KR102284393B1 - 학습 콘텐츠 추천 장치 및 방법 - Google Patents

학습 콘텐츠 추천 장치 및 방법 Download PDF

Info

Publication number
KR102284393B1
KR102284393B1 KR1020200107717A KR20200107717A KR102284393B1 KR 102284393 B1 KR102284393 B1 KR 102284393B1 KR 1020200107717 A KR1020200107717 A KR 1020200107717A KR 20200107717 A KR20200107717 A KR 20200107717A KR 102284393 B1 KR102284393 B1 KR 102284393B1
Authority
KR
South Korea
Prior art keywords
content
contents
learning
representative
cluster
Prior art date
Application number
KR1020200107717A
Other languages
English (en)
Inventor
이주현
Original Assignee
(주)인더스트리미디어
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 (주)인더스트리미디어 filed Critical (주)인더스트리미디어
Priority to KR1020200107717A priority Critical patent/KR102284393B1/ko
Application granted granted Critical
Publication of KR102284393B1 publication Critical patent/KR102284393B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G06F16/24578—Query processing with adaptation to user needs using ranking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/3332—Query translation
    • G06F16/3334—Selection or weighting of terms from queries, including natural language queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • 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

학습 콘텐츠 추천 방법 및 장치가 개시된다. 본 발명의 일 측면에 따른 학습 콘텐츠 추천 장치는, 다수의 콘텐츠 각각의 메타 데이터(Metadata)에 기초하여 TF-IDF(Term Frequency - Inverse Document Frequency) 값을 산출하고, 상기 산출된 TF-IDF 값을 기반으로 상기 다수의 콘텐츠를 복수의 클러스터로 분류하는 클러스터링부, 및 상기 분류된 각 클러스터의 대표 콘텐츠를 각각 선정하는 대표 콘텐츠 선정부를 포함한다.

