KR102342492B1 - Method and Apparatus for Deep Learning Based Content Recommendation - Google Patents
Method and Apparatus for Deep Learning Based Content Recommendation Download PDFInfo
- Publication number
- KR102342492B1 KR102342492B1 KR1020200037393A KR20200037393A KR102342492B1 KR 102342492 B1 KR102342492 B1 KR 102342492B1 KR 1020200037393 A KR1020200037393 A KR 1020200037393A KR 20200037393 A KR20200037393 A KR 20200037393A KR 102342492 B1 KR102342492 B1 KR 102342492B1
- Authority
- KR
- South Korea
- Prior art keywords
- information
- customer
- specific
- content
- vector
- Prior art date
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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Artificial Intelligence (AREA)
- Computer Graphics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (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)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (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 재시청 확률값 제공하는 단계 - 상기 특정 고객의 고객 정보는 상기 특정 고객의 시청 이력 정보, 평가 이력 정보 및 재시청 이력 정보를 포함하고, 상기 특정 컨텐츠는 상기 특정 고객이 시청한 이력이 있는 컨텐츠이며, 상기 재시청 확률값은 상기 특정 고객이 상기 특정 컨텐츠를 재시청할 확률을 나타냄 -, 및 상기 재시청 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 re-viewing probability value for the specific content by inputting input information including information about the specific customer's customer information and specific content information into the deep learning module - The customer information of the specific customer is the specific customer's It includes viewing history information, evaluation history information, and re-viewing history information, wherein the specific content is a content that has been viewed by the specific customer, and the re-viewing probability value represents a probability that the specific customer will re-view the specific content and determining whether to recommend the specific content to the specific customer based on the re-viewing probability value.
Description
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 재시청을 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 re-watching is of great interest.
본 발명의 과제는 고객 개개인의 시청 이력에 관한 정보를 바탕으로 고객 개개인 별로 재시청할 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 re-viewed for each individual customer based on information about each customer's viewing history.
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 시청 이력 정보, 평가 이력 정보 및 재시청 이력 정보를 포함하고, 상기 특정 컨텐츠는 상기 특정 고객이 시청한 이력이 있는 컨텐츠임 -, 상기 입력 정보를 입력 계층으로 입력하여 임베딩(embedding) 처리를 수행함으로써 입력 벡터들을 출력하는 단계, 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 재시청 확률값을 제공하는 단계 - 상기 재시청 확률값은 상기 특정 고객이 상기 특정 컨텐츠를 재시청할 확률을 나타냄 -, 및 상기 재시청 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 viewing history information, evaluation history information, and re-viewing history information of the specific customer and, the specific content is content with a history of watching by the specific customer - outputting input vectors by inputting the input information into an input layer and performing an embedding process, and converting the input vectors into a deep neural network ( A step of providing a plurality of output values by input to a Deep Neural Network: DNN layer, providing a replay probability value for the specific content by inputting the plurality of output values into a sigmoid function layer - The re-viewing probability value represents a probability that the specific customer will re-view the specific content; and determining whether to recommend the specific content to the specific customer by inputting the re-viewing probability value into a filter layer. can
일 실시예에서, 상기 특정 고객의 고객 정보는 상기 특정 고객의 고객 ID(Identification) 및 프로필 정보를 더 포함한다.In one embodiment, the customer information of the specific customer further includes a customer ID (Identification) and profile information 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 입력 정보를 입력 계층으로 입력하여 임베딩(embedding) 처리를 수행함으로써 입력 벡터들을 출력하는 단계는, 상기 특정 고객의 시청 이력 정보를 인코딩하여 제1 벡터를 제공하는 단계, 상기 특정 고객의 평가 이력 정보를 인코딩하여 제2 벡터를 제공하는 단계, 상기 특정 고객의 재시청 이력 정보를 인코딩하여 제3 벡터를 제공하는 단계, 상기 제1 벡터와 상기 제3 벡터를 외적하여 제4 벡터를 제공하는 단계, 상기 제2 벡터와 상기 제3 벡터를 외적하여 제5 벡터를 제공하는 단계, 상기 제1 벡터와 상기 제3 벡터를 내적하여 제1 스칼라 값을 제공하는 단계, 상기 제2 벡터와 상기 제3 벡터를 내적하여 제2 스칼라 값을 제공하는 단계 및 상기 제4 벡터, 상기 제5 벡터, 상기 제1 스칼라 값 및 상기 제2 스칼라 값을 이용하여 재시청 의사 특징 벡터를 생성하는 단계를 포함한다.In one embodiment, the step of outputting input vectors by inputting the input information into an input layer and performing an embedding process includes: encoding the viewing history information of the specific customer to provide a first vector; providing a second vector by encoding evaluation history information of a customer; providing a third vector by encoding re-viewing history information of the specific customer; and a fourth vector by cross product of the first vector and the third vector providing a fifth vector by cross product of the second vector and the third vector, providing a first scalar value by dot product of the first vector and the third vector, and the second vector and providing a second scalar value by dot product with the third vector, and generating a replay pseudo feature vector using the fourth vector, the fifth vector, the first scalar value, and the second scalar value. includes
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 시청 이력 정보, 평가 이력 정보, 재시청 이력 정보 및 프로필 정보를 포함하고, 상기 특정 컨텐츠는 상기 특정 고객이 시청한 이력이 있는 컨텐츠임 - 이전에, 상기 입력 계층, 상기 심층 신경망 계층 및 상기 시그모이드 함수 계층을 학습 데이터로 학습시키는 단계를 더 포함한다.In one embodiment, the method comprises the steps of: receiving input information including information on customer information and specific content of the specific customer, wherein the customer information of the specific customer includes viewing history information, evaluation history information, and information on the specific customer; It includes re-viewing history information and profile information, and the specific content is a content that has been viewed by the specific customer. It further includes the step of making
일 실시예에서, 상기 학습 데이터는 고객 정보 및 고객이 재시청한 이력이 있는 컨텐츠에 관한 정보를 포함하고, 상기 고객 정보는 시청 이력 정보, 평가 이력 정보 및 재시청 이력 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 재시청한 이력이 있는 컨텐츠에 관한 정보를 상기 입력 계층으로 입력시켰을 때 상기 시그모이드 함수 계층으로부터 출력되는 재시청 확률값이 선정된 임계값 이상이 되도록 상기 가중치들을 변경하는 단계를 포함한다.In an embodiment, the learning data includes customer information and information about content that the customer has re-viewed, and the customer information includes viewing history information, evaluation history information, and re-viewing history information, and the input The layer, the deep neural network layer, and the sigmoid function layer include a plurality of input nodes and a plurality of output nodes, and weights are set between the input nodes and the output nodes, and the input layer and the deep neural network In the step of learning the layer and the sigmoid layer as learning data, the re-viewing probability value output from the sigmoid function layer when the customer inputs information about the content having a history of re-viewing to the input layer is and changing the weights to be greater than or equal to a predetermined threshold.
일 실시예에서, 상기 복수의 출력 값을 시그모이드 함수 계층(Sigmoid Function Layer)으로 입력하여 상기 특정 컨텐츠에 대한 재시청 확률값을 제공하는 단계 - 상기 재시청 확률값은 상기 특정 고객이 상기 특정 컨텐츠를 재시청할 확률을 나타냄 - 는, 상기 복수의 출력값에 시그모이드 함수를 적용해서 상기 재시청 확률값을 제공하는 단계를 포함한다.In one embodiment, the step of inputting the plurality of output values into a sigmoid function layer to provide a re-viewing probability value for the specific content - The re-viewing probability value is determined by the specific customer selecting the specific content representing the probability of re-viewing includes applying a sigmoid function to the plurality of output values to provide the re-viewing probability value.
일 실시예에서, 상기 재시청 확률값을 필터 계층으로 입력하여 상기 특정 컨텐츠를 상기 특정 고객에게 추천할지 여부를 결정하는 단계는, 상기 재시청 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 re-viewing probability value to the filter layer may include selecting the specific content to the specific customer when the re-viewing probability value is greater than or equal to a predetermined threshold value. and deciding to recommend it to
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 재시청 확률값 제공하는 단계 - 상기 특정 고객의 고객 정보는 상기 특정 고객의 시청 이력 정보, 평가 이력 정보 및 재시청 이력 정보를 포함하고, 상기 특정 컨텐츠는 상기 특정 고객이 시청한 이력이 있는 컨텐츠이며, 상기 재시청 확률값은 상기 특정 고객이 상기 특정 컨텐츠를 재시청할 확률을 나타냄 -, 및 상기 재시청 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 re-viewing probability value for the specific content by inputting input information including information about the specific customer's customer information and specific content information into the deep learning module - The customer information of the specific customer is the specific customer's It includes viewing history information, evaluation history information, and re-viewing history information, wherein the specific content is a content that has been viewed by the specific customer, and the re-viewing probability value represents a probability that the specific customer will re-view the specific content and determining whether to recommend the specific content to the specific customer based on the re-viewing probability value.
일 실시예에서, 상기 특정 고객의 고객 정보는 상기 특정 고객의 고객 ID 및 프로필 정보를 더 포함한다.In an embodiment, the customer information of the specific customer further includes a customer ID and profile information 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 특정 고객의 고객 정보 및 특정 컨텐츠에 관한 정보를 포함하는 입력 정보를 심층 학습 모듈로 입력함으로써 상기 특정 컨텐츠에 대한 재시청 확률값 제공하는 단계 - 상기 특정 고객의 고객 정보는 상기 특정 고객의 시청 이력 정보, 평가 이력 정보 및 재시청 이력 정보를 포함하고, 상기 특정 컨텐츠는 상기 특정 고객이 시청한 이력이 있는 컨텐츠이며, 상기 재시청 확률값은 상기 특정 고객이 상기 특정 컨텐츠를 재시청할 확률을 나타냄 - 는, 상기 특정 고객의 시청 이력 정보를 인코딩하여 제1 벡터를 제공하는 단계, 상기 특정 고객의 평가 이력 정보를 인코딩하여 제2 벡터를 제공하는 단계, 상기 특정 고객의 재시청 이력 정보를 인코딩하여 제3 벡터를 제공하는 단계, 상기 제1 벡터와 상기 제3 벡터를 외적하여 제4 벡터를 제공하는 단계, 상기 제2 벡터와 상기 제3 벡터를 외적하여 제5 벡터를 제공하는 단계, 상기 제1 벡터와 상기 제3 벡터를 내적하여 제1 스칼라 값을 제공하는 단계, 상기 제2 벡터와 상기 제3 벡터를 내적하여 제2 스칼라 값을 제공하는 단계 및 상기 제4 벡터, 상기 제5 벡터, 상기 제1 스칼라 값 및 상기 제2 스칼라 값을 이용하여 재시청 의사 특징 벡터를 생성하는 단계를 포함한다.In one embodiment, the step of providing a re-viewing probability value for the specific content by inputting input information including information about the customer information and the specific content of the specific customer into the deep learning module - The customer information of the specific customer is the specific content It includes a customer's viewing history information, evaluation history information, and re-viewing history information, wherein the specific content is a content that has been viewed by the specific customer, and the re-viewing probability value is a probability that the specific customer will re-view the specific content Representing - is, encoding the viewing history information of the specific customer to provide a first vector, encoding the evaluation history information of the specific customer to provide a second vector, re-viewing history information of the specific customer providing a third vector by encoding; providing a fourth vector by cross-producting the first vector and the third vector; providing a fifth vector by cross-producting the second vector and the third vector; providing a first scalar value by dot product of the first vector and the third vector; providing a second scalar value by dot product of the second vector and the third vector; and the fourth vector and the fifth vector and generating a replay pseudo feature vector by using a vector, the first scalar value, and the second scalar value.
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 재시청 확률값에 기초하여 상기 특정 컨텐츠를 상기 특정 고객에게 추천할지 여부를 결정하는 단계는, 상기 재시청 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 re-viewing probability value includes recommending the specific content to the specific customer when the re-viewing probability value is greater than or equal to a predetermined threshold value determining that it is
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. 상기 특정 고객의 고객 정보는 상기 특정 고객의 시청 이력 정보, 평가 이력 정보 및 재시청 이력 정보를 포함하고, 상기 특정 컨텐츠는 상기 특정 고객이 시청한 이력이 있는 컨텐츠이고, 상기 입력 계층은 상기 특정 고객의 고객 정보 및 상기 특정 컨텐츠에 관한 정보를 임베딩 처리하여 입력 벡터들을 출력하도록 구성되고, 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 재시청 확률값을 제공하도록 구성되고 - 상기 재시청 확률값은 상기 특정 고객이 상기 특정 컨텐츠를 재시청할 확률을 나타냄 -, 상기 프로세싱 엔진은 상기 재시청 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. The customer information of the specific customer includes viewing history information, evaluation history information, and re-viewing history information of the specific customer, the specific content is content that the specific customer has viewed, and the input layer is the specific customer is configured to output input vectors by embedding customer information of and information about the specific content, the deep neural network layer is configured to process the input vectors to provide a plurality of output values, and the sigmoid function layer comprises: and provide a re-view probability value for the particular content based on the plurality of output values, wherein the re-view probability value represents a probability that the particular customer will re-view the particular content, the processing engine comprising the re-view probability value It may be further configured to determine whether to recommend the specific content to the specific customer based on the
일 실시예에서, 상기 특정 고객의 고객 정보는 상기 특정 고객의 고객 ID 및 프로필 정보를 더 포함한다.In an embodiment, the customer information of the specific customer further includes a customer ID and profile information 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 입력 계층은, 상기 특정 고객의 시청 이력 정보를 인코딩하여 제1 벡터를 제공하고, 상기 특정 고객의 평가 이력 정보를 인코딩하여 제2 벡터를 제공하고, 상기 특정 고객의 재시청 이력 정보를 인코딩하여 제3 벡터를 제공하고, 상기 제1 벡터와 상기 제3 벡터를 외적하여 제4 벡터를 제공하고, 상기 제2 벡터와 상기 제3 벡터를 외적하여 제5 벡터를 제공하고, 상기 제1 벡터와 상기 제3 벡터를 내적하여 제1 스칼라 값을 제공하고, 상기 제2 벡터와 상기 제3 벡터를 내적하여 제2 스칼라 값을 제공하고, 상기 제4 벡터, 상기 제5 벡터, 상기 제1 스칼라 값 및 상기 제2 스칼라 값을 이용하여 재시청 의사 특징 벡터를 생성하도록 더 구성된다.In an embodiment, the input layer encodes the viewing history information of the specific customer to provide a first vector, encodes the evaluation history information of the specific customer to provide a second vector, and re-views the specific customer providing a third vector by encoding the history information, providing a fourth vector by cross-producting the first vector and the third vector, and providing a fifth vector by cross-producting the second vector and the third vector; a dot product of the first vector and the third vector to provide a first scalar value, a dot product of the second vector and the third vector to provide a second scalar value, the fourth vector and the fifth vector; and generate a replay pseudo feature vector by using the first scalar value and the second scalar value.
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 재시청한 이력이 있는 컨텐츠에 관한 정보를 포함하고, 상기 고객 정보는 시청 이력 정보, 평가 이력 정보 및 재시청 이력 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 재시청한 이력이 있는 컨텐츠에 관한 정보를 상기 입력 계층으로 입력시켰을 때 상기 시그모이드 함수 계층으로부터 출력되는 재시청 확률값이 선정된 임계값 이상이 되도록 상기 가중치들을 변경하도록 더 구성된다.In an embodiment, the learning data includes customer information and information about content that the customer has re-viewed, and the customer information includes viewing history information, evaluation history information, and re-viewing history information, and the input A 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, and the processing engine is configured to: and changing the weights so that, when information on the content having a history of re-viewing is input to the input layer, the re-viewing probability value output from the sigmoid function layer is greater than or equal to a predetermined threshold value.
일 실시예에서, 상기 시그모이드 함수 계층은 상기 복수의 출력값에 시그모이드 함수를 적용해서 상기 재시청 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 replay probability value.
일 실시예에서, 상기 프로세싱 엔진은, 상기 재시청 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 re-viewing 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. wherein the program includes instructions, the instructions performing the method when executed by a computer.
본 발명의 실시예들에 따르면, 고객 개개인의 시청 이력에 관한 정보를 바탕으로 고객 개개인 별로 재시청할 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 re-viewed for each individual customer based on information about each customer's viewing history.
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 및 복수의 고객의 각각에 대한 시청 이력 정보, 평가 정보 및 재시청 이력 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, CJ 채널 상품, 아이들나라 상품 등과 같은 해당 고객이 가입한 가입 상품에 관한 정보일 수 있다. 고객에 대한 시청 이력 정보는 해당 고객이 시청한 이력이 있는 컨텐츠들을 식별하는 정보일 수 있다. 고객에 대한 평가 이력 정보는 해당 고객이 평가한 컨텐츠들을 식별하는 정보일 수 있다. 고객에 대한 재시청 이력 정보는 해당 고객이 재시청한 이력이 있는 컨텐츠들을 식별하는 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 키워드, 분위기, 장르, 소재, 줄거리, 배우, 감독 등에 관한 정보를 포함할 수 있다. 컨텐츠에 관한 정보는 컨텐츠 제공 서비스 사업자가 제공하고 있는 컨텐츠들의 현재 가격 정보를 더 포함할 수 있다.The
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
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 시청 이력 정보, 평가 정보 및 재시청 이력 정보를 포함할 수 있다. 특정 고객의 고객 정보는 해당 고객의 ID 및 해당 고객의 프로필 정보를 더 포함할 수 있다. 특정 컨텐츠에 관한 정보는 특정 고객이 시청한 이력이 있는 컨텐츠로서 특정 고객이 앞으로 재시청할 가능성이 있는지를 예측해 보고자 하는 대상이 되는 컨텐츠에 관한 정보로서, 해당 컨텐츠의 ID 및 해당 컨텐츠의 메타 정보를 포함할 수 있다.The
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, 예컨대 룩업테이블(lookup table)을 이용하여 입력 정보를 인코딩하는 동작을 수반할 수 있다. 예컨대, 컨텐츠 제공 서비스 사업자 측에서 제공하는 컨텐츠들의 수가 10개이고 특정 고객이 컨텐츠 3번 및 컨텐츠 7번 내지 컨텐츠 9번을 시청한 이력이 있는 경우, 특정 고객의 시청 이력 정보는 [0, 0, 1, 0, 0, 0, 1, 1, 1, 0]와 같이 시청 이력 벡터로 인코딩이 가능하다. 또한 이 경우 특정 고객이 컨텐츠 3번 및 컨텐츠 8번에 대해 평가를 한 이력이 있는 경우 특정 고객의 평가 이력 정보는 [0, 0, 1, 0, 0, 0, 0, 1, 0, 0]와 같이 평가 이력 벡터로 인코딩이 가능하고, 특정 고객이 컨텐츠 8번에 대해 재시청을 한 이력이 있는 경우, 특정 고객의 재시청 이력 정보는 [0, 0, 0, 0, 0, 0, 0, 1, 0, 0]와 같이 재시청 이력 벡터로 인코딩이 가능하다. 입력 계층(133)은 시청 이력 벡터, 평가 이력 벡터 및 재시청 이력 벡터를 별개의 입력 벡터들로서 출력하는 대신 이들 벡터를 가공하여 하나의 입력 벡터로 출력하도록 구성될 수 있다. 예컨대, 입력 계층(133)은 시청 이력 벡터와 재시청 이력 벡터를 외적하여 제1 벡터를 제공하고, 평가 이력 벡터와 재시청 이력 벡터를 외적하여 제2 벡터를 제공하고, 시청 이력 벡터와 재시청 이력 벡터를 내적하여 제1 스칼라 값을 제공하고, 평가 이력 벡터와 재시청 이력 벡터를 내적하여 제2 스칼라 값을 제공하고, 제1 벡터, 제2 벡터, 제1 스칼라 값 및 제2 스칼라 값을 이용하여 재시청 의사 특징 벡터를 생성하여 이를 입력 벡터로서 출력하도록 구성될 수 있다. 일 실시예에서, 입력 계층(133)은 제1 벡터, 제2 벡터, 제1 스칼라 값 및 제2 스칼라 값을 서로 연접하여 재시청 의사 특징 벡터를 생성하도록 구성된다. 이와 같이 시청 이력 벡터, 평가 이력 벡터 및 재시청 이력 벡터에 대해 외적 및 내적 연산을 수행하여 재시청 의사 특징 벡터를 구성하는 이유는 재시청 의사를 반영하는 정보가 심층 신경망 계층(135) 및 시그모이드 함수 계층(137)에서 연산 처리되도록 함으로써 보다 유의미한 출력 정보를 얻을 수 있도록 하기 위함이다. 고객의 프로필 정보도 가입 정보, 나이 정보 및 성별 정보의 각각에 대하여 적당한 개수의 비트를 할당함으로써 선정된 개수의 비트로 인코딩하는 것이 가능하다. 일 실시예에서, 입력 계층(133)은 재시청 의사 특징 벡터, 고객의 ID를 인코딩한 입력 벡터, 고객의 프로필 정보를 인코딩하여 구성한 입력 벡터, 고객이 앞으로 재시청할 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
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 비선형적 연산 처리에 의해 입력 정보의 대안적 표현값들(alternative representations)인 복수의 출력 값을 제공하도록 구성될 수 있다.The deep
심층 학습 모듈(130)의 시그모이드 함수 계층(137)은 심층 신경망 계층(135)으로부터 출력되는 복수의 출력 값에 기초하여 특정 컨텐츠(고객이 앞으로 재시청할 가능성이 있는지를 예측해 보고자 하는 대상이 되는 컨텐츠)에 대한 재시청 확률값을 제공하도록 구성될 수 있다. 특정 컨텐츠에 대한 재시청 확률값은 특정 고객이 특정 컨텐츠를 재시청할 확률을 나타낸다. 재시청 확률값은 0 이상이고 1 이하인 값일 수 있다. 일 실시예에서, 시그모이드 함수 계층(137)은 복수의 출력 값에 시그모이드 함수(Sigmoid Function)를 적용해서 재시청 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
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 재시청 확률값에 기초하여 특정 컨텐츠를 특정 고객에게 추천할지 여부를 결정하도록 구성될 수 있다. 필터 계층(140)은 재시청 확률값이 선정된 임계값 이상인 경우 특정 컨텐츠를 특정 고객에게 추천하도록 구성될 수 있다. 일 실시예에서, 필터 계층(140)은 재시청 확률값이 0.5 이상인 경우 특정 컨텐츠를 특정 고객에게 추천하도록 구성될 수 있다. 예를 들어, '알라딘'에 대한 재시청 확률값이 0.7로 출력되는 경우, 필터 계층(140)은 '알라딘'을 특정 고객에게 추천하는 것으로 결정할 수 있다.The
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 고객의 각각이 재시청한 이력이 있는 적어도 하나의 컨텐츠에 관한 정보를 포함할 수 있다. 복수의 고객의 각각에 대한 고객 정보는 해당 고객의 시청 이력 정보, 평가 이력 정보 및 재시청 이력 정보를 포함할 수 있다. 복수의 고객의 각각에 대한 고객 정보는 해당 고객의 고객 ID 및 프로필 정보를 더 포함할 수 있다. 고객이 재시청한 이력이 있는 적어도 하나의 컨텐츠에 관한 정보는 해당 고객이 재시청한 이력이 있는 적어도 하나의 컨텐츠의 ID 및 메타 정보를 포함할 수 있다. 프로세싱 엔진(120)은, 고객 정보 및 고객이 재시청한 이력이 있는 컨텐츠에 관한 정보를 입력 계층(133)으로 입력시켰을 때 시그모이드 함수 계층(137)으로부터 출력되는 재시청 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 재시청 확률값을 얻는 것이 가능해진다.In the above description, the
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
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 시청 이력 정보, 평가 이력 정보 및 재시청 이력 정보를 포함할 수 있다. 특정 고객의 고객 정보는 특정 고객의 고객 ID 및 프로필 정보를 더 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 컨텐츠는 특정 고객이 시청한 이력이 있는 VOD(video on demand) 컨텐츠와 같은 컨텐츠이고, 특정 컨텐츠에 관한 정보는 특정 컨텐츠의 컨텐츠 ID 및/또는 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 시청 이력 정보를 인코딩하여 제1 벡터를 제공하고, 특정 고객의 평가 이력 정보를 인코딩하여 제2 벡터를 제공하고, 특정 고객의 재시청 이력 정보를 인코딩하여 제3 벡터를 제공하고, 제1 벡터와 제3 벡터를 외적하여 제4 벡터를 제공하고, 제2 벡터와 제3 벡터를 외적하여 제5 벡터를 제공하고, 제1 벡터와 제3 벡터를 내적하여 제1 스칼라 값을 제공하고, 제2 벡터와 제3 벡터를 내적하여 제2 스칼라 값을 제공하고, 제4 벡터, 제5 벡터, 제1 스칼라 값 및 제2 스칼라 값을 이용하여 재시청 의사 특징 벡터를 생성하는 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 재시청 확률값을 제공한다. 본 단계에서는 복수의 출력값에 시그모이드 함수를 적용해서 재시청 확률값을 제공할 수 있다. 여기서 재시청 확률값은 특정 고객이 특정 컨텐츠를 재시청할 확률을 나타낸다. 단계(S225)에서는 재시청 확률값을 필터 계층으로 입력하여 특정 컨텐츠를 특정 고객에게 추천할지 여부를 결정한다. 본 단계에서는 재시청 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 viewing history information, evaluation history information, and re-viewing history information of the specific customer. The customer information of the specific customer may further include customer ID 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 specific content is content such as video on demand (VOD) content that has been viewed by a specific customer, and the information about the specific content may include a content ID and/or 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 provides a first vector by encoding the viewing history information of a specific customer, encoding the evaluation history information of the specific customer to provide a second vector, and encoding the re-viewing history information of the specific customer to provide a third vector The first vector and the third vector are cross product to provide a fourth vector, the second vector and the third vector are cross product to provide a fifth vector, and the first vector and the third vector are dot product to provide a first vector A scalar value is provided, a second scalar value is provided by dot product of the second vector and a third vector, and a replay pseudo feature vector is obtained using the fourth vector, the fifth vector, the first scalar value, and the second scalar value. It may include processing to generate 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 re-viewing probability value for a specific content. In this step, a re-viewing probability value may be provided by applying a sigmoid function to a plurality of output values. Here, the re-viewing probability value represents a probability that a specific customer will re-view specific content. In step S225, it is determined whether or not to recommend specific content to a specific customer by inputting a re-viewing probability value to the filter layer. In this step, when the re-viewing 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 (31)
특정 고객의 고객 정보 및 특정 컨텐츠에 관한 정보를 포함하는 입력 정보를 수신하는 단계 - 상기 특정 고객의 고객 정보는 상기 특정 고객의 시청 이력 정보, 평가 이력 정보 및 재시청 이력 정보를 포함하고, 상기 특정 컨텐츠는 상기 특정 고객이 시청한 이력이 있는 컨텐츠임 -,
상기 입력 정보를 입력 계층으로 입력하여 임베딩(embedding) 처리를 수행함으로써 입력 벡터들을 출력하는 단계,
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 재시청 확률값을 제공하는 단계 - 상기 재시청 확률값은 상기 특정 고객이 상기 특정 컨텐츠를 재시청할 확률을 나타냄 -, 및
상기 재시청 확률값을 필터 계층으로 입력하여 상기 특정 컨텐츠를 상기 특정 고객에게 추천할지 여부를 결정하는 단계를 포함하고,
상기 입력 정보를 입력 계층으로 입력하여 임베딩(embedding) 처리를 수행함으로써 입력 벡터들을 출력하는 단계는, 상기 특정 고객의 시청 이력 정보를 인코딩하여 제1 벡터를 제공하는 단계, 상기 특정 고객의 평가 이력 정보를 인코딩하여 제2 벡터를 제공하는 단계, 상기 특정 고객의 재시청 이력 정보를 인코딩하여 제3 벡터를 제공하는 단계, 상기 제1 벡터와 상기 제3 벡터를 외적하여 제4 벡터를 제공하는 단계, 상기 제2 벡터와 상기 제3 벡터를 외적하여 제5 벡터를 제공하는 단계, 상기 제1 벡터와 상기 제3 벡터를 내적하여 제1 스칼라 값을 제공하는 단계, 상기 제2 벡터와 상기 제3 벡터를 내적하여 제2 스칼라 값을 제공하는 단계 및 상기 제4 벡터, 상기 제5 벡터, 상기 제1 스칼라 값 및 상기 제2 스칼라 값을 이용하여 재시청 의사 특징 벡터를 생성하는 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 viewing history information, evaluation history information, and re-viewing history information of the specific customer, and The content is the content that the specific customer has watched -,
outputting input vectors by inputting the input information into an input layer and performing an embedding process;
providing a plurality of output values by inputting the input vectors to a deep neural network (DNN) layer;
providing a re-viewing probability value for the specific content by inputting the plurality of output values to a sigmoid function layer - The re-viewing probability value represents a probability that the specific customer will re-view the specific content -, and
determining whether to recommend the specific content to the specific customer by inputting the re-viewing probability value to a filter layer;
The step of outputting input vectors by inputting the input information into an input layer and performing embedding processing includes: encoding the viewing history information of the specific customer to provide a first vector; Evaluation history information of the specific customer providing a second vector by encoding, providing a third vector by encoding re-viewing history information of the specific customer, providing a fourth vector by cross product of the first vector and the third vector; providing a fifth vector by cross product of the second vector and the third vector; providing a first scalar value by dot product of the first vector and the third vector; and the second vector and the third vector content, comprising the steps of providing a second scalar value by dot product of Recommended way.
상기 특정 고객의 고객 정보는 상기 특정 고객의 고객 ID(Identification) 및 프로필 정보를 더 포함하는, 컨텐츠 추천 방법.
According to claim 1,
The customer information of the specific customer further comprises a customer ID (Identification) and profile information of the specific customer, content recommendation method.
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.
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.
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.
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.
상기 특정 고객의 고객 정보 및 특정 컨텐츠에 관한 정보를 포함하는 입력 정보를 수신하는 단계 - 상기 특정 고객의 고객 정보는 상기 특정 고객의 시청 이력 정보, 평가 이력 정보, 재시청 이력 정보 및 프로필 정보를 포함하고, 상기 특정 컨텐츠는 상기 특정 고객이 시청한 이력이 있는 컨텐츠임 - 이전에, 상기 입력 계층, 상기 심층 신경망 계층 및 상기 시그모이드 함수 계층을 학습 데이터로 학습시키는 단계를 더 포함하는, 컨텐츠 추천 방법.
According to claim 1,
Receiving input information including customer information of the specific customer and information on specific content - The customer information of the specific customer includes viewing history information, evaluation history information, re-viewing history information, and profile information of the specific customer And, the specific content is the content that the specific customer has a history of watching - Previously, further comprising the step of learning the input layer, the deep neural network layer, and the sigmoid function layer as training data, content recommendation Way.
상기 학습 데이터는 고객 정보 및 고객이 재시청한 이력이 있는 컨텐츠에 관한 정보를 포함하고, 상기 고객 정보는 시청 이력 정보, 평가 이력 정보 및 재시청 이력 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 재시청한 이력이 있는 컨텐츠에 관한 정보를 상기 입력 계층으로 입력시켰을 때 상기 시그모이드 함수 계층으로부터 출력되는 재시청 확률값이 선정된 임계값 이상이 되도록 상기 가중치들을 변경하는 단계를 포함하는, 컨텐츠 추천 방법.
9. The method of claim 8,
The learning data includes customer information and information on content that the customer has re-viewed, and the customer information includes viewing history information, evaluation history information, and re-viewing history 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 includes the sigmoid function when the customer inputs information about content having a history of re-viewing to the input layer. and changing the weights so that a re-viewing probability value output from a layer is equal to or greater than a predetermined threshold value.
상기 복수의 출력 값을 시그모이드 함수 계층(Sigmoid Function Layer)으로 입력하여 상기 특정 컨텐츠에 대한 재시청 확률값을 제공하는 단계 - 상기 재시청 확률값은 상기 특정 고객이 상기 특정 컨텐츠를 재시청할 확률을 나타냄 - 는, 상기 복수의 출력값에 시그모이드 함수를 적용해서 상기 재시청 확률값을 제공하는 단계를 포함하는, 컨텐츠 추천 방법.
According to claim 1,
providing a re-viewing probability value for the specific content by inputting the plurality of output values to a sigmoid function layer - The re-viewing probability value represents a probability that the specific customer will re-view the specific content - is, by applying a sigmoid function to the plurality of output values, comprising the step of providing the re-viewing probability value, the content recommendation method.
상기 재시청 확률값을 필터 계층으로 입력하여 상기 특정 컨텐츠를 상기 특정 고객에게 추천할지 여부를 결정하는 단계는, 상기 재시청 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 determining whether to recommend the specific content to the specific customer by inputting the re-viewing probability value to the filter layer includes determining that the specific content is recommended to the specific customer when the re-viewing probability value is greater than or equal to a predetermined threshold value A content recommendation method comprising the step of doing.
특정 고객의 고객 정보 및 특정 컨텐츠에 관한 정보를 포함하는 입력 정보를 심층 학습 모듈로 입력함으로써 상기 특정 컨텐츠에 대한 재시청 확률값 제공하는 단계 - 상기 특정 고객의 고객 정보는 상기 특정 고객의 시청 이력 정보, 평가 이력 정보 및 재시청 이력 정보를 포함하고, 상기 특정 컨텐츠는 상기 특정 고객이 시청한 이력이 있는 컨텐츠이며, 상기 재시청 확률값은 상기 특정 고객이 상기 특정 컨텐츠를 재시청할 확률을 나타냄 -, 및
상기 재시청 확률값에 기초하여 상기 특정 컨텐츠를 상기 특정 고객에게 추천할지 여부를 결정하는 단계를 포함하고,
상기 특정 고객의 고객 정보 및 특정 컨텐츠에 관한 정보를 포함하는 입력 정보를 심층 학습 모듈로 입력함으로써 상기 특정 컨텐츠에 대한 재시청 확률값 제공하는 단계 - 상기 특정 고객의 고객 정보는 상기 특정 고객의 시청 이력 정보, 평가 이력 정보 및 재시청 이력 정보를 포함하고, 상기 특정 컨텐츠는 상기 특정 고객이 시청한 이력이 있는 컨텐츠이며, 상기 재시청 확률값은 상기 특정 고객이 상기 특정 컨텐츠를 재시청할 확률을 나타냄 - 는, 상기 특정 고객의 시청 이력 정보를 인코딩하여 제1 벡터를 제공하는 단계, 상기 특정 고객의 평가 이력 정보를 인코딩하여 제2 벡터를 제공하는 단계, 상기 특정 고객의 재시청 이력 정보를 인코딩하여 제3 벡터를 제공하는 단계, 상기 제1 벡터와 상기 제3 벡터를 외적하여 제4 벡터를 제공하는 단계, 상기 제2 벡터와 상기 제3 벡터를 외적하여 제5 벡터를 제공하는 단계, 상기 제1 벡터와 상기 제3 벡터를 내적하여 제1 스칼라 값을 제공하는 단계, 상기 제2 벡터와 상기 제3 벡터를 내적하여 제2 스칼라 값을 제공하는 단계 및 상기 제4 벡터, 상기 제5 벡터, 상기 제1 스칼라 값 및 상기 제2 스칼라 값을 이용하여 재시청 의사 특징 벡터를 생성하는 단계를 포함하는, 컨텐츠 추천 방법.
As a content recommendation method based on deep learning,
Providing a re-viewing probability value for the specific content by inputting input information including information about the specific customer's customer information and specific content into the deep learning module - The specific customer's customer information includes the specific customer's viewing history information; evaluation history information and re-viewing history information, wherein the specific content is a content that has been viewed by the specific customer, and the re-viewing probability value represents a probability that the specific customer will re-view the specific content -, and
determining whether to recommend the specific content to the specific customer based on the re-viewing probability value;
Providing a re-viewing probability value for the specific content by inputting input information including the customer information of the specific customer and information on the specific content into the deep learning module - The customer information of the specific customer is the viewing history information of the specific customer , evaluation history information and re-viewing history information, wherein the specific content is a content that has been viewed by the specific customer, and the re-viewing probability value represents a probability that the specific customer will re-view the specific content - is, encoding the specific customer's viewing history information to provide a first vector; encoding the specific customer's evaluation history information to provide a second vector; encoding the specific customer's re-viewing history information to provide a third vector providing a fourth vector by cross-producting the first vector and the third vector, providing a fifth vector by cross-producting the second vector and the third vector, the first vector and providing a first scalar value by dot product of the third vector; providing a second scalar value by dot product of the second vector and the third vector; and the fourth vector, the fifth vector, and the first and generating a replay pseudo feature vector by using a scalar value and the second scalar value.
상기 특정 고객의 고객 정보는 상기 특정 고객의 고객 ID 및 프로필 정보를 더 포함하는, 컨텐츠 추천 방법.
13. The method of claim 12,
The customer information of the specific customer further comprises a customer ID and profile information of the specific customer, content recommendation method.
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.
14. The method of claim 13,
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.
상기 특정 컨텐츠에 관한 정보는 상기 특정 컨텐츠의 컨텐츠 ID를 포함하는, 컨텐츠 추천 방법.
13. The method of claim 12,
The content recommendation method, wherein the information on the specific content includes a content ID of the specific content.
상기 특정 컨텐츠에 관한 정보는 상기 특정 컨텐츠의 컨텐츠 메타 정보를 더 포함하는, 컨텐츠 추천 방법.
16. The method of claim 15,
The content recommendation method, wherein the information on the specific content further includes content meta information of the specific content.
상기 심층 학습 모듈은 입력 계층, 심층 신경망 계층 및 시그모이드 함수 계층을 포함하는, 컨텐츠 추천 방법.
13. The method of claim 12,
The deep learning module includes an input layer, a deep neural network layer, and a sigmoid function layer, the content recommendation method.
상기 재시청 확률값에 기초하여 상기 특정 컨텐츠를 상기 특정 고객에게 추천할지 여부를 결정하는 단계는, 상기 재시청 확률값이 선정된 임계값 이상인 경우 상기 특정 컨텐츠를 상기 특정 고객에게 추천하는 것으로 결정하는 단계를 포함하는, 컨텐츠 추천 방법.
13. The method of claim 12,
The step of determining whether to recommend the specific content to the specific customer based on the re-viewing probability value may include determining whether to recommend the specific content to the specific customer when the re-viewing probability value is greater than or equal to a predetermined threshold value. Including, content recommendation method.
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 시청 이력 정보, 평가 이력 정보 및 재시청 이력 정보를 포함하고, 상기 특정 컨텐츠는 상기 특정 고객이 시청한 이력이 있는 컨텐츠이고,
상기 입력 계층은 상기 특정 고객의 고객 정보 및 상기 특정 컨텐츠에 관한 정보를 임베딩 처리하여 입력 벡터들을 출력하도록 구성되고,
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 재시청 확률값을 제공하도록 구성되고 - 상기 재시청 확률값은 상기 특정 고객이 상기 특정 컨텐츠를 재시청할 확률을 나타냄 -,
상기 프로세싱 엔진은 상기 재시청 확률값에 기초하여 상기 특정 컨텐츠를 상기 특정 고객에게 추천할지 여부를 결정하도록 더 구성되고,
상기 입력 계층은, 상기 특정 고객의 시청 이력 정보를 인코딩하여 제1 벡터를 제공하고, 상기 특정 고객의 평가 이력 정보를 인코딩하여 제2 벡터를 제공하고, 상기 특정 고객의 재시청 이력 정보를 인코딩하여 제3 벡터를 제공하고, 상기 제1 벡터와 상기 제3 벡터를 외적하여 제4 벡터를 제공하고, 상기 제2 벡터와 상기 제3 벡터를 외적하여 제5 벡터를 제공하고, 상기 제1 벡터와 상기 제3 벡터를 내적하여 제1 스칼라 값을 제공하고, 상기 제2 벡터와 상기 제3 벡터를 내적하여 제2 스칼라 값을 제공하고, 상기 제4 벡터, 상기 제5 벡터, 상기 제1 스칼라 값 및 상기 제2 스칼라 값을 이용하여 재시청 의사 특징 벡터를 생성하도록 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 viewing history information, evaluation history information, and re-viewing history information of the specific customer, and the specific content is content that has a history watched by the specific customer,
The input layer is configured to embed customer information of the specific customer and information about the specific content to output input vectors,
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 re-view probability value for the specific content based on the plurality of output values, wherein the re-view probability value represents a probability that the specific customer will re-view the specific content;
the processing engine is further configured to determine whether to recommend the specific content to the specific customer based on the re-viewing probability value;
The input layer provides a first vector by encoding the viewing history information of the specific customer, provides a second vector by encoding the evaluation history information of the specific customer, and encoding the re-viewing history information of the specific customer providing a third vector, cross-producting the first vector and the third vector to provide a fourth vector, cross-producting the second vector and the third vector to provide a fifth vector, and The third vector is dot product to provide a first scalar value, the second vector and the third vector are dot product to provide a second scalar value, and the fourth vector, the fifth vector, and the first scalar value and generating a replay pseudo feature vector using the second scalar value.
상기 특정 고객의 고객 정보는 상기 특정 고객의 고객 ID 및 프로필 정보를 더 포함하는, 컨텐츠 추천을 위한 장치.
21. The method of claim 20,
The customer information of the specific customer further comprises a customer ID and profile information of the specific customer, the device for content recommendation.
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.
22. The method of claim 21,
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.
상기 특정 컨텐츠에 관한 정보는 상기 특정 컨텐츠의 컨텐츠 ID를 포함하는, 컨텐츠 추천을 위한 장치.
21. The method of claim 20,
The information on the specific content includes a content ID of the specific content, the content recommendation apparatus.
상기 특정 컨텐츠에 관한 정보는 상기 특정 컨텐츠의 컨텐츠 메타 정보를 더 포함하는, 컨텐츠 추천을 위한 장치.
24. The method of claim 23,
The information about the specific content further includes content meta information of the specific content, the content recommendation apparatus.
상기 프로세싱 엔진은 상기 입력 계층, 상기 심층 신경망 계층 및 상기 시그모이드 함수 계층을 학습 데이터로 학습시키도록 더 구성되는, 컨텐츠 추천을 위한 장치.
21. The method of claim 20,
The apparatus for content recommendation, wherein the processing engine is further configured to train the input layer, the deep neural network layer, and the sigmoid function layer as training data.
상기 학습 데이터는 고객 정보 및 고객이 재시청한 이력이 있는 컨텐츠에 관한 정보를 포함하고, 상기 고객 정보는 시청 이력 정보, 평가 이력 정보 및 재시청 이력 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 재시청한 이력이 있는 컨텐츠에 관한 정보를 상기 입력 계층으로 입력시켰을 때 상기 시그모이드 함수 계층으로부터 출력되는 재시청 확률값이 선정된 임계값 이상이 되도록 상기 가중치들을 변경하도록 더 구성되는, 컨텐츠 추천을 위한 장치.
27. The method of claim 26,
The learning data includes customer information and information on content that the customer has re-viewed, and the customer information includes viewing history information, evaluation history information, and re-viewing history 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 changes the weights so that when the customer inputs information about the content having a history of re-viewing to the input layer, the re-viewing probability value output from the sigmoid function layer is equal to or greater than a predetermined threshold value. A device for content recommendation, further configured to do so.
상기 시그모이드 함수 계층은 상기 복수의 출력값에 시그모이드 함수를 적용해서 상기 재시청 확률값을 제공하도록 더 구성되는, 컨텐츠 추천을 위한 장치.
21. The method of claim 20,
The apparatus for content recommendation, wherein the sigmoid function layer is further configured to provide the replay probability value by applying a sigmoid function to the plurality of output values.
상기 프로세싱 엔진은, 상기 재시청 확률값이 선정된 임계값 이상인 경우 상기 특정 컨텐츠를 상기 특정 고객에게 추천하도록 더 구성되는, 컨텐츠 추천을 위한 장치.
21. The method of claim 20,
The processing engine is further configured to recommend the specific content to the specific customer when the re-viewing probability value is equal to or greater than a predetermined threshold value.
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 and 8 to 11 which is a computer-readable recording medium.
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 12 to 16, 18 and 19 which is a computer-readable recording medium.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200037393A KR102342492B1 (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 |
|---|---|---|---|
| KR1020200037393A KR102342492B1 (en) | 2020-03-27 | 2020-03-27 | Method and Apparatus for Deep Learning Based Content Recommendation |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210120545A KR20210120545A (en) | 2021-10-07 |
| KR102342492B1 true KR102342492B1 (en) | 2021-12-22 |
Family
ID=78114853
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200037393A KR102342492B1 (en) | 2020-03-27 | 2020-03-27 | Method and Apparatus for Deep Learning Based Content Recommendation |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102342492B1 (en) |
Citations (1)
| 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)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9485543B2 (en) * | 2013-11-12 | 2016-11-01 | Google Inc. | Methods, systems, and media for presenting suggestions of media content |
| KR20180121466A (en) * | 2017-04-06 | 2018-11-07 | 네이버 주식회사 | Personalized product recommendation using deep learning |
-
2020
- 2020-03-27 KR KR1020200037393A patent/KR102342492B1/en active IP Right Grant
Patent Citations (1)
| 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 |
|---|---|
| KR20210120545A (en) | 2021-10-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11017024B2 (en) | Media content rankings for discovery of novel content | |
| CN108595493B (en) | Media content pushing method and device, storage medium and electronic device | |
| Maddodi | NETFLIX bigdata analytics-the emergence of data driven recommendation | |
| US11153655B1 (en) | Content appeal prediction using machine learning | |
| CN107592572B (en) | Video recommendation method, device and equipment | |
| US11657219B2 (en) | Systems and methods for using machine learning models to organize and select modular components for user interface templates | |
| US20210103606A1 (en) | Methods and systems for performing context maintenance on search queries in a conversational search environment | |
| CN115066906A (en) | Method and system for recommending based on user-provided criteria | |
| KR102342492B1 (en) | Method and Apparatus for Deep Learning Based Content Recommendation | |
| KR102342485B1 (en) | Method and Apparatus for Deep Learning Based Content Recommendation | |
| 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 | |
| KR102380871B1 (en) | Method and Apparatus for Recommendation of Similar Content Items | |
| KR102361593B1 (en) | Method and Apparatus for Determining Whether to Automatically Play Recommended Content Based on Deep Learning | |
| CN114357301A (en) | Data processing method, device and readable storage medium | |
| KR102391644B1 (en) | Method and Apparatus for VOD Content Recommendation | |
| US11550991B2 (en) | Methods and systems for generating alternative content using adversarial networks implemented in an application programming interface layer | |
| KR102399834B1 (en) | Method and Apparatus for VOD Content Recommendation | |
| CN113761364B (en) | Multimedia data pushing method and device | |
| JP7090777B1 (en) | Content recommendation device and content recommendation method | |
| US20230362444A1 (en) | Computing device and operating method thereof | |
| US20240129583A1 (en) | Methods and systems for modifying a media guidance application based on user data | |
| KR102357357B1 (en) | Method and Apparatus for Content Recommendation Based on User-Based Collaborative Filtering | |
| US20240121475A1 (en) | Methods and systems for modifying a media guidance application based on user data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |