KR20110043369A - 음악 추천을 위한 연관성 분석 방법 - Google Patents

Abstract

본 발명은 음악 콘텐츠간의 연관성 분석을 통하여 음악 추천 성능을 향상시키기 위한 방법으로서, 더욱 상세하게는 사용자가 구매한 음악 콘텐츠간의 연관성 분석을 통하여 선호관련요소의 비중에 따라 가중치를 선호관련요소별 콘텐츠간 연관도에 부여하여 내용기반 추천 기법을 개선하고 구매 히스토리기반 협력적 추천 기법과 결합하여 음악 추천 성능을 높이는 방법에 관한 것이다.

이를 위하여 본 발명은 선호관련요소별 콘텐츠간 연관도를 추출하는 1단계; 히스토리기반 연관도를 추출하는 2단계; 선호관련요소별 콘텐츠간 가중치를 계산하여 내용기반 연관도를 계산하는 3단계; 히스토리 기반 연관도와 내용기반 연관도를 결합하여 연관그래프를 생성하는 4단계; 연관 그래프를 이용하여 음악 추천을 제공하는 5단계로 이루어진 것에 특징이 있다.

음악 추천, 연관성 분석, 선호관련요소, 연관 그래프

Description

음악 추천을 위한 연관성 분석 방법{Association analysis method for music recommendation}

본 발명은 음악 콘텐츠간의 연관성 분석을 통하여 음악 추천 성능을 향상시키기 위한 방법으로서, 더욱 상세하게는 사용자가 구매한 음악 콘텐츠간의 연관성 분석을 통하여 선호관련요소의 비중에 따라 가중치를 선호관련요소별 콘텐츠간 연관도에 부여하여 내용기반 추천 기법을 개선하고 구매 히스토리기반 협력적 추천 기법과 결합하여 음악 추천 성능을 높이는 방법에 관한 것이다.

현재 음악 추천에 활용되는 대표적인 추천 기법에는 협력적 추천 기법이 있다. 협력적 추천 기법은 아이템들에 대한 각 사용자들의 평가 정보에 근거하여 평가정보가 유사한 다른 사용자가 이용한 콘텐츠를 사용자에게 추천한다. 음악 추천에 있어서 협력적 추천은 많은 장점이 있으며, 다양한 응용 시스템에 성공적으로 적용된 기법이지만 데이터의 희소성 문제와 확장성 문제에 취약하다. 어떤 사용자에 대하여 매우 적은 선호도 정보만 존재 한다면 많은 유사 사용자를 찾기 어려우며 따라서 추천 정확도는 낮아지게 된다. 또한 사용자의 수가 늘어날수록 유사도 계산에 걸리는 시간이 급격하게 늘어나므로 수백만 사용자가 있는 웹 사이트 등에 서 실시간으로 추천을 수행하기 어렵다.

사용자의 구매 이력이 적더라도 추천 가능한 방법으로 사용자의 선호 아이템과 다른 아이템간 구매정보의 유사도 계산을 통해 유사도가 높은 아이템 추천해 주는 구매 히스토리기반 협력적 추천 기법 또한 콘텐츠에 대한 구매 히스토리가 적은 경우 추천이 어려우며 이는 음악 추천에서도 문제점으로 나타나고 있다. 또한 다수의 사용자들의 선택을 기반으로 추천 리스트를 작성하기 때문에 현재의 동향을 반영할 수 있는 추천 기법이긴 하지만 개인적 선호도를 추천에 반영해 주지는 못한다.

이러한 문제를 해결하기 위하여 기존 연구에서는 음악의 메타데이터를 추천에 이용하고 있지만 사용자가 음악 콘텐츠를 구매한 선호관련요인에 대한 명확한 반영이 이루어지지 못하며, 최근 연구 되고 있는 MP3 형식 파일에 대한 내용기반 특징에 대해서도 검색과 분류에 관한 연구가 주로 이루어지고 있을 뿐 추천에는 반영하고 있지 못하고 있다.

본 발명은 구매 히스토리기반 협력적 추천 기법의 구매 히스토리가 적은 콘텐츠에 대한 추천이 어려운 문제와 개인적 음악 선호도를 추천에 반영해 주지 못하는 문제를 해결하기 위하여 구매 히스토리기반 협력적 추천 기법과 개선된 내용기반 추천 기법을 결합하여 전체적인 추천 성능을 높이는 방법을 제공하는데 그 목적이 있다.

본 발명의 목적은 선호관련요소별 콘텐츠간 연관도를 추출하는 1단계; 히스토리기반 연관도를 추출하는 2단계; 선호관련요소별 콘텐츠간 가중치를 계산하여 내용기반 연관도를 계산하는 3단계; 히스토리 기반 연관도와 내용기반 연관도를 결합하여 연관그래프를 생성하는 4단계; 연관 그래프를 이용하여 음악 추천을 제공하는 5단계를 포함하는 음악추천을 위한 연관성 분석 방법에 의해 달성된다.

본 발명은 음악 콘텐츠간의 연관성 분석을 통하여 선호관련요소를 추출한 후 히스토리기반 연관성에 따른 각 콘텐츠의 선호관련요소의 비중에 따라 가중치를 부여하여 콘텐츠의 선호관련요소가 구매에 미친 영향을 반영한 콘텐츠간 개선된 내용기반 연관도를 구하고, 이를 구매 히스토리기반 연관도를 결합하여 추천함으로써 음악 추천의 성능을 향상시킨다.

본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다.

본 명세서에 기재된 예와 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 변형 예들이 있을 수 있음을 이해하여야 한다.

이하 첨부된 도면을 참조하여 본 발명을 상세히 설명하면 다음과 같다.

도 1은 본 발명이 적용된 음악 연관성 분석 시스템의 구조도이다. 시스템의 구조를 살펴보면, 음악 파일로부터 내용기반 특징을 추출하여 추출된 데이터와 사용자 정보 및 음악 콘텐츠 메타 데이터로 부터 선호관련요소별 콘텐츠간 연관도를 추출하여 저장한다. 또한, 사용자 히스토리 데이터로부터 히스토리기반 연관도를 추출하고 선호관련요소별 콘텐츠간 연관도 데이터에서 콘텐츠별 선호관련요소의 비중을 추출한다. 추출된 콘텐츠별 선호관련요소의 비중을 통해 선호관련요소별 콘텐츠간 가중치를 계산하여 콘텐츠간 개선된 내용기반 연관도를 도출하며, 결합 반영 비율 결정 모듈에서 결정된 반영 비율에 따라 히스토리 기반 연관도와 결합하여 연 관 그래프를 생성한다. 생성된 연관그래프를 바탕으로 그래픽 유저 인터페이스를 통해 사용자에 대한 음악 추천과 음악 정보 제공, 선호 곡에 대한 검색, 연관성 그래프 파일의 읽기와 저장, 연관성 그래프 범위 지정 등의 기능을 제공한다.

본 발명에서는 구매 히스토리가 적은 콘텐츠에 대한 추천과 개인적인 음악 선호도를 반영하기 위한 접근방법으로 콘텐츠 간 선호관련요소들의 내용기반 연관성 분석을 통하여 사용자에게 적절한 콘텐츠를 추천해 주는 내용기반 추천 기법이 사용된다. 음악 추천을 위한 콘텐츠간의 내용기반 연관성 분석을 위해 본 발명에서는 음악적 특징을 나타내는 음악 콘텐츠 내용기반 특징, 콘텐츠 구매자들의 특징을 나타내는 구매자 나이와 성별 등의 사용자 정보 및 콘텐츠의 기본 정보가 되는 앨범명, 가수 등의 메타정보를 사용자가 음악 콘텐츠를 구매하는데 영향을 미치는 선호관련요소로 정의한다.

