KR102342485B1 - Method and Apparatus for Deep Learning Based Content Recommendation - Google Patents

Method and Apparatus for Deep Learning Based Content Recommendation Download PDF

Info

Publication number
KR102342485B1
KR102342485B1 KR1020200037383A KR20200037383A KR102342485B1 KR 102342485 B1 KR102342485 B1 KR 102342485B1 KR 1020200037383 A KR1020200037383 A KR 1020200037383A KR 20200037383 A KR20200037383 A KR 20200037383A KR 102342485 B1 KR102342485 B1 KR 102342485B1
Authority
KR
South Korea
Prior art keywords
information
customer
specific
content
input
Prior art date
Application number
KR1020200037383A
Other languages
Korean (ko)
Other versions
KR20210120541A (en
Inventor
장시영
Original Assignee
주식회사 엘지유플러스
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 주식회사 엘지유플러스 filed Critical 주식회사 엘지유플러스
Priority to KR1020200037383A priority Critical patent/KR102342485B1/en
Publication of KR20210120541A publication Critical patent/KR20210120541A/en
Application granted granted Critical
Publication of KR102342485B1 publication Critical patent/KR102342485B1/en

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
    • H04N21/466—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • 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]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/254—Management at additional data server, e.g. shopping server, rights management server
    • H04N21/2542—Management at additional data server, e.g. shopping server, rights management server for selling goods, e.g. TV shopping
    • 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]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
    • H04N21/25866—Management of end-user data
    • H04N21/25883—Management of end-user data being end-user demographical data, e.g. age, family status or address
    • 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]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
    • H04N21/25866—Management of end-user data
    • H04N21/25891—Management of end-user data being end-user preferences
    • 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
    • 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
    • H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
    • H04N21/4666—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms using neural networks, e.g. processing the feedback provided by the user

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Computer Graphics (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

심층 학습에 기반한 컨텐츠 추천 방법이 제공된다. 본 방법은, 특정 고객의 고객 정보 및 특정 컨텐츠에 관한 정보를 포함하는 입력 정보를 심층 학습 모듈로 입력함으로써 상기 특정 컨텐츠에 대한 구매 확률값 제공하는 단계 - 상기 구매 확률값은 상기 특정 고객이 상기 특정 컨텐츠를 구매할 확률을 나타내고, 상기 특정 고객의 고객 정보는 상기 특정 고객의 가구 정보 및 프로필 정보를 포함하며, 상기 심층 학습 모듈에서는 상기 특정 고객의 가구 정보 및 상기 특정 고객의 프로필 정보를 인코딩하여 외적하는 처리가 수행됨 -, 및 상기 구매 확률값에 기초하여 상기 특정 컨텐츠를 상기 특정 고객에게 추천할지 여부를 결정하는 단계를 포함할 수 있다.A content recommendation method based on deep learning is provided. The method includes the steps of providing a purchase probability value for the specific content by inputting input information including information on customer information and specific content of a specific customer into a deep learning module - The purchase probability value indicates that the specific customer purchases the specific content Represents a purchase probability, the customer information of the specific customer includes the household information and profile information of the specific customer, and the deep learning module encodes the specific customer's household information and the specific customer's profile information to perform an external product performed - and determining whether to recommend the specific content to the specific customer based on the purchase probability value.

Description

심층 학습에 기반한 컨텐츠 추천 방법 및 장치{Method and Apparatus for Deep Learning Based Content Recommendation}Method and Apparatus for Deep Learning Based Content Recommendation

본 발명은 심층 학습에 기반한 컨텐츠 추천 기술에 관한 것이다.The present invention relates to a content recommendation technology based on deep learning.

근래에 들어 인터넷(Internet)의 활용이 일상화됨에 따라 홈 네트워크 시대가 도래하였다. 이러한 홈 네트워크를 실현한 구체적인 한 예로서 IPTV(Internet Protocol Television) 서비스를 들 수 있다. IPTV 서비스는 인터넷을 이용하여 제공되는 양방향 TV 서비스로서, 인터넷에 연결된 셋탑박스(set-top box)를 이용하여 컨텐츠 제공 서비스 사업자가 운용하는 컨텐츠 제공 서버와 연결하여 VOD(video on demand) 컨텐츠와 같은 컨텐츠를 다운로드 방식 또는 스트리밍 방식으로 내려 받아 시청할 수 있도록 한 서비스이다. IPTV 서비스는 일반 케이블 방송과는 달리 시청자가 자신이 편리한 시간에 보고 싶은 프로그램을 선별하여 볼 수 있도록 한다는 점에서 시청자에게는 다양한 볼거리와 편의성을 제공하는 한편 사업자에게는 가입자 별로 일반 케이블 방송사가 징수하는 월정액 이상의 매출을 올릴 수 있는 수익 모델이 되고 있다. 따라서 IPTV 서비스 사업자의 입장에서는 시청자에게 다양한 컨텐츠를 다양한 방식으로 마케팅하여 구매를 독려하는 것이 지대한 관심사가 되고 있다.In recent years, as the use of the Internet has become commonplace, the era of home networks has arrived. As a specific example of realizing such a home network, an Internet Protocol Television (IPTV) service is provided. The IPTV service is an interactive TV service provided using the Internet, and is connected to a content providing server operated by a content providing service provider using a set-top box connected to the Internet, such as video on demand (VOD) content. It is a service that allows you to download and watch content in a download or streaming manner. Unlike general cable broadcasting, IPTV service provides a variety of attractions and convenience to viewers in that it allows viewers to select and watch programs they want to watch at a convenient time. It is becoming a revenue model that can increase sales. Therefore, from the perspective of IPTV service providers, marketing various contents to viewers in various ways to encourage purchase is of great interest.

본 발명의 과제는 고객 개개인의 프로필 및 가구 구성에 관한 정보를 바탕으로 고객 개개인 별로 구매할 가능성이 높은 컨텐츠를 예측하여 추천함으로써 컨텐츠 매출을 제고할 수 있도록 한 자동화된 컨텐츠 추천 기술을 제공하는 것이다.An object of the present invention is to provide an automated content recommendation technology capable of increasing content sales by predicting and recommending content that is highly likely to be purchased for each customer based on information about each customer's profile and furniture configuration.

본 발명이 해결하고자 하는 과제들은 이상에서 언급한 과제들에 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The problems to be solved by the present invention are not limited to the problems mentioned above, and other problems not mentioned will be clearly understood by those skilled in the art from the following description.

일 측면에서, 심층 학습(Deep Learning)에 기반한 컨텐츠 추천 방법이 제공된다. 본 방법은, 특정 고객의 고객 정보 및 특정 컨텐츠에 관한 정보를 포함하는 입력 정보를 수신하는 단계 - 상기 특정 고객의 고객 정보는 상기 특정 고객의 가구 정보 및 프로필 정보를 포함함 -, 상기 입력 정보를 입력 계층으로 입력하여 임베딩(embedding) 처리를 수행함으로써 입력 벡터들을 출력하는 단계 - 상기 임베딩 처리는 상기 특정 고객의 가구 정보 및 상기 특정 고객의 프로필 정보를 인코딩하여 외적(outer product)하는 처리를 포함함 -, 상기 입력 벡터들을 심층 신경망(Deep Neural Network: DNN) 계층으로 입력하여 복수의 출력 값을 제공하는 단계, 상기 복수의 출력 값을 시그모이드 함수 계층(Sigmoid Function Layer)으로 입력하여 상기 특정 컨텐츠에 대한 구매 확률값을 제공하는 단계 - 상기 구매 확률값은 상기 특정 고객이 상기 특정 컨텐츠를 구매할 확률을 나타냄 -, 및 상기 구매 확률값을 필터 계층으로 입력하여 상기 특정 컨텐츠를 상기 특정 고객에게 추천할지 여부를 결정하는 단계를 포함할 수 있다.In one aspect, a content recommendation method based on deep learning is provided. The method includes the steps of receiving input information including customer information of a specific customer and information about specific content, wherein the customer information of the specific customer includes household information and profile information of the specific customer; Outputting input vectors by inputting into an input layer and performing embedding processing - The embedding processing includes processing of encoding the specific customer's household information and the specific customer's profile information to generate an outer product -, providing a plurality of output values by inputting the input vectors to a deep neural network (DNN) layer, inputting the plurality of output values to a sigmoid function layer to the specific content providing a purchase probability value for , wherein the purchase probability value represents a probability that the specific customer will purchase the specific content; and determining whether to recommend the specific content to the specific customer by inputting the purchase probability value into a filter layer may include the step of

일 실시예에서, 상기 특정 고객의 고객 정보는 상기 특정 고객의 고객 ID(Identification)를 더 포함한다.In one embodiment, the customer information of the specific customer further includes a customer ID (Identification) of the specific customer.

일 실시예에서, 상기 특정 고객의 프로필 정보는 상기 특정 고객의 가입 정보, 상기 특정 고객의 나이에 관한 정보 및 상기 특정 고객의 성별에 관한 정보를 포함한다.In an embodiment, the profile information of the specific customer includes subscription information of the specific customer, information about the age of the specific customer, and information about the gender of the specific customer.

일 실시예에서, 상기 특정 컨텐츠에 관한 정보는 상기 특정 컨텐츠의 컨텐츠 ID를 포함한다.In an embodiment, the information about the specific content includes a content ID of the specific content.

일 실시예에서, 상기 특정 컨텐츠에 관한 정보는 상기 특정 컨텐츠의 컨텐츠 메타 정보(content meta information)를 더 포함한다.In an embodiment, the information about the specific content further includes content meta information of the specific content.

일 실시예에서, 상기 특정 컨텐츠는 VOD(video on demand) 컨텐츠이다.In one embodiment, the specific content is video on demand (VOD) content.

일 실시예에서, 상기 방법은, 상기 특정 고객의 고객 정보 및 특정 컨텐츠에 관한 정보를 포함하는 입력 정보를 수신하는 단계 - 상기 특정 고객의 고객 정보는 상기 특정 고객의 가구 정보 및 프로필 정보를 포함함 - 이전에, 상기 입력 계층, 상기 심층 신경망 계층 및 상기 시그모이드 함수 계층을 학습 데이터로 학습시키는 단계를 더 포함한다.In one embodiment, the method includes receiving input information comprising customer information of the specific customer and information regarding specific content, wherein the customer information of the specific customer includes household information and profile information of the specific customer - Previously, the method further comprises training the input layer, the deep neural network layer, and the sigmoid function layer as training data.

일 실시예에서, 상기 학습 데이터는 고객 정보 및 고객이 구매한 컨텐츠에 관한 정보를 포함하고, 상기 고객 정보는 고객 가구 정보 및 고객 프로필 정보를 포함하고, 상기 입력 계층, 상기 심층 신경망 계층 및 상기 시그모이드 함수 계층은 복수의 입력 노드 및 복수의 출력 노드를 포함하고, 상기 입력 노드들과 상기 출력 노드들 간에는 가중치들이 설정되어 있으며, 상기 입력 계층, 상기 심층 신경망 계층 및 상기 시그모이드 계층을 학습 데이터로 학습시키는 단계는, 상기 고객이 구매한 컨텐츠에 관한 정보를 상기 입력 계층으로 입력시켰을 때 상기 시그모이드 함수 계층으로부터 출력되는 구매 확률값이 선정된 임계값 이상이 되도록 상기 가중치들을 변경하는 단계를 포함한다.In one embodiment, the training data includes customer information and information about content purchased by the customer, the customer information includes customer household information and customer profile information, the input layer, the deep neural network layer, and the sig The modal function layer includes a plurality of input nodes and a plurality of output nodes, weights are set between the input nodes and the output nodes, and the input layer, the deep neural network layer, and the sigmoid layer are trained. The step of learning with data includes changing the weights so that the purchase probability value output from the sigmoid function layer is greater than or equal to a predetermined threshold when information on the content purchased by the customer is input to the input layer. include

일 실시예에서, 상기 복수의 출력 값을 시그모이드 함수 계층(Sigmoid Function Layer)으로 입력하여 상기 특정 컨텐츠에 대한 구매 확률값을 제공하는 단계 - 상기 구매 확률값은 상기 특정 고객이 상기 특정 컨텐츠를 구매할 확률을 나타냄 - 는, 상기 복수의 출력값에 시그모이드 함수를 적용해서 상기 구매 확률값을 제공하는 단계를 포함한다.In one embodiment, inputting the plurality of output values into a sigmoid function layer to provide a purchase probability value for the specific content - The purchase probability value is a probability that the specific customer will purchase the specific content representing - includes providing the purchase probability value by applying a sigmoid function to the plurality of output values.

일 실시예에서, 상기 구매 확률값을 필터 계층으로 입력하여 상기 특정 컨텐츠를 상기 특정 고객에게 추천할지 여부를 결정하는 단계는, 상기 구매 확률값이 선정된 임계값 이상인 경우 상기 특정 컨텐츠를 상기 특정 고객에게 추천하는 것으로 결정하는 단계를 포함한다.In an embodiment, the determining whether to recommend the specific content to the specific customer by inputting the purchase probability value into a filter layer includes recommending the specific content to the specific customer when the purchase probability value is equal to or greater than a predetermined threshold value deciding to do it.

다른 측면에서, 심층 학습에 기반한 컨텐츠 추천 방법이 제공된다. 본 방법은, 특정 고객의 고객 정보 및 특정 컨텐츠에 관한 정보를 포함하는 입력 정보를 심층 학습 모듈로 입력함으로써 상기 특정 컨텐츠에 대한 구매 확률값 제공하는 단계 - 상기 구매 확률값은 상기 특정 고객이 상기 특정 컨텐츠를 구매할 확률을 나타내고, 상기 특정 고객의 고객 정보는 상기 특정 고객의 가구 정보 및 프로필 정보를 포함하며, 상기 심층 학습 모듈에서는 상기 특정 고객의 가구 정보 및 상기 특정 고객의 프로필 정보를 인코딩하여 외적하는 처리가 수행됨 -, 및 상기 구매 확률값에 기초하여 상기 특정 컨텐츠를 상기 특정 고객에게 추천할지 여부를 결정하는 단계를 포함할 수 있다.In another aspect, a content recommendation method based on deep learning is provided. The method includes the steps of providing a purchase probability value for the specific content by inputting input information including information on customer information and specific content of a specific customer into a deep learning module - The purchase probability value indicates that the specific customer purchases the specific content Represents a purchase probability, the customer information of the specific customer includes the household information and profile information of the specific customer, and the deep learning module encodes the specific customer's household information and the specific customer's profile information to perform an external product performed - and determining whether to recommend the specific content to the specific customer based on the purchase probability value.

일 실시예에서, 상기 특정 고객의 고객 정보는 상기 특정 고객의 고객 ID를 더 포함한다.In an embodiment, the customer information of the specific customer further includes a customer ID of the specific customer.

일 실시예에서, 상기 특정 고객의 프로필 정보는 상기 특정 고객의 가입 정보, 상기 특정 고객의 나이에 관한 정보 및 상기 특정 고객의 성별에 관한 정보를 포함한다.In an embodiment, the profile information of the specific customer includes subscription information of the specific customer, information about the age of the specific customer, and information about the gender of the specific customer.

일 실시예에서, 상기 특정 컨텐츠에 관한 정보는 상기 특정 컨텐츠의 컨텐츠 ID를 포함한다.In an embodiment, the information about the specific content includes a content ID of the specific content.

일 실시예에서, 상기 심층 학습 모듈은 입력 계층, 심층 신경망 계층 및 시그모이드 함수 계층을 포함한다.In one embodiment, the deep learning module includes an input layer, a deep neural network layer and a sigmoid function layer.

일 실시예에서, 상기 구매 확률값에 기초하여 상기 특정 컨텐츠를 상기 특정 고객에게 추천할지 여부를 결정하는 단계는, 상기 구매 확률값이 선정된 임계값 이상인 경우 상기 특정 컨텐츠를 상기 특정 고객에게 추천하는 것으로 결정하는 단계를 포함한다.In an embodiment, the determining whether to recommend the specific content to the specific customer based on the purchase probability value includes determining that the specific content is recommended to the specific customer when the purchase probability value is equal to or greater than a predetermined threshold value including the steps of

또 다른 측면에서, 심층 학습에 기반한 컨텐츠 추천을 위한 장치가 제공된다. 본 장치는, 고객 정보 및 컨텐츠에 관한 정보를 저장하는 데이터베이스부, 및 입력 계층, 심층 신경망 계층 및 시그모이드 함수 계층을 포함하는 심층 학습 모듈을 구현하며, 상기 데이터베이스부로부터 특정 고객의 고객 정보 및 특정 컨텐츠에 관한 정보를 검색하여 상기 심층 학습 모듈로 입력되게 하도록 구성된 프로세싱 엔진을 포함할 수 있다. 여기서, 상기 특정 고객의 고객 정보는 상기 특정 고객의 가구 정보 및 프로필 정보를 포함하며, 상기 입력 계층은 상기 특정 고객의 고객 정보 및 상기 특정 컨텐츠에 관한 정보를 임베딩 처리하여 입력 벡터들을 출력하도록 구성되고 - 상기 임베딩 처리는 상기 특정 고객의 가구 정보 및 상기 특정 고객의 프로필 정보를 인코딩하여 외적하는 처리를 포함함 -, 상기 심층 신경망 계층은 상기 입력 벡터들을 처리하여 복수의 출력 값을 제공하도록 구성되고, 상기 시그모이드 함수 계층은 상기 복수의 출력 값에 기초하여 상기 특정 컨텐츠에 대한 구매 확률값을 제공하도록 구성되고 - 상기 구매 확률값은 상기 특정 고객이 상기 특정 컨텐츠를 구매할 확률을 나타냄 -, 상기 프로세싱 엔진은 상기 구매 확률값에 기초하여 상기 특정 컨텐츠를 상기 특정 고객에게 추천할지 여부를 결정하도록 더 구성될 수 있다.In another aspect, an apparatus for content recommendation based on deep learning is provided. The device implements a deep learning module including a database unit for storing information about customer information and content, and an input layer, a deep neural network layer, and a sigmoid function layer, and from the database unit, customer information of a specific customer and and a processing engine configured to retrieve information about specific content to be input into the deep learning module. Here, the customer information of the specific customer includes the household information and profile information of the specific customer, and the input layer is configured to output input vectors by embedding information about the customer information of the specific customer and the specific content, and - The embedding processing includes processing of encoding and cross-producting the household information of the specific customer and the profile information of the specific customer, the deep neural network layer is configured to process the input vectors to provide a plurality of output values, the sigmoid function layer is configured to provide a purchase probability value for the particular content based on the plurality of output values, the purchase probability value representing a probability that the particular customer will purchase the particular content, the processing engine comprising: It may be further configured to determine whether to recommend the specific content to the specific customer based on the purchase probability value.

일 실시예에서, 상기 특정 고객의 고객 정보는 상기 특정 고객의 고객 ID를 더 포함한다.In an embodiment, the customer information of the specific customer further includes a customer ID of the specific customer.

일 실시예에서, 상기 특정 고객의 프로필 정보는 상기 특정 고객의 가입 정보, 상기 특정 고객의 나이에 관한 정보 및 상기 특정 고객의 성별에 관한 정보를 포함한다.In an embodiment, the profile information of the specific customer includes subscription information of the specific customer, information about the age of the specific customer, and information about the gender of the specific customer.

일 실시예에서, 상기 특정 컨텐츠에 관한 정보는 상기 특정 컨텐츠의 컨텐츠 ID를 포함한다.In an embodiment, the information about the specific content includes a content ID of the specific content.

일 실시예에서, 상기 특정 컨텐츠에 관한 정보는 상기 특정 컨텐츠의 컨텐츠 메타 정보를 더 포함한다.In an embodiment, the information about the specific content further includes content meta information of the specific content.

일 실시예에서, 상기 프로세싱 엔진은 상기 입력 계층, 상기 심층 신경망 계층 및 상기 시그모이드 함수 계층을 학습 데이터로 학습시키도록 더 구성된다.In an embodiment, the processing engine is further configured to train the input layer, the deep neural network layer and the sigmoid function layer with training data.

일 실시예에서, 상기 학습 데이터는 고객 정보 및 고객이 구매한 컨텐츠에 관한 정보를 포함하고, 상기 고객 정보는 고객 가구 정보 및 고객 프로필 정보를 포함하고, 상기 입력 계층, 상기 심층 신경망 계층 및 상기 시그모이드 함수 계층은 복수의 입력 노드 및 복수의 출력 노드를 포함하고, 상기 입력 노드들과 상기 출력 노드들 간에는 가중치들이 설정되어 있으며, 상기 프로세싱 엔진은, 상기 고객이 구매한 컨텐츠에 관한 정보를 상기 입력 계층으로 입력시켰을 때 상기 시그모이드 함수 계층으로부터 출력되는 구매 확률값이 선정된 임계값 이상이 되도록 상기 가중치들을 변경하도록 더 구성된다.In one embodiment, the training data includes customer information and information about content purchased by the customer, the customer information includes customer household information and customer profile information, the input layer, the deep neural network layer, and the sig The mod function layer includes a plurality of input nodes and a plurality of output nodes, weights are set between the input nodes and the output nodes, and the processing engine is configured to retrieve information about the content purchased by the customer. It is further configured to change the weights so that the purchase probability value output from the sigmoid function layer is greater than or equal to a predetermined threshold value when input to the input layer.

일 실시예에서, 상기 시그모이드 함수 계층은 상기 복수의 출력값에 시그모이드 함수를 적용해서 상기 구매 확률값을 제공하도록 더 구성된다.In an embodiment, the sigmoid function layer is further configured to apply a sigmoid function to the plurality of output values to provide the purchase probability value.

일 실시예에서, 상기 프로세싱 엔진은, 상기 구매 확률값이 선정된 임계값 이상인 경우 상기 특정 컨텐츠를 상기 특정 고객에게 추천하도록 더 구성된다.In an embodiment, the processing engine is further configured to recommend the specific content to the specific customer when the purchase probability value is equal to or greater than a predetermined threshold value.

또 다른 측면에서, 프로그램을 기록한 컴퓨터 판독가능 기록매체가 제공된다. 여기서, 상기 프로그램은 명령어들을 포함하고, 상기 명령어들은 컴퓨터에 의해 실행될 때 상기 방법을 수행한다.In another aspect, a computer-readable recording medium recording a program is provided. Here, the program includes instructions, and the instructions perform the method when executed by a computer.

본 발명의 실시예들에 따르면, 고객 개개인의 프로필 및 가구 구성에 관한 정보를 바탕으로 고객 개개인 별로 구매할 가능성이 높은 컨텐츠를 예측하여 추천함으로써 컨텐츠 매출을 제고할 수 있는 기술적 효과가 있다.According to embodiments of the present invention, there is a technical effect of increasing content sales by predicting and recommending content that is highly likely to be purchased for each individual customer based on information about each customer's profile and furniture configuration.

도 1은 심층 학습(Deep Learning)에 기반한 컨텐츠 추천을 위한 장치의 블록도의 일 실시예를 도시한 도면이다.
도 2는 심층 학습에 기반한 컨텐츠 추천 방법을 설명하기 위한 흐름도의 일 실시예를 도시한 도면이다.1 is a diagram illustrating an embodiment of a block diagram of an apparatus for content recommendation based on deep learning.
2 is a diagram illustrating an embodiment of a flowchart for explaining a content recommendation method based on deep learning.

본 발명의 이점들과 특징들 그리고 이들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해 질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 본 실시예들은 단지 본 발명의 개시가 완전하도록 하며 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려 주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.Advantages and features of the present invention and a method of achieving them will become apparent with reference to the embodiments described below in detail in conjunction with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below, but will be implemented in a variety of different forms, and these embodiments merely allow the disclosure of the present invention to be complete and those of ordinary skill in the art to which the present invention pertains. It is provided to fully inform the person of the scope of the invention, and the present invention is only defined by the scope of the claims.

본 명세서에서 사용되는 용어는 단지 특정한 실시예를 설명하기 위해 사용되는 것으로 본 발명을 한정하려는 의도에서 사용된 것이 아니다. 예를 들어, 단수로 표현된 구성 요소는 문맥상 명백하게 단수만을 의미하지 않는다면 복수의 구성 요소를 포함하는 개념으로 이해되어야 한다. 또한, 본 발명의 명세서에서, '포함하다' 또는 '가지다' 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것일 뿐이고, 이러한 용어의 사용에 의해 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성이 배제되는 것은 아니다. 또한, 본 명세서에 기재된 실시예에 있어서 '모듈' 혹은 '부'는 적어도 하나의 기능이나 동작을 수행하는 기능적 부분을 의미할 수 있다.The terms used herein are used only to describe specific embodiments and are not intended to limit the present invention. For example, a component expressed in a singular should be understood as a concept including a plurality of components unless the context clearly means only the singular. In addition, in the specification of the present invention, terms such as 'include' or 'have' are only intended to designate that the features, numbers, steps, operations, components, parts, or combinations thereof described in the specification exist, and such The use of the term does not exclude the presence or addition of one or more other features or numbers, steps, operations, components, parts, or combinations thereof. In addition, in the embodiments described in this specification, a 'module' or 'unit' may mean a functional part that performs at least one function or operation.

덧붙여, 다르게 정의되지 않는 한 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미가 있는 것으로 해석되어야 하며, 본 발명의 명세서에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.In addition, unless otherwise defined, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by one of ordinary skill in the art to which this invention belongs. Terms such as those defined in a commonly used dictionary should be interpreted as having a meaning consistent with the meaning in the context of the related art, and unless explicitly defined in the specification of the present invention, it should be interpreted in an ideal or excessively formal meaning. doesn't happen

이하, 첨부된 도면을 참조하여 본 발명의 실시예를 보다 상세히 설명한다. 다만, 이하의 설명에서는 본 발명의 요지를 불필요하게 흐릴 우려가 있는 경우, 널리 알려진 기능이나 구성에 관한 구체적 설명은 생략하기로 한다.Hereinafter, embodiments of the present invention will be described in more detail with reference to the accompanying drawings. However, in the following description, if there is a risk of unnecessarily obscuring the gist of the present invention, detailed descriptions of well-known functions or configurations will be omitted.

도 1은 심층 학습(Deep Learning)에 기반한 컨텐츠 추천을 위한 장치의 블록도의 일 실시예를 도시한 도면이다.1 is a diagram illustrating an embodiment of a block diagram of an apparatus for content recommendation based on deep learning.

도 1의 컨텐츠 추천을 위한 장치(100)는 IPTV 서비스 사업자와 같은 컨텐츠 제공 서비스 사업자가 운용하는, 하나 이상의 위치에 설치되는 하나 이상의 서버 컴퓨터에서 실행되는 컴퓨터 프로그램들로서 구현되는 시스템의 일 예일 수 있다. 도 1에 도시된 바와 같이, 장치(100)는 데이터베이스부(110)를 포함할 수 있다. 데이터베이스부(110)는 고객 정보를 저장할 수 있다. 고객 정보는 복수의 고객의 ID들(Identifications), 복수의 고객의 각각의 프로필 정보, 복수의 고객의 각각이 구매한 적어도 하나의 컨텐츠에 관한 정보 및 복수의 고객의 각각의 가구 정보를 포함할 수 있다. 복수의 고객의 각각의 프로필 정보는 해당 고객의 가입 정보, 해당 고객의 나이에 관한 정보 및 해당 고객의 성별에 관한 정보를 포함할 수 있다. 고객의 가입 정보는 보급형 채널 상품, 특정 채널 상품, 특정 서비스 상품 등과 같은 해당 고객이 가입한 가입 상품에 관한 정보일 수 있다. 복수의 고객의 각각이 구매한 적어도 하나의 컨텐츠에 관한 정보는 해당 고객이 구매한 컨텐츠들을 지정하는 정보와 해당 컨텐츠들의 가격을 나타내는 정보를 포함할 수 있다. 예컨대, 고객 A가 컨텐츠 7, 컨텐츠 21 및 컨텐츠 102를 각각 2,000원, 7,000원 및 4,000원에 구매하여 시청한 이력이 있다면, 고객 A가 구매한 적어도 하나의 컨텐츠에 관한 정보는 컨텐츠 7, 컨텐츠 21 및 컨텐츠 102를 지정하는 정보와 이들의 구매 가격인 2,000원, 7,000원 및 4,000원을 나타내는 정보를 포함할 수 있다. 복수의 고객의 각각의 가구 정보는 해당 고객의 가구 구성원에 관한 정보로서, 예컨대 4인 가족, 신혼 가구, 1인 가족, 아이가 있는 3인 가족 등을 나타내는 정보일 수 있다. 이상으로 설명한 고객 정보는 고객측에 설치된 셋탑박스(Set-top Box)와 인터넷(Internet)과 같은 통신망을 통해 통신하면서 고객의 요청을 수신하고 이에 응답하여 컨텐츠를 제공하는 서비스 제공 서버로부터 다양한 방식으로 획득하는 것이 가능하나, 고객 정보를 획득하는 방식이 이에 제한되는 것이 아님을 인식하여야 한다. 데이터베이스부(110)는, 예컨대 VOD(video on demand) 컨텐츠와 같은 컨텐츠에 관한 정보를 더 저장할 수 있다. 컨텐츠에 관한 정보는 컨텐츠 제공 서비스 사업자가 제공하고 있는 컨텐츠들의 타이틀에 관한 정보와 해당 컨텐츠들의 ID들 및 메타 정보를 포함할 수 있다. 컨텐츠의 메타 정보(content meta information)는 해당 컨텐츠의 분위기, 장르, 소재 등에 관한 정보를 포함할 수 있다. 컨텐츠에 관한 정보는 컨텐츠 제공 서비스 사업자가 제공하고 있는 컨텐츠들의 현재 가격 정보를 더 포함할 수 있다.The apparatus 100 for content recommendation of FIG. 1 may be an example of a system implemented as computer programs executed on one or more server computers installed in one or more locations and operated by a content providing service provider such as an IPTV service provider. As shown in FIG. 1 , the device 100 may include a database unit 110 . The database unit 110 may store customer information. The customer information may include IDs (Identifications) of a plurality of customers, profile information of each of the plurality of customers, information about at least one content purchased by each of the plurality of customers, and household information of each of the plurality of customers. have. Profile information of each of the plurality of customers may include subscription information of the corresponding customer, information about the age of the customer, and information about the gender of the customer. The customer's subscription information may be information about a subscription product to which the customer subscribes, such as a popular channel product, a specific channel product, or a specific service product. The information on at least one content purchased by each of the plurality of customers may include information designating contents purchased by the customer and information indicating prices of the corresponding contents. For example, if customer A has a history of purchasing and viewing content 7, content 21, and content 102 at 2,000 won, 7,000 won, and 4,000 won, respectively, information on at least one content purchased by customer A includes content 7 and content 21 and information designating the content 102 and information indicating the purchase prices of 2,000 won, 7,000 won, and 4,000 won. Each household information of a plurality of customers is information about household members of the corresponding customers, and may be, for example, information representing a family of four, a newlywed household, a family of one, a family of three with children, and the like. The customer information described above is transmitted in various ways from a service providing server that receives customer requests and provides contents in response while communicating through a communication network such as a set-top box installed on the customer side and the Internet. Although it is possible to obtain it, it should be recognized that the manner in which customer information is obtained is not limited thereto. The database unit 110 may further store information about content, for example, video on demand (VOD) content. The information about the content may include information about the title of the content provided by the content providing service provider, IDs of the corresponding content, and meta information. The content meta information may include information about the atmosphere, genre, material, etc. of the corresponding content. The information on the content may further include current price information of the content provided by the content providing service provider.

데이터베이스부(110)는, 플래시 메모리 타입(flash memory type), 하드 디스크 타입(hard disk type), 멀티미디어 카드(MultiMedia Card: MMC), 카드 타입의 메모리(예를 들어, SD(Secure Digital) 카드 또는 XD(eXtream Digital) 카드 등), RAM(Random Access Memory), SRAM(Static Random Access Memory), ROM(Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크 및 광 디스크 중 어느 하나의 저장 매체로 구현될 수 있으나, 당업자라면 데이터베이스부(110)의 구현 형태가 이에 한정되는 것이 아님을 알 수 있을 것이다.The database unit 110 is a flash memory type (flash memory type), a hard disk type (hard disk type), a multimedia card (MultiMedia Card: MMC), a card type memory (eg, SD (Secure Digital) card or XD (eXtream Digital) cards, etc.), RAM (Random Access Memory), SRAM (Static Random Access Memory), ROM (Read-Only Memory), EEPROM (Electrically Erasable Programmable Read-Only Memory), PROM (Programmable Read-Only Memory) ), a magnetic memory, a magnetic disk, and an optical disk may be implemented as any one storage medium, but those skilled in the art will understand that the implementation form of the database unit 110 is not limited thereto.

장치(100)는 데이터베이스부(110)에 통신가능한 방식으로 결합된 프로세싱 엔진(processing engine, 120)을 더 포함할 수 있다. 프로세싱 엔진(120)은 입력 계층(Input Layer, 133), 심층 신경망(Deep Neural Network: DNN) 계층(135) 및 시그모이드 함수 계층(Sigmoid Function Layer, 137)을 포함하는 심층 학습 모듈(Deep Learning Module, 130)을 구현하도록 설계될 수 있다. 심층 학습 모듈(130)은 감독 학습(supervised learning), 준감독 학습(semi-supervised learning) 및 무감독 학습(unsupervised learning) 중 어느 하나의 방식으로 기계 학습의 일종인 심층 학습을 수행하도록 구현될 수 있다. 프로세싱 엔진(120)은 데이터베이스부(110)로부터 특정 고객의 고객 정보 및 특정 컨텐츠에 관한 정보를 검색하여 심층 학습 모듈(130)로 입력되게 하도록 작동될 수 있다. 특정 고객의 고객 정보는 해당 고객의 ID, 해당 고객의 가구 정보 및 해당 고객의 프로필 정보를 포함할 수 있다. 특정 컨텐츠에 관한 정보는 특정 고객이 앞으로 구매하여 시청할 가능성이 있는지를 예측해 보고자 하는 대상이 되는 컨텐츠에 관한 정보로서, 해당 컨텐츠의 ID 및 해당 컨텐츠의 메타 정보를 포함할 수 있다.The apparatus 100 may further include a processing engine 120 coupled to the database unit 110 in a communicable manner. The processing engine 120 is a deep learning module including an input layer (Input Layer, 133), a deep neural network (DNN) layer 135 and a sigmoid function layer (Sigmoid Function Layer, 137). Module, 130) can be designed to implement. The deep learning module 130 may be implemented to perform deep learning, a type of machine learning, in any one of supervised learning, semi-supervised learning, and unsupervised learning. have. The processing engine 120 may be operated to retrieve customer information of a specific customer and information on specific content from the database unit 110 to be input to the deep learning module 130 . The customer information of a specific customer may include an ID of the customer, household information of the customer, and profile information of the customer. The information about specific content is information about content that a specific customer is interested in predicting whether there is a possibility of purchasing and viewing the content in the future, and may include an ID of the corresponding content and meta information of the corresponding content.

심층 학습 모듈(130)의 입력 계층(133)은 특정 고객의 고객 정보 및 특정 컨텐츠에 관한 정보를 포함하는 입력 정보를 임베딩(embedding) 처리하여 입력 벡터들을 출력하도록 구성될 수 있다. 일 실시예에서, 입력 계층(130)은 입력 정보에 임베딩 함수들(embedding functions)을 적용하도록 구성될 수 있다. 일 실시예에서, 입력 정보에 임베딩 함수들을 적용하는 동작은 입력 정보를 인코딩하는 동작을 수반할 수 있다. 예컨대, 4인 가족을 나타내는 가구 정보를 벡터 '000'으로 나타내고, 신혼 가구를 나타내는 정보를 벡터 '001'로 나타내고, 1인 가족을 나타내는 정보를 '벡터 '010'으로 나타내고, 아이가 있는 3인 가족을 나타내는 정보를 벡터 '011'로 나타내는 식으로 가구 정보를 인코딩할 수 있다. 고객의 프로필 정보도 유사한 방식으로 인코딩될 수 있다. 가구 정보를 인코딩하여 출력한 벡터 및 프로필 정보를 인코딩하여 출력한 벡터에 대해 외적(outer product) 동작을 수행하여 입력 벡터를 구성할 수 있다. 일 실시예에서, 가구 정보를 인코딩하여 출력한 행 벡터와 프로필 정보를 인코딩하여 출력한 행 벡터를 전치시켜 만든 열 벡터를 서로 곱하여 입력 벡터를 구성할 수 있다. 이와 같이 고객의 가구 정보와 고객의 프로필 정보를 외적하여 입력 벡터를 구성하는 이유는 가구 정보와 프로필 정보 간의 연관성을 반영한 입력 벡터를 생성하여 이를 심층 신경망 계층(135) 및 시그모이드 함수 계층(137)에서 연산 처리되도록 함으로써 보다 유의미한 출력 정보를 얻을 수 있도록 하기 위함이다. 일 실시예에서, 입력 계층(133)은 고객의 가구 정보를 인코딩하여 출력한 벡터 및 고객의 프로필 정보를 인코딩하여 출력한 벡터에 대해 외적 동작을 수행하여 구성한 입력 벡터, 고객의 ID를 인코딩한 입력 벡터, 고객의 프로필 정보를 인코딩하여 구성한 입력 벡터, 고객이 앞으로 구매하여 시청할 가능성이 있는지를 예측해 보고자 하는 대상이 되는 컨텐츠의 ID를 인코딩한 입력 벡터 및 해당 컨텐츠의 메타 정보를 인코딩한 입력 벡터를 출력하도록 구성될 수 있다. 일 실시예에서, 입력 정보에 임베딩 함수들을 적용하는 동작은 입력 정보에 가중치(weight)를 적용하는 동작을 더 수반할 수 있다.The input layer 133 of the deep learning module 130 may be configured to output input vectors by embedding input information including customer information of a specific customer and information about specific content. In one embodiment, the input layer 130 may be configured to apply embedding functions to the input information. In one embodiment, applying the embedding functions to the input information may involve encoding the input information. For example, household information representing a family of four is represented by a vector '000', information representing a newlywed household is represented by a vector '001', information representing a single-person family is represented by a vector '010', and three people with children Household information may be encoded in such a way that information representing a family is represented by a vector '011'. The customer's profile information may be encoded in a similar manner. An input vector may be configured by performing an outer product operation on a vector output by encoding furniture information and a vector output by encoding profile information. In an embodiment, an input vector may be configured by multiplying a row vector output by encoding furniture information and a column vector generated by transposing a row vector output by encoding profile information. The reason for constructing the input vector by external product of the customer's household information and the customer's profile information as described above is to generate an input vector reflecting the correlation between the household information and the profile information, and use it as a deep neural network layer (135) and a sigmoid function layer (137). ), so that more meaningful output information can be obtained. In an embodiment, the input layer 133 encodes and outputs the customer's household information, and performs an external operation on the vector output by encoding and outputting the customer's profile information. Outputs a vector, an input vector constructed by encoding customer profile information, an input vector encoding the ID of the content that the customer is likely to purchase and viewing in the future, and an input vector encoding the meta information of the content can be configured to In an embodiment, the operation of applying the embedding functions to the input information may further include an operation of applying a weight to the input information.

심층 학습 모듈(130)의 심층 신경망 계층(135)은 복수의 은닉층(hidden layers)을 포함할 수 있다. 복수의 은닉층의 각각은 복수의 노드(nodes)를 포함할 수 있다. 최하위 은닉층에서의 노드들은 입력 계층(133)으로부터 출력되는 입력 벡터들을 수신하도록 구현될 수 있다. 상대적으로 하위에 있는 은닉층의 노드들에서의 값들은 상대적으로 상위에 있는 은닉층의 노드들로 가중치들이 적용되어 전달될 수 있다. 심층 신경망 계층(135)은 입력 벡터들을 입력으로 하여 복수의 은닉층에서의 연산 처리에 의해 복수의 출력 값을 제공하도록 구성될 수 있다.The deep neural network layer 135 of the deep learning module 130 may include a plurality of hidden layers. Each of the plurality of hidden layers may include a plurality of nodes. Nodes in the lowest hidden layer may be implemented to receive input vectors output from the input layer 133 . Values in the nodes of the hidden layer that are relatively lower may be transmitted by applying weights to the nodes of the hidden layer that are relatively higher. The deep neural network layer 135 may be configured to provide a plurality of output values by arithmetic processing in a plurality of hidden layers with input vectors as input.

심층 학습 모듈(130)의 시그모이드 함수 계층(137)은 심층 신경망 계층(135)으로부터 출력되는 복수의 출력 값에 기초하여 특정 컨텐츠(고객이 앞으로 구매하여 시청할 가능성이 있는지를 예측해 보고자 하는 대상이 되는 컨텐츠)에 대한 구매 확률값을 제공하도록 구성될 수 있다. 특정 컨텐츠에 대한 구매 확률값은 특정 고객이 특정 컨텐츠를 구매할 확률을 나타낸다. 구매 확률값은 0 이상이고 1 이하인 값일 수 있다. 일 실시예에서, 시그모이드 함수 계층(137)은 복수의 출력 값에 시그모이드 함수(Sigmoid Function)를 적용해서 구매 확률값을 제공하도록 구성될 수 있다. 시그모이드 함수 계층(137)은 심층 신경망 계층(135)의 복수의 출력 노드에 가중치들이 각각 적용되어 연결된 출력 노드를 포함할 수 있다.The sigmoid function layer 137 of the deep learning module 130 is based on a plurality of output values output from the deep neural network layer 135. A target to predict whether a customer is likely to purchase and watch in the future is content) may be configured to provide a purchase probability value for the content. The purchase probability value for the specific content represents a probability that a specific customer will purchase the specific content. The purchase probability value may be a value greater than or equal to 0 and less than or equal to 1. In an embodiment, the sigmoid function layer 137 may be configured to provide a purchase probability value by applying a sigmoid function to a plurality of output values. The sigmoid function layer 137 may include an output node connected by applying weights to a plurality of output nodes of the deep neural network layer 135 , respectively.

프로세싱 엔진(120)은 심층 학습 모듈(130)에 통신가능한 방식으로 결합된 필터 계층(140)을 구현하도록 더 설계될 수 있다. 필터 계층(140)은 시그모이드 함수 계층(137)으로부터 출력되는 구매 확률값에 기초하여 특정 컨텐츠를 특정 고객에게 추천할지 여부를 결정하도록 구성될 수 있다. 필터 계층(140)은 구매 확률값이 선정된 임계값 이상인 경우 특정 컨텐츠를 특정 고객에게 추천하도록 구성될 수 있다. 일 실시예에서, 필터 계층(140)은 구매 확률값이 0.5 이상인 경우 특정 컨텐츠를 특정 고객에게 추천하도록 구성될 수 있다. 예를 들어, '알라딘'에 대한 구매 확률값이 0.7로 출력되는 경우, 필터 계층(140)은 '알라딘'을 특정 고객에게 추천하는 것으로 결정할 수 있다.The processing engine 120 may be further designed to implement the filter layer 140 coupled in a communicable manner to the deep learning module 130 . The filter layer 140 may be configured to determine whether to recommend specific content to a specific customer based on a purchase probability value output from the sigmoid function layer 137 . The filter layer 140 may be configured to recommend specific content to a specific customer when the purchase probability value is equal to or greater than a predetermined threshold value. In an embodiment, the filter layer 140 may be configured to recommend specific content to a specific customer when the purchase probability value is 0.5 or more. For example, when a purchase probability value of 'Aladdin' is output as 0.7, the filter layer 140 may determine that 'Aladdin' is recommended to a specific customer.

이상의 설명에서는 프로세싱 엔진(120)이 데이터베이스부(110)로부터 특정 고객의 고객 정보 및 특정 컨텐츠에 관한 정보를 검색하여 심층 학습 모듈(130)로 입력되게 함으로써 특정 컨텐츠를 특정 고객에게 추천할지 여부를 결정하는 것으로 설명하였으나, 심층 학습 모듈(130)이 유의미한 결과를 출력하도록 하기 위해서는 심층 학습 모듈(130)이 학습되어야 할 필요가 있다. 프로세싱 엔진(120)은 학습 데이터를 이용하여 심층 학습 모듈(130)을 학습시키도록 더 구성될 수 있다. 학습 데이터는 복수의 고객에 대한 고객 정보 및 복수의 고객이 구매한 적어도 하나의 컨텐츠에 관한 정보를 포함할 수 있다. 복수의 고객의 각각에 대한 고객 정보는 해당 고객의 가구 정보, 해당 고객의 프로필 정보 및 해당 고객의 ID를 포함할 수 있다. 복수의 고객의 각각이 구매한 적어도 하나의 컨텐츠에 관한 정보는 해당 고객이 기 구매하여 시청한 적어도 하나의 컨텐츠의 ID 및 메타 정보를 포함할 수 있다. 프로세싱 엔진(120)은, 고객 정보 및 고객이 구매한 컨텐츠에 관한 정보를 입력 계층(133)으로 입력시켰을 때 시그모이드 함수 계층(137)으로부터 출력되는 구매 확률값이 선정된 임계값 이상이 되도록 입력 계층(133), 심층 신경망 계층(135) 및 시그모이드 함수 계층(137)에서의 가중치들을 변경하는 방식으로 심층 학습 모듈(130)을 학습시키도록 구성될 수 있다. 프로세싱 엔진(120)은 심층 학습 모듈(130)이 보다 정확한 결과를 출력할 수 있도록 복수의 고객에 대한 고객 정보를 이용하여 심층 학습 모듈(130)을 복수 회 학습시키도록 더 구성될 수 있다. 심층 학습 모듈(130)이 잘 학습되면 입력 정보에 잘 부합되는 구매 확률값을 얻는 것이 가능해진다. 예컨대, '겨울왕국2', '알라딘', '미녀와 야수'와 같은 컨텐츠들에 대한 정보가 '아이들나라' 상품에 월정액으로 가입하였음을 나타내는 가입 정보를 포함하는 고객의 프로필 정보 및/또는 고객이 아이가 있는 3인 가족임을 나타내는 고객의 가구 정보와 함께 잘 학습된 심층 학습 모듈(130)에 입력 정보로서 제공되는 경우, 해당 컨텐츠들에 대한 구매 확률값들은 높은 값들로서 출력되게 된다.In the above description, the processing engine 120 determines whether to recommend specific content to a specific customer by retrieving customer information of a specific customer and information on specific content from the database unit 110 and inputting the information into the deep learning module 130 . Although it has been described that, in order for the deep learning module 130 to output a meaningful result, the deep learning module 130 needs to be learned. The processing engine 120 may be further configured to train the deep learning module 130 using the training data. The learning data may include customer information on the plurality of customers and information on at least one content purchased by the plurality of customers. Customer information for each of the plurality of customers may include household information of the corresponding customer, profile information of the corresponding customer, and ID of the corresponding customer. The information on at least one content purchased by each of the plurality of customers may include ID and meta information of at least one content that the customer has previously purchased and viewed. The processing engine 120 inputs so that the purchase probability value output from the sigmoid function layer 137 is greater than or equal to a predetermined threshold when customer information and information about the content purchased by the customer are input to the input layer 133 . It may be configured to train the deep learning module 130 in a manner that changes weights in the layer 133 , the deep neural network layer 135 , and the sigmoid function layer 137 . The processing engine 120 may be further configured to learn the deep learning module 130 a plurality of times using customer information about a plurality of customers so that the deep learning module 130 can output more accurate results. If the deep learning module 130 is well trained, it becomes possible to obtain a purchase probability value that matches the input information well. For example, information on contents such as 'Frozen 2', 'Aladdin', and 'Beauty and the Beast' includes subscription information indicating that you have subscribed to the 'Children's Country' product for a monthly fee and/or the customer's profile information and/or customer When provided as input information to the well-learned deep learning module 130 along with the customer's household information indicating that this is a family of three with children, the purchase probability values for the corresponding contents are output as high values.

프로세싱 엔진(120)은, 응용 주문형 집적 회로(Application Specific Integrated Circuits: ASICs), 디지털 신호 처리기(Digital Signal Processors: DSPs), 디지털 신호 처리 소자(Digital Signal Processing Devices: DSPDs), 프로그램 가능 논리 소자(Programmable Logic Devices: PLDs), 현장 프로그램 가능 게이트 어레이(Field-Programmable Gate Arrays: FPGAs), 프로세서(processors), 제어기(controllers), 마이크로 컨트롤러(micro-controllers) 및 마이크로 프로세서(microprocessors) 중 적어도 하나에 기반한 하드웨어 플랫폼(hardware platform)으로서 구현될 수 있다. 프로세싱 엔진(120)은 또한 전술한 하드웨어 플랫폼 상에서 실행 가능한 펌웨어(firmware)/소프트웨어 모듈로 구현될 수 있다. 이 경우, 소프트웨어 모듈은 적절한 프로그램(program) 언어로 쓰여진 소프트웨어 애플리케이션(application)에 의해 구현될 수 있다.The processing engine 120 includes Application Specific Integrated Circuits (ASICs), Digital Signal Processors (DSPs), Digital Signal Processing Devices (DSPDs), and programmable logic devices (Programmable Logic Devices). Hardware based on at least one of Logic Devices (PLDs), Field-Programmable Gate Arrays (FPGAs), processors, controllers, micro-controllers, and microprocessors. It may be implemented as a hardware platform. The processing engine 120 may also be implemented as a firmware/software module executable on the hardware platform described above. In this case, the software module may be implemented by a software application written in an appropriate program language.

도 2는 심층 학습에 기반한 컨텐츠 추천 방법을 설명하기 위한 흐름도의 일 실시예를 도시한 도면이다.2 is a diagram illustrating an embodiment of a flowchart for explaining a content recommendation method based on deep learning.

도 2에 도시된 바와 같이, 본 컨텐츠 추천 방법은 특정 고객의 고객 정보 및 특정 컨텐츠에 관한 정보를 포함하는 입력 정보를 수신하는 단계(S205)로부터 시작된다. 특정 고객의 고객 정보는 특정 고객의 ID, 가구 정보 및 프로필 정보를 포함할 수 있다. 특정 고객의 프로필 정보는 특정 고객의 가입 정보, 특정 고객의 나이에 관한 정보 및 특정 고객의 성별에 관한 정보를 포함할 수 있다. 특정 컨텐츠에 관한 정보는 특정 컨텐츠의 컨텐츠 ID 및 컨텐츠 메타 정보를 포함할 수 있다. 단계(S210)에서는 입력 정보를 입력 계층으로 입력하여 임베딩 처리를 수행함으로써 입력 벡터들을 출력한다. 여기서 임베딩 처리는 특정 고객의 가구 정보 및 특정 고객의 프로필 정보를 인코딩하여 외적하는 처리를 포함할 수 있다. 단계(S215)에서는 입력 벡터들을 심층 신경망 계층으로 입력하여 복수의 출력 값을 제공한다. 단계(S220)에서는 복수의 출력 값을 시그모이드 함수 계층으로 입력하여 특정 컨텐츠에 대한 구매 확률값을 제공한다. 본 단계에서는 복수의 출력값에 시그모이드 함수를 적용해서 구매 확률값을 제공할 수 있다. 여기서 구매 확률값은 특정 고객이 특정 컨텐츠를 구매할 확률을 나타낸다. 단계(S225)에서는 구매 확률값을 필터 계층(140)으로 입력하여 특정 컨텐츠를 특정 고객에게 추천할지 여부를 결정한다. 본 단계에서는 구매 확률값이 선정된 임계값 이상인 경우 특정 컨텐츠를 특정 고객에게 추천하는 것으로 결정할 수 있다.As shown in FIG. 2 , the present content recommendation method starts with receiving input information including customer information of a specific customer and information on specific content ( S205 ). The customer information of the specific customer may include ID, household information, and profile information of the specific customer. The specific customer's profile information may include subscription information of the specific customer, information about the specific customer's age, and information about the specific customer's gender. The information about the specific content may include a content ID and content meta information of the specific content. In step S210, input vectors are output by inputting input information into an input layer and performing embedding processing. Here, the embedding process may include processing of encoding and externalizing the specific customer's household information and the specific customer's profile information. In step S215, input vectors are input to the deep neural network layer to provide a plurality of output values. In step S220, a plurality of output values are input to the sigmoid function layer to provide a purchase probability value for a specific content. In this step, a purchase probability value may be provided by applying a sigmoid function to a plurality of output values. Here, the purchase probability value represents a probability that a specific customer will purchase a specific content. In step S225, a purchase probability value is input to the filter layer 140 to determine whether to recommend specific content to a specific customer. In this step, when the purchase probability value is greater than or equal to a predetermined threshold, it may be determined that specific content is recommended to a specific customer.

이상의 설명에 있어서 어떤 구성 요소가 다른 구성 요소에 접속되거나 결합된다는 기재의 의미는 당해 구성 요소가 그 다른 구성 요소에 직접적으로 접속되거나 결합된다는 의미뿐만 아니라 이들이 그 사이에 개재된 하나 또는 그 이상의 타 구성 요소를 통해 접속되거나 결합될 수 있다는 의미를 포함하는 것으로 이해되어야 한다. 이외에도 구성 요소들 간의 관계를 기술하기 위한 용어들(예컨대, '간에', '사이에' 등)도 유사한 의미로 해석되어야 한다.In the above description, the meaning of the description that a component is connected to or coupled to another component does not only mean that the component is directly connected or coupled to the other component, but also means that one or more other components are interposed therebetween. It should be understood to include the meaning that may be connected or coupled via an element. In addition, terms for describing the relationship between the elements (eg, 'between', 'between', etc.) should also be interpreted with similar meanings.

본원에 개시된 실시예들에 있어서, 도시된 구성 요소들의 배치는 발명이 구현되는 환경 또는 요구 사항에 따라 달라질 수 있다. 예컨대, 일부 구성 요소가 생략되거나 몇몇 구성 요소들이 통합되어 하나로 실시될 수 있다. 또한 일부 구성 요소들의 배치 순서 및 연결이 변경될 수 있다.In the embodiments disclosed herein, the arrangement of the illustrated components may vary depending on the environment or requirements in which the invention is implemented. For example, some components may be omitted or some components may be integrated and implemented as one. Also, the arrangement order and connection of some components may be changed.

이상에서는 본 발명의 다양한 실시예들에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예들에 한정되지 아니하며, 상술한 실시예들은 첨부하는 특허청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양하게 변형 실시될 수 있음은 물론이고, 이러한 변형 실시예들이 본 발명의 기술적 사상이나 범위와 별개로 이해되어져서는 아니 될 것이다. 따라서, 본 발명의 기술적 범위는 오직 첨부된 특허청구범위에 의해서만 정해져야 할 것이다.In the above, various embodiments of the present invention have been shown and described, but the present invention is not limited to the specific embodiments described above, and the above-described embodiments depart from the gist of the present invention as claimed in the appended claims. Without this, various modifications may be made by those of ordinary skill in the art to which the present invention pertains, and these modified embodiments should not be understood separately from the technical spirit or scope of the present invention. Accordingly, the technical scope of the present invention should be defined only by the appended claims.

100: 컨텐츠 추천을 위한 장치
110: 데이터베이스부
120: 프로세싱 엔진
130: 심층 학습 모듈
133: 입력 계층
135: 심층 신경망 계층
137: 시그모이드 함수 계층
140: 필터 계층100: device for content recommendation
110: database unit
120: processing engine
130: deep learning module
133: input layer
135: deep neural network layer
137: sigmoid function layer
140: filter layer

Claims (27)

심층 학습(Deep Learning)에 기반한 컨텐츠 추천 방법으로서,
특정 고객의 고객 정보 및 특정 컨텐츠에 관한 정보를 포함하는 입력 정보를 수신하는 단계 - 상기 특정 고객의 고객 정보는 상기 특정 고객의 가구 정보 및 프로필 정보를 포함함 -,
상기 입력 정보를 입력 계층으로 입력하여 임베딩(embedding) 처리를 수행함으로써 입력 벡터들을 출력하는 단계 - 상기 임베딩 처리는 상기 특정 고객의 가구 정보 및 상기 특정 고객의 프로필 정보를 인코딩하여 외적(outer product)하는 처리를 포함함 -,
상기 입력 벡터들을 심층 신경망(Deep Neural Network: DNN) 계층으로 입력하여 복수의 출력 값을 제공하는 단계,
상기 복수의 출력 값을 시그모이드 함수 계층(Sigmoid Function Layer)으로 입력하여 상기 특정 컨텐츠에 대한 구매 확률값을 제공하는 단계 - 상기 구매 확률값은 상기 특정 고객이 상기 특정 컨텐츠를 구매할 확률을 나타냄 -, 및
상기 구매 확률값을 필터 계층으로 입력하여 상기 특정 컨텐츠를 상기 특정 고객에게 추천할지 여부를 결정하는 단계를 포함하고,
상기 특정 고객의 고객 정보 및 특정 컨텐츠에 관한 정보를 포함하는 입력 정보를 수신하는 단계 - 상기 특정 고객의 고객 정보는 상기 특정 고객의 가구 정보 및 프로필 정보를 포함함 - 이전에, 상기 입력 계층, 상기 심층 신경망 계층 및 상기 시그모이드 함수 계층을 학습 데이터로 학습시키는 단계를 더 포함하며,
상기 학습 데이터는 고객 정보 및 고객이 구매한 컨텐츠에 관한 정보를 포함하고, 상기 고객 정보는 고객 가구 정보 및 고객 프로필 정보를 포함하고,
상기 입력 계층, 상기 심층 신경망 계층 및 상기 시그모이드 함수 계층은 복수의 입력 노드 및 복수의 출력 노드를 포함하고,
상기 입력 노드들과 상기 출력 노드들 간에는 가중치들이 설정되어 있으며,
상기 입력 계층, 상기 심층 신경망 계층 및 상기 시그모이드 함수 계층을 학습 데이터로 학습시키는 단계는, 상기 고객이 구매한 컨텐츠에 관한 정보를 상기 입력 계층으로 입력시켰을 때 상기 시그모이드 함수 계층으로부터 출력되는 구매 확률값이 선정된 임계값 이상이 되도록 상기 가중치들을 변경하는 단계를 포함하는, 컨텐츠 추천 방법.
As a content recommendation method based on deep learning,
receiving input information including customer information of a specific customer and information about specific content, wherein the customer information of the specific customer includes household information and profile information of the specific customer;
Outputting input vectors by inputting the input information into an input layer and performing an embedding process - The embedding process encodes the specific customer's household information and the specific customer's profile information to make an outer product including processing -,
providing a plurality of output values by inputting the input vectors to a deep neural network (DNN) layer;
providing a purchase probability value for the specific content by inputting the plurality of output values into a sigmoid function layer, wherein the purchase probability value represents a probability that the specific customer will purchase the specific content; and
determining whether to recommend the specific content to the specific customer by inputting the purchase probability value into a filter layer;
receiving input information including customer information of the specific customer and information about specific content, wherein the customer information of the specific customer includes household information and profile information of the specific customer. Previously, the input layer, the Further comprising the step of learning the deep neural network layer and the sigmoid function layer as training data,
The learning data includes customer information and information about content purchased by the customer, and the customer information includes customer household information and customer profile information,
The input layer, the deep neural network layer, and the sigmoid function layer include a plurality of input nodes and a plurality of output nodes,
Weights are set between the input nodes and the output nodes,
The step of learning the input layer, the deep neural network layer, and the sigmoid function layer as learning data is outputted from the sigmoid function layer when information about the content purchased by the customer is input to the input layer A content recommendation method comprising changing the weights so that a purchase probability value is equal to or greater than a predetermined threshold value.
 제1항에 있어서,
상기 특정 고객의 고객 정보는 상기 특정 고객의 고객 ID(Identification)를 더 포함하는, 컨텐츠 추천 방법.
According to claim 1,
The customer information of the specific customer further comprises a customer ID (Identification) of the specific customer, content recommendation method.
 제2항에 있어서,
상기 특정 고객의 프로필 정보는 상기 특정 고객의 가입 정보, 상기 특정 고객의 나이에 관한 정보 및 상기 특정 고객의 성별에 관한 정보를 포함하는, 컨텐츠 추천 방법.
3. The method of claim 2,
The profile information of the specific customer includes subscription information of the specific customer, information about the age of the specific customer, and information about the gender of the specific customer, content recommendation method.
 제1항에 있어서,
상기 특정 컨텐츠에 관한 정보는 상기 특정 컨텐츠의 컨텐츠 ID를 포함하는, 컨텐츠 추천 방법.
According to claim 1,
The content recommendation method, wherein the information on the specific content includes a content ID of the specific content.
 제4항에 있어서,
상기 특정 컨텐츠에 관한 정보는 상기 특정 컨텐츠의 컨텐츠 메타 정보(content meta information)를 더 포함하는, 컨텐츠 추천 방법.
5. The method of claim 4,
The content recommendation method, wherein the information on the specific content further includes content meta information of the specific content.
 제1항에 있어서,
상기 특정 컨텐츠는 VOD(video on demand) 컨텐츠인, 컨텐츠 추천 방법.
According to claim 1,
The specific content is video on demand (VOD) content, the content recommendation method.
 삭제delete 삭제delete 제1항에 있어서,
상기 복수의 출력 값을 시그모이드 함수 계층(Sigmoid Function Layer)으로 입력하여 상기 특정 컨텐츠에 대한 구매 확률값을 제공하는 단계 - 상기 구매 확률값은 상기 특정 고객이 상기 특정 컨텐츠를 구매할 확률을 나타냄 - 는, 상기 복수의 출력값에 시그모이드 함수를 적용해서 상기 구매 확률값을 제공하는 단계를 포함하는, 컨텐츠 추천 방법.
According to claim 1,
providing a purchase probability value for the specific content by inputting the plurality of output values into a sigmoid function layer - the purchase probability value represents a probability that the specific customer will purchase the specific content - and providing the purchase probability value by applying a sigmoid function to the plurality of output values.
 제1항에 있어서,
상기 구매 확률값을 필터 계층으로 입력하여 상기 특정 컨텐츠를 상기 특정 고객에게 추천할지 여부를 결정하는 단계는, 상기 구매 확률값이 선정된 임계값 이상인 경우 상기 특정 컨텐츠를 상기 특정 고객에게 추천하는 것으로 결정하는 단계를 포함하는, 컨텐츠 추천 방법.
According to claim 1,
The step of inputting the purchase probability value into a filter layer and determining whether to recommend the specific content to the specific customer includes determining that the specific content is recommended to the specific customer when the purchase probability value is equal to or greater than a predetermined threshold value Including, content recommendation method.
 심층 학습에 기반한 컨텐츠 추천 방법으로서,
특정 고객의 고객 정보 및 특정 컨텐츠에 관한 정보를 포함하는 입력 정보를 심층 학습 모듈로 입력함으로써 상기 특정 컨텐츠에 대한 구매 확률값을 제공하는 단계 - 상기 구매 확률값은 상기 특정 고객이 상기 특정 컨텐츠를 구매할 확률을 나타내고, 상기 특정 고객의 고객 정보는 상기 특정 고객의 가구 정보 및 프로필 정보를 포함하며, 상기 심층 학습 모듈에서는 상기 특정 고객의 가구 정보 및 상기 특정 고객의 프로필 정보를 인코딩하여 외적하는 처리가 수행됨 -, 및
상기 구매 확률값에 기초하여 상기 특정 컨텐츠를 상기 특정 고객에게 추천할지 여부를 결정하는 단계를 포함하고,
상기 심층 학습 모듈은 입력 계층, 심층 신경망 계층 및 시그모이드 함수 계층을 포함하며,
상기 특정 고객의 고객 정보 및 특정 컨텐츠에 관한 정보를 포함하는 입력 정보를 상기 심층 학습 모듈로 입력함으로써 상기 특정 컨텐츠에 대한 구매 확률값을 제공하는 단계는,
상기 특정 고객의 고객 정보 및 특정 컨텐츠에 관한 정보를 포함하는 입력 정보를 상기 심층 학습 모듈로 입력하는 단계,
상기 입력 정보를 상기 입력 계층으로 입력하여 임베딩(embedding) 처리를 수행함으로써 입력 벡터들을 출력하는 단계 - 상기 임베딩 처리는 상기 특정 고객의 가구 정보 및 상기 특정 고객의 프로필 정보를 인코딩하여 외적하는 처리를 포함함 -,
상기 입력 벡터들을 상기 심층 신경망 계층으로 입력하여 복수의 출력 값을 제공하는 단계, 및
상기 복수의 출력 값을 상기 시그모이드 함수 계층으로 입력하여 상기 특정 컨텐츠에 대한 구매 확률값을 제공하는 단계를 포함하고,
상기 특정 고객의 고객 정보 및 특정 컨텐츠에 관한 정보를 포함하는 입력 정보를 상기 심층 학습 모듈로 입력하는 단계 이전에, 상기 입력 계층, 상기 심층 신경망 계층 및 상기 시그모이드 함수 계층을 학습 데이터로 학습시키는 단계를 더 포함하며,
상기 학습 데이터는 고객 정보 및 고객이 구매한 컨텐츠에 관한 정보를 포함하고, 상기 고객 정보는 고객 가구 정보 및 고객 프로필 정보를 포함하고,
상기 입력 계층, 상기 심층 신경망 계층 및 상기 시그모이드 함수 계층은 복수의 입력 노드 및 복수의 출력 노드를 포함하고,
상기 입력 노드들과 상기 출력 노드들 간에는 가중치들이 설정되어 있으며,
상기 입력 계층, 상기 심층 신경망 계층 및 상기 시그모이드 함수 계층을 학습 데이터로 학습시키는 단계는, 상기 고객이 구매한 컨텐츠에 관한 정보를 상기 입력 계층으로 입력시켰을 때 상기 시그모이드 함수 계층으로부터 출력되는 구매 확률값이 선정된 임계값 이상이 되도록 상기 가중치들을 변경하는 단계를 포함하는, 컨텐츠 추천 방법.
As a content recommendation method based on deep learning,
Providing a purchase probability value for the specific content by inputting input information including information on customer information and specific content of a specific customer into a deep learning module - The purchase probability value is the probability that the specific customer will purchase the specific content and, the customer information of the specific customer includes the household information and profile information of the specific customer, and the deep learning module encodes the household information of the specific customer and the profile information of the specific customer to perform an external product -, and
determining whether to recommend the specific content to the specific customer based on the purchase probability value;
The deep learning module includes an input layer, a deep neural network layer, and a sigmoid function layer,
The step of providing a purchase probability value for the specific content by inputting input information including the customer information of the specific customer and information about the specific content into the deep learning module,
inputting input information including information about customer information and specific content of the specific customer into the deep learning module;
outputting input vectors by inputting the input information into the input layer and performing an embedding process - The embedding process includes a process of encoding the specific customer's household information and the specific customer's profile information and performing an external product Ham -,
inputting the input vectors into the deep neural network layer to provide a plurality of output values; and
providing a purchase probability value for the specific content by inputting the plurality of output values to the sigmoid function layer;
Before the step of inputting input information including information on customer information and specific content of the specific customer into the deep learning module, learning the input layer, the deep neural network layer, and the sigmoid function layer as learning data further comprising steps,
The learning data includes customer information and information about content purchased by the customer, and the customer information includes customer household information and customer profile information,
The input layer, the deep neural network layer, and the sigmoid function layer include a plurality of input nodes and a plurality of output nodes,
Weights are set between the input nodes and the output nodes,
The step of learning the input layer, the deep neural network layer, and the sigmoid function layer as learning data is outputted from the sigmoid function layer when information about the content purchased by the customer is input to the input layer and changing the weights so that a purchase probability value is equal to or greater than a predetermined threshold value.
 제11항에 있어서,
상기 특정 고객의 고객 정보는 상기 특정 고객의 고객 ID를 더 포함하는, 컨텐츠 추천 방법.
12. The method of claim 11,
The customer information of the specific customer further comprises a customer ID of the specific customer, content recommendation method.
 제12항에 있어서,
상기 특정 고객의 프로필 정보는 상기 특정 고객의 가입 정보, 상기 특정 고객의 나이에 관한 정보 및 상기 특정 고객의 성별에 관한 정보를 포함하는, 컨텐츠 추천 방법.
13. The method of claim 12,
The profile information of the specific customer includes subscription information of the specific customer, information about the age of the specific customer, and information about the gender of the specific customer, content recommendation method.
 제11항에 있어서,
상기 특정 컨텐츠에 관한 정보는 상기 특정 컨텐츠의 컨텐츠 ID를 포함하는, 컨텐츠 추천 방법.
12. The method of claim 11,
The content recommendation method, wherein the information on the specific content includes a content ID of the specific content.
 삭제delete 제11항에 있어서,
상기 구매 확률값에 기초하여 상기 특정 컨텐츠를 상기 특정 고객에게 추천할지 여부를 결정하는 단계는, 상기 구매 확률값이 선정된 임계값 이상인 경우 상기 특정 컨텐츠를 상기 특정 고객에게 추천하는 것으로 결정하는 단계를 포함하는, 컨텐츠 추천 방법.
12. The method of claim 11,
The step of determining whether to recommend the specific content to the specific customer based on the purchase probability value includes determining that the specific content is recommended to the specific customer when the purchase probability value is equal to or greater than a predetermined threshold value , how to recommend content.
 심층 학습에 기반한 컨텐츠 추천을 위한 장치로서,
고객 정보 및 컨텐츠에 관한 정보를 저장하는 데이터베이스부, 및
입력 계층, 심층 신경망 계층 및 시그모이드 함수 계층을 포함하는 심층 학습 모듈을 구현하며, 상기 데이터베이스부로부터 특정 고객의 고객 정보 및 특정 컨텐츠에 관한 정보를 검색하여 상기 심층 학습 모듈로 입력되게 하도록 구성된 프로세싱 엔진을 포함하며,
상기 특정 고객의 고객 정보는 상기 특정 고객의 가구 정보 및 프로필 정보를 포함하며,
상기 입력 계층은 상기 특정 고객의 고객 정보 및 상기 특정 컨텐츠에 관한 정보를 임베딩 처리하여 입력 벡터들을 출력하도록 구성되고 - 상기 임베딩 처리는 상기 특정 고객의 가구 정보 및 상기 특정 고객의 프로필 정보를 인코딩하여 외적하는 처리를 포함함 -,
상기 심층 신경망 계층은 상기 입력 벡터들을 처리하여 복수의 출력 값을 제공하도록 구성되고,
상기 시그모이드 함수 계층은 상기 복수의 출력 값에 기초하여 상기 특정 컨텐츠에 대한 구매 확률값을 제공하도록 구성되고 - 상기 구매 확률값은 상기 특정 고객이 상기 특정 컨텐츠를 구매할 확률을 나타냄 -,
상기 프로세싱 엔진은 상기 구매 확률값에 기초하여 상기 특정 컨텐츠를 상기 특정 고객에게 추천할지 여부를 결정하도록 더 구성되고,
상기 프로세싱 엔진은 상기 입력 계층, 상기 심층 신경망 계층 및 상기 시그모이드 함수 계층을 학습 데이터로 학습시키도록 더 구성되며,
상기 학습 데이터는 고객 정보 및 고객이 구매한 컨텐츠에 관한 정보를 포함하고, 상기 고객 정보는 고객 가구 정보 및 고객 프로필 정보를 포함하고,
상기 입력 계층, 상기 심층 신경망 계층 및 상기 시그모이드 함수 계층은 복수의 입력 노드 및 복수의 출력 노드를 포함하고,
상기 입력 노드들과 상기 출력 노드들 간에는 가중치들이 설정되어 있으며,
상기 프로세싱 엔진은, 상기 입력 계층, 상기 심층 신경망 계층 및 상기 시그모이드 함수 계층을 학습 데이터로 학습시키는 구성에서, 상기 고객이 구매한 컨텐츠에 관한 정보를 상기 입력 계층으로 입력시켰을 때 상기 시그모이드 함수 계층으로부터 출력되는 구매 확률값이 선정된 임계값 이상이 되도록 상기 가중치들을 변경하도록 더 구성되는, 컨텐츠 추천을 위한 장치.
As a device for content recommendation based on deep learning,
A database unit for storing information about customer information and content, and
A processing configured to implement a deep learning module including an input layer, a deep neural network layer, and a sigmoid function layer, and to retrieve customer information of a specific customer and information about specific content from the database unit and input to the deep learning module including the engine;
The customer information of the specific customer includes household information and profile information of the specific customer,
The input layer is configured to output input vectors by embedding the customer information of the specific customer and the information about the specific content, and the embedding processing is performed by encoding the household information of the specific customer and the profile information of the specific customer to obtain an external product. Including processing to -,
the deep neural network layer is configured to process the input vectors to provide a plurality of output values;
the sigmoid function layer is configured to provide a purchase probability value for the specific content based on the plurality of output values, wherein the purchase probability value represents a probability that the specific customer will purchase the specific content;
the processing engine is further configured to determine whether to recommend the specific content to the specific customer based on the purchase probability value;
The processing engine is further configured to train the input layer, the deep neural network layer, and the sigmoid function layer as training data,
The learning data includes customer information and information about content purchased by the customer, and the customer information includes customer household information and customer profile information,
The input layer, the deep neural network layer, and the sigmoid function layer include a plurality of input nodes and a plurality of output nodes,
Weights are set between the input nodes and the output nodes,
The processing engine, in a configuration for learning the input layer, the deep neural network layer, and the sigmoid function layer as training data, when the information about the content purchased by the customer is input to the input layer, the sigmoid The apparatus for content recommendation, further configured to change the weights so that a purchase probability value output from the functional layer is equal to or greater than a predetermined threshold value.
 제17항에 있어서,
상기 특정 고객의 고객 정보는 상기 특정 고객의 고객 ID를 더 포함하는, 컨텐츠 추천을 위한 장치.
18. The method of claim 17,
The customer information of the specific customer further comprises a customer ID of the specific customer, the apparatus for content recommendation.
 제18항에 있어서,
상기 특정 고객의 프로필 정보는 상기 특정 고객의 가입 정보, 상기 특정 고객의 나이에 관한 정보 및 상기 특정 고객의 성별에 관한 정보를 포함하는, 컨텐츠 추천을 위한 장치.
19. The method of claim 18,
The specific customer's profile information includes subscription information of the specific customer, information on the age of the specific customer, and information on the gender of the specific customer.
 제17항에 있어서,
상기 특정 컨텐츠에 관한 정보는 상기 특정 컨텐츠의 컨텐츠 ID를 포함하는, 컨텐츠 추천을 위한 장치.
18. The method of claim 17,
The information on the specific content includes a content ID of the specific content, the content recommendation apparatus.
 제20항에 있어서,
상기 특정 컨텐츠에 관한 정보는 상기 특정 컨텐츠의 컨텐츠 메타 정보를 더 포함하는, 컨텐츠 추천을 위한 장치.
21. The method of claim 20,
The information about the specific content further includes content meta information of the specific content, the content recommendation apparatus.
 삭제delete 삭제delete 제17항에 있어서,
상기 시그모이드 함수 계층은 상기 복수의 출력값에 시그모이드 함수를 적용해서 상기 구매 확률값을 제공하도록 더 구성되는, 컨텐츠 추천을 위한 장치.
18. The method of claim 17,
The sigmoid function layer is further configured to provide the purchase probability value by applying a sigmoid function to the plurality of output values.
 제17항에 있어서,
상기 프로세싱 엔진은, 상기 구매 확률값이 선정된 임계값 이상인 경우 상기 특정 컨텐츠를 상기 특정 고객에게 추천하도록 더 구성되는, 컨텐츠 추천을 위한 장치.
18. The method of claim 17,
The processing engine is further configured to recommend the specific content to the specific customer when the purchase probability value is equal to or greater than a predetermined threshold value.
 프로그램을 기록한 컴퓨터 판독가능 기록매체로서, 상기 프로그램은 명령어들을 포함하고, 상기 명령어들은 컴퓨터에 의해 실행될 때 제1항 내지 제6항, 제9항 및 제10항 중 어느 한 항에 따른 방법을 수행하는, 컴퓨터 판독가능 기록매체.
A computer-readable recording medium recording a program, the program including instructions, which, when executed by a computer, perform the method according to any one of claims 1 to 6, 9 and 10 which is a computer-readable recording medium.
 프로그램을 기록한 컴퓨터 판독가능 기록매체로서, 상기 프로그램은 명령어들을 포함하고, 상기 명령어들은 컴퓨터에 의해 실행될 때 제11항 내지 제14항 및 제16항 중 어느 한 항에 따른 방법을 수행하는, 컴퓨터 판독가능 기록매체.

A computer-readable recording medium recording a program, the program including instructions, which, when executed by a computer, perform the method according to any one of claims 11 to 14 and 16, computer readable possible recording medium.
KR1020200037383A 2020-03-27 2020-03-27 Method and Apparatus for Deep Learning Based Content Recommendation KR102342485B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200037383A KR102342485B1 (en) 2020-03-27 2020-03-27 Method and Apparatus for Deep Learning Based Content Recommendation

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200037383A KR102342485B1 (en) 2020-03-27 2020-03-27 Method and Apparatus for Deep Learning Based Content Recommendation

Publications (2)

Publication Number Publication Date
KR20210120541A KR20210120541A (en) 2021-10-07
KR102342485B1 true KR102342485B1 (en) 2021-12-22

Family

ID=78114833

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200037383A KR102342485B1 (en) 2020-03-27 2020-03-27 Method and Apparatus for Deep Learning Based Content Recommendation

Country Status (1)

Country Link
KR (1) KR102342485B1 (en)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102086604B1 (en) * 2018-09-10 2020-03-09 서울대학교산학협력단 Deep learning based conversation-style sentence spacing method and system using context information

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180066643A (en) * 2016-12-09 2018-06-19 동서대학교산학협력단 Product searching system using deep learning based on image comparison, and method thereof
KR20180121466A (en) * 2017-04-06 2018-11-07 네이버 주식회사 Personalized product recommendation using deep learning

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102086604B1 (en) * 2018-09-10 2020-03-09 서울대학교산학협력단 Deep learning based conversation-style sentence spacing method and system using context information

Also Published As

Publication number Publication date
KR20210120541A (en) 2021-10-07

Similar Documents

Publication Publication Date Title
CN111242748B (en) Method, apparatus, and storage medium for recommending items to a user
KR20220031569A (en) Recommend content items
US20150039608A1 (en) Media content rankings for discovery of novel content
US11153655B1 (en) Content appeal prediction using machine learning
CN115066906A (en) Method and system for recommending based on user-provided criteria
CN107592572B (en) Video recommendation method, device and equipment
Barragáns-Martínez et al. Developing a recommender system in a consumer electronic device
US10136189B2 (en) Method and system for re-aggregation and optimization of media
CN116541602A (en) Recommendation content pushing method and system, electronic equipment and storage medium
JP7217902B1 (en) Systems, methods, and computer-readable media for recommending streaming data
SURYANA et al. DEEP LEARNING FOR RECOMMENDER SYSTEM BASED ON APPLICATION DOMAIN CLASSIFICATION PERSPECTIVE: A REVIEW.
KR102380871B1 (en) Method and Apparatus for Recommendation of Similar Content Items
KR102342492B1 (en) Method and Apparatus for Deep Learning Based Content Recommendation
US20230316106A1 (en) Method and apparatus for training content recommendation model, device, and storage medium
KR102342485B1 (en) Method and Apparatus for Deep Learning Based Content Recommendation
US10820027B2 (en) Method and system for re-aggregation and optimization of media
KR102357360B1 (en) Method and Apparatus for Deep Learning Based Real-time Program Recommendation
KR102330059B1 (en) Method and device for recommending a poster
KR102536499B1 (en) Method and Apparatus for Deep Learning Based Content Recommendation
CN115964520A (en) Metadata tag identification
CN117546459A (en) System and method for alternative advertising
KR101734915B1 (en) Content Skill-up system using Meta data and consumption history information
Gorli et al. MRML-Movie Recommendation Model with Machine Learning Techniques
KR102361593B1 (en) Method and Apparatus for Determining Whether to Automatically Play Recommended Content Based on Deep Learning
KR102391644B1 (en) Method and Apparatus for VOD Content Recommendation

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant