KR20090046361A - 내용 기반 추천 기법을 이용한 개인화 서비스 개발 시스템 - Google Patents

내용 기반 추천 기법을 이용한 개인화 서비스 개발 시스템 Download PDF

Info

Publication number
KR20090046361A
KR20090046361A KR1020070112458A KR20070112458A KR20090046361A KR 20090046361 A KR20090046361 A KR 20090046361A KR 1020070112458 A KR1020070112458 A KR 1020070112458A KR 20070112458 A KR20070112458 A KR 20070112458A KR 20090046361 A KR20090046361 A KR 20090046361A
Authority
KR
South Korea
Prior art keywords
content
recommendation
service
user
model
Prior art date
Application number
KR1020070112458A
Other languages
English (en)
Other versions
KR101157453B1 (ko
Inventor
이수원
이성진
Original Assignee
숭실대학교산학협력단
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 숭실대학교산학협력단 filed Critical 숭실대학교산학협력단
Priority to KR1020070112458A priority Critical patent/KR101157453B1/ko
Publication of KR20090046361A publication Critical patent/KR20090046361A/ko
Application granted granted Critical
Publication of KR101157453B1 publication Critical patent/KR101157453B1/ko

Links

Images

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
    • H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/80—Information retrieval; Database structures therefor; File system structures therefor of semi-structured data, e.g. markup language structured data such as SGML, XML or HTML
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • 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
    • 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
    • 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
    • H04N21/482—End-user interface for program selection
    • H04N21/4826—End-user interface for program selection using recommendation lists, e.g. of programs or channels sorted out according to their score

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Technology (AREA)
  • Strategic Management (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Social Psychology (AREA)
  • General Business, Economics & Management (AREA)
  • Human Computer Interaction (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 발명은 내용 기반 추천 기법을 이용한 개인화된 디지털 콘텐츠 추천 서비스 개발 시스템에 관한 것으로, 보다 자세하게는 디지털 콘텐츠가 가질 수 있는 속성 정보와 개인화된 추천 서비스를 제공하기 위해 필요한 정보를 일반화하고, 이를 이용하여 콘텐츠 모델과 사용자 선호 정보 모델을 생성하며, 사용자의 선호에 맞는 콘텐츠 추천을 위한 추천 엔진과 사용자 선호도 학습 엔진을 개발하는 시스템에 관한 것이다.
본 발명의 내용 기반 개인화 서비스 개발 시스템은 디지털 콘텐츠 및 개인화 서비스에 대한 일반화된 속성 정보를 이용하여 콘텐츠 모델과 사용자 선호 정보 모델에 대한 스키마를 결정하고 추천 서비스에 필요한 속성 정보를 결정하는 모델 스키마 편집 모듈; XML을 이용한 모델 스키마 정보를 이용하여 데이터 베이스에 추천 서비스별로 필요한 모델 테이블을 생성하는 모델 스키마 생성 모듈; 데이터 베이스 연결 모듈; 사용자의 선호 정보에 맞는 콘텐츠 추천을 위한 콘텐츠 추천 모듈; 사용자의 콘텐츠 이용 히스토리를 분석하여 사용자 선호 정보를 학습하는 선호 정보 학습 모듈; 실제 사용자에게 추천 서비스 제공을 위한 클라이언트/서버 모듈;을 포함한다.
본 발명에 의하면 GUI 기반의 편리한 사용자 인터페이스를 통해 새로운 디지털 콘텐츠 추천 서비스를 개발하는데 드는 비용과 시간을 현저하게 절감할 수 있으며, 추천 알고리즘 및 선호 정보 학습 알고리즘을 위한 수식 편집기를 이용하여 보 다 효율적인 추천 서비스를 제공할 수 있다. 또한 일반화된 속성 정보를 사용하여 서비스를 개발하고, 서비스 개발 정보를 인터넷 표준 문서인 XML을 이용하여 공유함으로써 다른 환경에서 동일한 서비스를 쉽게 개발할 수 있다는 이점이 있다.
디지털 콘텐츠, 내용 기반 추천, 개인화, 사용자 모델

