KR102467676B1 - 네트워크 임베딩을 이용한 다양성 강화 추천 장치 및 방법 - Google Patents

네트워크 임베딩을 이용한 다양성 강화 추천 장치 및 방법 Download PDF

Info

Publication number
KR102467676B1
KR102467676B1 KR1020200163874A KR20200163874A KR102467676B1 KR 102467676 B1 KR102467676 B1 KR 102467676B1 KR 1020200163874 A KR1020200163874 A KR 1020200163874A KR 20200163874 A KR20200163874 A KR 20200163874A KR 102467676 B1 KR102467676 B1 KR 102467676B1
Authority
KR
South Korea
Prior art keywords
item
user
weight
unit
items
Prior art date
Application number
KR1020200163874A
Other languages
English (en)
Other versions
KR20220075602A (ko
Inventor
신원용
서창원
정경중
Original Assignee
연세대학교 산학협력단
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 연세대학교 산학협력단 filed Critical 연세대학교 산학협력단
Priority to KR1020200163874A priority Critical patent/KR102467676B1/ko
Publication of KR20220075602A publication Critical patent/KR20220075602A/ko
Application granted granted Critical
Publication of KR102467676B1 publication Critical patent/KR102467676B1/ko

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00Commerce
    • G06Q30/06Buying, selling or leasing transactions
    • G06Q30/0601Electronic shopping [e-shopping]
    • G06Q30/0631Item recommendations
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/084Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 발명은 사용자와 아이템, 아이템이 포함되는 장르, 사용자의 아이템 이용 내역 및 평가 정보인 가중치가 포함된 사용자 아이템 데이터를 인가받아, 서로 대응하는 정보를 매칭하여 사용자 아이템 매칭 테이블을 획득하고, 사용자 아이템 매칭 테이블에서 다수의 가중치 각각 대해 기지정된 오프셋값을 적용하여 가중치를 보정하며, 이전 사용자와 매칭되지 않은 추가 아이템을 대응하는 사용자와 매칭하여 사용자 아이템 매칭 테이블에 추가하는 데이터 전처리부, 미리 학습된 인공 신경망으로 구현되어 사용자 아이템 매칭 테이블에서 서로 매칭된 사용자에 아이템 각각을 벡터화하여 사용자 벡터와 아이템 벡터를 가상의 임베딩 공간 상에 배치하는 벡터 임베딩부 및 임베딩 공간 상에 배치된 사용자 벡터와 아이템 벡터 사이의 거리를 기반으로 추천 아이템을 선택하는 아이템 추천부를 포함하여, 방법은 명시적 피드백 정보인 선호도를 반영하여 아이템을 추천할 수 있도록 하여, 사용자 요구에 더욱 부합할 수 있는 아이템을 선별하여 추천할 수 있을 뿐만 아니라, 이전 소비하지 않았거나 많이 소비하지 않은 장르의 아이템도 추천될 수 있도록 하여 추천되는 아이템의 신규성과 다양성을 확보할 수 있는 추천 장치 및 방법을 제공할 수 있다.

