KR102601775B1 - 인공지능 모델에 기반하는 반려동물 콘텐츠 제공 시스템 - Google Patents
인공지능 모델에 기반하는 반려동물 콘텐츠 제공 시스템 Download PDFInfo
- Publication number
- KR102601775B1 KR102601775B1 KR1020230106369A KR20230106369A KR102601775B1 KR 102601775 B1 KR102601775 B1 KR 102601775B1 KR 1020230106369 A KR1020230106369 A KR 1020230106369A KR 20230106369 A KR20230106369 A KR 20230106369A KR 102601775 B1 KR102601775 B1 KR 102601775B1
- Authority
- KR
- South Korea
- Prior art keywords
- content
- model
- data
- companion animal
- sequence
- Prior art date
Links
- 241001465754 Metazoa Species 0.000 title claims abstract description 63
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims description 14
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 230000009193 crawling Effects 0.000 claims description 4
- 238000002255 vaccination Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 201000010099 disease Diseases 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 claims 1
- 239000013598 vector Substances 0.000 description 6
- 241000282472 Canis lupus familiaris Species 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 3
- 241000282326 Felis catus Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 235000008452 baby food Nutrition 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012358 sourcing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 241000271566 Aves Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 241000002163 Mesapamea fractilinea Species 0.000 description 1
- 206010003246 arthritis Diseases 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 208000030533 eye disease Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000010419 pet care Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 208000017520 skin disease Diseases 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 229960005486 vaccine Drugs 0.000 description 1
Images
Classifications
-
- 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
- G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/268—Morphological analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Human Resources & Organizations (AREA)
- Finance (AREA)
- Artificial Intelligence (AREA)
- Accounting & Taxation (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Child & Adolescent Psychology (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 인공지능 모델에 기반하는 반려동물 콘텐츠 제공 시스템에 관한 것이다. 이를 위해, 반려동물에 관한 콘텐츠를 제공하는 방법에 있어서, 제어부가 네트워크 상에서 반려동물에 관한 콘텐츠 데이터를 수집하고, 상기 반려동물의 시계열적 시퀀스 데이터를 수집하는 단계(S100); 제어부가 수집된 콘텐츠 데이터에 기초하여 데이터베이스를 구축하고, 시퀀스 데이터 내의 세션 데이터를 합치거나 삭제하는 데이터 가공 단계(S120); 제어부가 콘텐츠 데이터를 Doc2Vec 모델과 BERT 모델에 적용하여 유사성이 높은 콘텐츠 기반의 추천 모델을 제작하고, 시퀀스 데이터에 임베딩 기법을 활용하여 시퀀스 기반의 추천 모델을 제작하는 단계(S140); 콘텐츠 데이터에 기초하여 콘텐츠 기반의 추천 모델을 학습시키고, 그리고 시퀀스 데이터에 기초하여 시퀀스 기반의 추천 모델을 인공지능 학습시키는 단계(S160); 콘텐츠 기반의 추천 모델과 시퀀스 기반의 추천 모델이 각각 출력한 추천 콘텐츠 리스트의 노출 횟수 및 사용자의 클릭 횟수에 기초하여 콘텐츠 기반의 추천 모델과 시퀀스 기반의 추천 모델을 평가하는 단계(S180); 및 평가된 각 모델들 중 성능지표를 미리 결정된 기준치와 비교하고(S200), 기준치 이상의 성능지표를 가진 모델을 추천모델로 선택하거나 결합하여 반려동물에 관한 콘텐츠를 제공하는 단계(S220);가 제공된다.
Description
본 발명은 반려동물 콘텐츠 제공 시스템에 관한 것으로, 보다 상세하게는 인공지능 모델에 기반하는 반려동물 콘텐츠 제공 시스템에 관한 것이다.
최근 반려동물 시장은 갈수록 증가하는 1인 가구의 비율만큼 매년 꾸준한 성장률을 보여주며, 한국농촌경제연구원에 따르면 2027년에는 6조원 규모에 달할 것으로 예측되고 있다. 하지만 아직 국내에는 반려동물 및 반려인과 반려동물 양육에 대한 제도나 시설 등의 체계가 미흡하고, 반려동물 관련 서비스는 쇼핑몰이나 커머스 부분에 편중된 실정이다.
한편, 반려동물을 기르는 보호자가 늘어남에 따라 반려견, 반려묘와 같은 반려동물의 관련 콘텐츠의 제공 및 정보 공유가 활성화되고 있다. 그러나 홈페이지, 블로그, 유튜브, 인스타그램, SNS 등과 같은 네트워크 상에는 반려동물의 콘텐츠에 대해 너무 많은 정보가 노출되어 있다.
따라서, 자신의 반려동물에 관한 세부정보나 특정 콘텐츠를 얻고자 하는 경우 인터넷이나 모바일 상에서 많은 검색 시간을 필요로 하는 단점이 있었다.
따라서, 본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 해결하고자 하는 과제는 콘텐츠 기반의 추천(Content Based Recommendation) 모델과 시퀀스 기반의 추천(Sequential Based Recommendation) 모델을 만든 후 결합을 통해 정확성이 높힐 수 있는 인공지능 모델에 기반하는 반려동물 콘텐츠 제공 시스템을 제공하는 것이다.
