KR20090027262A - 추천을 생성하기 위한 방법 및 시스템 - Google Patents

추천을 생성하기 위한 방법 및 시스템 Download PDF

Info

Publication number
KR20090027262A
KR20090027262A KR1020097004154A KR20097004154A KR20090027262A KR 20090027262 A KR20090027262 A KR 20090027262A KR 1020097004154 A KR1020097004154 A KR 1020097004154A KR 20097004154 A KR20097004154 A KR 20097004154A KR 20090027262 A KR20090027262 A KR 20090027262A
Authority
KR
South Korea
Prior art keywords
user
recommendation
user event
database
instructions
Prior art date
Application number
KR1020097004154A
Other languages
English (en)
Inventor
스티븐 케이. 소더스
라스 피. 닐슨
스콧 에이. 가츠
애쉬빈쿠마르 피. 파텔
Original Assignee
야후! 인크.
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 야후! 인크. filed Critical 야후! 인크.
Publication of KR20090027262A publication Critical patent/KR20090027262A/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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G06Q30/0271—Personalized advertisement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Information Transfer Between Computers (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

다수의 제품 또는 서비스에 걸쳐 추천을 생성하기 위한 방법 및 시스템이 개시된다. 시스템은 사용자 이벤트를 처리하고 인터넷을 통해 사용자와 인터페이스하기 위한 복수의 도메인 서버, 사용자 이벤트를 저장하기 위한 데이터베이스 및 추천 엔진을 포함한다. 추천 엔진은 또한 복수의 제품 또는 서비스 도메인에 걸친 사용자 이벤트를 데이터베이스에 저장하기 위한 명령어, 추천을 위한 트리거링 이벤트를 수신하기 위한 명령어, 사용자 이벤트를 분석하여 데이터베이스의 사용자 이벤트 간의 상관관계를 공식화하기 위한 명령어 및 트리거링 이벤트에 응하여 데이터베이스의 사용자 이벤트 간의 상관관계에 따라 추천을 생성하기 위한 명령어를 포함하는 하나 이상의 컴퓨터 프로그램을 포함한다. 본 발명은 임의의 이들 도메인에서 추천을 생성하기 위해 다른 도메인들로부터의 사용자 입력 데이터를 이용한다. 본 발명은 더 많은 사용자 입력 데이터로의 액세스를 허용하여, 추천의 질을 향상시킨다.
제품 추천, 서비스 추천, 개인화된 추천, 유사한 아이템 추천

Description

추천을 생성하기 위한 방법 및 시스템{METHOD AND SYSTEM FOR GENERATING RECOMMENDATIONS}
본 발명은 인터넷 응용 분야에 관한 것이다. 보다 구체적으로는, 본 발명은 다수의 도메인(domain)으로부터의 사용자 입력 데이터를 이용하여 제품 또는 서비스 추천을 생성하기 위한 방법 및 시스템에 관한 것이다.
추천은 사람들이 자신이 원하는 것을 검색하고 그것을 찾아내는 가장 유력한 방법 중 하나이다. 카메라 쇼핑을 하거나 또는 레스토랑을 알아보려 할 때, 사람들은 친구, 전문가 및 대중들과 같은 각종 소스로부터의 추천에 의존한다.
컴퓨터 생성 추천에 대한 연구가 수십 년간 진행되어 왔고, 그 결과 성공적인 많은 동작 시스템뿐만 아니라 많은 양의 출판물 및 각종 어프로치가 생겨났다. 컴퓨터 생성 추천은 각종 소스로부터의 전문적 지식의 체계화에 기초할 수 있다. 이것은 전문가 시스템 기반 애플리케이션의 공급 과잉을 통해 1970년대 및 1980년대에 증명되었다. 이러한 어프로치의 문제점은 컴퓨터 애플리케이션이 전문적 지식을 포착하고 그것을 유지하는 것에 있어서 노력이 필요하고 그것이 어렵다는 것이다.
전문가 시스템의 단점 일부를 해결하는 대안의 어프로치는 과거의 성능에 기초하여 컴퓨터 애플리케이션 자신을 적용시킴으로써 자신의 성능을 개선할 수 있는 기계 학습 시스템이다. 추천에 관해, 이 어프로치는 협력적 필터링 알고리즘(collaborative filtering algorithm)의 형태로 증명되었다.
협력적 필터링은 다른 사용자의 경험 상의 추천에 기초한다. 특정 도메인에서 결정을 내려야 할 때 사람들은 종종 그 도메인에 경험이 있는 친구와 의논한다. 협력적 필터링은 단지 친구와 아는 사람들을 넘어, 더 큰 그룹의 사용자를 통틀어 이러한 추천을 만드는 방법이다. 이 어프로치는 리뷰, 점수, 순위, 투표 등의 형태로 이 사용자들의 피드백을 입력으로 한다. 이 입력 데이터는 분석되어 패턴을 찾아내고 추천의 성공 가능성으로 변환되는 아이템과 사용자 간의 상관관계를 찾아낸다.
협력적 필터링을 이용하는 잘 알려져 있는 개인화된 영화 추천 웹사이트는 MovieLens(http://www.movielens.com)이다. 이 개인화된 영화 추천 서비스에서, 수천 명의 사용자는 자신이 얼마나 충분히 영화를 좋아하는지 또는 좋아하지 않는지에 기초하여 영화에 대한 점수를 매긴다. 특정 사용자가 좋아하는 영화와 유사한 영화를 조사함으로써 특정 사용자를 위한 추천이 행해질 수 있다. 이것은 "이 영화를 좋아하는 사람은 또한 이하의 영화를 좋아한다"라는 유형의 추천을 제공한다. 예를 들어, 영화 Jerry Maguire를 보고 있는 사용자는 A Few Good Men을 추천받을 수 있다. 이 경우, "유사하다"라는 것은, 추천을 요청하는 특정 사용자가 점수를 매겼던 영화와 공통점이 있는 영화에 대해 점수를 매긴 사용자 집단 전체에 걸친 점수 분석에 기초한다.
상술된 예에 도시된 바와 같이, 협력적 필터링 영역의 기존 시스템은 단일 도메인 내의 사용자의 입력 데이터에 기초하여 추천하는 것에 초점을 맞춰 왔다. 예를 들어 영화와 같이 입력 데이터가 하나의 도메인으로부터만 수집되었기 때문에, 그 도메인 내의 아이템에 대한 추천이 생성될 수 있다. 또한, 협력적 필터링 추천의 질은 사용가능한 사용자 입력 데이터의 양에 좌우된다. 그러나 하나의 도메인에서 사용가능한 데이터가 거의 없다면, 생성된 추천 역시 관련성이 떨어지고 신뢰도가 떨어진다.
그러므로, 단일 도메인으로부터 수집된 데이터에 기초하여 추천을 생성하는 문제점을 해결할 수 있는 시스템 및 방법이 요구된다. 특히, 제품 또는 서비스 추천을 생성하는 데에 있어 다수의 도메인으로부터의 사용자 입력 데이터를 이용하기 위한 시스템 및 방법이 요구된다.
본 발명은 제품 또는 서비스 추천을 생성하기 위해 다수의 도메인에 걸친 사용자 입력 데이터를 이용하는 시스템 및 방법을 개시한다. 본 발명은 기존의 시스템에 대해 다수의 개선 사항을 제공한다.
먼저, 본 발명은 그 사업 관심 분야가 여러 도메인에 걸쳐 있는 조직에 대해 이롭다. 이 추천은 단일 도메인에 제한되지 않는다. 대신 다른 도메인으로부터의 사용자 이벤트는 이들 도메인 중 임의의 도메인의 추천을 생성하기 위해 영향을 받을 수 있다. 예를 들어, 쇼핑, 뉴스 및 영화에 걸쳐 사용자의 피드백을 분석함으로써, 시스템은 스케이트 보드를 사거나 또는 스케이트 보드에 관한 뉴스 기사를 읽는 사용자에게 스케이트 보드 영화를 추천할 수 있다.
또한, 본 발명은 더 많은 양의 사용자 입력 데이터로의 액세스를 허용하여 추천의 질을 개선한다. 상술된 스케이트 보드 예에서, 스케이트 보드에 관한 쇼핑 도메인 내에서만의 데이터 양은 너무 작아서 양질의 추천이 가능하지 못할 수 있다. 이것은 또한 개별적으로 볼 때, 뉴스 및 영화 도메인 내에서도 마찬가지이다. 그러나 데이터를 이들 도메인에 걸쳐 조합함으로써, 이러한 스케이트 보드 상관관계 패턴을 찾아낼 수 있어 조건이 다른 경우 가능하지 않을 수도 있는 추천에 이용될 수 있다
다수의 제품 또는 서비스 도메인에 걸친 추천을 생성하기 위한 방법은, 복수의 제품 또는 서비스 도메인에 걸친 사용자 이벤트를 데이터베이스에 수집하는 단계, 추천을 위한 트리거링 이벤트를 수신하는 단계, 이 사용자 이벤트를 분석하여 데이터베이스의 사용자 이벤트 간의 상관관계를 공식화하는 단계 및 트리거링 이벤트에 응하여 데이터베이스의 사용자 이벤트 간의 상관관계에 따라 추천을 생성하는 단계를 포함한다.
다수의 제품 또는 서비스 도메인에 걸친 추천을 생성하기 위한 시스템은, 사용자 이벤트를 처리하고 인터넷을 통해 사용자와 인터페이스하기 위한 복수의 도메인 서버, 사용자 이벤트를 저장하기 위한 데이터베이스 및 추천 엔진을 포함한다. 추천 엔진은 또한 복수의 제품 또는 서비스 도메인에 걸친 사용자 이벤트를 데이터베이스에 수집하기 위한 명령어, 추천을 위한 트리거링 이벤트를 수신하기 위한 명령어, 사용자 이벤트를 분석하여 데이터베이스의 사용자 이벤트 간의 상관관계를 공식화하기 위한 명령어 및 트리거링 이벤트에 응하여 데이터베이스의 사용자 이벤트 간의 상관관계에 따라 추천을 생성하기 위한 명령어를 포함하는 하나 이상의 컴퓨터 프로그램을 포함한다.
본 발명의 전술된 특징 및 이점뿐만 아니라 그 추가의 특징 및 이점은 이하의 도면을 참조할 때 본 발명의 실시예의 상세한 설명의 결과로서 더 잘 이해될 것이다.
동일한 참조번호가 전 도면에 걸쳐 사용된다.
도 1은 본 발명의 실시예에 따른 상호-도메인 추천 시스템을 도시한다. 이 추천 시스템은 하나 이상의 추천 서버(102) 및 하나 이상의 클라이언트(104)를 포함한다. 추천 서버(102)는 인터넷(103)을 통해 클라이언트(104)와 통신한다. 추 천 서버는 또한 예를 들어 쇼핑 도메인(106), 뉴스 도메인(108), 영화 도메인(110) 및 기타 도메인(112)과 같은 복수의 개별 도메인을 포함한다.
도메인은 예를 들어 쇼핑 애플리케이션(106), 뉴스 애플리케이션(108) 및 영화 애플리케이션(110)과 같은 특정 애플리케이션을 위한 서로 다른 하드웨어와 소프트웨어로 구현된 컴퓨터 시스템이다. 사용자 이벤트라고 또한 지칭되는 각각의 특정 도메인과의 사용자 상호작용은 사용자 데이터베이스(114)에 저장되고 갱신된다. 사용자 데이터베이스(114)는 각각의 개별 도메인으로부터 수집된 데이터, 예를 들어 영화 데이터(116), 뉴스 데이터(118), 쇼핑 데이터(120) 및 기타 도메인 데이터(112)에 대한 기억 장치를 포함한다. 사용자(104)는 모든 도메인과 다수의 사용자 상호작용을 지닐 수 있다. 또한, 도메인은 더 일반적으로는 정보의 범주(category)로서 정의될 수 있다. 예를 들어, 상이한 도메인은 사용자에 관한 정보(나이, 인종, 직업, 학력 등), 행동 정보(인터넷 사용 시간, 사용하는 웹사이트의 종류, 인터넷을 액세스하기 위해 사용된 컴퓨터의 개수 등) 및 컴퓨터 시스템 정보(인터넷 접속 용량, 멀티미디어 시스템 기능, 브라우저 버전 등)을 포함할 수 있다.
추천 서버(120)는 또한 추천 엔진(126)을 포함한다. 이하의 섹션에서 설명되는 바와 같이, 추천 엔진(126)은 추천을 생성하기 위해 전 도메인에 걸쳐 상관관계를 찾는 특정 사용자 이벤트에 응하여 전 도메인에 걸쳐 사용자 데이터베이스(114)의 일부를 분석한다. 추천 엔진(126)은 예를 들어 영화 데이터(116), 뉴스 데이터(118), 쇼핑 데이터(120) 및 기타 도메인 데이터(122)와 같은 각종 도메인으 로부터의 데이터 조각(slice)(124)을 처리한다. 상이한 도메인에 저장된 사용자 이벤트는 상이한 유형, 값 및 구조를 가질 수 있다는 것을 유의한다. 이후 추천 엔진(126)은 사용자 이벤트 간의 상관관계를 찾아내고, 사용자 이벤트 간의 상관관계에 기초하여 그 추천을 공식화한다.
사용자 이벤트 수집
협력적 필터링의 추천은 사용자 행동의 분석으로부터 도출된다. 이 사용자 행동은 사용자 데이터베이스(114)에서 사용자 이벤트로 표시되어 있다. 다수의 도메인으로부터의 사용자 이벤트를 저장하는 것은 단 하나의 도메인으로부터의 사용자 이벤트를 저장하는 것보다 더 복잡한데, 그 이유는 각 도메인으로부터의 데이터 포맷이 상이할 수 있기 때문이다. 사용자 이벤트가 수집된 도메인이 다양하다면 사용자 데이터베이스(114)에 저장된 사용자 이벤트도 다양할 것이다. 예를 들어 쇼핑 도메인(106)의 이벤트 유형은 제품을 보는 것, 구매 또는 반품을 포함할 수 있다. 뉴스 도메인(108)의 이벤트 유형은 제목 보기, 요약 보기, 또는 전체 뉴스 기사 보기를 포함할 수 있다. 영화 도메인(110)에서, 이벤트 유형은 영화 점수 매기기 및 영화 리뷰 또는 온라인으로 영화 티켓 구매하기를 포함할 것이다.
다양한 이벤트의 유형 외에, 주어진 이벤트에 대해 다양한 이벤트 값이 있다.
ㆍ숫자 값(numerical values) - 영화, 노래 등에 대한 점수 및 순위.
ㆍ서수 값(ordinal values) - 예를 들어 고, 중, 저와 같은 순서화된 크기를 갖는 텍스트 값
ㆍ자유 형식의 텍스트(free text) - 리뷰, 의견
ㆍ명사 값(nominal values) - 예를 들어 (온, 오프) (이메일, 메시지, 전화)와 같이 일반적으로 하나 이상의 라벨 집합이며, 위에 포함되지 않은 모든 것
상호-도메인 추천을 지원하는 사용자 데이터베이스(114)는 이 다양한 이벤트 값을 저장할 수 있다. 또한, 다수의 도메인으로부터의 사용자 이벤트를 저장하기 위한 사용자 데이터베이스(114)는 이하의 도 2b에 도시된 바와 같이 다수의 도메인에 걸쳐 구성된다. 많은 구성에서, 도메인은 상이한 개별 팀에 의해 관리된다. 개시된 추천 시스템에 의한 다수의 도메인으로부터의 데이터 집적은 상이한 지리적 위치에 있는 사람들의 다양한 팀 전반에 걸쳐 조정되고 동기화된다. 또한, 추천 시스템의 모든 진행 중인 변경 사항은 동적으로 갱신된다. 다시 말해, 모든 도메인의 변경 사항은 이 중앙화된 사용자 데이터베이스(114)에 의해 수용된다. 도메인, 상품, 서비스, 사용자 및 사용자 이벤트의 속성의 집합은 계속 변경될 수 있다. 이하에 설명되는 바와 같이, 본 발명은 사용자 데이터베이스의 이러한 동적 양태를 지원한다.
도 2a는 본 발명의 실시예에 따른 도 1의 사용자 데이터베이스(114)에 사용자 이벤트를 수집하기 위한 방법을 도시한다. 사용자 이벤트는 이하의 입력 매개변수로 기술된다.
ㆍuserid - 특정 사용자에 대한 고유 식별자
ㆍdomain - 예를 들어 쇼핑, 뉴스, 영화와 같이 이벤트를 생성하는 비즈니스, 속성 또는 시스템
ㆍitemid - 도메인 내의 특정 아이템 또는 제품에 대한 고유 식별자
ㆍevent type - 예를 들어, 구매, 점수, 리뷰와 같은 저장되는 이벤트의 유형
ㆍevent value - 소정의 도메인, 아이템 및 이벤트 유형에 대한 사용자의 입력
방법은 단계(202)에서 시작되며 이후 단계(204)로 진행하며, 여기서 방법은 저장될 사용자 이벤트를 수신하고 이것이 유효한 사용자 이벤트인지 여부를 판정한다. 이것이 유효한 이벤트가 아닌 경우, 방법은 이것을 거부해야 하는지 또는 데이터베이스를 확장해야하는지 여부를 판정한다. 이벤트가 거부되지 않는 경우, 데이터베이스는 이 새로운 사용자 이벤트를 반영하도록 갱신된다.
단계(206)에서, 이벤트의 domain이 유효한지 여부에 관해 평가한다. domain이 유효한 경우(단계(206)의 예), 방법은 단계(212)로 진행한다. 그렇지 않을 경우(단계(206)의 아니오), 단계(208)에서 추천 시스템의 구성을 점검하여 새로운 도메인이 수신될 때 데이터베이스가 동적으로 갱신될 수 있는지 여부를 판정한다. domain의 동적 갱신이 불가능한 경우, 방법은 단계(238)로 진행하고, 여기서 이벤트는 거부된다. 또는 domain의 동적 갱신이 가능한 경우, 단계(210)에서 유효 도메인 집합에 domain이 추가되고, 방법은 단계(212)로 진행한다.
단계(212)에서, 방법은 event type이 유효한지 여부를 점검한다. 유효한 경우(단계(212)의 예), 방법은 단계(218)로 진행한다. event type이 유효하지 않은 경우(단계(212)의 아니오), 방법은 단계(214)에서 event type의 동적 갱신이 가능 한지 여부를 점검한다. event type의 동적 갱신이 가능하지 않은 경우(단계(214)의 아니오), 방법은 단계(238)로 진행하고, 이벤트가 거부된다. 또는 event type의 동적 갱신이 가능한 경우(단계(214)의 예), 단계(216)에서 유효 이벤트 유형의 집합에 event type이 추가되고, 방법은 단계(218)로 진행한다.
다음, 단계(218)에서, 방법은 event value가 유효한지 여부를 점검한다. 유효한 경우(단계(218)의 예), 방법은 단계(224)로 진행한다. event value가 유효하지 않은 경우(단계(218)의 아니오), 방법은 단계(220)에서 event value의 동적 갱신이 가능한지 여부를 점검한다. event value의 동적 갱신이 가능하지 않은 경우(단계(220)의 아니오), 방법은 단계(238)로 진행하고, 이벤트가 거부된다. 또는 event value의 동적 갱신이 가능한 경우(단계(220)의 예), 단계(222)에서 유효 이벤트 값의 집합에 event value가 추가되고, 방법은 단계(224)로 진행한다. 이와 같이, 각종 이벤트 값을 동적으로 받아들이는 유연성을 갖는 것은 이롭다. 예를 들어, 도메인 "개인(Personals)" 및 이벤트 유형 "접촉 방법(Method of Contact)"에 대해, 공지된 값은 "(이메일, 음성메일, 페이저)"일 수 있다. 개인 제품이 변함에 따라, "웹캠(webcam)"과 같은 다른 사람과 접촉하는 새로운 방법이 추가될 수 있다. 사용자가 이 새로운 특징을 이용함에 따라, "접촉 방법"에 대해 "웹캠" 값을 갖는 새로운 사용자 이벤트가 생성될 것이다. event value의 동적 갱신이 가능한 경우, 시스템은 이러한 사용자 이벤트를 수용하여 계속될 수 있다. 이러한 방법을 이용하여 시스템은 자동으로 성장할 수 있고, 개개의 도메인 애플리케이션 및 팀에 따라 변경될 수 있다.
단계(224)에서, 방법은 itemid가 유효한지 여부를 점검한다. 유효한 경우(단계(224)의 예), 방법은 단계(224)로 진행한다. itemid가 유효하지 않은 경우(단계(224)의 아니오), 방법은 단계(226)에서 itemid의 동적 갱신이 가능한지 여부를 점검한다. itemid의 동적 갱신이 가능하지 않은 경우(단계(226)의 아니오), 방법은 단계(238)로 진행하고, 이벤트가 거부된다. itemid의 동적 갱신이 가능한 경우(단계(226)의 예), 단계(228)에서 유효 아이템의 집합에 itemid가 추가되고, 방법은 단계(230)로 진행한다. 이벤트 값에 대해 상술했던 유연성과 마찬가지로, itemid를 동적으로 업데이트하기 위한 이러한 유연성 덕분에, 시스템은 대부분의 비즈니스 애플리케이션에서 필수인 제품 목록의 변경을 자동으로 처리할 수 있다. 일부 애플리케이션에서는, itemid의 동적 갱신을 불가하게 하는 기능 역시 필수이다. 예를 들어, 아이템의 부분 집합에 대해서만 추천을 생성하는 것이 바람직한 경우, 이들 아이템만이 유효 itemid 목록에 있도록 허용된다. itemid의 동적 갱신을 불가하게 하는 것은 원하지 않는 아이템들이 후보 추천의 풀에 몰래 포함되는 것을 방지할 수 있다. 모든 도메인에 걸쳐 itemid를 고유하게 하기 위해, itemid는 그것이 비롯되는 도메인 내에서만 유효성에 대해 점검된다. 이것은 각 도메인(팀, 속성, 애플리케이션)이 다른 도메인과의 이름 공간 충돌에 대한 염려 없이 아이템 식별에 대한 자기 고유의 프로세스를 유지할 수 있도록 해 준다.
단계(230)에서, 방법은 userid가 유효한지 여부를 점검한다. 유효한 경우(단계(230)의 예), 방법은 단계(236)로 진행한다. userid가 유효하지 않은 경우(단계(230)의 아니오), 방법은 단계(232)에서 userid의 동적 갱신이 가능한지 여부 를 점검한다. userid의 동적 갱신이 가능하지 않은 경우(단계(232)의 아니오), 방법은 단계(238)로 진행하고, 이벤트가 거부된다. 또는 userid의 동적 갱신이 가능한 경우(단계(232)의 예), 단계(234)에서 유효 userid의 집합에 userid가 추가되고, 방법은 단계(236)로 진행한다. itemid에 대해 상술했던 유연성과 마찬가지로, 새로운 사용자에 대한 이벤트를 저장하기 위해 데이터베이스를 자동으로 확장하는 기능은 사용자 집단(population)이 매일 변하는 대부분의 인터넷 애플리케이션에서 필수이다. 그러나, 사용자의 이벤트가 서비스 조건에 일치하지 않는 경우 그것을 저장해서는 안 되는 경우와 같이, 이러한 갱신을 제한하는 유연성 또한 이로울 수 있다.
단계(236)에서, 사용자 이벤트는 사용자 데이터베이스(114)에 저장되고, 방법은 단계(240)에서 종료된다.
사용자 이벤트 분석하기
도 2b는 본 발명의 실시예에 따라 도 1의 사용자 데이터베이스(114)에 있는 사용자 이벤트를 분석하기 위한 방법을 도시한다. 도 2b에 도시된 바와 같이, 사용자 데이터베이스(114)는 다차원의 배열로 표현되어 있고, 여기서 각 사용자는 하나 이상의 행으로 표현되어 있고, 각 행은 특정 사용자 이벤트를 포함한다.
위의 스케이트 보드 예를 이용해 보면, 수집된 제1 사용자 이벤트는 사용자 1이 스케이트 보드에 관한 새로운 기사 전부를 봤다는 것이다. 이 경우에서의 이벤트 값은 명사 값("예")이다. 두 번째 이벤트는 사용자 1이 스케이트 보드 영화를 80점으로 평가했다는 것이다. 이 이벤트 값은 이 경우에서는 0과 100까지의 정 수인 서수 값이다. 세 번째 이벤트는 사용자 1이 이어서 이 영화에 대한 리뷰를 작성했다는 것이다. 이 경우 이벤트 값은 자유 형식의 텍스트이다. 네 번째 이벤트는 사용자 1이 스케이트 보드를 구매했다는 것이다. 이 경우 이벤트 값은 이 품목을 위해 지불된 금액을 나타내는 서수이다. 그리고 이어서 다섯 번째 이벤트는 이 스케이트 보드 아이템에 대한 등급을 보여준다. 이 경우의 이벤트 값은 크기 "저", "중", "고"에 있어서의 "고"이다.
사용자 이벤트 간의 상관관계를 찾아내기 위해 이용될 수 있는 많은 협력적 필터링 알고리즘이 있다. 본 발명의 한 실시예에서, 사용자 이벤트 간의 상관관계를 찾기 위해, 2003년 4월 16일에 출원되고, 발명의 명칭이 "Affinity Analysis Method and Article of Manufacture"인 미국 출원 제10/417,709호에서 설명되어 있는 어피니티 엔진(Affinity engine)이 이용된다. 이 미국 출원 제10/417,709호는 참조함으로써 본 명세서에 명확하게 포함된다. 이 어피니티 엔진은 사용자 집단 전체에 대해 수집된 다수의 도메인에 걸친 사용자 데이터베이스(114)의 일부를 처리하여 사용자 데이터베이스의 사용자 1과 다른 사용자의 사용자 이벤트들과 같이 사용자 이벤드들 간의 상관관계를 결정한다. 기준 사용자 이벤트들 간의 관계의 가중치를 나타내는 상관관계 값이 할당되고, 이 상관관계 값은 유사성(similarity) 데이터베이스에 저장된다. 이후 이 상관관계 값은 유사한 사용자 행동을 보이는 이후의 사용자들에게 추천을 생성하는 데에 사용된다. 예를 들어, 사용자 2가 스케이트 보드에 관한 동일한 새로운 기사 전부를 보았고, 동일한 스케이트 보드 영화를 평가하고 그에 대한 리뷰를 작성했다면, 사용자 1의 기준 사용자 이벤트와 같 이 그 사용자 집단의 다른 사용자에 의해 나타난 축적된 기준 사용자 이벤트를 기초로 하여, 특정 스케이트 보드를 구입하는 것에 대해 사용자 2에게 추천을 생성할 수 있다. 개시된 발명이 사용자 이벤트 간의 상관관계 값을 계산하기 위해 사용되는 협력적 필터링 알고리즘과 관계가 없다는 것을 유의한다. 소정의 유형의 필터링 알고리즘이 소정의 유형의 사용자 이벤트를 필터링하는 데에 더 적합할 수 있다는 것을 인식하면서, 개시된 발명은 임의의 협력적인 필터링 알고리즘을 플러그-인 컴포넌트로서 추천 시스템에 통합하는 것을 지원한다.
유사한 아이템 추천하기
아이템 간의 유사성은 추천을 하기 위한 가능 기준을 제공한다. 종종 사람들은 자신이 재미있게 읽었던 책과 유사하다고 생각되는 책을 읽기 위해 도서를 검색한다. 이것은 다른 도메인, 영화, 노래, 의류, 게임 및 다른 제품 및 서비스로 확장된다. 아이템들은 그것들이 비슷할 때 또는 보다 구체적으로는, 그 속성 전반에 걸쳐 유사한 값을 지니는 경우 유사하다고 간주된다. 예를 들어, 도서의 경우, 속성은 저자, 픽션인지 픽션이 아닌지, 장르, 및 인물 전개일 수 있다. 아이템 유사성에 기초하여 추천을 계산하기 위한 다른 어프로치가 존재한다.
도 3에 도시된 본 발명의 한 실시예에서, 본 방법은 상호-도메인 추천의 상황에서 이러한 아이템 유사성을 사용하는 방법을 제공한다. 사용자 요청과 같은 유사한 아이템 추천에 대한 트리거링 이벤트는 이하의 입력 매개변수를 포함한다:
ㆍdomain - 예를 들어, 쇼핑, 뉴스, 영화와 같은, 유사한 아이템 추천이 요청되고 있는 아이템을 포함하는 비즈니스, 속성 또는 시스템
ㆍitemid - 도메인 내의 특정 아이템 또는 제품에 대한 고유 식별자
ㆍthreshold - 추천 아이템이 가져야만 하는 유사성의 최소 레벨
ㆍminitem - 추천 아이템의 최소 희망 개수
ㆍmaxitem - 추천 아이템의 최대 희망 개수
ㆍsrc_domains - 추천 아이템이 속해야 하는 도메인
방법은 원하는 도메인 전체에 걸쳐 유사한 아이템을 찾아내고 규정된 제한 집합에 따라 추천 아이템의 목록을 반환한다.
도 3은 본 발명의 실시예에 따라 추천 엔진(216)이 유사한 아이템의 추천을 생성하기 위한 방법을 도시한다. 이 방법은 단계(302)에서 시작되고, 이후 단계(304)로 진행하여 사용자 요청과 같은 지정된 아이템과 유사한 다른 아이템의 추천을 위한 트리거링 이벤트를 수신한다. 단계(306)에서, 지정된 아이템이 사용자 데이터베이스(114)에 존재하는지 여부에 관해 판정한다. 지정된 아이템이 존재하지 않는 경우(단계(306)의 아니오), 방법은 단계(334)에서 종료하고, 아무 추천이 생성되지 않는다. 또는 지정된 아이템이 존재하는 경우(단계(306)의 예), 방법은 단계(308)로 계속된다. 지정된 아이템이 존재하는지 여부에 관한 판정은 이 지정된 아이템과 유사하다고 여겨지는 임의의 아이템이 있는지 여부에 기초한다. 유사한 아이템이 없는 데에는 1) 이것이 이전에는 존재하지 않았던 새로운 아이템인 경우; 2) 이 지정된 아이템은 요청 이전에는 존재했지만, 사용자 이벤트가 추천의 근거인 이 지정된 아이템과 충분하게 관련되지 않은 경우와 같이 두 가지 가능한 원인이 있다.
다음, 단계(308) 내지 단계(312)를 통해, 제한되지 않은 유사한 아이템 집합이 검색된다. 이 집합은 또한 제1 추천 목록이라 지칭된다. 제한되지 않은 유사한 아이템 집합은 src_domain 입력 매개변수가 특정되었는지 여부에 좌우된다. src_domain이 특정된 경우(단계(308)의 예), 단계(310)에서 유사한 아이템의 집합은 src_domain에 의해 표시된 도메인으로부터만 얻어진다. src_domain이 특정되지 않은 경우(단계(308)의 아니오), 단계(312)에서 유사한 아이템의 집합은 모든 도메인으로부터 얻어진다.
유사한 아이템의 제1 추천 목록이 주어지면, domain, threshold, minitem 및 maxitem을 포함하는 규정된 제약 집합이 적용되어 상호-도메인 추천을 개선한다. 단계(314)에서, 제1 추천 목록의 아이템의 개수가 규정된 minitem보다 큰지 여부에 관해 판정한다. 판정의 결과가 부정이면(단계(314)의 아니오), 단계(322)에서 제1 추천 목록이 반환된다. 또는 판정의 결과가 긍정이면(단계(314)의 예), 방법은 단계(316)로 계속된다.
단계(316)에서, 제1 추천 목록으로부터 제2 추천 목록이 형성된다. 제2 추천 목록은 규정된 threshold 이상의 상관관계 값을 갖는 유사한 아이템을 포함하는 제1 추천 목록의 서브집합이다. 제2 추천 목록의 아이템의 개수가 minitem보다 큰지 여부에 관해 판정한다. 제2 추천 목록의 아이템의 개수가 minitem보다 크지 않으면(단계(316)의 아니오), 단계(330)에서, 방법은 제1 추천 목록의 상관관계 값을 내림차 순으로 정렬한 후 여기서 minitem 개의 추천을 선택하여 제3 추천 목록을 형성하며, 방법은 단계(322)에서 제3 추천 목록을 반환한다. 이 경우, 추천된 아 이템 중 하나 이상은 threshold 이하의 상관관계 값을 가질 수 있음에도 불구하고 minitem 제약을 충족시키기 위해 이 아이템들은 반환된다. 많은 공용 컴퓨터 및 인터넷 애플리케이션에서 요청된 아이템의 개수를 사용자에게 제공하는 것이 이롭다. 또는, 제2 추천 목록의 아이템의 개수가 minitem보다 크다면(단계(316)의 예), 제2 추천 목록은 단계(320) 내지 단계(328)에서의 추가 처리를 위해 단계(318)에서 계속 유지된다.
단계(320)에서, maxitem 제약이 고려된다. 제2 추천 목록의 아이템의 개수가 maxitem 제약보다 큰지 여부에 관해 판정한다. 그 결과가 아니오(단계(320)의 아니오)일 경우 단계(332)에서 제2 추천 목록이 반환된다. 이 경로는 임계값을 충족시키거나 또는 그를 초과하는 추천된 유사한 아이템의 목록을 반환하고, 추천된 아이템의 개수는 요청된 아이템의 최소 개수보다는 크지만 요청된 아이템의 최대 개수보다는 작거나 같다. 또는(단계(320)의 예), 유사성 threshold 제약을 적용한 후 제2 추천 목록의 아이템의 개수가 여전히 아이템의 최대 희망 개수보다 큰 경우, 방법은 단계(322)로 진행하여 추천된 아이템이 얻어진 도메인 집합 전체에 걸쳐 이것을 확산시킴으로써 제2 추천 목록을 개선한다.
단계(322)에서, 규정된 src_domains 매개변수에 따라 후보 아이템들이 도메인 그룹으로 나뉜다. 단계(324) 내지 단계(328)에서, 방법은 라운드 로빈 방식(round-robin scheme)을 이용하여 한번에 하나씩 각 그룹을 선회한다(단계 (324)). 단계(326)에서, 방법은 가장 높은 상관관계 값을 갖는 추천을 선택하여 제4 추천 목록을 형성한다(단계 (326)). 당업자들은 이 선택 프로세스에서 다른 우선순위 방식이 사용될 수 있다는 것을 인식할 것이다. 제4 추천 목록의 아이템의 개수가 규정된 maxitem과 동일해질 때까지 단계(324) 내지 단계(326)가 반복된다. 최종 결과는 요청된 아이템과 유사한 제4 추천 집합이다. 이 제4 추천 집합은 minitem과 maxitem 제약뿐만 아니라 충분히 유사한 아이템이 존재하는 경우 유사성 threshold도 충족시킨다. 추천 아이템 집합은 또한 특정된 도메인 전체에 걸쳐 동일한 선택을 나타낸다. 단계(332)에서, 제4 추천 목록이 반환된다. 방법은 단계(334)에서 종료된다.
개인화된 아이템 추천하기
유사한 아이템을 추천하는 것은 사용자의 개인적 선호도(preference)의 이력을 고려함으로써 더 개선될 수 있다. 개인화된 추천은, 사용자의 개인적 선호도의 이력에 따라 소정의 개인이 선호하는 아이템들과 유사한 아이템을 찾아냄으로써 행해진다. 도 4는 본 발명의 실시예에 따라 개인화된 추천을 생성하기 위한 방법을 도시한다. 본 방법은 원하는 도메인 전체에 걸쳐 개인화된 추천을 찾아내고, 규정된 매개변수 집합에 따라 개인화된 추천 목록을 반환한다. 사용자 요청과 같은 개인화된 추천을 위한 트리거링 이벤트는 이하의 입력 매개변수를 포함한다:
ㆍuserid - 특정 사용자에 대한 고유 식별자
ㆍthreshold - 추천 아이템이 가져야만 하는 유사성의 최소 레벨
ㆍminitem - 추천 아이템의 최소 희망 개수
ㆍmaxitem - 추천 아이템의 최대 희망 개수
ㆍsrc_domains - 추천 아이템이 속해야 하는 도메인
방법은 단계(402)에서 시작하여 방법이 개인화된 추천을 위한 트리거링 이벤트를 수신하는 단계(404)로 진행한다. 단계(406)에서, 사용자가 존재하는지에 관한 제1 판정이 내려진다. 사용자가 존재하지 않는 경우(단계(406)의 아니오), 방법은 단계(434)에서 종료하고 개인화된 추천은 생성되지 않는다. 또는, 사용자가 존재하는 경우(단계(406)의 예), 방법은 단계(408)로 계속된다. 사용자가 존재하는지 여부에 관한 판정은 사용자 데이터베이스(114)에 임의의 사용자 이벤트가 있는지 여부에 기초한다. 단계(408)에서, 사용자가 성향을 보이거나 또는 선호도를 보인 아이템의 제1 목록이 검색된다. 이 아이템의 제1 목록은 또한 규정된 threshold이거나 또는 그 이상이다.
이 선호 아이템들은 개인화된 추천을 찾아내기 위한 기초로서 사용된다. 단계(410 및 412)에서, 선호 아이템 각각에 대해(단계 410), 유사한 아이템 집합이 검색된다(단계 412). 유사한 아이템을 찾아내기 위한 방법은 도 3과 관련하여 상술되었다. 다음의 입력 매개변수, threshold, minitem, maxitem 및 src_domains이 유사한 아이템을 얻기 위한 프로세스에서 이용된다. 유사한 아이템을 얻기 위한 itemid 및 domain 입력 매개변수는 선호 아이템 목록의 각 아이템으로부터 얻어진다. 단계(412)에서, 선호 아이템 각각에 대해 검색된 유사한 아이템의 조합이 이후의 단계를 위해 제1 개인화된 추천 목록에 저장된다.
제1 개인화된 추천 목록이 주어지면, domain, threshold, minitem 및 maxitem을 포함하는 규정된 제약 집합이 적용되어 상호-도메인 추천을 개선시킨다. 단계(414)에서, 제1 추천 목록의 아이템의 개수가 규정된 minitem보다 큰지 여부에 관해 판정한다. 판정의 결과가 부정이면(단계(414)의 아니오), 단계(432)에서 제1 추천 목록이 반환된다. 판정의 결과가 긍정이면(단계(414)의 예), 방법은 단계(416)로 계속된다.
단계(416)에서, 제1 추천 목록으로부터 제2 추천 목록이 형성된다. 제2 추천 목록은 규정된 threshold 이상의 상관관계 값을 갖는 아이템을 포함하는 제1 추천 목록의 서브집합이다. 제2 추천 목록의 아이템의 개수가 minitem보다 큰지 여부에 관해 판정한다. 제2 추천 목록의 아이템의 개수가 minitem보다 크지 않으면(단계(416)의 아니오), 단계(430)에서, 방법은 제1 추천 목록을 상관관계 값을 내림차 순으로 정렬한 후 여기서 minitem 개의 추천을 선택하여 제3 추천 목록을 형성하며, 방법은 단계(422)에서 제3 추천 목록을 반환한다. 이 경우, 추천된 아이템 중 하나 이상은 threshold 이하의 상관관계 값을 가질 수 있음에도 불구하고 이 아이템들은 minitem 제약을 충족시키기 위해 반환된다. 많은 공용 컴퓨터 및 인터넷 애플리케이션에서 요청된 아이템의 개수를 사용자에게 제공하는 것이 이롭다. 또는, 제2 추천 목록의 아이템 개수가 minitem보다 크다면(단계(416)의 예), 제2 추천 목록은 단계(420) 내지 단계(428)에서의 추가 처리를 위해 단계(418)에서 계속 유지된다.
단계(420)에서, maxitem 제약이 고려된다. 제2 추천 목록의 아이템의 개수가 maxitem 제약보다 큰지 여부에 관해 판정한다. 그 결과가 아니오(단계(420)의 아니오)라면, 단계(432)에서 제2 추천 목록이 반환된다. 이 경로는 임계값을 충족시키거나 또는 그를 초과하는 추천된 아이템의 목록을 반환하고, 추천된 아이템의 개수는 요청된 아이템의 최소 개수보다는 크지만 요청된 아이템의 최대 개수보다는 작거나 같다. 또는(단계(420)의 예), 유사성 threshold 제약을 적용한 후, 제2 추천 목록의 아이템의 개수가 여전히 아이템의 최대 희망 개수보다 큰 경우, 방법은 단계(422)로 진행하여 추천된 아이템이 얻어진 도메인 집합 전체에 걸쳐 이것을 확산시킴으로써 제2 추천 목록을 개선한다.
단계(422)에서, 규정된 src_domains 매개변수에 따라 후보 아이템들이 도메인 그룹으로 나뉜다. 단계(424) 내지 단계(428)에서, 방법은 라운드 로빈 방식을 이용하여 한번에 하나씩 각 그룹을 선회한다(단계 (424)). 단계(426)에서, 방법은 가장 높은 상관관계 값을 갖는 추천을 선택하여 제4 추천 목록을 형성한다. 당업자들은 이 선택 프로세스에서 다른 우선순위 방식이 사용될 수 있다는 것을 인식할 것이다. 제4 추천 목록의 아이템의 개수가 규정된 maxitem과 동일해질 때까지 단계(424) 내지 단계(426)가 반복된다. 최종 결과는 사용자의 선호 아이템에 맞추어진 제4 추천 집합이다. 이 제4 추천 집합은 minitem과 maxitem 제약뿐만 아니라 충분히 개인화된 아이템이 존재하는 경우 상관관계 값의 threshold도 충족시킨다. 추천 아이템 집합은 또한 특정된 도메인 전체에 걸쳐 동일한 선택을 나타낸다. 단계(432)에서, 제4 추천 목록이 반환된다. 방법은 단계(434)에서 종료된다.
추천을 생성하기 위해 개시된 시스템은 기존 시스템에 대해 많은 개선점을 제공한다. 특히, 개시된 시스템은 다수의 도메인에 걸친 사용자 입력 데이터를 고려함으로써 더 좋고 더 관련된 추천을 생성한다. 더 나은 추천을 생성하는 기능은 더 나은 사용자 경험을 가능하게 하며, 사용자에게 더 넓은 범위의 제품 또는 서비 스를 제공한다.
당업자들은 개시된 실시예의 사용될 수 있는 많은 가능한 변경이 있지만, 동일한 기본적인 메커니즘 및 방법론을 여전히 사용하고 있음을 이해할 것이다. 예를 들어, 추천을 개선하기 위해 사용자의 연령 정보와 같은 다른 제약 집합이 사용될 수 있다. 본 발명의 한 실시예에 개시된 라운드 로빈 방식 대신 다른 우선순위 방식이 사용될 수 있다. 그리고 다수의 도메인 전체에 걸친 사용자 입력 데이터 간의 상관관계 값을 계산하는 데에 다른 알고리즘이 사용될 수 있다.
설명을 위해, 전술된 설명은 특정 실시예를 참조하여 설명되었다. 그러나, 상술된 도시적인 설명은 총망라하거나 또는 개시된 바로 그 형태에 본 발명을 제한하고자 하는 것이 아니다. 상술된 교시의 견지에서 많은 수정 및 변형이 가능하다. 본 발명의 원리 및 그 실질적인 응용을 가장 잘 설명하기 위해 실시예가 선택되고 설명되었으며, 이에 의해 당업자들은 고려되는 특정 사용에 적합하게, 다양하게 변형된 각종 실시예와 발명을 가장 이용할 수 있다.
추천을 생성하기 위해 개시된 시스템은 기존 시스템에 대해 많은 개선점을 제공한다. 특히, 개시된 시스템은 다수의 도메인에 걸친 사용자 입력 데이터를 고려함으로써 더 좋고 더 관련된 추천을 생성한다. 더 나은 추천을 생성하는 기능은 더 나은 사용자 경험을 가능하게 하며, 사용자에게 더 넓은 범위의 제품 또는 서비스를 제공한다.
도 1은 본 발명의 실시예에 따른 상호-도메인(cross-domain) 추천 시스템을 도시하는 도면.
도 2a는 본 발명의 실시예에 따라 도 1의 사용자 데이터베이스(114)에 사용자 이벤트를 수집하기 위한 방법을 도시하는 도면.
도 2b는 본 발명의 실시예에 따라 도 1의 사용자 데이터베이스(114)의 사용자 이벤트를 분석하기 위한 방법을 도시하는 도면.
도 3은 본 발명의 실시예에 따라 유사한 아이템에 대한 추천을 생성하기 위한 방법을 도시하는 도면.
도 4는 본 발명의 실시예에 따라 개인화된 추천을 생성하기 위한 방법을 도시하는 도면.

Claims (19)

  1. 컴퓨터 네트워크를 통해 추천을 생성하기 위한 방법에 있어서,
    복수의 도메인에 걸친 사용자 이벤트를 데이터베이스에 수집하는 단계;
    추천에 대한 트리거링 이벤트를 수신하는 단계;
    상기 사용자 이벤트를 분석하여 상기 데이터베이스의 상기 사용자 이벤트들 간의 상관관계를 공식화하는 단계; 및
    상기 트리거링 이벤트에 응하여 상기 데이터베이스의 상기 사용자 이벤트들 간의 상기 상관관계 및 상기 복수의 도메인에 따라 추천을 생성하는 단계
    를 포함하는 추천 생성 방법.
  2. 제1항에 있어서, 상기 사용자 이벤트를 수집하는 단계는,
    상기 복수의 도메인으로부터 하나 이상의 사용자 이벤트 매개변수를 포함하는 사용자 이벤트를 수신하는 단계;
    소정의 규칙 집합에 따라 상기 사용자 이벤트 매개변수를 검증하는 단계;
    상기 사용자 이벤트가 상기 소정의 규칙 집합 중 하나를 충족시키지 못할 경우, 상기 사용자 이벤트를 거부하는 단계; 및
    상기 사용자 이벤트가 상기 소정의 규칙 집합을 충족시키는 경우, 상기 사용자 이벤트를 상기 데이터베이스에 저장하는 단계
    를 포함하는 방법.
  3. 제2항에 있어서, 상기 특정 사용자 이벤트 매개변수를 검증하는 단계는,
    상기 특정 사용자 이벤트 매개변수가 상기 데이터베이스에 존재하는 경우, 모든 사용자 이벤트 매개변수가 검증될 때까지 또 다른 사용자 이벤트 매개변수를 검증하는 것을 계속하는 단계, 및
    상기 특정 사용자 이벤트 매개변수가 상기 데이터베이스에 존재하지 않는 경우, 상기 특정 사용자 이벤트 매개변수에 대응하는 규정된 동적 갱신 구성이 가능한지 여부를 점검하는 단계를 포함하며,
    상기 점검 단계에서,
    상기 특정 사용자 이벤트 매개변수에 대응하는 규정된 동적 갱신 구성이 가능한 경우, 상기 특정 사용자 이벤트 매개변수를 상기 데이터베이스에 부가하는 단계; 및
    상기 특정 사용자 이벤트 매개변수에 대응하는 규정된 동적 갱신 구성이 가능하지 않은 경우, 상기 사용자 이벤트를 거부하는 단계
    를 포함하는 방법.
  4. 제2항에 있어서, 상기 사용자 이벤트 매개변수를 검증하는 단계는,
    사용자 이벤트 도메인을 검증하는 단계;
    사용자 이벤트 유형을 검증하는 단계;
    사용자 이벤트 값을 검증하는 단계;
    사용자 이벤트 아이템을 검증하는 단계; 및
    사용자 식별자를 검증하는 단계;
    를 포함하는 방법.
  5. 제1항에 있어서, 상기 사용자 이벤트를 분석하는 단계는,
    상기 사용자 이벤트 간의 상관관계 값을 계산하기 위해 상기 사용자 이벤트에 협력적 필터(collaborative filter)를 적용하는 단계; 및
    상기 상관관계 값을 유사성 데이터베이스에 저장하는 단계
    를 포함하는 방법.
  6. 제1항에 있어서,
    트리거링 이벤트를 수신하는 상기 단계는, 유사한 아이템 추천 요청을 수신하는 단계를 포함하고,
    트리거링 이벤트에 응하여 추천을 생성하는 상기 단계는, 상기 데이터베이스의 사용자 이벤트 간의 상기 상관관계에 따라 유사한 아이템의 추천을 생성하는 단계를 포함하는 방법.
  7. 제6항에 있어서,
    유사한 아이템의 추천을 생성하는 상기 단계는, 우선순위 방식(priority scheme)에 따라 수행되는 방법.
  8. 제1항에 있어서,
    트리거링 이벤트를 수신하는 상기 단계는, 개인화된 아이템 추천을 위한 요청을 수신하는 단계를 포함하고,
    트리거링 이벤트에 응하여 추천을 생성하는 상기 단계는, 상기 데이터베이스의 사용자 이벤트 간의 상관관계에 따라 개인화된 추천을 생성하는 단계를 포함하는 방법.
  9. 제8항에 있어서, 상기 개인화된 추천을 생성하는 단계는,
    규정된 매개변수 집합을 포함하는 상기 요청을 검증하는 단계;
    상기 데이터베이스에서 상기 사용자가 호감을 나타내는 제1 아이템 목록을 검색하는 단계 -상기 각 아이템은 규정된 임계값과 같거나 그보다 큰 상관관계 값을 지님-
    (a) 상기 사용자가 호감을 나타내는 각 아이템에 대해 유사한 아이템의 추천 집합을 생성하는 단계;
    (b) 상기 유사한 아이템 추천 집합을 제1 추천 목록에 저장하는 단계; 및
    (c) 상기 제1 아이템 목록의 모든 멤버들이 선회될 때까지 단계 (a)와 (b)를 반복하는 단계; 및
    상기 상관관계 값과 규정된 매개변수 집합에 따라 상기 제1 추천 목록을 개량하는(refine) 단계
    를 포함하는 방법.
  10. 컴퓨터 네트워크를 통해 추천을 생성하기 위한 시스템에 있어서,
    인터넷을 통해 사용자 이벤트를 처리하기 위한 복수의 도메인 서버;
    상기 사용자 이벤트를 저장하기 위한 데이터베이스; 및
    복수의 도메인에 걸친 상기 사용자 이벤트를 상기 데이터베이스에 수집하기 위한 명령어, 추천에 대한 트리거링 이벤트를 수신하기 위한 명령어, 상기 사용자 이벤트를 분석하여 상기 데이터베이스의 상기 사용자 이벤트들 간의 상관관계를 공식화하기 위한 명령어, 및 상기 트리거링 이벤트에 응하여 상기 데이터베이스의 상기 사용자 이벤트들 간의 상기 상관관계 및 상기 복수의 도메인에 따라 추천을 생성하기 위한 명령어를 포함하는 하나 이상의 컴퓨터 프로그램을 포함하는 추천 엔진
    을 포함하는 추천 생성 시스템.
  11. 제10항에 있어서, 상기 사용자 이벤트를 수집하기 위한 명령어는,
    상기 복수의 도메인으로부터 하나 이상의 사용자 이벤트 매개변수를 포함하는 사용자 이벤트를 수신하기 위한 명령어;
    소정의 규칙 집합에 따라 상기 사용자 이벤트 매개변수를 검증하기 위한 명령어;
    상기 사용자 이벤트가 상기 소정의 규칙 집합 중 하나를 충족시키지 못할 경 우, 상기 사용자 이벤트를 거부하기 위한 명령어; 및
    상기 사용자 이벤트가 상기 소정의 규칙 집합을 충족시키는 경우, 상기 사용자 이벤트를 상기 데이터베이스에 저장하기 위한 명령어
    를 포함하는 시스템.
  12. 제11항에 있어서, 특정한 상기 사용자 이벤트 매개변수를 검증하기 위한 상기 명령어는,
    상기 특정 사용자 이벤트 매개변수가 상기 데이터베이스에 존재하는 경우, 모든 사용자 이벤트 매개변수가 검증될 때까지 또 다른 사용자 이벤트 매개변수를 검증하는 것을 계속하기 위한 명령어;
    상기 특정 사용자 이벤트 매개변수가 상기 데이터베이스에 존재하지 않는 경우, 상기 특정 사용자 이벤트 매개변수에 대응하는 규정된 동적 갱신 구성이 가능한지 여부를 점검하기 위한 명령어;
    상기 특정 사용자 이벤트 매개변수에 대응하는 상기 동적 갱신 구성이 가능한 경우, 상기 특정 사용자 이벤트 매개변수를 상기 데이터베이스에 부가하기 위한 명령어; 및
    상기 특정 사용자 이벤트 매개변수에 대응하는 상기 동적 갱신 구성이 가능하지 않은 경우, 상기 사용자 이벤트를 거부하기 위한 명령어
    를 포함하는 시스템.
  13. 제11항에 있어서, 상기 사용자 이벤트 매개변수를 검증하기 위한 명령어는,
    사용자 이벤트 도메인을 검증하기 위한 명령어,
    사용자 이벤트 유형을 검증하기 위한 명령어,
    사용자 이벤트 값을 검증하기 위한 명령어,
    사용자 이벤트 아이템을 검증하기 위한 명령어; 및
    사용자 식별자를 검증하기 위한 명령어
    를 포함하는 시스템.
  14. 제10항에 있어서, 상기 사용자 이벤트를 분석하기 위한 명령어는,
    상기 사용자 이벤트 간의 상관관계 값을 계산하기 위해 상기 사용자 이벤트에 협력적 필터를 적용하기 위한 명령어; 및
    상기 상관관계 값을 유사성 데이터베이스에 저장하기 위한 명령어
    를 포함하는 시스템.
  15. 제10항에 있어서, 상기 추천 엔진의 컴퓨터 프로그램은,
    유사한 아이템 추천 요청을 수신하기 위한 명령어; 및
    상기 데이터베이스의 사용자 이벤트 간의 상기 상관관계에 따라 유사한 아이템의 추천을 생성하기 위한 명령어
    를 더 포함하는 시스템.
  16. 제15항에 있어서, 우선순위 방식에 따라 유사한 아이템의 추천을 생성하기 위한 명령어를 더 포함하는 시스템.
  17. 제10항에 있어서, 상기 추천 엔진의 컴퓨터 프로그램은,
    개인화된 아이템 추천을 위한 요청을 수신하기 위한 명령어; 및
    상기 데이터베이스의 사용자 이벤트 간의 상관관계에 따라 개인화된 추천을 생성하기 위한 명령어
    를 더 포함하는 시스템.
  18. 제17항에 있어서, 상기 개인화된 추천을 생성하기 위한 명령어는,
    규정된 매개변수 집합을 포함하는 상기 요청을 검증하기 위한 명령어;
    상기 데이터베이스에서 상기 사용자가 호감을 나타내는 제1 아이템 목록을 검색하기 위한 명령어 -상기 각 아이템은 규정된 임계값과 같거나 그보다 큰 상관관계 값을 지님-
    (a) 상기 사용자가 호감을 나타내는 각 아이템에 대해 유사한 아이템의 추천 집합을 생성하기 위한 명령어;
    (b) 상기 유사한 아이템 추천 집합을 제1 추천 목록에 저장하기 위한 명령어; 및
    (c) 상기 제1 아이템 목록의 모든 멤버들이 선회될 때까지 단계 (a)와 (b)를 반복하기 위한 명령어; 및
    상기 상관관계 값과 규정된 매개변수 집합에 따라 상기 제1 추천 목록을 개량하기 위한 명령어
    를 포함하는 시스템.
  19. 하나 이상의 컴퓨터 시스템이 실행하기 위한 컴퓨터 프로그램을 저장하는 컴퓨터 판독가능 저장 매체에 있어서,
    상기 컴퓨터 프로그램은 다수의 제품 또는 서비스 도메인에 걸쳐 추천을 생성하기 위한 추천 모듈을 포함하고,
    상기 추천 모듈은 적어도 처리 장치, 사용자 인터페이스 및 데이터베이스와 관련하여 사용되고,
    상기 추천 모듈은,
    복수의 도메인에 걸친 사용자 이벤트를 상기 데이터베이스에 수집하기 위한 명령어,
    추천에 대한 트리거링 이벤트를 수신하기 위한 명령어,
    상기 사용자 이벤트를 분석하여 상기 데이터베이스의 상기 사용자 이벤트 간의 상관관계를 공식화하기 위한 명령어 및
    상기 트리거링 이벤트에 응하여 상기 데이터베이스의 상기 사용자 이벤트 간의 상관관계 및 상기 복수의 도메인에 따라 추천을 생성하기 위한 명령어
    를 포함하는 하나 이상의 컴퓨터 프로그램을 포함하는, 컴퓨터 판독가능 저장 매체.
KR1020097004154A 2004-02-26 2005-02-25 추천을 생성하기 위한 방법 및 시스템 KR20090027262A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US10/789,869 US10339538B2 (en) 2004-02-26 2004-02-26 Method and system for generating recommendations
US10/789,869 2004-02-26

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020067019742A Division KR100936568B1 (ko) 2004-02-26 2005-02-25 추천을 생성하기 위한 방법 및 시스템

Publications (1)

Publication Number Publication Date
KR20090027262A true KR20090027262A (ko) 2009-03-16

Family

ID=34887399

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020067019742A KR100936568B1 (ko) 2004-02-26 2005-02-25 추천을 생성하기 위한 방법 및 시스템
KR1020097004154A KR20090027262A (ko) 2004-02-26 2005-02-25 추천을 생성하기 위한 방법 및 시스템

Family Applications Before (1)

Application Number Title Priority Date Filing Date
KR1020067019742A KR100936568B1 (ko) 2004-02-26 2005-02-25 추천을 생성하기 위한 방법 및 시스템

Country Status (6)

Country Link
US (2) US10339538B2 (ko)
EP (1) EP1728148A4 (ko)
JP (2) JP4956416B2 (ko)
KR (2) KR100936568B1 (ko)
CN (2) CN101124575A (ko)
WO (1) WO2005082064A2 (ko)

Families Citing this family (87)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8095589B2 (en) * 2002-03-07 2012-01-10 Compete, Inc. Clickstream analysis methods and systems
US10296919B2 (en) 2002-03-07 2019-05-21 Comscore, Inc. System and method of a click event data collection platform
US7590508B1 (en) 2004-10-22 2009-09-15 Sprint Communications Company L.P. Method and system for forecasting usage costs and computer capacity
US7369981B1 (en) * 2004-10-22 2008-05-06 Sprint Communications Company L.P. Method and system for forecasting computer capacity
US7512580B2 (en) * 2005-08-04 2009-03-31 Sap Ag Confidence indicators for automated suggestions
US7685132B2 (en) * 2006-03-15 2010-03-23 Mog, Inc Automatic meta-data sharing of existing media through social networking
US8812580B2 (en) * 2006-03-15 2014-08-19 Beats Music, Llc Override of automatically shared meta-data of media
US8468155B2 (en) 2006-06-22 2013-06-18 Infosys Limited Collaborative filtering-based recommendations
US20080133681A1 (en) * 2006-10-13 2008-06-05 Jackson Troy V System and method for diagnosis of and recommendations for remote processor system
US7949573B1 (en) * 2006-12-18 2011-05-24 Amazon Technologies, Inc. Displaying product recommendations in electronic commerce
US7979461B2 (en) * 2007-02-15 2011-07-12 Medio Systems, Inc. Extended index searching
US7912444B2 (en) * 2007-04-23 2011-03-22 Sony Ericsson Mobile Communications Ab Media portion selection system and method
KR101415022B1 (ko) * 2007-07-24 2014-07-09 삼성전자주식회사 복합 알고리즘 이용한 정보 추천 방법 및 장치
JP4468978B2 (ja) * 2007-09-26 2010-05-26 富士通株式会社 情報提供システム、方法およびプログラム
CN101414296B (zh) * 2007-10-15 2012-07-25 日电（中国）有限公司 自适应服务推荐设备及方法、自适应服务推荐系统及方法
US8744903B2 (en) * 2008-04-29 2014-06-03 Sap Ag Event resolution
US8583524B2 (en) * 2008-05-06 2013-11-12 Richrelevance, Inc. System and process for improving recommendations for use in providing personalized advertisements to retail customers
US8364528B2 (en) * 2008-05-06 2013-01-29 Richrelevance, Inc. System and process for improving product recommendations for use in providing personalized advertisements to retail customers
KR20080083248A (ko) * 2008-08-25 2008-09-17 이종운 좋다/싫다 평가만으로 아이템을 추천 받는 인터넷 시스템 -사용자들 평가에 통계적 유사성을 기반으로
US8037011B2 (en) * 2008-09-15 2011-10-11 Motorola Mobility, Inc. Method and apparatus for recommending content items
US8781915B2 (en) * 2008-10-17 2014-07-15 Microsoft Corporation Recommending items to users utilizing a bi-linear collaborative filtering model
CN101431485B (zh) * 2008-12-31 2012-07-04 深圳市迅雷网络技术有限公司 一种自动推荐互联网上信息的方法及系统
CN101777054B (zh) * 2009-01-14 2016-06-15 北京搜狗科技发展有限公司 一种展现词条属性信息的方法及装置
KR101068697B1 (ko) * 2009-04-09 2011-09-28 경희대학교 산학협력단 사용자의 내부 태도를 평가하는 방법 및 그 장치
US8291038B2 (en) * 2009-06-29 2012-10-16 Sap Ag Remote automation of manual tasks
WO2011034475A1 (en) * 2009-09-21 2011-03-24 Telefonaktiebolaget Lm Ericsson (Publ) Method and apparatus for executing a recommendation
JP5371676B2 (ja) * 2009-10-09 2013-12-18 株式会社エヌ・ティ・ティ・データ 推薦コンテンツ抽出装置、推薦コンテンツ抽出方法および推薦コンテンツ抽出プログラム
US8433660B2 (en) 2009-12-01 2013-04-30 Microsoft Corporation Managing a portfolio of experts
US20120078822A1 (en) * 2010-09-28 2012-03-29 Nokia Corporation Method and apparatus for providing a framework for generating recommedation models
JP2012103955A (ja) * 2010-11-11 2012-05-31 Hitachi Solutions Ltd プロファイル解析システム
US8473437B2 (en) 2010-12-17 2013-06-25 Microsoft Corporation Information propagation probability for a social network
CN102750274B (zh) * 2011-01-04 2014-12-10 张越峰 一种初具人类思维的现场智能引导服务系统及方法
CN104537100B (zh) * 2011-01-04 2019-03-19 张越峰 一种初具人类思维的智能系统及方法
CN102722379B (zh) * 2011-03-30 2015-10-21 腾讯科技（深圳）有限公司 软件推荐方法及系统
CN102769780B (zh) * 2011-05-05 2017-08-01 北京四达时代软件技术股份有限公司 一种数字电视数据推送方法及装置
JP5216895B2 (ja) * 2011-06-02 2013-06-19 日本電信電話株式会社 ログ処理装置およびその動作方法
CN102819804A (zh) * 2011-06-07 2012-12-12 阿里巴巴集团控股有限公司 一种商品信息的推送方法及设备
CN102959539B (zh) * 2011-06-29 2015-09-23 华为技术有限公司 一种业务交叉时的项目推荐方法及系统
CN102360364A (zh) * 2011-09-30 2012-02-22 奇智软件（北京）有限公司 一种应用自动推荐的方法及装置
CN103049440B (zh) * 2011-10-11 2016-04-13 腾讯科技（深圳）有限公司 一种相关文章的推荐处理方法和处理系统
US10438268B2 (en) 2012-02-09 2019-10-08 Microsoft Technology Licensing, Llc Recommender system
US9135329B1 (en) * 2012-03-27 2015-09-15 Amazon Technologies, Inc. Presenting item information based on associated entity relationships
JP5910316B2 (ja) * 2012-05-28 2016-04-27 ソニー株式会社 情報処理装置、情報処理方法、および、プログラム
JP5877126B2 (ja) * 2012-05-31 2016-03-02 株式会社Ｎｔｔドコモ 情報提供サーバ、関連情報サーバ、情報提供システム、及び情報提供方法
CN102855333A (zh) * 2012-09-27 2013-01-02 南京大学 一种基于组推荐的服务选取系统及其选取方法
CN102905233A (zh) * 2012-10-25 2013-01-30 北京小米科技有限责任公司 一种终端功能推荐的方法及装置
US9374411B1 (en) * 2013-03-21 2016-06-21 Amazon Technologies, Inc. Content recommendations using deep data
US9699019B2 (en) 2013-06-14 2017-07-04 Microsoft Technology Licensing, Llc Related content display associated with browsing
WO2015045126A1 (ja) * 2013-09-27 2015-04-02 楽天株式会社 検索装置、プログラム、記録媒体、及び方法
US20150120374A1 (en) * 2013-10-30 2015-04-30 Sugarcrm Inc. Automation of customer relationship management (crm) tasks responsive to electronic communications
JP6100677B2 (ja) * 2013-11-19 2017-03-22 日本電信電話株式会社 情報推薦装置、情報推薦方法、および情報推薦プログラム
CN104679769B (zh) * 2013-11-29 2018-04-06 国际商业机器公司 对产品的使用场景进行分类的方法及装置
US20150186617A1 (en) * 2013-12-27 2015-07-02 International Business Machines Corporation System and method for probabilistic evaluation of contextualized reports and personalized recommendation in travel health personal assistants
IN2014MU00919A (ko) * 2014-03-20 2015-09-25 Tata Consultancy Services Ltd
CN103955535A (zh) * 2014-05-14 2014-07-30 南京大学镇江高新技术研究院 一种基于元路径的个性化推荐方法及系统
CN104077351B (zh) * 2014-05-26 2017-01-25 东北师范大学 基于异构信息网络的内容提供方法及系统
JP2017536596A (ja) * 2014-09-12 2017-12-07 コンヴィーダ ワイヤレス， エルエルシー サービス指向アーキテクチャ（ｓｏａ）に基づくスケーラブル課金システム
CN105653535B (zh) * 2014-11-13 2019-07-02 中国科学院沈阳计算技术研究所有限公司 一种媒体资源推荐方法
CN106296252B (zh) 2015-06-04 2021-12-21 阿里巴巴集团控股有限公司 用户推荐方法及装置
CN105138574A (zh) * 2015-07-28 2015-12-09 黄杨 用于推荐旅游休闲出行地的基于人机交互的混合推荐系统
CN106484747A (zh) * 2015-09-02 2017-03-08 阿里巴巴集团控股有限公司 一种基于交互事件的网页项目推荐方法和装置
CN106570715A (zh) * 2015-10-09 2017-04-19 阿里巴巴集团控股有限公司 一种信息推荐方法、装置和系统
US10770181B2 (en) * 2015-12-16 2020-09-08 Alegeus Technologies, Llc Systems and methods for reducing resource consumption via information technology infrastructure
CN105653626A (zh) * 2015-12-28 2016-06-08 深圳市金立通信设备有限公司 一种内容推送方法及终端
CN105912685B (zh) * 2016-04-15 2019-08-23 上海交通大学 基于跨领域的机票个性化推荐系统及推荐方法
CN106844768A (zh) * 2017-02-25 2017-06-13 张元康 基于第三方的数据对接系统及方法
CN108596412A (zh) * 2017-03-14 2018-09-28 华为软件技术有限公司 基于用户相似度的跨领域评分方法以及评分设备
US10716060B2 (en) 2017-04-03 2020-07-14 Bank Of America Corporation Data transfer between computing device and user device at different locations and over session or connection to display one or more routing networks to use
US10609156B2 (en) 2017-04-03 2020-03-31 Bank Of America Corporation Data transfer, over session or connection, and between computing device and server associated with one or more routing networks in response to detecting activity
US10601718B2 (en) 2017-04-03 2020-03-24 Bank Of America Corporation Data transfer, over session or connection, and between computing device and server associated with a routing network for modifying one or more parameters of the routing network
US10608918B2 (en) 2017-04-03 2020-03-31 Bank Of America Corporation Data transfer, over session or connection, and between computing device and one or more servers to determine likelihood of user device using a routing network
US10601934B2 (en) 2017-04-03 2020-03-24 Bank Of America Corporation Data transfer, over session or connection, and between computing device and one or more servers for transmitting data to a third party computing device
US20180287927A1 (en) * 2017-04-03 2018-10-04 Bank Of America Corporation Data Transfer, Over Session or Connection, and Between Computing Device and Server to Determine Third Party Routing Network in Response to Determining Request to Use a Different Routing Network
US11010677B2 (en) * 2017-09-30 2021-05-18 Oracle International Corporation Event management system
US11238051B2 (en) * 2018-01-05 2022-02-01 Coravin, Inc. Method and apparatus for characterizing and determining relationships between items and moments
CN109165351B (zh) * 2018-08-27 2021-11-26 成都信息工程大学 一种基于语义的服务构件搜索推荐方法
CN111158803B (zh) * 2018-11-07 2024-05-10 财团法人工业技术研究院 虚拟助理磋商系统及其方法
KR102130074B1 (ko) * 2018-11-15 2020-07-03 주식회사 지디에프랩 열악한 네트워크 환경에서의 고화질 vod 제공 시스템
KR102130073B1 (ko) * 2018-11-15 2020-07-03 주식회사 지디에프랩 객체 중심의 해상도 복원 기능을 수행하는 영상 학습 시스템
KR102130075B1 (ko) * 2018-11-15 2020-07-03 주식회사 지디에프랩 사용자 시청 취향 정보를 활용한 해상도 복원용 영상학습 지원 시스템
CN109711925A (zh) * 2018-11-23 2019-05-03 西安电子科技大学 具有多个辅助域的跨域推荐数据处理方法、跨域推荐系统
US11531916B2 (en) 2018-12-07 2022-12-20 Paypal, Inc. System and method for obtaining recommendations using scalable cross-domain collaborative filtering
WO2020123209A1 (en) * 2018-12-11 2020-06-18 Paypal, Inc. System and method for obtaining recommendations using scalable cross-domain collaborative filtering
CN109784185A (zh) * 2018-12-18 2019-05-21 深圳壹账通智能科技有限公司 基于微表情识别的客户餐饮评价自动获取方法及装置
JP6816899B2 (ja) * 2019-04-19 2021-01-20 Bhi株式会社 購入又は予約メールの解析による最適化された取引リコメンドシステム
CN112214682B (zh) * 2019-07-11 2023-04-07 中移(苏州)软件技术有限公司 基于领域的推荐方法、装置、设备及存储介质
US11676193B1 (en) 2019-11-11 2023-06-13 Amazon Technologies, Inc. Optimizing diversity and relevance for catalog items

Family Cites Families (44)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5081598A (en) * 1989-02-21 1992-01-14 Westinghouse Electric Corp. Method for associating text in automatic diagnostic system to produce recommended actions automatically
US5223924A (en) * 1992-05-27 1993-06-29 North American Philips Corporation System and method for automatically correlating user preferences with a T.V. program information database
US6041311A (en) * 1995-06-30 2000-03-21 Microsoft Corporation Method and apparatus for item recommendation using automated collaborative filtering
US5796952A (en) * 1997-03-21 1998-08-18 Dot Com Development, Inc. Method and apparatus for tracking client interaction with a network resource and creating client profiles and resource database
US6370513B1 (en) * 1997-08-08 2002-04-09 Parasoft Corporation Method and apparatus for automated selection, organization, and recommendation of items
US6393407B1 (en) * 1997-09-11 2002-05-21 Enliven, Inc. Tracking user micro-interactions with web page advertising
US6236978B1 (en) * 1997-11-14 2001-05-22 New York University System and method for dynamic profiling of users in one-to-one applications
US6334127B1 (en) * 1998-07-17 2001-12-25 Net Perceptions, Inc. System, method and article of manufacture for making serendipity-weighted recommendations to a user
WO2000008573A1 (en) * 1998-08-04 2000-02-17 Rulespace, Inc. Method and system for deriving computer users' personal interests
US6317722B1 (en) * 1998-09-18 2001-11-13 Amazon.Com, Inc. Use of electronic shopping carts to generate personal recommendations
US7260823B2 (en) * 2001-01-11 2007-08-21 Prime Research Alliance E., Inc. Profiling and identification of television viewers
US6385619B1 (en) * 1999-01-08 2002-05-07 International Business Machines Corporation Automatic user interest profile generation from structured document access information
US6581038B1 (en) * 1999-03-15 2003-06-17 Nexcura, Inc. Automated profiler system for providing medical information to patients
WO2001015449A1 (en) * 1999-08-20 2001-03-01 Singularis S.A. Method and apparatus for creating recommendations from users profile built interactively
US6839680B1 (en) * 1999-09-30 2005-01-04 Fujitsu Limited Internet profiling
US7822629B2 (en) * 1999-12-15 2010-10-26 Hewlett-Packard Development Company, L.P. Customer profiling apparatus for conducting customer behavior pattern analysis, and method for comparing customer behavior patterns
GB0005727D0 (en) * 2000-03-10 2000-05-03 Koninkl Philips Electronics Nv Television
US8352331B2 (en) * 2000-05-03 2013-01-08 Yahoo! Inc. Relationship discovery engine
EP1282955B1 (en) * 2000-05-05 2005-02-09 Nomadix, Inc. Network usage monitoring device and associated method
JP2001350875A (ja) 2000-06-07 2001-12-21 Nippon Telegr & Teleph Corp <Ntt> 流行アイテム予測方法及びシステム装置
JP2002024475A (ja) * 2000-06-30 2002-01-25 Plala Networks Inc ユーザ情報収集方法
US6655963B1 (en) * 2000-07-31 2003-12-02 Microsoft Corporation Methods and apparatus for predicting and selectively collecting preferences based on personality diagnosis
JP2002133324A (ja) * 2000-10-25 2002-05-10 Toshiba Corp ユーザ情報管理装置、ユーザ情報管理方法及び電子サービスシステム
KR20020037980A (ko) 2000-11-16 2002-05-23 김형순 정보 중개 시스템
AU2002215120B2 (en) * 2000-11-20 2007-11-22 British Telecommunications Public Limited Company Information provider
US20020078191A1 (en) * 2000-12-20 2002-06-20 Todd Lorenz User tracking in a Web session spanning multiple Web resources without need to modify user-side hardware or software or to store cookies at user-side hardware
JP3974407B2 (ja) * 2001-01-19 2007-09-12 日本電信電話株式会社 お薦めアイテム紹介方法、お薦めアイテム紹介サーバ、お薦めアイテム紹介プログラムを記録した記録媒体、お薦めアイテム紹介プログラム、およびお薦めアイテム紹介サービス提供方法
JP2002366728A (ja) * 2001-03-21 2002-12-20 Masaru Fukada 情報リコメンデーションシステム及び情報リコメンデーションシステム用のコンピュータプログラム
JP2002312397A (ja) * 2001-04-09 2002-10-25 Nippon Telegr & Teleph Corp <Ntt> 相関アイテム検出方法および装置、お薦めアイテム紹介方法および装置、相関アイテム検出プログラム、お薦めアイテム紹介プログラム、同プログラムを記録した記録媒体
JP2002366838A (ja) * 2001-06-06 2002-12-20 Toshiba Corp リコメンデーション方法及びサーバ・システム並びにプログラム
US6732116B2 (en) * 2001-06-21 2004-05-04 International Business Machines Corporation Method and system for dynamically managing data structures to optimize computer network performance
JP2003085158A (ja) * 2001-09-07 2003-03-20 Kddi Corp 協調的フィルタリング方法及びシステム
JP3872970B2 (ja) * 2001-09-13 2007-01-24 東芝テック株式会社 情報閲覧システム
JP2003150835A (ja) * 2001-11-14 2003-05-23 Just Syst Corp 商品推薦システム、方法及び装置、並びにプログラム
JP2003167901A (ja) 2001-11-29 2003-06-13 Kddi Corp 協調フィルタリング方法、協調フィルタリング装置及び協調フィルタリングプログラム
US6978260B2 (en) * 2002-04-23 2005-12-20 Hewlett-Packard Development Company, L.P. System and method for storing data
US20030233336A1 (en) * 2002-06-13 2003-12-18 Objectsoft, Inc. System to retate personal information to a unique identifier
CA2496278A1 (en) * 2002-08-19 2004-02-26 Jayendu Patel Statistical personalized recommendation system
JP2005538442A (ja) * 2002-09-09 2005-12-15 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 推奨を提供するデータネットワーク、ユーザ端末及び方法
BR0316013A (pt) * 2002-11-08 2005-09-13 Koninkl Philips Electronics Nv Método para prover uma recomendação de conteúdo a um usuário, dispositivo de recomendação para prover uma recomendação de conteúdo a um usuário, e, gravador de vìdeo privado
US7243105B2 (en) * 2002-12-31 2007-07-10 British Telecommunications Public Limited Company Method and apparatus for automatic updating of user profiles
US20040141003A1 (en) * 2003-01-21 2004-07-22 Dell Products, L.P. Maintaining a user interest profile reflecting changing interests of a customer
US7913159B2 (en) * 2003-03-28 2011-03-22 Microsoft Corporation System and method for real-time validation of structured data files
US6873996B2 (en) 2003-04-16 2005-03-29 Yahoo! Inc. Affinity analysis method and article of manufacture

Also Published As

Publication number Publication date
WO2005082064A3 (en) 2007-11-08
US11875363B2 (en) 2024-01-16
CN103593392B (zh) 2019-02-22
JP2012084189A (ja) 2012-04-26
KR100936568B1 (ko) 2010-01-13
JP2008502028A (ja) 2008-01-24
JP5681651B2 (ja) 2015-03-11
KR20060132951A (ko) 2006-12-22
WO2005082064A8 (en) 2006-09-21
WO2005082064A2 (en) 2005-09-09
CN101124575A (zh) 2008-02-13
EP1728148A4 (en) 2008-11-26
JP4956416B2 (ja) 2012-06-20
US20050193002A1 (en) 2005-09-01
EP1728148A2 (en) 2006-12-06
CN103593392A (zh) 2014-02-19
US20190272550A1 (en) 2019-09-05
US10339538B2 (en) 2019-07-02

Similar Documents

Publication Publication Date Title
KR100936568B1 (ko) 추천을 생성하기 위한 방법 및 시스템
US9727927B2 (en) Prediction of user response to invitations in a social networking system based on keywords in the user&#39;s profile
US7765130B2 (en) Personalization using multiple personalized selection algorithms
JP5941075B2 (ja) 信頼ネットワークを含むユーザ判断を一体化したサーチシステム、方法及びコンピュータ読取可能媒体
Cufoglu User profiling-a short review
US8645224B2 (en) System and method of collaborative filtering based on attribute profiling
RU2627717C2 (ru) Способ и устройство для автоматического генерирования рекомендаций
US20090234727A1 (en) System and method for determining relevance ratings for keywords and matching users with content, advertising, and other users based on keyword ratings
US20090271417A1 (en) Identifying User Relationships from Situational Analysis of User Comments Made on Media Content
Morawski et al. A fuzzy recommender system for public library catalogs
Zaveri et al. AIRA: An Intelligent Recommendation Agent Application for Movies
Jalal Big data and intelligent software systems
Gabrielsson et al. The use of self-organizing maps in recommender systems
Miller Toward a personal recommender system
KR20120130962A (ko) 유사 성향 분석 방법 및 시스템
AU2008261113A1 (en) System for Customized Electronic Identification of Desirable Objects
Shukla et al. An Improved Recommendation Approach based on User's Standard and Interests
NL2009621C2 (en) Method and device for retrieving information related to at least one content item selected by a user.
Surti Social Recommender systems: Improving recommendations through personalization
Maneeroj et al. An Advanced Movie Recommender System Based on High-Quality Neighbors
Ujjin et al. Helping Computers Understand People.
Miller This is to certify that I have examined this copy of a doctoral thesis
KR20150065193A (ko) 개인 성향에 따른 매칭 서비스 제공 시스템, 방법 및 컴퓨터 판독 가능한 기록 매체

Legal Events

Date Code Title Description
A107 Divisional application of patent
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
J201 Request for trial against refusal decision
AMND Amendment
E902 Notification of reason for refusal
B601 Maintenance of original decision after re-examination before a trial
J301 Trial decision

Free format text: TRIAL DECISION FOR APPEAL AGAINST DECISION TO DECLINE REFUSAL REQUESTED 20100428

Effective date: 20120831