KR102214422B1 - 개인화 컨텐츠 추천을 위한 실시간 그래프기반 임베딩 구축 방법 및 시스템 - Google Patents

개인화 컨텐츠 추천을 위한 실시간 그래프기반 임베딩 구축 방법 및 시스템 Download PDF

Info

Publication number
KR102214422B1
KR102214422B1 KR1020190096950A KR20190096950A KR102214422B1 KR 102214422 B1 KR102214422 B1 KR 102214422B1 KR 1020190096950 A KR1020190096950 A KR 1020190096950A KR 20190096950 A KR20190096950 A KR 20190096950A KR 102214422 B1 KR102214422 B1 KR 102214422B1
Authority
KR
South Korea
Prior art keywords
content
embedding
user
graph
relationship
Prior art date
Application number
KR1020190096950A
Other languages
English (en)
Inventor
김경민
김민규
성낙호
심상권
Original Assignee
네이버 주식회사
라인 가부시키가이샤
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 네이버 주식회사, 라인 가부시키가이샤 filed Critical 네이버 주식회사
Priority to KR1020190096950A priority Critical patent/KR102214422B1/ko
Priority to JP2020134521A priority patent/JP7083375B2/ja
Priority to KR1020210015369A priority patent/KR102342678B1/ko
Application granted granted Critical
Publication of KR102214422B1 publication Critical patent/KR102214422B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services

Abstract

개인화 컨텐츠 추천을 위한 실시간 그래프기반 임베딩 구축 방법 및 시스템이 개시된다. 개인화 추천을 위한 임베딩 방법은, 추천 대상이 되는 컨텐츠 간의 관계를 나타내는 그래프를 생성하는 단계; 상기 그래프를 이용하여 상기 컨텐츠의 임베딩을 학습하는 단계; 및 상기 학습이 완료된 그래프에 상기 컨텐츠와 관련된 사용자의 활동을 반영하여 상기 사용자의 임베딩을 수행하는 단계를 포함한다.

