KR20090046364A - Content recommendation method for multiple users - Google Patents
Content recommendation method for multiple users Download PDFInfo
- Publication number
- KR20090046364A KR20090046364A KR1020070112461A KR20070112461A KR20090046364A KR 20090046364 A KR20090046364 A KR 20090046364A KR 1020070112461 A KR1020070112461 A KR 1020070112461A KR 20070112461 A KR20070112461 A KR 20070112461A KR 20090046364 A KR20090046364 A KR 20090046364A
- Authority
- KR
- South Korea
- Prior art keywords
- content
- preference
- user
- model
- recommendation
- Prior art date
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
-
- 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
Abstract
본 발명은 다중 사용자를 위한 콘텐츠 추천 방법에 관한 것으로, 보다 자세하게는 단일 사용자만이 콘텐츠를 사용하는 환경뿐만 아니라 다중 사용자가 콘텐츠를 공동으로 사용하는 환경에서도 단일 및 다중 사용자들의 선호 경향을 분석하여 다중 사용자에게 적합한 콘텐츠를 추천할 수 있는 방법에 관한 것이다.The present invention relates to a content recommendation method for multiple users, and more particularly, to analyze the preference trends of single and multiple users in an environment in which only a single user uses the content, as well as in an environment in which multiple users share the content. A method for recommending content suitable for a user is provided.
본 발명의 다중 사용자를 위한 콘텐츠 추천 방법은 다중 사용자가 함께 사용한 콘텐츠의 이력이 있다면 이를 이용하여 학습된 다중 사용자 선호 모델에 각 멤버의 개인 사용자 선호 모델을 반영하여 콘텐츠의 추천 정확도를 향상시키고, 함께 사용한 콘텐츠의 이력이 없는 경우 각 멤버의 개인 모델을 이용하여 함께 사용할 콘텐츠에 대한 선호도를 예측하여 추천된 콘텐츠 리스트를 제공하는 방법이다.Content recommendation method for the multi-user of the present invention, if there is a history of the content used by the multi-user to reflect the individual user preference model of each member in the multi-user preference model learned using this to improve the accuracy of recommendation of the content, together If there is no history of the used content, it is a method of predicting a preference for the content to be used together by using a personal model of each member and providing a recommended content list.
다중 사용자, 선호도, 선호도 모델, 콘텐츠, 추천, 코사인 유사도 Multi-user, preference, preference model, content, recommendations, cosine similarity
Description
본 발명은 다중 사용자를 위한 콘텐츠 추천 시스템으로, 사용자들의 콘텐츠 사용 이력 분석으로부터 생성된 개인 선호도 모델과 다중 사용자 선호도 모델을 사용하여 다중 사용자에게 적합하게 추천된 콘텐츠 리스트를 제공해 주는 시스템에 관한 것이다.The present invention relates to a content recommendation system for a multi-user, and to a system for providing a list of recommended content suitable for a multi-user by using a personal preference model and a multi-user preference model generated from analysis of a user's content usage history.
여기서, 콘텐츠란 유형(음반, 도서, 가전제품 등) 또는 무형(VOD 및 TV 시청 등)의 상품 및 서비스들을 의미한다.Here, the content refers to goods and services of the type (records, books, home appliances, etc.) or intangible (VOD and TV viewing, etc.).
과학 기술이 발전함에 따라 선택할 수 있는 정보나 서비스는 기하급수적으로 증가하였으며, 이로 인하여 개인이 자기 취향에 맞는 정보나 서비스를 검색하고 분석하여 결정하는 것은 현실적으로 불가능한 일이다. 이러한 문제점을 해결하기 위하여 개인화 추천 방법이 요구된다.As technology advances, information and services that can be selected have increased exponentially, which makes it impossible for an individual to search for, analyze, and determine the information or services that suit his or her taste. In order to solve this problem, a personalized recommendation method is required.
개인화 추천 방법은 도메인 내의 추천 대상 항목에 대한 사용자의 선호도를 분석하여 사용자가 선택할 만한 아이템을 추천해 주는 방법이다. 개인화 추천 시스템에서는 협력적 여과(Collaborative Filtering), 분류(Classification), 연관 규 칙 발견(Association Rule Discovery)등의 기법이 주로 이용되어 왔다.The personalized recommendation method is a method of recommending items that a user can select by analyzing a user's preference for a recommendation item in a domain. In the personalization recommendation system, techniques such as collaborative filtering, classification, and association rule discovery have been mainly used.
상기의 개인화 추천 방법은 개인 환경만을 주로 고려하였기 때문에 다중 사용자 환경에서 여러 명의 사용자가 동시에 하나의 콘텐츠를 이용할 경우에는 사용할 수 없다는 문제점이 있다.Since the personalized recommendation method mainly considers only the personal environment, there is a problem that it cannot be used when several users simultaneously use one content in a multi-user environment.
"FIT-Recommending TV Programs to family members"와 "MusicFX:An Arbiter of Group Preferences for computer Supported Collaborative Workouts"에서는 다중 사용자의 멤버 중 제약 조건에 맞는 멤버만을 선택하여 그 사용자를 대상으로 한 추천 방법을 이용한다. 그러나 이러한 방법에서는 제약 조건에 맞는 사용자의 특성만을 반영하기 때문에 다중 사용자의 의미를 갖지 못한다."FIT-Recommending TV Programs to family members" and "MusicFX: An Arbiter of Group Preferences for computer Supported Collaborative Workouts" select only those members that meet the constraints of multiple users and use the recommended method for those users. However, this method does not have the meaning of multi-user because it reflects only the characteristics of users who meet the constraints.
"MOUSAI: 공간공유 다중 사용자를 고려한 음악 추천 시스템"과 "사용자 경향에 기반한 동적 추천 기법 : 영화 추천 시스템을 중심으로"는 구성 멤버에 대하여 항상 같은 비율로 선호특성을 반영하기 때문에 성능 명이나 논리적인 관점에서 부적절하다."MOUSAI: Music Recommendation System Considering Space-Shared Multiple Users" and "Dynamic Recommendation Technique Based on User Trend: Focusing on Movie Recommendation System" always reflect the preference characteristics at the same rate for the members. Inadequate from the point of view
본 발명의 목적은 기존 사용자들이 함께 사용한 콘텐츠 이력으로 부터 학습된 그룹 선호도 모델(그룹 사용자 선호도 모델)이 있을 경우 그룹 멤버의 각 개인 선호도 모델의 특성을 일정비율로 적용함으로써 그룹 선호도 모델을 보완하여 사용하는 추천 방법을 제공함에 있다.An object of the present invention is to supplement the group preference model by applying the characteristics of each individual preference model of the group members in a certain ratio when there is a group preference model (group user preference model) learned from the content history used by existing users. It is to provide a recommendation method.
또한, 본 발명의 다른 목적은 그룹 사용자들이 함께 콘텐츠를 사용한 경우가 없을 때 개인 사용자 선호도 모델만을 조합하여 추천해줌으로써 그룹 사용자 선호도 모델의 Cold Start Problem을 해결하고 추천 정확도를 향상시키는 방법을 제공함에 있다.Another object of the present invention is to provide a method of solving the Cold Start Problem of the group user preference model and improving the recommendation accuracy by recommending only the individual user preference model when the group users do not use the content together. .
본 발명의 구성은 사용자들의 콘텐츠 사용 이력을 추천 시스템에서 사용할 수 있도록 재구성하는 제 1단계; 재구성된 콘텐츠 사용 이력으로부터 그룹 사용자 선호도 모델(Group-User Preference Model)과 개인 사용자 선호도 모델(Single-User Preference Model)을 구성하고 갱신하는 제 2단계; 다중 사용자를 고려한 해당 콘텐츠의 속성별 선호도를 그룹 사용자 모델과 개인 사용자 모델간의 코사인 유사도를 반영하여 계산하는 제 3단계; 해당 콘텐츠에 대해 다중 사용자를 고려한 통합된 선호도를 구하는 제 4단계; 각 콘텐츠의 통합된 선호도를 기준으로 추천 리스트를 생성하여 사용자에게 제공하는 제 5단계;를 포함한다.The configuration of the present invention comprises a first step of reconfiguring the user's content usage history for use in the recommendation system; Constructing and updating a Group-User Preference Model and a Single-User Preference Model from the reconstructed content usage history; A third step of calculating preference for each property of the corresponding content considering multiple users by reflecting the cosine similarity between the group user model and the individual user model; A fourth step of obtaining an integrated preference in consideration of multiple users for the corresponding content; And a fifth step of generating a recommendation list based on the integrated preference of each content and providing the recommendation list to the user.
본 발명의 다중 사용자를 위한 콘텐츠 추천 방법은 그룹 선호도 모델과 그룹 멤버 각각의 개인 선호도 모델을 조합하여 사용함으로써, 개인 사용자 환경 뿐 아니라 다중 사용자 환경에서의 추천이 가능하다.The content recommendation method for the multi-user of the present invention uses a combination of the group preference model and the personal preference model of each group member, thereby enabling recommendation in the multi-user environment as well as the individual user environment.
또한 그룹 선호도 모델과 그룹 멤버각각의 개인 선호도 모델들과의 통합은 코사인 유사도를 활용한 속성별 반영비율을 사용함으로 단일 모델의 사용보다 Cold Start Problem과 추천 정확도의 향상에 유리한 효과가 있다.In addition, the integration of group preference model with individual preference models of each group member has the effect of improving the Cold Start Problem and recommendation accuracy rather than using a single model by using the reflection ratio by attribute using cosine similarity.
이에 앞서, 본 명세서 및 청구 범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의 할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다.Prior to this, terms or words used in the present specification and claims should not be construed as being limited to the common or dictionary meanings, and the inventors should properly explain the concept of terms in order to explain their invention in the best way. Based on the principle that it can be defined, it should be interpreted as meaning and concept corresponding to the technical idea of the present invention.
따라서, 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일실시예에 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.Therefore, the embodiments described in the specification and the drawings shown in the drawings are only one of the most preferred embodiments of the present invention and do not represent all of the technical idea of the present invention, various modifications that can be replaced at the time of the present application It should be understood that there may be equivalents and variations.
이하 첨부된 도면을 참조하여 본 발명의 바람직한 실시의 예를 상세히 설명하기로 한다. Hereinafter, exemplary embodiments of the present invention will be described in detail with reference to the accompanying drawings.
이하 첨부된 도면을 참조하여 본 발명의 바람직한 실시의 예를 상세히 설명하기로 한다. Hereinafter, exemplary embodiments of the present invention will be described in detail with reference to the accompanying drawings.
도 1은 본 발명에 따른 다중 사용자를 위한 콘텐츠 추천 방법의 일실시예를 나타내는 구성도이다.1 is a block diagram showing an embodiment of a content recommendation method for multiple users according to the present invention.
우선 사용자의 콘텐츠 사용 이력을 해당 콘텐츠의 추천 시스템에서 사용되어지는 속성과 개인이나 다중 사용자가의 사용 여부를 고려하여 사용자 이력을 콘텐츠 추천 시스템에 맞도록 재구성 한다(S111).First, the user history is reconfigured to fit the content recommendation system in consideration of the attributes used in the recommendation system of the corresponding content and the use of individual or multi-users (S111).
[표 1]은 콘텐츠가 TV 프로그램인 경우 재구성된 사용자 이력이다.[Table 1] is a reconstructed user history when the content is a TV program.
상기 [표 1]에서 재구성된 사용자 이력으로부터 두 명 이상이 해당 콘텐츠를 사용하였을 경우 생성된 그룹 사용자 선호도 모델에 콘텐츠의 사용 요일과 시간이 반영된 [수학식 1]을 사용하여 갱신하며, 한 명이 해당 콘텐츠를 사용하였으면 개인 사용자 선호도 모델을 갱신한다(S112, S113).When two or more users use the content from the reorganized user history in [Table 1], the generated group user preference model is updated by using [Equation 1] in which the day and time of use of the content are reflected. If the content is used, the personal user preference model is updated (S112 and S113).
[수학식 1]은 그룹 및 개인 사용자 선호도 모델을 점진적 학습방법으로 갱신하는 수식이다. 갱신될 선호도 값 UpdatedPreference Aij u,day,time 은 각 사용자의 콘텐츠 사용 정보에서 추출된 콘텐츠 속성 Ai(속성1, 속성2, 속성3)의 각 항목 사용 빈도인 Frequ,day,time(Aij)을 시청자(그룹, 개인)의 콘텐츠에 대한 속성의 해당 항목(Aij) 중 최대 빈도 값인 Max(|Frequ,day,time(Aik), for all k|)로 나누어 정규화한 속성의 항목 값이다. 또한, 새로운 선호도 PreferenceAij u,day,time은 최근 1주일동안의 콘텐츠 사용 이력의 선호특성인 UpdatedPreference Aij u,day,time 과 기존 속성의 해당 항목(Aij)의 선호도 Preference Aij u,day,time 의 평균값이다Equation 1 is a formula for updating a group and individual user preference model with a gradual learning method. The preference value UpdatedPreference Aij u, day, time is Freq u, day, time (A ij ), which is the frequency of use of each item in the content property A i (attribute 1, attribute 2, attribute 3) extracted from each user's content usage information. ) Is the item of the attribute normalized by dividing by the maximum frequency value Max (| Freq u, day, time (A ik ), for all k |) among the corresponding items (A ij ) of the attribute for the viewer's (group, individual) content Value. In addition, the new preference Preference Aij u, day, time is of UpdatedPreference Aij preferred characteristics of the content usage history for the last week u, day, time and preference Preference Aij u, day, time of the item (A ij) of the existing property Is the average value of
[표 2]는 콘텐츠가 TV 프로그램인 경우 개인 사용자 선호도 모델 구조의 예이다.[Table 2] is an example of a personal user preference model structure when the content is a TV program.
[표 3]은 콘텐츠가 TV 프로그램으로서의 일실시예로 반영된 그룹 사용자 선호도 모델이다.Table 3 shows a group user preference model in which content is reflected as an example of a TV program.
개인 및 그룹 사용자 선호도 모델은 요일/시간별로 개인 및 그룹이 사용한 콘텐츠의 사용 이력을 분석하여 추천에 사용될 각 속성들에 대한 선호 정보를 학습시킨 모델이다.The personal and group user preference model is a model that trains preference information on each attribute to be used for recommendation by analyzing the usage history of contents used by individual and group by day / time.
이후 다중 사용자에 대한 추천이 요청될 경우 해당 콘텐츠의 속성별 선호도를 [수학식 2]와 [수학식 3]을 이용하여 계산하다(S114).Then, when a recommendation for multiple users is requested, the preference for each property of the corresponding content is calculated using [Equation 2] and [Equation 3] (S114).
[수학식 2]는 다중 사용자를 위한 통합된 속성별 선호도 계산식이다. 다중 사용자의 해당 콘텐츠 c의 속성 Ai의 선호도 UnifiedUsersAttributePreferenceusingusers,day,time(cAi)는 콘텐츠의 해당 속성의 항목 (cAi)에 대한 그룹 사용자 선호도 값인 Preferenceusingusers,day,time(cAi)에 그룹 선호도 반영 비율 가 적용된 값과 시청 멤버(u)의 선호도 값인 Preferenceu,day,time(cAi)에 시청자 그룹 uusingusers에 대한 속성 Ai의 선호도 반영 비율인 RatioAi day,time(usingusers,u)이 적용된 값으로 계산된다.Equation 2 is an integrated attribute preference calculation formula for multiple users. The affinity of attribute A i of the corresponding content c of multiple users. UnifiedUsersAttributePreference usingusers, day, time (c Ai ) is assigned to Preference usingusers, day, time (c Ai ), which is the group user preference value for the item (c Ai ) of the corresponding attribute of the content. Ratio Ai day, time (usingusers, u) , which is the ratio of reflecting the preference of the property A i to the viewer group uusingusers, to Preference u, day, time (c Ai ) and the value of the group preference reflecting ratio. This is calculated with the applied value.
[수학식 3]은 개인 선호도 반영비율 계산식이다. RatioAi day,time(usingusers,u)은 콘텐츠의 사용멤버 u의 사용자 그룹 usingusers에 대한 특정 요일, 시간에서의 속성 Ai의 코사인 유사도에 상수 값 를 더한 값이다. 그 이유는 반영 비율이 최소 값 이상의 값이 되도록 하기 위함이다. 단, 콘텐츠 사용자 그룹마다 값의 설정은 다를 수 있으며 평균적으로 1의 값으로 설정할 경우에 다른 값에 비하여 높은 예측 성능을 보인다.Equation 3 is a formula for reflecting personal preference. Ratio Ai day, time (usingusers, u) is a constant value added to the cosine similarity of the attribute A i at a specific day and time for the user group usingusers of the member u using the content. The reason is to make the reflectance ratio a value above the minimum value. However, the value can be set differently for each content user group. On the average, the value is set to 1, which shows higher prediction performance than other values.
이후 해당 콘텐츠 c에 대한 다중 사용자를 고려한 통합된 선호도는 [수학식 4] 를 이용하여 계산된다(S115).Thereafter, the integrated preferences considering multiple users for the corresponding content c are calculated using Equation 4 (S115).
[수학식 4]는 다중 사용자를 고려한 통합된 선호도 계산식이다. MultiUserPreferencec usingusers,day,time는 사용자들의 집합 usingusers의 특정 요일, 시간에 콘텐츠 c에 대한 속성 Ai의 항목 선호도인 UnifiedUsersAttributePreferenceusingusers,day,time(cAi)의 누적 곱을 이용하여 계산된다.Equation 4 is an integrated preference calculation considering multiple users. MultiUserPreference c usingusers, day, time is calculated using the cumulative product of UnifiedUsersAttributePreference usingusers, day, time (c Ai ) , which is the item preference of attribute A i for content c at a specific day and time of the set of users.
최종적인 콘텐츠 추천 리스트는 추천 받을 요일 및 시간을 고려하여 추천 될 수 있는 모든 콘텐츠에 대하여 상기 과정으로 각각의 콘텐츠 별 통합된 선호도를 계산하여 사용자그룹이 지정한 상위 n개의 추천된 콘텐츠를 선호도가 높은 순으로 정렬된 리스트가 제공된다(S116).The final content recommendation list calculates the integrated preference for each content by considering the day and time of recommendation in consideration of the day and time of recommendation. A list sorted by S is provided (S116).
이하는 본 발명에 따른 다중 사용자를 위한 콘텐츠 추천 방법을 TV 프로그램 도메인에 적용 구현한 일실시예이다.The following is an embodiment in which a content recommendation method for multiple users according to the present invention is applied to a TV program domain.
실험 데이터는 2005년 9월5일부터 2006년 8월 26일 까지 방영된 프로그램과 사용자들의 시청 데이터이며, TV 프로그램 시청 이력 데이터로서 사용자가 의미 있게 본 히스토리만을 사용하기 위하여 프로그램의 총 방영시간 중 5%이상 시청한 시청 이력만을 사용하였고, 이 데이터를 이용하여 선호도 모델을 주단위로 점진적으로 학습하였다.The experimental data is the viewing data of the program and users that aired from September 5, 2005 to August 26, 2006. 5 of the total airing time of the program to use only the history that the user saw meaningfully as the TV program viewing history data. Only the viewing history viewed by more than% was used, and the preference model was gradually learned weekly using this data.
[도 2]는 본 발명의 성능 평가를 위하여 영화나 음악 추천 방법에서 사용되는 Coverage Ratio 평가 척도를 사용한 비교 실험 결과이다. Coverage Ratio는 [수 학식 5]와 같이 추천된 프로그램 중 실제 시청한 프로그램의 개수인 n(RnW)을 사용자가 실제 시청한 프로그램의 개수인 n(W)으로 나눈 값이다.2 is a comparison experiment result using the coverage ratio evaluation scale used in the movie or music recommendation method for the performance evaluation of the present invention. The coverage ratio is a value obtained by dividing n (RnW), which is the number of programs actually viewed among recommended programs, by n (W), which is the number of programs actually viewed by a user, as shown in [Equation 5].
[도 2]의 실험_1은 본 발명의 방법이며, 실험_2는 [수학식 2] 부분 중 각각의 속성별 선호도에 1.0을 더해 각 속성별 선호도 중 0에 아주 가까운 값이 있을 경우 선호도가 감소하는 결과를 방지한 실험이며, 실험_3은 [수학식 4] 부분 중 통합된 선호도를 구할시 각 속성별 선호도의 누적곱이 아닌 누적합을 한 결과이다.Experiment_1 in FIG. 2 is a method of the present invention, and experiment_2 adds 1.0 to each property's preference in Equation 2, and there is a preference when there is a value very close to 0 of each property's preference. Experiment 3 prevents the decrease result, and Experiment_3 is the result of the cumulative sum of the preferences rather than the cumulative product of each property when the integrated preferences are calculated.
도 1은 본 발명에 따른 다중 사용자를 위한 콘텐츠 추천 방법 구성도,1 is a block diagram of a content recommendation method for multiple users according to the present invention;
도 2는 본 발명에 따른 시험_1, 실험_2 및 실험3의 Coverage Ratio 평가결과.Figure 2 is the coverage ratio evaluation results of the test_1, Experiment_2 and Experiment 3 according to the present invention.
Claims (4)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020070112461A KR101130217B1 (en) | 2007-11-06 | 2007-11-06 | Content Recommendation Method for Multiple Users |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020070112461A KR101130217B1 (en) | 2007-11-06 | 2007-11-06 | Content Recommendation Method for Multiple Users |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20090046364A true KR20090046364A (en) | 2009-05-11 |
| KR101130217B1 KR101130217B1 (en) | 2012-03-28 |
Family
ID=40856243
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020070112461A KR101130217B1 (en) | 2007-11-06 | 2007-11-06 | Content Recommendation Method for Multiple Users |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101130217B1 (en) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9015607B2 (en) | 2009-12-28 | 2015-04-21 | Samsung Electronics Co., Ltd. | Virtual space providing apparatus and method |
| KR20160083037A (en) * | 2013-11-12 | 2016-07-11 | 구글 인코포레이티드 | Methods, systems, and media for presenting suggestions of media content |
| CN108810655A (en) * | 2018-06-29 | 2018-11-13 | 北京比利信息技术有限公司 | The implementation method of real-time recommendation scheme is broadcast live in IP-based |
| KR20200116186A (en) * | 2019-03-14 | 2020-10-12 | (주)인더스트리미디어 | Apparatus and method for recommending a class |
| KR20210012075A (en) * | 2019-07-23 | 2021-02-03 | 주식회사 엔씨소프트 | Mehtod and apparatus for predicting prefernece |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20030058660A (en) * | 2001-12-31 | 2003-07-07 | 주식회사 케이티 | The method of Collaborative Filtering using content references of users in Personalization System |
| KR20060009332A (en) * | 2003-05-12 | 2006-01-31 | 코닌클리케 필립스 일렉트로닉스 엔.브이. | Apparatus and method for performing profile based collaborative filtering |
-
2007
- 2007-11-06 KR KR1020070112461A patent/KR101130217B1/en active IP Right Grant
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9015607B2 (en) | 2009-12-28 | 2015-04-21 | Samsung Electronics Co., Ltd. | Virtual space providing apparatus and method |
| KR20160083037A (en) * | 2013-11-12 | 2016-07-11 | 구글 인코포레이티드 | Methods, systems, and media for presenting suggestions of media content |
| US10880613B2 (en) | 2013-11-12 | 2020-12-29 | Google Llc | Methods, systems, and media for presenting suggestions of media content |
| US11381880B2 (en) | 2013-11-12 | 2022-07-05 | Google Llc | Methods, systems, and media for presenting suggestions of media content |
| CN108810655A (en) * | 2018-06-29 | 2018-11-13 | 北京比利信息技术有限公司 | The implementation method of real-time recommendation scheme is broadcast live in IP-based |
| KR20200116186A (en) * | 2019-03-14 | 2020-10-12 | (주)인더스트리미디어 | Apparatus and method for recommending a class |
| KR20210012075A (en) * | 2019-07-23 | 2021-02-03 | 주식회사 엔씨소프트 | Mehtod and apparatus for predicting prefernece |
Also Published As
| Publication number | Publication date |
|---|---|
| KR101130217B1 (en) | 2012-03-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Trang Tran et al. | An overview of recommender systems in the healthy food domain | |
| De Pessemier et al. | Comparison of group recommendation algorithms | |
| Liu et al. | Multi-criteria service recommendation based on user criteria preferences | |
| Chittaranjan et al. | Mining large-scale smartphone data for personality studies | |
| Choi et al. | A movie recommendation algorithm based on genre correlations | |
| Guo et al. | Intelligent e‐government services with personalized recommendation techniques | |
| US8001008B2 (en) | System and method of collaborative filtering based on attribute profiling | |
| US8676645B2 (en) | Identification of users for advertising using data with missing values | |
| Braunhofer et al. | Selective contextual information acquisition in travel recommender systems | |
| US20120296701A1 (en) | System and method for generating recommendations | |
| US9965776B2 (en) | Digital content recommendations based on user comments | |
| Hijikata et al. | Discovery-oriented collaborative filtering for improving user satisfaction | |
| Wakil et al. | Improving web movie recommender system based on emotions | |
| JPH10240749A (en) | Information filtering method, device therefor and recording medium recorded with information filtering program | |
| KR20150135196A (en) | Tailoring user experience for unrecognized and new users | |
| KR101130217B1 (en) | Content Recommendation Method for Multiple Users | |
| IL178394A (en) | Interactive hybrid recommender system | |
| Buono et al. | Integrating user data and collaborative filtering in a web recommendation system | |
| Roos et al. | The effect of links and excerpts on internet news consumption | |
| Modani et al. | Fairness aware recommendations on behance | |
| US20080300976A1 (en) | Identification of users for advertising purposes | |
| Rossi et al. | A comparison of two preference elicitation approaches for museum recommendations | |
| Balakrishnan et al. | HyPeRM: A hybrid personality-aware recommender for movie | |
| Santos et al. | EVALUATING THE IMPACT OF DEMOGRAPHIC DATA ON A HYBRID RECOMMENDER MODEL. | |
| Musthafa et al. | Hybrid Recommender System using K-means Clustering |
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: 20150108 Year of fee payment: 4 |
|
| FPAY | Annual fee payment |
Payment date: 20170109 Year of fee payment: 6 |
|
| FPAY | Annual fee payment |
Payment date: 20180108 Year of fee payment: 7 |
|
| FPAY | Annual fee payment |
Payment date: 20190410 Year of fee payment: 8 |