Description

학습 콘텐츠 추천 장치 및 방법{APPARATUS AND METHOD FOR RECOMMENDING LEARNING CONTENTS}
본 발명은 학습 콘텐츠 추천 방법 및 장치에 관한 것으로서, 보다 상세하게는 카테고리 별로 저장된 콘텐츠들을 TF-IDF(Term Frequency-Inverse Document Frequency) 값에 기초하여 복수의 클러스터로 분류하고, 분류된 클러스터에 기반하여 콘텐츠를 추천하는 학습 콘텐츠 추천 방법 및 장치에 관한 것이다.
최근 스마트폰, 태블릿 PC, 웨어러블 디바이스(wearable device)등과 같은 사용자 단말의 보급이 대중화됨에 따라 사용자는 사용자 단말을 통해 검색 엔진 시스템(search engine system)에 접속하여 언제 어디서나 원하는 콘텐츠(contents)를 이용할 수 있게 되었다. 특히, 빅데이터 시대가 도래하여 콘텐츠의 수가 기하급수적으로 증가하면서 사용자는 콘텐츠에 대한 폭넓은 선택의 기회를 가질 수 있게 되었다.
그러나, 이와 반대로 사용자들은 방대한 양의 콘텐츠 중에서 자신이 원하는 콘텐츠를 찾기 위해 별도의 시간과 노력을 기울여야 하는 불편함이 발생하게 되었다. 이에 따라, 방대한 양의 콘텐츠가 제작 및 유통되는 검색 엔진 시스템에서 사용자가 콘텐츠를 용이하게 선택할 수 있도록 도움을 주는 콘텐츠 추천 기술에 대한 연구가 활발하게 진행되는 추세이다.
종래에는 검색 엔진 시스템 상의 사용자들이 많이 이용한 콘텐츠를 추천하거나 현재 이슈가 되고 있는 콘텐츠를 추천하는 기술이 이용되었다.
상술한 종래의 콘텐츠 추천 기술은 자신이 원하는 콘텐츠를 찾기 위해 수많은 콘텐츠를 확인하는 사용자의 시간과 노력을 줄일 수는 있으나, 추천된 콘텐츠가 사용자를 만족시키는지 설명할 수 없다.
본 발명의 배경기술은 대한민국 공개특허공보 제2011-0070625호(2011.06.24)의 '학습 컨텐츠 제공 시스템 및 방법'에 개시되어 있다.
본 발명은 전술한 문제점을 개선하기 위하여 인출된 것으로, 본 발명의 목적은 카테고리 별로 저장된 콘텐츠들을 일정 개수의 클러스터로 분류하고, 분류된 클러스터에 기반하여 콘텐츠를 추천할 수 있도록 하는 학습 콘텐츠 추천 방법 및 장치를 제공하는 것이다.
본 발명이 해결하고자 하는 과제는 이상에서 언급한 과제(들)로 제한되지 않으며, 언급되지 않은 또 다른 과제(들)은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일 측면에 따른 학습 콘텐츠 추천 장치는, 다수의 콘텐츠 각각의 메타 데이터(Metadata)에 기초하여 TF-IDF(Term Frequency - Inverse Document Frequency) 값을 산출하고, 상기 산출된 TF-IDF 값을 기반으로 상기 다수의 콘텐츠를 복수의 클러스터로 분류하는 클러스터링부, 및 상기 분류된 각 클러스터의 대표 콘텐츠를 각각 선정하는 대표 콘텐츠 선정부를 포함한다.
본 발명은 복수의 카테고리, 각 카테고리에 속하는 콘텐츠들, 및 각 콘텐츠의 키워드 정보 중 적어도 하나가 저장된 제1 콘텐츠 데이터베이스를 더 포함하고, 상기 클러스터링부는, 상기 제1 콘텐츠 데이터베이스에 저장된 각 콘텐츠의 카테고리 및 키워드 정보에 서로 다른 가중치를 부여하고, 상기 가중치가 부여된 키워드들의 TF-IDF 값을 각각 산출하며, 상기 산출된 키워드들의 TF-IDF 값을 연산하여 각 콘텐츠의 TF-IDF 값을 산출하고, 상기 각 콘텐츠의 TF-IDF 값에 기초하여 상기 다수의 콘텐츠를 복수의 클러스터로 분류할 수 있다.
본 발명에서 상기 대표 콘텐츠 선정부는, 각 클러스터의 콘텐츠들 중 가장 최신 콘텐츠, 가장 인기 있는 콘텐츠, 및 기 설정된 가중치가 가장 높은 콘텐츠 중 적어도 하나를 대표 콘텐츠로 선정할 수 있다.
본 발명은 사용자 단말기로부터 대표 콘텐츠 선택 정보를 포함하는 콘텐츠 추천 요청 신호를 수신하는 경우, 상기 대표 콘텐츠 선택 정보가 속하는 클러스터에서 사용자에게 추천할 콘텐츠를 선정하고, 상기 선정된 콘텐츠를 상기 사용자 단말기에 제공하는 콘텐츠 추천부를 더 포함할 수 있다.
본 발명에서 상기 콘텐츠 추천부는, 사용자가 기 등록된 학습자인 경우, 상기 사용자의 학습 이력, 프로필, 역량 중 적어도 하나의 속성정보에 근거하여 상기 대표 콘텐츠 선택 정보가 속하는 클러스터에서 하나 이상의 콘텐츠를 검색하고, 상기 검색된 하나 이상의 콘텐츠들 중에서 중복 횟수 또는 가중치에 기초하여 일정 개수의 콘텐츠를 추출하며, 상기 일정 개수의 콘텐츠를 상기 사용자 단말기에 추천할 수 있다.
본 발명에서 상기 콘텐츠 추천부는, 사용자가 신규 학습자인 경우, 기 등록된 학습자들 중에서 상기 사용자의 속성정보에 대응하는 속성정보를 갖는 학습자들을 추출하고, 상기 추출된 학습자들의 학습이력에 근거하여 상기 대표 콘텐츠 선택 정보가 속하는 클러스터에서 하나 이상의 콘텐츠를 검색하며, 상기 검색된 하나 이상의 콘텐츠들 중에서 중복 횟수 또는 가중치에 기초하여 일정 개수의 콘텐츠를 추출하고, 상기 일정 개수의 콘텐츠를 상기 사용자 단말기에 추천할 수 있다.
본 발명의 다른 측면에 따른 학습 콘텐츠 추천 방법은, 학습 콘텐츠 추천 장치가 다수의 콘텐츠 각각의 메타 데이터(Metadata)에 기초하여 TF-IDF(Term Frequency - Inverse Document Frequency) 값을 산출하고, 상기 산출된 TF-IDF 값을 기반으로 상기 다수의 콘텐츠를 복수의 클러스터로 분류하는 단계, 상기 학습 콘텐츠 추천 장치가 상기 분류된 각 클러스터의 대표 콘텐츠를 각각 선정하는 단계를 포함한다.
본 발명에서 상기 다수의 콘텐츠를 복수의 클러스터로 분류하는 단계는, 상기 학습 콘텐츠 추천 장치가 제1 콘텐츠 데이터베이스에 저장된 각 콘텐츠의 카테고리 및 키워드 정보에 서로 다른 가중치를 부여하고, 상기 가중치가 부여된 키워드들의 TF-IDF 값을 각각 산출하는 단계, 상기 학습 콘텐츠 추천 장치가 상기 산출된 키워드들의 TF-IDF 값을 연산하여 각 콘텐츠의 TF-IDF 값을 산출하는 단계, 및 상기 학습 콘텐츠 추천 장치가 상기 각 콘텐츠의 TF-IDF 값에 기초하여 상기 다수의 콘텐츠를 복수의 클러스터로 분류하는 단계를 포함할 수 있다.
본 발명은 상기 대표 콘텐츠를 각각 선정하는 단계에서, 상기 학습 콘텐츠 추천 장치는, 각 클러스터의 콘텐츠들 중 가장 최신 콘텐츠, 가장 인기 있는 콘텐츠, 및 기 설정된 가중치가 가장 높은 콘텐츠 중 적어도 하나를 대표 콘텐츠로 선정할 수 있다.
본 발명은 사용자 단말기의 접속 시, 상기 학습 콘텐츠 추천 장치가 클러스터별 대표 콘텐츠를 리스트 형태로 상기 사용자 단말기에 제공하는 단계, 상기 학습 콘텐츠 추천 장치가 상기 사용자 단말기로부터 대표 콘텐츠 선택 정보를 포함하는 콘텐츠 추천 요청 신호를 수신하는 단계, 및 상기 학습 콘텐츠 추천 장치가 상기 대표 콘텐츠 선택 정보가 속하는 클러스터에서 사용자에게 추천할 콘텐츠를 선정하고, 상기 선정된 콘텐츠를 상기 사용자 단말기에 추천하는 단계를 더 포함할 수 있다.
본 발명은 상기 선정된 콘텐츠를 상기 사용자 단말기에 추천하는 단계에서, 상기 학습 콘텐츠 추천 장치는, 사용자가 기 등록된 학습자인 경우, 상기 사용자의 학습 이력, 프로필, 역량 중 적어도 하나의 속성정보에 근거하여 상기 대표 콘텐츠 선택 정보가 속하는 클러스터에서 하나 이상의 콘텐츠를 검색하고, 상기 검색된 하나 이상의 콘텐츠들 중에서 중복 횟수 또는 가중치에 기초하여 일정 개수의 콘텐츠를 추출하며, 상기 일정 개수의 콘텐츠를 상기 사용자 단말기에 추천할 수 있다.
본 발명은 상기 선정된 콘텐츠를 상기 사용자 단말기에 추천하는 단계에서, 상기 학습 콘텐츠 추천 장치는, 사용자가 신규 학습자인 경우, 기 등록된 학습자들 중에서 상기 사용자의 속성정보에 대응하는 속성정보를 갖는 학습자들을 추출하고, 상기 추출된 학습자들의 학습이력에 근거하여 상기 대표 콘텐츠 선택 정보가 속하는 클러스터에서 하나 이상의 콘텐츠를 검색하며, 상기 검색된 하나 이상의 콘텐츠들 중에서 중복 횟수 또는 가중치에 기초하여 일정 개수의 콘텐츠를 추출하고, 상기 일정 개수의 콘텐츠를 상기 사용자 단말기에 추천할 수 있다.
이 외에도, 본 발명을 구현하기 위한 다른 방법, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램이 더 제공될 수 있다.
본 발명의 일 실시예에 따른 학습 콘텐츠 추천 방법 및 장치는, 카테고리별로 저장된 콘텐츠들을 일정 개수의 클러스터로 분류하고, 분류된 클러스터에 기반하여 콘텐츠를 추천하므로 더욱 사용자의 요구에 정확한 디지털 콘텐츠를 제공할 수 있다.
본 발명의 다른 실시예에 따른 학습 콘텐츠 추천 방법 및 장치는, 콘텐츠들의 키워드 기반으로 추천을 수행하므로 적은 컴퓨팅 자원 및 네트워크 전송량으로 정확하고 빠르게 추천을 수행할 수 있다.
한편, 본 발명의 효과는 이상에서 언급한 효과들로 제한되지 않으며, 이하에서 설명할 내용으로부터 통상의 기술자에게 자명한 범위 내에서 다양한 효과들이 포함될 수 있다.
도 1은 본 발명의 일 실시예에 따른 학습 콘텐츠 추천 시스템을 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 제1 콘텐츠 데이터베이스를 설명하기 위한 예시도이다.
도 3은 본 발명의 일 실시예에 따른 키워드 정보를 설명하기 위한 예시도이다.
도 4는 본 발명의 일 실시예에 따른 학습 콘텐츠 추천 장치를 개략적으로 나타낸 블록도이다.
도 5는 도 4에 도시된 콘텐츠 분류부의 상세 구성을 나타낸 블록도이다.
도 6은 도 4에 도시된 제2 콘텐츠 데이터베이스의 구조를 설명하기 위한 예시도이다.
도 7은 본 발명의 일 실시예에 따른 학습 콘텐츠 추천 방법을 설명하기 위한 도면이다.
이하, 첨부된 도면들을 참조하여 본 발명의 일 실시예에 따른 학습 콘텐츠 추천 방법 및 장치를 설명한다. 이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다.
또한, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
또한, 본 명세서에서 설명된 구현은, 예컨대, 방법 또는 프로세스, 장치, 소프트웨어 프로그램, 데이터 스트림 또는 신호로 구현될 수 있다. 단일 형태의 구현의 맥락에서만 논의(예컨대, 방법으로서만 논의)되었더라도, 논의된 특징의 구현은 또한 다른 형태(예컨대, 장치 또는 프로그램)로도 구현될 수 있다. 장치는 적절한 하드웨어, 소프트웨어 및 펌웨어 등으로 구현될 수 있다. 방법은, 예컨대, 컴퓨터, 마이크로프로세서, 집적 회로 또는 프로그래밍 가능한 로직 디바이스 등을 포함하는 프로세싱 디바이스를 일반적으로 지칭하는 프로세서 등과 같은 장치에서 구현될 수 있다. 프로세서는 또한 최종-사용자 사이에 정보의 통신을 용이하게 하는 컴퓨터, 셀 폰, 휴대용/개인용 정보 단말기(personal digital assistant: "PDA") 및 다른 디바이스 등과 같은 통신 디바이스를 포함한다.
명세서 전체에서 "콘텐츠(content 또는 contents)"라 함은, 통신망을 통하여 접근 가능한, 문자, 부호, 음성, 음향, 음원, 이미지, 동영상 등으로 이루어지는 디지털 정보 또는 개별 정보 요소를 총칭하는 개념을 포함할 수 있다. 이러한 콘텐츠는, 예를 들면, 텍스트, 이미지, 동영상, 음원, 링크(예를 들면, 웹 링크) 등의 데이터 또는 이러한 데이터 중 적어도 두 가지의 조합을 포함하여 구성될 수 있다. 본 실시 예에서 콘텐츠는 사용자가 콘텐츠를 이용하여 지식을 전달받을 수 있는 학습 콘텐츠를 포함할 수 있다.
이하, 본 발명에 따른 실시 예들을 첨부된 도면을 참조하여 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어, 동일하거나 대응하는 구성 요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 본 발명의 일 실시예에 따른 학습 콘텐츠 추천 시스템을 설명하기 위한 도면, 도 2는 본 발명의 일 실시예에 따른 제1 콘텐츠 데이터베이스를 설명하기 위한 예시도, 도 3은 본 발명의 일 실시예에 따른 키워드 정보를 설명하기 위한 예시도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 학습 콘텐츠 추천 시스템은 제1 콘텐츠 데이터베이스(100), 학습 콘텐츠 추천 장치(200) 및 사용자 단말기(300)를 포함한다.
제1 콘텐츠 데이터베이스(100)는 카테고리별로 콘텐츠들을 저장할 수 있다. 이때, 제1 콘텐츠 데이터베이스는 카테고리 식별정보 및 각 콘텐츠의 키워드 정보 등을 포함하는 메타데이터를 계층구조로 저장할 수 있다. 키워드 정보는 해당 콘텐츠의 색인어일 수 있다.
예를 들면, 제1 콘텐츠 데이터베이스(100)는 도 2에 도시된 바와 같이 카테고리로 분류되어 콘텐츠를 저장할 수 있다. 도 2를 참조하면, 제1 콘텐츠 데이터베이스(100)에는 카테고리1에 콘텐츠1, 콘텐츠2, ..콘텐츠n이 저장될 수 있고, 콘텐츠1에는 키워드 정보1가 저장될 수 있다. 키워드 정보1는 도 3에 도시된 바와 같이 keyword0에 속하는 키워드들, keyword1에 속하는 키워드들, 및 keyword2에 속하는 키워드들 등을 포함할 수 있다.
한편, 본 발명의 실시예에서는 콘텐츠가 제1 콘텐츠 데이터베이스(100)에 저장되는 것으로 설명하였으나, 콘텐츠는 학습 콘텐츠 추천 장치(200)와 유무선 통신망으로 연결된 외부의 저장 장치에 저장될 수 있다.
학습 콘텐츠 추천 장치(200)는 제1 콘텐츠 데이터베이스(100)에 저장된 콘텐츠들을 복수의 클러스터로 분류할 수 있다. 이때 학습 콘텐츠 추천 장치(200)는 제1 콘텐츠 데이터베이스(100) 또는 외부의 저장 장치에 저장되어 있는 다수의 콘텐츠 각각에서 미리 정의된 메타데이터(Metadata)를 추출하고, 추출된 메타데이터에 기초하여 TF-IDF(Term Frequency - Inverse Document Frequency) 값을 산출하며, 산출된 TF-IDF 값을 기반으로 카테고리별로 저장된 콘텐츠들을 복수의 클러스터로 분류할 수 있다. 여기서, 메타데이터는 각 콘텐츠의 카테고리 및 키워드 정보 등을 포함하는 것이나, 이에 한정되는 것은 아니다.
또한 학습 콘텐츠 추천 장치(200)는 학습 콘텐츠 추천 어플리케이션 또는 학습 콘텐츠 추천 사이트의 인증을 완료한 사용자 단말기(300)로부터 대표 콘텐츠 선택 정보를 포함하는 콘텐츠 추천 요청 신호를 수신하면, 대표 콘텐츠 선택 정보가 속하는 클러스터에서 사용자에게 가장 적합한 다른 콘텐츠를 추천할 수 있다. 이렇게 추천된 콘텐츠는 사용자 단말기(300)에 추천된 콘텐츠의 리스트 형태로 제공되거나 사용자 단말기(300)에 포함된 애플리케이션을 통하여 서비스될 수 있다.
이러한 학습 콘텐츠 추천 장치(200)에 대한 상세한 설명은 도 4를 참조하기로 한다.
사용자 단말기(300)는 학습 콘텐츠 추천 장치(200)가 제공하는 학습 콘텐츠 추천 어플리케이션 또는 학습 콘텐츠 추천 사이트를 실행 및/또는 표시할 수 있으며, 사용자 단말기(300)를 통하여 사용자의 접속 식별 정보(ID) 및 패스워드를 수신한 학습 콘텐츠 추천 장치(200)는 학습 콘텐츠 추천 어플리케이션 또는 학습 콘텐츠 추천 사이트에 대한 사용자 인증을 수행할 수 있다.
사용자 단말기(300)는 학습 콘텐츠 추천 어플리케이션 또는 학습 콘텐츠 추천 사이트를 통해 각 클러스터의 대표 콘텐츠를 제공할 수 있고, 사용자에 의해 선택된 대표 콘텐츠가 속한 클러스터의 콘텐츠들 중에서 다른 콘텐츠를 추천받을 수 있다.
이러한 사용자 단말기(300)는 사용자가 조작하는 데스크 탑 컴퓨터, 스마트폰, 노트북, 태블릿 PC, 스마트 TV, 휴대폰, PDA(personal digital assistant), 랩톱, 미디어 플레이어, 마이크로 서버, GPS(global positioning system) 장치, 전자책 단말기, 디지털방송용 단말기, 네비게이션, 키오스크, MP3 플레이어, 디지털 카메라, 가전기기 및 기타 모바일 또는 비모바일 컴퓨팅 장치일 수 있으나, 이에 제한되지 않는다. 또한, 사용자 단말기(300)는 통신 기능 및 데이터 프로세싱 기능을 구비한 시계, 안경, 헤어 밴드 및 반지 등의 웨어러블 단말기 일 수 있다. 사용자 단말기(300)(100)는 상술한 내용에 제한되지 아니하며, 웹 브라우징이 가능한 단말기는 제한 없이 차용될 수 있다.
도 4는 본 발명의 일 실시예에 따른 학습 콘텐츠 추천 장치를 개략적으로 나타낸 블록도, 도 5는 도 4에 도시된 콘텐츠 분류부의 상세 구성을 나타낸 블록도, 도 6은 도 4에 도시된 제2 콘텐츠 데이터베이스의 구조를 설명하기 위한 예시도이다.
도 4를 참조하면, 본 발명의 일 실시예에 따른 학습 콘텐츠 추천 장치(200)는 통신부(210), 저장부(220), 콘텐츠 분류부(230), 제2 콘텐츠 데이터베이스(240), 사용자 정보 데이터베이스(250), 인증부(260), 콘텐츠 추천부(270) 및 제어부(280)를 포함할 수 있다.
통신부(210)는 통신망과 연동하여 학습 콘텐츠 추천 장치(200)와 사용자 단말기(300) 간의 송수신 신호를 패킷 데이터 형태로 제공하는 데 필요한 통신 인터페이스를 제공할 수 있다. 나아가, 통신부(210)는 사용자 단말기(300)로부터 소정의 정보 요청 신호를 수신하는 역할을 할 수 있고, 콘텐츠 추천부(270)에서 추천된 콘텐츠를 사용자 단말기(300)로 전송하는 역할을 수행할 수 있다. 여기서 통신망이라 함은, 학습 콘텐츠 추천 장치(200)와 사용자 단말기(300)를 연결하는 역할을 수행하는 매개체로써, 사용자 단말기(300)가 학습 콘텐츠 추천 장치(200)에 접속한 후 정보를 송수신할 수 있도록 접속 경로를 제공하는 경로를 포함할 수 있다. 또한 통신부(210)는 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있다. 또한, 통신부(210)는 근거리 통신모듈, 무선 통신모듈, 이동통신 모듈, 유선 통신모듈 등 다양한 형태로 구현될 수 있다.
저장부(220)는 학습 콘텐츠 추천 장치(200)의 동작과 관련된 데이터들을 저장하는 구성이다. 여기서 저장부(220)는 공지된 저장매체를 이용할 수 있으며, 예를 들어, ROM, PROM, EPROM, E EPROM, RAM 등과 같이 공지된 저장매체 중 어느 하나 이상을 이용할 수 있다. 특히, 저장부(220)에는 콘텐츠들을 클러스터링하는 프로그램 및 학습 콘텐츠 추천 프로그램(애플리케이션 또는 애플릿) 등이 저장될 수 있으며, 저장되는 정보들은 필요에 따라 제어부(280)에 의해 취사 선택될 수 있다.
콘텐츠 분류부(230)는 제1 콘텐츠 데이터베이스(100) 또는 외부의 저장 장치에 저장되어 있는 콘텐츠들을 복수의 클러스터로 분류하고, 각 클러스터에 대표 콘텐츠를 할당할 수 있다.
이러한 콘텐츠 분류부(230)는 도 4에 도시된 바와 같이 클러스터링부(232) 및 대표 콘텐츠 선정부(234)를 포함할 수 있다.
클러스터링부(232)는 제1 콘텐츠 데이터베이스(100) 또는 외부의 저장 장치에 저장되어 있는 다수의 콘텐츠 각각의 메타 데이터(Metadata)에 기초하여 TF-IDF(Term Frequency - Inverse Document Frequency) 값을 산출하고, 산출된 TF-IDF 값을 기반으로 다수의 콘텐츠를 복수의 클러스터로 분류할 수 있다.
구체적으로, 클러스터링부(232)는 제1 콘텐츠 데이터베이스(100) 또는 외부의 저장 장치에 저장되어 있는 다수의 콘텐츠 각각에서 카테고리 및 키워드들을 획득하고, 획득된 카테고리 및 키워드들에 서로 다른 가중치를 부여할 수 있다. 예를 들어 도 3과 같이 키워드 정보를 획득한 경우, 클러스터링부(232)는 카테고리(category), keyword0,.., keyword9의 순서로 높은 가중치(weighting factor)를 적용할 수 있다.
그런 후, 클러스터링부(232)는 카테고리 및 키워드들에 가중치가 부여된 각 콘텐츠에 대해 TF-IDF 값을 산출할 수 있다. 즉, 클러스터링부(232)는 가중치가 부여된 각 키워드들의 빈도 값을 산출할 수 있다. 이때 클러스터링부(232)는 blooean 빈도 계산 방법, log-scale 빈도 계산 방법, 및 증가 빈도 계산 방법 등 다양한 방법을 이용하여 빈도 값을 산출할 수 있다. 빈도 값이 산출되면, 클러스터링부(232)는 각 콘텐츠의 키워드들에 대한 역빈도(IDF, Inversed Document Frequency) 값을 산출할 수 있다. 이때 클러스터링부(232)는 아래 수학식을 이용하여 역빈도 값을 산출할 수 있다.
[수학식 1]
Figure 112020089823376-pat00001
여기서, t는 키워드, d는 문서, D는 전체 문서 수를 의미할 수 있다.
빈도 값 및 역빈도 값을 산출하는 방법은 종래의 다양한 방법을 이용할 수 있다.
클러스터링부(232)는 빈도 값과 역빈도 값을 이용하여 빈도-역빈도 값을 산출할 수 있다. 예를 들면, 클러스터링부(232)는 아래 수학식 2를 이용하여 빈도-역빈도 값을 산출할 수 있다.
[수학식 2]
Figure 112020089823376-pat00002
여기서, tf(t,d)는 빈도 값,
Figure 112020089823376-pat00003
는 역빈도 값을 의미할 수 있다.
빈도-역빈도 값은 특정 키워드가 문서(콘텐츠) 내에서 얼마나 자주 등장하는지를 나타내는 값을 의미하므로, TF-IDF 값이 높은 키워드일수록 다른 문서(콘텐츠)에 자주 언급되지 않고, 해당 문서(콘텐츠)에 자주 언급되는 키워드를 의미할 수 있다.
클러스터링부(232)는 각 콘텐츠의 카테고리 및 키워드들에 대한 각각의 빈도-역빈도 값을 연산하여 각 콘텐츠의 빈도-역빈도 값을 산출하고, 산출된 콘텐츠별 빈도-역빈도 값을 기 설정된 임계치와 비교하여, 다수의 콘텐츠를 일정 개수의 클러스터로 분류할 수 있다. 이때 클러스터의 개수는 미리 설정된 개수로, 관리자에 의해 변경 가능하다.
예를 들어, 아래와 같은 3개의 문서의 빈도-역빈도 값을 산출하는 방법에 대해 설명하기로 한다.
Figure 112020089823376-pat00004
먼저, 클러스터링부(232)는 boolean 빈도 계산 방법을 이용하여 각 문서에 출현하는 키워드들의 빈도 값을 산출할 수 있다. 각 문서의 키워드들의 빈도 값은 아래 표 1과 같을 수 있다.
[표 1]
Figure 112020089823376-pat00005
빈도 값이 산출되면, 클러스터링부(232)는 빈도 값을 이용하여 역빈도 값을 산출할 수 있다. 각 문서에 출현하는 키워드들의 역빈도 값은 아래 표 2와 같을 수 있다.
[표 2]
Figure 112020089823376-pat00006
표 1 및 표 2와 같이 빈도 값 및 역빈도 값이 산출되면, 클러스터링부(232)는 키워드들의 빈도-역빈도 값을 연산하여 각 문서의 빈도-역빈도 값을 산출할 수 있다. 예를 들면, 문서1(Doc)의 경우, 클러스터링부(232)는 (1*0.18)+(1*0.48)+(1*0.18)=0.79를 문서1의 빈도-역빈도 값으로 산출할 수 있다.
각 콘텐츠의 빈도-역빈도 값이 산출되면, 클러스터링부(232)는 각 콘텐츠의 빈도-역빈도 값을 기 설정된 임계값과 비교하고, 그 비교결과에 따라 콘텐츠들을 일정 개수의 클러스터로 분류할 수 있다.
예를 들어, 제1 클러스터는 제1 임계값 이하, 제2 클러스터는 제1임계값 초과 ~ 제2 임계값 이하, 제3 클러스터는 제2 임계값 초과로 설정에 대해 설명하기로 한다. 이 경우, 빈도-역빈도 값이 제1 임계값 이하인 콘텐츠들을 제1 클러스터로 분류하고, 빈도-역빈도 값이 제1임계값 초과 ~ 제2 임계값 이하인 콘텐츠들을 제2 클러스터로 분류하며, 빈도-역빈도 값이 제2 임계값 초과인 콘텐츠들을 제3 클러스터로 분류할 수 있다.
상술한 바와 같이 콘텐츠들이 클러스터로 분류되면, 대표 콘텐츠 선정부(234)는 클러스터링부(232)를 통해 분류된 각 클러스터의 대표 콘텐츠를 선정할 수 있다. 이때, 대표 콘텐츠 선정부(234)는 각 클러스터의 콘텐츠들 중 가장 최신 콘텐츠, 가장 인기 있는 콘텐츠, 및 기 설정된 가중치가 가장 높은 콘텐츠 중 하나를 대표 콘텐츠로 선정할 수 있다.
상기와 같이 구성된 콘텐츠 분류부(230)는 클러스터별 콘텐츠들을 제2 콘텐츠 데이터베이스(240)에 저장할 수 있다. 이때 콘텐츠 분류부(230)는 각 클러스터에 대표 콘텐츠를 선정하여 제2 콘텐츠 데이터베이스(240)에 저장할 수 있다.
따라서 제2 콘텐츠 데이터베이스(240)에는 클러스터별로 여러 콘텐츠가 저장될 수 있고, 각 클러스터는 대표 콘텐츠에 의해 색인(index)될 수 있다. 예를 들면, 제2 콘텐츠 데이터베이스(240)에는 도 6에 도시된 바와 같이, 클러스터1이 대표 콘텐츠1에 의해 색인될 수 있고, 콘텐츠1, 콘텐츠2,.., 콘텐츠n이 저장될 수 있다.
사용자 정보 데이터베이스(250)는 사용자(학습자)의 성명, 아이디, 비밀번호, 학습 진도 등을 포함하는 사용자 정보를 저장한다. 이때, 사용자 정보 데이터베이스(250)는 회원 가입단계에서 사용자의 성명, 나이, 지역, 관심 분야, 아이디 및 비밀번호, 학습 진도, 산업군, 직무명, 직급, 기존 교육정보, 역량 수준, 직업 등을 포함하는 개인정보를 입력받아 저장할 수 있다. 산업군은 자동차, 음식료, 의류, 철강, 컴퓨터 반도체 등을 포함할 수 있고, 직무명은 관리부, 영업부, 인사부, 품질부, 구매부, 회계부 등을 포함할 수 있으며, 직급은 사원, 대리/선임, 과장/책임, 부장, 이사 등을 포함할 수 있다.
인증부(260)는 통신부(210)로부터 수신한 인증 정보를 근거로 사용자 인증을 수행한다. 즉, 인증부(260)는 통신부(210)로부터 수신한 인증 정보로부터 아이디 및 비밀번호를 검출하고, 사용자 정보 데이터베이스(250)로부터 검출한 아이디 및 비밀번호와 일치하는 사용자 정보가 존재하면 사용자 인증 성공으로 처리할 수 있다.
콘텐츠 추천부(270)는 통신부(210)를 통해 대표 콘텐츠 선택 정보를 포함하는 콘텐츠 추천 요청 신호를 수신하면, 대표 콘텐츠 선택 정보가 속하는 클러스터에서 사용자에게 가장 적합한 다른 콘텐츠를 추천할 수 있다. 여기서, 대표 콘텐츠 선택 정보는 각 클러스터를 지시하는 대표 콘텐츠들 중에서 사용자가 선택한 적어도 하나 이상의 대표 콘텐츠를 포함할 수 있다. 예를 들어, 대표 콘텐츠 선택 정보가 제1 대표 콘텐츠, 제3 대표 콘텐츠, 및 제4 대표 콘텐츠를 포함하는 경우, 콘텐츠 추천부(270)는 제1 대표 콘텐츠가 속한 제1 클러스터에서 사용자에게 추천할 콘텐츠를 선정하고, 제3 대표 콘텐츠가 속한 제3 클러스터에서 사용자에게 추천할 콘텐츠를 선정하며, 제4 대표 콘텐츠가 속한 제4 클러스터에서 사용자에게 추천할 콘텐츠를 선정할 수 있고, 선정된 추천할 콘텐츠를 사용자에게 제공할 수 있다.
콘텐츠 추천부(270)는 사용자가 기 등록된 학습자인지 또는 신규 사용자인지에 따라 다른 방법으로 추천 콘텐츠를 선정할 수 있다.
먼저, 사용자가 기 등록된 학습자인 경우, 추천 콘텐츠를 선정하는 방법에 대해 설명하기로 한다. 이 경우 콘텐츠 추천부(270)는 사용자의 학습 이력, 프로필, 역량 중 적어도 하나의 속성정보에 근거하여 대표 콘텐츠 선택 정보가 속하는 클러스터에서 하나 이상의 콘텐츠를 검색하고, 검색된 하나 이상의 콘텐츠들 중에서 중복 횟수 또는 가중치에 기초하여 일정 개수의 콘텐츠를 추출할 수 있다.
콘텐츠 추천부(270)는 대표 콘텐츠 선택 정보가 속하는 클러스터에서 사용자의 속성정보별로 관련도가 높은 순으로 콘텐츠들을 획득하고, 획득된 콘텐츠들 중에서 중복 횟수 또는 가중치에 기초하여 일정 개수의 콘텐츠를 추출하며, 추출된 일정 개수의 콘텐츠를 사용자 단말기(300)에 추천할 수 있다. 이때 콘텐츠 추천부(270)는 획득된 콘텐츠들 중에서 다른 사용자들이 많이 학습한 콘텐츠, 즉, 학습 이력이 높은 콘텐츠를 우선순위로 검색할 수 있다. 여기서 제2 콘텐츠 데이터베이스(240)는 학습 이력이 저장되어 있고, 콘텐츠 추천부(270)는 학습 이력으로부터 재생 횟수가 가장 많은 순서대로 콘텐츠를 정렬하고 상위에 랭크된 기 설정된 개수의 콘텐츠를 검색결과로 선정할 수 있다.
예를 들어, 사용자가 제1 대표 콘텐츠를 선택하고, 사용자의 속성정보가 제약회사의 영업사원이라고 가정하여 설명하기로 한다. 이 경우 콘텐츠 추천부(270)는 제1 대표 콘텐츠가 속한 제1 클러스터에서 제약회사 및 영업사원에게 인기가 많은(많이 듣는) 콘텐츠를 일정 개수 추출하여 사용자에게 추천할 수 있다. 또한 콘텐츠 추천부(270)는 제1 대표 콘텐츠가 속한 제1 클러스터에서 최신의 콘텐츠를 일정 개수 추출하여 사용자에게 추천할 수 있다.
다음으로 사용자가 신규 학습자인 경우, 추천 콘텐츠를 선정하는 방법에 대해 설명하기로 한다. 이 경우 콘텐츠 추천부(270)는 기 등록된 학습자들 중에서 신규 사용자의 속성정보에 대응하는 속성정보를 갖는 학습자들을 확인하고, 그 학습자들의 학습이력에 근거하여 대표 콘텐츠 선택 정보가 속하는 클러스터에서 하나 이상의 콘텐츠를 검색하며, 검색된 하나 이상의 콘텐츠들 중에서 중복 횟수 또는 가중치에 기초하여 일정 개수의 콘텐츠를 추출하고, 일정 개수의 콘텐츠를 사용자 단말기(300)에 추천할 수 있다.
한편, 콘텐츠 분류부(230), 인증부(260), 및 콘텐츠 추천부(270)는 컴퓨팅 장치상에서 프로그램을 실행하기 위해 필요한 프로세서 등에 의해 각각 구현될 수 있다. 이처럼 콘텐츠 분류부(230), 인증부(260), 및 콘텐츠 추천부(270)는 물리적으로 독립된 각각의 구성에 의해 구현될 수도 있고, 하나의 프로세서 내에서 기능적으로 구분되는 형태로 구현될 수도 있다.
제어부(280)는 통신부(210), 저장부(220), 콘텐츠 분류부(230), 제2 콘텐츠 데이터베이스(240), 사용자 정보 데이터베이스(250), 인증부(260) 및 콘텐츠 추천부(270)를 포함하는 학습 콘텐츠 추천 장치(200)의 다양한 구성부들의 동작을 제어하는 구성으로, 적어도 하나의 연산 장치를 포함할 수 있는데, 여기서 상기 연산 장치는 범용적인 중앙연산장치(CPU), 특정 목적에 적합하게 구현된 프로그래머블 디바이스 소자(CPLD, FPGA), 주문형 반도체 연산장치(ASIC) 또는 마이크로 컨트롤러 칩일 수 있다. 또한, 다른 형태의 하드웨어로 구현될 수도 있음을 본 실시 예가 속하는 기술분야에서 통상의 지식을 가진 자라면 이해할 수 있다.
도 7은 본 발명의 일 실시예에 따른 학습 콘텐츠 추천 방법을 설명하기 위한 도면이다.
도 7을 참조하면, 학습 콘텐츠 추천 장치(200)는 기 등록된 콘텐츠들을 복수의 클러스터로 분류한다(S810). 즉, 학습 콘텐츠 추천 장치(200)는 제1 콘텐츠 데이터베이스(100) 또는 외부의 저장 장치에 저장되어 있는 다수의 콘텐츠 각각에서 미리 정의된 메타데이터(Metadata)를 추출하고, 추출된 메타데이터에 기초하여 TF-IDF 값을 산출하며, 산출된 TF-IDF 값을 기반으로 카테고리별로 저장된 콘텐츠들을 복수의 클러스터로 분류할 수 있다.
S810 단계가 수행되면, 학습 콘텐츠 추천 장치(200)는 각 클러스터의 대표 콘텐츠를 선정하고(S820), 클러스터별 콘텐츠들을 제2 콘텐츠 데이터베이스(240)에 저장한다(S830). 이때 학습 콘텐츠 추천 장치(200)는 각 클러스터의 콘텐츠들 중 가장 최신 콘텐츠, 가장 인기 있는 콘텐츠, 및 기 설정된 가중치가 가장 높은 콘텐츠 중 하나를 대표 콘텐츠로 선정할 수 있다. 학습 콘텐츠 추천 장치(200)는 각 클러스터를 해당 대표 콘텐츠에 의해 색인(index)하여 제2 콘텐츠 데이터베이스(240)에 저장할 수 있다.
S830 단계의 수행 후, 사용자 단말기(300)가 학습 콘텐츠 추천 어플리케이션 또는 학습 콘텐츠 추천 사이트를 통해 학습 콘텐츠 추천 장치(200)에 접속하면(S840), 학습 콘텐츠 추천 장치(200)는 클러스터별 대표 콘텐츠를 사용자 단말기(300)에 제공한다(S850). 이때, 학습 콘텐츠 추천 장치(200)는 클러스터별 대표 콘텐츠를 리스트 형태로 제공할 수 있다.
S850 단계가 수행되면, 사용자 단말기(300)는 사용자에 의해 선택된 대표 콘텐츠 선택 정보를 포함하는 콘텐츠 추천 요청 신호를 학습 콘텐츠 추천 장치(200)로 전송한다(S860). 즉, 사용자 단말기(300)는 클러스터별 대표 콘텐츠를 리스트 형태로 디스플레이할 수 있고, 사용자는 원하는 대표 콘텐츠를 선택할 수 있다. 이때 사용자는 하나 이상의 대표 콘텐츠를 선택할 수 있다. 그러면, 사용자 단말기(300)는 사용자에 의해 선택된 대표 콘텐츠를 포함하는 콘텐츠 추천 요청 신호를 학습 콘텐츠 추천 장치(200)로 전송할 수 있다.
S860 단계가 수행되면, 학습 콘텐츠 추천 장치(200)는 대표 콘텐츠 선택 정보가 속하는 클러스터에서 사용자에게 추천할 콘텐츠를 선정하고(S870), 선정된 콘텐츠를 사용자 단말기(300)에 제공한다(S880).
상술한 바와 같이 본 발명의 일 실시예에 따른 학습 콘텐츠 추천 방법 및 장치는, 카테고리별로 저장된 콘텐츠들을 일정 개수의 클러스터로 분류하고, 분류된 클러스터에 기반하여 콘텐츠를 추천하므로 더욱 사용자의 요구에 정확한 디지털 콘텐츠를 제공할 수 있다.
본 발명의 다른 실시예에 따른 학습 콘텐츠 추천 방법 및 장치는, 콘텐츠들의 키워드 기반으로 추천을 수행하므로 적은 컴퓨팅 자원 및 네트워크 전송량으로 정확하고 빠르게 추천을 수행할 수 있다.
본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나, 이는 예시적인 것에 불과하며, 당해 기술이 속하는 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호범위는 아래의 특허청구범위에 의해서 정하여져야 할 것이다.
100 : 제1 콘텐츠 데이터베이스
200 : 학습 콘텐츠 추천 장치
210 : 통신부
220 : 저장부
230 : 콘텐츠 분류부
240 : 제2 콘텐츠 데이터베이스
250 : 사용자 정보 데이터베이스
260 : 인증부
270 : 콘텐츠 추천부
280 : 제어부
300 : 사용자 단말기

Claims (12)

  1. 다수의 콘텐츠 각각의 메타 데이터(Metadata)에 기초하여 TF-IDF(Term Frequency - Inverse Document Frequency) 값을 산출하고, 상기 산출된 TF-IDF 값을 기반으로 상기 다수의 콘텐츠를 복수의 클러스터로 분류하는 클러스터링부; 및
    상기 분류된 각 클러스터의 대표 콘텐츠를 각각 선정하는 대표 콘텐츠 선정부를 포함하되,
    복수의 카테고리, 각 카테고리에 속하는 콘텐츠들, 및 각 콘텐츠의 키워드 정보 중 적어도 하나가 저장된 제1 콘텐츠 데이터베이스를 더 포함하고,
    상기 클러스터링부는,
    상기 제1 콘텐츠 데이터베이스에 저장된 각 콘텐츠의 카테고리 및 키워드 정보에 서로 다른 가중치를 부여하고, 상기 가중치가 부여된 키워드들의 TF-IDF 값을 각각 산출하며, 상기 산출된 키워드들의 TF-IDF 값을 연산하여 각 콘텐츠의 TF-IDF 값을 산출하고, 상기 각 콘텐츠의 TF-IDF 값을 기 설정된 임계값과 비교하며, 그 비교결과에 따라 상기 다수의 콘텐츠를 복수의 클러스터로 분류하고,
    상기 제1 콘텐츠 데이터베이스에 저장된 각 콘텐츠의 키워드 정보는, keyword0부터 keyword9 각각에 속하는 키워드들을 포함하고,
    상기 클러스러링부는,
    상기 각 콘텐츠의 카테고리, keyword0 부터 keyword9의 순서로 높은 가중치를 각각 부여하여 상기 각 콘텐츠의 TF-IDF 값을 산출하며, 상기 각 콘텐츠의 TF-IDF 값을 각 클러스터별로 설정된 임계값과 비교함으로써 상기 다수의 콘텐츠를 복수의 클러스터로 분류하고,
    사용자 단말기가 학습 콘텐츠 추천 어플리케이션 또는 학습 콘텐츠 추천 사이트를 통해 접속되면, 상기 각 클러스터의 대표 콘텐츠를 상기 사용자 단말기에 제공하고, 상기 사용자 단말기로부터 대표 콘텐츠 선택 정보를 포함하는 콘텐츠 추천 요청 신호를 수신하는 경우, 상기 대표 콘텐츠 선택 정보가 속하는 클러스터에서 사용자에게 추천할 콘텐츠를 선정하고, 상기 선정된 콘텐츠를 상기 사용자 단말기에 제공하는 콘텐츠 추천부를 더 포함하는 것을 특징으로 하는 학습 콘텐츠 추천 장치.
  2. 삭제
  3. 제1항에 있어서,
    상기 대표 콘텐츠 선정부는,
    각 클러스터의 콘텐츠들 중 가장 최신 콘텐츠, 가장 인기 있는 콘텐츠, 및 기 설정된 가중치가 가장 높은 콘텐츠 중 적어도 하나를 대표 콘텐츠로 선정하는 것을 특징으로 하는 학습 콘텐츠 추천 장치.
  4. 삭제
  5. 제1항에 있어서,
    상기 콘텐츠 추천부는,
    사용자가 기 등록된 학습자인 경우, 상기 사용자의 학습 이력, 프로필, 역량 중 적어도 하나의 속성정보에 근거하여 상기 대표 콘텐츠 선택 정보가 속하는 클러스터에서 하나 이상의 콘텐츠를 검색하고, 상기 검색된 하나 이상의 콘텐츠들 중에서 중복 횟수 또는 가중치에 기초하여 일정 개수의 콘텐츠를 추출하며, 상기 일정 개수의 콘텐츠를 상기 사용자 단말기에 추천하는 것을 특징으로 하는 학습 콘텐츠 추천 장치.
  6. 제1항에 있어서,
    상기 콘텐츠 추천부는,
    사용자가 신규 학습자인 경우, 기 등록된 학습자들 중에서 상기 사용자의 속성정보에 대응하는 속성정보를 갖는 학습자들을 추출하고, 상기 추출된 학습자들의 학습이력에 근거하여 상기 대표 콘텐츠 선택 정보가 속하는 클러스터에서 하나 이상의 콘텐츠를 검색하며, 상기 검색된 하나 이상의 콘텐츠들 중에서 중복 횟수 또는 가중치에 기초하여 일정 개수의 콘텐츠를 추출하고, 상기 일정 개수의 콘텐츠를 상기 사용자 단말기에 추천하는 것을 특징으로 하는 학습 콘텐츠 추천 장치.
  7. 학습 콘텐츠 추천 장치가 다수의 콘텐츠 각각의 메타 데이터(Metadata)에 기초하여 TF-IDF(Term Frequency - Inverse Document Frequency) 값을 산출하고, 상기 산출된 TF-IDF 값을 기반으로 상기 다수의 콘텐츠를 복수의 클러스터로 분류하는 단계; 및
    상기 학습 콘텐츠 추천 장치가 상기 분류된 각 클러스터의 대표 콘텐츠를 각각 선정하는 단계를 포함하되,
    상기 다수의 콘텐츠를 복수의 클러스터로 분류하는 단계는,
    상기 학습 콘텐츠 추천 장치가 제1 콘텐츠 데이터베이스에 저장된 각 콘텐츠의 카테고리 및 키워드 정보에 서로 다른 가중치를 부여하고, 상기 가중치가 부여된 키워드들의 TF-IDF 값을 각각 산출하는 단계;
    상기 학습 콘텐츠 추천 장치가 상기 산출된 키워드들의 TF-IDF 값을 연산하여 각 콘텐츠의 TF-IDF 값을 산출하는 단계; 및
    상기 학습 콘텐츠 추천 장치가 상기 각 콘텐츠의 TF-IDF 값을 기 설정된 임계값과 비교하고, 그 비교결과에 따라 상기 다수의 콘텐츠를 복수의 클러스터로 분류하는 단계를 포함하되,
    사용자 단말기의 접속 시, 상기 학습 콘텐츠 추천 장치가 클러스터별 대표 콘텐츠를 리스트 형태로 상기 사용자 단말기에 제공하는 단계;
    상기 학습 콘텐츠 추천 장치가 상기 사용자 단말기로부터 대표 콘텐츠 선택 정보를 포함하는 콘텐츠 추천 요청 신호를 수신하는 단계; 및
    상기 학습 콘텐츠 추천 장치가 상기 대표 콘텐츠 선택 정보가 속하는 클러스터에서 사용자에게 추천할 콘텐츠를 선정하고, 상기 선정된 콘텐츠를 상기 사용자 단말기에 추천하는 단계를 더 포함하고,
    상기 가중치가 부여된 키워드들의 TF-IDF 값을 각각 산출하는 단계에서,
    상기 제1 콘텐츠 데이터베이스에 저장된 각 콘텐츠의 키워드 정보는, keyword0부터 keyword9 각각에 속하는 키워드들을 포함하고,
    상기 가중치가 부여된 키워드들의 TF-IDF 값을 각각 산출하는 단계에서,
    상기 학습 콘텐츠 추천 장치는, 상기 각 콘텐츠의 카테고리, keyword0 부터 keyword9의 순서로 높은 가중치를 각각 부여하는 것을 특징으로 하는 학습 콘텐츠 추천 방법.
  8. 삭제
  9. 제7항에 있어서,
    상기 대표 콘텐츠를 각각 선정하는 단계에서,
    상기 학습 콘텐츠 추천 장치는, 각 클러스터의 콘텐츠들 중 가장 최신 콘텐츠, 가장 인기 있는 콘텐츠, 및 기 설정된 가중치가 가장 높은 콘텐츠 중 적어도 하나를 대표 콘텐츠로 선정하는 것을 특징으로 하는 학습 콘텐츠 추천 방법.
  10. 삭제
  11. 제7항에 있어서,
    상기 선정된 콘텐츠를 상기 사용자 단말기에 추천하는 단계에서,
    상기 학습 콘텐츠 추천 장치는, 사용자가 기 등록된 학습자인 경우, 상기 사용자의 학습 이력, 프로필, 역량 중 적어도 하나의 속성정보에 근거하여 상기 대표 콘텐츠 선택 정보가 속하는 클러스터에서 하나 이상의 콘텐츠를 검색하고, 상기 검색된 하나 이상의 콘텐츠들 중에서 중복 횟수 또는 가중치에 기초하여 일정 개수의 콘텐츠를 추출하며, 상기 일정 개수의 콘텐츠를 상기 사용자 단말기에 추천하는 것을 특징으로 하는 학습 콘텐츠 추천 방법.
  12. 제7항에 있어서,
    상기 선정된 콘텐츠를 상기 사용자 단말기에 추천하는 단계에서,
    상기 학습 콘텐츠 추천 장치는, 사용자가 신규 학습자인 경우, 기 등록된 학습자들 중에서 상기 사용자의 속성정보에 대응하는 속성정보를 갖는 학습자들을 추출하고, 상기 추출된 학습자들의 학습이력에 근거하여 상기 대표 콘텐츠 선택 정보가 속하는 클러스터에서 하나 이상의 콘텐츠를 검색하며, 상기 검색된 하나 이상의 콘텐츠들 중에서 중복 횟수 또는 가중치에 기초하여 일정 개수의 콘텐츠를 추출하고, 상기 일정 개수의 콘텐츠를 상기 사용자 단말기에 추천하는 것을 특징으로 하는 학습 콘텐츠 추천 방법.
KR1020200107717A 2020-08-26 2020-08-26 학습 콘텐츠 추천 장치 및 방법 KR102284393B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200107717A KR102284393B1 (ko) 2020-08-26 2020-08-26 학습 콘텐츠 추천 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200107717A KR102284393B1 (ko) 2020-08-26 2020-08-26 학습 콘텐츠 추천 장치 및 방법

Publications (1)

Publication Number Publication Date
KR102284393B1 true KR102284393B1 (ko) 2021-08-04

Family

ID=77314881

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200107717A KR102284393B1 (ko) 2020-08-26 2020-08-26 학습 콘텐츠 추천 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102284393B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102449336B1 (ko) 2021-09-23 2022-09-30 (주)웅진씽크빅 Ｏｃｒ을 이용한 학습 추천 장치 및 방법
KR102510994B1 (ko) * 2022-02-04 2023-03-16 주식회사 천재교과서 학습 컨텐츠 추천 시스템
KR102510995B1 (ko) * 2022-02-04 2023-03-16 주식회사 천재교과서 학습 컨텐츠 추천 방법 및 이를 기록한 기록매체

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20080045659A (ko) * 2005-09-28 2008-05-23 소니 가부시끼 가이샤 정보 처리 장치, 방법, 및 프로그램
KR20160043601A (ko) * 2014-10-13 2016-04-22 고려대학교 산학협력단 디지털 컨텐츠 추천 단말 및 방법
KR20170049046A (ko) * 2015-10-28 2017-05-10 네이버 주식회사 영상 트렌드 검출 및 큐레이션을 위한 방법 및 시스템
KR20200049193A (ko) * 2018-10-31 2020-05-08 에스케이텔레콤 주식회사 콘텐츠 추천 방법 및 이를 지원하는 서비스 장치

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20080045659A (ko) * 2005-09-28 2008-05-23 소니 가부시끼 가이샤 정보 처리 장치, 방법, 및 프로그램
KR20160043601A (ko) * 2014-10-13 2016-04-22 고려대학교 산학협력단 디지털 컨텐츠 추천 단말 및 방법
KR20170049046A (ko) * 2015-10-28 2017-05-10 네이버 주식회사 영상 트렌드 검출 및 큐레이션을 위한 방법 및 시스템
KR20200049193A (ko) * 2018-10-31 2020-05-08 에스케이텔레콤 주식회사 콘텐츠 추천 방법 및 이를 지원하는 서비스 장치

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102449336B1 (ko) 2021-09-23 2022-09-30 (주)웅진씽크빅 Ｏｃｒ을 이용한 학습 추천 장치 및 방법
EP4156148A1 (en) 2021-09-23 2023-03-29 Woongjin Thinkbig Co., Ltd. Apparatus and method for recommending learning using optical character recognition
KR102510994B1 (ko) * 2022-02-04 2023-03-16 주식회사 천재교과서 학습 컨텐츠 추천 시스템
KR102510995B1 (ko) * 2022-02-04 2023-03-16 주식회사 천재교과서 학습 컨텐츠 추천 방법 및 이를 기록한 기록매체

Similar Documents

Publication Publication Date Title
US11954157B2 (en) Method of and system for conducting personalized federated search and presentation of results therefrom
JP6708717B2 (ja) ニュース推薦方法及び装置
KR102284393B1 (ko) 학습 콘텐츠 추천 장치 및 방법
CN111279328B (zh) 预测对于特定场境的搜索的意图
CN106202394B (zh) 文本资讯的推荐方法及系统
WO2023005339A1 (zh) 搜索结果展示方法、装置、设备和介质
US8255396B2 (en) Electronic profile development, storage, use, and systems therefor
US9405832B2 (en) Application search query classifier
WO2017024884A1 (zh) 一种搜索意图识别方法及装置
JP5859611B2 (ja) 意味的地域に基づいて検索語を推薦する方法およびシステム
US20140129372A1 (en) Methods and systems for travel recommendations
US11586690B2 (en) Client-side personalization of search results
US20200193056A1 (en) On Device Personalization of Content to Protect User Privacy
US20200356569A1 (en) Triggering local extensions based on inferred intent
JP6648283B2 (ja) 人工知能ベースの関連度計算を用いたノート提供方法及び装置
KR20160032564A (ko) 영상표시장치, 영상표시장치의 구동방법 및 컴퓨터 판독가능 기록매체
JP2015106347A (ja) レコメンド装置およびレコメンド方法
US10241988B2 (en) Prioritizing smart tag creation
US20170193115A1 (en) Query classifier
CN110765357A (zh) 在线文档的搜索方法、装置、设备及存储介质
KR102322212B1 (ko) 학습 콘텐츠 추천 장치 및 방법
KR101852766B1 (ko) 매물 검색 방법 및 장치
KR20230038824A (ko) 학습자 목표 기반의 빅데이터 및 인공지능을 이용한 학습 로드맵 추천 시스템
KR101662215B1 (ko) 확장정보 기능을 제공하는 검색 시스템 및 방법
CN113918801A (zh) 信息推荐方法及设备

Legal Events

Date Code Title Description
AMND Amendment
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant