KR20130046688A

KR20130046688A - 개인화 서비스를 위한 아이템 추천 시스템 및 방법

Info

Publication number: KR20130046688A
Application number: KR1020110111219A
Authority: KR
Inventors: 김종훈; 안시훈; 소재영; 전진옥
Original assignee: 주식회사 비트컴퓨터
Priority date: 2011-10-28
Filing date: 2011-10-28
Publication date: 2013-05-08

Abstract

본 발명은 유비쿼터스 환경에서 헬스케어(Healthcare) 서비스 등과 같은 개인화 서비스 제공 시 아이템 추천 방법에 관한 것으로, 보다 상세하게는 개인의 취향, 태도 및 상태 등과 같은 개인의 상황이 반영된 서비스 아이템을 선택하여 개인에게 추천할 수 있는 개인화 서비스를 위한 아이템 추천 시스템 및 방법에 관한 것이다.

Description

개인화 서비스를 위한 아이템 추천 시스템 및 방법{Item recommendation system and method for personalization services}

현대 사회는 웹과 통신 기술의 발달로 사용자가 처리해야 하는 데이터의 양이 기하급수적으로 증가하고 있다. 통상, 데이터의 증가는 사용자가 만족하는 시간 내에 원하는 아이템의 검색을 더욱 어렵게 만든다.

일반적으로, 웹 환경에서 특정 정보만으로 질의를 하여 결과의 순위만을 제공하는 시스템이 광범위하게 사용되고 있다. 이러한 시스템은 구현이 간단하다는 장점이 있지만 사용자가 원하지 않는 아이템을 제공하는 경우가 많아 사용자의 만족도를 떨어지게 만드는 원인이 되고 있다.

이러한 문제점을 해결하기 위해 최근에는 미리 사용자가 필요로 하는 아이템만을 예측하고 추천해주는 추천시스템이 활발하게 연구되고 있다. 이러한 추천 시스템의 대부분은 사용자에게 원하는 정보를 추천해주기 위해서 아이템의 내용과 사용자 정보간의 유사도 정보를 사용하는 내용기반 필터링이나, 유사 그룹의 아이템에 대한 정보를 고려하는 협력적 필터링을 사용한다. 하지만 사용자들로부터 수동적으로 획득한 정보만을 고려하여 필터링하기 때문에 추천에 제한적이고, 사용자에게 높은 신뢰도를 주지 못하는 문제점이 있었다.

특히, 건강과 의료 서비스의 문제를 해결할 수 있는 효과적인 대안으로 요즘 주목받고 있는 유-헬스케어(U-Healthcare) 서비스의 아이템 제공에서는 사용자의 건강상태에만 부합하는 아이템에 대한 단순 제공이나 질의를 통한 검색만이 가능하기 때문에 서비스에 대한 만족도가 낮고, 사용자가 서비스를 계속 이용하지 않는 원인이 되고 있다. 그리고 기존의 식단 아이템 추천 서비스에서는 사용자 개개인의 음식 선호도를 고려하지 않고, 일반적으로 사용자들이 수행해야 할 식단을 추천하여 개인의 취행이 반영된 개인화된 서비스를 제공하지 못하는 문제점이 있었다.

따라서, 본 발명의 목적은 개인의 취향, 태도 및 상태 등과 같은 개인의 상황이 반영된 서비스 아이템을 선택하여 개인에게 추천할 수 있는 개인화 서비스를 위한 아이템 추천 시스템 및 방법을 제공함에 있다.

상기와 같은 목적을 달성하기 위한 본 발명의 개인화 서비스를 위한 아이템 추천 시스템은; 유무선으로 사용자의 상황정보를 입력받거나 다수의 측정장치를 통해 사용자의 상황을 측정하여 상황데이터를 수집할 수 있도록 유비쿼터스망을 형성하는 개방 서비스 게이트웨이부와, 사용자별 각 아이템의 선호도, 사용자별 아이템 선호도 매핑 테이블, 아이템별 상황인식모델 매핑 테이블을 저장하는 데이터베이스들을 포함하는 데이터 처리부와, 아이템 추천 이벤트 발생 시 상기 개방 서비스 게이트웨이부를 통해 임의의 사용자에 대한 상황데이터를 수집하고 상기 추천 요청된 아이템에 대응하도록 상기 상황데이터를 상황정보열로 가공하는 상황 관리부와, 상기 상황 관리부로부터 상황정보열을 입력받아 상기 사용자에 대응하는 아이템 중 선호도가 없는 결측 선호도 아이템에 대해 상황인식모델(C-HMM)을 적용한 협력적 필터링을 수행하여 상기 결측 선호도 아이템에 대한 상기 사용자의 선호도를 생성한 후, 상기 사용자의 아이템들 중 적어도 하나를 선택하여 제공하는 아이템 추천 엔진부와, 상기 선택된 적어도 하나 이상의 아이템을 상기 개방 서비스 게이트웨이부를 통해 해당 사용자에게 제공하는 개인화 서비스 제공부를 포함하는 것을 특징으로 한다.

상기 상황 관리부는, 상기 개방 서비스 게이트웨이부를 통해 상황 데이터를 수집하여 공급하는 데이터 공급부와, 아이템을 추천하기 위한 적어도 하나 이상의 서비스에 대한 상황들 및 상황을 확장할 수 있는 지식정보들을 저장하고 있는 온톨로지 DB와, 상황 추론 규칙들을 저장하는 상황 추론 규칙 DB와, 상기 데이터 공급부를 통해 입력되는 상황 데이터들을 온톨로지 DB의 상황 지식 정보들을 참조하여 상기 수집된 상황 데이터들을 확장 및 변경하여 출력하는 상황 정보 관리기와, 상기 상황 추론 규칙 DB의 상황 추론 규칙들을 참조하여 상기 확장 및 변경된 상황 데이터들을 아이템 추천에 필요한 상황 정보열로 만들어 출력하는 상황 추론부를 포함하는 것을 특징으로 한다.

상기 아이템 추천 엔진은, 상기 상황 정보열을 입력받아 관측 시퀀스로 변환하여 출력하는 상황정보 관측 시퀀스 생성부와, 상기 데이터 처리부로부터 상기 상황 정보열에 대응하는 다수의 사용자별로 아이템-상황인식 모델 매핑 테이블을 저장하는 HMM 매트릭스 저장부와, 상기 사용자의 상황정보 및 상기 사용자의 아이템들 중 결측 선호도 아이템과 관련된 복수의 타 사용자별 아이템-상황인식 모델 매핑 테이블을 데이터 처리부로부터 로딩하여 상기 HMM 매트릭스 저장부에 저장하고, 상기 HMM 매트릭스 저장부에 저장된 타 사용자별 각 아이템의 상황인식모델을 선택하여 출력하는 HMM 선택부와, 상기 상황정보 관측 시퀀스를 상기 HMM 선택부로부터 출력되는 아이템의 상황인식모델을 통해 모델링하고 비터비 알고리즘을 수행하여 계산된 확률값을 출력하는 비터비 검색부와, 상기 사용자별로 각 아이템의 상황인식모델을 상기 확률값에 의해 순위화하고, 상기 순위에 따라 임의의 복수의 타 사용자의 아이템의 상황인식모델들을 선택하여 상기 결측 선호도 아이템의 선호도를 계산하여 저장한 후 상기 사용자의 아이템별 선호도를 출력하는 상기 베스트 모델 선택부와, 상기 각각의 선호도를 가지는 사용자의 아이템들 중 선호도에 따라 추천할 임의의 개수의 아이템을 개인화 서비스 제공부로 제공하는 개인화 아이템 추천부를 포함하는 것을 특징으로 한다.

상기 베스트 모델 선택부는, 상기 순위화된 상황인식모델들 중 오름차순으로 정렬하고 중간순위보다 높은 아이템의 상황인식모델들을 선택하고, 선택된 아이템들의 상황인식모델들의 선호도들의 평균값으로 상기 결측 선호도 아이템의 선호도를 결정하는 것을 특징으로 한다.

HMM 선택부는, 구하고자 하는 결측치에 해당하는 다른 사용자들의 상기 순위화된 상황인식모델들 중 상기 결측 선호도 아이템에 대응하는 타 사용자들의 아이템들 중 특정 상황에 대한 최고의 상황인식모델이 되는 사용자들을 선택하고, 상기 사용자들에 대한 아이템-상황인식모델 테이블을 HMM 매트릭스 저장부에 저장하는 것을 특징으로 한다.

상기 베스트 모델 선택부는, 다른 사용자의 상기 확률값들 중 가장 높은 확률값을 가지는 상황인식모델이 구하고자 하는 결측치에 해당할 경우 이 상황인식 모델과 대응하는 아이템의 선호도를 상기 결측 선호도 아이템의 선호도로 결정하는 것을 특징으로 한다.

상기 추천 시스템은; 상기 새로운 선호도가 결정된 아이템에 대해 상기 아이템에 대응하는 상황인식모델로 재훈련을 시켜 상기 데이터 처리부에 저장하는 훈련부를 더 포함하는 것을 특징으로 한다.

상기 아이템 추천 엔진부는 상기 사용자의 아이템들 중 선호도가 높은 일정 개수의 아이템을 선택하여 상기 개인화 서비스 제공부로 제공하는 것을 특징으로 한다.

상기와 같은 목적을 달성하기 위한 본 발명의 개인화 서비스를 위한 아이템 추천 방법은; 상황 관리부가, 아이템 추천 이벤트 발생 시 개방 서비스 게이트웨이부를 통해 상황 데이터를 수집하고, 상기 수집된 상황 데이터를 추천 요청된 아이템에 대응하도록 상황 정보열로 가공하는 상황 정보열 생성 과정과, 아이템 추천 엔진이, 상기 상황 정보열을 상기 사용자에 대응하는 아이템 중 선호도가 없는 결측 선호도 아이템에 대해 상황인식모델을 적용한 협력적 필터링의 수행에 의해 상기 결측 선호도 아이템의 선호도를 결정한 후, 선호도들을 가지는 사용자의 아이템들 중 적어도 하나를 선택하여 제공하는 아이템 추천 과정과, 개인화 서비스 제공부가, 상기 제공된 아이템을 상기 개방 서비스 게이트웨이부를 통해 해당 사용자에게 제공하는 개인화 서비스 제공 과정을 포함하는 것을 특징으로 한다.

상기 상황 정보열 생성 과정은, 데이터 공급부가 상기 개방 서비스 게이트웨이부를 통해 상황 데이터를 수집하여 공급하는 데이터 수집 단계와, 상황 정보 관리기가, 상기 데이터 공급부를 통해 입력되는 상황 데이터들을 온톨로지 DB의 상황 지식 정보들을 참조하여 상기 수집된 상황 데이터들을 확장 및 변경하여 출력하는 상황 데이터 확장 단계와, 상기 아이템 추론부가, 상기 상황 추론 규칙 DB의 상황 추론 규칙들을 참조하여 상기 확장 및 변경된 상황 데이터들을 아이템 추천에 필요한 상황 정보열로 만들어 출력하는 상황 추론 단계를 포함하는 것을 특징으로 하는 개인화 서비스를 위한 아이템 추천 단계를 포함하는 것을 특징으로 한다.

상기 아이템 추천 과정은, 상기 상황 정보열을 입력받아 관측 시퀀스로 변환하여 출력하는 관측 시퀀스 생성 단계와, 상기 사용자의 상황정보 및 상기 사용자의 아이템들 중 상기 결측 선호도 아이템과 관련된 복수의 타 사용자별 아이템-상황인식 모델 매핑 테이블을 데이터 처리부로부터 로딩하여 상기 HMM 매트릭스 저장부에 저장하고, 상기 HMM 매트릭스 저장부에 저장된 타 사용자별 각 아이템의 상황인식모델을 선택하여 출력하는 HMM 선택 단계와, 상기 상황정보 관측 시퀀스를 상기 HMM 선택부로부터 출력되는 아이템의 상황인식모델을 통해 모델링하고 비터비 알고리즘을 수행하여 계산된 확률값을 출력하는 비터비 알고리즘 수행 단계와, 상기 사용자별로 각 아이템의 상황인식모델을 상기 확률값에 의해 순위화하고, 상기 순위에 따라 임의의 복수의 타 사용자의 아이템의 상황인식모델들을 선택하여 상기 사용자의 결측 선호도 아이템의 선호도를 계산하여 저장한 후 상기 사용자의 아이템별 선호도를 출력하는 베스트 모델 선택 단계와, 상기 각각의 선호도를 가지는 사용자의 아이템들 중 선호도에 따라 추천할 임의의 개수의 아이템을 개인화 서비스 제공부로 제공하는 아이템 추천 단계를 포함하는 것을 특징으로 한다.

상기 베스트 모델 선택 과정은, 구하고자 하는 결측치에 해당하는 다른 사용자들의 상기 순위화된 상황인식모델들 중 오름차순으로 정렬하고 중간순위보다 높은 아이템의 상황인식모델들을 선택하고, 선택된 아이템들의 상황인식모델들의 선호도들의 평균값으로 상기 결측 선호도 아이템의 선호도를 결정하는 것을 특징으로 한다.

상기 베스트 모델 선택 과정은, 다른 사용자의 상기 확률값들 중 가장 높은 확률값을 가지는 상황인식모델이 구하고자 하는 결측치에 해당할 경우 이 상황인식 모델과 대응하는 아이템의 선호도를 상기 결측 선호도 아이템의 선호도로 결정하는 것을 특징으로 한다.

본 발명은 개인의 취행, 태도 및 상태 등과 같은 개인의 상황을 반영하여 서비스 사용자에게 제공할 아이템을 추천하므로 사용자의 서비스 만족도를 향상시킬 수 있는 효과를 가진다.

또한, 본 발명은 상황인식모델의 랭킹화를 통해 사용자 그룹에서 추천 상황에 가장 최적화된 모델을 찾고, 모델에 대응되는 다른 사용자의 아이템 선호도를 사용하여 사용자의 결측치를 도출하므로 종래 협력적 필터링의 가장 큰 문제였던 사용자 선호도에 대한 결측치 문제를 해결할 수 있는 효과를 가진다.

도 1은 본 발명에 따른 개인화 서비스를 위한 아이템 추천 시스템의 구성을 나타낸 도면이다.
도 2는 본 발명에 따른 아이템 추천 시스템의 상황 관리부의 구성을 나타낸 도면이다.
도 3은 본 발명에 따른 아이템 추천 엔진의 구성을 나타낸 도면이다.
도 4는 본 발명에 따른 개인화 서비스를 위한 아이템 추천 방법을 타낸 흐름도이다.
도 5는 본 발명에 따른 C-HMM 파라미터에 대한 상태전위 확률값을 나타내는 도면이다.
도 6은 본 발명에 따른 아이템 추천 시스템의 온톨로지 구조를 나타낸 도면이다.

이하 첨부된 도면을 참조하여 본 발명에 따른 개인화 서비스를 위한 아이템 추천 시스템의 구성 및 상기 아이템 추천 시스템의 아이템 추천 방법을 설명한다.

도 1은 본 발명에 따른 개인화 서비스를 위한 아이템 추천 시스템의 구성을 나타낸 도면이고, 도 5는 본 발명에 따른 C-HMM 파라미터에 대한 상태전위 확률값을 나타내는 도면이다.

본 발명에 따른 개인화 서비스를 위한 아이템 추천 시스템은 개방 서비스 게이트웨이부(10)와 상황 관리부(20)와 데이터 처리부(30)와 아이템 추천 엔진(40)과 개인화 서비스 제공부(50)를 포함한다.

개방 서비스 게이트웨이부(10)는 개방형 네트워크인 OSGi(Open Service Gateway initiative) 프레임워크를 기반으로 사용자의 상황데이터를 수집하고 사용자에게 개인화 서비스 정보를 제공할 수 있도록 유비쿼터스 네트워크 형성한다. OSGi 프레임워크는 다양한 정보 가전 및 개인 단말 등과 같은 환경 내에서 각종 서비스를 배포, 관리할 수 있게 해주는 기능을 수행한다. OSGi 프레임워크는 센서, 블루투스, 지그비(ZigBee), 바이탈 사인 측정 장치, RFID, 인터넷을 통한 HTTP 서비스 및 XML 파서(Parser) 서비스를 지원하므로 유비쿼터스 환경을 구축할 수 있다. 따라서 개방 서비스 게이트웨이부(10)는 OSGi 프레임워크에 의해 구성되는 유비쿼터스 네트워크를 통해 그래픽 사용자 인터페이스(Graphic User Interface: GUI)를 사용자에게 제공하고, 상기 GUI 및 프레임워크의 다수의 기기 및 서비스를 통해 다양한 사용자의 상황데이터를 수집할 수 있도록 하고, 추천된 아이템에 대한 개인화 서비스 정보를 사용자에게 제공될 수 있도록 한다. 상기 상황데이터는 센서에 의해 센싱된 온도/습도 데이터, RFID 리더기에 의해 리딩된 RFID 태그 데이터, 혈압측정기 등과 같은 의료기기에 의해 측정되는 바이탈 사인 데이터 및 HTTP 서비스, XML 서비스를 통해 사용자가 입력한 사용자 데이터 등들 중 적어도 하나 이상을 포함할 수 있을 것이다.

상황 관리부(20)는 온톨로지 지식 모델과 상황 추론 규칙이 정의된 데이터베이스들을 구비하고, 개방 서비스 게이트웨이부(10)를 통해 상황데이터를 수집하고, 수집된 상황데이터를 서비스에 대응하는 온톨로지 지식 정보(모델) 및 상황 추론 규칙에 근거하여 서비스 환경에 최적화된 상황 정보열을 생성하여 데이터 처리부(30)로 출력하여 저장시킨다. 그리고 상황 관리부(20)는 사용자의 상황을 추론하여 상황 정보열을 생성하고, 생성된 상황 정보열을 아이템 추천 엔진(40)로 제공한다. 여기서의 상황정보란 서비스 대상자가 아이템을 선택 또는 요청하는 시점의 상황에 대한 정보이다.

데이터 처리부(30)는 본 발명에 따라 발생하는 데이터를 저장 및 리딩하여 제공하는 것으로 데이터베이스 서버가 될 수 있을 것이다. 데이터 처리부(30)는 사용자별로 아이템에 대한 선호도를 저장하는 사용자별 아이템 선호도(Rating Matrix) DB와, 사용자별로 다수의 아이템들에 대한 선호도를 정의한 사용자-아이템 선호도(User-Item) 매핑 DB와 사용자별로 아이템 C-HMM(또는 "CHMM"이라고도 함)이 매핑되어 있는 사용자- 아이템 CHMM 매핑 DB 및 상황정보들을 저장하는 상황정보 DB를 포함한다.

본 발명에서 상술한 바와 같이 하나의 아이템을 C-HMM(이하 "상황인식모델"이라 함)으로 표현한다. 상황인식모델은 시간적인 변화를 잘 수용하고 다양한 상태와 파라미터를 반영할 수 있는 HMM에 상황정보열을 사용하고 상황정보와 아이템의 연관정보를 잘 반영할 수 있도록 4개의 상태와 10개의 전위로 구성된다. 상황인식모델, C-HMM을 적용함으로써 아이템 모델과 같이 많은 수의 대상 중에 최적의 모델을 선택하는데 있어서 보다 용이하게 선택할 수 있고, 상황 정보열을 구성하는 상황정보의 순서 또한 모델에 반영할 수 있기 때문에 적은 수의 상황정보로도 변별력 있는 아이템 및 서비스 모델을 만들 수 있다. 상기 상황인식모델의 파라미터는 상태간의 전위확률(A), 상태에 종속된 출력확률(B), 상태의 초기 존재확률(π)로 구성된다. 4개의 상태와 126개의 관측 심볼들로 이루어진, C-HMM의 파라미터를 간단하게 표현다면 하기 수학식 1과 같이 표현되며 도 5와 같이 표현될 수 있다. 도 6에서 a1*, a2*, a3*, a4* 각각의 상태전위 확률값들의 합은 1이 된다.

아이템 추천 엔진(40)은 결측 선호도 아이템에 대한 선호도를 도출한다. 결측 선호도 아이템이란 선호도가 없는 아이템을 의미한다. 구체적으로 아이템 추천 엔진(40)은 상황 관리부(20)로부터 전달받은 현재 상황정보열 및 데이터 처리부(30)의 사용자별 아이템 선호도 DB와 사용자-아이템 선호도 맵핑 DB와 아이템-상황인식 모델 매핑 DB에 기반하여 추천 아이템을 도출하고, 개인화 서비스 제공부(50)로 제공한다.

개인화 서비스 제공부(50)는 아이템 추천 엔진(40)으로부터 추천 아이템 정보를 제공받고, 추천 아이템을 개방 서비스 게이트웨이(10)를 통해 사용자에게 제공한다.

도 2는 본 발명에 따른 아이템 추천 시스템의 상황 관리부의 구성을 나타낸 도면이고, 도 6은 본 발명에 따른 아이템 추천 시스템의 온톨로지 구조를 나타낸 도면이다. 이하 도 2 및 도 6을 참조하여 상황 관리부의 구성 및 동작을 설명한다.

상황 관리부(20)는 데이터 공급부(21)와, 온톨로지 DB(22)와, 상황 정보 관리기(23)와, 상황 추론 규칙 DB(25)와 상황 추론부(26)를 구비하는 상황정보검색부(24)를 포함한다.

온톨로지 DB(22)는 도 6과 같이 정의된 서비스 등에 대한 상황들 및 상황을 확장하거나 변경할 수 있는 지식정보들을 저장한다.

상황 추론 규칙 DB(25)는 상기 지식정보들에 근거하여 확장 및/또는 변경된 상황 데이터들을 순서를 변경하거나 새로운 상황들을 부가하여 출력하기 위한 출력 규칙 정보를 저장한다.

데이터 공급부(21)는 개방 서비스 게이트웨이(10)를 통해 상황 데이터를 수집하여 상황 정보 관리기(23)로 제공한다.

상황 정보 관리기(23)는 온톨로지 DB(22)에 저장된 임의의 서비스에 대응하는 지식정보들에 근거하여 수집된 상황 데이터열을 확장 및 변경한다. 예를 들면 식단 서비스의 경우, 계절, 온도, 시간인 경우, 온도는 온톨로지 DB(22)의 지식정보에 근거하여 덥다/춥다/따듯하다/시원하다 등과 같은 상황데이터로 변경될 수 있고 시간은 아침/점심/저녁 등의 상황데이터로 변경될 수 있으며, 식단 서비스의 경우 사용자의 질병 등이 더 추가되어 확장될 수도 있을 것이다. 상기 상황 데이터의 확장은 하기 설명할 상황 추론부(26)에 의해 수행될 수도 있다.

상황 추론부(26)는 온톨로지 DB(22)의 서비스에 대한 지식 정보와 상황 추론 규칙 DB(25)의 상황 추론 규칙 정보를 참조하여 상황 정보 관리기(23)로부터 수신되는 상황 데이터열의 순서를 변경하거나 새로운 상황들을 부가하여 최종 상황정보를 추론하여 아이템 추천 엔진(40)으로 출력한다.

도 3은 본 발명에 따른 아이템 추천 엔진의 구성을 나타낸 도면이다. 이하 도 3을 참조하여 아이템 추천 엔진의 구성 및 동작을 설명한다.

아이템 추천 엔진(40)은 상황 정보 관측 시퀀스 생성부(41), 히든 마코브 모델(Hidden Markov Model: HMM) 매트릭스 저장부(42)와 HMM 선택부(43)와 비터비 검색부(44)와 베스트 모델 선택부(45)와 개인화 아이템 추천부(46)와 훈련부(47)를 포함한다.

HMM 매트릭스 저장부(42)는 사용자-아이템 상황인식모델 매핑 정보들이 DB 형태 또는 파일 형태로 저장된다.

상황정보 시퀀스 생성부(41)는 상기 상황 정보열을 입력받아 관측 시퀀스로 변환하여 출력한다.

HMM 선택부(43)는 상기 사용자의 상황정보 및 상기 사용자의 아이템들 중 결측 선호도 아이템과 관련된 복수의 타 사용자별 아이템-상황인식 모델 매핑 테이블을 데이터 처리부로부터 로딩하여 상기 HMM 매트릭스 저장부에 저장하고, 상기 HMM 매트릭스 저장부에 저장된 타 사용자별 각 아이템의 상황인식모델을 선택하여 출력한다.

비터비 검색부(44)는 상기 상황정보 관측 시퀀스를 상기 HMM 선택부(43)로부터 출력되는 아이템의 상황인식모델을 통해 모델링하고 비터비 알고리즘을 수행하여 계산된 확률값을 출력한다.

베스트 모델 선택부(45)는 상기 사용자별로 각 아이템의 상황인식모델을 상기 확률값에 의해 순위화 한다.

구체적으로 설명하면, 본 발명의 협력적 필터링 개인화 기법에서는 {사용자-아이템} 행렬과 {사용자-상황인식모델} 행렬을 기반으로 사용자에게 아이템을 추천한다. 하지만 실제 사용자는 모든 아이템에 대해 선호도를 평가하지 않는다. 따라서 {사용자-아이템} 행렬에서 결측 선호도 아이템이 발생하고, 결측 선호도 아이템의 선호도(또는 "결측치"라 함)는 {사용자-아이템} 행렬을 더욱 희박하게 만드는 원인이 된다. 본 발명에서는 결측치로 인한 {사용자-아이템} 행렬의 희박성을 줄이기 위한 전 단계로 사용자가 선택한 아이템을 기반으로 사용자를 군집하고, 군집된 정보와 사용자 정보로 다시 군집을 수행한다. 보통 시스템에서 아이템 선호도를 기반으로 사용자를 군집하지만 아이템 선택이 선호도뿐만 아니라 다양한 정보가 사용되고 실제로 아이템 평가의 결측치가 존재하기 때문에 정확한 정보를 사용한 군집이 이루어지지 않는다. 따라서 사용자 군집 시에 아이템 선호도가 아닌 아이템 선택 행위 정보를 사용하여 사용자를 군집화 하고 선택 군집정보와 사용자 정보를 최종 군집의 입력 값으로 사용한다. 사용자가 아이템을 한번이라도 선택하면 아이템에 대한 상황인식 모델이 생성된다. 따라서 모델 생성 유무를 파악하면 아이템이 선택되었는지를 알 수 있다. 또한, 아이템의 선택에 있어서 한번은 호기심으로 선택할 수 있지만 반복적으로 선택하는 것은 사용자가 선택한 아이템을 선호한다고 볼 수 있다. 본 논문의 상황인식 모델의 훈련 횟수와 아이템의 선택횟수는 동등하므로 기준이상 훈련된 모델만을 사용자 군집에 사용한다. 군집화 알고리즘은 K-means를 사용한다.

사용자들을 군집화 하였으면 특정 군집내의 사용자들은 아이템의 선호도뿐만 아니라 실제 아이템의 선택행위에서도 유사성이 있다고 가정한다.

본 논문에서는 기존의 피어슨 상관 계수 기반의 협력적 필터링 개인화 기법에서 새로운 사용자 a와 기존의 사용자 i가 공통으로 선호도를 평가한 아이템들을 이용하는데 반해 선호도를 평가하지 않은 결측 선호도 아이템에 대하여 {사용자-상황인식모델} 행렬의 확률값을 사용한다.

	G1-U₁	G1-U₂	…	G1-U_m	…	G1-U_u
Item₁	r_1,1	r_2,1	…	r_m,1	…	r_u,1
Item₂	r_1,2	r_2,2	…	cr_m,n	…	cr_u,n
…	…	…	…	…	…	…
Item_n	r_1,n	cr_2,n	…	r_m,n	…	r_u,n
…	…	…	…	…	…	…
Item_i	r_1,i	r_2,i	…	cr_m,n	…	r_u,i

새로운 {사용자-아이템} 행렬은 표 1과 같다.

가 C-HMM 모델에 의해서 평가될 사용자의 결측치에 대한 선호도이다.

새로운 {사용자-아이템} 행렬

은 수학식 1과 같이 정의된다.

그리고 나서 베스트 모델 선택부(45)는 상기 순위에 따라 임의의 복수의 타 사용자의 아이템의 상황인식모델들을 선택하여 상기 결측 선호도 아이템의 선호도를 계산하여 저장한 후, 하기 두 가지 방법 중 하나에 의해 상기 사용자의 아이템별 선호도, 즉 사용자 m의 새로운{사용자-아이템} 행렬을 출력한다.

결측치가 있는 사용자 m의 새로운 {사용자-아이템} 행렬을 도출하기 위해서는 두 가지 방법을 제안한다.

첫 번째 방법은 도출하고자 하는 선호도가 사용자 m의

번째 아이템이라고 할 때 사용자별

번째 아이템의

의 vitervi 알고리즘에 의한 확률 값인

를 계산한다. 계산된 확률값에 따라서

를 오름차순으로 정렬하고 중간순위 보다 높은

들을 선택한다. 도출하고자 하는 결측치는 선택된

과 대응하는

들의 평균값으로 결정한다.

수학식 2는 첫 번째 방법에 의한 결측치

의 도출 식이다.

는 사용자들의

모델의 확률값을 오름차순으로 정렬하였을 때 중간 순위를 의미한다. 따라서

는 중간 순위 이상의 사용자의 집합을 나타낸다.

