KR20120101233A - 감성 정보 생성 방법, 그를 이용한 감성 정보 기반의 콘텐츠 추천 방법 및 시스템 - Google Patents

감성 정보 생성 방법, 그를 이용한 감성 정보 기반의 콘텐츠 추천 방법 및 시스템 Download PDF

Info

Publication number
KR20120101233A
KR20120101233A KR1020110017695A KR20110017695A KR20120101233A KR 20120101233 A KR20120101233 A KR 20120101233A KR 1020110017695 A KR1020110017695 A KR 1020110017695A KR 20110017695 A KR20110017695 A KR 20110017695A KR 20120101233 A KR20120101233 A KR 20120101233A
Authority
KR
South Korea
Prior art keywords
emotion
content
user
information
emotional
Prior art date
Application number
KR1020110017695A
Other languages
English (en)
Inventor
이상주
Original Assignee
(주)다음소프트
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 (주)다음소프트 filed Critical (주)다음소프트
Priority to KR1020110017695A priority Critical patent/KR20120101233A/ko
Publication of KR20120101233A publication Critical patent/KR20120101233A/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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/101—Collaborative creation, e.g. joint development of products or services
    • 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
    • G06Q2250/00—Postage metering systems
    • G06Q2250/30—Record keeping

Abstract

개시된 기술의 일 실시예에 따른 감성 정보 기반의 콘텐츠 추천 방법은 (a) 콘텐츠들 각각에 관하여 의견 감성, 내재 감성, 메타 감성 및 반응 감성 중 적어도 하나를 이용하여 감성 분류 모델에 매핑하여 감성 정보를 생성하는 단계, (b) 사용자로부터 감성 질의를 입력받는 단계, (c) 상기 감성 질의와 매핑되는 감성 분류 모델에 상응하는 적어도 하나의 콘텐츠를 선택하는 단계 및 (d) 상기 선택된 적어도 하나의 콘텐츠 및 그에 대한 감성 정보를 제공하는 단계를 포함한다.

Description

감성 정보 생성 방법, 그를 이용한 감성 정보 기반의 콘텐츠 추천 방법 및 시스템{METHOD FOR PROVIDING SENTIMENT INFORMATION AND METHOD AND SYSTEM FOR PROVIDING CONTENTS RECOMMENDATION USING SENTIMENT INFORMATION}
개시된 기술은 콘텐츠에 대한 감성 정보 생성 및 그를 이용한 콘텐츠 추천 기술에 관한 것으로, 특히 콘텐츠에 대하여 감성 정보를 생성하여 사용자의 감성에 해당하는 감성 정보를 추천할 수 있는 감성 정보 기반의 콘텐츠 추천 기술에 관한 것이다.
디지털 기술의 발달에 따라 콘텐츠의 생성 및 그에 대한 사용자들의 접근이 용이해지고 있다. 이러한 콘텐츠의 홍수 속에서 사용자가 원하는 콘텐츠를 검색할 수 있는 다양한 기술들이 개발되고 있다. 그러나, 종래의 보편적인 검색 방법은 키워드 중심으로 검색을 수행하였고 이로 인하여 사용자가 검색된 대상에 대하여 다시 필요한 내용을 직접 찾아봐야 하는 불편함이 있다.
특히, 감성을 기본으로 하는 검색의 경우 검색되는 콘텐츠의 제목, 파일명과 같이 문맥 검색을 기반으로 검색이 수행되므로, 실제 사용자가 콘텐츠로부터 느끼는 감성과 동떨어진 검색 결과를 얻을 수 밖에 없는 문제점이 있다.
실시예들 중에서, 감성 정보 생성 방법은 (a) 콘텐츠에 관한 적어도 하나의 사용자의 반응을 기초로 주체 감성을 생성하는 단계, (b) 상기 콘텐츠 자체를 분석하여 객체 감성을 생성하는 단계, (c) 상기 주체 감성 및 상기 객체 감성에 각각 가중치를 부여하여 감성 지수를 계산하는 단계 및 (d) 상기 감성 지수를 감성 분류 모델에 매핑하여 상기 콘텐츠에 관한 감성 정보를 생성하는 단계를 포함한다.
실시예들 중에서, 감성 정보 기반의 콘텐츠 추천 방법은 (a) 콘텐츠들 각각에 관하여 의견 감성, 내재 감성, 메타 감성 및 반응 감성 중 적어도 하나를 이용하여 감성 분류 모델에 매핑하여 감성 정보를 생성하는 단계, (b) 사용자로부터 감성 질의를 입력받는 단계, (c) 상기 감성 질의와 매핑되는 감성 분류 모델에 상응하는 적어도 하나의 콘텐츠를 선택하는 단계 및 (d) 상기 선택된 적어도 하나의 콘텐츠 및 그에 대한 감성 정보를 제공하는 단계를 포함한다.
실시예들 중에서, 감성 정보 기반의 콘텐츠 추천 시스템은 콘텐츠에 관하여 의견 감성, 내재 감성, 메타 감성 및 반응 감성 중 적어도 하나를 이용하여 감성 분류 모델에 매핑하여 감성 정보를 생성하는 감성 콘텐츠 관리부, 사용자로부터 감성 질의를 입력받는 사용자 질의부 및 상기 감성 질의와 매핑되는 감성 분류 모델에 상응하는 적어도 하나의 콘텐츠를 콘텐츠 데이터베이스에서 선택하여 상기 사용자에게 제공하는 감성 추천부를 포함한다.
도 1은 개시된 기술이 적용될 수 있는 감성 정보 생성 방법의 일 실시예를 설명하는 순서도이다.
도 2는 개시된 기술에 적용될 수 있는 감성 분류 모델의 일 실시예를 설명하기 위한 예시도이다.
도 3은 감성 정보 기반의 콘텐츠 추천 방법의 일 실시예에 따른 순서도이다.
도 4는 사용자로부터 감성 질의를 입력받는 일 실시예를 도시하는 예시도이다.
도 5는 사용자의 감성 프로파일의 일 실시예를 도시하는 예시도이다.
도 6은 사용자에게 콘텐츠에 대한 감성 정보를 제공하는 일 실시예를 도시하는 예시도이다.
도 7은 콘텐츠에 대한 사용자의 의견을 입력받는 일 실시예를 도시한 예시도이다.
도 8은 개시된 기술이 적용될 수 있는 콘텐츠 추천 시스템의 일 실시예에 따른 구성도이다.
도 9는 도 8의 감성 콘텐츠 관리부의 일 실시예에 따른 구성도이다.
개시된 기술에 관한 설명은 구조적 내지 기능적 설명을 위한 실시예에 불과하므로, 개시된 기술의 권리범위는 본문에 설명된 실시예에 의하여 제한되는 것으로 해석되어서는 아니 된다. 즉, 실시예는 다양한 변경이 가능하고 여러 가지 형태를 가질 수 있으므로 개시된 기술의 권리범위는 기술적 사상을 실현할 수 있는 균등물들을 포함하는 것으로 이해되어야 한다.
한편, 본 출원에서 서술되는 용어의 의미는 다음과 같이 이해되어야 할 것이다.
"제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
"및/또는"의 용어는 하나 이상의 관련 항목으로부터 제시 가능한 모든 조합을 포함하는 것으로 이해되어야 한다. 예를 들어, "제1 항목, 제2 항목 및/또는 제3 항목"의 의미는 제1, 제2 또는 제3 항목뿐만 아니라 제1, 제2 또는 제3 항목들 중 2개 이상으로부터 제시될 수 있는 모든 항목의 조합을 의미한다.
어떤 구성요소가 다른 구성요소에 "연결되어"있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결될 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어"있다고 언급된 때에는 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 한편, 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함하다"또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
각 단계들에 있어 식별부호(예를 들어, a, b, c 등)는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 개시된 기술이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.
개시된 기술은 콘텐츠에 대하여 감성 정보를 생성하고 사용자의 감성에 상응하는 감성 정보를 제공하는 기술에 관한 것이다. 개시된 기술은 감성 정보를 사용자로부터 얻을 수 있는 주체 감성 및 콘텐츠 자체를 분석하여 획득할 수 있는 객체 감성으로 구분하여 개시하고 있다. 여기에서, 주체 감성은 콘텐츠에 대한 사용자의 직접적인 의견(예컨대, 댓글, 사용자 평가 등) 으로부터 생성되는 주체감성 및 사용자가 콘텐츠를 감상할 때의 사용자의 생체 반응으로부터 생성되는 반응 감성을 포함할 수 있고, 객체 감성은 콘텐츠 자체의 속성(음악 콘텐츠의 경우, 음악 데이터 자체)으로부터 생성되는 내재 감성 및 콘텐츠의 메타 데이터로부터 생성되는 메타 감성을 포함할 수 있다. 이와 같이, 개시된 기술은 감성 정보를 구체적으로 분류함으로써 보다 정확하게 감성 추천을 수행할 수 있다.
도 1은 개시된 기술이 적용될 수 있는 감성 정보 생성 방법의 일 실시예를 설명하는 순서도이다.
도 1을 참조하면, 감성 정보 생성 방법은 (a) 콘텐츠에 관한 적어도 하나의 사용자의 반응을 기초로 주체 감성을 생성하는 단계(단계 S110), (b) 콘텐츠 자체를 분석하여 객체 감성을 생성하는 단계(단계 S120), (c) 주체 감성 및 객체 감성에 각각 가중치를 부여하여 감성 지수를 계산하는 단계(단계 S130) 및 (d) 감성 지수를 감성 분류 모델에 매핑하여 콘텐츠에 관한 감성 정보를 생성하는 단계(단계 S140)를 포함한다.
여기에서, 감성 정보 생성 방법은 감성 분류 모델을 기준으로 감성에 관한 정보들(콘텐츠에 관한 감성 정보, 주체 감성, 객체 감성 등)을 표현할 수 있다. 여기에서, 감성 분류 모델은 이완-각성 및 불쾌-쾌감의 정도에 따라 분류될 수 있다. 이에 대한 상세한 설명은 도 2를 참조하여 설명한다.
일 실시예에서, 단계 S110은 콘텐츠에 관한 적어도 하나의 사용자의 직접적인 의견을 분석하여 의견 감성을 생성하는 단계 및 콘텐츠에 관한 적어도 하나의 사용자의 생체 반응을 분석하여 반응 감성을 생성하는 단계를 포함할 수 있다.
여기에서, 의견 감성을 생성하는 단계에 대하여 더 상세히 설명하면, 해당 콘텐츠에 대한 사용자의 직접적인 의견(예컨대, 댓글, 리플, 사용자 감상 후기 등과 같은 텍스트 기반의 데이터)에 대하여 구문 분석을 수행하고, 그 구분 분석된 결과로부터 적어도 하나의 의미 요소를 선택한 후, 선택된 의미 요소를 이용하여 의견 감성을 생성할 수 있다. 예를 들어, 음악 콘텐츠에 대한 사용자의 평가글로부터 감성적 키워드가 될 수 있는 단어들(의미 요소들)을 구분 분석하여 식별하고 그러한 단어들과 매칭되는 감성을 선택하여 의견 감성을 생성할 수 있다.
일 실시예에서, 단계 S120은 콘텐츠 자체의 속성을 분석하여 내재 감성을 생성하는 단계 및 콘텐츠의 메타 데이터를 이용하여 메타 감성을 생성하는 단계를 포함할 수 있다.
여기에서, 내재 감성을 생성하는 단계에 대하여 더 상세히 설명하면, 해당 콘텐츠의 종류를 구분하고, 그 구분된 콘텐츠의 종류별로 콘텐츠 자체에 대하여 특징을 추출함으로써 내재 감성을 생성할 수 있다. 예를 들어, 콘텐츠가 음악 콘텐츠이면, 해당 음악의 빠르기, 리듬, 음계, 음폭, 파형 또는 파장 비율 중 적어도 하나로부터 특징점을 추출하여 내재 감성을 생성할 수 있다. 다른 예를 들어, 콘텐츠가 이미지 콘텐츠인 경우, 해당 이미지의 색상, 패턴, 모양, 예각(edge), 배색 중 적어도 하나로부터 특징점을 추출하여 내재 감성을 생성할 수 있다.
음악 콘텐츠에 대한 내재 감성을 생성하는 일 실시예를 설명하면, 1) 해당 음악의 스펙트럼 및 주파수 추출, 2) 음계의 파장 비율을 색상들(삼원색 조합으로 만들 수 있는 색상들)과 주파수를 대응시켜 음악으로부터 색상을 추출, 3) 비트 트래킹을 통하여 음악의 템포 정보 추출 또는 4) MPEG-7 오디오 서술자를 이용하여 음악으로부터 감성 형용사 추출하는 기법들 중 어느 하나를 이용하거나 또는 이들을 조합하여 특징을 추출하고, 추출된 특징에 대한 감성 연관 지표를 이용하여 내재 감성을 생성할 수 있다.
이미지 콘텐츠에 대한 내재 감성을 생성하는 일 실시예를 설명하면, 이미지로부터 색상을 추출하고, 추출된 이미지의 특징적 생상 정보를 기초로 색-이미지 감성 연관 지표를 이용하여 내재 감성을 생성할 수 있다.
일 실시예에서, 단계 S130에서 적용되는 가중치는 의견 감성에 대한 가중치 값이 반응 감성, 내재 감성, 메타 감성에 대한 가중치 값들 중 어느 것 보다 큰 값일 수 있다. 예를 들어, 의견 감성 : 반응 감성 : 내재 감성 : 메타 감성에 대한 가중치 비율은 40:30:15:15이 될 수 있다. 이는 텍스트 기반의 감성 분석이 콘텐츠 자체에 대한 분석보다 정확성이 높으며, 사용자가 작성한 직접 의견 자체에 대하여 더 높은 평가치를 부여하기 위한 것이다. 단계 S130을 통하여 주체 감성(의견 감성, 반응 감성) 및 객체 감성(내재 감성, 메타 감성)을 기초로 감성 지수를 계산할 수 있으며 계산된 감성 지수는 감성 분류 모델의 형태로 표현될 수 있다. 이는 각 감성들이 감성 분류 모델의 형태로서 표현될 수 있기 때문이다.
도 2는 개시된 기술에 적용될 수 있는 감성 분류 모델의 일 실시예를 설명하기 위한 예시도이다.
도 2에 도시된 바와 같이, 감성 분류 모델은 이완-각성 및 불쾌-쾌감(쾌활)의 정도에 따라 복수의 감정들로 분류되는 2차원 분류 모델일 수 있다. 도시된 모델은 이완-각성, 불쾌-쾌감의 정도에 따라 8가지의 분류를 가지는 것으로 도시되었으나, 실시예에 따라 보다 많은 분류를 가지도록 구성될 수 있다. 도시된 바와 같이, 각성-쾌감의 경우 사용자는 열광, 흥분, 명랑 등과 같이 적극적이면서도 좋은 감성을 가지는 것으로 분류할 수 있고, 이완-불쾌의 경우에는 사용자는 나른, 따분함, 지침 등과 같이 소극적이면서 나쁜 감성의 상태로 분류할 수 있다. 전술한 감성 정보 생성 방법이나 후술할 감성 정보 기반의 콘텐츠 추천 방법은 이러한 감성 분류 모델로서 각 감성 요소들(의견 감성, 내재 감성, 메타 감성 및 반응 감성, 감성 지수, 감성 정보 등)을 표현할 수 있다.
도 3은 감성 정보 기반의 콘텐츠 추천 방법의 일 실시예에 따른 순서도이다.
도 3을 참조하면, 감성 정보 기반의 콘텐츠 추천 방법(이하, 콘텐츠 추천 방법)은 (a) 콘텐츠들 각각에 관하여 의견 감성, 내재 감성, 메타 감성 및 반응 감성 중 적어도 하나를 이용하여 감성 분류 모델에 매핑하여 감성 정보를 생성하는 단계(단계 S310), (b) 사용자로부터 감성 질의를 입력받는 단계(단계 S320), (c) 감성 질의와 매핑되는 감성 분류 모델에 상응하는 적어도 하나의 콘텐츠를 선택하는 단계(단계 S330) 및 (d) 선택된 적어도 하나의 콘텐츠 및 그에 대한 감성 정보를 제공하는 단계(단계 S340)를 포함한다.
여기에서, 감정 분류 모델은 도 2를 참조하여 설명한 바와 같이 이완-각성 및 불쾌-쾌감의 정도에 따라 복수의 감정들로 분류되는 2차원 분류 모델일 수 있다.
일 실시예에서, 단계 S310는 콘텐츠들 각각에 관하여 의견 감성, 내재 감성, 메타 감성 및 반응 감성 중 적어도 하나를 생성하는 단계, 생성된 의견 감성, 내재 감성, 메타 감성 및 반응 감성에 대하여 가중치를 부여하여 감성 지수를 계산하는 단계 및 계산된 감성 지수를 감성 분류 모델에 매핑하여 감성 정보를 생성하는 단계를 포함할 수 있다. 본 단계 S310에 대한 일 실시예의 설명은 도 1을 참조하여 이미 설명한 바에 상응하므로 여기서는 상세한 설명을 생략한다.
일 실시예에서, 단계 S320은 사용자에게 감성 질의를 입력받기 위하여 대표 감성 및 그에 대한 감성 키워드를 제공할 수 있다. 도 4는 사용자로부터 감성 질의를 입력받는 일 실시예를 도시하는 예시도로서, 도 4를 참조하여 단계 S320의 일 실시예에 대하여 더 상세히 설명한다. 도 4에 도시된 바와 같이, 콘텐츠 추천 방법은 사용자에게 대표 감성(410)에 대한 정보를 제공하고, 사용자가 선택한 대표 감성에 해당하는 적어도 하나의 추천 키워드(420,430)를 제공할 수 있다.
여기에서, 대표 감성이란 감성 분류 모델에 따라 분류된 감성으로서, 도시된 바와 같이 각성-이완, 불쾌-쾌감의 값에 따라 ‘놀라운, 신나는, 기쁜, 편안한, 신비한, 지루한, 슬픈, 화나는’ 등과 같이 각 분류를 대표하는 감성일 수 있다. 추천 키워드는 대표 감성(도시된 예에서는, ‘기쁜’)에 해당하는 감성 키워드(420)와 대표 감성과 연관될 수 있는 추천 감성 키워드(430)로 구성될 수 있다. 사용자는 대표 감성을 선택하고, 그 대표 감성에 대한 추천 키워드를 참고하여 또는 해당 추천 키워드를 선택함으로써 감성 질의를 선택하여 입력할 수 있다(단계 S320).
일 실시예에서, 단계 S320은 사용자의 감성 프로파일을 이용하여 감성 질의를 입력받을 수 있다. 도 5는 사용자의 감성 프로파일의 일 실시예를 도시하는 예시도로서, 도 5를 참조하여 단계 S320의 일 실시예에 대하여 더 상세히 설명한다.그림 (a)에 도시된 바와 같이, 콘텐츠 추천 방법은 사용자에 대하여 감성 프로파일(510)을 입력하도록 할 수 있다. 예를 들어, 사용자가 로그인을 수행하면, 로그인 시 사용자가 감성 프로파일(MY감성정보)을 선택하도록 실시할 수 있다. 다른 예를 들어, 사용자가 선택한 감성 프로파일에 대한 히스토리를 이용하여 예상 감성 프로파일을 표시할 수 있다. 예컨대, 사용자가 선택한 감성 프로파일에 대한 요일별,시간별 및/또는 월별 히스토리의 통계적 값을 이용하여 사용자가 접속한 월, 요일, 시간에 예측되는 감성 프로파일(510)을 표시할 수 있다. 다른 예를 들어, 사용자로부터 입력된 스케쥴, 기념일에 대한 정보를 이용하여 감성 프로파일을 예측하여 표시할 수 있다. 그림 5(b)는 사용자가 자신의 감성 프로파일의 변경을 요청하는 경우, 감성 프로파일을 바꿀 수 있도록 감성 분류 모델에 따른 감성 프로파일을 제공하는 것을 도시하고 있다.
일 실시예에서, 콘텐츠 추천 방법은 사용자의 생체 반응으로부터 생성된 감정 정보, 사용자의 감성 프로파일, 사용자가 선택한 적어도 하나의 대표 감성 또는 사용자가 입력한 감성 키워드 중 적어도 하나를 포함하여 감성 질의를 입력받을 수 있다. 예를 들어, 감성 질의는 도 4에 도시된 바와 같이 사용자가 대표 감성 및 그에 대한 감성 키워드를 포함할 수도 있고, 도 5에 도시된 바와 같이 사용자의 감성 프로파일을 포함할 수도 있다. 다른 예를 들어, 콘텐츠 추천 방법은 사용자의 생체 반응을 수신하여 감정 정보를 생성하여 이를 감정 질의로서 입력받을 수 있다. 예컨대, 체온, 맥박, 뇌파 등을 수집할 수 있는 헤드셋을 사용자가 착용하였다면, 콘텐츠 추천 방법은 헤드셋으로부터 수신된 사용자의 체온, 맥박, 뇌파 등을 수집한 정보를 분석하고 이를 감성 분류 모델에 매핑하여 감성 질의로서 입력할 수 있다.
도 6은 사용자에게 콘텐츠에 대한 감성 정보를 제공하는 일 실시예(단계 S340)를 도시하는 예시도이다. 도 6에 도시된 바와 같이, 콘텐츠 추천 방법은 콘텐츠에 대한 기본 정보(곡 정보), 해당 음악 콘텐츠에 대한 대표 감성 정보(신나는), 해당 음악 콘텐츠에 대한 사용자의 의견 감성(좋은 노래, 80%) 및 해당 음악 콘텐츠에 대한 내재 감성(유쾌 6, 각성 3)을 사용자에게 제공할 수 있다. 도시되지는 않았으나, 전술한 바와 같이 콘텐츠 추천 방법은 메타 감성 및/또는 반응 감성에 대한 정보를 더 포함하여 사용자에게 제공할 수 있다.
일 실시예에서, 콘텐츠 추천 방법은 단계 S340에 의하여 제공된 콘텐츠에 대하여 사용자의 의견을 입력받아 해당 콘텐츠의 감성 정보를 갱신할 수 있다. 도 7은 콘텐츠에 대한 사용자의 의견을 입력받는 일 실시예를 도시한 예시도로서, 도 7을 참조하여 더 상세히 설명하면, 콘텐츠 추천 방법은 그림 (a) 또는 (b)에 도시된 바와 같이 사용자로부터 의견을 입력받을 수 있고, 입력받은 의견을 더 포함하여 해당 콘텐츠에 대한 의견 감성을 갱신할 수 있다. 이후, 콘텐츠 추천 방법은 갱신된 의견 감성을 기초로 단계 S310을 수행하여 해당 콘텐츠에 대한 감성 정보를 갱신할 수 있다. 여기에서, 그림 (a)는 사용자로부터 직접적인 텍스트 의견(감성 의견)을 입력받는 것을 예시하고 있고, 그림 (b)는 사용자에게 감성 키워드를 제시하여 의견을 입력받는 것을 예시하고 있다.
도 8은 개시된 기술이 적용될 수 있는 콘텐츠 추천 시스템의 일 실시예에 따른 구성도이다.
도 8을 참조하면, 콘텐츠 추천 시스템은 감성 콘텐츠 관리부(810), 감성 추천부(820), 사용자 질의부(830), 감성 분류 모델(850) 및 콘텐츠 데이터베이스(840)를 포함할 수 있다.
감성 콘텐츠 관리부(810)는 콘텐츠 데이터베이스(840)에 저장되어 있는 콘텐츠들에 대하여 의견 감성, 내재 감성, 메타 감성 및 반응 감성 중 적어도 하나를 이용하여 감성 정보를 생성하여 콘텐츠 데이터베이스(840)에 저장할 수 있다. 감성 콘텐츠 관리부(810)에 대해서는 이하 도 9를 참조하여 상세히 설명한다.
사용자 질의부(830)는 사용자로부터 감성 질의를 입력받을 수 있다. 일 실시예에서, 사용자 질의부(830)는 도 4를 참조하여 설명한 바와 같이 감성 질의를 입력받기 위하여 대표 감성 및 그에 대한 감성 키워드를 제공할 수 있다. 다른 일 실시예에서, 사용자 질의부(830)는 도 5를 참조하여 설명한 바와 같이 사용자의 감성 프로파일을 이용하여 감성 질의를 입력받을 수 있다. 다른 일 실시예에서, 사용자 질의부(830)는 사용자의 생체 반응을 수신하고 수신된 생체 반응에 대한 정보를 감성 추천부(820)에 제공하여 감성 질의를 생성하도록 할 수 있다.
감성 추천부(820)는 감정 질의와 매핑되는 감성 분류 모델의 해당 분류를 확인하고, 그에 상응하는 적어도 하나의 콘텐츠 및/또는 그에 대한 감성 정보를 사용자에게 제공할 수 있다. 이에 대한 상세한 설명은 전술한 바에 상응하므로 여기서는 생략한다.
감성 분류 모델(850)은 전술한 감성 분류 모델을 매핑할 수 있도록 할 수 있고, 콘텐츠 데이터베이스(840)는 콘텐츠 및 그에 대한 감성 정보를 포함할 수 있다.
도 9는 도 8의 감성 콘텐츠 관리부의 일 실시예에 따른 구성도이다.
도 9를 참조하면 감성 콘텐츠 관리부(810)는 주체 감성 관리부(910), 객체 감성 관리부(920) 및 감성 정보 생성부(930)를 포함할 수 있다.
주체 감성 관리부(910)는 콘텐츠에 관한 적어도 하나의 사용자의 반응을 기초로 주체 감성을 생성할 수 있으며, 의견 감성 관리부(911) 및/또는 반응 감성 관리부(912)를 포함할 수 있다.
의견 감성 관리부(911)는 콘텐츠에 관한 적어도 하나의 사용자의 직접적인 의견을 분석하여 의견 감성을 생성할 수 있다. 더 상세히 설명하면, 의견 감성 관리부(911)는 사용자의 직접적인 의견(텍스트 데이터)에 대하여 구문 분석을 수행하고, 그 구분 분석된 결과로부터 적어도 하나의 의미 요소를 선택한 후, 선택된 의미 요소를 이용하여 의견 감성을 생성할 수 있다. 이를 위하여, 의견 감성 관리부(911)는 자연어 처리 모듈, 의미 요소와 감성을 대응하기 위한 학습 데이터 등 언어 처리를 수행하기 위한 다양한 요소를 구비할 수 있다.
반응 감성 관리부(912)는 콘텐츠에 관한 적어도 하나의 사용자의 생체 반응을 분석하여 반응 감성을 생성할 수 있다. 더 상세히 설명하면, 체온, 맥박, 뇌파 등을 수집할 수 있는 헤드셋을 사용자가 착용하였다면, 사용자 질의부(830)는 수집된 체온, 맥박, 뇌파 등의 생체 반응을 수신하여 반응 감성 관리부(912)에 제공할 수 있고, 반응 감성 관리부(912)는 제공받은 사용자의 체온, 맥박, 뇌파 등을 분석하고 이를 감성 분류 모델에 매핑하여 반응 감성을 생성할 수 있다. 이를 위하여 반응 감성 관리부(912)는 생체 신호와 감성을 상호 대응하기 위한 학습 데이터 등 생체 정보를 이용하기 위한 다양한 요소를 구비할 수 있다.
객체 감성 관리부(920)는 콘텐츠 자체를 분석하여 객체 감성을 생성할 수 있으며, 내재 감성 관리부(921) 및/또는 메타 감성 관리부(922)를 포함할 수 있다.
내재 감성 관리부(921)는 콘텐츠 자체의 속성을 분석하여 내재 감성을 생성할 수 있다. 더 상세히 설명하면, 내재 감성 관리부(921)는 해당 콘텐츠의 종류를 구분하고, 그 구분된 콘텐츠의 종류별로 콘텐츠 자체에 대하여 특징을 추출함으로써 내재 감성을 생성할 수 있다. 이를 위하여 반응 감성 관리부(912)는 콘텐츠 특징 추출모듈, 콘텐츠와 감성 매칭을 위한 학습 데이터 등 콘텐츠 자체를 분석하고 감성을 부여하기 위한 다양한 요소를 구비할 수 있다.
메타 감성 관리부(922)는 콘텐츠의 메타 데이터를 이용하여 메타 감성을 생성할 수 있다. 예를 들어, 음악 콘텐츠의 경우, 메타 감성 관리부(922)는 해당 음악의 장르, 가사, 가수에 대한 메타 데이터를 수집하여 이를 기초로 메타 감성을 생성할 수 있다.
감성 정보 생성부(930)는 의견 감성, 내재 감성, 메타 감성 및 반응 감성 중 적어도 하나에 대하여 가중치를 부여하여 감성 지수를 계산하고, 계산된 감성 지수를 감성 분류 모델에 매핑하여 감성 정보를 생성할 수 있다.
일 실시예에서, 감성 정보 생성부(930)는 의견 감성을 강조하여 가중치를 부여할 수 있다. 더 상세히 설명하면, 감성 정보 생성부(930)는의견 감성에 대한 가중치를 반응 감성, 내재 감성, 메타 감성에 대한 가중치들 중 어느 것 보다 큰 값으로 결정할 수 있다. 이를 통하여, 콘텐츠 추천 시스템은 보다 정확한 감성 정보를 생성할 수 있어 사용자에게 유효하게 감성 추천을 제공할 수 있다.
일 실시예에서, 감성 콘텐츠 관리부(810)는 감성 추천된 콘텐츠에 대하여 사용자의 의견을 제공받아 해당 콘텐츠의 감성 정보를 갱신할 수 있다. 더 상세히 설명하면, 감성 콘텐츠 관리부(810)는 감성 추천된 콘텐츠에 대한 사용자의 의견을 사용자 질의부(830)로부터 제공받고, 제공받은 사용자 의견에 대하여 의견 감성을 갱신함으로써 해당 콘텐츠의 감성 정보를 갱신할 수 있다.
개시된 기술은 다음의 효과를 가질 수 있다. 다만, 특정 실시예가 다음의 효과를 전부 포함하여야 한다거나 다음의 효과만을 포함하여야 한다는 의미는 아니므로, 개시된 기술의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
일 실시예에 따른 감성 정보 기반의 콘텐츠 추천 방법은 보다 정확하게 감성 추천을 수행할 수 있다. 콘텐츠에 대하여 의견 감성, 내재 감성, 메타 감성 및 반응 감성을 이용하고, 특히 의견 감성을 강화한 가중치를 부여함으로써 보다 정확하게 감성을 계산할 수 있기 때문이다.
또한, 일 실시예에 따른 감성 정보 기반의 콘텐츠 추천 방법은 사용자에게 편리한 검색 인터페이스를 제공할 수 있다. 사용자 감성 프로파일, 생체 정보 등 다양한 검색 인터페이스를 제공할 수 있기 때문이다.
또한, 일 실시예에 따른 감성 정보 기반의 콘텐츠 추천 방법은 효율적으로 감성을 연산할 수 있다. 2차원 감성 분류 모델을 사용함으로써 많은 리소스 없이도 효율적으로 감성과 관련된 연산을 수행할 수 있기 때문이다.
상기에서는 본 출원의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 출원의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 출원을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

Claims (15)

  1. (a) 콘텐츠에 관한 적어도 하나의 사용자의 반응을 기초로 주체 감성을 생성하는 단계;
    (b) 상기 콘텐츠 자체를 분석하여 객체 감성을 생성하는 단계;
    (c) 상기 주체 감성 및 상기 객체 감성에 각각 가중치를 부여하여 감성 지수를 계산하는 단계; 및
    (d) 상기 감성 지수를 감성 분류 모델에 매핑하여 상기 콘텐츠에 관한 감성 정보를 생성하는 단계를 포함하는 것을 특징으로 하는 감성 정보 생성 방법.
  2. 제1항에 있어서, 상기 감정 분류 모델은
    이완-각성 및 불쾌-유쾌의 정도에 따라 복수의 감정들로 분류되는 2차원 분류 모델인 것을 특징으로 하는 감성 정보 생성 방법.
  3. 제1항에 있어서,
    상기 (a) 단계는
    (a-1) 콘텐츠에 관한 적어도 하나의 사용자의 직접적인 의견을 분석하여 의견 감성을 생성하는 단계; 및
    (a-2) 상기 콘텐츠에 관한 적어도 하나의 사용자의 생체 반응을 분석하여 반응 감성을 생성하는 단계를 포함하고,
    상기 (b) 단계는
    (b-1) 상기 콘텐츠 자체의 속성을 분석하여 내재 감성을 생성하는 단계; 및
    (b-2) 상기 콘텐츠의 메타 데이터를 이용하여 메타 감성을 생성하는 단계를 포함하는 것을 특징으로 하는 감성 정보 생성 방법.
  4. 제3항에 있어서, 상기 가중치는
    상기 의견 감성에 대한 가중치가 상기 반응 감성, 내재 감성, 메타 감성 에 대한 가중치들 중 어느 것 보다 큰 값인 것을 특징으로 하는 감성 정보 생성 방법.
  5. 제3항에 있어서, 상기 (a-1) 단계는
    상기 사용자의 직접적인 의견에 대하여 구문 분석을 수행하는 단계;
    상기 구분 분석된 결과로부터 적어도 하나의 의미 요소를 선택하는 단계; 및
    상기 선택된 의미 요소를 이용하여 상기 의견 감성을 생성하는 단계를 포함하는 것을 특징으로 하는 감성 정보 생성 방법.
  6. 제3항에 있어서, 상기 (b-1) 단계는
    상기 콘텐츠가 음악 콘텐츠인 경우, 해당 음악의 빠르기, 리듬, 음계, 음폭, 파형 또는 파장 비율 중 적어도 하나로부터 특징을 추출하여 상기 내재 감성을 생성하는 단계; 및
    상기 콘텐츠가 이미지 콘텐츠인 경우, 해당 이미지의 색상, 패턴, 모양, 예각(edge), 배색 중 적어도 하나로부터 특징을 추출하여 상기 내재 감성을 생성하는 단계를 포함하는 것을 특징으로 하는 감성 정보 생성 방법.
  7. (a) 콘텐츠들 각각에 관하여 의견 감성, 내재 감성, 메타 감성 및 반응 감성 중 적어도 하나를 이용하여 감성 분류 모델에 매핑하여 감성 정보를 생성하는 단계;
    (b) 사용자로부터 감성 질의를 입력받는 단계;
    (c) 상기 감성 질의와 매핑되는 감성 분류 모델에 상응하는 적어도 하나의 콘텐츠를 선택하는 단계; 및
    (d) 상기 선택된 적어도 하나의 콘텐츠 및/또는 그에 대한 감성 정보를 제공하는 단계를 포함하는 것을 특징으로 하는 감성 정보 기반의 콘텐츠 추천 방법.
  8. 제7항에 있어서, 상기 (a) 단계는
    (a-1) 콘텐츠들 각각에 관하여 의견 감성, 내재 감성, 메타 감성 및 반응 감성 중 적어도 하나를 생성하는 단계;
    (a-2) 상기 의견 감성, 내재 감성, 메타 감성 및 반응 감성에 대하여 가중치를 부여하여 감성 지수를 계산하는 단계; 및
    (a-3) 상기 감성 지수를 상기 감성 분류 모델에 매핑하여 상기 감성 정보를 생성하는 단계를 포함하고,
    상기 의견 감성에 대한 가중치가 상기 반응 감성, 내재 감성, 메타 감성에 대한 가중치들 중 어느 것 보다 큰 값인 것을 특징으로 하는 감성 정보 기반의 콘텐츠 추천 방법.
  9. 제7항에 있어서, 상기 (b) 단계는
    (b-1) 상기 사용자에게 상기 감성 분류 모델에 따른 대표 감성을 제공하는 단계; 및
    (b-2) 상기 사용자로부터 선택된 상기 대표 감성에 해당하는 적어도 하나의 추천 키워드를 제공하는 단계를 포함하는 것을 특징으로 하는 감성 정보 기반의 콘텐츠 추천 방법.
  10. 제9항에 있어서, 상기 감성 질의는
    상기 사용자의 생체 반응으로부터 생성된 감정 정보, 상기 사용자의 감성 프로파일, 상기 사용자가 선택한 적어도 하나의 대표 감성 또는 상기 사용자가 입력한 감성 키워드 중 적어도 하나를 포함하는 것을 특징으로 하는 감성 정보 기반의 콘텐츠 추천 방법.
  11. 제7항에 있어서,
    (e) 상기 제공된 적어도 하나의 콘텐츠에 대한 상기 사용자의 의견을 입력받아, 상기 의견 감성을 갱신하여 상기 감성 정보를 갱신하는 단계를 더 포함하는 것을 특징으로 하는 감성 정보 기반의 콘텐츠 추천 방법.
  12. 제7항에 있어서, 상기 설정된 감정 분류 모델은
    이완-각성 및 불쾌-유쾌의 정도에 따라 복수의 감정들로 분류되는 2차원 분류 모델인 것을 특징으로 하는 감성 정보 기반의 콘텐츠 추천 방법.
  13. 콘텐츠에 관하여 의견 감성, 내재 감성, 메타 감성 및 반응 감성 중 적어도 하나를 이용하여 감성 정보를 생성하는 감성 콘텐츠 관리부;
    사용자로부터 감성 질의를 입력받는 사용자 질의부; 및
    상기 감성 질의와 매핑되는 감성 분류 모델에 상응하는 적어도 하나의 콘텐츠 및/또는 그에 대한 감성 정보를 상기 사용자에게 제공하는 감성 추천부를 포함하는 것을 특징으로 하는 감성 정보 기반의 콘텐츠 추천 시스템.
  14. 제13항에 있어서, 상기 감성 콘텐츠 관리부는
    상기 의견 감성, 내재 감성, 메타 감성 및 반응 감성 중 적어도 하나에 대하여 가중치를 부여하여 감성 지수를 계산하고, 상기 계산된 감성 지수를 감성 분류 모델에 매핑하여 상기 감성 정보를 생성하는 것을 특징으로 하는 감성 정보 기반의 콘텐츠 추천 시스템.
  15. 제14항에 있어서, 상기 감성 콘텐츠 관리부는
    상기 의견 감성에 대한 가중치를 상기 반응 감성, 내재 감성, 메타 감성에 대한 가중치들 중 어느 것 보다 큰 값으로 결정하는 것을 특징으로 하는 감성 정보 기반의 콘텐츠 추천 시스템.
KR1020110017695A 2011-02-28 2011-02-28 감성 정보 생성 방법, 그를 이용한 감성 정보 기반의 콘텐츠 추천 방법 및 시스템 KR20120101233A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020110017695A KR20120101233A (ko) 2011-02-28 2011-02-28 감성 정보 생성 방법, 그를 이용한 감성 정보 기반의 콘텐츠 추천 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020110017695A KR20120101233A (ko) 2011-02-28 2011-02-28 감성 정보 생성 방법, 그를 이용한 감성 정보 기반의 콘텐츠 추천 방법 및 시스템

Publications (1)

Publication Number Publication Date
KR20120101233A true KR20120101233A (ko) 2012-09-13

Family

ID=47110472

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020110017695A KR20120101233A (ko) 2011-02-28 2011-02-28 감성 정보 생성 방법, 그를 이용한 감성 정보 기반의 콘텐츠 추천 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR20120101233A (ko)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140083637A (ko) * 2012-12-26 2014-07-04 주식회사 케이티 사용자의 감성에 기반한 맞춤형 콘텐츠를 제공하는 서버 및 방법
KR101503802B1 (ko) * 2013-02-26 2015-03-19 (주)아크릴 감성 패턴 제공 방법 및 이를 수행할 수 있는 장치
KR20150135747A (ko) * 2014-05-22 2015-12-03 허다혜 시니어를 위한 스마트 기기 기반 공간 정보 중심 클라우드 시스템 및 이를 이용하여 콘텐츠를 제공하기 위한 방법
KR101579229B1 (ko) * 2014-07-31 2015-12-21 경북대학교 산학협력단 영상 출력 장치 및 그 제어 방법
KR20160026218A (ko) * 2014-08-29 2016-03-09 삼성전자주식회사 컨텐츠 제공 방법 및 그 전자 장치
KR101700836B1 (ko) * 2015-12-21 2017-02-13 한국과학기술정보연구원 도서의 코멘트를 이용한 감성어 사전 구축 방법 및 시스템
KR101863670B1 (ko) * 2016-12-15 2018-06-01 정우주 필터링 및 태그 방식을 기반으로 사용자 맞춤형 멀티미디어 컨텐츠를 제공하는 방법 및 장치
CN111612090A (zh) * 2020-05-29 2020-09-01 中国科学技术大学 基于内容颜色交叉相关的图像情感分类方法
US11494054B2 (en) 2020-10-20 2022-11-08 International Business Machines Corporation Item recommendation based on computed similarity between automatically generated item and request profiles
WO2023068443A1 (ko) * 2021-10-21 2023-04-27 주식회사 캐스트유 음원을 위한 키워드 생성방법

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140083637A (ko) * 2012-12-26 2014-07-04 주식회사 케이티 사용자의 감성에 기반한 맞춤형 콘텐츠를 제공하는 서버 및 방법
KR101503802B1 (ko) * 2013-02-26 2015-03-19 (주)아크릴 감성 패턴 제공 방법 및 이를 수행할 수 있는 장치
KR20150135747A (ko) * 2014-05-22 2015-12-03 허다혜 시니어를 위한 스마트 기기 기반 공간 정보 중심 클라우드 시스템 및 이를 이용하여 콘텐츠를 제공하기 위한 방법
KR101579229B1 (ko) * 2014-07-31 2015-12-21 경북대학교 산학협력단 영상 출력 장치 및 그 제어 방법
KR20160026218A (ko) * 2014-08-29 2016-03-09 삼성전자주식회사 컨텐츠 제공 방법 및 그 전자 장치
KR101700836B1 (ko) * 2015-12-21 2017-02-13 한국과학기술정보연구원 도서의 코멘트를 이용한 감성어 사전 구축 방법 및 시스템
KR101863670B1 (ko) * 2016-12-15 2018-06-01 정우주 필터링 및 태그 방식을 기반으로 사용자 맞춤형 멀티미디어 컨텐츠를 제공하는 방법 및 장치
CN111612090A (zh) * 2020-05-29 2020-09-01 中国科学技术大学 基于内容颜色交叉相关的图像情感分类方法
CN111612090B (zh) * 2020-05-29 2022-09-06 中国科学技术大学 基于内容颜色交叉相关的图像情感分类方法
US11494054B2 (en) 2020-10-20 2022-11-08 International Business Machines Corporation Item recommendation based on computed similarity between automatically generated item and request profiles
WO2023068443A1 (ko) * 2021-10-21 2023-04-27 주식회사 캐스트유 음원을 위한 키워드 생성방법

Similar Documents

Publication Publication Date Title
KR20120101233A (ko) 감성 정보 생성 방법, 그를 이용한 감성 정보 기반의 콘텐츠 추천 방법 및 시스템
Bogdanov et al. Semantic audio content-based music recommendation and visualization based on user preference examples
Schedl et al. Music recommender systems
Celma Music recommendation
KR102075833B1 (ko) 미술 작품 추천 큐레이션 방법 및 시스템
Polignano et al. Towards emotion-aware recommender systems: an affective coherence model based on emotion-driven behaviors
Bischoff et al. Music mood and theme classification-a hybrid approach.
Tso-Sutter et al. Tag-aware recommender systems by fusion of collaborative filtering algorithms
Lu et al. BizSeeker: a hybrid semantic recommendation system for personalized government‐to‐business e‐services
US9262527B2 (en) Optimized ontology based internet search systems and methods
CN103793446B (zh) 音乐视频的生成方法和系统
Naveda et al. Microtiming patterns and interactions with musical properties in samba music
CN105426514A (zh) 个性化的移动应用app推荐方法
CN105917334A (zh) 搜索结果中的相干问题回答
Schedl et al. Exploring the music similarity space on the web
JP2011060182A (ja) コンテンツ選択システム
Schedl et al. A music information system automatically generated via web content mining techniques
Knees et al. Music retrieval and recommendation: A tutorial overview
Hyung et al. Utilizing context-relevant keywords extracted from a large collection of user-generated documents for music discovery
Qu et al. A novel approach based on multi-view content analysis and semi-supervised enrichment for movie recommendation
Bogdanov et al. A content-based system for music recommendation and visualization of user preferences working on semantic notions
Chen et al. Music recommendation based on multiple contextual similarity information
CN106294563B (zh) 一种多媒体数据的处理方法和装置
JP2008052737A (ja) 楽曲マッチングシステム及び楽曲マッチング方法
Álvarez et al. Riada: a machine-learning based infrastructure for recognising the emotions of Spotify songs

Legal Events

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