된 추천 조건을 충족하는지 여부를 결정하고, 상기 추천 리스트가 상기 조건을 충족하는 경우, 상기 추천 리스트에 포함된 정보를 사용자에게 추천하고, 아니면 상기 추천 리스트가 상기 조건을 충족하지 않는 경우, 각각의 추천 정보 세트의 가중 계수를 조정하고, 상기 조합 모듈에 의해 결정된 추천 리스트가 상기 추천 조건을 충족할 때까지 상기 조정된 가중 계수에 기초하여 새로운 추천 리스트를 결정하도록 상기 조합 모듈에 명령하고, 상기 추천 리스트에 포함된 정보를 사용자에게 추천하도록 구성되는 것인 정보 추천 장치를 제공한다.
본 발명의 구현은 정보 추천 방법 및 장치를 제공한다. 방법에서, 사용자의 이력 행동 정보에 기초하여 상이한 추천 알고리즘들을 통해 복수의 추천 정보 세트가 결정된다. 각각의 추천 정보 세트에 대응하는 가중 계수에 기초하여 추천 리스트가 결정된다. 추천 리스트가 미리 결정된 추천 조건을 충족하지 않는 경우, 추천 리스트에 대응하는 각각의 추천 정보 세트의 가중 계수가 조정되고, 획득된 추천 리스트가 미리 결정된 추천 조건을 충족할 때까지 조정된 추천 리스트가 획득된다. 그 다음, 추천 리스트에서의 정보가 사용자에게 추천된다. 정보 추천 방법에서, 각각의 추천 정보 세트의 가중 계수는 수동으로 설정될 필요가 없고, 사용자의 요구를 충족하는 추천 리스트를 획득하도록 사용자의 이력 행동 데이터에 기초하여 자동으로 조정될 수 있다. 따라서, 추천 리스트의 정확도가 개선될 수 있으며, 그리하여 사용자는 관련 정보를 검색하는 데에 많은 시간을 소비하지 않아도 된다. 또한, 네트워크 자원이 절약될 수 있고, 서버 부담이 완화될 수 있다.
여기에 기재된 첨부 도면은 본 발명의 부가의 이해를 제공하고자 하는 것이며, 본 출원의 일부를 구성한다. 본 발명의 예시적인 구현 및 구현의 설명은 본 발명을 기재하고자 하는 것이며, 본 발명에 대한 한정을 구성하지 않는다.
도 1은 본 발명의 구현에 따른 정보 추천 프로세스를 예시한다.
도 2는 본 발명의 구현에 따른 정보 추천 장치를 예시한 개략 구조도이다.
본 발명의 구현에서, 가중 계수 기반의 하이브리드 추천 방법이 여전히 추천 리스트를 획득하는 데에 사용된다. 가중 계수 기반의 하이브리드 추천 방법에서 각각의 추천 정보 세트의 가중 계수가 사용자의 이력 행동 정보에 기초하여 최적화 알고리즘을 통해 반복적으로 결정될 수 있고, 경험적 경험에 기초하여 결정될 필요가 없다. 그리하여, 획득된 추천 리스트는 비교적 정확하고, 사용자는 관련 정보를 검색하는 데에 추가적인 시간을 소비하지 않아도 되며, 이는 이어서 네트워크 자원을 절약하고 서버 부담을 완화시킨다.
본 발명의 목적, 기술적 해결책, 및 이점을 예시하기 위해, 다음은 본 발명의 구현 및 대응하는 첨부 도면을 참조하여 본 발명의 기술적 해결책을 명확하고 완전하게 설명한다. 명백하게, 기재된 구현은 본 발명의 구현 전부가 아니라 일부일 뿐이다. 창조적 노력을 들이지 않고서 본 발명의 구현에 기초하여 당해 기술 분야에서의 통상의 지식을 가진 자에 의해 획득되는 모든 다른 구현은 본 발명의 보호 범위 내에 속할 것이다.
도 1은 본 발명의 구현에 따른 정보 추천 프로세스를 예시한다. 프로세스는 다음 단계들을 포함한다:
S101: 사용자의 이력 행동 정보를 결정한다.
본 발명의 이 구현에서, 서버는 네트워크 자원을 절약하고 서버 부담을 완화시키기 위하여 사용자의 행동 습관에 보다 잘 부합하는 더 정확한 정보를 사용자에게 추천하여야 한다. 따라서, 서버는 사용자의 선호도 또는 요구와 같은 적어도 관련 정보를 결정하고 관련 정보에 기초하여 사용자에게 정보를 선택적으로 추천하여야 한다. 이러한 관련 정보는 사용자의 행동과 연관될 수 있기 때문에, 웹사이트는 사용자의 이력 행동 정보에 기초하여 추천 정보를 선택할 수 있다.
본 발명의 구현의 단계 S101에서, 서버는 먼저 사용자의 이력 행동 정보를 결정한다. 사용자의 이력 행동 정보는 서버 상의 사용자의 이력 행동에 대응하는 정보, 예를 들어 사용자가 브라우징한 콘텐츠 및 속성, 사용자가 검색한 정보의 콘텐츠 및 속성, 및 사용자가 팔로우하거나 수집한 정보의 콘텐츠 및 속성일 수 있다. 이러한 정보는 사용자의 선호도, 요구 등과 관련된다는 것을 알 수 있다. 서버는 미리 결정된 기간 내의 사용자의 이력 데이터를 결정할 수 있다. 기간은 요구에 기초하여 결정될 수 있다. 예를 들어, 이력 기간은 과거 3달로서 설정될 수 있다.
S102: 이력 행동 정보에 기초하여 복수의 추천 정보 세트를 결정한다.
본 발명의 이 구현에서, 서버는 사용자에게 추천될 최종 추천 리스트를 결정하기 위해 가중 계수 기반의 하이브리드 추천 방법을 사용한다. 따라서, 단계 S101에서 사용자의 이력 행동 정보를 결정한 후에, 서버는 이력 행동 정보에 기초하여 복수의 추천 정보 세트를 결정하도록 상이한 추천 알고리즘들을 사용할 수 있으며, 그리하여 그 후에 추천 리스트를 획득하기 위해 추천 정보 세트에 대해 하이브리드 가중화(hybrid weighting)가 수행된다. 추천 알고리즘은, 협력(collaborative) 필터링 기반의 추천 알고리즘, 콘텐츠 기반의 추천 알고리즘, 연관 규칙 기반의 추천 알고리즘, 지식 기반의 추천 알고리즘 등일 수 있다. 추천 정보 세트를 결정하는 데에 사용되는 추천 알고리즘은 임의의 특정 구현에 대하여 한정되지 않는다.
상이한 추천 알고리즘들을 통해 획득된 추천 정보 세트에서 각각의 정보 피스(piece)에 대하여 상대적 추천 가중 계수가 획득될 수 있다는 것은 유의할 만하다. 즉, 각각의 추천 정보 세트에 대하여, 추천 정보 세트에 포함된 각각의 정보 피스는 추천 정보 세트에 대응하는 추천 가중 계수를 갖는다. 추천 정보 세트에 포함된 정보는 추천 정보 세트에 대응하는 동일한 추천 가중 계수 또는 상이한 추천 가중 계수를 가질 수 있다.
예를 들어, 사용자 I의 이력 행동 정보를 획득한 후에, 서버가 사용자 기반의 협력 필터링 추천 알고리즘 및 상품 기반의 협력 필터링 추천 알고리즘을 사용하여, 이력 행동 정보에 기초한 계산을 개별적으로 수행하는 경우, 서버는 2개의 추천 정보 세트, 즉 추천 세트 α 및 추천 세트 β를 결정할 수 있다. 2개의 추천 정보 세트가 상이한 추천 알고리즘을 통해 획득되기 때문에, 2개의 추천 정보 세트에 포함된 정보는 동일하지 않을 수 있다.
S103: 각각의 추천 정보 세트에 대하여 미리 결정된 가중 계수에 기초하여 추천 리스트를 결정한다.
각각의 추천 정보 세트가 단계 S102에서 결정되기 때문에, 본 발명에서, 추천 리스트는 각각의 추천 정보 세트에 대하여 미리 결정된 가중 계수에 기초하여 결정될 수 있다. 미리 결정된 가중 계수는 경험에 기초하여 미리 결정된 초기 가중 계수 또는 랜덤 함수에 기초하여 획득된 랜덤 초기 가중 계수일 수 있다. 미리 결정된 가중 계수는 초기 계수를 나타내고, 최종 추천 리스트를 획득하는 데에 사용된 가중 계수가 아닐 수 있다.
본 발명의 이 구현에서, 각각의 추천 정보 세트에 대하여 미리 결정된 가중 계수에 기초하여 추천 리스트를 결정하는 것이 아래에 기재될 수 있다.
먼저, 각각의 추천 정보 세트에 대하여, 추천 정보 세트의 가중 계수 및 추천 정보 세트에 대한 각각의 정보 피스의 추천 가중 계수에 기초하여, 추천 정보 세트에 포함된 각각의 정보 피스의 서브 가중 계수(sub-weight coefficient)가 결정될 수 있다. 여기에서, 추천된 정보 세트에 포함된 각각의 정보 피스는 추천 정보 세트에 대응하는 추천 가중 계수를 갖는다. 따라서, 본 발명에서 추천 정보 세트에 대한 각각의 정보 피스의 서브 가중 계수는, 추천 정보 세트에 대한 각각의 정보 피스의 추천 가중 계수와 추천 정보 세트의 가중 계수의 곱일 수 있다.
또한, 각각의 정보 피스에 대하여, 모든 추천 정보 세트에 대한 정보 피스의 서브 가중 계수의 합이 결정될 수 있고, 합은 특정 정보 피스의 총(total) 가중 계수로서 사용된다. 마지막으로, 각각의 정보 피스의 총 가중 계수에 기초하여 추천 리스트가 결정될 수 있다.
또한, 각각의 정보 피스의 총 가중 계수에 기초하여 추천 리스트를 결정하는 것은, 모든 정보 피스의 총 가중 계수의 내림차순에 기초하여 추천 리스트를 결정하는 것을 포함할 수 있다. 더 큰 총 가중 계수를 갖는 정보 피스가 사용자에게 우선적으로 추천될 수 있다. 추천 리스트가 각각의 정보 피스의 총 가중 계수에 기초하여 결정되기 때문에, 추천 리스트는 각각의 추천 정보 세트로부터의 정보를 포함할 수 있다. 추천 리스트가 많은 양의 정보를 포함할 때, 추천 리스트에서의 모든 정보가 사용자에게 추천된다면, 사용자가 추천 정보로부터 필요한 정보를 찾는 것은 어려울 수 있고, 사용자는 여전히 정보를 검색해야 한다. 따라서, 본 발명에서 제공되는 방법에서는, 모든 정보 중에 처음 몇몇 정보 피스에 의해 추천 리스트가 형성될 수 있다. 즉, 각각의 추천 정보 세트에 포함된 정보 피스는 그의 총 가중 계수에 기초하여 내림차순으로 정렬될 수 있다. 그 다음, 특정 수의 정보 피스가 추천 리스트를 형성하도록 순서에 따라 선택될 수 있다.
앞서 기재된 예에 이어서, 2개의 추천 정보 세트에 대하여 미리 결정된 가중 계수가 (0.4, 0.6)이라고 가정하자. 추천 정보 세트 α 및 추천 정보 세트 β에 대한 가중 계수는 각각 0.4 및 0.6이다. 표 1은 추천 정보 세트 α, 추천 정보 세트 β에 포함된 정보, 및 2개의 추천 정보 세트에 포함된 각각의 정보 피스의 추천 가중 계수를 열거한다.
추천 정보 세트 α에 포함된 정보 추천 정보 세트 α에서의 정보의 추천 가중 계수 추천 정보 세트 β에 포함된 정보 추천 정보 세트 β에서의 정보의 추천 가중 계수
상품 A 0.9 상품 M 0.8
상품 O 0.8 상품 A 0.6
상품 C 0.6 상품 O 0.5
상품 G 0.4 상품 G 0.3
상품 F 0.3 상품 T 0.2
표 1에서, 추천 정보 세트 α에서 상품 A의 추천 가중 계수는 0.9이고, 추천 정보 세트 β에서 상품 A의 추천 가중 계수는 0.6이고, 추천 정보 세트 α의 가중 계수는 0.4이고, 추천 정보 세트 β의 가중 계수는 0.6이다. 따라서, 추천 정보 세트 α에 대응하는 정보 피스의 서브 가중 계수는 0.36이고, 추천 정보 세트 β에 대응하는 정보 피스의 서브 가중 계수는 0.36이다. 이 경우에, 정보 피스의 총 가중 계수는 0.72이며, 즉 상품 A의 총 가중 계수는 0.72이다.
표 2는 상품에 대하여 결정된 총 가중 계수를 열거한다.
정보 총 가중 계수
상품 A 0.72
상품 O 0.62
상품 M 0.48
상품 G 0.34
상품 C 0.24
상품 T 0.12
상품 F 0.12
표 2에서, 상품들은 총 가중 계수에 기초하여 내림차순으로 정렬된다: 상품 A, 상품 O, 상품 M, 상품 G, 상품 C, 상품 T, 및 상품 F. 처음 5개의 정보 피스가 추천 리스트를 형성하도록 선택되는 경우, 최종 추천 리스트는 상품 A, 상품 O, 상품 M, 상품 G, 및 상품 C를 포함한다.
S104: 추천 리스트가 미리 결정된 추천 조건을 충족하는지 여부를 결정하고, 추천 리스트가 조건을 충족하는 경우 단계 S105로 진행하거나, 추천 리스트가 조건을 충족하지 않는 경우 단계 S106으로 진행한다.
본 발명의 이 구현에서, 단계 S101 내지 S103에서 추천 리스트가 결정된다. 그러나, 추천 리스트에서의 정보가 사용자의 기대를 만족시키는지 여부는 결정될 수 없다. 따라서, 본 발명에서 추천 리스트가 미리 결정된 추천 조건을 충족하는지의 여부가 더 결정되어야 할 필요가 있다. 상이한 후속 프로세싱 방법은 상이한 결정 결과에 기초하여 선택될 수 있다.
또한, 추천 정보 리스트에 포함된 정보가 사용자의 기대를 만족시키는지 여부는 사용자의 이력 행동 정보에 기초하여 결정되어야 한다. 따라서, 본 발명에서, 단계 S101에서 결정된 사용자의 이력 행동 정보에 기초하여 추천 리스트의 정확도가 결정될 수 있다. 또한, 추천 리스트의 정확도가 미리 결정된 임계값보다 더 큰지의 여부가 결정될 수 있다. 정확도가 임계값보다 더 큰 경우, 추천 리스트는 미리 결정된 추천 조건을 충족하고, 단계 S105가 수행된다. 정확도가 임계값보다 크지 않은 경우에는, 추천 리스트는 미리 결정된 추천 조건을 충족하지 않으며, 단계 S106이 수행된다.
추천 리스트에 포함되며 사용자의 이력 행동 정보와 일치하는 정보 피스의 수가 먼저 결정될 수 있다. 그 다음, 추천 리스트에 포함된 총 정보 피스 수에 대한, 그 수의 비(ratio)가 결정된다. 비는 추천 리스트의 정확도로서 사용된다.
앞서 기재된 예에 이어서, 서버 상의 미리 결정된 임계값이 0.4라고 가정하자. 사용자의 이력 행동 정보는, 사용자가 상품 A, 상품 Q, 상품 R, 상품 H, 상품 M, 상품 F, 및 상품 L을 클릭한 것이다. 단계 S103에서 결정된 추천 리스트에서의 정보는, 상품 A, 상품 O, 상품 M, 상품 G, 및 상품 C를 포함한다. 따라서, 추천 리스트에 포함되며 사용자의 이력 행동 정보와 일치하는 정보는 상품 A 및 상품 M이고, 일치하는 정보 피스의 수는 2이다. 추천 리스트가 총 5개의 정보 피스를 포함하기 때문에, 추천 리스트에 포함된 정보의 총 피스 수에 대한 일치하는 정보 피스 수의 비는 0.4이다. 마지막으로, 비 (0.4)가 추천 리스트의 정확도로서 사용된다. 정확도는 미리 결정된 임계값보다 크지 않다. 따라서, 추천 리스트는 미리 결정된 추천 조건을 총족하지 않으며, 단계 S106이 수행된다.
S105: 추천 리스트에 포함된 정보를 사용자에게 추천한다.
본 발명의 이 구현에서, 단계 S104에서 추천 리스트가 미리 결정된 조건을 충족한다고 결정되는 경우, 추천 리스트는 사용자의 요구를 충족시킬 수 있다. 따라서, 단계 S105는 추천 리스트에 포함된 정보를 사용자에게 추천하도록 수행될 수 있다.
S106: 각각의 추천 정보 세트의 가중 계수를 조정하고 단계 S103으로 돌아간다.
단계 S104에서 추천 리스트가 추천 조건을 충족하지 않는다고 결정될 때, 서버는 미리 결정된 최적화 알고리즘을 사용하여 각각의 추천 정보의 가중 계수를 조정할 수 있고, 결정된 추천 리스트가 추천 조건을 충족할 때까지 조정된 가중 계수에 기초하여 새로운 추천 리스트를 결정할 수 있다. 그 다음, 서버는 추천 리스트에 포함된 정보를 사용자에게 추천한다.
본 발명에서, 보다 빠르게 정확한 추천 정보를 결정하고 네트워크 자원을 절약하며 서버 부담을 완화시키기 위해, 각각의 추천 정보 세트의 가중 계수는 단계 S103 내지 S106의 반복 프로세스를 통해 자동으로 조정될 수 있다.
미리 결정된 최적화 알고리즘은, 다음 반복 정보 중의 적어도 하나에 기초하여 각각의 추천 정보 세트의 가중 계수에 대한 조정 값을 결정하도록 사용될 수 있다: 각각의 추천 정보 세트의 가중 계수에 대한 마지막 조정 값, 마지막에 결정된 추천 리스트의 정확도, 또는 모든 획득된 추천 리스트의 정확도 값 중에 가장 큰 정확도 값. 그 다음, 각각의 추천 정보 세트의 가중 계수는 결정된 조정 값에 기초하여 조정된다.
가중 계수 조정 프로세스의 다음 예에서, 사용된 최적화 알고리즘은 입자 군집 알고리즘(particle swarm algorithm)이다. 서버는 식 V k+1 =W k ×V k +C 1 ×rand 1 ×(Pbest-X k )+C 2 ×rand 2 ×(Gbest-X k )을 사용하여 각각의 추천 정보 세트의 가중 계수에 대한 조정 값을 결정할 수 있고, 그 다음 식 X k+1 =X K +V K+1 을 사용하여 각각의 추천 정보 세트의 조정된 가중 계수를 결정할 수 있다.
V k+1 는 각각의 추천된 정보 세트의 가중 계수에 대한 (K+1)번째 조정의 값이다. V k 는 가중 계수에 대한 K번째 조정의 값이다. W k 는 K번째 조정의 관성(inertia) 가중 계수이다. C 1 및 C 2 는 미리 결정된 상수이다. rand 1 및 rand 2 는 그의 값 범위가 (0, 1)인 랜덤 함수이다. Pbest는 K번째 조정 후에 결정된 추천 리스트 및 (K+1)번째 조정 후에 결정된 추천 리스트에서 더 정확한 것에 대응하는 각각의 추천 정보 세트의 가중 계수이다. Gbest는 모든 결정된 추천 리스트에서 가장 정확한 것에 대응하는 각각의 추천 정보 세트의 가중 계수이다. X k 는 K번째 조정 후에 결정된 추천 리스트에 대응하는 각각의 추천 정보 세트의 가중 계수이다.
관성 가중 계수 W k 는 조정의 수 K의 증가에 따라 감소한다는 것을 유의할 만하다. W k 는 식 W k =W s -(W s -W e )×(K/K max ) 2 을 통해 결정될 수 있다. 식에서, W s 는 미리 결정된 초기 관성 가중 계수이고, 경험에 기초하여 설정될 수 있다. W e 는 미리 결정된 최종 관성 가중 계수이고, 이 또한 경험에 기초하여 설정될 수 있다. K는 조정의 현재 수이다. K max 는 조정의 미리 결정된 최대 수이다.
앞서 기재된 식으로부터 알 수 있듯이, 현재 조정이 (K+1)번째 조정인 경우, 식에서의 Pbest는 반복 정보에서 마지막으로 결정된 추천 리스트의 정확도를 현재 조정 후에 획득된 추천 리스트의 정확도와 비교함으로써 결정될 수 있다. Gbest는 가장 큰 정확도 값을 현재 조정 후에 획득된 추천 리스트의 정확도와 비교함으로써 결정될 수 있다. V k 는 반복 정보에서 각각의 추천 정보 세트의 가중 계수에 대한 마지막 조정 값에 기초하여 결정될 수 있다. 그 다음, 현재 조정의 값 V k+1 이 계산을 통해 결정될 수 있다. 현재 조정 후의 각각의 추천 정보 세트의 가중 계수는 식 X k+1 =X K +V K+1 에 기초하여 결정될 수 있다.
또한, 본 발명에서 사용되는 최적화 알고리즘은 입자 군집 알고리즘, 유전(genetic) 알고리즘, 개미 군체(ant colony) 알고리즘, 어닐링 알고리즘 등일 수 있다는 것을 유의할 만하다. 본 발명에서 단지 입자 군집 알고리즘은 설명을 위한 예로서 사용된 것이다. 각각의 추천 정보 세트의 가중 계수에 대한 조정 값을 결정하는 데에 사용되는 최적화 알고리즘은 한정되지 않는다.
각각의 추천 정보 세트의 조정된 가중 계수가 결정된 후에, 단계 S103에 기재된 방법에 기초하여 새로운 추천 리스트가 결정될 수 있다. 그 다음, 단계 S104에 기재된 방법에 기초하여 새로운 추천 리스트가 추천 조건을 충족하는지 여부가 결정될 수 있다. 추천 리스트가 추천 조건을 충족하는 경우, 추천 리스트에서의 정보를 사용자에게 추천하도록 단계 S105가 수행된다. 추천 리스트가 추천 조건을 충족하지 않는 경우, 결정된 추천 리스트가 추천 조건을 충족할 때까지 단계 S106이 반복될 수 있고, 그 다음 단계 S105가 수행된다.
또한, 단계 S104에서, 사용자의 이력 행동 정보에 기초하여 추천 리스트의 정확도가 결정된다. 단계 S101 내지 S103으로부터, 추천 리스트도 또한 사용자의 이력 행동 정보에 기초하여 결정된다는 것을 알 수 있다. 따라서, 단계 S104에서, 서버는 정보 세트에 기초하여 결정된 추천 리스트가 정보 세트와 일치하는지 여부를 결정한다. 이는 결정된 추천 리스트의 정확도에 영향을 미치며, 낮은 정확도 신뢰성으로 이어진다.
이를 고려하여, 본 발명에서는, 단계 S102에서 복수의 추천 정보 세트가 결정되기 전에, 사용자의 이력 행동 정보가 테스트 정보와 참조 정보로 더 나누어질 수 있으며, 그리하여 결정된 추천 리스트의 정확도는 보다 신뢰성이 있다.
본 발명에서 테스트 정보는 단계 S102 및 단계 S103에 기초하여 추천 리스트를 결정하는 데에 사용된다. 단계 S102에서, 복수의 추천 정보 세트는 테스트 정보에 기초하여 상이한 추천 알고리즘들을 통해 결정될 수 있다. 그 다음, 단계 S103에서 추천 리스트가 결정된다.
단계 S104에서, 추천 리스트의 정확도를 결정하도록 참조 정보가 추천 리스트와 비교된다. 즉, 추천 리스트의 정확도는 단계 S104에서 참조 정보에 기초하여 결정될 수 있다.
참조 정보도 또한 사용자의 이력 행동 정보이지만, 추천 리스트를 결정하는 데에 사용된 사용자의 이력 행동 정보와는 상이하다. 따라서, 참조 정보에 기초한 비교는 추천 리스트의 정확도를 보다 정확하게 결정할 수 있고, 결정된 정확도는 보다 신뢰성이 있다.
추천 리스트의 정확도가 참조 정보에 기초하여 결정될 때, 식 P u =R u ∩T u /R u 이 정확도를 계산하도록 사용될 수 있다. P는 정확도를 나타낸다. R은 추천 리스트에 포함된 정보의 세트를 나타낸다. T는 참조 정보에 포함된 정보의 세트를 나타낸다. u는 사용자 u에 대한 정확도를 나타낸다. 참조 정보에 기초하여 결정된 추천 리스트는 추천 리스트에서 사용자의 요구를 충족시키는 정보의 양을 보다 정확하게 반영할 수 있다는 것을 알 수 있다.
예를 들어, 단계 S102에서 서버가 사용자 I의 이력 행동 정보를 테스트 정보 및 참조 정보로 나누고, 단계 S103에서 테스트 정보에 기초하여 추천 리스트가 결정된다고 가정하자. 본 발명에서 미리 결정된 임계값은 0.4이다. 추천 리스트에 포함된 정보: 상품 A, 상품 O, 상품 M, 상품 G, 및 상품 C의 정확도가 참조 정보에 기초하여 결정된다(예를 들어, 상품 A, 상품 Q, 상품 R, 상품 H, 및 상품 M). 식 P u =R u ∩T u /R u 에 기초하여 P I =0.4임을 알 수 있다. 이 경우에, 정확도는 미리 결정된 임계값보다 크지 않고, 추천 리스트는 추천 조건을 충족하지 않는다. 따라서, 단계 S106이 반복되어야 한다.
또한, 각각의 추천 정보 세트의 가중 계수가 단계 S103 내지 S106의 반복 프로세스를 통해 조정될 때, 복수의 조정 후에 결정된 추천 리스트의 정확도는 여전히 미리 결정된 임계값보다 크지 않다. 이 경우에, 서버는 많은 자원을 소비한 후에도 여전히 사용자에게 정보를 정확하게 추천할 수가 없다.
많은 조정 후에도 결정된 추천 리스트가 여전히 추천 조건을 충족할 수 없다는 문제점을 피하기 위하여, 본 발명에서는 조정 횟수가 미리 결정된 횟수에 도달하는지 여부가 더 결정되어야 한다. 추천 리스트에 대한 조정 횟수가 미리 결정된 횟수에 도달할 때, Gbest에 기초하여 결정된 추천 리스트에서의 정보가 사용자에게 추천된다. 미리 결정된 횟수는 조정의 최대 수 Kmax일 수 있다.
Gbest에 대응하는 추천 리스트는 모든 결정된 추천 리스트에서 가장 정확한 것이고, 어느 정도 사용자의 요구를 충족시킬 수 있다. 서버가 많은 자원을 소비한 후에도 여전히 사용자에게 정보를 정확하게 추천할 수가 없다는 문제점을 피한다.
또한, 본 발명에서 제공되는 도 1에 예시된 추천 방법은 사용자에 의해 수행된 어떤 특정 동작에 의해 트리거될 수 있다. 예를 들어, 사용자가 계정에 로그인할 때, 도 1에 예시된 방법이 사용자에게 정보를 추천하도록 트리거될 수 있다. 특히, 방법은 또한 미리 결정된 시간 간격으로 트리거될 수 있다. 단순화를 위해 여기에서 세부사항은 반복되지 않는다.
복수의 서버들이 본 발명에 기재된 추천 방법을 수행하는 데에 사용될 수 있다는 것을 유의할 만하다. 예를 들어, 추천 방법을 수행하는 것의 부담을 공유하도록 콘텐츠 전달 네트워크에서 복수의 서버들이 사용될 수 있다.
도 1에 예시된 정보 추천 프로세스에 기초하여, 도 2에 도시된 바와 같이, 본 발명의 구현은 정보 추천 장치를 더 제공한다.
도 2는 본 발명의 구현에 따른 정보 추천 장치를 예시한 개략 구조도이다. 장치는, 사용자의 이력 행동 정보를 결정하도록 구성된 행동 결정 모듈(201), 이력 행동 정보에 기초하여 복수의 추천 정보 세트를 결정하도록 구성된 정보 세트 결정 모듈(202), 각각의 추천 정보 세트에 대하여 미리 결정된 가중 계수에 기초하여 추천 리스트를 결정하도록 구성된 조합 모듈(203), 및 결정 및 추천 모듈(204)을 포함하며, 결정 및 추천 모듈(204)은, 추천 리스트가 미리 결정된 추천 조건을 충족하는지 여부를 결정하고, 추천 리스트가 조건을 충족하는 경우, 추천 리스트에 포함된 정보를 사용자에게 추천하고, 아니면 추천 리스트가 조건을 충족하지 않는 경우, 각각의 추천 정보 세트의 가중 계수를 조정하고, 조합 모듈(203)에 의해 결정된 추천 리스트가 추천 조건을 충족할 때까지 조정된 가중 계수에 기초하여 새로운 추천 리스트를 결정하도록 조합 모듈(203)에 명령하고, 추천 리스트에 포함된 정보를 사용자에게 추천하도록 구성된다.
정보 세트 결정 모듈(202)은 또한, 이력 행동 정보에 기초하여 복수의 추천 정보 세트를 결정하기 전에, 사용자의 이력 행동 정보를 테스트 정보 및 참조 정보로 나누도록 구성된다. 정보 세트 결정 모듈(202)은 그 다음, 테스트 정보에 기초하여 상이한 추천 알고리즘들을 통해 복수의 추천 정보 세트를 결정하도록 구성된다.
조합 모듈(203)은, 각각의 추천 정보 세트에 대하여, 추천 정보 세트의 가중 계수에 기초하여 추천 정보 세트에 포함된 각각의 정보 피스의 서브 가중 계수 및 추천 정보 세트에 대한 각각의 정보 피스의 추천 가중 계수를 결정하고, 각각의 정보 피스에 대하여, 모든 추천 정보 세트에 대한 정보 피스의 서브 가중 계수의 합을 결정하며, 특정 정보 피스의 총 가중 계수로서 합을 사용하고, 각각의 정보 피스의 총 가중 계수에 기초하여 추천 리스트를 결정하도록 구성된다.
결정 및 추천 모듈(204)은, 참조 정보에 기초하여 추천 리스트의 정확도를 결정하고, 정확도가 미리 결정된 임계값보다 더 큰지 여부를 결정하고, 정확도가 임계값보다 더 큰 경우, 추천 리스트가 미리 결정된 추천 조건을 충족한다고 결정하며, 아니면 정확도가 임계값보다 더 크지 않은 경우, 추천 리스트가 미리 결정된 추천 조건을 충족하지 않는다고 결정하도록 구성된다.
결정 및 추천 모듈(204)은, 다음 반복 정보 중의 적어도 하나에 기초하여, 즉 각각의 추천 정보 세트의 가중 계수에 대한 마지막 조정 값, 마지막으로 결정되어 있는 추천 리스트의 정확도, 또는 모든 획득된 추천 리스트의 정확도 값 중에 가장 큰 정확도 값 중의 적어도 하나에 기초하여, 각각의 추천 정보 세트의 가중 계수에 대한 조정 값을 결정하고, 결정된 조정 값에 기초하여 각각의 추천 정보 세트의 가중 계수를 조정하도록 구성된다.
결정 및 추천 모듈(204)은 또한, 각각의 추천 정보 세트의 가중 계수에 대한 조정 횟수가 미리 결정된 횟수에 도달할 때 모든 획득된 추천 리스트에서 가장 정확한 것을 결정하고, 가장 정확한 추천 리스트에 포함된 정보를 사용자에게 추천하도록 구성된다.
도 2에 예시된 정보 추천 장치는 다양한 네트워크에서 서버 상에 위치될 수 있다. 하나 이상의 서버가 있을 수 있다. 복수의 서버들이 존재할 때, 복수의 서버들은 콘텐츠 전달 네트워크를 통해 접속될 수 있다. 본 발명에서 구현 방법은 한정되지 않는다.
통상의 구성에서, 컴퓨팅 디바이스는 하나 이상의 프로세서(CPU), 입력/출력 인터페이스, 네트워크 인터페이스 및 메모리를 포함한다.
메모리는 비영구적 메모리, 랜덤 액세스 메모리(RAM; random access memory) 및/또는 판독전용 메모리(ROM; read-only memory) 또는 플래시 메모리(flash RAM)와 같은 컴퓨터 판독가능한 매체의 비휘발성 메모리를 포함할 수 있다. 메모리는 컴퓨터 판독가능한 매체의 예이다.
컴퓨터 판독가능한 매체는, 임의의 방법 또는 기술을 사용함으로써 정보를 저장할 수 있는 영구적, 비영구적, 이동식 및 비이동식 매체를 포함한다. 정보는 컴퓨터 판독가능한 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터일 수 있다. 컴퓨터 저장 매체의 예는, PRAM(parameter random access memory), SRAM(static RAM), DRAM(dynamic RAM), 또다른 유형의 RAM, ROM, EEPROM(electrically erasable programmable ROM), 플래시 메모리 또는 또다른 메모리 기술, CD-ROM(a compact disc-ROM), DVD(digital versatile disc) 또는 또다른 광 스토리지, 자기 카세트 테이프, 자기 테이프 디스크 스토리지 또는 또다른 자기 스토리지 디바이스, 또는 컴퓨팅 디바이스에 의해 액세스될 수 있는 정보를 저장하는 데에 사용될 수 있는 임의의 기타 비일시적인 매체를 포함하지만, 이에 한정되지 않는 것은 아니다. 여기에서 정의될 때에, 컴퓨터 판독가능한 매체는 변조된 데이터 신호 및 캐리어와 같은 일시적 매체를 포함하지 않는다.
용어 "포함한다", "함유한다" 또는 이의 임의의 기타 변형은 비배타적인 포함을 커버하도록 의도되며, 그리하여 요소들의 리스트를 포함하는 프로세스, 방법, 물품, 또는 디바이스는 이 요소들을 포함할 뿐만 아니라, 명시적으로 열거되지 않은 다른 요소도 포함하며, 또는 이러한 프로세스, 방법, 물품, 또는 디바이스에 고유한 요소를 더 포함한다는 것을 또한 유의할 만하다. "...를 포함한다"에 의해 기재된 요소는, 더 이상의 제약 없이, 그 요소를 포함하는 프로세스, 방법, 물품, 또는 디바이스에서의 또다른 동일 요소를 더 포함한다.
당해 기술 분야에서의 숙련자는 본 발명의 구현이 방법, 시스템, 또는 컴퓨터 프로그램 제품으로서 제공될 수 있다는 것을 이해하여야 한다. 따라서, 본 발명은 하드웨어 전용 구현, 소프트웨어 전용 구현, 또는 소프트웨어와 하드웨어의 조합으로의 구현의 형태를 사용할 수 있다. 또한, 본 발명은 컴퓨터 사용가능한 프로그램 코드를 포함하는 하나 이상의 컴퓨터 사용가능한 저장 매체(자기 디스크 메모리, CD-ROM, 광학 메모리 등을 포함하지만, 이에 한정되지 않음) 상에 구현된 컴퓨터 프로그램 제품의 형태를 사용할 수 있다.
상기의 기재는 단지 본 발명의 구현일 뿐이고, 본 발명을 한정하도록 의도되지 않는다. 당해 기술 분야에서의 숙련자는 본 발명에 대해 다양한 수정 및 변형을 행할 수 있다. 본 발명의 사상 및 원리에서 벗어나지 않고서 행해지는 임의의 수정, 등가의 교체, 또는 개선은 본 발명의 청구항의 범위 내에 속할 것이다.

Claims (15)

  1. 정보 추천 생성 방법에 있어서,
    사용자의 이력 행동 정보(historical behavioral information)를 결정하는 단계 - 상기 이력 행동 정보는 일정 기간 동안 서버 상에서 상기 사용자에 의하여 수행되는 동작들과 연관된 데이터를 포함함 - ;
    서로 상이하며 상기 이력 행동 정보를 입력으로서 사용하는 복수의 추천 알고리즘에 기초하여, 복수의 추천 정보 세트를 결정하는 단계 - 상기 복수의 추천 알고리즘은 제1 추천 알고리즘 및 제2 추천 알고리즘을 포함하고, 상기 복수의 추천 알고리즘 중 상기 제1 추천 알고리즘은 사용자 기반의 협력(collaborative) 필터링 추천 알고리즘을 포함하고, 상기 복수의 추천 알고리즘 중 상기 제2 추천 알고리즘은 상품 기반의 추천 알고리즘을 포함함 - ;
    상기 복수의 추천 정보 세트에 대하여 미리 결정된 복수의 가중 계수(weight coefficient)를 검색(retrieving)하는 단계;
    상기 복수의 가중 계수와 상기 복수의 추천 정보 세트에 기초하여 추천 리스트를 결정하는 단계;
    가장 큰 정확도 값을 상기 추천 리스트의 추천 정확도와 비교함으로써 상기 추천 리스트의 정확도를 결정하는 단계;
    상기 추천 리스트의 정확도가 미리 결정된 임계값보다 크다고 결정하는 단계 - 상기 미리 결정된 임계값은 상기 추천 리스트 및 상기 사용자의 상기 이력 행동 정보로부터 추출된 참조 리스트 둘 다에 포함된 상품의 비율에 기초함 - ;
    상기 추천 리스트의 정확도가 상기 임계값보다 크다고 결정하는 것에 응답하여, 상기 추천 리스트가 미리 결정된 추천 조건을 충족하지 않는다고 결정하는 단계;
    상기 추천 리스트가 상기 미리 결정된 추천 조건을 충족하지 않는다고 결정하는 것에 응답하여, 입자 군집 알고리즘(particle swarm algorithm), 관성(inertia) 가중 계수 및 미리 결정된 상수를 사용함으로써 각 추천 정보 세트의 가중 계수를 조정하는 단계;
    상기 결정된 추천 리스트가 상기 미리 결정된 추천 조건을 충족할 때까지 상기 조정된 가중 계수에 기초하여 새로운 추천 리스트를 결정하는 단계; 및
    상기 사용자에게 상기 추천 리스트에 포함된 추천 정보를 그래픽 사용자 인터페이스 상의 디스플레이를 위해 제공하는 단계
    를 포함하는 정보 추천 생성 방법.
  2. 제1항에 있어서,
    서로 상이하며 상기 이력 행동 정보를 입력으로서 사용하는 복수의 추천 알고리즘에 기초하여 복수의 추천 정보 세트를 결정하는 단계 이전에, 상기 방법은, 상기 사용자의 상기 이력 행동 정보를 테스트 정보 및 참조 정보 - 상기 테스트 정보는 상기 복수의 추천 정보 세트를 결정하는데 사용되는 정보이고, 상기 참조 정보는 상기 참조 리스트에 포함되는 정보이며, 상기 참조 정보는 상기 테스트 정보와 상이한 것임 - 로 나누는 단계를 더 포함하고,
    서로 상이하며 상기 이력 행동 정보를 입력으로서 사용하는 복수의 추천 알고리즘에 기초하여 복수의 추천 정보 세트를 결정하는 단계는, 상기 테스트 정보에 기초하여 상이한 추천 알고리즘을 통해 상기 복수의 추천 정보 세트를 결정하는 단계를 포함하는 것인 정보 추천 생성 방법.
  3. 제2항에 있어서, 상기 상이한 추천 알고리즘은, 협력 필터링 기반의 추천 알고리즘, 콘텐츠 기반의 추천 알고리즘, 연관 규칙 기반의 추천 알고리즘, 및 지식 기반의 추천 알고리즘 중 2개 이상을 포함하는 것인 정보 추천 생성 방법.
  4. 제1항 내지 제3항 중 어느 한 항에 있어서, 상기 복수의 가중 계수와 상기 복수의 추천 정보 세트에 기초하여 상기 추천 리스트를 결정하는 단계는,
    각 추천 정보 세트에 대하여, 상기 추천 정보 세트의 가중 계수 및 상기 추천 정보 세트에 관한 각 정보 피스(piece)의 추천 가중 계수에 기초하여 상기 추천 정보 세트에 포함된 각 정보 피스의 서브 가중 계수(sub-weight coefficient)를 결정하는 단계;
    각 정보 피스에 대하여, 모든 추천 정보 세트에 관한 상기 정보 피스의 서브 가중 계수의 합을 결정하고, 특정 정보 피스의 총 가중 계수로서 상기 합을 사용하는 단계; 및
    각 정보 피스의 총 가중 계수에 기초하여 상기 추천 리스트를 결정하는 단계
    를 포함하는 것인 정보 추천 생성 방법.
  5. 제1항 내지 제3항 중 어느 한 항에 있어서, 상기 각 추천 정보 세트의 가중 계수를 조정하는 단계는,
    각 추천 정보 세트의 가중 계수에 대한 마지막 조정 값, 마지막으로 결정된 추천 리스트의 정확도, 또는 모든 획득된 추천 리스트의 정확도 값 중에 가장 큰 정확도 값 중 적어도 하나의 반복 정보에 기초하여, 각 추천 정보 세트의 가중 계수에 대한 조정 값을 결정하는 단계; 및
    상기 결정된 조정 값에 기초하여 각 추천 정보 세트의 가중 계수를 조정하는 단계
    를 포함하는 것인 정보 추천 생성 방법.
  6. 제5항에 있어서, 상기 반복 정보는, 각 추천 정보 세트의 가중 계수에 대한 마지막 조정의 값을 포함하는 것인 정보 추천 생성 방법.
  7. 제5항에 있어서, 상기 반복 정보는, 마지막으로 결정된 추천 리스트의 정확도를 포함하는 것인 정보 추천 생성 방법.
  8. 제5항에 있어서, 상기 반복 정보는, 모든 획득된 추천 리스트의 정확도 값 중에 가장 큰 정확도 값을 포함하는 것인 정보 추천 생성 방법.
  9. 제1항에 있어서, 각 추천 정보 세트의 가중 계수에 대한 조정 횟수가 미리 결정된 횟수에 도달할 때, 모든 획득된 추천 리스트에서 가장 정확한 추천 리스트를 결정하는 단계; 및
    상기 가장 정확한 추천 리스트에 포함된 정보를 상기 사용자에게 추천하는 단계
    를 더 포함하는 정보 추천 생성 방법.
  10. 정보 추천 생성 장치에 있어서, 제1항 내지 제3항 및 제9항 중 어느 한 항의 방법을 수행하도록 구성된 복수의 모듈을 포함하는 정보 추천 생성 장치.
  11. 삭제
  12. 삭제
  13. 삭제
  14. 삭제
  15. 삭제
KR1020187017994A 2015-11-25 2016-11-16 정보 권고 방법 및 장치 KR102192863B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201510831206.3 2015-11-25
CN201510831206.3A CN106776660A (zh) 2015-11-25 2015-11-25 一种信息推荐方法及装置
PCT/CN2016/106016 WO2017088688A1 (zh) 2015-11-25 2016-11-16 一种信息推荐方法及装置

Publications (2)

Publication Number Publication Date
KR20180097587A KR20180097587A (ko) 2018-08-31
KR102192863B1 true KR102192863B1 (ko) 2020-12-22

Family

ID=58763826

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020187017994A KR102192863B1 (ko) 2015-11-25 2016-11-16 정보 권고 방법 및 장치

Country Status (10)

Country Link
US (2) US11507849B2 (ko)
EP (1) EP3382571A4 (ko)
JP (1) JP6676167B2 (ko)
KR (1) KR102192863B1 (ko)
CN (1) CN106776660A (ko)
AU (1) AU2016360122B2 (ko)
MY (1) MY186044A (ko)
PH (1) PH12018501121A1 (ko)
SG (1) SG11201804365VA (ko)
WO (1) WO2017088688A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102436215B1 (ko) * 2022-03-07 2022-08-25 주식회사 클라우다이크 인공지능 기반의 파일 추천 시스템 및 방법
KR20220143427A (ko) * 2021-04-16 2022-10-25 주식회사 카카오 개인화된 탐색 로직을 이용한 콘텐츠 제공 방법 및 시스템

Families Citing this family (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106776660A (zh) 2015-11-25 2017-05-31 阿里巴巴集团控股有限公司 一种信息推荐方法及装置
CN108090208A (zh) * 2017-12-29 2018-05-29 广东欧珀移动通信有限公司 融合数据处理方法及装置
JP7041844B2 (ja) * 2018-04-02 2022-03-25 トヨタ自動車株式会社 情報処理装置及びカーシェアリングサービス用の制御プログラム
CN110309417A (zh) * 2018-04-13 2019-10-08 腾讯科技（深圳）有限公司 评价因子的权重确定方法和装置
CN108763318B (zh) * 2018-04-27 2022-04-19 达而观信息科技（上海）有限公司 物品推荐方法和装置
CN108805607A (zh) * 2018-05-02 2018-11-13 开源物联网（广州）有限公司 用户偏好预估系统
CN110473038A (zh) * 2018-05-10 2019-11-19 北京嘀嘀无限科技发展有限公司 一种产品推荐方法、产品推荐系统及计算机设备
CN109785147A (zh) * 2018-10-24 2019-05-21 中国平安人寿保险股份有限公司 险种排序方法及装置、电子设备及计算机可读存储介质
CN109696827B (zh) * 2018-12-28 2021-11-09 西安邮电大学 惯性权重余弦调整粒子群优化算法的pid参数整定方法
CN110321475A (zh) * 2019-05-22 2019-10-11 深圳壹账通智能科技有限公司 数据列表的排序方法、装置、设备及存储介质
CN110188277B (zh) * 2019-05-31 2021-06-25 苏州百智通信息技术有限公司 一种资源的推荐方法及装置
CN112131373A (zh) * 2019-06-25 2020-12-25 杭州海康威视数字技术股份有限公司 信息搜索方法、装置、电子设备及可读存储介质
US20210065276A1 (en) * 2019-08-28 2021-03-04 Fuji Xerox Co., Ltd. Information processing apparatus and non-transitory computer readable medium
CN110532476B (zh) * 2019-09-02 2023-07-07 上海喜马拉雅科技有限公司 一种信息推荐方法、装置、设备及存储介质
CN112685598B (zh) * 2019-10-18 2024-04-26 腾讯科技（深圳）有限公司 直播中的礼包推送方法及装置
CN111798167B (zh) * 2019-10-31 2023-04-07 北京沃东天骏信息技术有限公司 一种仓库补货的方法和装置
CN111127139B (zh) * 2019-12-06 2023-06-27 成都理工大学 一种基于ProbS与HeatS计算模式改进的混合推荐算法
CN111026977B (zh) * 2019-12-17 2022-04-08 腾讯科技（深圳）有限公司 信息推荐方法、装置及存储介质
CN111881341B (zh) * 2020-06-15 2022-11-25 合肥美的电冰箱有限公司 饮食信息推荐方法及装置、电子设备及介质
CN111797318B (zh) * 2020-07-01 2024-02-23 喜大（上海）网络科技有限公司 信息的推荐方法、装置、设备和存储介质
KR102474747B1 (ko) * 2020-07-06 2022-12-05 아주대학교산학협력단 사용자 행동 패턴에 기초하여 상품을 추천하고 추천 상품에 대한 사용자의 선호도 예측 장치 및 방법
CN112035738B (zh) * 2020-08-14 2023-09-26 北京奇艺世纪科技有限公司 一种电子书单推荐方法及装置、电子设备
CN112148980B (zh) * 2020-09-28 2023-11-03 京东科技控股股份有限公司 基于用户点击的物品推荐方法、装置、设备和存储介质
CN112115370A (zh) * 2020-09-29 2020-12-22 贝壳技术有限公司 推荐方法、装置、计算机可读存储介质及电子设备
CN112633321A (zh) * 2020-11-26 2021-04-09 北京瑞友科技股份有限公司 一种人工智能推荐系统及方法
CN113179348B (zh) * 2021-04-20 2023-04-07 珠海格力电器股份有限公司 智能设备管理方法、装置、设备及存储介质
CN113298277A (zh) * 2021-04-25 2021-08-24 上海淇玥信息技术有限公司 一种基于目标的连续预约信息推送方法、装置及电子设备
CN113297371A (zh) * 2021-07-28 2021-08-24 北京猿力未来科技有限公司 推荐题目库的生成方法、装置、设备及存储介质
CN114285895B (zh) * 2021-12-22 2024-02-20 赛尔网络有限公司 网络资源推荐方法、装置、电子设备及存储介质
CN115795072B (zh) * 2023-02-03 2023-05-05 北京数慧时空信息技术有限公司 遥感影像动态混合推荐系统及方法
JP7376035B1 (ja) 2023-04-03 2023-11-08 １７Ｌｉｖｅ株式会社 レコメンデーションのためのシステム、方法、及びコンピュータ可読媒体

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101539182B1 (ko) 2014-09-29 2015-07-29 케이티하이텔 주식회사 셋톱박스의 id별 시청이력을 이용한 tv 데이터방송 홈쇼핑에서의 상품 추천 방법

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080307316A1 (en) * 2007-06-07 2008-12-11 Concert Technology Corporation System and method for assigning user preference settings to fields in a category, particularly a media category
US20090144262A1 (en) * 2007-12-04 2009-06-04 Microsoft Corporation Search query transformation using direct manipulation
US20100169328A1 (en) * 2008-12-31 2010-07-01 Strands, Inc. Systems and methods for making recommendations using model-based collaborative filtering with user communities and items collections
KR101030653B1 (ko) * 2009-01-22 2011-04-20 성균관대학교산학협력단 정보 엔트로피를 이용하여 유사도를 보정하는 사용자 기반 협업 필터링 추천 시스템
US20110131077A1 (en) 2009-12-01 2011-06-02 Microsoft Corporation Context-Aware Recommendation Module Using Multiple Models
US8924314B2 (en) 2010-09-28 2014-12-30 Ebay Inc. Search result ranking using machine learning
JP2012190061A (ja) * 2011-03-08 2012-10-04 Sony Corp 情報処理装置、端末装置、情報提示システム、評価スコアの算出方法、及びプログラム
CN102957722A (zh) * 2011-08-24 2013-03-06 苏州工业园区辰烁软件科技有限公司 一种用于生成个性化推荐的网络服务方法及其系统
CN103106208B (zh) * 2011-11-11 2017-09-15 中国移动通信集团公司 一种移动互联网中的流媒体内容推荐方法和系统
CN102880691B (zh) * 2012-09-19 2015-08-19 北京航空航天大学深圳研究院 一种基于用户亲密度的混合推荐系统及方法
CN102902755A (zh) * 2012-09-21 2013-01-30 北京百度网讯科技有限公司 一种对检索结果项的排序进行调整的方法及装置
JP6097126B2 (ja) 2013-04-10 2017-03-15 株式会社Ｎｔｔドコモ レコメンド情報生成装置及びレコメンド情報生成方法
CN104123284B (zh) * 2013-04-24 2018-01-23 华为技术有限公司 一种推荐的方法及服务器
GB2522890A (en) 2014-02-07 2015-08-12 Music Technology Ltd Dynamic digital media content and associated user pool apparatus and method
CN103778260A (zh) * 2014-03-03 2014-05-07 哈尔滨工业大学 一种个性化微博信息推荐系统和方法
CN104978368A (zh) 2014-04-14 2015-10-14 百度在线网络技术（北京）有限公司 一种用于提供推荐信息的方法和装置
CN103971161B (zh) * 2014-05-09 2017-02-01 哈尔滨工程大学 基于柯西分布量子粒子群的混合推荐方法
US20160132601A1 (en) * 2014-11-12 2016-05-12 Microsoft Technology Licensing Hybrid Explanations In Collaborative Filter Based Recommendation System
CN106776660A (zh) 2015-11-25 2017-05-31 阿里巴巴集团控股有限公司 一种信息推荐方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101539182B1 (ko) 2014-09-29 2015-07-29 케이티하이텔 주식회사 셋톱박스의 id별 시청이력을 이용한 tv 데이터방송 홈쇼핑에서의 상품 추천 방법

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220143427A (ko) * 2021-04-16 2022-10-25 주식회사 카카오 개인화된 탐색 로직을 이용한 콘텐츠 제공 방법 및 시스템
KR102622258B1 (ko) * 2021-04-16 2024-01-05 주식회사 카카오 개인화된 탐색 로직을 이용한 콘텐츠 제공 방법 및 시스템
KR102436215B1 (ko) * 2022-03-07 2022-08-25 주식회사 클라우다이크 인공지능 기반의 파일 추천 시스템 및 방법

Also Published As

Publication number Publication date
EP3382571A4 (en) 2019-05-29
US11507849B2 (en) 2022-11-22
AU2016360122B2 (en) 2020-07-16
US20200134478A1 (en) 2020-04-30
US20180260716A1 (en) 2018-09-13
WO2017088688A1 (zh) 2017-06-01
MY186044A (en) 2021-06-16
PH12018501121B1 (en) 2019-01-21
PH12018501121A1 (en) 2019-01-21
SG11201804365VA (en) 2018-06-28
KR20180097587A (ko) 2018-08-31
EP3382571A1 (en) 2018-10-03
CN106776660A (zh) 2017-05-31
AU2016360122A1 (en) 2018-07-12
JP6676167B2 (ja) 2020-04-08
JP2018535497A (ja) 2018-11-29

Similar Documents

Publication Publication Date Title
KR102192863B1 (ko) 정보 권고 방법 및 장치
US10552488B2 (en) Social media user recommendation system and method
US10867000B2 (en) Recommendation system for providing personalized and mixed content on a user interface based on content and user similarity
US20200126035A1 (en) Recommendation method and apparatus, electronic device, and computer storage medium
WO2015192667A1 (zh) 推荐广告的方法及广告推荐服务器
EP2950226A1 (en) New heuristic for optimizing non-convex function for learning to rank
US20160132904A1 (en) Influence score of a brand
US9043397B1 (en) Suggestions from a messaging platform
US20140359009A1 (en) Prioritized content retrieval from social network servers
US11551281B2 (en) Recommendation engine based on optimized combination of recommendation algorithms
AU2016203941A1 (en) Visitor identification based on feature selection
JP2013105213A (ja) 情報推薦装置及び方法及び装置及びプログラム
US20240152945A1 (en) Customized Merchant Price Ratings
US10474688B2 (en) System and method to recommend a bundle of items based on item/user tagging and co-install graph
JP5813052B2 (ja) 情報処理装置、方法及びプログラム
CN107851263B (zh) 用于处理推荐请求的方法和推荐引擎
KR101861828B1 (ko) 개인화 컨텐츠 제공 방법 및 이를 위한 컴퓨터 프로그램
US10440143B2 (en) Contextual trust based recommendation graph
US11237693B1 (en) Provisioning serendipitous content recommendations in a targeted content zone
US9075862B1 (en) Ranking user content by content attributes
JP5696113B2 (ja) 情報推薦装置及び方法及びプログラム
JP2017522649A (ja) オブジェクトセットの処理とオブジェクトセット満足度の決定
KR20200036173A (ko) 사용자 그루핑 및 그룹별 선호 기계학습 분석 알고리즘을 추천하는 방법 및 장치
JP7087146B1 (ja) 情報処理装置、情報処理方法、及び情報処理プログラム
US10984431B1 (en) Data suppression for data transmission control

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
N231 Notification of change of applicant
GRNT Written decision to grant