KR20100048127A - 사용자 서비스 이용 패턴 모델링 장치 및 방법 - Google Patents

사용자 서비스 이용 패턴 모델링 장치 및 방법 Download PDF

Info

Publication number
KR20100048127A
KR20100048127A KR1020080107149A KR20080107149A KR20100048127A KR 20100048127 A KR20100048127 A KR 20100048127A KR 1020080107149 A KR1020080107149 A KR 1020080107149A KR 20080107149 A KR20080107149 A KR 20080107149A KR 20100048127 A KR20100048127 A KR 20100048127A
Authority
KR
South Korea
Prior art keywords
user
service
context
learning
information
Prior art date
Application number
KR1020080107149A
Other languages
English (en)
Inventor
문애경
최영일
이병선
Original Assignee
한국전자통신연구원
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 한국전자통신연구원 filed Critical 한국전자통신연구원
Priority to KR1020080107149A priority Critical patent/KR20100048127A/ko
Priority to US12/497,731 priority patent/US20100114803A1/en
Publication of KR20100048127A publication Critical patent/KR20100048127A/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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • G06F16/337—Profile generation, learning or modification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/38—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Business, Economics & Management (AREA)
  • Library & Information Science (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

사용자 서비스 이용 패턴을 학습하여 모델링하는 장치 및 방법이 개시된다. 본 발명의 사용자 서비스 이용 패턴 모델링 방법은, 사용자에 의해 선택된 서비스 정보와 사용자의 서비스 선택시의 적어도 하나의 컨텍스트로 이루어지는 상태 정보를 수집하는 단계; 상기 수집된 정보를 기반으로 사용자의 서비스 이용 패턴을 학습하는 단계; 및 학습 결과에 따라 컨텍스트별 서비스 쌍으로 구성되는 사용자 모델에서 해당되는 컨텍스트-서비스 쌍에 대한 학습값을 갱신하는 단계;를 포함한다. 이에 의해 사용자의 서비스 이용 패턴 추출을 위한 사용자 모델링이 가능하다.

Description

사용자 서비스 이용 패턴 모델링 장치 및 방법{Apparatus and method for user service pattern modeling}
본 발명은 개인화된 서비스를 제공하는 기술에 관한 것으로, 특히 상황 인식을 통해 개인화된 서비스를 제공하는 기술에 관한 것이다.
본 연구는 지식경제부 및 정보통신연구진흥원의 IT성장동력기술개발사업의 일환으로 수행한 연구로부터 도출된 것이다.[과제관리번호: 2008-S-007-01, 네트워크 지식기반 개인화서비스 기술개발]
정보 기술의 발전과 인터넷의 사용 증가로 이용 가능한 정보의 양이 폭발적으로 증가하고 있다. 따라서 사용자는 수많은 정보를 탐색하고 선택해야 하는 부담을 갖는다. 이러한 문제를 해결하기 위하여 사용자가 원하지 않는 정보를 필터링하고 유용한 정보를 추천함으로써, 개인화 서비스를 제공하는 컨텐츠 추천 시스템에 대한 연구가 진행되고 있다. 기존 연구에서는 사용자의 명시적인 요구에 따라 사용자 프로파일 정보를 활용하여 컨텐트 정보를 추천하는 데 중점을 두고 있으며, CRM(Customer Relationship Management)등의 정적인 환경에서 정제된 데이터를 입력받는 것을 가정한다.
종래 많이 사용되고 있는 개인화 기법으로는 내용기반(content-based)과 협업(collaborative) 필터링이 있고, 이들 대부분이 사용자에 대한 사전 정보 혹은 추천 아이템에 대한 세부 정보를 필요로 한다. 하지만 서비스 공급자가 제공하는 서비스에 대한 메타 정보가 충분히 정의되어 있지 않고 보안이나 프라이버시 등으로 인하여 사용자들에 대한 사전 정보 수집이 어려워 기존 방법으로는 개인화 서비스를 제공하는 데 한계가 있다.
본 발명은 이 같은 배경에서 도출된 것으로, 사용자에 대한 사전 정보 혹은 추천 대상에 대한 구체적인 세부 정보를 필요로 하지 않으면서 사용자에게 개인화된 컨텐츠 서비스를 제공할 수 있는 기술적 방안을 제공함을 목적으로 한다.
전술한 기술적 과제를 달성하기 위한 본 발명의 사용자 서비스 이용 패턴 모델링 장치는, 사용자의 상태 정보를 구성하는 컨텍스트별 서비스들이 쌍으로 구성되며, 각각의 쌍에 대해 학습값이 기록되는 사용자 모델이 저장된 사용자 모델 데이터베이스; 사용자에 의해 선택된 서비스 정보를 수집하는 서비스 정보 수집부; 사용자의 상태 정보를 수집하는 상태 정보 수집부; 및 사용자에 의해 선택된 서비스 정보와 사용자의 서비스 이용시의 상태 정보를 기반으로 사용자의 서비스 이용 패턴을 학습하고, 학습 결과에 따라 상기 사용자 모델에서 해당하는 적어도 하나의 컨텍스트-서비스 쌍에 대한 학습값을 갱신하는 학습부;를 포함한다.
상기 사용자 서비스 이용 패턴 모델링 장치는, 상기 상태 정보 수집부에 의해 수집된 사용자의 현재 상태에 따라 상기 사용자 모델로부터 사용자가 이용할 것으로 예측되는 서비스 예측 테이블을 생성하고, 생성된 서비스 예측 테이블에 따라 서비스를 추천하는 추천부;를 더 포함한다.
한편, 전술한 기술적 과제를 달성하기 위한 본 발명의 사용자 서비스 이용 패턴 모델링 방법은, 사용자에 의해 선택된 서비스 정보와 사용자의 서비스 선택시 의 적어도 하나의 컨텍스트로 이루어지는 상태 정보를 수집하는 단계; 상기 수집된 정보를 기반으로 사용자의 서비스 이용 패턴을 학습하는 단계; 및 학습 결과에 따라 컨텍스트별 서비스 쌍으로 구성되는 사용자 모델에서 해당되는 컨텍스트-서비스 쌍에 대한 학습값을 갱신하는 단계;를 포함한다.
상기 사용자 서비스 이용 패턴 모델링 방법은, 상기 학습 단계 이전에 상기 수집된 상태 정보를 가지고 도메인을 결정하는 단계;를 더 포함하며, 상기 학습값을 갱신하는 단계는 상기 결정된 도메인에 대응되는 컨텍스트 프로파일에 정의된 보상값을 이용하여 해당되는 컨텍스트-서비스 쌍에 대한 학습값을 갱신한다.
상기 사용자 서비스 이용 패턴 모델링 방법은, 사용자의 현재 상태에 따라 상기 사용자 모델로부터 사용자가 이용할 것으로 예측되는 서비스 예측 테이블을 생성하는 단계; 및 상기 생성된 서비스 예측 테이블에 따라 서비스를 추천하는 단계;를 더 포함한다.
상기 사용자 서비스 이용 패턴 모델링 방법은, 상기 추천된 서비스에 대한 사용자의 이용 여부를 피드백 받는 단계; 및 상기 피드백 결과에 따라 상기 사용자 모델에서 해당되는 컨텍스트-서비스 쌍에 대한 학습값을 갱신하는 단계;를 더 포함한다.
본 발명은 사용자와의 상호작용을 통해 사용자의 서비스 이용 패턴을 학습함으로써, 사용자에게 개인화된 능동적인 서비스 추천을 가능하게 한다. 학습 단계에서 컨텍스트-서비스로 구성된 사용자 모델링 정보를 가지고, 각 상태에서 사용자 의 서비스 이용에 대한 보상값을 결정하고 학습한다. 상태 정보의 유연성을 제공하기 위하여 상태는 시간, 장소 등의 사용자의 환경 내에 설치된 센서들로부터 추출한 컨텍스트들로 구성한다. 다양한 환경을 그룹핑한 도메인 개념을 도입함으로써, 도메인별로 컨텍스트 프로파일을 구성하고, 사용자는 도메인에 따른 컨텍스트-서비스의 이차원 정보를 가진다. 서비스 추천시, 해당 도메인을 먼저 결정하고 도메인하에 접근 가능한 컨텍스트 집합을 뽑아 전체 상태 집합의 부분 집합으로 추천이 가능하다. 즉, 현재 가능한 컨텍스트와 서비스 쌍으로 구성한 사용자 모델을 학습을 통하여 구성함으로써, 특정 환경에 고정되지 않고 상태 정보의 추가 및 삭제가 용이하며, 추천이 필요한 상황에서 액세스 가능한 상황 정보만으로 서비스를 추천할 수 있다는 장점을 가진다.