[수학식 1]은 선호관련요소에 대하여 음악콘텐츠 i, j간 내용기반 연관성 분석을 통해 연관도를 구하는 식이다. 가수나 앨범명과 같은 명목형의 경우 값이 일치하면 1 일치하지 않으면 0의 값을 부여하고, 요소의 속성이 항목 집합일 경우 다이스 연관계수에 의해 연관도를 구한다. 다이스 연관계수에 의해 구하여진 값은 한 집합에 포함된 임의의 요소가 다른 집합에 포함될 확률을 의미한다. 이때는 콘텐츠 i에 대한 선호관련요소의 항목 집합이다. 예를 들면 콘텐츠 i의 구매자가 66명(남 51명, 여 15명), j의 구매자 54명(남 15명, 여 39명)이라 할 때 i와 j의 성별에 대 한 연관도는 i와 j의 합 분에 성별이 같은 구매자 수인 30명(남 15명, 여15명)에 2를 곱한 값으로 0.5가 된다.

나이와 같은 구간척도 변수인 경우 정의된 공간상에서 거리를 통하여 대상간의 비유사성을 측정하는 방법 중 하나인 맨하탄 디스턴스를 정규화하여 1에서 빼준 값을 연관도로 한다. 이와 같이 계산된 연관도의 값은 0부터 1의 사이의 값을 가지며 연관도가 높을수록 1에 가까운 값을 갖게 된다.

[표 1]은 선호관련요소별 콘텐츠간 연관도의 예로 각 선호관련요소의 속성타입에 따라 [수학식 1]에 의하여 콘텐츠간 연관도가 계산된 것이다.

	음악 콘텐츠 메타 데이터					사용자 정보	내용기반 특징
	앨범명	가수	발매일	장르		성별	MFCC
속성타입	명목형	명목형	구간척도	명목형		항목집합	구간척도
콘텐츠 1	The nuts	The nuts	2004.7	발라드		{여성, 여성	0.67..
콘텐츠 2	Beloved	주얼리	2003.7	발라드		{여성,남성	0.84..
연관도	0	0	0.3	1		0.34	0.6..

구매 히스토리기반 협력적 추천 기법은 사용자가 구매한 콘텐츠와 다른 콘텐츠간의 구매정보를 비교하여 사용자에게 적절한 유사 콘텐츠를 추천해 준다. 일반적으로 구매 히스토리를 기반으로 하는 콘텐츠간 연관도는 유사계수를 통해 계산되는데 코사인 상관계수나 피어슨 상관계수는 두 대상을 표현하고 있는 속성들의 벡터쌍에 대한 독립성을 측정하는 방법으로 연속된 변수 값을 가지는 벡터에 대하여 적용이 용이하지만 구매를 “하였다”, “안하였다”와 같은 이분화된 값의 집합에 대하여서는 좋은 성능을 보이지 않고 있다. 따라서 본 발명에서는 속성 간 일치정도를 측정하는 연관계수 중 하나인 다이스 연관계수를 통해 히스토리기반 연관도를 구한다. [수학식 2]에서 다이스 연관계수는 콘텐츠 i와 j의 사용자 집합 S_i,S_j 의 사용자 수 합분에 공통된 사용자의 수에 2를 곱하여 계산한다. 이렇게 구해진 연관도는 0에서 1사이의 값을 가지며 연관도가 높을수록 1의 값에 가깝게 된다.

내용기반 추천 기법에서 콘텐츠 구매에 더 큰 영향을 미치는 선호관련요소를 가중하면 사용자들의 구매에 영향을 크게 미친 요소가 부각된 연관도를 구할 수 있어 추천 시 구매자가 중요시하는 요소의 연관도가 보다 높은 콘텐츠가 추천되어 추천 성능이 향상된다. 선호관련요소를 가중하기 위하여 선호관련요소가 콘텐츠 구매에 얼마나 많은 영향을 미쳤는지를 나타내는 선호관련요소의 비중을 구하게 된다. 선호관련요소의 비중의 계산은 콘텐츠를 함께 구매한 히스토리를 기반으로 내용기반 연관성을 분석하면 콘텐츠의 구매에 있어서 각 선호관련요소가 얼마나 영향을 끼쳤는지 그 비중을 구해낼 수 있다.