Description

네트워크 임베딩을 이용한 다양성 강화 추천 장치 및 방법{Diversity-Reinforced Recommendation Apparatus And Method Using Network Embedding}
본 발명은 추천 장치 및 방법에 관한 것으로, 네트워크 임베딩을 이용한 다양성 강화 추천 장치 및 방법에 관한 것이다.
점점 더 많은 콘텐츠 및 서비스가 온라인으로 소비됨에 따라 각종 추천 시스템이 온라인 사업의 효과적인 방법으로 떠올랐다. 특히 사용자와 아이템 간의 관계성을 중심으로 하는 개인 추천 시스템은 온라인 산업에서 중요한 이슈로 부각되고 있다.
최근 딥러닝 기술을 활용한 추천 시스템은 네트워크를 이용하여 사용자와 아이템 간의 유사성까지 표현할 수 있도록 벡터화하는 네트워크 임베딩(Embedding) 방식을 통해 계속해서 발전하고 있다. 네트워크 임베딩 방식에서는 인공 신경망을 이용하여 사용자 개개인과 아이템의 정보가 각각 벡터화되어 가상의 임베딩 공간(Embedding Space)에 배치되며, 임베딩 공간 상에 배치된 사용자와 아이템 사이의 관계를 기반으로 사용자 개개인에 적합한 아이템을 추천한다.
다만 기존의 네트워크 임베딩 방식에 대한 연구들은 아이템에 대한 사용자가 부여한 평점 등과 같은 명시적 피드백(explicit feedback) 정보보다, 주로 사용자가 아이템을 소비했는지 여부 등과 같이 소비자의 간접적 활동에 기반하는 암묵적 피드백(implicit feedback)을 활용한 알고리즘 개발에 집중되어 있다.
도 1은 기존의 임베딩 방식에서 추천되는 아이템을 설명하기 위한 도면이다.
도 1에서 (a)는 사용자 행동 테이블을 나타내고, (b)는 아이템 추천 테이블을 나타낸다. 사용자 행동 테이블은 도 1의 (a)에 나타난 바와 같이, 아이템 항목(Item)과 장르 항목(Genre) 및 선호도 항목(preference) 등이 포함될 수 있다.
도 1의 (a)에서는 4개의 아이템(item1 ~ item4)에 대한 장르(A, B, D)와 선호도가 기록되어 있다. 이때 선호도 항목에는 선호(prefer) 또는 비선호(not prefer) 뿐만아니라 특정 아이템(item4)이 사용자에 의해 현재까지 소비된 적이 없음을 나타내는 비소비(not consume)가 기록될 수도 있다.
사용자의 명시적 피드백인 선호도보다 아이템의 소비 내역을 기반으로 암묵적 피드백을 기반으로 추천하는 기존의 임베딩 방식에서는 (b)와 같이 동일 장르(A, B, D)의 유사 아이템(item1' ~ item4')의 추천 여부를 결정할 때, (a)와 같은 사용자 행동 테이블에서 사용자의 선호 또는 비선호보다 사용 내역을 우선하므로, 선호로 피드백된 제1 및 제2 유사 아이템(item1', item2')뿐만 아니라 비선호로 피드백된 제3 유사 아이템(item3') 또한 추천 아이템으로 선택한다. 따라서 사용자의 선호를 정확하게 반영하지 않고 아이템을 추천하는 문제가 있다.
또한 사용자의 선호 여부를 판정할 수 없는 비소비 아이템(item4)이 포함된 장르(D)의 유사 아이템(item4')은 계속적으로 추천되지 않게 되어 추천되는 아이템의 신선함과 다양성이 떨어진다는 한계가 있다. 즉 사용자에게 다양하고 새로운 아이템을 추천할 수 없다는 한계가 있다.
한국 공개 특허 제10-2020-0114969호 (2020.10.07 공개)
본 발명의 목적은 사용자의 명시적 피드백 정보를 활용하여, 사용자의 선호를 반영하여 사용자에게 적합한 아이템을 정확하게 추천할 수 있는 추천 장치 및 방법을 제공하는데 있다.
본 발명의 다른 목적은 사용자가 이전 소비하지 않았거나 많이 소비하지 않은 장르의 아이템도 추천될 수 있도록 하여 추천되는 아이템의 신규성과 다양성을 확보할 수 있는 추천 장치 및 방법을 제공하는데 있다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 추천 장치 및 방법을 사용자와 아이템, 아이템이 포함되는 장르, 사용자의 아이템 이용 내역 및 평가 정보인 가중치가 포함된 사용자 아이템 데이터를 인가받아, 서로 대응하는 정보를 매칭하여 사용자 아이템 매칭 테이블을 획득하고, 상기 사용자 아이템 매칭 테이블에서 다수의 가중치 각각 대해 기지정된 오프셋값을 적용하여 가중치를 보정하며, 이전 사용자와 매칭되지 않은 추가 아이템을 대응하는 사용자와 매칭하여 상기 사용자 아이템 매칭 테이블에 추가하는 데이터 전처리부; 미리 학습된 인공 신경망으로 구현되어 상기 사용자 아이템 매칭 테이블에서 서로 매칭된 사용자에 아이템 각각을 벡터화하여 사용자 벡터와 아이템 벡터를 가상의 임베딩 공간 상에 배치하는 벡터 임베딩부; 및 상기 임베딩 공간 상에 배치된 사용자 벡터와 아이템 벡터 사이의 거리를 기반으로 추천 아이템을 선택하는 아이템 추천부를 포함한다.
상기 데이터 전처리부는 사용자 아이템 데이터에 포함된 사용자와 아이템, 장르 및 가중치 중 서로 대응하는 정보를 매칭시켜, 상기 사용자 아이템 매칭 테이블을 획득하는 관계 설정부; 상기 사용자 아이템 매칭 테이블에서 다수의 가중치 각각 대해 기지정된 오프셋값을 적용하여 보정 가중치로 변환하는 오프셋 적용부; 및 이전 사용자와 매칭되지 않은 추가 아이템을 선택하여 사용자와 매칭하고, 매칭된 추가 아이템의 가중치를 할당하는 아이템 추가부를 포함할 수 있다.
상기 아이템 추가부는 사용자가 이전 이용하지 않은 장르를 탐색하여 탐색된 장르에서 기지정된 개수의 아이템을 선택하고, 선택된 아이템에 기지정된 제1 가중치를 할당하는 신규 장르 탐색부; 장르에 무관하게 사용자가 이전 이용하지 않은 아이템 중 기지정된 개수의 아이템을 탐색하여 선택하고, 선택된 아이템에 기지정된 제2 가중치를 할당하는 신규 아이템 탐색부; 및 선택된 아이템과 대응하여 할당된 제1 및 제2 가중치를 매칭하여, 상기 사용자 아이템 매칭 테이블에 삽입하는 아이템 삽입부를 포함할 수 있다.
상기 신규 장르 탐색부는 상기 사용자 아이템 매칭 테이블을 분석하여 사용자와 매칭되지 않은 장르를 탐색하고, 탐색된 장르에 포함된 아이템을 선택하는 신규 장르 선택부; 및 선택된 아이템에 기지정된 제1 가중치를 할당하는 제1 가중치 할당부를 포함할 수 있다.
상기 신규 아이템 탐색부는 상기 사용자 아이템 매칭 테이블을 분석하여 사용자와 매칭된 장르를 탐색하고, 탐색된 장르의 아이템 중 사용자와 매칭되지 않은 아이템을 탐색하여 선택하는 신규 아이템 선택부; 및 선택된 아이템에 기지정된 제2 가중치를 할당하는 제2 가중치 할당부를 포함할 수 있다.
상기 오프셋 적용부는 상기 아이템에 대해 기지정된 평가 범위의 중간값을 기준으로 기지정된 범위 이내의 임의의 값으로 오프셋값을 설정하고, 상기 가중치에서 상기 오프셋값을 차감하여 상기 보정 가중치를 획득할 수 있다.
상기 아이템 추가부는 상기 제1 및 제2 가중치를 상기 보정 가중치의 범위 이내의 값에서 양의 값으로 할당할 수 있다.
상기 아이템 추가부는 상기 제2 가중치는 상기 제1 가중치와 상기 제2 가중치를 서로 독립적으로 설정할 수 있다.
상기 아이템 추천부는상기 임베딩 공간 상에 배치된 사용자 벡터 각각을 중심으로 인접하여 배치된 기지정된 개수의 아이템 벡터를 탐색하여, 추천 아이템을 선택할 수 있다.
상기 추천 장치는 학습시에 추가되어 인공 신경망으로 구현된 상기 벡터 임베딩부를 학습시키는 학습부를 더 포함하고, 상기 학습부는 학습시에 사용자 벡터(f(ui))와 아이템 벡터(f(vj)) 및 보정 가중치(wO i,j)를 이용하여 수학식
Figure 112020128922909-pat00001
(여기서 σ는 시그모이드 함수(sigmoid function)이고, sign()은 부호를 출력하는 사인 함수이며,
Figure 112020128922909-pat00002
는 아이템(v)의 확률 분포(pn(v))에 기반하여 선택될 수 있는 아이템(vn)에 대한 크로스 엔트로피(cross entropy)를 나타내는 에너지 함수이다.)에 따라 손실(L(i,j))을 계산하고, 계산된 손실(L(i,j))을 상기 벡터 임베딩부로 역전파할 수 있다.
상기 목적을 달성하기 위한 본 발명의 다른 실시예에 따른 사용자와 아이템, 아이템이 포함되는 장르, 사용자의 아이템 이용 내역 및 평가 정보인 가중치가 포함된 사용자 아이템 데이터를 인가받아, 서로 대응하는 정보를 매칭하여 사용자 아이템 매칭 테이블을 획득하는 단계; 상기 사용자 아이템 매칭 테이블에서 다수의 가중치 각각 대해 기지정된 오프셋값을 적용하여 가중치를 보정하는 단계; 이전 사용자와 매칭되지 않은 추가 아이템을 대응하는 사용자와 매칭하여 상기 사용자 아이템 매칭 테이블에 추가하는 단계; 미리 학습된 인공 신경망으로 구현되어 상기 사용자 아이템 매칭 테이블에서 서로 매칭된 사용자에 아이템 각각을 벡터화하여 사용자 벡터와 아이템 벡터를 가상의 임베딩 공간 상에 배치하는 단계; 및 상기 임베딩 공간 상에 배치된 사용자 벡터와 아이템 벡터 사이의 거리를 기반으로 추천 아이템을 선택하는 단계를 포함한다.
따라서, 본 발명의 실시예에 따른 추천 장치 및 방법은 명시적 피드백 정보인 선호도를 반영하여 아이템을 추천할 수 있도록 하여, 사용자 요구에 더욱 부합할 수 있는 아이템을 선별하여 추천할 수 있다. 또한 이전 소비하지 않았거나 많이 소비하지 않은 장르의 아이템도 추천될 수 있도록 하여 추천되는 아이템의 신규성과 다양성을 확보할 수 있다.
도 1은 기존의 임베딩 방식에서 추천되는 아이템을 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 네트워크 임베딩을 이용한 추천 장치의 개략적 구조를 나타낸다.
도 3은 도 2의 데이터 전처리부의 상세 구성의 일 예를 나타낸다.
도 4 및 도 5는 도 3의 데이터 전처리부의 동작을 설명하기 위한 도면이다.
도 6은 도 3의 아이템 추가부의 상세 구조의 일 예를 나타낸다.
도 7은 도 4의 아이템 추가부의 상세한 동작을 설명하기 위한 도면이다.
도 8은 도 2의 벡터 임베딩부와 아이템 추천부의 동작을 설명하기 위한 도면이다.
도 9는 다수의 사용자 각각에 대한 추천 아이템을 선택하는 개념을 설명하기 위한 도면이다.
도 10은 본 발명의 일 실시예에 따른 네트워크 임베딩을 이용한 추천 방법을 나타낸다.
본 발명과 본 발명의 동작상의 이점 및 본 발명의 실시에 의하여 달성되는 목적을 충분히 이해하기 위해서는 본 발명의 바람직한 실시예를 예시하는 첨부 도면 및 첨부 도면에 기재된 내용을 참조하여야만 한다.
이하, 첨부한 도면을 참조하여 본 발명의 바람직한 실시예를 설명함으로써, 본 발명을 상세히 설명한다. 그러나, 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 설명하는 실시예에 한정되는 것이 아니다. 그리고, 본 발명을 명확하게 설명하기 위하여 설명과 관계없는 부분은 생략되며, 도면의 동일한 참조부호는 동일한 부재임을 나타낸다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라, 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈", "블록" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
도 2는 본 발명의 일 실시예에 따른 네트워크 임베딩을 이용한 추천 장치의 개략적 구조를 나타내고, 도 3은 도 2의 데이터 전처리부의 상세 구성의 일 예를 나타내며, 도 4 및 도 5는 도 3의 데이터 전처리부의 동작을 설명하기 위한 도면이다.
도 2를 참조하면, 본 실시예에 따른 네트워크 임베딩을 이용한 추천 장치는 데이터 획득부(100), 데이터 전처리부(200), 벡터 임베딩부(300) 및 아이템 추천부(400)를 포함할 수 있다.
데이터 획득부(100)는 사용자 아이템 데이터를 수집하여 획득한다. 데이터 획득부(100)는 추천 장치를 이용하는 다수의 사용자에 대한 정보와 추천 가능한 다수의 아이템에 대한 아이템 정보를 수집하여 사용자 아이템 데이터를 획득한다. 또한 사용자 아이템 데이터에는 각 사용자가 이용한 아이템 이용 내역과 사용자가 이용한 아이템에 대해 평가한 평가 정보를 함께 포함될 수 있으며, 각 아이템이 포함되는 장르(또는 카테고리라고도 함)에 대한 정보도 포함될 수 있다.
데이터 전처리부(200)는 데이터 획득부(100)에서 획득된 사용자 아이템 데이터를 기지정된 방식으로 전처리한다. 데이터 전처리부(200)는 후술하는 벡터 임베딩부(300)가 사용자의 아이템에 대한 선호도를 반영하여 임베딩 공간 상에 다수의 사용자와 다수의 아이템을 위치시키고, 사용자가 이용한적이 없는 아이템을 임베딩 공간 상에 위치시킬 수 있도록 사용자 아이템 데이터를 전처리한다.
데이터 전처리부(200)는 관계 설정부(210), 오프셋 적용부(220) 및 아이템 추가부(230)를 포함할 수 있다.
관계 설정부(210)는 데이터 획득부(100)에서 획득된 사용자 아이템 데이터를 기반으로 다수의 사용자와 다수의 아이템 사이의 관계를 설정한다. 관계 설정부(210)는 데이터 획득부(100)에서 획득된 사용자 정보와 아이템 정보, 이용 내역, 평가 정보 및 장르 정보를 인가받아 서로 대응하는 사용자 정보와 아이템 정보, 이용 내역, 평가 정보 및 장르 정보를 서로 매칭시켜 사용자 아이템 매칭 테이블을 획득할 수 있다.
일 예로 관계 설정부(210)는 도 4의 (a)에 도시된 바와 같이, 서로 대응하는 사용자 정보(user)와 아이템 정보(item), 장르 정보(genre) 및 평가 정보(rating)가 매칭되어 기록된 사용자 아이템 매칭 테이블을 획득할 수 있다.
여기서 사용자 아이템 매칭 테이블을 사용자와 아이템에 대한 이분 그래프(bipartite graph)로 표현하면, 도 5의 (a)와 같이 이분 그래프(G = (U, V))는 사용자(U = [u1, u2, …, un])와 아이템(V = [v1, v2, …, vk]) 및 사용자(U)와 아이템(V) 사이의 연관 수준을 나타내는 가중치(W)를 포함하는 형식으로 나타날 수 있다. 여기서 가중치(W)는 평가 정보 항목의 평가치에 대응하는 값으로 획득될 수 있다. 여기서 임의의 사용자(ui)의 특정 아이템(vj)에 대한 가중치는 wi,j 와 같이 표시된다.
오프셋 적용부(220)는 관계 설정부(210)에서 획득된 사용자 아이템 매칭 테이블에서 다수의 가중치 각각 대해 기지정된 오프셋값(wo)을 적용하여 가중치를 보정한다. 여기서 오프셋 적용부(220)가 오프셋값(wo)을 적용하여 가중치를 보정하는 것은 사용자의 아이템에 대한 선호 또는 비선호를 부호(sign)로 명확하게 구분할 수 있도록 하기 위함이다.
일반적으로 온라인 상의 대부분의 아이템에 대한 평가는 양의 정수 범위내에서 부여되도록 설정된다. 이와 같이 평가치가 양의 정수 범위에서 부여되면, 아이템에 대한 평가 자체는 이루어지지만, 사용자의 해당 아이템에 대한 선호 또는 비선호가 명확하게 부각되지 않는다. 이에 본 실시예에서는 사용자의 아이템에 대한 선호 또는 비선호가 부호로 명확하게 표현될 수 있도록 가중치(W)에서 오프셋값(wo)을 차감하여, 가중치(W)를 보정 가중치(Wo)로 변환한다.
도 4의 (b)와 도 5의 (b)에 도시된 바와 같이, 오프셋 적용부(220)에 의해 가중치(W)가 보정 가중치(Wo)로 보정되면, 사용자의 명시적 피드백인 평가 결과에 따른 아이템에 대한 선호도가 양 또는 음의 값의 형태로 명확하게 나타나게 된다.
오프셋값(wo)은 일 예로 평가 범위의 중간값에 대응하는 값으로 설정될 수 있다. 이는 평가 범위의 중간값이 사용자의 특정 아이템에 대한 선호 또는 비선호를 구분할 수 있는 기준이 될 수 있기 때문이다. 다만 평가 범위에 따라서 중간값이 모든 평가치에 대해 선호 또는 비선호를 구분할 수 없는 경우도 발생한다. 일 예로 1 ~ 5의 평가 범위로 부여될 수 있는 평가치에서, 중간값은 3이다. 따라서 오프셋값이 중간값인 3으로 설정되는 경우, 3의 평가치를 부여받은 아이템은 사용자의 선호 또는 비선호로 판별되기 어렵다. 이러한 모호성을 제거하기 위해, 오프셋값은 평가 범위의 중간값에 대응하는 다른 값으로 설정될 수 있으며, 여기서는 일 예로 3.5로 설정된 오프셋값을 차감하여 보정 가중치(Wo)를 획득한 경우를 도시하였다.
오프셋 적용부(220)는 이후, 각 사용자와 아이템에 사이의 관계 가중치를 기반으로 사용자의 선호도가 반영된 아이템을 정확하게 추천할 수 있도록 하기 위해 구비된다.
한편, 아이템 추가부(230)는 가중치(W)가 보정 가중치(Wo)로 보정된 사용자 아이템 매칭 테이블을 인가받아, 사용자와 매칭되지 않은 아이템을 사용자와 매칭하고 가중치를 부여한다. 이는 기존에 사용자가 이용한 경험이 없는 아이템이 사용자에게 추천될 수 있도록 하여, 사용자가 신선함과 다양함을 느낄 수 있도록 하기 위함이다.
이에 아이템 추가부(230)는 사용자가 포함된 아이템을 전혀 이용한 적이 없는 완전히 신규한 장르의 아이템을 선택하여 사용자와 매칭시킬 수 있다. 또한 아이템 추가부(230)는 장르에 무관하게 사용자가 이전 이용한 내역이 없는 아이템을 선택하여 사용자 아이템 매칭 테이블에 추가하고, 추가된 아이템을 사용자와 매칭시킬 수 있다. 이때 아이템 추가부(230)는 신규한 장르의 아이템과 이용 내역이 없는 아이템을 각각 탐색하고, 탐색된 아이템 중 기지정된 개수의 아이템을 랜덤하게 선택할 수 있다.
도 4의 (c)에서는 제1 및 제2 사용자(u1, u2) 각각이 이전 이용하지 않은 신규 장르(B, (C,D))의 아이템으로 제2 아이템(v4)과 제4 아이템(v4)이 선택되고, 이전 이용한 장르(D, F)에서 새로운 아이템으로 제4 아이템(v4)과 제5 아이템(v5)이 선택되어 추가된 경우를 도시하였다.
그리고 도 5의 (c)는 추가된 아이템에 따라 각 사용자(u1, u2)와 추가된 아이템 사이의 관계를 나타내는 에지가 점선 형태로 추가된 양분 그래프를 나타낸다.
다만 아이템 추가부(230)가 단순히 아이템을 추가하고 사용자와 매칭시키기만 한다면, 평가치가 존재하지 않아 추가된 아이템이 사용자에게 추천될 가능성이 매우 낮다. 이에 아이템 추가부(230)는 추가된 아이템에 대해 기지정된 가중치(λ)를 할당할 수 있다. 특히 아이템 추가부(230)는 사용자가 이용한 적이 없는 신규한 장르의 아이템과 장르에 무관하게 사용자가 이용한 내역이 없는 아이템에 대해 서로 다른 가중치(λ1, λ2)를 할당하여 추가되는 아이템의 추천 가능성을 차별화할 수 있다.
도 6은 도 3의 아이템 추가부의 상세 구조의 일 예를 나타내고, 도 7은 도 4의 아이템 추가부의 상세한 동작을 설명하기 위한 도면이다.
도 6을 참조하면, 아이템 추가부(230)는 신규 장르 탐색부(231)와 신규 아이템 탐색부(232) 및 아이템 삽입부(233)를 포함할 수 있다.
신규 장르 탐색부(231)와 신규 아이템 탐색부(232)는 사용자 아이템 매칭 테이블을 분석하여, 각각의 사용자가 이전 이용하지 않은 아이템, 즉 사용자 아이템 매칭 테이블에 매칭되지 않은 아이템을 탐색하여 획득한다. 신규 장르 탐색부(231)는 신규 장르 선택부(2311)와 제1 가중치 할당부(2312)를 포함하고, 신규 아이템 탐색부(232)는 신규 아이템 선택부(2321)와 제2 가중치 할당부(2322)를 포함할 수 있다.
우선 신규 장르 탐색부(231)의 신규 장르 선택부(2311)는 도 7의 (a)와 같이 사용자 아이템 매칭 테이블을 사용자와 매칭되지 않은, 즉 사용자가 이용한 내역이 없는 장르를 탐색하고, 도 7의 (b)와 같이 탐색된 장르에 포함된 아이템을 선택한다. 이때, 신규 장르 선택부(2311)는 탐색된 장르의 다수의 아이템 중 기지정된 개수의 아이템을 랜덤하게 선택할 수 있다. 그리고 제1 가중치 할당부(2312)는 선택된 아이템에 제1 가중치(λ1)를 할당한다.
한편, 신규 아이템 탐색부(232)의 신규 아이템 선택부(2321)는 사용자 아이템 매칭 테이블을 분석하여, 장르에 무관하게 사용자와 매칭되지 않은 아이템을 도 7의 (c)와 같이 선택한다. 신규 아이템 선택부(2321) 또한 탐색된 장르의 다수의 아이템 중 기지정된 개수의 아이템을 랜덤하게 선택할 수 있다. 그리고 제2 가중치 할당부(2322)는 선택된 아이템에 제2 가중치(λ2)를 할당한다. 이때, 제1 가중치(λ1)와 제2 가중치(λ2)는 다양하게 설정될 수 있으나, 오프셋값에 의해 보정된 가중치(Wo)의 범위 내의 값으로 할당된다. 여기서 제1 가중치(λ1)와 제2 가중치(λ2)는 서로 독립적인 값으로 개별적으로 설정될 수 있다.
아이템 삽입부(233)는 도 7의 (d)에 도시된 바와 같이, 신규 장르 탐색부(231)와 신규 아이템 탐색부(232)에서 선택된 아이템들을 사용자와 매칭하여, 사용자 아이템 매칭 테이블에 삽입한다.
도 8은 도 2의 벡터 임베딩부와 아이템 추천부의 동작을 설명하기 위한 도면이고, 도 9는 다수의 사용자 각각에 대한 추천 아이템을 선택하는 개념을 설명하기 위한 도면이다.
도 2 및 도 8을 참조하면, 벡터 임베딩부(300)는 데이터 전처리부(200)에서 전처리된 사용자 아이템 매칭 테이블을 인가받아, 사용자 아이템 매칭 테이블에 포함된 사용자(U)와 아이템(V) 및 가중치(Wo)를 기반으로 사용자(U)와 아이템(V)을 벡터화하여 가상의 임베딩 공간에 위치시킨다.
벡터 임베딩부(300)는 미리 학습된 인공 신경망으로 구현되어 도 8의 (a)와 같이 전처리된 사용자 아이템 매칭 테이블이 인가되면, 도 8의 (b)에 도시된 바와 같이, 학습된 방식에 따라 사용자(U)와 아이템(V)을 벡터화하고, 벡터화된 사용자 벡터(f(U))와 아이템 벡터(f(V))를 임베딩 공간에 배치한다.
아이템 추천부(400)는 임베딩 공간에 배치된 다수의 사용자 벡터(f(U))와 다수의 아이템 벡터(f(V)) 사이의 관계에 따라 각 사용자에 대응하는 아이템을 선택하여 추천한다.
아이템 추천부(400)는 도 8의 (b)에 도시된 바와 같이, 임베딩 공간 상에서 각 사용자 벡터(f(ui))를 중심으로 가까운 위치에 배치된 기지정된 개수의 아이템 벡터(f(vj))를 선택하여, 도 8의 (c) 와 같이, 다수의 아이템 각각의 사용자 추천 여부를 결정할 수 있다. 도 9에서는 각 사용자 벡터(f(ui))를 중심으로 인접하여 위치하는 3개씩의 아이템 벡터(f(vj))를 선택하여 추천하는 경우를 도시하였다.
경우에 따라서 아이템 추천부(400)는 다수의 사용자 벡터(f(ui)) 각각을 중심으로 기지정된 거리 이내에 위치하는 아이템 벡터(f(vj))를 선택하여, 사용자에게 추천하도록 구성될 수도 있다.
한편, 벡터 임베딩부(300)가 인공 신경망으로 구현됨에 따라 추천 장치를 실제 이용하기 전에 벡터 임베딩부(300)를 학습시킬 필요가 있다. 이에 본 실시예의 추천 장치는 벡터 임베딩부(300)의 학습을 위한 학습부(500)를 더 포함할 수 있다. 여기서 학습부(500)는 벡터 임베딩부(300)의 학습 시에만 추가되어 이용되고, 추천 장치가 실제 이용되는 경우에는 제거될 수 있다.
학습부(500)는 임베딩 공간 상에 배치된 사용자 벡터(f(ui))와 아이템 벡터(f(vj)) 및 보정 가중치(wO i,j)를 이용하여 수학식 1에 따라 손실(L(i,j))을 계산할 수 있다.
Figure 112020128922909-pat00003
여기서 σ는 시그모이드 함수(sigmoid function)이고, sign()은 부호를 출력하는 사인 함수이며,
Figure 112020128922909-pat00004
는 아이템(v)의 이분 그래프 내 속성과 관계된 확률 분포(pn(v))에 기반하여 선택될 수 있는 아이템(vn)에 대한 크로스 엔트로피(cross entropy)를 나타내는 에너지 함수이다.
수학식 1에서
Figure 112020128922909-pat00005
는 사용자 벡터(f(ui))와 아이템 벡터(f(vj)) 사이의 유사도 또는 비유사도를 부호로 나타내기 위한 함수로서,
Figure 112020128922909-pat00006
Figure 112020128922909-pat00007
에 따라 사용자 벡터(f(ui))와 아이템 벡터(f(vj)) 사이의 유사도 또는 비유사도를 최대화하기 위한 항목이며,
Figure 112020128922909-pat00008
은 비유사도를 최대화하기 위한 항목이다.
학습부(500)는 수학식 1에 따라 손실(L(i,j))이 계산되면, 계산된 손실 (L(i,j))을 벡터 임베딩부(300)로 역전파하여, 벡터 임베딩부(300)를 학습시킬 수 있다.
결과적으로 본 실시예에 따른 네트워크 임베딩을 이용한 추천 장치는 다수의 사용자와 다수의 아이템 사이의 관계를 평가치를 기반으로 선호 또는 비선호로 구분하여 사용자에게 아이템을 추천하므로, 사용자가 선호하는 취향의 아이템을 정확하게 추천할 수 있다. 또한 사용자의 기존 아이템 이용 내역을 기반으로 신규 장르와 기존 장르에 포함되는 아이템을 구분하여 추가로 추천할 수 있어 사용자에게 아이템 추천의 신선함과 다양성을 제공할 수 있다.
도 10은 본 발명의 일 실시예에 따른 네트워크 임베딩을 이용한 추천 방법을 나타낸다.
도 2 내지 도 9를 참조하여, 도 10의 네트워크 임베딩을 이용한 추천 방법을 설명하면, 우선 사용자 아이템 데이터를 수집하여 획득한다(S10). 여기서 수집되는 사용자 아이템 데이터에는 사용자 정보와 아이템 정보, 장르, 아이템 이용 내역 및 평가 정보(가중치)가 포함될 수 있다.
사용자 아이템 데이터가 획득되면, 획득된 사용자 아이템을 전처리한다(S20).
전처리 단계에서는 먼저 획득된 사용자 아이템 데이터를 기반으로 다수의 사용자와 다수의 아이템 사이의 관계를 설정하여 사용자 아이템 매칭 테이블을 획득한다(S21). 사용자 아이템 매칭 테이블은 사용자 아이템 데이터에 포함된 사용자(U)와 아이템(V), 장르 및 가중치 중 서로 대응하는 정보를 매칭하여 획득할 수 있다.
사용자 아이템 매칭 테이블이 획득되면, 사용자 아이템 매칭 테이블에서 다수의 가중치 각각 대해 기지정된 오프셋값(wo)을 적용하여 가중치를 보정한다(S22).
그리고 이전 사용자와 매칭되지 않은 추가 아이템을 선택하여 사용자와 매칭한다(S23). 이때, 추가되는 아이템은 사용자가 이전 이용하지 않은 장르의 아이템과 이전 이용한 장르에서 이용하지 않은 아이템으로 구분되어 선택될 수 있다.
추가 아이템이 선택되어 사용자와 매칭되면, 선택된 추가 아이템에 대한 가중치(λ)를 부여한다. 이때, 선택된 추가 아이템에 대한 가중치는 이전 이용하지 않은 장르에서 추가된 아이템과 이전 이용한 장르에서 추가된 아이템을 구분하여 서로 다른 가중치(λ1, λ2)로 할당될 수 있다.
추가 아이템에 대한 가중치(λ1, λ2)가 부여되면, 가중치가 부여된 추가 아이템을 사용자 아이템 매칭 테이블에 삽입한다(S25).
그리고 미리 학습된 인공 신경망에 사용자 아이템 매칭 테이블을 입력으로 인가하여, 사용자(U)와 아이템(V)을 각각 벡터화하고, 벡터화된 사용자 벡터(f(U))와 아이템 벡터(f(V))를 가상의 임베딩 공간 상에 위치시킨다(S30).
사용자 벡터(f(U))와 아이템 벡터(f(V))가 임베딩 공간 상에 배치되면, 임베딩 공간 상의 각 사용자 벡터(f(ui))와 아이템 벡터(f(vj)) 사이의 거리를 기반으로 사용자별 추천 아이템을 기지정된 방식으로 탐색한다(S40). 그리고 탐색된 아이템(vj)을 해당 사용자(ui)에게 추천한다(S50).
또한 도시하지 않았으나, 인공 신경망을 학습시키기 위한 학습 단계를
본 발명에 따른 방법은 컴퓨터에서 실행시키기 위한 매체에 저장된 컴퓨터 프로그램으로 구현될 수 있다. 여기서 컴퓨터 판독가능 매체는 컴퓨터에 의해 액세스 될 수 있는 임의의 가용 매체일 수 있고, 또한 컴퓨터 저장 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함하며, ROM(판독 전용 메모리), RAM(랜덤 액세스 메모리), CD(컴팩트 디스크)-ROM, DVD(디지털 비디오 디스크)-ROM, 자기 테이프, 플로피 디스크, 광데이터 저장장치 등을 포함할 수 있다.
본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다.
따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 청구범위의 기술적 사상에 의해 정해져야 할 것이다.
100: 데이터 획득부 200: 데이터 전처리부
210: 관계 설정부 220: 오프셋 적용부
230: 아이템 추가부 231: 신규 장르 탐색부
232: 신규 아이템 탐색부 233: 아이템 삽입부
2311: 신규 장르 선택부 2312: 제1 가중치 할당부
2321: 신규 아이템 선택부 2322: 제2 가중치 할당부
300: 벡터 임베딩부 400: 아이템 추천부
500: 학습부

Claims (19)

  1. 사용자와 아이템, 아이템이 포함되는 장르, 사용자의 아이템 이용 내역 및 평가 정보인 가중치가 포함된 사용자 아이템 데이터를 인가받아, 서로 대응하는 정보를 매칭하여 사용자 아이템 매칭 테이블을 획득하고, 상기 사용자 아이템 매칭 테이블에서 다수의 가중치 각각 대해 기지정된 오프셋값을 적용하여 가중치를 보정 가중치로 변환하며, 이전 사용자와 매칭되지 않은 추가 아이템을 대응하는 사용자와 매칭하여 상기 사용자 아이템 매칭 테이블에 추가하는 데이터 전처리부;
    미리 학습된 인공 신경망으로 구현되어 상기 사용자 아이템 매칭 테이블에서 서로 매칭된 사용자에 아이템 각각을 벡터화하여 다수의 사용자 벡터와 아이템 벡터를 가상의 임베딩 공간 상에 배치하는 벡터 임베딩부; 및
    상기 임베딩 공간 상에 배치된 다수의 사용자 벡터와 아이템 벡터 사이의 거리를 기반으로 추천 아이템을 선택하는 아이템 추천부를 포함하되,
    상기 기 지정된 오프셋값은 상기 보정 가중치가 양 또는 음의 값을 가지도록 설정되며,
    상기 데이터 전처리부는
    사용자가 이전 이용하지 않은 장르를 탐색하여 탐색된 장르에서 기지정된 개수의 아이템을 선택하고, 선택된 아이템에 기지정된 제1 가중치를 할당하는 신규 장르 탐색부;
    장르에 무관하게 사용자가 이전 이용하지 않은 아이템 중 기지정된 개수의 아이템을 탐색하여 선택하고, 선택된 아이템에 기지정된 제2 가중치를 할당하는 신규 아이템 탐색부; 및
    선택된 아이템과 대응하여 할당된 제1 및 제2 가중치를 매칭하여, 상기 사용자 아이템 매칭 테이블에 삽입하는 아이템 삽입부를 포함하는 포함하는 아이템 추가부를 포함하고,
    상기 제1 가중치 및 상기 제2 가중치는 양의 값으로 할당되며,
    상기 아이템 추천부는 다수의 사용자 벡터와 다수의 아이템 벡터가 배치된 임베딩 공간에서 각 사용자 벡터를 중심으로 인접하여 배치된 기지정된 개수의 아이템 벡터를 탐색하여 추천하고,
    상기 벡터 임베딩부는 상기 제1 가중치, 제2 가중치 및 보정 가중치의 부호에 기초하여 상기 사용자 벡터와 상기 아이템 벡터의 유사도 또는 비유사도를 최대화하도록 학습되는 추천 장치.
  2. 제1항에 있어서, 상기 데이터 전처리부는
    사용자 아이템 데이터에 포함된 사용자와 아이템, 장르 및 가중치 중 서로 대응하는 정보를 매칭시켜, 상기 사용자 아이템 매칭 테이블을 획득하는 관계 설정부;
    상기 사용자 아이템 매칭 테이블에서 다수의 가중치 각각 대해 기지정된 오프셋값을 적용하여 보정 가중치로 변환하는 오프셋 적용부를 더 포함하는 추천 장치.
  3. 삭제
  4. 제2항에 있어서, 상기 신규 장르 탐색부는
    상기 사용자 아이템 매칭 테이블을 분석하여 사용자와 매칭되지 않은 장르를 탐색하고, 탐색된 장르에 포함된 아이템을 선택하는 신규 장르 선택부; 및
    선택된 아이템에 기지정된 제1 가중치를 할당하는 제1 가중치 할당부를 포함하는 추천 장치.
  5. 제4항에 있어서, 상기 신규 아이템 탐색부는
    상기 사용자 아이템 매칭 테이블을 분석하여 사용자와 매칭된 장르를 탐색하고, 탐색된 장르의 아이템 중 사용자와 매칭되지 않은 아이템을 탐색하여 선택하는 신규 아이템 선택부; 및
    선택된 아이템에 기지정된 제2 가중치를 할당하는 제2 가중치 할당부를 포함하는 추천 장치.
  6. 제5항에 있어서, 상기 오프셋 적용부는
    상기 아이템에 대해 기지정된 평가 범위의 중간값을 기준으로 기지정된 범위 이내의 임의의 값으로 오프셋값을 설정하고, 상기 가중치에서 상기 오프셋값을 차감하여 상기 보정 가중치를 획득하는 추천 장치.
  7. 삭제
  8. 제1항에 있어서,
    상기 제1 가중치와 상기 제2 가중치는 서로 독립적으로 설정되는 추천 장치.
  9. 삭제
  10. 제1항에 있어서, 상기 추천 장치는
    학습시에 추가되어 인공 신경망으로 구현된 상기 벡터 임베딩부를 학습시키는 학습부를 더 포함하고,
    상기 학습부는 학습시에 사용자 벡터(f(ui))와 아이템 벡터(f(vj)) 및 보정 가중치(wO i,j)를 이용하여 수학식
    Figure 112022033569475-pat00009

    (여기서 σ는 시그모이드 함수(sigmoid function)이고, sign()은 부호를 출력하는 사인 함수이며,
    Figure 112022033569475-pat00010
    는 아이템(v)의 확률 분포(pn(v))에 기반하여 선택될 수 있는 아이템(vn)에 대한 크로스 엔트로피(cross entropy)를 나타내는 에너지 함수이다.)
    에 따라 손실(L(i,j))을 계산하고, 계산된 손실(L(i,j))을 상기 벡터 임베딩부로 역전파하는 추천 장치.
  11. 아이템 추천 장치에서 수행되는 추천 방법으로서,
    사용자와 아이템, 아이템이 포함되는 장르, 사용자의 아이템 이용 내역 및 평가 정보인 가중치가 포함된 사용자 아이템 데이터를 인가받아, 서로 대응하는 정보를 매칭하여 사용자 아이템 매칭 테이블을 획득하는 단계;
    상기 사용자 아이템 매칭 테이블에서 다수의 가중치 각각 대해 기지정된 오프셋값을 적용하여 보정 가중치를 획득하는 단계;
    이전 사용자와 매칭되지 않은 추가 아이템을 대응하는 사용자와 매칭하여 상기 사용자 아이템 매칭 테이블에 추가하는 단계;
    미리 학습된 인공 신경망으로 구현되어 상기 사용자 아이템 매칭 테이블에서 서로 매칭된 사용자에 아이템 각각을 벡터화하여 다수의 사용자 벡터와 아이템 벡터를 가상의 임베딩 공간 상에 배치하는 단계; 및
    상기 임베딩 공간 상에 배치된 다수의 사용자 벡터와 아이템 벡터 사이의 거리를 기반으로 추천 아이템을 선택하는 단계를 포함하되,
    상기 기 지정된 오프셋값은 상기 보정 가중치가 양 또 는 음의 값을 가지도록 설정되며,
    상기 사용자 아이템 매칭 테이블에 추가하는 단계는
    사용자가 이전 이용하지 않은 장르를 탐색하여 탐색된 장르에서 기지정된 개수의 아이템을 선택하고, 선택된 아이템에 기지정된 제1 가중치를 할당하는 단계;
    장르에 무관하게 사용자가 이전 이용하지 않은 아이템 중 기지정된 개수의 아이템을 탐색하여 선택하고, 선택된 아이템에 기지정된 제2 가중치를 할당하는 단계; 및
    선택된 아이템과 대응하여 할당된 제1 및 제2 가중치를 매칭하여, 상기 사용자 아이템 매칭 테이블에 삽입하는 단계를 포함하고,
    상기 제1 가중치 및 상기 제2 가중치는 양의 값으로 할당되며,
    상기 추천 아이템을 선택하는 단계는 다수의 사용자 벡터와 다수의 아이템 벡터가 배치된 임베딩 공간에서 각 사용자 벡터를 중심으로 인접하여 배치된 기지정된 개수의 아이템 벡터를 탐색하여 추천하고,
    상기 임베딩 공간상에 배치하는 단계는 상기 제1 가중치, 제2 가중치 및 보 정 가중치의 부호에 기초하여 상기 사용자 벡터와 상기 아이템 벡터의 유사도 또는 비유사도를 최대화하도록 학습되는 추천 방법.
  12. 삭제
  13. 제11항에 있어서, 상기 제1 가중치를 할당하는 단계는
    상기 사용자 아이템 매칭 테이블을 분석하여 사용자와 매칭되지 않은 장르를 탐색하는 단계;
    탐색된 장르에 포함된 아이템을 선택하는 단계; 및
    선택된 아이템에 기지정된 제1 가중치를 할당하는 단계를 포함하는 추천 방법.
  14. 제13항에 있어서, 상기 제2 가중치를 할당하는 단계는
    상기 사용자 아이템 매칭 테이블을 분석하여 사용자와 매칭된 장르를 탐색하는 단계;
    탐색된 장르의 아이템 중 사용자와 매칭되지 않은 아이템을 탐색하여 선택하는 단계; 및
    선택된 아이템에 기지정된 제2 가중치를 할당하는 단계를 포함하는 추천 방법.
  15. 제14항에 있어서, 상기 보정 가중치를 획득하는 단계는
    상기 아이템에 대해 기지정된 평가 범위의 중간값을 기준으로 기지정된 범위 이내의 임의의 값으로 오프셋값을 설정하고, 상기 가중치에서 상기 오프셋값을 차감하여 상기 보정 가중치를 획득하는 추천 방법.
  16. 삭제
  17. 제11항에 있어서,
    상기 제1 가중치와 상기 제2 가중치는 서로 독립적으로 설정되는 추천 방법.
  18. 삭제
  19. 제11항에 있어서, 상기 추천 방법은
    상기 인공 신경망을 학습시키기 위한 학습 단계를 더 포함하고,
    상기 학습 단계는 사용자 벡터(f(ui))와 아이템 벡터(f(vj)) 및 보정 가중치(wO i,j)를 이용하여 수학식
    Figure 112022033569475-pat00011

    (여기서 σ는 시그모이드 함수(sigmoid function)이고, sign()은 부호를 출력하는 사인 함수이며,
    Figure 112022033569475-pat00012
    는 아이템(v)의 확률 분포(pn(v))에 기반하여 선택될 수 있는 아이템(vn)에 대한 크로스 엔트로피(cross entropy)를 나타내는 에너지 함수이다.)
    에 따라 손실(L(i,j))을 계산하는 단계; 및
    계산된 손실(L(i,j))을 역전파하는 단계를 포함하는 추천 방법.
KR1020200163874A 2020-11-30 2020-11-30 네트워크 임베딩을 이용한 다양성 강화 추천 장치 및 방법 KR102467676B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200163874A KR102467676B1 (ko) 2020-11-30 2020-11-30 네트워크 임베딩을 이용한 다양성 강화 추천 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200163874A KR102467676B1 (ko) 2020-11-30 2020-11-30 네트워크 임베딩을 이용한 다양성 강화 추천 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20220075602A KR20220075602A (ko) 2022-06-08
KR102467676B1 true KR102467676B1 (ko) 2022-11-15

Family

ID=81981589

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200163874A KR102467676B1 (ko) 2020-11-30 2020-11-30 네트워크 임베딩을 이용한 다양성 강화 추천 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102467676B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102593134B1 (ko) * 2022-12-16 2023-10-24 고려대학교산학협력단 사용자 디바이스를 위한 임베딩 테이블 크기를 조절하는 방법 및 이를 위한 장치

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101620748B1 (ko) * 2014-12-10 2016-05-12 한양대학교 산학협력단 아이템 추천 방법 및 아이템 추천 장치

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102050738B1 (ko) * 2012-10-31 2019-12-02 에스케이플래닛 주식회사 상품 추천 서비스 시스템에서의 협업 필터링 기반 상품 추천을 위한 장치
KR102220273B1 (ko) * 2018-03-29 2021-02-26 네이버 주식회사 상품 추천 방법 및 이를 이용하는 서버
KR102203252B1 (ko) * 2018-10-19 2021-01-14 네이버 주식회사 생성적 적대 신경망에 기반한 협업 필터링을 위한 방법 및 시스템
KR102410777B1 (ko) * 2019-01-14 2022-06-21 카페24 주식회사 상품 추천 방식 개선 방법 및 장치
KR20200114969A (ko) 2019-08-01 2020-10-07 주식회사 페이크럭스컴퍼니 거래 이력 데이터의 클러스터링에 기초한 상품 추천 장치 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101620748B1 (ko) * 2014-12-10 2016-05-12 한양대학교 산학협력단 아이템 추천 방법 및 아이템 추천 장치

Also Published As

Publication number Publication date
KR20220075602A (ko) 2022-06-08

Similar Documents

Publication Publication Date Title
Moreno et al. Talmud: transfer learning for multiple domains
US7516111B2 (en) Data classification methods and apparatus for use with data fusion
US8832091B1 (en) Graph-based semantic analysis of items
KR101620748B1 (ko) 아이템 추천 방법 및 아이템 추천 장치
KR20010102225A (ko) 결정 트리를 사용하여 텔레비전 프로그램을 추천하기 위한장치 및 방법
US10909442B1 (en) Neural network-based artificial intelligence system for content-based recommendations using multi-perspective learned descriptors
Ariannezhad et al. ReCANet: A repeat consumption-aware neural network for next basket recommendation in grocery shopping
CN111695042B (zh) 基于深度游走和集成学习的用户行为预测方法及系统
CN111143685B (zh) 一种商品推荐方法及装置
CN114638234B (zh) 应用于线上业务办理的大数据挖掘方法及系统
CN106649647A (zh) 基于人工智能的搜索结果排序方法和装置
KR102467676B1 (ko) 네트워크 임베딩을 이용한 다양성 강화 추천 장치 및 방법
CN106599047A (zh) 一种信息的推送方法及装置
WO2021009618A1 (en) Group specific decision tree
von Lücken et al. An overview on evolutionary algorithms for many‐objective optimization problems
CN112860850B (zh) 人机交互方法、装置、设备及存储介质
CN113742578A (zh) 一种数据推荐方法、装置、电子设备及存储介质
Hess et al. C-salt: Mining class-specific alterations in boolean matrix factorization
CN114880709B (zh) 一种应用人工智能的电商数据防护方法及服务器
KR102217084B1 (ko) 하이브리드 추천 시스템 및 방법
CN111708945A (zh) 产品的推荐方法及装置、电子设备、计算机存储介质
Leonardi et al. Recommending personalized asset investments through case-based reasoning: The smartfasi system
Pozrl et al. Improving human-computer interaction in personalized TV recommender
Trummer Demonstrating DB-BERT: A Database Tuning Tool that" Reads" the Manual
CN111325246A (zh) 区域选择方法、装置、计算机设备及存储介质

Legal Events

Date Code Title Description
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant