KR102314645B1 - 미디어 리소스를 제공하는 방법 및 장치 - Google Patents

미디어 리소스를 제공하는 방법 및 장치 Download PDF

Info

Publication number
KR102314645B1
KR102314645B1 KR1020150099839A KR20150099839A KR102314645B1 KR 102314645 B1 KR102314645 B1 KR 102314645B1 KR 1020150099839 A KR1020150099839 A KR 1020150099839A KR 20150099839 A KR20150099839 A KR 20150099839A KR 102314645 B1 KR102314645 B1 KR 102314645B1
Authority
KR
South Korea
Prior art keywords
media resource
background
media
database
words
Prior art date
Application number
KR1020150099839A
Other languages
English (en)
Other versions
KR20160062667A (ko
Inventor
쉬엔 쩡
지에 천
빙 지
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to EP15195889.9A priority Critical patent/EP3026584A1/en
Priority to US14/952,402 priority patent/US10339146B2/en
Publication of KR20160062667A publication Critical patent/KR20160062667A/ko
Application granted granted Critical
Publication of KR102314645B1 publication Critical patent/KR102314645B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/4508—Management of client data or end-user data
    • H04N21/4532—Management of client data or end-user data involving end-user characteristics, e.g. viewer profile, preferences
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
    • G06F16/43—Querying
    • G06F16/435—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
    • G06F16/43—Querying
    • G06F16/438—Presentation of query results
    • G06F16/4387—Presentation of query results by the use of playlists
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/4508—Management of client data or end-user data
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/4508—Management of client data or end-user data
    • H04N21/4516—Management of client data or end-user data involving client characteristics, e.g. Set-Top-Box type, software version or amount of memory available
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

미디어 리소스를 제공하는 디스플레이 장치에 있어서, 백그라운드 미디어 리소스 데이터베이스 정보를 수집하는 통신부; 및 백그라운드 미디어 리소스 데이터베이스에 포함된 미디어 리소스들 각각으로부터 텍스트 정보를 추출하고, 각 미디어 리소스로부터 추출된 텍스트 정보에 기초하여 각 미디어 리소스 데이터베이스의 하나 이상의 특징 단어를 획득하고, 각 미디어 리소스의 특징 단어 각각의 가중치를 포함하는 백그라운드 미디어 리소스 데이터베이스의 특징 단어 가중치 행렬을 생성하고, 특징 단어 가중치 행렬을 이용하여 백그라운드 미디어 리소스 데이터베이스에 포함된 미디어 리소스 각각과 현재 사용자가 시청중인 미디어 리소스 간의 클러스터링 유사도를 계산하고, 클러스터링 유사도에 기초하여 하나 이상의 미디어 리소스를 포함하는 미디어 리소스 추천 리스트를 제공하는 제어부; 를 포함하는 디스플레이 장치가 제공된다.

Description

미디어 리소스를 제공하는 방법 및 장치 {A METHOD AND DEVICE OF VARIOUS-TYPE MEDIA RESOURCE RECOMMENDATION}
다양한 실시 예들은 멀티미디어 기술 분야, 상세하게는 다양한 종류의 리소스 추천 방법 및 장치에 관한 것이다.
사용자가 텔레비전(TV)을 시청할 때, 사용자는 현재 프로그램의 일부 정보에 관심이 있을 수 있고, 현재 프로그램과 관련된 다른 미디어 리소스를 시청하고 싶을 수도 있다. 사용자의 이러한 요구를 고려할 때, 몇 가지 미디어 리소스 추천 방법이 있다. 일반적으로, 사용자의 성향을 획득하기 위해 현재 사용자가 시청중인 리소스의 키워드가 획득될 수 있다. 획득된 키워드는 사용자의 성향 및 현재 사용자가 시청중인 리소스를 묘사하기 위한 벡터로 표현될 수 있다.
하지만 현재의 미디어 리소스 추천 방법은 많은 결점을 가지고 있다. 예를 들어, 대부분의 미디어 리소스 추천 방법은 같은 종류의 리소스만 추천할 수 있는 방법이고, 여러 종류의 리소스를 추천하는 방법은 거의 없다. 다양한 리소스를 추천하는 기존의 방법들은 대부분 리소스를 일방향으로 추천한다. 즉, 한 가지의 리소스에 기반하여 다른 종류의 리소스들을 추천한다. 예를 들어, 다양한 리소스 추천 방법은 다음과 같은 텔레비전 프로그램에 관련된 비디오 리소스 추천 방법 및 텔레비전 프로그램에 관련된 상품 추천 방법 등을 포함할 수 있다.
다양한 종류의 리소스 사이에서 서로를 참조하여 리소스를 추천하는 방법은 드물다. 리소스 추천 방법을 구현하기 위하여 미디어 리소스에 포함된 단어들을 획득할 수 있다. 단어들은 자동적으로 획득되기 어려우며, 수동적으로 수집되어야 할 수 있다. 단어들을 획득하기 위한 동작 과정은 복잡하고, 형태론적 정보에 한정되며, 시맨틱 정보가 부족하고, 수동으로 단 주석에 의존하며, 사용자의 피드백이 활용되지 못한다.
멀티미디어 기술 분야, 상세하게는 텔레비전에서의 시맨틱 링크에 기초한 다양한 종류의 리소스 추천 방법 및 장치를 제공하는 것을 목적으로 한다.
일 실시 예에 따른 미디어 리소스를 제공하는 디스플레이 장치는, 백그라운드 미디어 리소스 데이터베이스 정보를 수집하는 통신부; 및 백그라운드 미디어 리소스 데이터베이스에 포함된 미디어 리소스들 각각으로부터 텍스트 정보를 추출하고, 각 미디어 리소스로부터 추출된 텍스트 정보에 기초하여 각 미디어 리소스 데이터베이스의 하나 이상의 특징 단어를 획득하고, 각 미디어 리소스의 특징 단어 각각의 가중치를 포함하는 백그라운드 미디어 리소스 데이터베이스의 특징 단어 가중치 행렬을 생성하고, 특징 단어 가중치 행렬을 이용하여 백그라운드 미디어 리소스 데이터베이스에 포함된 미디어 리소스 각각과 현재 사용자가 시청중인 미디어 리소스 간의 클러스터링 유사도를 계산하고, 클러스터링 유사도에 기초하여 하나 이상의 미디어 리소스를 포함하는 미디어 리소스 추천 리스트를 제공하는 제어부; 를 포함할 수 있다.
또한, 제어부는, 백그라운드 미디어 리소스 데이터베이스에 포함된 미디어 리소스들 각각으로부터 후보 특징 단어들을 추출하고, 각 미디어 리소스로부터 추출된 후보 특징 단어들 각각의 가중치를 계산하고, 후보 특징 단어들 각각의 가중치에 기초하여 후보 특징 단어들을 필터링하는 것을 특징으로 한다.
또한, 제어부는, 백그라운드 미디어 리소스 데이터베이스에 포함된 미디어 리소스들 각각으로부터 추출된 텍스트 정보를 키워드 단위로 분리하고, 키워드 각각의 백그라운드 미디어 리소스 데이터베이스 내에서의 반복 빈도(term frequency, TF)를 계산하고, 반복 빈도가 소정의 임계값을 초과하는 키워드를 후보 특징 단어로서 추출하는 것을 특징으로 한다.
또한, 가중치는, 각 후보 특징 단어의 백그라운드 미디어 리소스 데이터베이스 내에서의 반복 빈도와 역 문서 빈도(Inverse Document Frequency, IDF)를 곱한 값인 것을 특징으로 한다.
또한, 제어부는, 후보 특징 단어들 중 기 설정된 정지 리스트에 포함된 키워드에 대응하는 후보 특징 단어들을 삭제하고, 후보 특징 단어들 중 가중치가 기 설정된 임계값보다 작은 후보 특징 단어들을 삭제하는 것을 특징으로 한다.
또한, 특징 단어 가중치 행렬의 각 행은 백그라운드 미디어 리소스 데이터베이스의 각 특징 단어에 대응하고, 특징 단어 가중치 행렬의 각 열은 백그라운드 미디어 리소스 데이터베이스의 각 미디어 리소스에 대응하고, 특징 단어 가중치 행렬의 각 원소는 원소가 포함된 열에 대응하는 미디어 리소스에 있어서 원소가 포함된 행에 대응하는 특징 단어가 갖는 가중치를 나타내고, 원소가 포함된 행에 대응하는 특징 단어가 원소가 포함된 열에 대응하는 미디어 리소스의 특징 단어가 아니라면 원소는 0인 것을 특징으로 한다.
또한, 제어부는, 현재 사용자가 시청중인 미디어 리소스가 백그라운드 미디어 리소스 데이터베이스에 포함된 미디어 리소스가 아닌 경우, 현재 사용자가 시청중인 미디어 리소스로부터 추출된 텍스트 정보에 기초하여 현재 사용자가 시청중인 미디어 리소스의 하나 이상의 특징 단어를 획득하고, 현재 사용자가 시청중인 미디어 리소스의 특징 단어 각각의 가중치를 포함하는 현재 사용자가 시청중인 미디어 리소스의 특징 단어 가중치 행렬을 생성하는 것을 특징으로 한다.
또한, 제어부는, 백그라운드 미디어 리소스 데이터베이스의 특징 단어를 포함하는 백그라운드 미디어 리소스 집합을 구성하고, 백그라운드 미디어 리소스 집합을 클러스터링하고, 백그라운드 미디어 리소스 집합을 클러스터링한 결과를 이용하여 백그라운드 미디어 리소스 데이터베이스에 포함된 각 미디어 리소스와 현재 사용자가 시청중인 미디어 리소스 간의 클러스터링 유사도를 계산하는 것을 특징으로 한다.
또한, 제어부는, 제공된 미디어 리소스 추천 리스트에 대한 사용자 입력에 기초하여 백그라운드 미디어 리소스 데이터베이스의 특징 단어 가중치 행렬의 가중치를 조정하는 것을 특징으로 한다.
일 실시 예에 따른 미디어 리소스를 제공하는 방법은, 백그라운드 미디어 리소스 데이터베이스에 포함된 미디어 리소스들 각각으로부터 텍스트 정보를 추출하는 단계; 각 미디어 리소스로부터 추출된 텍스트 정보에 기초하여 각 미디어 리소스 데이터베이스의 하나 이상의 특징 단어를 획득하는 단계; 각 미디어 리소스의 특징 단어 각각의 가중치를 포함하는 백그라운드 미디어 리소스 데이터베이스의 특징 단어 가중치 행렬을 생성하는 단계; 특징 단어 가중치 행렬을 이용하여, 백그라운드 미디어 리소스 데이터베이스에 포함된 미디어 리소스 각각과 현재 사용자가 시청중인 미디어 리소스 간의 클러스터링 유사도를 계산하는 단계; 및 클러스터링 유사도에 기초하여 하나 이상의 미디어 리소스를 포함하는 미디어 리소스 추천 리스트를 제공하는 단계; 를 포함할 수 있다.
또한, 하나 이상의 특징 단어를 획득하는 단계는, 백그라운드 미디어 리소스 데이터베이스에 포함된 미디어 리소스들 각각으로부터 후보 특징 단어들을 추출하는 단계; 각 미디어 리소스로부터 추출된 후보 특징 단어들 각각의 가중치를 계산하는 단계; 및 후보 특징 단어들 각각의 가중치에 기초하여 후보 특징 단어들을 필터링하는 단계; 를 포함할 수 있다.
또한, 후보 특징 단어들을 추출하는 단계는, 백그라운드 미디어 리소스 데이터베이스에 포함된 미디어 리소스들 각각으로부터 추출된 텍스트 정보를 키워드 단위로 분리하는 단계; 키워드 각각의 백그라운드 미디어 리소스 데이터베이스 내에서의 반복 빈도를 계산하는 단계; 및 반복 빈도가 소정의 임계값을 초과하는 키워드를 후보 특징 단어로서 추출하는 단계;를 포함할 수 있다.
또한, 가중치는, 각 후보 특징 단어의 백그라운드 미디어 리소스 데이터베이스 내에서의 반복 빈도와 역 문서 빈도를 곱한 값인 것을 특징으로 한다.
또한, 필터링하는 단계는, 후보 특징 단어들 중 기 설정된 정지 리스트에 포함된 키워드에 대응하는 후보 특징 단어들을 삭제하는 단계; 및 후보 특징 단어들 중 가중치가 기 설정된 임계값보다 작은 후보 특징 단어들을 삭제하는 단계; 를 포함할 수 있다.
또한, 특징 단어 가중치 행렬의 각 행은 백그라운드 미디어 리소스 데이터베이스의 각 특징 단어에 대응하고, 특징 단어 가중치 행렬의 각 열은 백그라운드 미디어 리소스 데이터베이스의 각 미디어 리소스에 대응하고, 특징 단어 가중치 행렬의 각 원소는 원소가 포함된 열에 대응하는 미디어 리소스에 있어서 원소가 포함된 행에 대응하는 특징 단어가 갖는 가중치를 나타내고, 원소가 포함된 행에 대응하는 특징 단어가 원소가 포함된 열에 대응하는 미디어 리소스의 특징 단어가 아니라면 원소는 0인 것을 특징으로 한다.
또한, 클러스터링 유사도를 계산하는 단계는, 현재 사용자가 시청중인 미디어 리소스가 백그라운드 미디어 리소스 데이터베이스에 포함된 미디어 리소스가 아닌 경우, 현재 사용자가 시청중인 미디어 리소스의 텍스트 정보를 추출하는 단계; 현재 사용자가 시청중인 미디어 리소스로부터 추출된 텍스트 정보에 기초하여 현재 사용자가 시청중인 미디어 리소스의 하나 이상의 특징 단어를 획득하는 단계; 및 현재 사용자가 시청중인 미디어 리소스의 특징 단어 각각의 가중치를 포함하는 현재 사용자가 시청중인 미디어 리소스의 특징 단어 가중치 행렬을 생성하는 단계; 를 더 포함할 수 있다.
또한, 클러스터링 유사도를 계산하는 단계는, 백그라운드 미디어 리소스 데이터베이스의 특징 단어를 포함하는 백그라운드 미디어 리소스 집합을 구성하는 단계; 백그라운드 미디어 리소스 집합을 클러스터링하는 단계; 및 백그라운드 미디어 리소스 집합을 클러스터링한 결과를 이용하여 백그라운드 미디어 리소스 데이터베이스에 포함된 각 미디어 리소스와 현재 사용자가 시청중인 미디어 리소스 간의 클러스터링 유사도를 계산하는 단계; 를 포함할 수 있다.
또한, 미디어 리소스 추천 리스트를 제공하는 단계는, 미디어 리소스 추천 리스트에 대한 사용자 입력에 기초하여 백그라운드 미디어 리소스 데이터베이스의 특징 단어 가중치 행렬의 가중치를 조정하는 단계; 를 포함할 수 있다.
일 실시 예에 따른 미디어 리소스 제공 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체가 제공된다.
도 1은 시스템이 현재의 미디어 리소스를 제공하는 방법 및 다른 미디어 리소스에 대한 정보를 제공하는 방법의 예시를 도시한 도면이다.
도 2는 일 실시 예에 따른 미디어 리소스 추천 시스템을 도시한 도면이다.
도 3a 내지 도 3c는 각 실시 예에 따른 미디어 리소스 추천 시스템을 도시한 도면이다.
도 4는 일 실시 예에 따른 미디어 리소스 추천 장치를 간략하게 도시한 구성도이다.
도 5는 일 실시 예에 따른 시스템의 예시를 도시한 도면이다.
도 6은 일 실시 예에 따른 미디어 리소스 추천 장치의 모듈 시스템을 도시한 구성도이다.
도 7은 일 실시 예에 따른 리소스 추천 방법의 예시를 간략하게 도시한 흐름도이다.
도 8은 일 실시 예에 따른 미디어 리소스 추천 방법을 도시한 흐름도이다.
도 9는 피드백에 기초한 미디어 리소스 추천 방법의 예시를 도시한 흐름도이다.
실시예들의 목적과 예시에 대한 기술적 해결책을 더 명확하게 하기 위해서, 실시예들은 도면을 참조하여 더 자세하게 설명될 것이다.
본 명세서에서 설명되는 미디어 리소스 추천 장치에는 아날로그 TV, 디지털 TV, 3D-TV, 스마트 TV, LED TV, OLED TV, 플라즈마 TV, 모니터 등이 포함될 수 있다. 또한, 본 명세서의 미디어 리소스 추천 장치는 데스크탑 컴퓨터, 휴대폰, 스마트 폰(smart phone), 태블릿 PC, 노트북 컴퓨터(laptop computer), 디지털방송용 단말기, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 네비게이션 등일 수도 있음을 본 기술분야의 당업자라면 쉽게 알 수 있을 것이다.
도 1은 시스템이 현재의 미디어 리소스를 제공하는 방법 및 다른 미디어 리소스에 대한 정보를 제공하는 방법의 예시를 도시한 도면이다. 도 1에서, 시스템은 텔레비전(100)을 포함할 수 있다. 일 실시 예에서, 시스템은 셋탑 박스(미도시)를 더 포함할 수 있다. 텔레비전(100)과 셋탑 박스는 유선 또는 무선으로 연결되어 있을 수 있다. 일 실시 예에서, 텔레비전(100)은 셋탑 박스를 내장하고 있거나, 스스로 셋탑 박스의 기능을 수행할 수 있도록 설계 및 프로그램되어 있을 수 있다.
텔레비전(100)은 화면을 이용하여 현재의 미디어 리소스(110)를 사용자에게 제공할 수 있다. 동시에, 텔레비전(100)은 화면의 일부 또는 전부를 이용하여 다른 미디어 리소스(120)에 대한 정보를 사용자에게 제공할 수 있다.
본 명세서에서, 미디어 리소스는 텔레비전 프로그램, 영화 및 기타 텔레비전에서 재생가능한 모든 컨텐츠를 포함할 수 있다. 또한, 백그라운드 미디어 리소스 데이터베이스는 텔레비전에서 재생가능한 미디어 리소스를 포함하는 외부 서버에 저장된 미디어 리소스들의 집합일 수 있다. 일 실시 예에서, 텔레비전(100)은 다른 미디어 리소스(120)에 대한 정보를 제공함에 있어서 현재의 미디어 리소스(110)와 연관된 다른 미디어 리소스(120)를 추천할 수 있다.
일 실시 예에서, 사용자가 텔레비전에서 현재의 미디어 리소스를 시청할 때, 백그라운드 미디어 리소스 데이터베이스의 다양한 리소스들이 사용자에게 제공될 수 있다. 예를 들어, 현재의 미디어 리소스(110)와의 클러스터링 유사도에 기초하여 현재의 미디어 리소스(110)와 상대적으로 높은 유사도를 가지는 L개의 백그라운드 미디어 리소스가 사용자에게 제공될 수 있다. 예를 들어, 현재의 미디어 리소스(110)와 상대적으로 높은 유사도를 갖는 다른 미디어 리소스(120)를 포함하는 미디어 리소스 추천 리스트(130)가 사용자에게 제공될 수 있다. 따라서, 사용자는 현재의 미디어 리소스(110)와 관련된 백그라운드 미디어 리소스를 용이하게 선택하여 시청할 수 있다.
도 2는 일 실시 예에 따른 미디어 리소스 추천 시스템을 도시한 도면이다. 시스템은 네트워크(220)를 통해 통신할 수 있는 미디어 리소스 추천 장치(200) 및 데이터베이스 서버(210)를 포함할 수 있다.
네트워크는 통신 네트워크(telecommunications network)일 수 있다. 통신 네트워크는 컴퓨터 네트워크(computer network), 인터넷(internet), 사물 인터넷(internet of things) 또는 전화망(telephone network) 중 적어도 하나를 포함할 수 있다.
도 2에 도시된 시스템에서 미디어 리소스 추천 장치(200)는 아날로그 TV, 디지털 TV, 3D-TV, 스마트 TV, LED TV, OLED TV, 플라즈마 TV, 모니터 등으로 구현될 수 있으나, 이에 한정되지 않는다는 것은 당해 기술 분야의 통상의 지식을 가진 자에게 용이하게 이해될 것이다. 일 실시 예에서, 미디어 리소스 추천 장치(200)는 도 1의 텔레비전(100)에 대응할 수 있다.
일 실시 예에서, 미디어 리소스 추천 장치(200)는 현재의 미디어 리소스(110)를 사용자에게 제공할 수 있다. 데이터베이스 서버(210)는 백그라운드 미디어 리소스 데이터베이스를 포함하는 서버일 수 있다. 미디어 리소스 추천 장치(200) 및 데이터베이스 서버(210)는 네트워크(220)를 통하여 현재의 미디어 리소스(110) 및 백그라운드 미디어 리소스 데이터베이스에 대한 정보를 공유할 수 있다.
일 실시 예에서, 미디어 리소스 추천 리스트(130)는 미디어 리소스 추천 장치(200)에서 생성될 수 있다. 다른 실시 예에서, 미디어 리소스 추천 리스트(130)는 데이터베이스 서버(210)에서 생성될 수도 있다. 미디어 리소스 추천 장치(200) 및 데이터베이스 서버(210)는 생성된 미디어 리소스 추천 리스트(130)에 대한 정보를 네트워크(220)를 통하여 공유할 수 있다. 생성된 미디어 리소스 추천 리스트(130)는 미디어 리소스 추천 장치(200)를 통하여 사용자에게 제공될 수 있다.
도 3a 내지 도 3c는 각 실시 예에 따른 미디어 리소스 추천 시스템을 도시한 도면이다. 도 3a는 네트워크, 텔레비전 및 데이터베이스 서버를 포함하는 미디어 리소스 추천 시스템을 도시한 도면이다. 도 3a의 텔레비전(300)은 도 2의 미디어 리소스 추천 장치(200)및 도 1의 텔레비전(100)에 대응할 수 있다.
일 실시 예에서, 텔레비전(300)은 네트워크(220)를 통하여 데이터베이스 서버(210)로부터 백그라운드 미디어 리소스 데이터베이스에 대한 정보를 획득할 수 있다. 텔레비전(300)은 현재의 미디어 리소스(100) 및 백그라운드 미디어 리소스 데이터베이스 정보를 이용하여 미디어 리소스를 추천할 수 있다. 예를 들어, 텔레비전(300)은 현재의 미디어 리소스(110)와 백그라운드 미디어 리소스 데이터베이스에 포함된 미디어 리소스와의 유사도에 기초하여 미디어 리소스 추천 리스트(130)를 생성할 수 있다.
텔레비전(300)은 생성된 미디어 리소스 추천 리스트(130)를 사용자에게 제공할 수 있다. 또한, 텔레비전(300)은 미디어 리소스 추천 리스트(130)를 네트워크(220)를 이용하여 데이터베이스 서버(210)에 전송할 수 있다. 일 실시 예에서, 텔레비전(300)과 데이터베이스 서버(210)는 생성된 미디어 리소스 추천 리스트(130)에 대한 정보를 공유할 수 있다. 이 경우, 데이터베이스 서버(210)는 텔레비전(300)외의 하나 이상의 다른 미디어 리소스 추천 장치(200)로부터 수신한 미디어 리소스 추천 리스트(130)와 연관된 정보를 조합하여 추천 성능을 향상시킬 수 있다.
도 3b는 네트워크, 셋탑박스, 디스플레이 장치 및 데이터베이스 서버를 포함하는 미디어 리소스 추천 시스템을 도시한 도면이다. 도 3b에 도시된 미디어 리소스 추천 시스템은 도 3a에 도시된 미디어 리소스 추천 시스템의 다른 실시 예를 도시한 구성도이다. 따라서, 이하 생략된 내용이라 하더라도 미디어 리소스 추천 시스템에 관하여 이상에서 기술된 내용은 도 3b의 실시 예에 따른 미디어 리소스 추천 시스템에도 적용된다.
도 3b를 참조하면, 미디어 리소스 추천 시스템은 네트워크(220), 데이터베이스 서버(210), 셋탑박스(310) 및 디스플레이 장치(320)를 포함할 수 있다. 도 2의 미디어 리소스 추천 장치(200)는 도 3b의 셋탑박스(310) 또는 셋탑박스(310)와 디스플레이 장치(320)의 결합에 대응할 수 있다. 셋탑박스는 통신부와 제어부를 구비하고, 외부의 네트워크망과 연결하여 멀티미디어 통신 서비스를 제공할 수 있다.
일 실시 예에서, 셋탑 박스(310)는 네트워크(220)를 통하여 데이터베이스 서버(210)로부터 백그라운드 미디어 리소스 데이터베이스에 대한 정보를 획득할 수 있다. 셋탑 박스(310)는 현재의 미디어 리소스(100) 및 백그라운드 미디어 리소스 데이터베이스 정보를 이용하여 미디어 리소스를 추천할 수 있다. 예를 들어, 셋탑 박스(310)는 미디어 리소스 추천 리스트(130)를 생성할 수 있고, 디스플레이 장치(320)를 이용하여 생성된 미디어 리소스 추천 리스트(130)를 사용자에게 제공할 수 있다.
도 3c는 다른 실시 예에 따른 미디어 리소스 추천 시스템을 도시한 도면이다. 도 3c를 참조하면, 일 실시 예에 따른 미디어 리소스 추천 시스템은 네트워크(220), 미디어 리소스 추천 장치(200) 및 데이터베이스 서버(210)를 포함할 수 있다.
일 실시 예에서, 데이터베이스 서버(210)는 미디어 리소스 추천 장치(200)로부터 현재의 미디어 리소스(100)에 대한 정보를 수신할 수 있다. 데이터베이스 서버(210)는 미디어 리소스 추천 장치(200)로부터 수신한 정보를 이용하여 미디어 리소스 추천 리스트(130)를 생성할 수 있다.
데이터베이스 서버(210)는 생성된 미디어 리소스 추천 리스트(130)를 미디어 리소스 추천 장치(200)에 전송할 수 있다. 미디어 리소스 추천 장치(200)는 데이터베이스 서버(210)로부터 수신한 미디어 리소스 추천 리스트(130)를 사용자에게 제공할 수 있다.
일 실시 예에서, 미디어 리소스 추천 장치(200)는 미디어 리소스 추천 리스트(130)에 대한 사용자의 입력을 수신할 수 있다. 예를 들어, 사용자가 미디어 리소스 추천 리스트(130)에 포함된 미디어 리소스를 선택할 수 있다. 미디어 리소스 추천 장치(200)는 사용자의 선택에 대한 정보를 데이터베이스 서버(210)에 전송할 수 있다. 데이터베이스 서버(210)는 사용자의 선택에 대한 정보에 기초하여 미디어 리소스 추천 리스트(130)를 업데이트할 수 있다.
도 4는 일 실시 예에 따른 미디어 리소스 추천 장치를 간략하게 도시한 구성도이다. 도 4의 미디어 리소스 추천 장치(200)는 도 1의 텔레비전(100), 도 3a의 텔레비전(300), 도 3b의 셋탑 박스(310) 또는 디스플레이 장치(320) 및 셋탑 박스(310)를 포함하는 시스템에 대응할 수 있다. 도 4를 참조하면, 미디어 리소스 추천 장치(200)는 통신부(201) 및 제어부(202)를 포함할 수 있다.
통신부(201)는 백그라운드 미디어 리소스 데이터베이스 정보를 수집할 수 있다. 예를 들어, 통신부(201)는 외부 서버로부터 텔레비전(100)에서 재생가능한 하나 이상의 미디어 리소스에 대한 정보를 수신할 수 있다. 미디어 리소스에 대한 정보는 미디어 리소스 각각의 제목 정보, 자막 정보 및 영상 정보 중 적어도 하나를 포함할 수 있다.
제어부(202)는 통신부(201)를 제어할 수 있으며, 통신부(201)가 수집한 미디어 리소스 데이터베이스 정보를 처리할 수 있다. 또한, 제어부(202)는 통신부(201)가 수집한 미디어 리소스의 텍스트 정보를 추출할 수 있다. 제어부(202)는 텍스트 정보에 기초하여 미디어 리소스의 특징 단어를 획득할 수 있다.
제어부(202)는 특징 단어 각각에 대하여 가중치를 부여할 수 있다. 제어부(202)는 특징 단어 각각의 가중치에 기초하여 현재 사용자가 시청중인 미디어 리소스와 백그라운드 미디어 리소스 데이터베이스에 포함된 미디어 리소스 각각의 클러스터링 유사도를 획득할 수 있다. 제어부(202)는 클러스터링 유사도에 기초하여 사용자에게 하나 이상의 미디어 리소스를 추천할 수 있다.
도 5는 일 실시 예에 따른 시스템의 예시를 도시한 도면이다. 도 5를 참조하면, 시스템은 미디어 리소스 추천 장치(500), 데이터베이스(510) 및 원격 제어 장치(520)를 포함할 수 있다.
도 5에 도시된 미디어 리소스 추천 장치(500)는 도 4에 도시된 미디어 리소스 추천 장치(200)의 다른 실시 예를 도시한 구성도이다. 따라서, 이하 생략된 내용이라 하더라도 미디어 리소스 추천 장치(200)에 관하여 이상에서 기술된 내용은 도 5의 실시 예에 따른 미디어 리소스 추천 장치(500)에도 적용된다.
도 5를 참조하면, 미디어 리소스 추천 장치(500)는 통신부(501), 제어부(502), 저장부(503), 출력부(504) 및 사용자 입력부(505)를 포함할 수 있다. 통신부(501)는 외부 데이터베이스(510)와의 통신을 수행하며, 데이터베이스(510)에 저장된 미디어 리소스에 대한 정보를 수신할 수 있다. 외부 데이터베이스(510)는 텔레비전(100)에서 재생할 수 있는 하나 이상의 미디어 리소스를 저장한 외부 서버일 수 있다. 통신부(501)가 수신한 정보는 저장부(503)에 저장될 수 있다.
출력부(504)는 디스플레이부(미도시) 및 음성 출력부(미도시)를 포함할 수 있다. 출력부(504)는 통신부(501)가 수신한 미디어 리소스를 출력하여 사용자에게 제공할 수 있다. 또한, 출력부(504)는 데이터베이스(510)에 포함된 미디어 리소스에 대한 추천 정보를 사용자에게 제공할 수 있다.
사용자 입력부(505)는 사용자로부터 미디어 리소스를 선택하는 입력을 수신할 수 있다. 사용자는 원격 제어 장치(520)를 이용하여 사용자 입력부(505)와 유선 또는 무선으로 통신할 수 있다. 원격 제어 장치(520)는 리모컨 또는 스마트폰과 같은 외부 기기를 포함할 수 있다.
제어부(502)는 미디어 리소스 추천 장치(500)의 전반적인 동작 및 미디어 리소스 추천 장치(500)의 내부 구성요소들(501 내지 505)사이의 신호 흐름을 제어하고, 데이터를 처리하는 기능을 수행한다. 제어부(502)는 사용자의 입력이 있거나 기 설정되어 저장된 조건을 만족하는 경우, 제어부(502)는 저장부(503)에 저장된 OS(Operation System) 및 다양한 애플리케이션을 실행할 수 있다.
제어부(502)는 미디어 리소스 추천 장치(500)의 외부로부터 입력되는 신호 또는 데이터를 저장하거나, 미디어 리소스 추천 장치(500)에서 수행되는 다양한 작업에 대응되는 저장 영역으로 사용되는 램(RAM, 미도시), 미디어 리소스 추천 장치(500)의 제어를 위한 제어 프로그램이 저장된 롬(ROM, 미도시) 및 프로세서(Processor, 미도시)를 포함할 수 있다.
프로세서는 비디오에 대응되는 그래픽 처리를 위한 그래픽 프로세서(Graphic Processing Unit, 미도시)를 포함할 수 있다. 프로세서는 코어(core, 미도시)와 GPU(미도시)를 통합한 SoC(System On Chip)로 구현될 수 있다. 프로세서는 싱글 코어, 듀얼 코어, 트리플 코어, 쿼드 코어 및 그 배수의 코어를 포함할 수 있다.
제어부(502)는 통신부(501), 저장부(503), 출력부(504) 및 사용자 입력부(505)를 제어할 수 있다. 제어부(502)는 통신부(501)가 수신한 정보를 저장부(503)에 저장하고, 저장부(503)에 저장된 정보를 분석하여 미디어 리소스 추천 리스트(130)를 생성할 수 있다. 제어부(502)는 출력부(504)를 제어하여 미디어 리소스 및 생성된 미디어 리소스 추천 리스트(130)를 사용자에게 제공할 수 있다. 제어부(502)는 사용자 입력부(505)를 제어하여 미디어 리소스를 선택하는 사용자의 입력을 수신할 수 있다. 제어부(502)는 사용자가 선택한 미디어 리소스를 출력부(504)를 이용하여 사용자에게 제공할 수 있다.
도 6은 일 실시 예에 따른 미디어 리소스 추천 장치의 모듈 시스템을 도시한 구성도이다. 도 6에 개시된 모듈 시스템(600)은 도 5의 저장부(503)에 저장된 모듈들을 구성도로 도시한 것이다. 제어부(502)는 저장부(503)에 저장된 모듈들을 이용하여 미디어 리소스 추천 장치(500)의 각 기능을 수행할 수 있다.
도 6에 도시한 바와 같이, 모듈 시스템(600)은 텍스트 정보 추출 모듈(610), 특징 단어 추출 모듈(620), 미디어 리소스 추천 리스트 생성 모듈(630) 및 가중치 학습 모듈(640)을 포함할 수 있다.
텍스트 정보 추출 모듈(610)은 미디어 리소스의 텍스트 정보를 추출할 수 있다. 미디어 리소스의 텍스트 정보는 미디어 리소스의 제목 및 미디어 리소스의 자막을 포함할 수 있다.
특징 단어 추출 모듈(620)은 미디어 리소스 각각의 텍스트 정보에 따른 미디어 리소스 각각의 후보 특징 단어들을 추출할 수 있다. 특징 단어 추출 모듈(620)은 각 후보 특징 단어의 가중치를 계산하고, 후보 특징 단어를 가중치에 따라 필터링하여 특징 단어를 획득할 수 있다. 특징 단어 추출 모듈(620)은 백그라운드 미디어 리소스 데이터베이스의 특징 단어 가중치 행렬 T를 생성할 수 있다.
구체적으로, 특징 단어 추출 모듈(620)은 단어열 서브모듈(621), 후보 특징 단어 추출 서브모듈(622) 및 특징 단어 가중치 행렬 생성 서브모듈(623)을 포함할 수 있다.
단어열 서브 모듈(621)은 백그라운드 미디어 리소스 데이터베이스의 각각의 미디어 리소스에 대하여, 각각의 미디어 리소스의 텍스트 정보를 어휘 분석 도구 및 품사에 기초하여 복수의 단어열로 분리할 수 있다. 본 명세서에서, 어휘 분석 도구는 텍스트 정보를 음절, 단어 및 문장 부호에 기초하여 분류하는 방법 및 시스템을 의미할 수 있다.
후보 특징 단어 추출 서브 모듈(622)은 각각의 미디어 리소스의 단어열과 핫 워드 사전을 매칭하고, 매칭된 단어열들 중 가장 긴 단어열에 기초하여 복수의 단어들을 조합할 수 있다. 본 명세서에서, 핫 워드란 백그라운드 미디어 리소스 데이터베이스의 텍스트 정보에서 소정의 빈도 이상 등장하는 단어를 의미할 수 있다. 후보 특징 단어 추출 서브 모듈(622)은 조합한 단어들을 각각의 미디어 리소스의 후보 특징 단어로 취할 수 있다.
특징 단어 가중치 행렬 생성 서브 모듈(623)은 단어 빈도 ? 역 문서 빈도 (TF-IDF) 값으로 후보 특징 단어들의 가중치를 계산하고, 가중치가 임계값보다 작지 않은 후보 특징 단어들을 정지 리스트에 기초하여 필터링할 수 있다. 특징 단어 가중치 행렬 생성 서브 모듈(623)은 필터링을 통과하는 후보 특징 단어들을 각각의 미디어 리소스의 특징 단어로 취할 수 있다.
특징 단어 가중치 행렬 생성 서브 모듈(623)은 특징 단어 가중치 행렬 T를 특이값분해할 수 있다. 특징 단어 가중치 행렬 생성 서브 모듈(623)은 특이값분해 이후 시맨틱 관계를 구성하는 세 개의 행렬
Figure 112015068058805-pat00001
,
Figure 112015068058805-pat00002
및
Figure 112015068058805-pat00003
를 획득할 수 있다. 세 개의 행렬은 다음 수학식 1과 같은 관계를 가질 수 있다.
Figure 112015068058805-pat00004
Figure 112015068058805-pat00005
는 특징 단어 가중치 행렬 T를 특이값분해하여 차원을 낮추어서 획득할 수 있는 특징 단어 행렬일 수 있다. 본 명세서에서, 시맨틱 관계란 단어 간에 사전적으로 정의된 관계 외에 논리적으로 연관성을 추론할 수 있는 관계를 의미할 수 있다.
미디어 리소스 추천 리스트 생성 모듈(630)은 백그라운드 미디어 리소스 데이터베이스의 각 미디어 리소스와 현재 사용자가 시청중인 미디어 리소스 간의 클러스터링 유사도를 계산할 수 있다. 미디어 리소스 추천 리스트 생성 모듈(630)은 클러스터링 방법 및 특징 단어 가중치 행렬 T를 이용하여 클러스터링 유사도를 계산할 수 있다. 미디어 리소스 추천 리스트 생성 모듈(630)은 가장 높은 클러스터링 유사도를 갖는 L개의 미디어 리소스를 선택하고, 미디어 리소스 추천 리스트(130)를 생성할 수 있다.
미디어 리소스 추천 리스트 생성 모듈(630)은 백그라운드 미디어 리소스 집합 생성 서브모듈(631) 및 유사도 계산 서브모듈(632)을 포함할 수 있다. 백그라운드 미디어 리소스 집합 생성 서브 모듈(631)은 현재 미디어 리소스의 특징 단어들을 특정한 특징 단어들로 정의하고, 미디어 리소스에 대해 백그라운드 미디어 리소스 집합
Figure 112015068058805-pat00006
를 구성할 수 있다. 미디어 리소스 데이터베이스에서의 모든 특정 특징 단어들의 가중치는 0이 아닐 수 있다.
유사도 계산 서브 모듈(632)은 백그라운드 미디어 리소스 집합
Figure 112015068058805-pat00007
을 K-평균 알고리즘을 이용하여 클러스터링할 수 있다. K-평균 알고리즘의 K는 특정 특징 단어의 수일 수 있다. 백그라운드 미디어 리소스 집합
Figure 112015068058805-pat00008
는
Figure 112015068058805-pat00009
를 포함하는 K종류로 분류될 수 있다.
가중치 학습 모듈(640)은 미디어 리소스 추천 리스트(130)에서 사용자가 미디어 리소스를 클릭하는 순서 및 횟수에 따라 백그라운드 미디어 리소스 데이터베이스의 특징 단어 가중치 행렬 T의 가중치를 조정할 수 있다.
가중치 학습 모듈(640)은 미디어 리소스 점수 계산 모듈(641), 미디어 리소스 총점 계산 모듈(642) 및 가중치 조정 모듈(643)을 포함할 수 있다. 미디어 리소스 점수 계산 모듈(641)은 아래 수학식 2에 기초하여 사용자가 미디어 리소스
Figure 112015068058805-pat00010
에 부여한 점수
Figure 112015068058805-pat00011
을 계산할 수 있다.
Figure 112015068058805-pat00012
Figure 112015068058805-pat00013
은 미디어 리소스 추천 리스트(130)에서 사용자가 현재 클릭하고 시청한 미디어 리소스일 수 있다. 또한,
Figure 112015068058805-pat00014
는 사용자가 미디어 리소스
Figure 112015068058805-pat00015
을 클릭한 순서일 수 있다.
Figure 112015068058805-pat00016
는 단일 사용자가 미디어 리소스에 부여할 수 있는 최대값을 제한하기 위한 상수일 수 있다.
미디어 리소스 총점 계산 모듈(642)은 미디어 리소스
Figure 112015068058805-pat00017
의 총점
Figure 112015068058805-pat00018
을 계산할 수 있다. P는 미디어 리소스
Figure 112015068058805-pat00019
을 현재 클릭한 사용자의 수일 수 있다.
가중치 조정 모듈(643)은 미디어 리소스 의 현재 총점이 점수 임계값
Figure 112015068058805-pat00020
보다 크지 않은 경우, 미디어 리소스
Figure 112015068058805-pat00021
의 각 특징 단어 가중치를 아래 수학식 3 에 따라 조정할 수 있다.
Figure 112015068058805-pat00022
수학식 3에서,
Figure 112015068058805-pat00023
는 미디어 리소스
Figure 112015068058805-pat00024
의 j번째 특징 단어의 가중치일 수 있다. 예를 들어,
Figure 112015068058805-pat00025
는 특징 단어 가중치 행렬 T의 미디어 리소스
Figure 112015068058805-pat00026
에 대응하는 원소일 수 있다.
Figure 112015068058805-pat00027
는 미디어 리소스
Figure 112015068058805-pat00028
의 j번째 특징 단어의 조정된 가중치일 수 있다.
Figure 112015068058805-pat00029
는 가중치 조정 파라미터일 수 있다.
도 7은 일 실시 예에 따른 리소스 추천 방법의 예시를 간략하게 도시한 흐름도이다. 단계 701에서, 미디어 리소스 추천 장치(200)는 백그라운드 미디어 리소스의 텍스트 정보를 추출할 수 있다. 미디어 리소스의 텍스트 정보는 미디어 리소스의 제목 및 미디어 리소스의 자막을 포함할 수 있다.
단계 702에서, 미디어 리소스 추천 장치(200)는 단계 701에서 획득된 미디어 리소스의 텍스트 정보에 기초하여 백그라운드 미디어 리소스 데이터베이스의 특징 단어를 획득할 수 있다. 미디어 리소스의 특징 단어는 미디어 리소스의 내용을 정의할 수 있는 단어일 수 있다.
단계 703에서, 미디어 리소스 추천 장치(200)는 단계 702에서 획득된 특징 단어들의 가중치를 정의할 수 있다. 또한, 미디어 리소스 추천 장치(200)는 미디어 리소스 및 특징 단어들 각각의 가중치를 행렬의 형태로 나타낸 특징 단어 가중치 행렬을 생성할 수 있다. 예를 들어, 행렬의 행은 각각의 특징 단어를 나타낼 수 있고, 행렬의 열은 각각의 미디어 리소스를 나타낼 수 있다. 행렬의 값은 각각의 미디어 리소스에 대한 각각의 특징 단어의 가중치를 나타낼 수 있다.
단계 704에서, 미디어 리소스 추천 장치(200)는 단계 703에서 획득된 특징 단어 가중치 행렬에 기초하여 백그라운드 미디어 리소스 데이터베이스에 포함된 미디어 리소스 각각과 현재 사용자가 시청중인 미디어 리소스 간의 클러스터링 유사도를 계산할 수 있다. 클러스터링 유사도를 획득하기 위한 구체적인 방법은 후술한다.
단계 705에서, 미디어 리소스 추천 장치(200)는 단계 704에서 계산된 클러스터링 유사도에 기초하여 하나 이상의 미디어 리소스를 포함하는 미디어 리소스 추천 리스트(130)를 생성할 수 있다. 일 실시 예에서, 미디어 리소스 추천 리스트(130)는 단계 704에서 계산된 클러스터링 유사도가 큰 순서대로 배열될 수 있다.
도 8은 일 실시 예에 따른 미디어 리소스 추천 방법을 도시한 흐름도이다. 도 8을 참조하면, 아래와 같은 단계가 포함되어 있다.
단계 801에서, 미디어 리소스 추천 장치(200)는 백그라운드 미디어 리소스 데이터베이스의 모든 미디어 리소스에 대한 텍스트 정보를 추출할 수 있다.
본 단계에서, 미디어 리소스 추천 장치(200)는 백그라운드 미디어 리소스 데이터베이스의 모든 미디어 리소스에 대한 텍스트 정보를 우선적으로 추출할 수 있다. 백그라운드 미디어 리소스 데이터베이스에서의 각 미디어 리소스는
Figure 112015068058805-pat00030
로 표시될 수 있다. i는 양의 정수일 수 있고, N이 백그라운드 미디어 리소스 데이터베이스의 미디어 리소스의 수일 때,
Figure 112015068058805-pat00031
일 수 있다.
백그라운드 미디어 리소스 데이터베이스의 모든 미디어 리소스는 뉴스 텍스트와 비디오 리소스 두 가지로 분류될 수 있다. 뉴스의 텍스트 정보는 직접적으로 추출될 수 있다. 비디오 리소스의 텍스트 정보는 비디오의 제목과 자막 콘텐츠를 포함할 수 있고, 비디오 제목은 상대적으로 쉽게 획득될 수 있다.
자막 콘텐츠를 인식하는 방법에는 두 가지가 있을 수 있다. 첫 번째는 재생중인 스트림에서 자막을 추출하는 것일 수 있다. 다른 방법은 이미지를 처리하고 자막을 이미지 안에 위치시킨 뒤 추출된 자막을 대응되는 비디오 설명 텍스트에 통합시키는 방식으로 자막을 추출하는 것일 수 있다.
미디어 리소스 추천 장치(200)가 백그라운드 미디어 리소스 데이터베이스의 모든 미디어 리소스의 텍스트 정보를 추출한 결과로서, 미디어 리소스 각각은 텍스트로 표현될 수 있다.
단계 802에서, 미디어 리소스 추천 장치(200)는 백그라운드 미디어 리소스 데이터베이스의 각 미디어 리소스의 후보 특징 단어들을 추출할 수 있다.
미디어 리소스 추천 장치(200)는 단계 801에서 획득된 텍스트 정보를 이용하여 각 미디어 리소스의 후보 특징 단어들을 추출할 수 있다. 각 미디어 리소스의 후보 특징 단어들은 미디어 리소스의 내용을 전형적으로 표현할 수 있다.
미디어 리소스 추천 장치(200)는 우선 각 미디어 리소스의 단어열을 획득하기 위해 어휘 분석 도구를 이용하여 각 미디어 리소스의 텍스트 정보를 품사에 따라 몇몇 부분으로 나눌 수 있다. 어휘 분석 도구는 텍스트 정보를 오직 품사에 따라서만 분리할 수 있다. 따라서, 분리를 통해 획득한 단어들 각각은 텍스트 정보의 문맥이 고려되지 않을 수 있다.
따라서, 일부 고려할 필요가 없는 단어들 즉, “zai”(예를 들어, 전치사, 조동사 또는 부사 등의 단어들)와 “ba”(예를 들어, 전치사 또는 조동사 등의 단어들)가 분리 과정에서 획득될 수 있다. 하나의 단어열이 두 개 이상의 단어로 분리될 수도 있다. 예를 들어 “Sohu video”가 세 개의 단어 “So”, “hu”및 “video”로 분리될 수 있다. 하지만, “Sohu video”는 미디어 리소스를 표현하기 위해 반드시 하나의 단어열로 사용되어야 한다.
어휘 분석 도구에는 위와 같은 단점이 존재하기 때문에, 위에서 획득된 단어들은 각 미디어 리소스의 후보 특징 단어로 직접적으로 이용될 수 없다. 따라서, 어휘 분석 도구를 이용하여 획득된 단어들은 핫 워드 사전과 매치되어야 한다. 예를 들어, 핫 워드 사전에서 소정의 관계를 갖는 복수의 단어들은 서로 조합될 수 있다. 조합된 단어들은 미디어 리소스의 후보 특징 단어로 고려될 수 있다.
예를 들어, 미디어 리소스의 단어열은 세 개의 단어 “So”, “hu” 및 “video”를 포함할 수 있고, 핫 워드 사전은 네 개의 단어, 예를 들어 “So”, “hu”, “video” 및 “Sohu video”를 포함할 수 있다. 미디어 리소스의 세 단어 “So”, “hu” 및 “video”는 미디어 리소스의 가장 긴 단어열인 “Sohu video”로 조합될 수 있다.
일 실시 예에서, 미디어 리소스 추천 장치(200)는 사전 트리 방법을 적용하여 각 미디어 리소스의 단어열들을 핫 워드 사전과 매치할 수 있다. 핫 워드 사전을 통해 수정된 단어들은 사람들의 읽기 습관에 더욱 부합하게 될 것이다.
핫 워드 사전은 핫 워드의 집합일 수 있다. 핫 워드 사전의 핫 워드들은 백그라운드 미디어 리소스 데이터베이스의 시맨틱 정보를 특징적으로 표현할 수 있다. 핫 워드들은 아래와 같은 방법으로 구성될 수 있다.
(1) 백그라운드 미디어 리소스 데이터베이스의 모든 미디어 리소스들의 텍스트 정보는 백그라운드 미디어 리소스 데이터베이스의 모든 미디어 리소스의 텍스트 정보의 언어 종류에 따라 특정 언어의 구분자들을 이용하여 분리될 수 있다. 예를 들어, 텍스트 정보는 중국어의 구두점들인 “。”, “、”, “！” 및 “？” 또는 영어의 구두점들인 “,”,“?” 및 “.” 을 이용해 보조 문장들로 분리될 수 있다.
(2) 백그라운드 미디어 리소스 데이터베이스에서 반복되는 단어열의 단어 빈도(Term Frequency, TF)가 계산될 수 있다. 반복되는 단어열의 TF는 백그라운드 미디어 리소스 데이터베이스에서 해당 반복되는 단어열을 포함하는 문장의 수로 정의될 수 있다. 반복되는 단어열에서, TF 임계값보다 큰 TF를 갖는 단어열이 존재할 수 있다. 이 경우 TF 임계값보다 큰 TF를 갖는 단어열은 후보 단어열 집합을 구성하기 위한 후보 단어열로 고려될 수 있다.
(3) 후보 단어열은 필터링될 수 있고, 필터링 후 남아있는 후보 단어열은 핫 워드 사전을 구성하기 위한 핫 워드들로 고려될 수 있다.
미디어 리소스 추천 장치(200)는 아래의 세 단계를 통해 특정한 필터 방법을 실시할 수 있다.
a. 미디어 리소스 추천 장치(200)는 미디어 리소스의 특징을 나타내지 못하는 단어들의 집합인 정지 리스트를 수집할 수 있다. 예를 들어, 정지 리스트는 관사, 조사 또는 미디어 리소스에 형식적으로 포함되는 문구를 포함할 수 있다. 미디어 리소스 추천 장치(200)는 정지 리스트를 이용하여 후보 단어열들을 필터링할 수 있다. 즉, 미디어 리소스 추천 장치(200)는 정지 리스트에 포함된 후보 단어열들을 후보 단어열 집합에서 삭제할 수 있다.
b. 미디어 리소스 추천 장치(200)는 각 후보 단어열의 가중치를 계산할 수 있다. 가중치는 TF-역 문서 빈도(Inverse Document Frequency, IDF)로 표현될 수 있다. 미디어 리소스 추천 장치(200)는 가중치 임계값보다 작은 가중치를 갖는 후보 단어열을 후보 단어열 집합에서 삭제할 수 있다. TF-IDF의 계산방법은 종래의 방법과 같으며, 이곳에서 자세하게 설명하지 않는다.
c. 미디어 리소스 추천 장치(200)는 후보 단어열에 자주 나타나는 노이즈 데이터의 경향을 획득할 수 있다. 예를 들어, 시간 정보, 숫자 및 단위 등으로 구성된 노이즈 단어열이 텍스트 정보에서 주로 나타날 수 있고, 미디어 리소스 추천 장치(200)는 이러한 종류의 노이즈 단어열을 후보 단어열 집합에서 삭제할 수 있다.
단계 803에서, 미디어 리소스 추천 장치(200)는 백그라운드 미디어 리소스 데이터베이스의 각 미디어 리소스의 특징 단어들을 추가적으로 추출할 수 있다.
본 단계에서 백그라운드 미디어 리소스 데이터베이스의 각 미디어 리소스의 특징 단어를 추출함으로써, 미디어 리소스 추천 장치(200)는 각각의 미디어 리소스들을 적어도 하나의 특징 단어로 표현할 수 있다. 미디어 리소스의 특징 단어를 추출하는 방법은 아래와 같이 실시될 수 있다.
단계 802에서 획득된 가중치는 후보 특징 단어의 TF-IDF값으로 표현될 수 있다. 미디어 리소스 추천 장치(200)는 가중치 임계값보다 작은 가중치를 갖는 후보 특징 단어를 삭제할 수 있다. 가중치 임계값보다 작지 않은 가중치를 갖는 후보 특징 단어는 나아가 정지 리스트를 이용하여 필터링될 수 있다. 필터링 후 남아있는 미디어 리소스의 후보 특징 단어들은 미디어 리소스의 특징 단어로 고려될 수 있다.
백그라운드 미디어 리소스 데이터베이스의 모든 미디어 리소스에 대한 특징 단어들은 백그라운드 미디어 리소스 데이터베이스의 특징 단어들로 정의될 수 있다. 백그라운드 미디어 리소스 데이터베이스의 특징 단어들은 벡터
Figure 112015068058805-pat00032
의 형태로 표현될 수 있다.
Figure 112015068058805-pat00033
는 백그라운드 미디어 데이터베이스의 j번째 특징 단어일 수 있으며, M은 백그라운드 미디어 데이터베이스의 특징 단어의 수일 수 있다. 백그라운드 미디어 리소스 데이터베이스의 특징 단어들은 각 미디어 리소스의 특징 단어를 포함할 수 있으며, 백그라운드 미디어 리소스 데이터베이스의 모든 특징 단어는 서로 다를 수 있다.
일 실시 예에서,
Figure 112015068058805-pat00034
특징 단어 행렬 T가 설정될 수 있다. M은 백그라운드 미디어 리소스 데이터베이스의 특징 단어
Figure 112015068058805-pat00035
의 수를 나타낼 수 있다. N은 백그라운드 미디어 리소스 데이터베이스의 미디어 리소스
Figure 112015068058805-pat00036
의 수를 나타낼 수 있다. 특징 단어 행렬 T의 원소
Figure 112015068058805-pat00037
는 미디어 리소스
Figure 112015068058805-pat00038
의 특징 단어
Figure 112015068058805-pat00039
의 가중치를 나타낼 수 있다.
Figure 112015068058805-pat00040
는 미디어 리소스
Figure 112015068058805-pat00041
의 특징 단어
Figure 112015068058805-pat00042
의 TF-IDF값이고, 특징 단어
Figure 112015068058805-pat00043
가 미디어 리소스
Figure 112015068058805-pat00044
의 특징 단어가 아니라면
Figure 112015068058805-pat00045
는 0일 수 있다.
단계 804에서, 미디어 리소스 추천 장치(200)는 특징 단어 가중치 행렬 T에 대한 특이값분해를 수행할 수 있다.
백그라운드 미디어 리소스 데이터베이스의 각 특징 단어 간의 시맨틱 관계를 도출하기 위해, 미디어 리소스 추천 장치(200)는 특징 단어 가중치 행렬 T에 대한 특이값분해를 수행할 수 있다. 특이값분해의 결과로 세 개의 행렬
Figure 112015068058805-pat00046
,
Figure 112015068058805-pat00047
및
Figure 112015068058805-pat00048
가 획득될 수 있다. 세 개의 행렬은 다음 수학식 4와 같은 관계를 가질 수 있다.
Figure 112015068058805-pat00049
Figure 112015068058805-pat00050
는 특징 단어 가중치 행렬 T를 특이값분해하여 차원을 낮추어서 획득하는 특징 단어 행렬일 수 있다. 특이값분해는 주제 추출을 실시할 수 있으며, 같은 주제 내의 단어들의 가중치는 주어진 범위 내에서 동일할 수 있다. 따라서, 미디어 리소스 추천 장치(200)는 특이값분해를 이용하여 특징 단어 가중치 행렬 T에서의 하나의 특징 단어와 다른 특징 단어의 시맨틱 관계를 발견할 수 있다.
단계 805에서, 미디어 리소스 추천 장치(200)는 현재 사용자가 시청중인 미디어 리소스가 백그라운드 미디어 리소스 데이터베이스의 미디어 리소스인지를 결정할 수 있다. 만일 현재 사용자가 시청중인 미디어 리소스가 백그라운드 미디어 리소스 데이터베이스의 미디어 리소스가 아니라면, 단계 806이 수행된다. 만일 현재 사용자가 시청중인 미디어 리소스가 백그라운드 미디어 리소스 데이터베이스의 미디어 리소스라면, 단계 807이 수행된다.
단계 806에서, 미디어 리소스 추천 장치(200)는 현재의 미디어 리소스(110)에 대한 가중치 벡터를 계산할 수 있다. 미디어 리소스 추천 장치(200)는 우선 사용자가 시청중인 현재의 미디어 리소스(110)의 텍스트 정보를 획득할 수 있다. 현재 시청중인 미디어 리소스에서 텍스트 정보를 획득하는 방법은 단계 801에서 백그라운드 미디어 리소스 데이터베이스의 각 미디어 리소스에 대해 텍스트 정보를 획득하는 방법과 같으며, 여기에서 반복하지 않는다.
미디어 리소스 추천 장치(200)는 현재의 미디어 리소스(110)의 텍스트 정보에 기초하여 현재의 미디어 리소스(110)의 후보 특징 단어를 추출할 수 있다(추출 방법은 단계 802에서 백그라운드 미디어 리소스 데이터베이스의 후보 특징 단어를 추출하는 방법과 같을 수 있다).
미디어 리소스 추천 장치(200)는 현재의 미디어 리소스(110)의 후보 특징 단어들을 특징 단어 벡터 C와 매칭할 수 있다. 만일 현재의 미디어 리소스(110)의 후보 특징 단어가 특징 단어 벡터 C의 원소가 아니라면, 미디어 리소스 추천 장치(200)는 현재의 미디어 리소스(110)의 후보 특징 단어를 삭제할 수 있다.
미디어 리소스 추천 장치(200)는 삭제되지 않고 남아있는 후보 특징 단어들의 가중치를 계산할 수 있다. 가중치는 여기에서도 TF-IDF값으로 표현될 수 있다. 미디어 리소스 추천 장치(200)는 가중치 임계값보다 가중치가 작은 후보 특징 단어들을 삭제할 수 있고, 가중치 임계값보다 가중치가 작지 않은 후보 특징 단어들은 나아가 정지 리스트를 이용하여 필터링할 수 있다. 최종적으로 남은 후보 특징 단어들은 현재의 미디어 리소스(110)의 특징 단어로 고려될 수 있다.
일 실시 예에서, 현재의 미디어 리소스(110)의 가중치 벡터 Y가 구성될 수 있다. Y는
Figure 112015068058805-pat00051
행렬이고, 행렬의 원소
Figure 112015068058805-pat00052
는 현재의 미디어 리소스(110)의 특징 단어
Figure 112015068058805-pat00053
의 가중치일 수 있다. 특징 단어
Figure 112015068058805-pat00054
가 현재의 미디어 리소스(110)의 특징 단어이면,
Figure 112015068058805-pat00055
는 현재의 미디어 리소스(110)의 특징 단어
Figure 112015068058805-pat00056
의 TF-IDF값일 수 있다. 만일 특징 단어
Figure 112015068058805-pat00057
가 현재의 미디어 리소스(110)의 특징 단어가 아니면,
Figure 112015068058805-pat00058
는 0이다.
행렬 Y에 대하여 다음 수학식 5와 같은 변환이 이어서 수행될 수 있다.
Figure 112015068058805-pat00059
Figure 112015068058805-pat00060
는 Y의 전치 행렬이고,
Figure 112015068058805-pat00061
는 V의 역행렬이다.
단계 807에서, 미디어 리소스 추천 장치(200)는 클러스터링 방법을 이용하여 미디어 리소스 추천 리스트(130)를 생성할 수 있다. 사용자의 흥미를 더 정확히 잡아내는 미디어 리소스 추천 리스트(130)를 만들기 위해, 미디어 리소스 추천 장치(200)는 클러스터링 방법을 이용하여 미디어 리소스 추천 리스트(130)를 생성할 수 있다.
단계 807에서, 미디어 리소스 추천 장치(200)는 현재의 미디어 리소스(110)의 특징 단어들을 특정한 특징 단어들로 정의할 수 있다. 백그라운드 미디어 리소스 데이터베이스의, 모든 특징 단어의 가중치가 0이 아닌 미디어 리소스들은, 백그라운드 미디어 리소스 집합
Figure 112015068058805-pat00062
을 구성할 수 있다.
백그라운드 미디어 리소스 집합
Figure 112015068058805-pat00063
을 K-평균 알고리즘을 이용하여 클러스터링할 수 있다. K-평균 알고리즘의 K는 특정 특징 단어의 수이고, 백그라운드 미디어 리소스 집합
Figure 112015068058805-pat00064
는 K종류로 분류될 수 있다. 예를 들어, K종류는
Figure 112015068058805-pat00065
일 수 있다.
Figure 112015068058805-pat00066
의 백그라운드 미디어 리소스
Figure 112015068058805-pat00067
와 현재의 미디어 리소스(110)
Figure 112015068058805-pat00068
의 클러스터링 유사도는 다음 수학식 6과 같은 공식을 이용하여 계산될 수 있다.
Figure 112015068058805-pat00069
수학식 6에서,
Figure 112015068058805-pat00070
의 백그라운드 미디어 리소스 각각과 현재의 미디어 리소스(110) 간의 클러스터링 유사도가 획득될 수 있다.
백그라운드 미디어 리소스
Figure 112015068058805-pat00071
와 현재의 미디어 리소스(110)
Figure 112015068058805-pat00072
의 유사도
Figure 112015068058805-pat00073
가 수학식 7의 코사인 유사도를 이용하여 계산될 수 있다.
Figure 112015068058805-pat00074
현재의 미디어 리소스(110)
Figure 112015068058805-pat00075
이 백그라운드 미디어 리소스 데이터베이스의 리소스가 아니라면,
Figure 112015068058805-pat00076
는
Figure 112015068058805-pat00077
의
Figure 112015068058805-pat00078
에 대응하는 j행 및 k열의 원소이고,
Figure 112015068058805-pat00079
는
Figure 112015068058805-pat00080
의
Figure 112015068058805-pat00081
에 대응하는 k열의 원소일 수 있다. 만일 현재의 미디어 리소스(110)
Figure 112015068058805-pat00082
이 백그라운드 미디어 리소스 데이터베이스의 리소스라면, 즉
Figure 112015068058805-pat00083
,
Figure 112015068058805-pat00084
이고
Figure 112015068058805-pat00085
이면,
Figure 112015068058805-pat00086
는
Figure 112015068058805-pat00087
의
Figure 112015068058805-pat00088
에 대응하는 j행 및 k열의 원소이고,
Figure 112015068058805-pat00089
는
Figure 112015068058805-pat00090
의
Figure 112015068058805-pat00091
에 대응하는 d행 및 k열의 원소일 수 있다.
Figure 112015068058805-pat00092
의 각 백그라운드 미디어 리소스는 클러스터링 유사도에 따라 정렬될 수 있다. 첫 L 개의 백그라운드 미디어 리소스들이 사용자에게 돌려주기 위한 미디어 리소스 추천 리스트(130)를 구성하기 위해 선택될 수 있다. 첫 L개의 백그라운드 미디어 리소스들은 현재의 미디어 리소스(110)와 가장 관련성이 높은 L개의 백그라운드 미디어 리소스일 수 있다. L은 0보다 큰 정수일 수 있다.
단계 808에서, 미디어 리소스 추천 장치(200)는 백그라운드 미디어 리소스 데이터베이스를 업데이트할 수 있다. 일 실시 예에서, 사용자가 현재 시청중인 미디어 리소스가 백그라운드 미디어 리소스 데이터베이스의 미디어 리소스일 수 있다. 이 경우, 백그라운드 미디어 리소스 데이터베이스는 수정될 필요가 없고, 백그라운드 미디어 리소스 데이터베이스의 특징 단어 가중치 행렬 T는 바뀔 필요가 없다.
다른 실시 예에서, 현재 사용자가 시청중인 미디어 리소스가 백그라운드 미디어 리소스 데이터베이스의 미디어 리소스가 아닐 수 있다. 이 경우, 현재의 미디어 리소스(110)
Figure 112015068058805-pat00093
은
Figure 112015068058805-pat00094
으로서 백그라운드 미디어 리소스 데이터베이스에 추가될 수 있다. 업데이트된 백그라운드 미디어 리소스 데이터베이스는 N+1개의 미디어 리소스를 포함할 수 있고, 특징 단어 가중치 행렬 T는 이에 따라 업데이트될 수 있다.
T는
Figure 112015068058805-pat00095
차원의 행렬로 업데이트될 수 있다. 예를 들어, 하나의 열이 원래의 특징 단어 가중치 행렬 T에 추가될 수 있고, 추가된 원소는 단계 805에서의 Y일 수 있다. 이후에 또다른 현재 미디어 리소스에 대한 미디어 리소스 추천 리스트(130)가 사용자에 의하여 다시 생성될 수 있다. 이 경우, 백그라운드 미디어 리소스 데이터베이스는 N+1개의 미디어 리소스들을 포함할 수 있다. 또한, 단계 801~803은 다시 실행될 필요가 없으며 단계 804가 바로 실행될 수 있다.
텔레비전에서 현재 사용자가 시청중인 미디어 리소스에 대한 다양한 종류를 갖는 리소스 추천은 위 방법으로 실시될 수 있다. 위 방법에 따라 획득한 추천 리스트는 사용자의 다양성 정보에 기반한 요구를 충족시킬 수 있을 것이다.
나아가, 미디어 리소스 추천 장치(200)는 미디어 리소스 추천 리스트(130)의 미디어 리소스에 대한 서로 다른 사용자의 클릭 횟수 및 클릭의 순서와 같은 사용자의 피드백 정보를 활용할 수 있다. 예를 들어, 미디어 리소스 추천 장치(200)는 미디어 리소스 추천 리스트(130)에서 클릭된 미디어 리소스의 특징 단어의 가중치를 조정할 수 있다. 이 경우, 미디어 리소스 추천 리스트(130)가 사용자에 대하여 다음에 다시 계산될 때 미디어 리소스 추천은 사용자에 대한 사용자의 관심사에 더욱 근접할 수 있다.
도 9는 피드백에 기초한 미디어 리소스 추천 방법의 예시를 도시한 흐름도이다. 본 실시 예는 미디어 리소스 추천 리스트(130)의 미디어 리소스
Figure 112015068058805-pat00096
의 특징 단어 가중치를 고려함으로써 정의될 수 있다. 예를 들어, 1은 양의 정수이고,
Figure 112015068058805-pat00097
이다. 도 9에 도시된 바와 같이, 미디어 리소스 추천 장치(200)는 사용자가 미디어 리소스 추천 리스트(130)의 미디어 리소스를 클릭할 때 마다 아래 단계들을 수행할 수 있다.
단계 901에서, 미디어 리소스 추천 장치(200)는 사용자가 미디어 리소스에 부여한 점수를 계산할 수 있다. 사용자는 관심사에 따라 하나 이상의 미디어 리소스를 미디어 리소스 추천 리스트(130)에서 선택할 수 있다. 사용자가 미디어 리소스 추천 리스트(130)의 미디어 리소스를 클릭할 때, 클릭된 미디어 리소스에 대한 클릭 순서가 생성될 수 있다.
예를 들어, 사용자가 미디어 리소스
Figure 112015068058805-pat00098
를 클릭한 순서는
Figure 112015068058805-pat00099
으로 표시될 수 있다.
Figure 112015068058805-pat00100
이 L개의 미디어 리소스를 포함하는 미디어 리소스 추천 리스트(130)의 미디어 리소스이므로, 클릭의 순서는
Figure 112015068058805-pat00101
을 만족할 것이다. 단일 사용자에 의해 부여된
Figure 112015068058805-pat00102
의 점수는 수학식 8과 같은 클릭 순서의 공식에 따라 계산될 수 있다.
Figure 112015068058805-pat00103
Figure 112015068058805-pat00104
는 단일 사용자가 미디어 리소스에 부여할 수 있는 최대값을 제한하기 위한 상수일 수 있다.
단계 902에서, 미디어 리소스 추천 장치(200)는 현재의 미디어 리소스(110)에 대한 총점을 계산할 수 있다. 현재의 미디어 리소스(110)
Figure 112015068058805-pat00105
의 총점은
Figure 112015068058805-pat00106
에 모든 사용자가 부여한 점수의 합계로 정의될 수 있다. 현재 P명의 사용자가 미디어 리소스
Figure 112015068058805-pat00107
을 클릭한다고 가정할 때, 각 사용자는 미디어 리소스
Figure 112015068058805-pat00108
에 점수를 부여할 수 있고,
Figure 112015068058805-pat00109
은 미디어 리소스
Figure 112015068058805-pat00110
의 현재 총점이 될 수 있다.
단계 903에서, 미디어 리소스 추천 장치(200)는 미디어 리소스의 현재의 총점과 소정의 점수 임계값을 비교할 수 있다. 만일 미디어 리소스의 현재의 총점이 점수 임계값보다 크지 않을 경우, 단계 904가 수행될 수 있다. 만일 미디어 리소스의 현재의 총점이 점수 임계값보다 클 경우, 단계 905가 수행될 수 있다.
본 단계에서, P는 미디어 리소스
Figure 112015068058805-pat00111
을 클릭한 사용자의 수이다. 만일 미디어 리소스
Figure 112015068058805-pat00112
의 현재의 총점이 점수의 임계값
Figure 112015068058805-pat00113
보다 크지 않을 경우, 미디어 리소스
Figure 112015068058805-pat00114
을 클릭한 사용자의 수가 작고/작거나 사용자가 미디어 리소스
Figure 112015068058805-pat00115
을 클릭한 사용자의 순서가 뒤에 있을 수 있다. 이 정보에 기초하여, 미디어 리소스 추천 장치(200)는 미디어 리소스
Figure 112015068058805-pat00116
를 선호하는 사용자가 적다는 것을 판단할 수 있다. 따라서, 미디어 리소스 추천 장치(200)는
Figure 112015068058805-pat00117
의 특징 단어 가중치를 크게 조정하지 않을 수 있다.
만일 미디어 리소스
Figure 112015068058805-pat00118
의 현재의 총점이 점수의 임계값
Figure 112015068058805-pat00119
보다 클 경우, 미디어 리소스
Figure 112015068058805-pat00120
을 클릭한 사용자의 수가 많고/많거나 사용자가 미디어 리소스
Figure 112015068058805-pat00121
을 클릭한 사용자의 순서가 앞에 있을 수 있다. 이 정보에 기초하여, 미디어 리소스 추천 장치(200)는 미디어 리소스
Figure 112015068058805-pat00122
를 선호하는 사용자가 많다는 것을 판단할 수 있다. 따라서, 미디어 리소스 추천 장치(200)는
Figure 112015068058805-pat00123
의 특징 단어 가중치를 크게 조정할 수 있다.
단계 904에서, 미디어 리소스 추천 장치(200)는 미디어 리소스의 각 특징 단어의 가중치를 크게 조정하지 않을 수 있다. 본 단계에서,
Figure 112015068058805-pat00124
는 미디어 리소스
Figure 112015068058805-pat00125
의 j번째 특징 단어의 가중치일 수 있다. 즉, 특징 단어 행렬 T의 미디어 리소스
Figure 112015068058805-pat00126
에 대응되는 원소이다.
Figure 112015068058805-pat00127
는 가중치 조정 파라미터이고, 경험적인 상수이며
Figure 112015068058805-pat00128
이다. 공식에 따라 미디어 리소스
Figure 112015068058805-pat00129
의 각 특징 단어 가중치가 계산된 후에, 백그라운드 미디어 리소스 데이터베이스의 특징 단어 가중치 행렬 T가 업데이트될 수 있다.
단계 905에서, 미디어 리소스 추천 장치(200)는 미디어 리소스의 모든 특징 단어들을 고 빈도 특징 단어 집합에 추가할 수 있고, 미디어 리소스의 각 특징 단어 가중치를 조정할 수 있다. 본 단계에서, 미디어 리소스
Figure 112015068058805-pat00130
의 현재의 총점이 점수의 임계값
Figure 112015068058805-pat00131
보다 클 수 있다. 이 경우, 미디어 리소스
Figure 112015068058805-pat00132
이 사용자에게 더욱 매력적이고 미디어 리소스
Figure 112015068058805-pat00133
의 모든 특징 단어들이 고 빈도 특징 단어 집합
Figure 112015068058805-pat00134
에 추가될 수 있다는 것을 의미할 수 있다.
Figure 112015068058805-pat00135
의 특징 단어들은 다양한 종류일 수 있다. 즉,
Figure 112015068058805-pat00136
는 동일한 특징 단어를 포함하지 않을 수 있다. 그리고, 미디어 리소스
Figure 112015068058805-pat00137
의 각 특징 단어 가중치들이 다음 수학식 9에 따라 조정될 수 있다.
Figure 112015068058805-pat00138
수학식 9에서,
Figure 112015068058805-pat00139
는 미디어 리소스
Figure 112015068058805-pat00140
의 j번째 특징 단어의 가중치일 수 있다. 즉, 특징 단어 가중치 행렬 T의 미디어 리소스
Figure 112015068058805-pat00141
에 대응하는 원소일 수 있다.
Figure 112015068058805-pat00142
은 미디어 리소스
Figure 112015068058805-pat00143
의 j번째 특징 단어의 조정된 가중치일 수 있다.
Figure 112015068058805-pat00144
는 가중치 조정 파라미터이고, 경험적인 상수이며
Figure 112015068058805-pat00145
이고, X는
Figure 112015068058805-pat00146
의 특징 단어들의 수일 수 있다. 공식에 따라 미디어 리소스
Figure 112015068058805-pat00147
의 각 특징 단어 가중치가 계산된 후에, 백그라운드 미디어 리소스 데이터베이스의 특징 단어 가중치 행렬 T가 업데이트될 수 있다.
다양한 사용자들에 대한 특징 단어 가중치 행렬 T를 클릭의 횟수 및 순서에 따라 조정하기 위한 과정은 위에서 설명되었다. 이 방법에 기초하여, 백그라운드 미디어 리소스의 특징 단어 가중치가 사용자의 클릭 피드백 정보에 따라 조정될 수 있다. 따라서, 더 의미 있는 핫 미디어 리소스 순위가 사용자에게 제공되고, 추천 성능이 더 좋아질 수 있다. 일 실시예는 나아가 텔레비전에서의 시맨틱 링크에 기초한 리소스 추천 장치를 제공할 수 있다.
본 실시 예들에 따른 장치는 프로세서, 프로그램 데이터를 저장하고 실행하는 메모리, 디스크 드라이브와 같은 영구 저장부(permanent storage), 외부 장치와 통신하는 통신 포트, 터치 패널, 키(key), 버튼 등과 같은 사용자 인터페이스 장치 등을 포함할 수 있다. 소프트웨어 모듈 또는 알고리즘으로 구현되는 방법들은 프로세서상에서 실행 가능한 컴퓨터가 읽을 수 있는 코드들 또는 프로그램 명령들로서 컴퓨터가 읽을 수 있는 기록 매체 상에 저장될 수 있다.
여기서 컴퓨터가 읽을 수 있는 기록 매체로 마그네틱 저장 매체(예컨대, ROM(read-only memory), RAM(random-access memory), 플로피 디스크, 하드 디스크 등) 및 광학적 판독 매체(예컨대, 시디롬(CD-ROM), 디브이디(DVD: Digital Versatile Disc)) 등이 있다. 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템들에 분산되어, 분산 방식으로 컴퓨터가 판독 가능한 코드가 저장되고 실행될 수 있다. 매체는 컴퓨터에 의해 판독가능하며, 메모리에 저장되고, 프로세서에서 실행될 수 있다.
본 실시 예는 기능적인 블록 구성들 및 다양한 처리 단계들로 나타내어질 수 있다. 이러한 기능 블록들은 특정 기능들을 실행하는 다양한 개수의 하드웨어 또는/및 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 실시 예는 하나 이상의 마이크로프로세서들의 제어 또는 다른 제어 장치들에 의해서 다양한 기능들을 실행할 수 있는, 메모리, 프로세싱, 로직(logic), 룩 업 테이블(look-up table) 등과 같은 직접 회로 구성들을 채용할 수 있다.
구성 요소들이 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있는 것과 유사하게, 본 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다.
기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 또한, 본 실시 예는 전자적인 환경 설정, 신호 처리, 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다. “매커니즘”, “요소”, “수단”, “구성”과 같은 용어는 넓게 사용될 수 있으며, 기계적이고 물리적인 구성들로서 한정되는 것은 아니다. 용어는 프로세서 등과 연계하여 소프트웨어의 일련의 처리들(routines)의 의미를 포함할 수 있다.
본 실시 예에서 설명하는 특정 실행들은 예시들로서, 어떠한 방법으로도 기술적 범위를 한정하는 것은 아니다. 명세서의 간결함을 위하여, 종래 전자적인 구성들, 제어 시스템들, 소프트웨어, 시스템들의 다른 기능적인 측면들의 기재는 생략될 수 있다. 또한, 도면에 도시된 구성 요소들 간의 선들의 연결 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것으로서, 실제 장치에서는 대체 가능하거나 추가의 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들로서 나타내어질 수 있다.
본 명세서(특히 특허청구범위에서)에서 “상기”의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 범위(range)를 기재한 경우 범위에 속하는 개별적인 값을 포함하는 것으로서(이에 반하는 기재가 없다면), 상세한 설명에 범위를 구성하는 각 개별적인 값을 기재한 것과 같다. 마지막으로, 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 단계들은 적당한 순서로 행해질 수 있다.
다만, 반드시 단계들의 기재 순서에 한정되는 것은 아니다. 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 기술적 사상을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 예들 또는 예시적인 용어로 인해 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.
500: 미디어 리소스 추천 장치
501: 통신부
502: 제어부
503: 저장부
504: 출력부
505: 사용자 입력부
510: 데이터베이스
520: 원격 제어 장치

Claims (19)

  1. 미디어 리소스를 제공하는 디스플레이 장치에 있어서,
    백그라운드 미디어 리소스 데이터베이스 정보를 수집하는 통신부; 및
    백그라운드 미디어 리소스 데이터베이스에 포함된 미디어 리소스들 각각으로부터 텍스트 정보를 추출하고, 상기 각 미디어 리소스로부터 추출된 상기 텍스트 정보에 기초하여 상기 각 미디어 리소스 데이터베이스의 하나 이상의 특징 단어를 획득하고, 상기 각 미디어 리소스의 상기 특징 단어 각각의 가중치를 포함하는 상기 백그라운드 미디어 리소스 데이터베이스의 특징 단어 가중치 행렬을 생성하고, 상기 특징 단어 가중치 행렬을 이용하여 상기 백그라운드 미디어 리소스 데이터베이스에 포함된 미디어 리소스 각각과 현재 사용자가 시청중인 미디어 리소스 간의 클러스터링 유사도를 계산하고, 상기 클러스터링 유사도에 기초하여 하나 이상의 미디어 리소스를 포함하는 미디어 리소스 추천 리스트를 제공하는 제어부; 를 포함하고,
    상기 제어부는,
    상기 현재 사용자가 시청중인 미디어 리소스가 상기 백그라운드 미디어 리소스 데이터베이스에 포함된 미디어 리소스가 아닌 경우,
    상기 현재 사용자가 시청중인 미디어 리소스로부터 추출된 텍스트 정보에 기초하여 상기 현재 사용자가 시청중인 미디어 리소스의 하나 이상의 특징 단어를 획득하고, 상기 현재 사용자가 시청중인 미디어 리소스의 상기 특징 단어 각각의 가중치를 포함하는 상기 현재 사용자가 시청중인 미디어 리소스의 특징 단어 가중치 행렬을 생성하는 것을 특징으로 하는, 디스플레이 장치.
  2. 제1 항에 있어서, 상기 제어부는,
    상기 백그라운드 미디어 리소스 데이터베이스에 포함된 미디어 리소스들 각각으로부터 후보 특징 단어들을 추출하고, 상기 각 미디어 리소스로부터 추출된 상기 후보 특징 단어들 각각의 가중치를 계산하고, 상기 후보 특징 단어들 각각의 가중치에 기초하여 상기 후보 특징 단어들을 필터링하는 것을 특징으로 하는, 디스플레이 장치.
  3. 제2 항에 있어서, 상기 제어부는,
    상기 백그라운드 미디어 리소스 데이터베이스에 포함된 미디어 리소스들 각각으로부터 추출된 상기 텍스트 정보를 키워드 단위로 분리하고, 상기 키워드 각각의 상기 백그라운드 미디어 리소스 데이터베이스 내에서의 반복 빈도(term frequency, TF)를 계산하고, 상기 반복 빈도가 소정의 임계값을 초과하는 키워드를 상기 후보 특징 단어로서 추출하는 것을 특징으로 하는, 디스플레이 장치.
  4. 제2 항에 있어서, 상기 가중치는,
    상기 각 후보 특징 단어의 상기 백그라운드 미디어 리소스 데이터베이스 내에서의 반복 빈도와 역 문서 빈도(Inverse Document Frequency, IDF)를 곱한 값인 것을 특징으로 하는, 디스플레이 장치.
  5. 제2 항에 있어서, 상기 제어부는,
    상기 후보 특징 단어들 중 기 설정된 정지 리스트에 포함된 키워드에 대응하는 후보 특징 단어들을 삭제하고, 상기 후보 특징 단어들 중 가중치가 기 설정된 임계값보다 작은 후보 특징 단어들을 삭제하는 것을 특징으로 하는, 디스플레이 장치.
  6. 제1 항에 있어서,
    상기 특징 단어 가중치 행렬의 각 행은 상기 백그라운드 미디어 리소스 데이터베이스의 각 특징 단어에 대응하고,
    상기 특징 단어 가중치 행렬의 각 열은 상기 백그라운드 미디어 리소스 데이터베이스의 각 미디어 리소스에 대응하고,
    상기 특징 단어 가중치 행렬의 각 원소는 상기 원소가 포함된 열에 대응하는 미디어 리소스에 있어서 상기 원소가 포함된 행에 대응하는 특징 단어가 갖는 가중치를 나타내고,
    상기 원소가 포함된 행에 대응하는 특징 단어가 상기 원소가 포함된 열에 대응하는 미디어 리소스의 특징 단어가 아니라면 상기 원소는 0인 것을 특징으로 하는, 디스플레이 장치.
  7. 삭제
  8. 제1 항에 있어서, 상기 제어부는,
    상기 백그라운드 미디어 리소스 데이터베이스의 특징 단어를 포함하는 백그라운드 미디어 리소스 집합을 구성하고, 상기 백그라운드 미디어 리소스 집합을 클러스터링하고, 상기 백그라운드 미디어 리소스 집합을 클러스터링한 결과를 이용하여 상기 백그라운드 미디어 리소스 데이터베이스에 포함된 각 미디어 리소스와 현재 사용자가 시청중인 미디어 리소스 간의 클러스터링 유사도를 계산하는 것을 특징으로 하는, 디스플레이 장치.
  9. 제1 항에 있어서, 상기 제어부는,
    제공된 상기 미디어 리소스 추천 리스트에 대한 사용자 입력에 기초하여 상기 백그라운드 미디어 리소스 데이터베이스의 특징 단어 가중치 행렬의 가중치를 조정하는 것을 특징으로 하는, 디스플레이 장치.
  10. 미디어 리소스를 제공하는 방법에 있어서,
    백그라운드 미디어 리소스 데이터베이스에 포함된 미디어 리소스들 각각으로부터 텍스트 정보를 추출하는 단계;
    상기 각 미디어 리소스로부터 추출된 상기 텍스트 정보에 기초하여 상기 각 미디어 리소스 데이터베이스의 하나 이상의 특징 단어를 획득하는 단계;
    상기 각 미디어 리소스의 상기 특징 단어 각각의 가중치를 포함하는 상기 백그라운드 미디어 리소스 데이터베이스의 특징 단어 가중치 행렬을 생성하는 단계;
    상기 특징 단어 가중치 행렬을 이용하여, 상기 백그라운드 미디어 리소스 데이터베이스에 포함된 미디어 리소스 각각과 현재 사용자가 시청중인 미디어 리소스 간의 클러스터링 유사도를 계산하는 단계; 및
    상기 클러스터링 유사도에 기초하여 하나 이상의 미디어 리소스를 포함하는 미디어 리소스 추천 리스트를 제공하는 단계; 를 포함하고
    상기 클러스터링 유사도를 계산하는 단계는,
    상기 현재 사용자가 시청중인 미디어 리소스가 상기 백그라운드 미디어 리소스 데이터베이스에 포함된 미디어 리소스가 아닌 경우,
    상기 현재 사용자가 시청중인 미디어 리소스의 텍스트 정보를 추출하는 단계;
    상기 현재 사용자가 시청중인 미디어 리소스로부터 추출된 텍스트 정보에 기초하여 상기 현재 사용자가 시청중인 미디어 리소스의 하나 이상의 특징 단어를 획득하는 단계; 및
    상기 현재 사용자가 시청중인 미디어 리소스의 상기 특징 단어 각각의 가중치를 포함하는 상기 현재 사용자가 시청중인 미디어 리소스의 특징 단어 가중치 행렬을 생성하는 단계; 를 더 포함하는, 방법.
  11. 제10 항에 있어서, 상기 하나 이상의 특징 단어를 획득하는 단계는,
    상기 백그라운드 미디어 리소스 데이터베이스에 포함된 미디어 리소스들 각각으로부터 후보 특징 단어들을 추출하는 단계;
    상기 각 미디어 리소스로부터 추출된 상기 후보 특징 단어들 각각의 가중치를 계산하는 단계; 및
    상기 후보 특징 단어들 각각의 가중치에 기초하여 상기 후보 특징 단어들을 필터링하는 단계; 를 포함하는, 방법.
  12. 제11 항에 있어서, 상기 후보 특징 단어들을 추출하는 단계는,
    상기 백그라운드 미디어 리소스 데이터베이스에 포함된 미디어 리소스들 각각으로부터 추출된 상기 텍스트 정보를 키워드 단위로 분리하는 단계;
    상기 키워드 각각의 상기 백그라운드 미디어 리소스 데이터베이스 내에서의 반복 빈도를 계산하는 단계; 및
    상기 반복 빈도가 소정의 임계값을 초과하는 키워드를 상기 후보 특징 단어로서 추출하는 단계;를 포함하는, 방법.
  13. 제11 항에 있어서, 상기 가중치는,
    상기 각 후보 특징 단어의 상기 백그라운드 미디어 리소스 데이터베이스 내에서의 반복 빈도와 역 문서 빈도를 곱한 값인 것을 특징으로 하는, 방법.
  14. 제11 항에 있어서, 상기 필터링하는 단계는,
    상기 후보 특징 단어들 중 기 설정된 정지 리스트에 포함된 키워드에 대응하는 후보 특징 단어들을 삭제하는 단계; 및
    상기 후보 특징 단어들 중 가중치가 기 설정된 임계값보다 작은 후보 특징 단어들을 삭제하는 단계; 를 포함하는, 방법.
  15. 제10 항에 있어서,
    상기 특징 단어 가중치 행렬의 각 행은 상기 백그라운드 미디어 리소스 데이터베이스의 각 특징 단어에 대응하고,
    상기 특징 단어 가중치 행렬의 각 열은 상기 백그라운드 미디어 리소스 데이터베이스의 각 미디어 리소스에 대응하고,
    상기 특징 단어 가중치 행렬의 각 원소는 상기 원소가 포함된 열에 대응하는 미디어 리소스에 있어서 상기 원소가 포함된 행에 대응하는 특징 단어가 갖는 가중치를 나타내고,
    상기 원소가 포함된 행에 대응하는 특징 단어가 상기 원소가 포함된 열에 대응하는 미디어 리소스의 특징 단어가 아니라면 상기 원소는 0인 것을 특징으로 하는, 방법.
  16. 삭제
  17. 제10 항에 있어서, 상기 클러스터링 유사도를 계산하는 단계는,
    상기 백그라운드 미디어 리소스 데이터베이스의 특징 단어를 포함하는 백그라운드 미디어 리소스 집합을 구성하는 단계;
    상기 백그라운드 미디어 리소스 집합을 클러스터링하는 단계; 및
    상기 백그라운드 미디어 리소스 집합을 클러스터링한 결과를 이용하여 상기 백그라운드 미디어 리소스 데이터베이스에 포함된 각 미디어 리소스와 현재 사용자가 시청중인 미디어 리소스 간의 클러스터링 유사도를 계산하는 단계; 를 포함하는, 방법.
  18. 제10 항에 있어서,
    상기 미디어 리소스 추천 리스트를 제공하는 단계는,
    상기 미디어 리소스 추천 리스트에 대한 사용자 입력에 기초하여 상기 백그라운드 미디어 리소스 데이터베이스의 특징 단어 가중치 행렬의 가중치를 조정하는 단계; 를 포함하는, 방법.
  19. 제 10 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.

KR1020150099839A 2014-11-25 2015-07-14 미디어 리소스를 제공하는 방법 및 장치 KR102314645B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP15195889.9A EP3026584A1 (en) 2014-11-25 2015-11-23 Device and method for providing media resource
US14/952,402 US10339146B2 (en) 2014-11-25 2015-11-25 Device and method for providing media resource

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201410687895.0A CN104408115B (zh) 2014-11-25 2014-11-25 一种电视平台上基于语义链接的异构资源推荐方法和装置
CN201410687895.0 2014-11-25

Publications (2)

Publication Number Publication Date
KR20160062667A KR20160062667A (ko) 2016-06-02
KR102314645B1 true KR102314645B1 (ko) 2021-10-19

Family

ID=52645746

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150099839A KR102314645B1 (ko) 2014-11-25 2015-07-14 미디어 리소스를 제공하는 방법 및 장치

Country Status (2)

Country Link
KR (1) KR102314645B1 (ko)
CN (1) CN104408115B (ko)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105279288B (zh) * 2015-12-04 2018-08-24 深圳大学 一种基于深度神经网络的在线内容推荐方法
CN105868237A (zh) * 2015-12-09 2016-08-17 乐视网信息技术（北京）股份有限公司 媒体数据推荐方法及服务器
CN105677830B (zh) * 2016-01-04 2019-01-18 北京大学 一种基于实体映射的异构媒体相似性计算方法及检索方法
CN105808648A (zh) * 2016-02-25 2016-07-27 焦点科技股份有限公司 一种基于r语言程序的个性化推荐方法
CN109582953B (zh) * 2018-11-02 2023-04-07 中国科学院自动化研究所 一种资讯的言据支撑评分方法、设备和存储介质
CN109726391B (zh) * 2018-12-11 2024-01-09 中科恒运股份有限公司 对文本进行情感分类的方法、装置及终端
CN109657129B (zh) * 2018-12-26 2023-04-18 北京百度网讯科技有限公司 用于获取信息的方法及装置
CN115269989B (zh) * 2022-08-03 2023-05-05 百度在线网络技术（北京）有限公司 对象推荐方法、装置、电子设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030105589A1 (en) * 2001-11-30 2003-06-05 Wen-Yin Liu Media agent
US20090006368A1 (en) * 2007-06-29 2009-01-01 Microsoft Corporation Automatic Video Recommendation
US20120215791A1 (en) * 2011-02-22 2012-08-23 Malik Hassan H Entity fingerprints
US20140280241A1 (en) * 2013-03-15 2014-09-18 MediaGraph, LLC Methods and Systems to Organize Media Items According to Similarity

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100076979A1 (en) * 2008-09-05 2010-03-25 Xuejun Wang Performing search query dimensional analysis on heterogeneous structured data based on relative density
CN101923545B (zh) * 2009-06-15 2012-10-10 北京百分通联传媒技术有限公司 一种个性化信息推荐的方法
CN103678431B (zh) * 2013-03-26 2018-01-02 南京邮电大学 一种基于标准标签和项目评分的推荐方法
CN103678618B (zh) * 2013-12-17 2017-01-25 南京大学 一种基于社交网络平台的Web服务推荐方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030105589A1 (en) * 2001-11-30 2003-06-05 Wen-Yin Liu Media agent
US20090006368A1 (en) * 2007-06-29 2009-01-01 Microsoft Corporation Automatic Video Recommendation
US20120215791A1 (en) * 2011-02-22 2012-08-23 Malik Hassan H Entity fingerprints
US20140280241A1 (en) * 2013-03-15 2014-09-18 MediaGraph, LLC Methods and Systems to Organize Media Items According to Similarity

Also Published As

Publication number Publication date
KR20160062667A (ko) 2016-06-02
CN104408115B (zh) 2017-09-22
CN104408115A (zh) 2015-03-11

Similar Documents

Publication Publication Date Title
KR102314645B1 (ko) 미디어 리소스를 제공하는 방법 및 장치
US20220138211A1 (en) Approximate template matching for natural language queries
CN106331778B (zh) 视频推荐方法和装置
US9253511B2 (en) Systems and methods for performing multi-modal video datastream segmentation
KR101863149B1 (ko) 연결된 미디어 장치들에서의 키워드 선택을 통한 채널 네비게이션
JP2021535458A (ja) 機械学習抽出物とセマンティックグラフとを使用して構造化データを作成し、検索、推奨および発見を促進するための方法およびシステム
US9710468B2 (en) Topic profile query creation
CN110430476B (zh) 直播间搜索方法、系统、计算机设备和存储介质
US20160014482A1 (en) Systems and Methods for Generating Video Summary Sequences From One or More Video Segments
WO2018177139A1 (zh) 一种视频摘要生成方法、装置、服务器及存储介质
US20120317136A1 (en) Systems and methods for domain-specific tokenization
US20090077056A1 (en) Customization of search results
US11816111B2 (en) Methods, systems, and media for presenting related media content items
EP3279809A1 (en) Control device, control method, computer and program
US10339146B2 (en) Device and method for providing media resource
CN113746874B (zh) 一种语音包推荐方法、装置、设备及存储介质
CN109600646B (zh) 语音定位的方法及装置、智能电视、存储介质
CN112825089A (zh) 文章推荐方法、装置、设备及存储介质
JP2016081265A (ja) 映像選択装置、映像選択方法、映像選択プログラム、特徴量生成装置、特徴量生成方法及び特徴量生成プログラム
CN111353070A (zh) 视频标题的处理方法、装置、电子设备及可读存储介质
KR102263317B1 (ko) 속성 언어 관리 방법 및 장치
KR102279125B1 (ko) 취향필터에 기반한 추천 정보 제공 단말 및 장치
CN106815288A (zh) 一种视频相关信息生成方法及其装置
KR101647442B1 (ko) 비주얼 컨텐츠 제작 시스템, 방법 및 컴퓨터 판독 가능한 기록 매체
CN109218843A (zh) 基于电视设备的个性化智能语音提示方法

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