다만, 본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상기의 기술적 과제를 달성하기 위하여, 반려동물에 관한 콘텐츠를 제공하는 방법에 있어서, 제어부가 네트워크 상에서 반려동물에 관한 콘텐츠 데이터를 수집하고, 상기 반려동물의 시계열적 시퀀스 데이터를 수집하는 단계(S100); 제어부가 수집된 콘텐츠 데이터에 기초하여 데이터베이스를 구축하고, 시퀀스 데이터 내의 세션 데이터를 합치거나 삭제하는 데이터 가공 단계(S120); 제어부가 콘텐츠 데이터를 Doc2Vec 모델과 BERT 모델에 적용하여 유사성이 높은 콘텐츠 기반의 추천 모델을 제작하고, 시퀀스 데이터에 임베딩 기법을 활용하여 시퀀스 기반의 추천 모델을 제작하는 단계(S140); 콘텐츠 데이터에 기초하여 콘텐츠 기반의 추천 모델을 학습시키고, 그리고 시퀀스 데이터에 기초하여 시퀀스 기반의 추천 모델을 인공지능 학습시키는 단계(S160); 콘텐츠 기반의 추천 모델과 시퀀스 기반의 추천 모델이 각각 출력한 추천 콘텐츠 리스트의 노출 횟수 및 사용자의 클릭 횟수에 기초하여 콘텐츠 기반의 추천 모델과 시퀀스 기반의 추천 모델을 평가하는 단계(S180); 및 평가된 각 모델들 중 성능지표를 미리 결정된 기준치와 비교하고(S200), 기준치 이상의 성능지표를 가진 모델을 추천모델로 선택하거나 결합하여 반려동물에 관한 콘텐츠를 제공하는 단계(S220);를 포함하는 것을 특징으로 하는 인공지능 모델에 기반하는 반려동물 콘텐츠 제공방법이 제공된다.
또한, 수집단계(S100)에서 수집된 데이터는 네트워크 상의 홈페이지 콘텐츠, 크리에이터 또는 매체사의 소싱 콘텐츠, 커뮤니티 데이터 및 외부의 제휴 또는 크롤링 데이터 중 적어도 하나이다.
또한, 사용자의 클릭 횟수는 추천 피드일 수 있다.
또한, 평가단계(S180)는 mAP(Mean Average Precision @K), nDCG(normalized Discounted Cumulative Gain) 및 엔트로피 다양성(Entropy Diversity)의 지표 중 적어도 하나를 사용한다.
또한, 모델의 인공지능 학습단계(S160)는 신경회로망(Neural Network) 모델 또는 순환신경회로망(Recurrent Neural Network , RNN) 모델에 의해 학습될 수 있다.
또한, 제어부는 선택된 추천모델이 제공하는 반려동물에 관한 콘텐츠에 맞는 상품정보를 제공하는 단계(S240)를 더 포함한다.
또한, 데이터 가공 단계(S120)는 반려동물에 관한 동의어 사전 프로그램에 기초하여 같은 의미를 가진 형태소를 대표어로 변환하는 단계를 더 포함한다.
또한, 반려동물의 시계열적 시퀀스 데이터는 반려동물의 탄생 정보, 입양정보, 예방접종 정보, 발육정보, 질병정보 중 적어도 하나를 포함한다.
또한, BERT 모델은 KoBERT 모델이다.
또한, Doc2Vec모델은 콘텐츠 아이템 별로 상기 반려동물에 관한 나이 카테고리, 입양 카테고리, 및 품종 카테고리를 사용하도록 구축될 수 있다.
본 발명의 일실시예에 따르면, 네트워크 상의 수많은 반려동물 관련 콘텐츠 중 사용자에게 필요한 맞춤 정보를 정확하고 신속하게 제공할 수 있는 효과가 있다.
이를 통해 사용자는 제공되는 콘텐츠에 대해 높은 만족감을 가질 수 있다.
또한, 콘텐츠의 제공 뿐만 아니라 관련된 상품 정보를 같이 제공함으로서 즉각적인 상품 구매도 이루어질 수 있는 장점이 있다.
다만, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 명세서에서 첨부되는 다음의 도면들은 본 발명의 바람직한 실시예를 예시하는 것이며, 후술하는 발명의 상세한 설명과 함께 본 발명의 기술사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어서 해석되어서는 아니된다.
도 1은 본 발명의 일실시예에 따른 인공지능 모델에 기반하는 반려동물 콘텐츠 제공 시스템의 시계열적 연결관계를 나타내는 블록도,
도 2는 본 발명의 일 실시예에 따른 사용자별 세션 데이터의 일예,
도 3은 발명의 일실시예에 따른 인공지능 모델에 기반하는 반려동물 콘텐츠 제공방법의 개략적인 흐름도이다.