Description

내용 기반 추천 기법을 이용한 개인화 서비스 개발 시스템{A Development System for Personalized Service Using Contet-Based Recommendation Method}
본 발명은 내용 기반 추천 기법을 이용한 개인화된 디지털 콘텐츠 추천 서비스 개발 시스템에 관한 것으로, 보다 자세하게는 디지털 콘텐츠가 가질 수 있는 속성 정보와 개인화된 추천 서비스를 제공하기 위해 필요한 정보를 일반화하고, 이를 이용하여 콘텐츠 모델과 사용자 선호 정보 모델을 생성하며, 사용자의 선호에 맞는 콘텐츠 추천을 위한 추천 엔진과 사용자 선호도 학습 엔진을 개발하는 시스템에 관한 것이다.
컴퓨팅 기술은 인간을 더욱 잘 이해하여, 인간의 삶을 보다 윤택하게 하고 편리하게 생활할 수 있도록 하기위해 발전되어 왔다. 최근 개성이 강조되는 사회 변화에 맞추어 사용자의 요구에 대한 최적화된 서비스를 지원하는 개인화 추천 서비스는 컴퓨팅 기술의 발전과 더불어 연구가 활발히 진행되고 있다. 또한, 인터넷 기술의 급성장으로 개인화 추천 서비스는 인터넷 서점인 Amazon이나 인터넷 CD 상점인 CDNow, 그리고 인터넷 영화 추천 사이트인 MovieFinder 등의 다양한 온라인 업체에서 적용하여 성공을 거두고 있다.
그러나 기존의 개인화 추천 서비스에 대한 구축 방법은, 새로운 서비스를 제공할 때마다 개인화 추천 시스템 및 그 시스템에서 사용할 사용자 모델과 콘텐츠 모델을 매번 설계하고 구현해야 하는 문제점을 가지고 있다. 예를 들면, 인터넷 TV와 뉴스 및 다양한 인터넷 상의 콘텐츠를 제공하는 업체가 각 콘텐츠 제공 서비스에 특화된 개인화 추천 서비스를 구축하려면, 각 콘텐츠 제공 서비스에 적합한 개인화 추천 시스템 및 콘텐츠 모델, 사용자 선호도 모델을 설계하고 구현하는데 많은 시간과 자본을 투자해야 한다. 또한 특정 콘텐츠 제공 서비스에 의존적으로 설계된 개인화 추천 서비스는 서로 특성이 비슷한 콘텐츠를 추천해주는 서비스일지라도 정형화된 설계 정보를 갖고 있지 않아서 추천 서비스간의 사용자 선호도 정보를 공유하기 어렵다는 문제가 있다.
본 발명은 디지털 콘텐츠가 가질 수 있는 다양한 속성 정보와 개인화 서비스 제공시 필요한 속성 정보를 일반화하고, 이를 이용하여 보다 편리하게 개인화된 추천 서비스를 설계하고 개발할 수 있는 방법을 제공함에 목적이 있다.
또한 본 발명은 사용자 선호 정보 학습 알고리즘과 콘텐츠 추천 알고리즘 설계 및 구현을 위한 수식 편집기를 제공함으로써 추천의 효율성을 높이는 방법을 제공함에 또 다른 목적이 있다.
본 발명에 의한 내용 기반 추천 기법을 이용한 개인화 서비스 개발 시스템은 디지털 콘텐츠 및 개인화 서비스에 대한 일반화된 속성 정보를 이용하여 콘텐츠 모델과 사용자 선호 정보 모델에 대한 스키마를 결정하고 추천 서비스에 필요한 속성 정보를 결정하는 모델 스키마 편집 모듈; XML을 이용한 모델 스키마 정보를 이용하여 데이터 베이스에 추천 서비스별로 필요한 모델 테이블을 생성하는 모델 스키마 생성 모듈; 데이터 베이스 연결 모듈; 사용자의 선호 정보에 맞는 콘텐츠 추천을 위한 콘텐츠 추천 모듈; 사용자의 콘텐츠 이용 히스토리를 분석하여 사용자 선호 정보를 학습하는 선호 정보 학습 모듈; 실제 사용자에게 추천 서비스 제공을 위한 클라이언트/서버 모듈;을 포함하는 것에 특징이 있다.
또한 도메인의 특성에 맞는 개인화 서비스를 개발함에 있어 도면을 참조하면, 개인화 서비스 설계 과정은 추천 서비스 기본 정보 설계 단계; 콘텐츠 모델 및 사용자 선호 정보 모델 속성 정보 설계 단계; 사용자 선호 정보 학습 알고리즘 설계 단계; 콘텐츠 추천 알고리즘 설계 단계; 추천 서비스 옵션 설계 단계;로 이루어진 것에 또 다른 특징이 있다.
본 발명에 의하면 GUI 기반의 편리한 사용자 인터페이스를 통해 새로운 디지털 콘텐츠 추천 서비스를 개발하는데 드는 비용과 시간을 현저하게 절감할 수 있으며, 추천 알고리즘 및 선호 정보 학습 알고리즘을 위한 수식 편집기를 이용하여 보다 효율적인 추천 서비스를 제공할 수 있다. 또한 일반화된 속성 정보를 사용하여 서비스를 개발하고, 서비스 개발 정보를 인터넷 표준 문서인 XML을 이용하여 공유함으로써 다른 환경에서 동일한 서비스를 쉽게 개발할 수 있다는 이점이 있다.
본 발명을 첨부된 도면을 참조하여 상세히 설명하면 다음과 같다.
도 1은 본 발명에 따른 내용기반 추천 기법을 이용한 개인화 서비스 개발 시스템의 구조도로 각 모듈에 대해서는 이하 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명하기로 한다.
이에 앞서, 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서, 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직 한 일 실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.
도 2는 본 발명에서 모델 스키마 편집 모듈을 이용하여 콘텐츠 모델 및 사용자 모델을 설계하고, 이를 이용한 개인화 추천 서비스 설계 과정의 순서도이다.
상기 추천 서비스 기본 정보 설계 단계에서는 다양한 추천 서비스를 구분하기 위하여 디지털 콘텐츠의 도메인 이름, 추천 서비스 이름을 설정한다. 또한 각 서비스별로 사용자의 선호 정보에 대한 학습 주기를 설정한다.
상기 콘텐츠 모델 및 사용자 선호 정보 모델 속성 정보 설계 단계에서는 추천 서비스별로 콘텐츠 모델 및 사용자 선호 정보 모델을 구성하는 속성 이름, 속성 유형, 속성값의 유형을 설정한다. 속성 이름은 장르, 채널 등의 속성을 구분하는 이름을 의미하며, 속성 유형은 속성이 가질 수 있는 값의 유형으로 가질 수 있는 값의 개수에 따라 단일형과 다중형으로 나뉜다. 또한 속성값의 유형은 속성이 가질 수 있는 값의 범위가 비제한적인 일반형과 범위가 한정되어 있는 인덱스형으로 나뉘며 만약 특정 속성값의 유형을 인덱스형으로 설정한다면 값의 범위를 함께 설정해야 한다. 표 1은 콘텐츠 모델을 구성하는 속성 유형과 속성값 유형의 분류와 예이다.
Figure 112007079503757-PAT00001
상기 사용자 선호 정보 학습 알고리즘 설계 단계에서는 본 발명에서 제공하는 수식 편집기를 이용하여 각 사용자의 선호 정보를 학습하기 위한 알고리즘을 설계한다. 내용 기반 추천 서비스에서 사용자 선호 정보 학습은 사용자 개개인의 콘텐츠 이용 히스토리를 분석하여 기존 선호 정보를 갱신하는 과정으로 이루어진다. 이 때 사용자 선호 정보 학습을 위하여 사용자 이용 히스토리 분석을 통한 속성 선호도 계산을 위한 수식과 히스토리 분석을 통해 얻어진 새로운 선호 정보를 기존 선호 정보에 반영하기 위한 수식을 편집한다. 여기서 속성에 대한 선호도는 각 속성별로 사용자가 어떤 속성값을 선호하는지를 정량화하여 표현한다. 도 3은 본 발명에서 사용자 선호 정보 학습 알고리즘을 설계하는 일실시예이다.
본 발명에서 제공하는 수식 편집기는 사용자 선호 정보 학습 알고리즘 설계 단계와 콘텐츠 추천 알고리즘 설계 단계에서 사용된다. 도 4는 수식 편집기에서 사용하는 데이터 유형, 도 5는 수식 편집기에서 사용 가능한 산술 연산자, 도 6은 수식 편집기에서 사용 가능한 함수이며 수식 편집기에서 모든 함수는 ‘@’로 시작하며 함수의 매개 변수로는 수치형, 문자형, 속성형 및 수식을 사용할 수 있다.
상기 콘텐츠 추천 알고리즘 설계 단계에서는 디지털 콘텐츠별로 사용자의 선호를 계산하여 이 중 선호도가 높은 콘텐츠를 선별하기 위한 추천 알고리즘을 설계한다. 추천 알고리즘은 콘텐츠에 대한 사용자의 선호도를 계산하기 위한 수식으로 표현된다. 사용자 선호도 모델로부터 단일형 속성 타입을 갖는 속성에 대한 선호도 정보를 반환하는 함수는 @PREFERENCE이며, 다중형 속성 타입을 갖는 속성은 4 가지 함수(@MAXPREFERENCE, @MINPREFERENCE, @AVGPREFERENCE, @SUMPREFERENCE) 중에서 선택하여 선호도를 반환받는다.
상기 추천 서비스 옵션 설계 단계에서는 디지털 콘텐츠 추천 서비스를 제공하기 위해 필요한 정보를 설정하는 단계로 추천 리스트 구성방식, 콘텐츠 정보 유지 기간, 사용자 히스토리 유지 기간을 설정한다.
여기서 추천 리스트 구성 방식은 선호도 계산을 위한 후보 콘텐츠 선정 방식과 추천할 콘텐츠의 수를 설정한다. 추천 알고리즘에 의해 선호도가 계산될 후보 콘텐츠 선정 방식은 콘텐츠의 특성에 따라 다르게 적용된다. 예를 들어 TV 프로그램 추천의 경우에 후보 콘텐츠 리스트는 추천 서비스를 받는 시점을 기준으로 현재 방송중인 프로그램과 앞으로 방영될 프로그램에 대한 콘텐츠들로 구성되며, 영화 추천의 경우에 후보 콘텐츠는 현재 상영되고 있는 영화 콘텐츠로 구성된다. 이에 따라 각 콘텐츠에 대한 사용자 선호도를 계산하기 전에 후보 콘텐츠를 선정해야 한다. 후보 콘텐츠를 생성하는 방법은 전체 콘텐츠를 대상으로 하는 방법, 특정 조건을 만족하는 콘텐츠만을 대상으로 하는 방법, 사용자가 이용한 기록이 없는 콘텐츠만으로 구성하는 방법이 있다.
여기서 콘텐츠 유지 기간은 추천 서비스에 사용할 디지털 콘텐츠 정보의 유지 기간을 의미하며 전체를 유지하는 방법과 명시적인 기간을 설정하는 방법이 있다.
여기서 히스토리 유지 기간이란 사용자가 이용한 콘텐츠의 히스토리를 저장하는 기간을 의미하는 것으로 디지털 콘텐츠의 특징이나 후보 콘텐츠 생성 방식에 따라 서비스마다 다르게 설정한다. 히스토리 유지 기간을 설정하는 방법으로는 사용자 히스토리를 모두 저장하고 있는 방법, 학습이 끝난 히스토리는 삭제하는 방법, 명시적인 기간을 설정하는 방법이 있다.