전술한, 그리고 추가적인 본 발명의 양상들은 첨부된 도면을 참조하여 설명되는 바람직한 실시예들을 통하여 더욱 명백해질 것이다. 이하에서는 본 발명을 이러한 실시예를 통해 당업자가 용이하게 이해하고 재현할 수 있도록 상세히 설명하기로 한다.
도 1은 본 발명에 따른 사용자 서비스 이용 패턴 모델링을 위한 시스템 구성도이다.
사용자 서비스 이용 패턴 모델링 장치(이하 ‘모델링 서버’라 한다)(100)는 다수의 사용자 단말(200)들과 네트워크 통신이 가능하다. 일 실시예에 있어서, 모델링 서버(100)와 사용자 단말(200) 간의 통신은 TCP/IP(Transport Control Protocol/Internet Protocol) 혹은 UDP(User Datagram Protocol)에 따른다. 그러나 이에 한정되지는 않는다. 모델링 서버(100)는 다수의 사용자 단말(200)들로 본 발명에 따른 서비스 이용 패턴 모델링을 제공한다. 구체적으로 모델링 서버(100)는 사용자 단말(200)로부터 제공되는 사용자가 이용하고자 하는 서비스 선택 정보 및 그 서비스 선택시 사용자의 상태(situation) 정보를 가지고 사용자의 서비스 이용 패턴을 학습하며, 학습 결과를 기반으로 사용자의 현재 상태(current situation)에 적합한 서비스를 해당 사용자 단말(200)로 추천한다.
사용자 단말(200)은 휴대폰, PDA 등이 될 수 있으며, 그 종류에 특별한 제한은 없다. 사용자 단말(200)에는 모델링 서버(100)와 통신하기 위한 응용프로그램이 설치된다. 이 응용프로그램은 네트워킹을 통하여 모델링 서버(100)로 사용자의 현재 상태(current situation) 정보와 사용자가 선택한 서비스 정보를 모델링 서버(100)에 제공하고, 모델링 서버(100)로부터 사용자의 현재 상태에 따라 적합한 서비스를 추천받아 사용자에게 알려주는 역할을 한다.
좀 더 구체적으로 설명하면, 사용자 단말(200)에 설치된 응용프로그램은 사용자의 조작에 의해 선택된 서비스(예를 들어 DMB 시청, 라디오 듣기, MP3 재생, 인터넷 접속 등) 정보를 획득하고, 또한 사용자의 서비스 선택시 사용자의 상태 정보를 획득한다. 여기서 사용자의 상태 정보라 함은 사용자의 현재 환경을 나타내는 정보로써, 사용자의 위치(location), 사용자의 활동(activation), 현재 시간(time) 등을 예로 들 수 있다. 주거 공간을 예로 들면, 주거 공간에는 노이즈(Noise) 센서, RFID 센서, 바이오 센서, 온도/습도를 측정하는 물리적인 환경 센 서들(Physical Environment Sensors)가 설치되며, 사용자 단말(200)은 이들로부터 상태 정보를 획득하는 것이다. 이 같이 사용자 단말(200)의 응용프로그램은 사용자에 의해 선택된 서비스 정보 및 서비스 선택시의 상태 정보를 획득하고, 획득된 서비스 정보 및 상태 정보를 모델링 서버(100)로 전송한다. 또한 사용자 단말(200)은 모델링 서버(100)로부터 추천된 서비스를 화면 디스플레이를 통해 사용자에게 알려주며, 사용자가 추천된 서비스를 선택하면 해당 서비스를 직접 제공하거나 아니면 외부에 요청하여 제공한다.
도 2는 사용자 모델 학습을 위한 컨텍스트 프로파일의 자료 구조이며, 도 3은 자료 예시도이다.
모델링 서버(100)는 컨텍스트-서비스 쌍으로 구성된 사용자 모델 정보를 학습한다. States는 사용자 단말(200)이 획득 가능한 컨텍스트들의 집합으로 구성된다. 따라서 사용자 모델을 학습하기 위해서는 컨텍스트가 가지는 값들에 대한 정보가 필요하다. 이를 컨텍스트 프로파일이라고 정의한다. 도 2는 컨텍스트 프로파일의 내용을 나타낸다. Attributes(ci)는 컨텍스트 ci가 가지는 속성값으로, 이산값을 가지는 경우와 연속값을 가지는 경우로 구분된다고 가정한다. 다음은 사용자 액티비티(Activity), 장소(Location), 시간의 컨텍스트 값들에 대한 속성값을 표현한 것이다. 액티비티와 장소의 경우는 이산값을 가지는 경우에 해당되고, 시간의 경우는 연속적인 데이터를 표현한 것으로 최소값과 최대값을 속성값으로 갖는 다. 참고로 온도, 습도와 같은 환경정보도 연속값을 가지는 경우에 해당된다. 연속값을 가지는 경우는 이산값으로 매핑하기 위한 정규화 방식이 필요하다.
보상값(Reward)은 사용자의 서비스 이용 패턴에 대한 학습의 결과로 사용자 모델에 반영되어야 할 값이다. 바람직하게 보상값은 사용자가 서비스를 선택한 경우, 사용자가 추천된 서비스를 이용한 경우, 사용자가 추천된 서비스를 이용하지 않은 경우로 나뉜다. 사용자가 서비스를 선택한 경우의 보상값을 Selection-rs, 사용자가 추천된 서비스에 긍정적인 반응을 보인 경우의 보상값을 Positive Feedback-rp, 사용자가 추천된 서비스에 부정적인 반응을 보인 경우의 보상값을 Negative Feedback-rn로 정의한다. 보상값은 도메인별로 달리 설정할 수 있게 하기 위해 컨텍스트 프로파일에 추가함이 바람직하다. 컨텍스트 프로파일은 하나가 아니라 도메인별로 하나씩 존재할 수 있기 때문이다. 여기서 도메인은 모든 환경을 모델링한 것이 아니라 여러 공간을 개념화한 것으로, [집, 차 안, 밖]의 3가지 정도로 모델링이 될 수 있다.
