KR102371927B1

KR102371927B1 - 학습 콘텐츠 추천 방법 및 장치

Info

Publication number: KR102371927B1
Application number: KR1020190129465A
Authority: KR
Inventors: 이주현; 임준철
Original assignee: (주)유밥
Priority date: 2019-10-17
Filing date: 2019-10-17
Publication date: 2022-03-11
Also published as: KR20210046129A

Abstract

학습 콘텐츠 추천 방법 및 장치가 개시된다. 본 발명의 일 측면에 따른 학습 콘텐츠 추천 방법은, 카테고리 추천부가 학습자들이 신청한 각 학습과정의 학습 식별정보에 대응하는 카테고리 식별정보들을 사용하여 기 설정된 일정 개수의 카테고리를 추천하는 단계, 학습 확률 산출부가 상기 학습 식별정보들을 임베딩하고, 상기 임베딩된 학습 식별정보들을 기계학습에 적용하여 기 정의된 학습과정들에 대한 학습 확률을 각각 산출하는 단계, 학습 추천부가 상기 추천된 각 카테고리마다 상기 산출된 학습 확률이 높은 순으로 일정 개수의 학습과정을 각각 추천하는 단계를 포함한다.

Description

학습 콘텐츠 추천 방법 및 장치{METHOD AND APPARATUS FOR RECOMMENDING LEARNING CONTENTS}

본 발명은 학습 콘텐츠 추천 방법 및 장치에 관한 것으로서, 보다 상세하게는 학습자들이 신청한 학습과정(수업) 이력에 기초하여 각 학습자에게 적합한 최적의 학습과정(수업)을 추천할 수 있는 학습 콘텐츠 추천 방법 및 장치에 관한 것이다.

고교, 대학교 등의 입시 전형에서 자기 주도 학습전형이 증가하면서 그에 관련된 인터넷 강의 및 교재가 범람하고 있는 반면에, 정작 수험생 입장에서는 전략적인 커리큘럼 생산 및 강의 선택 능력이 부재함에 따라 사교육을 이용 중인 학생의 대다수가 학습 스케줄링 및 목표 관리 서비스에 대한 필요성을 느끼고 있다.

또한, 다양한 학습 콘텐츠의 증가로 인해 스스로 학습하는 학습 유형이 증가하고, 학습자에게 특화된 커리큘럼의 추천 및 지속성 유지를 위한 관리가 절실해짐에 따라, 학습량의 많고 적음보다 어떻게 무엇을 공부할 것인지에 관련된 학습 전략이 중요해지고 있다. 이러한 교육 환경의 변화에 따라 개인별 코칭 학습의 전략이 요구되는 실정이다. 특히, 교육용 서비스는 개개인의 경험에 의존하기보다는 다수의 학습 패턴을 분석하여 이를 빅데이터로 활용할 필요가 있는데, 아직까지 사용자에게 최적화된 콘텐츠 추천 및 학습 관리를 위한 시스템은 제시되지 못한 한계가 있다.

본 발명의 배경기술은 대한민국 공개특허공보 제2011-0070625호(2011.06.24)의 '학습 컨텐츠 제공 시스템 및 방법'에 개시되어 있다.

본 발명은 전술한 문제점을 개선하기 위하여 인출된 것으로, 본 발명의 목적은 학습자들이 신청한 학습과정 이력에 기초하여 각 학습자에게 적합한 최적의 학습과정을 추천할 수 있는 학습 콘텐츠 추천 방법 및 장치를 제공하는 것이다.

본 발명이 해결하고자 하는 과제는 이상에서 언급한 과제(들)로 제한되지 않으며, 언급되지 않은 또 다른 과제(들)은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

본 발명의 일 측면에 따른 학습 콘텐츠 추천 방법은, 카테고리 추천부가 학습자들이 신청한 각 학습과정의 학습 식별정보에 대응하는 카테고리 식별정보들을 사용하여 기 설정된 일정 개수의 카테고리를 추천하는 단계, 학습 확률 산출부가 상기 학습 식별정보들을 임베딩하고, 상기 임베딩된 학습 식별정보들을 기계학습에 적용하여 기 정의된 학습과정들에 대한 학습 확률을 각각 산출하는 단계, 학습 추천부가 상기 추천된 각 카테고리마다 상기 산출된 학습 확률이 높은 순으로 일정 개수의 학습과정을 각각 추천하는 단계를 포함한다.