도 1은 본 발명의 일실시예에 따른 인공지능 모델에 기반하는 반려동물 콘텐츠 제공 시스템의 시계열적 연결관계를 나타내는 블록도,
도 2는 본 발명의 일 실시예에 따른 사용자별 세션 데이터의 일예,
도 3은 발명의 일실시예에 따른 인공지능 모델에 기반하는 반려동물 콘텐츠 제공방법의 개략적인 흐름도이다.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명에 관한 설명은 구조적 내지 기능적 설명을 위한 실시예에 불과하므로, 본 발명의 권리범위는 본문에 설명된 실시예에 의하여 제한되는 것으로 해석되어서는 아니 된다. 즉, 실시예는 다양한 변경이 가능하고 여러 가지 형태를 가질 수 있으므로 본 발명의 권리범위는 기술적 사상을 실현할 수 있는 균등물들을 포함하는 것으로 이해되어야 한다. 또한, 본 발명에서 제시된 목적 또는 효과는 특정 실시예가 이를 전부 포함하여야 한다거나 그러한 효과만을 포함하여야 한다는 의미는 아니므로, 본 발명의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
본 발명에서 서술되는 용어의 의미는 다음과 같이 이해되어야 할 것이다.
"제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결될 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다고 언급된 때에는 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 한편, 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함하다" 또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 본 발명이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.
실시예의 구성
이하, 첨부된 도면을 참조하여 바람직한 실시예의 구성을 상세히 설명하기로 한다. 도 1은 본 발명의 일실시예에 따른 인공지능 모델에 기반하는 반려동물 콘텐츠 제공 시스템의 시계열적 연결관계를 나타내는 블록도이다. 도 1에 도시된 바와 같이, 네트워크는 인터넷, 인트라넷, LAN 등으로 연결된 유선 또는 통신망이고, 네트워크에는 서버와 클라이언트 컴퓨터 및 단말이 연결된다. 클라이언트 컴퓨터는 퍼스널 컴퓨터, 노트북, 태블릿 등이 될 수 있고, 단말은 휴대폰이 될 수 있다.
제어부는 서버나 컴퓨터의 중앙연산장치(CPU), AP(어플리케이션 프로세서), 마이컴 등이 될 수 있다.
콘텐츠 기반 추천(Content Based Recommendation) 모델은 콘텐츠 간 유사성을 기반으로 한 추천 모델이다. Doc2Vec 및 BERT 기반 모델로 기존 콘텐츠, 커뮤니티 데이터를 학습한 후 콘텐츠 데이터(제목, 본문, 메타 데이터 등)를 기반으로 유사도가 높은 콘텐츠를 도출할 수 있다.
시퀀스(세션) 기반 추천(Sequential Recommendation) 모델은 사용자 행태 데이터 기반의 추천 모델이다. 이러한 시퀀스 기반 추천모델은 로그인하여 콘텐츠를 조회하는 사용자 뿐만 아니라 로그인하지 않는 사용자의 데이터도 활용할 수 있다.
실시예의 동작
이하, 첨부된 도면을 참조하여 바람직한 실시예의 동작을 상세히 설명하기로 한다. 도 3은 발명의 일실시예에 따른 인공지능 모델에 기반하는 반려동물 콘텐츠 제공방법의 개략적인 흐름도이다. 도 3에 도시된 바와 같이, 서버의 제어부는 네트워크 상에서 반려동물에 관한 콘텐츠 데이터를 수집하고, 반려동물의 시계열적 시퀀스 데이터를 수집한다(S100).
반려동물에 관한 콘텐츠 데이터는 특정 홈페이지의 컨텐츠(100), 크리에이터(예 : 유튜브, 블로그, SNS 등)와 매체사(예 : 신문사, 방송사 등)로부터의 소싱 데이터(120) 및 커뮤니티 데이터(예: 대화방, 게시판 데이터 등), 외부 제휴/크롤링 데이터(140), 사용자 생성 콘텐츠(User Generated Contents, UGC) 등이 될 수 있다.
반려동물의 시계열적 시퀀스 데이터는 시간의 경과에 따른 반려동물의 데이터로서 반려동물의 탄생 정보(탄생일, 장소, 부모 관계), 입양정보(입양보호소, 입양일, 파양일 등), 예방접종 정보(백신종류, 접종기일, 가격 등), 발육정보(키, 길이, 몸무게 등), 질병정보(피부병, 심장사상충, 관절염, 안과잘환 등) 중 적어도 하나를 포함한다. 이러한 시퀀스 데이터는 반려동물의 나이와 연계하여 수집된다.
그 다음, 제어부는 수집된 콘텐츠 데이터에 기초하여 데이터베이스를 구축하고, 시퀀스 데이터 내의 세션 데이터를 합치거나 삭제하여 데이터를 가공한다(S120). 데이터베이스는 복수의 테이블을 관계형 연결하도록 구축함으로서 저장과 검색 및 관리의 효용성을 높힐 수 있다.
콘텐츠 데이터의 가공 중, 텍스트 전처리 과정은 형태소 분석, 불필요 part of speech(pos) 제거, 동의어 변환, 불용어 제거로 이루어진다. 형태소 분석시 반려동물 콘텐츠 맥락에서 중요한 단어들을 보존될 수 있도록 미리 정의된 리스트를 활용한다.
또한, 데이터 가공 단계(S120)는 반려동물에 관한 동의어 사전(180) 프로그램에 기초하여 같은 의미를 가진 형태소를 대표어로 변환하는 단계를 더 포함한다. 이는 반려동물의 최신 트렌드에 맞도록 하기 위함이다(예: 반려견, 강아지, 멍멍이, 댕댕이를 강아지로 변환함).
시퀀스 데이터의 가공은 시퀀스 기반 추천모델에서 개별 사용자는 여러 개의 세션 데이터를 지니고 있을 수 있으며, 각 세션 데이터는 여러 개의 페이지 조회 데이터를 지니고 있다. 따라서, 각 세션을 어떻게 구분 짓는지가 추천 결과 지표에 큰 영향을 미친다. 도 2는 본 발명의 일 실시예에 따른 사용자별 세션 데이터의 일예이다. 콘텐츠 웹/앱 특성상 사용자가 소셜 유입을 통하여 들어오는 경우 세션 데이터 내 페이지 조회 이벤트가 1개만 존재하는 경우가 빈번하다. 만약, 세션 데이터 내 페이지 조회 이벤트가 1개만 존재하는 경우 세션 그 자체로 순서(Sequence)가 존재하지 않기 때문에 시간적으로 근접한 세션 데이터 일부를 합치거나 해당 세션 데이터들을 제외하는 등의 가공이 이루어진다. 그리고, 콘텐츠와 무관한 공용 페이지(로그인, 홈 등)들은 세션 데이터에서 제거된다.
그 다음, 제어부는 콘텐츠 데이터를 Doc2Vec 모델과 BERT 모델에 적용하여 유사성이 높은 콘텐츠 기반의 추천 모델을 제작하고, 시퀀스 데이터에 임베딩(Embedding) 기법을 활용하여 시퀀스 기반의 추천 모델을 제작한다(S140).
Doc2Vec 모델은 문장이나 문서를 임베딩하는 알고리즘으로, Word2Vec의 확장된 형태이다. Doc2Vec은 대표적으로 DM과 DBOW 두 가지 아키텍처를 사용한다. DM(Distributed Memory)은 문장의 의미를 포함하는 벡터를 생성하기 위해 문장의 단어들과 문장 자체를 입력으로 사용한다. 단어 임베딩과 문장 임베딩을 함께 학습하여 문장의 의미를 잘 표현하는 임베딩 벡터를 얻는다.
DBOW(Distributed Bag-of-Words)는 문장의 단어들을 예측하기 위해 문장 자체를 입력으로 사용한다. 단어 임베딩을 학습하는 것과 별개로 문장 임베딩을 독립적으로 학습하여 문장의 의미를 임베딩 벡터로 표현한다.
BERT(Bidirectional Encoder Representations from Transformers) 모델은 Transformer의 encoder만을 사용하여 문장을 양방향(bidirection)으로 학습시킨 언어 모델이다. BERT 모델은 사전 훈련된 임베딩을 바탕으로, 적은 데이터셋으로 미세 조정한 후 다른 과제에 적용하여 좋은 성능을 낼 수 있다. 적용 과제로는 감정 분석, 개체명 인식, 질의응답, 빈칸 채우기, 문장 생성, 요약, 번역 등이 있다.
임베딩(Embedding) 기법이란 자연어 처리에서 단어나 문장을 벡터로 표현하는 기법을 의미하며, 임베딩은 단어나 문장의 의미와 관련된 정보를 보존하면서 수치화된 형태로 표현한다. 단어 임베딩은 단어를 고정된 크기의 실수 벡터로 변환하는 방법으로 단어 간의 의미적 유사성을 반영하여 유사한 단어들이 유사한 임베딩 벡터를 갖도록 학습된다. 임베딩을 사용하면 기계학습 모델은 단어를 밀집된 공간에 배치하여 단어 간의 관계를 이해하고, 텍스트의 의미를 파악할 수 있다.
콘텐츠 기반 추천 모델의 경우, 사용자가 조회한 데이터를 기반으로 가장 유사한 콘텐츠를 추천한다. 그리고, 콘텐츠 간 유사성 판별을 위하여 Doc2Vec 모델과 BERT 모델을 활용한 후 각각 테스트를 진행한다.
Doc2Vec은 Word2Vec의 확장으로 각 문서를 벡터화하여 유사성을 비교하는 모델이고, Word2Vec은 단어 간 유사성을 벡터화하는 반면 Doc2Vec은 문서 간의 유사성을 벡터화한다. 또한, Doc2Vec모델은 [표 1]과 같이 콘텐츠 아이템 별로 반려동물에 관한 나이 카테고리, 입양 카테고리, 및 품종 카테고리를 사용하도록 구축될 수 있다.
| 구분 | 가공 필요성 | 비고 |
| 제목 | 기확보 | - |
| 본문 | 기확보 | - |
| 작성자 | 기확보 | - |
| 일반 카테고리 | 기확보 | 콘텐츠의 내용에 따른 분류 |
| 태그 | 기확보 | 콘텐츠의 내용에 따른 분류 |
| 나이 카테고리 | 추가 필요 | 콘텐츠의 내용이 적용되는 반려동물 연령대 |
| 상황 카테고리 | 추가 필요 | 콘텐츠의 내용이 적용되는 반려동물 상황(예 : 입양, 파양) |
| 품종 카테고리 | 추가 필요 | 콘텐츠의 내용이 적용되는 견종들의 목록 |
BERT 모델의 공개된 “KoBERT(한국어-BERT)” 모델을 활용하며, 자체 데이터를 활용하여 “반려동물 특화 BERT”를 구축할 수도 있다.
시퀀스 기반 추천 모델의 경우, 사용자의 일련의 시계열적 행동 패턴에 따라서 가장 적합한 콘텐츠 추천하는 방법이다. 본 실시예에서는 임베딩 기법을 활용한 시퀀스 기반 추천 모델을 사용하였다.
시퀀스 기반 추천 모델의 제작을 위해 가공단계에서 각 사용자의 콘텐츠 소비 이력을 1차원 행렬로 표현한 후 Word2Vec 모델 내 Continuous Bag Of Word(CBOW) 학습 방식을 활용한다. Continuous Bag Of Word(CBOW) 학습 방식은 주변에 있는 단어들을 통하여 중간에 있는 단어들을 학습하는 알고리즘이다.
그 다음, 제어부는 콘텐츠 데이터에 기초하여 콘텐츠 기반의 추천 모델을 학습시키고, 그리고 시퀀스 데이터에 기초하여 시퀀스 기반의 추천 모델을 인공지능 학습시킨다(S160). 이때 인공지능 모델은 신경회로망(Neural Network) 모델 또는 순환신경회로망(Recurrent Neural Network , RNN) 모델이다.
그 다음, 콘텐츠 기반의 추천 모델과 시퀀스 기반의 추천 모델이 각각 출력한 추천 콘텐츠 리스트의 노출 횟수 및 사용자의 클릭 횟수에 기초하여 콘텐츠 기반의 추천 모델과 시퀀스 기반의 추천 모델을 평가한다(S180). 보다 구체적으로, 추천 모델의 평가는 출력된 추천 콘텐츠 리스트의 노출 횟수 및 콘텐츠 중 실제 사용자가 클릭한 수(예 : 추천 피드)를 기반으로 평가한다.
추천 피드는 홈 화면에서의 추천 피드, 콘텐츠 상세 페이지에 위치해서 사용한다. 평가의 정확도를 측정하는 방법론으로는 Mean Average Precision@K(mAP, 260), normalized Discounted Cumulative Gain(nDCG, 280)을 사용하며, 추천의 다양성을 확인하는 지표로 엔트로피 다양성(Entropy Diversity, 300) 지표를 사용한다. [표 2]는 이러한 성능지표를 나타낸다.
| 평가항목 (주요성능) |
단위 | 전체 항목에서 차지하는 비중(%) |
| Mean Average Precison@K | - | 50 |
| Discounted Cumulative Gain | - | 25 |
| Entropy Diverstiy | - | 25 |
이하의 [표 3]은 이러한 평가 아이템에 대한 평가방법과 평가환경을 나타낸다.
| 순번 | 평가항목 (성능지표) |
평가방법 | 평가환경 |
| 1 | Mean Average Precison@K (mAP) |
1. 주 평가 지표: 통제된 환경 내 평가를 결과물의 성능지표로 활용 1) 반려동물 양육 정보(품종, 나이) 분포 고려한 테스트 사용자 50명 모집 2) 각 테스트 인력에게 무작위로 구성된 콘텐츠 목록에서 선호하는 콘텐츠를 10개 클릭하게 함 3) 클릭한 콘텐츠 기반으로 추천 모델 구동 4) 추천 값으로 반환되는 100개 콘텐츠를 사용자에게 출력 5) 테스트 인력을 관심이 가는 콘텐츠를 클릭하며 클릭 시 콘텐츠 순위 및 클릭 데이터 기록 2. 보조적 평가 지표: 운영 환경 내 평가를 모니터링 & 비교 용도로 활용 1) 세그먼트 설정: 당사 플랫폼에서 10개 이상 콘텐츠를 조회한 측정 사용자 중 콘텐츠 추천 페이지에 진입한 사용자층 대상으로 측정 2) 사용자가 콘텐츠 추천 페이지 진입 시 100개의 추천 콘텐츠를 출력 3) 사용자가 관심이 가는 콘텐츠를 클릭하며 클릭 시 콘텐츠 순위 및 클릭 데이터 기록 |
- Precision@K: 사용자가 추천 리스트에서 클릭한 콘텐츠의 수/ 전체 추천한 콘텐츠의 수 - AP@K: Precision@1부터 Precision@K 까지의 평균값을 의미 - MAP@K: 사용자에 대한 Average Precision 값의 평균 |
| 2 | Normalized Discounted Cumulative Gain (nDCG) |
nDCG에서 rel은 클릭 여부, 즉 binary 값을 사용함. |
|
| 3 | Entropy Diversity |
n은 총 노출 가능한 콘텐츠의 숫자로 최대치는 (사용자 수 * 콘텐츠 수)임. rec(i)는 추천 피드를 조회한 사용자의 수, total은 추천된 콘텐츠(아이템의) 수 |
그 다음, 제어부는 평가된 각 모델들 중 성능지표를 미리 결정된 기준치와 비교하고(S200), 기준치 이상의 성능지표를 가진 모델을 추천모델로 선택하거나 결합하여 반려동물에 관한 콘텐츠를 제공한다(S220). 즉, 콘텐츠 기반의 추천 모델과 시퀀스 기반의 추천 모델 중 더 좋은 성느지표를 가진 모델을 선택할 수 있고 혹은 콘텐츠 기반의 추천 모델과 시퀀스 기반의 추천 모델을 결합할 수 있다. 이렇게 선택되거나 결합된 추천 모델이 반려동물에 관한 콘텐츠를 제공하게 된다.
만약 기준치 판단단계(S200)에서 성능지표가 기준치에 미달하는 경우, 추가적인 데이터를 수집하여(S210), 전술한 데이터 수집단계(S100)부터 다시 순차적으로 실행하게 된다.
그 다음, 제어부는 선택된 추천모델이 제공하는 반려동물에 관한 콘텐츠에 맞는 상품정보를 제공한다(S240). 예를 들어, 반려동물의 유아식에 대한 콘텐츠를 제공하는 경우 간편하게 휴대할 수 있도록 단위 포장된 유아식, 식기류 등의 상품 정보(구매 사이트, 가격 등)를 제공한다. 이로서 사용자는 반려동물에 관한 콘텐츠를 확인함과 동시에 필요한 물건을 즉석에서 구매할 수 있게 된다.
변형 실시예
본 발명의 일실시예는 개와 고양이를 주된 반려동물로 하였으나, 양서류, 조류, 어류, 곤충류 등 다양한 동물 혹은 식물을 대상으로 할 수도 있다.
또는 본 발명에서 제공되는 추천 콘텐츠는 사용자의 컴퓨터, 휴대폰 등에 링크, 문자메세지, DM 등으로 전달될 수 있다.
상술한 바와 같이 개시된 본 발명의 바람직한 실시예들에 대한 상세한 설명은 당업자가 본 발명을 구현하고 실시할 수 있도록 제공되었다. 상기에서는 본 발명의 바람직한 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 본 발명의 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다. 예를 들어, 당업자는 상술한 실시예들에 기재된 각 구성을 서로 조합하는 방식으로 이용할 수 있다. 따라서, 본 발명은 여기에 나타난 실시형태들에 제한되려는 것이 아니라, 여기서 개시된 원리들 및 신규한 특징들과 일치하는 최광의 범위를 부여하려는 것이다.
본 발명은 본 발명의 정신 및 필수적 특징을 벗어나지 않는 범위에서 다른 특정한 형태로 구체화될 수 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니 되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다. 본 발명은 여기에 나타난 실시형태들에 제한되려는 것이 아니라, 여기서 개시된 원리들 및 신규한 특징들과 일치하는 최광의 범위를 부여하려는 것이다. 또한, 특허청구범위에서 명시적인 인용 관계가 있지 않은 청구항들을 결합하여 실시예를 구성하거나 출원 후의 보정에 의해 새로운 청구항으로 포함할 수 있다.
100 : 홈페이지 콘텐츠,
120 : 크리에이터 / 매체사 소싱 콘텐츠,
130 : 커뮤니티 데이터 및 외부 제휴/크롤링 데이터
160 : 데이터베이스,
180 : 동의어 사전 프로그램,
200 : 세션 데이터
260 : mAP,
280 : nDCG,
300 : 엔트로피 다양성.
120 : 크리에이터 / 매체사 소싱 콘텐츠,
130 : 커뮤니티 데이터 및 외부 제휴/크롤링 데이터
160 : 데이터베이스,
180 : 동의어 사전 프로그램,
200 : 세션 데이터
260 : mAP,
280 : nDCG,
300 : 엔트로피 다양성.
Claims (10)
- 반려동물에 관한 콘텐츠를 제공하는 방법에 있어서,
제어부가 네트워크 상에서 상기 반려동물에 관한 콘텐츠 데이터를 수집하고, 상기 반려동물의 시계열적 시퀀스 데이터를 수집하는 단계(S100);
상기 제어부가 수집된 상기 콘텐츠 데이터에 기초하여 데이터베이스를 구축하고, 상기 시퀀스 데이터 내의 세션 데이터를 합치거나 삭제하는 데이터 가공 단계(S120);
상기 제어부가 상기 콘텐츠 데이터를 Doc2Vec 모델과 BERT 모델에 적용하여 유사성이 높은 콘텐츠 기반의 추천 모델을 제작하고, 상기 시퀀스 데이터에 임베딩 기법을 활용하여 시퀀스 기반의 추천 모델을 제작하는 단계(S140);
상기 콘텐츠 데이터에 기초하여 상기 콘텐츠 기반의 추천 모델을 학습시키고, 그리고 상기 시퀀스 데이터에 기초하여 상기 시퀀스 기반의 추천 모델을 인공지능 학습시키는 단계(S160);
상기 콘텐츠 기반의 추천 모델과 상기 시퀀스 기반의 추천 모델이 각각 출력한 추천 콘텐츠 리스트의 노출 횟수 및 사용자의 클릭 횟수에 기초하여 상기 콘텐츠 기반의 추천 모델과 상기 시퀀스 기반의 추천 모델을 평가하는 단계(S180); 및
평가된 각 모델들 중 성능지표를 미리 결정된 기준치와 비교하고(S200), 상기 기준치 이상의 성능지표를 가진 모델을 추천모델로 선택하거나 결합하여 반려동물에 관한 콘텐츠를 제공하는 단계(S220);를 포함하는 것을 특징으로 하는 인공지능 모델에 기반하는 반려동물 콘텐츠 제공방법. - 제 1 항에 있어서,
상기 수집단계(S100)에서 수집된 데이터는
상기 네트워크 상의 홈페이지 콘텐츠, 크리에이터 또는 매체사의 소싱 콘텐츠, 커뮤니티 데이터 및 외부의 제휴 또는 크롤링 데이터 중 적어도 하나인 것을 특징으로 하는 인공지능 모델에 기반하는 반려동물 콘텐츠 제공방법. - 제 1 항에 있어서,
상기 사용자의 클릭 횟수는 추천 피드인 것을 특징으로 하는 인공지능 모델에 기반하는 반려동물 콘텐츠 제공방법. - 제 1 항에 있어서,
상기 평가단계(S180)는 mAP(Mean Average Precision @K), nDCG(normalized Discounted Cumulative Gain) 및 엔트로피 다양성(Entropy Diversity)의 지표 중 적어도 하나를 사용하는 것을 특징으로 하는 인공지능 모델에 기반하는 반려동물 콘텐츠 제공방법. - 제 1 항에 있어서,
상기 모델의 인공지능 학습단계(S160)는 신경회로망(Neural Network) 모델 또는 순환신경회로망(Recurrent Neural Network , RNN) 모델에 의해 학습되는 것을 특징으로 하는 인공지능 모델에 기반하는 반려동물 콘텐츠 제공방법. - 제 1 항에 있어서,
상기 제어부는 선택된 추천모델이 제공하는 상기 반려동물에 관한 콘텐츠에 맞는 상품정보를 제공하는 단계(S240)를 더 포함하는 것을 특징으로 하는 인공지능 모델에 기반하는 반려동물 콘텐츠 제공방법. - 제 1 항에 있어서,
상기 데이터 가공 단계(S120)는 상기 반려동물에 관한 동의어 사전 프로그램에 기초하여 같은 의미를 가진 형태소를 대표어로 변환하는 단계를 더 포함하는 것을 특징으로 하는 인공지능 모델에 기반하는 반려동물 콘텐츠 제공방법. - 제 1 항에 있어서,
상기 반려동물의 시계열적 시퀀스 데이터는 상기 반려동물의 탄생 정보, 입양정보, 예방접종 정보, 발육정보, 질병정보 중 적어도 하나를 포함하는 것을 특징으로 하는 인공지능 모델에 기반하는 반려동물 콘텐츠 제공방법. - 제 1 항에 있어서,
상기 BERT 모델은 KoBERT 모델인 것을 특징으로 하는 인공지능 모델에 기반하는 반려동물 콘텐츠 제공방법. - 제 1 항에 있어서,
상기 Doc2Vec모델은 콘텐츠 아이템 별로 상기 반려동물에 관한 나이 카테고리, 입양 카테고리, 및 품종 카테고리를 사용하도록 구축되는 것을 특징으로 하는 인공지능 모델에 기반하는 반려동물 콘텐츠 제공방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230106369A KR102601775B1 (ko) | 2023-08-14 | 2023-08-14 | 인공지능 모델에 기반하는 반려동물 콘텐츠 제공 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230106369A KR102601775B1 (ko) | 2023-08-14 | 2023-08-14 | 인공지능 모델에 기반하는 반려동물 콘텐츠 제공 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102601775B1 true KR102601775B1 (ko) | 2023-11-14 |
Family
ID=88744894
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230106369A KR102601775B1 (ko) | 2023-08-14 | 2023-08-14 | 인공지능 모델에 기반하는 반려동물 콘텐츠 제공 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102601775B1 (ko) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101642460B1 (ko) | 2015-03-19 | 2016-07-25 | 주식회사 티엔드티굳텀스 | 반려동물의 건강관리 시스템 및 방법 |
| KR102404511B1 (ko) * | 2022-02-17 | 2022-06-07 | 주식회사 로원홀딩스 | 인공지능 기반 사용자 맞춤형 상품 정보 추천 방법, 장치 및 시스템 |
| KR20220076817A (ko) | 2020-12-01 | 2022-06-08 | 강성민 | 반려동물 융복합 콘텐츠 제공 및 게임 시스템 |
| KR20220085347A (ko) | 2020-12-15 | 2022-06-22 | 정하영 | 반려인들을 위한 반려동물 매칭 및 양육 가이드 콘텐츠 제공 시스템 |
| KR20220090965A (ko) * | 2020-12-23 | 2022-06-30 | (주)인투씨엔에스 | 유사한 반려동물 품종의 전이학습을 이용한 인공지능 기반의 반려동물 진단 시스템 |
| KR102430989B1 (ko) * | 2021-10-19 | 2022-08-11 | 주식회사 노티플러스 | 인공지능 기반 콘텐츠 카테고리 예측 방법, 장치 및 시스템 |
| KR102437759B1 (ko) * | 2020-03-05 | 2022-08-29 | 네이버 주식회사 | 아이템에 대한 선택에 기반하여 추천 아이템을 제공하는 방법 및 장치 |
| KR102443786B1 (ko) * | 2020-06-12 | 2022-09-16 | (주)브레인콜라 | 인공지능을 활용한 콘텐츠 흥행 등급 예측 방법 및 장치 |
| KR102575680B1 (ko) * | 2023-06-05 | 2023-09-06 | 주식회사 스탠다다 | 인공지능 기반의 사용자 행동 패턴 분석 장치 및 그 제어 방법 |
-
2023
- 2023-08-14 KR KR1020230106369A patent/KR102601775B1/ko active IP Right Grant
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101642460B1 (ko) | 2015-03-19 | 2016-07-25 | 주식회사 티엔드티굳텀스 | 반려동물의 건강관리 시스템 및 방법 |
| KR102437759B1 (ko) * | 2020-03-05 | 2022-08-29 | 네이버 주식회사 | 아이템에 대한 선택에 기반하여 추천 아이템을 제공하는 방법 및 장치 |
| KR102443786B1 (ko) * | 2020-06-12 | 2022-09-16 | (주)브레인콜라 | 인공지능을 활용한 콘텐츠 흥행 등급 예측 방법 및 장치 |
| KR20220076817A (ko) | 2020-12-01 | 2022-06-08 | 강성민 | 반려동물 융복합 콘텐츠 제공 및 게임 시스템 |
| KR20220085347A (ko) | 2020-12-15 | 2022-06-22 | 정하영 | 반려인들을 위한 반려동물 매칭 및 양육 가이드 콘텐츠 제공 시스템 |
| KR20220090965A (ko) * | 2020-12-23 | 2022-06-30 | (주)인투씨엔에스 | 유사한 반려동물 품종의 전이학습을 이용한 인공지능 기반의 반려동물 진단 시스템 |
| KR102430989B1 (ko) * | 2021-10-19 | 2022-08-11 | 주식회사 노티플러스 | 인공지능 기반 콘텐츠 카테고리 예측 방법, 장치 및 시스템 |
| KR102404511B1 (ko) * | 2022-02-17 | 2022-06-07 | 주식회사 로원홀딩스 | 인공지능 기반 사용자 맞춤형 상품 정보 추천 방법, 장치 및 시스템 |
| KR102575680B1 (ko) * | 2023-06-05 | 2023-09-06 | 주식회사 스탠다다 | 인공지능 기반의 사용자 행동 패턴 분석 장치 및 그 제어 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9576241B2 (en) | Methods and devices for customizing knowledge representation systems | |
| Drury et al. | A survey of the applications of text mining for agriculture | |
| US11474979B2 (en) | Methods and devices for customizing knowledge representation systems | |
| CN114238573B (zh) | 基于文本对抗样例的信息推送方法及装置 | |
| US7917519B2 (en) | Categorized document bases | |
| Isermann et al. | A computer program for age–length keys incorporating age assignment to individual fish | |
| US8849860B2 (en) | Systems and methods for applying statistical inference techniques to knowledge representations | |
| US20130066823A1 (en) | Knowledge representation systems and methods incorporating customization | |
| US20130046723A1 (en) | Knowledge representation systems and methods incorporating customization | |
| US20130060785A1 (en) | Knowledge representation systems and methods incorporating customization | |
| CN113434644B (zh) | 一种农技知识服务方法及系统 | |
| Iqbal et al. | Using the artificial bee colony technique to optimize machine learning algorithms in estimating the mature weight of camels | |
| Nyambo et al. | Leveraging peer-to-peer farmer learning to facilitate better strategies in smallholder dairy husbandry | |
| CN117786185A (zh) | 农业知识推送方法、装置、电子设备及存储介质 | |
| KR102601775B1 (ko) | 인공지능 모델에 기반하는 반려동물 콘텐츠 제공 시스템 | |
| Nagaraj et al. | Classification of Tweets using natural language processing from Twitter API data | |
| Kuhl et al. | Scoping review to assess online information available to new dog owners | |
| CN109408808B (zh) | 一种文艺作品的评估方法及评估系统 | |
| Saravanan et al. | Realizing social-media-based analytics for smart agriculture | |
| Nguyen et al. | Estimating county health indices using graph neural networks | |
| Bremer et al. | Disease patterns and incidence of immune‐mediated disease in insured Swedish Nova Scotia Duck Tolling Retrievers | |
| KR102186371B1 (ko) | 다중 태그를 이용한 맞춤형 반려동물 관리 서비스 제공 시스템 | |
| Xu et al. | An upper-ontology-based approach for automatic construction of IOT ontology | |
| Gebre-Amanuel et al. | Web based expert system for diagnosis of cattle disease | |
| Amat et al. | Interspecific differences in brood desertion by female diving ducks in relation to duckling age and environmental conditions |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |