KR102622258B1 - 개인화된 탐색 로직을 이용한 콘텐츠 제공 방법 및 시스템 - Google Patents

개인화된 탐색 로직을 이용한 콘텐츠 제공 방법 및 시스템 Download PDF

Info

Publication number
KR102622258B1
KR102622258B1 KR1020210049921A KR20210049921A KR102622258B1 KR 102622258 B1 KR102622258 B1 KR 102622258B1 KR 1020210049921 A KR1020210049921 A KR 1020210049921A KR 20210049921 A KR20210049921 A KR 20210049921A KR 102622258 B1 KR102622258 B1 KR 102622258B1
Authority
KR
South Korea
Prior art keywords
user
logic
content
search
recommendation
Prior art date
Application number
KR1020210049921A
Other languages
English (en)
Other versions
KR20220143427A (ko
Inventor
김용완
Original Assignee
주식회사 카카오
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 주식회사 카카오 filed Critical 주식회사 카카오
Priority to KR1020210049921A priority Critical patent/KR102622258B1/ko
Publication of KR20220143427A publication Critical patent/KR20220143427A/ko
Application granted granted Critical
Publication of KR102622258B1 publication Critical patent/KR102622258B1/ko

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/38—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Library & Information Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

적어도 하나의 프로세서에 의해 동작하는 탐색 로직 개인화 장치의 동작 방법으로서, 복수의 탐색 로직들에 대한 사용자 반응률을 관리하는 단계, 사용자 단말로부터 매체에 노출할 콘텐츠 요청을 수신하는 단계, 상기 콘텐츠 요청을 전송한 사용자의 상기 사용자 반응률을 기초로, 상기 복수의 탐색 로직들 중에서 상기 사용자를 위한 적어도 하나의 특정 탐색 로직을 선택하는 단계, 그리고 콘텐츠 추천 장치에게, 추천 로직과 상기 특정 탐색 로직을 결합하여 노출 콘텐츠 목록을 생성하도록 요청하는 단계를 포함한다. 각 탐색 로직은 상기 추천 로직의 추천 결과를 변경시키는 로직이다.

Description

개인화된 탐색 로직을 이용한 콘텐츠 제공 방법 및 시스템{METHOD AND SYSTEM FOR PROVIDING CONTENTS USING PERSONALIZED EXPLORATION LOGIC}
본 개시는 콘텐츠 제공 기술에 관한 것이다.
사용자 맞춤형 추천이란, 사용자마다의 이용 이력 및 선호도를 분석하여 사용자에게 적합한 콘텐츠를 추천하는 기술로서, 이를 통해 추천된 콘텐츠에 대해 사용자 반응률을 높일 수 있는 효과가 있다.
사용자 맞춤형 추천을 제공하는 시스템은 사용자에게 콘텐츠를 노출하고, 노출된 콘텐츠에 대한 사용자 반응을 수집한 후, 사용자 반응이 반영된 선호 콘텐츠를 사용자에게 노출하는 동작을 반복한다. 하지만, 사용자 맞춤형 추천이 지속되면, 유사한 콘텐츠만이 사용자에게 노출되는 추천 편향이 발생하여, 오히려 사용자 흥미를 떨어뜨릴 수 있다.
추천 편향을 해소하기 위해, 선호 콘텐츠에 임의 콘텐츠를 섞어서 노출시킬 수 있으나, 임의 콘텐츠에 대한 사용자 반응을 예측할 수 없고, 결과적으로 전체적인 반응률이 낮아지게 된다.
본 개시는 변화에 반응하는 사용자 성향에 따라 탐색 로직을 개인화하고, 사용자 선호 콘텐츠를 추천하는 추천 로직과 개인화된 탐색 로직을 상보적으로 결합하여 사용자에게 콘텐츠를 제공하는 시스템 및 방법에 관한 것이다.
한 실시예에 따라 적어도 하나의 프로세서에 의해 동작하는 탐색 로직 개인화 장치의 동작 방법으로서, 복수의 탐색 로직들에 대한 사용자 반응률을 관리하는 단계, 사용자 단말로부터 매체에 노출할 콘텐츠 요청을 수신하는 단계, 상기 콘텐츠 요청을 전송한 사용자의 상기 사용자 반응률을 기초로, 상기 복수의 탐색 로직들 중에서 상기 사용자를 위한 적어도 하나의 특정 탐색 로직을 선택하는 단계, 그리고 콘텐츠 추천 장치에게, 추천 로직과 상기 특정 탐색 로직을 결합하여 노출 콘텐츠 목록을 생성하도록 요청하는 단계를 포함한다. 각 탐색 로직은 상기 추천 로직의 추천 결과를 변경시키는 로직이다.
상기 특정 탐색 로직을 선택하는 단계는 상기 복수의 탐색 로직들 중에서 반응률이 높은 탐색 로직 또는 반응률 증가 변화가 큰 탐색 로직을 상기 특정 탐색 로직으로 선택할 수 있다.
상기 사용자 반응률은 개인화 단위별로 관리되고, 상기 개인화 단위는 사용자 개인 또는 사용자 그룹일 수 있다.
상기 동작 방법은 상기 특정 탐색 로직을 포함하는 요청을 상기 콘텐츠 추천 장치로 전달한 이후, 상기 사용자 단말에서 수집된 콘텐츠에 대한 사용자 반응을 기초로, 상기 특정 탐색 로직에 대한 상기 사용자의 반응률을 갱신하는 단계를 더 포함할 수 있다.
상기 사용자 반응률을 관리하는 단계는 상기 복수의 탐색 로직들 중 임의 탐색 로직을 선택해서, 상기 콘텐츠 추천 장치로 사용자 단말들의 콘텐츠 요청을 전달하고, 상기 임의 탐색 로직에 따라 노출된 콘텐츠에 대한 사용자 반응을 수집하여, 상기 임의 탐색 로직의 사용자 반응률을 계산할 수 있다.
상기 사용자 반응률을 관리하는 단계는 사용자별 각 탐색 로직의 반응률을 나타내는 사용자-탐색 로직 반응률 행렬을 관리하고, 상기 사용자-탐색 로직 반응률 행렬에 채워져 있는 반응률을 기초로 비어 있는 반응률을 예측할 수 있다.
상기 복수의 탐색 로직들은 무작위로 선택된 콘텐츠를 일정 비율 포함하도록 만드는 랜덤노출 관련 탐색 로직, 샘플링 파라미터를 변경하여 콘텐츠들의 샘플링된 예측 반응률의 변동성을 만드는 탐색 로직, 그리고 노출 순서를 변경시키는 탐색 로직 중 적어도 일부를 포함할 수 있다.
다른 실시예에 따라 적어도 하나의 프로세서에 의해 동작하는 탐색 로직 개인화 장치의 동작 방법으로서, 사용자 변화 성향별로 매핑된 탐색 로직들을 관리하는 단계, 사용자 단말로부터 매체에 노출할 콘텐츠 요청을 수신하면, 콘텐츠 요청한 사용자의 사용자 변화 성향을 확인하는 단계, 확인한 특정 사용자 변화 성향에 매핑된 적어도 하나의 탐색 로직을 선택하는 단계, 콘텐츠 추천 장치에게, 추천 로직과 상기 특정 탐색 로직을 결합하여 노출 콘텐츠 목록을 생성하도록 요청하는 단계를 포함한다. 각 탐색 로직은 상기 추천 로직의 추천 결과를 변경시키는 로직이다.
상기 사용자 변화 성향을 확인하는 단계는 시간에 따른 사용자 반응률 그래프에서, 기울기 값을 이용하여 복수의 사용자 변화 성향들 중에서 상기 특정 사용자 변화 성향을 결정하고, 상기 복수의 사용자 변화 성향들은 변화 추구 성향 및 변화 보수 성향을 포함할 수 있다.
상기 사용자 변화 성향을 확인하는 단계는 상기 기울기 값이 제1 기준값 이하인 경우, 상기 변화 추구 성향으로 판단하고, 상기 기울기 값이 제2 기준값 이상인 경우, 상기 변화 보수 성향으로 판단하며, 상기 제2 기준값은 상기 제1 기준값 이상일 수 있다.
상기 사용자 변화 성향을 확인하는 단계는 상기 사용자가 소비한 콘텐츠들 사이의 거리 평균을 이용하여, 복수의 사용자 변화 성향들 중에서 상기 특정 사용자 변화 성향을 결정하고, 상기 복수의 사용자 변화 성향들은 변화 추구 성향 및 변화 보수 성향을 포함할 수 있다.
상기 사용자 변화 성향을 확인하는 단계는 상기 거리 평균이 클수록 상기 변화 추구 성향에 가깝다고 판단하고, 상기 거리 평균이 작을수록 상기 변화 보수 성향에 가깝다고 판단할 수 있다.
상기 탐색 로직들은 무작위로 선택된 콘텐츠를 사용자 변화 성향별로 다르게 섞는 랜덤노출 관련 탐색 로직들일 수 있다.
상기 탐색 로직들은 샘플링 파라미터를 변경하여 콘텐츠들의 샘플링된 예측 반응률의 변동성을 만드는 탐색 로직들일 수 있다.
또 다른 실시예에 따라 적어도 하나의 프로세서에 의해 동작하는 콘텐츠 제공 시스템의 동작 방법으로서, 사용자 단말로부터 매체에 노출할 콘텐츠 요청을 수신하는 단계, 상기 콘텐츠 요청을 전송한 사용자를 위해 개인화된 적어도 하나의 탐색 로직을 결정하는 단계, 추천 로직에 상기 탐색 로직을 적용하여 노출 콘텐츠 목록을 생성하는 단계, 그리고 상기 사용자 단말로 상기 노출 콘텐츠 목록을 제공하는 단계를 포함한다. 상기 추천 로직은 사용자 선호 콘텐츠들을 추천하는 로직이고, 상기 탐색 로직은 상기 추천 로직의 추천 결과를 변경시키는 로직이다.
상기 노출 콘텐츠 목록을 생성하는 단계는 상기 탐색 로직이 랜덤 노출 관련 탐색 로직인 경우, 상기 추천 로직에 의해 추출된 선호 콘텐츠들과 랜덤 콘텐츠들이 일정 비율로 섞인 상기 노출 콘텐츠 목록을 생성할 수 있다.
상기 노출 콘텐츠 목록을 생성하는 단계는 상기 탐색 로직이 샘플링 파라미터를 변경하는 탐색 로직인 경우, 확률밀도함수에서 샘플링된 반응률값으로 콘텐츠를 선택하는 상기 추천 로직의 샘플링 파라미터를 변경하고, 샘플링된 콘텐츠의 예측 반응률값을 기초로 상기 노출 콘텐츠 목록을 생성할 수 있다.
상기 노출 콘텐츠 목록을 생성하는 단계는 상기 탐색 로직이 노출 순서를 변경하는 탐색 로직인 경우, 상기 추천 로직에 의해 추출된 콘텐츠들의 노출 순서를 지정된 기준에 따라 변경해서 상기 노출 콘텐츠 목록을 생성할 수 있다.
상기 개인화된 탐색 로직을 결정하는 단계는 복수의 탐색 로직들 각각에 대한 상기 사용자의 반응률을 기초로 상기 복수의 탐색 로직들 중 특정 탐색 로직을 상기 개인화된 탐색 로직으로 결정할 수 있다.
상기 개인화된 탐색 로직을 결정하는 단계는 사용자 변화 성향별로 매핑된 탐색 로직들을 중에서, 상기 사용자의 사용자 변화 성향에 매핑된 특정 탐색 로직을 상기 개인화된 탐색 로직으로 결정할 수 있다.
실시예에 따르면, 변화에 반응하는 사용자 성향을 탐색할 수 있고, 이를 고려하여 제공 콘텐츠를 변화시키는 탐색 로직을 사용자마다 개인화할 수 있다.
실시예에 따르면, 개인화된 탐색 로직을 통해 추천 편향을 해소할 수 있다.
실시예에 따르면, 사용자의 컨텐츠에 대한 선호 성향뿐만 아니라, 변화에 반응하는 사용자 성향을 조합하여 노출 콘텐츠 목록을 생성하므로, 사용자 선호 콘텐츠뿐만 아니라 새로운 콘텐츠도 사용자에게 노출할 수 있다.
도 1은 한 실시예에 따른 콘텐츠 제공 시스템의 구성도이다.
도 2는 한 실시예에 따른 탐색 로직 반응률 추론 방법을 설명하는 도면이다.
도 3은 한 실시예에 따른 탐색 로직 개인화 방법의 흐름도이다.
도 4는 한 실시예에 따른 탐색 로직의 반응률 관리 방법의 흐름도이다.
도 5는 한 실시예에 따른 탐색 로직 개인화 방법의 흐름도이다.
도 6은 한 실시예에 따른 콘텐츠 제공 방법의 흐름도이다.
도 7은 한 실시예에 따른 서버 장치의 구성도이다.
아래에서는 첨부한 도면을 참고로 하여 본 개시의 실시예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
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" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
단말은 컴퓨터 판독 가능한 저장 매체에 저장되는 소프트웨어인 어플리케이션, 그리고 프로세서, 메모리, 디스플레이, 통신 모듈 등의 하드웨어를 포함한다. 프로세서는 하드웨어들과 협력하여 어플리케이션을 구동한다. 디스플레이는 어플리케이션에서 제공하는 사용자 인터페이스 화면을 표시하고, 사용자 입력을 수신할 수 있고, 예를 들면 터치 입력을 수신할 수 있다. 통신 모듈은 통신망을 통해 서버와 통신한다.
본 개시에서, 탐색 로직(Exploration Logic)이란 추천 로직의 편향 추천을 보완하는 로직으로서, 추천 로직의 추천 결과를, 변화에 반응하는 사용자 성향(앞으로, "사용자 변화 성향"이라고 함)에 따라 변경시키는 방법을 의미하고, 사용자 개인 단위 또는 사용자 그룹 단위로 개인화될 수 있다. 개인화된 탐색 로직이란, 복수의 탐색 로직들 중에서, 사용자에 맞게 선택된 탐색 로직을 의미한다. 참고로, "탐색(Exploration)"은 알고 있는 최적의 방안(여기서는, 추천 로직)이 틀릴 수 있다는 전제에서 새로운 방안을 찾아서 시도하는 것을 나타내기 위해 사용된 용어로서, 다른 용어로 대체될 수 있다.
본 개시에서, 추천 로직이란 콘텐츠 요청에 대해, 사용자 선호 콘텐츠들을 추출하는 개인화된 추천 방법으로서, 개인화된 탐색 로직을 반영하여 추천 결과를 출력할 수 있다.
본 개시는 과거 이용한 콘텐츠와 유사한 콘텐츠를 노출시키는 편향 추천을 제공하는 것이 아니라, 사용자가 신선하고 새로운 콘텐츠를 통한 낯선 추천을 경험할 수 있도록 만들되, 낯선 추천을 받아들이는 정도가 사용자 변화 성향마다 차이가 있으므로, 사용자 변화 성향에 따라 탐색 로직을 개인화한다. 여기서, 일종의 낯선 추천을 경험하도록 하기 위해, 무작위로 선택된 콘텐츠를 일정 비율 포함하도록 만드는 랜덤노출 관련 탐색 로직, 콘텐츠의 샘플링 파라미터를 변경하여 샘플링된 예측 반응률의 변동성을 만드는 탐색 로직, 콘텐츠의 노출 순서를 변경시키는 탐색 로직 등이 이용될 수 있다.
다음에서 콘텐츠 탐색 로직을 개인화하는 방법 및 추천 시스템에 대해 자세히 설명한다.
도 1은 한 실시예에 따른 콘텐츠 제공 시스템의 구성도이고, 도 2는 한 실시예에 따른 탐색 로직 반응률 추론 방법을 설명하는 도면이다.
도 1을 참고하면, 콘텐츠 제공 시스템(1)은 탐색 로직을 개인화하는 탐색 로직 개인화 장치(100), 개인화된 탐색 로직을 반영하여 콘텐츠 추천 결과를 생성하는 콘텐츠 추천 장치(200), 그리고 사용자 반응 수집 장치(300)를 포함할 수 있다. 탐색 로직 개인화 장치(100), 콘텐츠 추천 장치(200), 사용자 반응 수집 장치(300) 각각은 별도의 프로세서에 의해 구동되는 서버 장치일 수 있으나, 이들의 기능은 다양한 형태로 통합 또는 분리되어 적어도 하나의 서버 장치에 구현될 수 있다. 탐색 로직 개인화 장치(100), 콘텐츠 추천 장치(200), 그리고 사용자 반응 수집 장치(300)는 인터페이스 서버(미도시)를 통해 사용자 단말(400)과 통신할 수 있다.
탐색 로직 개인화 장치(100)는 사용자 단말(400)로부터 전송된 콘텐츠 추천 요청을 입력받는다. 예를 들어, 사용자 단말(400)은 사용자가 어플리케이션이나 웹페이지를 이용하면, 해당 매체에 노출할 광고, 영상, 이미지 등의 콘텐츠를 요청한다.
탐색 로직 개인화 장치(100)는 콘텐츠를 요청한 사용자를 확인하고, 탐색 로직 개인화 방법에 따라 복수의 탐색 로직들 중에서 사용자를 위한 적어도 하나의 탐색 로직을 결정한다.
탐색 로직 개인화 방법은 규칙 기반(rule-based), MAB(Multi-Armed Bandit) 기반, 기계학습(Machine Learning) 기반 등과 같이 다양할 수 있고, 이에 대해서는 다음에서 자세히 설명한다. 탐색 로직 개인화를 통해, 변화에 반응하는 사용자 변화 성향에 따라, 사용자에게 제공되는 콘텐츠 구성(예를 들면, 새로운 콘텐츠의 비율, 콘텐츠 노출 순서 등)이 달라지게 된다.
탐색 로직의 개인화 단위는 사용자 개인 단위 또는 사용자 그룹 단위일 수 있다. 사용자 그룹은 연령, 성별, 지역, 직업, 행동패턴 등의 사용자 특성을 기초로 분류될 수 있다. 또는 복수의 사용자 정보 조합(예를 들면, 성별과 연령 조합)으로 분류될 수 있다. 한편, 연령, 성별, 지역, 직업과 같은 인구통계학적 분류는 사용자 변화 성향을 반영하는 데 한계가 있다. 따라서, 행동패턴이 유사한 사용자들을 그룹핑함으로써 사용자 개인 단위의 개인화가 아니더라도, 유의미한 사용자 변화 성향을 반영할 수 있다.
사용자 그룹핑 방법으로서, 사용자가 소비한 컨텐츠를 통한 토 픽 모델링(예를 들면, Latent Dirichlet Allocation)으로 유사한 성향의 사용자들을 그룹핑하는 방법이 사용될 수 있다. 토픽 모델링은 사용자를 문서로, 콘텐츠들을 문서 내 단어들로 간주하여, 사용자별로 토픽을 배정하고, 콘텐츠 소비 성향에 따른 사용자 그룹이 정해질 수 있다. 토픽 모델링은 사용자가 소비한 콘텐츠 유형들에, 사용자의 유행 민감도, 취향의 견고성 등의 사용자 변화 성향이 반영된다는 가정에서 사용될 수 있다.
다른 사용자 그룹핑 방법으로서, 사용자가 소비한 콘텐츠들 사이의 거리를 이용하여 유사한 사용자 변화 성향을 그룹핑할 수 있다. 거리 기반 그룹핑은 콘텐츠들을 벡터 공간에 임베딩하고, 벡터값으로 계산된 콘텐츠들 사이의 거리 평균을 기초로 유사한 성향의 사용자들을 그룹핑한다. 예를 들어, 소비된 콘텐츠 거리 평균이 큰 그룹일 수록, 새로운 콘텐츠에 흥미를 느끼고 변화를 추구하는 성향으로 판단할 수 있다.
탐색 로직 개인화 장치(100)는 사용자 변화 성향을 파악하거나, 사용자 관심사 변화 시점을 파악하기 위해, 복수의 탐색 로직들 중 임의 탐색 로직을 사용자를 위한 탐색 로직으로 결정할 수 있다.
탐색 로직 개인화 장치(100)는 특정 탐색 로직을 적용한 콘텐츠 요청을 콘텐츠 추천 장치(200)로 전달한다. 즉, 탐색 로직 개인화 장치(100)는 콘텐츠 추천 장치(200)에게 콘텐츠 요청에 포함된 탐색 로직을 적용하여, 노출 콘텐츠를 생성하도록 요청한다. 탐색 로직 개인화 장치(100)는 사용자별로 복수의 탐색 로직들의 반응률을 관리하고, 콘텐츠 요청을 받으면 탐색 로직들 중 반응률이 높은 탐색 로직을 선택할 수 있다. 또는, 탐색 로직 개인화 장치(100)는 사용자 그룹별로 탐색 로직을 설정해 두고, 콘텐츠 요청한 사용자가 속한 그룹의 탐색 로직을 규칙 기반으로 선택할 수 있다.
복수의 탐색 로직들은, 사용자에게 유사한 콘텐츠가 계속 제공되는 편향 추천을 보완하기 위한 것으로서, 사용자에게 신선하고 새로운 콘텐츠가 제공되도록 만드는 다양한 로직들로 구성될 수 있다. 예를 들면, 무작위로 선택된 콘텐츠를 일정 비율 포함하도록 만드는 랜덤노출 관련 탐색 로직, 콘텐츠의 샘플링 파라미터를 변경하여 샘플링된 예측 반응률의 변동성을 만드는 탐색 로직, 콘텐츠의 노출 순서를 변경시키는 탐색 로직 등이 정의될 수 있다. 복수의 탐색 로직들은 표 1과 같이 정의될 수 있고, 이외에도 다양하게 추가 및 변경이 가능하다. 또한, 설명에서는 단일 카테고리의 탐색 로직만을 예로 들어 설명하는데, 복수의 카테고리들의 탐색 로직들을 결합하여 새로운 탐색 로직으로 정의할 수 있다. 예를 들면, 탐색 로직1과 탐색 로직7이 결합된 탐색 로직9가 정의될 수 있다.
카테고리 종류 규칙
랜덤노출 탐색 로직1 랜덤 노출=10%
탐색 로직2 랜덤 노출=5%
탐색 로직3 랜덤 노출=2%
샘플링 파라미터 변경 탐색 로직4 톰슨 샘플링 파라미터=0.5
탐색 로직5 톰슨 샘플링 파라미터=0.3
탐색 로직6 톰슨 샘플링 파라미터=0.1
노출순서
변경		 탐색 로직7 제1방식으로 계산된 점수/확률에 따라 노출순서 변경
탐색 로직8 제2방식으로 계산된 점수/확률에 따라 노출순서 변경
탐색 로직1, 2, 3은 노출 콘텐츠 목록에 10%, 5% 또는 2%의 랜덤 콘텐츠를 포함시키는 로직이다. 추천 로직에 탐색 로직1, 2, 3이 적용되는 경우, 추천 로직에 의해 추출된 선호 콘텐츠들과 랜덤 콘텐츠들이 섞인 콘텐츠 목록이 사용자에게 노출될 수 있다. 여기서, 랜덤 콘텐츠는 사용자 선호도와 관련없이 선택된 콘텐츠이다.
탐색 로직4, 5, 6은 추천 로직에서 톰슨 샘플링을 통해 콘텐츠를 선택하는 경우, 샘플링 파라미터를 변경시키는 로직이다. 먼저, 추천 로직은 콘텐츠별로 사용자의 예측 반응률을 계산하는데, 계산된 예측 반응률이 정확하지 않을 수 있다는 가정하에서, 예측 반응률의 확률밀도함수에서 랜덤하게 샘플링된 값을 예측 반응률로 사용한다. 이때, 확률밀도함수는, 계산된 예측 반응률(예를 들면, 0.1)이 평균이고, 학습량에 기반하여 계산된 값을 샘플링 파라미터로 스케일링한 표준편차를 가지는 정규분포일 수 있다. 이러한 추천 로직은 탐색 로직4, 5, 6에 따라 샘플링 파라미터를 변경한 확률밀도함수에서 예측 반응률을 샘플링하는데, 샘플링 파라미터가 클수록 확률밀도함수의 표준편차가 커지면서 샘플링 범위가 넓어지게 되고 예측 반응률의 변동성이 커지게 된다. 따라서, 샘플링된 예측 반응률 순서로 콘텐츠들을 나열해 봤을 때, 샘플링 파라미터가 클수록, 상위 콘텐츠들의 의외성이 높아지게 된다.
탐색 로직7, 8은 콘텐츠별 점수/확률을 지정된 방식으로 계산하고, 계산된 점수/확률에 따라 노출 순서를 변경시키는 로직이다. 탐색 로직7, 8은 추천 로직에서 우선순위에 따라 추출한 콘텐츠들의 순서를 변경할 수 있고, 또는 추천 로직에서 지정된 방식으로 콘텐츠를 추출하도록 만들 수 있다.
콘텐츠 추천 장치(200)는 탐색 로직 개인화 장치(100)로부터 탐색 로직을 포함하는 콘텐츠 요청을 받는다. 콘텐츠 추천 장치(200)는 사용자 선호 콘텐츠를 추천하는 추천 로직을 통해 노출 콘텐츠 목록을 생성할 때, 지정된 탐색 로직을 이용하여 사용자에게 노출할 콘텐츠 목록을 생성한다. 추천 로직은 다양한 종류의 정보들을 이용하여 사용자를 위한 추천 콘텐츠들을 추출하도록 설계되는 데, 내부에 복수의 하위 추천 로직들로 구성될 수 있고, 하위 추천 로직들의 추천 결과를 종합하여 노출할 콘텐츠 목록을 결정할 수 있다.
콘텐츠 추천 장치(200)는 콘텐츠 요청의 응답으로서, 사용자 단말(400)에게 노출 콘텐츠 목록을 전송한다.
사용자 단말(400)은 콘텐츠를 요청한 매체에서 수신한 콘텐츠들을 노출한다.
노출된 콘텐츠에 대한 사용자 반응은 사용자 반응 수집 장치(300)에서 수집된다. 사용자 반응은 콘텐츠 클릭, 재생, 시청 시간, 구독 설정, 즐겨찾기 설정, 알림 설정 등과 같이 다양할 수 있다. 콘텐츠 추천 장치(200)는, 사용자 반응 수집 장치(300)에서 수집된 사용자 반응을 이용하여 추천 로직을 갱신할 수 있으나, 본 개시에서는 자세히 다루지 않는다.
탐색 로직 개인화 장치(100)는 사용자 반응 수집 장치(300)에서 수집된 사용자 반응을 이용하여, 탐색 로직에 대한 사용자 반응률을 갱신할 수 있다. 즉, 탐색 로직 개인화 장치(100)는 특정 탐색 로직이 적용되어 생성된 노출 콘텐츠 목록에 대해, 사용자 반응을 분석하여, 특정 탐색 로직 자체에 대한 사용자 반응률을 계산할 수 있다. 이때, 탐색 로직 개인화 장치(100)는 수집된 사용자 반응의 종류별로 가중치를 부여하고, 가중치를 이용하여 사용자 반응률을 갱신할 수 있다. 예를 들어, 사용자 반응 중, '콘텐츠 전부 시청', '구매', '재생' 등의 강한 반응의 가중치를 높게 부여하고, '콘텐츠 일부 시청', '나중에 보기/알림 설정', '단순 클릭', '장바구기 담기' 등의 약한 반응의 가중치를 낮게 부여할 수 있다. 이를 통해, 강한 반응이 많이 수집된 탐색 로직일 수록 사용자 반응률이 높게 계산될 수 있다.
탐색 로직 개인화 장치(100)는 특정 탐색 로직이 적용되어 생성된 노출 콘텐츠 목록을 콘텐츠 추천 장치(200)로부터 공유받는 경우, 특정 탐색 로직에 대한 사용자 반응률을 정확히 계산할 수 있다. 또는, 탐색 로직 개인화 장치(100)는 사용자에 대해 결정한 탐색 로직을 알고 있으므로, 사용자 반응이 수집된 시점을 이용하여, 특정 시간 구간에 획득된 사용자 반응과 탐색 로직을 연관시킬 수 있다. 이를 통해, 탐색 로직 개인화 장치(100)는 특정 탐색 로직에 대한 사용자 반응률을 계산할 수 있다.
탐색 로직 개인화 장치(100)는 탐색 로직별 사용자 반응률을 통해, 사용자 변화 성향을 판단할 수 있다. 예를 들어, 사용자A의 경우, 탐색 로직1(랜덤 노출=10%)을 적용하여 콘텐츠를 노출한 케이스가 탐색 로직3(랜덤 노출=2%)을 적용하여 콘텐츠를 노출한 케이스보다 반응률이 높은 경우, 또는 탐색 로직4(톰슨 샘플링 파라미터=0.5)를 적용하여 콘텐츠를 노출한 케이스가 탐색 로직6(톰슨 샘플링 파라미터=0.1)을 적용하여 콘텐츠를 노출한 케이스보다 반응률이 높은 경우, 사용자A는 새로운 콘텐츠에 흥미를 느끼고 변화를 추구하는 성향으로 판단될 수 있다. 이와 반대로, 사용자B의 경우, 탐색 로직1(랜덤 노출=10%)을 적용하여 콘텐츠를 노출한 케이스가 탐색 로직3(랜덤 노출=2%) 을 적용하여 콘텐츠를 노출한 케이스보다 반응률이 낮은 경우, 또는 탐색 로직4(톰슨 샘플링 파라미터=0.5)를 적용하여 콘텐츠를 노출한 케이스가 탐색 로직6(톰슨 샘플링 파라미터=0.1)을 적용하여 콘텐츠를 노출한 케이스보다 반응률이 낮은 경우, 사용자A는 새로운 콘텐츠보다 선호하는 콘텐츠에 관심을 가지고 변화에 보수적인 성향으로 판단될 수 있다.
한편, 탐색 로직 개인화 장치(100)는 탐색 로직별 사용자 반응률을 통해, 사용자 관심사가 변하는 시점을 판단할 수 있다. 예를 들어, 사용자B가 탐색 로직3이나 탐색 로직6을 적용하여 콘텐츠를 노출한 케이스에서 반응률이 높았으나, 어느 시점에 탐색 로직1이나 탐색 로직4를 적용하여 콘텐츠를 노출한 케이스에서 반응률이 높아지는 역전 현상이 발생할 수 있다. 그러면, 사용자B는 이전 관심사에 대한 흥미가 떨어진 것이므로, 탐색 로직 개인화 장치(100)는 사용자B에 대해서, 새로운 종류의 콘텐츠를 제공하는 탐색 로직을 선택함으로써, 탐색 로직을 개인화할 수 있다.
다음에서, 탐색 로직 개인화 방법에 대해 설명한다.
탐색 로직 개인화 장치(100)는 규칙 기반(rule-based)으로 탐색 로직을 개인화할 수 있다. 탐색 로직 개인화 장치(100)는 사용자 그룹 단위로 적용할 탐색 로직을 설정할 수 있다. 탐색 로직 개인화 장치(100)는 예를 들면, 표 2와 같이, 나이가 어릴 수록 새로운 것을 추구하는 성향을 가진다는 가정하에서 연령에 따라 탐색 로직을 다르게 설정할 수 있다. 이외에도 사용자 그룹은 성별, 지역, 직업, 행동패턴 등의 사용자 특성을 기초로 분류될 수 있고, 복수의 사용자 정보 조합(예를 들면, 성별과 연령 조합)으로 분류될 수 있다. 또한, 탐색 로직 개인화 장치(100)는 사용자 변화 성향별로 표 2와 같이 탐색 로직을 매핑해 둘 수 있고, 사용자 변화 성향에 따라 매핑된 탐색 로직을 선택할 수 있다.
연령/사용자 변화 성향 규칙1 규칙2
20대이하/변화 추구 성향 탐색 로직1 탐색 로직4
30대~40대/중간 성향 탐색 로직2 탐색 로직5
50대 이상/보수 성향 탐색 로직3 탐색 로직6
이후, 탐색 로직 개인화 장치(100)는 매체에 노출할 콘텐츠 요청이 발생하면, 사용자가 속한 그룹을 결정하고, 해당 그룹의 탐색 로직을 사용자의 탐색 로직으로 결정할 수 있다.
탐색 로직 개인화 장치(100)는 MAB(Multi-Armed Bandit) 기반으로 탐색 로직을 개인화할 수 있다. 탐색 로직 개인화 장치(100)는 개인화 단위별로 탐색 로직에 대한 사용자 반응률을 관리할 수 있다. 개인화되는 사용자는 사용자 개인 또는 사용자 그룹일 수 있다. 예를 들면, 탐색 로직 개인화 장치(100)는 표 3과 같이, 개인화 단위별로 탐색 로직별 반응률을 관리할 수 있다.
반응률

개인화단위		 탐색
로직1		 탐색
로직2		 탐색
로직3		 탐색
로직4		 탐색
로직5		 탐색
로직6		 탐색
로직7		 탐색
로직8
사용자A 0.1 0.01 0.001 0.15 0.2 0.3 0.25 0.1
사용자B 0.01 0.3 0.2 0.1 0.01 0.05 0.02 0.04
사용자C 0.08 0.07 0.01 0.2 0.1 0.17 0.11 0.001
한 실시예에 따르면, 탐색 로직 개인화 장치(100)는 특정 사용자가 속한 개인화 단위에서 반응률이 높은 탐색 로직을 선택할 수 있다. 탐색 로직 개인화 장치(100)는 사용자A에 해당하는 사용자로부터 콘텐츠 요청을 수신하면, 사용자A의 탐색 로직들 중에서 반응률이 가장 높은 탐색 로직6을 선택해서 개인화할 수 있다.
다른 실시예에 따르면, 탐색 로직 개인화 장치(100)는 탐색 로직의 반응률 대신에, 반응률 변화를 기초로 탐색 로직을 선택할 수 있다. 예를 들어, 탐색 로직 개인화 장치(100)는 8개의 탐색 로직들 중에서 반응률 변화가 양의 방향으로 크게 증가한 탐색 로직을 선택할 수 있다.
또 다른 실시예에 따르면, 탐색 로직 개인화 장치(100)는 전체적인 사용자 반응률을 기초로 사용자 성향을 추론하고, 이를 기초로 탐색 로직을 선택할 수 있다. 예를 들어, 탐색 로직 개인화 장치(100)는 시간에 따른 사용자 반응률 그래프에서, 기울기 값이 기준값보다 작은 경우(음의 값), 사용자는 노출되는 콘텐츠에 흥미를 잃은 것으로 판단하거나, 새로운 콘텐츠에 흥미를 느끼고 변화를 추구하는 성향으로 판단할 수 있다. 그러면, 탐색 로직 개인화 장치(100)는 새로운 콘텐츠가 더 노출될 수 있는 탐색 로직(예를 들면, 탐색 로직1이나 탐색 로직4)을 선택할 수 있다. 탐색 로직 개인화 장치(100)는 시간에 따른 사용자 반응률 그래프에서, 기울기 값이 기준값보다 큰 경우, 사용자는 노출되는 콘텐츠에 흥미가 있다고 판단하거나, 유사한 콘텐츠에 관심을 가지고 변화에 보수적인 성향으로 판단할 수 있다. 그러면, 탐색 로직 개인화 장치(100)는 새로운 콘텐츠가 덜 노출될 수 있는 탐색 로직(예를 들면, 탐색 로직3이나 탐색 로직6)을 선택할 수 있다.
탐색 로직 개인화 장치(100)는 각 탐색 로직이 적용되어 생성된 노출 콘텐츠 목록에 대해, 사용자 반응을 분석하여, 각 탐색 로직에 대한 사용자 반응률을 계산할 수 있다. 이를 위해, 탐색 로직 개인화 장치(100)는 콘텐츠 추천 장치(200)로 콘텐츠 요청을 전달할 때, 일정 기간 동안 탐색 로직들을 번갈아가면서 요청해서, 각 탐색 로직에 따라 노출된 콘텐츠에 대한 사용자 반응이 수집되도록 할 수 있다.
한편, 탐색 로직 개인화 장치(100)가 각 탐색 로직에 따라 노출된 콘텐츠에 대한 사용자 반응을 수집하는 데 시간 및 비용이 소요될 수 있다. 이 경우, 탐색 로직 개인화 장치(100)는 기계학습(Machine Learning) 기반으로 표 3의 반응률을 예측할 수 있다. 예를 들면, 탐색 로직 개인화 장치(100)는 도 2와 같은 행렬 분해(matrix factorization) 방법을 이용하여, 알고 있는 반응률로부터 모르는 정보를 추론할 수 있다.
도 2를 참고하면, 탐색 로직 개인화 장치(100)는 사용자-탐색 로직 반응률 행렬(10)을 사용자-잠재 변수(latent factor) 행렬(20)과 탐색 로직 반응률-잠재 변수 행렬(30)로 분해한다. 이때, 사용자-탐색 로직 반응률 행렬(10)은 알고 있는 반응률이 채워져 있다. 사용자-잠재 변수 행렬(20)과 탐색 로직 반응률-잠재 변수 행렬(30)은 알고 있는 반응률로부터 잠재 변수가 추론된다.
이후, 잠재 변수가 추론되어 채워진 사용자-잠재 변수 행렬(20)과 탐색 로직 반응률-잠재 변수 행렬(30)이 곱해지면 사용자-탐색 로직 반응률 행렬(10)에서 비어있는 반응률이 채워질 수 있다. 이를 통해 사용자-탐색 로직 반응률 행렬(10)의 모든 값을 알지 못하더라도, 알고 있는 값으로부터 비어있는 값을 추론할 수 있다.
도 3은 한 실시예에 따른 탐색 로직 개인화 방법의 흐름도이다.
도 3을 참고하면, 탐색 로직 개인화 장치(100)는 복수의 탐색 로직들에 대한 사용자 반응률을 관리한다(S110).
탐색 로직 개인화 장치(100)는 사용자 단말(400)로부터 매체에 노출할 콘텐츠 요청을 수신한다(S120).
탐색 로직 개인화 장치(100)는 콘텐츠 요청을 전송한 사용자를 확인하고, 복수의 탐색 로직들 중에서 반응률이 높은 탐색 로직 또는 반응률 증가 변화가 큰 탐색 로직을 선택한다(S130). 탐색 로직 개인화 장치(100)는, 탐색 로직 개인화 방법에 따라 복수의 탐색 로직들 중에서 사용자를 위한 탐색 로직을 결정한다.
탐색 로직 개인화 장치(100)는 선택한 특정 탐색 로직을 포함하는 콘텐츠 요청을 전달함으로써, 콘텐츠 추천 장치(200)에게 추천 로직과 특정 탐색 로직을 결합하여 노출 콘텐츠 목록을 생성하도록 요청한다(S140). 그러면, 콘텐츠 추천 장치(200)는 사용자 선호 콘텐츠를 추천하는 추천 로직을 통해 노출 콘텐츠 목록을 생성할 때, 지정된 탐색 로직을 이용하여 사용자에게 노출할 콘텐츠 목록을 생성하고, 사용자 단말(400)로 노출 콘텐츠 목록을 제공한다.
탐색 로직 개인화 장치(100)는 특정 탐색 로직을 포함하는 콘텐츠 요청을 콘텐츠 추천 장치(200)로 전달한 이후, 사용자 단말(400)에서 수집된 콘텐츠에 대한 사용자 반응을 기초로, 사용자의 특정 탐색 로직에 대한 반응률을 갱신한다(S150).
도 4는 한 실시예에 따른 탐색 로직의 반응률 관리 방법의 흐름도이다.
도 4를 참고하면, 탐색 로직 개인화 장치(100)는 복수의 탐색 로직들 중에서 선택된 특정 탐색 로직을 포함한 콘텐츠 요청을, 콘텐츠 추천 장치(200)로 전달한다(S210). 탐색 로직 개인화 장치(100)는 일정 기간 동안 임의 탐색 로직들을 번갈아가면서 선택해서, 복수의 탐색 로직들 중 적어도 일부의 탐색 로직들에 따라 노출된 콘텐츠에 대한 사용자 반응이 수집되도록 할 수 있다. 또는 탐색 로직 개인화 장치(100)는 도 3에서 설명한 탐색 로직 개인화 방법에 따라 사용자를 위해 선택한 탐색 로직을 콘텐츠 추천 장치(200)로 전달할 수 있다.
탐색 로직 개인화 장치(100)는 특정 탐색 로직을 포함하는 콘텐츠 요청을 콘텐츠 추천 장치(200)로 전달한 이후, 사용자 단말(400)에서 수집된 콘텐츠에 대한 사용자 반응을 기초로, 사용자의 특정 탐색 로직에 대한 반응률을 계산하고, 사용자-탐색 로직 반응률 행렬에 기재한다(S220).
탐색 로직 개인화 장치(100)는 사용자-탐색 로직 반응률 행렬에 채워져 있는 반응률을 기초로, 비어 있는 사용자-탐색로직 반응률 셀의 값을 예측한다(S230). 탐색 로직 개인화 장치(100)는 행렬 분해를 기초로 잠재 변수를 추론하고, 추론된 잠재 변수들을 이용하여 비어 있는 셀 값을 채워나갈 수 있다.
탐색 로직 개인화 장치(100)는 계속해서 사용자-탐색 로직 반응률 행렬을 갱신하고, 사용자-탐색 로직 반응률 행렬을 이용하여 사용자별 복수의 탐색 로직들 중에서 특정 탐색 로직을 선택함으로써, 사용자마다 탐색 로직을 개인화한다(S240).
도 5는 한 실시예에 따른 탐색 로직 개인화 방법의 흐름도이다.
도 5를 참고하면, 탐색 로직 개인화 장치(100)는 사용자 변화 성향별로 매핑된 탐색 로직들을 관리한다(S310). 사용자 변화 성향이란 변화 추구 성향, 중간 성향, 변화에 보수적인 성향 등을 의미하고, 단계적으로 구분될 수 있고, 각 사용자 변화 성향에 매핑된 탐색 로직은 표 2와 같이 규칙 기반으로 매핑될 수 있다.
탐색 로직 개인화 장치(100)는 사용자 단말(400)로부터 매체에 노출할 콘텐츠 요청을 수신한다(S320).
탐색 로직 개인화 장치(100)는 콘텐츠 요청한 사용자의 사용자 변화 성향을 확인하고, 사용자 변화 성향에 매핑된 탐색 로직을 선택한다(S330). 사용자 변화 성향은 시간에 따른 사용자 반응률 그래프에서, 기울기 값(예, 기울기 값이 음이면 변화 추구 성향, 양이면 변화 보수 성향)으로 판단될 수 있다. 사용자 변화 성향은 사용자가 소비한 컨텐츠를 통한 토 픽 모델링으로부터 판단될 수 있다. 또는 사용자 변화 성향은 사용자가 소비한 콘텐츠들 사이의 거리 평균으로부터 분류된 콘텐츠 소비 성향으로부터 판단될 수 있다. 탐색 로직 개인화 장치(100)는 거리 평균이 클수록 상기 변화 추구 성향에 가깝다고 판단하고, 거리 평균이 작을수록 변화 보수 성향에 가깝다고 판단할 수 있다.
탐색 로직 개인화 장치(100)는 선택한 탐색 로직을 포함하는 콘텐츠 요청을 전달함으로써, 콘텐츠 추천 장치(200)에게 추천 로직과 특정 탐색 로직을 결합하여 노출 콘텐츠 목록을 생성하도록 요청한다(S340). 그러면, 콘텐츠 추천 장치(200)는 사용자 선호 콘텐츠를 추천하는 추천 로직을 통해 노출 콘텐츠 목록을 생성할 때, 지정된 탐색 로직을 이용하여 사용자에게 노출할 콘텐츠 목록을 생성하고, 사용자 단말(400)로 노출 콘텐츠 목록을 제공한다.
도 6은 한 실시예에 따른 콘텐츠 제공 방법의 흐름도이다.
도 6을 참고하면, 콘텐츠 추천 장치(200)는 탐색 로직 개인화 장치(100)로부터 특정 탐색 로직을 포함하는 콘텐츠 요청을 전달받는다(S410).
콘텐츠 추천 장치(200)는 사용자 단말(400)로의 콘텐츠 요청에 포함된 탐색 로직을 확인한다(S420). 콘텐츠 요청에 포함된 탐색 로직은 하나 또는 복수일 수 있다.
랜덤 노출 관련 탐색 로직인 경우, 콘텐츠 추천 장치(200)는 추천 로직에 의해 추출된 선호 콘텐츠들과 랜덤 콘텐츠들이 일정 비율로 섞인 콘텐츠 목록을 노출 콘텐츠 목록으로 생성한다(S430).
샘플링 파라미터를 변경하는 탐색 로직인 경우, 콘텐츠 추천 장치(200)는 확률밀도함수에서 샘플링된 반응률값으로 콘텐츠를 선택하는 추천 로직의 샘플링 파라미터를 변경하고, 샘플링된 콘텐츠의 예측 반응률값을 기초로 노출 콘텐츠 목록을 생성한다(S432). 콘텐츠 추천 장치(200)는 확률밀도함수에서 샘플링 범위를 사용자 변화 성향에 따라 선택된 값으로 가변해서, 샘플링되는 예측 반응률의 변동성을 사용자 변화 성향에 따라 다르게 할 수 있다. 이때, 샘플링 파라미터가 클수록, 노출되는 콘텐츠들의 의외성이 커지게 된다.
노출 순서를 변경하는 탐색 로직인 경우, 콘텐츠 추천 장치(200)는 추천 로직에 의해 추출된 콘텐츠들의 노출 순서를 지정된 기준(예를 들면, 기대 수익)에 따라 변경해서 노출 콘텐츠 목록을 생성한다(S434). 콘텐츠 추천 장치(200)는 지정된 방식으로 계산된 점수/확률에 따라 콘텐츠 노출 순서를 결정함으로써, 노출 순서를 변경할 수 있다.
콘텐츠 추천 장치(200)는 노출 콘텐츠 목록을 사용자 단말(400)로 제공한다(S440).
한편, 콘텐츠 요청에 복수의 탐색 로직들이 포함된 경우, 콘텐츠 추천 장치(200)는 탐색 로직들을 복합적으로 적용하여 노출 콘텐츠 목록을 생성할 수 있다.
도 7은 한 실시예에 따른 서버 장치의 구성도이다.
도 7을 참고하면, 탐색 로직 개인화 장치(100), 콘텐츠 추천 장치(200), 사용자 반응 수집 장치(300) 각각은 별도의 프로세서에 의해 구동되는 서버 장치로 구현될 수 있다. 또는, 탐색 로직 개인화 장치(100), 콘텐츠 추천 장치(200), 사용자 반응 수집 장치(300) 각각의 기능은 다양한 형태로 통합 또는 분리되어 적어도 하나의 서버 장치로 구현 구현될 수 있다.
서버 장치(500)는 하나 이상의 프로세서(510), 프로세서(510)에 의하여 수행되는 컴퓨터 프로그램을 로드하는 메모리(530), 컴퓨터 프로그램 및 각종 데이터를 저장하는 저장 장치(550), 통신 인터페이스(570), 그리고 이들을 연결하는 버스(590)를 포함할 수 있다. 이외에도, 서버 장치(500)는 다양한 구성 요소가 더 포함될 수 있다. 프로세서(510)는 서버 장치(500)의 동작을 제어하는 장치로서, 컴퓨터 프로그램에 포함된 명령어들을 처리하는 다양한 형태의 프로세서일 수 있고, 예를 들면, CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit) 또는 본 개시의 기술 분야에 잘 알려진 임의 형태의 프로세서 중 적어도 하나를 포함하여 구성될 수 있다.
메모리(530)는 각종 데이터, 명령 및/또는 정보를 저장한다. 메모리(530)는 본 개시의 동작을 실행하도록 기술된 명령어들이 프로세서(510)에 의해 처리되도록 해당 컴퓨터 프로그램을 저장 장치(550)로부터 로드할 수 있다. 메모리(530)는 예를 들면, ROM(read only memory), RAM(random access memory) 등 일 수 있다.
저장 장치(550)는 컴퓨터 프로그램, 각종 데이터를 비임시적으로 저장할 수 있다. 저장 장치(550)는 ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리 등과 같은 비휘발성 메모리, 하드 디스크, 착탈형 디스크, 또는 본 개시가 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터로 읽을 수 있는 기록 매체를 포함하여 구성될 수 있다.
통신 인터페이스(570)는 유/무선 통신을 지원하는 유/무선 통신 모듈일 수 있다.
버스(590)는 서버 장치(500)의 구성 요소 간 통신 기능을 제공한다.
컴퓨터 프로그램은, 프로세서(510)에 의해 실행되는 명령어들(instructions)을 포함하고, 비일시적-컴퓨터 판독가능 저장매체(non-transitory computer readable storage medium)에 저장되며, 명령어들은 프로세서(510)가 본 개시의 동작을 실행하도록 만든다.
이상에서 설명한 본 개시의 실시예는 장치 및 방법을 통해서만 구현이 되는 것은 아니며, 본 개시의 실시예의 구성에 대응하는 기능을 실현하는 프로그램 또는 그 프로그램이 기록된 기록 매체를 통해 구현될 수도 있다.
이상에서 본 개시의 실시예에 대하여 상세하게 설명하였지만 본 개시의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 개시의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 개시의 권리범위에 속하는 것이다.

Claims (20)

  1. 적어도 하나의 프로세서에 의해 동작하는 탐색 로직 개인화 장치의 동작 방법으로서,
    복수의 탐색 로직들에 대한 사용자 반응률을 관리하는 단계,
    사용자 단말로부터 매체에 노출할 콘텐츠 요청을 수신하는 단계,
    상기 콘텐츠 요청을 전송한 사용자의 상기 사용자 반응률을 기초로, 상기 복수의 탐색 로직들 중에서 상기 사용자를 위한 적어도 하나의 특정 탐색 로직을 선택하는 단계, 그리고
    콘텐츠 추천 장치에게, 추천 로직과 상기 특정 탐색 로직을 결합하여 노출 콘텐츠 목록을 생성하도록 요청하는 단계를 포함하고,
    각 탐색 로직은 상기 콘텐츠 추천 장치가 상기 추천 로직을 사용하여 상기 사용자에게 추천하는 것을 보완하기 위해, 상기 추천 로직의 추천 결과를 변화에 반응하는 사용자 성향에 따라 변경시키는 로직인, 동작 방법.
  2. 제1항에서,
    상기 특정 탐색 로직을 선택하는 단계는
    상기 복수의 탐색 로직들 중에서 반응률이 기준보다 높은 탐색 로직 또는 반응률 증가 변화가 기준보다 큰 탐색 로직을 상기 특정 탐색 로직으로 선택하는, 동작 방법.
  3. 제1항에서,
    상기 사용자 반응률은 개인화 단위별로 관리되고, 상기 개인화 단위는 사용자 개인 또는 사용자 그룹인, 동작 방법.
  4. 제1항에서,
    상기 특정 탐색 로직을 포함하는 요청을 상기 콘텐츠 추천 장치로 전달한 이후, 상기 사용자 단말에서 수집된 콘텐츠에 대한 사용자 반응을 기초로, 상기 특정 탐색 로직에 대한 상기 사용자의 반응률을 갱신하는 단계
    를 더 포함하는, 동작 방법.
  5. 제1항에서,
    상기 사용자 반응률을 관리하는 단계는
    상기 복수의 탐색 로직들 중 임의 탐색 로직을 선택해서, 상기 콘텐츠 추천 장치로 사용자 단말들의 콘텐츠 요청을 전달하고, 상기 임의 탐색 로직에 따라 노출된 콘텐츠에 대한 사용자 반응을 수집하여, 상기 임의 탐색 로직의 사용자 반응률을 계산하는, 동작 방법.
  6. 제5항에서,
    상기 사용자 반응률을 관리하는 단계는
    사용자별 각 탐색 로직의 반응률을 나타내는 사용자-탐색 로직 반응률 행렬을 관리하고, 상기 사용자-탐색 로직 반응률 행렬에 채워져 있는 반응률을 기초로 비어 있는 반응률을 예측하는, 동작 방법.
  7. 제1항에서,
    상기 복수의 탐색 로직들은
    무작위로 선택된 콘텐츠를 일정 비율 포함하도록 만드는 랜덤노출 관련 탐색 로직, 샘플링 파라미터를 변경하여 콘텐츠들의 샘플링된 예측 반응률의 변동성을 만드는 탐색 로직, 그리고 노출 순서를 변경시키는 탐색 로직 중 적어도 일부를 포함하는, 동작 방법.
  8. 적어도 하나의 프로세서에 의해 동작하는 탐색 로직 개인화 장치의 동작 방법으로서,
    사용자 변화 성향별로 매핑된 탐색 로직들을 관리하는 단계,
    사용자 단말로부터 매체에 노출할 콘텐츠 요청을 수신하면, 콘텐츠 요청한 사용자의 사용자 변화 성향을 확인하는 단계,
    확인한 특정 사용자 변화 성향에 매핑된 적어도 하나의 특정 탐색 로직을 선택하는 단계,
    콘텐츠 추천 장치에게, 추천 로직과 상기 특정 탐색 로직을 결합하여 노출 콘텐츠 목록을 생성하도록 요청하는 단계를 포함하고,
    각 탐색 로직은 상기 콘텐츠 추천 장치가 상기 추천 로직을 사용하여 상기 사용자에게 추천하는 것을 보완하기 위해, 상기 추천 로직의 추천 결과를 변화에 반응하는 사용자 성향에 따라 변경시키는 로직인, 동작 방법.
  9. 제8항에서,
    상기 사용자 변화 성향을 확인하는 단계는
    시간에 따른 사용자 반응률 그래프에서, 기울기 값을 이용하여 복수의 사용자 변화 성향들 중에서 상기 특정 사용자 변화 성향을 결정하고,
    상기 복수의 사용자 변화 성향들은 변화 추구 성향 및 변화 보수 성향을 포함하는, 동작 방법.
  10. 제9항에서,
    상기 사용자 변화 성향을 확인하는 단계는
    상기 기울기 값이 제1 기준값 이하인 경우, 상기 변화 추구 성향으로 판단하고, 상기 기울기 값이 제2 기준값 이상인 경우, 상기 변화 보수 성향으로 판단하며,
    상기 제2 기준값은 상기 제1 기준값 이상인, 동작 방법.
  11. 제8항에서,
    상기 사용자 변화 성향을 확인하는 단계는
    상기 사용자가 소비한 콘텐츠들 사이의 거리 평균을 이용하여, 복수의 사용자 변화 성향들 중에서 상기 특정 사용자 변화 성향을 결정하고,
    상기 복수의 사용자 변화 성향들은 변화 추구 성향 및 변화 보수 성향을 포함하는, 동작 방법.
  12. 제11항에서,
    상기 사용자 변화 성향을 확인하는 단계는
    상기 거리 평균이 클수록 상기 변화 추구 성향에 가깝다고 판단하고,
    상기 거리 평균이 작을수록 상기 변화 보수 성향에 가깝다고 판단하는, 동작 방법.
  13. 제8항에서,
    상기 탐색 로직들은
    무작위로 선택된 콘텐츠를 사용자 변화 성향별로 다르게 섞는 랜덤노출 관련 탐색 로직들인, 동작 방법.
  14. 제8항에서,
    상기 탐색 로직들은
    샘플링 파라미터를 변경하여 콘텐츠들의 샘플링된 예측 반응률의 변동성을 만드는 탐색 로직들인, 동작 방법.
  15. 적어도 하나의 프로세서에 의해 동작하는 콘텐츠 제공 시스템의 동작 방법으로서,
    사용자 단말로부터 매체에 노출할 콘텐츠 요청을 수신하는 단계,
    상기 콘텐츠 요청을 전송한 사용자를 위해 개인화된 적어도 하나의 탐색 로직을 결정하는 단계,
    추천 로직에 상기 탐색 로직을 적용하여 노출 콘텐츠 목록을 생성하는 단계, 그리고
    상기 사용자 단말로 상기 노출 콘텐츠 목록을 제공하는 단계를 포함하고,
    상기 추천 로직은 사용자 선호 콘텐츠들을 추천하는 로직이고,
    상기 탐색 로직은 상기 추천 로직에 의한 추천을 보완하기 위해, 상기 추천 로직의 추천 결과를 변화에 반응하는 사용자 성향에 따라 변경시키는 로직인, 동작 방법.
  16. 제15항에서,
    상기 노출 콘텐츠 목록을 생성하는 단계는
    상기 탐색 로직이 랜덤 노출 관련 탐색 로직인 경우, 상기 추천 로직에 의해 추출된 선호 콘텐츠들과 랜덤 콘텐츠들이 일정 비율로 섞인 상기 노출 콘텐츠 목록을 생성하는, 동작 방법.
  17. 제15항에서,
    상기 노출 콘텐츠 목록을 생성하는 단계는
    상기 탐색 로직이 샘플링 파라미터를 변경하는 탐색 로직인 경우, 확률밀도함수에서 샘플링된 반응률값으로 콘텐츠를 선택하는 상기 추천 로직의 샘플링 파라미터를 변경하고, 샘플링된 콘텐츠의 예측 반응률값을 기초로 상기 노출 콘텐츠 목록을 생성하는, 동작 방법.
  18. 제15항에서,
    상기 노출 콘텐츠 목록을 생성하는 단계는
    상기 탐색 로직이 노출 순서를 변경하는 탐색 로직인 경우, 상기 추천 로직에 의해 추출된 콘텐츠들의 노출 순서를 지정된 기준에 따라 변경해서 상기 노출 콘텐츠 목록을 생성하는, 동작 방법.
  19. 제15항에서,
    상기 개인화된 탐색 로직을 결정하는 단계는
    복수의 탐색 로직들 각각에 대한 상기 사용자의 반응률을 기초로 상기 복수의 탐색 로직들 중 특정 탐색 로직을 상기 개인화된 탐색 로직으로 결정하는, 동작 방법.
  20. 제15항에서,
    상기 개인화된 탐색 로직을 결정하는 단계는
    사용자 변화 성향별로 매핑된 탐색 로직들을 중에서, 상기 사용자의 사용자 변화 성향에 매핑된 특정 탐색 로직을 상기 개인화된 탐색 로직으로 결정하는, 동작 방법.
KR1020210049921A 2021-04-16 2021-04-16 개인화된 탐색 로직을 이용한 콘텐츠 제공 방법 및 시스템 KR102622258B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210049921A KR102622258B1 (ko) 2021-04-16 2021-04-16 개인화된 탐색 로직을 이용한 콘텐츠 제공 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210049921A KR102622258B1 (ko) 2021-04-16 2021-04-16 개인화된 탐색 로직을 이용한 콘텐츠 제공 방법 및 시스템

Publications (2)

Publication Number Publication Date
KR20220143427A KR20220143427A (ko) 2022-10-25
KR102622258B1 true KR102622258B1 (ko) 2024-01-05

Family

ID=83804150

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210049921A KR102622258B1 (ko) 2021-04-16 2021-04-16 개인화된 탐색 로직을 이용한 콘텐츠 제공 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR102622258B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102679131B1 (ko) * 2022-12-26 2024-06-27 쿠팡 주식회사 콘텐츠 추천 방법 및 그 시스템

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101772404B1 (ko) 2012-12-14 2017-08-29 한국전자통신연구원 시청자 콘텐츠 선호도 추론 정확도 향상 방법 및 장치
KR102192863B1 (ko) * 2015-11-25 2020-12-22 어드밴스드 뉴 테크놀로지스 씨오., 엘티디. 정보 권고 방법 및 장치
KR102198818B1 (ko) 2019-04-30 2021-01-05 넷마블 주식회사 사용자 맞춤형 리액션을 제공하기 위한 컴퓨터 프로그램

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200107152A (ko) * 2019-03-06 2020-09-16 에스케이플래닛 주식회사 단말장치 및 단말장치의 동작 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101772404B1 (ko) 2012-12-14 2017-08-29 한국전자통신연구원 시청자 콘텐츠 선호도 추론 정확도 향상 방법 및 장치
KR102192863B1 (ko) * 2015-11-25 2020-12-22 어드밴스드 뉴 테크놀로지스 씨오., 엘티디. 정보 권고 방법 및 장치
KR102198818B1 (ko) 2019-04-30 2021-01-05 넷마블 주식회사 사용자 맞춤형 리액션을 제공하기 위한 컴퓨터 프로그램

Also Published As

Publication number Publication date
KR20220143427A (ko) 2022-10-25

Similar Documents

Publication Publication Date Title
US11526653B1 (en) System and method for optimizing electronic document layouts
KR101167139B1 (ko) 조사 시행 시스템 및 방법
TWI549079B (zh) 用於導引內容至一社群網路引擎之使用者的系統及方法
US20140279121A1 (en) Customizable and adjustable pricing of games
US20090216639A1 (en) Advertising selection and display based on electronic profile information
US11127066B2 (en) Multi-layer optimization for a multi-sided network service
CN102414706A (zh) 用于社交网络的AdHeat广告模型
EP2672448A1 (en) Providing feedback via a social network from a media distribution platform
CN109190028A (zh) 基于大数据的活动推荐方法、装置、电子设备及存储介质
WO2018054328A1 (zh) 一种用户特征提取方法、装置及存储介质
KR20100003117A (ko) 사용자 맞춤형 위젯 추천 장치 및 그 방법
US20170365014A1 (en) Systems, methods and non-transitory computer readable storage media for tracking and evaluating predictions regarding relationships
US11900424B2 (en) Automatic rule generation for next-action recommendation engine
US11514123B2 (en) Information retrieval system, method and computer program product
US9727883B2 (en) Methods and systems for conducting surveys and processing survey data to generate a collective outcome
US10795648B2 (en) Systems and methods of developments, testing, and distribution of applications in a computer network
KR102622258B1 (ko) 개인화된 탐색 로직을 이용한 콘텐츠 제공 방법 및 시스템
CN114556330A (zh) 评估数字内容的视觉质量
JP6584584B1 (ja) 情報処理装置、情報処理方法、および情報処理プログラム
CN113901313A (zh) 游戏推荐方法、装置、可读介质、及电子设备
KR102488807B1 (ko) 사용자 이용 분석에 따른 교육 콘텐츠에 대한 보상 산정 방법
US20180336281A1 (en) Creator Aware and Diverse Recommendations of Digital Content
US12093965B1 (en) Systems and methods for generating response records for individual users based on user responses to prompts
JP7545776B1 (ja) 情報処理システム及びプログラム
JP2023178593A (ja) 情報処理装置、情報処理方法及び情報処理プログラム

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant