KR102266517B1 - 사용자의 실행 패턴을 이용한 상품 추천 시스템, 사용자의 실행 패턴을 이용한 상품 추천 방법 및 이를 위한 장치 - Google Patents

Abstract

사용자의 실행 패턴을 이용한 상품 추천 시스템, 사용자의 실행 패턴을 이용한 상품 추천 방법 및 이를 위한 장치가 개시된다. 상품에 대한 구매 정보와 실행 정보를 획득하고, 획득한 실행 정보를 이용하여 상품별 실행 패턴을 추출할 수 있다. 추천 대상 사용자가 마켓에 접속한 시간대에 따라서 구매 정보 및 상품별 실행 패턴 중 하나 이상을 이용하여 추천 상품 풀에 포함된 상품을 추천하여 추천 대상 사용자에게 적합한 상품을 추천하는 것이 가능하다.

Description

사용자의 실행 패턴을 이용한 상품 추천 시스템, 사용자의 실행 패턴을 이용한 상품 추천 방법 및 이를 위한 장치{SYSTEM FOR RECOMMENDING PRODUCT USING EXECUTION PATTERN OF USER, METHOD OF RECOMMENDING PRODUCT USING EXECUTION PATTERN OF USER AND APPARATUS FOR THE SAME}

본 발명은 사용자의 실행 패턴을 이용하여 마켓에 등록된 상품을 추천하는 사용자의 실행 패턴을 이용한 상품 추천 시스템, 사용자의 실행 패턴을 이용한 상품 추천 방법 및 이를 위한 장치에 관한 것으로, 특히 상품의 구매정보 및 실행정보를 이용하여 사용자의 실행 패턴을 분석하고, 사용자가 마켓에 접속한 시간대에 따라 적절한 상품을 추천할 수 있는 사용자의 실행 패턴을 이용한 상품 추천 시스템, 사용자의 실행 패턴을 이용한 상품 추천 방법 및 이를 위한 장치에 관한 것이다.

일반적으로 인터넷 마켓에서 상품의 추천은 개인의 구매 이력에 기반하여 개인에게 최적화된 상품을 선별하여 추천한다. 이 때 주로 사용되는 방법으로, 상품을 추천할 대상 사용자와 구매 이력이 유사한 사용자들을 선별하고, 유사 사용자들은 구매하였는데 추천 대상 사용자가 구매하지 않은 상품을 추천해주는 협업 필터링(Collaborative Filtering)이나, 여러 사용자의 구매 기록을 이용하여 상품 별로 동시 구매 가능성 또는 동시 클릭 가능성이 높은 상품을 추천하는 연관 규칙 마이닝(Association Rule Mining)과 같은 알고리즘을 이용한다.

그러나 이와 같은 종래의 추천 방식은 상품을 추천 받은 사용자가 실제로 상품을 구매 후 마음에 들지 않아 이용하지 않거나, 더 이상 필요하지 않아 상품을 삭제하는 등의 정보를 알 수 없기 때문에 실제 취향을 정확하게 반영하지 못하고 있다. 즉, 통상적인 협업 필터링 방식이나 연관 규칙 마이닝을 이용하여 상품을 추천하는 경우에는, 추천 대상 사용자의 구매 이력이 변하지 않는 경우 사용자가 접속하는 시점이나 접속하는 시간대에는 상관없이 항상 동일한 추천 결과를 전달받게 되는 일이 빈번하게 발생할 수 있다.

따라서, 상품을 추천 받는 대상 사용자가 상품 추천 메뉴 혹은 추천 영역에 접속하는 시간대에 따라서 상품 추천 내용이 변경되고, 대상 사용자가 사용하는 상품의 카테고리 특성 및 주 이용 시간대를 계산하여 상품에 대한 사용자의 실행 패턴을 분석함으로써, 분석한 실행 패턴에 따른 적절한 상품을 추천할 수 있는 상품 추천 기술의 필요성이 절실하게 대두된다.

한국 공개 특허 제10-2013-0112565A호, 2013년 10월 14일 공개 (명칭: 애플리케이션 추천 장치 및 방법, 그리고 그의 평가 점수 산출 방법)

본 발명의 목적은, 다수 사용자의 상품 구매 패턴 및 실행 패턴을 분석하여 상품을 추천 받을 사용자에게 가장 적절한 상품을 추천하는 것이다.

또한, 본 발명의 목적은 시간대 별로 다수의 사용자들이 이용하는 상품의 정보를 이용하여, 사용자가 마켓에 접속하는 시간대마다 다른 추천 상품을 추천함으로써 추천 상품에 대한 사용성을 높이는 것이다.

또한, 본 발명의 목적은 상품 추천을 위한 구매 정보와 실행 정보를 지속적으로 갱신함으로써 최신성이 반영된 추천 상품을 제공하는 것이다.

상기한 목적을 달성하기 위한 본 발명에 따른 상품 추천 장치는, 상품에 대한 구매 정보를 획득하는 구매 정보 획득부, 사용자 단말장치로부터 상품에 대한 실행 정보를 획득하는 실행 정보 획득부, 획득한 실행 정보를 이용하여 상품별 실행 패턴을 추출하는 패턴 추출부 및 추천 대상 사용자가 마켓에 접속한 시간대에 따라 상기 구매 정보 및 상품별 실행 패턴 중 하나 이상을 이용하여 추천 상품 풀에 포함된 상품을 추천하는 상품 추천부를 포함한다.

이 때, 구매 정보는 상품의 구매 횟수 및 구매 시간대 중 하나 이상을 포함하고, 상기 실행 정보는 상기 상품이 사용자 단말장치에서 실행된 실행 횟수, 실행 시간대 및 실행된 상품의 카테고리 정보 중 하나 이상을 포함할 수 있다.

이 때, 패턴 추출부는 시간대별 상품을 실행한 사용자의 수, 시간대별 상품의 실행 빈도, 상품 실행 횟수를 기준으로 한 시간대별 순위, 상품을 실행한 사용자 수를 이용하여 계산한 실행 시간대의 평균 및 평균에 대한 분산 중 하나 이상의 형태로 상기 상품별 실행 패턴을 추출할 수 있다.

이 때, 패턴 추출부는 실행 시간대 및 카테고리 정보 중 하나 이상을 이용하여, 시간대별 카테고리 실행 패턴을 더 추출할 수 있다.

이 때, 상품 추천 장치는 사용자의 구매 이력을 추천 알고리즘에 적용하여 추천 상품 풀을 생성하는 풀 생성부를 더 포함할 수 있다.

이 때, 풀 생성부는 협업 필터링(Collaborative Filtering) 및 연관 규칙 마이닝(Association Rule Mining) 기반 추천 알고리즘을 포함하는 추천 알고리즘 중 하나를 이용하여 추천 상품 풀을 생성할 수 있다.

이 때, 상품 추천부는 구매 정보, 상품별 실행 패턴 및 시간대별 카테고리 실행 패턴 중 하나 이상을 이용하여 카테고리 추천 기준, 실행 상품 추천 기준 및 구매 상품 추천 기준 중의 어느 하나를 포함하는 추천 기준을 생성하는 기준 생성부를 더 포함할 수 있다.

이 때, 카테고리 추천 기준은 시간대별로 실행 횟수가 가장 많은 카테고리들에 대해, 추천 대상 사용자가 마켓에 접속한 시간대와 근접한 순으로 카테고리의 우선순위를 결정할 수 있다.

이 때, 상품 추천부는 상기 결정된 카테고리의 우선순위를 기준으로 각 카테고리 별로 추천할 상품의 비중을 결정할 수 있다.

이 때, 실행 상품 추천 기준은 추천 대상 사용자가 마켓에 접속한 시간대에 실행된 상품별 실행 횟수에 따라 추천 상품 풀에 포함된 상품의 우선순위를 결정할 수 있다.

이 때, 구매 상품 추천 기준은 추천 대상 사용자가 마켓에 접속한 시간대에 구매된 상품별 구매 횟수에 따라 추천 상품 풀에 포함된 상품의 우선순위를 결정할 수 있다.

이 때, 상품 추천부는 카테고리 추천 기준, 실행 상품 추천 기준 및 구매 상품 추천 기준 중의 둘 이상의 추천 기준을 이용하여 상품의 우선순위를 결정하고, 결정된 우선순위에 추천 기준의 가중치를 적용하여 추천 상품 풀에 포함된 상품의 우선순위를 결정하는 가중치 적용부를 더 포함할 수 있다.

이 때, 가중치 적용부는 추천 대상 사용자에게 추천된 상품에 적용된 추천 기준을 판단하고, 추천된 상품의 구매 횟수 및 실행 횟수 중 하나 이상을 이용하여 판단된 추천 기준에 대한 기여도를 산출하고, 판단된 추천 기준에 대해 산출된 기여도를 대응되는 추천 기준의 가중치에 반영하여 각 추천 기준의 가중치를 조절할 수 있다.

이 때, 상품 추천부는 미리 설정된 구매 횟수의 최소 기준치 이상 구매된 상품이 포함된 추천 상품 풀에서 상품을 추천할 수 있다.

또한, 본 발명에 따른 상품 추천 방법은, 상품에 대한 구매 정보를 획득하는 단계, 사용자 단말장치로부터 상품에 대한 실행 정보를 획득하는 단계, 획득한 실행 정보를 이용하여 상품별 실행 패턴을 추출하는 단계 및 추천 대상 사용자가 마켓에 접속한 시간대에 따라 구매 정보 및 상품별 실행 패턴 중 하나 이상을 이용하여 추천 상품 풀에 포함된 상품을 추천하는 단계를 포함한다.

이 때, 패턴을 추출하는 단계는 실행 정보에 포함된 실행 시간대 및 카테고리 정보 중 하나 이상을 이용하여 시간대별 카테고리 실행 패턴을 추출하는 단계를 더 포함할 수 있다.

이 때, 상품을 추천하는 단계는 구매 정보, 상품별 실행 패턴 및 카테고리 실행 패턴 중 하나 이상을 이용하여 카테고리 추천 기준, 실행 상품 추천 기준 및 구매 상품 추천 기준 중 하나를 생성하는 단계를 더 포함할 수 있다.

이 때, 상품을 추천하는 단계는 카테고리 추천 기준, 실행 상품 추천 기준 및 구매 상품 추천 기준 중 둘 이상의 추천 기준을 이용하여 상품의 순위를 결정하고, 결정된 우선순위에 추천 기준의 가중치를 적용하여 추천 상품 풀에 포함된 상품의 우선순위를 결정하는 단계를 더 포함하고, 가중치를 적용하여 우선순위를 결정하는 단계는 추천 대상 사용자에게 추천된 상품에 적용된 추천 기준을 판단하는 단계, 추천된 상품의 구매 정보에 포함된 구매 횟수 및 실행 횟수 중 하나 이상을 이용하여 판단된 추천 기준에 대한 기여도를 산출하는 단계 및 판단된 추천 기준에 대해 산출된 기여도를 대응되는 추천 기준의 가중치에 반영하여 각 추천 기준의 가중치를 조절하는 단계를 포함할 수 있다.

또한, 본 발명에 따른 상품 추천 시스템은, 마켓에서 구매한 상품의 실행 정보를 수집하고, 수집한 실행 정보에 카테고리 정보를 매핑하여, 마켓에 접속할 때 카테고리 정보가 매핑된 실행 정보를 상품 추천 장치로 전달하는 단말 장치 및 상품에 대한 구매 정보를 획득하고, 단말 장치로부터 획득한 실행 정보를 이용하여 상품별 실행 패턴을 추출하여, 추천 대상 사용자가 마켓에 접속한 시간대에 따라 추천 상품 풀에 포함된 상품을 추천하는 상품 추천 장치를 포함한다.

본 발명에 따르면, 상품을 추천 받을 사용자가 마켓에 접속하는 시간대에 따라 추천 상품을 변경되도록 하여 사용자에게 보다 적합한 추천 상품을 제공할 수 있다.

또한, 본 발명은 사용자가 사용하는 상품의 카테고리 특성과 각 카테고리 별로 주로 사용하는 시간대를 체크하여 상품을 추천함으로써, 사용자에게 최적화된 추천 시스템을 제공할 수 있다.

도 1은 본 발명의 일실시예에 따른 상품 추천 장치를 나타낸 블록도이다.
도 2는 도 1의 상품 추천 장치 중 상품 추천부를 나타낸 블록도이다.
도 3은 본 발명의 일실시예에 따른 상품 추천 방법을 나타낸 동작 흐름도이다.
도 4는 본 발명의 일실시예에 따른 추천 상품을 결정하는 과정을 나타낸 동작 흐름도이다.
도 5는 본 발명의 일실시예에 따른 상품 추천 시스템을 나타낸 도면이다.
도 6은 단말 장치에서의 상품별 실행 시간을 나타낸 도면이다.
도 7은 시간대별 카테고리에 대한 실행 시간을 나타낸 도면이다.
도 8은 본 발명의 일실시예에 따른 추천 상품 풀을 생성하는 방법을 나타낸 도면이다.

이하 본 발명의 바람직한 실시예를 첨부한 도면을 참조하여 상세히 설명한다. 다만, 하기의 설명 및 첨부된 도면에서 본 발명의 요지를 흐릴 수 있는 공지 기능 또는 구성에 대한 상세한 설명은 생략한다. 또한, 도면 전체에 걸쳐 동일한 구성 요소들은 가능한 한 동일한 도면 부호로 나타내고 있음에 유의하여야 한다.

이하에서 설명되는 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위한 용어의 개념으로 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다. 또한 제 1, 제 2 등의 용어는 다양한 구성요소들을 설명하기 위해 사용하는 것으로, 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용될 뿐, 상기 구성요소들을 한정하기 위해 사용되지 않는다.

도 1은 본 발명의 일실시예에 따른 상품 추천 장치를 나타낸 블록도이다.

도 1을 참조하면, 본 발명의 일실시예에 따른 상품 추천 장치(100)는 구매 정보 획득부(110), 실행 정보 획득부(120), 패턴 추출부(130), 상품 추천부(140) 및 풀 생성부(150)를 포함할 수 있다.

구매 정보 획득부(110)는 상품에 대한 구매 정보를 획득할 수 있다.

이 때, 구매 정보는 각각의 상품이 구매된 횟수 및 상품이 구매되거나 다운로드 된 시간대 중 하나 이상을 포함할 수 있다. 이와 같은 구매 정보를 획득하여 특정 시간대에 가장 많이 구매된 순서대로 상품을 정렬할 수 있다. 구매 정보는 미리 설정된 단위 기간마다 지속적으로 갱신함으로써, 다수 사용자의 구매 행태에 따라 변경되는 값을 사용할 수 있어 최신성과 인기성을 동시에 반영할 수 있다. 그리고 상품이 구매되거나 다운로드 된 시간대는 일반적으로 시간 단위로 나누어 정보를 획득할 수 있으며, 시간대의 특성에 따라서 시간 단위를 조정할 수 있다. 예를 들어, 출근 시간이나 퇴근 시간과 같이 상품의 실행 및 수요가 많은 시간대에는 시간 단위를 잘게 30분 단위로 나누고, 새벽 시간과 같이 상품의 실행 및 수요가 적은 시간대에는 시간 단위를 길게 1시간 30분 또는 2시간으로 나누어 정보를 획득할 수 있다. 이러한 단위 변경은 실제 사용자들의 구매 시간에 대한 통계 분석을 통해 임의로 그리고 주기적으로 변경이 가능할 수 있다.

실행 정보 획득부(120)는 상품을 사용하는 사용자의 단말장치로부터 상품에 대한 실행 정보를 획득할 수 있다.

이 때, 실행 정보는 마켓에서 구매한 상품이 사용자의 단말장치에서 실행된 실행 횟수, 상품이 실행된 실행 시간대 및 실행된 상품의 카테고리 정보 중 하나 이상을 포함할 수 있다. 실행 정보도 구매 정보와 마찬가지로 미리 설정된 단위 기간마다 지속적으로 갱신되거나 또는 사용자 단말장치가 마켓에 접속할 때에 실행 정보를 옮겨 저장할 수 있다.

패턴 추출부(130)는 사용자 단말장치로부터 획득한 실행 정보를 이용하여 상품별 실행 패턴을 추출할 수 있다.

이 때, 상품별 실행 패턴은 시간대별 상품을 실행한 사용자의 수, 시간대별 상품의 실행 빈도, 상품 실행 횟수를 기준으로 한 시간대별 순위, 상품을 실행한 사용자 수를 이용하여 계산한 실행 시간대의 평균 및 평균에 대한 분산 중 하나 이상의 형태로 추출할 수 있다.

예를 들어, 상품 A를 사용하는 N명의 사용자의 실행 시간을 일정한 주기 동안 수집하여 분석하면, 시간대별로 0시에서 1시 사이에는 100명, 1시에서 2시 사이에는 20명, ... , 18시에서 19시 사이에는 1000명, ... , 23시에서 24시 사이에는 500명 등의 시간대별 상품을 실행한 사용자의 수를 추출할 수 있다. 또한, 이러한 결과를 백분율로 계산하여 0시에서 1시 사이에는 10%, 1시에서 2시 사이에는 2%, ... , 18시에서 19시 사이에는 50%, ... , 23시에서 24시 사이에는 25% 등의 시간대별 상품의 실행 빈도의 형태로 추출할 수 있다. 또는, 시간대 정보를 단계적으로 끊어지는 시간 구간이 아닌 전체 통계의 평균값과 분산값을 이용하는 형태로 저장하여 이용할 수도 있다. 예를 들어, 상품 A의 주 실행 시간대를 평균은 18시, 분산은 2시간의 형태로 저장하고, 분산값이 작으면 작을수록 특정한 시간대에 집중적으로 사용되는 상품이라는 사실을 유추해낼 수 있다. 이와 같은 정보를 이용하여 특정 상품이 어느 시간대에 가장 많이 사용되는지를 알 수 있으며, 해당 시간대에 사용자들이 가장 많이 이용하는 상품이 어떤 종류인지를 특정하는데 이용할 수 있다.

또한, 패턴 추출부(130)는 상품의 실행 시간대 및 카테고리 정보 중 하나 이상을 이용하여, 시간대별로 상품의 카테고리에 따른 실행 패턴인 시간대별 카테고리 실행 패턴을 더 추출할 수 있다. 카테고리 정보는 게임, 어학, 생활 및 위치 등 다양한 분야로 분류될 수 있다. 혹은, 게임과 같은 상위 카테고리 내에 RPG게임, 퍼즐게임, 시뮬레이션게임 및 슈팅게임 등의 하위 카테고리를 둘 수도 있다.

상품 추천부(140)는 상품을 추천 받을 추천 대상 사용자가 마켓에 접속한 시간대에 따라서 상품의 구매 정보 및 상품별 실행 패턴 중 하나 이상을 이용하여 추천 상품 풀에 포함된 상품을 추천할 수 있다.

이 때, 상품의 구매 정보, 상품별 실행 패턴 및 시간대별 카테고리 실행 패턴 중 하나 이상을 이용하여 카테고리 추천 기준, 실행 상품 추천 기준 및 구매 상품 추천 기준 중의 어느 하나를 포함하는 추천 기준을 생성할 수 있다.

이 때, 카테고리 추천 기준은 시간대별로 실행 횟수가 가장 많은 카테고리들에 대해, 추천 대상 사용자가 마켓에 접속한 시간대와 근접한 순으로 카테고리의 우선순위를 결정할 수 있다. 예를 들어 23시에 접속한 사용자 A가 단말 장치에서 14~18시에는 SNS, 18~20시에는 뉴스, 20~22시에는 어학, 22~2시에는 게임 카테고리의 상품을 이용하는 빈도가 높은 경우에, 사용자 A가 접속한 시간대를 포함하는 시간대와 가까운 시간대에서 가장 많이 이용하는 카테고리의 순서, 즉 게임, 어학, 뉴스 및 SNS의 순서로 추천 상품 풀 내의 우선순위를 조정할 수 있다. 만약 사용자 A가 16시에 접속한다면 추천 상품의 카테고리는 SNS, 뉴스, 어학 및 게임의 순으로 우선순위가 조정될 수 있다.

또한, 결정된 카테고리의 우선순위를 기준으로 각 카테고리 별로 추천할 상품의 비중을 결정할 수 있다. 예를 들어, 사용자 A에게 100개의 상품을 추천함에 있어서, 사용자 A가 23시에 접속한다면 게임 50개, 어학 20개, 뉴스 12개 및 SNS 8개의 형태로 추천할 상품의 비중을 결정할 수 있으며, 사용자 A가 4시에 접속한다면 SNS 50개, 어학 30개, 뉴스 15개 및 게임 5개의 형태로 추천 상품의 비중을 결정할 수 있다.

이 때, 실행 상품 추천 기준은 추천 대상 사용자가 마켓에 접속한 시간대에 실행된 상품별 실행 횟수에 따라 추천 상품 풀에 포함된 상품의 우선순위를 결정할 수 있다. 예를 들어, 사용자 A가 23시에 마켓에 접속하였고, 추천 상품 풀에 포함된 상품들 중 상품 B는 100번, 상품 C는 500번, 상품 D는 50번씩 사용자 A가 마켓에 접속한 23시에 실행되었다면, 상품 C, 상품 B 및 상품 D의 순서로 우선순위를 결정할 수 있다.

또한, 이와 같이 실행 상품 추천 기준에 따라 추천 상품 풀에 포함된 상품의 우선순위를 결정할 때에는 카테고리 추천 기준에 따라 결정된 카테고리의 우선순위를 변경되지 않을 수 있다.

이 때, 구매 상품 추천 기준은 추천 대상 사용자가 마켓에 접속한 시간대에 구매된 상품별 구매 횟수에 따라 추천 상품 풀에 포함된 상품의 우선순위를 결정할 수 있다. 예를 들어, 사용자 A가 23시에 마켓에 접속하였고, 추천 상품 풀에 포함된 상품들 중 상품 E는 20번, 상품 F는 100번, 상품 G는 200번씩 사용자 A가 마켓에 접속한 23시에 구매되었다면, 상품 G, 상품 F 및 상품 E의 순서로 우선순위를 결정할 수 있다.

