KR102370408B1 - 추천 정보 획득 방법, 장치 및 전자설비 - Google Patents

Abstract

본 발명은 추천 정보의 획득 방법을 개시하며, 상기 방법은 디스플레이할 제시 정보를 획득하는 단계; 상기 제시 정보 및 미리 설정된 라벨 지식 그래프에 기초하여 라벨 풀을 구성하는 단계; 상기 라벨 풀로부터 미리 설정된 개수의 라벨을 선택하여 사용자에게 추천하는 단계를 포함한다. 여기서, 상기 라벨 지식 그래프는 핵심 단어에 기초하여 상기 핵심 단어의 다차원 정보를 라벨을 이용하여 기술하는 지식 그래프이다.

Description

추천 정보 획득 방법, 장치 및 전자설비

관련 출원의 상호 참조

본 출원은 2017년7월 26일자로 출원된 “추천 정보 획득 방법, 장치 및 전자설비”란 중국 특허 출원 제 201710618792.2호에 대한 우선권을 주장하며, 상기 출원 전반에 걸친 내용을 참조하고 인용하였다.

기술분야

본 발명은 컴퓨터 기술 분야에 관한 것이고, 구체적으로 추천 정보 획득 방법, 장치 및 전자설비에 관한 것이다.

드롭다운 제시(suggest)는 사용자에 의해 (검색 박스에) 입력된 텍스트를 연관시키고, 사용자 선택을 위한 관련 매칭 제시어를 추천하고 디스플레이하도록 의도되어, 사용자의 입력 코스트를 줄이고, 관련 결과에 대한 품질을 제어하여 검색 엔진의 이해 및 검색을 보장함으로써, 사용자의 검색 경험을 향상시킬 수 있다. 드롭다운 제시는 일반적으로 사용자에 의한 입력된 텍스트에 기초하여 프리픽스 매칭을 수행하는데, 예를 들어, 각각의 추천 정보의 추천 확률은 입력된 프리픽스의 가중치 및 각각 드롭다운 제시 결과의 가중치에 따라 계산되고, 예를 들어, "훠궈"와 같은 추천 정보는 사용자의 선택을 위한 추천 정보로서 “훠”를 검색하는 동시에 주어질 수 있다. 또한, 사용자에게 제공되는 추천 정보를 확장하기 위해, 각 제시 정보에 대하여 사용자에게 제시 정보와 관련된 카테고리 정보를 추천하여 사용자가 선택할 수 있도록 한다. 예를 들어, 사용자가 검색 키워드 "셔츠"를 입력할 때, 추천 정보에는 "셔츠 원피스"가 포함되면서 미리 설정된 라벨 단어 라이브러리에 따라 시스템은 "셔츠 원피스"란 제시 정보의 카테고리 라벨을 선택하고 제시 정보의 카테고리 정보를 추천하며, 예를 들어, 긴 스타일, 수신, 한국 스타일 등과 같은 추천 정보가 단일하다.

본 발명은 획득된 추천 정보를 가능한 한 많이 풍부하게 하도록 추천 정보의 획득 방법을 개시한다.

상기 문제를 해결하기 위해, 제1측면에 따르면, 본 발명의 실시예는 추천 정보의 획득 방법을 개시한다. 상기 방법은,

디스플레이할 제시 정보를 회득하는 단계;

상기 제시 정보 및 미리 설정된 라벨 지식 그래프에 기초하여 라벨 풀을 구성하며, 상기 라벨 지식 그래프는 핵심 단어에 기초하여 상기 핵심 단어의 다차원 정보를 라벨을 이용하여 기술하는 지식 그래프이다.

상기 라벨 풀로부터 미리 설정된 개수의 라벨을 선택하여 사용자에게 추천한다.

제2측면에 따르면, 본 발명의 실시예는 추천 정보의 획득 장치를 개시한다. 상기 장치는,

디스플레이할 제시 정보를 회득하는 제시 정보 획득 모듈;

핵심 단어에 기초하여 상기 핵심 단어의 다차원 정보를 라벨을 이용하여 기술하는 미리 설정되는 라벨 지식 그래프 및 상기 제시 정보에 기초하여 라벨 풀을 구성하는 라벨 풀 구성 모듈;

상기 라벨 풀로부터 미리 설정된 개수의 라벨을 선택하여 사용자에게 추천하는 추천 모듈을 포함한다.

제3측면에 따르면, 본 발명의 실시예는 메모리, 프로세서 및 상기 메모리 상에 저장되고 상기 프로세서 상에서 실행될 수 있는 컴퓨터 프로그램을 포함하는 전자 설비를 더 개시하며, 상기 프로세서는 컴퓨터 프로그램을 실행할 때, 본 발명의 실시예에 따른 추천 정보의 획득 방법을 이룬다.

제4측면에 따르면, 본 발명의 실시예는 컴퓨터 판독가능 저장 매체를 더 개시하며, 컴퓨터 프로그램은 컴퓨터 판독가능 저장 매체 상에 저장되고, 프로세서에 의해 실행될 때, 본 발명의 실시예에 따른 추천 정보의 획득 방법의 단계를 이룬다.

본 발명의 실시예에 따른 추천 정보의 획득 방법은 디스플레이될 제시 정보가 획득되어, 상기 제시 정보 및 미리 설정된 라벨 지식 그래프에 기초하여 상기 라벨 풀로부터 미리 설정된 개수의 라벨이 선택되어 사용자에게 추천됨으로써 사용자에게 추천된 정보를 풍부하게 한다. 미리 설정된 방법에 따라 획득된 라벨 풀에서 라벨을 선택하여, 사용자에게 추천된 라벨이 실시간으로 변경되고, 추천 정보의 신규성이 향상된다.

본 발명의 실시예에 따른 기술방안을 보다 명확하게 설명하기 위하여, 이하, 실시예 또는 종래의 기술의 설명에서 사용해야 하는 첨부된 도면을 설명하는데, 다음의 설명에서 첨부 도면들은 단지 본 발명의 일부 실시예들이고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 있어서, 다른 도면은 창의적인 노력 없이 첨부 도면에 따라 얻어질 수 있다는 것이 분명하다.
도 1은 본 발명의 일 실시예에 따른 추천 정보의 획득 방법의 흐름도이다.
도 2는 본 발명의 다른 실시예에 따른 추천 정보의 획득 방법의 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 추천 정보의 획득 장치의 구조의 도면이다.
도 4는 본 발명의 단른 실시예에 따른 추천 정보의 획득 장치의 구조의 도면이다.
도 5는 본 발명의 또 다른 실시예에 따른 추천 정보의 획득 장치의 구조의 도면이다.

이하, 첨부된 도면을 참조하여 본 발명의 실시예를 명확하고 완전히 설명하며, 설명된 실시예는 모든 실시예가 아닌 본 발명의 일부 실시예이다. 본 발명의 실시예들에 기초하여, 본 분야의 기술자가 창의적인 노력 없이 획득된 모든 다른 실시예는 본 발명의 보호 범위 내에 속할 것이다.

본 발명의 실시예에 따른 추천 정보의 획득 방법은 검색 추천 영역에 적용할 수 있다. 예를 들어, 사용자가 애플리케이션 페이지를 통해 검색어를 입력한 후, 검색 엔진은 프리픽스 검색에 기초하여 복수의 검색 결과를 리콜하고, 제시 정보로서 디스플레이한다. 각 제시 정보에 대하여, 추천 시스템은 본 발명에 따른 추천 정보 획득 방법을 호출하여 해당 추천 정보를 획득하고, 적절한 위치에 디스플레이한다.

실시예 1

도 1에 도시된 바와 같이, 본 실시예에 따른 추천 정보의 획득방법은 단계(100) 내지 단계(120)를 포함한다.

단계(100)는 디스플레이할 제시 정보를 회득한다.

추천 애플리케이션에 있어서, 사용자가 검색 키워드를 입력한 후, 검색 엔진은 프리픽스 매칭 모드를 제공하고, 대응하는 검색 결과를 반환하여 사용자에게 디스플레이하는데 사용된다. 추천 애플리케이션은 검색 결과의 매칭 정도 또는 조회수와 같은 지표에 따라 지표가 최선한 미리 설정된 개수의 검색 결과를 제시 정보로서 선택하여, 추천 애플리케이션이 검색 페이지 상에서 사용자에게 편리하게 디스플레이되도록 한다. 특정 구현에서, 사용자가 검색키워드를 입력하는 것을 검출한 후, 검색엔진에 의해 제공되는 인터페이스를 호출함으로써, 사용자에게 디스플레이될 제시 정보를 얻을 수 있다.

단계(110), 상기 제시 정보 및 미리 설정된 라벨 지식 그래프에 기초하여 라벨 풀을 구성한다.

여기서, 상기 라벨 지식 그래프는 상기 제시 정보를 핵심 단어로 하고, 상기 제시 정보의 해당 차원 정보를 라벨을 이용하여 기술하는 지식 그래프이다.

정보 추천이 추천 정보에 기초하여 수행되기 전에, 먼저 라벨 지식 그래프가 설정되어야 한다.

라벨 지식 그래프가 구성될 때, 먼저 가능한 제시 정보를 결정한다. 제시 정보는 통상적으로 사용자의 검색 로그 및 검색 결과의 클릭 로그에 기초하여 획득된다. 예를 들어, 많은 사용자가 "자동차"를 입력한 후, "자동차 메이크업"란 검색 결과가 클릭되면, 라벨 지식 그래프가 구성될 때, "자동차 메이크업"이 제시 메시지로 사용될 것이다.

라벨 지식 그래프는 제시 정보를 핵심 단어로 하고, 라벨을 사용하여 상기 제시 정보에 대응하는 차원 정보를 기술하는 지식 그래프이다. 라벨 지식 그래프 내에 복수의 핵심 단어가 포함되고, 각 핵심 단어를 둘러싸고, 이 핵심 단어의 다차원 지식 시스템을 구성하고, 최종적으로, 글로메러터스 형상의 지식 그래프가 형성된다. 여기서, 라벨은 상기 핵심 단어의 각 차원의 정보를 기술하는데 사용되고, 예를 들어, "자동차 메이크업"이란 핵심 단어에 대하여, 그의 카테고리 차원의 정보는 "내부 메이크업", "페인트 표면 관리"로 설명될 수 있으며, 그의 브랜드 차원의 정보는 "자동차 작업장", "자동차 억백"으로 설명될 수 있으면, 제시 정보인 "자동차 메이크업"이란 라벨은 "내부 메이크업", "페인트 표면 관리", "자동차 작업장", "자동차 억백"을 포함한다. 각 상기 제시 정보의 지식 그래프는 데이터 구조에 의해 표현되는 제시 정보와 각 라벨의 계층 및 카테고리의 예속 관계에 따라 구성된다. 특정 구현에서, 라벨에 관한 차원은 카테고리, 서브 카테고리, 추가 속성 등을 포함하고, 추가 속성은 사업자 정보, 브랜드 정보, 지역 정보, 제품 특징 정보 등일 수 있다. 핵심 단어 및 핵심 단어의 라벨은 일반적으로 플랫폼 데이터를 분석하고 특정 업무수요를 결합하여 결정된다.

특정 구현에서, 라벨 지식 그래프는 트리 구조를 채택하여 나타낼 수 있다. 트리 구조의 루트 노드는 각 글로메러터스 형상의 지식 그래프의 핵심 단어이고, 트리 구조의 리프 노드는 다양한 차원의 핵심 단어의 라벨이다. 미리 설정된 라벨 지식 그래프에서의 각 핵심 단어와 상기 제시 정보를 매칭시키고 성공적으로 매칭된 핵심 단어에 대응하는 라벨 지식 그래프 내의 모든 라벨을 제시 정보의 라벨로 하고, 라벨 풀에 추가한다.

단계(120), 라벨 풀로부터 미리 설정된 개수의 라벨을 선택하여 사용자에게 추천한다.

디스플레이 공간의 한계를 고려하여, 미리 설정된 개수의 라벨은 일반적으로 라벨 풀로부터 선택되고 사용자에게 추천되며, 예를 들어, 각각의 제시 정보에 대하여 3 개의 추천 라벨은 디스플레이된다. 사용자에게 디스플레이되는 라벨이 선택될 때, 미리 설정된 개수의 라벨이 랜덤하게 선택되어 사용자에게 디스플레이되도록 할 수 있거나; 높은 조회수를 갖는 라벨이 또한 사용자에게 디스플레이되도록 선택될 수 있거나; 또는 가장 높은 추천값을 갖는 미리 설정된 개수의 라벨은 신뢰한계 상계 알고리즘을 통해 상기 라벨 풀로부터 선택되고 사용자에게 추천된다. 추천된 값을 계산하는 과정에서, 라벨의 추천값은 라벨의 이력 클릭 데이터에 따라 계산되거나, 라벨의 이력 클릭 데이터 및 추천을 반는 사용자의 사용자 특성에 따라 계산될 수 있다.

본 발명의 실시예에 따른 추천 정보의 획득 방법은, 디스플레이될 제시 정보가 획득되고, 상기 제시 정보 및 미리 설정된 라벨 지식 그래프에 기초하여 상기 라벨풀이 구성되고 상기 라벨 풀로부터 미리 설정된 개수의 라벨이 선택되어 사용자에게 추천됨으로써 종래 기술의 획득된 추천 정보가 단일하고, 미리 설정된 라벨 단어　라이브러리에 대해 변하지 않은 문제가 해결된다. 미리 설정된 라벨 지식 그래프에 기초하여 라벨 풀을 구성하여 사용자에게 추천된 정보를 풍부하게 한다. 미리 설정된 방법에 따라 획득된 라벨 풀에서 라벨을 선택하여, 사용자에게 추천된 라벨이 실시간으로 변경되고, 추천 정보의 신규성이 향상된다.

실시예 2

도 2에 도시된 바와 같이, 본 실시예에 따른 추천 정보의 획득방법은 단계(200) 내지 단계(230)를 포함한다.

