KR20050040805A

KR20050040805A - 트러스트 값 계산 장치, 트러스트 값 계산 방법, 저장장치 또는 저장 매체 및 프로세서 장치

Info

Publication number: KR20050040805A
Application number: KR1020040087025A
Authority: KR
Inventors: 미야우치고지
Original assignee: 휴렛-팩커드 디벨롭먼트 컴퍼니, 엘 피
Priority date: 2003-10-29
Filing date: 2004-10-29
Publication date: 2005-05-03
Also published as: US7707068B2; EP1528498A2; US20050096987A1; EP1528498A3; CN1619567A; JP2005135071A

Abstract

n개의 노드의 트러스트 값은 대응 관계를 가진 노드를 화살표로 연관시킴으로써 계산된다. Pij(i, j = 1 ~ n)는 노드간의 대응 관계를 기초로 하여, 노드(ui)로부터 노드(uj)로 향하는 화살표의 가중으로서 할당된다. P' = cP + (1-c)E가 계산되며, 여기서, c는 상수이며, E는 소정의 행렬이며, P는 Pij로 표현되는 열(j)에서의 원소를 가진 행렬이다. 각 노드의 트러스트 값은 P'를 기초로 하여 계산된다.

Description

트러스트 값 계산 장치, 트러스트 값 계산 방법, 저장 장치 또는 저장 매체 및 프로세서 장치{METHOD AND DEVICE FOR CALCULATING TRUST VALUES ON PURCHASES}

본 출원은 2003년 10월 29일자 출원한 일본 출원 제 2003-368802 호의 우선권에 기초한 것으로, 그 출원에 개시된 내용의 전체가 본 명세서에서 참조로서 인용된다.

본 발명은 일상의 소비 행위(consumption activity)와 관련된 여러 요소의 트러스트 값(trust value)을 정의하고, 그 요소들 사이의 트러스트 값을 정의하며, 그 트러스트 값에 기초하여 소비자 등이 최선의 선택을 할 수 있도록 하는 트러스트 값 계산 방법 및 장치에 관한 것이다.

인간의 일상적 소비 행위에서는 소비자의 동기 유발, 광고 매체, 상점, 제조자, 전문가(비평가)등과 같은 여러 요소들이 서로 연루되어 있다. 본 명세서에서는, 소비 행위와 관련된 이들 요인들을 객체(subject)라 한다. 이 객체들은 서로간에 다양하게 관련되어 있다. 이들 객체들간에는 몇가지 종류의 트러스트 연관성이 있을 것이다. 소비자는 이들 객체들간의 연관성을 나타내는 여러 정보를 획득할 수 있다. 상품 A는 제조사 B에 의해 제조되어 상점 C에서 판매된다. 종래 기술의 방식에서는 제조사 B가 인터넷을 이용하여 상품 A를 광고하고, 상점 C가 지역 신문의 삽입 광고를 이용하여 상품 A를 광고한다.

또한, 비평가 D는 상품 A를 분석하여 잡지 E에 그 분석을 게재한다. 다른 상품에 대해서도 동일 소비 행위가 실행되며, 품목, 제조사, 상점, 전문가 및 잡지에 대한 상당한 정보가 입수 가능하다. 소비자는, 어느 제조사, 상점, 전문가등이 신뢰성이 있는지를 판단할 수 없는 경우가 있다. 상술한 문제점을 해결하기 위하여, 종래 기술에서는 제조사, 상점, 전문가 등의 신뢰성에 대한 표시자 또는 정보를 제공하였다.

소비 행위에 있어서 "객체"와 관련된 트러스트 값에 대한 정보와, 상술한 정보의 개인적 취향에 대한 정보를 획득하는 것이 보다 바람직하다. 소비 행위에 대한 최선의 신용 정보를 획득하기 위해 각각의 개인적 취향 정보를 이용하는 것이 알려져 있다.

앞서 설명한 것을 개시한 종래 기술로는,

(1) 일본 공개 특허 공보 (P1999-306185)

(2) Lawrence Page; Sergey Brin; Rajeev Motwani; Terry Winograd. The PageRank Citation Ranking; Bringing Order to the Web. Technical Report. Stanford University, 1998.

(3) Noriko Arai; Kazuhiro Kitagawa. Personalization technique. Nikkei Electronics, 2003-02-03

이 있다.

JP P-1999-306185에 있어서, PageRank는 텍스트(text) 및 멀티미디어 데이터(multimedia data)와, 이들 데이터를 액세스하는 개인 정보가 링크 구조(link structure)내에 가상 웹 페이지(virtual web page)로서 설치되도록 연장된다. 또한 웹 페이지는 정보의 등급(ranking)을 가진다. 사용자가 인터넷상의 여러 멀티미디어 데이터를 액세스(access)하여, 데이터를 다운로드(download) 하거나, 그 데이터를 북마크(bookmark)로서 등록하면, 그 웹 페이지의 링크 구조는 연장되고 중요도가 계산된다. Page 등의 문서에 개시된 PageRank 방식에서는, 인터넷상의 웹 페이지가 노드로서 정의되고, 그의 트러스트 값과 그의 평가 방법이 설명되어 있다. 그러나, PageRank 방식은 인터넷상의 웹 페이지의 중요도만을 목표로 하고 있다. 따라서, 인터넷상에서 설명되어 있지 않은 정보 관련 객체는 반영되어 있지 않다. 따라서, PageRank 방식은 소비자에게 최선의 정보를 항상 제공하는 것은 아니다.

