KR102463550B1 - 지역 기반 추천 서비스를 제공하는 방법 및 시스템 - Google Patents

Abstract

본 개시는 적어도 하나의 프로세서에 의해 실행되는, 지역 기반 추천 서비스를 제공하는 방법에 관한 것이다. 이 방법은, 지역 기반 추천 서비스를 제공하는 어플리케이션에 가입된 사용자 계정을 통해 어플리케이션 내에서의 제1 기간 동안에 수집된 사용자 정보를 수신하는 단계, 어플리케이션을 통해 업로드된 복수의 게시글 중에서, 최근에 게시된 하나 이상의 게시글과 연관된 정보를 추출하는 단계, 사용자 정보 및 추출된 하나 이상의 게시글과 연관된 정보를 기계학습 모델에 입력하여, 하나 이상의 게시글의 각각에 대한 사용자 예상 관심도를 산출하는 단계, 사용자 계정을 위한 맞춤형 게시글 추천을 위하여, 산출된 사용자 예상 관심도를 기초로, 하나 이상의 게시글을 포함한 복수의 게시글 중 적어도 일부의 게시 순서를 결정하는 단계를 포함한다.

Description

지역 기반 추천 서비스를 제공하는 방법 및 시스템{METHOD AND SYSTEM FOR PROVIDING REGIONAL-BASED RECOMMENDATION SERVICE}

본 개시는 지역 기반 추천 서비스를 제공하는 방법 및 시스템에 관한 것으로, 구체적으로, 지역 기반 추천 서비스를 제공하는 어플리케이션에 가입된 사용자 계정을 통해 수집된 사용자 정보를 이용하여 해당 사용자에게 표시될 게시글의 게시 순서를 결정하는 지역 기반 추천 서비스를 제공하는 방법 및 시스템에 관한 것이다.

일반적으로, 사용자 맞춤형 추천 서비스는 사용자의 정보를 수집하고 분석하여 사용자에게 최적화된 서비스를 제공하는 기술로, 최근에는 상품 및 게시글과 같이 사용자에게 적합한 컨텐츠를 제공하기 위해 이용되고 있다. 더불어, 이동 단말의 위치를 이용하여 수집된 사용자의 위치 정보를 가공하여 다양한 서비스를 제공하는 지역 기반 서비스의 이용이 증가하고 있다.

이러한 기존의 지역 기반 서비스는, 미리 정해진 행정구를 기준으로 분리된 지역을 기초로 서비스가 제공되거나, 실시간 위치를 기준으로 반경 몇 km 이내의 지역을 기준으로 서비스가 제공되어 왔다. 이 경우, 사용자에게 최적화된 맞춤형 추천 서비스가 제공되기보다는 사용자의 위치 및 업로드된 시간을 기준으로 서비스가 제공되기 때문에, 사용자는 지역을 기반으로 하면서 맞춤형 추천 서비스를 제공받기 위해서는 지역 기반 서비스 내에서 본인이 원하는 맞춤형 추천 서비스를 별도로 검색해야 한다는 번거로움이 있었다.

본 개시는 상기와 같은 문제점을 해결하기 위한 지역 기반 추천 서비스를 제공하는 방법 및 시스템을 제공한다.

본 개시는 방법, 시스템(장치) 또는 컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램, 그러한 컴퓨터 프로그램을 저장한 저장매체를 포함한 다양한 방식으로 구현될 수 있다.

본 개시의 일 실시예에 따르면, 적어도 하나의 프로세서에 의해 실행되는, 지역 기반 추천 서비스를 제공하는 방법은, 지역 기반 추천 서비스를 제공하는 어플리케이션에 가입된 사용자 계정을 통해 어플리케이션 내에서의 제1 기간 동안에 수집된 사용자 정보를 수신하는 단계, 어플리케이션을 통해 업로드된 복수의 게시글 중에서, 최근에 게시된 하나 이상의 게시글과 연관된 정보를 추출하는 단계, 사용자 정보 및 추출된 하나 이상의 게시글과 연관된 정보를 기계학습 모델에 입력하여, 하나 이상의 게시글의 각각에 대한 사용자 예상 관심도를 산출하는 단계, 사용자 계정을 위한 맞춤형 게시글 추천을 위하여, 산출된 사용자 예상 관심도를 기초로, 하나 이상의 게시글을 포함한 복수의 게시글 중 적어도 일부의 게시 순서를 결정하는 단계를 포함한다.

본 개시의 일 실시예에 따르면, 수집된 사용자 정보는, 사용자 계정을 통한 어플리케이션 내에서의 제1 기간 동안에 수집된 사용자 정보를 기초로 미리 생성된 벡터를 포함한다.

본 개시의 일 실시예에 따르면, 미리 생성된 벡터는, 사용자 계정을 통한 어플리케이션 내에서의 최근 제2 기간 동안에 수집된 사용자 정보를 기초로 생성된 벡터를 이용하여 업데이트되고, 제2 기간은 제1 기간보다 짧은 기간인 것을 포함한다.

본 개시의 일 실시예에 따르면, 미리 생성된 벡터가 업데이트되는 경우, 최근 제2 기간 동안에 수집된 사용자 정보를 기초로 생성된 벡터에, 미리 생성된 벡터보다 더 높은 가중치가 부여되는 것을 포함한다.

본 개시의 일 실시예에 따르면, 최근에 게시된 하나 이상의 게시글과 연관된 정보를 추출하는 단계는, 어플리케이션을 통해 업로드된 복수의 게시글로부터 최근에 게시된 하나 이상의 게시글과 연관된 정보를 실시간으로 추출하는 단계를 포함하고, 하나 이상의 게시글의 각각에 대한 사용자 예상 관심도를 산출하는 단계는, 실시간으로 추출된 하나 이상의 게시글과 연관된 정보를 별도의 처리 없이 기계학습 모델에 입력하는 단계를 포함한다.

본 개시의 일 실시예에 따르면, 복수의 게시글 중 적어도 일부의 게시 순서를 결정하는 단계는, 하나 이상의 게시글 중에서 사용자 예상 관심도가 높은 게시글이 먼저 노출되도록 하나 이상의 게시글을 정렬하는 단계를 포함하고, 방법은, 정렬된 하나 이상의 게시글을 사용자 계정과 연관된 사용자 단말에 제공하는 단계를 더 포함한다.

본 개시의 일 실시예에 따르면, 복수의 게시글 중 적어도 일부의 게시 순서를 결정하는 단계는, 복수의 게시글을 시간 순서대로 정렬하는 단계, 상기 하나 이상의 게시글 중에서 사용자 예상 관심도가 높은 게시글이 먼저 노출되도록 하나 이상의 게시글을 정렬하는 단계, 정렬된 하나 이상의 게시글의 각각을, 시간 순서대로 정렬된 복수의 게시글 사이에 미리 결정된 간격으로 배치하는 단계를 포함한다.

본 개시의 일 실시예에 따르면, 복수의 게시글 중에서, 제3 기간 동안에, 사용자 계정에 의해 선택된 적어도 하나의 게시글과 연관된 정보를 수집하는 단계를 더 포함하고, 하나 이상의 게시글은, 사용자 계정에 의해 선택된 적어도 하나의 게시글을 포함한다.

본 개시의 일 실시예에 따르면, 상술된 지역 기반 추천 서비스를 제공하는 방법에 따른 각각의 단계를 수행하는 명령어를 포함하는 프로그램이 기록된 컴퓨터 판독가능 저장매체를 포함한다.

본 개시의 일 실시예에 따른 정보 처리 시스템은, 하나 이상의 인스트럭션(instructions)을 저장하는 메모리, 저장된 하나 이상의 인스트럭션을 실행함으로써, 지역 기반 추천 서비스를 제공하는 어플리케이션에 가입된 사용자 계정을 통해 어플리케이션 내에서의 제1 기간 동안에 수집된 사용자 정보를 수신하고, 어플리케이션을 통해 업로드된 복수의 게시글 중에서, 최근에 게시된 하나 이상의 게시글과 연관된 정보를 추출하고, 사용자 정보 및 추출된 하나 이상의 게시글과 연관된 정보를 기계학습 모델에 입력하여, 하나 이상의 게시글의 각각에 대한 사용자 예상 관심도를 산출하고, 사용자 계정을 위한 맞춤형 게시글 추천을 위하여, 산출된 사용자 예상 관심도를 기초로, 하나 이상의 게시글을 포함한 복수의 게시글 중 적어도 일부의 게시 순서를 결정하도록 구성된 프로세서를 포함한다.

본 개시의 일부 실시예에 따르면, 수집된 사용자 정보를 이용하여 지역 기반 추천 서비스가 제공될 수 있다.

본 개시의 일부 실시예에 따르면, 사용자 정보 및 게시글과 연관된 정보를 기초로 게시글 추천을 위한 사용자 예상 관심도를 산출하고, 사용자 예상 관심도에 기초하여 복수의 게시글 중 일부 게시글의 게시 순서를 결정함으로써, 사용자가 관심을 가질만한 게시글이 사용자에게 먼저 노출될 수 있다.

본 개시의 일부 실시예에 따르면, 사용자 정보를 기초로 사용자 예상 관심도를 산출하는데 있어 최근 사용자 정보에 더 높은 가중치를 부여함으로써, 사용자의 최근 관심사를 기초로 추천된 게시글이 사용자에게 우선적으로 제공될 수 있다.

본 개시의 일부 실시예에 따르면, 복수의 게시글 중에서 사용자의 예상 관심도가 더 높은 게시글 순으로 게시글 정렬이 이루어져, 더 높은 관심도를 가질만한 게시글이 사용자에게 먼저 노출될 수 있다.

본 개시의 일부 실시예에 따르면, 사용자 예상 관심도가 높은 게시글들의 각각이, 시간 순서대로 정렬된 복수의 게시글 사이에 미리 결정된 간격으로 배치되기 때문에, 사용자는 별도의 검색 없이 추천 게시글을 제공받을 수 있을 뿐만 아니라, 추천 게시글에 대한 사용자의 거부감이 줄어들 수 있다.

본 개시의 일부 실시예에 따르면, 기계학습 모델을 이용한 사용자 예상 관심도를 산출함에 있어, 미리 결정된 개수의 최근 게시글에 포함된 정보들이 가공 없이 기계학습 모델로부터의 학습 및/또는 추론에 사용됨으로써, 기계학습 모델의 학습 및/또는 추론 시의 속도가 향상될 수 있고, 추론 시 실시간으로 처리되어 사용자에게 추천 게시글이 지연 시간 없이 제공될 수 있다.

본 개시의 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 다른 효과들은 청구범위의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자(“통상의 기술자”라 함)에게 명확하게 이해될 수 있을 것이다.

본 개시의 실시예들은, 이하 설명하는 첨부 도면들을 참조하여 설명될 것이며, 여기서 유사한 참조 번호는 유사한 요소들을 나타내지만, 이에 한정되지는 않는다.
도 1은 본 개시의 일 실시예에 따라 사용자 단말에서 동작하는 어플리케이션을 통해 지역 기반 추천 서비스가 제공되는 예시를 나타내는 도면이다.
도 2는 본 개시의 일 실시예에 따른 지역 기반 추천 서비스를 제공하기 위하여, 정보 처리 시스템이 복수의 사용자 단말과 통신 가능하도록 연결된 구성을 나타내는 개요도이다.
도 3은 본 개시의 일 실시예에 따른 사용자 단말 및 정보 처리 시스템의 내부 구성을 나타내는 블록도이다.
도 4는 본 개시의 일 실시예에 따른 프로세서의 상세 구성을 나타내는 블록도이다.
도 5는 본 개시의 일 실시예에 따른 지역 기반 추천 서비스를 제공하는 방법의 예시를 나타내는 흐름도이다.
도 6은 본 개시의 일 실시예에 따른 사용자 맞춤형 추천 게시글을 제공하기 위하여 게시글을 정렬하는 방법의 예시를 나타내는 흐름도이다.
도 7은 본 개시의 일 실시예에 따른 인공신경망 모델을 나타내는 예시도이다.
도 8은 본 개시의 일 실시예에 따른 기계학습 모델에 사용자 정보 및 게시글과 연관된 정보를 입력하여 사용자 예상 관심도를 생성하는 예시를 나타내는 도면이다.
도 9는 본 개시의 일 실시예에 따른 지역 기반 추천 서비스를 제공하기 위해 사용자 예상 관심도를 추출하는 예시를 나타내는 도면이다.
도 10은 본 개시의 일 실시예에 따른 지역 기반 추천 서비스에 따라 게시글을 추천하는 예시를 나타내는 도면이다.
도 11은 본 개시의 다른 실시예에 따른 지역 기반 추천 서비스에 따라 게시글을 추천하는 예시를 나타내는 도면이다.

이하, 본 개시의 실시를 위한 구체적인 내용을 첨부된 도면을 참조하여 상세히 설명한다. 다만, 이하의 설명에서는 본 개시의 요지를 불필요하게 흐릴 우려가 있는 경우, 널리 알려진 기능이나 구성에 관한 구체적 설명은 생략하기로 한다.

첨부된 도면에서, 동일하거나 대응하는 구성요소에는 동일한 참조부호가 부여되어 있다. 또한, 이하의 실시예들의 설명에 있어서, 동일하거나 대응되는 구성요소를 중복하여 기술하는 것이 생략될 수 있다. 그러나, 구성요소에 관한 기술이 생략되어도, 그러한 구성요소가 어떤 실시예에 포함되지 않는 것으로 의도되지는 않는다.

개시된 실시예의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 통상의 기술자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이다.

본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 개시된 실시예에 대해 구체적으로 설명하기로 한다. 본 명세서에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 관련 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서, 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.

본 명세서에서의 단수의 표현은 문맥상 명백하게 단수인 것으로 특정하지 않는 한, 복수의 표현을 포함한다. 또한, 복수의 표현은 문맥상 명백하게 복수인 것으로 특정하지 않는 한, 단수의 표현을 포함한다. 명세서 전체에서 어떤 부분이 어떤 구성요소를 포함한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.

또한, 명세서에서 사용되는 '모듈' 또는 '부'라는 용어는 소프트웨어 또는 하드웨어 구성요소를 의미하며, '모듈' 또는 '부'는 어떤 역할들을 수행한다. 그렇지만, '모듈' 또는 '부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '모듈' 또는 '부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서, '모듈' 또는 '부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 또는 변수들 중 적어도 하나를 포함할 수 있다. 구성요소들과 '모듈' 또는 '부'들은 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '모듈' 또는 '부'들로 결합되거나 추가적인 구성요소들과 '모듈' 또는 '부'들로 더 분리될 수 있다.

본 개시의 일 실시예에 따르면, '모듈' 또는 '부'는 프로세서 및 메모리로 구현될 수 있다. '프로세서'는 범용 프로세서, 중앙 처리 장치(CPU), 마이크로프로세서, 디지털 신호 프로세서(DSP), 제어기, 마이크로제어기, 상태 머신 등을 포함하도록 넓게 해석되어야 한다. 몇몇 환경에서, '프로세서'는 주문형 반도체(ASIC), 프로그램가능 로직 디바이스(PLD), 필드 프로그램가능 게이트 어레이(FPGA) 등을 지칭할 수도 있다. '프로세서'는, 예를 들어, DSP와 마이크로프로세서의 조합, 복수의 마이크로프로세서들의 조합, DSP 코어와 결합한 하나 이상의 마이크로프로세서들의 조합, 또는 임의의 다른 그러한 구성들의 조합과 같은 처리 디바이스들의 조합을 지칭할 수도 있다. 또한, '메모리'는 전자 정보를 저장 가능한 임의의 전자 컴포넌트를 포함하도록 넓게 해석되어야 한다. '메모리'는 임의 액세스 메모리(RAM), 판독-전용 메모리(ROM), 비-휘발성 임의 액세스 메모리(NVRAM), 프로그램가능 판독-전용 메모리(PROM), 소거-프로그램가능 판독 전용 메모리(EPROM), 전기적으로 소거가능 PROM(EEPROM), 플래쉬 메모리, 자기 또는 광학 데이터 저장장치, 레지스터들 등과 같은 프로세서-판독가능 매체의 다양한 유형들을 지칭할 수도 있다. 프로세서가 메모리로부터 정보를 판독하고/하거나 메모리에 정보를 기록할 수 있다면 메모리는 프로세서와 전자 통신 상태에 있다고 불린다. 프로세서에 집적된 메모리는 프로세서와 전자 통신 상태에 있다.

본 개시에서, '시스템'은 서버 장치와 클라우드 장치 중 적어도 하나의 장치를 포함할 수 있으나, 이에 한정되는 것은 아니다. 예를 들어, 시스템은 하나 이상의 서버 장치로 구성될 수 있다. 다른 예로서, 시스템은 하나 이상의 클라우드 장치로 구성될 수 있다. 또 다른 예로서, 시스템은 서버 장치와 클라우드 장치가 함께 구성되어 동작될 수 있다. 또 다른 예로서, 시스템은 지역 기반 추천 서비스를 제공하는 장치를 지칭할 수 있다.

본 개시에서, '지역 기반 추천 서비스'는, 사용자의 위치를 기준으로 근방에 있는 다른 사용자들과의 서비스 및/또는 정보를 제공할 수 있는 임의의 사용자 맞춤형 서비스를 지칭할 수 있다. 예를 들어, 지역 기반 추천 서비스는 사용자가 선호하는 물품(예를 들어, 중고 물품 등)을, 사용자가 위치하고 있는 지역의 근방에서 다른 사용자와 거래할 수 있는 지역 기반 거래 서비스를 지칭할 수 있다. 다른 예로서, 지역 기반 추천 서비스는 사용자가 선호하는 정보를, 사용자 위치의 근방 또는 가까운 곳에 위치하고 있는 다른 사용자와 게시판을 통해 주고받을 수 있는 서비스를 지칭할 수 있다. 또 다른 예로서, 지역 기반 추천 서비스는 사용자가 사용자의 위치의 근방 또는 가까운 다른 사용자와 대화방을 통해 통신할 수 있는 서비스를 지칭할 수 있다.

본 개시에서, '사용자'는 지역 기반 추천 서비스를 제공하는 어플리케이션을 이용하는 사용자 또는 지역 기반 추천 서비스를 제공하는 어플리케이션의 사용자 계정을 지칭할 수 있다. 여기서, 사용자 계정은 지역 기반 추천 서비스를 제공하는 어플리케이션에서 생성되어 이용되는 계정 또는 이와 관련된 데이터를 나타낼 수 있다. 본 개시에서는, '사용자'가 '사용자 계정'을 지칭할 수 있으며, '사용자 계정'은 '사용자'를 지칭할 수 있다.

본 개시에서, '게시글'은 여러 사용자들이 볼 수 있도록 지역 기반 추천 서비스를 제공하는 어플리케이션을 통해 업로드된 피드(feed), 중고거래 글, 판매 글, 홍보물, 특정 게시판의 게시물 등을 지칭할 수 있다. 예를 들어, 게시글은 사용자가 사용자 위치의 근방 또는 가까운 위치에 존재하고 있는 다른 사용자와 물품(예를 들어, 중고 물품)을 거래하기 위한 판매글을 지칭할 수 있다. 다른 예로서, 게시글은 수집된 사용자 정보를 통해 추천된 맞춤형 게시글을 지칭할 수 있다.

본 개시에서, '기계학습 모델'은 주어진 입력에 대한 정답(ground truth)을 추론하는데 사용하는 임의의 모델을 포함할 수 있다. 일 실시예에 따르면, 기계학습 모델은 입력 레이어(층), 복수 개의 은닉 레이어 및 출력 레이어를 포함한 인공신경망 모델을 포함할 수 있다. 여기서, 각 레이어는 복수의 노드를 포함할 수 있다.

본 개시에서, '디스플레이'는 컴퓨팅 장치와 연관된 임의의 디스플레이 장치를 지칭할 수 있는데, 예를 들어, 컴퓨팅 장치에 의해 제어되거나 컴퓨팅 장치로부터 제공된 임의의 정보/데이터를 표시할 수 있는 임의의 디스플레이 장치를 지칭할 수 있다.

본 개시에서, '복수의 A의 각각' 또는 '복수의 A 각각'은 복수의 A에 포함된 모든 구성요소의 각각을 지칭하거나, 복수의 A에 포함된 일부 구성 요소의 각각을 지칭할 수 있다. 예를 들어, 하나 이상의 게시글의 각각은 하나 이상의 게시글에 포함된 모든 게시글의 각각 또는 하나 이상의 게시글에 포함된 일부 게시글의 각각을 지칭할 수 있다.

도 1은 본 개시의 일 실시예에 따라 사용자 단말(120)에서 동작하는 어플리케이션을 통해 지역 기반 추천 서비스가 제공되는 예시를 나타내는 도면이다. 도시된 바와 같이, 사용자(110)는 사용자 단말(120)을 이용하여 지역 기반 추천 서비스를 위한 어플리케이션을 실행 중일 수 있으며, 사용자 단말(120)을 통해 현재 자신의 위치를 기반으로 한 추천 서비스를 제공받을 수 있다. 일 실시예에 따르면, 제1 인터페이스(130)에 접근을 요청하는 사용자(110)의 입력에 응답하여, 사용자 단말(120)의 프로세서는 디스플레이 상에 제1 인터페이스(130)를 출력할 수 있다. 여기서, 제1 인터페이스(130)에 접근을 요청하는 사용자(110)의 입력은, 어플리케이션의 실행을 위한 아이콘에 대한 터치 또는 클릭 입력, 다른 페이지에서 제1 인터페이스(130)로 전환하기 위한 아이콘 또는 버튼 등에 대한 터치 또는 클릭, 또는 드래그 입력 등을 포함할 수 있다. 예를 들어, 해당 서비스 어플리케이션의 아이콘을 터치하는 사용자(110)의 입력에 응답하여, 제1 인터페이스(130)의 화면이 사용자 단말(120)의 디스플레이 상에 표시될 수 있다.

일 실시예에 따르면, 제1 인터페이스(130)는 사용자의 위치의 근방에 있는 다른 사용자들 사이의 서비스 및/또는 정보를 제공할 수 있는 임의의 서비스를 제공하기 위한 인터페이스일 수 있다. 일 실시예에 따르면, 도시된 바와 같이, 지역 기반 추천 서비스는 중고거래 서비스(132), 알바 서비스, 농수산물 서비스, 중고차 거래 서비스, 과외 클래스, 부동산, 생활 서비스, 국민지원금 서비스, 맛집 추천 등을 포함할 수 있으나, 이에 한정되지 않는다. 여기서, 이러한 서비스는 하나 이상의 게시글을 포함한 인터페이스를 통해 이용하여 사용자에게 제공될 수 있다.

추가적으로, 사용자 단말(120)은 제1 인터페이스(130)에 접근을 요청하는 사용자의 입력에 응답하여, 지역 기반 추천 서비스와 연관된 데이터를 수신할 수 있다. 이 경우, 사용자 단말(120)은, 지역 기반 추천 서비스와 연관된 데이터를 저장 및 관리하는 외부 시스템(예를 들어, 정보 처리 시스템 등)으로부터 해당 데이터를 수신할 수 있다. 예를 들어, 지역 기반 추천 서비스와 연관된 데이터는 어플리케이션 내에서의 사용자 정보, 게시글과 연관된 정보, 현재 사용자의 실시간 위치, 사용자가 미리 설정해 놓은 지역의 위치, 사용자가 미리 설정해 놓은 지역과 현재 사용자의 실시간 위치 간의 일치 여부, 사용자가 제공받고자 하는 서비스 등과 같이 지역 기반 추천 서비스를 이용하기 위한 데이터를 포함할 수 있다.

추가적으로, 제1 인터페이스(130)에 접근을 요청하는 사용자의 입력에 응답하여, 지역 기반 추천 서비스 제공 여부가 결정될 수 있다. 예를 들어, 이러한 지역 기반 추천 서비스가 제공될지 여부는 사용자 정보의 수집 여부, 사용자의 실시간 위치 확인 여부, 사용자가 미리 설정해 놓은 지역과 현재 사용자의 실시간 위치가 일치하는지 여부 등에 따라 결정될 수 있다. 이러한 지역 기반 추천 서비스가 제공될지 여부를 결정하는 단계는 사용자 단말(120)의 프로세서 및/또는 정보 처리 시스템(미도시)의 프로세서에 의해 수행될 수 있다.

일 실시예에서, 사용자 단말(120)은 제1 인터페이스(130)에서 제2 인터페이스(140)로 전환함으로써, 지역 기반 추천 서비스를 제공할 수 있다. 제1 인터페이스(130)에서 제2 인터페이스(140)로의 전환은 사용자(110)의 입력에 응답하여 수행될 수 있다. 예를 들어, 사용자 단말(120)은 제1 인터페이스에서 제2 인터페이스로의 전환을 요청하는 사용자(110)의 입력(예를 들어, 복수의 지역 기반 추천 서비스 중에서 하나의 지역 기반 추천 서비스를 선택)에 응답하여, 선택된 지역 기반 추천 서비스에 대한 제2 인터페이스(140)를 사용자 단말(120)의 디스플레이 상에 출력할 수 있다.

추가적으로, 사용자 단말(120)의 프로세서는 지역 기반 추천 서비스 제공 여부 결정에 따라, 지역 기반 추천 서비스가 선택적으로 제공될 수 있다. 일 실시예에서, 사용자의 실시간 위치가 확인되지 않을 경우, 제1 인터페이스(130) 내에 지역 기반 추천 서비스가 출력되지 않을 수 있다.

제2 인터페이스(140)에는 제1 인터페이스(130)에서 사용자가 선택한 지역 기반 추천 서비스를 제공하기 위한 영역을 포함할 수 있다. 예를 들어, 사용자가 제1 인터페이스(130)에서 '중고거래' 서비스(132)를 선택한 경우, 사용자 예상 관심도에 기초된 중고거래 추천 게시글이 제2 인터페이스(140)를 통해 출력될 수 있다. 도시된 바와 같이, 사용자 예상 관심도가 가장 높게 산출된 'A 상품'의 게시글이 중고거래 추천 게시글이 제2 인터페이스(140)의 최상단에 위치되도록 출력될 수 있다.

추가적으로, 제2 인터페이스(140)에는 제1 인터페이스(130)에서 사용자가 선택한 지역 기반 추천 서비스와 관련하여 제공받기를 원하는 검색어를 추가로 입력할 수 있는 영역(미도시)이 포함될 수 있다. 예를 들어, 사용자가 제1 인터페이스(130)에서 '중고거래' 서비스(132)를 선택하고 제2 인터페이스(140)의 검색어 입력 영역에 'a 상품'을 입력하였다면, 제2 인터페이스(140)에는 'a 상품'과 연관된 중고거래 게시글이 출력될 수 있으며, 'a 상품'과 연관된 중고거래 게시글 사이에 사용자 예상 관심도가 높게 산출된 'E 상품'과 연관된 중고거래 게시글이 배치될 수 있다.

추가적으로, 지역 기반 추천 서비스 제공을 위해 사용자 예상 관심도가 추출된 복수의 게시글은 미리 결정된 게시 순서에 따라 정렬되어 제2 인터페이스(140)에 출력될 수 있다. 예를 들어, 복수의 게시글은 사용자 예상 관심도가 높은 순서대로 먼저 노출되도록 정렬되어 출력될 수 있다. 다른 예에서, 사용자 예상 관심도가 임계치 이상인 게시글은, 업로드된 시간 순서대로 정렬되어 있는 복수의 게시글 사이에 미리 결정된 간격으로 배치되어 출력될 수 있다. 도시된 바와 같이, 제2 인터페이스(140)에는 사용자 예상 관심도가 임계값 이상인 'E 상품'의 게시글이, 업로드된 시간 순서대로 정렬된 복수의 게시글 중에서 'B 상품'의 게시글과 'C 상품'의 게시글 사이에 배치되어 출력될 수 있다.

이와 같은 구성에 따르면, 사용자의 예상 관심도에 따라 게시글의 게시 순서를 결정함으로써 사용자에게 맞춤화 된 게시글이 제공되면서도, 추천 게시글의 배치를 복수의 게시글 사이에 미리 결정된 간격으로 배치되도록 하여 추천 게시글에 대한 사용자의 거부감이 줄어들 수 있다.

도 2는 본 개시의 일 실시예에 따른 지역 기반 추천 서비스를 제공하기 위하여, 정보 처리 시스템(230)이 복수의 사용자 단말(210_1, 210_2, 210_3)과 통신 가능하도록 연결된 구성을 나타내는 개요도이다. 정보 처리 시스템(230)은 네트워크(220)를 통해 복수의 사용자 단말(210_1, 210_2, 210_3)에 지역 기반 추천 서비스를 제공할 수 있는 시스템을 포함할 수 있다. 일 실시예에 따르면, 정보 처리 시스템(230)은 컴퓨터 실행 가능한 프로그램(예를 들어, 다운로드 가능한 어플리케이션) 및 데이터를 저장, 제공 및 실행할 수 있는 하나 이상의 서버 장치 및/또는 데이터베이스, 또는 클라우드 컴퓨팅 서비스 기반의 하나 이상의 분산 컴퓨팅 장치 및/또는 분산 데이터베이스를 포함할 수 있다. 예를 들어, 정보 처리 시스템(230)은 지역 기반 추천 서비스를 위한 별도의 시스템(예를 들어, 서버 장치, 클라우드 장치 등)들을 포함할 수 있다. 정보 처리 시스템(230)에 의해 제공되는 지역 기반 추천 서비스는, 복수의 사용자 단말(210_1, 210_2, 210_3)의 각각에 설치된 지역 기반 추천 서비스 제공 어플리케이션을 통해 사용자에게 제공될 수 있다.

복수의 사용자 단말(210_1, 210_2, 210_3)은 네트워크(220)를 통해 정보 처리 시스템(230)과 통신할 수 있다. 네트워크(220)는, 복수의 사용자 단말(210_1, 210_2, 210_3)과 정보 처리 시스템(230) 사이의 통신이 가능하도록 구성될 수 있다. 네트워크(220)는 설치 환경에 따라, 예를 들어, 이더넷(Ethernet), 유선 홈 네트워크(Power Line Communication), 전화선 통신 장치 및 RS-serial 통신 등의 유선 네트워크, 이동통신망, WLAN(Wireless LAN), Wi-Fi, Bluetooth 및 ZigBee 등과 같은 무선 네트워크 또는 그 조합으로 구성될 수 있다. 통신 방식은 제한되지 않으며, 네트워크(220)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망, 위성망 등)을 활용하는 통신 방식뿐만 아니라 사용자 단말(210_1, 210_2, 210_3) 사이의 근거리 무선 통신 역시 포함될 수 있다. 예를 들어, 네트워크(220)는, PAN(personal area network), LAN(local area network), CAN(campus area network), MAN(metropolitan area network), WAN(wide area network), BBN(broadband network), 인터넷 등의 네트워크(220) 중 하나 이상의 임의의 네트워크를 포함할 수 있다. 또한, 네트워크(220)는 버스 네트워크, 스타 네트워크, 링 네트워크, 메쉬 네트워크, 스타-버스 네트워크, 트리 또는 계층적(hierarchical) 네트워크 등을 포함하는 네트워크 토폴로지 중 임의의 하나 이상을 포함할 수 있으나, 이에 제한되지 않는다.

도 2에서 스마트폰 단말(210_1), 태블릿 단말(210_2) 및 랩톱(laptop) 컴퓨터 단말(210_3)이 사용자 단말의 예로서 도시되었으나, 이에 한정되지 않으며, 사용자 단말(210_1, 210_2, 210_3)은 유선 및/또는 무선 통신이 가능하고 지역 기반 추천 서비스 제공 어플리케이션이 설치되어 실행될 수 있는 임의의 컴퓨팅 장치일 수 있다. 예를 들어, 사용자 단말은, 스마트폰, 휴대폰, 내비게이션, 컴퓨터, 노트북, 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 PC, 게임 콘솔(game console), 웨어러블 장치(wearable device), IoT(internet of things) 장치, VR(virtual reality) 장치, AR(augmented reality) 장치 등을 포함할 수 있다. 또한, 도 2에는 3개의 사용자 단말(210_1, 210_2, 210_3)이 네트워크(220)를 통해 정보 처리 시스템(230)과 통신하는 것으로 도시되어 있으나, 이에 한정되지 않으며, 상이한 수의 사용자 단말(210_1, 210_2, 210_3)이 네트워크(220)를 정보 처리 시스템(230)과 통신하도록 구성될 수도 있다.

일 실시예에서, 정보 처리 시스템(230)은 사용자 단말(210_1, 210_2, 210_3)로부터 지역 기반 추천 서비스 요청 정보를 수신하고, 지역 기반 추천 서비스와 연관된 하나 이상의 게시글에 대한 정보를 사용자 단말(210_1, 210_2, 210_3)로 전송할 수 있다. 예를 들어, 정보 처리 시스템(230)은 지역 기반 추천 서비스를 제공하는 어플리케이션에 가입된 사용자 계정으로부터 사용자 정보를 수신하거나 수집하고, 복수의 게시글에 대한 사용자 예상 관심도를 산출하여 해당 사용자에 맞춤형 게시 순서를 가진 하나 이상의 게시글을 사용자 단말(210_1, 210_2, 210_3)로 전송할 수 있다. 예를 들어, 사용자 단말(210_1, 210_2, 210_3)은 사용자 맞춤형 게시 순서에 따라 수신된 게시글들을 사용자 단말(210_1, 210_2, 210_3)에 장착/연결되거나 접근가능한 디스플레이에 출력할 수 있다.

일 실시예에 따르면, 정보 처리 시스템(230)은 지역 기반 추천 서비스를 제공하는 어플리케이션에 가입된 사용자 계정을 통해 해당 어플리케이션 내에서 미리 결정된 기간 동안에 수집된 사용자 정보를 별도의 벡터 형태로 미리 생성해 놓을 수 있다. 예를 들어, 정보 처리 시스템(230)은 제1 기간 동안에 수집된 사용자 정보를 기초로 수집된 사용자 정보를 나타내거나 특징화하는 벡터를 생성할 수 있다. 다른 실시예에 따르면, 미리 생성된 벡터는 미리 결정된 기간마다 사용자 정보를 기초로 업데이트될 수 있다. 예를 들어, 정보 처리 시스템(230)은 사용자 계정으로부터 제2 기간 동안에 수집된 사용자 정보를 기초로 생성된 벡터를 이용하여 미리 생성된 벡터를 업데이트될 수 있다. 여기서, 제1 기간은 제2 기간보다 짧을 수 있다.

일 실시예에 따르면, 정보 처리 시스템(230)은 복수의 게시글 각각에 대한 사용자 예상 관심도를 산출하기 위해 사용자 정보 및 게시글과 연관된 정보를 기계학습 모델에 입력할 수 있다. 예를 들어, 사용자 정보는 벡터 형태로 생성되어 기계학습 모델에 입력될 수 있으며, 게시글과 연관된 정보는 별도의 처리 없이 기계학습 모델에 입력될 수 있다. 정보 처리 시스템(230)은 산출된 사용자 예상 관심도에 기초하여 복수의 게시글의 게시 순서를 결정하고, 결정된 게시 순서에 따라 사용자 단말에 제공할 수 있다.

도 3은 본 개시의 일 실시예에 따른 사용자 단말(210) 및 정보 처리 시스템(230)의 내부 구성을 나타내는 블록도이다. 사용자 단말(210)은 지역 기반 추천 서비스를 제공하는 어플리케이션이 실행 가능하고 유/무선 통신이 가능한 임의의 컴퓨팅 장치를 지칭할 수 있으며, 예를 들어, 도 2의 스마트폰 단말(210_1), 태블릿 단말(210_2), 랩톱 컴퓨터 단말(210_3) 등을 포함할 수 있다. 도시된 바와 같이, 사용자 단말(210)은 메모리(312), 프로세서(314), 통신 모듈(316) 및 입출력 인터페이스(318)를 포함할 수 있다. 이와 유사하게, 정보 처리 시스템(230)은 메모리(332), 프로세서(334), 통신 모듈(336) 및 입출력 인터페이스(338)를 포함할 수 있다. 도 3에 도시된 바와 같이, 사용자 단말(210) 및 정보 처리 시스템(230)은 각각의 통신 모듈(316, 336)을 이용하여 네트워크(220)를 통해 정보 및/또는 데이터를 통신할 수 있도록 구성될 수 있다. 또한, 입출력 장치(320)는 입출력 인터페이스(318)를 통해 사용자 단말(210)에 정보 및/또는 데이터를 입력하거나 사용자 단말(210)로부터 생성된 정보 및/또는 데이터를 출력하도록 구성될 수 있다.

메모리(312, 332)는 비-일시적인 임의의 컴퓨터 판독 가능한 기록매체를 포함할 수 있다. 일 실시예에 따르면, 메모리(312, 332)는 RAM(random access memory), ROM(read only memory), 디스크 드라이브, SSD(solid state drive), 플래시 메모리(flash memory) 등과 같은 비소멸성 대용량 저장 장치(permanent mass storage device)를 포함할 수 있다. 다른 예로서, ROM, SSD, 플래시 메모리, 디스크 드라이브 등과 같은 비소멸성 대용량 저장 장치는 메모리와는 구분되는 별도의 영구 저장 장치로서 사용자 단말(210) 및/또는 정보 처리 시스템(230)에 포함될 수 있다. 또한, 메모리(312, 332)에는 운영체제와 적어도 하나의 프로그램 코드(예를 들어, 사용자 단말(210)에 설치되어 구동되는 지역 기반 추천 서비스와 연관된 어플리케이션 등을 위한 코드)가 저장될 수 있다.

이러한 소프트웨어 구성요소들은 메모리(312, 332)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독가능한 기록매체는 이러한 사용자 단말(210) 및 정보 처리 시스템(230)에 직접 연결가능한 기록 매체를 포함할 수 있는데, 예를 들어, 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 예로서, 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 모듈을 통해 메모리(312, 332)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 어플리케이션의 설치 파일을 배포하는 파일 배포 시스템이 네트워크(220)를 통해 제공하는 파일들에 의해 설치되는 컴퓨터 프로그램(예: 지역 기반 추천 서비스와 연관된 어플리케이션 등)에 기반하여 메모리(312, 332)에 로딩될 수 있다.

프로세서(314, 334)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(312, 332) 및/또는 통신 모듈(316, 336)에 의해 프로세서(314, 334)로 제공될 수 있다. 예를 들어, 프로세서(314, 334)는 메모리(312, 332)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.

통신 모듈(316, 336)은 네트워크(220)를 통해 사용자 단말(210)과 정보 처리 시스템(230)이 서로 통신하기 위한 구성 또는 기능을 제공할 수 있으며, 사용자 단말(210) 및/또는 정보 처리 시스템(230)이 다른 사용자 단말 또는 다른 시스템(일례로 별도의 클라우드 시스템 등)과 통신하기 위한 구성 또는 기능을 제공할 수 있다. 일례로, 사용자 단말(210)의 프로세서(314)가 메모리(312) 등과 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청(예를 들어, 지역 기반 추천 서비스 제공 요청 정보)은 통신 모듈(316)의 제어에 따라 네트워크(220)를 통해 정보 처리 시스템(230)으로 전달될 수 있다. 역으로, 정보 처리 시스템(230)의 프로세서(334)의 제어에 따라 제공되는 제어 신호나 명령이 통신 모듈(336)과 네트워크(220)를 거쳐 사용자 단말(210)의 통신 모듈(316)을 통해 사용자 단말(210)에 수신될 수 있다. 예를 들어, 사용자 단말(210)은 정보 처리 시스템(230)으로부터 통신 모듈(316)을 통해 지역 기반 추천 정보(예: 지역 기반 추천 게시글 등)를 수신할 수 있다.

입출력 인터페이스(318)는 입출력 장치(320)와의 인터페이스를 위한 수단일 수 있다. 일 예로서, 입력 장치는 이미지 센서를 포함한 카메라, 키보드, 마이크로폰, 마우스 등의 장치를 포함하고, 그리고 출력 장치는 디스플레이, 스피커, 햅틱 피드백 디바이스(haptic feedback device) 등과 같은 장치를 포함할 수 있다. 다른 예로, 입출력 인터페이스(318)는 터치스크린 등과 같이 입력과 출력을 수행하기 위한 구성 또는 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 사용자 단말(210)의 프로세서(314)가 메모리(312)에 로딩된 컴퓨터 프로그램의 명령을 처리함에 있어서 정보 처리 시스템(230)이나 다른 사용자 단말(210)이 제공하는 정보 및/또는 데이터를 이용하여 구성되는 서비스 화면이 입출력 인터페이스(318)를 통해 디스플레이에 표시될 수 있다. 도 3에서는 입출력 장치(320)가 사용자 단말(210)에 포함되지 않도록 도시되어 있으나, 이에 한정되지 않으며, 사용자 단말(210)과 하나의 장치로 구성될 수 있다. 또한, 정보 처리 시스템(230)의 입출력 인터페이스(338)는 정보 처리 시스템(230)과 연결되거나 정보 처리 시스템(230)이 포함할 수 있는 입력 또는 출력을 위한 장치(미도시)와의 인터페이스를 위한 수단일 수 있다. 도 3에서는 입출력 인터페이스(318, 338)가 프로세서(314, 334)와 별도로 구성된 요소로서 도시되었으나, 이에 한정되지 않으며, 입출력 인터페이스(318, 338)가 프로세서(314, 334)에 포함되도록 구성될 수 있다.

사용자 단말(210) 및 정보 처리 시스템(230)은 도 3의 구성요소들보다 더 많은 구성요소들을 포함할 수 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 일 실시예에 따르면, 사용자 단말(210)은 상술된 입출력 장치(320) 중 적어도 일부를 포함하도록 구현될 수 있다. 또한, 사용자 단말(210)은 트랜시버(transceiver), GPS(Global Positioning system) 모듈, 카메라, 각종 센서, 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수 있다. 예를 들어, 사용자 단말(210)이 스마트폰인 경우, 일반적으로 스마트폰이 포함하고 있는 구성요소를 포함할 수 있으며, 예를 들어, 가속도 센서, 자이로 센서, 카메라 모듈, 각종 물리적인 버튼, 터치패널을 이용한 버튼, 입출력 포트, 진동을 위한 진동기 등의 다양한 구성요소들이 사용자 단말(210)에 더 포함되도록 구현될 수 있다.

일 실시예에 따르면, 사용자 단말(210)의 프로세서(314)는 지역 기반 추천 서비스 어플리케이션(예: 지역 기반 추천 서비스 전용 어플리케이션 또는 지역 기반 추천 서비스를 제공할 수 있는 웹 브라우저 어플리케이션)을 동작하도록 구성될 수 있다. 이 때, 해당 어플리케이션과 연관된 프로그램 코드가 사용자 단말(210)의 메모리(312)에 로딩될 수 있다. 어플리케이션이 동작되는 동안에, 사용자 단말(210)의 프로세서(314)는 입출력 장치(320)로부터 제공된 정보 및/또는 데이터를 입출력 인터페이스(318)를 통해 수신하거나 통신 모듈(316)을 통해 정보 처리 시스템(230)으로부터 정보 및/또는 데이터를 수신할 수 있으며, 수신된 정보 및/또는 데이터를 처리하여 메모리(312)에 저장할 수 있다. 또한, 이러한 정보 및/또는 데이터는 통신 모듈(316)을 통해 정보 처리 시스템(230)에 제공할 수 있다.

지역 기반 추천 서비스를 제공하는 어플리케이션이 동작되는 동안에, 프로세서(314)는 입출력 인터페이스(318)와 연결된 터치 스크린, 키보드, 오디오 센서 및/또는 이미지 센서를 포함한 카메라, 마이크로폰 등의 입력 장치를 통해 입력되거나 선택된 음성 데이터, 텍스트, 이미지, 영상 등을 수신할 수 있으며, 수신된 음성 데이터, 텍스트, 이미지 및/또는 영상 등을 메모리(312)에 저장하거나 통신 모듈(316) 및 네트워크(220)를 통해 정보 처리 시스템(230)에 제공할 수 있다. 사용자 단말(210)의 프로세서(314)는 정보 및/또는 데이터를 입출력 인터페이스(318)를 통해 입출력 장치(320)로 전송하여, 출력할 수 있다. 예를 들어, 사용자 단말(210)의 프로세서(314)는 디스플레이 출력 가능 장치(예: 터치 스크린, 디스플레이 등), 음성 출력 가능 장치(예: 스피커) 등의 입출력 장치(320)를 통해 처리된 정보 및/또는 데이터를 출력할 수 있다.

사용자 단말(210)의 프로세서(314)는 입출력 장치(320), 다른 사용자 단말, 정보 처리 시스템(230) 및/또는 복수의 외부 시스템으로부터 수신된 정보 및/또는 데이터를 관리, 처리 및/또는 저장하도록 구성될 수 있다. 프로세서(314)에 의해 처리된 정보 및/또는 데이터는 통신 모듈(316) 및 네트워크(220)를 통해 정보 처리 시스템(230)에 제공될 수 있다. 사용자 단말(210)의 프로세서(314)는 입출력 인터페이스(318)를 통해 입출력 장치(320)로 정보 및/또는 데이터를 전송하여 출력할 수 있다. 예를 들면, 프로세서(214)는 수신한 정보 및/또는 데이터를 사용자 단말의 화면에 디스플레이할 수 있다.

정보 처리 시스템(230)의 프로세서(334)는 복수의 사용자 단말(210) 및/또는 복수의 외부 시스템으로부터 수신된 정보 및/또는 데이터를 관리, 처리 및/또는 저장하도록 구성될 수 있다. 프로세서(334)에 의해 처리된 정보 및/또는 데이터는 통신 모듈(336) 및 네트워크(220)를 통해 사용자 단말(210)에 제공할 수 있다.

도 4는 본 개시의 일 실시예에 따른 프로세서의 상세 구성을 나타내는 블록도이다. 도시된 바와 같이, 프로세서(334)는 사용자 정보 수집부(410), 게시글 정보 추출부(420), 사용자 예상 관심도 산출부(430) 및 게시글 순서 결정부(440)를 포함할 수 있다. 도 4에서는 사용자 정보 수집부(410), 게시글 정보 추출부(420), 사용자 예상 관심도 산출부(430) 및 게시글 순서 결정부(440)를 별도의 유닛으로 도시하였으나, 이에 한정되지 않으며, 사용자 정보 수집부(410), 게시글 정보 추출부(420), 사용자 예상 관심도 산출부(430) 및 게시글 순서 결정부(440)의 둘 이상의 임의의 조합이 하나의 유닛으로 동작될 수 있다. 추가적으로 또는 대안적으로, 사용자 정보 수집부(410), 게시글 정보 추출부(420), 사용자 예상 관심도 산출부(430) 및 게시글 순서 결정부(440)의 각각은 두 개 이상의 서브 유닛으로 구현될 수 있다.

사용자 정보 수집부(410)는 사용자 단말에서 동작하는 지역 기반 추천 서비스를 제공하는 어플리케이션을 통해 해당 어플리케이션의 사용자 계정과 연관된 사용자 정보를 수신할 수 있다. 일 실시예에 따르면, 사용자 계정이 해당 어플리케이션을 통해 지역 기반 추천 서비스를 가입하거나 이용하는 동안에, 사용자 정보 수집부(410)는 사용자와 관련된 개인 정보(예: 성별, 나이, 주소지, 직업, 전화번호 등) 및/또는 어플리케이션 내에서 일정 기간 동안 수행된 사용자 활동(예: 검색, 클릭, 로그(log), 거래 내역 등)을 수신할 수 있다.

일 실시예에서, 사용자 정보 수집부(410)는 사용자 단말로부터 해당 어플리케이션의 사용자 계정과 연관된 사용자 단말의 위치에 대한 정보를 사용자 정보로서 수신할 수 있다. 예를 들어, 사용자 계정이 해당 어플리케이션에 접속하여 지역 기반 추천 서비스를 가입하거나 이용하는 동안에, 사용자 정보 수집부(410)는 사용자 계정과 연관된 사용자 단말의 실시간 위치 정보를 수신하거나, 사용자 단말로부터 로그 정보를 수집하여 수집된 로그 정보에 포함된 IP(Internet Protocol) 주소 등을 기초로 사용자 단말의 위치를 추정할 수 있다.

사용자 정보 수집부(410)는 지역 기반 추천 서비스를 제공하는 어플리케이션 내에서의 사용자 계정을 통한 제1 기간 동안에 수집된 사용자 정보를 기초로 벡터를 미리 생성할 수 있다. 여기서, 벡터는 사용자 정보를 나타내거나 특징화한 벡터(예를 들어, 토큰화된 벡터 등)일 수 있으며, 미리 결정된 기간 동안의 어플리케이션 내의 사용자 정보를 기초로 생성되거나 업데이트될 수 있다. 또한, 제1 기간은 6개월, 1년 등과 같이 장기간을 지칭할 수 있으며, 제1 기간 동안 수집된 정보는 장기간에 걸쳐 어플리케이션 내에서 수집된 사용자 정보일 수 있다. 이러한 장기간의 정보를 수집함으로써, 사용자의 어플리케이션 내에서의 지속적인 활동 및/또는 관심이 반영된 벡터가 미리 생성될 수 있다. 이렇게 미리 생성된 벡터는 사용자 정보에 포함될 수 있다.

사용자 정보 수집부(410)는 사용자 계정을 통한 어플리케이션 내에서의 최근 제2 기간 동안에 수집된 사용자 정보를 기초로, 제1 기간 동안에 수집된 사용자 정보를 기초로 미리 생성된 벡터를 업데이트하거나 변경할 수 있다. 예를 들어, 최근 제2 기간은 1주일, 2주일 등과 같은 단기간을 지칭할 수 있으며, 제2 기간 동안 수집된 정보는 단기간에 걸쳐 어플리케이션 내에서 수집된 사용자 정보일 수 있다. 이러한 단기간의 정보를 수집하여 미리 생성된 벡터에 적용함으로써, 사용자의 어플리케이션 내에서의 최근 관심사 및/또는 활동이 사용자 예상 관심도를 산출하는데 이용될 수 있다. 이렇게 업데이트되거나 변경된 벡터는 사용자 정보에 포함될 수 있다.

일 실시예에서, 사용자 정보 수집부(410)는 제1 기간 동안에 수집된 사용자 정보를 기초로 미리 생성된 벡터를 업데이트하는 경우, 미리 생성된 벡터보다 최근 제2 기간 동안에 수집된 사용자 정보를 기초로 생성된 벡터에 더 높은 가중치를 부여할 수 있다. 예를 들어, 제1 기간 동안에 수집된 사용자 정보에 'A 상품'과 관련된 정보가 포함되어 있고, 제2 기간 동안에 수집된 사용자 정보에 'B 상품'과 관련된 정보가 포함되어 있는 경우, 'B 상품'과 관련된 정보를 포함하고 있는 제2 기간 동안에 수집된 사용자 정보를 기초로 생성된 벡터에 더 높은 가중치가 부여되어 벡터가 업데이트될 수 있다. 이러한 구성 하에서, 'A' 상품과 연관된 게시글에 대한 사용자 예상 관심도보다 'B' 상품과 연관된 게시글에 대한 사용자 예상 관심도가 더 높게 산출될 수 있다. 즉, 사용자 정보 중에서, 최근 사용자 활동 및/또는 관심사에 더 높은 가중치가 부여되어, 이전의 사용자 활동 및/또는 사용자 관심사보다 최근의 사용자 활동 및/또는 관심사에 부합하는 게시물이 사용자에게 추천될 수 있다.

이렇게 사용자 정보 수집부(410)를 통해 수신된 사용자 정보 및/또는 생성되거나 업데이트된 벡터는 게시글 정보 추출부(420) 및/또는 사용자 예상 관심도 산출부(430)로 제공될 수 있다.

게시글 정보 추출부(420)는 지역 기반 추천 서비스를 제공하는 어플리케이션을 통해 업로드된 복수의 게시글로부터 최근에 게시된 하나 이상의 게시글과 연관된 정보를 추출할 수 있다. 여기서, 복수의 게시글은 사용자의 위치를 기준으로 사용자가 서비스를 제공받을 수 있는 피드(feed), 중고거래 글, 판매 글, 홍보물 및 특정 게시판의 게시물 등을 지칭할 수 있다. 일 실시예에서, 게시글 정보 추출부(420)는 어플리케이션에 대한 사용자 계정의 접속 시점 및 사용자의 위치를 기준으로 미리 설정된 기간 이내에 업로드된 하나 이상의 게시글과 연관된 정보를 추출할 수 있다. 예를 들어, 게시글 정보 추출부(420)는 어플리케이션을 통해 업로드된 복수의 게시글 중에서 최근 2주 이내에 업로드된 게시글과 연관된 정보를 실시간으로 추출하거나, 최근 50개의 게시글과 연관된 정보를 실시간으로 추출할 수 있다.

게시글 정보 추출부(420)는 복수의 게시글 중에서, 제3 기간 동안에 사용자 계정에 의해 선택된 적어도 하나의 게시글을 포함하도록 하여 복수의 게시글과 연관된 정보를 수집할 수 있다. 예를 들어, 사용자 계정에 의해 선택된 게시글은 최근 며칠(예를 들어, 3일, 5일 등) 동안 사용자 활동 또는 액션이 적어도 한번 이상 발생된 게시글일 수 있으며, 사용자의 예상 관심도를 추정하기 위해 수집될 수 있다.

이렇게 게시글 정보 추출부(420)를 통해 추출된 게시글과 연관된 정보는 사용자 예상 관심도 산출부(430) 및/또는 게시글 순서 결정부(440)로 제공될 수 있다.

사용자 예상 관심도 산출부(430)는 사용자 정보 수집부(410)로부터 사용자 정보를 수신하고 게시글 정보 추출부(420)로부터 게시글과 연관된 정보를 수신하고, 수신된 사용자 정보 및 게시글과 연관된 정보를 기계학습 모델에 입력하여, 하나 이상의 게시글의 각각에 대한 사용자 예상 관심도를 산출할 수 있다. 여기서, 게시글에 대한 사용자 예상 관심도는 해당 게시글을 사용자가 선택할 예상 확률을 지칭할 수 있으며, 0에서 1 사이의 확률값으로 산출되거나 임계값을 기준으로 true 또는 false 값으로 산출될 수 있다. 일 실시예에서, 기계학습 모델에는, 사용자 정보로서 미리 생성된 벡터 및 게시글과 연관된 정보가 입력될 수 있다. 이 경우, 기계학습 모델은, 학습 사용자 정보 및 학습 게시글에 연관된 정보를 이용하여 학습 게시글의 각각에 대한 학습 사용자 예상 관심도가 출력되도록 미리 학습될 수 있다. 여기서, 기계학습 모델의 학습 시, 학습 사용자 정보와 연관된 사용자 계정이 학습 게시글의 각각을 선택했는지 여부가 ground truth로서 사용될 수 있다. 이러한 학습 과정에서, 출력된 사용자 예상 관심도와 ground truth 사이의 손실(loss) 값을 기계학습 모델에 피드백하여 기계학습 모델이 학습될 수 있다.

일 실시예에 따르면, 기계학습 모델에 입력되어 사용자 예상 관심도가 산출되는데 사용되는 사용자 정보는 최근에 수집된 사용자 활동을 기초로 주기적으로 업데이트될 수 있다. 다른 예로서, 사용자의 게시글 출력 요청에 응답하여, 최근 제2 기간 동안에 사용자 정보가 수집되고, 이렇게 수집된 정보에 의해 미리 생성된 벡터가 변경되거나 업데이트될 수 있다.

일 실시예에 따르면, 게시글과 연관된 정보는 별도의 처리 없이 사용자 예상 관심도를 산출하기 위해 기계학습 모델에 입력될 수 있다. 즉, 게시글 내에 포함된 적어도 일부의 정보가 입력 데이터로써 기계학습 모델에 입력될 수 있다. 여기서, 게시글과 연관된 정보는 게시글에 포함되거나 게시글과 연관된 임의의 정보를 지칭할 수 있으며, 예를 들어, 게시글 본문, 사진, 카테고리 ID, 지역 ID, 관련 검색어, 연관 검색어, 알림 키워드, 채팅 내역과 관련된 정보 등을 지칭할 수 있으나, 이에 한정되지 않는다. 또한, 게시글과 연관된 정보는 벡터로 미리 변환되거나 별도의 가공이 이루어지지 않을 수 있다. 이렇게 게시글 각각에 대해 산출된 사용자 예상 관심도는 게시글 순서 결정부(440)로 제공될 수 있다.

게시글 순서 결정부(440)는 사용자 맞춤형 게시글 추천을 위하여, 하나 이상의 게시글의 각각에 대해 산출된 사용자 예상 관심도를 기초로, 하나 이상의 게시글을 포함하는 복수의 게시글 중 적어도 일부의 게시 순서를 결정할 수 있다. 일 실시예에서, 게시글 순서 결정부(440)는 사용자 예상 관심도가 높은 게시글이 먼저 노출되도록 하나 이상의 게시글을 정렬하고, 정렬된 하나 이상의 게시글을 사용자 계정과 연관된 사용자 단말에 제공할 수 있다. 예를 들어, 하나 이상의 게시글이 복수의 게시글을 포함하고 있는 경우, 복수의 게시글 중 미리 설정된 임계값 이상의 사용자 예상 관심도를 가지는 적어도 하나의 게시글이 추천 게시글로서 사용자 단말에 제공할 수 있다.

다른 실시예에서, 게시글 순서 결정부(440)는 어플리케이션을 통해 업로드된 복수의 게시글을 시간 순서대로 정렬할 수 있다. 또한, 게시글 순서 결정부(440)는 사용자 예상 관심도가 산출된 하나 이상의 게시글 중에서, 사용자 예상 관심도가 높은 게시글이 먼저 노출되도록 하나 이상의 게시글을 정렬할 수 있다. 그리고 나서, 게시글 순서 결정부(440)는 정렬된 하나 이상의 게시글의 각각을 시간 순서 대로 정렬된 복수의 게시글 사이에 미리 결정된 간격으로 배치시킬 수 있다. 예를 들어, 미리 결정된 간격은, 5개 게시글 사이의 간격을 지칭할 수 있으나, 이에 한정되지 않으며, 임의의 수의 간격이 설정될 수 있다. 이러한 배치에 따른 게시글 추천을 통해, 사용자가 관심을 가질만한 게시글이 제공되면서도, 추천 게시글에 대한 사용자의 거부감이 줄어들 수 있다.

도 5는 본 개시의 일 실시예에 따른 지역 기반 추천 서비스를 제공하는 방법의 예시를 나타내는 흐름도이다. 일 실시예에 따르면, 지역 기반 추천 서비스를 제공하는 방법(500)은 프로세서(예를 들어, 정보 처리 시스템의 프로세서(334) 및/또는 사용자 단말의 프로세서(314))에 의해 수행될 수 있다. 도시된 바와 같이, 지역 기반 추천 서비스를 제공하는 방법(500)은 지역 기반 추천 서비스를 제공하는 어플리케이션에 가입된 사용자 계정을 통해 어플리케이션 내에서의 미리 결정된 기간 동안에 수집된 사용자 정보를 수신함으로써(S510), 개시될 수 있다. 여기서, 수집된 사용자 정보는 사용자 계정을 통한 어플리케이션 내에서의 제1 기간(예: 6개월, 1년 등의 장기간) 동안에 수집된 사용자 정보를 기초로 미리 생성된 벡터를 포함할 수 있다. 이를 위해, 프로세서는, 제1 기간 동안에 수집된 사용자 정보를 기초로 사용자 계정에 대응하는 벡터를 미리 생성할 수 있다. 또한, 프로세서는, 최근 제2 기간(예: 1주일, 2주일 등의 단기간) 동안에 수집된 사용자 정보를 기초로 제1 기간 동안에 수집된 사용자 정보를 기초로 생성된 벡터를 업데이트하거나 변경할 수 있다. 이러한 과정에서, 프로세서는 최근 제2 기간 동안에 수집된 사용자 정보를 기초로 생성된 벡터에, 미리 생성된 벡터보다 더 높은 가중치를 부여할 수 있다.

그리고 나서, 프로세서는 어플리케이션을 통해 업로드된 복수의 게시글 중에서, 최근에 게시된 하나 이상의 게시글과 연관된 정보를 추출할 수 있다(S520). 일 실시예에서, 프로세서는, 어플리케이션에 대한 사용자 계정의 접속 시점 및 사용자의 위치를 기준으로 미리 설정된 기간 이내에 업로드된 하나 이상의 게시글과 연관된 정보를 추출할 수 있다.

프로세서는 사용자 정보 및 추출된 하나 이상의 게시글과 연관된 정보를 기계학습 모델에 입력하여, 하나 이상의 게시글의 각각에 대한 사용자 예상 관심도를 산출할 수 있다(S530). 여기서, 기계학습 모델은, 학습 사용자 정보 및 학습 사용자 게시글과 연관된 정보를 기초로 학습 예상 관심도를 출력하도록 미리 학습된 모델을 지칭할 수 있다. 또한, 사용자 정보는 미리 결정된 기간 동안에 수집된 사용자 정보를 기초로 생성된 벡터를 지칭할 수 있으며, 하나 이상의 게시글과 연관된 정보는 게시글에 포함되거나 연관된 정보를 별도의 처리 없이 그대로 추출한 정보를 지칭할 수 있다.

그리고 나서, 프로세서는 사용자 계정을 위한 맞춤형 게시글 추천을 위하여, 산출된 사용자 예상 관심도를 기초로, 하나 이상의 게시글을 포함한 복수의 게시글 중 적어도 일부의 게시 순서를 결정할 수 있다(S540). 일 실시예에서, 프로세서는, 하나 이상의 게시글 중에서 사용자 예상 관심도가 높은 게시글이 먼저 노출되도록 하나 이상의 게시글을 정렬하고, 정렬된 하나 이상의 게시글을 사용자 계정과 연관된 사용자 단말에 제공할 수 있다.

도 6은 본 개시의 일 실시예에 따른 사용자 맞춤형 추천 게시글을 제공하기 위하여 게시글을 정렬하는 방법(600)의 예시를 나타내는 흐름도이다. 일 실시예에서, 이러한 방법(600)은 프로세서(예를 들어, 정보 처리 시스템의 프로세서(334) 및/또는 사용자 단말의 프로세서(314))에 의해 수행될 수 있다. 도시된 바와 같이, 방법(600)은 프로세서가 복수의 게시글을 시간 순서대로 정렬함으로써(S610), 개시될 수 있다. 여기서, 복수의 게시글은 지역 기반 추천 서비스를 제공하는 어플리케이션을 통해 업로드된 게시글을 지칭할 수 있으며, 업로드된 시간 순서대로 정렬될 수 있다.

프로세서는, 하나 이상의 게시글 중에서 사용자 예상 관심도가 높은 게시글이 먼저 노출되도록, 하나 이상의 게시글을 정렬할 수 있다(S620). 이를 위해, 프로세서는 하나 이상의 게시글의 각각에 대해 사용자 예상 관심도를 산출할 수 있다. 그리고 나서, 프로세서는 정렬된 하나 이상의 게시글의 각각을, 시간 순서대로 정렬된 복수의 게시글 사이에 미리 결정된 간격으로 배치할 수 있다(S630). 일 실시예에서, 프로세서는 정렬된 하나 이상의 게시글 중 적어도 일부를 시간 순서대로 정렬된 복수의 게시글 사이에 배치할 수 있다. 예를 들어, 사용자 예상 관심도가 미리 설정된 임계치 이상인 게시글이 선택되어, 시간 순서대로 정렬된 복수의 게시글 사이에 미리 결정된 간격(예: 3개, 5개, 10개 등)으로 배치되어 사용자에게 노출될 수 있다.

도 7은 본 개시의 일 실시예에 따른 인공신경망 모델(700)을 나타내는 예시도이다. 인공신경망 모델(700)은, 상술된 기계학습 모델의 일 예로서, 기계학습(Machine Learning) 기술과 인지과학에서, 생물학적 신경망의 구조에 기초하여 구현된 통계학적 학습 알고리즘 또는 그 알고리즘을 실행하는 구조이다.

일 실시예에 따르면, 인공신경망 모델(700)은, 생물학적 신경망에서와 같이 시냅스의 결합으로 네트워크를 형성한 인공 뉴런인 노드(Node)들이 시냅스의 가중치를 반복적으로 조정하여, 특정 입력에 대응한 올바른 출력과 추론된 출력 사이의 오차가 감소되도록 학습함으로써, 문제 해결 능력을 가지는 기계학습 모델을 나타낼 수 있다. 예를 들어, 인공신경망 모델(700)은 기계 학습, 인공지능 학습/추론 등에 사용되는 임의의 확률 모델, 뉴럴 네트워크 모델, 딥뉴럴 네트워크 모델 등을 포함할 수 있다.

일 실시예에 따르면, 정보 처리 시스템(예: 정보 처리 시스템(230))은 기계학습 모델의 한 형태로, 인공신경망 모델(700)을 생성하고 생성된 인공신경망 모델(700)을 이용할 수 있다. 예를 들어, 인공신경망 모델(700)은 사용자 정보 및 게시글과 연관된 정보를 수신하여 게시글 각각에 대한 사용자 예상 관심도를 출력하도록 학습될 수 있다. 인공신경망 모델(700)은 다층의 노드들과 이들 사이의 연결로 구성된 다층 퍼셉트론(MLP: multilayer perceptron)으로 구현된다. 본 실시예에 따른 인공신경망 모델(700)은 MLP 등을 포함하는 다양한 인공신경망 모델 구조들 중의 하나를 이용하여 구현될 수 있다. 도 7에 도시된 바와 같이, 인공신경망 모델(700)은, 외부로부터 입력 신호 또는 데이터(710)를 수신하는 입력층(720), 입력 데이터에 대응한 출력 신호 또는 데이터(750)를 출력하는 출력층(740), 입력층(720)과 출력층(740) 사이에 위치하며 입력층(720)으로부터 신호를 받아 특성을 추출하여 출력층(740)으로 전달하는 n개(여기서, n은 양의 정수)의 은닉층(730_1 내지 730_n)으로 구성된다. 여기서, 출력층(740)은 은닉층(730_1 내지 730_n)으로부터 신호를 받아 외부로 출력한다.

인공신경망 모델(700)의 학습 방법에는, 교사 신호(정답)의 입력에 의해서 문제의 해결에 최적화되도록 학습하는 지도 학습(Supervised Learning) 방법과, 교사 신호를 필요로 하지 않는 비지도 학습(Unsupervised Learning) 방법이 있다. 정보 처리 시스템은 사용자 정보 및 게시글과 연관된 정보로부터 게시글 각각에 대한 사용자 예상 관심도를 산출하도록 인공신경망 모델(700)을 지도 학습 및/또는 비지도 학습시킬 수 있다. 지도 학습의 경우, 게시글의 각각에 대한 사용자의 선택 여부 및/또는 사용자 실제 관심도를 Ground Truth로 설정할 수 있다. 정보 처리 시스템은, 출력된 사용자 예상 관심도와 사용자 실제 관심도 사이의 손실 값을 산출하고, 산출된 손실값을 인공신경망 모델(700)에 피드백하여, 인공신경망 모델(700)을 학습시킬 수 있다. 이렇게 학습된 인공신경망 모델(700)은 정보 처리 시스템의 메모리에 저장되어, 정보 처리 시스템에 의해 사용자 정보를 기초로 게시글에 대한 사용자 예상 관심도가 산출될 시에 사용될 수 있다.

일 실시예에 따르면, 인공신경망 모델(700)의 입력변수는, 사용자 정보 및 게시글과 연관된 정보가 될 수 있다. 즉, 상술된 사용자 정보 및 게시글과 연관된 정보 등을 나타내거나 특징화하는 벡터가 입력층(720)을 통해 입력될 수 있다. 이와 같이 상술된 입력변수가 입력층(720)을 통해 입력되는 경우, 인공신경망 모델(700)의 출력층(740)에서 출력되는 출력변수는 게시글 각각에 대한 사용자 예상 관심도를 나타내거나 특징화하는 벡터로 구성될 수 있다. 추가적으로, 인공신경망 모델(700)의 출력층(740)에서 출력되는 출력변수는 게시글 각각에 대한 사용자 예상 관심도의 신뢰도를 나타내거나 특징화하는 벡터를 포함할 수 있다.

이와 같이, 인공신경망 모델(700)의 입력층(720)과 출력층(740)에 복수의 입력변수와 대응되는 복수의 출력변수가 각각 매칭되고, 입력층(720), 은닉층(730_1 내지 730_n) 및 출력층(740)에 포함된 노드들 사이의 시냅스 값이 조정됨으로써, 특정 입력에 대응한 올바른 출력이 추출될 수 있도록 학습될 수 있다. 이러한 학습 과정을 통해, 인공신경망 모델(700)의 입력변수에 숨겨져 있는 특성을 파악할 수 있고, 입력변수에 기초하여 산출된 출력변수와 목표 출력 간의 오차가 줄어들도록 인공신경망 모델(700)의 노드들 사이의 시냅스 값(또는 가중치)를 조정할 수 있다. 이렇게 학습된 인공신경망 모델(700)을 이용하여, 게시글 각각에 대한 사용자 예상 관심도가 출력될 수 있다. 여기서, 게시글은, 어플리케이션을 통해 업로드된 복수의 게시글 중에서 추출된, 최근에 게시된 하나 이상의 게시글을 지칭할 수 있다.

도 8은 본 개시의 일 실시예에 따른 기계학습 모델(800)에 사용자 정보 및 게시글과 연관된 정보를 입력하여 게시글 각각에 대한 사용자 예상 관심도를 생성하는 예시를 나타내는 도면이다. 상술된 바와 같이, 프로세서(예를 들어, 정보 처리 시스템의 프로세서(334) 및/또는 사용자 단말의 프로세서(314))는 사용자 정보(810)와 게시글과 연관된 정보(820)를 수신할 수 있다. 사용자 정보(810)는 지역 기반 추천 서비스를 제공하는 어플리케이션을 통해 해당 어플리케이션의 사용자 계정과 연관된 사용자 정보일 수 있다. 예를 들어, 사용자 정보는 사용자 계정이 해당 어플리케이션에 내에서 일정 기간 동안 수행된 사용자 활동(예: 검색, 클릭, 구매내역, 로그기록, 거래 내역 등) 및/또는 사용자와 관련된 개인 정보(예: 성별, 나이, 주소지, 직업, 전화번호 등)를 포함할 수 있다. 여기서, 사용자 정보는 토큰화된 벡터의 형태로 기계학습 모델(800)에 입력될 수 있다.

게시글과 연관된 정보(820)는 해당 어플리케이션에 대한 사용자 계정의 사용자의 위치를 기준으로 설정된 지역 내에서, 접속 시점으로부터 최근 업로드된 하나 이상의 게시글과 연관된 정보일 수 있다. 예를 들어, 어플리케이션을 통해 업로드된 복수의 게시글 중에서 최근 미리 설정된 기간(예를 들어, 1주, 2주 등) 내에 업로드된 게시글과 연관된 정보가 게시글과 연관된 정보(820)로서 추출될 수 있다. 다른 예로서, 해당 어플리케이션을 통해 업로드된 복수의 게시글 중에서 최근 미리 설정된 개수(예를 들어, 20개, 50개 등)의 업로드된 게시글과 연관된 정보가 게시글과 연관된 정보(820)로서 추출될 수 있다. 여기서, 게시글과 연관된 정보(820)는 토큰화되어 벡터의 형태로 기계학습 모델(800)에 입력되는 사용자 정보(810)와 다르게, 별도의 처리 없이 기계학습 모델(800)에 그대로 입력될 수 있다.

도시된 바와 같이, 프로세서는 기계학습 모델(800)을 이용하여, 사용자 정보(810) 및 게시글과 연관된 정보(820)에 기초하여 게시글 각각에 대한 사용자 예상 관심도(830)를 생성할 수 있다. 일 실시예에서, 기계학습 모델(800)은 사용자 정보(810)와 게시글과 연관된 정보(820)를 입력 받아, 게시글 각각에 대한 사용자 예상 관심도(830)를 출력하도록 학습된 기계학습 모델일 수 있다. 여기서, 게시글 각각에 대한 사용자 예상 관심도(830)는 사용자의 예상 관심도를 나타낼 수 있는 임의의 수치로 표현될 수 있다. 예를 들어, 사용자 예상 관심도(830)는 해당 게시글을 사용자가 선택하거나 클릭할 예상 확률을 지칭할 수 있다. 이러한 확률값은 0에서 1사이의 수치로 표현될 수 있다. 추가적으로 또는 대안적으로, 프로세서는 산출된 확률값 및 미리 설정된 임계값을 비교하여, 산출된 확률값이 미리 설정된 임계값 이상이면 사용자 예상 관심도(830)를 'true'를 나타내는 값으로, 산출된 확률값이 미리 설정된 임계값 미만이면 사용자 예상 관심도(830)를 'false'를 나타내는 값으로 산출될 수 있다.

기계학습 모델(800)은 다양한 학습 데이터로 학습될 수 있다. 여기서, 학습 데이터는 해당 어플리케이션으로부터 현재 시점에서 수집 가능한 임의의 데이터를 포함할 수 있다. 예를 들어, 학습 데이터는 해당 어플리케이션으로부터 수집된 복수의 사용자의 활동 등을 포함한 사용자 정보, 해당 어플리케이션에 업로드된 게시글, 게시글 각각에 대한 사용자 관심도의 쌍으로 이루어진 학습 데이터를 통해 학습될 수 있다. 예를 들어, 사용자 관심도는, 업로드된 게시글의 각각에 대해 복수의 사용자의 각각에 의해 선택 또는 클릭했는지 여부에 기초하여 생성될 수 있다.

도 9는 본 개시의 일 실시예에 따른 지역 기반 추천 서비스를 제공하기 위해 사용자 예상 관심도를 추출하는 예시를 나타내는 도면이다. 일 실시예에 따르면, 프로세서(예를 들어, 정보 처리 시스템의 프로세서(334) 및/또는 사용자 단말의 프로세서(314))는, 지역 기반 추천 서비스를 제공하는 어플리케이션의 사용자 계정과 연관된 게시글 각각에 대한 사용자 예상 관심도(910)를 추출할 수 있다. 여기서, 사용자 예상 관심도(910)는 사용자가 해당 게시글을 선택하거나 클릭할 예상 확률을 정규화하여 수치화한 값으로 나타낼 수 있다. 이렇게 추출된 사용자 예상 관심도(910)에 따라 복수의 게시글에 대한 게시 순서가 결정될 수 있다.

일 실시예에 따르면, 프로세서는, 사용자 예상 관심도가 추출된 복수의 게시글 중에서, 사용자 예상 관심도가 높은 게시글이 먼저 노출되도록 복수의 게시글을 정렬할 수 있다. 도 9에서, 프로세서는 추출된 예상 관심도에 기초하여 사용자 예상 관심도 0.9와 연관된 'C' 상품 게시글, 사용자 예상 관심도 0.3와 연관된 'A' 상품 게시글, 사용자 예상 관심도 0.2와 연관된 'B' 상품 게시글, 사용자 예상 관심도 0.1와 연관된 'D' 및 'E' 상품 게시글 순서로 게시글의 순서를 결정할 수 있다. 여기서, 사용자 예상 관심도가 동일한 'D' 및 'E' 상품 게시글은 임의의 방법으로 정렬 순서가 결정될 수 있는데, 이에 한정되지 않으나, 예를 들어, 해당 게시글이 업로드된 순서 대로 게시글의 정렬 순서가 결정될 수 있다.

다른 실시예에 따르면, 프로세서는, 사용자 예상 관심도가 추출된 복수의 게시글 중에서, 미리 결정된 임계치 이상의 사용자 예상 관심도를 가진 게시글을 추출하고, 사용자 예상 관심도가 더 높은 게시글이 먼저 노출되도록 추출된 게시글을 정렬할 수 있다. 예를 들어, 미리 결정된 임계치가 0.3인 경우, 프로세서는, 사용자 예상 관심도 0.3와 연관된 'A' 상품 및 사용자 예상 관심도 0.9와 연관된 'C' 상품을 추출할 수 있다. 그리고 나서, 프로세서는 사용자 예상 관심도 0.9와 연관된 'C' 상품 다음에 사용자 예상 관심도 0.3와 연관된 'A' 상품이 노출될 수 있도록, 두 상품에 대한 게시글을 정렬할 수 있다.

도 10은 본 개시의 일 실시예에 따른 지역 기반 추천 서비스에 따라 게시글을 추천하는 예시를 나타내는 도면이다. 일 실시예에 따르면, 게시글 각각에 대한 사용자 예상 관심도가 높은 순서로 먼저 노출되도록 게시글이 정렬되어 사용자 단말에 제공될 수 있다. 이러한 정렬 작업은 프로세서(예를 들어, 정보 처리 시스템의 프로세서(334) 및/또는 사용자 단말의 프로세서(314))에 의해 수행될 수 있다.

일 실시예에 따르면, 제1 동작(1010)은 기존의 지역 기반 서비스를 제공하는 어플리케이션을 통해 업로드된 복수의 게시글이 정렬되는 예시를 나타낸다. 이 경우, 가장 최근에 업로드된 게시글이 상단에 위치되도록 정렬되어 사용자 단말에 제공될 수 있다. 이와 달리, 제2 동작(1020)은 본 개시의 일부 실시예에 따른 지역 기반 추천 서비스를 제공하는 어플리케이션을 통해 업로드된 복수의 게시글이 정렬되는 예시를 나타낸다. 이 경우, 사용자 예상 관심도가 높은 게시글이 먼저 노출되도록 하나 이상의 게시글이 정렬되어 사용자 단말에 제공될 수 있다. 예를 들어, 제1 동작(1010)에서는 업로드 순서로 인해 세번째 위치에 배치되어 있던 'C 상품'과 연관된 게시글(1012, 1022)이 가장 높은 사용자 예상 관심도를 보였다면, 제2 동작(1020)에서는 'C 상품'과 연관된 게시글(1022)이 복수의 게시글 중에서 가장 상단에 배치되도록 정렬되어 사용자 단말의 디스플레이에 노출될 수 있다.

도 11은 본 개시의 다른 실시예에 따른 지역 기반 추천 서비스에 따라 게시글을 추천하는 예시를 나타내는 도면이다. 일 실시예에 따르면, 사용자 예상 관심도가 높게 산출된 하나 이상의 게시글의 각각을, 시간 순서대로 정렬된 복수의 게시글 사이에 미리 결정된 간격으로 배치하여 사용자 단말에 제공할 수 있다. 이러한 정렬 작업은 프로세서(예를 들어, 정보 처리 시스템의 프로세서(334) 및/또는 사용자 단말의 프로세서(314))에 의해 수행될 수 있다.

일 실시예에서, 제1 동작(1110)은 기존의 지역 기반 서비스를 제공하는 어플리케이션을 통해 업로드된 'a 상품'과 연관된 복수의 게시글이 정렬되는 예시를 나타낸다. 이 경우, 가장 최근에 업로드된 'a 상품'과 연관된 게시글이 상단에 위치되도록 정렬되어 사용자 단말에 제공될 수 있다. 예를 들어, 제1 동작(1110)은 사용자가 지역 기반 서비스를 제공하는 어플리케이션 내에서 'a 상품'에 대한 검색을 추가로 진행한 예시일 수도 있다.

이와 달리, 제2 동작(1120)은 본 개시의 일부 실시예에 따른 지역 기반 추천 서비스를 제공하는 어플리케이션을 통해 업로드된 복수의 게시글이 정렬되는 예시를 나타낸다. 이 경우, 사용자 예상 관심도가 높게 나타난 'C 상품'과 연관된 게시글이 'a 상품'과 연관된 복수의 게시글 사이에 미리 결정된 간격으로 배치되어 사용자 단말에 제공될 수 있다. 예를 들어, 사용자가 별도로 검색을 진행하지 않은 'C 상품'과 연관된 게시글이, 사용자가 별도로 검색을 진행한 'a 상품'과 연관된 2개의 게시물을 간격으로 하여 배치된 후 사용자 단말에 제공될 수 있다. 도 11에서는 하나의 게시글 만이 복수의 게시글 사이에 배치되는 것으로 도시되어 있으나, 이에 한정되지 않으며, 스크롤(미도시) 등을 통해 보여질 수 있는 다른 게시글(미도시) 사이에 미리 결정된 간격으로 추가적인 게시글이 배치되어 노출될 수 있다.

상술한 방법은 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램으로 제공될 수 있다. 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록 수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 어플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.

본 개시의 방법, 동작 또는 기법들은 다양한 수단에 의해 구현될 수도 있다. 예를 들어, 이러한 기법들은 하드웨어, 펌웨어, 소프트웨어, 또는 이들의 조합으로 구현될 수도 있다. 본원의 개시와 연계하여 설명된 다양한 예시적인 논리적 블록들, 모듈들, 회로들, 및 알고리즘 단계들은 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양자의 조합들로 구현될 수도 있음을 통상의 기술자들은 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 대체를 명확하게 설명하기 위해, 다양한 예시적인 구성요소들, 블록들, 모듈들, 회로들, 및 단계들이 그들의 기능적 관점에서 일반적으로 위에서 설명되었다. 그러한 기능이 하드웨어로서 구현되는지 또는 소프트웨어로서 구현되는 지의 여부는, 특정 어플리케이션 및 전체 시스템에 부과되는 설계 요구사항들에 따라 달라진다. 통상의 기술자들은 각각의 특정 어플리케이션을 위해 다양한 방식들로 설명된 기능을 구현할 수도 있으나, 그러한 구현들은 본 개시의 범위로부터 벗어나게 하는 것으로 해석되어서는 안된다.

하드웨어 구현에서, 기법들을 수행하는 데 이용되는 프로세싱 유닛들은, 하나 이상의 ASIC들, DSP들, 디지털 신호 프로세싱 디바이스들(digital signal processing devices; DSPD들), 프로그램가능 논리 디바이스들(programmable logic devices; PLD들), 필드 프로그램가능 게이트 어레이들(field programmable gate arrays; FPGA들), 프로세서들, 제어기들, 마이크로제어기들, 마이크로프로세서들, 전자 디바이스들, 본 개시에 설명된 기능들을 수행하도록 설계된 다른 전자 유닛들, 컴퓨터, 또는 이들의 조합 내에서 구현될 수도 있다.

따라서, 본 개시와 연계하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 및 회로들은 범용 프로세서, DSP, ASIC, FPGA나 다른 프로그램 가능 논리 디바이스, 이산 게이트나 트랜지스터 로직, 이산 하드웨어 컴포넌트들, 또는 본원에 설명된 기능들을 수행하도록 설계된 것들의 임의의 조합으로 구현되거나 수행될 수도 있다. 범용 프로세서는 마이크로프로세서일 수도 있지만, 대안으로, 프로세서는 임의의 종래의 프로세서, 제어기, 마이크로제어기, 또는 상태 머신일 수도 있다. 프로세서는 또한, 컴퓨팅 디바이스들의 조합, 예를 들면, DSP와 마이크로프로세서, 복수의 마이크로프로세서들, DSP 코어와 연계한 하나 이상의 마이크로프로세서들, 또는 임의의 다른 구성의 조합으로서 구현될 수도 있다.

펌웨어 및/또는 소프트웨어 구현에 있어서, 기법들은 랜덤 액세스 메모리(random access memory; RAM), 판독 전용 메모리(read-only memory; ROM), 비휘발성 RAM(non-volatile random access memory; NVRAM), PROM(programmable read-only memory), EPROM(erasable programmable read-only memory), EEPROM(electrically erasable PROM), 플래시 메모리, 컴팩트 디스크(compact disc; CD), 자기 또는 광학 데이터 스토리지 디바이스 등과 같은 컴퓨터 판독가능 매체 상에 저장된 명령들로서 구현될 수도 있다. 명령들은 하나 이상의 프로세서들에 의해 실행 가능할 수도 있고, 프로세서(들)로 하여금 본 개시에 설명된 기능의 특정 양태들을 수행하게 할 수도 있다.

소프트웨어로 구현되는 경우, 상술된 기법들은 하나 이상의 명령들 또는 코드로서 컴퓨터 판독 가능한 매체 상에 저장되거나 또는 컴퓨터 판독 가능한 매체를 통해 전송될 수도 있다. 컴퓨터 판독가능 매체들은 한 장소에서 다른 장소로 컴퓨터 프로그램의 전송을 용이하게 하는 임의의 매체를 포함하여 컴퓨터 저장 매체들 및 통신 매체들 양자를 포함한다. 저장 매체들은 컴퓨터에 의해 액세스될 수 있는 임의의 이용 가능한 매체들일 수도 있다. 비제한적인 예로서, 이러한 컴퓨터 판독가능 매체는 RAM, ROM, EEPROM, CD-ROM 또는 다른 광학 디스크 스토리지, 자기 디스크 스토리지 또는 다른 자기 스토리지 디바이스들, 또는 소망의 프로그램 코드를 명령들 또는 데이터 구조들의 형태로 이송 또는 저장하기 위해 사용될 수 있으며 컴퓨터에 의해 액세스될 수 있는 임의의 다른 매체를 포함할 수 있다. 또한, 임의의 접속이 컴퓨터 판독가능 매체로 적절히 칭해진다.

예를 들어, 소프트웨어가 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선 (DSL), 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들을 사용하여 웹사이트, 서버, 또는 다른 원격 소스로부터 전송되면, 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선, 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들은 매체의 정의 내에 포함된다. 본원에서 사용된 디스크(disk) 와 디스크(disc)는, CD, 레이저 디스크, 광 디스크, DVD(digital versatile disc), 플로피디스크, 및 블루레이 디스크를 포함하며, 여기서 디스크들(disks)은 보통 자기적으로 데이터를 재생하고, 반면 디스크들(discs) 은 레이저를 이용하여 광학적으로 데이터를 재생한다. 위의 조합들도 컴퓨터 판독가능 매체들의 범위 내에 포함되어야 한다.

소프트웨어 모듈은, RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터들, 하드 디스크, 이동식 디스크, CD-ROM, 또는 공지된 임의의 다른 형태의 저장 매체 내에 상주할 수도 있다. 예시적인 저장 매체는, 프로세가 저장 매체로부터 정보를 판독하거나 저장 매체에 정보를 기록할 수 있도록, 프로세서에 연결될 수 있다. 대안으로, 저장 매체는 프로세서에 통합될 수도 있다. 프로세서와 저장 매체는 ASIC 내에 존재할 수도 있다. ASIC은 유저 단말 내에 존재할 수도 있다. 대안으로, 프로세서와 저장 매체는 유저 단말에서 개별 구성요소들로서 존재할 수도 있다.

이상 설명된 실시예들이 하나 이상의 독립형 컴퓨터 시스템에서 현재 개시된 주제의 양태들을 활용하는 것으로 기술되었으나, 본 개시는 이에 한정되지 않고, 네트워크나 분산 컴퓨팅 환경과 같은 임의의 컴퓨팅 환경과 연계하여 구현될 수도 있다. 또 나아가, 본 개시에서 주제의 양상들은 복수의 프로세싱 칩들이나 장치들에서 구현될 수도 있고, 스토리지는 복수의 장치들에 걸쳐 유사하게 영향을 받게 될 수도 있다. 이러한 장치들은 PC들, 네트워크 서버들, 및 휴대용 장치들을 포함할 수도 있다.

본 명세서에서는 본 개시가 일부 실시예들과 관련하여 설명되었지만, 본 개시의 발명이 속하는 기술분야의 통상의 기술자가 이해할 수 있는 본 개시의 범위를 벗어나지 않는 범위에서 다양한 변형 및 변경이 이루어질 수 있다. 또한, 그러한 변형 및 변경은 본 명세서에 첨부된 특허청구의 범위 내에 속하는 것으로 생각되어야 한다.

110: 사용자 120: 사용자 단말
130: 제1 인터페이스 140: 제2 인터페이스

Claims (17)

1. 적어도 하나의 프로세서에 의해 실행되는, 지역 기반 추천 서비스를 제공하는 방법에 있어서,
   상기 지역 기반 추천 서비스를 제공하는 어플리케이션에 가입된 사용자 계정을 통해 상기 어플리케이션 내에서의 제1 기간 동안에 수집된 사용자 정보를 수신하는 단계;
   상기 어플리케이션을 통해 업로드된 게시글 중에서, 상기 지역 기반 추천 서비스를 이용하기 위한 사용자 입력에 기초하여, 복수의 게시글과 연관된 정보를 추출하는 단계;
   상기 어플리케이션을 통해 업로드된 게시글 중에서, 최근에 게시된 하나 이상의 게시글과 연관된 정보를 추출하는 단계;
   상기 사용자 정보 및 상기 추출된 하나 이상의 게시글과 연관된 정보를 기계학습 모델에 입력하여, 상기 하나 이상의 게시글의 각각에 대한 사용자 예상 관심도를 산출하는 단계; 및
   상기 사용자 계정을 위한 맞춤형 게시글 추천을 위하여, 상기 산출된 사용자 예상 관심도를 기초로, 상기 복수의 게시글 중 적어도 일부 및 상기 하나 이상의 게시글의 게시 순서를 결정하는 단계
   를 포함하고,
   상기 복수의 게시글 중 적어도 일부 및 상기 하나 이상의 게시글의 게시 순서를 결정하는 단계는,
   상기 복수의 게시글을 시간 순서대로 정렬하는 단계;
   상기 하나 이상의 게시글 중에서 상기 사용자 예상 관심도가 높은 게시글일수록 먼저 노출되도록 상기 하나 이상의 게시글을 정렬하는 단계; 및
   상기 정렬된 하나 이상의 게시글의 각각을, 상기 시간 순서대로 정렬된 복수의 게시글 사이에 미리 결정된 간격으로 배치하는 단계를 포함하는, 지역 기반 추천 서비스를 제공하는 방법.
   
2. 제1항에 있어서,
   상기 수집된 사용자 정보는, 상기 사용자 계정을 통한 상기 어플리케이션 내에서의 상기 제1 기간 동안에 수집된 사용자 정보를 기초로 미리 생성된 벡터를 포함하는,
   지역 기반 추천 서비스를 제공하는 방법.
   
3. 제2항에 있어서,
   상기 미리 생성된 벡터는, 상기 사용자 계정을 통한 상기 어플리케이션 내에서의 최근 제2 기간 동안에 수집된 사용자 정보를 기초로 생성된 벡터를 이용하여 업데이트되고,
   상기 제2 기간은 상기 제1 기간보다 짧은 기간인,
   지역 기반 추천 서비스를 제공하는 방법.
   
4. 제3항에 있어서,
   상기 미리 생성된 벡터가 업데이트되는 경우, 상기 최근 제2 기간 동안에 수집된 사용자 정보를 기초로 생성된 벡터에, 상기 미리 생성된 벡터보다 더 높은 가중치가 부여되는,
   지역 기반 추천 서비스를 제공하는 방법.
   
5. 제1항에 있어서,
   상기 최근에 게시된 하나 이상의 게시글과 연관된 정보를 추출하는 단계는, 상기 어플리케이션을 통해 업로드된 게시글로부터 상기 최근에 게시된 하나 이상의 게시글과 연관된 정보를 실시간으로 추출하는 단계를 포함하고,
   상기 하나 이상의 게시글의 각각에 대한 사용자 예상 관심도를 산출하는 단계는, 상기 실시간으로 추출된 하나 이상의 게시글과 연관된 정보를 별도의 처리 없이 상기 기계학습 모델에 입력하는 단계를 포함하는,
   지역 기반 추천 서비스를 제공하는 방법.
   
6. 제1항에 있어서,
   상기 복수의 게시글 중 적어도 일부 및 상기 하나 이상의 게시글의 게시 순서를 결정하는 단계는,
   상기 하나 이상의 게시글 중에서 상기 사용자 예상 관심도가 높은 게시글이 먼저 노출되도록 상기 하나 이상의 게시글을 정렬하는 단계를 포함하고,
   상기 방법은,
   상기 정렬된 하나 이상의 게시글을 상기 사용자 계정과 연관된 사용자 단말에 제공하는 단계를 더 포함하는,
   지역 기반 추천 서비스를 제공하는 방법.
   
7. 삭제
8. 제1항에 있어서,
   상기 복수의 게시글 중에서, 제3 기간 동안에, 사용자 계정에 의해 선택된 적어도 하나의 게시글과 연관된 정보를 수집하는 단계를 더 포함하고,
   상기 하나 이상의 게시글은, 상기 사용자 계정에 의해 선택된 적어도 하나의 게시글을 포함하는,
   지역 기반 추천 서비스를 제공하는 방법.
   
9. 제1항 내지 제6항 및 제8항 중 어느 한 항의 방법에 따른 각각의 단계를 수행하는 명령어를 포함하는 프로그램이 기록된, 컴퓨터 판독가능 저장매체.
   
10. 정보 처리 시스템으로서,
    하나 이상의 인스트럭션(instructions)을 저장하는 메모리:
    상기 저장된 하나 이상의 인스트럭션을 실행함으로써, 지역 기반 추천 서비스를 제공하는 어플리케이션에 가입된 사용자 계정을 통해 상기 어플리케이션 내에서의 제1 기간 동안에 수집된 사용자 정보를 수신하고,
    상기 어플리케이션을 통해 업로드된 게시글 중에서, 상기 지역 기반 추천 서비스를 이용하기 위한 사용자 입력에 기초하여, 복수의 게시글과 연관된 정보를 추출하는 단계;
    상기 어플리케이션을 통해 업로드된 게시글 중에서, 최근에 게시된 하나 이상의 게시글과 연관된 정보를 추출하고,
    상기 사용자 정보 및 상기 추출된 하나 이상의 게시글과 연관된 정보를 기계학습 모델에 입력하여, 상기 하나 이상의 게시글의 각각에 대한 사용자 예상 관심도를 산출하고,
    상기 사용자 계정을 위한 맞춤형 게시글 추천을 위하여, 상기 산출된 사용자 예상 관심도를 기초로, 상기 복수의 게시글 중 적어도 일부 및 상기 하나 이상의 게시글의 게시 순서를 결정하고,
    상기 복수의 게시글 중 적어도 일부 및 상기 하나 이상의 게시글의 게시 순서를 결정할 경우,
    상기 복수의 게시글을 시간 순서대로 정렬하고,
    상기 하나 이상의 게시글 중에서 상기 사용자 예상 관심도가 높은 게시글일수록 먼저 노출되도록 상기 하나 이상의 게시글을 정렬하고,
    상기 정렬된 하나 이상의 게시글의 각각을, 상기 시간 순서대로 정렬된 복수의 게시글 사이에 미리 결정된 간격으로 배치하도록 구성된 프로세서
    를 포함하는, 정보 처리 시스템.
    
11. 제10항에 있어서,
    상기 수집된 사용자 정보는, 상기 사용자 계정을 통한 상기 어플리케이션 내에서의 상기 제1 기간 동안에 수집된 사용자 정보를 기초로 미리 생성된 벡터를 포함하는,
    정보 처리 시스템.
    
12. 제11항에 있어서,
    상기 미리 생성된 벡터는, 상기 사용자 계정을 통한 상기 어플리케이션 내에서의 최근 제2 기간 동안에 수집된 사용자 정보를 기초로 생성된 벡터를 이용하여 업데이트되고,
    상기 제2 기간은 상기 제1 기간보다 짧은 기간인,
    정보 처리 시스템.
    
13. 제12항에 있어서,
    상기 미리 생성된 벡터가 업데이트되는 경우, 상기 최근 제2 기간 동안에 수집된 사용자 정보를 기초로 생성된 벡터에, 상기 미리 생성된 벡터보다 더 높은 가중치가 부여되는,
    정보 처리 시스템.
    
14. 제10항에 있어서,
    상기 프로세서는,
    상기 최근에 게시된 하나 이상의 게시글과 연관된 정보를 추출할 경우, 상기 어플리케이션을 통해 업로드된 게시글로부터 상기 최근에 게시된 하나 이상의 게시글과 연관된 정보를 실시간으로 추출하고,
    상기 하나 이상의 게시글의 각각에 대한 사용자 예상 관심도를 산출할 경우, 상기 실시간으로 추출된 하나 이상의 게시글과 연관된 정보를 별도의 처리 없이 상기 기계학습 모델에 입력하도록 더 구성되는,
    정보 처리 시스템.
    
15. 제10항에 있어서,
    상기 프로세서는,
    상기 복수의 게시글 중 적어도 일부 및 상기 하나 이상의 게시글의 게시 순서를 결정할 경우, 상기 하나 이상의 게시글 중에서, 상기 사용자 예상 관심도가 높은 게시글이 먼저 노출되도록 상기 하나 이상의 게시글을 정렬하고,
    상기 정렬된 하나 이상의 게시글을 상기 사용자 계정과 연관된 사용자 단말에 제공하도록 더 구성되는,
    정보 처리 시스템.
    
16. 삭제
17. 제10항에 있어서,
    상기 프로세서는,
    상기 복수의 게시글 중에서, 제3 기간 동안에, 사용자 계정에 의해 선택된 적어도 하나의 게시글과 연관된 정보를 수집하도록 더 구성되고,
    상기 하나 이상의 게시글은, 상기 사용자 계정에 의해 선택된 적어도 하나의 게시글을 포함하는,
    정보 처리 시스템.
    

Images