단계(200)은 라벨 지식 그래프를 구성한다.

제시 정보에 기초하여 정보 추천을 수행하기 전에 먼저 라벨 지식 그래프를 구성하여야 한다.

라벨 지식 그래프가 구성될 때, 먼저 가능한 제시 정보를 결정한다. 제시 정보는 통상적으로 사용자의 검색 로그 및 검색 결과의 클릭 로그에 기초하여 획득된다. 예를 들어, 많은 사용자가 "자동차”를 입력한 후, "자동차 메이크업”란 검색 결과가 클릭되면, 라벨 지식 그래프가 구성될 때, "자동차 메이크업”이 제시 메시지로 사용될 것이다.

라벨 지식 그래프는 제시 정보를 핵심 단어로 하고, 라벨을 사용하여 상기 제시 정보에 대응하는 차원 정보를 기술하는 지식 그래프이다. 여기서, 라벨은 핵심 단어와 관련된 단어로, 예를 들어, 핵심 단어를 기술하는 각 차원 속성의 단어이다. 라벨 지식 그래프 내에 복수의 핵심 단어와, 각 핵심 단어를 둘러싸는 라벨을 포함하고, 핵심 단어와 라벨 사이의 계층 상관관계는 이 핵심 단어의 다차원 지식 시스템을 구성하고, 최종적으로, 글로메러터스 형상의 지식 그래프가 형성된다. 여기서, 라벨은 상기 핵심 단어의 각 차원의 정보를 기술하는데 사용되고, 예를 들어, "자동차 메이크업"이란 핵심 단어에 대하여, 그의 카테고리 차원의 정보는 "내부 메이크업", "페인트 표면 관리"로 설명될 수 있으며, 그의 브랜드 차원의 정보는 "자동차 작업장", "자동차 억백"으로 설명될 수 있으면, 제시 정보인 "자동차 메이크업"이란 라벨은 "내부 메이크업", "페인트 표면 관리", "자동차 작업장", "자동차 억백"을 포함한다. 각 상기 제시 정보의 지식 그래프는 데이터 구조에 의해 표현되는 제시 정보와 각 라벨의 계층 및 카테고리의 예속 관계에 따라 구성된다. 특정 구현에서, 라벨에 관한 차원은 카테고리, 서브 카테고리, 추가 속성 등을 포함하고, 추가 속성은 사업자 정보, 브랜드 정보, 지역 정보, 제품 특징 정보 등일 수 있다. 핵심 단어 및 핵심 단어의 라벨은 일반적으로 플랫폼 데이터를 분석하고 특정 업무수요를 결합하여 결정된다.

라벨 지식 그래프를 구성하는 단계는 구조적 관심 지점 데이터에 따라 라벨 지식 그래프를 구성하는 단계, 및/또는 사용자 행위 로그에 따라 라벨 지식 그래프를 구성하는 단계를 포함한다. 특정 구현에서 구조적 관심 지점 데이터에 따라서만 라벨 지식 그래프를 구성할 수도 있고, 사용자 행위 로그에 따라 라벨 지식 그래프를 구성할 수도 있고, 구조적 관심 지점 데이터 및 사용자 행위 로그에 따라 라벨 지식 그래프를 구성할 수도 있다.

구조적 관심 포인트 데이터에 따라 라벨 지식 그래프를 구성할 때 라벨 지식 그래프를 구성하는 특정 방법은, 구조적 관심 포인트 데이터에 포함된 관심 포인트 명칭, 카테고리 명칭 및 추가적인 속성 명칭에 기초하여 핵심 단어 및 상기 핵심 단어의 라벨을 결정하며; 상기 구조적 관심 포인트 데이터의 카테고리 시스템　계층　관계, 추가　속성　시스템　계층　관계, 및 카테고리 시스템과 추가　속성　시스템　사이의　대응하는　관계에　따라 각각의　라벨의 트리 관계를　구성하며; 여기서, 각 트리상 관계의 루트 노드는 글로메러터스 형상의 라벨 지식 그래프의 핵심 단어이고, 리프 노드는 대응하는 층계를 갖는 라벨이다.

구조적 관심 지점(Point of Interest) 데이터는 POI 데이터로 지칭되며, 검색 또는 추천 플랫폼에 의해 상품 정보를 설명하는 데이터로, POI 데이터는 일반적으로 카테고리 시스템 및 추가　속성　시스템을 포함한다.

카테고리 시스템은 업무수요에 따라 상품에 대해 상이한 카테고리 라벨 및 상기 카테고리의 계층적 관계를 설정한다. 카테고리 라벨은 페어런트 카테고리의 카테고리 명칭, 서브 카테고리의 카테고리 명칭을 포함하고, 카테고리 계층 관계는 속하는 카테고리, 속하는 카테고리의 페어런트 카테고리, 속하는 카테고리에 포함된 서브 카테고리 등을 포함한다. "가인" 업무를 예로서, 그l 카테고리 시스템에 포함된 페어런트 카테고리는 매니큐어, 헤어드레싱, 요가, 무용, 문신 등을 포함하고, 헤어드레싱 카테고리는 모발 염색, 이발 및 헤어 스타일 디자인 등의 복수의 서브 카테고리를 더 나누고 계층 카테고리 관계를 순차적으로 형성한다. POI 데이터의 카테고리 시스템에 기초하여 소정 개수의 상품에 대한 라벨 지식 그래프를 획득한다.

추가　속성　시스템은 업무수요에 따라 상품에 대한 상이한 추가 속성 라벨 및 상기 추가 속성의 계층 관계를 설정하기 위해 사용된다. "매니큐어" 상품을 예로서, 여기서, "매니큐어"는 관심 지점 명칭이고 그의 추가　속성은 페인팅, 마사 등의 추가 속성 라벨을 포함할 수 있다. "페인팅"이란 레벨의 다음 레벨은 또한 부귀, 청신, 전원 등과 같은 속성들을 포함한다. 상기 카테고리 시스템의 정보 및 상기 추가 속성 시스템의 정보를 상호 보완하여, 라벨 지식 그래프를 구성하기 위한 보다 포괄적인 데이터를 얻을 수 있다.

각 POI 데이터는 복수의 필드를 포함하고, POI 명칭, 속하는 페어런트 카테고리, 속하는 서브 카테고리, 속성 정보 등을 나타낸다. 특정 구현에서, POI 데이터를 분석하여 POI 명칭에 대응하는 카테고리 명칭, 각 카테고리 명칭의 계층 관계, 추가 속성 명칭, 각 속성 명칭의 계층관계 등이 획득될 수 있다. 여기서, 카테고리 시스템과 추가 속성 시스템에는 상관관계가 있으며, 예를 들어, "매니큐어"의 카테고리 계층은 페어런트 카테고리이고, "페인팅"의 카테고리 계층은 서브 카테고리이다. POI 데이터로부터 추출된 상기 정보에 기초하여 라벨 지식 그래프를 구성할 수 있다.

특정 구현에서, "매니큐어"란 핵심 단어를 예로서, 그의 하위 라벨은 "페인팅" 및 "마사"를 포함함에 따라 "매니큐어"의 라벨 지식 그래프가 구성될 수 있다. 라벨 지식 그래프가 트리 구조로 표현되는 경우, 루트 노드는 "매니큐어"이고, 리프 노드는 "페인팅" 및 "마사"를 포함한다. 특정 구현에서, 또한, 부귀, 청신, 전원 등과 같은 부가적인 속성을 기술한 라벨은 리프 노드, 즉 "페인팅"의 리프 노드로 사용되며 라벨 지식 그래프는 보완된다.

사용자 행위 로그에 따라 라벨 지식 그래프를 구성할 때, 라벨 지식 그래프를 구성하는 방법은 다음은, 발굴된 사용자 행위 로그의 빈발 아이템 집합에 기초하여 핵심 단어 및 상기 핵심 단어의 라벨을 결정하며; 각 빈발 아이템 집합 간의 미리 설정된 상관관계에 따라 대응하는 라벨의 트리 관계를 설정하며; 여기서, 상기 트리 관계의 루트 노드는 상기 글로메러터스의 라벨 지식 그래프의 핵심 단어이고, 리프 노드는 라벨이며, 상기 미리 설정된 상관관계는 상품과 상가의 상관관계, 상가와 상권의 상관관계를 포함한다.

검색 플랫폼 또는 추천 플랫폼에 있어서, 플랫폼 상의 애플리케이션은 대량의 사용자 행위 로그를 가지며, 대량 사용자의 이력 행위 데이터를 분석함으로써 핵심 단어 및 핵심 단어와 관련된 라벨을 획득할 수 있다. 특정 구현에서, 사용자 행위 로그에 대해, 발굴 알고리즘을 통해 로그 데이터에 포함된 빈발 아이템 집합을 발굴하며 발굴된 빈발 아이템 집합에서 핵심 단어 및 상기 핵심 단어의 라벨을 선택하며, 특정 구현에서, 검색어는 핵심 단어 로서 사용될 수 있고, 구체적인 업무 수요에 따라 발굴된 빈발 아이템 집합에서 상기 핵심 단어의 라벨을 선택하며 핵심 단어에서 태그까지의 계층적 관계를 구성한다. 예를 들어, 가재를 검색하는 사용자가 "호소판"을 많이 클릭하면 "호소판"은 가재의 라벨로 구성된다. "가재"가 트리 관계의 루트 노드로 사용되는 경우, "호소판"이 트리 관계의 리프 노드로서 사용되어, 핵심 단어인 "가재" 라는 라벨 지식 그래프의 일부가 형성된다.

특정 구현에서, 사용자 행위 로그에 대한 빈발 아이템 집합을 발굴하여 대부분의 사용자가 어떤 단어를 검색할 때 클릭하는 상가를 발굴한 후, 클릭하는 상가의 분포를 더 계산하며, 상가를 핵심 단어로 하고, 상가가 분포하는 상권을 사업자의 라벨로 하며, 상가로부터 상권까지의 이르는 계층 관계를 구성하여, 라벨 지식 그래프를 한층 더 구성한다. 즉, 상가를 트리 관계의 루트 노드로 하며 상권을 트리 관계의 리프 노드로 한다.

특정 구현에서, 빈발 아이템 집합 발굴 방법을 통해 업무 수요에 따라 핵심 단어와 라벨을 선택할 수 있으며, 라벨 핵심 단어의 라벨 지식 그래프를 더욱 구성할 수 있다. 미리 설정된 상관관계는 또한 특정 업무 수요에 따라 다른 관계로 설정될 수 있고, 여기서 일일이 열거하지 않는다.

사용자 행위 로그에 기초란 빈발 아이템 집합 발굴을 수행하고, 고품질 및 높은 조회수를 갖는 상가 및 고품질의 상권을 사용자에게 추천하고 사용자 체험을 한층 더 향상시켰다.

단계(210)에서, 디스플레이될 제시 정보를 획득한다.

추천 애플리케이션에 있어서, 사용자가 검색 키워드를 입력한 후, 검색 엔진은 프리픽스 매칭 모드를 제공하고, 대응하는 검색 결과를 반환하여 사용자에게 디스플레이하는데 사용된다. 추천 애플리케이션은 검색 결과의 매칭 정도 또는 조회수와 같은 지표에 따라 지표가 최선한 미리 설정된 개수의 검색 결과를 제시 정보로서 선택하여, 추천 애플리케이션이 검색 페이지 상에서 사용자에게 편리하게 디스플레이되도록 한다. 특정 구현에서, 사용자가 검색키워드를 입력하는 것을 검출한 후, 검색엔진에 의해 제공되는 인터페이스를 호출함으로써, 사용자에게 디스플레이될 제시 정보를 얻을 수 있다. 특정 구현에서, 상기 제시 정보는 드롭다운 제시어의 형태로 사용자에게 디스플레이될 수 있고, 또한 다른 형태로 사용자에게 디스플레이될 수 있다.

단계(220), 상기 제시 정보 및 미리 설정된 라벨 지식 그래프에 기초하여 라벨 풀을 구성한다.

여기서, 상기 라벨 지식 그래프는 상기 제시 정보를 핵심 단어로 하고, 상기 제시 정보의 해당 차원 정보를 라벨을 이용하여 기술하는 지식 그래프이다.

구체적으로, 상기 제시 정보 및 미리 설정된 라벨 지식 그래프에 기초하여 라벨 풀을 구성하고, 미리 설정된 라벨 지식 그래프에서의 각 핵심 단어와 상기 제시 정보를 매칭하며; 성공적으로 매칭된 핵심 단어에 대응하는 라벨 지식 그래프 내의 모든 라벨을 라벨 풀에 추가한다.

특정 구현에서, 라벨 지식 그래프는 트리 구조를 채택하여 나타낼 수 있다. 트리 구조의 루트 노드는 각 글로메러터스 형상의 지식 그래프의 핵심 단어이고, 트리 구조의 리프 노드는 다양한 차원의 핵심 단어의 라벨이다. 미리 설정된 라벨 지식 그래프에서의 각 핵심 단어와 상기 제시 정보를 매칭시키고 성공적으로 매칭된 루트 노드 아래의 모든 리프 노드에 대응하는 라벨을 이 제시정보의 라벨로 하고, 라벨 풀을 추가한다.

각 제시정보에 대응하는 라벨의 개수는 이 제시정보가 위치하는 지식 그래프의 계층과 관련되고, 계층이 높을수록, 대응하는 라벨이 더 많다. 특정 구현에서, 디스플레이 공간의 한계를 고려하여, 각 제시정보에 대하여, 사용자에게 디스플레이되는 추천 단어, 즉 라벨의 개수는 제한된다. 예를 들어, 각 드롭다운 단어에 대응하는 3 개의 관련 라벨을 디스플레이할 수 있는 것은 제한되며, 전체 화면은 제한되고, 9 개의 라벨이 가장 많이 표시되도록 하여 화면 라벨이 넘치는 것을 방지하도록 한다. 따라서, 일반적으로, 하이로부터 로우로의 라벨 지식 그래프 계층에 따라, 라벨 풀은 상기 제시 정보와 성공적으로 매칭되는 핵심 단어가 위치한 지식 그래프의 최상위의 라벨에 따라 구성된다.

단계(230), 사용자에게 추천하기 위해 라벨 풀로부터 미리 설정된 개수의 라벨을 선택한다.

디스플레이 공간의 한계를 고려하여, 미리 설정된 개수의 라벨은 일반적으로 상기 라벨 풀로부터 선택되고 사용자에게 추천되며, 예를 들어, 각각의 제시 정보에 대하여 3 개의 추천 라벨은 디스플레이된다. 사용자에게 디스플레이되는 라벨이 선택되면, 미리 설정된 개수의 라벨이 랜덤하게 선택되어 사용자에게 디스플레이되도록 하지만 랜덤하게 선택하는 방법은 많은 비인기 라벨의 과도한 노출을 야기할 수 있고, 귀중한 디스플레이 기회가 낭비되며, 또한, 높은 조회수를 갖는 라벨이 사용자에게 디스플레이되도록 선택될 수 있고, 이 방법에 의해 가져오는 결함은 각 사용자에게 디스플레이되는 라벨이 동일하면서 많은 라벨이 디스플레이되는 기회가 없으며, 사용자 체험에 해를 끼친다.

구체적으로, 상기 라벨 풀로부터 미리 설정된 개수의 라벨을 선택하고 사용자에게 라벨을 추천하는 단계는 미리 설정된 개수의 라벨은 신뢰한계 상계 알고리즘을 통해 상기 라벨 풀로부터 선택되고 사용자에게 추천되는 단계를 포함한다.

미리 설정된 개수의 라벨은 신뢰한계 상계 알고리즘을 통해 상기 라벨 풀로부터 선택되고 사용자에게 추천되는 단계는, 사용자에 의한 라벨의 이력 행위 데이터에 따라 상기 라벨 풀 내의 각 라벨의 예상 수익을 추정하며; 상기 제시 정보의 이력 라벨 디스플레이 빈도 및 상기 라벨 풀 내의 각 라벨의 전체 디스플레이 빈도에 따라 상기 라벨 풀 내의 각 라벨의 수익 조정 인덱스를 각각 결정하며; 상기 예상 수익과 상기 수익 조정 인덱스의 합은 라벨 풀 내의 각 라벨의 추천 값으로서 사용되며; 라벨 풀로부터 가장 높은 추천 값을 갖는 미리 설정된 개수의 라벨을 선택하여 사용자에게 추천하는 단계를 포함한다.

특정 구현에서, 라벨의 예상 수익(revenue)은 다음과 같이 표현될 수 있다.

여기서, t는 제시 정보(x)의 라벨(j)의 예상 수익이다.

상기 사용자에 의한 라벨의 이력 행위 데이터에 따라 상기 라벨 풀 내의 각 라벨의 예상 수익을 추정하는 단계는 2 개의 방법으로 구현된다.

첫 번째 방법은 라벨과 동일한 제시 정보의 이력 조회수에 따라 상기 라벨 풀 내의 대응하는 라벨의 예상 수익을 추정하는 방법이다.

예를 들어, 애플리케이션의 검색 페이지를 추천하는 경우, 검색 키워드 검색에 따라 획득된 추천 정보를 디스플레이할 때, 일반적으로, 제시 정보 디스플레이 위치 및 라벨 디스플레이 위치가 설정된다. 여기서, 제시 정보 디스플레이 위치는 검색 키워드에 따라 검색되는 제시 정보, 즉 드롭다운 제시어를 디스플레이하는데 사용되며; 라벨 디스플레이 위치는 제시 정보의 라벨, 즉 드롭다운 제시어의 분류를 디스플레이하는데 사용된다. 제시 정보에 따라 결정된 라벨이 라벨의 디스플레이 위치에 디스플레이되지 않을 때, 라벨 풀 내의 대응하는 라벨의 예상 수익은 이 라벨이 제시 정보로 사용 시 디스플레이된 후 이력 조회수에 따라 추정된다. 제시 정보의 이력 조회수를 계산하기 위한 구체적인 방법은 당업자에게 공지되는 임의의 기술을 참조하고, 예를 들어, 드롭다운 제시어의 이력 조회수를 계산하는 방법을 참조하여 본 명세서에서 상세히 설명하지 않는다.

예를 들어, 사용자가 "자동차”를 입력한 후, 검색 엔진에 의해 리턴된 제시 정보는 "자동차" 및 "자동차 메이크업"을 포함한다. 추천 애플리케이션이 "자동차 메이크업"이란 제시 정보에 의해 결정된 라벨은 "자동차 억백", "자동차 작업장", "자동차 역참" 등 라벨을 포함하며, "자동차 억백" 이전에 제시 정보로서 작용하지 않는 라벨이 사용자에게 추천되면, 검색 엔진의 이력 데이터에 따라 "자동차 억백"이란 제시 정보의 이력 조회수를 결정한 후 "자동차 억백"이란 제시 정보의 이력 조회수에 따라 "자동차 억백"이란 라벨의 예상 수익을 결정한다. 예를 들어, "자동차 억백"이란 제시 정보의 이력 조회수를 "자동차 억백"이란 라벨의 예상 수익으로 하거나, "자동차 억백"이란 제시 정보의 이력 조회수는 하나의 계수에 의해 곱해지며, 곱을 "자동차 억백"이란 라벨의 예상 수익으로 한다. 특정 구현에서, 라벨 풀 내의 대응하는 라벨의 예상 수익(revenue)을 라벨과 동일한 제시 정보의 이력 조회수에 따라 추정할 때, 수식1의 t는 "자동차 메이크업"이란 제시 정보의 "자동차 억백"이란 라벨의 예상 수익이고, 즉 "자동차 억백"이 제시 정보로 할 때의 이력 조회수이다. 구체적인 업무 수요에 따라 다른 계산 방법을 채택하는데 본 발명은 구체적인 계산 방법에 대해서는 한정을 하지 않는다.

두 번째 방법은 현재 사용자의 사용자 특성과 라벨에 따라 조회수를 추정하며, 상기 라벨 풀 내의 대응하는 라벨의 예상 수익을 추정하는 방법이다.

사용자 체험을 향상시키기 위해 상이한 사용자에게 적합한 라벨을 추천하며, 특정 구현에서, 라벨 풀 내의 대응하는 라벨의 예상 수익은 현재 사용자의 사용자 특성 및 라벨의 추정된 조회수에 따라 추정될 수 있다. 라벨이 디스플레이될 때, 라벨의 이력 조회수 데이터는 실시간으로 업데이트될 것이고, 라벨의 예상 수익은 업데이트된 이력 조회수 데이터에 따라 더 계산될 수 있고, 계산 결과의 정확도를 향상시킬 수 있다. 특정 구현에서, 사용자가 라벨을 클릭하는지에 대한 대량의 행위 데이터가 수집되면, 사용자 클릭 확률 모델은 로지스틱 회귀(LR，Logistic Regression)알고리즘을 통해 트레이닝될 수 있어 사용자의 현재 예상 수익을 보다 정확하게 산출한다. 클릭 확률 모델을 트레이닝하기 위한 특정 방법은 당업자에게 공지되는 임의의 기술을 참조하여 본 명세서에서 상세히 설명하지 않는다.

다음과 같은 수식 2에 따라 라벨의 예상 수익을 추정할 수 있다.

여기서, φ는 는 사용자(u)의 특징과 제시 정보(x)의 라벨(j)의 추정된 조회수 특징으로 구성된 특징벡터이다. 사용자 특성은 사용자 검색 지리적 위치, 검색 시간대, 라벨에 대한 사용자의 카테고리 선호도, 추천된 상가에 대한 사용자의 카테고리 선호도 등의 하나 이상을 포함하지만, 이에 제한되지 않는다. 추정된 조회수 특징은 라벨(j)의 이력 조회수 또는 사용자 행위 데이터에 따라 추정된 조회수일 수 있다. W는 로지스틱 회귀 알고리즘(LR)의 파라미터 벡터이고, 사용자의 특징 벡터에 대응하며; W는 특징 벡터(φ)내의 각 차원 특징의 가중치이고. T는 φ과 W에 대응하는 전치행렬이다.

특정 구현에서, 라벨에 대한 사용자(u)의 이력 클릭 데이터, 즉 라벨(j)이 클릭되었는지 여부에 대한 행위 데이터에 따라, 모델(W)벡터를 획득하기 위해 오픈소스(LR) 알고리즘 패킷을 사용한다. 사용자의 예상 수익은 사용자(u)의 특징 벡터를 결합하여 추정되어, 사용자에게 라벨을 목표 방식으로 추천할 수 있고, 클릭 행위의 변화에 따라, 다양한 추천 라벨이 제공된다. 사용자 특성 벡터(φ)의 구체적인 추출 방법은 당업자에게 공지되는 임의의 기술을 참조하여 본 명세서에서 상세히 설명하지 않는다.

본 발명의 실시예에서, 사용자 특성 벡터는 조회수 특징을 적어도 포함한다. 각 라벨의 수익 조정 인덱스(bonus)는 업무 수요에 따라 라벨의 디스플레이 확률을 밸런싱하는데 사용된다. 특정 구현에서, 상기 제시 정보의 이력 라벨 디스플레이 빈도 및 상기 라벨 풀 내의 각 라벨의 전체 디스플레이 빈도에 따라 상기 라벨 풀 내의 각 라벨의 수익 조정 인덱스를 각각 결정한다. 본 발명의 일 실시예에서, 다음 수식3을 이용하여 수익 조정 인덱스(bonus)를 산출할 수 있다.

상기 수식에서, t는 제시 정보(x)에 대해 디스플레이되는 라벨의 이력 총 횟수이며,

는 제시 정보(x)의 라벨을 디스플레이하는 과정에서 라벨(j)의 디스플레이 횟수이다.

상기 수식 3에 따라, 더 적은 디스플레이 회수를 갖는 라벨의 경우, 디스플레이 기회가 획득될 수 있고, 추천 값을 적절히 올릴 수 있으며, 더 많은 디스플레이 회수을 갖는 라벨의 경우, 추천 값을 적절히 낮출 수 있고, 디스플레이 횟수가 적은 레이블에 약간의 디스플레이 기회를 할당한다. 특정 구현에서, 수익 조정 인덱스는 또한 다른 표현된 t 및

의 역비례 함수를 채택하여 계산될 수 있고, 여기에 일일이 열거하지 않는다.

상기 예상 수익과 수익 조정 인덱스의 합은 상기 라벨 풀 내의 각 라벨의 추천 값으로 사용되며, 즉 추천 값 = revenue+bonus이다. 라벨의 디스플레이 스코어를 결정하는 과정에서, 라벨의 예상 수익 값은 더 큰 가중치를 차지하며, 라벨의 수입 조정 인덱스(bonus)는 단지 미세 조정 역할을 한다. 따라서, 특정 구현에서, 가중 합 가중치 계수를 설정하거나 수익 조정 인덱스의 수식을 조정함으로써 예상 수익과 수익 조정 인덱스가 추천 값을 계산할 때의 기여는 밸런싱된다.

마지막으로, 상기 라벨 풀에서 가장 높은 추천 값을 갖는 미리 설정된 개수의 라벨을 선택하여 사용자에게 추천한다. 미리 설정된 개수가 2인 경우, "자동차 메이크업"이란 제시 정보에 의해 결정된 라벨은 "자동차 억백", "자동차 작업장", "자동차 역참" 등 라벨을 포함하면, 계산을 통해 "자동차 억백", "자동차 작업장"이란 가장 높은 추천 값을 갖는 라벨은 사용자에게 추천되도록 선택된다.

본 발명의 실시예에 따른 추천 정보의 획득 방법은, 라벨 지식 그래프를 미리 구성하며 디스플레이될 제시 정보가 획득되고, 상기 제시 정보 및 미리 설정된 라벨 지식 그래프에 기초하여 라벨풀이 구성되고 상기 라벨 풀로부터 미리 설정된 개수의 라벨이 선택되어 사용자에게 추천되어 사용자에게 추천된 정보를 풍부하게 한다. 미리 설정된 방법에 따라 획득된 라벨 풀에서 라벨을 선택하여, 사용자에게 추천된 라벨이 실시간으로 변경되고, 추천 정보의 신규성이 향상된다.

또한, 미리 설정된 개수의 라벨은 신뢰한계 상계 알고리즘을 통해 상기 라벨 풀로부터 선택되고 사용자에게 추천되어 각 카테고리의 라벨이 최대 정도까지 완전히 디스플레이되며, 마태 효과가 효과적으로 방지될 수 있는 동시에 최적 라벨 조합의 구현을 보장하고, 라벨의 사용률 및 검색 리스트 페이지의 조회수를 최대화한다.

실시예 3

도3에 도시된 바와 같이, 본 실시예에 따른 추천 정보의 획득장치를 개시하며, 상기 장치는,

디스플레이할 제시 정보를 회득하는 제시 정보 획득 모듈(300);

상기 제시 정보 및 미리 설정된 라벨 지식 그래프에 기초하여 라벨 풀을 구성하는 라벨 풀 구성 모듈(310);

상기 라벨 풀 구성 모듈(310)에 의해 구성된 라벨 풀로부터 미리 설정된 개수의 라벨을 선택하고 사용자에게 추천하는 추천 모듈(320)을 포함한다.

여기서, 상기 라벨 지식 그래프는 상기 제시 정보를 핵심 단어로 하고, 상기 제시 정보의 해당 차원 정보를 라벨을 이용하여 기술하는 지식 그래프이다.

선택적으로는, 상기 추천 모듈(320)은,

미리 설정된 개수의 라벨은 신뢰한계 상계 알고리즘을 통해 상기 라벨 풀로부터 선택되고 사용자에게 추천되기 위한 것이다.

선택적으로는, 도4에 도시된 바와 같이, 상기 추천 모듈은,

사용자에 의한 라벨의 이력 행위 데이터에 따라 상기 라벨 풀 내의 각 라벨의 예상 수익을 추정하는 예상 수익 결정 유닛(3201);

상기 제시 정보의 이력 라벨 디스플레이 빈도 및 상기 라벨 풀 내의 각 라벨의 전체 디스플레이 빈도에 따라 상기 라벨 풀 내의 각 라벨의 수익 조정 인덱스를 각각 결정하는 조정 인덱스 결정 유닛(3202);

상기 예상 수익과 상기 수익 조정 인덱스의 합은 라벨 풀 내의 각 라벨의 추천 값으로 사용되는 추천 값 결정 유닛(3203);

상기 라벨 풀로부터 가장 높은 추천 값을 갖는 미리 설정된 개수의 라벨을 선택하여 사용자에게 추천하는 라벨 선택 유닛(3204)을 더 포함한다.

선택적으로는, 상기 예상 수익 결정 유닛(3201)은,

라벨과 동일한 제시 정보의 이력 조회수에 따라 상기 라벨 풀 내의 대응하는 라벨의 예상 수익을 추정하는 제1예상 수익 서브유닛(미도시);

현재 사용자의 사용자 특성과 라벨에 따라 조회수를 추정하며, 상기 라벨 풀 내의 대응하는 라벨의 예상 수익을 추정하는 제1예상 수익 서브유닛(미도시) 중 어느 하나를 포함한다.

선택적으로는, 도4에 도시된 바와 같이, 상기 라벨 풀 구성 모듈(310)은,

미리 설정된 라벨 지식 그래프에서의 각 핵심 단어와 상기 제시 정보를 매칭시키는 핵심 단어 매칭 유닛(3101);

성공적으로 매칭된 핵심 단어에 대응하는 라벨 지식 그래프 내의 모든 라벨을 라벨 풀에 추가하는 라벨 풀 구성 유닛(3102)을 포함한다.

선택적으로는, 도5에 도시된 바와 같이, 상기 장치는 제1지식 그래프 구성 모듈(330) 및/또는 제2지식 그래프 구성 모듈(340)을 더 포함하며,

상기 제1지식 그래프 구성 모듈(330)은 구조적 관심 지점 데이터에 따라 라벨 지식 그래프를 구성한다.

선택적으로는, 도5에 도시된 바와 같이, 상기 제1지식 그래프 구성 모듈(330)은,

구조적 관심 포인트 데이터에 포함된 관심 포인트 명칭, 카테고리 명칭 및 추가적인 속성 명칭에 기초하여 핵심 단어 및 상기 핵심 단어의 라벨을 결정하는 제1 핵심 단어 및 라벨 결정 유닛(3301);

상기 구조적 관심 포인트 데이터의 카테고리 시스템　계층　관계, 추가　속성　시스템　계층　관계, 및 카테고리 시스템과 추가　속성　시스템　사이의　대응하는　관계에　따라 각각의　라벨의 트리 관계를　구성하는 제1그래프 구성 유닛(3302); 포함하고, 여기서, 각 상기 트리상 관계의 루트 노드는 글로메러터스 형상의 라벨 지식 그래프의 핵심 단어이고, 리프 노드는 대응하는 층계를 갖는 라벨이다.

상기 제2지식 그래프 구성 모듈(340)은 사용자 행위 로그에 따라 라벨 지식 그래프를 구성한다.

선택적으로는, 도5에 도시된 바와 같이, 상기 제2지식 그래프 구성 모듈(340)은,

발굴된 사용자 행위 로그의 빈발 아이템 집합에 기초하여 핵심 단어 및 상기 핵심 단어의 라벨을 결정하는 제2 핵심 단어 및 라벨 결정 유닛(3401);

각 빈발 아이템 집합 간의 미리 설정된 상관관계에 따라 대응하는 라벨의 트리 관계를 설정하는 제2그래프 구성 유닛(3402);을 포함하며,

여기서, 상기 트리 관계의 루트 노드는 상기 글로메러터스의 라벨 지식 그래프의 핵심 단어이고, 리프 노드는 라벨이며, 상기 미리 설정된 상관관계는 상품과 상가의 상관관계, 상가와 상권의 상관관계를 포함한다.

본 발명의 실시예에 따른 추천 정보의 획득 방법은, 라벨 지식 그래프를 미리 구성하며 디스플레이될 제시 정보가 획득되고, 상기 제시 정보 및 미리 설정된 라벨 지식 그래프에 기초하여 라벨풀이 구성되고 상기 라벨 풀로부터 미리 설정된 개수의 라벨이 선택되어 사용자에게 추천되어 사용자에게 추천된 정보를 풍부하게 한다. 미리 설정된 방법에 따라 획득된 라벨 풀에서 라벨을 선택하여, 사용자에게 추천된 라벨이 실시간으로 변경되고, 추천 정보의 신규성이 향상된다.

또한, 미리 설정된 개수의 라벨은 신뢰한계 상계 알고리즘을 통해 상기 라벨 풀로부터 선택되고 사용자에게 추천되어 각 카테고리의 라벨이 최대 정도까지 완전히 디스플레이되며, 마태 효과가 효과적으로 방지될 수 있는 동시에 최적 라벨 조합의 구현을 보장하고, 라벨의 사용률 및 검색 리스트 페이지의 조회수를 최대화한다.

이에 대응하여, 본 발명은 전자 설비를 더 개시하며, 상기 전자 장비는 메모리, 프로세서 및 상기 메모리 상에 저장되고 상기 프로세서 상에서 실행될 수 있는 컴퓨터 프로그램을 포함하며, 상기 프로세서는 컴퓨터 프로그램을 실행할 때, 본 발명의 제1실시예 및 제2실시예에 따른 추천 정보를 획득하기 위한 방법을 이룬다. 상기 전자설비는 PC, 이동 단말기, 개인 정보 단말기, 태블릿 PC등일 수 있다.

본 발명은 컴퓨터 판독가능 저장 매체를 더 개시하며, 컴퓨터 프로그램은 컴퓨터 판독가능 저장 매체 상에 저장되고, 프로세서에 의해 실행될 때, 본 발명의 제1실시예 및 제2실시예에서 설명된 바와 같은 추천 정보를 획득하기 위한 방법은 구현된다.

본 명세서의 다양한 실시예는 점진적인 방식으로 설명되고, 각각의 실시예는 다른 실시예와의 상이한 부분에 초점을 맞추고, 모든 실시예는 동일하거나 유사한 부분들을 갖는다. 장치의 실시예에 대해, 장치가 기본적으로 방법 실시예와 유사하므로, 이 설명은 단순하고 방법 실시예의 일부와 관련된다.

이상 본 발명에서 제공되는 추천 정보의 획득 방법 및 장치에 대해 자세히 설명하였으며, 본 명세서에서 구체적인 실시예를 통해 본 발명의 원리 및 구현 방식을 설명하였지만, 본 발명의 실시예의 설명은 본 발명의 방법 및 그 핵심 사상을 이해하는 것을 돕기 위해 사용되며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명의 사상에 의해 구체적인 실시방식 및 애플리케이션 범위에 대한 변경을 할 수 있으며, 결론적으로, 본 명세서는 본 발명을 제한하는 것으로 해석되어서는 안된다.

이상 실시방식을 설명하여 당업자라면 각 실시방식은 소프트웨어 및 필요한 범용 하드웨어 플랫폼에 위해 실현될 수도 있고 하드웨어에 의해 구현될 수도 있다. 이러한 이해에 기초하여, 상기 기술 방안이 본질적이나 종래의 기술에 기여하는 부분은 소프트웨어 제품의 형태로 구현될 수 있으며, 상기 컴퓨터 소프트웨어 제품은 하나의 컴퓨터 디바이스(개인용 컴퓨터, 서버, 또는 네트워크 디바이스 등)가 특정 실시예또는 실시예의 일부에 따른 방법들을 실행하게 하기 위한 여러 명령들을 포함하는, ROM/RAM, 자기 디스크, 광학 디스크 등과 같은 컴퓨터 판독가능 저장 매체에 저장될 수 있다.

Claims (18)

1. 사용자가 프리픽스 검색 키워드를 입력하고, 제시 정보 획득 모듈이, 상기 프리픽스 검색 키워드에 매칭되는 제시 정보를 사용자에게 제공하는 단계를 포함하는, 디스플레이할 제시 정보를 획득하는 단계;
   라벨 풀 구성 모듈이, 핵심 단어에 기초하여 상기 핵심 단어의 다차원 정보를 라벨을 이용하여 기술하는 지식 그래프인 미리 설정된 라벨 지식 그래프 및 상기 제시 정보에 기초하여 라벨 풀을 구성하는 단계;
   추천 모듈이, 상기 라벨 풀로부터 미리 설정된 개수의 라벨을 선택하여 사용자에게 추천하는 단계를 포함하고,
   상기 추천 모듈이, 상기 라벨 풀로부터 미리 설정된 개수의 라벨을 선택하여 사용자에게 추천하는 단계는,
   신뢰한계 상계 알고리즘을 통해 상기 라벨 풀로부터 미리 설정된 개수의 라벨을 선택하여 사용자에게 추천하는 단계를 포함하고,
   상기 신뢰한계 상계 알고리즘을 통해 상기 라벨 풀로부터 미리 설정된 개수의 라벨을 선택하여 사용자에게 추천하는 단계는,
   상기 라벨 풀 내의 사용자에 의한 라벨의 이력 행위 데이터에 따라 상기 라벨 풀 내의 각 라벨의 예상 수익을 추정하는 단계;
   상기 제시 정보의 이력 라벨 디스플레이 빈도 및 상기 라벨 풀 내의 각 라벨의 전체 디스플레이 빈도에 따라 상기 라벨 풀 내의 각 라벨의 수익 조정 인덱스를 각각 결정하는 단계;
   상기 예상 수익과 상기 수익 조정 인덱스의 합은 라벨 풀 내의 각 라벨의 추천 값으로 사용되는 단계;
   라벨 풀로부터 가장 높은 추천 값을 갖는 미리 설정된 개수의 라벨을 선택하여 사용자에게 추천하는 단계를 포함하는 것을 특징으로 하는 추천 정보의 획득 방법.
2. 제1항에 있어서,
   상기 사용자에 의한 라벨의 이력 행위 데이터는,
   상기 라벨과 동일한 제시 정보의 이력 조회수;
   현재 사용자의 사용자 특성;
   상기 라벨의 추정된 조회수 중 임의 하나 또는 복수 개를 포함하는 것을 특징으로 하는 추천 정보의 획득 방법.
3. 제1항에 있어서,
   상기 제시 정보와 상기 라벨 지식 그래프에 기초하여 상기 라벨 풀을 구성하는 단계는,
   상기 라벨 지식 그래프에서의 각 핵심 단어와 상기 제시 정보를 매칭시키는 단계;
   성공적으로 매칭된 핵심 단어에 대응하는 모든 라벨을 상기 라벨 풀에 추가하는 단계를 포함하는 것을 특징으로 하는 추천 정보의 획득 방법.
4. 제1항에 있어서,
   구조적 관심 지점 데이터에 따라 상기 라벨 지식 그래프를 구성하는 단계;
   사용자 행위 로그에 따라 상기 라벨 지식 그래프를 구성하는 단계를 임의 하나 또는 복수 개를 더 포함하는 것을 특징으로 하는 추천 정보의 획득 방법.
5. 제4항에 있어서,
   상기 구조적 관심 포인트 데이터에 따라 상기 라벨 지식 그래프를 구성하는 단계는,
   상기 구조적 관심 포인트 데이터에 포함된 관심 포인트 명칭, 카테고리 명칭 및 추가적인 속성 명칭에 기초하여 핵심 단어 및 상기 핵심 단어의 라벨을 결정하는 단계;
   상기 구조적 관심 포인트 데이터의 카테고리 시스템　계층　관계, 추가　속성　시스템　계층　관계, 및 상기 카테고리 시스템과 상기 추가　속성　시스템　사이의　대응하는　관계에　따라 각각의　상기 라벨의 트리 관계를　구성하는 단계;
   각 상기 트리 관계의 루트 노드는 라벨 지식 그래프의 핵심 단어이고, 리프 노드는 트리 계층에 대응하는 층계를 갖는 라벨인 것을 특징으로 하는 추천 정보의 획득 방법.
6. 제4항에 있어서,
   상기 사용자 행위 로그에 따라 라벨 지식 그래프를 구성하는 단계는,
   발굴된 사용자 행위 로그의 빈발 아이템 집합에 기초하여 핵심 단어 및 상기 핵심 단어의 라벨을 결정하는 단계;
   각 빈발 아이템 집합 간의 미리 설정된 상관관계에 따라 라벨의 트리 관계를 설정하는 단계를 포함하고,
   상기 미리 설정된 상관관계는 상품과 상가의 상관관계, 상가와 상권의 상관관계를 포함하고,
   상기 트리 관계의 루트 노드는 라벨 지식 그래프의 핵심 단어이고, 리프 노드는 라벨인 것을 특징으로 하는 추천 정보의 획득 방법.
7. 메모리, 프로세서 및 상기 메모리 상에 저장되고 상기 프로세서 상에서 실행될 수 있는 컴퓨터 프로그램을 포함하는 전자 설비에 있어서,
   상기 프로세서는 상기 컴퓨터 프로그램을 실행할 때, 제1항 내지 제6항 중 어느 한 항에 따른 추천 정보의 획득 방법을 이루는 것을 특징으로 하는 전자 설비.
8. 컴퓨터 프로그램이 저장되는 컴퓨터 판독가능 저장 매체에 있어서,
   컴퓨터 프로그램이 프로세서에 의해 실행될 때, 제1항 내지 제6항 중 어느 한 항에 따른 추천 정보의 획득 방법의 단계를 이루는 것을 특징으로 하는 컴퓨터 판독가능 저장 매체.
9. 삭제
10. 삭제
11. 삭제
12. 삭제
13. 삭제
14. 삭제
15. 삭제
16. 삭제
17. 삭제
18. 삭제

Images