Arai 논문은 사용자의 선호도(like) 및 비선호도(dislike)에 의거한 개인화 기법(personalization technique)을 소개한다. 이 기법에 따르면, 상품은 개인의 취향 정보에 기초하여 추천되거나 소개된다. Arai 등은 프로파일 매칭 시스템(profile matching system), 룰 기반 시스템(rule base system) 및 합작 필터링 시스템(collaborative filtering system)을 포함한다. 이들 시스템에 따르면, 개인의 취향 정보, 구매 기록, 일반적 소비자의 구매 패턴 등과 같은 정보에 기초하여, 개인에게 최선인 것처럼 보이는 상품이 추천된다. 그러나, 이러한 방법에서는, 소비 행위에 있어서 객체의 트러스트 값에 대한 정보를 고려하지 않고 있다. 따라서, 추천된 상품 또는 그 유사물과 관련하여, 추천된 상품 또는 그 유사물을 구매하는 것이 진실로 좋은 것인지에 대한 불확실한 요소가 잔존한다.

본 발명의 목적은, 소비 행위와 관련된 여러 객체들간의 연관성을 정의하고, 이들 객체들의 트러스트 값을 계산하며, 소비자가 소비 행위에 있어서 고 신뢰성을 가지고 이용할 수 있는 정보를 제공하는 신규하고 개선된 방법 및 장치를 제공하는데 있다.

본 발명의 다른 목적은, 개인의 취향과 일치하고, 관련 개인의 취향 정보를 신뢰성있게 반영하는 객체에 대한 정보를 제공하는 신규하고 개선된 방법 및 장치를 제공하는데 있다.

본 발명의 일 측면에 따르면, 트러스트 값은, 인터넷상의 정보만으로 그 정보를 제한하는 것이 아니라, 소비 행위에 있어서 객체들간의 여러 연관성까지 트러스트 값 정보를 확장하여 계산된다.

PageRank 방법에서는, 모든 링크의 트러스트 값이 서로 등가인 것으로 간주된다. 이와 대조적으로, 본 발명의 일 측면에서 따르면, 링크의 트러스트 값, 트러스트 연관성의 유형 및 각 객체의 트러스트 값이 정의된다. 트러스트 값은 이러한 점을 고려하여 계산된다.

본 발명은, 웹과 관련된 정보의 트러스트 값과, 그 웹에 대한 정보 연관성과 직접적인 연관성이 없는 객체의 트러스트 값, 및 이들 객체들간의 연관성의 트러스트 값을 제공함으로서, JP 1999-306185호에 개시된 것과는 다르다. 또한, 연관성의 유형에 기초하여 가중화가 실행된다.

본 발명의 또 다른 측면에 따르면, 소비 행위 분야의 트러스트 값을 계산함으로서, 제조자, 상점, 전문가등에 대한 신뢰성 표시자가 계산된다. 이들 신뢰성 표시자를 참조함으로서, 고객은 상점이나 제조자를 선택할 수 있으며, 또는 상점은 제조자는 광고를 하기 위한 매체를 선택할 수 있다.

트러스트 값은, 인터넷상의 정보와, 광고, 앙케이트(questionnaire), 잡지 상의 품목등과 같은 여러 데이터 소스로부터의 트러스트 정보에 응답하여 제공될 수 있다. 트러스트 값은, 트러스트 연관성의 종류 또는 트러스트 등급이 미리 알려진 객체에 대한 정보에 응답하여 계산될 수 있다.

또한, 트러스트 값은, 개인이 소유하고 있는 여러 객체에 대한 트러스트의 등급에 응답하여 계산될 수 있다. 소위, 개인화 기반 개별화(personalization based individualization)가 실행될 수 있다. 트러스트 값 계산은, 수집 정보에 의해 생성된 포괄 트러스트 네트워크 그래프(overall trust network graph)를 이용하고, 일부 특정 잡지 등의 가입자의 부분적인 객체 그룹과 관련있는 부분 트러스트 네트워크 그래프를 이용하여 실행될 수 있다.

본 발명의 추가적인 측면에 따르면, 잘 팔리는 상품이 높게 평가되고, 신뢰성있는 제조자, 상점, 전문가 및 다른 객체에 의해 신뢰성이 인정된 제조자, 상점, 전문가 등이 높게 평가되며, 그에 따라 보다 정확한 평가가 고객에게 제공될 수 있게 된다. 또한, 전반적 소비 행위에 있어서의 트러스트 연관성이 모델링되기 때문에, 그 상품의 분야가 특정 분야에 국한되지 않으며 넓게 응용될 수 있다.

상술한 목적 및 다른 목적과, 특징 및 본 발명의 장점은 첨부된 도면과 관련하여, 그의 특정 실시예에 대한 이하의 상세한 설명으로부터 명백해질 것이다.

도 7은 저장 장치(210)와, 메인 메모리(220)와, 출력 장치(230)와, 중앙 처리 장치(Central Processing Unit : CPU, 240), 콘솔(250) 및 입력 장치(260)를 포함하는 하우징(200)을 포함하는 블록도이다. 중안 처리 장치(CPU)(240)는 메인 메모리(220)로부터 제어 프로그램을 독출하고, (1) 콘솔(250)로부터의 명령과, (2)입력 장치(260)로부터의 사용자 정보, 및 (3) 저장 장치(210)에 저장된 트러스트 데이터 정보에 응답하여 정보 처리를 수행한다. CPU(240)는 고 신뢰성의 객체에 대한 정보를 출력 장치(230)로 출력한다.

웹 사이트, 소비자, 광고 매체, 상점, 제조자, 전문가(비평가) 등("객체")은 일상의 소비 행위와 연관성이 있다. 이들 객체들간에 존재하는 트러스트 연관성에 대한 평가가 이루어진다.

도 1은 인터넷 사이트, 비평가, 상품, 판매처, 상품의 제조자 등의 형태의 "객체"를 포함하는 소비 행위의 네트워크도이다. 도 1의 소비 행위의 모든 객체는 노드로서 선택된다. 또한, 이들 객체들은 화살표에 의해 서로 연결되고, 객체들간의 트러스트 연관성 및 그의 트러스트 값이 정의된다.

소비 행위의 객체 및 객체들간의 트러스트 연관성은 앙케이트, 웹 페이지, 잡지, 전자 메시지 보드 등과 같은 여러 정보 소스로부터 추출된다. 객체는, 그 객체를 노드로서 나타내고 트러스트 연관성을 화살표로 나타내는 네트워크도를 이용하여 표시된다. 도 1을 "트러스트 값이 없는 트러스트 네트워크 그래프"라 한다. 노드 및 화살표의 트러스트 등급이 계산되어 트러스트 값이 결정된다. 그 계산은 트러스트 연관성의 유형과, 노드의 트러스트 등급을 가중화하여 실행된다. 그 다음, 계산된 트러스트 값이 트러스트 네트워크 그래프에 삽입된다. 이를 "트러스트 값을 가진 트러스트 네트워크 그래프"라 한다. 이러한 정보에 기초하여, 상품을 추천/소개하는 정보가 소비자에게 제공되고, 유효한 마케팅 정보가 판매자에게 제공된다. 트러스트 네트워크 그래프는 소비 행위에 제한되지 않으며, 여러 공동체의 객체 및 그들간의 연관성에 제공될 수 있다.

도 1은 도 7의 장치가 신뢰성 표시자와 트러스트 값을 결정하는 방법을 설명하는데 도움이 되는 트러스트 네트워크 그래프이다. 소비 행위에 참여하는 웹 사이트, 소비자, 광고 매체, 상점, 제조업자, 전문가(평가가) 등과 같은 "객체"는 노드로서 표현되며, 객체간의 트러스트 관계는 화살표로 표현된다. 화살표의 포인팅 방향은 트러스트 노드로부터 트러스트 대상 노드로 향한다. 소비 행위 분야에서의 트러스트 관계의 도면을 "트러스트 네트워크 그래프"라고 한다. 도 1에서, 트러스트 값이 아직 계산되지 않았기 때문에, 도 1은 "트러스트 값이 없는 트러스트 네트워크 그래프"라고 한다.

본 발명의 일측면에 따르면, 트러스트 값이 필요한 "객체"가 먼저 결정되고, 그 다음, 객체를 서로 연관시키는 "화살표"가 결정된다. 도 7의 장치는 이들 "객체", "화살표"와 관련된 값을 결정하고, 이들에 대한 가중이 결정된다.

이들에 있어서, 타겟이 되는 소비 행위에서 존재하는 트러스트 관계에 기로하여, 다음의 개념이 고려된다.

(1) 소비자는 신뢰성있는 제조업자 또는 상점의 상품을 구매하고자 한다.

(2) 고객은 고객이 신뢰하는 전문가 또는 잡지를 참고한다.

(3) 고객은 상품을 실제로 사용하였던 다른 고객을 참고한다.

(4) 제조업자 또는 상점은 신뢰성있는 광고 매체에 광고를 게재한다.

(5) 비평가는 상품, 상점 및 제조업자에게 등급을 매긴다.

다수의 노드로부터 연장하는 화살표의 종단점을 가진 노드는 네트워크도의 노드 내에 있다. 이러한 노드는 소비 행위에서 많은 트러스트를 획득한 노드로서 간주될 수 있다. 신뢰성있는 노드로부터 연장하는 화살표의 종단점을 가진 노드는 높은 트러스트를 가진 노드로서 또한 간주된다.

일반적인 소비자는, 예를 들어, 전문가 또는 잡지의 광고 매체 등과 같이, 상술한 신뢰성있는 노드를 신뢰하여, 소비 행위를 취하는 것으로 예상된다. 트러스트 관계에 대한 정보가 사용되면, 소비자의 소비 행위는 이 정보에 기초하여 예측될 수 있거나, 판매 행위의 힌트로서 사용된다.

높은 신뢰성을 가진 노드를 검출하기 위해서, 트러스트 네트워크 그래프에서 어느 노드가 다른 노드에 비해 보다 높은 신뢰성을 가지고 있는지를 나타내는 트러스트 값이 도 7의 프로세서에 의해 계산된다. 트러스트 값은 트러스트 관계 또는 그 트러스트 관계의 형태에 따라서 계산되거나, 그 결과, 사전에 신뢰성있는 것으로 알게 된 노드는 과다 가중되며, 사전에 신뢰성없는 것으로 알게 된 노드는 낮게 가중된다. 따라서 계산된 트러스트 값은 노드에 할당되어 트러스트 값을 가진 트러스트 네트워크 그래프를 구성한다.

도 7의 프로세서는 다음의 단계로 상술한 개념을 기초로 하여 트러스트 네트워크 그래프를 구성한다.

10 : 노드/화살표를 선택

20 : 트러스트 값이 없는 트러스트 네트워크 그래프를 작성

30 : 노드/화살표의 가중을 결정

40 : 노드의 트러스트 값을 계산

50 : 트러스트 값을 가진 트러스트 네트워크 그래프를 작성

도 2에 도시되고 도 7의 프로세서에 의해 수행되는 알고리즘이 이하에 보다 상세하게 설명된다.

단계 10 : 노드/화살표를 선택

소비 행위의 트러스트 네트워크와 관련된 "객체"는 소비자, 전문가(비평가), 광고 매체, 잡지, 웹 사이트, 상품, 제조업자, 소매 상인 등이다. 이들 "객체"는 노드로서 표현된다. 확립된 트러스트 관계를 가진 객체(노드)는 화살표로 서로 연결되어 있다. 화살표는 트러스트 노드로부터 트러스트 대상 노드까지 연장한다. 노드간의 트러스트 관계는 "제품을 평가", "잡지의 기사를 게재", "광고를 올림", "제품을 구매", "제품을 제조", "제품을 소개", "전문가를 고용" 등이 있다.

단계 20 : 트러스트 값이 없는 트러스트 네트워크 그래프를 작성

단계 10에서, 도 7의 프로세서는 결정된 정보(도 1을 참조)에 기초하여 작성된 트러스트 네트워크 그래프를 작성한다.

단계 30 : 노드/화살표의 가중을 결정

다음에, 도 7의 프로세서는 소비 행위와 관련된 정보 소스로부터 수집된 관관련 데이터를 수집하여 노드에 대한 트러스트 값을 얻는다. 예를 들어, 타겟 제품에 대한 페이지는 http://www.about.com으로부터 액세스하여 관련 웹 페이지를 참조한다.

제품에 대한 소개 또는 잡지의 기사 상의 평가, 광고, 앙케이트 결과 등은 데이터로서 입수가능하여 트러스트 값을 얻는다. 이러한 정보는 수동으로 얻게 되거나, 원어 처리가 적용되는 등의 정보 추출 머신을 이용하여 자동 또는 반자동으로 추출될 수 있다.

노드 간에 몇몇 트러스트 관계에 관한 정보가 있는 경우에, 도 7의 프로세서는 정보에 기초하여 화살표를 가중화한다. 또한, 그 정보에 기초하여, 신뢰성있는 노드를 사전에 알게 된 경우에, 높은 가중이 이들 노드에 할당된다.

단계 40 : 노드의 트러스트 값을 계산

도 7의 프로세서는 단계 30에서 결정된 가중에 기초하여 각각의 노드의 트러스트 값을 매핑한다. 계산 방법은 후술한다.

노드의 트러스트 값이 높으면, 트러스트 값은 상위 신뢰성을 갖는다.

단계 50 : 트러스트 값을 가진 트러스트 네트워크 그래프를 작성

도 7의 프로세서는 트러스트 네트워크 그래프의 단계 40에서 계산된 값을 매핑하여, 높은 신뢰성의 객체(노드)에 대한 정보가 일견으로 파악될 수 있다.

트러스트 값 계산 방법은 다음의 단계를 포함하는 도 3을 참조하여 설명된다.

110 : 노드간의 0 이상의 화살표를 선택

120 : 모든 화살표의 초기 가중을 결정

130 : 노드(ui)로부터 노드(uj)로 향하는 모든 화살표의 초기 가중의 합을 계산

140 : 노드(ui)로부터 시작하는 화살표의 초기 가중의 합을 계산

150 : 조정된 가중 Pij = AWadj(ui→uj)을 계산

160 : 벡터 v를 정의

170 : 행렬 E = e·v^T를 계산하고, P' = cP + (1-c)E를 계산

180 : 노드(ui)의 트로스트 값 TV(ui)을 계산

트러스트 값의 계산은 이하에 상세히 설명된다.

단계 110 : 노드 간의 0 이상의 화살표를 선택

노드를 연결하는 화살표가 이하에 설명된다. 신뢰성에 대한 정보가 노드간에 존재하지 않으면, 화살표는 존재하지 않는다. 또한, 노드간의 화살표의 개수는 1로 제한되지 않는다. 비평가 A에 의한 시판 제품 B의 성능에 대한 기사가 잡지 C'에 게재됨과 거의 동시에, 시판 제품 B의 기능 및 가격에 대한 기사를 쓰는 비평가 A의 예를 고려한다. 이러한 예에서, 비평가 A를 나타내는 노드와 시판 제품 B를 나타내는 노드 간에는 2개의 화살표가 있다. 노드 간의 화살표는 상술한 정보에 의해 결정된다. 이러한 예에서, 화살표는 노드(ui)로부터 노드(uj)로 연장하고, A(ui→uj)k (k = 1 ~ m)으로 표현된다.

단계 120 : 모든 화살표에 대한 초기 가중을 결정

노드 간에 존재하는 정보의 내용에 따라서, 화살표 A(ui→uj)k (k = 1 ~ m)의 초기 가중이 결정된다.

단계 130 : 노드(ui)로부터 노드(uj)로 연장하는 모든 화살표의 초기 값의 합을 계산

노드(ui)로부터 노드(uj)로의 화살표의 초기값의 합이 AWacc(ui→uj)로 표현된다.

수학식 7

단계 140 : 시작점으로서 노드(ui)를 가진 화살표의 초기 가중의 합을 계산

초기값의 합은 AWacc(ui)로 표현된다.

단계 150 : 조정된 Pij를 수학식 8로서 계산

수학식 8

이러한 조정에 의해, 각각의 노드간의 화살표의 가중은 0 내지 1의 값을 취하고, Pij로 표현된다.

단계 160 : 벡터 v를 정의

벡터 v는 하나 이상의 원소를 포함하는 벡터이며, 각각은 노드의 가중을 나타내며, 각각의 원소의 합은 1이다. 도 7의 프로세서는 노드의 트러스트의 등급으로서 간주되는 벡터 v의 값을 조정하며, 노드에 대한 잡지의 기사의 평가, 개인의 트러스트, 평가 기관의 랭크 정보 등에 기초하여 결정된다. 벡터 v의 값은 소비자의 원하는 객체에 따르며, 이로써, 소비자의 그 객체에 기초하여 트러스트를 얻는다.

단계 170 : 행렬 E = e·v^T를 계산하고 P' = cP + (1-c)E를 계산

도 7의 프로세서는 모든 원소가 "1"인 벡터 e를 이용하여 행렬 E = e·v^T를 계산하고, P' = cP + (1-c)E가 계산된다. 여기서, c는 0≤c≤1의 값을 가진 상수이며, C의 값은 실험적으로 결정된다.

단계 180 : 노드(ui)의 트러스트 값 TV(ui)을 계산

노드(ui)의 트러스트 값 TV(ui)은 수학식 9로 정의된다.

수학식 9

여기서,

수학식 10

는 노드(ui)로의 화살표를 지시하는 노드 세트를 나타낸다.

도 7의 프로세서는 수학식 (3)의 고유 벡터(TV(ui), i = 1 ~ n)(즉, 수학식 10)을 계산한다. 벡터 X^T = (TV(u1), ..., TV(un))를 정의함으로써, 수학식 (3)이 다음과 같이 표현될 수 있다.

수학식 11

도 7의 프로세서는 행렬 P'의 전치 행렬의 고유값 "1"에 대한 고유 벡터로서 계산된 벡터 를 계산한다. 고유 벡터 의 각각의 값은 각 노드의 트러스트 값에 대응한다. 이들 노드에서, TV(uj)의 높은 값을 가진 노드(uj)는 높은 트러스트를 가진 노드(객체)인 것으로서 간주된다.

이러한 실시예는 상술한 계산 결과를 이용하여, 다음의 예상되는 소비 행위에 적용된다.

(a) 하나의 제조업자는 다른 제조업자보다 높은 신뢰성을 갖으며, 신뢰성있는 제조업자에 의해 제조된 제품이 소개 또는 추천된다.

(b) 소비자는 가장 신뢰성있는 상점에서 가장 신뢰성있는 제조업자에 의해 제조된 제품을 구매할 것이다.

그러나, 제품은 반드시 제품으로서 작용하지 않기 때문에, 상술한 예는 제품을 통한 간접적인 트러스트 관계가 있도록 재기록된다. 예를 들어, 전문가가 제품을 추천한 경우에, 전문가는 제품을 제조한 제조업자를 신뢰하는 것으로서 간주한다.

다음에, 상술한 계산 결과가 트러스트 네트워크 그래프에서 매핑되는 예를 고려한다. 도 4는 노드와 그 노드의 트러스트 값이 선택되는 예이며, 화살표는 노드 사이에 채워진다. 도 4에서, 숫자 표시 박스는 노드를 나타내며, 각각의 노드에 할당된 수치값은 그 노드의 계산된 트러스트 값을 나타낸다. 도 7의 프로세서는 모든 노드에 대해서, c = 0.85이고, 벡터 V의 값이 "1/n"인 조건 하에서 계산한다. 가로 안의 수치값은 화살표의 가중을 나타낸다. 도 4에서, "1.0"은 각 화살표의 가중으로서 사용된다.

도 5에서, "10.0"은 특정 화살표(노드2 →노드 5, 노드 3 →노드 5, 노드 7 →노드 3, 노드 7 →노드 8)에 대한 화살표의 가중으로서 사용된다. 도 7의 프로세서는, 상술한 값이 사용되고 변경되지 않는 다른 조건이 도시된 경우에, 각각의 노드의 트러스트 값을 계산한다. 프로세서는 화살표의 가중에 의해 각 노드의 트러스트 값을 변경한다.

프로세서는 도 5의 노드 1의 값을 도 4의 0.366에서 0.3016으로 변경하고, 도 5의 노드 4의 값을 도 4의 0.378에서 0.287로 변경한다. 도 5에서, 노드 1은 노드 4보다 높은 트러스트 값을 가지며, 도 4에서, 노드 4는 노드 1보다 높은 트러스트 값을 가진다. 도 6은 "3.0"이 특정 화살표(노드 5 →노드 6)의 트러스트 값으로서 선택되고, 다른 조건이 변경되지 않는 조건에서 프로세스가 계산하는 각 노드의 트러스트 값을 도시한다. 도 6의 노드 2의 값은 도 4의 0.0545에서 0.0665로 변경되며, 도 6의 노드 5의 값은 도 4의 0.055에서 0.0588로 변경된다. 노드 5가 도 4에서 상위의 트러스트 값을 가지고 있지만, 노드 2의 트러스트 값은 도 6에서 상위의 트러스트 값을 갖는다.

개인의 취향 프로필 정보를 고려하여 노드 또는 화살표의 가중을 변경함으로써, 개인의 취향 프로필을 고려하여 프로세서가 계산하는 트러스트 값이 획득된다. 예를 들어, 몇몇 개인의 취향은 몇몇 패션 잡지의 내용과 유사한 경우가 설명되어 있다. 도 3의 단계 160에 정의된 벡터 v는, 각각의 원소가 노드의 가중을 나타내며, 모든 원소의 합이 1인 벡터이다. 벡터 v의 값은 원하는 객체를 고려하여 프로세서가 계산하는 트러스트 값을 얻기 위해서 원하는 객체에 따라서 변한다. 패션 잡지 A에 대응하여 노드에 대응하는 벡터 v의 값을 증가시킴으로써, 프로세서가 계산하는 각 노드의 트러스트 값은 패션 잡지 A의 경향을 고려하여 얻게 된다.

다른 실시예로서, 객체 간의 트러스트 관계의 등급을 사전에 알고 있거나 향상될 필요가 있고, 트러스트 값 계산에 반영되는 이러한 개인화를 고려한다. 화살표의 트러스트 값이 변경하는 경우가 이하에 설명된다. 상술한 바와 같이, 서로 간에 몇몇 관계를 가진 노드 간에는 하나 이상의 화살표가 있다. 예를 들어, 특정 잡지와 관련된 객체와, 그 객체와 트러스트 관계를 가진 다른 객체 사이의 화살표와 관련된 값이 증가될 수 있다. 프로세서는, 관련 잡지의 구독자의 트러스트 값을 고려함으로써, 또한 화살표와 관련된 변경된 트러스트 값을 이용함으로써, 트러스트 값을 계산한다. 결과적으로, 신뢰성있는 것으로 간주되는 객체의 제품이 추천되거나 소개될 수 있으며, 보다 양호한 제품이 잡지에 가입한 사람에게 추천되거나 소개될 수 있다. 이 경우에, 신뢰성의 등급은 노드간의 화살표의 가중을 변경하거나 조정된 가중 Pij를 변경함으로써 소개된다. 개인 또는 개인이 속하는 그룹과 관련된 트러스트 관계를 이용하여 계산이 수행될 수 있다. 또한, 트러스트 값은, 나이, 성별, 연소득, 가족 사항, 취미, 취향 등과 같은 상이한 개인 취향 프로필에 있어서 다르다. 프로세서는 도 3의 단계 160에 도시된 벡터 v와, 화살표의 트러스트 값을 변경함으로써, 트러스트 값을 계산할 수 있다.

본 발명은 여러 분야에 적용가능하지만, 특히 다음의 분야에 효과적이다.

(1) 판매 촉진 행위의 선전

특정 제조업자가 다른 제조업자보다 더 신뢰성있는 것으로 알고 있다면, 제조업자에 의해 제조된 제품이 소개/추천된다. 따라서, 그 제조업자의 제품의 판매자는 마케팅과 판매 행위를 효과적으로 촉진시킬 것이다.

(2) 개인의 요구에 부합되는 제품의 소개/추천(개인화)

제품은 각 개인의 일반적인 정보와 상이한 취향의 정보에 기초하여 각 객체의 신뢰 정보를 기초로 하여 소개/추천될 수 있다.

(3) 특정 그룹의 요구에 부합되는 제품의 소개/추천

예를 들어, 객체간의 트러스트 관계 및 특정 잡지에 관련된 객체 상의 정보를 기초로 하여, 프로세서는 잡지의 가입자에 대해 고유한 트러스트 관계를 고려함으로써 트러스트 값을 계산하며, 잡지에 가입한 사람에게 보다 양호한 제품이 추천/소개될 수 있다.

(4) 정보 필터링에의 적용

프로세서는 여러 검색 시스템에 의해 얻게 되는 검색 결과 변로 상위의 트러스트 값을 가진 노드를 선택함으로써 필터링 기능을 수행할 수 있다. 또한, 제품의 가격보다는 제품의 신뢰성과 가계의 신뢰성에 보다 높은 프리미엄을 두는 고객에게, 높은 트러스트 값을 가진 제조업자 및 상점을 우선적으로 소개할 수 있다.

본 발명의 특정 실시예가 기재되고 설명되었지만, 특별히 설명되고 기재된 실시예에 대한 상세한 설명에 대해, 첨부한 청구 범위에서 정의된 본 발명의 사상과 범위 내에서 벗어나지 않고 수정이 이루어질 수 있다는 것은 명확할 것이다.

본 발명에 따르면, 일상의 소비 행위(consumption activity)와 관련된 여러 요소의 트러스트 값(trust value)을 정의하고, 그 요소들 사이의 트러스트 값을 정의하며, 그 트러스트 값에 기초하여 소비자 등이 최선의 선택을 할 수 있도록 하는 트러스트 값 계산 방법 및 장치를 제공할 수 있다.

도 1은 트러스트 네트워크 그래프의 개념을 포함한 도면,

도 2는 도 7의 장치에 의해 실행되는 동작에 대한 전반적인 흐름도,

도 3은 도 7의 장치가 트러스트 값의 계산을 실행하는 알고리즘을 나타낸 흐름도,

도 4는 도 7의 장치가 실행하는 동작의 제 1 실시예를 나타낸 것으로, 트러스트 네트워크 그래프에 수치값이 삽입된 도면,

도 5는 도 7의 장치가 실행하는 동작의 제 2 실시예를 나타낸 것으로, 트러스트 네트워크 그래프에 수치값이 삽입된 도면,

도 6은 도 7의 장치가 실행하는 동작의 제 3 실시예를 나타낸 것으로, 트러스트 네트워크 그래프에 수치값이 삽입된 도면,

도 7은 본 발명을 실행하는 장치의 바람직한 구현에 대한 블럭도.

도면의 주요 부분에 대한 부호의 설명

210 : 저장 장치 220 : 메인 메모리

230 : 출력 장치 240 : 중앙 처리 장치

250 : 콘솔 260 : 입력 장치

Claims

n개의 노드(ui, i = 1 ~ n)의 트러스트 값을 계산하는 장치에 있어서,

(a) 상기 각각의 노드가 서로에 대해 대응하는 관계를 가지고 있는 경우에, 서로간의 노드를 화살표로 연관시키는 수단과,

(b) 상기 노드간의 대응 관계를 기초로 하여 노드(ui)로부터 노드(uj)로 향하는 화살표의 가중으로서 Pij(i, j = 1 ~ n)를 선택하는 수단과,

(c) P' = cP + (1-c)E를 계산하는 수단 - c가 상수이며, E는 소정의 행렬이며, P는 행(i)과 열(j)의 원소가 Pij로 표현되는 행렬임 - 과,

(d) P'를 기초로 하여 각 노드의 트러스트 값(TV(ui), i = 1 ~ n)을 계산하는 수단을 포함하는 트러스트 값 계산 장치.
제 1 항에 있어서,

상기 각 노드의 트러스트 값(TV(ui), i = 1 ~ n)을 계산하는 수단은 P'^T의 고유값 1에 대한 고유 벡터로서 TV(ui)(i = 1 ~ n)를 계산하도록 배열되며,

이며,

은 ui에 입사하는 출력 화살표에 대한 노드 세트를 나타내는 트러스트 값 계산 장치.
제 2 항에 있어서,

상기 각각의 노드를 화살표로 연결하는 수단은

(a) 상기 대응 관계를 기초로 하여, 제 1 노드 및 제 2 노드를 0 이상의 화살표로 연결하는 수단과,

(b) 상기 화살표에 초기 가중값을 할당하는 수단과,

(c) 상기 제 1 노드로부터 상기 제 2 노드로 향하는 모든 화살표의 초기값의 합(제 1 합)을 계산하는 수단과,

(d) 상기 제 1 노드를 시작점으로서 가지는 모든 화살표의 초기 가중값의 합(제 2 합)을 계산하는 수단과,

(e) 상기 제 1 합을 상기 제 2 합으로 제산하여 조정된 가중을 계산하고, 상기 모든 노드에 대한 조정된 가중 Pij를 동일한 방식으로 달성하는 수단

을 포함하는 트러스트 값 계산 장치.
제 3 항에 있어서,

상기 P'를 계산하는 수단은,

(a) 모든 원소가 1인 벡터 e를 도출하는 수단과, (b) 상기 각 원소가 상기 노드의 가중을 나타내고 상기 각 원소의 합이 1인 벡터 v를 도출하는 수단과, (c) 행렬 E = e·v^T를 계산하는 수단과, (d) P' = cP + (1-c)E (c는 0≤c≤1을 만족하는 상수)를 계산하는 수단을 포함하는 트러스트 값 계산 장치.
제 1 항에 있어서,

상기 P'를 계산하는 수단은,

(a) 모든 원소가 1인 벡터 e를 도출하는 수단과, (b) 상기 각 원소가 상기 노드의 가중을 나타내고 상기 각 원소의 합이 1인 벡터 v를 도출하는 수단과, (c) 행렬 E = e·v^T를 계산하는 수단과, (d) P' = cP + (1-c)E (c는 0≤c≤1을 만족하는 상수)를 계산하는 수단을 포함하는 트러스트 값 계산 장치.
제 1 항에 있어서,

상기 P'를 계산하는 수단은,

(a) 모든 원소가 1인 벡터 e를 도출하는 수단과, (b) 상기 각 원소가 상기 노드의 가중을 나타내고 상기 각 원소의 합이 1인 벡터 v를 도출하는 수단과, (c) 행렬 E = e·v^T를 계산하는 수단과, (d) P' = cP + (1-c)E (c는 0≤c≤1을 만족하는 상수)를 계산하는 수단을 포함하는 트러스트 값 계산 장치.
제 4 항에 있어서,

상기 벡터 v를 정의하는 수단은 상기 노드의 트러스트의 등급을 기초로 하여 상기 벡터 v를 정의하도록 배열된 트러스트 값 계산 장치.
제 6 항에 있어서,

상기 벡터 v를 정의하는 수단은 상기 노드의 트러스트의 등급을 기초로 하여 상기 벡터 v를 정의하도록 배열된 트러스트 값 계산 장치.
(a) 상기 각각의 노드가 서로에 대해 대응하는 관계를 가지고 있는 경우에, 서로간의 노드를 화살표로 연관시키는 프로세스와,

(b) 상기 노드간의 대응 관계를 기초로 하여 노드(ui)로부터 노드(uj)로 향하는 화살표의 가중으로서 Pij(i, j = 1 ~ n)를 선택하는 프로세스와,

(c) P' = cP + (1-c)E를 계산하는 프로세스 - c가 상수이며, E는 소정의 행렬이며, P는 행(i)과 열(j)의 원소가 Pij로 표현되는 행렬임 - 와,

(d) P'를 기초로 하여 각 노드의 트러스트 값(TV(ui), i = 1 ~ n)을 계산하는 프로세스를 처리 장치로 하여금 실행하게 함으로써, 처리 장치가 n개의 노드(ui, i = 1 ~ n)의 트러스트 값을 계산할 수 있게 하는 프로그램을 가진 저장 매체 또는 저장 장치.
제 9 항에 있어서,

상기 각 노드의 트러스트 값(TV(ui), i = 1 ~ n)은, P'^T의 고유값 1에 대한 고유 벡터로서 TV(ui)(i = 1 ~ n)를 계산함으로써, 계산될 수 있으며,

이며,

은 ui에 입사하는 출력 화살표에 대한 노드 세트를 나타내는 저장 매체 또는 저장 장치.
제 10 항에 있어서,

상기 각각의 노드는, 상기 프로세서 장치로 하여금,

(a) 상기 대응 관계를 기초로 하여, 제 1 노드 및 제 2 노드를 0 이상의 화살표로 연결하고,

(b) 상기 화살표에 초기 가중값을 할당하고,

(c) 상기 제 1 노드로부터 상기 제 2 노드로 향하는 모든 화살표의 초기값의 합(제 1 합)을 계산하고,

(d) 상기 제 1 노드를 시작점으로서 가지는 모든 화살표의 초기 가중값의 합(제 2 합)을 계산하고,

(e) 상기 제 1 합을 상기 제 2 합으로 제산하여 조정된 가중을 계산하고,

(f) 상기 모든 노드에 대한 조정된 가중 Pij를 동일한 방식으로 달성하게 함으로써, 화살표로 연결될 수 있는 저장 매체 또는 저장 장치.
제 11 항에 있어서,

상기 프로그램에 의해,

(a) 모든 원소가 1인 벡터 e를 도출하고,

(b) 상기 각 원소가 노드의 가중을 나타내고 상기 각 원소의 합이 1인 벡터 v를 도출하고,

(c) 행렬 E = e·v^T를 계산하고,

(d) P' = cP + (1-c)E (c는 0≤c≤1을 만족하는 상수)를 계산함으로써,

상기 프로세서 장치가 P'를 계산할 수 있는 저장 매체 또는 저장 장치.
제 12 항에 있어서,

상기 프로그램에 의해서, 상기 프로세서가 상기 노드에 대한 트러스트의 등급을 기초로 하여 상기 벡터 v를 도출하는 저장 매체 또는 저장 장치.
제 9 항에 있어서,

상기 프로세서 장치로 하여금,

(a) 상기 대응 관계를 기초로 하여, 제 1 노드와 제 2 노드를 0 이상의 화살표로 연결하고,

(b) 상기 화살표에 초기 가중값을 할당하고,

(c) 상기 제 1 노드로부터 상기 제 2 노드로 향하는 모든 화살표의 초기값의 합(제 1 합)을 계산하고,

(d) 상기 제 1 노드를 시작점으로서 가지는 모든 화살표의 초기 가중값의 합(제 2 합)을 계산하고,

(e) 상기 제 1 합을 상기 제 2 합으로 제산하여 조정된 가중을 계산하고,

(f) 상기 모든 노드에 대한 조정된 가중 Pij를 동일한 방식으로 달성하게 함으로써, 상기 각 노드가 화살표로 연결될 수 있는 저장 매체 또는 저장 장치.
제 9 항에 있어서,

상기 프로그램에 의해,

(a) 모든 원소가 1인 벡터 e를 도출하고,

(b) 상기 각 원소가 노드의 가중을 나타내고 상기 각 원소의 합이 1인 벡터 v를 도출하고,

(c) 행렬 E = e·v^T를 계산하고,

(d) P' = cP + (1-c)E (c는 0≤c≤1을 만족하는 상수)를 계산함으로써,

상기 프로세서 장치가 P'를 계산할 수 있는 저장 매체 또는 저장 장치.
제 9 항에 있어서,

상기 프로그램에 의해서, 상기 프로세서가 상기 노드에 대한 트러스트의 등급을 기초로 하여 상기 벡터 v를 도출하는 저장 매체 또는 저장 장치.
노드가 서로간에 화살표로 연관되어 있는 서로간의 대응 관계를 가지는 n개의 노드(ui, i = 1 ~ n)의 트러스트 값을 계산하는 방법에 있어서,

(a) 상기 노드간의 대응 관계를 기초로 하여 노드(ui)로부터 노드(uj)로 향하는 화살표의 가중으로서 Pij(i, j = 1 ~ n)를 할당하는 단계와,

(b) P' = cP + (1-c)E를 계산하는 단계 - c가 상수이며, E는 소정의 행렬이며, P는 행(i)과 열(j)의 원소가 Pij로 표현되는 행렬임 - 와,

(c) P'를 기초로 하여 각 노드의 트러스트 값(TV(ui), i = 1 ~ n)을 계산하는 단계를 포함하는 트러스트 값 계산 방법.
제 17 항에 있어서,

상기 각 노드의 트러스트 값(TV(ui), i = 1 ~ n)을 계산하는 단계는 P'^T의 고유값 1에 대한 고유 벡터로서 TV(ui)(i = 1 ~ n)를 계산하는 단계를 포함하며,

이며,

은 ui에 입사하는 출력 화살표에 대한 노드 세트를 나타내는 트러스트 값 계산 방법.
제 18 항에 있어서,

상기 각각의 노드는,

(a) 상기 대응 관계를 기초로 하여, 제 1 노드 및 제 2 노드를 0 이상의 화살표로 연결하는 단계와,

(b) 상기 화살표에 초기 가중값을 할당하는 단계와,

(c) 상기 제 1 노드로부터 상기 제 2 노드로 향하는 모든 화살표의 초기값의 합(제 1 합)을 계산하는 단계와,

(d) 상기 제 1 노드를 시작점으로서 가지는 모든 화살표의 초기 가중값의 합(제 2 합)을 계산하는 단계와,

(e) 상기 제 1 합을 상기 제 2 합으로 제산함으로써 조정된 가중을 계산하는 단계와,

(f) 상기 모든 노드에 대한 조정된 가중 Pij를 동일한 방식으로 달성하는 단계를 포함하는 방법에 의해서 화살표로 연결되는 트러스트 값 계산 방법.
제 19 항에 있어서,

상기 P'를 계산하는 단계는,

모든 원소가 1인 벡터 e를 도출하는 단계와, 상기 각 원소가 노드의 가중을 나타내고 상기 각 원소의 합이 1인 벡터 v를 도출하는 단계와, 행렬 E = e·v^T를 계산하는 단계와, P' = cP + (1-c)E (c는 0≤c≤1을 만족하는 상수)를 계산하는 단계를 포함하는 트러스트 값 계산 방법.
제 20 항에 있어서,

상기 벡터 v는 상기 노드의 트러스트의 등급을 기초로 하여 도출되는 트러스트 값 계산 방법.
제 17 항에 있어서,

상기 각 노드는,

(a) 상기 대응 관계를 기초로 하여, 제 1 노드 및 제 2 노드를 0 이상의 화살표로 연결하는 단계와,

(b) 상기 화살표에 초기 가중값을 할당하는 단계와,

(c) 상기 제 1 노드로부터 상기 제 2 노드로 향하는 모든 화살표의 초기값의 합(제 1 합)을 계산하는 단계와,

(d) 상기 제 1 노드를 시작점으로서 가지는 모든 화살표의 초기 가중값의 합(제 2 합)을 계산하는 단계와,

(e) 상기 제 1 합을 상기 제 2 합으로 제산함으로써 조정된 가중을 계산하는 단계와,

(f) 상기 모든 노드에 대한 조정된 가중 Pij를 동일한 방식으로 달성하는 단계를 포함하는 방법에 의해, 화살표로 연결되는 트러스트 값 계산 방법.
제 17 항에 있어서,

상기 P'를 계산하는 단계는,

모든 원소가 1인 벡터 e를 도출하는 단계와, 상기 각 원소가 노드의 가중을 나타내고 상기 각 원소의 합이 1인 벡터 v를 도출하는 단계와, 행렬 E = e·v^T를 계산하는 단계와, P' = cP + (1-c)E (c는 0≤c≤1을 만족하는 상수)를 계산하는 단계를 포함하는 트러스트 값 계산 방법.
제 17 항에 있어서,

상기 벡터 v는 상기 노드의 트러스트의 등급을 기초로 하여 도출되는 트러스트 값 계산 방법.
청구항 17의 방법을 수행하는 프로세서 장치.
청구항 22의 방법을 수행하는 프로세서 장치.
청구항 23의 방법을 수행하는 프로세서 장치.
청구항 24의 방법을 수행하는 프로세서 장치.
제 1 항에 있어서,

상기 노드는 고객, 비평가, 광고 매체, 잡지, 웹 사이트, 상품, 제조업자 및 소매 상인을 포함하는 그룹으로부터 선택되는 트러스트 값 계산 장치.
제 9 항에 있어서,

상기 노드는 고객, 비평가, 광고 매체, 잡지, 웹 사이트, 상품, 제조업자 및 소매 상인을 포함하는 그룹으로부터 선택되는 저장 매체 또는 저장 장치.
제 17 항에 있어서,

상기 노드는 고객, 비평가, 광고 매체, 잡지, 웹 사이트, 상품, 제조업자 및 소매 상인을 포함하는 그룹으로부터 선택되는 트러스트 값 계산 방법.
제 25 항에 있어서,

상기 노드는 고객, 비평가, 광고 매체, 잡지, 웹 사이트, 상품, 제조업자 및 소매 상인을 포함하는 그룹으로부터 선택되는 프로세서 장치.