또한, 미리 설정된 구매 횟수의 최소 기준치 이상 구매된 상품이 포함된 추천 상품 풀에서 상품을 추천할 수 있다.

또한, 구매 횟수뿐만 아니라 구매 시간대의 근접순에 따라 조정이 가능하며, 구매 횟수 및 구매 시간대의 2가지 기준을 서로 혼합하여 우선순위를 결정할 수 있다.

또한, 상품 추천부(140)는 카테고리 추천 기준, 실행 상품 추천 기준 및 구매 상품 추천 기준 중의 둘 이상의 추천 기준을 이용하여 상품의 우선순위를 결정하고, 결정된 우선순위에 추천 기준의 가중치를 적용하여 추천 상품 풀에 포함된 상품의 우선 순위를 결정할 수 있다. 예를 들어, 카테고리 추천 기준, 실행 상품 추천 기준 및 구매 상품 추천 기준에 의해 결정된 상품의 우선순위를 각각 rank1, rank2 및 rank3이고 각 기준에 대한 가중치를 w1, w2 및 w3이라고 할 때, 아래의 수식에 의해 최종적인 우선 순위가 결정될 수 있다. 이 때, 가중치 w1, w2 및 w3의 합은 1이 되는 값으로 지정할 수 있다.

이 때, 추천 대상 사용자에게 추천된 상품에 적용된 추천 기준을 판단하고, 추천된 상품의 구매 횟수 및 실행 횟수 중 하나 이상을 이용하여 판단된 추천 기준에 대한 기여도를 산출하고, 판단된 추천 기준에 대해 산출된 기여도를 대응되는 추천 기준의 가중치에 반영하여 각 추천 기준의 가중치를 조절할 수 있다. 예를 들어, 사용자 A에 대해 카테고리 추천 기준, 실행 상품 추천 기준 및 구매 상품 추천 기준에 대한 가중치가 각각 20%, 30% 및 50%일 때, 사용자 A가 카테고리 추천 기준 및 실행 상품 추천 기준에 의해 우선순위가 결정된 상품을 구매하였다면, 구매 횟수 1회에 대한 기여도 10%를 각각 20/50, 30/50으로 나누어서 카테고리 추천 기준 및 실행 상품 추천 기준의 가중치에 반영할 수 있다. 그리고 상품의 우선순위 결정에 기여하지 못한 구매 상품 추천 기준에 대한 가중치를 감소시킴으로써 카테고리 추천 기준, 실행 상품 추천 기준 및 구매 상품 추천 기준에 대한 가중치를 각각 24%, 36% 및 40%로 조절할 수 있다.

풀 생성부(150)는 상품 사용자의 구매 이력을 추천 알고리즘에 적용하여 추천 상품 풀을 생성할 수 있다.

이 때, 협업 필터링(Collaborative Filtering) 및 연관 규칙 마이닝(Association Rule Mining) 기반 추천 알고리즘을 포함하는 추천 알고리즘 중 하나를 이용하여 추천 상품 풀을 생성할 수 있다.

이 때, 협업 필터링은 사용자들의 선호도와 관심 표현을 바탕으로 비슷한 패턴을 가진 사용자들을 식별할 수 있는 기법으로써, 비슷한 취향을 가진 사용자들에게 서로 아직 구매하지 않은 상품들을 교차하여 추천하거나 분류된 사용자의 취향이나 생활 형태에 따라 관련 상품을 추천하는 형태의 서비스를 제공하기 위해 사용될 수 있다.

또한, 연관 규칙 마이닝은 하나의 거래나 사건에 포함되어 있는 항목들의 관련성을 파악하여 둘 이상의 항목들로 구성된 연관성 규칙을 도출하는 방법으로, 지지도, 신뢰도, 향상도 등의 평가 기준을 통해 연관 규칙을 평가할 수 있다.

이와 같은 상품 추천 장치를 이용하여 사용자가 마켓에 접속한 시간대에 따라 상품을 추천함으로써, 시간대 별로 인기성과 최신성을 반영하고 사용자에게 가장 적합하고 필요한 상품을 추천할 수 있으며, 사용자는 대량의 상품을 비교하지 않고도 사용자에게 필요한 적절한 상품들을 목록을 쉽게 획득할 수 있다.

도 2는 도 1의 상품 추천 장치 중 상품 추천부를 나타낸 블록도이다.

도 2를 참조하면, 도 1의 상품 추천 장치 중 상품 추천부(140)는 기준 생성부(210) 및 가중치 적용부(220)를 포함할 수 있다.

기준 생성부(210)는 구매 정보, 상품별 실행 패턴 및 시간대별 카테고리 실행 패턴 중 하나 이상을 이용하여 카테고리 추천 기준, 실행 상품 추천 기준 및 구매 상품 추천 기준 중의 어느 하나를 포함하는 추천 기준을 생성할 수 있다.

이 때, 카테고리 추천 기준은 시간대별로 실행 횟수가 가장 많은 카테고리들에 대해, 추천 대상 사용자가 마켓에 접속한 시간대와 근접한 순으로 카테고리의 우선순위를 결정할 수 있다.

이 때, 실행 상품 추천 기준은 추천 대상 사용자가 마켓에 접속한 시간대에 실행된 상품별 실행 횟수에 따라 추천 상품 풀에 포함된 상품의 우선순위를 결정할 수 있다.

또한, 이와 같이 실행 상품 추천 기준에 따라 추천 상품 풀에 포함된 상품의 우선순위를 결정할 때에는 카테고리 추천 기준에 따라 결정된 카테고리의 우선순위를 변경되지 않을 수 있다.

이 때, 구매 상품 추천 기준은 추천 대상 사용자가 마켓에 접속한 시간대에 구매된 상품별 구매 횟수에 따라 추천 상품 풀에 포함된 상품의 우선순위를 결정할 수 있다.

또한, 미리 설정된 구매 횟수의 최소 기준치 이상 구매된 상품이 포함된 추천 상품 풀에서 상품을 추천할 수 있다.

또한, 구매 횟수뿐만 아니라 구매 시간대의 근접순에 따라 조정이 가능하며, 구매 횟수 및 구매 시간대의 2가지 기준을 서로 혼합하여 우선순위를 결정할 수 있다.

가중치 적용부(220)는 카테고리 추천 기준, 실행 상품 추천 기준 및 구매 상품 추천 기준 중의 둘 이상의 추천 기준을 이용하여 상품의 우선순위를 결정하고, 결정된 우선순위에 추천 기준의 가중치를 적용하여 추천 상품 풀에 포함된 상품의 우선 순위를 결정할 수 있다.

이 때, 추천 대상 사용자에게 추천된 상품에 적용된 추천 기준을 판단하고, 추천된 상품의 구매 횟수 및 실행 횟수 중 하나 이상을 이용하여 판단된 추천 기준에 대한 기여도를 산출하고, 판단된 추천 기준에 대해 산출된 기여도를 대응되는 추천 기준의 가중치에 반영하여 각 추천 기준의 가중치를 조절할 수 있다.

도 3은 본 발명의 일실시예에 따른 상품 추천 방법을 나타낸 동작 흐름도이다.

도 3을 참조하면 본 발명의 일실시예에 따른 상품 추천 방법은 상품에 대한 구매 정보를 획득할 수 있다(S310).

이 때, 구매 정보는 각각의 상품이 구매된 횟수 및 상품이 구매되거나 다운로드 된 시간대 중 하나 이상을 포함할 수 있다. 이와 같은 구매 정보를 획득하여 특정 시간대에 가장 많이 구매된 순서대로 상품을 정렬할 수 있다. 구매 정보는 미리 설정된 단위 기간마다 지속적으로 갱신함으로써, 다수 사용자의 구매 행태에 따라 변경되는 값을 사용할 수 있어 최신성과 인기성을 동시에 반영할 수 있다. 그리고 상품이 구매되거나 다운로드 된 시간대는 일반적으로 시간 단위로 나누어 정보를 획득할 수 있으며, 시간대의 특성에 따라서 시간 단위를 조정할 수 있다. 예를 들어, 출근 시간이나 퇴근 시간과 같이 상품의 실행 및 수요가 많은 시간대에는 시간 단위를 잘게 30분 단위로 나누고, 새벽 시간과 같이 상품의 실행 및 수요가 적은 시간대에는 시간 단위를 길게 1시간 30분 또는 2시간으로 나누어 정보를 획득할 수 있다. 이러한 단위 변경은 실제 사용자들의 구매 시간에 대한 통계 분석을 통해 임의로 그리고 주기적으로 변경이 가능할 수 있다.

또한, 본 발명의 일실시예에 따른 상품 추천 장치는 사용자 단말장치로부터 상품에 대한 실행 정보를 획득할 수 있다(S320).

이 때, 실행 정보는 마켓에서 구매한 상품이 사용자의 단말장치에서 실행된 실행 횟수, 상품이 실행된 실행 시간대 및 실행된 상품의 카테고리 정보 중 하나 이상을 포함할 수 있다. 실행 정보도 구매 정보와 마찬가지로 미리 설정된 단위 기간마다 지속적으로 갱신되거나 또는 사용자 단말장치가 마켓에 접속할 때에 실행 정보를 옮겨 저장할 수 있다.

또한, 본 발명의 일실시예에 따른 상품 추천 장치는 획득한 실행 정보를 이용하여 상품별 실행 패턴을 추출할 수 있다(S330).

이 때, 상품별 실행 패턴은 시간대별 상품을 실행한 사용자의 수, 시간대별 상품의 실행 빈도, 상품 실행 횟수를 기준으로 한 시간대별 순위, 상품을 실행한 사용자 수를 이용하여 계산한 실행 시간대의 평균 및 평균에 대한 분산 중 하나 이상의 형태로 추출할 수 있다.

예를 들어, 상품 A를 사용하는 N명의 사용자의 실행 시간을 일정한 주기 동안 수집하여 분석하면, 시간대별로 0시에서 1시 사이에는 100명, 1시에서 2시 사이에는 20명, ... , 18시에서 19시 사이에는 1000명, ... , 23시에서 24시 사이에는 500명 등의 시간대별 상품을 실행한 사용자의 수를 추출할 수 있다. 또한, 이러한 결과를 백분율로 계산하여 0시에서 1시 사이에는 10%, 1시에서 2시 사이에는 2%, ... , 18시에서 19시 사이에는 50%, ... , 23시에서 24시 사이에는 25% 등의 시간대별 상품의 실행 빈도의 형태로 추출할 수 있다. 또는, 시간대 정보를 단계적으로 끊어지는 시간 구간이 아닌 전체 통계의 평균값과 분산값을 이용하는 형태로 저장하여 이용할 수도 있다. 예를 들어, 상품 A의 주 실행 시간대를 평균은 18시, 분산은 2시간의 형태로 저장하고, 분산값이 작으면 작을수록 특정한 시간대에 집중적으로 사용되는 상품이라는 사실을 유추해낼 수 있다. 이와 같은 정보를 이용하여 특정 상품이 어느 시간대에 가장 많이 사용되는지를 알 수 있으며, 해당 시간대에 사용자들이 가장 많이 이용하는 상품이 어떤 종류인지를 특정하는데 이용할 수 있다.

또한, 상품의 실행 시간대 및 카테고리 정보 중 하나 이상을 이용하여, 시간대별로 상품의 카테고리에 따른 실행 패턴인 시간대별 카테고리 실행 패턴을 더 추출할 수 있다. 카테고리 정보는 게임, 어학, 생활 및 위치 등 다양한 분야로 분류될 수 있다. 혹은, 게임과 같은 상위 카테고리 내에 RPG게임, 퍼즐게임, 시뮬레이션게임 및 슈팅게임 등의 하위 카테고리를 둘 수도 있다.

또한, 본 발명의 일실시예에 따른 상품 추천 장치는 상품을 추천 받을 추천 대상 사용자가 마켓에 접속한 시간대에 따라서 상품의 구매 정보 및 상품별 실행 패턴 중 하나 이상을 이용하여 추천 상품 풀에 포함된 상품을 추천할 수 있다(S340).

이 때, 상품의 구매 정보, 상품별 실행 패턴 및 시간대별 카테고리 실행 패턴 중 하나 이상을 이용하여 카테고리 추천 기준, 실행 상품 추천 기준 및 구매 상품 추천 기준 중의 어느 하나를 포함하는 추천 기준을 생성할 수 있다.

이 때, 카테고리 추천 기준은 시간대별로 실행 횟수가 가장 많은 카테고리들에 대해, 추천 대상 사용자가 마켓에 접속한 시간대와 근접한 순으로 카테고리의 우선순위를 결정할 수 있다. 예를 들어 23시에 접속한 사용자 A가 단말 장치에서 14~18시에는 SNS, 18~20시에는 뉴스, 20~22시에는 어학, 22~2시에는 게임 카테고리의 상품을 이용하는 빈도가 높은 경우에, 사용자 A가 접속한 시간대를 포함하는 시간대와 가까운 시간대에서 가장 많이 이용하는 카테고리의 순서, 즉 게임, 어학, 뉴스 및 SNS의 순서로 추천 상품 풀 내의 우선순위를 조정할 수 있다. 만약 사용자 A가 16시에 접속한다면 추천 상품의 카테고리는 SNS, 뉴스, 어학 및 게임의 순으로 우선순위가 조정될 수 있다.

또한, 결정된 카테고리의 우선순위를 기준으로 각 카테고리 별로 추천할 상품의 비중을 결정할 수 있다. 예를 들어, 사용자 A에게 100개의 상품을 추천함에 있어서, 사용자 A가 23시에 접속한다면 게임 50개, 어학 20개, 뉴스 12개 및 SNS 8개의 형태로 추천할 상품의 비중을 결정할 수 있으며, 사용자 A가 4시에 접속한다면 SNS 50개, 어학 30개, 뉴스 15개 및 게임 5개의 형태로 추천 상품의 비중을 결정할 수 있다.

이 때, 실행 상품 추천 기준은 추천 대상 사용자가 마켓에 접속한 시간대에 실행된 상품별 실행 횟수에 따라 추천 상품 풀에 포함된 상품의 우선순위를 결정할 수 있다. 예를 들어, 사용자 A가 23시에 마켓에 접속하였고, 추천 상품 풀에 포함된 상품들 중 상품 B는 100번, 상품 C는 500번, 상품 D는 50번씩 사용자 A가 마켓에 접속한 23시에 실행되었다면, 상품 C, 상품 B 및 상품 D의 순서로 우선순위를 결정할 수 있다.

또한, 이와 같이 실행 상품 추천 기준에 따라 추천 상품 풀에 포함된 상품의 우선순위를 결정할 때에는 카테고리 추천 기준에 따라 결정된 카테고리의 우선순위를 변경되지 않을 수 있다.

이 때, 구매 상품 추천 기준은 추천 대상 사용자가 마켓에 접속한 시간대에 구매된 상품별 구매 횟수에 따라 추천 상품 풀에 포함된 상품의 우선순위를 결정할 수 있다. 예를 들어, 사용자 A가 23시에 마켓에 접속하였고, 추천 상품 풀에 포함된 상품들 중 상품 E는 20번, 상품 F는 100번, 상품 G는 200번씩 사용자 A가 마켓에 접속한 23시에 구매되었다면, 상품 G, 상품 F 및 상품 E의 순서로 우선순위를 결정할 수 있다.

또한, 미리 설정된 구매 횟수의 최소 기준치 이상 구매된 상품이 포함된 추천 상품 풀에서 상품을 추천할 수 있다.

또한, 구매 횟수뿐만 아니라 구매 시간대의 근접순에 따라 조정이 가능하며, 구매 횟수 및 구매 시간대의 2가지 기준을 서로 혼합하여 우선순위를 결정할 수 있다.

또한, 카테고리 추천 기준, 실행 상품 추천 기준 및 구매 상품 추천기준 중의 둘 이상의 추천 기준을 이용하여 상품의 우선순위를 결정하고, 결정된 우선순위에 추천 기준의 가중치를 적용하여 추천 상품 풀에 포함된 상품의 우선 순위를 결정할 수 있다. 예를 들어, 카테고리 추천 기준, 실행 상품 추천 기준 및 구매 상품 추천 기준에 의해 결정된 상품의 우선순위를 각각 rank1, rank2 및 rank3이고 각 기준에 대한 가중치를 w1, w2 및 w3이라고 할 때, 아래의 수식에 의해 최종적인 우선 순위가 결정될 수 있다. 이 때, 가중치 w1, w2 및 w3의 합은 1이 되는 값으로 지정할 수 있다.

이 때, 추천 대상 사용자에게 추천된 상품에 적용된 추천 기준을 판단하고, 추천된 상품의 구매 횟수 및 실행 횟수 중 하나 이상을 이용하여 판단된 추천 기준에 대한 기여도를 산출하고, 판단된 추천 기준에 대해 산출된 기여도를 대응되는 추천 기준의 가중치에 반영하여 각 추천 기준의 가중치를 조절할 수 있다. 예를 들어, 사용자 A에 대해 카테고리 추천 기준, 실행 상품 추천 기준 및 구매 상품 추천 기준에 대한 가중치가 각각 20%, 30% 및 50%일 때, 사용자 A가 카테고리 추천 기준 및 실행 상품 추천 기준에 의해 우선순위가 결정된 상품을 구매하였다면, 구매 횟수 1회에 대한 기여도 10%를 각각 20/50, 30/50으로 나누어서 카테고리 추천 기준 및 실행 상품 추천 기준의 가중치에 반영할 수 있다. 그리고 상품의 우선순위 결정에 기여하지 못한 구매 상품 추천 기준에 대한 가중치를 감소시킴으로써 카테고리 추천 기준, 실행 상품 추천 기준 및 구매 상품 추천 기준에 대한 가중치를 각각 24%, 36% 및 40%로 조절할 수 있다.

이와 같은 상품 추천 방법을 이용하여 상품을 추천 받을 추천 대상 사용자에게 필요하고 적합한 상품을 추천하는 것이 가능하며, 시간대별로 적절한 추천 상품을 추천 목록에 포함시킴으로써 사용자가 효율적으로 상품을 검색할 수 있도록 도울 수 있다.

도 4는 본 발명의 일실시예에 따른 추천 상품을 결정하는 과정을 나타낸 동작 흐름도이다.

도 4를 참조하면, 본 발명의 일실시예에 따른 추천 상품을 결정하는 과정은 상품의 구매 정보, 상품별 실행 패턴 및 시간대별 카테고리 실행 패턴 중 하나 이상을 이용하여 카테고리 추천 기준, 실행 상품 추천 기준 및 구매 상품 추천 기준 중의 어느 하나를 포함하는 추천 기준을 생성할 수 있다(S410).

또한, 본 발명의 일실시예에 따른 추천 상품을 결정하는 과정은 생성한 추천 기준을 이용하여 우선순위를 결정할 수 있다(S420).

이 때, 카테고리 추천 기준은 시간대별로 실행 횟수가 가장 많은 카테고리들에 대해, 추천 대상 사용자가 마켓에 접속한 시간대와 근접한 순으로 카테고리의 우선순위를 결정할 수 있다.

또한, 결정된 카테고리의 우선순위를 기준으로 각 카테고리 별로 추천할 상품의 비중을 결정할 수 있다.

이 때, 실행 상품 추천 기준은 추천 대상 사용자가 마켓에 접속한 시간대에 실행된 상품별 실행 횟수에 따라 추천 상품 풀에 포함된 상품의 우선순위를 결정할 수 있다.

또한, 이와 같이 실행 상품 추천 기준에 따라 추천 상품 풀에 포함된 상품의 우선순위를 결정할 때에는 카테고리 추천 기준에 따라 결정된 카테고리의 우선순위를 변경되지 않을 수 있다.

이 때, 구매 상품 추천 기준은 추천 대상 사용자가 마켓에 접속한 시간대에 구매된 상품별 구매 횟수에 따라 추천 상품 풀에 포함된 상품의 우선순위를 결정할 수 있다.

또한, 미리 설정된 구매 횟수의 최소 기준치 이상 구매된 상품이 포함된 추천 상품 풀에서 상품을 추천할 수 있다.

또한, 구매 횟수뿐만 아니라 구매 시간대의 근접순에 따라 조정이 가능하며, 구매 횟수 및 구매 시간대의 2가지 기준을 서로 혼합하여 우선순위를 결정할 수 있다.

또한, 카테고리 추천 기준, 실행 상품 추천 기준 및 구매 상품 추천기준 중의 둘 이상의 추천 기준을 이용하여 상품의 우선순위를 결정하고, 결정된 우선순위에 추천 기준의 가중치를 적용하여 추천 상품 풀에 포함된 상품의 우선 순위를 결정할 수 있다.

이 때, 추천 대상 사용자에게 추천된 상품에 적용된 추천 기준을 판단하고, 추천된 상품의 구매 횟수 및 실행 횟수 중 하나 이상을 이용하여 판단된 추천 기준에 대한 기여도를 산출하고, 판단된 추천 기준에 대해 산출된 기여도를 대응되는 추천 기준의 가중치에 반영하여 각 추천 기준의 가중치를 조절할 수 있다.

또한, 본 발명의 일실시예에 따른 추천 상품을 결정하는 과정은 결정한 우선순위에 따라 추천 대상사용자에게 상품을 추천할 수 있다(S430).

이 때, 추천 대상 사용자의 상품 구매 이력을 추천 알고리즘에 적용하여 생성한 추천 상품 풀에 포함된 상품들 중 하나 이상을 추천할 수 있다. 추천 상품 풀은 업 필터링 및 연관 규칙 마이닝 기반 추천 알고리즘을 포함하는 추천 알고리즘 중 하나를 이용하여 생성할 수 있다.

이 때, 협업 필터링은 사용자들의 선호도와 관심 표현을 바탕으로 비슷한 패턴을 가진 사용자들을 식별할 수 있는 기법으로써, 비슷한 취향을 가진 사용자들에게 서로 아직 구매하지 않은 상품들을 교차하여 추천하거나 분류된 사용자의 취향이나 생활 형태에 따라 관련 상품을 추천하는 형태의 서비스를 제공하기 위해 사용될 수 있다.

또한, 연관 규칙 마이닝은 하나의 거래나 사건에 포함되어 있는 항목들의 관련성을 파악하여 둘 이상의 항목들로 구성된 연관성 규칙을 도출하는 방법으로, 지지도, 신뢰도, 향상도 등의 평가 기준을 통해 연관 규칙을 평가할 수 있다.

도 5는 본 발명의 일실시예에 따른 상품 추천 시스템을 나타낸 도면이다.

도 5를 참조하면, 본 발명의 일실시예에 따른 상품 추천 시스템은 상품 추천 장치(500), 사용자 단말 장치(510) 및 마켓(520)을 포함할 수 있다.

상품 추천 장치(500)는 상품에 대한 구매 정보를 획득할 수 있는 구매 정보 획득부, 사용자 단말 장치(510)로부터 상품에 대한 실행 정보를 획득할 수 있는 실행 정보 획득부, 실행 정보를 이용하여 상품별 실행 패턴을 추출할 수 있는 패턴 추출부, 추천

도 8은 본 발명의 일실시예에 따른 추천 상품 풀을 생성하는 방법을 나타낸 도면이다.

도 8을 참조하면, 본 발명의 일실시예에 따른 추천 상품 풀을 생성하는 방법은 사용자의 구매 이력을 협업 필터링 및 연관 규칙 마이닝 기반 추천 알고리즘 등에 적용시켜 생성하는 것을 알 수 있다.

상품 추천 장치 내에 포함된 풀 생성부에서 추천 상품 풀을 생성할 때, 상품을 추천할 추천 대상 사용자의 구매 이력을 수집하고, 수집한 구매 이력을 추천 알고리즘에 적용하여 생성할 수 있다.

이 때, 협업 필터링 및 연관 규칙 마이닝 기반 추천 알고리즘을 포함하는 추천 알고리즘 중 하나를 이용하여 추천 상품 풀을 생성할 수 있다.

이 때, 협업 필터링은 사용자들의 선호도와 관심 표현을 바탕으로 비슷한 패턴을 가진 사용자들을 식별할 수 있는 기법으로써, 비슷한 취향을 가진 사용자들에게 서로 아직 구매하지 않은 상품들을 교차하여 추천하거나 분류된 사용자의 취향이나 생활 형태에 따라 관련 상품을 추천하는 형태의 서비스를 제공하기 위해 사용될 수 있다.

또한, 연관 규칙 마이닝은 하나의 거래나 사건에 포함되어 있는 항목들의 관련성을 파악하여 둘 이상의 항목들로 구성된 연관성 규칙을 도출하는 방법으로, 지지도, 신뢰도, 향상도 등의 평가 기준을 통해 연관 규칙을 평가할 수 있다.

본 발명에 따른 상품 추천 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 있다대상 사용자가 마켓에 접속한 시간대에 따라서 추천 상품 풀에 포함된 상품을 추천할 수 있는 상품 추천부 및 상품 사용자의 구매 이력을 추천 알고리즘에 적용하여 추천 상품 풀을 생성할 수 있는 풀 생성부로 구성될 수 있다.

상품 추천 장치(500)는 상품을 구매하거나 검색하기 위해 마켓(520)에 접속하는 사용자 단말장치(510)에게 적합한 상품을 추천해주기 위한 장치로써, 일반적인 추천 알고리즘에 따른 추천 방법이 아닌 사용자 단말장치(510)가 마켓(520)에 접속한 시간대에 따라 적절할 추천 상품을 추천 상품 풀에서 추출하여 제공할 수 있다.

이 때, 상품 추천 장치(500)는 사용자 단말 장치(510)가 마켓(520)에 접속한 시간대에 따라서 상품을 추천하기 위해서, 시간대별로 가장 많이 실행된 상품의 카테고리 정보, 가장 많이 구매된 상품의 정보 및 가장 많이 실행된 상품의 정보 등을 획득하여 적절한 상품 추천 기준을 생성할 수 있다. 이렇게 생성된 상품 추천 기준에 이용하여 각각의 추천 대상 사용자의 구매 이력에 따라 생성된 추천 상품 풀 내에서 상품들의 우선순위를 결정할 수 있다.

또한, 추천 대상 사용자가 추천 기준에 따라 상품을 구매하고 실행한 정보를 이용하여 추천 기준에 적용되는 가중치를 조절함으로써, 추천 대상 사용자에게 보다 적합한 추천 시스템을 제공할 수 있다.

또한, 이와 같은 추천 시스템을 제공하기 위해 획득하는 상품의 구매 정보나 실행 정보는 최근의 단위 기간을 기준으로 지속적으로 갱신하여 사용함으로써, 최신성과 인기성을 동시에 반영한 상품을 사용자에게 추천할 수 있다.

도 6은 단말 장치에서의 상품별 실행 시간을 나타낸 도면이다.

도 6을 참조하면, 단말 장치에서의 상품별 실행 시간은 상품의 카테고리명(610)과 상품명(620)이 나타난 테이블에 해당 상품을 실행한 시간에 따른 막대 그래프로 나타냄을 알 수 있다. 상품을 실행한 시간대에 대한 단위는, 상품마다 지속적으로 실행하는 패턴이 다를 수 있기 때문에 상품별로 적절한 단위를 지정하여 나타낼 수도 있다.

도 6과 같은 상품별 실행 시간에 대한 정보는 실제로 상품이 실행되는 사용자의 단말장치로부터 획득할 수 있는데, 미리 설정된 주기마다 획득하거나 또는 사용자 단말장치가 마켓에 접속할 때 마다 획득할 수도 있다.

이렇게 획득한 상품별 실행 시간에 대해 다수 사용자의 상품별 실행 시간 정보를 획득함으로써, 상품별로 가장 많이 실행되는 시간대 정보를 획득할 수 있다. 또한, 카테고리 정보도 상품의 실행 정보와 함께 매핑되어 상품 추천 장치로 전달됨으로써 시간대별로 가장 많이 실행되는 카테고리 정보도 획득할 수 있다.

상품 추천 장치에서는 이와 같이 획득한 상품별 실행 정보와 카테고리별 실행 정보를 이용하여 사용자에게 추천할 추천 상품의 우선순위를 결정하는 추천 기준을 생성할 수 있다.

도 7은 시간대별 카테고리에 대한 실행 시간을 나타낸 도면이다.

도 7을 참조하면, 시간대별 카테고리에 대한 실행 시간은 각 카테고리에 해당하는 상품이 실행된 시간을 합산하여 나타낼 수 있다.

도 7과 같이 먼저 시간대를 미리 설정된 시간 단위를 이용하여 0시에서 1시 사이, 1시에서 2시 사이, ... , 18시에서 19시 사이, ... , 23시에서 24시 사이 등으로 분류할 수 있다. 이 때, 시간 단위는 시간대의 특성에 따라서 조정할 수 있다. 예를 들어, 출근 시간이나 퇴근 시간과 같이 상품의 실행 및 수요가 많은 시간대에는 시간 단위를 잘게 30분 단위로 나누고, 새벽 시간과 같이 상품의 실행 및 수요가 적은 시간대에는 시간 단위를 길게 1시간 30분 또는 2시간으로 나누어 정보를 획득할 수 있다. 이러한 단위 변경은 실제 사용자들의 구매 시간에 대한 통계 분석을 통해 임의로 그리고 주기적으로 변경이 가능할 수 있다.

이와 같이 분류된 시간대에 사용자의 단말장치에서 실행된 상품의 실행 정보를 획득하면, 실행된 상품의 카테고리 정보를 함께 획득할 수 있다. 카테고리 정보는 게임, 어학, 생활 및 위치 등 다양한 분야로 분류될 수 있다. 혹은, 게임과 같은 상위 카테고리 내에 RPG게임, 퍼즐게임, 시뮬레이션게임 및 슈팅게임 등의 하위 카테고리를 둘 수도 있다.

그래프(710)에서는 0시에는 게임 카테고리에 해당하는 상품이 가장 많이 실행된 것을 알 수 있고, 그래프(720)에서는 18시에 게임 카테고리에 해당하는 상품이 가장 많이 실행되었고 SNS와 생활 카테고리에 해당하는 상품도 실행되었음을 알 수 있다. 이러한 카테고리에 대한 실행 시간을 획득하여 시간대별 가장 많이 실행되는 카테고리 정보를 획득할 수 있고, 추천 대상 사용자에게 추천할 상품의 우선순위를 결정할 때 획득한 카테고리 정보를 이용하여 상품 카테고리의 우선순위를 결정할 수 있다.. 상기 매체에 기록되는 프로그램 명령은 본 발명을 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 모든 형태의 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 포함할 수 있다. 이러한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상에서와 같이 본 발명에 따른 사용자의 실행 패턴을 이용한 상품 추천 시스템, 사용자의 실행 패턴을 이용한 상품 추천 방법 및 이를 위한 장치는 상기한 바와 같이 설명된 실시예들의 구성과 방법이 한정되게 적용될 수 있는 것이 아니라, 상기 실시예들은 다양한 변형이 이루어질 수 있도록 각 실시예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.

본 발명에 의하면 다수 사용자의 상품 구매 패턴, 실행 패턴 및 추천 대상 사용자의 마켓 접속 시간대에 따라서 추천 대상 사용자에게 가장 적합한 상품을 추천함으로써 사용자가 상품을 검색하는 수고를 줄일 수 있고, 상품을 추천하기 위해 획득하는 정보들을 일정한 기간마다 갱신함으로써 최신 정보가 반영된 인기 있는 상품을 추천할 수 있다. 나아가, 상품 별로 자주 사용되는 시간 및 많이 구매되는 시간에 대한 상품 정보를 수집할 수 있어 상품 제공자들이 구매자들에게 보다 적합한 상품을 제공할 수 있도록 할 수 있다.

100, 500: 상품 추천 장치 110: 구매 정보 획득부
120: 실행 정보 획득부 130: 패턴 추출부
140: 상품 추천부 150: 풀 생성부
210: 기준 생성부 220: 가중치 적용부
510: 사용자 단말 장치 520: 마켓
610: 카테고리명 620: 상품명

Claims (20)

1. 상품의 구매 횟수 및 구매 시간대 중 하나 이상 이상을 포함하는 구매 정보를 획득하는 구매 정보 획득부;
   사용자 단말장치로부터 상기 상품이 사용자 단말장치에서 실행된 실행 횟수, 실행 시간대 및 실행된 상품의 카테고리 정보 중 하나 이상을 포함하는 실행 정보를 획득하는 실행 정보 획득부;
   상기 획득된 실행 정보를 이용하여 시간대별 상품을 실행한 사용자의 수, 시간대별 상품의 실행 빈도, 상품 실행 횟수를 기준으로 한 시간대별 순위, 상품을 실행한 사용자 수를 이용하여 계산한 실행 시간대의 평균 및 상기 평균에 대한 분산의 형태로 상품별 실행 패턴을 추출하고, 상기 실행 시간대 및 카테고리 정보를 이용하여 시간대별로 상품의 카테고리에 따른 실행 패턴인 시간대별 카테고리 실행 패턴을 추출하는 패턴 추출부; 및
   추천 대상 사용자가 마켓에 접속한 시간대에 따라 상기 구매 정보 및 상품별 실행 패턴 중 하나 이상을 이용하여 추천 상품 풀에 포함된 상품을 추천하는 상품 추천부
   를 포함하며,
   상기 상품 추천부는, 상기 구매 정보, 상품별 실행 패턴 및 시간대별 카테고리 실행 패턴 중 하나 이상을 이용하여 카테고리 추천 기준, 실행 상품 추천 기준 및 구매 상품 추천 기준을 포함하는 추천 기준을 생성하고 상기 추천 기준을 이용하여 상기 추천 상품 풀에 포함된 상품의 비중 및 우선순위를 결정하며, 상기 우선순위 결정시 상기 결정된 우선순위에 따라 상기 추천 대상 사용자에게 상품을 추천하되,
   상기 상품 추천부는, 시간대별로 실행 횟수가 가장 많은 카테고리들에 대해, 상기 카테고리 추천 기준에 따라 상기 추천 대상 사용자가 마켓에 접속한 시간대와 근접한 순으로 카테고리의 우선순위를 결정하고, 상기 결정된 카테고리의 우선순위에 따라 각 카테고리 별로 추천할 상품의 비중을 결정하며, 상기 비중이 높은 카테고리일수록 더 많은 개수의 상품이 추천되도록 상기 결정된 카테고리의 우선순위 및 상기 각 카테고리 별로 결정된 비중에 따라 상기 추천 대상 사용자에게 상품을 추천하는 것을 특징으로 하는 상품 추천 장치.
2. 삭제
3. 삭제
4. 삭제
5. 삭제
6. 삭제
7. 삭제
8. 삭제
9. 삭제
10. ◈청구항 10은(는) 설정등록료 납부시 포기되었습니다.◈

    청구항 1에 있어서,
    상기 실행 상품 추천 기준은
    상기 추천 대상 사용자가 마켓에 접속한 시간대에 실행된 상품별 실행 횟수에 따라 상기 추천 상품 풀에 포함된 상품의 우선순위를 결정하는 것을 특징으로 하는 상품 추천 장치.
11. ◈청구항 11은(는) 설정등록료 납부시 포기되었습니다.◈

    청구항 1에 있어서,
    상기 구매 상품 추천 기준은
    상기 추천 대상 사용자가 마켓에 접속한 시간대에 구매된 상품별 구매 횟수에 따라 상기 추천 상품 풀에 포함된 상품의 우선순위를 결정하는 것을 특징으로 하는 상품 추천 장치.
12. ◈청구항 12은(는) 설정등록료 납부시 포기되었습니다.◈

    청구항 1에 있어서,
    상기 상품 추천부는
    상기 카테고리 추천 기준, 실행 상품 추천 기준, 및 구매 상품 추천 기준을 이용하여 상품의 우선순위를 결정하고,
    결정된 우선순위에 추천 기준의 가중치를 적용하여 추천 상품 풀에 포함된 상품의 우선순위를 결정하는 가중치 적용부를 더 포함하는 것을 특징으로 하는 상품 추천 장치.
13. ◈청구항 13은(는) 설정등록료 납부시 포기되었습니다.◈

    청구항 12에 있어서,
    상기 가중치 적용부는
    상기 추천 대상 사용자에게 추천된 상품에 적용된 추천 기준을 판단하고,
    추천된 상품의 구매 횟수 및 실행 횟수 중 하나 이상을 이용하여 상기 판단된 추천 기준에 대한 기여도를 산출하고,
    상기 판단된 추천 기준에 대해 산출된 기여도를 대응되는 추천 기준의 가중치에 반영하여 각 추천 기준의 가중치를 조절하는 것을 특징으로 하는 상품 추천 장치.
14. 삭제
15. 삭제
16. 삭제
17. 삭제
18. 삭제
19. 삭제
20. 삭제

Images