도 4는 사용자 모델 생성 및 학습 방법의 흐름도이다.
모델링 서버(100)는 사용자에 의해 선택된 서비스 정보와 사용자의 서비스 선택시의 상태 정보를 수집한다(단계 S400). 여기서 상태 정보는 적어도 하나의 컨텍스트로 구성된다. 모델링 서버(100)는 수집된 사용자의 상태 정보를 바탕으로 도메인을 결정한다(단계 S410). 그리고 결정된 도메인에 해당하는 컨텍스트 프로파일을 해석하여 해석된 컨텍스트 프로파일에 정의된 컨텍스트-서비스 쌍이 모두 사용자 모델에 존재하는지 아닌지를 판단한다(단계 S420)(단계 S430). 일부 컨텍스트-서비스 쌍이 사용자 모델에 없으면, 해당 컨텍스트-서비스 쌍을 새로 만들고 그 학습값을 초기화한다(단계 S440)(단계 S450). 컨텍스트 프로파일들 각각에 정의된 컨텍스트와 서비스가 다를 수 있으므로, 단계 S420 내지 단계 S450이 수행되는 것이다. 물론 도메인이 나뉘어 있지 않은 경우에는 도메인을 결정할 필요가 없으므로, 최초에 고유하게 제공되는 컨텍스트 프로파일을 해석하여 컨텍스트-서비스 쌍들로 구성되는 상황인식 사용자 모델(C-TBL)을 생성하면 추가로 컨텍스트-서비스 쌍을 구성할 일은 없다.
사용자 모델[C-TBL]은 컨텍스트별 서비스들이 쌍으로 구성된다. 그리고 바람직하게 사용자 모델은 각 컨텍스트마다 하나씩 구성된다. 따라서 만약 [액티비티, 위치, 시간]과 같이 상태가 3가지 컨텍스트로 구성된다고 가정하면, 위치-서비스 쌍이 이미 다른 컨텍스트 프로파일에 의하여 존재하는 경우 다시 만들지 않는다. 즉, 존재하지 않는 컨텍스트-서비스 쌍만 추가하고 초기화한다. 그리고 사용자가 명시적으로 요청한 서비스에 따라 사용자 모델을 갱신한다(단계 S460).
예를 들어, 사용자가 아침 7시(c3)에 일어나서(c2: Wakeup) 침실(c1: Bedroom)에서 뉴스 서비스(ac1: ListeningNews)를 요청하였다고 가정하자. 그러면 모델링 서버(100)는 해당 컨텍스트 프로파일에 정의된 보상값(Selection-rs)으로 사용자 모델을 갱신한다. 즉, C-TBL[c1][ac1]과 C-TBL[c2][ac1]의 학습값을 갱신하고, 시간 정보에 대해서는 정규화 과정을 거쳐 C-TBL[c3][ac1]의 학습값을 갱신한다. 이때 사용되는 식은 다음과 같다.
for each ci in C-TBL[ai, k(t)][ac(t)] do
C-TBL[ai, k][ac(t)]←C-TBL[ai, k(t)][ac(t)] + γR(t)
where γ is the discount factor and ci∈State
도 5는 사용자 서비스 추천 방법의 흐름도이다.
모델링 서버(100)는 사용자 단말(200)로부터 사용자 식별자 및 액세스 가능한 현재 상태 정보를 수신한다(단계 S500). 그리고 사용자에게 개인화 서비스 추천을 위해 사용자 모델(C-TBL)로부터 사용자의 현재 상태에 적합한 서비스 예측 테이블(P-TBL)을 생성한다(단계 S510). P-TBL은 사용자의 현재 상태에 속하는 컨텍스트 각각에 대해 선호 행동 정보를 갖는다. ai∈Attributes(ci)이고, 현재 상태를 cs(current situation)로 가정하면 ci∈cs이며, 다음은 P-TBL 계산식이다.
Figure 112008075542577-PAT00001
M(cs)는 C-TBL을 이용하여 P-TBL을 구성할 때, 각 값들을 0~1 사이의 값을 갖도록 정규화하기 위한 것이다. wi는 ci에 대한 사용자별 가중치를 나타낸다. 일반적으로 동일한 wi값을 설정할 수 있지만, 사용자의 특성에 따른 각 컨텍스트의 중요도를 달리하기 위해서 컨텍스트의 엔트로피를 계산한다. 컨텍스트의 엔트로피는 서비스를 선택하는데 필요한 정보의 이득(information gain)을 제공한다. p(I)는 S 에서 ActionClass I에 속할 비율을 의미한다.
Figure 112008075542577-PAT00002
예를 들어 S가 ac1과 ac2의 두 개의 클래스로 구성되는 집합이 있을 때, 집합 내의 모든 개체 수에 대한 ac1 클래스에 속하는 개체 수의 비율을 p(ac1)이라고 가정한다. 마찬가지로 ac2 클래스에 대한 p(ac2)가 있다. 그러면 엔트로피는 -p(ac1)log2(p(ac1)) - p(ac2)log2(p(ac2))에 의해 계산된다. 계산된 엔트로피를 가지고 특정 컨텍스트에 대한 정보 이득 값을 구한다. Gain(ck)는 컨텍스트 ck에 대한 정보 이득 값이다. Sv는 ck가 가질 수 있는 모든 속성에 대한 값을 나타낸다. 계산된 컨텍스트들의 정보 이득 값을 각 컨텍스트가 갖는 가중치(wi)에 적용한다. 컨텍스트가 많을 경우에는 정보 이득 값에 근거하여 컨텍스트의 중요도에 대한 순위를 매길 수 있으며, 서비스 선택에 영향을 미치는 컨텍스트를 선택할 수 있게 된다.
Figure 112008075542577-PAT00003
가중치를 적용하여 현재 상태에 대한 P-TBL[ack]을 구하고, 가장 큰 값을 가지는 P-TBL[ack]에 해당하는 서비스를 추천하거나 큰 값의 순서대로 우선순위를 적용하여 추천 서비스 리스트를 제공한다(단계 S520).
도 6은 추천 서비스 피드백에 따른 학습 방법의 흐름도이다.