Description

개인화 컨텐츠 추천을 위한 실시간 그래프기반 임베딩 구축 방법 및 시스템{METHOD AND SYSTEM OF REAL-TIME GRAPH-BASED EMBEDDING FOR PERSONALIZED CONTENT RECOMMENDATION}
아래의 설명은 개인화 컨텐츠 추천을 위한 컨텐츠 임베딩(content embedding) 기술에 관한 것이다.
방대한 양과 종류의 컨텐츠들이 서비스되고 있는 현 상황에서는 사용자에게 다양한 기준으로 컨텐츠를 추천해주는 서비스들이 등장하고 있으며, 가장 대표적으로는 개인화 추천 서비스가 있다.
개인화 추천 서비스는 사용자의 활동(예컨대, 컨텐츠 이용 패턴, 컨텐츠 구매 패턴 등)을 기준으로 사용자에게 적합한 컨텐츠, 즉 개인화된 컨텐츠를 추천해 주는 서비스이다.
이러한 개인화 추천 서비스의 기존 방식은, 사용자의 과거 활동을 기초로 활동 패턴을 분석하고 사용자와 유사한 활동 패턴을 가진 다른 사용자를 검색하여 검색된 다른 사용자가 이용하거나 구매한 컨텐츠를 사용자에게 추천해 주는 방식이다.
한국 등록특허공보 제10-1647364호(등록일 2016년 08월 04일)에는 복수의 사용자 그룹을 대상으로 하여 복수개의 컨텐츠 중 적합한 것을 복수 사용자들의 각 컨텐츠에 대한 상호작용에 기반한 사용자 그룹별 스코어와 해당 사용 자가 속하는 사용자 그룹에 기초한 우선 순위를 기초로 하여 제공함으로써 해당 사용자에게 보다 적합도가 높은 컨텐츠를 추천할 수 있는 기술이 개시되어 있다.
개인화 추천을 위한 컨텐츠 임베딩(content embedding)으로 사용자에게 노출된 컨텐츠는 물론이고 노출되지 않은 컨텐츠까지 포함한 임베딩을 제공할 수 있는 방법 및 시스템을 제공한다.
개인화 추천을 위한 임베딩으로 컨텐츠의 외향적 유사성뿐만 아니라, 클릭(click) 관계, 도메인(domain) 유사성, 세션(session) 관계를 포함한 임베딩을 제공할 수 있는 방법 및 시스템을 제공한다.
개인화 추천에 이용하기 위한 임베딩으로 사용자의 활동을 실시간으로 반영한 사용자 임베딩(user embedding)을 제공할 수 있는 방법 및 시스템을 제공한다.
컴퓨터 시스템에서 실행되는 개인화 추천을 위한 임베딩 방법에 있어서, 상기 컴퓨터 시스템은 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 상기 개인화 추천을 위한 임베딩 방법은, 상기 적어도 하나의 프로세서에 의해, 추천 대상이 되는 컨텐츠 간의 관계를 나타내는 그래프를 생성하는 단계; 상기 적어도 하나의 프로세서에 의해, 상기 그래프를 이용하여 상기 컨텐츠의 임베딩을 학습하는 단계; 및 상기 적어도 하나의 프로세서에 의해, 상기 학습이 완료된 그래프에 상기 컨텐츠와 관련된 사용자의 활동을 반영하여 상기 사용자의 임베딩을 수행하는 단계를 포함하는, 개인화 추천을 위한 임베딩 방법을 제공한다.
일 측면에 따르면, 상기 생성하는 단계는, 상기 컨텐츠를 노드로 구성하는 단계; 및 상기 컨텐츠 간의 외향(appearance)이 유사한 관계를 나타내는 외향적 유사성, 동일 사용자에 의해 클릭된 관계를 나타내는 클릭 관계, 같은 세션(session)에 노출되는 관계를 나타내는 세션 관계, 같은 도메인(domain)을 가진 관계를 나타내는 도메인 유사성 중 둘 이상의 관계를 엣지로 구성하는 단계를 포함할 수 있다.
다른 측면에 따르면, 상기 생성하는 단계는, 상기 컨텐츠를 저장 및 유지하는 컨텐츠 데이터베이스와 상기 사용자의 활동 이력을 저장 및 유지하는 사용자 데이터베이스로부터 상기 컨텐츠 간의 관계를 추출하여 추출된 관계를 그래프 구조로 구축하는 단계를 포함할 수 있다.
또 다른 측면에 따르면, 상기 학습하는 단계는, GNN(graph neural network) 기반 학습 모델을 통해 관계가 있는 컨텐츠들의 임베딩을 학습하는 단계를 포함할 수 있다.
또 다른 측면에 따르면, 상기 학습하는 단계는, GNN 기반 학습 모델을 통해 상기 사용자가 클릭한 컨텐츠들의 시퀀스 집합을 학습 데이터로 하여 이전에 클릭한 이전 컨텐츠와 상기 이전 컨텐츠 다음에 클릭한 다음 컨텐츠를 임베딩시키는 단계를 포함할 수 있다.
또 다른 측면에 따르면, 상기 수행하는 단계는, 상기 사용자를 가상 노드(virtual node)로 표현하여 상기 가상 노드를 상기 사용자의 활동과 관련된 컨텐츠의 노드와 연결하는 단계를 포함할 수 있다.
또 다른 측면에 따르면, 상기 수행하는 단계는, 상기 가상 노드와 연결된 컨텐츠들의 임베딩을 결합하여 상기 사용자의 임베딩을 계산하는 단계; 및 상기 사용자의 활동을 실시간으로 수신하여 상기 계산된 임베딩을 업데이트하는 단계를 포함할 수 있다.
또 다른 측면에 따르면, 상기 개인화 추천을 위한 임베딩 방법은, 상기 적어도 하나의 프로세서에 의해, 상기 컨텐츠의 임베딩과 상기 사용자의 임베딩을 기초로 추천 컨텐츠를 선택하는 단계를 더 포함할 수 있다.
또 다른 측면에 따르면, 상기 선택하는 단계는, 상기 사용자의 임베딩 값과 거리가 가장 가까운 임베딩 값을 가진 컨텐츠를 상기 추천 컨텐츠로 선택할 수 있다.
또 다른 측면에 따르면, 상기 사용자의 임베딩은 상기 사용자의 활동에 따라 실시간 업데이트되고, 상기 선택하는 단계는, 상기 사용자의 임베딩 계산 시간이 사전에 정해진 임계치를 초과하는 경우 이전에 계산된 임베딩을 이용하여 상기 추천 컨텐츠를 선택할 수 있다.
상기 개인화 추천을 위한 임베딩 방법을 상기 컴퓨터 시스템에 실행시키기 위해 비-일시적인 컴퓨터 판독가능한 기록 매체에 저장되는 컴퓨터 프로그램을 제공한다.
상기 개인화 추천을 위한 임베딩 방법을 컴퓨터에 실행시키기 위한 프로그램이 기록되어 있는 비-일시적인 컴퓨터 판독 가능한 기록 매체를 제공한다.
컴퓨터 시스템에 있어서, 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 추천 대상이 되는 컨텐츠 간의 관계를 나타내는 그래프를 생성하는 그래프 생성부; 상기 그래프를 이용하여 상기 컨텐츠의 임베딩을 학습하는 컨텐츠 임베딩부; 및 상기 학습이 완료된 그래프에 상기 컨텐츠와 관련된 사용자의 활동을 반영하여 상기 사용자의 임베딩을 수행하는 사용자 임베딩부를 포함하는 컴퓨터 시스템을 제공한다.
본 발명의 실시예에 따르면, 개인화 추천을 위한 컨텐츠 임베딩으로 사용자에게 노출된 컨텐츠는 물론이고 노출되지 않은 컨텐츠까지 포함한 임베딩을 제공할 수 있다.
본 발명의 실시예에 따르면, 개인화 추천을 위한 컨텐츠 임베딩으로 컨텐츠의 외향적 유사성뿐만 아니라, 클릭 관계, 도메인 유사성, 세션 관계를 포함한 임베딩을 제공할 수 있다.
본 발명의 실시예에 따르면, 개인화 추천에 이용하기 위한 임베딩으로 사용자의 활동을 실시간으로 반영한 사용자 임베딩을 제공할 수 있다.
도 1은 본 발명의 일 실시예에 따른 네트워크 환경의 예를 도시한 도면이다.
도 2는 본 발명의 일 실시예에 있어서, 전자 기기 및 서버의 내부 구성을 설명하기 위한 블록도이다.
도 3은 본 발명의 일실시예에 따른 서버의 프로세서가 포함할 수 있는 구성요소의 예를 도시한 블록도이다.
도 4는 본 발명의 일실시예에 따른 서버가 수행할 수 있는 방법의 예를 도시한 흐름도이다.
도 5 내지 도 7은 본 발명의 일실시예에 있어서 컨텐츠 간의 관계를 나타내는 컨텐츠 그래프를 생성하는 과정의 일례를 설명하기 위한 예시 도면이다.
도 8은 본 발명의 일실시예에 있어서 컨텐츠 임베딩 과정의 일례를 설명하기 위한 예시 도면이다.
도 9는 본 발명의 일실시예에 있어서 사용자 임베딩 과정의 일례를 설명하기 위한 예시 도면이다.
도 10은 본 발명의 일실시예에 있어서 그래프 기반 컨텐츠 임베딩과 사용자 임베딩을 사용한 개인화 추천 시스템의 예를 도시한 블록도이다.
이하, 본 발명의 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
본 발명의 실시예들은 개인화 컨텐츠 추천을 위한 컨텐츠 임베딩 기술에 관한 것이다.
본 명세서에서 구체적으로 개시되는 것들을 포함하는 실시예들은 개인화 추천을 위한 컨텐츠 임베딩으로 사용자에게 노출된 컨텐츠는 물론이고 노출되지 않은 컨텐츠까지 포함하고 사용자의 활동을 실시간으로 반영한 임베딩을 제공할 수 있고, 이를 통해 컨텐츠에 대한 개인화 추천 모델의 성능을 향상시킬 수 있다.
도 1은 본 발명의 일 실시예에 따른 네트워크 환경의 예를 도시한 도면이다. 도 1의 네트워크 환경은 복수의 전자 기기들(110, 120, 130, 140), 복수의 서버들(150, 160) 및 네트워크(170)를 포함하는 예를 나타내고 있다. 이러한 도 1은 발명의 설명을 위한 일례로 전자 기기의 수나 서버의 수가 도 1과 같이 한정되는 것은 아니다.