[수학식 3]은 콘텐츠 i에서 선호관련요소 의 비중 w_i ^(f)를 구하는 식으로, [수학식 4]를 통해 구해진 선호관련요소 f에 대한 콘텐츠간의 연관도의 합 r_i ^(f)를 전체 선호관련요소의 연관도 합으로 정규화하여 선호관련요소 f가 콘텐츠 i의 구매에 미친 영향의 비중 콘텐츠 구매에 더 큰 영향을 미치는 선호관련요소를 가중시키기 위해서 선호관련요소의 비중을 통해 선호관련요소별 콘텐츠간 가중치를 구하게 되는데 콘텐츠별 선호관련요소의 비중이 각각 다르기 때문에 콘텐츠별 선호관련요소의 비중을 일정 비율에 따라 합쳐서 가중치로 반영하게 된다. 이를 통해 선호관련요소 ‘가수’와 ‘앨범’의 비중이 높은 콘텐츠와 선호관련요소 ‘앨범’과 ‘장르’의 비중이 높은 콘텐츠의 연관도에 대한 가중치는 ‘앨범’에 대해서는 보다 높게 계산되며 ‘가수’와 ‘장르’에 대하여 일정하게 가중되어 구하여 진다.

[수학식 6]은 선호관련요소별 콘텐츠간 가중치를 구하는 식이다. [수학식 5]를 통해 구한 콘텐츠별 선호관련요소의 비중은 각 콘텐츠 별로 다르기 때문에 선호관련요소 f에 대한 콘텐츠 i와 j의 가중치 는 일정비율 에 따라 두 콘텐츠의 선호관련요소의 비중을 합쳐 계산된다.

를 구한다. [수학식 3]의 콘텐츠별 선호관련요소의 비중은 사용자들이 함께 구매한 두 콘텐츠에 공통된 선호관련요소가 포함되어 있고 이는 두 콘텐츠의 중요한 연관요소로 작용한다는 것을 기본으로 한다. 예를 들어, 곡 i와 j를 함께 구매한 사람들은 i와 j를 부른 가수를 좋아하기 때문에 구매한 것이고 이는 ‘가수’라는 선호관련요소가 두 콘텐츠 i와 j사이에서 높은 연관도를 가진다는 것을 의미한다.

[수학식 4]에서 r_ij ^(f)는 [수학식 1]에 의하여 구하여진 콘텐츠 i와 j간의 선호관련요소 f에 대한 연관도로서, r_i ^(f)는 [수학식 5]에 의해 계산된 콘텐츠 i에 대 한 콘텐츠 j의 연관도 가중치 wh_ij를 사용한 가중합으로 계산된다.

[수학식 5]의 콘텐츠 i에 대한 콘텐츠 j의 연관도 가중치는 두 콘텐츠간의 히스토리기반 연관도를 콘텐츠 i와 연관된 전체 콘텐츠간의 히스토리 기반 연관도의 합으로 나누어 정규화한 값이다.

콘텐츠 구매에 더 큰 영향을 미치는 선호관련요소를 가중시키기 위해서 선호관련요소의 비중을 통해 선호관련요소별 콘텐츠간 가중치를 구하게 되는데 콘텐츠별 선호관련요소의 비중이 각각 다르기 때문에 콘텐츠별 선호관련요소의 비중을 일정 비율에 따라 합쳐서 가중치로 반영하게 된다. 이를 통해 선호관련요소 ‘가수’와 ‘앨범’의 비중이 높은 콘텐츠와 선호관련요소 ‘앨범’과 ‘장르’의 비중이 높은 콘텐츠의 연관도에 대한 가중치는 ‘앨범’에 대해서는 보다 높게 계산되며 ‘가수’와 ‘장르’에 대하여 일정하게 가중되어 구하여 진다.

[수학식 6]은 선호관련요소별 콘텐츠간 가중치를 구하는 식이다. [수학식 5]를 통해 구한 콘텐츠별 선호관련요소의 비중은 각 콘텐츠 별로 다르기 때문에 선호관련요소 f에 대한 콘텐츠 i와 j의 가중치 w_ij ^(f)는 일정비율 에 따라 두 콘텐츠의 선호관련요소의 비중을 합쳐 계산된다.

콘텐츠 간의 개선된 내용기반 연관도 c_ij는 [수학식 7]과 같이 콘텐츠 i와 j의 선호관련요소 f에 대한 연관도 r_ij ^(f)에 [수학식 6]에서 결정된 선호관련요소별 콘텐츠간 가중치 w_ij ^(f)을 적용하여 구한다.

추천을 위한 연관 그래프 모델의 콘텐츠간 연관도는 전체적인 추천 성능을 높이기 위하여 구매 히스토리기반 연관도와 선호관련요소를 가중한 개선된 내용기반 연관도를 결합하여 계산된다. 두 기법의 결합은 [수학식 8]에서 내용기반 연관도 c_ij와 히스토리기반 연관도 h_ij를 반영비율 β에 따라 합하여 이루어지며, 결합을 통해 최종적인 콘텐츠 간 연관도 a_ij를 구하게 된다. 이로서 사용자들의 구매에 영향을 많이 미친 선호관련요소의 연관도 반영비율을 높인 개선된 내용기반 연관도와 히스토리 기반 연관도가 결합된 음악 콘텐츠간 연관도 a_ij를 구할 수 있다. [수학식 8]에서의 반영비율 β는 결합반영비율 결정모듈에서 다수 구입곡과 소수 구입곡의 비율과 사용자 구매 히스토리의 규모에 따라 결정되어 반영된다.

도 2는 계산된 결합 연관도를 이용하여 음악 콘텐츠 간 연관관계를 나타낸 연관성 그래프로서, 음악 콘텐츠 간 연관관계를 노드와 링크를 통해 표시하여 곡간의 관계나 계략적인 군집을 파악할 수 있으며 콘텐츠에 대한 정보 팝업과 사용자에 대한 음악 추천, 선호 곡에 대한 검색, 연관성 그래프 파일의 읽기와 저장, 연관성 그래프 범위 지정 등의 기능을 제공한다.

이하는 본 발명에 따른 음악 추천의 성능 평가를 위하여 비교실험을 수행한 일실시 예이다. 실험은 Funcake.com으로부터 제공받은 2005년 7월부터 2006년 3월까지의 9개월간의 사용자 구매 데이터 약 55만건 중 30명 이상이 구매한 곡 1,366곡에 대한 380,172건의 구매 데이터에 대하여 1주씩 점진적으로 추천과 평가를 하였다.

추천 성능 평가는 Coverage Ratio와 Hit Ratio를 사용한다. [수학식 9]의 Coverage Ratio는 구매자 i가 구매한 곡 집합 들 중 추천한 곡이 얼마나 있는가를 n명의 구매자에 대하여 평균한 수치이며, [수학식 10]의 Hit Ratio는 특정 주에서 추천이 이루어진 횟수(사용자 수)에 대하여 몇 번(구매자 수)이나 구매가 이루어 졌는지를 수치로 나타낸 값이다.

도 3은 본 발명의 성능 평가를 위해 기존의 추천 방법과 제안한 방법의 추천 성능을 비교한 결과이다. 사용자기반 협력적 추천 기법은 사용자들 사이의 구매 정보를 비교하여 유사 사용자들의 콘텐츠 선호도를 기반으로 추천한다. 구매 히스토리기반 협력적 추천 기법은 선호 콘텐츠와 다른 콘텐츠의 사용자 유사도 계산을 통해 유사도가 높은 콘텐츠를 추천해 주는 기법이다. 그래프기반 협력적 추천 기법은 사용자 증가에 따른 계산량 증가를 피하고자 음악간 묵시적인 선호정보(음악 구매 기록, 음악 실행 횟수, 개인 음악 목록)를 누적하여 그래프로 표현한 연관 관계를 추천에 이용한 방법이다. 내용기반 추천 기법은 콘텐츠 간의 메타정보 등을 비교하여 사용자의 선호 콘텐츠와 연관도가 가장 높은 콘텐츠를 추천해 준다. 인기곡 Best 추천은 추천이 이루어지는 특정 주에 구매자 수가 많은 Top 100개의 곡을 추천한 방법이다. 실험 결과, 본 발명을 통해 구현된 구매 히스토리기반 협력적 추천 기법과 개선된 내용기반 추천 기법 결합 방법이 다른 추천 방법보다 우수한 성능을 보여주었다.

이상과 같이, 본 발명은 비록 한정된 일실시예와 도면에 의해 설명되었으나 본 발명은 이것에 의해 한정되지 않으며 본 발명이 속하는 추천 기술 분야에서 통 상의 지식을 가진 자에 의해 본 발명의 기술사상과 아래에 기재될 특허 청구범위의 균등 범위내에서 다양한 수정 및 변형이 가능함은 물론이다.

본 명세서에 첨부되는 다음의 도면들은 본 발명의 바람직한 실시예를 예시하는 것이며, 후술하는 발명의 상세한 설명과 함께 본 발명의 기술사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어 해석되어서는 아니된다.

도 1은 본 발명에 따른 음악 추천 시스템의 구조를 나타낸 도면

도 2는 음악 콘텐츠간의 연관 그래프의 예를 나타낸 도면

도 3은 음악 추천 방법들의 성능 비교 결과를 그래프로 나타낸 도면

Claims (4)

1. 선호관련요소별 콘텐츠간 연관도를 추출하는 1단계;

   히스토리기반 연관도를 추출하는 2단계;

   선호관련요소별 콘텐츠간 가중치를 계산하여 내용기반 연관도를 계산하는 3단계;

   히스토리 기반 연관도와 내용기반 연관도를 결합하여 연관그래프를 생성하는 4단계;

   연관 그래프를 이용하여 음악 추천을 제공하는 5단계를 포함하는 음악 추천을 위한 연관성 분석 방법
2. 제 1항에 있어서,

   음악적 특징을 나타내는 음악 콘텐츠 내용기반 특징, 콘텐츠 구매자들의 특징을 나타내는 구매자 나이와 성별 등의 사용자 정보 및 콘텐츠의 기본 정보가 되는 앨범명, 가수 등의 메타정보를 사용자가 음악 콘텐츠를 구매하는데 영향을 미치는 선호관련요소로 정의하여 상호간의 연관도를 추출하는 단계를 포함하는 단계를 포함하는 음악 추천을 위한 연관성 분석 방법
3. 제 1항에 있어서, 상기의 제 2 단계 수행 후,

   구매한 히스토리를 기반으로 내용기반 연관성을 분석하여 콘텐츠의 구매에 있어서 각 선호관련요소가 얼마나 영향을 끼쳤는지 그 비중을 구하여 선호관련요소별 콘텐츠간 연관도 가중치를 구하는 단계를 포함하는 음악 추천을 위한 연관성 분석 방법
4. 제 1항에 있어서, 상기의 제 3 단계 수행 후,

   구매 히스토리 기반 연관도와 선호관련요소를 가중하여 계산된 내용기반 연관도를 반영비율 에 따라 결합하여 콘텐츠간 연관도를 구하고, 계산된 연관도를 바탕으로 연관 그래프를 도출하는 것을 특징으로 하는 단계를 포함하는 음악 추천을 위한 연관성 분석 방법

Images