KR20100123206A - 인공지능에 기반한 랭킹 분석 방법, 이를 기록한 기록 매체, 그 장치 - Google Patents
인공지능에 기반한 랭킹 분석 방법, 이를 기록한 기록 매체, 그 장치 Download PDFInfo
- Publication number
- KR20100123206A KR20100123206A KR1020090042286A KR20090042286A KR20100123206A KR 20100123206 A KR20100123206 A KR 20100123206A KR 1020090042286 A KR1020090042286 A KR 1020090042286A KR 20090042286 A KR20090042286 A KR 20090042286A KR 20100123206 A KR20100123206 A KR 20100123206A
- Authority
- KR
- South Korea
- Prior art keywords
- user
- time
- information
- analysis
- relationship
- Prior art date
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 31
- 230000000694 effects Effects 0.000 claims description 11
- 238000013500 data storage Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 238000005065 mining Methods 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 13
- 239000000284 extract Substances 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 26
- 230000001186 cumulative effect Effects 0.000 description 11
- 238000013480 data collection Methods 0.000 description 10
- 238000009826 distribution Methods 0.000 description 10
- 230000003542 behavioural effect Effects 0.000 description 6
- 230000008451 emotion Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000007418 data mining Methods 0.000 description 4
- 235000019640 taste Nutrition 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008685 targeting Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0263—Targeted advertisements based upon Internet or website rating
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
인공지능에 기반한 랭킹 분석 방법, 이를 기록한 기록 매체, 그 장치가 개시된다. 본 발명은 인공지능에 기반한 랭킹 분석 방법에 관한 것으로, 유선 또는 무선으로 통신망에 연결된 랭킹 분석 장치가 정보 제공 페이지의 오브젝트별 속성 정보를 분석하는 방법에 있어서, 복수의 오브젝트 각각에 대응하는 복수의 속성들을 정의하는 랭킹 분석 장치가 상기 복수의 속성들 사이의 관계를 설정하는 단계; 상기 정보 제공 페이지에 접속한 사용자에 대해, 상기 복수의 속성들 각각의 가치를 측정하고 상기 복수의 속성들 사이의 관계에 대한 가치를 계산하는 단계; 상기 사용자가 상기 정보 제공 페이지의 객체마다 머문 시간 또는 현재 시간 중 적어도 하나에 기반하여 시간 분석을 수행하여 상기 관계에 대해 계산된 가치에 가중치를 부여하는 단계; 및 상기 가중치가 부여된 가치를 클러스터링 알고리즘에 적용하여 클러스터링 클래스를 추출하는 단계를 포함한다. 본 발명에 의하면, 웹 환경에서 사용자의 시간에 따라 변화하는 성향에 매칭되는 속성의 오브젝트를 실시간으로 추출할 수 있는 추론 엔진을 제공할 수 있고, 이러한 추론 엔진을 이용하는 경우, 패션이나 디지털 컨텐츠 분야에서 개인의 구매 성향을 분석하거나 개인의 성향에 맞는 상품을 제안할 수 있고, 광고의 타겟팅을 실시간의 시장 상황에 맞게 수행하고 온라인 기반 광고를 개인의 성향이나 행태에 적합하도록 구성할 수 있으며, 패션, 디지털 컨텐츠, 광고 등의 분야에서 상품 생산, 마케팅을 위한 정보를 마련하기 위해 들어가는 비용을 줄일 수 있다.
Description
본 발명은 실시간 통계 자료 분석에 관한 것으로, 특히, 웹 환경에서 사용자의 시간에 따라 변화하는 성향에 매칭되는 속성의 오브젝트를 실시간으로 추출할 수 있는 인공지능에 기반한 랭킹 분석 방법, 이를 기록한 기록 매체, 그 장치에 관한 것이다.
인터넷이 등장한 이후 최근 우리나라에서는 정보통신 기술의 발달과 컴퓨터의 보급, 인터넷 기반 기술의 발달 등으로 인해 인터넷을 이용자가 급격히 증가하고 매우 보편화되었다. 이런 상황에서 많은 기업들이 인터넷상에 웹사이트를 개설하여 전 세계의 네티즌들에게 홍보하고 정보를 제공하며, 직접 재화와 서비스를 거래하는 전자상거래(e-commerce)도 매우 일반화되고 있다. 기업들은 사용자들에게 보다 편리한 방법으로 정보를 제공하고 서비스를 제공하고 수익을 창출하기 위해 새로운 방법을 고안하느라 많은 노력을 기울이고 있다.
전자상거래란 재화와 서비스의 거래에 있어 그 전부 또는 일부를 전자문서 및 정보 교환 등 전자적 방식에 의해 처리되는 거래를 말한다. 인터넷을 이용한 전자상거래는 기존의 상거래가 기업에서 소비자에게 상품을 유통시키고 수익을 창출하기 위해 필요한 유통과정, 고객의 수요를 파악하기 위한 영업망, 상품의 진열과 판매를 위한 공간이 필요하며, 관리를 위한 많은 인력이 필요하여 지역적, 시간적, 공간적인 제한을 가지고 있었던 것과 달리 인터넷이라는 가상의 공간에서 상거래를 수행함으로써 지역적, 시간적, 공간적인 제한을 초월하여 유통과정과 유통비용을 획기적으로 줄이는 등의 긍정적 효과를 가지고 있다.
일반적으로 통계에 관한 데이터베이스 또는 데이터베이스를 이용한 마케팅 시스템은 관리자가 직접 설문지를 작성하고 집계한 후 입력하여 내용을 구축하며, 소비자가 입력한 내용은 관리자가 직접 검색 및 조회하여 이에 수동으로 응답하는 형태를 띠고 있다. 또한 통계 및 분석을 하는 데이터베이스 역시 구조적으로 저장과 출력을 하고 통계에 대한 결과만을 출력할 뿐 개인에게 적절한 상품을 제시하거나 소비자 요구분석 및 유행 분석 기능 등의 인공지능을 가지고 반응하지는 못한다. 게다가 패션 분야는 개인의 취향과 성향 및 물품이 활용되는 상황에 있어 많은 감성의 차이와 수많은 경우의 수가 존재하며, 이를 수동적으로 반응하여 소비자에게 응답하기 위해서는 관리자가 자체적으로 많은 정보와 지식을 가지지 않으면 불가능할 뿐만 아니라, 이에 따른 많은 인력이 소요된다. 단순히 감성 항목별로 경우의 수를 대비해 구성된 데이터베이스의 경우도 있으나, 이는 소비자의 성향이 매우 다양하며 변화가 심한 패션분야의 결과 예측에는 적용시키기가 매우 어렵고 오차가 생길 수 있는 확률이 매우 크다.