복수의 전자 기기들(110, 120, 130, 140)은 컴퓨터 시스템으로 구현되는 고정형 단말이거나 이동형 단말일 수 있다. 복수의 전자 기기들(110, 120, 130, 140)의 예를 들면, AI 스피커, 스마트폰(smart phone), 휴대폰, 내비게이션, 컴퓨터, 노트북, 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 PC, 게임 콘솔(game console), 웨어러블 디바이스(wearable device), IoT(internet of things) 디바이스, VR(virtual reality) 디바이스, AR(augmented reality) 디바이스 등이 있다. 일례로 도 1에서는 전자 기기(110)의 예로 AI 스피커의 형상을 나타내고 있으나, 본 발명의 실시예들에서 전자 기기(110)는 실질적으로 무선 또는 유선 통신 방식을 이용하여 네트워크(170)를 통해 다른 전자 기기들(120, 130, 140) 및/또는 서버(150, 160)와 통신할 수 있는 다양한 물리적인 컴퓨터 시스템들 중 하나를 의미할 수 있다.
통신 방식은 제한되지 않으며, 네트워크(170)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망, 위성망 등)을 활용하는 통신 방식뿐만 아니라 기기들간의 근거리 무선 통신 역시 포함될 수 있다. 예를 들어, 네트워크(170)는, PAN(personal area network), LAN(local area network), CAN(campus area network), MAN(metropolitan area network), WAN(wide area network), BBN(broadband network), 인터넷 등의 네트워크 중 하나 이상의 임의의 네트워크를 포함할 수 있다. 또한, 네트워크(170)는 버스 네트워크, 스타 네트워크, 링 네트워크, 메쉬 네트워크, 스타-버스 네트워크, 트리 또는 계층적(hierarchical) 네트워크 등을 포함하는 네트워크 토폴로지 중 임의의 하나 이상을 포함할 수 있으나, 이에 제한되지 않는다.
서버(150, 160) 각각은 복수의 전자 기기들(110, 120, 130, 140)과 네트워크(170)를 통해 통신하여 명령, 코드, 파일, 컨텐츠, 서비스 등을 제공하는 컴퓨터 장치 또는 복수의 컴퓨터 장치들로 구현될 수 있다. 예를 들어, 서버(150)는 네트워크(170)를 통해 접속한 복수의 전자 기기들(110, 120, 130, 140)로 제1 서비스를 제공하는 시스템일 수 있으며, 서버(160) 역시 네트워크(170)를 통해 접속한 복수의 전자 기기들(110, 120, 130, 140)로 제2 서비스를 제공하는 시스템일 수 있다. 보다 구체적인 예로, 서버(150)는 복수의 전자 기기들(110, 120, 130, 140)에 설치되어 구동되는 컴퓨터 프로그램으로서의 어플리케이션을 통해, 해당 어플리케이션이 목적하는 서비스(일례로, 개인화 추천 서비스 등)를 제1 서비스로서 복수의 전자 기기들(110, 120, 130, 140)로 제공할 수 있다. 다른 예로, 서버(160)는 상술한 어플리케이션의 설치 및 구동을 위한 파일을 복수의 전자 기기들(110, 120, 130, 140)로 배포하는 서비스를 제2 서비스로서 제공할 수 있다.
도 2는 본 발명의 일 실시예에 있어서 전자 기기 및 서버의 내부 구성을 설명하기 위한 블록도이다. 도 2에서는 전자 기기에 대한 예로서 전자 기기(110), 그리고 서버(150)의 내부 구성을 설명한다. 또한, 다른 전자 기기들(120, 130, 140)이나 서버(160) 역시 상술한 전자 기기(110) 또는 서버(150)와 동일한 또는 유사한 내부 구성을 가질 수 있다.
전자 기기(110)와 서버(150)는 메모리(211, 221), 프로세서(212, 222), 통신 모듈(213, 223) 그리고 입출력 인터페이스(214, 224)를 포함할 수 있다. 메모리(211, 221)는 비-일시적인 컴퓨터 판독가능한 기록매체로서, RAM(random access memory), ROM(read only memory), 디스크 드라이브, SSD(solid state drive), 플래시 메모리(flash memory) 등과 같은 비소멸성 대용량 저장 장치(permanent mass storage device)를 포함할 수 있다. 여기서 ROM, SSD, 플래시 메모리, 디스크 드라이브 등과 같은 비소멸성 대용량 저장 장치는 메모리(211, 221)와는 구분되는 별도의 영구 저장 장치로서 전자 기기(110)나 서버(150)에 포함될 수도 있다. 또한, 메모리(211, 221)에는 운영체제와 적어도 하나의 프로그램 코드(일례로 전자 기기(110)에 설치되어 구동되는 브라우저나 특정 서비스의 제공을 위해 전자 기기(110)에 설치된 어플리케이션 등을 위한 코드)가 저장될 수 있다. 이러한 소프트웨어 구성요소들은 메모리(211, 221)와는 별도의 컴퓨터에서 판독가능한 기록매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독가능한 기록매체는 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독가능한 기록매체를 포함할 수 있다. 다른 실시예에서 소프트웨어 구성요소들은 컴퓨터에서 판독가능한 기록매체가 아닌 통신 모듈(213, 223)을 통해 메모리(211, 221)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 어플리케이션의 설치 파일을 배포하는 파일 배포 시스템(일례로, 상술한 서버(160))이 네트워크(170)를 통해 제공하는 파일들에 의해 설치되는 컴퓨터 프로그램(일례로 상술한 어플리케이션)에 기반하여 메모리(211, 221)에 로딩될 수 있다.
프로세서(212, 222)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(211, 221) 또는 통신 모듈(213, 223)에 의해 프로세서(212, 222)로 제공될 수 있다. 예를 들어 프로세서(212, 222)는 메모리(211, 221)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.
통신 모듈(213, 223)은 네트워크(170)를 통해 전자 기기(110)와 서버(150)가 서로 통신하기 위한 기능을 제공할 수 있으며, 전자 기기(110) 및/또는 서버(150)가 다른 전자 기기(일례로 전자 기기(120)) 또는 다른 서버(일례로 서버(160))와 통신하기 위한 기능을 제공할 수 있다. 일례로, 전자 기기(110)의 프로세서(212)가 메모리(211)와 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청이 통신 모듈(213)의 제어에 따라 네트워크(170)를 통해 서버(150)로 전달될 수 있다. 역으로, 서버(150)의 프로세서(222)의 제어에 따라 제공되는 제어 신호나 명령, 컨텐츠, 파일 등이 통신 모듈(223)과 네트워크(170)를 거쳐 전자 기기(110)의 통신 모듈(213)을 통해 전자 기기(110)로 수신될 수 있다. 예를 들어 통신 모듈(213)을 통해 수신된 서버(150)의 제어 신호나 명령, 컨텐츠, 파일 등은 프로세서(212)나 메모리(211)로 전달될 수 있고, 컨텐츠나 파일 등은 전자 기기(110)가 더 포함할 수 있는 저장 매체(상술한 영구 저장 장치)로 저장될 수 있다.
입출력 인터페이스(214)는 입출력 장치(215)와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 입력 장치는 키보드, 마우스, 마이크로폰, 카메라 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커, 햅틱 피드백 디바이스(haptic feedback device) 등과 같은 장치를 포함할 수 있다. 다른 예로 입출력 인터페이스(214)는 터치스크린과 같이 입력과 출력을 위한 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수도 있다. 입출력 장치(215)는 전자 기기(110)와 하나의 장치로 구성될 수도 있다. 또한, 서버(150)의 입출력 인터페이스(224)는 서버(150)와 연결되거나 서버(150)가 포함할 수 있는 입력 또는 출력을 위한 장치(미도시)와의 인터페이스를 위한 수단일 수 있다. 보다 구체적인 예로, 전자 기기(110)의 프로세서(212)가 메모리(211)에 로딩된 컴퓨터 프로그램의 명령을 처리함에 있어서 서버(150)나 전자 기기(120)가 제공하는 데이터를 이용하여 구성되는 서비스 화면이나 컨텐츠가 입출력 인터페이스(214)를 통해 디스플레이에 표시될 수 있다.
또한, 다른 실시예들에서 전자 기기(110) 및 서버(150)는 도 2의 구성요소들보다 더 많은 구성요소들을 포함할 수도 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 예를 들어, 전자 기기(110)는 상술한 입출력 장치(215) 중 적어도 일부를 포함하도록 구현되거나 또는 트랜시버(transceiver), 카메라, 각종 센서, 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수도 있다. 보다 구체적인 예로, 전자 기기(110)가 AI 스피커인 경우, 일반적으로 AI 스피커가 포함하고 있는 각종 센서, 카메라 모듈, 각종 물리적인 버튼, 터치패널을 이용한 버튼, 입출력 포트, 진동을 위한 진동기 등의 다양한 구성요소들이 전자 기기(110)에 더 포함되도록 구현될 수 있다.
이하에서는 개인화 컨텐츠 추천을 위한 실시간 그래프 기반 임베딩 구축 방법 및 시스템의 구체적인 실시예를 설명하기로 한다.
먼저, 뉴럴 네트워크(neural network)와 개인화 추천 시스템을 간단히 설명하면 다음과 같다.
뉴럴 네트워크는 감독 학습(supervised learning)을 사용하는 기계학습 알고리즘 중 하나이다.
뉴럴 네트워크를 학습하는 것은 주어진 데이터 D={x,y}에 대해서 x와 y 사이 적절한 매핑 함수 F(x)=y를 찾는 것이다. 뉴럴 네트워크는 여러 계층으로 구성될 수 있으며, 하나의 계층은 선형 연산과 비선형 연산으로 다시 나뉘어질 수 있다. 선형 연산은 입력벡터 x에 대한 아핀 변환(affine transform) wx+b이며, 비선형 연산은 아핀 변환의 결과값에 활성 함수(activation function)를 적용시키는 것이다. 활성 함수의 대표적인 예로, 시그모이드 함수를 이용할 수 있다. 뉴럴 네트워크가 여러 계층일 경우 하나의 계층의 출력 벡터는 그 다음 계층의 입력 벡터가 된다.
뉴럴 네트워크의 최종 출력 y는 분류 문제(classification problem)일 경우 범주형 값(categorical value)이 되고, 회귀 문제(regression problem)일 경우 실수값(real value)가 된다. 뉴럴 네트워크의 학습은 아핀 변환에 사용하는 파라미터 w와 b의 적절한 값을 찾는 것이며, 역전파(backpropagation) 알고리즘을 사용해서 찾을 수 있다.
더 나아가, 그래프 뉴럴 네트워크(graph neural network)의 경우, 네트워크 입력 X={x1, …, xn}은 그래프로 구성되어 있다.
입력 데이터 집합 D는 D={xi,yi,A}i=1…n와 같다. 여기서, xi는 입력벡터, yi는 출력벡터, A는 모든 입력 x에 대한 인접 행렬(adjacency matrix)이다. 그래프 뉴럴 네트워크의 각 층에서 선형 연산을 하는 아핀 변환은 인접 행렬이 추가된 Axw가 된다. 두 개의 계층으로 구성된 그래프 뉴럴 네트워크 분류기의 식은 수학식 1과 같이 정의될 수 있다.
[수학식 1]
Figure 112019081551026-pat00001
그래프 뉴럴 네트워크의 연산을 단순화하면 hi+1=transform(aggregate(A, hi), w)로 표현할 수 있고, 병합 함수(aggregate)는 입력 벡터를 그래프의 인접 노드들과 병합하는 과정이고, 변환 함수(transform)는 일반적인 뉴럴 네트워크에서 사용하는 아핀 변환과 활성 함수를 적용하는 과정이다. hi, hi+1은 각각 i번째와 i+1번째 층에서 각 노드들의 은닉 벡터(hidden vector)를 의미한다.
추가로, 스펙트럴 그래프 컨볼루션(spectral graph convolution)을 사용할 경우, 인접 행렬 A를 바로 사용하는 대신 D- 1/2AD-1/2를 사용할 수 있고, 이때 D는 그래프의 degree 행렬을 의미한다.
그리고, 개인화 추천 시스템은 사용자에게 적합한 최적의 컨텐츠를 제공해주는 시스템으로, 대표적인 방법으로 협업 필터링(collaborative filtering), FM(factorization machine) 등이 있다.
협업 필터링 방식은 과거 정보로부터 사용자와 컨텐츠 간 인터랙션 행렬(interaction matrix)을 만들고 인터랙션이 없는 사용자와 컨텐츠 기록은 행렬 인수분해(matrix factorization)을 사용해서 계산한다. 이때, 계산된 값들 중 가장 높은 값을 갖는 컨텐츠가 추천된다. 일반적으로 사용자와 컨텐츠 간 인터랙션 행렬을 2개의 작은 행렬로 인수분해하며 각 행렬은 사용자와 컨텐츠의 임베딩 행렬이 된다.
FM 방식은 선형 연산을 사용하여 사용자와 컨텐츠 간 연관도 점수를 계산하며, 연관도 점수는 수학식 2와 같이 정의될 수 있다.
[수학식 2]
Figure 112019081551026-pat00002
여기서, x는 사용자와 컨텐츠 간에 관련한 입력 값이고, w는 입력에 대한 특징 임베딩으로 학습 파라미터를 의미한다.
FM 방식은 사용자와 컨텐츠를 다중 범주형 값(예컨대, 사용자->성별, 나이, 지역 등)으로 표현하고 범주들 사이 가능한 2차 조합들의 점수를 합계하여 사용자에 대해 가장 높은 점수를 갖는 컨텐츠를 추천한다. 이러한 FM 방식은 간단하고 추론 속도가 빠르기 때문에 개인화 추천 시스템으로 널리 사용되고 있다.
개인화 추천 모델을 감독 학습 모델로 구축하는 경우, 학습 데이터는 반드시 입력과 출력 쌍으로 구성되어야 한다. 그러나, 대부분의 사용자는 전체 컨텐츠 중 아주 극소수에만 노출되기 때문에 레이블링(labeling) 되어있는 컨텐츠의 수는 제한적이다. 이러한 사실은 개인화 추천 시스템이 임베딩을 학습하는데 방해가 된다. 이미지넷(ImageNet) 데이터셋 등으로 미리 학습된 딥러닝 모델을 사용하여 컨텐츠의 임베딩에 도움을 줄 수도 있지만, 이러한 경우 컨텐츠의 외향에 관해서만 표현할 수 있다는 한계점이 존재한다. 컨텐츠 사이의 관계는 외향의 비슷한 정도를 넘어서 의미적 유사성, 도메인 관련성 등도 포함할 수 있기 때문이다. 요약하자면, 개인화 추천 모델의 성능을 높이기 위해서는 사용자에게 노출되지 않은 컨텐츠도 적절한 임베딩이 학습될 수 있어야 하고, 이때 임베딩은 컨텐츠의 외향뿐 아니라 다양한 특징을 표현할 수 있어야 한다.
그리고, 협업 필터링이나 FM과 같은 기존 추천 시스템은 개별 사용자마다 고정된 임베딩을 가지고 있다. 즉, 학습이 완성된 사용자 임베딩 값은 사용자가 새로운 활동을 하는 동안 변하지 않는다. 이러한 개인화 추천 시스템은 어제까지 학습된 사용자의 의도가 오늘 새로운 활동을 하는 사용자의 의도와 같다는 가정을 바탕으로 한다. 그러나, 사용자의 의도는 실시간으로 변할 수 밖에 없다. 개인화 추천을 위한 사용자 임베딩은 실시간으로 변하는 의도를 파악해 빠르게 업데이트되는 것이 바람직하다고 할 수 있다.
도 3은 본 발명의 일실시예에 따른 서버의 프로세서가 포함할 수 있는 구성요소의 예를 도시한 블록도이고, 도 4는 본 발명의 일실시예에 따른 서버가 수행할 수 있는 방법의 예를 도시한 흐름도이다.
본 실시예에 따른 서버(150)는 개인화된 컨텐츠를 추천하는 개인화 추천 서비스를 제공하는 플랫폼 역할을 할 수 있다.
서버(150)의 프로세서(222)는 도 4에 따른 개인화 추천을 위한 임베딩 방법을 수행하기 위한 구성요소로서 도 3에 도시된 바와 같이, 그래프 생성부(310), 컨텐츠 임베딩부(320), 사용자 임베딩부(330), 및 컨텐츠 추천부(340)를 포함할 수 있다. 실시예에 따라 프로세서(222)의 구성요소들은 선택적으로 프로세서(222)에 포함되거나 제외될 수도 있다. 또한, 실시예에 따라 프로세서(222)의 구성요소들은 프로세서(222)의 기능의 표현을 위해 분리 또는 병합될 수도 있다.
이러한 프로세서(222) 및 프로세서(222)의 구성요소들은 도 4의 개인화 추천을 위한 임베딩 방법이 포함하는 단계들(S410 내지 S440)을 수행하도록 서버(150)를 제어할 수 있다. 예를 들어, 프로세서(222) 및 프로세서(222)의 구성요소들은 메모리(221)가 포함하는 운영체제의 코드와 적어도 하나의 프로그램의 코드에 따른 명령(instruction)을 실행하도록 구현될 수 있다.
여기서, 프로세서(222)의 구성요소들은 서버(150)에 저장된 프로그램 코드가 제공하는 명령에 따라 프로세서(222)에 의해 수행되는 서로 다른 기능들(different functions)의 표현들일 수 있다. 예를 들어, 서버(150)가 컨텐츠 간 관계를 나타내는 그래프를 생성하도록 상술한 명령에 따라 서버(150)를 제어하는 프로세서(222)의 기능적 표현으로서 그래프 생성부(310)가 이용될 수 있다.
프로세서(222)는 서버(150)의 제어와 관련된 명령이 로딩된 메모리(221)로부터 필요한 명령을 읽어들일 수 있다. 이 경우, 상기 읽어들인 명령은 프로세서(222)가 이후 설명될 단계들(S410 내지 S440)을 실행하도록 제어하기 위한 명령을 포함할 수 있다. 이후 설명될 단계들(S410 내지 S440)은 도 4에 도시된 순서와 다른 순서로 수행될 수 있으며, 단계들(S410 내지 S440) 중 일부가 생략되거나 추가의 과정이 더 포함될 수 있다.
단계(S410)에서 그래프 생성부(310)는 컨텐츠 간의 관계를 나타내는 컨텐츠 그래프를 생성할 수 있다. 그래프 생성부(310)는 컨텐츠를 저장 및 유지하는 컨텐츠 데이터베이스, 및 사용자 별 활동 이력을 저장 및 유지하는 사용자 데이터베이스로부터 컨텐츠 간의 관계를 추출하여 추출된 관계를 그래프 구조로 구축함으로써 컨텐츠 그래프를 생성할 수 있다. 컨텐츠 데이터베이스에는 컨텐츠 별로 각 컨텐츠의 속성 정보, 상세 내용 등이 포함될 수 있으며, 사용자 데이터베이스에는 사용자에게 노출된 컨텐츠, 사용자가 클릭한 컨텐츠 등 컨텐츠와 관련된 사용자 로그 등이 포함될 수 있다.
도 5 내지 도 7은 본 발명의 일실시예에 있어서 컨텐츠 간의 관계를 나타내는 컨텐츠 그래프를 생성하는 과정의 일례를 설명하기 위한 예시 도면이다.
도 5는 컨텐츠 그래프의 예시를 나타내고 있다.
도 5를 참조하면, 컨텐츠 그래프(500)는 컨텐츠를 나타내는 노드(node)(501)와, 컨텐츠 간의 관계를 나타내는 엣지(edge)(502)로 구성된다. 컨텐츠 그래프(500), 즉 그래프 G=(V,E)는 노드 집합 V=(v1, …, vn)와 엣지 집합 E=(Esim, Eclick, Edomain, Esession, …)으로 구성된다. 여기서, 노드 vi는 i번째 컨텐츠를 나타내며, 컨텐츠는 추천 대상이 되는 모든 아이템(예컨대, 쿠폰, 뉴스, 음악, 만화 등)이 해당될 수 있다. 엣지 종류는 외향적 유사성(appearance similarity)을 나타내는 Esim, 클릭(click) 관계를 나타내는 Eclick, 도메인 유사성(domain similarity)을 나타내는 Edomain, 세션(session) 관계를 나타내는 Esession 등이 포함될 수 있다.
자세히 설명하면, 외향적 유사성 Esim=(esim 0, …, esim m)의 esim=(vi, vj)는 컨텐츠 vi와 vj 사이의 외향적 유사도를 나타내는 엣지이다. 이미지넷 데이터셋을 이용하여 미리 학습한 딥러닝(deep learning)을 사용하면 두 컨텐츠 사이의 외향적 유사 정도를 측정할 수 있고, KNN(K-Nearest Neighbor) 알고리즘을 사용하여 거리가 가까운 노드들끼리 엣지로 연결할 수 있다. 이미지넷을 학습한 뉴럴 네트워크뿐만 아니라 위키피디아(Wikipedia)를 학습한 RNN(recurrent neural network), LSTM(long-short term memory) 등 다른 데이터를 학습한 모델에 대해서도 확장할 수 있다. 분류 문제에서 KNN의 출력은 소속된 항목으로 k개의 최근접 이웃 사이에서 가장 공통적인 항목에 할당되는 객체로 분류될 수 있고, 회귀 문제에서 KNN의 출력은 객체의 특정 값으로 k개의 최근접 이웃이 가진 값의 평균에 해당된다. KNN의 k값은 조절 가능한 파라미터이며, k값을 큰 값으로 설정할 경우 노이지 데이터로 인한 변화량은 감소하나 중요 데이터를 놓치게 되고, 반대로 k값을 작은 값으로 설정할 경우 노이지 데이터나 이상치의 영향이 커지게 된다.
그리고, 클릭 관계 Eclick=(eclick 0, …, eclick p)의 eclick=(vi, vj)은 동일 사용자가 컨텐츠 vi를 클릭한 이후 연속적으로 혹은 단위 시간 이내에 컨텐츠 vj를 클릭한 관계를 나타낸다. 모든 사용자의 활동 이력에 포함된 클릭 기록으로부터 클릭 관계를 나타내는 엣지를 만들 수 있다.
세션 관계 Esession=(esession 0, …, esession q)의 esession=(vi, vj)은 컨텐츠 vi와 vj가 하나의 세션에 등장한 관계를 나타낼 수 있다. 이때, 세션은 전자 기기(110)와 서버(150) 간의 통신에서의 세션 계층(session layer)으로, 응용 프로그램의 기동을 시작해서 종료할 때까지의 시간을 의미할 수 있으며, 세션 관계는 같은 세션에 함께 노출되는 컨텐츠임을 나타낼 수 있다.
도메인 유사성 Edomain=(edomain 0, …, edomain r)의 edomain=(vi, vj)은 컨텐츠 vi와 vj가 같은 주제의 컨텐츠임을 나타낼 수 있다. 이때, 도메인은 관계형 데이터베이스에서 테이블의 각 속성이 가질 수 있는 값의 집합을 의미하는 것으로, 도메인 유사성은 같은 속성 관계를 나타낼 수 있다.
이와 같이 구축된 컨텐츠 그래프(500)는 이종 그래프(heterogeneous graph)이고, 컨텐츠 간의 외향적 유사성은 물론이고 컨텐츠 간의 다양한 관계들을 표현함으로써 생성될 수 있다.
도 6에 도시한 관계 구조의 컨텐츠 그래프(500)에 따르면, 미세먼지 관련 뉴스기사 A(61)는 마스크 광고(63) 및 공기 청정기 광고(64)와 직접적인 관계는 없지만 미세먼지 관련 뉴스기사 B(62)와 외향적 유사성 및 세션 관계가 있기 때문에 미세먼지 뉴스기사 B(62)와 클릭 관계가 있는 마스크 광고(63), 그리고 마스크 광고(63)와 도메인 유사성이 있는 공기 청정기 광고(64)와 모두 연결 가능하다.
마찬가지로, 도 7에 도시한 관계 구조의 컨텐츠 그래프(500)에 따르면, 햄버거 할인 쿠폰(71)과 클릭 관계 및 세션 관계를 가진 햄버거 광고(74)의 경우 커피 쿠폰 A(72), 커피 쿠폰 B(73)와 직접적인 관계가 없더라도 커피 쿠폰 A(72)가 햄버거 할인 쿠폰(71)과 도메인 유사성이 있고 커피 쿠폰 B(73)가 커피 쿠폰 A(72)와 외향적 유사성이 있기 때문에 햄버거 광고(74)가 햄버거 할인 쿠폰(71)을 통해 커피 쿠폰 A(72), 커피 쿠폰 B(73)와 모두 연결 가능하다.
따라서, 컨텐츠 간의 외향적 유사성뿐만 아니라, 클릭 관계, 세션 관계, 도메인 유사성 등 다양한 특징의 관계가 표현된 컨텐츠 그래프(500)를 통해 사용자에게 노출되지 컨텐츠라 하더라도 외향적 유사성, 클릭 관계, 세션 관계, 도메인 유사성 등의 관계를 나타내는 엣지를 거치게 되면 사용자에게 노출된 컨텐츠와 연결됨에 따라 더욱 많은 컨텐츠가 임베딩 학습에 참여할 수 있다.
다시 도 4에서, 단계(S420)에서 컨텐츠 임베딩부(320)는 단계(S410)에서 생성된 컨텐츠 그래프를 이용하여 컨텐츠의 임베딩을 학습할 수 있다.
도 8은 본 발명의 일실시예에 있어서 컨텐츠 임베딩 과정의 일례를 설명하기 위한 예시 도면이다.
도 8을 참조하면, 컨텐츠 임베딩을 학습하기 위해 앞서 설명한 그래프 뉴럴 네트워크(GNN) 기반의 학습 모델(800)이 사용되며, 도 5를 통해 설명한 컨텐츠 그래프(500)가 학습 모델(800)의 입력이 된다.
학습데이터 D는 D=(click_sequence_set, next_click, A)와 같다. 여기서, click_sequence_set은 과거 사용자들이 클릭한 컨텐츠의 시퀀스 집합 click_sequence_set=(click_sequence0, …, click_sequence|D|)이고, click_sequence=(v0, …, vl-)이다. next_click=(next_click0, next_click|D|)에서 next_clicki은 i번째 click_sequence에서 사용자가 다음에 클릭한 컨텐츠 vl + 1를 나타낸다. A는 컨텐츠 그래프의 인접 행렬(adjacency matrix)을 나타낸다.
도 8에 도시한 바와 같이, 컨텐츠 임베딩부(320)는 컨텐츠 그래프(500)의 각 노드에 해당되는 컨텐츠의 로우 데이터(raw data)로부터 컨볼루션 심층망(convolution deep network)을 통해 특징 벡터를 추출함으로써 각 노드에 대한 초기 특징 값을 획득할 수 있다. 이후, 컨텐츠 임베딩부(320)는 그래프 뉴럴 네트워크(GNN)를 통해 컨텐츠 그래프(500)에 기초하여 노드 간의 엣지에 따른 그래프 토폴로지(topology)가 반영된 특징 값을 생성할 수 있다. 다시 말해, 그래프 뉴럴 네트워크(GNN)는 컨텐츠 그래프(500)에서 엣지로 연결된 노드들을 비슷한 특징 값을 갖도록 학습할 수 있다.
컨텐츠 임베딩부(320)는 click_sequence의 컨텐츠 v0, …, vl와 next_click 컨텐츠 vl +1을 임베딩시킨다. 각 노드의 초기 값은 미리 학습된 딥러닝 모델을 사용하여 계산해놓을 수 있으며, 컨텐츠 임베딩 학습은 컨텐츠 v0, …, vl의 결합 임베딩과 컨텐츠 vl +1의 임베딩을 유사하게, 즉 임베딩 거리를 가깝게 만드는 방식으로 진행된다.
풀링(pooling) 계층에서는 click_sequence의 컨텐츠 v0, …, vl을 단일 특징 값으로 결합해주는(aggregate) 역할을 하는 것으로, 이때 컨텐츠 임베딩을 결합하기 위해서 벡터 평균(vector mean), 벡터 요소별 곱(element-wise product), 순환 신경망(RNN) 등 다양한 방법이 사용될 수 있다. 컨텐츠 v0, …, vl의 결합 임베딩과 컨텐츠 vl +1의 임베딩의 거리를 가깝게 만드는 방법으로 트리플렛 손실(triplet loss) 함수 또는 마진 기반 손실(margin-based loss) 함수가 사용될 수 있다. 컨텐츠 그래프(500)에서 모든 엣지가 의미 있는 것이 아니며 일부 노이즈가 포함될 수 있기 때문에 트리플렛 손실 함수 등을 이용하여 엣지마다 가중치를 적용할 수 있다. 예를 들어, 컨텐츠 vl와 컨텐츠 vl +1 간의 관계에 해당되는 엣지에 큰 가중치를 주어 컨텐츠 임베딩을 학습할 수 있다.
상기한 학습 모델(800)은 그래프 컨볼루션(graph convolution), Graph SAGE 등 다양한 그래프 임베딩 방법이 사용될 수 있다.
상기에서는 컨텐츠 간의 클릭 관계를 중심으로 컨텐츠의 임베딩 과정을 설명하고 있으나, 다른 특성의 관계 또한 동일한 방식으로 컨텐츠의 임베딩을 학습할 수 있다.
다시 도 4에서, 단계(S430)에서 사용자 임베딩부(330)는 단계(S420)에서 컨텐츠 임베딩 학습이 완료된 컨텐츠 그래프를 기초로 컨텐츠를 소비하는 사용자의 임베딩을 수행할 수 있다. 사용자 임베딩부(330)는 컨텐츠 그래프에 컨텐츠와 관련된 사용자의 활동을 실시간으로 반영하여 사용자 임베딩을 수행할 수 있다.
도 9는 본 발명의 일실시예에 있어서 사용자 임베딩 과정의 일례를 설명하기 위한 예시 도면이다. 도 9는 학습 모델(800)을 통해 학습이 완료된 컨텐츠 그래프(500)로부터 사용자를 임베딩하는 과정의 일례를 나타낸 것이다.
도 9를 참조하면, 사용자 노드(90)는 컨텐츠 그래프(500)에 명시적으로 존재하지 않으나 사용자의 실시간 활동으로부터 가상 사용자 노드(virtual user node)로 표현할 수 있다. 가상 사용자 노드(90)는 컨텐츠 그래프(500)에서 해당 사용자와 인터랙션이 발생한 컨텐츠들과 연결될 수 있다.
사용자 임베딩은 도 8의 학습 모델(800)에서 컨텐츠 v0, …, vl의 결합 임베딩으로부터 계산된다. 사용자 노드는 고정된 사용자 임베딩을 갖지 않으므로 존재하지 않는다. 대신 사용자 임베딩은 컨텐츠 그래프(500)에서 사용자의 활동 내역으로부터 만들어진 가상 사용자 노드(90)와 연결된 컨텐츠 임베딩을 결합하여 계산된다. 임베딩 결합 방법은 컨텐츠 임베딩 학습에 사용한 방법(예컨대, 벡터 평균, 벡터 요소별 곱, 순환 신경망 등)을 사용할 수 있다. 사용자의 실시간 활동이 반영된 사용자 임베딩은 기존 추천 시스템에서 사용자 임베딩을 미리 고정시켜 놓는 방법과 대조된다. 개인화 추천을 하기 위해서 임베딩 공간에서 사용자 임베딩과 컨텐츠 임베딩과의 거리를 측정하며 가장 가까운 임베딩을 가진 컨텐츠가 선택될 수 있다.
다시 도 4에서, 단계(S440)에서 컨텐츠 추천부(340)는 단계(S420)에서의 컨텐츠 임베딩과 단계(S430)에서의 사용자 임베딩에 기초하여 개인화된 컨텐츠를 추천할 수 있다.
도 10은 본 발명의 일실시예에 있어서 그래프 기반 컨텐츠 임베딩과 사용자 임베딩을 사용한 개인화 추천 시스템의 예를 도시한 블록도이다.
도 10을 참조하면, 개인화 추천 시스템(1000)은 클라이언트인 복수의 전자 기기들(110, 120, 130, 140)에 설치된 어플리케이션의 프록시 시스템(proxy system)으로서 도 1과 도 2를 통해 설명한 서버(110)에 대응될 수 있다.
개인화 추천 시스템(1000)은 임베딩 부분과 검색 부분으로 나뉠 수 있으며, 임베딩 부분은 그래프 생성부(310)와 컨텐츠 임베딩부(320) 및 사용자 임베딩부(330)를 포함하며, 검색 부분은 컨텐츠 추천부(340)를 포함할 수 있다.
개인화 추천 시스템(1000)은 CP(content provider)로부터 제공된 컨텐츠를 저장 및 유지하기 위한 컨텐츠 데이터베이스(1001), 전자 기기(110, 120, 130, 140)의 사용자의 활동 이력을 저장 및 유지하기 위한 사용자 데이터베이스(1002), 컨텐츠 임베딩을 저장 및 유지하기 위한 컨텐츠 임베딩 데이터베이스(1003), 및 사용자 임베딩을 저장 및 유지하기 위한 사용자 임베딩 데이터베이스(1004)를 포함할 수 있다.
상기한 데이터베이스들(1001, 1002, 1003, 1004)은 메모리(221)와는 구분되는 별도의 저장 장치로서 서버(150)에 포함되거나 혹은 서버(150)와 연동 가능한 별개의 시스템으로 구성될 수 있다.
개인화 추천 시스템(1000)은 대용량의 컨텐츠로부터 사용자에게 적합한, 즉 개인화된 컨텐츠를 빠른 시간 안에 찾아 사용자에게 제공할 수 있어야 한다. 이를 위해, 먼저 그래프 생성부(310)는 컨텐츠 데이터베이스(1001)와 사용자 데이터베이스(1002)에 저장된 정보를 바탕으로 컨텐츠 간의 다양한 관계로 만들어진 컨텐츠 그래프를 구축할 수 있고, 컨텐츠 임베딩부(320)는 컨텐츠 그래프에 기초하여 컨텐츠 임베딩 값을 미리 계산하여 컨텐츠 임베딩 데이터베이스(1003)에 저장해놓을 수 있다. 그리고, 사용자 임베딩부(330)는 서버(150)로부터 사용자의 활동(사용자와 인터랙션 이력이 있는 컨텐츠)를 전달받아 실시간으로 사용자 임베딩을 업데이트할 수 있으며 업데이트된 사용자 임베딩을 사용자 임베딩 데이터베이스(1004)에 별도로 저장해놓을 수 있다.
컨텐츠 추천부(340)는 전자 기기(110)의 사용자를 대상으로 개인화 추천 서비스를 제공하는 경우 컨텐츠 임베딩 데이터베이스(1003)에 저장된 컨텐츠 임베딩 값과 사용자 임베딩 데이터베이스(1004)에 저장된 사용자 임베딩 값을 바탕으로 전자 기기(110)의 사용자의 임베딩 값과 가장 가까운 임베딩 값을 가진 컨텐츠를 선택하여 추천할 수 있다.
사용자 임베딩의 경우 실시간 업데이트를 반영하기 때문에 사용자 임베딩 계산 시간이 사전에 정해진 임계치(threshold)를 초과하면 이전에 저장해놓았던 사용자 임베딩이 컨텐츠 추천에 사용될 수 있다.
컨텐츠 추천부(340)는 사용자 임베딩으로부터 가장 가까운 컨텐츠 임베딩을 찾기 위해서 NN(nearest neighbor) 기법(예컨대, ANN(approximate nearest neighbor), KNN(k-nearest neighbor) 등과 같은 알고리즘을 사용할 수 있다.
이처럼 본 발명의 실시예들에 따르면, 개인화 추천을 위한 임베딩으로 사용자에게 노출된 컨텐츠는 물론이고 노출되지 않은 컨텐츠까지 포함 가능하고 사용자의 활동을 실시간으로 반영한 임베딩을 제공함으로써 컨텐츠에 대한 개인화 추천 모델의 성능을 더욱 향상시킬 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 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(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 어플리케이션을 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 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 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, 컴퓨터 저장 매체 또는 장치에 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. 이때, 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수 개의 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 어플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (20)

  1. 컴퓨터 시스템에서 실행되는 개인화 추천을 위한 임베딩 방법에 있어서,
    상기 컴퓨터 시스템은 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,
    상기 개인화 추천을 위한 임베딩 방법은,
    상기 적어도 하나의 프로세서에 의해, 추천 대상이 되는 컨텐츠 간의 관계를 나타내는 그래프를 생성하는 단계;
    상기 적어도 하나의 프로세서에 의해, 상기 그래프를 이용하여 상기 컨텐츠의 임베딩을 학습하는 단계; 및
    상기 적어도 하나의 프로세서에 의해, 상기 학습이 완료된 그래프에 상기 컨텐츠와 관련된 사용자의 활동을 반영하여 상기 사용자의 임베딩을 수행하는 단계
    를 포함하고,
    상기 생성하는 단계는,
    상기 컨텐츠를 노드로 구성하는 단계; 및
    상기 컨텐츠 간의 관계를 엣지로 구성하는 단계
    를 포함하고,
    상기 그래프를 상기 엣지의 종류로 외향(appearance)이 유사한 관계를 나타내는 외향적 유사성 엣지, 동일 사용자에 의해 클릭된 관계를 나타내는 클릭 관계 엣지, 같은 세션(session)에 노출되는 관계를 나타내는 세션 관계 엣지, 같은 도메인(domain)을 가진 관계를 나타내는 도메인 유사성 엣지가 포함되는 이종 그래프(heterogeneous graph)로 생성하고,
    상기 수행하는 단계는,
    상기 사용자를 가상 노드(virtual node)로 표현하여 상기 가상 노드를 상기 사용자의 활동과 관련된 컨텐츠의 노드와 연결하는 단계;
    상기 가상 노드와 연결된 컨텐츠들의 임베딩을 결합하여 상기 사용자의 임베딩을 계산하는 단계; 및
    상기 사용자의 활동을 실시간으로 수신하여 상기 계산된 임베딩을 업데이트하는 단계
    를 포함하는, 개인화 추천을 위한 임베딩 방법.
  2. 삭제
  3. 제1항에 있어서,
    상기 생성하는 단계는,
    상기 컨텐츠를 저장 및 유지하는 컨텐츠 데이터베이스와 상기 사용자의 활동 이력을 저장 및 유지하는 사용자 데이터베이스로부터 상기 컨텐츠 간의 관계를 추출하여 추출된 관계를 그래프 구조로 구축하는 단계
    를 포함하는, 개인화 추천을 위한 임베딩 방법.
  4. 제1항에 있어서,
    상기 학습하는 단계는,
    GNN(graph neural network) 기반 학습 모델을 통해 관계가 있는 컨텐츠들의 임베딩을 학습하는 단계
    를 포함하는, 개인화 추천을 위한 임베딩 방법.
  5. 제1항에 있어서,
    상기 학습하는 단계는,
    GNN 기반 학습 모델을 통해 상기 사용자가 클릭한 컨텐츠들의 시퀀스 집합을 학습 데이터로 하여 이전에 클릭한 이전 컨텐츠와 상기 이전 컨텐츠 다음에 클릭한 다음 컨텐츠를 임베딩시키는 단계
    를 포함하는, 개인화 추천을 위한 임베딩 방법.
  6. 삭제
  7. 삭제
  8. 제1항에 있어서,
    상기 개인화 추천을 위한 임베딩 방법은,
    상기 적어도 하나의 프로세서에 의해, 상기 컨텐츠의 임베딩과 상기 사용자의 임베딩을 기초로 추천 컨텐츠를 선택하는 단계
    를 더 포함하는, 개인화 추천을 위한 임베딩 방법.
  9. 제8항에 있어서,
    상기 선택하는 단계는,
    상기 사용자의 임베딩 값과 거리가 가장 가까운 임베딩 값을 가진 컨텐츠를 상기 추천 컨텐츠로 선택하는 것
    을 특징으로 하는, 개인화 추천을 위한 임베딩 방법.
  10. 제8항에 있어서,
    상기 사용자의 임베딩은 상기 사용자의 활동에 따라 실시간 업데이트되고,
    상기 선택하는 단계는,
    상기 사용자의 임베딩 계산 시간이 사전에 정해진 임계치를 초과하는 경우 이전에 계산된 임베딩을 이용하여 상기 추천 컨텐츠를 선택하는 것
    을 특징으로 하는, 개인화 추천을 위한 임베딩 방법.
  11. 제1항, 제3항 내지 제5항, 제8항 내지 제10항 중 어느 한 항의 개인화 추천을 위한 임베딩 방법을 상기 컴퓨터 시스템에 실행시키기 위해 비-일시적인 컴퓨터 판독가능한 기록 매체에 저장되는 컴퓨터 프로그램.
  12. 제1항, 제3항 내지 제5항, 제8항 내지 제10항 중 어느 한 항의 개인화 추천을 위한 임베딩 방법을 컴퓨터에 실행시키기 위한 프로그램이 기록되어 있는 비-일시적인 컴퓨터 판독 가능한 기록 매체.
  13. 컴퓨터 시스템에 있어서,
    메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서
    를 포함하고,
    상기 적어도 하나의 프로세서는,
    추천 대상이 되는 컨텐츠 간의 관계를 나타내는 그래프를 생성하는 그래프 생성부;
    상기 그래프를 이용하여 상기 컨텐츠의 임베딩을 학습하는 컨텐츠 임베딩부; 및
    상기 학습이 완료된 그래프에 상기 컨텐츠와 관련된 사용자의 활동을 반영하여 상기 사용자의 임베딩을 수행하는 사용자 임베딩부
    를 포함하고,
    상기 그래프 생성부는,
    상기 컨텐츠를 노드로 구성하고 상기 컨텐츠 간의 관계를 엣지로 구성하는 것으로,
    상기 그래프를 상기 엣지의 종류로 외향이 유사한 관계를 나타내는 외향적 유사성 엣지, 동일 사용자에 의해 클릭된 관계를 나타내는 클릭 관계 엣지, 같은 세션에 노출되는 관계를 나타내는 세션 관계 엣지, 같은 도메인을 가진 관계를 나타내는 도메인 유사성 엣지가 포함되는 이종 그래프로 생성하고,
    상기 사용자 임베딩부는,
    상기 사용자를 가상 노드로 표현하여 상기 가상 노드를 상기 사용자의 활동과 관련된 컨텐츠의 노드와 연결하고,
    상기 가상 노드와 연결된 컨텐츠들의 임베딩을 결합하여 상기 사용자의 임베딩을 계산하고,
    상기 사용자의 활동을 실시간으로 수신하여 상기 계산된 임베딩을 업데이트하는 것
    을 특징으로 하는 컴퓨터 시스템.
  14. 삭제
  15. 제13항에 있어서,
    상기 그래프 생성부는,
    상기 컨텐츠를 저장 및 유지하는 컨텐츠 데이터베이스와 상기 사용자의 활동 이력을 저장 및 유지하는 사용자 데이터베이스로부터 상기 컨텐츠 간의 관계를 추출하여 추출된 관계를 그래프 구조로 구축하는 것
    을 특징으로 하는 컴퓨터 시스템.
  16. 제13항에 있어서,
    상기 컨텐츠 임베딩부는,
    GNN 기반 학습 모델을 통해 관계가 있는 컨텐츠들의 임베딩을 학습하는 것
    을 특징으로 하는 컴퓨터 시스템.
  17. 제13항에 있어서,
    상기 컨텐츠 임베딩부는,
    GNN 기반 학습 모델을 통해 상기 사용자가 클릭한 컨텐츠들의 시퀀스 집합을 학습 데이터로 하여 이전에 클릭한 이전 컨텐츠와 상기 이전 컨텐츠 다음에 클릭한 다음 컨텐츠를 임베딩시키는 것
    을 특징으로 하는 컴퓨터 시스템.
  18. 삭제
  19. 삭제
  20. 제13항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 컨텐츠의 임베딩과 상기 사용자의 임베딩을 기초로 추천 컨텐츠를 선택하는 컨텐츠 추천부
    를 더 포함하는 컴퓨터 시스템.
KR1020190096950A 2019-08-08 2019-08-08 개인화 컨텐츠 추천을 위한 실시간 그래프기반 임베딩 구축 방법 및 시스템 KR102214422B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020190096950A KR102214422B1 (ko) 2019-08-08 2019-08-08 개인화 컨텐츠 추천을 위한 실시간 그래프기반 임베딩 구축 방법 및 시스템
JP2020134521A JP7083375B2 (ja) 2019-08-08 2020-08-07 個人化コンテンツ推薦のためのリアルタイムグラフに基づく埋め込み構築方法およびシステム
KR1020210015369A KR102342678B1 (ko) 2019-08-08 2021-02-03 개인화 컨텐츠 추천을 위한 실시간 그래프기반 임베딩 구축 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190096950A KR102214422B1 (ko) 2019-08-08 2019-08-08 개인화 컨텐츠 추천을 위한 실시간 그래프기반 임베딩 구축 방법 및 시스템

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020210015369A Division KR102342678B1 (ko) 2019-08-08 2021-02-03 개인화 컨텐츠 추천을 위한 실시간 그래프기반 임베딩 구축 방법 및 시스템

Publications (1)

Publication Number Publication Date
KR102214422B1 true KR102214422B1 (ko) 2021-02-09

Family

ID=74559045

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190096950A KR102214422B1 (ko) 2019-08-08 2019-08-08 개인화 컨텐츠 추천을 위한 실시간 그래프기반 임베딩 구축 방법 및 시스템

Country Status (2)

Country Link
JP (1) JP7083375B2 (ko)
KR (1) KR102214422B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102557827B1 (ko) * 2022-03-29 2023-07-19 고려대학교 산학협력단 그래프 데이터 기반 관련 과목 추천 시스템 및 그 방법, 이를 수행하기 위한 기록매체
WO2023211243A1 (ko) * 2022-04-29 2023-11-02 네이버 주식회사 전문가 지식을 이용한 최적 경로를 제공하는 방법, 컴퓨터 장치, 및 컴퓨터 프로그램

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113139654B (zh) * 2021-03-18 2023-06-09 北京三快在线科技有限公司 图神经网络模型的训练方法及装置
CN113408297B (zh) 2021-06-30 2023-08-18 北京百度网讯科技有限公司 生成节点表示的方法、装置、电子设备和可读存储介质
CN113742596A (zh) * 2021-09-18 2021-12-03 辽宁工程技术大学 一种基于注意力机制的神经协同过滤推荐方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160034334A (ko) * 2013-07-15 2016-03-29 페이스북, 인크. 온라인 소셜 네트워크에서의 대규모 페이지 추천
KR20180121466A (ko) * 2017-04-06 2018-11-07 네이버 주식회사 딥러닝을 활용한 개인화 상품 추천

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5266753B2 (ja) * 2007-12-28 2013-08-21 日本電気株式会社 在宅情報取得システム、受取人端末装置、受取人端末装置制御方法、在宅情報サーバー、在宅情報サーバー制御方法、及び、プログラム
US20170132510A1 (en) * 2015-11-05 2017-05-11 Facebook, Inc. Identifying Content Items Using a Deep-Learning Model
JP6744353B2 (ja) * 2017-04-06 2020-08-19 ネイバー コーポレーションＮＡＶＥＲ Ｃｏｒｐｏｒａｔｉｏｎ ディープラーニングを活用した個人化商品推薦

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160034334A (ko) * 2013-07-15 2016-03-29 페이스북, 인크. 온라인 소셜 네트워크에서의 대규모 페이지 추천
KR20180121466A (ko) * 2017-04-06 2018-11-07 네이버 주식회사 딥러닝을 활용한 개인화 상품 추천

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Wenqi Fan 외 6, ‘Graph Neural Networks for Social Recommendation’, 2019 The World Wide Web Conference, 페이지 1-11, (2019.02.19.) 1부* *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102557827B1 (ko) * 2022-03-29 2023-07-19 고려대학교 산학협력단 그래프 데이터 기반 관련 과목 추천 시스템 및 그 방법, 이를 수행하기 위한 기록매체
WO2023211243A1 (ko) * 2022-04-29 2023-11-02 네이버 주식회사 전문가 지식을 이용한 최적 경로를 제공하는 방법, 컴퓨터 장치, 및 컴퓨터 프로그램

Also Published As

Publication number Publication date
JP2021026779A (ja) 2021-02-22
JP7083375B2 (ja) 2022-06-10

Similar Documents

Publication Publication Date Title
KR102342678B1 (ko) 개인화 컨텐츠 추천을 위한 실시간 그래프기반 임베딩 구축 방법 및 시스템
KR102214422B1 (ko) 개인화 컨텐츠 추천을 위한 실시간 그래프기반 임베딩 구축 방법 및 시스템
JP6744353B2 (ja) ディープラーニングを活用した個人化商品推薦
JP6446602B2 (ja) データのカテゴリ分類のための方法およびシステム
CN111523044B (zh) 用于推荐目标对象的方法、计算设备和计算机存储介质
KR20180121466A (ko) 딥러닝을 활용한 개인화 상품 추천
KR102501496B1 (ko) 개인화를 통한 연합 학습의 다중 모델 제공 방법, 시스템, 및 컴퓨터 프로그램
US20170330239A1 (en) Methods and systems for near real-time lookalike audience expansion in ads targeting
WO2022016522A1 (zh) 推荐模型的训练方法、推荐方法、装置及计算机可读介质
KR20190093813A (ko) 인공지능 기반 상품 추천 방법 및 그 시스템
CN111797327B (zh) 社交网络建模的方法及装置
KR20210144330A (ko) 협업 필터링 신경망을 이용하여 상품을 추천하는 방법 및 장치
KR102376652B1 (ko) Ai를 활용한 상품 데이터 실시간 분석 및 상품 정보를 업데이트하기 위한 방법 및 시스템
KR102119518B1 (ko) 인공지능을 이용하여 생성되는 스타일 공간에 기반한 상품 추천 방법 및 시스템
CN112055038A (zh) 生成点击率预估模型的方法及预测点击概率的方法
KR20210016593A (ko) 인공지능 기반 상품 추천 방법 및 그 시스템
WO2024012360A1 (zh) 一种数据处理方法及相关装置
JP2023162154A (ja) 地域知識グラフに基づいて推薦情報を提供する方法、コンピュータ装置、およびコンピュータプログラム
KR20200097949A (ko) 키워드 관계 구조를 이용한 동의어 추출 방법 및 시스템
JP5588938B2 (ja) アイテム推薦装置及び方法及びプログラム
KR102195191B1 (ko) 키워드 관계 구조를 이용한 신규 키워드 추출 방법 및 시스템
KR20210038496A (ko) 키워드 관계 구조를 이용한 동의어 추출 방법 및 시스템
CN110059248B (zh) 一种推荐方法、装置及服务器
US20220101174A1 (en) Sharing and executing custom machine learning algorithms
KR20230173818A (ko) 응답률을 고려한 챗봇 시나리오 제작 방법, 장치 및 컴퓨터 프로그램

Legal Events

Date Code Title Description
A107 Divisional application of patent
GRNT Written decision to grant