도 7은 본 발명에서 상기의 과정을 거쳐 설계한 개인화 서비스 정보를 인터넷 표준 문서인 XML 형식으로 저장한 일실시예이다.
본 발명에서 모델 스키마 생성 모듈은 모델 스키마 편집 모듈을 통해 생성된 XML 파일을 입력으로 받는 모델 스키마 생성 모듈은, XML 파서(Java에서 제공하는 DOM Parser 사용)를 통해 입력 받은 XML 문서로부터 개인화 추천 서비스에 대한 설계 정보를 추출한 후, 추출된 정보를 데이터베이스 연결 모듈로 전달한다.
도 8은 개인화 추천 서비스 설계 정보가 시스템에서 사용되는 일실시예이다. 도면에서 Data Repository는 데이터베이스를 의미하며 Model_Description, Attribute_Description, Content, User_Pref, History는 데이터베이스 내의 테이블을 의미한다. 실선은 입력된 설계 정보가 데이터베이스의 각 테이블에 레코드로 입력되는 것을 의미하며, 점선은 입력된 설계 정보를 사용해서 테이블을 생성하는데 사용되는 것(콘텐츠 모델을 구성하는 속성 정보를 사용하여 CONTENT 테이블을 생성)을 의미한다.
본 발명에서 데이터 베이스 연결 모듈은 데이터베이스와 관련된 모든 입출력을 담당한다. 따라서 모델 스키마 생성 모듈, 학습(갱신) 모듈, 추천 엔진 모듈 및 서버 모듈이 데이터베이스 연결 모듈과 직접적으로 관련된다. 도 9는 본 발명에서 내용 기반 추천 기법을 이용한 개인화 서비스 개발 시스템에서 사용하는 데이터 베이스의 논리적 구조의 일시예이다. 도면을 참조하면, 5개의 테이블 MODEL_DESCRIPTION, ATTRIBUTE_DESCRIPTION, ENUM_ITEM_LIST, BASIC_USER_INFORMATION, MODEL_USER_RELATION은 처음 개인화 추천 서비스에 대한 설계 정보를 데이터베이스에 기록할 시점에 한번만 생성되며, 정보들은 각 테이블의 레코드로 기록된다. CONTENT, HISTORY, USER_PREF 테이블은 각각의 개인화 추천 서비스별로, ‘_’와 MODEL_DESCRIPTION의 MODEL_ID를 붙인 이름의 테이블이 생성된다. 예를 들면, MODEL_ID가 ‘1’인 개인화 추천 서비스의 콘텐츠, 히스토리, 사용자 선호도 테이블의 이름은 각각 ‘CONTENT_1’, ‘HISTORY_1’, ‘USER_PREF_1’이 된다.
본 발명에서 콘텐츠 추천 모듈과 사용자 선호 정보 학습 모듈은 다양한 추천 알고리즘와 학습 알고리즘을 개인화 서비스에 적용하기 위해 상기 모델 스키마 생성 모듈의 수식 편집기를 사용한다. 따라서 개발자는 콘텐츠 추천 알고리즘 및 사용자 선호도 학습 알고리즘에 대한 수식을 각 속성별로 입력하여 쉽게 알고리즘을 구현할 수 있다.
개인화 추천 서비스 개발 시스템을 구현하는데 있어서, 전체적인 구조는 여러 가지 방법을 사용할 수 있겠지만, 본 발명에서는 개인화 서비스를 통합적으로 관리하기에 적합한 서버/클라이언트 구조를 채택하였다. 또한 서버와 클라이언트는 소켓(socket)으로 통신하는 구조를 채택하였다. 서버는 사용자 모델을 생성하기 위한 학습(갱신) 모듈 구동 및 추천 엔진의 구동, 콘텐츠의 입력, 사용자 등록에 관련된 기능을 수행할 수 있게 되어 있고, 다중 클라이언트의 요청을 수행하기 위해 쓰레드 기법을 사용하였다.
다음은 본 발명에 따른 개인화 서비스 개발 시스템을 이용하여 디지털 TV 프로그램 추천 서비스를 설계, 구현한 일실시예이다. 이 실시예에서 사용한 데이터는 2006년 8월에 수집된 TV 콘텐츠 및 히스토리이며, 학습(갱신) 모듈 및 추천 엔진의 입력으로 사용하였다. 아래의 표 2는 DTV 프로그램 추천 서비스에 대한 설계 정보이다.
Figure 112007079503757-PAT00002
도 10은 상기 표 2과 같이 설계한 DTV 추천 프로그램 서비스에서 특정 사용자에 대한 사용자 선호도 학습의 일실시예이다. 도면을 참조하면, 첫 열부터 속성 이름, 속성값에 대한 기존 선호도, 학습을 통하여 갱신한 새로운 선호도, 기존 선호도와 갱신된 선호도의 차이를 확인 할 수 있다.
도 11은 상기 표 2과 같이 설계한 DTV 추천 프로그램 서비스에서 특정 사용자에 대한 DTV 프로그램 추천의 일실시예이다. 도면을 참조하면, Recommendation Result는 추천된 콘텐츠 리스트를 보여주고 있으며, Recommendation Result의 아래 부분은 사용자의 각 속성에 대한 선호도 정보를 나타낸다. Recommendation Result에서 각 행은 하나의 콘텐츠에 대한 정보를 나타내며, 해당 콘텐츠에 대한 사용자 선호도는 마지막 열인 Preference에 보여주고 있다.
본 발명은 이상에서 살펴본 바와 같이 바람직한 실시예를 들어 도시하고 설명하였으나, 상기한 실시예에 한정되지 아니하며 본 발명의 정신을 벗어나지 않는 범위 내에서 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변경과 수정이 가능할 것이다.
본 명세서에 첨부되는 다음의 도면들은 본 발명의 바람직한 실시예를 예시하는 것이며, 후술하는 발명의 상세한 설명과 함께 본 발명의 기술사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어 해석되어서는 아니된다.
도 1은 본 발명에 따른 내용기반 추천 기법을 이용한 개인화 서비스 개발 시스템의 구조도,
도 2는 본 발명에서 일반화된 속성 정보를 이용한 사용자 모델 및 개인화 서비스 설계 과정의 순서도,
도 3은 본 발명에서 사용자 선호 정보 학습 알고리즘 설계의 일실시예,
도 4는 본 발명에서 제공하는 수식 편집기에서 사용하는 데이터 유형,
도 5는 본 발명에서 제공하는 수식 편집기에서 사용 가능한 산술 연산자,
도 6은 본 발명에서 제공하는 수식 편집기에서 사용 가능한 함수,
도 7은 본 발명에서 개인화 서비스 설계 정보를 XML 문서로 저장한 일실시예,
도 8은 본 발명에서 개인화 서비스 설계 정보를 시스템에서 사용하는 일실시예,
도 9는 본 발명에서 사용자는 데이터 베이스의 논리적 구조의 일실시예,
도 10은 본 발명에서 특정 사용자의 DTV 프로그램에 대한 선호도 학습의 일실시예,
도 11은 본 발명에서 특정 사용자의 선호 정보를 바탕으로 한 DTV 프로그램의 추천 리스트의 일실시예이다.

Claims (4)

  1. 디지털 콘텐츠 및 개인화 서비스에 대한 일반화된 속성 정보를 이용하여 콘텐츠 모델과 사용자 선호 정보 모델에 대한 스키마를 결정하고 추천 서비스에 필요한 속성 정보를 결정하는 모델 스키마 편집 모듈;
    XML 문서로 표현된 모델 스키마 정보 및 추천 서비스 설계 정보를 이용하여 데이터 베이스에 추천 서비스별로 필요한 모델 테이블을 생성하는 모델 스키마 생성 모듈;
    개인화 서비스 개발 시스템 및 추천 서비스에서 데이터 베이스와 관련된 모든 입출력을 담당하는 데이터베이스 연결 모듈;
    사용자의 선호 정보에 맞는 콘텐츠 추천을 위한 콘텐츠 추천 모듈;
    사용자의 콘텐츠 이용 히스토리를 분석하여 사용자 선호 정보를 학습하는 선호 정보 학습 모듈; 및
    실제 사용자에게 추천 서비스 제공을 위한 클라이언트/서버 모듈;을 포함하는 것을 특징으로 하는 내용 기반 추천 기법을 이용한 개인화 서비스 개발 시스템.
  2. 제 1 항에 있어서,
    콘텐츠 모델 및 사용자 선호 모델을 구성하기 위한 속성 정보를 설정하기 위해 속성 이름, 속성 유형 및 속성값 유형을 이용하는 것을 특징으로 하는 내용 기반 추천 기법을 이용한 개인화 서비스 개발 시스템.
  3. 제 2 항에 있어서,
    속성 유형은 속성이 가질 수 있는 값의 수에 따라 단일형과 다중형으로 구분하며, 속성값 유형은 속성이 가질 수 있는 값의 범위에 따라 일반형과 인덱스형으로 구분하는 것을 특징으로 하는 내용 기반 추천 기법을 이용한 개인화 서비스 개발 시스템.
  4. 제 1 항에 있어서,
    콘텐츠 추천 모듈과 사용자 선호 정보 학습 모듈에서 다양한 추천 알고리즘와 학습 알고리즘을 개인화 서비스에 적용하기 위해 수식 편집기를 사용하여 콘텐츠 추천 알고리즘 및 사용자 선호도 학습 알고리즘에 대한 수식을 각 속성별로 입력하는 것을 특징으로 하는 내용 기반 추천 기법을 이용한 개인화 서비스 개발 시스템.
KR1020070112458A 2007-11-06 2007-11-06 내용 기반 추천 기법을 이용한 개인화 서비스 시스템 개발 장치 및 방법 KR101157453B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020070112458A KR101157453B1 (ko) 2007-11-06 2007-11-06 내용 기반 추천 기법을 이용한 개인화 서비스 시스템 개발 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020070112458A KR101157453B1 (ko) 2007-11-06 2007-11-06 내용 기반 추천 기법을 이용한 개인화 서비스 시스템 개발 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20090046361A true KR20090046361A (ko) 2009-05-11
KR101157453B1 KR101157453B1 (ko) 2012-06-22

Family

ID=40856240

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020070112458A KR101157453B1 (ko) 2007-11-06 2007-11-06 내용 기반 추천 기법을 이용한 개인화 서비스 시스템 개발 장치 및 방법

Country Status (1)

Country Link
KR (1) KR101157453B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015119335A1 (ko) * 2014-02-07 2015-08-13 삼성전자주식회사 콘텐츠 추천 방법 및 장치
WO2016072728A1 (ko) * 2014-11-07 2016-05-12 주식회사 카카오 컨텐츠에 대한 반응을 이용한 컨텐츠 제공 방법 및 컨텐츠 제공 서버
US9495416B2 (en) 2012-09-11 2016-11-15 Korea Institute Of Science And Techonology Method, apparatus, and system to recommend multimedia contents using metadata

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102263691B1 (ko) * 2019-10-31 2021-06-11 주식회사 구루컴퍼니 유망 콘텐츠 선정 방법, 장치 및 컴퓨터프로그램
KR102599934B1 (ko) 2021-04-15 2023-11-09 주식회사 클레슨 사용자 특성 및 컨텐츠 분석을 통한 학습 경로 추천 시스템

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020007742A (ko) * 2000-07-18 2002-01-29 김민욱 사용자별 정보선호 분석 및 정보 내용 인기도 평가를 통한정보추천 방법 및 그 시스템
US7937725B1 (en) * 2000-07-27 2011-05-03 Koninklijke Philips Electronics N.V. Three-way media recommendation method and system
KR100534604B1 (ko) * 2003-11-17 2005-12-07 전자부품연구원 티브이-애니타임 표준을 지원하는 멀티미디어 검색 및지능화 서비스 시스템

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9495416B2 (en) 2012-09-11 2016-11-15 Korea Institute Of Science And Techonology Method, apparatus, and system to recommend multimedia contents using metadata
WO2015119335A1 (ko) * 2014-02-07 2015-08-13 삼성전자주식회사 콘텐츠 추천 방법 및 장치
US10524004B2 (en) 2014-02-07 2019-12-31 Samsung Electronics Co., Ltd. Content recommendation method and device
WO2016072728A1 (ko) * 2014-11-07 2016-05-12 주식회사 카카오 컨텐츠에 대한 반응을 이용한 컨텐츠 제공 방법 및 컨텐츠 제공 서버

Also Published As

Publication number Publication date
KR101157453B1 (ko) 2012-06-22

Similar Documents

Publication Publication Date Title
US11294968B2 (en) Combining website characteristics in an automatically generated website
Marketakis et al. X3ML mapping framework for information integration in cultural heritage and beyond
JP2021061034A (ja) アンケートを生成するための方法およびシステム
CN102915237B (zh) 根据用户应用程序要求改写数据质量规则的方法和系统
Dodds et al. Linked data patterns
CN107220098B (zh) 规则引擎的实现方法及装置
Oksanen et al. Semantic Finlex: Transforming, publishing, and using Finnish legislation and case law as linked open data on the web
Snodgrass et al. API practices and paradigms: Exploring the protocological parameters of APIs as key facilitators of sociotechnical forms of exchange
Wallis et al. Recommendations for the application of Schema. org to aggregated Cultural Heritage metadata to increase relevance and visibility to search engines: the case of Europeana
Ivánová et al. Searching for spatial data resources by fitness for use
Balush et al. Recommendation System Development Based on Intelligent Search, NLP and Machine Learning Methods.
US20170109442A1 (en) Customizing a website string content specific to an industry
Wischenbart et al. User profile integration made easy: model-driven extraction and transformation of social network schemas
KR101157453B1 (ko) 내용 기반 추천 기법을 이용한 개인화 서비스 시스템 개발 장치 및 방법
González et al. A navigational role-centric model oriented web approach-moweba
Kurz et al. Semantic enhancement for media asset management systems: Integrating the Red Bull Content Pool in the Web of Data
Valentine et al. EarthCube Data Discovery Studio: A gateway into geoscience data discovery and exploration with Jupyter notebooks
US20160188595A1 (en) Semantic Network Establishing System and Establishing Method Thereof
US20100082594A1 (en) Building a topic based webpage based on algorithmic and community interactions
KR101372942B1 (ko) 소셜 미디어 콘텐츠 공유 장치 및 방법
Candela An automatic data quality approach to assess semantic data from cultural heritage institutions
Ying et al. Developer profiles for recommendation systems
Florez et al. Automatic code generation system for transactional web applications
Tramp et al. Rdfauthor: Employing rdfa for collaborative knowledge engineering
Zekri et al. Temporal schema versioning in τOWL: a systematic approach for the management of time-varying knowledge

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20170328

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20180403

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20190410

Year of fee payment: 8