KR102429779B1 - 다차원 객체를 이용한 큐레이션 시스템 - Google Patents

다차원 객체를 이용한 큐레이션 시스템 Download PDF

Info

Publication number
KR102429779B1
KR102429779B1 KR1020220072592A KR20220072592A KR102429779B1 KR 102429779 B1 KR102429779 B1 KR 102429779B1 KR 1020220072592 A KR1020220072592 A KR 1020220072592A KR 20220072592 A KR20220072592 A KR 20220072592A KR 102429779 B1 KR102429779 B1 KR 102429779B1
Authority
KR
South Korea
Prior art keywords
user
item
vector
information
target
Prior art date
Application number
KR1020220072592A
Other languages
English (en)
Inventor
김세진
Original Assignee
토이푸딩 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 토이푸딩 주식회사 filed Critical 토이푸딩 주식회사
Priority to KR1020220072592A priority Critical patent/KR102429779B1/ko
Application granted granted Critical
Publication of KR102429779B1 publication Critical patent/KR102429779B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—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
    • G06N20/00—Machine learning
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • 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]
    • H04N21/40—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Graphics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 발명의 다차원 객체를 이용한 큐레이션 시스템은 숏클립 영상을 포함하는 동영상 컨텐츠인 아이템을 대상유저에게 추천하는 큐레이션 시스템으로서, 사용자의 특성을 표상하는 다차원 객체 기반의 유저정보벡터를 m(m은 2이상의 자연수)명의 사용자 각각마다 생성하는 정보벡터생성부; m개의 유저정보벡터 중 상기 대상유저의 유저정보벡터인 대상벡터와 나머지 m-1개 유저정보벡터인 대비군벡터 각각의 유사도를 연산하는 유사도연산부; 상기 대비군벡터 중 상기 대상벡터와 기준 값 이내 유사성을 가지는 유저정보벡터를 선별하는 선별부; 상기 선별된 유저정보벡터를 이용하여 상기 대상유저의 유사사용자그룹을 분류하는 그룹핑처리부; 및 상기 유사사용자그룹에 속한 각 사용자가 반응한 아이템을 이용하여 상기 대상유저에 대한 아이템추천풀을 생성하는 메인처리부를 포함하는 것을 특징으로 한다.

Description

다차원 객체를 이용한 큐레이션 시스템{CURATION SYSTEM USING MULTI DIMENSION OBJECT}
본 발명은 사용자에게 숏클립 영상을 포함하는 동영상 컨텐츠인 아이템을 추천하는 큐레이션 시스템에 관한 것으로서, 더욱 구체적으로는 아이템에 반응하는 사용자 자신의 패턴이나 경향성 그리고 사용자의 개인 특성을 표상하는 사용자 정보 등을 이용하여 다차원 기반의 유저정보벡터를 생성하고 이들 유저정보벡터 사이의 상호 유사도 상관관계를 적용하는 프로세싱을 통하여 사용자 개인마다 특화된 최적화된 아이템추천풀(POOL)을 결정하고 제공할 수 있는 다차원 객체를 이용한 큐레이션 시스템에 관한 것이다.
정보기술에 대한 하드웨어 및 소프트웨어의 비약적인 발전과 라이프 스타일의 급격한 사회적 변화 등에 기인하여, 모바일 단말이나 PC와 같이 개인화된 단말을 이용하여 동영상 기반의 컨텐츠를 소비하는 방법이 급속도로 확대되고 있다.
특히 최근에는 상대적으로 짧은 길이의 영상 컨텐츠인 숏클립 컨텐츠(short clip contents)에 대한 니즈가 폭발적으로 증가하고 있고 유저 등에 의하여 제작된 방대한 양의 숏클립 컨텐츠가 서비스 플랫폼을 통하여 업로드되고 소비되고 있다.
이러한 숏클립 컨텐츠의 특성을 살펴보면 다음과 같다. 우선, 숏클립 컨텐츠는 영화, 드라마 등과 같은 전통적인 영상 컨텐츠와 대비하여 영상 길이가 상당히 짧으므로 제작 생산성은 상대적으로 매우 높음에 반해 그 수명은 반대로 현저히 짧아, 제작된 컨텐츠에 비해 사용자에게 실제 노출되고 소비되는 컨텐츠의 비율이 현저히 낮다는 특성을 가진다.
또한, 숏클립 컨텐츠의 경우, 해당 영상을 소비(시청/반응)하는 시간이 수초~수분 정도에 지나지 않고 그 개수가 방대하며 나아가 카테고리별로 업로드되는 영상(숏클립 컨텐츠)도 빠르게 변화할 수 있어 사용자의 성향, 선호도 등의 트렌드가 전통적 영상 플랫폼에 비해 더욱 동적으로 급격하게 변화될 수 있다.
나아가, 숏클립 영상 플랫폼의 UI/UX의 경우 유튜브 또는 넷플릭스와는 달리 실시간 실행되는 영상들을 제공하도록 구성된다.
즉, 숏클립 영상 플랫폼의 UI/UX는 최초 화면에서부터 영상을 재생하므로 소개 자료가 수록된 리스트 또는 이에 준하는 정보를 이용하여 영상을 선택하는 유튜브 또는 넷플릭스와는 달리, 영상 선택 권한 내지 기회가 사용자에게 직접적으로 제공되지 않는다.
이와 같이 영상의 선택이 사용자에게 의하여 직접적으로 이루어지지 않으므로 사용자의 관심도를 벗어나는 영상이 실행되어 사용자에게 일방향으로 제공되는 경우 사용자 지향성을 충족하지 못함은 물론, 결과론적으로 숏클립 영상 플랫폼 서비스의 약화를 야기시키게 된다.
이러한 점에서 숏클립 영상 플랫폼 서비스에서는 영상 추천에 대한 알고리즘이 더욱 중요하다고 할 수 있다. 그러나 기존 숏클립 영상 플랫폼 서비스의 경우 이러한 숏클립 영상 서비스만의 본질적인 특성에 대한 깊은 이해 없이 범용적으로 적용되는 일반적인 컨텐츠 추천 방식이 그대로 적용되고 있다.
종래 추천 방식들은 사용자 자신이 시청하거나 반응한 컨텐츠를 기반으로 이와 유사성을 가지는 컨텐츠가 추천되도록 설계되거나 또는 나이, 성별 등과 같은 사용자 개인 특성 정보만을 단편적으로 적용하여 이에 해당하는 컨텐츠가 추천되는 방식이 주로 적용되므로 특정 범주에 해당하는 컨텐츠의 노출이 급격히 증가하거나 또는 이와 반대로 사용자가 시청하지 않는 카테고리에 해당하는 컨텐츠 소비는 급격히 감소하는 심각한 편중 내지 쏠림 현상이 발생할 수 있다.
나아가 종래 방식의 경우, 단순히 해당 컨텐츠가 속한 클래스(class), 카테고리(category) 또는 이에 준하는 정보 등을 기반으로 사용자의 성향을 반영하고 그 성향에 따른 컨텐츠가 제공되므로 사용자의 성향, 선호도 등의 트렌드가 동적으로 급변하는 숏클립 컨텐츠 환경에 최적화될 수 없다는 본질적인 한계가 있다.
본 발명은 상기와 같은 배경에서 상술된 문제점을 해결하기 위하여 창안된 것으로서, 실시간 갱신되는 정보로서 아이템에 대한 사용자 반응정보, 전체 카테고리 대비 특정 카테고리의 아이템에 대한 사용자 반응정보가 가지는 비율 및 사용자의 개인적 특성정보 등이 유기적으로 결합된 다차원 기반의 유저정보벡터를 생성하고, 이 유저정보벡터를 기반으로 유사도 판단 프로세싱 및 그룹핑(grouping) 프로세싱 등을 후속적으로 적용함으로써 동적으로 변화될 수 있는 사용자 자신 그리고 유사 집단의 경향성 모두가 입체적으로 그리고 실시간 반영되는 아이템추천풀(Recommended Item POOL)을 생성함으로써 숏클립 컨텐츠 환경에 최적화될 수 있는 다차원 객체를 이용한 큐레이션 시스템을 제공하는데 그 목적이 있다.
본 발명의 다른 목적 및 장점들은 아래의 설명에 의하여 이해될 수 있으며, 본 발명의 실시예에 의하여 보다 분명하게 알게 될 것이다. 또한, 본 발명의 목적 및 장점들은 특허청구범위에 나타난 구성과 그 구성의 조합에 의하여 실현될 수 있다.
상기 목적을 달성하기 위한 본 발명의 다차원 객체를 이용한 큐레이션 시스템은 숏클립 영상을 포함하는 동영상 컨텐츠인 아이템을 대상유저에게 추천하는 큐레이션 시스템으로서, 사용자의 특성을 표상하는 다차원 객체 기반의 유저정보벡터를 m(m은 2이상의 자연수)명의 사용자 각각마다 생성하는 정보벡터생성부; m개의 유저정보벡터 중 상기 대상유저의 유저정보벡터인 대상벡터와 나머지 m-1개 유저정보벡터인 대비군벡터 각각의 유사도를 연산하는 유사도연산부; 상기 대비군벡터 중 상기 대상벡터와 기준 값 이내 유사성을 가지는 유저정보벡터를 선별하는 선별부; 상기 선별된 유저정보벡터를 이용하여 상기 대상유저의 유사사용자그룹을 분류하는 그룹핑처리부; 및 상기 유사사용자그룹에 속한 각 사용자가 반응한 아이템을 이용하여 상기 대상유저에 대한 아이템추천풀을 생성하는 메인처리부를 포함하여 구성될 수 있다.
여기에서, 본 발명의 상기 유저정보벡터는 상기 아이템에 대한 사용자의 반응정보를 인덱스로 표상하는 아이템반응객체, 전체 카테고리의 아이템에 대한 사용자의 반응정보를 기준으로 특정 카테고리의 아이템에 대한 사용자의 반응정보가 가지는 비율을 각 카테고리마다 인덱스로 표상하는 상대비중치객체와, 나이, 성별, 직업군, 아이템 노출시간 중 하나 이상을 포함하는 개인정보객체를 포함하는 다차원 객체로 이루어질 수 있다.
또한, 상기 사용자의 반응정보는 해당 아이템의 시청(view)여부, 기호(like) 입력 여부, 코멘트 입력 여부, 타사용자 추천여부 중 하나 이상을 포함할 수 있다.
구체적으로 본 발명의 상기 정보벡터생성부는 아래 수식에 의하여 연산되는 rv, rL, rc 중 k(k는 1이상의 자연수)개가 포함되는 상기 아이템반응객체를 생성하는 반응객체생성부를 포함할 수 있다.
Figure 112022062285775-pat00001
상기 수식에서 rv는 전체 반응(S) 대비 시청한 아이템의 비율, rL는 전체 반응 대비 기호(like)를 입력한 아이템의 비율, rc는 전체 반응 대비 코멘트를 입력한 아이템의 비율, V는 사용자가 시청한 아이템의 개수, L은 사용자가 기호(like)를 입력한 아이템의 개수, C는 사용자가 코멘트를 입력한 아이템의 개수이다.
나아가 본 발명의 상기 정보벡터생성부는 아래 수식에 의하여 연산되는 C1 내지 Cn(여기서 n은 2이상의 자연수)으로 이루어지는 상기 상대비중치객체를 생성하는 비중치객체생성부를 더 포함할 수 있다.
Figure 112022062285775-pat00002
상기 수식에서 ci는 i번째 카테고리에 대한 상대비중치객체, cvi, cli, cci 각각은 i번째 카테고리에 해당하는 아이템 중 사용자가 시청한 아이템의 개수, 사용자가 기호를 입력한 아이템의 개수, 사용자가 코멘트를 입력한 아이템의 개수이다.
바람직하게, 본 발명의 상기 정보벡터생성부는 나이, 성별, 직업군, 아이템 노출시간 중 s(s는 1이상의 자연수)개를 정량화하여 상기 개인정보객체를 생성하는 개별객체생성부; 및 상기 반응객체생성부에서 생성되는 k개의 아이템반응객체, 상기 비중치객체생성부에서 생성되는 n개의 상대비중치객체 및 상기 개별객체생성부에서 생성되는 s개의 개인정보객체를 이용하여 k+n+s 차원을 가지는 상기 유저정보벡터를 생성하는 벡터생성부를 더 포함할 수 있다.
실시형태에 따라서, 본 발명의 상기 유사도연산부는 k+n+s개 차원을 가지는 m개의 유저정보벡터를 이용하여 상기 유사도를 연산하도록 구성될 수 있으며 이 경우, 상기 메인처리부는 아래 수식에 의하여 상기 아이템추천풀을 생성하도록 구성될 수 있다.
Figure 112022062285775-pat00003
상기 수식에서 RIk는 상기 대상유저에 대한 아이템추천풀, IUi는 상기 대상유저의 유사사용자그룹 중 i번째 사용자가 반응한 아이템 집합, p는 유사사용자그룹의 사용자 전체 수, IUk는 상기 대상유저가 반응한 아이템 집합이다.
본 발명의 바람직한 일 실시예에 의할 때, 대상유저(사용자)는 물론, 전체유저(사용자)의 아이템에 대한 반응정보를 시계열적으로 그리고 입체적으로 접목시켜 사용자에게 추천될 아이템이 결정되도록 구성함으로써 동적으로 변화되는 아이템 소비 내지 반응 경향을 더욱 효과적으로 반영할 수 있어 숏클립 컨텐츠에 최적화된 컨텐츠 추천 큐레이션 시스템을 구현할 수 있다.
본 발명의 바람직한 다른 실시예에 의할 때, 사용자의 특성을 표상하는 다차원 객체 기반의 유저정보벡터 생성, 유저정보벡터의 유사도 연산 및 이를 기반으로 한 유사사용자그룹핑 프로세싱을 계층적으로 수행하고 이 수행 결과를 기초로 대상유저에 대한 아이템추천풀이 결정되어 제공되도록 함으로써 유사 사용자의 경향성과 접목되는 대상유저 자신의 경향성을 더욱 정밀하고 유기적으로 반영할 수 있음은 물론, 아이템 편중이나 예외적인 경향성을 더욱 효과적으로 필터링할 수 있다.
본 명세서에 첨부되는 다음의 도면들은 본 발명의 바람직한 실시예를 예시하는 것이며, 후술되는 발명의 상세한 설명과 함께 본 발명의 기술사상을 더욱 효과적으로 이해시키는 역할을 하는 것이므로, 본 발명은 이러한 도면에 기재된 사항에만 한정되어 해석되어서는 아니 된다.
도 1은 본 발명의 바람직한 일 실시예에 의한 큐레이션 시스템 및 이와 관련된 전반적인 구성을 도시한 도면,
도 2는 본 발명의 바람직한 일 실시예에 의한 큐레이션 시스템의 상세 구성을 도시한 블록도,
도 3은 도 2의 정보벡터생성부의 상세 구성을 도시한 블록도,
도 4는 대상유저에 대한 아이템추천풀이 생성되는 본 발명의 바람직한 일 실시예에 의한 프로세싱 과정을 도시한 흐름도,
도 5는 사용자별 유저정보벡터가 생성되는 본 발명의 바람직한 일 실시예에 의한 프로세싱 과정을 도시한 흐름도,
도 6은 유저정보벡터 및 유저정보벡터를 이루는 세부 구성요소에 대한 본 발명의 일 실시예를 도시한 도면,
도 7은 m×t(k+n+s) 행렬을 가지는 유저정보벡터의 일 예를 도시한 도면,
도 8은 유사사용자그룹에 속한 각 사용자들의 반응 아이템에 대한 집합 구조를 예시한 도면이다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명하기로 한다. 이에 앞서, 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다.
따라서 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.
도 1은 본 발명의 바람직한 일 실시예에 의한 다차원 객체를 이용한 큐레이션 시스템(이하 '큐레이션 시스템'이라 지칭한다)(100) 및 이와 관련된 전반적인 구성을 도시한 도면이다.
앞서 간략히 설명된 바와 같이 최근에는 여행, 뷰티, 패션 팁, 일상, 유머, 음악 등과 같은 다양한 주제를 수초 내지 수분 이내의 상대적으로 짧은 길이를 가지는 영상으로 제작한 숏클립 컨텐츠(이하 ‘아이템’과 혼용하여 사용한다)에 대한 서비스가 비약적으로 증가하고 있다.
이러한 아이템 내지 숏클립 컨텐츠는 그 제작에 전문적인 능력이 크게 요구되지 않아 접근성이 용이하고 공유 내지 전달하고자 하는 내용을 짧은 시간에 임팩트 있게 표출할 수 있다는 본질적인 특성 등을 가지고 있어 생산(제작)과 소비가 더욱 크게 증가하고 있다.
본 발명의 큐레이션 시스템(100)은 이러한 아이템을 제공하고 관리하는 시스템으로서 온라인 접속 가능한 서버 내지 플랫폼의 형태로 구현될 수 있다.
본 발명의 큐레이션 시스템(100)은 모바일 단말 형태의 사용자 클라이언트(200)는 물론, 노트북, PC 등과 같은 사용자 클라이언트(300)와 유무선 네트워크(50)를 통하여 통신 가능하게 연결되어 사용자 클라이언트(200, 300)로부터 다양한 숏클립 컨텐츠를 제공받으며 또한, 사용자 클라이언트(200, 300)로 숏클립 컨텐츠에 대한 다양한 서비스를 제공한다.
일반 사용자는 숏클립 컨텐츠에 대한 제작 주체(크리에이터)인 동시에 소비 주체가 될 수 있으므로 도 1에 예시된 사용자 클라이언트(200, 300)는 이들 모두의 기능을 포괄하는 넓은 의미의 사용자 클라이언트(200, 300)에 해당한다.
다만, 본 발명에 의한 기술사상은 본 발명에 의한 큐레이션 시스템(100)이 숏클립 컨텐츠를 사용자에게 제공하는 기술에 해당하므로 이하 설명에서는 상기 사용자 클라이언트(200, 300)를 숏클립 컨텐츠를 제공받는 즉, 숏클립 컨텐츠를 소비하는 소비 주체를 표상하는 단말로 설명한다.
본 발명의 큐레이션 시스템(100)에 의하여 숏클립 컨텐츠가 제공되면 사용자 클라이언트(200, 300)에 탑재된 전용 앱(소프트웨어)의 구동에 의하여 선택, 이동, 재생 등과 같은 관련 프로세싱이 수행될 수 있음은 물론이다.
서버에서 모바일 응용프로그램(모바일 앱)로 전송되는 숏클립 컨텐츠에 대한 영상데이터는 미리 정해진 사이즈를 가지는 일련의 영상 집단으로서 전송의 단위 유닛이 되는 영상프레임에 포함되는 형태로 전송될 수 있다.
아울러, 아이템은 아이템이 서버(큐레이션 시스템(100))에 전송되어 서버에서 DB화되는 과정에서 복수 개 카테고리(클래스)로 분류(classification)될 수 있다. 상기 카테고리는 숏클립 컨텐츠(아이템)의 주제, 분야, 테마 등을 구분할 수 있는 범주를 의미한다.
이하에서는 첨부된 도면 등을 참조하여 본 발명에 의한 큐레이션 시스템(100)의 구체적인 구성과 프로세싱 과정에 대하여 상세히 설명하도록 한다.
도 2는 본 발명의 바람직한 일 실시예에 의한 큐레이션 시스템(100)의 상세 구성을 도시한 블록도, 도 4는 대상유저에 대한 아이템추천풀이 생성되는 본 발명의 바람직한 일 실시예에 의한 프로세싱 과정을 도시한 흐름도이다.
본 발명에 의한 큐레이션 시스템(100)은 도 2에 예시된 바와 같이 인터페이스부(110), 컨텐츠DB부(120), 정보벡터생성부(130), 유사도연산부(140), 선별부(150), 그룹핑처리부(160) 및 메인처리부(170)를 포함하여 구성될 수 있다.
본 발명의 상세한 설명에 앞서, 본 발명의 큐레이션 시스템(100)은 플랫폼 또는 서버의 형태로 구현될 수 있으므로 도 2에 도시된 큐레이션 시스템(100)의 각 구성요소는 물리적으로 구분되는 구성요소라기보다는 논리적 내지 기능적으로 구분되는 구성요소로 이해되어야 한다.
즉, 각각의 구성은 본 발명의 기술사상을 실현하기 위한 논리적인 구성요소에 해당하므로 각각의 구성요소가 통합 또는 분리되어 구성되더라도 본 발명의 구성이 수행하는 해당 기능이 실현될 수 있다면 본 발명의 범위 내에 있다고 해석되어야 하며, 동일 또는 유사한 기능을 수행하는 구성요소라면 그 명칭 상의 일치성 여부와는 무관히 본 발명의 범위 내에 있다고 해석되어야 함은 물론이다. 도 3에 도시된 정보벡터생성부(130)의 구성 또한, 이와 같다.
우선, 본 발명의 컨텐츠DB부(120)는 인터페이스부(110)를 통하여 사용자 등으로부터 업로드된 다양한 숏클립 컨텐츠(아이템)를 n(n은 2이상의 자연수)개 카테고리로 분류한 객체DB를 생성하고 저장한다(S400). 객체DB생성 과정은 업로드한 주체에 관련된 정보, 날짜 정보, 태그 정보 등을 연계하는 데이터 가공 프로세싱을 포함할 수 있음은 물론이다.
본 발명의 정보벡터생성부(130)는 사용자의 특성을 표상하는 다차원 객체 기반의 유저정보벡터(500, 도 6 참조)를 m명(m은 2이상의 자연수)의 사용자 각각마다 생성한다(S410).
후술되어 상세히 설명되는 바와 같이 상기 유저정보벡터(500)는 특정 사용자가 아이템을 소비하거나 반응하는 사용자 반응정보는 물론, 사용자 개인의 인적 특성을 나타낼 수 있는 나이, 성별, 직업, 평균 아이템 시청 시간, 국가, 지역, 업로드한 아이템의 개수 또는 이와 관련된 통계 정보 등이 포함될 수 있다.
사용자 반응정보는 해당 아이템의 시청(view)여부, 기호(like) 입력 여부, 코멘트(댓글, comment) 입력 여부, 타사용자 추천여부 중 하나 이상을 포함할 수 있다. 상기 예시된 사용자 반응정보는 동영상 플랫폼 시스템에서 제공되는 기능에 대한 실시예이므로 동영상 플랫폼 시스템에서 추가적으로 다른 기능이 제공된다면 이와 다른 형태의 실시예가 가능함은 물론이다.
이하 설명에서는 동영상 플랫폼에서 제공되거나 확인할 수 있는 대표적인 기능인 아이템 시청여부, 기호(like) 입력 여부, 코멘트 입력 여부에 대한 정보를 사용자 반응정보로 예시하고 이를 기준으로 기술한다.
이와 같이 m명을 대상으로 한 유저정보벡터(500) 즉, m개의 유저정보벡터(500)가 생성되면 본 발명의 유사도연산부(140)는 m개의 유저정보벡터 중 대상유저의 유저정보벡터인 대상벡터와 나머지 m-1개 유저정보벡터인 대비군벡터 각각의 유사도를 연산한다(S420).
본 발명의 큐레이션 시스템(100)은 m명의 사용자(user) 중 특정 개인마다 특화된 아이템추천풀(Recommended Item POOL)을 생성하고 이를 기반으로 컨텐츠를 추천한다.
이러한 점을 반영하여 이하 설명에서는 m명의 사용자 중 아이템추천풀이 제공되는 특정 사용자를 '대상유저'라 지칭한다. m명 모두 각각 대상유저가 될 수 있음은 물론이다.
본 발명의 유사도연산부(140)는 m개의 유저정보벡터(500)를 대상으로 유사도 연산 프로세싱을 수행하되, 대상유저마다 "1 vs. m-1"의 유사도 연산 프로세싱을 수행한다.
본 발명의 선별부(150)가 상기 대비군벡터(대상유저의 유저정보벡터를 제외한 나머지 유저정보벡터) 중 상기 대상벡터와 기준 값 이내 유사성을 가지는 유저정보벡터를 선별하면, 본 발명의 그룹핑처리부(160)는 상기 선별된 유저정보벡터를 이용하여 상기 대상유저의 유사사용자그룹을 분류한다(S430).
이와 같이 대상유저의 유사사용자그룹이 분류되면, 본 발명의 메인처리부(170)는 이 유사사용자그룹에 속한 각 사용자가 반응한 아이템을 이용하여 상기 대상유저에 대한 아이템추천풀을 생성하고(S440) 이를 기반으로 추천아이템을 대상유저에게 제공한다.
추천아이템을 제공하는 방법은 상기 아이템추천풀에 해당하는 복수 개 아이템을 영상프레임 단위로 순차적으로 제공하는 방법, 영상 업로드의 최신 순서, 시청수가 많은 순서, 댓글(comment)이 많은 순서, 기호 정보(like)와 댓글이 동시에 많은 순서 등과 같이 실시예에 따라 다양하게 설정될 수 있다.
상술된 본 발명의 프로세싱은 시스템 업데이트, 컨텐츠DB 갱신, 동기화, 시스템 관리 등을 위한 인터럽트(interrupt) 등과 같은 프로세싱 종료 조건이 충족되지 않는다면(S460) 순환적으로 적용되도록 구성될 수 있음은 물론이다.
도 3은 본 발명에 의한 큐레이션 시스템(100)의 일 구성인 정보벡터생성부(130)의 상세 구성을 도시한 블록도이며, 도 5는 사용자별 유저정보벡터가 생성되는 본 발명의 바람직한 일 실시예에 의한 프로세싱 과정을 도시한 흐름도이다.
본 발명의 정보벡터생성부(130)는 본 발명에 의한 큐레이션 시스템(100)의 일 구성으로서, 도 3에 도시된 바와 같이 반응객체생성부(131), 비중치객체생성부(133), 개별객체생성부(135) 및 벡터생성부(137)를 포함하여 구성될 수 있다.
앞서 언급된 유저정보벡터(500)는 사용자의 특성을 표상하는 다차원 객체 기반의 정보 집합체로서 도 6에 도시된 바와 같이 크게 3가지 영역으로 구성된다.
구체적으로 유저정보벡터(500)는 상기 아이템에 대한 사용자의 반응정보를 인덱스로 표상하는 아이템반응객체(510), 전체 카테고리의 아이템에 대한 사용자의 반응정보를 기준으로 특정 카테고리의 아이템에 대한 사용자의 반응정보가 가지는 비율을 각 카테고리마다 인덱스로 표상하는 상대비중치객체(520) 및 나이, 성별, 직업군, 아이템 노출시간 중 하나 이상을 포함하는 개인정보객체(530)를 포함한다.
정보벡터생성부(130)의 일 구성인 반응객체생성부(131)는 아래 수학식 1에 의하여 연산되는 rv, rL, rc 중 k(k는 1이상의 자연수)개가 포함되는 아이템반응객체를 생성한다(S500, 도 5 참조).
Figure 112022062285775-pat00004
상기 수학식 1에서 rv(510-1)는 전체 반응(S) 대비 시청한 아이템의 비율, rL(510-2)은 전체 반응 대비 기호(like)를 입력한 아이템의 비율, rc(510-3)는 전체 반응 대비 코멘트를 입력한 아이템의 비율, V는 사용자가 시청한 아이템의 개수, L은 사용자가 기호(like)를 입력한 아이템의 개수, C는 사용자가 코멘트를 입력한 아이템의 개수이며 전체 반응(S)은 V+L+C이다.
상기 수학적 연산에 따른 결과 값은 사용자 개인의 특성 중 하나를 표상하는 지표(index) 정보로서, 각 항목(view, like, comment)에 대한 사용자 반응을 정량적으로 수치화한 결과이므로 사용자 개인에 대한 아이템 노출/소비/반응에 대한 경향성을 반영하는 정보에 해당한다.
만약 아이템반응객체(510)가 위의 예와 같이 3가지 파라미터로 이루어진다면 아이템반응객체(510)는 3(k)차원(k개 종류)을 가지는 객체가 된다.
정보벡터생성부(130)의 일 구성인 본 발명의 비중치객체생성부(133)는 아래 수학식 2에 의하여 연산되는 C1(520-1) 내지 Cn(520-n)(여기서 n은 2이상의 자연수)으로 이루어지는 상대비중치객체(520)를 생성하도록(S510) 구성된다.
Figure 112022062285775-pat00005
상기 수학식 2에서 ci는 i번째 카테고리에 대한 상대비중치객체, cvi, cli, cci 각각은 i번째 카테고리에 해당하는 아이템 중 사용자가 시청한 아이템의 개수, 사용자가 기호를 입력한 아이템의 개수, 사용자가 코멘트를 입력한 아이템의 개수이다.
상기 수학식 2에 따른 결과 값 또한, 아이템 반응과 관련된 사용자 개인의 특성 중 하나를 표상하는 지표(index) 정보에 해당한다.
즉, 상기 상대비중치객체(520)는 전체 카테고리를 대상으로 사용자가 시청하거나 기호 정보를 입력하거나 또는 코멘트 정보를 입력한 아이템을 기준으로, 특정 카테고리에 해당하는 아이템이 시청된 비율, 사용자가 기호 정보를 입력한 비율, 사용자가 코멘트 정보를 입력한 비율을 각각 분산적으로 반영하게 되므로 사용자 개인의 아이템 관련 반응에 대한 특성을 대표하는 고유 정보가 될 수 있다.
상술된 바와 같이 아이템이 분류되는 카테고리의 개수가 n개인 경우 상기 상대비중치객체(520)는 n차원(n개 종류)을 가지는 데이터 객체가 된다.
본 발명의 정보벡터생성부(130)의 일 구성인 개별객체생성부(135)는 나이, 성별, 직업군, 아이템 노출시간 중 s(s는 1이상의 자연수)개를 정량화하여 상기 개인정보객체(530)를 생성한다(S520).
상기 개인정보객체(530)는 사용자 개인의 인적 특성을 표상하는 정보 객체로서, 개인의 인적 특성을 효과적으로 상징화하고 나아가 유사도 연산 프로세싱의 효율성을 높이기 위하여 예를 들어 나이 정보(U1)(530-1)의 경우 나이대별로 1 내지 5의 서로 다른 수치가 부여되도록 설계될 수 있다.
이에 상응하는 관점에서 성별(U2)(530-2), 직업군(U3)(530-3) 등도 구분되는 정보 각각에 서로 다른 수치나 식별체계가 부여될 수 있음은 물론이다.
상기 개인정보객체(530)가 사용자 개인의 인적 특성을 나타낼 수 있는 인적정보 중 s개로 이루어진다면 상기 개인정보객체(530)는 s차원(s개 종류)을 가지는 데이터 객체가 된다.
이와 같이 아이템반응객체(510), 상대비중치객체(520) 및 개인정보객체(530) 각각이 생성되면 본 발명의 벡터생성부(137)는 위의 예시를 기준으로 k+n+s 차원을 가지는 상기 유저정보벡터를 생성한다(S530).
상술된 S500 내지 S530 단계에 의한 프로세싱 또한, 특정한 종료 조건이 충족되지 않는다면(S550) 순환적으로 적용될 수 있음은 물론이다.
이와 같이 m명의 사용자 각각의 k+n+s 차원의 유저정보벡터(500)가 생성되면 도 7에 도시된 바와 같이 m개의 행과 t개의 열을 가지는 m×t 행렬을 형성할 수 있다.
이 경우 본 발명은 cosine similarity, pearson correlation coefficient 등과 같은 similarity measure를 활용하여 상기 m×t 행렬을 구성하는 유저정보벡터(500) 중 특정 행의 구성요소와 나머지 행의 구성요소 각각을 대상으로 대한 유사도를 더욱 효과적으로 연산할 수 있으며 특정 임계(threshold)를 기준으로 대상유저와 유사한 경향성 내지 반응도를 가지는 유사사용자그룹을 분류할 수 있다.
도 8은 대상유저의 유사사용자그룹에 속한 각 사용자들의 반응 아이템에 대한 집합 구조를 예시한 도면이다.
반응 아이템은 각 사용자가 반응한 아이템 즉, 시청한 아이템, like 정보가 입력된 아이템 또는 comment정보가 입력된 아이템 중 하나 또는 그 이상의 기준에 의하여 선택된 아이템을 의미한다.
이와 같이 유사사용자그룹에 속한 각 사용자가 반응한 아이템 집합이 선별되면 본 발명의 메인처리부(170)는 아래 수학식 3에 의하여 상기 대상유저에 대한 상기 아이템추천풀을 생성한다.
Figure 112022062285775-pat00006
상기 수식에서 RIk는 상기 대상유저에 대한 아이템추천풀, IUi는 상기 대상유저의 유사사용자그룹 중 i번째 사용자가 반응한 아이템 집합, p는 유사사용자그룹의 사용자 전체 수, IUk는 상기 대상유저가 반응한 아이템 집합이다.
이와 같은 구성을 통하여 본 발명은 사용자의 특성을 표상하는 정보로서 아이템 반응에 대한 이원화된 정보는 물론, 사용자 개인의 인적 정보 등이 다차원적으로 결합된 정보를 이용하여 대상유저와 유사성을 가지는 유사사용자그룹을 선정하고 이들 유사사용자그룹에 속한 사용자가 반응한 아이템을 이용하여 아이템추천풀을 생성하고 이를 기초로 아이템을 추천할 수 있어 동적으로 변화되는 개인 및 해당 개인의 유사 집단에 대한 아이템 소비 내지 반응 경향을 더욱 효과적으로 반영할 수 있다.
이상에서 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 이것에 의해 한정되지 않으며 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 본 발명의 기술사상과 아래에 기재될 특허청구범위의 균등범위 내에서 다양한 수정 및 변형이 가능함은 물론이다.
본 발명의 설명과 그에 대한 실시예의 도시를 위하여 첨부된 도면 등은 본 발명에 의한 기술 내용을 강조 내지 부각하기 위하여 다소 과장된 형태로 도시될 수 있으나, 앞서 기술된 내용과 도면에 도시된 사항 등을 고려하여 본 기술분야의 통상의 기술자 수준에서 다양한 형태의 변형 적용 예가 가능할 수 있음은 자명하다고 해석되어야 한다.
100 : 본 발명에 의한 큐레이션 시스템
110 : 인터페이스부 120 : 컨텐츠DB부
130 : 정보벡터생성부
131 : 반응객체생성부 133 : 비중치객체생성부
135 : 개별객체생성부 137 : 벡터생성부
140 : 유사도연산부
150 : 선별부 160 : 그룹핑처리부
170 : 메인처리부 200(300) : 사용자 클라이언트
500: 유저정보벡터 510 : 아이템반응객체
520 : 상대비중치객체 530 : 개인정보객체

Claims (2)

  1. 숏클립 영상을 포함하는 동영상 컨텐츠인 아이템을 대상유저에게 추천하는 큐레이션 시스템으로서,
    사용자의 특성을 표상하는 다차원 객체 기반의 유저정보벡터를 m(m은 2이상의 자연수)명의 사용자 각각마다 생성하는 정보벡터생성부;
    m개의 유저정보벡터 중 상기 대상유저의 유저정보벡터인 대상벡터와 나머지 m-1개 유저정보벡터인 대비군벡터 각각의 유사도를 연산하는 유사도연산부;
    상기 대비군벡터 중 상기 대상벡터와 기준 값 이내 유사성을 가지는 유저정보벡터를 선별하는 선별부;
    상기 선별된 유저정보벡터를 이용하여 상기 대상유저의 유사사용자그룹을 분류하는 그룹핑처리부; 및
    상기 유사사용자그룹에 속한 각 사용자가 반응한 아이템을 이용하여 상기 대상유저에 대한 아이템추천풀을 생성하는 메인처리부를 포함하고,
    상기 유저정보벡터는, 상기 아이템에 대한 사용자의 반응정보를 인덱스로 표상하는 아이템반응객체, 전체 카테고리의 아이템에 대한 사용자의 반응정보를 기준으로 특정 카테고리의 아이템에 대한 사용자의 반응정보가 가지는 비율을 각 카테고리마다 인덱스로 표상하는 상대비중치객체와, 나이, 성별, 직업군, 아이템 노출시간 중 하나 이상을 포함하는 개인정보객체를 포함하는 다차원 객체로 이루어지고,
    상기 사용자의 반응정보는,
    해당 아이템의 시청(view)여부, 기호(like) 입력 여부, 코멘트 입력 여부, 타사용자 추천여부 중 하나 이상을 포함하는 것을 특징으로 하는 큐레이션 시스템.
  2. 제1항에 있어서,
    사용자로부터 업로드된 아이템을 n(n은 2이상의 자연수)개 카테고리로 분류한 객체DB를 생성하고 저장하는 컨텐츠DB부를 더 포함하고,
    상기 메인처리부는. 상기 객체DB 중 상기 아이템추천풀에 해당하는 복수 개 아이템을 상기 대상유저에게 제공하는 것을 특징으로 하는 큐레이션 시스템.
KR1020220072592A 2021-03-22 2022-06-15 다차원 객체를 이용한 큐레이션 시스템 KR102429779B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220072592A KR102429779B1 (ko) 2021-03-22 2022-06-15 다차원 객체를 이용한 큐레이션 시스템

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020210036390A KR102410981B1 (ko) 2021-03-22 2021-03-22 사용자 반응 정보 기반 인공지능 컨텐츠 추천 큐레이션 시스템
KR1020220072592A KR102429779B1 (ko) 2021-03-22 2022-06-15 다차원 객체를 이용한 큐레이션 시스템

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020210036390A Division KR102410981B1 (ko) 2021-03-22 2021-03-22 사용자 반응 정보 기반 인공지능 컨텐츠 추천 큐레이션 시스템

Publications (1)

Publication Number Publication Date
KR102429779B1 true KR102429779B1 (ko) 2022-08-05

Family

ID=82217084

Family Applications (13)

Application Number Title Priority Date Filing Date
KR1020210036390A KR102410981B1 (ko) 2021-03-22 2021-03-22 사용자 반응 정보 기반 인공지능 컨텐츠 추천 큐레이션 시스템
KR1020220072598A KR102429787B1 (ko) 2021-03-22 2022-06-15 다차원 객체를 이용한 큐레이션 방법
KR1020220072594A KR102429781B1 (ko) 2021-03-22 2022-06-15 상대 비중치 정보를 이용한 큐레이션 시스템
KR1020220072593A KR102429780B1 (ko) 2021-03-22 2022-06-15 아이템반응객체를 이용한 컨텐츠 추천 큐레이션 시스템
KR1020220072592A KR102429779B1 (ko) 2021-03-22 2022-06-15 다차원 객체를 이용한 큐레이션 시스템
KR1020220072597A KR102429786B1 (ko) 2021-03-22 2022-06-15 사용자 정보의 유사도를 이용한 컨텐츠 추천 큐레이션 방법
KR1020220072600A KR102429789B1 (ko) 2021-03-22 2022-06-15 유사사용자그룹의 반응 관계를 기반으로 하는 큐레이션 방법
KR1020220072590A KR102429777B1 (ko) 2021-03-22 2022-06-15 컨텐츠 추천 및 제공을 위한 큐레이션 시스템
KR1020220072599A KR102429788B1 (ko) 2021-03-22 2022-06-15 아이템반응객체를 이용한 컨텐츠 추천 큐레이션 방법
KR1020220072591A KR102429778B1 (ko) 2021-03-22 2022-06-15 사용자 맞춤형 인공지능 추천 큐레이션 시스템
KR1020220072596A KR102429952B1 (ko) 2021-03-22 2022-06-15 다차원 객체를 이용한 아이템추천풀 큐레이션 시스템
KR1020220072589A KR102429776B1 (ko) 2021-03-22 2022-06-15 사용자 정보의 유사도를 이용한 컨텐츠 추천 큐레이션 시스템
KR1020220072595A KR102429784B1 (ko) 2021-03-22 2022-06-15 유사사용자그룹의 반응 관계를 기반으로 하는 큐레이션 시스템

Family Applications Before (4)

Application Number Title Priority Date Filing Date
KR1020210036390A KR102410981B1 (ko) 2021-03-22 2021-03-22 사용자 반응 정보 기반 인공지능 컨텐츠 추천 큐레이션 시스템
KR1020220072598A KR102429787B1 (ko) 2021-03-22 2022-06-15 다차원 객체를 이용한 큐레이션 방법
KR1020220072594A KR102429781B1 (ko) 2021-03-22 2022-06-15 상대 비중치 정보를 이용한 큐레이션 시스템
KR1020220072593A KR102429780B1 (ko) 2021-03-22 2022-06-15 아이템반응객체를 이용한 컨텐츠 추천 큐레이션 시스템

Family Applications After (8)

Application Number Title Priority Date Filing Date
KR1020220072597A KR102429786B1 (ko) 2021-03-22 2022-06-15 사용자 정보의 유사도를 이용한 컨텐츠 추천 큐레이션 방법
KR1020220072600A KR102429789B1 (ko) 2021-03-22 2022-06-15 유사사용자그룹의 반응 관계를 기반으로 하는 큐레이션 방법
KR1020220072590A KR102429777B1 (ko) 2021-03-22 2022-06-15 컨텐츠 추천 및 제공을 위한 큐레이션 시스템
KR1020220072599A KR102429788B1 (ko) 2021-03-22 2022-06-15 아이템반응객체를 이용한 컨텐츠 추천 큐레이션 방법
KR1020220072591A KR102429778B1 (ko) 2021-03-22 2022-06-15 사용자 맞춤형 인공지능 추천 큐레이션 시스템
KR1020220072596A KR102429952B1 (ko) 2021-03-22 2022-06-15 다차원 객체를 이용한 아이템추천풀 큐레이션 시스템
KR1020220072589A KR102429776B1 (ko) 2021-03-22 2022-06-15 사용자 정보의 유사도를 이용한 컨텐츠 추천 큐레이션 시스템
KR1020220072595A KR102429784B1 (ko) 2021-03-22 2022-06-15 유사사용자그룹의 반응 관계를 기반으로 하는 큐레이션 시스템

Country Status (1)

Country Link
KR (13) KR102410981B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102616284B1 (ko) * 2023-02-23 2023-12-20 에스넷시스템(주) 유아동 창의력 평가 결과를 이용한 ai 기반 컨텐츠 추천방법 및 추천시스템

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015513154A (ja) * 2012-03-08 2015-04-30 トムソン ライセンシングＴｈｏｍｓｏｎ Ｌｉｃｅｎｓｉｎｇ ユーザのグループにアイテムを推奨する方法
KR20150105830A (ko) * 2014-03-10 2015-09-18 단국대학교 산학협력단 사용자 프로파일과 상황 정보를 이용한 선호도 기반 하이브리드 필터링 콘텐츠 추천 장치 및 방법
KR20160083746A (ko) * 2015-01-02 2016-07-12 에스케이플래닛 주식회사 컨텐츠 추천 서비스 시스템, 그리고 이에 적용되는 장치 및 그 장치의 동작 방법
KR20200123726A (ko) * 2019-04-22 2020-10-30 주식회사 바넷정보기술 금융컨텐츠 설계시스템 및 금융컨텐츠 설계방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015513154A (ja) * 2012-03-08 2015-04-30 トムソン ライセンシングＴｈｏｍｓｏｎ Ｌｉｃｅｎｓｉｎｇ ユーザのグループにアイテムを推奨する方法
KR20150105830A (ko) * 2014-03-10 2015-09-18 단국대학교 산학협력단 사용자 프로파일과 상황 정보를 이용한 선호도 기반 하이브리드 필터링 콘텐츠 추천 장치 및 방법
KR20160083746A (ko) * 2015-01-02 2016-07-12 에스케이플래닛 주식회사 컨텐츠 추천 서비스 시스템, 그리고 이에 적용되는 장치 및 그 장치의 동작 방법
KR20200123726A (ko) * 2019-04-22 2020-10-30 주식회사 바넷정보기술 금융컨텐츠 설계시스템 및 금융컨텐츠 설계방법

Also Published As

Publication number Publication date
KR102410981B1 (ko) 2022-06-22
KR102429786B1 (ko) 2022-08-05
KR102429788B1 (ko) 2022-08-05
KR102429784B1 (ko) 2022-08-05
KR102429789B1 (ko) 2022-08-05
KR102429778B1 (ko) 2022-08-05
KR102429780B1 (ko) 2022-08-05
KR102429776B1 (ko) 2022-08-05
KR102429952B1 (ko) 2022-08-05
KR102429787B1 (ko) 2022-08-05
KR102429781B1 (ko) 2022-08-05
KR102429777B1 (ko) 2022-08-05

Similar Documents

Publication Publication Date Title
US20070271270A1 (en) System and method for selecting object metadata evolving over time
CN113051317B (zh) 一种数据挖掘模型更新方法、系统、计算机设备及可读介质
US7581184B2 (en) System and method for visualizing the temporal evolution of object metadata
Wu et al. Measuring the visual complexities of web pages
US20130304732A1 (en) Information processing apparatus, information processing method, and program
Gracia et al. New insights into the suitability of the third dimension for visualizing multivariate/multidimensional data: A study based on loss of quality quantification
CN117853824B (zh) 一种基于大数据的3d沙盘投影分析方法
Wu et al. Multimodal web aesthetics assessment based on structural SVM and multitask fusion learning
US20230139824A1 (en) Media content enhancement based on user feedback of multiple variations
CN112749330A (zh) 信息推送方法、装置、计算机设备和存储介质
US9875443B2 (en) Unified attractiveness prediction framework based on content impact factor
KR102429779B1 (ko) 다차원 객체를 이용한 큐레이션 시스템
US12008033B2 (en) Determining user affinities for content generation applications
Xing et al. Computational model for predicting user aesthetic preference for GUI using DCNNs
Jia et al. Dynamic group recommendation algorithm based on member activity level
Balfaqih A Hybrid Movies Recommendation System Based on Demographics and Facial Expression Analysis using Machine Learning.
KR102369173B1 (ko) 시계열적 피드백정보의 동적 변화를 이용한 숏클립 콘텐츠 제공시스템 및 방법
Wang The interactive embodiment of aesthetics combined with visual object recognition algorithm in graphic design in the field of artificial intelligence
US20240232937A1 (en) System and methods utilizing generative ai for optimizing tv ads, online videos, augmented reality & virtual reality marketing, and other audiovisual content
Yin Research on the Application of Animation Design Based on Machine Learning and Dynamic Image Index
US20230153664A1 (en) Stochastic Multi-Modal Recommendation and Information Retrieval System
CN116680466A (zh) 物品推荐方法、装置、存储介质及计算机设备
Alaei et al. A brief introduction to ‘big data’and its application in tourism
Li et al. Research on the Application of Personalized Recommendation Algorithm Based on Big Data Analysis in Digital Marketing
Huttunen Marketing in social media: using data and artificial intelligence for segmentation

Legal Events

Date Code Title Description
A107 Divisional application of patent
E701 Decision to grant or registration of patent right
GRNT Written decision to grant