본 발명에서 상기 일정 개수의 카테고리를 추천하는 단계는, 상기 카테고리 추천부가 상기 카테고리 식별정보들 중에서 중복된 카테고리 식별정보를 제거하는 단계, 상기 카테고리 추천부가 상기 중복된 카테고리 식별정보가 제거된 카테고리 식별정보들을 one-hot 임베딩(embedding)하여 훈련 데이터를 생성하는 단계, 상기 카테고리 추천부가 상기 훈련 데이터를 LSTM(Long-Short term Memory)으로 훈련하여 LSTM 모델을 생성하는 단계, 상기 카테고리 추천부가 상기 LSTM 모델을 이용하여 각 학습자에게 추천할 일정 개수의 카테고리 식별정보를 추천하는 단계를 포함할 수 있다.

본 발명에서 상기 카테고리 식별정보를 추천하는 단계는, 상기 특정 학습자가 신청한 카테고리 식별정보 이력을 상기 LSTM 모델에 입력하면, 기 정의된 카테고리 식별정보들에 대한 확률을 각각 산출하는 단계, 상기 산출된 확률 값이 높은 순의 일정 개수의 카테고리 식별정보를 선택하여 추천하는 단계를 포함할 수 있다.

본 발명에서 상기 학습과정들에 대한 학습 확률을 각각 산출하는 단계는, 상기 학습 확률 산출부가 상기 학습 식별정보들을 임베딩하여 훈련 데이터를 생성하는 단계, 상기 학습 확률 산출부가 상기 훈련 데이터를 DNN으로 훈련하여 DNN 모델을 생성하는 단계, 상기 학습 확률 산출부가 상기 DNN 모델을 이용하여 상기 학습과정들에 대한 학습 확률을 각각 산출하는 단계를 포함할 수 수 있다.

본 발명에서 상기 DNN 모델을 이용하여 상기 학습과정들에 대한 학습 확률을 각각 산출하는 단계는, 상기 학습 확률 산출부가 특정 학습자가 신청한 학습 식별정보 이력을 상기 DNN 모델에 입력하면, 기 정의된 학습과정들에 대한 확률을 각각 산출할 수 있다.

본 발명의 다른 측면에 따른 학습 콘텐츠 추천 장치는, 학습자들이 신청한 각 학습과정의 학습 식별정보에 대응하는 카테고리 식별정보들을 사용하여 기 설정된 일정 개수의 카테고리를 추천하는 카테고리 추천부, 상기 학습 식별정보들을 임베딩하고, 상기 임베딩된 학습 식별정보들을 기계학습에 적용하여 기 정의된 학습과정들에 대한 학습 확률을 각각 산출하는 학습 확률 산출부, 상기 추천된 각 카테고리마다 상기 산출된 학습 확률이 높은 순으로 일정 개수의 학습과정을 각각 추천하는 학습 추천부를 포함한다.

본 발명에서 상기 카테고리 추천부는, 상기 카테고리 식별정보들 중에서 중복된 카테고리 식별정보를 제거하는 전처리부, 상기 중복된 카테고리 식별정보가 제거된 카테고리 식별정보들을 one-hot 임베딩(embedding)하여 훈련 데이터를 생성하는 훈련 데이터 생성부, 상기 훈련 데이터를 LSTM(Long-Short term Memory)으로 훈련하여 LSTM 모델을 생성하는 LSTM 모델 생성부, 상기 LSTM 모델을 이용하여 각 학습자에게 추천할 일정 개수의 카테고리 식별정보를 추천하는 카테고리 식별정보 추천부를 포함할 수 있다.

본 발명에서 상기 카테고리 식별정보 추천부는, 상기 특정 학습자가 신청한 카테고리 식별정보 이력을 상기 LSTM 모델에 입력하면, 기 정의된 카테고리 식별정보들에 대한 확률을 각각 산출하고, 상기 산출된 확률 값이 높은 순의 일정 개수의 카테고리 식별정보를 선택하여 추천할 수 있다.

본 발명에서 상기 학습 확률 산출부는, 상기 학습 식별정보들을 임베딩하여 훈련 데이터를 생성하는 훈련 데이터 생성부, 상기 훈련 데이터를 DNN으로 훈련하여 DNN 모델을 생성하는 DNN 모델 생성부, 상기 DNN 모델을 이용하여 상기 학습과정들에 대한 학습 확률을 각각 산출하는 확률 산출부를 포함할 수 있다.

본 발명에서 상기 확률 산출부는, 특정 학습자가 신청한 학습 식별정보 이력을 상기 DNN 모델에 입력하면, 기 정의된 학습과정들에 대한 확률을 각각 산출할 수 있다.

이 외에도, 본 발명을 구현하기 위한 다른 방법, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램이 더 제공될 수 있다.

