KR102229768B1 - 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 시스템 및 그 방법 - Google Patents

사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 시스템 및 그 방법 Download PDF

Info

Publication number
KR102229768B1
KR102229768B1 KR1020190039405A KR20190039405A KR102229768B1 KR 102229768 B1 KR102229768 B1 KR 102229768B1 KR 1020190039405 A KR1020190039405 A KR 1020190039405A KR 20190039405 A KR20190039405 A KR 20190039405A KR 102229768 B1 KR102229768 B1 KR 102229768B1
Authority
KR
South Korea
Prior art keywords
case
user
new
cases
solution
Prior art date
Application number
KR1020190039405A
Other languages
English (en)
Other versions
KR20200117381A (ko
Inventor
이지현
이태하
이채석
최민규
포 얀 라이
김미래
이용주
Original Assignee
한국과학기술원
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 한국과학기술원 filed Critical 한국과학기술원
Priority to KR1020190039405A priority Critical patent/KR102229768B1/ko
Publication of KR20200117381A publication Critical patent/KR20200117381A/ko
Application granted granted Critical
Publication of KR102229768B1 publication Critical patent/KR102229768B1/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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking
    • G06Q50/30—

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 시스템 및 그 방법이 제시된다. 본 발명의 일 실시예에 따른 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 방법은, 사용자의 맥락을 신규 사례로 표현하여 사례화하는 단계; 상기 사용자의 맥락의 신규 사례를 토대로 과거 사례를 케이스 베이스(Case-base, CB)로부터 검색하여 유사도가 가장 높은 사례 또는 유사도가 높은 사례들을 선별하여 유사도가 높은 순서의 소정의 상위 사례들을 기반으로 1차 솔루션을 도출하고, 상기 사용자에게 상기 1차 솔루션을 추천하는 단계; 및 상기 1차 솔루션에 대한 상기 사용자의 피드백을 받은 후 상기 사용자의 피드백을 반영하여 최종 솔루션으로 수정하고, 상기 사용자에게 상기 최종 솔루션을 추천하는 단계를 포함하여 이루어질 수 있다.

Description

사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 시스템 및 그 방법{Collective Intelligence Case-Based Reasoning System and its Method for user-customized recommendation}
본 발명은 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 시스템 및 그 방법에 관한 것이다.
최근 개인 맞춤형 서비스에 대한 수요와 시장이 나날이 커져가고 있다. 정보가 많아지고 생활이 복잡해지면서 사람들이 결정해야 할 선택 사항들이 더욱 많아지고 있기 때문에 원하는 정보를 빨리 찾고 의사 결정에 도움을 받을 수 있는 시스템 또는 서비스에 대한 수요가 증가하고 있다.
이러한 개인 맞춤형 서비스를 제공하기 위해 사례기반추론(Case Based Reasoning, CBR)이 사용될 수 있다. 사례기반추론(CBR)은 과거에 있었던 사례(케이스)들의 결과를 바탕으로 새로운 사례의 결과를 예측하는 기법이다. 사례기반추론을 이용하기 위해서는 일반적으로 과거의 사례와 사례들 사이의 유사 정도를 측정하기 위한 유사도 척도가 준비되어야 한다.
한국등록특허 10-1298160호는 이러한 의사 결정 추천 시스템 및 방법에 관한 것으로, 온톨로지를 이용한 의사 결정 추천 시스템 및 방법에 관한 기술을 기재하고 있다.
이는 과거 사례를 활용한 기존 CBR 방식에 온톨로지를 활용하는 방법으로, 전통적인 CBR 방식을 그대로 이용하여 해결 방안을 도출하는 방식을 보이고 있다. 그러나 기존의 의사 결정 추천 시스템은 해결 방안을 도출하는 과정에서 통계 데이터의 오류가 발생되는 문제점이 있다.
한국등록특허 10-1298160호
본 발명의 실시예들은 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 시스템 및 그 방법에 관하여 기술하며, 보다 구체적으로 다양한 추론 모듈을 통한 의사 결정(Decision Making) 과정에 의장-의원 제도를 통한 집단지성 기반 투표 방식을 적용시킴으로써, 사용자의 현재 상황에서 가장 최적의 해결안을 도출할 수 있는 기술을 제공한다.
본 발명의 실시예들은 사용자의 맥락에 알맞은 서비스를 제공하기 위하여 현재 사용자 상황에 관한 데이터를 실시간으로 수집하여 사례화함과 동시에 과거 사용자의 사례를 다양한 추론 모듈을 통하여 최적의 서비스를 찾음으로써, 투표 기반의 의사결정 방식을 선택하여 각 사례에 대해 수치 이상의 다각화된 검토를 실행하고 사례 증가에 따른 합리적 의사결정 효과를 극대화할 수 있는 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 시스템 및 그 방법을 제공하는데 있다.
본 발명의 일 실시예에 따른 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 방법은, 사용자의 맥락을 신규 사례로 표현하여 사례화하는 단계; 상기 사용자의 맥락의 신규 사례를 토대로 과거 사례를 케이스 베이스(Case-base, CB)로부터 검색하여 유사도가 가장 높은 사례 또는 유사도가 높은 사례들을 선별하여 유사도가 높은 순서의 소정의 상위 사례들을 기반으로 1차 솔루션을 도출하고, 상기 사용자에게 상기 1차 솔루션을 추천하는 단계; 및 상기 1차 솔루션에 대한 상기 사용자의 피드백을 받은 후 상기 사용자의 피드백을 반영하여 최종 솔루션으로 수정하고, 상기 사용자에게 상기 최종 솔루션을 추천하는 단계를 포함하여 이루어질 수 있다.
상기 최종 솔루션의 완성에 따른 상기 신규 사례를 케이스 베이스(Case-base, CB)에 저장하는 단계를 더 포함할 수 있다.
상기 사용자의 맥락을 신규 사례로 표현하여 사례화하는 단계는, 상기 사용자의 요구사항이 음성(Voice) 또는 텍스트(Text) 기반으로 입력되었을 때 현재의 상기 사용자 맥락을 신규 사례로 변환하여 사례화하는 단계를 포함할 수 있다.
상기 사용자의 맥락을 신규 사례로 표현하여 사례화하는 단계는, 기 설정된 요구사항에 관한 조건이 달성되었을 때 현재의 상기 사용자 맥락을 신규 사례로 변환하여 사례화하는 단계를 포함할 수 있다.
상기 사용자에게 상기 1차 솔루션을 추천하는 단계는, 추론 모듈의 의장(Gateway)은 상기 사용자의 맥락의 신규 사례를 신규 안건으로 등록하는 단계; 등록된 상기 신규 안건을 대상으로 상기 추론 모듈의 복수의 의원(Node)들은 각각 상기 케이스 베이스(CB)의 과거 사례 중 유사도가 높다고 판단되는 사례 순으로 소정의 사례를 리스트화하여 상기 의장에게 전달함에 따라 투표하는 단계; 상기 의장은 투표 결과에 따라 가장 유사도가 높다고 판단된 사례를 1차 솔루션으로 채택하는 단계; 및 상기 의장은 채택된 상기 1차 솔루션을 상기 사용자에게 전달하여 추천하는 단계를 포함할 수 있다.
상기 사용자에게 상기 1차 솔루션을 추천하는 단계는, 상기 추론 모듈의 의장은 상기 사용자의 맥락의 신규 사례를 토대로 과거 사례를 상기 케이스 베이스(CB)로부터 검색하는 단계; 상기 의장은 검색된 과거 사례 중 유사도가 높은 사례들을 선별하여 유사도가 높은 순서의 소정의 상위 사례들을 이용하여 사례 후보 리스트를 작성하는 단계; 및 상기 의장은 상기 사례 후보 리스트 중 첫 번째로 유사도가 가장 높은 사례와 두 번째로 유사도가 가장 높은 사례의 유사도 수치를 이용하여 안건 상정 여부를 판단하는 단계를 더 포함할 수 있다.
상기 유사도 수치를 이용하여 안건 상정 여부를 판단하는 단계는, 상기 첫 번째로 유사도가 가장 높은 사례의 유사도 수치에서 상기 두 번째로 유사도가 가장 높은 사례의 유사도 수치를 차감한 값이 기 설정된 수치 미만인 경우 상기 사용자의 맥락의 신규 사례를 신규 안건으로 등록하고, 상기 기 설정된 수치 이상인 경우 상기 사용자의 맥락의 신규 사례를 신규 안건으로 등록하지 않을 수 있다.
상기 유사도 수치를 이용하여 안건 상정 여부를 판단하여 안건 상정을 하지 않는 경우, 상기 의장은 상기 첫 번째로 유사도가 가장 높은 사례를 상기 1차 솔루션으로 채택하는 단계를 더 포함할 수 있다.
본 발명의 다른 실시예에 따른 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 시스템은, 사용자의 맥락을 신규 사례로 표현하여 사례화하는 사례화부; 상기 사용자의 맥락의 신규 사례를 토대로 과거 사례를 케이스 베이스(Case-base, CB)로부터 검색하여 유사도가 가장 높은 사례 또는 유사도가 높은 사례들을 선별하여 유사도가 높은 순서의 소정의 상위 사례들을 기반으로 1차 솔루션을 도출하고, 상기 사용자에게 상기 1차 솔루션을 추천하는 사례 검색 및 재사용부; 및 상기 1차 솔루션에 대한 상기 사용자의 피드백을 받은 후 상기 사용자의 피드백을 반영하여 최종 솔루션으로 수정하고, 상기 사용자에게 상기 최종 솔루션을 추천하는 사례 수정부를 포함하여 이루어질 수 있다.
상기 최종 솔루션의 완성에 따른 상기 신규 사례를 케이스 베이스(Case-base, CB)에 저장하는 사례 유지부를 더 포함할 수 있다.
상기 사례 검색 및 재사용부는, 추론 모듈의 의장(Gateway)은 상기 사용자의 맥락의 신규 사례를 신규 안건으로 등록하고, 등록된 상기 신규 안건을 대상으로 상기 추론 모듈의 복수의 의원(Node)들은 각각 상기 케이스 베이스(CB)의 과거 사례 중 유사도가 높다고 판단되는 사례 순으로 소정의 사례를 리스트화하여 상기 의장에게 전달함에 따라 투표하며, 상기 의장은 투표 결과에 따라 가장 유사도가 높다고 판단된 사례를 1차 솔루션으로 채택하여, 상기 의장은 채택된 상기 1차 솔루션을 상기 사용자에게 전달하여 추천할 수 있다.
상기 사례 검색 및 재사용부는, 상기 추론 모듈의 의장은 상기 사용자의 맥락의 신규 사례를 토대로 과거 사례를 상기 케이스 베이스(CB)로부터 검색하고, 상기 의장은 검색된 과거 사례 중 유사도가 높은 사례들을 선별하여 유사도가 높은 순서의 소정의 상위 사례들을 이용하여 사례 후보 리스트를 작성하며, 상기 의장은 상기 사례 후보 리스트 중 첫 번째로 유사도가 가장 높은 사례와 두 번째로 유사도가 가장 높은 사례의 유사도 수치를 이용하여 안건 상정 여부를 판단할 수 있다.
상기 사례 검색 및 재사용부는, 상기 첫 번째로 유사도가 가장 높은 사례의 유사도 수치에서 상기 두 번째로 유사도가 가장 높은 사례의 유사도 수치를 차감한 값이 기 설정된 수치 미만인 경우 상기 사용자의 맥락의 신규 사례를 신규 안건으로 등록하고, 상기 기 설정된 수치 이상인 경우 상기 사용자의 맥락의 신규 사례를 신규 안건으로 등록하지 않을 수 있다.
본 발명의 또 다른 실시예에 따른 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 시스템은, 사용자의 맥락을 신규 사례로 표현하여 사례화하고, 상기 사용자의 맥락의 신규 사례를 토대로 과거 사례를 케이스 베이스(Case-base, CB)로부터 검색하여 유사도가 가장 높은 사례 또는 유사도가 높은 사례들을 선별하여 유사도가 높은 순서의 소정의 상위 사례들을 기반으로 1차 솔루션을 도출하고, 상기 사용자에게 상기 1차 솔루션을 추천하며, 상기 1차 솔루션에 대한 상기 사용자의 피드백을 받은 후 상기 사용자의 피드백을 반영하여 최종 솔루션으로 수정하고, 상기 사용자에게 상기 최종 솔루션을 추천하는 추론 모듈; 상기 과거 사례를 저장하고, 상기 최종 솔루션이 완성된 상기 신규 사례를 저장하는 케이스 베이스(Case-base, CB); 및 상기 추론 모듈의 요청에 따라 상기 케이스 베이스로부터 상기 과거 사례를 검색하여 리스트를 전달하는 데이터 관리 모듈을 포함하여 이루어질 수 있다.
상기 사용자의 요구사항 또는 상기 사용자의 피드백을 입력하고, 상기 추론 모듈을 통해 도출된 결과인 상기 1차 솔루션 또는 상기 최종 솔루션을 출력하는 커뮤니케이션 모듈(Communication Module, CM)을 더 포함할 수 있다.
본 발명의 실시예들에 따르면 다양한 추론 모듈을 통한 의사 결정(Decision Making) 과정에 의장-의원 제도를 통한 집단지성 기반 투표 방식을 적용시킴으로써, 사용자의 현재 상황에서 가장 최적의 해결안을 도출할 수 있는 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 시스템 및 그 방법을 제공할 수 있다.
본 발명의 실시예들에 따르면 사용자의 맥락에 알맞은 서비스를 제공하기 위하여 현재 사용자 상황에 관한 데이터를 실시간으로 수집하여 사례화함과 동시에 과거 사용자의 사례를 다양한 추론 모듈을 통하여 최적의 서비스를 찾음으로써, 투표 기반의 의사결정 방식을 선택하여 각 사례에 대해 수치 이상의 다각화된 검토를 실행하고 사례 증가에 따른 합리적 의사결정 효과를 극대화할 수 있는 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 시스템 및 그 방법을 제공할 수 있다.
도 1은 본 발명의 일 실시예에 따른 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 방법을 개략적으로 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 사례기반추론 방식을 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따른 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 방법을 나타내는 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 사례 검색 및 재사용을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 시스템을 나타내는 도면이다.
도 6a는 본 발명의 다른 실시예에 따른 통합서버와 연동되는 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 시스템을 설명하기 위한 도면이다.
도 6b은 본 발명의 다른 실시예에 따른 통합서버와 연동되는 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 시스템의 구성을 설명하기 위한 도면이다.
도 7은 본 발명의 다른 실시예에 따른 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 방법을 설명하기 위한 도면이다.
도 8a 내지 도 8e는 본 발명의 다른 실시예에 따른 통합서버와 정보를 주고받는 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 방법의 예를 설명하기 위한 도면이다.
도 9는 본 발명의 일 실시예에 따른 의장-의원 제도 기반 추론 과정을 설명하기 위한 도면이다.
도 10은 본 발명의 일 실시예에 따른 사례의 요소를 설명하기 위한 도면이다.
도 11은 본 발명의 일 실시예에 따른 사례 완성 과정을 설명하기 위한 도면이다.
도 12는 본 발명의 일 실시예에 따른 CI-CBR의 예시를 설명하기 위한 도면이다.
이하, 첨부된 도면을 참조하여 실시예들을 설명한다. 그러나, 기술되는 실시예들은 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 이하 설명되는 실시예들에 의하여 한정되는 것은 아니다. 또한, 여러 실시예들은 당해 기술분야에서 평균적인 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위해서 제공되는 것이다. 도면에서 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.
도 1은 본 발명의 일 실시예에 따른 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 방법을 개략적으로 설명하기 위한 도면이다.
도 1을 참조하면, 본 발명은 다양한 추론 모듈을 통한 의사 결정(Decision Making) 과정에 "의장-의원" 제도를 통한 집단지성 기반 투표 방식을 적용시킴으로써, 사용자의 현재 상황에서 가장 최적의 해결안을 도출하는 것을 목적으로 한다.
본 발명은 사용자의 맥락에 알맞은 서비스를 제공하기 위하여 현재 사용자 상황에 관한 데이터를 실시간으로 수집하여 사례화함과 동시에 과거 사용자의 사례를 다양한 추론 모듈을 통하여 최적의 서비스를 찾는 집단지성형 사례기반추론 방법 및 그에 대한 시스템에 관한 것이다.
사용자 맞춤형 서비스를 추천하기 위해서는 수많은 장치와 환경 정보, 그리고 사용자의 요구 사항이 존재하고 있기 때문에 현재 사용자의 맥락을 파악하기 위한 데이터 수집이 필요하다. 또한, 특정 사용자에게 적절한 서비스를 추천하기 위해서는 현재 사용자의 과거 서비스 사용 내역을 파악하여 추천하는 방식을 사용하기 때문에 과거 사용자의 경험 사례를 통하여 현재 사용자의 맥락에 맞는 해결책을 찾는 사례기반추론 방식이 적절하다.
본 실시예들은 여러 추론 모듈의 투표 결과를 통하여 최적 해를 찾는 방식으로, 기존의 해결 방안을 도출하는 과정에서 생겨나는 통계 데이터의 오류를 최소화하기 위하여 투표 과정을 도입하였다.
도 2는 본 발명의 일 실시예에 따른 사례기반추론 방식을 설명하기 위한 도면이다.
도 2를 참조하면, 기존 추론 방식(210)과 본 실시예에 따른 추론 방식(220)을 비교하여 설명할 수 있다. 현재 사용자의 맥락(New Case)에서 추론을 통해 서비스를 추천할 수 있는 추론 방법(200)을 제공할 수 있으며, 이 때 유사한 과거 사례들을 검색하여 추론을 통해 서비스를 추천할 수 있다. 여기에서는 특정 사례 A(Case A)의 유사도가 70%, 사례 B의 유사도 69%, 그리고 사례 C의 유사도 68%일 경우를 하나의 예를 들어 설명한다.
기존 추론 방식(210)은 현재 상황과 가장 유사한 과거 사례 검색 과정에 있어서, 특정 사례 A(Case A)의 유사도가 70%, 사례 B의 유사도 69% 및 사례 C의 유사도 68%일 경우, 단 1-2%의 차이로 사례 A가 유사하다고 판단되게 된다. 이렇게 검색된 사례들 간에 미세한 차이를 보이는 경우, 어떤 사례가 유사하다고 판단하기 위해서는 단지 아주 미세하게 높은 차이로 사례 A를 선정하기 보다는 보다 면밀하게 살펴볼 필요성이 있다.
이에 본 실시예에 따른 추론 방식(220)은 현재 사용자의 맥락(New Case)을 실시간으로 수집하여 사례화함으로써 사용자의 상황을 파악하고, 수치의 오류를 극복하기 위하여 여러 추론 모듈의 가장 유사한 과거 사례들에 관한 투표를 통하여 가장 유사한 사례를 검출하는 서비스 추천 방식 전반을 아우르는 집단지성형 사례기반추론 방법과 시스템을 제공할 수 있다.
도 3은 본 발명의 일 실시예에 따른 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 방법을 나타내는 흐름도이다.
도 3을 참조하면, 본 발명의 일 실시예에 따른 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 방법은, 사용자의 맥락을 신규 사례로 표현하여 사례화하는 단계(310), 사용자의 맥락의 신규 사례를 토대로 과거 사례를 케이스 베이스(Case-base, CB)로부터 검색하여 유사도가 가장 높은 사례 또는 유사도가 높은 사례들을 선별하여 유사도가 높은 순서의 소정의 상위 사례들을 기반으로 1차 솔루션을 도출하고, 사용자에게 1차 솔루션을 추천하는 단계(320), 및 1차 솔루션에 대한 사용자의 피드백을 받은 후 사용자의 피드백을 반영하여 최종 솔루션으로 수정하고, 사용자에게 최종 솔루션을 추천하는 단계(330)를 포함하여 이루어질 수 있다.
최종 솔루션의 완성에 따른 신규 사례를 케이스 베이스(Case-base, CB)에 저장하는 단계(340)를 더 포함할 수 있다.
이와 같이 본 발명의 프로세스는 CBR(Case-Based Reasoning)에서 활용 가능한 4R Cycle 방식을 이용할 수 있다. 아래에서 각 단계를 보다 구체적으로 설명한다.
본 발명의 일 실시예에 따른 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 방법은 도 5 및/또는 도 6b에서 설명하는 일 실시예에 따른 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 시스템을 이용하여 보다 상세히 설명할 수 있다. 아래에서는 먼저 도 5를 참조하여 하나의 예를 들어 설명한다.
도 5는 본 발명의 일 실시예에 따른 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 시스템을 나타내는 도면이다.
도 5를 참조하면, 일 실시예에 따른 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 시스템(500)은 시스템의 프로세스에 따라 사례화부(510), 사례 검색 및 재사용부(520), 그리고 사례 수정부(530)를 포함할 수 있고, 실시예에 따라 사례 유지부(540)를 더 포함할 수 있다.
단계(310)에서, 사례화부(510)(Case Representation)는 사용자의 맥락을 신규 사례로 표현하여 사례화할 수 있다. 사례화부(510)는 사용자의 요구사항이 발생한 시점의 사용자 맥락을 신규 사례로서 표현(변환)할 수 있다. 예를 들어, 사례화부(510)는 JSON, XML, CSV 등 다양한 데이터 포맷으로 변환하는 과정을 통해 사용자의 맥락을 사례화할 수 있다.
일례로, 사례화부(510)는 사용자의 요구사항이 음성(Voice) 또는 텍스트(Text) 기반으로 입력되었을 때 현재의 사용자 맥락을 신규 사례로 변환하여 사례화할 수 있다. 다른 예로, 사례화부(510)는 기 설정된 요구사항에 관한 조건이 달성되었을 때 현재의 사용자 맥락을 신규 사례로 변환하여 사례화할 수 있다.
단계(320)에서, 사례 검색 및 재사용부(520)(Case Retrieve/Reuse)는 사용자의 맥락의 신규 사례를 토대로 과거 사례를 케이스 베이스(Case-base, CB)로부터 검색하여 유사도가 가장 높은 사례 또는 유사도가 높은 사례들을 선별하여 유사도가 높은 순서의 소정의 상위 사례들을 기반으로 1차 솔루션을 도출하고, 사용자에게 1차 솔루션을 추천할 수 있다.
사례 검색 및 재사용부(520)는 사용자의 현 맥락에 알맞은 과거 사례를 케이스 베이스(Case-base, CB)으로부터 검색할 수 있다. 이 때, CI-CBR(Collective Intelligence Case-Based Reasoning) 기반 투표 방식을 통하여 가장 유사한 사례를 도출하고, 해당 사례의 솔루션을 1차 솔루션으로서 재사용할 수 있다. 이러한 사례 검색 및 재사용부(520)는 도 5에서 보다 상세히 설명하기로 한다.
단계(330)에서, 사례 수정부(530)(Case Revise)는 1차 솔루션에 대한 사용자의 피드백을 받은 후 사용자의 피드백을 반영하여 최종 솔루션으로 수정하고, 사용자에게 최종 솔루션을 추천할 수 있다.
단계(340)에서, 사례 유지부(540)(Case Retain)는 최종 솔루션의 완성에 따른 신규 사례를 케이스 베이스(Case-base, CB)에 저장할 수 있다. 즉, 사례 유지부(540)는 위 과정을 통하여 완성된 신규 사례를 학습하고, 향후 사례 검색을 함에 활용하기 위하여 케이스 베이스(Case-base, CB)에 저장 및 기록할 수 있다.
실시예들에 따르면 사례 간 유사도 비교를 통한 최적 해를 추론하는 의사결정 과정에서 수치적 기준뿐만 아니라, 검색된 사례 간 유사도 수치가 상대적으로 큰 차이를 보이지 않는 사례들에 대해 사용자 맥락에 대한 재검토 과정을 거침으로써, 사례 데이터의 질적 측면을 고려할 수 있고 보다 정확한 통계 데이터를 도출할 수 있다.
도 4는 본 발명의 일 실시예에 따른 사례 검색 및 재사용을 설명하기 위한 도면이다.
도 4를 참조하면, 본 시스템에서 핵심을 이루는 집단지성형 사례기반추론 방식을 개략적으로 나타낸 것으로, 해당 부분은 도 3에서 설명한 4R Cycle 중 사례 검색 및 재사용 부분에 해당할 수 있다.
다양한 추론 모듈을 통한 의사 결정(Decision Making) 과정에 의장-의원 제도를 통한 집단지성 기반 투표 방식을 적용시킴으로써 사용자의 현재 상황에서 가장 최적의 해결안을 도출하는 프로세스를 지니고 있다.
만일 의장이 현재 시점에서 유사 사례 검출을 위한 투표가 필요하다고 판단할 경우, 각각의 추론 모듈에 해당하는 의원들은 의장이 제안한 후보 사례 중 적절한 사례에 투표를 진행하여 최적 해를 검출할 수 있다. 이 때, 의장이 현재 시점에서 유사 사례 검출을 위한 투표가 필요한지 여부를 판단하는 것은 다음 식의 만족 여부에 따라 결정될 수 있다.
[수학식 1]
CBest1 - CBest2 < 0.2
여기서, CBest1은 첫 번째로 유사도가 가장 높은 사례이고, CBest2은 두 번째로 유사도가 가장 높은 사례를 나타낸다. 상기 수학식 1의 해가 0.2보다 작은 경우 투표가 필요한 경우로 판단되고, 해가 0.2보다 큰 경우 투표가 필요하지 않으며 의장이 해결책으로 CBest1을 추천할 수 있다. 한편, 0.2로 설정된 파라미터는 시스템의 성격에 따라 0 이상 1 미만의 유사도 범위 내에서 다양하게 설정될 수 있다. 즉, 다음 식과 같이 표현될 수 있다.
[수학식 2]
CBest1 - CBest2 < parameter
여기서, parameter는 0 이상 1 미만으로 설정될 수 있다.
아래에서 사례 검색 및 재사용 방법의 각 단계를 보다 상세히 설명한다.
사용자에게 1차 솔루션을 추천하는 단계(320)는, 추론 모듈의 의장(Gateway)은 사용자의 맥락의 신규 사례를 신규 안건으로 등록하는 단계(440), 등록된 신규 안건을 대상으로 추론 모듈의 복수의 의원(Node)들은 각각 케이스 베이스(CB)의 과거 사례 중 유사도가 높다고 판단되는 사례 순으로 소정의 사례를 리스트화하여 의장에게 전달함에 따라 투표하는 단계(450, 460), 의장은 투표 결과에 따라 가장 유사도가 높다고 판단된 사례를 1차 솔루션으로 채택하는 단계(470), 및 의장은 채택된 1차 솔루션을 사용자에게 전달하여 추천하는 단계를 포함할 수 있다.
또한, 사용자에게 1차 솔루션을 추천하는 단계(320)는, 추론 모듈의 의장은 사용자의 맥락의 신규 사례를 토대로 과거 사례를 케이스 베이스(CB)로부터 검색하는 단계(410), 의장은 검색된 과거 사례 중 유사도가 높은 사례들을 선별하여 유사도가 높은 순서의 소정의 상위 사례들을 이용하여 사례 후보 리스트를 작성하는 단계(420), 및 의장은 사례 후보 리스트 중 첫 번째로 유사도가 가장 높은 사례와 두 번째로 유사도가 가장 높은 사례의 유사도 수치를 이용하여 안건 상정 여부를 판단하는 단계(430)를 더 포함할 수 있다.
단계(410)에서, 사례 검색 및 재사용부(520)에서 추론 모듈의 의장은 사용자의 맥락의 신규 사례를 토대로 과거 사례를 케이스 베이스(CB)로부터 검색할 수 있다.
단계(420)에서, 사례 검색 및 재사용부(520)에서 의장은 검색된 과거 사례 중 유사도가 높은 사례들을 선별하여 유사도가 높은 순서의 소정의 상위 사례들을 이용하여 사례 후보 리스트를 작성할 수 있다.
단계(430)에서, 사례 검색 및 재사용부(520)에서 의장은 사례 후보 리스트 중 첫 번째로 유사도가 가장 높은 사례와 두 번째로 유사도가 가장 높은 사례의 유사도 수치를 이용하여 안건 상정 여부를 판단할 수 있다.
사례 검색 및 재사용부(520)는 첫 번째로 유사도가 가장 높은 사례의 유사도 수치에서 두 번째로 유사도가 가장 높은 사례의 유사도 수치를 차감한 값이 기 설정된 수치 미만인 경우 사용자의 맥락의 신규 사례를 신규 안건으로 등록하고, 기 설정된 수치 이상인 경우 사용자의 맥락의 신규 사례를 신규 안건으로 등록하지 않을 수 있다. 이와 같이 의장은 다중 의사결정 판단 실행의 기준을 특정한 기준을 두고 실행할 수 있다.
한편, 유사도 수치를 이용하여 안건 상정 여부를 판단하여 안건 상정을 하지 않는 경우, 의장은 첫 번째로 유사도가 가장 높은 사례를 1차 솔루션으로 채택하는 단계를 더 포함할 수 있다.
단계(440)에서, 사례 검색 및 재사용부(520)에서 추론 모듈의 의장(Gateway)은 사용자의 맥락의 신규 사례를 신규 안건으로 등록할 수 있다.
단계(450, 460)에서, 사례 검색 및 재사용부(520)에서 등록된 신규 안건을 대상으로 추론 모듈의 복수의 의원(Node)들은 각각 케이스 베이스(CB)의 과거 사례 중 유사도가 높다고 판단되는 사례 순으로 소정의 사례를 리스트화하여 의장에게 전달함에 따라 투표할 수 있다.
단계(470)에서, 사례 검색 및 재사용부(520)에서 의장은 투표 결과에 따라 가장 유사도가 높다고 판단된 사례를 1차 솔루션으로 채택할 수 있다.
이후, 사례 검색 및 재사용부(520)에서 의장은 채택된 1차 솔루션을 사용자에게 전달하여 추천할 수 있다.
따라서 수집한 사용자 환경 데이터를 절대적으로 수치만을 기반으로 의사결정을 하지 않으며 사례 데이터의 질적 측면을 고려할 수 있다.
도 6a는 본 발명의 다른 실시예에 따른 통합서버와 연동되는 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 시스템을 설명하기 위한 도면이다.
도 6a를 참조하면, 사례기반추론 시스템(600)은 통합서버로부터 사용자의 맥락에 대한 상황정보를 전달 받아 사례기반추론을 통해 최적 솔루션에 따른 서비스를 도출하고, 도출된 서비스를 통합서버)에 전달함으로써 서비스를 추천할 수 있다. 여기서, 사례기반추론 시스템(600)은 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 시스템을 의미할 수 있다.
도 6b은 본 발명의 다른 실시예에 따른 통합서버와 연동되는 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 시스템의 구성을 설명하기 위한 도면이다.
도 6b를 참조하면, 본 발명의 다른 실시예에 따른 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 시스템(600)은 시스템의 구성에 따라 추론 모듈(620), 데이터 관리 모듈(630) 및 케이스 베이스(Case-base, CB)(640)을 포함할 수 있고, 실시예에 따라 커뮤니케이션 모듈(Communication Module, CM)(610)을 더 포함할 수 있다.
한편, 도 5에서 설명한 본 발명의 일 실시예에 따른 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 시스템(500)은 프로세스에 따라 분류한 것으로, 사례화부, 사례 검색 및 재사용부 및 사례 수정부를 포함할 수 있고, 실시예에 따라 사례 유지부를 더 포함할 수 있다. 여기서, 사례화부, 사례 검색 및 재사용부 및 사례 수정부는 도 6b의 추론 모듈(620)에 포함될 수 있으며, 사례 유지부는 데이터 관리 모듈(630) 및 케이스 베이스(CB, 640)에 포함될 수 있다.
커뮤니케이션 모듈(CM, 610)은 사용자의 요구 사항을 입력하고, CBR의 추론 모듈(620)을 통하여 도출된 결과를 출력하는 모듈이다. 즉, 커뮤니케이션 모듈(CM, 610)은 사용자의 요구사항 또는 사용자의 피드백을 입력하고, 추론 모듈(620)을 통해 도출된 결과인 1차 솔루션 또는 최종 솔루션을 출력할 수 있다.
추론 모듈(Reasoning Module, RM)(620)은 사용자의 요구 사항을 사례화하여 가장 유사한 과거 사례를 검색하여 과거 사례의 솔루션을 도출하여 1차 솔루션이 입력된 사례를 케이스 풀(case pool)에 전달하는 모듈이다. 또한, 사용자 피드백을 기반으로 사례를 수정하여 신규 사례를 제작하는 모듈이다.
보다 구체적으로, 추론 모듈(620)은 사용자의 맥락을 신규 사례로 표현하여 사례화하고, 사용자의 맥락의 신규 사례를 토대로 과거 사례를 케이스 베이스(CB, 640)로부터 검색하여 유사도가 가장 높은 사례 또는 유사도가 높은 사례들을 선별하여 유사도가 높은 순서의 소정의 상위 사례들을 기반으로 1차 솔루션을 도출하고, 사용자에게 1차 솔루션을 추천하며, 1차 솔루션에 대한 사용자의 피드백을 받은 후 사용자의 피드백을 반영하여 최종 솔루션으로 수정하고, 사용자에게 최종 솔루션을 추천할 수 있다.
데이터 관리 모듈(Data Management Module, DMM)(630)은 추론 모듈(620)이 요청하는 유사 사례 검색을 함에 있어서, 케이스 베이스(CB, 640)로부터 과거 사례를 검색하여 추론 모듈(620)에 목록을 전달하는 모듈이다. 또한, 신규 사례를 케이스 베이스(CB, 640)로 저장하는 기능을 수행하는 모듈이다. 즉, 데이터 관리 모듈(630)은 추론 모듈(620)의 요청에 따라 케이스 베이스(CB, 640)로부터 과거 사례를 검색하여 리스트를 전달할 수 있다.
케이스 베이스(CB, 640)는 과거 사례를 저장하고, 최종 솔루션이 완성된 신규 사례를 저장하는 데이터베이스(DB)이다.
본 발명의 다른 실시예에 따른 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 시스템(600)은 일 실시예에 따른 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 시스템(500)과 분류를 달리하는 것으로, 중복되는 설명은 생략하기로 한다.
도 7은 본 발명의 다른 실시예에 따른 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 방법을 설명하기 위한 도면이다.
도 7을 참조하면, 본 발명의 다른 실시예에 따른 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 방법은 도 6a 및 도 6b에서 설명한 통합서버(710)와 정보를 주고받는 본 발명의 다른 실시예에 따른 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 시스템의 동작을 설명하는 것으로, 커뮤니케이션 모듈(Communication Module, 720), 추론 모듈(730) 및 데이터 관리 모듈(740)의 동작을 통해 사례기반추론을 수행할 수 있다. 이 때, 케이스 베이스(Case-base, CB)를 참조하여 사례기반추론을 수행할 수 있다.
도 8a 내지 도 8e는 본 발명의 다른 실시예에 따른 통합서버와 정보를 주고받는 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 방법의 예를 설명하기 위한 도면이다.
도 8a를 참조하면, 사례기반추론 시스템은 통합서버로부터 사용자의 맥락에 관한 케이스데이터(사례 데이터)를 전달받아 케이스 변환을 통해 사례화하고, 케이스 레벨을 확인하여 유사 케이스를 검색하여 솔루션을 결정하여 통합서버로 전달할 수 있다.
도 8b를 참조하면, 사례기반추론 시스템은 유사 케이스 검색을 위해, 검색 조건을 결정하고, 검색 조건에 따라 케이스 베이스(Case-base, CB)를 참조하여 일치 리스트를 생성하여 유사 케이스의 후보 리스트를 작성하고, 케이스 유사도를 측정하여 유사 케이스를 검색할 수 있다. 도 8c에 도시된 바와 같이, 케이스 유사도를 측정할 수 있다.
그리고, 도 8d에 도시된 바와 같이, 유사 케이스 검색 결과를 통해 솔루션을 채택하고 솔루션에 따른 케이스를 케이스 베이스(Case-base, CB)에 저장하여 갱신할 수 있다. 이후, 도 8e에 도시된 바와 같이, 사례기반추론 시스템은 통합서버로부터 피드백 정보를 전달 받아 이를 반영한 솔루션을 결정하여 통합서버로 전달할 수 있다.
도 9는 본 발명의 일 실시예에 따른 의장-의원 제도 기반 추론 과정을 설명하기 위한 도면이다.
도 9에 도시된 바와 같이, 신규 사용자의 상황 사례(New Case)가 들어왔을 때, 추론 모듈의 의장(Gateway)은 신규 안건으로 등록할 수 있다. 그리고 등록된 신규 안건을 대상으로, 각 의원(Node)들은 기존의 사례 데이터베이스(DB)인 케이스 베이스(Case Base, CB)로부터 가장 유사한 사례를 검색할 수 있다.
각 의원들은 가장 유사도가 높은 사례들(예컨대, Top 3)을 리스트화하여 의장에게 전달할 수 있다. 의장은 가장 유사도가 높다고 판단된 사례를 솔루션으로 채택할 수 있다. 그리고 채택된 솔루션은 추론 결과에 따른 솔루션으로서 사용자에게 1차 솔루션으로 전달될 수 있다.
도 10은 본 발명의 일 실시예에 따른 사례의 요소를 설명하기 위한 도면이다.
도 10을 참조하면, 본 발명은 사례기반추론 방법론을 활용한 것으로, 사용자의 현재 상황이나 맥락을 크게 문제부(Problem, 1010), 해결책부(Solution, 1020), 그리고 결과물부(Outcome, 1030)의 사례의 3 요소(1000)에 걸쳐 사례로 표현할 수 있다.
문제부(1010)는 현재 사용자의 상황, 맥락에 관한 데이터를 기록하는 섹션으로, 해당 섹션을 바탕으로 과거 사례와의 비교를 통하여 해결책을 제시할 수 있다.
해결책부(1020)는 현재 사용자 상황에 알맞은 추천 해결책을 기록하는 섹션으로, 사용자 맞춤형 솔루션이 제시될 수 있다.
또한, 결과물부(1030)는 추천 내용이나 해결책, 혹은 시스템에 관한 사용자의 만족도 및 피드백을 기록할 수 있다. 여기서, 사례는 대개 텍스트(Text) 및 수 데이터들로 표현되나, 때에 따라서 이미지나 기호와 같은 데이터로도 표현이 가능하다.
도 11은 본 발명의 일 실시예에 따른 사례 완성 과정을 설명하기 위한 도면이다.
도 11을 참조하면, 본 시스템은 데이터 수집에서부터 사례를 만들기 시작하여 사용자 피드백과 솔루션 추천에 이르기까지, 위와 같이 사례 완성 4단계를 통하여 사례기반추론 방법론을 활용할 수 있다.
Trigger 단계(1110)는 사례화 단계로, 대화/텍스트 기반 서비스 및 특정 상황에 대한 선제적 서비스를 제공할 수 있다. 대화/텍스트 기반 서비스는 사용자의 요구사항이 음성(Voice) 또는 텍스트(Text) 기반으로 입력되었을 때 시스템이 시작될 수 있다. 그리고 선제적 서비스는 사용자가 미리 설정해놓은 요구사항에 관한 조건이 달성되었을 때 시스템이 시작될 수 있다.
Suggest 단계(1120)는 사례 검색 및 재사용 단계로, 현재 사용자 맥락을 토대로, 추천 시스템에서 기존 사례 간의 검색을 통하여 솔루션을 도출하여 서비스를 추천할 수 있다. 즉, 현재 사용자 맥락을 사례화하고, 신규 사례에 대한 과거 사례를 검색하여, 유사도가 가장 높은 사례 기반 1차 솔루션을 추천할 수 있다.
Revise 단계(1130)는 사례 수정 단계로, 제공된 솔루션에 대한 사용자의 피드백을 반영하여 알맞은 솔루션으로 수정할 수 있다. 즉, 1차 솔루션에 대한 사용자 피드백을 받아 사용자 피드백에 따른 최종 솔루션을 추천할 수 있다.
Confirm 단계(1140)는 사례 유지 단계로, 완성된 사례를 학습하고 활용하기 위하여 케이스 베이스(Case-base)에 저장할 수 있다. 즉, 솔루션 완성에 따른 신규 사례를 케이스 베이스(Case-base)에 저장할 수 있다.
이상에서 설명한 본 발명의 실시예들은 사용자 맞춤형 서비스를 제공하는 모든 플랫폼에서 활용이 가능하다. 부연하자면, 특정 사용자에게 어떠한 서비스나 컨텐츠를 추천 및 제공할 것인지를 판단하는 모든 시스템에서 활용이 가능하다.
예를 들어, 아마존(Amazon) 사의 에코(Echo)나 구글(Google) 사의 홈(Home)과 같은 스마트홈 어시스턴트가 사용자에게 적절한 서비스를 추천함에 있어서, 추천할 서비스 간의 추천 점수가 비슷할 경우 본 실시예들에 따른 방법을 활용하여 보다 정확하게 추천 서비스를 선정할 수 있다.
본 발명의 실시예들은 사용자에게 개인화된 추천을 제공하는 모든 서비스에 적용 가능하기에 넓은 확장성을 가진다. 사례기반추론의 추천 서비스는 다양한 방식으로 비즈니스 모델을 수립할 수 있다. 예를 들어, 넷플릭스, 아마존 등과 같은 기업은 자사의 콘텐츠를 사용자에게 더 적합하게 추천하도록 활용할 수 있으며, 네이버, 구글 등과 같은 뉴스 플랫폼은 기사들이 많은 사용자에게 골고루 추천될 수 있도록 하는 뉴스 추천 서비스 환경을 제공할 수 있을 것이다.
기업이 자의적으로 선택한 특정 콘텐츠를 모든 사용자에게 일률적으로 부각시키려면 비효율적인 마케팅과 홍보 비용을 동반하면서도 긍정적인 사용자 경험을 장담할 수 없다. 마케팅 비용의 절감과 사용자 경험 향상은 복수의 콘텐츠를 보유했다면 보편적으로 기업이 추구하는 가치이므로 본 발명의 활용도는 매우 높을 것으로 기대된다.
본 발명은 인공지능 서비스 전반에 있어서 다각화된 사업을 발전시키는 촉매제 역할을 할 수 있다. 대표적으로 자율주행, 대화형 에이전트와의 인터랙션에 있어서 개인화된 맞춤형 추천은 비즈니스 모델 기본 엔진이기 때문이다. 따라서 CI-CBR 방법론을 적용한다면 적합한 추천으로 인한 사용자 경험 향상을 기대할 수 있다.
AI 자율주행 사업의 경우, 현재 일반적으로 구현 가능한 기술 상태로 자동차와 운전자 간 실질적 운행역할이 분담되어 주행이 이루어지는 ‘부분적 또는 조건부 자율주행’ 단계(국제 자동차 공학회 기준)에 놓여있다. 즉, 운전자의 개입이 반드시 필요한 상태이므로 자동차 내 거리측정 센서, 고도 측정 센서, 날씨 측정 센서, GPS에 따른 데이터를 CI-CBR에 따라 처리하여 더 나은 주행을 운전자에게 추천한다면 보다 안정적인 주행 모델을 정립할 수 있다.
스마트 스피커를 기반으로 한 AI 에이전트와 사용자 간에 인터랙션 기술은 음성 인식 및 자연어 처리를 기반으로 이루어진다. 즉, 음성 인식을 통해 정확한 문장을 만들고 그것을 자연어 처리를 통해 시스템이 이해할 수 있는 명령 등으로 바꾼 후에 시스템이 그 명령을 기반으로 사용자가 원하는 액션을 보여주는 것이 스마트 비서 서비스의 특징이다. 이를 위해서 정확한 음성 인식을 위해 음성 패턴을 수집하고 분석해서 정확한 컴퓨터가 인식할 수 있는 언어로 만드는 기술이 필요하지만, 실제 사용자 환경에서 발화자는 고령자, 장애인 등 연령, 신체와 같은 특수한 개별 상황에 따라 일관되지 못한 음성 패턴을 보여주는 위험이 있다. 기존의 사례들을 단편적으로 판단하지 않는 CI-CBR 방법론은 비균질적인 음성 데이터로 인해 발생할 수 있는 오류와 오차를 최소화하고 최적화된 인터랙션을 구현하는데 있어서 도움을 줄 수 있다.
도 12는 본 발명의 일 실시예에 따른 CI-CBR의 예시를 설명하기 위한 도면이다.
도 12를 참조하면, 본 발명의 일 실시예들에 따른 CI-CBR 시스템은 ‘IoT 환경의 스마트홈’ 비즈니스 모델과 결합한다면 최적의 효율을 기대할 수 있다. CI-CBR은 ‘홈’ 환경과 같은 동일한 사용자와의 지속적이고 반복적인 인터랙션이 보장이 된다면 사례 누적을 통해 효율성을 높일 수 있기 때문이다.
예를 들어, 스마트홈 환경에서 30세 남성 Ronald 사용자의 현재 환경과 요구사항(1210)을 신규 안건으로 의장은 등록하고, 의원들이 수행하는 투표 결과를 수집할 수 있다(1220). 이에 가장 높은 추천도를 가진 사례 27(Case)을 선정(1240)하여 해당 사례의 해결 방안을 1차 추천 서비스(1250)로서 활용할 수 있다.
이와 같이 귀가, 식사 준비 등 거주민들의 일상 생활 속에서 나올 수 있는 다양한 상황에 맞는 서비스를 제공하는 머신러닝(Machine Learning: 기계 학습) 기반의 서비스인 지능형 스마트홈에 적용할 수 있다. 스마트홈 거주민의 억양, 발음 습관 등을 스스로 학습하여 95% 이상의 자연어 인식률을 갖춘 환경에 음성인식 기술을 더하여 ‘조명 꺼’라고 명령을 내리면 “어느 방 조명을 꺼 드릴까요?”라고 대답하는 등 인터랙션을 확장시킬 수 있다.
이와 같이 스마트홈 사업에 CI-CBR 시스템을 적용시킨다면 실외환경인 외부 온도, 미세먼지 농도 등과 실내환경인 고객의 위치정보, 수면패턴, 이동패턴 등 종합적인 데이터를 분석해 고객에게 필요한 서비스를 추천할 때 음성 인터랙션에 따른 사례를 기반으로 개인화된 패턴을 추론하여 최적화된 맞춤형 서비스를 제공할 수 있다.
본 발명의 실시예들에 따르면 투표 기반의 의사결정 방식을 선택하면서 각 사례에 대해 수치 이상의 다각화된 검토를 실행한다는 점에서 사례 증가에 따른 합리적 의사결정 효과를 극대화할 수 있다. 또한, 본 발명의 실시예들에 따르면 기존의 사례 형성 과정을 다음 의사결정 시에 적극적으로 활용한다는 점에서 누적된 사례들을 활용하며 과정 반복 시 추천의 정교화 수준이 높아지는 효과를 기대할 수 있다.
이에 따라 본 발명의 실시예들에 따른 집단지성형 CBR 시스템 추론 방식은 사용자에게 적절한 서비스나 컨텐츠를 제공하는 추천 시스템의 핵심 엔진으로서 활용될 수 있다. 본 발명에서 제안하는 사용자와의 인터랙션(interaction) 기반 사례 완성 과정을 통하여 CBR 시스템의 실시간 적용 가능성을 보여주며, 실시간 기계학습이 필요한 시스템 기반 추천 서비스 영역에서 활용될 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, 예를 들어, 프로세서, 컨트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable 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 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 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 컨트롤러를 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 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. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
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 (15)

  1. 컴퓨터로 구현되는 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 시스템에서 수행되는 집단지성형 사례기반추론 방법에 있어서,
    사례화부에서 사용자의 맥락을 신규 사례로 표현하여 사례화하는 단계;
    사례 검색 및 재사용부에서 상기 사용자의 맥락의 신규 사례를 토대로 과거 사례를 케이스 베이스(Case-base, CB)로부터 검색하여 유사도가 가장 높은 사례 또는 유사도가 높은 사례들을 선별하여 유사도가 높은 순서의 소정의 상위 사례들을 기반으로 1차 솔루션을 도출하고, 상기 사용자에게 상기 1차 솔루션을 추천하는 단계; 및
    사례 수정부에서 상기 1차 솔루션에 대한 상기 사용자의 피드백을 받은 후 상기 사용자의 피드백을 반영하여 최종 솔루션으로 수정하고, 상기 사용자에게 상기 최종 솔루션을 추천하는 단계
    를 포함하고,
    상기 사용자에게 상기 1차 솔루션을 추천하는 단계는,
    상기 사례 검색 및 재사용부에서 추론 모듈의 의장(Gateway)은 상기 사용자의 맥락의 신규 사례를 토대로 과거 사례를 상기 케이스 베이스(CB)로부터 검색하는 단계;
    상기 의장은 검색된 과거 사례 중 유사도가 높은 사례들을 선별하여 유사도가 높은 순서의 소정의 상위 사례들을 이용하여 사례 후보 리스트를 작성하는 단계;
    상기 의장은 상기 사례 후보 리스트 중 첫 번째로 유사도가 가장 높은 사례와 두 번째로 유사도가 가장 높은 사례의 유사도 수치를 이용하여 안건 상정 여부를 판단하는 단계;
    상기 추론 모듈의 의장은 상기 사용자의 맥락의 신규 사례를 신규 안건으로 등록하는 단계;
    등록된 상기 신규 안건을 대상으로 상기 추론 모듈의 복수의 의원(Node)들은 각각 상기 케이스 베이스(CB)의 과거 사례 중 유사도가 높다고 판단되는 사례 순으로 소정의 사례를 리스트화하여 상기 의장에게 전달함에 따라 투표하는 단계;
    상기 의장은 투표 결과에 따라 가장 유사도가 높다고 판단된 사례를 1차 솔루션으로 채택하는 단계; 및
    상기 의장은 채택된 상기 1차 솔루션을 상기 사용자에게 전달하여 추천하는 단계
    를 포함하고,
    상기 유사도 수치를 이용하여 안건 상정 여부를 판단하는 단계는,
    상기 사례 검색 및 재사용부에서 상기 첫 번째로 유사도가 가장 높은 사례의 유사도 수치에서 상기 두 번째로 유사도가 가장 높은 사례의 유사도 수치를 차감한 값이 기 설정된 수치 미만인 경우 상기 사용자의 맥락의 신규 사례를 신규 안건으로 등록하고, 상기 기 설정된 수치 이상인 경우 상기 사용자의 맥락의 신규 사례를 신규 안건으로 등록하지 않는, 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 방법.
  2. 제1항에 있어서,
    사례 유지부에서 상기 최종 솔루션의 완성에 따른 상기 신규 사례를 케이스 베이스(Case-base, CB)에 저장하는 단계
    를 더 포함하는, 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 방법.
  3. 제1항에 있어서,
    상기 사용자의 맥락을 신규 사례로 표현하여 사례화하는 단계는,
    상기 사례 검색 및 재사용부에서 상기 사용자의 요구사항이 음성(Voice) 또는 텍스트(Text) 기반으로 입력되었을 때 현재의 상기 사용자 맥락을 신규 사례로 변환하여 사례화하는 단계
    를 포함하는, 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 방법.
  4. 제1항에 있어서,
    상기 사용자의 맥락을 신규 사례로 표현하여 사례화하는 단계는,
    상기 사례 검색 및 재사용부에서 기 설정된 요구사항에 관한 조건이 달성되었을 때 현재의 상기 사용자 맥락을 신규 사례로 변환하여 사례화하는 단계
    를 포함하는, 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 방법.
  5. 삭제
  6. 삭제
  7. 삭제
  8. 제1항에 있어서,
    상기 유사도 수치를 이용하여 안건 상정 여부를 판단하여 안건 상정을 하지 않는 경우, 상기 의장은 상기 첫 번째로 유사도가 가장 높은 사례를 상기 1차 솔루션으로 채택하는 단계
    를 더 포함하는, 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 방법.
  9. 사용자의 맥락을 신규 사례로 표현하여 사례화하는 사례화부;
    상기 사용자의 맥락의 신규 사례를 토대로 과거 사례를 케이스 베이스(Case-base, CB)로부터 검색하여 유사도가 가장 높은 사례 또는 유사도가 높은 사례들을 선별하여 유사도가 높은 순서의 소정의 상위 사례들을 기반으로 1차 솔루션을 도출하고, 상기 사용자에게 상기 1차 솔루션을 추천하는 사례 검색 및 재사용부; 및
    상기 1차 솔루션에 대한 상기 사용자의 피드백을 받은 후 상기 사용자의 피드백을 반영하여 최종 솔루션으로 수정하고, 상기 사용자에게 상기 최종 솔루션을 추천하는 사례 수정부
    를 포함하고,
    상기 사례 검색 및 재사용부는,
    추론 모듈의 의장(Gateway)은 상기 사용자의 맥락의 신규 사례를 토대로 과거 사례를 상기 케이스 베이스(CB)로부터 검색하고, 상기 의장은 검색된 과거 사례 중 유사도가 높은 사례들을 선별하여 유사도가 높은 순서의 소정의 상위 사례들을 이용하여 사례 후보 리스트를 작성하며, 상기 의장은 상기 사례 후보 리스트 중 첫 번째로 유사도가 가장 높은 사례와 두 번째로 유사도가 가장 높은 사례의 유사도 수치를 이용하여 안건 상정 여부를 판단하며, 상기 추론 모듈의 의장은 상기 사용자의 맥락의 신규 사례를 신규 안건으로 등록하고, 등록된 상기 신규 안건을 대상으로 상기 추론 모듈의 복수의 의원(Node)들은 각각 상기 케이스 베이스(CB)의 과거 사례 중 유사도가 높다고 판단되는 사례 순으로 소정의 사례를 리스트화하여 상기 의장에게 전달함에 따라 투표하며, 상기 의장은 투표 결과에 따라 가장 유사도가 높다고 판단된 사례를 1차 솔루션으로 채택하여, 상기 의장은 채택된 상기 1차 솔루션을 상기 사용자에게 전달하여 추천하고,
    상기 첫 번째로 유사도가 가장 높은 사례의 유사도 수치에서 상기 두 번째로 유사도가 가장 높은 사례의 유사도 수치를 차감한 값이 기 설정된 수치 미만인 경우 상기 사용자의 맥락의 신규 사례를 신규 안건으로 등록하고, 상기 기 설정된 수치 이상인 경우 상기 사용자의 맥락의 신규 사례를 신규 안건으로 등록하지 않는, 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 시스템.
  10. 제9항에 있어서,
    상기 최종 솔루션의 완성에 따른 상기 신규 사례를 케이스 베이스(Case-base, CB)에 저장하는 사례 유지부
    를 더 포함하는, 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 시스템.
  11. 삭제
  12. 삭제
  13. 삭제
  14. 사용자의 맥락을 신규 사례로 표현하여 사례화하고, 상기 사용자의 맥락의 신규 사례를 토대로 과거 사례를 케이스 베이스(Case-base, CB)로부터 검색하여 유사도가 가장 높은 사례 또는 유사도가 높은 사례들을 선별하여 유사도가 높은 순서의 소정의 상위 사례들을 기반으로 1차 솔루션을 도출하고, 상기 사용자에게 상기 1차 솔루션을 추천하며, 상기 1차 솔루션에 대한 상기 사용자의 피드백을 받은 후 상기 사용자의 피드백을 반영하여 최종 솔루션으로 수정하고, 상기 사용자에게 상기 최종 솔루션을 추천하는 추론 모듈;
    상기 과거 사례를 저장하고, 상기 최종 솔루션이 완성된 상기 신규 사례를 저장하는 케이스 베이스(Case-base, CB); 및
    상기 추론 모듈의 요청에 따라 상기 케이스 베이스로부터 상기 과거 사례를 검색하여 리스트를 전달하는 데이터 관리 모듈
    을 포함하고,
    상기 추론 모듈은,
    추론 모듈의 의장(Gateway)은 상기 사용자의 맥락의 신규 사례를 토대로 과거 사례를 상기 케이스 베이스(CB)로부터 검색하고, 상기 의장은 검색된 과거 사례 중 유사도가 높은 사례들을 선별하여 유사도가 높은 순서의 소정의 상위 사례들을 이용하여 사례 후보 리스트를 작성하며, 상기 의장은 상기 사례 후보 리스트 중 첫 번째로 유사도가 가장 높은 사례와 두 번째로 유사도가 가장 높은 사례의 유사도 수치를 이용하여 안건 상정 여부를 판단하며, 상기 추론 모듈의 의장은 상기 사용자의 맥락의 신규 사례를 신규 안건으로 등록하고, 등록된 상기 신규 안건을 대상으로 상기 추론 모듈의 복수의 의원(Node)들은 각각 상기 케이스 베이스(CB)의 과거 사례 중 유사도가 높다고 판단되는 사례 순으로 소정의 사례를 리스트화하여 상기 의장에게 전달함에 따라 투표하며, 상기 의장은 투표 결과에 따라 가장 유사도가 높다고 판단된 사례를 1차 솔루션으로 채택하여, 상기 의장은 채택된 상기 1차 솔루션을 상기 사용자에게 전달하여 추천하고,
    상기 첫 번째로 유사도가 가장 높은 사례의 유사도 수치에서 상기 두 번째로 유사도가 가장 높은 사례의 유사도 수치를 차감한 값이 기 설정된 수치 미만인 경우 상기 사용자의 맥락의 신규 사례를 신규 안건으로 등록하고, 상기 기 설정된 수치 이상인 경우 상기 사용자의 맥락의 신규 사례를 신규 안건으로 등록하지 않는, 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 시스템.
  15. 제14항에 있어서,
    상기 사용자의 요구사항 또는 상기 사용자의 피드백을 입력하고, 상기 추론 모듈을 통해 도출된 결과인 상기 1차 솔루션 또는 상기 최종 솔루션을 출력하는 커뮤니케이션 모듈(Communication Module, CM)
    을 더 포함하는, 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 시스템.
KR1020190039405A 2019-04-04 2019-04-04 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 시스템 및 그 방법 KR102229768B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190039405A KR102229768B1 (ko) 2019-04-04 2019-04-04 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 시스템 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190039405A KR102229768B1 (ko) 2019-04-04 2019-04-04 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 시스템 및 그 방법

Publications (2)

Publication Number Publication Date
KR20200117381A KR20200117381A (ko) 2020-10-14
KR102229768B1 true KR102229768B1 (ko) 2021-03-19

Family

ID=72847504

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190039405A KR102229768B1 (ko) 2019-04-04 2019-04-04 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 시스템 및 그 방법

Country Status (1)

Country Link
KR (1) KR102229768B1 (ko)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020064639A (ko) * 2001-02-02 2002-08-09 정창덕 사례 기반 추론과 구조적 위험 분석을 이용한 정보보안위험 분석 방법
KR100448019B1 (ko) * 2002-01-15 2004-09-08 디지털파워넷 주식회사 통신망을 통해 경보 변수 정보 전송하는 시스템 및 그운영방법
KR20120071966A (ko) * 2010-12-23 2012-07-03 한국과학기술원 소프트웨어 컴포넌트 검색을 위한 사례 기반 추론 장치 및 이를 이용하여 소프트웨어 컴포넌트를 검색하는 방법, 그리고 검색된 소프트웨어 컴포넌트에 대한 설명을 제공하는 방법
KR101298160B1 (ko) * 2011-04-18 2013-08-20 성균관대학교산학협력단 의사 결정 추천 시스템 및 방법

Also Published As

Publication number Publication date
KR20200117381A (ko) 2020-10-14

Similar Documents

Publication Publication Date Title
US11392645B2 (en) Computerized domain expert
US9672490B2 (en) Procurement system
CN112799747A (zh) 智能助理评价、推荐方法、系统、终端及可读存储介质
US20220188661A1 (en) Stateful, Real-Time, Interactive, and Predictive Knowledge Pattern Machine
US11556733B2 (en) System and method for auto-completion of ICS flow using artificial intelligence/machine learning
US20140129499A1 (en) Value oriented action recommendation using spatial and temporal memory system
JP2022547596A (ja) チャットボットシステムにおける無関係な発話の検出
US20130325770A1 (en) Probabilistic language model in contextual network
CN113688326B (zh) 推荐方法、装置、设备及计算机可读存储介质
CN115989490A (zh) 用于为文本分类提供解释的技术
CN116490879A (zh) 用于神经网络中过度预测的方法和系统
KR20200094311A (ko) 챗봇 서비스 제공 방법, 장치 및 그 시스템
US11055655B1 (en) Method and system for generating an alimentary combination help update
US11176502B2 (en) Analytical model training method for customer experience estimation
US11144727B2 (en) Evaluation framework for intent authoring processes
KR102229768B1 (ko) 사용자 맞춤형 추천을 위한 집단지성형 사례기반추론 시스템 및 그 방법
US11100407B2 (en) Building domain models from dialog interactions
CN116974554A (zh) 代码数据处理方法、装置、计算机设备和存储介质
CN116595328A (zh) 一种基于知识图谱的数据评分卡模型智能构建装置及方法
US20230106590A1 (en) Question-answer expansion
US11782918B2 (en) Selecting access flow path in complex queries
CA3104292C (en) Systems and methods for identifying and linking events in structured proceedings
CN113239034A (zh) 一种基于人工智能的大数据资源整合方法、系统及云平台
US11842379B2 (en) Method and system for obtaining item-based recommendations
US20240202596A1 (en) Method of providing explanation of artificial intelligence model based on plug-and-play mode

Legal Events

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