특히, 현재 일반적인 통계 시스템은 시스템 외적으로 설문지 조사 등의 규격화된 반응을 통해 데이터를 수집하며, 구체적인 언어로 표현되어지지 않는 인간 감성에 대한 설문은 아예 불가능한 상태이다. 이에 따라 개인 감성에 의해 구매가 일어나는 패션이나 디지털 컨텐츠 분야의 경우에는 개인의 구매 성향을 분석하거나 나아가 개인의 성향에 맞는 상품을 제안하는 것이 매우 어렵다. 또한 패션이나 디지털 컨텐츠 분야의 매 시즌 빠르게 변화하는 시장에 대응하기 위해서 지속적인 설문 조사를 벌이기에는 많은 시간 및 비용이 요구되고 규격화된 설문으로는 소비자의 감성을 파악하기 어려워 정확도에서도 신빙성이 부족해질 수 밖에 없다. 따라서 현재는 패션이나 디지털 컨텐츠 분야에서 상품 생산 및 판매를 위한 정보의 제공은 전문 인력의 예측에 의한 방법에 전적으로 의존하고 있는 실정이다.
한편, 대화식 미디어를 통한 광고는 최근 대중적이 되었다. 인터넷을 이용하는 사람의 수가 폭발적으로 증가됨에 따라, 광고자들은 광고를 위한 잠재적이고 강력한 방법으로 인터넷을 통해 제공되는 미디어 및 서비스들을 인식하게 되었다. 광고자들은 광고의 가치를 최대화하기 위한 시도에서 몇 가지 전략들을 개발하였다. 첫 번째 전략은 광고자들이 많은 사용자를 보유한 웹사이트들을 대화식 미디어나 서비스를 제공하는 수단으로 이용하는 것이다. 이 경우, 광고자는 예를 들어, 뉴욕 타임즈 웹 사이트, 또는 USA 투데이 웹 사이트의 홈 페이지 상에 광고들을 위치시킬 수 있다. 두 번째 전략에서, 광고자는 자신의 광고들을 더 좁은 틈새시장(niche)의 사용자에 타겟팅함으로써, 사용자에 의한 긍정적인 응답 가능성을 증가시킨다. 예를 들어, 코스타리카 다우림에서의 관광을 판촉하는 에이전시는 야후 웹 사이트의 생태관광-여행 서브디렉토리 상에 광고들을 위치시킬 수 있다. 광고자는 통상적으로 이와 같은 타겟팅 과정을 수작업으로 진행한다. 이러한 방법은 실시간으로 변하는 시장 상황에 적응적일 수 없고 많은 전문 인력을 필요로 한다. 또한, 웹 사이트 기반 광고에서 광고자들이 많은 사용자들에 도달할 수 있을지라도, 종종 자신의 광고 투자에 대한 보답에 불만을 가지게 된다. 기존의 온라인 기반 광고가 개인의 성향이나 행태를 구체적으로 분석하는 것과는 거리가 멀기 때문이다.
본 발명이 이루고자 하는 첫 번째 기술적 과제는 사용자의 시간에 따라 변화하는 성향에 매칭되는 속성의 오브젝트를 실시간으로 추출할 수 있는 인공지능에 기반한 랭킹 분석 방법을 제공하는 데 있다.
본 발명이 이루고자 하는 두 번째 기술적 과제는 상기의 인공지능에 기반한 랭킹 분석 방법이 적용된 인공지능에 기반한 랭킹 분석 장치를 제공하는 데 있다.
상기의 첫 번째 기술적 과제를 이루기 위하여, 본 발명은 유선 또는 무선으로 통신망에 연결된 랭킹 분석 장치가 정보 제공 페이지의 오브젝트별 속성 정보를 분석하는 방법에 있어서, 복수의 오브젝트 각각에 대응하는 복수의 속성들을 정의하는 랭킹 분석 장치가 상기 복수의 속성들 사이의 관계를 설정하는 단계; 상기 정보 제공 페이지에 접속한 사용자에 대해, 상기 복수의 속성들 각각의 가치를 측정하고 상기 복수의 속성들 사이의 관계에 대한 가치를 계산하는 단계; 상기 사용자가 상기 정보 제공 페이지의 객체마다 머문 시간 또는 현재 시간 중 적어도 하나에 기반하여 시간 분석을 수행하여 상기 관계에 대해 계산된 가치에 가중치를 부여하는 단계; 및 상기 가중치가 부여된 가치를 클러스터링 알고리즘에 적용하여 클러스터링 클래스를 추출하는 단계를 포함하는 인공지능에 기반한 랭킹 분석 방법을 제공한다. 여기서, 복수의 오브젝트는 디지털 컨텐츠, 제품 또는 광고 컨텐츠 중 적어도 하나를 포함할 수 있다.
본 발명의 일 실시 예에 따른 인공지능에 기반한 랭킹 분석 방법은 상기 클러스터링 클래스를 추출하기 전에, 상기 정보 제공 페이지에서 상기 사용자의 반응 정보에 기반하여 행태 분석을 수행하여 상기 사용자의 행동 패턴을 추출하는 단계를 더 포함할 수 있다. 이 경우, 상기 클러스터링 클래스를 추출하는 단계는 상기 사용자의 행동 패턴에 기반하여 상기 가중치가 부여된 가치를 데이터 마이닝하는 단계를 포함할 수 있다.
여기서, 반응 정보는 상기 사용자의 로그인 정보, 상기 사용자가 리뷰를 읽은 객체에 대한 정보, 상기 사용자가 구매한 객체에 대한 정보, 상기 사용자의 구매 횟수 정보, 객체마다 머문 시간 정보 또는 상기 사용자가 입력한 게시물 내용 중 적어도 하나를 포함할 수 있다.
또한, 행동 패턴은 상기 사용자의 관심도, 구매력, 구매 성향, 주활동 시간, 구매 시간, 선호 브랜드 또는 선호 날씨 중 적어도 하나를 포함할 수 있다.
본 발명의 다른 실시 예에 따른 인공지능에 기반한 랭킹 분석 방법은 상기 사용자의 행동 패턴을 추출하는 단계에서 상기 랭킹 분석 장치가 미리 정의된 행태 분석 메타데이터를 기준으로 상기 사용자의 행동 패턴을 추출할 수 있다.
본 발명의 또 다른 실시 예에 따른 인공지능에 기반한 랭킹 분석 방법은 상기 복수의 속성들 사이의 관계를 설정하는 단계에서 이전에 속성들 사이에 설정된 관계를 기록한 관계 히스토리 데이터에 기반하여 상기 관계를 설정할 수 있다.
본 발명의 또 다른 실시 예에 따른 인공지능에 기반한 랭킹 분석 방법은 상기 가중치를 부여하는 단계에서 상기 사용자에 대해 누적된 머문 시간 또는 활동 시간 중 적어도 하나를 포함하는 시간 히스토리 데이터에 기반하여 상기 계산된 가치에 부여할 가중치를 결정하는 과정을 포함할 수 있다.
본 발명의 또 다른 실시 예에 따른 인공지능에 기반한 랭킹 분석 방법은 상기 복수의 속성들 사이의 관계를 설정하는 단계 이전에, 복수의 오브젝트 각각에 대응하는 복수의 속성들을 정의하는 랭킹 분석 장치가 질의를 입력받는 단계를 더 포함할 수 있다. 이 경우, 상기 클러스터링 클래스를 추출하는 단계에서 상기 질의에 대응하는 클러스터링 클래스를 추출할 수 있다.
상기의 두 번째 기술적 과제를 이루기 위하여, 본 발명은 복수의 오브젝트 각각에 대응하는 복수의 속성들을 정의하고, 유선 또는 무선으로 통신망에 연결되어, 정보 제공 페이지의 오브젝트별 속성 정보를 분석하는 장치에 있어서, 상기 복수의 속성들 사이의 관계를 설정하는 속성 매칭부; 상기 정보 제공 페이지에 접속한 사용자에 대해, 상기 복수의 속성들 각각의 가치를 측정하고 상기 복수의 속성들 사이의 관계에 대한 가치를 계산하는 가치 측정부; 상기 사용자가 상기 정보 제공 페이지의 객체마다 머문 시간 또는 현재 시간 중 적어도 하나에 기반하여 시간 분석을 수행하여 상기 관계에 대해 계산된 가치에 가중치를 부여하는 시간 분석부; 및 상기 가중치가 부여된 가치를 클러스터링 알고리즘에 적용하여 클러스터링 클래스를 추출하는 클러스터링부를 포함하는 인공지능에 기반한 랭킹 분석 장치를 제공한다.
본 발명의 일 실시 예에 따른 인공지능에 기반한 랭킹 분석 장치는 상기 정보 제공 페이지에서 상기 사용자에 대한 반응 정보에 기반하여 행태 분석을 수행하 여 상기 사용자의 행동 패턴을 추출하는 행태 분석부를 더 포함할 수 있다. 이 경우, 상기 클러스터링부는 상기 사용자의 행동 패턴에 기반하여 상기 가중치가 부여된 가치를 데이터 마이닝할 수 있다.
여기서, 상기 반응 정보는 상기 사용자의 로그인 정보, 상기 사용자가 리뷰를 읽은 객체에 대한 정보, 상기 사용자가 구매한 객체에 대한 정보, 상기 사용자의 구매 횟수 정보, 객체마다 머문 시간 정보 또는 상기 사용자가 입력한 게시물 내용 중 적어도 하나를 포함할 수 있다.
본 발명의 다른 실시 예에 따른 인공지능에 기반한 랭킹 분석 장치는 상기 시간 분석부에서 상기 사용자에 대해 누적된 머문 시간 또는 활동 시간 중 적어도 하나를 기록한 시간 히스토리 데이터에 기반하여 상기 계산된 가치에 부여할 가중치를 결정할 수 있다.
본 발명의 또 다른 실시 예에 따른 인공지능에 기반한 랭킹 분석 장치는 상기 속성 매칭부에서 설정된 관계를 관계 히스토리 데이터로 저장하고, 상기 사용자에 대해 누적된 머문 시간 또는 활동 시간 중 적어도 하나를 포함하는 시간 히스토리 데이터를 저장하며, 상기 추출된 클러스터링 클래스를 저장하는 데이터 저장 모듈을 더 포함할 수 있다.
본 발명의 또 다른 실시 예에 따른 인공지능에 기반한 랭킹 분석 장치는 질의를 입력받아 형태소 분석을 하는 질의 분석부를 더 포함할 수 있다. 이 경우, 상기 클러스터링부는 상기 형태소가 분석된 질의에 대응하는 클러스터링 클래스를 추출할 수 있다.
본 발명에 의하면, 웹 환경에서 사용자의 성향과 각종 오브젝트들의 관계를 분석하며 분석된 결과에 시간 분석에 의한 가중치를 부여함으로써, 사용자의 시간에 따라 변화하는 성향에 매칭되는 속성의 오브젝트를 실시간으로 추출할 수 있는 추론 엔진을 제공할 수 있고, 이러한 추론 엔진을 이용하는 경우, 패션이나 디지털 컨텐츠 분야에서 개인의 구매 성향을 분석하거나 개인의 성향에 맞는 상품을 제안할 수 있고, 광고의 타겟팅을 실시간의 시장 상황에 맞게 수행하고 온라인 기반 광고를 개인의 성향이나 행태에 적합하도록 구성할 수 있으며, 패션, 디지털 컨텐츠, 광고 등의 분야에서 상품 생산, 마케팅을 위한 정보를 마련하기 위해 들어가는 비용을 줄일 수 있다.
이하에서는 도면을 참조하여 본 발명의 바람직한 실시 예를 설명하기로 한다. 그러나, 다음에 예시하는 본 발명의 실시 예는 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 다음에 상술하는 실시 예에 한정되는 것은 아니다.
도 1은 본 발명의 일 실시 예에 따른 인공지능에 기반한 랭킹 분석 장치의 블록도이다.
외부 통계자료 수집부1 내지 3(111-113)은 사용자의 로그인 정보, 사용자가 선택하거나 구매한 객체와 관련된 자료를 수집한다. 이러한 자료 수집 모듈은 랭킹 분석 장치에 내장될 필요는 없고, 인터넷으로 연결된 네트워크 상에서 별도의 중계 장치 형태로 구성될 수도 있다. 외부 통계자료 수집부1 내지 3(111-113)은 객체의 종류에 따라 구분될 수 있는데, 예를 들어, 이들 수집부 각각이 상품, 디지털 컨텐츠, 광고 컨텐츠 각각에 대해 최적화된 형태일 수 있다.
질의 분석부(120)는 외부 통계자료 수집부1 내지 3(111-113)로부터 질의 명령을 수신할 수 있다. 질의 분석부(120)는 인터넷 상에서의 다른 객체와 연결되는 인터페이스의 역할을 수행한다. 그러나, 당업자의 필요에 따라 질의 분석부(120)를 생략하고, 행태 분석부(130)를 기기간 인터페이스로 사용하거나 질의 분석 기능을 행태 분석부(130)에 병합시킬 수도 있다. 질의 분석부(120)는 입력된 질의(외부 검색 엔진에서 입력되는 질의어, 외부 통계자료 수집부(111-113)에서 수신되는 질의 명령 등)를 분석하여 질의 내용을 구분한다. 질의 분석을 통해서 검색되어야 할 오브젝트, 시간, 관계, 랭킹 분석 장치의 동작(분석, 입력, 검색 등)이 결정된다.
여기서, 질의 명령은 본 발명의 일 실시 예에 따른 인공지능에 기반한 랭킹 분석 장치와 사전에 약속된 코드를 포함한다. 그러나, 네이버 기타 검색엔진과 연동하는 경우에는 약속되지 않은 코드 또는 일반적인 문장을 포함할 수 있다. 이 경우, 이를 질의 명령의 형태로 변환하는 것이 질의 분석부(120)이다. 예를 들어, 랭킹 분석 장치에 "나는 최근 유행하는 상품중 Top 상품을 찾고 있다." 라는 질의가 입력되면, "최근 유행", "상품 Top 검색" 등과 같은 단순화된 질의 명령이 도출될 수 있다.
행태 분석부(130)는 외부 통계자료 수집부1 내지 3(111-113)에서 수집된 자료들을 미리 정의된 행태 분석 메타데이터와 매칭하여 분석한다.
오브젝트 속성 매칭부(140)는 오브젝트 별로 다양한 속성을 서로 매칭하여 측정 및 분석 한다.
가치 측정부(150)는 오브젝트의 속성 자체의 가치뿐만 아니라, 각 속성끼리의 관계에 대해 가치를 측정한다.
시간 분석부(160)는 시간에 따른 가중치를 부여하기 위해 시간 분석 결과를 가치 측정부(150)의 결과에 반영한다.
클러스터링부(170)는 시간 분석부(160)에서 출력되는 가중치가 부여된 속성들의 가치에 따라 클러스터링을 수행한다.
출력부(180)는 클러스터링부(170)의 분석 결과를 외부 통계자료 수집부1 내지 3(111-113), 기타 인터넷 상의 객체에 전송한다.
데이터 저장 모듈(190)은 히스토리나 메타데이터를 저장 관리 한다. 데이터 저장 모듈(190)은 행태 분석부(130)의 행태 분석 결과, 클러스터링부(170)의 클러스터링 결과(예를 들어, 질의에 맞는 상품 분석 내용, 질의에 맞는 컨텐츠나 광고 분석 내용)을 저장한다.
외부 통계자료 수집부1 내지 3(111-113)에서는 특정 사용자가 구매한 객체가 얼마인지 어떤 종류인지 알수 있지만, 과거 데이터를 조회하는 경우에는 랭킹 분석 장치의 데이터 저장 모듈(190)에 연결되는 형태이다. 데이터 저장 모듈(190)는 외부 통계자료 수집부1 내지 3(111-113)로부터 자료를 수신하여 분석된 "오브젝트 vs 관계"의 결과를 저장한다.
도 2는 본 발명의 일 실시 예에 따른 인공지능에 기반한 랭킹 분석 방법의 흐름도이다.
먼저, 외부 통계자료 수집부나 검색 엔진으로부터 데이터를 입력받는다(S210). 이 과정은 경우에 따라 생략될 수 있다.
다음, 랭킹 분석 장치가 질의를 입력받는다(S220). 이 과정(S220)에서 상술한 질의 분석을 수행할 수 있다. 랭킹 분석 장치는 메타데이터를 이용하여 복수의 오브젝트 각각에 대응하는 복수의 속성들을 정의한다. 여기서, 복수의 오브젝트는 디지털 컨텐츠, 제품 또는 광고 컨텐츠 중 적어도 한 가지일 수 있다.
다음, 입력받은 질의, 사용자가 접속한 정보 제공 페이지 상에서 사용자의 반응 정보 등에 기반하여 행태 분석을 수행하여 사용자의 행동 패턴을 추출한다(S230). 정보 제공 페이지는 일반적인 웹 페이지, 네트워크 상의 문서, 이들을 연결하는 링크 페이지, 모바일 접속이 가능한 사이트 등을 포함한다. 여기서, 반응 정보는 사용자의 로그인 정보, 사용자가 리뷰를 읽은 객체에 대한 정보, 사용자가 구매한 객체에 대한 정보, 사용자의 구매 횟수 정보, 객체마다 머문 시간 정보 또는 사용자가 입력한 게시물 내용 중 적어도 하나일 수 있다. 행태 분석의 대상이 되는 정보 제공 페이지는 특정 온라인 쇼핑몰, 특정 포탈 사이트, 특정 컨텐츠 제공 사이트 등이 될 수 있다. 행태 분석에 따라 추출되는 행동 패턴은 사용자의 관심도, 구매력, 구매 성향, 주활동 시간, 구매 시간, 선호 브랜드 또는 선호 날씨 등을 포함하는 정보일 수 있다.
이후, 복수의 속성들 사이의 관계를 설정한다(S240). 이 과정(S240)에서, 이전에 속성들 사이에 설정된 관계에 대한 관계 히스토리 데이터에 기반하여 상기 관계를 설정할 수 있다.
다음, 정보 제공 페이지에 접속한 사용자에 대해, 복수의 속성들 각각의 가치를 측정한다. 또한, 이를 이용하여 복수의 속성들 사이의 관계에 대한 가치를 계산한다(S250).
가치 측정이 완료되면, 사용자가 정보 제공 페이지의 객체마다 머문 시간 또는 현재 시간 등, 사용자와 관련된 각종의 시간 데이터에 기반하여 시간 분석을 수행하여 위에서 계산된 가치에 가중치를 부여한다(S260). 보다 구체적으로, 사용자에 대해 누적된 머문 시간 또는 과거 및 현재의 주요 활동 시간 중 적어도 하나를 포함하는 시간 히스토리 데이터에 기반하여 위에서 계산된 가치에 부여할 가중치를 결정할 수 있다.
다음, 가중치가 부여된 가치를 클러스터링 알고리즘에 적용하여 상기 질의에 대응하는 클러스터링 클래스를 추출한다(S270). 본 발명의 일 실시 예에서는 클러스터링 클래스를 추출할 때, 사용자의 행동 패턴에 기반하여 데이터 마이닝을 함으로써 사용자의 취향에 보다 가까운 클러스터링 클래스를 추출할 수 있다. 본 발명의 다른 실시 예에서는 클러스터링 클래스에 해당하는 객체(예를 들어, 쇼핑 아이템, 영화 컨텐츠, 드라마 컨텐츠, 가전 기기 광고 컨텐츠 등)을 추출할 수도 있다.
이후, 클러스터링 클래스를 출력하고(S280), 위에서 분석된 여러 결과들을 히스토리 데이터로서 저장한다(S290). 이 과정들(S280, S290)은 필수적인 과정이 아니므로, 당업자의 필요에 따라 생략이 가능하다.
도 3은 도 2의 질의 분석 과정(S220)의 상세 흐름도이다.
먼저, 미리 저장되어 있는 사전 메타 데이터(Dictionary Meta Data)를 로드 한다(S321). 사전에서는 여러 질의에 대해 미리 의미를 정의한다.
다음, 로드된 사전 메타 데이터에 기반하여 질의로부터 단어를 추출한다(S322). 즉, 질의 내용을 모두 해석하는 것이 아니라 의미있는 단어만을 찾아 해석한다. 예를 들어, 질의에서 a, the, 그/저 이것/저것 등 의미 없는 단어는 제거할 수 있다.
다음, 질의로부터 분리된 단어별로 형태소 분석을 한다(S323). 예를 들어, "분리된 단어별로 그 형태소 분석을 한다."라는 질의를 분석하면 "분리 단어 형태소 분석"의 결과를 얻을 수 있다.
마지막으로, 자연어 분석을 수행(S324)하는데, 형태소 분석을 마친 단어별로 질의 내용의 의미를 해석하는 과정이다.
질의 분석 과정에서는 미리 저장된 사전 메타 데이터와의 유기적인 연동이 필요하다. 또한, 이를 위해서는 자연어 처리 및 형태소 분석이 필요하다. 예를 들어, 질의 중 동사를 통해 행킹 분석 장치의 "할일" 을 결정할 수 있다. 동사 중 "검색, 결과, 찾기" 등이 들어 있다면, 본 발명의 일 실시 예에 따른 랭킹 분석 장치는 검색 결과 반환할 수 있다. 또한, 질의 중 명사를 통해 "오브젝트"와 카테고리, 관계를 결정할 수 있다. 예를 들어, 명사 중 "상품, 옷, clothing, top"이 있으면, Top, 사용자, 판매량, 조회수를 검색할 수 있다. 또한, 질의에 포함된 부사, 형용사를 통해 시간 관련 데이터를 결정할 수도 있다. 예를 들어, 질의 "최근", "유행", "근래" 등이 포함되면, 1달 이내의 데이터로 한정하여 분석을 진행할 수 있다.
도 4는 도 2의 행태 분석 과정(S230)의 상세 흐름도이다.
먼저, 행태 분석 메타데이터를 로드한다(S431). 행태 분석 메타데이터는 기존에 정의되어 있거나 이미 분류가 끝난 행태 분석 결과를 의미한다. 여기서, 행태는 사용자나 객체의 행동 패턴, 취향, 선호 등을 나타낸다.
도 5는 행태 분석 메타데이터의 예를 도식화한 것이다. 행태 분석 메타데이터는 행태에 대한 실험적 분석(Experimental Analysis of behavior)을 이용하여 구해질 수 있다.
다음, 행태 분석 알고리즘을 수행하여 새로운 행태를 분석한다(S432).
행태가 분석되면, 행태 분석 메타데이터에 기반하여 클러스터링을 수행한다(S433). 여기서, 미리 정의된 행태 분석 메타데이터를 기준으로 사용자의 행동 패턴을 추출할 수 있다.
클러스터링 결과, 새로운 클러스터가 발견되면, 즉 기존의 클러스터링 클래스 내에서 클러스터링이 되지 못하면, 새로운 클래스를 추가 하고(S435) 다시 행태 분석 알고리즘을 실행한다(S432).
클래스의 추가가 필요없으면, 기존의 행태 분석 메타데이터에 현재의 클러스터링 결과를 반영한다(S436). 이는 미리 행동 분석에 따라 메타데이터를 설정하고 반복적인 클러스터링 과정과 머신 러닝(Machine Learning)을 통해 랭킹 분석 장치 스스로 학습할 수 있는 방법이다.
도 6은 도 2의 오브젝트 속성 매칭 과정(S240)의 상세 흐름도이다.
먼저, 오브젝트 별 속성을 분석한다(S641). 예를 들어, 특정 쇼핑 아이템에 대해 가격, 인기도, 색상 등의 속성을 확인할 수 있다.
다음, 속성별로 측정된 데이터를 분석한다(S642). 여기서, 데이터 측정은 랭킹 분석 장치 외부의 자료 수집부에서 수행될 수 있다.
다음, 속성별로 연관 가능한 관계를 확인하고 분석한다(S643). 예를 들어, 의류의 속성이 색상, 가격, 품질, 인지도 등일 때, 속성별 관계란 색상과 가격간의 관계, 색상과 품질 간의 관계가 분석될 수 있다. 또는, 사용자의 속성이 쾌활, 품질에 신중, 가격에 무관 등의 속성일 경우, 속성별 관계란 쾌활과 색상, 품질에 신중과 인지도 등의 관계가 분석될 수 있다. 반대로, 속성별 관계에서 사용자의 정보가 빠진다면, 색상과 가격간의 관계, 색상과 품질 간의 관계가 분석될 수 있다. 여기에 사용자의 속성, 쾌활, 품질에 신중, 가격에 무관의 정보가 들어간다면 쾌활하고 신중하며 가격에 무관한 상품과의 관계가 분석될 수 있는 것이다. 도 7은 오브젝트, 속성, 관계에 대한 메타데이터의 예를 도시한 것이다. 오브젝트 별로 여러 가지 속성이 발생 할 수 있으며 이와 같은 속성간의 관계가 설정되면 관계에 대한 가치가 측정될 수 있다. 예를 들어, 시간대별/Vendor별/지역별 매출액을 가치 측정의 요소로 본다면, 관계를 "시간대별/Vendor별/지역별 매출액"와 같이 정의할 수 있다. 이에 따른 관계에 대한 가치 값은, 예를 들어, "Product의 매출액 + User의 지역 + Vendor ID + Time 날짜"와 같이 구해질 수 있다.
다음, 과거의 히스토리 데이터와 속성들을 매칭하여 어떤 속성들이 연관되기에 가장 적합한지 분석한다(S644).
속성들의 관계가 분석 완료되면, 분석된 데이터를 저장한다(S645). 분석된 데이터는 데이터 저장 모듈(190)에 저장될 수 있다.
도 6의 프로세스는 본 발명의 일 실시 예에 따른 랭킹 분석 장치에 정의되어 있는 속성과 외부 모듈로부터 들어온 오브젝트의 속성이 상이할 경우 가장 비슷한 속성끼리 매칭하되, 기존 히스토리 데이터로부터 어떤 속성 및 어떤 관계에 있는 데이터를 가져와서 분석할지 결정하는 절차이다.
도 8a는 도 2의 가치 측정 과정(S260)의 상세 흐름도이다.
먼저, 오브젝트별로 구분 지어 데이터를 나열하고(예를 들어, "User, Product, Contents, Vendor, Location, Advertisement, Time" 등으로 나열), 앞서 입력된 질의에 대응한 데이터를 출력 하기 위한 관계를 정리하고 외부 통계자료 수집부에 의해 누적된 데이터를 조회 한다(S851).
다음, 랭킹 분석 장치 내에 저장된 과거 데이터를 조회 한다(S852).
다음, 이렇게 조회된 데이터를 이용하여 가치 측정을 위한 기본 알고리즘을 사용하기 위해 필요한 요소(평균, 분산, 표준편차 등)을 계산한다(S853).
이후, 위에서 계산된 요소를 사용하여 확률 밀도 분포를 계산하고(S854), 이에 따른 누적 분포를 계산한다(S855).
다음, 누적 분포를 양자화하여 속성별 가치, 속성간의 관계별 가치를 얻는다(S856, S857). 도 8b 및 8c는 확률 밀도 함수와 누적 분포의 예를 도시한 것이다. 확률 밀도 함수는 분산과 평균을 이용하여 구할 수 있다. 또한 누적 분포 표는 확률 밀도 함수로부터 구해질 수 있다. 누적 분포도를 양자화 시킨 결과가 속성 또는 속성간의 관계에 대한 가치가 된다. 여기서, 속성간의 관계에 대한 가치는 각 속성에 대한 가치의 단순합 또는 가중치 합일 수 있다.
다음, 계산된 가치 데이터를 통해 사용자의 행태 분석 결과에 가장 유사한 예측 데이터를 뽑을 수 있도록 데이터 마이닝(Data Mining)을 한다.
예를 들어, "사용자 A에게 가장 인기 있는 상품 리스트" 에 대한 질의가 랭킹 분석 장치에 입력되면 질의 분석을 통해 질의 내용을 파악 하고 속성간의 관계를 결정한다. 속성이 사용자의 성향, 관심 카테고리, 관심 카테고리의 상품 조회수, 판매 이력, 구매 이력 등 이라면 각 속성의 가치를 측정하고, 관계별 희소성에 대한 가치를 계산한다. 또한, 이러한 계산 결과를 다시 묶어 여러 복합적인 가치 측정도 가능하다. 관계별 가치 측정이 완료되면, 데이터 마이닝을 접목하여 최종적인 질의에 응답할 수 있는 리스트를 출력할 수 있다.
도 9는 도 2의 시간 분석 과정(S260)의 상세 흐름도이다.
먼저, 현재 시간에 따른 각종 관계 데이터를 결정한다(S961). 예를 들어, 사용자가 페이지에 머문 시간, 현재 시간이 주중, 주말, 요일, 공유일/휴일인지 등 환경 변수를 계산한다.
시간 클러스터링 메타데이터를 로드하고(S962), 과거에 측정 가치와 시간을 매칭했던 시간 히스토리 데이터를 로드한다(S963). 시간 히스토리 데이터는 해당 관계나 속성이 새로 추가된 것이 아닌 경우에 사용될 수 있다.
예를 들어, 상품의 조회수에 관련되어 가치 측정을 할 경우, 총 100 점 만점에 표 1과 같이 조회수에 대한 가중치를 부여 할 수 있습니다.
| 최근 1주일간 누적 조회수 | 50 점 |
| 1주전 1주일간 누적 조회수 | 30 점 |
| 2주전 1주일간 누적 조회수 | 10 점 |
| 3주전 1주일간 누적 조회수 | 5 점 |
| 4주전~2달간 누적 조회수 | 5 점 |
| 그외의 누적 조회수 | 0 점 |
표 1과 같이 가중치를 다르게 부여하여 조회수의 가치를 시간별로 다르게 측정할 수 있다.
전체 조회수의 합계로만 히트 상품이나 히트 컨텐츠를 출력 하는 경우에는 특정 시즌 동안 최대 조회수를 냈던 상품이나 컨텐츠가 항상 탑 1순위에 올라올 수 있다. 그러나, 시간 히스토리 데이터를 사용하면, 시시 각각 변하는 개인의 취향을 적응적으로 트래킹할 수 있다.
즉, 최근 1~2주간의 조회수의 합계로만 히트 상품이나 히트 컨텐츠를 출력 하는 경우에는 특정 시즌에 최대 조회수를 냈던 상품이나 컨텐츠가 순위와 관계 없이 2주후에는 순위 밖으로 밀려나게 된다. 상품이나 컨텐츠의 공급자의 입장에서도 시간 히스토리 데이터를 사용함으로써 판매 가능성이 유력한 상품이나 컨텐츠를 보다 정확히 판단 할 수 있다.
다음, 시간 분석을 위한 필수 요소(평균, 분산, 표준편차 등)을 계산한다(S964).
다음, 클러스터링 메타데이터에 결정되어 있는 내용에 따라 가치 측정 자료를 시간대별로 클러스터링한다(S965). 예를 들어, 현재 사용자는 주말에 교회 관련 웹서핑을 많이하고, 5시 경에는 저녁 식사에 메뉴에 대한 검색을 많이 한다는 식의 클러스터링 결과를 얻을 수 있다.
이후, 클러스터링 클래스별로 가중치를 계산한다(S966). 예를 들어, 현재 시간대, 오늘 요일 등 공통 변수에서 가중치가 높도록 계산할 수 있다.
다음, 가중치를 양자화하고(S967), 양자화된 가중치를 가치 측정 데이터에 반영한다(S968). 이에 따라, 가치 측정 데이터에 시간 요소를 반영할 수 있다.
도 9의 프로세스는 이미 측정된 가치 측정 데이터에 시간 분석 결과를 반영하는 부분이다. 현재 사용자가 회사인지 교회인지 집인지에 대한 정확한 정보를 파악할 순 없어도 사용자에 대한 행태 분석을 통해 현재 상황을 추정할 수 있으며, 추정된 결과를 가치 측정 데이터에 반영하여 현재 시간에 가장 알맞은 데이터를 추천할 수 있다.
도 10은 도 2의 클러스터링 과정(S270)의 상세 흐름도이다.
먼저, 오브젝트를 속성에 따라 구분 지어 데이터를 분류한다(S1071).
다음, 관계별 측정된 가치를 분석한다(S1072). 분석되는 가치에는 시간 분석에 따른 가중치가 반영되어 있다.
다음, 클러스터링 알고리즘(예를 들어, KNN(K-Nearest Neigbor) 알고리즘, Naive Bayesian 등)을 실행하여 관계별 측정된 가치의 분석 결과를 비슷한 가치끼리 정리 한다(S1073).
이후, 클러스터링 알고리즘의 결과를 저장하고(S1074), 정리된 결과를 통해 최종적인 클러스터링 클래스를 추출한다(S1075).
본 발명은 소프트웨어를 통해 실행될 수 있다. 바람직하게는, 본 발명의 일 실시 예에 따른 인공지능에 기반한 랭킹 분석 방법을 컴퓨터에서 실행시키기 위한 프로그램을 컴퓨터로 읽을 수 있는 기록매체에 기록하여 제공할 수 있다. 소프트웨어로 실행될 때, 본 발명의 구성 수단들은 필요한 작업을 실행하는 코드 세그먼트들이다. 프로그램 또는 코드 세그먼트들은 프로세서 판독 가능 매체에 저장되거나 전송 매체 또는 통신망에서 반송파와 결합된 컴퓨터 데이터 신호에 의하여 전송될 수 있다.
컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록 장치의 예로는 ROM, RAM, CD-ROM, DVD±ROM, DVD-RAM, 자기 테이프, 플로피 디스크, 하드 디스크(hard disk), 광데이터 저장장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 장치에 분산되어 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
본 발명은 도면에 도시된 일 실시 예를 참고로 하여 설명하였으나 이는 예시적인 것에 불과하며 당해 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 실시 예의 변형이 가능하다는 점을 이해할 것이다. 그리고, 이와 같은 변형은 본 발명의 기술적 보호범위 내에 있다고 보아야 한다. 따라서, 본 발명의 진정한 기술적 보호범위는 첨부된 특허청구범위의 기술적 사상에 의해서 정해져야 할 것이다.
본 발명은 웹 환경에서 사용자의 시간에 따라 변화하는 성향에 매칭되는 속성의 오브젝트를 실시간으로 추출할 수 있는 인공지능에 기반한 랭킹 분석 방법, 이를 기록한 기록 매체, 그 장치에 관한 것으로, 추론 엔진, 온라인 쇼핑 사이트, 컨텐츠 라우터, 컨텐츠 중계기, 포탈 서버 등에 적용될 수 있다.
도 1은 본 발명의 일 실시 예에 따른 인공지능에 기반한 랭킹 분석 장치의 블록도이다.
도 2는 본 발명의 일 실시 예에 따른 인공지능에 기반한 랭킹 분석 방법의 흐름도이다.
도 3은 도 2의 질의 분석 과정의 상세 흐름도이다.
도 4는 도 2의 행태 분석 과정의 상세 흐름도이다.
도 5는 행태 분석 메타데이터의 예를 도식화한 것이다.
도 6은 도 2의 오브젝트 속성 매칭 과정의 상세 흐름도이다.
도 7은 오브젝트, 속성, 관계에 대한 메타데이터의 예를 도시한 것이다.
도 8a는 도 2의 가치 측정 과정의 상세 흐름도이다.
도 8b 및 8c는 확률 밀도 함수와 누적 분포의 예를 도시한 것이다.
도 9는 도 2의 시간 분석 과정의 상세 흐름도이다.
도 10은 도 2의 클러스터링 과정의 상세 흐름도이다.
Claims (16)
- 유선 또는 무선으로 통신망에 연결된 랭킹 분석 장치가 사용자 인터페이스 또는 정보 제공 페이지의 오브젝트별 속성 정보를 분석하는 방법에 있어서,복수의 오브젝트 각각에 대응하는 복수의 속성들을 정의하는 랭킹 분석 장치가 상기 복수의 속성들 사이의 관계를 설정하는 단계;상기 정보 제공 페이지에 접속한 사용자에 대해, 상기 복수의 속성들 각각의 가치를 측정하고 상기 복수의 속성들 사이의 관계에 대한 가치를 계산하는 단계;상기 사용자가 상기 정보 제공 페이지의 객체마다 머문 시간 또는 현재 시간 중 적어도 하나에 기반하여 시간 분석을 수행하여 상기 관계에 대해 계산된 가치에 가중치를 부여하는 단계; 및상기 가중치가 부여된 가치를 클러스터링 알고리즘에 적용하여 클러스터링 클래스를 추출하는 단계를 포함하는, 인공지능에 기반한 랭킹 분석 방법.
- 제1항에 있어서,상기 클러스터링 클래스를 추출하기 전에, 상기 정보 제공 페이지에서 상기 사용자의 반응 정보에 기반하여 행태 분석을 수행하여 상기 사용자의 행동 패턴을 추출하는 단계를 더 포함하고,상기 클러스터링 클래스를 추출하는 단계는,상기 사용자의 행동 패턴에 기반하여 상기 가중치가 부여된 가치를 데이터 마이닝하는 단계를 포함하는 것을 특징으로 하는, 인공지능에 기반한 랭킹 분석 방법.
- 제2항에 있어서,상기 반응 정보는,상기 사용자의 로그인 정보, 상기 사용자가 리뷰를 읽은 객체에 대한 정보, 상기 사용자가 구매한 객체에 대한 정보, 상기 사용자의 구매 횟수 정보, 객체마다 머문 시간 정보 또는 상기 사용자가 입력한 게시물 내용 중 적어도 하나를 포함하는, 인공지능에 기반한 랭킹 분석 방법.
- 제2항에 있어서,상기 행동 패턴은,상기 사용자의 관심도, 구매력, 구매 성향, 주활동 시간, 구매 시간, 선호 브랜드 또는 선호 날씨 중 적어도 하나를 포함하는, 인공지능에 기반한 랭킹 분석 방법.
- 제2항에 있어서,상기 사용자의 행동 패턴을 추출하는 단계는,상기 랭킹 분석 장치가 미리 정의된 행태 분석 메타데이터를 기준으로 상기 사용자의 행동 패턴을 추출하는 단계인 것을 특징으로 하는, 인공지능에 기반한 랭킹 분석 방법.
- 제1항에 있어서,상기 복수의 오브젝트는,디지털 컨텐츠, 제품 또는 광고 컨텐츠 중 적어도 하나를 포함하는 것을 특징으로 하는, 인공지능에 기반한 랭킹 분석 방법.
- 제1항에 있어서,상기 복수의 속성들 사이의 관계를 설정하는 단계는,이전에 속성들 사이에 설정된 관계를 기록한 관계 히스토리 데이터에 기반하여 상기 관계를 설정하는 단계인 것을 특징으로 하는, 인공지능에 기반한 랭킹 분석 방법.
- 제1항에 있어서,상기 가중치를 부여하는 단계는,상기 사용자에 대해 누적된 머문 시간 또는 활동 시간 중 적어도 하나를 포함하는 시간 히스토리 데이터에 기반하여 상기 계산된 가치에 부여할 가중치를 결정하는 단계를 포함하는 것을 특징으로 하는, 인공지능에 기반한 랭킹 분석 방법.
- 제1항에 있어서,상기 복수의 속성들 사이의 관계를 설정하는 단계 이전에, 상기 랭킹 분석 장치가 질의를 입력받는 단계를 더 포함하고,상기 클러스터링 클래스를 추출하는 단계는,상기 질의에 대응하는 클러스터링 클래스를 추출하는 단계인 것을 특징으로 하는, 인공지능에 기반한 랭킹 분석 방법.
- 제1항 내지 제9항 중 어느 한 항의 방법을 컴퓨터 시스템에서 실행하기 위한 프로그램이 기록된, 컴퓨터 시스템이 판독할 수 있는 기록매체.
- 복수의 오브젝트 각각에 대응하는 복수의 속성들을 정의하고, 유선 또는 무선으로 통신망에 연결되어, 사용자 인터페이스 또는 정보 제공 페이지의 오브젝트별 속성 정보를 분석하는 장치에 있어서,상기 복수의 속성들 사이의 관계를 설정하는 속성 매칭부;상기 정보 제공 페이지에 접속한 사용자에 대해, 상기 복수의 속성들 각각의 가치를 측정하고 상기 복수의 속성들 사이의 관계에 대한 가치를 계산하는 가치 측정부;상기 사용자가 상기 정보 제공 페이지의 객체마다 머문 시간 또는 현재 시간 중 적어도 하나에 기반하여 시간 분석을 수행하여 상기 관계에 대해 계산된 가치에 가중치를 부여하는 시간 분석부; 및상기 가중치가 부여된 가치를 클러스터링 알고리즘에 적용하여 클러스터링 클래스를 추출하는 클러스터링부를 포함하는, 인공지능에 기반한 랭킹 분석 장치.
- 제11항에 있어서,상기 정보 제공 페이지에서 상기 사용자에 대한 반응 정보에 기반하여 행태 분석을 수행하여 상기 사용자의 행동 패턴을 추출하는 행태 분석부를 더 포함하고,상기 클러스터링부는,상기 사용자의 행동 패턴에 기반하여 상기 가중치가 부여된 가치를 데이터 마이닝하는 것을 특징으로 하는, 인공지능에 기반한 랭킹 분석 장치.
- 제12항에 있어서,상기 반응 정보는,상기 사용자의 로그인 정보, 상기 사용자가 리뷰를 읽은 객체에 대한 정보, 상기 사용자가 구매한 객체에 대한 정보, 상기 사용자의 구매 횟수 정보, 객체마다 머문 시간 정보 또는 상기 사용자가 입력한 게시물 내용 중 적어도 하나를 포함하는, 인공지능에 기반한 랭킹 분석 장치.
- 제11항에 있어서,상기 시간 분석부는,상기 사용자에 대해 누적된 머문 시간 또는 활동 시간 중 적어도 하나를 기록한 시간 히스토리 데이터에 기반하여 상기 계산된 가치에 부여할 가중치를 결정하는 것을 특징으로 하는, 인공지능에 기반한 랭킹 분석 장치.
- 제11항에 있어서,상기 속성 매칭부에서 설정된 관계를 관계 히스토리 데이터로 저장하고, 상기 사용자에 대해 누적된 머문 시간 또는 활동 시간 중 적어도 하나를 포함하는 시간 히스토리 데이터를 저장하며, 상기 추출된 클러스터링 클래스를 저장하는 데이터 저장 모듈을 더 포함하는, 인공지능에 기반한 랭킹 분석 장치.
- 제11항에 있어서,질의를 입력받아 형태소 분석을 하는 질의 분석부를 더 포함하고,상기 클러스터링부는,상기 형태소가 분석된 질의에 대응하는 클러스터링 클래스를 추출하는 것을 특징으로 하는, 인공지능에 기반한 랭킹 분석 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020090042286A KR101026544B1 (ko) | 2009-05-14 | 2009-05-14 | 인공지능에 기반한 랭킹 분석 방법, 이를 기록한 기록 매체, 그 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020090042286A KR101026544B1 (ko) | 2009-05-14 | 2009-05-14 | 인공지능에 기반한 랭킹 분석 방법, 이를 기록한 기록 매체, 그 장치 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20100123206A true KR20100123206A (ko) | 2010-11-24 |
| KR101026544B1 KR101026544B1 (ko) | 2011-04-01 |
Family
ID=43407911
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020090042286A KR101026544B1 (ko) | 2009-05-14 | 2009-05-14 | 인공지능에 기반한 랭킹 분석 방법, 이를 기록한 기록 매체, 그 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101026544B1 (ko) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140072427A (ko) * | 2012-12-04 | 2014-06-13 | 에스케이플래닛 주식회사 | 사용자의 특성을 반영하여 상품을 추천하는 방법 및 장치 |
| KR102008992B1 (ko) * | 2018-08-08 | 2019-08-08 | 주식회사 커넥트닷 | 챗봇을 이용한 부동산 거래 비서 서비스 장치 및 방법 |
| US10984034B1 (en) | 2016-10-05 | 2021-04-20 | Cyrano.ai, Inc. | Dialogue management system with hierarchical classification and progression |
| CN114697889A (zh) * | 2020-12-31 | 2022-07-01 | 广州三星通信技术研究有限公司 | 处理信息的方法及其装置 |
| KR102616510B1 (ko) * | 2023-02-20 | 2023-12-27 | (주)어반유니온 | 개인 스타일 변화를 고려한 패션 추천을 위한 서비스 제공 장치 및 방법 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102091986B1 (ko) * | 2019-12-26 | 2020-03-20 | 한국생산성본부 | 고객의 여정 분석 정보에 기반하는 인공지능 마케팅 시스템 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7689585B2 (en) * | 2004-04-15 | 2010-03-30 | Microsoft Corporation | Reinforced clustering of multi-type data objects for search term suggestion |
| US20060074883A1 (en) * | 2004-10-05 | 2006-04-06 | Microsoft Corporation | Systems, methods, and interfaces for providing personalized search and information access |
-
2009
- 2009-05-14 KR KR1020090042286A patent/KR101026544B1/ko active IP Right Grant
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140072427A (ko) * | 2012-12-04 | 2014-06-13 | 에스케이플래닛 주식회사 | 사용자의 특성을 반영하여 상품을 추천하는 방법 및 장치 |
| US10984034B1 (en) | 2016-10-05 | 2021-04-20 | Cyrano.ai, Inc. | Dialogue management system with hierarchical classification and progression |
| US11625425B2 (en) | 2016-10-05 | 2023-04-11 | Cyrano.ai, Inc. | Dialogue management system with hierarchical classification and progression |
| KR102008992B1 (ko) * | 2018-08-08 | 2019-08-08 | 주식회사 커넥트닷 | 챗봇을 이용한 부동산 거래 비서 서비스 장치 및 방법 |
| CN114697889A (zh) * | 2020-12-31 | 2022-07-01 | 广州三星通信技术研究有限公司 | 处理信息的方法及其装置 |
| WO2022145836A1 (en) * | 2020-12-31 | 2022-07-07 | Samsung Electronics Co., Ltd. | Method and apparatus for processing information |
| KR102616510B1 (ko) * | 2023-02-20 | 2023-12-27 | (주)어반유니온 | 개인 스타일 변화를 고려한 패션 추천을 위한 서비스 제공 장치 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR101026544B1 (ko) | 2011-04-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| See-To et al. | Customer reviews for demand distribution and sales nowcasting: a big data approach | |
| CN112035742B (zh) | 用户画像生成方法、装置、设备及存储介质 | |
| Lu et al. | BizSeeker: a hybrid semantic recommendation system for personalized government‐to‐business e‐services | |
| KR100961782B1 (ko) | 인공지능에 기반한 개인별 맞춤형 상품 제공 장치 및 방법,그 기록 매체 | |
| Bounsaythip et al. | Overview of data mining for customer behavior modeling | |
| KR100961783B1 (ko) | 인공지능에 기반한 제품 및 제품 벤더 추천 장치 및 방법, 그 기록 매체 | |
| US7577579B2 (en) | Method of predicting sales based on triple-axis mapping of customer value | |
| KR100963996B1 (ko) | 감성에 기반한 개인별 제품 추천 장치 및 방법, 그 기록 매체 | |
| US20080270398A1 (en) | Product affinity engine and method | |
| Ismail et al. | Data mining in electronic commerce: benefits and challenges | |
| Alazab et al. | Maximising competitive advantage on E-business websites: A data mining approach | |
| KR101026544B1 (ko) | 인공지능에 기반한 랭킹 분석 방법, 이를 기록한 기록 매체, 그 장치 | |
| JP6976207B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
| KR20150138310A (ko) | 디지털 영수증 경제 | |
| CN102957722A (zh) | 一种用于生成个性化推荐的网络服务方法及其系统 | |
| Satish et al. | Study and Evaluation of user’s behavior in e-commerce Using Data Mining | |
| KR20160070282A (ko) | 쇼핑몰 사이트 제공 시스템, 쇼핑몰 사이트 제공 방법, 그 프로그램 및 이를 기록한 기록매체 | |
| CN115392947A (zh) | 需求量预测方法以及装置 | |
| Wei et al. | Online shopping behavior analysis for smart business using big data analytics and blockchain security | |
| KR102238438B1 (ko) | 규격화된 광고상품을 이용한 광고상품거래 서비스 제공 시스템 | |
| KR102576123B1 (ko) | 제품 공동구매 연계 시스템 및 방법 | |
| KR20200117668A (ko) | 크로스크레딧 기반의 b2b2c 크로스보더 전자상거래 시스템 | |
| KR102429104B1 (ko) | 인공지능에 기반한 상품 카탈로그 자동 분류 시스템 | |
| Cheng | Product recommendation system design | |
| Li et al. | Online commercial intention detection framework based on web pages |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| A302 | Request for accelerated examination | ||
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| J201 | Request for trial against refusal decision | ||
| AMND | Amendment | ||
| E902 | Notification of reason for refusal | ||
| B701 | Decision to grant | ||
| GRNT | Written decision to grant | ||
| FPAY | Annual fee payment |
Payment date: 20140325 Year of fee payment: 4 |
|
| FPAY | Annual fee payment |
Payment date: 20150619 Year of fee payment: 5 |
|
| FPAY | Annual fee payment |
Payment date: 20160118 Year of fee payment: 6 |
|
| FPAY | Annual fee payment |
Payment date: 20170417 Year of fee payment: 7 |
|
| FPAY | Annual fee payment |
Payment date: 20180319 Year of fee payment: 8 |
|
| FPAY | Annual fee payment |
Payment date: 20190122 Year of fee payment: 9 |
|
| FPAY | Annual fee payment |
Payment date: 20200122 Year of fee payment: 10 |