본 발명의 일 실시예에 따른 학습 콘텐츠 추천 방법 및 장치는 학습자들이 신청한 학습과정 이력에 기초하여 각 학습자에게 적합한 최적의 학습과정을 추천할 수 있고, 기계학습 알고리즘을 활용하여 학습과정 추천을 자동화함으로써 저비용으로 맞춤형 학습 서비스를 제공할 수 있다.

한편, 본 발명의 효과는 이상에서 언급한 효과들로 제한되지 않으며, 이하에서 설명할 내용으로부터 통상의 기술자에게 자명한 범위 내에서 다양한 효과들이 포함될 수 있다.

도 1은 본 발명의 일 실시예에 따른 학습 콘텐츠 추천 시스템을 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 학습 콘텐츠 추천 장치를 개략적으로 나타낸 블록도이다.
도 3은 도 2에 도시된 카테고리 추천부의 상세 구성을 나타낸 블록도이다.
도 4는 도 2에 도시된 학습 확률 산출부의 상세 구성을 나타낸 블록도이다.
도 5는 본 발명의 일 실시예에 따른 학습 콘텐츠 추천 방법을 설명하기 위한 흐름도이다.
도 6은 본 발명의 일 실시예에 따른 학습자에게 추천할 카테고리를 선정하는 방법을 설명하기 위한 흐름도이다.
도 7은 본 발명의 일 실시예에 따른 학습 확률 산출부가 학습자에게 추천할 학습과정에 대한 학습 확률을 산출하는 방법을 설명하기 위한 흐름도이다.
도 8은 본 발명의 일 실시예에 따른 DNN 넷의 구조를 설명하기 위한 예시도이다.

이하, 첨부된 도면들을 참조하여 본 발명의 일 실시예에 따른 학습 콘텐츠 추천 방법 및 장치를 설명한다. 이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다.

또한, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.

또한, 본 명세서에서 설명된 구현은, 예컨대, 방법 또는 프로세스, 장치, 소프트웨어 프로그램, 데이터 스트림 또는 신호로 구현될 수 있다. 단일 형태의 구현의 맥락에서만 논의(예컨대, 방법으로서만 논의)되었더라도, 논의된 특징의 구현은 또한 다른 형태(예컨대, 장치 또는 프로그램)로도 구현될 수 있다. 장치는 적절한 하드웨어, 소프트웨어 및 펌웨어 등으로 구현될 수 있다. 방법은, 예컨대, 컴퓨터, 마이크로프로세서, 집적 회로 또는 프로그래밍 가능한 로직 디바이스 등을 포함하는 프로세싱 디바이스를 일반적으로 지칭하는 프로세서 등과 같은 장치에서 구현될 수 있다. 프로세서는 또한 최종-사용자 사이에 정보의 통신을 용이하게 하는 컴퓨터, 셀 폰, 휴대용/개인용 정보 단말기(personal digital assistant: "PDA") 및 다른 디바이스 등과 같은 통신 디바이스를 포함한다.

도 1은 본 발명의 일 실시예에 따른 학습 콘텐츠 추천 시스템을 설명하기 위한 도면이다.

도 1을 참조하면, 본 발명의 일 실시예에 따른 학습 콘텐츠 추천 시스템은 학습자 단말기(100) 및 학습 콘텐츠 추천 장치(200)를 포함한다.

학습자 단말기(100)는 학습 콘텐츠 추천 장치(200)가 제공하는 학습 콘텐츠 추천 어플리케이션 또는 학습 콘텐츠 추천 사이트를 실행 및/또는 표시할 수 있으며, 학습자 단말기(100)를 통하여 학습자의 접속 식별 정보(ID) 및 패스워드를 수신한 학습 콘텐츠 추천 장치(200)는 학습 콘텐츠 추천 어플리케이션 또는 학습 콘텐츠 추천 사이트에 대한 학습자 인증을 수행할 수 있다.

학습자 단말기(100)는 학습 콘텐츠 추천 어플리케이션 또는 학습 콘텐츠 추천 사이트를 통해 학습자들이 신청한 학습 과정 이력에 기초하여 학습 과정을 추천받을 수 있다.

이러한 학습자 단말기(100)는 사용자가 조작하는 데스크 탑 컴퓨터, 스마트폰, 노트북, 태블릿 PC, 스마트 TV, 휴대폰, PDA(personal digital assistant), 랩톱, 미디어 플레이어, 마이크로 서버, GPS(global positioning system) 장치, 전자책 단말기, 디지털방송용 단말기, 네비게이션, 키오스크, MP3 플레이어, 디지털 카메라, 가전기기 및 기타 모바일 또는 비모바일 컴퓨팅 장치일 수 있으나, 이에 제한되지 않는다. 또한, 학습자 단말기(100)는 통신 기능 및 데이터 프로세싱 기능을 구비한 시계, 안경, 헤어 밴드 및 반지 등의 웨어러블 단말기 일 수 있다. 학습자 단말기(100)는 상술한 내용에 제한되지 아니하며, 웹 브라우징이 가능한 단말기는 제한 없이 차용될 수 있다.

학습 콘텐츠 추천 장치(200)는 학습자들이 신청한 학습과정 이력에 기초하여 각 학습자에게 가장 적합한 학습과정(수업)을 추천한다.

학습 콘텐츠 추천 장치(200)는 학습자들이 신청한 학습과정의 카테고리ID를 사용하여 카테고리를 추천하고, 학습자들이 신청한 학습과정의 학습ID를 사용하여, 각 학습자에게 적합한 학습과정을 추천한다. 이때, 학습 콘텐츠 추천 장치(200)는 추천된 각 카테고리마다 학습 확률이 높은 순으로 일정 개수의 학습과정을 각각 추천할 수 있다.

이러한 학습 콘텐츠 추천 장치(200)에 대한 상세한 설명은 도 2를 참조하기로 한다.

도 2는 본 발명의 일 실시예에 따른 학습 콘텐츠 추천 장치를 개략적으로 나타낸 블록도, 도 3은 도 2에 도시된 카테고리 추천부의 상세 구성을 나타낸 블록도, 도 4는 도 2에 도시된 학습 확률 산출부의 상세 구성을 나타낸 블록도이다.

도 2를 참조하면, 본 발명의 일 실시예에 따른 학습 콘텐츠 추천 장치(200)는 통신부(210), 저장부(220), 학습 신청 정보 데이터베이스(230), 카테고리 추천부(240), 학습 확률 산출부(250), 학습 추천부(260) 및 제어부(270)를 포함한다.

통신부(210)는 통신망과 연동하여 학습 콘텐츠 추천 장치(200)와 학습자 단말기(100) 간의 송수신 신호를 패킷 데이터 형태로 제공하는 데 필요한 통신 인터페이스를 제공할 수 있다. 나아가, 통신부(210)는 학습자 단말기(100)로부터 소정의 정보 요청 신호를 수신하는 역할을 할 수 있고, 학습 추천부(260)에서 추천된 학습 과정을 학습자 단말기(100)로 전송하는 역할을 수행할 수 있다. 여기서 통신망이라 함은, 학습 콘텐츠 추천 장치(200)와 학습자 단말기(100)를 연결하는 역할을 수행하는 매개체로써, 학습자 단말기(100)가 학습 콘텐츠 추천 장치(200)에 접속한 후 정보를 송수신할 수 있도록 접속 경로를 제공하는 경로를 포함할 수 있다. 또한 통신부(210)는 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있다. 또한, 통신부(210)는 근거리 통신모듈, 무선 통신모듈, 이동통신 모듈, 유선 통신모듈 등 다양한 형태로 구현될 수 있다.

저장부(220)는 학습 콘텐츠 추천 장치(200)의 동작과 관련된 데이터들을 저장하는 구성이다. 여기서 저장부(220)는 공지된 저장매체를 이용할 수 있으며, 예를 들어, ROM, PROM, EPROM, E EPROM, RAM 등과 같이 공지된 저장매체 중 어느 하나 이상을 이용할 수 있다. 특히, 저장부(220)에는 학습 콘텐츠 추천 프로그램(애플리케이션 또는 애플릿) 등이 저장될 수 있으며, 저장되는 정보들은 필요에 따라 제어부(270)에 의해 취사 선택될 수 있다.

학습 신청 정보 데이터베이스(230)에는 각 학습자들이 신청한 학습과정이 저장된다. 이때, 학습자가 신청한 학습과정(수업)은 학습ID로 저장될 수 있다. 따라서, 학습 신청 정보 데이터베이스(230)에는 학습자들이 신청한 학습과정의 식별정보인 학습ID 및 그 학습ID에 대응하는 카테고리ID가 저장될 수 있다.

카테고리 추천부(240)는 학습자들이 신청한 학습과정들의 카테고리ID를 사용하여 기 설정된 일정 개수의 카테고리를 추천한다. 즉, 카테고리 추천부(240)는 학습자들이 신청한 학습과정들의 카테고리들의 순서를 설정하고, 순서가 설정된 카테고리 리스트에 대해 LSTM 모델을 사용하여 훈련하며, 학습자에게 일정 개수의 카테고리를 추천할 수 있다. 예컨대, 카테고리 추천부(240)는 4개의 카테고리를 학습자에게 추천할 수 있다.

이러한 카테고리 추천부(240)는 도 3에 도시된 바와 같이, 전처리부(242), 훈련 데이터 생성부(244), LSTM 모델 생성부(246) 및 카테고리ID 추천부(248)를 포함한다.

전처리부(242)는 학습 신청 정보 데이터베이스(230)로부터 학습자들이 신청한 학습과정들의 카테고리ID를 획득하고, 획득된 카테고리ID에서 중복된 카테고리 ID를 제거한다. 즉, 하나의 카테고리ID에는 복수의 학습ID가 매칭되어 있기 때문에, 중복된 카테고리ID를 제거할 필요가 있다. 이에, 전처리부(242)는 학습 신청 정보 데이터베이스(230)로부터 획득한 카테고리ID에서 중복된 카테고리ID를 제거할 수 있다.

훈련 데이터 생성부(244)는 중복된 카테고리ID가 제거된 카테고리ID들을 이용하여 훈련 데이터를 생성하고, 생성된 훈련 데이터를 one-hot 임베딩(embedding)한다.

예를 들어, sequence 데이터 길이가 '4'이고, 제1학습자가 신청한 학습ID의 이력이 '1, 2, 3, 4, 5, 6, 7, 8'인 경우, 훈련 데이터 생성부(244)는 아래 표 1과 같이 훈련 데이터를 생성할 수 있다.

[표 1]

또한, 카테고리ID가 20개인 경우, 카테고리1에 대해 One-hot embedding을 수행하면, '1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0'일 수 있다.

LSTM 모델 생성부(246)는 훈련 데이터 생성부(244)에서 생성된 훈련 데이터를 LSTM(Long-Short term Memory)으로 훈련하여 LSTM(Long-Short term Memory) 모델을 생성한다.

카테고리ID 추천부(248)는 LSTM 모델 생성부(246)에서 생성된 LSTM 모델을 이용하여 각 카테고리ID의 확률을 각각 산출하고, 산출된 확률이 높은 순으로 일정 개수의 카테고리ID를 추천한다. 이때, 카테고리ID 추천 개수는 사용자에 의해 설정될 수 있다.

예를 들어, 제1 학습자가 신청한 카테고리ID 이력을 입력하면, 카테고리ID 추천부(248)는 제1 학습자의 카테고리ID 이력을 LSTM 모델에 입력한다. 그러면, 카테고리ID 추천부(248)는 카테고리ID별로 제1 학습자에게 추천할 확률을 각각 산출하고, 산출된 확률 값이 높은 순의 일정 개수의 카테고리ID를 추천할 수 있다. 이때, 추천 카테고리ID의 개수가 4개로 설정된 경우, 카테고리ID 추천부(248)는 4개의 카테고리ID를 추천할 수 있다.

학습 확률 산출부(250)는 학습자들이 신청한 학습과정들의 학습ID들을 임베딩하고, 임베딩된 학습ID들을 기계학습에 적용하여 학습과정들에 대한 학습 확률을 산출한다.

즉, 학습 확률 산출부(250)는 학습자들이 신청한 학습ID들을 임베딩(embedding)하고, DNN 신경망을 사용하여 훈련시켜 DNN모델을 생성하며, 그 DNN 모델을 이용하여 추천할 학습과정에 대한 학습 확률을 산출할 수 있다.

이러한 학습 확률 산출부(250)에 대해 도 4를 참조하면, 학습 확률 산출부(250)는 훈련 데이터 생성부(252), DNN 모델 생성부(254) 및 확률 산출부(256)를 포함한다.

훈련 데이터 생성부(252)는 학습자들이 신청한 학습과정들의 학습ID들을 임베딩하고, 임베딩 결과를 이용하여 훈련 데이터를 생성한다.

훈련 데이터 생성부(252)는 학습 신청 정보 데이터베이스(230)로부터 학습자들이 신청한 학습과정들의 학습ID들을 획득하고, 그 학습ID들을 임베딩한다. 학습ID들을 임베딩하면 각 학습과정마다 유일한 벡터(vector)가 생성될 수 있다. 그런 후, 훈련 데이터 생성부(252)는 임베딩 결과를 이용하여 훈련 데이터를 생성할 수 있다.

예를 들어, 제1 학습자가 신청한 학습ID 이력이 '3, 5, 6, 8, 10'이면, 훈련 데이터 생성부(252)는 아래 표 2와 같이 훈련 데이터를 생성할 수 있다.

[표 2]

DNN 모델 생성부(254)는 훈련 데이터 생성부(252)에서 생성된 훈련 데이터를 DNN로 훈련하여 DNN 모델을 생성한다. 즉, DNN 모델 생성부(254)는 도 8과 같은 DNN 넷을 정의할 수 있고, 그 DNN 넷을 이용하여 DNN 모델을 생성할 수 있다.

확률 산출부(256)는 DNN 모델을 이용하여 학습과정들에 대한 학습 확률을 산출한다. 즉, DNN 모델에 학습자가 신청한 학습ID 이력을 입력하면, 확률 산출부(256)는 학습자에게 적합한 학습과정들의 확률을 산출할 수 있다.

학습 추천부(260)는 카테고리 추천부(240)에서 추천된 각 카테고리마다 학습 확률 산출부(250)에서 산출된 학습 확률이 높은 순으로 일정 개수의 학습 과정을 각각 추천한다.

예를 들어, 카테고리 추천부(240)에서 카테고리1, 카테고리2, 카테고리5 및 카테고리6의 총 4개 카테고리를 추천한 경우, 학습 추천부(260)는 카테고리1, 카테고리2, 카테고리5 및 카테고리6의 각 카테고리마다 7개씩 학습 확률이 높은 학습과정을 선정하여, 총 28개의 학습 과정을 추천할 수 있다.

한편, 카테고리 추천부(240), 학습 확률 산출부(250) 및 학습 추천부(260)는 컴퓨팅 장치상에서 프로그램을 실행하기 위해 필요한 프로세서 등에 의해 각각 구현될 수 있다. 이처럼 카테고리 추천부(240), 학습 확률 산출부(250) 및 학습 추천부(260)는 물리적으로 독립된 각각의 구성에 의해 구현될 수도 있고, 하나의 프로세서 내에서 기능적으로 구분되는 형태로 구현될 수도 있다.

제어부(270)는 통신부(210), 저장부(220), 학습 신청 정보 데이터베이스(230), 카테고리 추천부(240), 학습 확률 산출부(250) 및 학습 추천부(260)를 포함하는 학습 콘텐츠 추천 장치(200)의 다양한 구성부들의 동작을 제어하는 구성으로, 적어도 하나의 연산 장치를 포함할 수 있는데, 여기서 상기 연산 장치는 범용적인 중앙연산장치(CPU), 특정 목적에 적합하게 구현된 프로그래머블 디바이스 소자(CPLD, FPGA), 주문형 반도체 연산장치(ASIC) 또는 마이크로 컨트롤러 칩일 수 있다. 또한, 다른 형태의 하드웨어로 구현될 수도 있음을 본 실시 예가 속하는 기술분야에서 통상의 지식을 가진 자라면 이해할 수 있다.

도 5는 본 발명의 일 실시예에 따른 학습 콘텐츠 추천 방법을 설명하기 위한 흐름도이다.

도 5를 참조하면, 카테고리 추천부(240)는 학습자들이 신청한 학습과정들의 카테고리ID를 사용하여 기 설정된 일정 개수의 카테고리를 추천한다(S510). 즉, 카테고리 추천부(240)는 학습자들이 신청한 학습과정들의 카테고리들의 순서를 설정하고, 순서가 설정된 카테고리 리스트에 대해 LSTM 모델을 사용하여 훈련하며, 학습자에게 일정 개수의 카테고리를 추천할 수 있다.

카테고리 추천부(240)가 학습자에게 추천할 카테고리를 선정하는 방법에 대한 상세한 설명은 도 6을 참조하기로 한다.

단계 S510이 수행되면, 학습 확률 산출부(250)는 학습자들이 신청한 학습과정들의 학습ID들을 임베딩하고, 임베딩된 학습ID들을 기계학습에 적용하여 학습과정들에 대한 학습 확률을 산출한다(S520). 즉, 학습 확률 산출부(250)는 학습자들이 신청한 학습ID들을 임베딩(embedding)하고, DNN 신경망을 사용하여 훈련시켜 DNN모델을 생성하며, 그 DNN 모델을 이용하여 추천할 학습과정에 대한 학습 확률을 산출할 수 있다.

단계 S520이 수행되면, 학습 추천부(260)는 카테고리 추천부(240)에서 추천된 각 카테고리마다 학습 확률 산출부(250)에서 산출된 학습 확률이 높은 순으로 일정 개수의 학습 과정을 각각 추천한다(S530).

도 6은 본 발명의 일 실시예에 따른 학습자에게 추천할 카테고리를 선정하는 방법을 설명하기 위한 흐름도이다.

도 6을 참조하면, 카테고리 추천부(240)는 학습 신청 정보 데이터베이스(230)로부터 학습자들이 신청한 학습과정들의 카테고리ID를 획득하고(S610), 획득된 카테고리ID에서 중복된 카테고리 ID를 제거한다(S620).

단계 S620이 수행되면, 카테고리 추천부(240)는 중복된 카테고리ID가 제거된 카테고리ID들을 이용하여 훈련 데이터를 생성한다(S630). 이때, 카테고리 추천부(240)는 훈련 데이터를 one-hot 임베딩할 수 있다.

단계 S630이 수행되면, 카테고리 추천부(240)는 훈련 데이터를 LSTM으로 훈련하여 LSTM 모델을 생성하고(S640), 생성된 LSTM 모델을 이용하여 각 카테고리ID의 확률을 각각 산출한다(S650).

단계 S650이 수행되면, 카테고리 추천부(240)는 산출된 확률이 높은 순으로 일정 개수의 카테고리ID를 추천한다(S660).

예를 들어, 제1 학습자가 신청한 카테고리ID 이력을 입력하면, 카테고리 추천부(240)는 제1 학습자의 카테고리ID 이력을 LSTM 모델에 입력하고, 카테고리ID별로 제1 학습자에게 추천할 확률을 각각 산출하며, 산출된 확률 값이 높은 순의 일정 개수의 카테고리ID를 추천할 수 있다.

도 7은 본 발명의 일 실시예에 따른 학습 확률 산출부가 학습자에게 추천할 학습과정에 대한 학습 확률을 산출하는 방법을 설명하기 위한 흐름도이다.

도 7을 참조하면, 학습 확률 산출부(250)는 학습 신청 정보 데이터베이스(230)로부터 학습자들이 신청한 학습과정들의 학습ID들을 획득하고(S710), 획득된 학습ID들을 임베딩하여 훈련 데이터를 생성한다(S720)). 이때, 학습ID들을 임베딩하면 각 학습과정마다 유일한 벡터(vector)가 생성될 수 있다.

단계 S720이 수행되면, 학습 확률 산출부(250)는 훈련 데이터를 DNN로 훈련하여 DNN 모델을 생성하고(S730), DNN 모델을 이용하여 학습과정들에 대한 학습 확률을 산출한다(S740). 즉, DNN 모델에 학습자가 신청한 학습ID 이력을 입력하면, 학습 확률 산출부(250)는 학습자에게 적합한 학습과정들의 확률을 산출할 수 있다.

상술한 바와 같이 본 발명의 일 실시예에 따른 학습 콘텐츠 추천 방법 및 장치는 학습자들이 신청한 학습과정 이력에 기초하여 각 학습자에게 적합한 최적의 학습과정을 추천할 수 있고, 기계학습 알고리즘을 활용하여 학습과정 추천을 자동화함으로써 저비용으로 맞춤형 학습 서비스를 제공할 수 있다.

본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나, 이는 예시적인 것에 불과하며, 당해 기술이 속하는 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호범위는 아래의 특허청구범위에 의해서 정하여져야 할 것이다.

100 : 학습자 단말기
200 : 학습 콘텐츠 추천 장치
210 : 통신부
220 : 저장부
230 : 학습 신청 정보 데이터베이스
240 : 카테고리 추천부
242 : 전처리부
244, 252 : 훈련 데이터 생성부
246 : LSTM 모델 생성부
248 : 카테고리ID 추천부
250 : 학습 확률 산출부
254 : DNN 모델 생성부
256 : 확률 산출부
260 : 학습 추천부
270 : 제어부

Claims

학습 콘텐츠 추천 장치가 학습자들이 신청한 각 학습과정의 학습 식별정보에 대응하는 카테고리 식별정보들을 사용하여 기 설정된 일정 개수의 카테고리를 추천하는 단계;
상기 학습 콘텐츠 추천 장치가 상기 학습 식별정보들을 임베딩하고, 상기 임베딩된 학습 식별정보들을 기계학습에 적용하여 기 정의된 학습과정들에 대한 학습 확률을 각각 산출하는 단계; 및
상기 학습 콘텐츠 추천 장치가 상기 추천된 각 카테고리마다 상기 산출된 학습 확률이 높은 순으로 일정 개수의 학습과정을 각각 추천하는 단계를 포함하되,
상기 일정 개수의 카테고리를 추천하는 단계는,
상기 학습 콘텐츠 추천 장치가 상기 카테고리 식별정보들 중에서 중복된 카테고리 식별정보를 제거하는 단계;
상기 학습 콘텐츠 추천 장치가 상기 중복된 카테고리 식별정보가 제거된 카테고리 식별정보들을 one-hot 임베딩(embedding)하여 훈련 데이터를 생성하는 단계;
상기 학습 콘텐츠 추천 장치가 상기 훈련 데이터를 LSTM(Long-Short term Memory)으로 훈련하여 상기 LSTM 모델을 생성하는 단계; 및
상기 학습 콘텐츠 추천 장치가 상기 LSTM 모델을 이용하여 각 학습자에게 추천할 일정 개수의 카테고리 식별정보를 추천하는 단계를 포함하고,
상기 일정 개수의 카테고리를 추천하는 단계에서,
상기 학습 콘텐츠 추천 장치는 특정 학습자가 신청한 카테고리 식별정보 이력을 LSTM(Long-Short term Memory) 모델에 입력하면, 기 정의된 카테고리 식별정보들에 대한 확률을 각각 산출하고, 상기 산출된 확률 값이 높은 순의 일정 개수의 카테고리 식별정보를 선택하여 상기 특정 학습자에게 추천하며,
상기 학습과정들에 대한 학습 확률을 각각 산출하는 단계는,
상기 학습 콘텐츠 추천 장치가 상기 학습 식별정보들을 임베딩하여 훈련 데이터를 생성하는 단계;
상기 학습 콘텐츠 추천 장치가 상기 훈련 데이터를 DNN(Deep Neural Network)으로 훈련하여 상기 DNN 모델을 생성하는 단계; 및
상기 학습 콘텐츠 추천 장치가 상기 DNN 모델을 이용하여 상기 학습과정들에 대한 학습 확률을 각각 산출하는 단계를 포함하고,
상기 학습과정들에 대한 학습 확률을 각각 산출하는 단계에서,
상기 학습 콘텐츠 추천 장치는, 상기 특정 학습자가 신청한 학습 식별정보 이력을 DNN(Deep Neural Network) 모델에 입력하면, 기 정의된 학습과정들에 대한 확률을 각각 산출하고,
상기 일정 개수의 학습과정을 각각 추천하는 단계에서,
상기 학습 콘텐츠 추천 장치는, N개의 카테고리가 추천된 경우, N개의 각 카테고리마다 M개씩 학습 확률이 높은 학습과정을 선정하여, 총 (N*M)개의 학습 과정을 추천하고,
상기 N 및 M은 자연수인 것을 특징으로 하는 학습 콘텐츠 추천 방법.
삭제
삭제
삭제
삭제
학습자들이 신청한 각 학습과정의 학습 식별정보에 대응하는 카테고리 식별정보들을 사용하여 기 설정된 일정 개수의 카테고리를 추천하는 카테고리 추천부;
상기 학습 식별정보들을 임베딩하고, 상기 임베딩된 학습 식별정보들을 기계학습에 적용하여 기 정의된 학습과정들에 대한 학습 확률을 각각 산출하는 학습 확률 산출부; 및
상기 추천된 각 카테고리마다 상기 산출된 학습 확률이 높은 순으로 일정 개수의 학습과정을 각각 추천하는 학습 추천부를 포함하되,
상기 카테고리 추천부는,
상기 카테고리 식별정보들 중에서 중복된 카테고리 식별정보를 제거하는 전처리부;
상기 중복된 카테고리 식별정보가 제거된 카테고리 식별정보들을 one-hot 임베딩(embedding)하여 훈련 데이터를 생성하는 훈련 데이터 생성부;
상기 훈련 데이터를 LSTM(Long-Short term Memory)으로 훈련하여 상기 LSTM 모델을 생성하는 LSTM 모델 생성부; 및
상기 LSTM 모델을 이용하여 각 학습자에게 추천할 일정 개수의 카테고리 식별정보를 추천하는 카테고리 식별정보 추천부를 포함하고,
상기 카테고리 식별정보 추천부는,
특정 학습자가 신청한 카테고리 식별정보 이력을 LSTM 모델에 입력하면, 기 정의된 카테고리 식별정보들에 대한 확률을 각각 산출하고, 상기 산출된 확률 값이 높은 순의 일정 개수의 카테고리 식별정보를 선택하여 상기 특정 학습자에게 추천하며,
상기 학습 확률 산출부는,
상기 학습 식별정보들을 임베딩하여 훈련 데이터를 생성하는 훈련 데이터 생성부;
상기 훈련 데이터를 DNN으로 훈련하여 상기 DNN 모델을 생성하는 DNN 모델 생성부; 및
상기 DNN 모델을 이용하여 상기 학습과정들에 대한 학습 확률을 각각 산출하는 확률 산출부를 포함하고,
상기 확률 산출부는,
상기 특정 학습자가 신청한 학습 식별정보 이력을 DNN 모델에 입력하면, 기 정의된 학습과정들에 대한 확률을 각각 산출하고,
상기 학습 추천부는, N개의 카테고리가 추천된 경우, N개의 각 카테고리마다 M개씩 학습 확률이 높은 학습과정을 선정하여, 총 (N*M)개의 학습 과정을 추천하고,
상기 N 및 M은 자연수인 것을 특징으로 하는 학습 콘텐츠 추천 장치.
삭제
삭제
삭제
삭제