KR20090059515A - 사용자 선호도 예측 방법 및 장치 - Google Patents

사용자 선호도 예측 방법 및 장치 Download PDF

Info

Publication number
KR20090059515A
KR20090059515A KR1020070126397A KR20070126397A KR20090059515A KR 20090059515 A KR20090059515 A KR 20090059515A KR 1020070126397 A KR1020070126397 A KR 1020070126397A KR 20070126397 A KR20070126397 A KR 20070126397A KR 20090059515 A KR20090059515 A KR 20090059515A
Authority
KR
South Korea
Prior art keywords
user
item
preference
similarity
consumed
Prior art date
Application number
KR1020070126397A
Other languages
English (en)
Other versions
KR101411319B1 (ko
Inventor
최성환
황철주
이재황
장정록
최윤주
김도연
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020070126397A priority Critical patent/KR101411319B1/ko
Priority to US12/174,081 priority patent/US8069010B2/en
Publication of KR20090059515A publication Critical patent/KR20090059515A/ko
Application granted granted Critical
Publication of KR101411319B1 publication Critical patent/KR101411319B1/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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 발명은 사용자 간의 유사도를 측정하는 것에 있어서 실제 사용자와 유사한 다른 사용자들의 컨텐츠 선호도를 참조하여 실제 사용자의 컨텐츠 선호도를 예측하는 방법에 관한 것으로, 제1 사용자 및 제2 사용자 사이에서 컨텐츠의 제1 아이템이 소비되는 중복률을 이용하여 제1 사용자 및 제2 사용자의 유사도(similarity ratio)를 계산하는 단계와 계산된 유사도에 기초하여 제1 사용자에 대한 유사사용자 목록(recommender list)을 생성하는 단계와 생성된 유사사용자 목록에 포함된 제3 사용자의 제2 아이템에 대한 선호도에 기초하여 제1 사용자의 제2 아이템에 대한 선호도를 예측하는 단계를 포함함으로써, 사용자간 유사도를 더욱 정확히 측정할 수 있고 따라서 선호도 예측 시스템의 신뢰도를 높힐 수 있다.

Description

사용자 선호도 예측 방법 및 장치{Method for predicting user preference and apparatus thereof}
본 발명은 사용자 선호도 예측 방법에 관한 것으로, 구체적으로는 컨텐츠 사용자 간의 유사도를 측정함에 있어서 컨텐츠 아이템에 대한 사용자의 예측 선호도를 정확하게 판단할 수 있는 예측 방법 및 장치를 제공하는 것이다.
본 발명은 추천시스템(recommend system) 및 협업 필터링(collaborative filtering) 분야에 관한 것으로, 특히, 요즘과 같은 멀티미디어 시대에 넘쳐나는 컨텐츠 예를 들어, 디지털 방송으로 인한 수많은 방송 채널과 영화,드라마,음악 등의 다양한 문화 컨텐츠 또는 홈쇼핑의 대중화로 인한 상품 컨텐츠 등과 같은 많은 컨텐츠 중에서 사용자에게 유용한 정보만을 선별하여 제공하기 위한 컨텐츠 선호도 예측 방법에 관한 것이다.
최근 이러한 컨텐츠의 양적 증가로 인해 개인이 자신에게 유용한 정보를 일일이 찾아내는 것이 불가능한 상황에서, 실제 사용자(active user)가 해당 컨텐츠를 얼마나 좋아할지를 기계적으로 예측하는 다양한 방법들이 시도되고 있으나, 선호도 예측 시스템에서 예측값의 정확도를 높이는 것이 가장 어려운 문제로 대두되 고 있다.
따라서, 본 발명은 상기와 같은 문제점을 해결하기 위하여 고안된 것으로, 본 발명이 이루고자 하는 기술적 과제는 실제 사용자와 유사한 다른 사용자들의 컨텐츠 선호도를 참조하여 실제 사용자의 컨텐츠 선호도를 예측하는 방법을 고안함으로써 상기 선호도 예측 시스템의 정확도를 높히는 것이다.
또한, 사용자간의 유사도를 측정하는 과정에서도 종래의 방법보다 보다 신뢰도가 높은 측정 방법을 고안하여 사용자의 선호도를 정확하게 예측할 수 있는 방법 및 그 장치를 제공한다.
상기 기술적 과제는 본 발명에 따라, 사용자 선호도 예측 방법에 있어서, 제1 사용자 및 제2 사용자 사이에서 컨텐츠의 제1 아이템이 소비되는 중복률을 이용하여 상기 제1 사용자 및 제2 사용자의 유사도(similarity ratio)를 계산하는 단계와; 상기 계산된 유사도에 기초하여 상기 제1 사용자에 대한 유사사용자 목록(recommender list)을 생성하는 단계와; 상기 생성된 유사사용자 목록에 포함된 제3 사용자의 제2 아이템에 대한 선호도에 기초하여 상기 제1 사용자의 상기 제2 아이템에 대한 선호도를 예측하는 단계를 포함하는 것을 특징으로 하는 선호도 예측 방법에 의해 해결된다.
상기 유사도를 계산하는 단계는, 상기 제1 사용자 및 제2 사용자 사이의 상관 계수(correlation coefficient)에 상기 제1 아이템이 소비되는 중복률을 승산하 여 상기 유사도를 계산하는 것이 바람직하다.
상기 제1 아이템이 소비되는 중복률은, 상기 제1 사용자 또는 제2 사용자가 소비한 상기 제1 아이템의 전체 개수에 대하여 상기 제1 사용자 및 제2 사용자가 공통으로 소비한 상기 제1 아이템의 개수의 비율을 이용한 값인 것이 바람직하다.
상기 제1 아이템이 소비되는 중복률은, 상기 제1 사용자가 소비한 상기 제1 아이템의 전체 개수에 대하여 상기 제1 사용자 및 제2 사용자가 공통으로 소비한 상기 제1 아이템의 개수의 비율을 이용한 값인 것이 바람직하다.
상기 유사사용자 목록은 상기 제1 사용자와 유사도가 높은 순서로 정렬된 상기 제2 사용자 중에서 선택된 제3 사용자로 구성되는 것이 바람직하다.
상기 제1 사용자의 상기 제2 아이템에 대한 선호도를 예측하는 단계는, 상기 제1 사용자 및 제3 사용자의 상기 제2 아이템에 대한 유사도에 상기 제3 사용자의 제2 아이템에 대한 선호도를 승산한 값을 이용하여 예측하는 것이 바람직하다.
상기 상관 계수는 피어슨 상관 계수(Pearson correlaton coefficient)인 것이 바람직하다.
한편, 본 발명의 다른 분야에 따르면 상기 기술적 과제는 사용자 선호도 예측 장치에 있어서, 제1 사용자 및 제2 사용자 사이에서 컨텐츠의 제1 아이템이 소비되는 중복률을 이용하여 상기 제1 사용자 및 제2 사용자의 유사도(similarity ratio)를 계산하는 유사도 연산부와; 상기 계산된 유사도에 기초하여 상기 제1 사용자에 대한 유사사용자 목록(recommender list)을 생성하는 유사사용자 목록 생성부와; 상기 생성된 유사사용자 목록에 포함된 제3 사용자의 제2 아이템에 대한 선 호도에 기초하여 상기 제1 사용자의 상기 제2 아이템에 대한 선호도를 예측하는 사용자 예측 선호도 판단부를 포함하는 것을 특징으로 하는 선호도 예측 장치에 의해서도 해결된다.
나아가 본 발명은 상기 사용자 선호도 예측 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록 매체를 포함한다.
본 발명에 의한 사용자 선호도 예측 방법 및 장치는 추천시스템(recommend system)에 적용되어, 사용자에게 추천 가능한 아이템을 선정하는데 사용할 수 있으며, 그 정확도는 종래의 다른 방법보다 월등히 우수한 효과가 있다.
특히, 사용자간의 유사도를 측정함에 있어서 종래의 방법에 따르면 사용자간에 공통적으로 소비한 아이템에 대해서만 사용자간 유사도를 측정하게 되어 정확한 측정이 불가능하였으나, 본 발명에 따르면 사용자간에 소비한 아이템이 얼마나 중복되는지에 대한 고려가 충분히 되어 있어 상기 유사도를 더욱 정확히 측정할 수 있다.
본 발명과 본 발명의 동작상의 이점 및 본 발명의 실시에 의하여 달성되는 목적을 충분히 이해하기 위해서는 본 발명의 바람직한 실시예를 예시하는 첨부 도면 및 도면에 기재된 내용을 참조하여야 한다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예에 대해 상세히 설명한다.
도 1은 사용자(U1~U5)의 컨텐츠(C1~C5)에 대한 선호도 데이터를 나타내는 테이블이다.
도 1을 참조하면, 예시적으로 5명의 사용자(U1~U5, 120)에 있어서 5개의 컨텐츠의 아이템(C1~C5, 110)에 대한 선호도 데이터가 나타나 있다.
이들 아이템은 디지털 방송으로 인한 여러 개의 방송 채널 또는 영화,드라마,음악 등의 다양한 문화 컨텐츠 또는 홈쇼핑의 상품 컨텐츠에 대한 아이템을 포함한다. 뿐만 아니라 상기 아이템은 여행지, 저명인사 등 사용자의 기호, 선호에 따라 평가될 수 있는 모든 항목을 포함할 수 있다.
도 1의 테이블에서 각 점수는 1~5 사이에서 선택된 선호도(preference)를 나타낸다. 여기서 1이 가장 낮은 점수로서 선호도가 낮은 경우이며, 5가 가장 높은 점수로서 선호도가 높다는 의미로 해석된다. (x) 표시된 항목은 사용자가 해당 아이템을 소비한 적이 없는 경우를 뜻한다.
도 1과 같은 선호도 테이블에 있어서, 만약 사용자 U1에 대하여 아이템 C2의 선호도를 예측하는 경우에, 다른 사용자 U2 내지 U5의 데이터를 활용할 수 있다.
따라서 협업 필터링(collaborative Filtering)의 종래 방법은 사용자 U1의 아이템 C2의 선호도를 예측할 때, 다른 모든 사용자 U2 내지 U5의 아이템의 소비 패턴을 이용한다.
즉, 아래 [수학식 1]를 사용하여 선호도를 예측한다.
Figure 112007087994727-PAT00001
여기서, Rpi는 i번째 아이템의 예측된 선호도(predictive rating), A는 실제 사용자, Ok는 다른 사용자, Rik는 Ok 에 대한 i아이템의 실제 선호도(real rating), n은 다른 사용자의 전체 수, Sim(A, Ok)는 실제 사용자 A와 다른 사용자 Ok간의 유사도 함수를 나타낸다.
상기 [수학식 1]에서, Rik는 Ok에 대한 i아이템의 실제 선호도로서 각각 상수로 나타나므로, 사용자 A에 대하여 i번째 아이템의 예측된 선호도는 Sim(A, Ok) 함수의 정확도에 따라 좌우된다.
한편, 다른 사용자 Ok의 선호도 데이터를 그대로 사용한 상기 [수학식 1]은 아래 [수학식 2], [수학식 3]과 같이 변형될 수 있다.
아래 [수학식 2]는 다른 사용자 Ok의 선호도 데이터에 대하여, 실제 사용자 A의 평균 선호도와 다른 사용자 Ok의 평균 선호도를 보상한 식이다.
Figure 112007087994727-PAT00002
여기서, RA-bar는 실제 사용자 A의 평균 선호도를 나타내고, Rk-bar는 다른 사용자 Ok의 평균 선호도를 나타낸다.
아래 [수학식 3]은 상기 [수학식 1]를 이용한 예측 선호도에 대하여, 실제 사용자 A의 평균 선호도와 다른 사용자 Ok의 평균 선호도를 보상한 식이다.
Figure 112007087994727-PAT00003
여기서, Ri-bar는 i번째 아이템에 대한 모든 Ok의 평균 선호도를 나타낸다.
상기 [수학식 1] 내지 [수학식 3]에서 사용자간 유사도를 나타내는 Sim(A, Ok)는 상관 계수(correlation coefficient)를 이용하며, 특히 피어슨 상관 계수(Pearson correlaton coefficient)를 사용하고, 이는 다음 [수학식 4]와 같다.
Figure 112007087994727-PAT00004
상기 [수학식 4]는 정규화(normalization)가 적용된 경우이며, RAi는 실제 사용자 A의 i번째 아이템에 대한 실제 선호도, RA-Bar는　실제 사용자 A의 전체 아이템에 대한 실제 선호도의 평균, ROki는 사용자 Ok의 i번째 아이템에 대한 실제 선호도, ROk-Bar는　사용자 Ok의 전체 아이템에 대한 실제 선호도의 평균, n은 총 아이템의　수를 나타낸다.
아울러, 상기 [수학식 4]의 유사도는 다음 [수학식 5] 내지 [수학식 8]과 같이 변형하여 나타낼 수 있다.
Figure 112007087994727-PAT00005
상기 [수학식 5]는 선호도가 1~5의 점수로 되어 있으므로 중간값인 3만큼 보상한 식이다.
Figure 112007087994727-PAT00006
상기 [수학식 6]은 사용자 선호도의 평균값만큼 보상한 식이다.
Figure 112007087994727-PAT00007
상기 [수학식 7]은 각 컨텐츠 아이템에 대한 선호도의 평균값만큼 보상한 식이다.
Figure 112007087994727-PAT00008
상기 [수학식 8]는 사용자 선호도와 컨텐츠 아이템의 선호도에 대한 평균을 보상한 식이다.
도 2는 본 발명의 일 실시예에 따른, 사용자 선호도 예측 방법을 설명하기 위한 플로우 차트이다.
이하, 본원에서 사용되는 용어를 정리하면 다음과 같다.
(i) 실제 사용자(Active User) : 아이템의 예상점수를 유추하고자 하는 사용 자이다.
(ii) 다른 사용자(Others) : 실제 사용자를 제외한 그 외의 사용자들이다.
(iii) 유사사용자 목록(Recommender List) : 실제 사용자와 유사한 사용자들의 목록이다.
(iv) 예측 선호도(Predictive Rating) : 실제 사용자에 대한 아이템의 유추된 선호도이다.
(v) 실제 선호도(Real Rating) : 사용자들이 명시적으로(Explicitly) 기록한 아이템의 선호도이다.
(vi) 유사도(Sim(A,B)) : 사용자 A와 사용자 B 간의 유사도이다.
(vii) 중복률(Overlap(A,B)) : 사용자 A와 사용자 B 간의 소비 아이템 중복률이다.
(viii) Count(A) : 사용자 A가 소비한 아이템의 개수이다.
(ix) Count(A∩B) : 사용자 A와 사용자 B가 공통적으로 소비한 아이템의 개수이다.
(x) Count(A∪B) : 사용자 A와 사용자 B가 소비한 아이템의 합집합 개수이다.
도 2를 참조하면, 먼저 모든 또는 일부의 컨텐츠(제1 아이템)에 대하여 제1 사용자 및 제2 사용자 사이에서 공통으로 소비되는 중복률을 이용하여 상기 제1 사용자 및 제2 사용자의 유사도(similarity ratio)를 계산한다(210).
도 1의 테이블을 참조하여 예를 들면, 사용자 U1의 아이템 C2에 대한 선호도 를 예측하고자 하는 경우를 들 수 있다. 이때, 예측하고자 하는 아이템 C2를 제2 아이템으로 볼 수 있다.
이 경우, 먼저 제1 사용자(U1)와 나머지 제2 사용자(U2~U5) 사이에서 제1 아이템(C1~C5)이 소비되는 중복률을 이용하여, 유사도를 계산한다. 이때, 현재 예측하고자 하는 제2 아이템인 C2는 제외시킬 수 있다.
상기 유사도는 제1 사용자 및 제2 사용자 사이의 상관 계수(correlation coefficient)에 제1 아이템이 소비되는 중복률을 승산하여(multiply) 계산될 수 있다. 중복률 및 유사도 계산의 자세한 수학식은 이하에서 설명한다.
다음으로, 상기 계산된 유사도에 기초하여 상기 제1 사용자(U1)에 대한 유사사용자 목록(recommender list)을 생성한다(220).
상기 유사사용자 목록은 제1 사용자(U1)와 유사도가 높은 순서로 정렬된 상기 제2 사용자 중에서 선택된 제3 사용자(예를 들어, U4)로 구성될 수 있다. 일반적으로 유사사용자 목록은 상기 정렬된 제2 사용자 중에서 상위 순으로 일정 수만큼의 데이터를 추출하여 목록을 구성한다.
마지막으로 상기 생성된 유사사용자 목록에 포함된 제3 사용자의 제2 아이템(C2)에 대한 선호도에 기초하여 상기 제1 사용자의 상기 제2 아이템(C2)에 대한 선호도를 예측한다(230).
즉, 제1 사용자와 가장 유사한 기호 성향을 갖고 있다고 판단되는 유사사용자 목록상의 사용자들(제3 사용자, 예를 들어 U4)의 데이터로부터 상기 제2 아이템(C2)에 대한 선호도를 예측할 수 있다.
상기 아이템의 소비 중복률을 이용하여 본원에 의한 유사도(Sim'(A,B))를 계산하는 식은 아래 [수학식 9]와 같다.
Figure 112007087994727-PAT00009
여기서, 상기 중복률(Overlap(A,Ok))은 제1 사용자 또는 제2 사용자가 소비한 상기 제1 아이템의 전체 개수에 대하여 상기 제1 사용자 및 제2 사용자가 공통으로 소비한 상기 제1 아이템의 개수의 비율을 이용할 수 있다.
아울러, 상기 제1 사용자가 소비한 상기 제1 아이템의 전체 개수에 대하여 상기 제1 사용자 및 제2 사용자가 공통으로 소비한 상기 제1 아이템의 개수의 비율을 이용할 수도 있다.
즉, 중복률의 일 실시예는 아래 [수학식 10]과 같이 나타낼 수 있다.
Figure 112007087994727-PAT00010
여기서, Count(A)는 사용자 A가 소비한 아이템의 개수이며, Count(A∩Ok)는 사용자 A와 사용자 Ok가 공통적으로 소비한 아이템의 개수이고, Count(A∪Ok)는 사용자 A와 사용자 Ok가 소비한 아이템의 합집합 개수이다.
상기 [수학식 10]에서 첫번째 항인 Count(A∩Ok) / Count(A∪Ok) 에서는 사용자 A와 사용자 Ok가 얼마나 많은 아이템를 공통적으로 소비하고 있는가를 나타내는 척도로써, 같은 아이템을 소비한 비율이 많을수록 사용자 A와 사용자 Ok가 유사하다는 것을 나타낸다.
한편, 두번째 항인 Count(A∩Ok) / Count(A) 에서는 첫번째 항이 두 사용자의 소비 아이템의 중복에 대해 상대적인 비율만을 제공하는 것을 보상하기 위하여 상기 첫번째 항에 승산(multiply)한다. 이는 실제 사용자인 사용자 A의 소비 아이템 개수에 대한 공통 소비 아이템 개수를 구하여 실제 사용자를 기준으로 한 절대적인 소비 아이템 중복률을 의미한다.
상기 유사도(Sim'(A,B))는 아래 [수학식 11] 내지 [수학식 18]과 같이 여러가지로 변형이 가능하다.
Figure 112007087994727-PAT00011
Figure 112007087994727-PAT00012
Figure 112007087994727-PAT00013
Figure 112007087994727-PAT00014
Figure 112007087994727-PAT00015
Figure 112007087994727-PAT00016
Figure 112007087994727-PAT00017
Figure 112007087994727-PAT00018
도 3은 본 발명의 다른 실시예에 따른, 사용자 선호도 예측 장치를 나타내는 기능 블록도이다.
도 3을 참조하면, 사용자 선호도 예측 장치(300)는 유사도 연산부(310), 유사사용자 목록 생성부(320) 및 사용자 예측 선호도 판단부(330)를 포함한다.
유사도 연산부(310)는 제1 사용자 및 제2 사용자 사이에서 컨텐츠의 제1 아이템이 소비되는 중복률을 이용하여 제1 사용자 및 제2 사용자의 유사도를 계산하고, 유사도는 앞서 설명한 바와 같이 제1 사용자 및 제2 사용자 사이의 상관 계수(correlation coefficient)에 상기 제1 아이템의 소비 중복률을 승산하여 계산된다.
유사사용자 목록 생성부(320)는 계산된 유사도에 기초하여 제1 사용자에 대한 유사사용자 목록(recommender list)을 생성하며, 유사사용자 목록은 제1 사용자와 유사도가 높은 순서로 정렬된 제2 사용자 중에서 소정의 수만큼 선택된 제3 사용자로 구성된다.
사용자 예측 선호도 판단부(330)는 생성된 유사사용자 목록에 포함된 상기 제3 사용자의 제2 아이템에 대한 선호도를 바탕으로, 제1 사용자의 제2 아이템에 대한 선호도를 예측한다.
한편, 상술한 본 발명의 사용자 선호도 예측 방법은 컴퓨터에서 실행될 수 있는 프로그램으로 작성가능하고, 컴퓨터로 읽을 수 있는 기록매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다.
또한, 상술한 바와 같이 본 발명에서 사용된 데이터의 구조는 컴퓨터로 읽을 수 있는 기록매체에 여러 수단을 통하여 기록될 수 있다.
상기 컴퓨터로 읽을 수 있는 기록매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드디스크 등), 광학적 판독 매체(예를 들면, 시디롬, 디브이디 등) 및 캐리어 웨이브(예를 들면, 인터넷을 통한 전송)와 같은 저장매체를 포함한다.
이제까지 본 발명에 대하여 그 바람직한 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.
도 1은 사용자(U1~U5)의 컨텐츠(C1~C5)에 대한 선호도 데이터를 나타내는 테이블이다.
도 2는 본 발명의 일 실시예에 따른, 사용자 선호도 예측 방법을 설명하기 위한 플로우 차트이다.
도 3은 본 발명의 다른 실시예에 따른, 사용자 선호도 예측 장치를 나타내는 기능 블록도이다.
상기 몇 개의 도면에 있어서 대응하는 도면 번호는 대응하는 부분을 가리킨다. 도면이 본 발명의 실시예들을 나타내고 있지만, 도면이 축척에 따라 도시된 것은 아니며 본 발명을 보다 잘 나타내고 설명하기 위해 어떤 특징부는 과장되어 있을 수 있다.

Claims (15)

  1. 사용자 선호도 예측 방법에 있어서,
    제1 사용자 및 제2 사용자 사이에서 컨텐츠의 제1 아이템이 소비되는 중복률을 이용하여 상기 제1 사용자 및 제2 사용자의 유사도(similarity ratio)를 계산하는 단계와;
    상기 계산된 유사도에 기초하여 상기 제1 사용자에 대한 유사사용자 목록(recommender list)을 생성하는 단계와;
    상기 생성된 유사사용자 목록에 포함된 제3 사용자에서 컨텐츠의 제2 아이템에 대한 선호도에 기초하여 상기 제1 사용자의 상기 제2 아이템에 대한 선호도를 예측하는 단계를 포함하는 것을 특징으로 하는 선호도 예측 방법.
  2. 제1항에 있어서,
    상기 유사도를 계산하는 단계는,
    상기 제1 사용자 및 제2 사용자 사이의 상관 계수(correlation coefficient)에 상기 제1 아이템이 소비되는 중복률을 승산하여 상기 유사도를 계산하는 것을 특징으로 하는 선호도 예측 방법.
  3. 제2항에 있어서,
    상기 제1 아이템이 소비되는 중복률은,
    상기 제1 사용자 또는 제2 사용자가 소비한 상기 제1 아이템의 전체 개수에 대하여 상기 제1 사용자 및 제2 사용자가 공통으로 소비한 상기 제1 아이템의 개수의 비율을 이용한 값인 것을 특징으로 하는 선호도 예측 방법.
  4. 제3항에 있어서,
    상기 제1 아이템이 소비되는 중복률은,
    상기 제1 사용자가 소비한 상기 제1 아이템의 전체 개수에 대하여 상기 제1 사용자 및 제2 사용자가 공통으로 소비한 상기 제1 아이템의 개수의 비율을 이용한 값인 것을 특징으로 하는 선호도 예측 방법.
  5. 제4항에 있어서,
    상기 유사사용자 목록은 상기 제1 사용자와 유사도가 높은 순서로 정렬된 상기 제2 사용자 중에서 선택된 제3 사용자로 구성되는 것을 특징으로 하는 선호도 예측 방법.
  6. 제5항에 있어서,
    상기 제1 사용자의 상기 제2 아이템에 대한 선호도를 예측하는 단계는,
    상기 제1 사용자 및 제3 사용자의 상기 제2 아이템에 대한 유사도에 상기 제3 사용자의 제2 아이템에 대한 선호도를 승산한 값을 이용하여 예측하는 것을 특징으로 하는 선호도 예측 방법.
  7. 제6항에 있어서,
    상기 상관 계수는 피어슨 상관 계수(Pearson correlaton coefficient)인 것을 특징으로 하는 선호도 예측 방법.
  8. 사용자 선호도 예측 장치에 있어서,
    제1 사용자 및 제2 사용자 사이에서 컨텐츠의 제1 아이템이 소비되는 중복률을 이용하여 상기 제1 사용자 및 제2 사용자의 유사도(similarity ratio)를 계산하는 유사도 연산부와;
    상기 계산된 유사도에 기초하여 상기 제1 사용자에 대한 유사사용자 목록(recommender list)을 생성하는 유사사용자 목록 생성부와;
    상기 생성된 유사사용자 목록에 포함된 제3 사용자에서 컨텐츠의 제2 아이템에 대한 선호도에 기초하여 상기 제1 사용자의 상기 제2 아이템에 대한 선호도를 예측하는 사용자 예측 선호도 판단부를 포함하는 것을 특징으로 하는 선호도 예측 장치.
  9. 제8항에 있어서,
    상기 유사도 연산부는,
    상기 제1 사용자 및 제2 사용자 사이의 상관 계수(correlation coefficient)에 상기 제1 아이템이 소비되는 중복률을 승산하여 상기 유사도를 계산하는 것을 특징으로 하는 선호도 예측 장치.
  10. 제9항에 있어서,
    상기 제1 아이템이 소비되는 중복률은,
    상기 제1 사용자 또는 제2 사용자가 소비한 상기 제1 아이템의 전체 개수에 대하여 상기 제1 사용자 및 제2 사용자가 공통으로 소비한 상기 제1 아이템의 개수의 비율을 이용한 값인 것을 특징으로 하는 선호도 예측 장치.
  11. 제10항에 있어서,
    상기 제1 아이템이 소비되는 중복률은,
    상기 제1 사용자가 소비한 상기 제1 아이템의 전체 개수에 대하여 상기 제1 사용자 및 제2 사용자가 공통으로 소비한 상기 제1 아이템의 개수의 비율을 이용한 값인 것을 특징으로 하는 선호도 예측 장치.
  12. 제11항에 있어서,
    상기 유사사용자 목록 생성부는,
    상기 제1 사용자와 유사도가 높은 순서로 정렬된 상기 제2 사용자 중에서 선택된 제3 사용자로 구성되는 목록을 생성하는 것을 특징으로 하는 선호도 예측 장치.
  13. 제12항에 있어서,
    상기 사용자 예측 선호도 판단부는,
    상기 제1 사용자 및 제3 사용자의 상기 제2 아이템에 대한 유사도에 상기 제3 사용자의 제2 아이템에 대한 선호도를 승산한 값을 이용하여 상기 제1 사용자의 상기 제2 아이템에 대한 선호도를 예측하는 것을 특징으로 하는 선호도 예측 장치.
  14. 제13항에 있어서,
    상기 상관 계수는 피어슨 상관 계수(Pearson correlaton coefficient)인 것을 특징으로 하는 선호도 예측 장치.
  15. 제1 사용자 및 제2 사용자 사이에서 컨텐츠의 제1 아이템이 소비되는 중복률을 이용하여 상기 제1 사용자 및 제2 사용자의 유사도를 계산하고, 상기 계산된 유사도에 기초하여 상기 제1 사용자에 대한 유사사용자 목록을 생성하고, 상기 생성된 유사사용자 목록에 포함된 제3 사용자에서 컨텐츠의 제2 아이템에 대한 선호도에 기초하여 상기 제1 사용자의 상기 제2 아이템에 대한 선호도를 예측하는 선호도 예측 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록 매체.
KR1020070126397A 2007-12-06 2007-12-06 사용자 선호도 예측 방법 및 장치 KR101411319B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020070126397A KR101411319B1 (ko) 2007-12-06 2007-12-06 사용자 선호도 예측 방법 및 장치
US12/174,081 US8069010B2 (en) 2007-12-06 2008-07-16 Method and apparatus for predicting user preference

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020070126397A KR101411319B1 (ko) 2007-12-06 2007-12-06 사용자 선호도 예측 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20090059515A true KR20090059515A (ko) 2009-06-11
KR101411319B1 KR101411319B1 (ko) 2014-06-27

Family

ID=40722511

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020070126397A KR101411319B1 (ko) 2007-12-06 2007-12-06 사용자 선호도 예측 방법 및 장치

Country Status (2)

Country Link
US (1) US8069010B2 (ko)
KR (1) KR101411319B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101308279B1 (ko) * 2011-12-26 2013-09-13 한양대학교 산학협력단 카테고리 전문가를 활용하는 추천 방법
KR101340461B1 (ko) * 2012-03-06 2013-12-11 공주대학교 산학협력단 컨텍스트 예측 시스템
KR20160075103A (ko) * 2014-12-19 2016-06-29 연세대학교 산학협력단 신규 컨텐츠에 대한 컨텐츠 선호도 예측 방법 및 장치
KR101877282B1 (ko) * 2017-02-14 2018-07-11 주식회사 아이디어랩스 개인화 회귀 분석을 이용하여 품목의 이용자가 상기 품목에 부여하는 선호도를 예측하기 위하여 정보를 정화하는 방법 및 이를 이용한 컴퓨팅 장치

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008132240A1 (en) * 2007-04-30 2008-11-06 Mehdi Aminian Method of intermediation within a social network of users of a service/application to expose relevant media items
US8910217B2 (en) * 2011-10-25 2014-12-09 Verizon Patent And Licensing Inc. Broadcast video provisioning system
US9282354B2 (en) 2011-10-28 2016-03-08 Qualcomm Incorporated Method and apparatus to detect a demand for and to establish demand-based multimedia broadcast multicast service
US9972042B2 (en) * 2013-03-15 2018-05-15 Sears Brands, L.L.C. Recommendations based upon explicit user similarity
US20150178301A1 (en) * 2013-12-20 2015-06-25 Ebay Inc. Systems and methods to generate a search query
US9074413B1 (en) * 2014-07-10 2015-07-07 C.R. Laurence Co., Inc. Rail, stile, mullion, door and wall jamb assemblies for framing glass doors and wall partitions
CN110020122B (zh) * 2017-10-16 2022-06-03 Tcl科技集团股份有限公司 一种视频推荐方法、系统及计算机可读存储介质
CN111159578B (zh) * 2019-12-31 2023-10-13 第四范式（北京）技术有限公司 一种推荐对象的方法和系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004017178A2 (en) * 2002-08-19 2004-02-26 Choicestream Statistical personalized recommendation system
KR100597399B1 (ko) * 2004-01-12 2006-07-06 삼성전자주식회사 사용자가 선호하는 채널을 동적으로 관리하는 장치 및관리 방법
US7689556B2 (en) 2005-01-31 2010-03-30 France Telecom Content navigation service

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101308279B1 (ko) * 2011-12-26 2013-09-13 한양대학교 산학협력단 카테고리 전문가를 활용하는 추천 방법
KR101340461B1 (ko) * 2012-03-06 2013-12-11 공주대학교 산학협력단 컨텍스트 예측 시스템
KR20160075103A (ko) * 2014-12-19 2016-06-29 연세대학교 산학협력단 신규 컨텐츠에 대한 컨텐츠 선호도 예측 방법 및 장치
KR101877282B1 (ko) * 2017-02-14 2018-07-11 주식회사 아이디어랩스 개인화 회귀 분석을 이용하여 품목의 이용자가 상기 품목에 부여하는 선호도를 예측하기 위하여 정보를 정화하는 방법 및 이를 이용한 컴퓨팅 장치

Also Published As

Publication number Publication date
KR101411319B1 (ko) 2014-06-27
US20090150120A1 (en) 2009-06-11
US8069010B2 (en) 2011-11-29

Similar Documents

Publication Publication Date Title
KR101411319B1 (ko) 사용자 선호도 예측 방법 및 장치
US7822720B2 (en) Method and system of detecting keyword whose input number is rapidly increased in real time
Pan et al. Online to offline (O2O) service recommendation method based on multi-dimensional similarity measurement
JP5248915B2 (ja) Ｇｐｓ追跡及び周知な近傍目的地からのユーザの行動趣向の学習
US7337458B2 (en) Content recommendation device with user feedback
JP4433326B2 (ja) 情報処理装置および方法、並びにプログラム
Kamehkhosh et al. User perception of next-track music recommendations
Domingues et al. Dimensions as virtual items: Improving the predictive ability of top-n recommender systems
KR100926878B1 (ko) 광고를 제공하는 방법 및 시스템, 그리고 광고 제공에 대한학습 데이터 수집 방법 및 시스템
JPWO2010010654A1 (ja) 使い方推定装置
KR20080031148A (ko) 정보 처리 장치, 특징 추출 방법, 기록 매체, 및 프로그램
JP4737564B2 (ja) 情報処理装置、情報処理方法、およびプログラム
Lim et al. Expertise and dynamics within crowdsourced musical knowledge curation: A case study of the genius platform
Kang et al. Personalized smart home audio system with automatic music selection based on emotion
JP4699337B2 (ja) 推薦情報検出提供装置および推薦情報検出提供方法ならびにそのプログラム
Jeong et al. User credit-based collaborative filtering
Maué Reputation as tool to ensure validity of VGI
Jamalzehi et al. A new similarity measure based on item proximity and closeness for collaborative filtering recommendation
Aksel et al. An adaptive hybrid recommender system that learns domain dynamics
Quadrana Algorithms for sequence-aware recommender systems
Domingues et al. Combining usage and content in an online music recommendation system for music in the long-tail
Tsikrika et al. A hybrid recommendation system based on density-based clustering
Nanopoulos et al. Know thy neighbor: combining audio features and social tags for effective music similarity
KR101308279B1 (ko) 카테고리 전문가를 활용하는 추천 방법
Zhang et al. A time-aware QoS prediction approach to web service recommendation

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: 20170529

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20180530

Year of fee payment: 5