KR20040033037A - 협동 필터링을 포함하는 4-웨이 추천 방법 및 시스템 - Google Patents

협동 필터링을 포함하는 4-웨이 추천 방법 및 시스템 Download PDF

Info

Publication number
KR20040033037A
KR20040033037A KR10-2004-7003525A KR20047003525A KR20040033037A KR 20040033037 A KR20040033037 A KR 20040033037A KR 20047003525 A KR20047003525 A KR 20047003525A KR 20040033037 A KR20040033037 A KR 20040033037A
Authority
KR
South Korea
Prior art keywords
data
viewing
viewer
group
recommendation
Prior art date
Application number
KR10-2004-7003525A
Other languages
English (en)
Inventor
샤프너제임스디
구타스리니바스브이알
쿠라파티카우샬
Original Assignee
코닌클리케 필립스 일렉트로닉스 엔.브이.
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 코닌클리케 필립스 일렉트로닉스 엔.브이. filed Critical 코닌클리케 필립스 일렉트로닉스 엔.브이.
Publication of KR20040033037A publication Critical patent/KR20040033037A/ko

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4661—Deriving a combined profile for a plurality of end-users of the same client, e.g. for family members within a home
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/252—Processing of multiple end-users' preferences to derive collaborative data
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
    • H04N21/25866—Management of end-user data
    • H04N21/25891—Management of end-user data being end-user preferences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
    • H04N21/44213—Monitoring of end-user related data
    • H04N21/44222—Analytics of user selections, e.g. selection of programs or purchase activity
    • H04N21/44224—Monitoring of user activity on external systems, e.g. Internet browsing
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
    • H04N21/4663—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms involving probabilistic networks, e.g. Bayesian networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
    • H04N21/4665—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms involving classification methods, e.g. Decision trees
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/47—End-user applications
    • H04N21/475—End-user interface for inputting end-user data, e.g. personal identification number [PIN], preference data
    • H04N21/4755—End-user interface for inputting end-user data, e.g. personal identification number [PIN], preference data for defining user preferences, e.g. favourite actors or genre
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/47—End-user applications
    • H04N21/475—End-user interface for inputting end-user data, e.g. personal identification number [PIN], preference data
    • H04N21/4756—End-user interface for inputting end-user data, e.g. personal identification number [PIN], preference data for rating content, e.g. scoring a recommended movie
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/16—Analogue secrecy systems; Analogue subscription systems
    • H04N7/173—Analogue secrecy systems; Analogue subscription systems with two-way working, e.g. subscriber sending a programme selection signal
    • H04N7/17309—Transmission or handling of upstream communications
    • H04N7/17318—Direct or substantially direct transmission and handling of requests

Abstract

1차 시청자(14) 및 다른 2차 시청자들(15 내지 17)에 대응하는 피드백 데이터(D3, D4, D12a 내지 D12c, D15a 내지 D15c), 묵시적 데이터(D7, D8, D17a 내지 D17c, D19a 내지 D19c) 및/또는 명시적 데이터(D11, D21a 내지 D21c)에 기초한 1차 시청자(14)를 위한 항목 추천을 제공하기 위한 자동화된 협동 필터링 방법을 채용하는 시스템이 개시되어 있다. 자동 협동 필터링 프로세스의 제 1 작용은 1차 시청자(14)에 의한 항목들의 제 1 그룹의 시청을 나타내는 데이터(D3, D4, D7, D8, D11)를 2차 시청자들(15 내지 17)에 의한 항목들의 제 2 그룹의 시청을 나타내는 데이터(D12a 내지 D12c, D15 내지 D15c, D17a 내지 D17c, D19a 내지 D19c, D21a 내지 D21c)와 매칭시키는 것이다. 자동화된 협동 필터링 프로세스의 두 번째 작용은 제 1 작용에서 달성된 데이터 매칭에 비교된, 항목의 하나 또는 그 이상의 속성들을 나타내는 데이터(D13)의 함수로서 1차 시청자(14)에 의해 미시청된 항목의 추천(D14, D16, D18, D20, D22, D23)를 생성하는 것이다.

Description

협동 필터링을 포함하는 4-웨이 추천 방법 및 시스템{Four-way recommendation method and system including collaborative filtering}
종래의 전자 프로그램 가이드는 다수의 가용 채널들을 위한 프로그램들의 목록을 디스플레이한다. 목록은 국지적으로 생성될 수 있으며, 상호작용식으로 디스플레이될 수 있다. 목록은 일반적으로, 격자내에 배열된다. 격자의 각 열은 특정 방송 채널 또는 케이블 채널(예로서, NBC, CBS, ABC, PBS, CNN, ESPN, HBO, MAX 등)을 나타낸다. 격자의 각 행은 특정 시간 슬롯(예로서, 오전 12:00으로부터 시작하는 30분 시간 슬롯들)을 나타낸다. 다수의 열들 및 다수의 행들이 동시에 스크린상에 디스플레이될 수 있다. 다양한 계획된 프로그램들 또는 쇼들이 열들 및 행들내에 배열되어 그에 의해, 그들이 개별적으로 발견될 수 있는 채널들 및 시간들을나타낸다. 격자는 수직방향으로 스크롤될 수 있으며, 그래서, 시청자는 주어진 시간 간격내의 다른 채널들을 통해 조사할 수 있다. 또한, 격자는 디스플레이되는 시간 간격을 변경하기 위해 수평방향으로 스크롤될(panned) 수도 있다.
가용 프로그램들에 관한 데이터는 데이터 기록들의 집합으로서 케이블 시스템 또는 전화선에 의해 수신될 수 있다. 각 가용 프로그램은 그 채널, 그 시작 및 종료 시간들, 그 제목, 유명 배우들의 이름들, 폐쇄 캡셔닝 및 스테레오가 가용한지 여부 및 가능하게는 프로그램의 간단한 설명 같은 프로그램에 관한 정보를 포함하는 단일 대응 데이터 기록을 가질 수 있다. 데이터 기록들의 이들 유형들로부터 상술한 바와 같은 격자를 포맷형성하는 것은 어렵지 않다. 일 주기(예로서, 2주)에 걸친 데이터가 일반적으로 한번에 서버(예로서, 케이블 시스템의 헤드엔드)에서 포맷형성되며, 반복적으로, 그리고 연속적으로, 케이블 시스템이 서비스하는 가정들에게로 방송된다. 대안적으로, 데이터는 전화선 또는 다른 네트워크를 경유하여, 주문시 또는 사전결정된 스케줄로 다운로딩될 수 있다.
전자 프로그램 가이드 시스템은 시청자 인터페이스를 가진 디바이스(이하, "시청자 인터페이스 디바이스")상에서 구동될 수 있다. 시청자 인터페이스 디바이스는 셋-톱 박스(STB), 범용 목적 컴퓨터, 이식형 시스템, 텔레비전내의 콘트롤러 또는 통신 네트워크의 서버나 인터넷 서버의 형태일 수 있다. 시청자 인터페이스 디바이스는 디스플레이들을 생성하고, 시청자로부터의 입력들을 수신하기 위해 TV에 연결된다. 새로운 행 또는 열로 스크롤할 때, 시청자 인터페이스 디바이스는 새로운 열 또는 행을 위해 표시되어야할 필요가 있는 프로그래밍 정보에 관하여 저장된데이터베이스(시청자 인터페이스 디바이스 내부 또는 소정의 장소에)로부터 적절한 정보를 검색할 수 있다. 예로서, 새로운 행으로 스크롤할 때, 새로운 시간 슬롯에 들어가는 프로그램들이 디스플레이될 필요가 있다.
전자 프로그램 가이드는 마이레이드(myraid) 텔레비전 및 다른 미디어 시청 선택들 중으로부터의 선택의 관리를 용이하게 한다. 전자 프로그램 가이드의 상호작용형 어플리케이션은 시청자 선호도 데이터베이스를 구축하고, 이 선호도 데이터를 추천들, 선택 작업의 단순화를 위한 현재 또는 미래 프로그래밍 정보의 여과 및 심지어 시청자를 대신한 선택들을 위해 사용한다. 예로서, 시스템은 시청자로부터의 특정 요청 없이 프로그램을 녹화하거나, 추천하는 선택들을 하이라이트처리할 수 있다.
선호도 데이터베이스 구축을 위한 디바이스의 제 1 유형은 묵시적 프로필러(profiler)이다. 시청자는 원료 전자 프로그램 가이드 데이터로부터 정상적인 형태로 선택들을 수행하기만 하며, 묵시적 프로필러는 선택들로부터 시청자의 거동의 모델을 추출함으로써 개인 선호도 데이터베이스를 점진적으로 구축한다. 그후, 추천기는 이 모델을 사용하여 시청자가 미래에 어떤 것을 시청하기를 선호할 것인지에 대한 예측들을 수행한다. 이 추출 프로세스는 동일 항목을 위한 반복된 요청들의 검출에 의해 명백한 기호들을 식별하는 것 같은 단순한 알고리즘들을 따르거나, 다수의 입력들(자유도들)을 가지는 판정 트리 기술 같은 정교한 기계 학습 프로세스일 수 있다. 이런 모델들은 일반적으로 말하여, 시청자의 상호작용 거동(즉, 선택들을 이루기 위한 시청자 인터페이스 디바이스와의 상호작용)의 패턴들을찾는다.
시청의 시청자 패턴으로부터 유용한 정보를 추출하기 위한 묵시적 프로필러에 의해 이행되는 한가지 기술은 속성값 카운트들의 표를 생성하는 것이다. 속성의 예는 "낮시간"이며, 대응 값은 "아침"일 수 있다. 선택이 이루어질 때, 그 선택을 특징짓는 속성값들의 카운트들이 증분된다. 일반적으로, 주어진 선택은 다수의 속성값들을 가질 것이다. 음성적 선택들의 집합이 그로부터 선택이 감소되는 쇼들)선택적으로, 동시에)의 부분집합을 선택함으로써 생성될 수도 있다. 그 각 속성값 카운트들은 감소(또는, 비시청 쇼들을 위한 카운트가 증분)될 것이다. 이 데이터는 Bayesian 예측기의 형태의 묵시적 프로필러에 보내지며, 이 예측기는 일 후보가 시청자에 의해 선호될 가능성을 예측하기 위해 후보들을 특징화하는 특성 카운트들에 대한 가중치들로서 이 카운트들을 사용한다. Bayesian 예측기의 예는 그 전문을 본 명세서에 기술하고 있는 것처럼 전문을 본 명세서에서 참조하고 있는 2000년 2월 4일자로 출원된 발명의 명칭이 "BAYESIAN TV SHOW RECOMMENDER"인 미국 특허 출원 번호 제 09/498,271호에 기술되어 있다. 시청자 거동의 관찰들로부터 수동적으로 묵시적 프로필들을 구축하는 규칙 기반 묵시적 프로필러는 또한 1999년 1월 14일자로 출원된 발명의 명칭이 "INTELLIGENT ELECTRONIC PROGRAM GUIDE"인 PCT 출원 공보 제 99/01984에도 기술되어 있다.
묵시적 프로필러의 다른 예는 MbTV에 통합되어 있는 것이며, 이 시스템은 그 시청 패턴들을 모니터링함으로써, 시청자의 텔레비전 시청 선호도들을 학습한다. MbTV는 투과적으로 동작하며, 시청자의 기호들의 프로필을 구축한다. 이 프로필은예로서, 시청자가 시청을 관심있어할 수 있는 텔레비전 프로그램들을 추천하는 서비스들을 제공하기 위해 사용된다. MbTV는 그 시청자들의 기호들 각각에 대해 학습하고, 학습한 바를 다가오는 프로그램들을 추천하기 위해 사용한다. MbTV는 시청자들이 원하는 다가올 프로그램들에 대해 그들을 변경함으로써 그 텔레비전 시청 시간을 계획할 수 있게 도우며, 저장 디바이스의 추가와 함께, 시청자의 부재시 자동으로 이들 프로그램들을 녹화한다.
MbTV는 선호도 결정 엔진 및 저장 관리 엔진을 갖는다. 이들은 시간 이동형 텔레비전을 용이하게 하기 위해 사용된다. MbTV는 원하는 프로그래밍을 단순히 추천하는 대신 자동으로 녹화한다. MbTV의 저장 관리 엔진은 저장 디바이스가 최적의 콘텐츠들을 갖는 것을 보증하기를 시도한다. 이 프로세스는 어떤 기록된 프로그램들이 시청되고(완전히 또는 부분적으로), 어떤 것이 무시되었는지를 추적하는 것을 수반한다. 시청자들은 삭제 방지를 위해 미래의 시청을 위하여 기록된 프로그램들을 "쇄정"할 수 있다. 시청자들이 프로그램 추천들 또는 기록된 콘텐트를 취급하는 방식은 MbTV의 선호도 엔진에 부가적인 피드백을 제공하며, 이는 이 정보를 미래의 판정들을 정교화하기 위해 사용한다.
MbTV는 각 "구성원 관심"을 나타내기 위해 기록 공간의 일부를 보전한다. 이 "관심들"은 다른 일족의 멤버들로 해석되거나, 다른 기호 카테고리들을 나타낼 수 있다. 비록, MbTV가 시청자 개입을 필요로하지 않지만, 이는 그 기능들의 미세조율을 원하는 자들에 의해 맞춤화될 수 있다. 시청자들은 프로그램들의 다른 유형들을 위한 "저장 예산"에 영향을 미칠 수 있다. 예로서, 시청자는 아이들이 가족내에서대부분의 텔레비전을 시청하지만, 텔레비전의 기록 공간의 25% 미만이 아동 프로그램들에 의해 소비되어야 한다는 것을 나타낼 수 있다.
선호도 데이터베이스를 구축하기 위한 디바이스의 두 번째 유형은 명시적 프로필러이다. 명시적 프로필러는 시청자가 등급설정 특징들에 의해 좋아하는 것들 및 좋아하지 않는 것들을 지정할 수 있게 한다. 이들은 속성값 쌍들(예로서, John Wayne의 값 및 배우의 속성을 위해 1 내지 7의 스케일상에서 극도의 선호에 대한 7) 또는 "다큐멘터리들을 좋아하지만, 갱(gang)이 끝난 심야인 목요일에는 그렇지 않음" 처럼 속성값 쌍들의 조합들 같은 소정의 다른 규칙-명세일 수 있다. 예로서, 시청자는 시청자 인터페이스 디바이스를 통해, 드라마 및 액션 영화들을 가장 선호한다는 것 및 특정 배우는 싫어한다는 것을 나타낼 수 있다. 그후, 이들 기준들은 프로그램들의 집합 중으로부터 시청자에 의해 선호될 수 있는 것을 예측하기 위해 적용될 수 있다.
EP 출원(EP 0854645A2)은 선호하는 프로그램 카테고리 예로서, 시트콤, 드라마 시리즈들, 고전 영화들 등 같은 일반적 선호도들을 시청자가 입력할 수 있게 하는 명시적 프로필러를 가지는 시스템을 기술한다. 또한, 이 출원은 선호도 프로필들이 선택될 수 있는 선호도 탬플릿들, 예로서, 10 내지 12세 아동을 위한 것, 10대 소녀들을 위한 다른 것 및 항공기 취미인들을 위한 다른 것 등을 기술한다.
선호도 데이터베이스를 구축하기 위한 디바이스의 세 번째 유형은 피드백 프로필러이다. 예로서, 현재, TiVo(R)는 시청자들이 3 썸업(thumbs up)으로부터 3 썸다운 까지를 쇼에 줄 수 있게 한다. 발명의 명칭이 "System and Method for UsingTelevision Schedule Information"인 PCT 출원 WO 97/4924는 피드백 프로필러를 통합하는 시스템의 예이다. 이 출원은 시청자가 통상적 격자 형태로 디스플레이되는 전자 프로그램 가이드를 통해 항행하여 다양한 프로그램들을 선택할 수 있는 시스템을 기술한다. 각 지점에서, 그/그녀는 녹화 또는 시청을 위한 프로그램 선택, 프로그램 시청을 위한 리마인더의 계획 및 선호물로서의 지정을 위한 프로그램의 선택을 포함하는 소정의 다양한 기술된 임무들을 수행할 수 있다. 프로그램을 선호물로서 지정하는 것은 아마도 "이 쇼의 시청 옵션을 항상 디스플레이" 같은 고정된 규칙을 이행 또는 반복 리마인더의 이행을 위한 것이다. 선호물들을 지정하는 목적은 이 출원에 명백히 기술되어 있지 않다. 그러나, 보다 중요하게, 선호도 데이터베이스를 생성하는 목적은 시청자가 프로그램을 선호물로서 지정할 때, 그녀/그는 그것이 선호물인 이유를 나타내는 옵션을 제공받을 수 있다. 이 이유는 일반적 선호도들을 규정함으로써 다른 명시적 기준들과 동일한 형태로 나타내진다.
묵시적 프로필링 시스템은 시청자가 어떠한 피드백 데이터 또는 명시적 데이터도 제공할 필요가 없기 때문에 시청자에게 보다 용이하다는 장점을 가진다. 시청자는 단지 시스템과 상호작용한다. 명시적 프로필링 시스템 및 피드백 프로필링 시스템은 신뢰성이 있지만, 시청자가 어떤 기준들이 양호한 구별자들인지를 판정하고, 그들에게 어떤 가중을 주어야하는지를 판정할 수 있는 지점까지 그 자신의 선호도들을 요약하는 힘든 시간을 가질 수 있기 때문에, 불완전하다. 피드백 프로필링 시스템은 아마도 최상의 품질의 정보를 제공하지만, 생성하기가 부담스러울 수 있고, 여전히 명시적 프로필링 시스템으로 얻어질 수 있는 모든 정보를 포함할 수없으며, 또한, 묵시적 프로필링 시스템처럼 많은 쇼들에 대한 정보를 필요로할 수 있다.
부가적으로, 프로필링 시스템들의 피드백 유형 및 묵시적 유형은 시청자와 함께 "콜드 스타트"라 알려진 것을 겪는다. 명확히 말하면, 시청자 선호도 데이터베이스를 구축하는 프로필링 시스템들의 이들 유형들의 유효도는 시청자와 시스템 사이의 상호작용의 완성과 함께 증가한다. 따라서, 시스템과 시청자 사이의 상호작용의 초기 단계들 동안 시청자 선호도 데이터베이스를 구축하는 프로필링 시스템의 각 유형의 유효도는 제한되게 된다.
"콜드 스타트" 시나리오를 해결하기 위한 한가지 방법은 US 특허 제 4,996,642 및 US 특허 제 5,790,426에 기술된 시스템들 같은 자동 협동 필터링 시스템의 활용이다. 미시청된 항목의 추천을 요청하는 시청자에 응답하여, 이들 종래 기술 시스템들은 2차 시청자들의 그룹에 의해 시청된 항목들의 순위들 및 요청 시청자에 의해 시청된 항목들의 순위들에 기반한다. 그러나, 이들 종래 기술 시스템들은 미시청 항목 및 시청 항목들의 지정 특징들에 대한 어떠한 직접적 고려도 제공하지 않는다. 결과적으로, 시청자에게 제공된 추천은 미시청 항목의 지정 특징들의 시청자의 의견으로부터 벗어날 수 있다. 부가적으로, 미시청 항목은 2차 시청자들의 그룹에 의해 시청된 항목들내에 포함될 수 없다. 그러나, 종래 기술 시스템들은 2차 시청자들의 그룹에 의해 미시청된 항목들을 위한 추천들을 생성하기 위한 어떠한 방법들도 제공하지 않는다. 본 발명은 이들 문제점들을 해결한다.
본 발명은 일반적으로 다수의 미디어 콘텐트 선택들(예로서, 텔레비전 프로그래밍, 차트실들, 주문형 비디오 미디어 파일들, 오디오 등)을 관리시 미디어 시청자들을 보조하기 위한 전자 프로그램 가이드를 사용하는 시스템들에 관한 것이다. 본 발명은 특히, 시청자들에게 선택들을 추천하고, 추천들에 기초한 작용들(예로서, 시청자를 대신한 프로그램 녹화)을 취하기 위한 "지능"을 가지는 시스템들에 관한 것이다.
도 1은 자동 협동 필터링 시스템의 본 발명에 따른 일 실시예의 개략도.
도 2는 도 1의 시스템내에 사용된 컴퓨터 하드웨어의 본 발명에 따른 일 실시예의 블록도.
도 3a는 본 발명의 프로필링 루틴의 흐름도.
도 3b는 본 발명의 프로그램 추천 루틴의 흐름도.
도 4a는 도 3a의 루틴을 이행하기 위해 도 1 시스템내에서 사용되는 피드백 추천 소프트웨어의 일 실시예의 블록도.
도 4b는 도 3a 루틴을 이행하기 위해 도 1 시스템내에 사용된 묵시적 프로필링 소프트웨어의 일 실시예의 블록도.
도 4c는 도 3a 루틴을 이행하기 위해 도 1 시스템내에 사용된 명시적 프로필링 소프트웨어의 일 실시예의 블록도.
도 5는 본 발명의 협동 필터링 루틴의 흐름도.
도 6a는 도 5 루틴을 이행하기 위해 도 1 시스템내에 사용된 피드백 필터링 소프트웨어의 제 1 실시예의 블록도.
도 6b는 도 5 루틴을 이행하기 위해 도 1 시스템내에 사용된 피드백 필터링 소프트웨어의 제 2 실시예의 블록도.
도 6c는 도 5 루틴을 이행하기 위해 도 1 시스템내에 사용된 묵시적 필터링 소프트웨어의 제 1 실시예의 블록도.
도 6d는 도 5 루틴을 이행하기 위해 도 1 시스템내에 사용된 묵시적 필터링 소프트웨어의 제 2 실시예의 블록도.
도 6e는 도 5 루틴을 이행하기 위해 도 1 시스템내에 사용된 명시적 필터링 소프트웨어의 일 실시예의 블록도.
도 6f는 도 5 루틴을 이행하기 위해 도 1 시스템내에 사용된 조합 필터링 소프트웨어의 다양한 실시예들의 블록도.
본 발명은 종래 기술과 연계된 단점들을 극복하는 협동 필터를 포함하는 4-웨이 미디어 추천 방법 및 시스템에 관련한다. 특히, 본 발명은 시스템의 소정의 사용자에 의해 순위설정되지 않은 항목들의 협동 필터링의 적용을 용이하게 한다. 본 발명의 다양한 양태들은 신규하며, 명백하고, 다양한 장점들을 제공한다. 여기에 포괄된 본 발명의 실제 특성은 단지 첨부된 청구범위를 기준으로하여서만 결정되지만, 여기에 기술된 실시예들의 특징인 특정 특징들은 하기와 같이 간단히 기술된다.
본 발명의 일 형태는 1차 시청자에 의한 항목의 추천을 제공하기 위한 자동화된 협동 필터링 방법이다. 먼저, 1차 시청자에 의한 항목들의 제 1 그룹의 시청을 나타내는 데이터가 2차 시청자들의 그룹에 의한 항목들의 제 2 그룹의 시청을 나타내는 데이터의 부분집합에 매칭된다. 두 번째로, 항목의 추천이 항목의 하나이상의 속성들을 나타내는 데이터 및 매칭된 데이터의 부분집합의 함수로서 생성된다.
본 발명의 제 2 형태는 1차 시청자에게 항목의 추천을 제공하기 위한 자동화된 협동 필터링 시스템이다. 시스템은 2차 시청자들의 그룹에 의한 항목들의 제 2 그룹의 시청을 나타내는 데이터의 부분집합에 1차 시청자에 의한 항목들의 제 1 그룹의 시청을 나타내는 데이터를 매칭시키기 위한 제 1 모듈을 포함한다. 이 시스템은 매칭된 데이터의 부분집합과 제 1 항목의 하나 또는 그 이상의 속성들을 나타내는 데이터의 함수로서 미시청 항목의 추천을 생성하기 위한 제 2 모듈을 더 포함한다.
본 발명의 제 3 형태는 1차 시청자에게 항목의 추천을 제공하기 위한 컴퓨터 가독형 매체내의 컴퓨터 프로그램 제품이다. 컴퓨터 프로그램 제품은 2차 시청자의 그룹에 의한 항목들의 제 2 그룹의 시청을 나타내는 데이터의 부분집합에 1차 시청자에 의한 항목들의 제 1 그룹의 시청을 나타내는 데이터를 매칭시키기 위한 컴퓨터 가독형 코드를 포함한다. 컴퓨터 프로그램 제품은 매칭된 데이터의 부분집합과 항목의 하나 또는 그 이상의 속성들을 나타내는 데이터의 함수로서 항목의 추천을 생성하기 위한 컴퓨터 가독형 코드를 더 포함한다.
본 발명의 상술한 형태들 및 다른 형태들, 특징들 및 장점들은 첨부 도면과 연관하여 읽혀지는 현재의 양호한 실시예들의 하기의 상세한 설명으로부터 추가로 명백해질 것이다. 상세한 설명 및 도면들은 본 발명을 한정하지 않는 단지 예시일 뿐이며, 본 발명의 범주는 첨부된 청구범위 및 그 등가체들에 의해 규정된다.
본 발명의 자동 협동 필터링 시스템이 도 1에 도시되어 있다. 이 시스템은 어플리케이션 서버(11a), 데이터베이스 서버(11b), 시청자 컴퓨터(12a), 시청자 컴퓨터(12b), 시청자 컴퓨터(12c) 및 시청자 컴퓨터(12d) 사이에서 통신 링크들을 제공하기 위해 사용되는 매체인 네트워크(10)를 포함한다. 네트워크(10)는 유선 또는 광섬유 케이블들 같은 영구적 연결들 또는 전화 또는 무선 통신을 통해 형성된 일시 연결들을 포함할 수 있다. 네트워크(10)는 인터넷, 익스트라넷, 인트라넷, 지역 네트워크(LAN), 광역 네트워크(WAN)의 형태 또는 본 기술 분야의 통상적인 지식을 가진 자들이 상기할 수 있는 바와 같은 다른 형태들일 수 있다.
시청자 컴퓨터(12a 내지 12d)는 2차 시청자들(14 내지 17)의 그룹에 의해 텔레비전 프로그램들을 시청하기 위해 각각 사용되는 텔레비전들(13a 내지 13d)의 그룹과 각각 통신(일시 또는 영구적으로)한다.
어플리케이션 서버(11a) 및 데이터베이스 서버(11b)는 본 발명의 프로필링 루틴(30)(도 3a) 및 프로그램 추천 루틴(40)(도 3b)을 이행하기 위해, 구매칭된 입력들을 받아들이고, 사전규정된 규칙들에 따라 입력들을 처리하고, 처리 결과들을 출력하기 위한 소정의 형태로 구성될 수 있다. 시청자 컴퓨터들(12a 내지 12d)은 본 발명의 협동 필터링 루틴(80)(도 5)을 이행하기 위해 구매칭된 입력들을 수용하고, 사전결정된 규칙들에 따라 입력들을 처리하고, 처리 결과들을 출력하기 위한 소정의 형태로 구성될 수 있다. 어플리케이션 서버(11a), 어플리케이션 서버(11b) 및 시청자 컴퓨터들(12a 내지 12d)내에 사용된 컴퓨터 하드웨어의 일 실시예가 도 2에 예시되어 있다. 컴퓨터 하드웨어는 하나 또는 그 이상의 중앙 처리 장치들(CPU)(21), 판독 전용 메모리(ROM)(22), 임의 접근 메모리(RAM)(23) 및 콘트롤러들(24a 내지 24d) 사이에 전기적 통신을 촉진하기 위한 버스(20)를 포함한다.
각 CPU(21)는 인텔 계열의 마이크로프로세서들 중 하나, AMD 계열의 마이크로프로세서들 중 하나 또는 모토롤라 계열의 마이크로프로세서들 중 하나인 것이 적합하다. ROM(22)은 다양한 제어 프로그램들을 영구적으로 저장한다. RAM(23)은 종래의 오퍼레이팅 시스템을 로딩하고, 선택적으로, 제어 프로그램들을 로딩하기 위한 메모리이다.
콘트롤러(24a)는 통상적으로 CPU(21)와 하드 디스크 드라이브(25a) 사이의 상호작용을 용이하게 한다. 하드 디스크 드라이브는 종래의 오퍼레이팅 시스템 및 어플리케이션 프로그램들을 저장한다. 콘트롤러(24b)는 통상적으로 CPU(21)와 CD ROM 드라이브(25b) 사이의 상호작용을 용이하게 하며, 그에 의해, CD ROM 디스크(26)상의 소정의 프로그램들이 하드웨어상에 설치될 수 있다. 콘트롤러(24b)는 통상적으로 CPU(21)와 디스켓 드라이브(25c) 사이의 상호작용을 용이하게 하며, 그에 의해 디스켓(27)상의 소정의 프로그램들이 하드웨어상에 설치될 수 있다. 콘트롤러(24d)는 통상적으로 CPU(21)와 네트워크(10) 사이의 상호작용을 용이하게 한다.
본 발명의 원리들을 이행하기 위해, 도 2에 예시된 컴퓨터 하드웨어는 본 기술 분야의 통상적인 지식을 가진 자들이 상기할 수 있는 바와 같은 부가적인 하드웨어 콤포넌트들을 포함할 수 있다. 부가적으로, 본 기술 분야의 통상적인 지식을 가진 자들이 상기할 수 있는 바와 같이, 어플리케이션 서버(11a), 어플리케이션 서버(11b) 및 시청자 컴퓨터들(12a 내지 12d)은 도 2에 도시된 컴퓨터 하드웨어의 변경된 버전 또는 그 대안적인 실시예를 가질 수 있다.
프로필링 루틴(30)(도 3a) 및 프로그램 추천 루틴(40)(도 3b)을 이제시청자(14)에 대응하는 시청 데이터에 관련하여 설명할 것이며, 협동 필터링 루틴(80)(도 5)이 이제 시청자들(14 내지 17)에 대응하는 시청 데이터에 관련하여 여기에 설명될 것이다. 그러나, 본 기술 분야에 대한 통상적인 지식을 가진 자들은 현저한 수의 시청자들(예로서, 100 내지 10,000)이 본 발명의 자동 협동 필터 시스템에 능동적으로 수반되는 시나리오들에서의 루틴(30) 및 루틴(80)의 실행을 인지할 것이다.
도 3a에 예시된 바와 같은 루틴(30)은 예로서, 피드백 프로필링 소프트웨어(50)(도 4a), 묵시적 프로필링 소프트웨어(60)(도 4b) 및 명시적 프로필링 소프트웨어(70)(도 4c) 같은 다수의 형태들로 이행될 수 있다. 시청 컴퓨터(12a)의 컴퓨터 가독형 매체(예로서, 하드 디스크 드라이브(25a), CD ROM 디스크(26), 플로피 디스크(27) 또는 소정의 다른 형태)는 소프트웨어(50), 소프트웨어(60) 및/또는 소프트웨어(70)에 대응하는 컴퓨터 가독형 코드를 담기 위해, 전기적으로, 자기적으로, 광학적으로 또는 화학적으로 변경된다. 대안적으로, 소프트웨어(50), 소프트웨어(60) 및/또는 소프트웨어(70)는 아날로그 회로, 디지털 회로 또는 양자 모두에 의해 시청 컴퓨터(12a)내에 부분적으로 또는 완전히 구현될 수 있다.
루틴(30)의 스테이지 S32 동안, 시청 컴퓨터(12a)는 시청자(14)에 대응하는 시청 데이터를 수신 및 저장한다. 도 4a에 예시된 바와 같이, 스테이지 S32 동안, 소프트웨어(50)는 프로그램(X) 및 스코어(Y)의 형태로 시청 데이터(D1)를 수신하고, 시청 데이터(D1)를 피드백 히스토리 데이터베이스(DB1)내에 저장된 시청 데이터(D2)로 포맷형성하기 위한 종래의 피드백 사용자 인터페이스(51)를 포함한다. 도 4b에 예시된 바와 같이, 스테이지 S32 동안, 소프트웨어(60)는 프로그램(X) 형태의 시청 데이터(D5)를 수신하고, 시청 데이터(D5)를 묵시적 히스토리 데이터베이스(DB3)내에 저장된 시청 데이터(D6)로 포맷형성하기 위한 종래의 묵시적 사용자 모니터(61)를 포함한다. 도 4c에 예시된 바와 같이, 스테이지 S32 동안, 소프트웨어(70)는 시청자 선호도들의 형태로 시청 데이터(D9)를 수신하고, 시청 데이터(D9)를 시청 데이터(D10)로 포맷형성하기 위한 종래의 명시적 사용자 인터페이스(71)를 포함한다.
루틴(30)의 스테이지 S34 동안, 시청 컴퓨터(12a)는 시청자(14)의 시청 프로필을 갱신한다. 도 4a에 예시된 바와 같이, 스테이지 S34 동안, 소프트웨어(50)는 피드백 히스토리 데이터(D3)에 응답하여 피드백 프로필 데이터(D4)를 생성하고, 피드백 프로필 데이터(D4)를 피드백 프로필 데이터베이스(DB2)에 저장하기 위한 종래의 피드백 프로필 모듈(52)을 포함한다. 도 4b에 예시된 바와 같이, 스테이지 S34 동안 소프트웨어(60)는 묵시적 히스토리 데이터(D7)에 응답하여 묵시적 프로필 데이터(D8)를 생성하고, 묵시적 프로필 데이터(D8)를 묵시적 프로필 데이터베이스(DB4)내에 저장하기 위한 종래의 묵시적 프로필 모듈(62)을 포함한다. 도 4c에 예시된 바와 같이, 스테이지 S34 동안, 소프트웨어(70)는 시청 데이터(D10)에 응답하여 명시적 프로필 데이터(D11)를 생성하고, 명시적 프로필 데이터(D11)를 명시적 프로필 데이터베이스(DB5)내에 저장하기 위한 종래의 명시적 프로필 모듈(72)을 포함한다.
소프트웨어(50), 소프트웨어(60) 및 소프트웨어(70)는 스테이지 S34의 완료 이후, 루틴(30)을 종결한다.
도 3b에 예시된 바와 같이, 루틴(40)은 예로서, 본 명세서에서 전문을 참조하고 있는, 본 발명의 양수인에게 각각 양도된, 1999년 12월 17일자로 출원된 발명의 명칭이 "Method and Apparatus for Recommending Television Programming Using Decision Tree"인 미국 특허 출원 제 09/466,406 호 및 2000년 2월 4일자로 출원된 발명의 명칭이 "Bayesian TV Show Recommender"인 미국 특허 출원 제 09/498,271 호에 기술된 프로그램 추천 프로세스 같이, 본 발명의 원리들하에서 다수의 형태들로 이행될 수 있다. 시청 컴퓨터(12a)의 컴퓨터 가독형 매체(예로서, 하드 디스크 드라이브(25a), CD ROM 디스크(26), 플로피 디스크(27) 또는 소정의 다른 형태)는 소프트웨어 이행 루틴(40)에 대응하는 컴퓨터 가독형 코드를 담기 위해 전기적으로, 자기적으로, 광학적으로 또는 화학적으로 변경된다. 대안적으로, 소프트웨어는 아날로그 회로, 디지털 회로 또는 양자 모두에 의해 시청 컴퓨터(12a)내에 부분적으로 또는 완전히 구현될 수 있다.
루틴(40)의 스테이지 S42 동안, 시청 컴퓨터(12)는 프로그램(X)에 대응하는 속성 코드를 수신한다. 루틴(50)의 스테이지 S44 동안, 시청 컴퓨터(12a)는 시청자(14)가 시청자(14)에 대한 고정된 수의 추천 보다 작은 수를 제공받을 때(예로서, 20 추천들 미만), 콜드 스타트 시나리오를 겪었다는 것을 판정한다.
시청 컴퓨터(12a)가 시청자(14)가 스테이지 S44 동안 콜드 스타트 시나리오를 겪지 않은 것으로 판정할 때, 시청 컴퓨터(12a)는 통상적으로 루틴(40)의 스테이지 S64a 동안 미국 특허 출원 제 09/466,406 호 또는 미국 특허 출원 제 09/498,271 호에 따른 프로그램 추천을 생성하고, 스테이지 S46 동안 추천을 디스플레이한다.
시청자 컴퓨터(12a)가 스테이지 S44 동안 시청자(14)가 콜드 스타트 시나리오를 겪은 것으로 판정할 때, 시청 컴퓨터(12a)는 스테이지 S46a 동안 프로그램(X)의 추천을 생성하기 위해 사용된 어플리케이션 서버(11a)로부터 하나 또는 그 이상의 시청자들(15 내지 17)에 대응하는 시청 데이터를 수신하거나, 스테이지 S48 동안 디스플레이된 어플리케이션 서버(11a)로부터 프로그램(X)의 추천을 수신하는 어느 한쪽을 행하도록 루틴(40)의 스테이지 S46b로 진행한다. 어플리케이션 서버(11a)는 루틴(80)(도 5)의 실행의 결과로서 시청 데이터 또는 프로그램의 추천을 제공한다.
도 5에 예시된 바와 같은 루틴(80)은 예로서, 피드백 필터링 소프트웨어(90)(도 6a), 피드백 필터링 소프트웨어(100)(도 6b), 묵시적 필터링 소프트웨어(110)(도 6c), 묵시적 필터링 소프트웨어(120)(도 6d) 및 명시적 필터링 소프트웨어(130)(도 6e) 같은 다수의 형태들로 이행될 수 있다. 어플리케이션 서버(11a)의 컴퓨터 가독형 매체(예로서, 하드디스크 드라이브(25a), CD ROM 디스크(26), 플로피 디스크(27) 또는 소정의 다른 형태)는 소프트웨어(90), 소프트웨어(100), 소프트웨어(110), 소프트웨어(120) 및/또는 소프트웨어(130)에 대응하는 컴퓨터 가독형 코드를 담기 위해 전기적으로, 자기적으로, 광학적으로 또는 화학적으로 변경된다. 대안적으로, 소프트웨어90), 소프트웨어(100), 소프트웨어(110), 소프트웨어(120) 및/또는 소프트웨어(130)는 아날로그 회로, 디지털 회로 또는 양자 모두에 의해 어플리케이션 서버(11a)내에서 부분적으로 또는 완전히 구현될 수 있다.
루틴(80)의 스테이지 S82 동안, 어플리케이션 서버(11a)는 데이터베이스 서버(11b)로부터 시청자(14)(1차) 및 시청자들(15 내지 17)(2차)에 대응하는 시청 데이터를 검색한다. 네트워크(10)(도 1)를 경유한 데이터베이스 서버(11b)내의 시청자들(14 내지 17)에 대응하는 시청 데이터의 저장은 고정 또는 랜덤 계획으로 이루어질 수 있다. 데이터베이스 서버(11b)는 어플리케이션 서버(11a)에 의한 루틴(80)의 개시에 응답하여 시청자들(14 내지 17)에 대응하는 시청 데이터의 보다 현재의 버전을 저장하는 것이 적합하다.
도 6a에 예시된 바와 같이, 스테이지 S82 동안, 소프트웨어(90)의 협동 피드백 프로필 모듈(91)은 데이터베이스 서버(11b)의 피드백 프로필 데이터베이스(DB6)로부터 각각 시청자들(15 내지 17)에 대응하는 시청 데이터(D12a 내지 D12c) 및 시청자(14)에 대응하는 시청 데이터(D4)를 검색한다.
도 6b에 예시된 바와 같이, 스테이지 S82 동안 소프트웨어(100)의 협동 피드백 히스토리 모듈(101)은 데이터베이스 서버(11b)의 피드백 히스토리 데이터베이스(DB7)로부터 각각 시청자들(15 내지 17)에 대응하는 시청 데이터(D15a 내지 D15c) 및 시청자(14)에 대응하는 시청 데이터(D3)를 검색한다.
도 6c에 예시된 바와 같이, 스테이지 S82 동안 소프트웨어(110)의 협동 묵시적 프로필 모듈(111)은 데이터베이스 서버(11b)의 묵시적 프로필데이터베이스(DB8)로부터 각각 시청자들(15 내지 17)에 대응하는 시청 데이터(D17a 내지 D17c) 및 시청자(14)에 대응하는 시청 데이터(D8)를 검색한다.
도 6d에 예시된 바와 같이, 스테이지 S82 동안 소프트웨어(120)의 협동 묵시적 히스토리 모듈(121)은 데이터베이스 서버(11b)의 묵시적 히스토리 데이터베이스(DB9)로부터 각각 시청자들(15 내지 17)에 대응하는 시청 데이터(D19a 내지 D19c) 및 시청자(14)에 대응하는 시청 데이터(D7)를 검색한다.
도 6e에 예시된 바와 같이, 스테이지 S82 동안 소프트웨어(130)의 협동 명시적 프로필 모듈(131)은 데이터베이스 서버(11b)의 명시적 프로필 데이터베이스(DB10)로부터 각각 시청자들(15 내지 17)에 대응하는 시청 데이터(D21a 내지 D21c) 및 시청자(14)에 대응하는 시청 데이터(D11)를 검색한다.
루틴(80)의 스테이지 S84 동안, 어플리케이션 서버(11a)는 시청자(14)의 시청 데이터를 시청자들(15 내지 17)의 시청 데이터의 부분집합에 매칭시킨다.
일 실시예에서, 소프트웨어(90)의 모듈(91)은 시청자(14) 및 시청자(15)가 매칭 시청 데이터를 가지는지 여부를 판정할 때, 스테이지 S84 동안 하기의 일련의 단계들을 실행한다.
먼저, 시청 데이터(D12a) 및 시청 데이터(D4)내의 노이즈 컷오프 보다 높은 가능성을 가지는 속성값 쌍들 엔트리들의 각 특징(f)에 대하여 하기의 수학식 1이 충족될 때, fb_score(j)가 1만큼 증분된다.
[수학식 1]
{cp_i(f)-cp_i(f)}< 클래스 C+를 위한 cp_threshold
여기서, i는 시청자 데이터(D4)를 나타내고, j는 시청자 데이터(D12a)를 나타내고, cp_i(f)는 시청 데이터(D4)를 위한 특징(f)의 조건부 가능성이고, cp_j(f)는 시청 데이터(D12a)로부터의 특징(f)의 조건부 가능성이며, cp_threshold는 0.0과 0.10의 경험적 범위 사이의 수이다. cp_threshold의 실제값은 시청 데이터(D4)와 시청 데이터(D12a) 사이의 실제 매칭들의 수를 제어하기 위해 경험적으로 결정된다.
두 번째로, 시청 데이터(D4)내의 노이즈 컷오프보다 높은 가능성을 가지는 특징들(f)의 총 수로 나눔으로써, fb_score(j)의 최종값이 0.0과 1.0 사이의 시청 데이터(D12a)의 fbn_score(j)를 획득하기 위해 fb_score(j)의 최종값으로 정규화된다.
마지막으로, 시청 데이터(D12a)는 시청 데이터(D12a)의 fbn_score(j)가 예로서, 0.9 같은 match-threshold 보다 클 때, 도 6a에 예시된 바와 같이 협동 피드백 추천 모듈(92)에 제공된다.
그후, 모듈(91)은 동일한 일련의 단계들하에서 시청 데이터(D4)가 시청 데이터(D12b) 및 시청 데이터(D12c)와 매칭하는지 여부를 판정한다. 따라서, match-threshold는 경험적으로 결정되고 고정될 수 있으며, 그에 의해, 프로그램(90)의 각 실행과 함께 시청 데이터 매칭들의 샘플 크기가 변화할 수 있다. 대안적으로, match-threshold는 동적으로 변화될 수 있고, 그에 의해, 시청 데이터 매칭들의 샘플 크기가 프로그램(90)의 각 실행과 함께 원하는 샘플 크기를 근사한다.
제 2 실시예에서, 소프트웨어(100)의 모듈(101)은 시청자(14) 및 시청자(15)가 매칭하는 시청 데이터를 가지는지 여부를 판정할 때, 스테이지 S84 동안 하기의 일련의 단계들을 실행한다.
먼저, score(B, A)가 하기의 수학식 2로부터 연산된다.
[수학식 2]
fb_score(B, A)=match(pos(B),pos(A))/n_pos(B)
여기서, pos(A)는 양의 스코어를 가지는 피드백 데이터(D3)내의 프로그램들이고, pos(B)는 양의 스코어를 가지는 시청 데이터(D15a)내의 프로그램들이고, n_pos(B)는 시청 데이터(D3)내의 프로그램들의 수이며, match(pos(B),POS(A))는 pos(A) 및 pos(B)내에 나열된 프로그램들의 수이다.
두 번째로, 시청 데이터(D15a)의 fb_score(B, A)가 예로서, 0.9 같은 match-threshold 보다 클 때, 도 6b에 예시된 바와 같이 시청 데이터(D15a)가 협동 피드백 추천 모듈(102)에 제공된다.
그후, 모듈(101)은 동일한 일련의 단계들하에서 시청 데이터(D3)가 시청 데이터(D15b) 및 시청 데이터(D15c)와 매칭하는지 여부를 판정한다. 따라서, match-threshold는 경험적으로 결정되고 고정될 수 있으며, 그에 의해, 프로그램(100)의 각 실행과 함께 시청 데이터 매칭들의 샘플 크기가 변화할 수 있다. 대안적으로, match-threshold는 동적으로 변화될 수 있고, 그에 의해, 시청 데이터 매칭들의 샘플 크기가 프로그램(100)의 각 실행과 함께 원하는 샘플 크기를 근사한다.
제 3 실시예에서, 소프트웨어(110)의 모듈(111)은 시청자(14) 및 시청자(15)가 매칭 시청 데이터를 가지는지 여부를 판정할 때, 스테이지 S84 동안 하기의 일련의 단계들을 실행한다.
먼저, 시청 데이터(D17a) 및 시청 데이터(D8)내의 노이즈 컷오프 보다 높은 가능성을 가지는 속성값 쌍들 엔트리들의 각 특징(f)에 대하여 하기의 수학식 1이 충족될 때, im_score(j)가 1만큼 증분된다.
[수학식 1]
{cp_i(f)-cp_i(f)}< 클래스 C+를 위한 cp_threshold
여기서, i는 시청자 데이터(D8)를 나타내고, j는 시청자 데이터(D12a)를 나타내고, cp_i(f)는 시청 데이터(D4)를 위한 특징(f)의 조건부 가능성이고, cp_j(f)는 시청 데이터(D17a)로부터의 특징(f)의 조건부 가능성이며, cp_threshold는 0.0과 0.10의 경험적 범위 사이의 수이다. cp_threshold의 실제값은 시청 데이터(D8)와 시청 데이터(D17a) 사이의 실제 매칭들의 수를 제어하기 위해 경험적으로 결정된다.
두 번째로, 시청 데이터(D8)내의 노이즈 컷오프보다 높은 가능성을 가지는 특징들(f)의 총 수로 나눔으로써, im_score(j)의 최종값이 0.0과 1.0 사이의 시청 데이터(D17a)의 im_score(j)를 획득하기 위해 im_score(j)의 최종값으로 정규화된다.
마지막으로, 시청 데이터(D17a)는 시청 데이터(D17a)의 im_score(j)가 예로서, 0.9 같은 match-threshold 보다 클 때, 도 6c에 예시된 바와 같이 협동 묵시적 추천 모듈(112)에 제공된다.
그후, 모듈(111)은 동일한 일련의 단계들하에서 시청 데이터(D8)가 시청 데이터(D17b) 및 시청 데이터(D17c)와 매칭하는지 여부를 판정한다. 따라서, match-threshold는 경험적으로 결정되고 고정될 수 있으며, 그에 의해, 프로그램(110)의 각 실행과 함께 시청 데이터 매칭들의 샘플 크기가 변화할 수 있다. 대안적으로, match-threshold는 동적으로 변화될 수 있고, 그에 의해, 시청 데이터 매칭들의 샘플 크기가 프로그램(110)의 각 실행과 함께 원하는 샘플 크기를 근사한다.
제 4 실시예에서, 소프트웨어(120)의 모듈(121)은 시청자(14) 및 시청자(15)가 매칭하는 시청 데이터를 가지는지 여부를 판정할 때, 스테이지 S84 동안 하기의 일련의 단계들을 실행한다.
먼저, im_score(B, A)가 하기의 수학식 3으로부터 연산된다.
[수학식 3]
im_score(B, A)=match(pos(B),pos(A))/n_pos(B)
여기서, pos(A)는 양의 스코어를 가지는 시청 데이터(D7)내의 프로그램들이고, pos(B)는 양의 스코어를 가지는 시청 데이터(D19a)내의 프로그램들이고, n_pos(B)는 시청 데이터(D7)내의 프로그램들의 수이며, match(pos(B),POS(A))는 pos(A) 및 pos(B)내에 나열된 프로그램들의 수이다.
두 번째로, 시청 데이터(D19a)의 im_score(B, A)가 예로서, 0.9 같은 match-threshold 보다 클 때, 도 6d에 예시된 바와 같이 시청 데이터(D19a)가 협동 묵시적 추천 모듈(122)에 제공된다.
그후, 모듈(121)은 동일한 일련의 단계들하에서 시청 데이터(D7)가 시청 데이터(D19b) 및 시청 데이터(D19c)와 매칭하는지 여부를 판정한다. 따라서, match-threshold는 경험적으로 결정되고 고정될 수 있으며, 그에 의해, 프로그램(120)의 각 실행과 함께 시청 데이터 매칭들의 샘플 크기가 변화할 수 있다. 대안적으로, match-threshold는 동적으로 변화될 수 있고, 그에 의해, 시청 데이터 매칭들의 샘플 크기가 프로그램(120)의 각 실행과 함께 원하는 샘플 크기를 근사한다.
제 5 실시예에서, 소프트웨어(130)의 모듈(131)은 시청자(14) 및 시청자(15)가 매칭 시청 데이터를 가지는지 여부를 판정할 때, 스테이지 S84 동안 하기의 일련의 단계들을 실행한다.
먼저, 시청 데이터(D21a) 및 시청 데이터(D11)내의 속성값 쌍들 엔트리들의 각 특징(f)에 대하여 하기의 수학식 4가 충족될 때, ex_score(j)가 1만큼 증분된다.
[수학식 4]
<클래스 C+를 위한 er_threshold
여기서, i는 시청자 데이터(D11)를 나타내고, j는 시청자 데이터(D21a)를 나타내고, er_i(f)는 시청 데이터(D11)로부터의 특징(f)의 명시적 순위이고, er_j(f)는 시청 데이터(D21a)로부터의 특징(f)의 명시적 순위며, er_threshold는 예로서, 1 또는 2 중 어느 하나이다. er_threshold의 실제값은 시청 데이터(D11)와 시청 데이터(D21a 내지 D21c) 사이의 실제 매칭들의 수를 제어하기 위해 경험적으로 결정된다.
두 번째로, 비 자연적 스코어를 가지는 특징들(f)의 총수를 나눔으로써, er_score(j)의 최종값이 0.0과 1.0 사이의 시청 데이터(D21a)의 ern_score(j)를 획득하기 위해 er_score(j)의 최종값으로 정규화된다.
마지막으로, 시청 데이터(D21a)는 시청 데이터(D21a)의 ern_score(j)가 예로서, 0.9 같은 match-threshold 보다 클 때, 도 6e에 예시된 바와 같이 협동 피드백 추천 모듈(132)에 제공된다.
그후, 모듈(131)은 동일한 일련의 단계들하에서 시청 데이터(D11)가 시청 데이터(D21b) 및 시청 데이터(D21c)와 매칭하는지 여부를 판정한다. 따라서, match-threshold는 경험적으로 결정되고 고정될 수 있으며, 그에 의해, 프로그램(130)의 각 실행과 함께 시청 데이터 매칭들의 샘플 크기가 변화할 수 있다. 대안적으로, match-threshold는 동적으로 변화될 수 있고, 그에 의해, 시청 데이터 매칭들의 샘플 크기가 프로그램(130)의 각 실행과 함께 원하는 샘플 크기를 근사한다.
루틴(80)의 스테이지 S86a 동안, 어플리케이션 서버(11a)는 프로그램에 대응하는 속성 데이터를 수신한다. 루틴(80)의 스테이지 S88 동안, 어플리케이션 서버(11a)는 매칭된 시청 데이터의 함수로서 프로그램의 추천을 생성한다.
일 실시예에서, 모듈(92)은 시청 컴퓨터(12b)로부터 미국 특허 출원 제 09/498,271에 기술된 것 같은 Bayesian 추천기를 검색하여, 그에 의해, 도 6a에 예시된 바와 같이 시청 데이터(12a) 및 속성 데이터(D13)의 함수로서 추천(D14)를 생성한다. 모듈(91)이 시청 데이터(D4)와 시청 데이터(D12a 내지 D12c) 사이의 둘 이상의 매칭들을 판정하는 경우의 시나리오들에서, 모듈(92)은 각 매칭된 시청 데이터(D12a 내지 D12c)로부터 개별적 추천을 생성하기 위해 적절한 시청 컴퓨터들(12b 내지 12d)로부터 Bayesian 추천기를 사용한다. 그후, 개별 추천들이 풀링되고, 그에 의해, 가장 우세한 추천이 추천(D14)로서 기능할 수 있거나, 예로서, 개별 추천들의 평균이 추천(D14)를 생성하기 위해 연산될 수 있는 것 같이, 추천(D14)를 생성하기 위해 개별 추천들을 조합하기 위한 소정의 구조가 실행될 수 있다.
제 2 실시예에서, 모듈(102)은 시청 컴퓨터(12b)로부터 미국 특허 출원 제 09/466,406호에 기술된 것 같은 판정 트리 추천기를 사용하고, 그에 의해, 도 6b에 예시된 바와 같이, 속성 데이터(D13) 및 시청 데이터(D15a)의 함수로서 추천(D16)를 생성한다. 모듈(101)이 시청 데이터(D15a 내지 D15c)와 시청 데이터(D3) 사이의 둘 이상의 매칭들을 판정하는 경우의 시나리오들에서, 모듈(102)은 적절한 시청 컴퓨터들(12b 내지 12d)로부터 판정 트리 추천기를 사용하여 각 매칭된 시청 데이터(D15a 내지 D15c)로부터 개별 추천을 생성한다. 그후, 개별 추천들은 풀링되고 그에 의해 가장 우세한 추천이 추천(D16)로서 기능할 수 있거나, 하기의 수학식 5 같이 개별 추천들을 조합하여 추천(D16)를 생성하기 위한 소정의 구조가 실행될 수 있다.
[수학식 5]
여기서, K는 매칭된 시청 데이터의 수이고, recomm(t,dt(k))는 쇼(t) 및 사용자(k)를 위한 판정 트리 추천기로부터의 추천이다.
제 3 실시예에서, 모듈(112)은 시청 컴퓨터(12b)로부터 미국 특허 출원 제 09/498,271에 기술된 것 같은 Bayesian 추천기를 검색하고, 그에 의해, 도 6c에 예시된 바와 같이 시청 데이터(17a) 및 속성 데이터(D13)의 함수로서 추천(D18)를 생성한다. 모듈(111)이 시청 데이터(D8)와 시청 데이터(D17a 내지 D17c) 사이의 둘 이상의 매칭들을 판정하는 경우의 시나리오들에서, 모듈(112)은 각 매칭된 시청 데이터(D17a 내지 D17c)로부터 개별적 추천을 생성하기 위해 적절한 시청 컴퓨터들(12b 내지 12d)로부터 Bayesian 추천기를 사용한다. 그후, 개별 추천들이 풀링되고, 그에 의해, 가장 우세한 추천이 추천(D18)로서 기능할 수 있거나, 예로서, 개별 추천들의 평균이 추천(D18)를 생성하기 위해 연산될 수 있는 것 같이, 추천(D18)를 생성하기 위해 개별 추천들을 조합하기 위한 소정의 구조가 실행될 수 있다.
제 4 실시예에서, 모듈(122)은 시청 컴퓨터(12b)로부터 미국 특허 출원 제 09/466,406호에 기술된 것 같은 판정 트리 추천기를 사용하고, 그에 의해, 도 6d에 예시된 바와 같이, 속성 데이터(D13) 및 시청 데이터(D19a)의 함수로서 추천(D20)를 생성한다. 모듈(121)이 시청 데이터(D19a 내지 D19c)와 시청 데이터(D7) 사이의 둘 이상의 매칭들을 판정하는 경우의 시나리오들에서, 모듈(122)은 적절한 시청 컴퓨터들(12b 내지 12d)로부터 판정 트리 추천기를 사용하여 각 매칭된 시청 데이터(D19a 내지 D19c)로부터 개별 추천을 생성한다. 그후, 개별 추천들은 풀링되고 그에 의해 가장 우세한 추천이 추천(D20)로서 기능할 수 있거나, 이미 설명된 수학식 5 같이 개별 추천들을 조합하여 추천(D20)를 생성하기 위한 소정의 구조가 실행될 수 있다.
제 5 실시예에서, 모듈(132)은 시청 컴퓨터(12b)로부터 미국 특허 출원 제09/498,271에 기술된 것 같은 Bayesian 추천기를 검색하여, 그에 의해, 도 6e에 예시된 바와 같이 시청 데이터(D21a) 및 속성 데이터(D13)의 함수로서 추천(D22)를 생성한다. 모듈(131)이 시청 데이터(D10)와 시청 데이터(D21a 내지 D21c) 사이의 둘 이상의 매칭들을 판정하는 경우의 시나리오들에서, 모듈(132)은 각 매칭된 시청 데이터(D21a 내지 D21c)로부터 개별적 추천을 생성하기 위해 적절한 시청 컴퓨터들(12b 내지 12d)로부터 Bayesian 추천기를 사용한다. 그후, 개별 추천들이 풀링되고, 그에 의해, 가장 우세한 추천이 추천(D22)로서 기능할 수 있거나, 예로서, 개별 추천들의 평균이 추천(D22)를 생성하기 위해 연산될 수 있는 것 같이, 추천(D22)를 생성하기 위해 개별 추천들을 조합하기 위한 소정의 구조가 실행될 수 있다.
루틴(40)의 스테이지 S46b 동안 추천들(D14, D16, D18, D20 및 D22) 중 하나의 수신에 응답하여, 시청 컴퓨터(12)는 루틴(40)의 스테이지 S48 동안 추천을 디스플레이하거나, 스테이지 S48 동안 조합된 추천을 디스플레이 하기 위해 스테이지 S46a 동안 생성된 소정의 추천와 함께 추천을 풀링한다.
스테이지 S86a 및 스테이지 S88에 대한 대안으로서, 어플리케이션 서버(11a)는 시청 컴퓨터(12a)에 매칭된 시청 데이터(예로서, 시청 데이터(12a), 시청 데이터(15a), 시청 데이터(17a), 시청 데이터(19a) 및 시청 데이터(21a))를 제공할 수 있다. 스테이지 S46b 동안 매칭된 시청 데이터 중 하나의 수신에 응답하여, 시청 컴퓨터(12a)는 매칭된 시청 데이터를 대응 추천기에 대한 입력으로서 사용하고, 그에 의해, 스테이지 S46 동안 추천을 생성하고, 스테이지 S48 동안 추천을 디스플레이한다.
소프트웨어(90), 소프트웨어(100), 소프트웨어(110), 소프트웨어(120) 및 소프트웨어(130)가 개별적으로 여기에 설명되었다. 일 실시예에서, 상술한 소프트웨어 중 둘 이상이 도 6f에 예시된 바와 같이 협동 필터링 추천 모듈(140)에 링크되어, 시청 데이터(12a), 시청 데이터(15a), 시청 데이터(17a) 또는 시청 데이터(19a) 및 시청 데이터(21a)의 함수로서 스테이지 S86 동안 추천(D23)를 생성할 수 있다. 일 실시예에서, 쇼(j)를 위한 최종 스코어는 하기의 수학식 6으로부터 계산된다.
[수학식 6]
Final_score(j) = (3*ex_score(j))+(2*fb_score(j))+(1*im_score(j))
여기서, ex_score(j)는 수학식 4로부터의 시청 데이터(D21)의 매칭 스코어이고, fb_score(j)는 수학식 1로부터의 시청 데이터(D12a)의 매칭 스코어이고, im_score(j)는 수학식 1로부터의 시청 데이터(17a)의 매칭 스코어 이다. 그후, 모듈(140)은 시청 컴퓨터(12a)에 추천(D23)를 제공하기 위해 적절한 추천기를 사용한다.
본 기술 분야에 대한 통상적인 지식을 가진 자들은 도 1 내지 6F와 관련하여 설명된 바와 같은 본 발명이 실시간 사건들(즉, 누군가에 의해 등위매김되지 않은 사건들)에 적용될 수 있는 협동 필터라는 것을 인지할 것이다. 본 기술 분야에 대한 통상적인 지식을 가진 자들은 도 1 내지 6F와 관련하여 설명된 바와 같은 본 발명이 프로그램 계획 데이터 이외의 분야에 적용될 수 있다는 것을 추가로 인지할것이다. 예로서, 본 발명은 라디오 방송들 같은 텔레비전 이외의 웹-캐스트 또는 미디어 형태들을 위한 추천들을 생성하기 위해 적용될 수 있다. 부가적으로, 본 발명의 자동 협동 필터링 시스템 또는 그 대안 실시예는 뉴스 기사들을 제공하거나 상품들을 판매하는 웹 사이트의 시청자 인터페이스를 맞춤화하기 위해 사용될 수 있다. 라이브러리 브라우징은 다른 예이다. 온라인 라이브러리 또는 저널 기사 데이터베이스를 계획할 수 있으며, 여기서, 본 발명의 이들 기술들은 선택들의 범위를 제한하기 위해 사용할 수 있다.
본 기술 분야의 숙련자들은 본 발명이 상술한 예시적 실시예들의 세부사항들에 한정되지 않으며, 본 발명이 그 실질적인 속성 및 개념으로부터 벗어나지 않고 다른 특정 형태들로 구현될 수 있다는 것을 명백히 알 수 있을 것이다. 따라서, 본 실시예들은 모든 관점들에서 예시적이며 구속적이지 않은 것으로 고려되며, 본 발명의 범주는 상기 설명에 의해서가 아니라 첨부된 청구 범위에 의해 나타내지고, 따라서, 청구범위와 등가의 의미 및 범위내에서 도출되는 모든 변경들이 그에 포괄된다.

Claims (11)

1차 시청자(14)에게 항목의 추천을 제공하기 위한 자동 협동 필터링 시스템에 있어서:
상기 1차 시청자(14)에 의한 항목들의 그룹의 시청을 나타내는 제 1 데이터(D3, D4, D7, D8, D11)를 2차 시청자들(15 내지 17)의 그룹에 의한 항목들의 제 2 그룹의 시청을 나타내는 제 2 데이터(D12a 내지 D12c, D15a 내지 D15c, D17a 내지 D17c, D19a 내지 D19c, D21a 내지 D21c)의 부분집합에 매칭시키는 수단; 및
제 3 데이터(D13)와 상기 제 2 데이터(D12a 내지 D12c, D15a 내지 D15c, D17a 내지 D17c, D19a 내지 D19c, D21a 내지 D21c)의 부분집합의 함수로서 상기 항목의 추천(D14, D16, D18, D20, D22, D23)를 생성하는 수단을 포함하고,
상기 제 3 데이터(D13)는 상기 항목의 하나 또는 그 이상의 속성들을 나타내는, 자동 협동 필터링 시스템.
제 1 항에 있어서, 상기 시스템은 상기 1차 시청자(14)에게 제 1 항목의 추천을 제공하고,
상기 1차 시청자(14)에 의한 항목들의 제 1 그룹의 시청을 나타내는 상기 제 1 데이터(D3, D4, D7, D8, D11)를 상기 2차 시청자들(15 내지 17)의 제 1 그룹에 의한 항목들의 제 2 그룹의 시청을 나타내는 상기 제 2 데이터(D12a 내지 D12c, D15a 내지 D15c, D17a 내지 D17c, D19a 내지 D19c, D21a 내지 D21c)의 부분집합에매칭시키는 제 1 모듈(91, 101, 111, 121, 131); 및
제 3 데이터(D13)와 상기 제 2 데이터(D12a 내지 D12c, D15a 내지 D15c, D17a 내지 D17c, D19a 내지 D19c, D21a 내지 D21c)의 부분집합의 함수로서 상기 제 1 항목의 추천(D14, D16, D18, D20, D22, D23)를 생성하는 제 2 모듈(92, 102, 112, 122, 132, 140)을 포함하며,
상기 제 3 데이터(D13)는 상기 제 1 항목의 하나 또는 그 이상의 속성들을 나타내는, 자동 협동 필터링 시스템.
제 2 항에 있어서, 상기 제 1 데이터(D3)는 상기 1차 시청자(14)의 피드백 시청 프로필을 포함하고,
상기 제 2 데이터(D12a 내지 D12c)는 상기 2차 시청자들(15 내지 17)의 제 1 그룹의 각 시청자의 피드백 시청 프로파일을 포함하는, 자동 협동 필터링 시스템.
제 2 항에 있어서, 상기 제 1 데이터(D4)는 상기 1차 시청자(14)의 피드백 시청 히스토리를 포함하고,
상기 제 2 데이터(D15a 내지 D15c)는 상기 2차 시청자들(15 내지 17)의 제 1 그룹의 각 시청자의 피드백 시청 히스토리를 포함하는, 자동 협동 필터링 시스템.
제 2 항에 있어서, 상기 제 1 데이터(D7)는 상기 1차 시청자(14)의 묵시적 시청 프로필을 포함하고,
상기 제 2 데이터(D17a 내지 D17c)는 상기 2차 시청자들(15 내지 17)의 제 1 그룹의 각 시청자의 묵시적 시청 프로필을 포함하는, 자동 협동 필터링 시스템.
제 2 항에 있어서, 상기 제 1 데이터(D8)는 상기 1차 시청자(14)의 묵시적 시청 히스토리를 포함하고,
상기 제 2 데이터(D19a 내지 D19c)는 상기 2차 시청자들(15 내지 17)의 제 1 그룹의 각 시청자의 묵시적 시청 히스토리를 포함하는, 자동 협동 필터링 시스템.
제 2 항에 있어서, 상기 제 1 데이터(D11)는 상기 1차 시청자(14)의 명시적 시청 프로필을 포함하고,
상기 제 2 데이터(D21a 내지 D21c)는 상기 2차 시청자들(15 내지 17)의 제 1 그룹의 각 시청자의 명시적 시청 프로필을 포함하는, 자동 협동 필터링 시스템.
제 2 항에 있어서, 상기 제 1 데이터(D3, D4, D7, D8, D11)를 2차 시청자들(15 내지 17)의 제 2 그룹에 의한 항목들의 제 3 그룹의 시청을 나타내는 제 4 데이터(D12a 내지 D12c, D15a 내지 D15c, D17a 내지 D17c, D19a 내지 D19c, D21a 내지 D21c)의 부분집합에 매칭시키는 제 3 모듈(91, 101, 111, 121, 131)을 더 포함하고,
상기 제 2 모듈(92, 102, 112, 122, 132, 140)은 상기 제 3 데이터(D13), 상기 제 2 데이터(D12a 내지 D12c, D15a 내지 D15c, D17a 내지 D17c, D19a 내지D19c, D21a 내지 D21c)의 부분집합 및 상기 제 4 데이터(D12a 내지 D12c, D15a 내지 D15c, D17a 내지 D17c, D19a 내지 D19c, D21a 내지 D21c)의 부분집합의 함수로서 상기 제 1 항목의 추천(D14, D16, D18, D20, D22, D23)를 생성하도록 동작가능한, 자동 협동 필터링 시스템.
제 8 항에 있어서, 상기 제 1 데이터(D3, D4, D7, D8, D11)를 2차 시청자들(15 내지 17)의 제 3 그룹에 의한 항목들의 제 4 그룹의 시청을 나타내는 제 5 데이터(D12a 내지 D12c, D15a 내지 D15c, D17a 내지 D17c, D19a 내지 D19c, D21a 내지 D21c)의 부분집합에 매칭시키는 제 4 모듈(91, 101, 111, 121, 131)을 더 포함하고,
상기 제 2 모듈(92, 102, 112, 122, 132, 140)은 상기 제 3 데이터(D13), 상기 제 2 데이터(D12a 내지 D12c, D15a 내지 D15c, D17a 내지 D17c, D19a 내지 D19c, D21a 내지 D21c)의 부분집합, 상기 제 4 데이터(D12a 내지 D12c, D15a 내지 D15c, D17a 내지 D17c, D19a 내지 D19c, D21a 내지 D21c)의 부분집합 및 상기 제 5 데이터(D12a 내지 D12c, D15a 내지 D15c, D17a 내지 D17c, D19a 내지 D19c, D21a 내지 D21c)의 부분집합의 함수로서 상기 제 1 항목의 추천(D14, D16, D18, D20, D22, D23)를 생성하도록 동작가능한, 자동 협동 필터링 시스템.
1차 시청자(14)에게 제 1 항목의 추천을 제공하기 위한 자동 협동 필터링 방법에 있어서:
상기 1차 시청자(14)에 의한 항목들의 제 1 그룹의 시청을 나타내는 제 1 데이터(D3, D4, D7, D8, D11)를 2차 시청자들(15 내지 17)의 그룹에 의한 항목들의 제 2 그룹의 시청을 나타내는 제 2 데이터(D12a 내지 D12c, D15a 내지 D15c, D17a 내지 D17c, D19a 내지 D19c, D21a 내지 D21c)의 부분집합에 매칭시키는 단계(S84); 및
상기 제 1 항목의 하나 또는 그 이상의 속성들을 나타내는 제 3 데이터(D13)와 상기 제 2 데이터(D12a 내지 D12c, D15a 내지 D15c, D17a 내지 D17c, D19a 내지 D19c, D21a 내지 D21c)의 부분집합의 함수로서 상기 제 1 항목의 추천(D14, D16, D18, D20, D22, D23)를 생성하는 단계(S46a, S88)를 포함하는, 자동 협동 필터링 방법.
컴퓨터 프로그램 제품을 실행할 때, 프로그램가능한 디바이스가 청구항 1에 기재된 시스템으로서 기능할 수 있게 하는 컴퓨터 프로그램 제품.
KR10-2004-7003525A 2001-09-10 2002-08-29 협동 필터링을 포함하는 4-웨이 추천 방법 및 시스템 KR20040033037A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US09/953,385 2001-09-10
US09/953,385 US20030051240A1 (en) 2001-09-10 2001-09-10 Four-way recommendation method and system including collaborative filtering
PCT/IB2002/003579 WO2003024108A1 (en) 2001-09-10 2002-08-29 Four-way recommendation method and system including collaborative filtering

Publications (1)

Publication Number Publication Date
KR20040033037A true KR20040033037A (ko) 2004-04-17

Family

ID=25493910

Family Applications (1)

Application Number Title Priority Date Filing Date
KR10-2004-7003525A KR20040033037A (ko) 2001-09-10 2002-08-29 협동 필터링을 포함하는 4-웨이 추천 방법 및 시스템

Country Status (6)

Country Link
US (1) US20030051240A1 (ko)
EP (1) EP1435177A1 (ko)
JP (1) JP2005502968A (ko)
KR (1) KR20040033037A (ko)
CN (1) CN1326401C (ko)
WO (1) WO2003024108A1 (ko)

Families Citing this family (71)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7370006B2 (en) * 1999-10-27 2008-05-06 Ebay, Inc. Method and apparatus for listing goods for sale
US7373317B1 (en) * 1999-10-27 2008-05-13 Ebay, Inc. Method and apparatus for facilitating sales of goods by independent parties
US8533094B1 (en) 2000-01-26 2013-09-10 Ebay Inc. On-line auction sales leads
US7284064B1 (en) 2000-03-21 2007-10-16 Intel Corporation Method and apparatus to determine broadcast content and scheduling in a broadcast system
US20020143591A1 (en) * 2001-03-30 2002-10-03 Connelly Jay H. Method and apparatus for a hybrid content on demand broadcast system
US7185352B2 (en) * 2001-05-11 2007-02-27 Intel Corporation Method and apparatus for combining broadcast schedules and content on a digital broadcast-enabled client platform
US20020194603A1 (en) * 2001-06-15 2002-12-19 Jay H. Connelly Method and apparatus to distribute content using a multi-stage broadcast system
US20030005451A1 (en) * 2001-06-15 2003-01-02 Connelly Jay H. Method and apparatus to distribute content descriptors in a content distribution broadcast system
US20030005465A1 (en) * 2001-06-15 2003-01-02 Connelly Jay H. Method and apparatus to send feedback from clients to a server in a content distribution broadcast system
US7296055B2 (en) * 2001-09-11 2007-11-13 Sony Corporation Information providing system, information providing apparatus, information providing method, information processing apparatus, information processing method, and program
US20030066090A1 (en) * 2001-09-28 2003-04-03 Brendan Traw Method and apparatus to provide a personalized channel
US8943540B2 (en) * 2001-09-28 2015-01-27 Intel Corporation Method and apparatus to provide a personalized channel
US7231419B1 (en) * 2001-10-19 2007-06-12 Outlooksoft Corporation System and method for adaptively selecting and delivering recommendations to a requester
US8275673B1 (en) 2002-04-17 2012-09-25 Ebay Inc. Method and system to recommend further items to a user of a network-based transaction facility upon unsuccessful transacting with respect to an item
AU2003279992A1 (en) 2002-10-21 2004-05-13 Ebay Inc. Listing recommendation in a network-based commerce system
CN1762153A (zh) * 2003-03-17 2006-04-19 皇家飞利浦电子股份有限公司 为了在反馈处理期间帮助用户而具有对可视提示的显示的推荐器
CN1795678A (zh) * 2003-04-03 2006-06-28 塞德纳专利服务有限责任公司 内容的通知和传递
EP1616436A1 (en) * 2003-04-14 2006-01-18 Koninklijke Philips Electronics N.V. Generation of implicit tv recommender via shows image content
EP1484693A1 (en) * 2003-06-04 2004-12-08 Sony NetServices GmbH Content recommendation device with an arrangement engine
EP1484692B1 (en) * 2003-06-04 2013-07-24 Intel Corporation Content recommendation device with user feedback
US7826907B2 (en) * 2003-07-31 2010-11-02 Hewlett-Packard Development Company, L.P. Fortuitous combinations of ad-hoc available sets of different electronic devices to respond to user jobs
AU2003279999A1 (en) 2003-10-21 2005-06-08 Nielsen Media Research, Inc. Methods and apparatus for fusing databases
US20070050192A1 (en) * 2003-12-03 2007-03-01 Koninklijke Philips Electronic, N.V. Enhanced collaborative filtering technique for recommendation
CN1635498A (zh) * 2003-12-29 2005-07-06 皇家飞利浦电子股份有限公司 一种内容推荐方法及系统
US20050198015A1 (en) * 2004-03-04 2005-09-08 Sharp Laboratories Of America Method and system for presence-technology-based instantly shared concurrent personal preference information for internet-connected tv
US8150825B2 (en) 2004-03-15 2012-04-03 Yahoo! Inc. Inverse search systems and methods
US9396212B2 (en) 2004-04-07 2016-07-19 Visible World, Inc. System and method for enhanced video selection
US9087126B2 (en) 2004-04-07 2015-07-21 Visible World, Inc. System and method for enhanced video selection using an on-screen remote
WO2005125201A1 (en) * 2004-06-17 2005-12-29 Koninklijke Philips Electronics, N.V. Personalized summaries using personality attributes
US20060036565A1 (en) * 2004-08-10 2006-02-16 Carl Bruecken Passive monitoring of user interaction with a browser application
WO2006061799A1 (en) * 2004-12-10 2006-06-15 Koninklijke Philips Electronics, N.V. Automatic subscription to pay content
US20060277290A1 (en) * 2005-06-02 2006-12-07 Sam Shank Compiling and filtering user ratings of products
US7788266B2 (en) 2005-08-26 2010-08-31 Veveo, Inc. Method and system for processing ambiguous, multi-term search queries
US7779011B2 (en) * 2005-08-26 2010-08-17 Veveo, Inc. Method and system for dynamically processing ambiguous, reduced text search queries and highlighting results thereof
US8181201B2 (en) * 2005-08-30 2012-05-15 Nds Limited Enhanced electronic program guides
EP1927058A4 (en) * 2005-09-21 2011-02-02 Icosystem Corp SYSTEM AND METHOD FOR SUPPORTING THE PRODUCT DESIGN AND QUANTIFYING ACCEPTANCE
EP1783632B1 (en) * 2005-11-08 2012-12-19 Intel Corporation Content recommendation method with user feedback
JP5036178B2 (ja) * 2005-12-12 2012-09-26 株式会社ソニー・コンピュータエンタテインメント コンテンツ案内システム、コンテンツ案内方法、コンテンツ案内支援サーバ、コンテンツ案内支援方法、プログラム及び情報記憶媒体
JP5166281B2 (ja) * 2005-12-19 2013-03-21 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ 典型的な仮想チャンネルのためのデフォルト設定を提供するテンプレートのためのシステム、装置および方法
US7657526B2 (en) * 2006-03-06 2010-02-02 Veveo, Inc. Methods and systems for selecting and presenting content based on activity level spikes associated with the content
EP2016513A4 (en) 2006-04-20 2010-03-03 Veveo Inc USER INTERFACE METHODS AND SYSTEMS FOR SELECTING AND PRESENTING CONTENT BASED ON NAVIGATION AND USER SELECTION ACTIONS ASSOCIATED WITH THE CONTENT
US7814112B2 (en) * 2006-06-09 2010-10-12 Ebay Inc. Determining relevancy and desirability of terms
US8468155B2 (en) * 2006-06-22 2013-06-18 Infosys Limited Collaborative filtering-based recommendations
WO2008063987A2 (en) * 2006-11-13 2008-05-29 Veveo, Inc. Method of and system for selecting and presenting content based on user identification
US8799250B1 (en) * 2007-03-26 2014-08-05 Amazon Technologies, Inc. Enhanced search with user suggested search information
US20080250323A1 (en) * 2007-04-04 2008-10-09 Huff Gerald B Method and apparatus for recommending an application-feature to a user
US8050998B2 (en) * 2007-04-26 2011-11-01 Ebay Inc. Flexible asset and search recommendation engines
US20080275846A1 (en) * 2007-05-04 2008-11-06 Sony Ericsson Mobile Communications Ab Filtering search results using contact lists
US8051040B2 (en) 2007-06-08 2011-11-01 Ebay Inc. Electronic publication system
KR101415022B1 (ko) * 2007-07-24 2014-07-09 삼성전자주식회사 복합 알고리즘 이용한 정보 추천 방법 및 장치
KR101213235B1 (ko) * 2007-07-24 2012-12-17 삼성전자주식회사 콘텐트 사용자 또는 콘텐트 제작자가 콘텐트에 삽입되는광고를 선택할 수 있는 콘텐트의 재생/제작 방법 및 장치
WO2009069172A1 (ja) * 2007-11-26 2009-06-04 Fujitsu Limited 録画再生装置
US20090228918A1 (en) * 2008-03-05 2009-09-10 Changingworlds Ltd. Content recommender
US8131732B2 (en) * 2008-06-03 2012-03-06 Nec Laboratories America, Inc. Recommender system with fast matrix factorization using infinite dimensions
US8037080B2 (en) * 2008-07-30 2011-10-11 At&T Intellectual Property Ii, Lp Recommender system utilizing collaborative filtering combining explicit and implicit feedback with both neighborhood and latent factor models
EP2169953A1 (en) * 2008-09-24 2010-03-31 Alcatel Lucent Improved device for IP TV channel selection
EP2224729A1 (de) * 2009-02-25 2010-09-01 MoreTV Broadcasting GmbH Verfahren und System zur Verarbeitung von Programminformationen eines zeitlich linear ausgestrahlten Mediums
US9166714B2 (en) 2009-09-11 2015-10-20 Veveo, Inc. Method of and system for presenting enriched video viewing analytics
US8914829B2 (en) * 2009-09-14 2014-12-16 At&T Intellectual Property I, Lp System and method of proactively recording to a digital video recorder for data analysis
US8938761B2 (en) * 2009-09-14 2015-01-20 At&T Intellectual Property I, Lp System and method of analyzing internet protocol television content credits information
US20110191332A1 (en) * 2010-02-04 2011-08-04 Veveo, Inc. Method of and System for Updating Locally Cached Content Descriptor Information
US9055347B2 (en) * 2010-07-02 2015-06-09 At&T Intellectual Property I, L.P. Apparatus and method for providing electronic program guides
US9420320B2 (en) * 2011-04-01 2016-08-16 The Nielsen Company (Us), Llc Methods, apparatus and articles of manufacture to estimate local market audiences of media content
US9230212B2 (en) * 2012-02-02 2016-01-05 Peel Technologies, Inc. Content based recommendation system
PT2837199T (pt) * 2012-04-12 2018-04-04 Milano Politecnico Recomendações do lado do cliente em redes de radiodifusão unidireccionais
JP5209129B1 (ja) * 2012-04-26 2013-06-12 株式会社東芝 情報処理装置、放送受信装置及び情報処理方法
GB2548336B (en) * 2016-03-08 2020-09-02 Sky Cp Ltd Media content recommendation
US9872072B2 (en) * 2016-03-21 2018-01-16 Google Llc Systems and methods for identifying non-canonical sessions
US20180011615A1 (en) * 2016-07-08 2018-01-11 Netflix, Inc. Regenerating an interactive page based on current user interaction
US10277944B2 (en) 2016-11-30 2019-04-30 The Nielsen Company (Us), Llc Methods and apparatus to calibrate audience measurement ratings based on return path data
US20180192127A1 (en) * 2016-12-30 2018-07-05 Jamdeo Canada Ltd. System and method for digital television operation and control - conversense

Family Cites Families (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4996642A (en) * 1987-10-01 1991-02-26 Neonics, Inc. System and method for recommending items
US5997964A (en) * 1991-04-11 1999-12-07 Sprayex Llc Liquid crystal display
US5758257A (en) * 1994-11-29 1998-05-26 Herz; Frederick System and method for scheduling broadcast of and access to video programs and other data using customer profiles
US6029195A (en) * 1994-11-29 2000-02-22 Herz; Frederick S. M. System for customized electronic identification of desirable objects
WO1997026729A2 (en) * 1995-12-27 1997-07-24 Robinson Gary B Automated collaborative filtering in world wide web advertising
US5867799A (en) * 1996-04-04 1999-02-02 Lang; Andrew K. Information system and method for filtering a massive flow of information entities to meet user information classification needs
US6314420B1 (en) * 1996-04-04 2001-11-06 Lycos, Inc. Collaborative/adaptive search engine
US5848396A (en) * 1996-04-26 1998-12-08 Freedom Of Information, Inc. Method and apparatus for determining behavioral profile of a computer user
US5790426A (en) * 1996-04-30 1998-08-04 Athenium L.L.C. Automated collaborative filtering system
US5801747A (en) * 1996-11-15 1998-09-01 Hyundai Electronics America Method and apparatus for creating a television viewer profile
US5912696A (en) * 1996-12-23 1999-06-15 Time Warner Cable Multidimensional rating system for media content
JP3116851B2 (ja) * 1997-02-24 2000-12-11 日本電気株式会社 情報フィルタリング方法及びその装置
US20030088872A1 (en) * 1997-07-03 2003-05-08 Nds Limited Advanced television system
US6175362B1 (en) * 1997-07-21 2001-01-16 Samsung Electronics Co., Ltd. TV graphical user interface providing selection among various lists of TV channels
US6005597A (en) * 1997-10-27 1999-12-21 Disney Enterprises, Inc. Method and apparatus for program selection
US5973683A (en) * 1997-11-24 1999-10-26 International Business Machines Corporation Dynamic regulation of television viewing content based on viewer profile and viewing history
US6530083B1 (en) * 1998-06-19 2003-03-04 Gateway, Inc System for personalized settings
US6898762B2 (en) * 1998-08-21 2005-05-24 United Video Properties, Inc. Client-server electronic program guide
US6266649B1 (en) * 1998-09-18 2001-07-24 Amazon.Com, Inc. Collaborative recommendations using item-to-item similarity mappings
JP2000132559A (ja) * 1998-10-23 2000-05-12 Hitachi Ltd 情報フィルタリングシステムにおけるプロファイル更新方法及び情報フィルタリングシステム
US6317881B1 (en) * 1998-11-04 2001-11-13 Intel Corporation Method and apparatus for collecting and providing viewer feedback to a broadcast
JP2000227920A (ja) * 1999-02-05 2000-08-15 Nippon Telegr & Teleph Corp <Ntt> 情報フィルタリング方法及び装置並びに情報フィルタリングプログラムを記録した記録媒体
US6813775B1 (en) * 1999-03-29 2004-11-02 The Directv Group, Inc. Method and apparatus for sharing viewing preferences
US6449632B1 (en) * 1999-04-01 2002-09-10 Bar Ilan University Nds Limited Apparatus and method for agent-based feedback collection in a data broadcasting network
JP2000331020A (ja) * 1999-05-21 2000-11-30 Nippon Telegr & Teleph Corp <Ntt> 情報参照方法，情報参照装置および情報参照プログラムを格納した記憶媒体
JP4743740B2 (ja) * 1999-07-16 2011-08-10 マイクロソフト インターナショナル ホールディングス ビー．ブイ． 自動化された代替コンテンツ推奨を作成する方法及びシステム
US6487539B1 (en) * 1999-08-06 2002-11-26 International Business Machines Corporation Semantic based collaborative filtering
US6681247B1 (en) * 1999-10-18 2004-01-20 Hrl Laboratories, Llc Collaborator discovery method and system
US20050076357A1 (en) * 1999-10-28 2005-04-07 Fenne Adam Michael Dynamic insertion of targeted sponsored video messages into Internet multimedia broadcasts
WO2001046843A2 (en) * 1999-12-21 2001-06-28 Tivo, Inc. Intelligent peer-to-peer system and method for collaborative suggestions and propagation of media
AU2262601A (en) * 1999-12-21 2001-07-03 Tivo, Inc. Intelligent system and methods of recommending media content items based on userpreferences
US7031931B1 (en) * 2000-03-30 2006-04-18 Nokia Corporation Portable device attached to a media player for rating audio/video contents
US20030093329A1 (en) * 2001-11-13 2003-05-15 Koninklijke Philips Electronics N.V. Method and apparatus for recommending items of interest based on preferences of a selected third party
US7571452B2 (en) * 2001-11-13 2009-08-04 Koninklijke Philips Electronics N.V. Method and apparatus for recommending items of interest to a user based on recommendations for one or more third parties
US20030126606A1 (en) * 2001-12-27 2003-07-03 Koninklijke Philips Esectronics N.V. Hierarchical decision fusion of recommender scores

Also Published As

Publication number Publication date
CN1326401C (zh) 2007-07-11
EP1435177A1 (en) 2004-07-07
US20030051240A1 (en) 2003-03-13
JP2005502968A (ja) 2005-01-27
CN1554192A (zh) 2004-12-08
WO2003024108A1 (en) 2003-03-20

Similar Documents

Publication Publication Date Title
KR20040033037A (ko) 협동 필터링을 포함하는 4-웨이 추천 방법 및 시스템
KR100943444B1 (ko) 미디어 콘텐트를 자동적으로 추천하는 시스템 및 방법, 프로파일 데이터를 조합하는 방법, 그리고 프로파일을 변경하는 방법
US6934964B1 (en) Electronic program guide viewing history generator method and system
KR100891444B1 (ko) 사용자 프로파일의 선택적 갱신을 위한 방법 및 장치
JP5251039B2 (ja) 情報処理装置、情報処理方法、およびプログラム
US7146627B1 (en) Method and apparatus for delivery of targeted video programming
EP2759129B1 (en) Least click tv
US8250605B2 (en) Systems and methods for presentation of preferred program selections
US20030131355A1 (en) Program guide system
JP2005505070A (ja) 他人のプロフィールを用いた、個人用推薦装置のデータベース
US20030066067A1 (en) Individual recommender profile modification using profiles of others
JP2008131339A (ja) 番組情報提供装置、番組情報提供方法及びそのプログラム
JP2007060398A (ja) 番組情報提供装置、番組情報提供方法及びそのプログラム
WO2006067652A2 (en) Method and apparatus for recommending contents
US8205227B1 (en) Management and delivery of audiovisual content items that correspond to scheduled programs
EP1634442B1 (en) Transformation of recommender scores depending upon the viewed status of tv shows
CN112784069A (zh) 一种iptv内容智能推荐系统以及方法
EP1775949A2 (en) Method and apparatus for delivery of targeted video programming
Mukherjee et al. A context-aware recommendation system considering both user preferences and learned behavior
EP3678380B1 (en) Electronic apparatus and control method thereof
WO2002052856A2 (en) Program guide system
JP2008010951A (ja) 推薦番組情報提供装置、推薦番組情報提供方法及びプログラム

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E601 Decision to refuse application