도 5에 따른 추천 서비스에 대해 사용자가 선택하거나 거부하면, 모델링 서버(100)는 이를 피드백 받는다(단계 S600). 그리고 피드백 결과를 학습하여 사용자 모델을 갱신한다(단계 S610). 즉, 즉, 모델링 서버(100)는 해당 컨텍스트 프로파일에 정의된 보상값(Positive Feedback-rp 혹은 Negative Feedback-rn)으로 사용자 모델을 갱신한다. 사용자가 추천 서비스를 이용한 경우는 Positive Feedback-rp 값으로 사용자 모델을 갱신하며, 추천 서비스를 이용하지 않은 경우는 Negative Feedback-rn 값으로 사용자 모델을 갱신한다.
도 7은 본 발명에 따른 모델링 서버(100)의 블록도이다.
사용자 프로파일부(700)에는 사용자별 사용자에 대한 구체적인 정보, 예를 들어, 사용자의 직업, 나이, 성별, 사용자 식별을 위한 식별자 등의 사용자 프로파일이 저장된다. 나아가 사용자 프로파일에는 사용자가 서비스 선택시 고려하는 컨텍스트들 각각의 중요도, 즉 가중치에 대한 정보가 더 저장될 수 있다.
컨텍스트 프로파일부(710)에는 적어도 하나의 컨텍스트 프로파일이 저장된다. 컨텍스트 프로파일은 도 2에 도시된 바와 같이 상태를 표현하는 다수의 컨텍스트들, 각 컨텍스트의 속성, 및 다수의 서비스들에 대한 정보를 정의한다. 그리고 도메인별로 다른 컨텍스트 프로파일을 적용하는 경우, 컨텍스트 프로파일부(710)에는 각각이 도메인에 1:1 대응되는 다수의 컨텍스트 프로파일들이 저장된 다.
서비스 정보 수집부(730)는 사용자에 의해 선택된 서비스 정보를 수집한다. 그리고 상태 정보 수집부(740)는 사용자의 상태 정보를 수집한다. 바람직하게 사용자 단말(200)은 사용자에 의해 서비스가 선택될 때, 선택된 서비스 정보와 함께 상태 정보를 모델링 서버(100)로 전송한다. 이에 의해 모델링 서버(100)에서는 선택된 서비스 정보 및 그에 동기화된 사용자의 상태 정보를 동시에 수집할 수 있게 된다. 아니면 모델링 서버(100)에서 사용자 단말(200)의 상태를 지속적으로 모니터링함으로써, 사용자가 서비스를 선택할 때의 상태를 파악할 수도 있다. 사용자 모델 데이터베이스(720)에는 사용자별 사용자 모델(C-TBL)이 저장된다. 사용자 모델은 컨텍스트-서비스 쌍으로 구성되며, 각 쌍에 학습값이 반영된다. 예를 들어, 사용자 모델은 위치-서비스, 액티비티-서비스, 시간-서비스 쌍으로 구성되며, 학습부(750)의 학습에 의해 학습값이 반영된다.
학습부(750)는 서비스 정보 수집부(730)에 의해 수집된 서비스 정보 및 상태 수집부(740)에 의해 수집된 사용자의 서비스 선택시 상태 정보를 가지고 학습한다. 우선, 상태 정보를 이루는 적어도 하나의 컨텍스트를 바탕으로 도메인을 결정한다. 그리고 결정된 도메인에 대응되는 컨텍스트 프로파일을 참조하여 사용자의 서비스 이용 패턴을 학습하며, 학습 결과를 컨텍스트 프로파일에 저장된 보상값을 이용하여 사용자 모델의 해당되는 컨텍스트-서비스 쌍의 학습값을 갱신한다.
한편, 사용자 모델로 관리되는 사용자의 학습 결과가 소정의 기준치를 넘어선 경우, 즉 사용자에 대해 충분히 학습되었다고 판단되는 기준치를 넘어선 경우, 추천부(760)는 사용자가 현재 상태에서 보편적으로 잘 이용하던 서비스를 파악하여 사용자에게 서비스를 추천한다. 구체적으로 추천부(760)는 사용자 모델을 가지고 사용자의 현재 상태에서 사용자가 이용할 것으로 예측되는 서비스 예측 테이블(P-TBL)을 생성하고, 생성된 서비스 예측 테이블을 가지고 서비스를 추천한다. 바람직하게 컨텍스트별 가중치를 반영하여 서비스 예측 테이블을 생성할 수 있다. 컨텍스트별 가중치를 산출하는 방식은 전술한 바와 같다. 아니면 사용자 프로파일부(700)에 저장된 컨텍스트별 가중치를 반영하여 서비스 예측 테이블을 생성할 수도 있다.
한편, 서비스 추천이 이루어지면, 학습부(750)는 사용자의 추천 서비스 이용 여부에 대한 피드백을 받아 학습한다. 전술하였듯이, 학습부(750)는 사용자의 추천 서비스 이용 여부에 따라 컨텍스트 프로파일에 정의된 보상값(Positive Feedback-rp 혹은 Negative Feedback-rn)으로 사용자 모델을 갱신한다.
그리고 전술한 예에서는 사용자 단말(200)에서 모든 상태 정보를 수집하여 모델링 서버(100)로 제공하는 것으로 설명하였으나, 이와 달리 모바일 서버(100)가 사용자 단말(200)에서 수집 가능한 상태 정보는 사용자 단말(200)로부터 제공받되 유비쿼터스 환경 하에서 사용자 단말(200)에 대한 상태 정보를 외부 센서들로부터 직접 획득할 수도 있다.
이제까지 본 발명에 대하여 그 바람직한 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본 질적인 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 본 발명에 따른 사용자 서비스 이용 패턴 모델링을 위한 시스템 구성도.
도 2는 사용자 모델 학습을 위한 컨텍스트 프로파일의 자료 구조도.
도 3은 컨텍스트 프로파일의 자료 예시도.
도 4는 사용자 모델 생성 및 학습 방법의 흐름도.
도 5는 사용자 서비스 추천 방법의 흐름도.
도 6은 추천 서비스 피드백에 따른 학습 방법의 흐름도.
도 7은 본 발명에 따른 모델링 서버의 블록도.

Claims (20)

  1. 사용자의 상태 정보를 구성하는 컨텍스트별 서비스들이 쌍으로 구성되며, 각각의 쌍에 대해 학습값이 기록되는 사용자 모델이 저장된 사용자 모델 데이터베이스;
    사용자에 의해 선택된 서비스 정보를 수집하는 서비스 정보 수집부;
    사용자의 상태 정보를 수집하는 상태 정보 수집부; 및
    사용자에 의해 선택된 서비스 정보와 사용자의 서비스 이용시의 상태 정보를 기반으로 사용자의 서비스 이용 패턴을 학습하고, 학습 결과에 따라 상기 사용자 모델에서 해당하는 적어도 하나의 컨텍스트-서비스 쌍에 대한 학습값을 갱신하는 학습부;
    를 포함하는 것을 특징으로 하는 사용자 서비스 이용 패턴 모델링 장치.
  2. 제1항에 있어서,
    상기 상태 정보를 이루는 컨텍스트들 중 적어도 하나는, 위치, 시간, 액티비티 정보 중 하나임을 특징으로 하는 사용자 서비스 이용 패턴 모델링 장치.
  3. 제1항에 있어서,
    다수의 컨텍스트들, 각 컨텍스트의 속성, 및 다수의 서비스들에 대한 정보가 정의된 컨텍스트 프로파일이 저장된 컨텍스트 프로파일부;를 더 포함하며,
    상기 학습부는, 상기 컨텍스트 프로파일부에 저장된 컨텍스트 프로파일에 기반하여 상기 사용자 모델을 구성하고 학습 결과에 따라 해당하는 컨텍스트-서비스 쌍에 대한 학습값을 갱신함을 특징으로 하는 사용자 서비스 이용 패턴 모델링 장치.
  4. 제3항에 있어서,
    상기 컨텍스트 프로파일부는, 도메인별 대응되는 컨텍스트 프로파일이 저장되며,
    상기 학습부는, 상기 사용자의 서비스 이용시의 상태 정보를 가지고 도메인을 결정하며, 결정된 도메인에 대응되는 컨텍스트 프로파일을 이용함을 특징으로 하는 사용자 서비스 이용 패턴 모델링 장치.
  5. 제1항에 있어서,
    상기 상태 정보 수집부에 의해 수집된 사용자의 현재 상태에 따라 상기 사용자 모델로부터 사용자가 이용할 것으로 예측되는 서비스 예측 테이블을 생성하고, 생성된 서비스 예측 테이블에 따라 서비스를 추천하는 추천부;
    를 더 포함하는 것을 특징으로 하는 사용자 서비스 이용 패턴 모델링 장치.
  6. 제5항에 있어서,
    상기 추천부는, 서비스별로 사용자의 현재 상태에 속하는 컨텍스트들에 기록 된 모든 학습값을 합하고, 그 결과를 나타내는 서비스 예측 테이블을 생성함을 특징으로 하는 사용자 서비스 이용 패턴 모델링 장치.
  7. 제6항에 있어서,
    상기 추천부는, 사용자의 현재 상태를 나타내는 컨텍스트 각각에 대해 가중치를 달리하여 컨텍스트-서비스 쌍에 기록된 학습값에 반영하여 서비스 예측 테이블을 생성함을 특징으로 하는 사용자 서비스 이용 패턴 모델링 장치.
  8. 제7항에 있어서,
    상기 추천부는, 상기 사용자 모델을 가지고 컨텍스트 각각에 대한 가중치를 나타내는 이득 값을 산출하고, 산출된 컨텍스트별 이득 값을 상기 사용자의 현재 상태를 나타내는 컨텍스트별 가중치로써 해당 컨텍스트-서비스 쌍에 기록된 학습값에 반영함을 특징으로 하는 사용자 서비스 이용 패턴 모델링 장치.
  9. 제7항에 있어서,
    사용자별 컨텍스트 각각에 대한 가중치 정보가 저장된 사용자 프로파일부;를 더 포함하며,
    상기 추천부는, 상기 사용자 프로파일부에 저장된 컨텍스트별 가중치를 해당 컨텍스트-서비스 쌍에 기록된 학습값에 반영함을 특징으로 하는 사용자 서비스 이용 패턴 모델링 장치.
  10. 제9항에 있어서,
    상기 사용자 프로파일부에 저장된 컨텍스트들에 대한 가중치 정보는 서비스별로 저장됨을 특징으로 하는 사용자 서비스 이용 패턴 모델링 장치.
  11. 제5항에 있어서,
    상기 학습부는, 상기 추천된 서비스에 대한 사용자의 이용 여부를 학습하여 상기 사용자 모델에 반영함을 특징으로 하는 사용자 서비스 이용 패턴 모델링 장치.
  12. 제11항에 있어서,
    상기 학습부는, 사용자가 능동적으로 서비스를 선택한 경우의 제1보상값, 사용자가 사용자가 추천된 서비스를 긍정한 경우의 제2보상값, 및 사용자가 추천된 서비스를 부정한 경우의 제3보상값 중 해당되는 보상값으로 상기 사용자 모델의 해당 학습값을 갱신함을 특징으로 하는 사용자 서비스 이용 패턴 모델링 장치.
  13. 제11항에 있어서,
    다수의 컨텍스트들, 각 컨텍스트의 속성, 다수의 서비스들, 및 상기 사용자 모델의 학습값을 갱신하기 위해 이용되는 적어도 하나의 보상값에 대한 정보가 정의되며, 도메인별로 일대일 대응되는 컨텍스트 프로파일들이 저장된 컨텍스트 프로 파일부;를 더 포함하며,
    상기 학습부는, 상기 사용자의 서비스 이용시의 상태 정보를 가지고 도메인을 결정하며, 결정된 도메인에 대응되는 컨텍스트 프로파일에 기반하여 상기 사용자 모델을 구성하고 학습 결과에 따라 해당 보상값으로 해당하는 컨텍스트-서비스 쌍에 대한 학습값을 갱신함을 특징으로 하는 사용자 서비스 이용 패턴 모델링 장치.
  14. 제13항에 있어서,
    상기 보상값들은 도메인별로 대응되는 컨텍스트 프로파일에 다르게 설정됨을 특징으로 하는 사용자 서비스 이용 패턴 모델링 장치.
  15. 제13항에 있어서,
    상기 컨텍스트 프로파일에 정의된 보상값은 사용자가 서비스를 능동적으로 선택한 경우의 제1보상값, 사용자가 추천된 서비스를 긍정한 경우의 제2보상값, 및 사용자가 추천된 서비스를 부정한 경우의 제3보상값이며,
    상기 학습부는, 상기 사용자가 서비스 정보를 능동적으로 선택한 경우는 상기 제1보상값으로 상기 사용자 모델을 갱신하고, 상기 사용자가 추천된 서비스를 긍정한 경우는 제2보상값으로 상기 사용자 모델을 갱신하며, 상기 사용자가 추천된 서비스를 부정한 경우는 제3보상값으로 상기 사용자 모델을 갱신함을 특징으로 하는 사용자 서비스 이용 패턴 모델링 장치.
  16. 사용자에 의해 선택된 서비스 정보와 사용자의 서비스 선택시의 적어도 하나의 컨텍스트로 이루어지는 상태 정보를 수집하는 단계;
    상기 수집된 정보를 기반으로 사용자의 서비스 이용 패턴을 학습하는 단계; 및
    학습 결과에 따라 컨텍스트별 서비스 쌍으로 구성되는 사용자 모델에서 해당되는 컨텍스트-서비스 쌍에 대한 학습값을 갱신하는 단계;
    를 포함하는 것을 특징으로 하는 사용자 서비스 이용 패턴 모델링 방법.
  17. 제16항에 있어서,
    상기 학습 단계 이전에 상기 수집된 상태 정보를 가지고 도메인을 결정하는 단계;를 더 포함하며,
    상기 학습값을 갱신하는 단계는, 상기 결정된 도메인에 대응되는 컨텍스트 프로파일에 정의된 보상값을 이용하여 해당되는 컨텍스트-서비스 쌍에 대한 학습값을 갱신함을 특징으로 하는 사용자 서비스 이용 패턴 모델링 방법.
  18. 제16항에 있어서,
    상기 학습 단계 이전에 상기 결정된 도메인에 대응되는 컨텍스트 프로파일을 해석하여 상기 컨텍스트 프로파일에 정의된 적어도 하나의 컨텍스트-서비스 쌍이 상기 사용자 모델에 구성되어 있는지 확인하는 단계; 및
    상기 사용자 모델에 구성되어 있지 않으면, 해당 컨텍스트-서비스 쌍을 상기 사용자 모델에 추가로 구성하는 단계;
    를 더 포함하는 것을 특징으로 하는 사용자 서비스 이용 패턴 모델링 방법.
  19. 제16항에 있어서,
    사용자의 현재 상태에 따라 상기 사용자 모델로부터 사용자가 이용할 것으로 예측되는 서비스 예측 테이블을 생성하는 단계; 및
    상기 생성된 서비스 예측 테이블에 따라 서비스를 추천하는 단계;
    를 더 포함하는 것을 특징으로 하는 사용자 서비스 이용 패턴 모델링 방법.
  20. 제19항에 있어서,
    상기 추천된 서비스에 대한 사용자의 이용 여부를 피드백 받는 단계; 및
    상기 피드백 결과에 따라 상기 사용자 모델에서 해당되는 컨텍스트-서비스 쌍에 대한 학습값을 갱신하는 단계;
    를 더 포함하는 것을 특징으로 하는 사용자 서비스 이용 패턴 모델링 방법.
KR1020080107149A 2008-10-30 2008-10-30 사용자 서비스 이용 패턴 모델링 장치 및 방법 KR20100048127A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020080107149A KR20100048127A (ko) 2008-10-30 2008-10-30 사용자 서비스 이용 패턴 모델링 장치 및 방법
US12/497,731 US20100114803A1 (en) 2008-10-30 2009-07-06 Apparatus and method for modeling user's service use pattern

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020080107149A KR20100048127A (ko) 2008-10-30 2008-10-30 사용자 서비스 이용 패턴 모델링 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20100048127A true KR20100048127A (ko) 2010-05-11

Family

ID=42132659

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020080107149A KR20100048127A (ko) 2008-10-30 2008-10-30 사용자 서비스 이용 패턴 모델링 장치 및 방법

Country Status (2)

Country Link
US (1) US20100114803A1 (ko)
KR (1) KR20100048127A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150094346A (ko) * 2014-02-11 2015-08-19 한국전자통신연구원 사용자 맞춤형 데이터 관리 시스템

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8904241B2 (en) * 2011-07-27 2014-12-02 Oracle International Corporation Proactive and adaptive cloud monitoring
US8812419B1 (en) * 2010-06-12 2014-08-19 Google Inc. Feedback system
US8589319B2 (en) * 2010-12-02 2013-11-19 At&T Intellectual Property I, L.P. Adaptive pairwise preferences in recommenders
US20130054338A1 (en) * 2011-08-25 2013-02-28 Christopher J. Merz Methods and systems for redemption preference profiling of a cardholder within a payment network
US9380039B2 (en) * 2013-03-15 2016-06-28 Google Inc. Systems and methods for automatically logging into a user account
KR101598601B1 (ko) * 2014-05-14 2016-03-02 전자부품연구원 상황 기반 서비스 지원 기술
CN105740268B (zh) * 2014-12-10 2019-04-09 阿里巴巴集团控股有限公司 一种信息推送方法和装置
GB2557674B (en) * 2016-12-15 2021-04-21 Samsung Electronics Co Ltd Automated Computer Power Management System, Apparatus and Methods

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040153373A1 (en) * 2003-01-31 2004-08-05 Docomo Communications Laboratories Usa, Inc. Method and system for pushing services to mobile devices in smart environments using a context-aware recommender
JP3954087B2 (ja) * 2004-02-27 2007-08-08 松下電器産業株式会社 機器制御方法および機器制御装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150094346A (ko) * 2014-02-11 2015-08-19 한국전자통신연구원 사용자 맞춤형 데이터 관리 시스템

Also Published As

Publication number Publication date
US20100114803A1 (en) 2010-05-06

Similar Documents

Publication Publication Date Title
KR20100048127A (ko) 사용자 서비스 이용 패턴 모델링 장치 및 방법
Hussein et al. Towards a dynamic discovery of smart services in the social internet of things
Woerndl et al. Utilizing physical and social context to improve recommender systems
KR100979516B1 (ko) 네트워크 기반 로봇을 위한 서비스 추천 방법 및 서비스추천 장치
Salehi Application of implicit and explicit attribute based collaborative filtering and BIDE for learning resource recommendation
Mehta et al. Ontologically-enriched unified user modeling for cross-system personalization
Gallego et al. Evaluating the impact of proactivity in the user experience of a context-aware restaurant recommender for Android smartphones
Lee et al. Making smartphone service recommendations by predicting users’ intentions: A context-aware approach
Roussaki et al. Context-awareness in wireless and mobile computing revisited to embrace social networking
US20120124136A1 (en) Context information sharing apparatus and method for providing intelligent service by sharing context information between one or more terminals
Otebolaku et al. Context-aware personalization using neighborhood-based context similarity
Thyagaraju Design and implementation of user context aware recommendation engine for mobile using Bayesian network, fuzzy logic and rule base
Nusrat et al. Recommending services in a trust-based decentralized user modeling system
CN105243080B (zh) 基于esb架构的资源感知自适应适配系统
Asif et al. Research issues in personalization of mobile services
Yen et al. Intelligent route generation: discovery and search of correlation between shared resources
Dobre CAPIM: a platform for context-aware computing
Bahmani et al. Ontology-based recommendation algorithms for personalized education
Dobre Context-aware platform for integrated mobile services
Vo et al. Towards context-aware task recommendation
Hoh et al. Context-aware systems—a primer for user-centred services
Diamantini et al. Find the right peers: Building and querying multi-IoT networks based on contexts
Simoes et al. Understanding and predicting human behavior for social communities
Das et al. Energy efficient sensing for managing context and privacy on smartphones
Esseynew et al. Context-aware Technologies and Systems

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E601 Decision to refuse application