본 방법은 상황인식 모델을 최대

번 확률값을 계산하기 때문에, 사용자 선택이 빠르고,

의 결정에 따라서 선택된 사용자의 수를 결정할 수 있어서 유연한 결측치 도출을 할 수 있다. 하지만 특정 아이템에 대한 사용자들의 상대적인 상황인식 모델의 확률 값을 계산하기 때문에, 최악의 경우 상황에 대한 최적의 모델들이 선택 안 되는 경우가 발생할 수 있다.

두 번째 방법은 특정 상황관측열(COS)에 대한

의 확률 값을

라 할 때, 결측치인

는 수학식 3과 같이 정의 된다.

는

이

일 때

에 해당하는

의 선호도 값이다. 1부터 u까지의 사용자들에서 특정 상황에 대한 최고의 상황인식 모델이 i번째 아이템이 되는 사용자들을 뽑고 i번째 아이템의 선호도 값들의 합을 선출된 사용자들의 수로 나눈다. 만약이때 선출된 사용자의 선호도가 결측치일 경우, 선출된 사용자 그룹에서 제외한다. 이 방법은 특정 상황에 Itemi를 가장 많이 선택한 사용자를 고르고 사용자들로 부터

사용자의 Itemi에 대한 선호도를 도출하는 방법이다. 제안된 방법은 사용자 별로 특정 상황에 대한

의 확률 값을 계산하고, 가장확률 높은 모델과 찾고자 하는 아이템이 일치하는 사용자들의 선호도를 결측치 계산에 반영한다. 따라서 사용자 그룹에서 특정 상황에 특정 아이템을 가장 많이 선택한 사용자의 정보만을 비교적 정확하게 반영할 수 있다. 하지만 유연한 결측치 도출이 어렵고, 사용자별 아이템에 대한 상황인식 모델의 확률값을 계산하기 때문에 최대

번 확률값을 계산해야하는 문제가 있다.

따라서 추천 서비스의 데이터의 개수와 추천 아이템 및 서비스의 성격에 따라서 두 방법 중에 가장 적당한 방법을 선택하거나 조합하여 사용해야 된다.

[표 2]는 이렇게 구성된 새로운 {사용자-아이템} 행렬의 예를 보여준다.

	U₁	U₂	…	U_m	…	U_u
Item₁	0.2	0.2	…	0.8	…	0.4
Item₂	1.0	0.6	…	0.8	…	*
…	…	…	…	…	…	…
Item_n	0.2	*	…	0.8	…	0.2
…	…	…	…	…	…	…
Item_i	0.2	0.4	…	0.6	…	0.4

개인화 아이템 추천부(46)는 상기 각각의 선호도를 가지는 사용자의 아이템들 중 선호도에 따라 추천할 임의의 개수의 아이템을 개인화 서비스 제공부(50)로 제공한다.

훈련부(47)는 상기 새로운 선호도가 결정된 아이템에 대해 상기 아이템에 대응하는 상황인식모델로 재훈련을 시켜 상기 데이터 처리부에 저장한다.

상기 훈련부(47)는 추천을 위해서 새롭게 도출된 사용자의 {사용자-아이템} 행렬을 사용하여 사용자 m과 a의 유사도 가중치

을 구하고, 수학식 4와 같이 전체 사용자를 대상으로 결측된 아이템

의 선호도를 다시 도출한다.

는 사용자 m이 아이템 i에 대하여 평가한 선호도이고,

은 사용자 m의 선호도 평균값이다.

도 4는 본 발명에 따른 개인화 서비스를 위한 아이템 추천 방법을 타낸 흐름도이다.

상황 관리부(20)는 아이템 추천 이벤트가 발생하면 상기 아아템 추천 이벤트에 대응하는 사용자 및 서비스에 대해 데이터 공급부(21)를 통해 개방 서비스 게이트웨이부(10)와 연결된 UI 및 센서, RFID 태그, 생체 측정기 등과 같은 장치들로부터 임의의 사용자에 대한 상황 데이터들을 수집하여 상황 정보 관리기(23)로 공급한다(S411).

상황 관리부(20)는 데이터 공급부(21)를 통해 수집되는 상황 데이터들을 상황 정보열로 변환하여 출력한다.(S413).

그러면 아이템 추천 엔진부(40)는 상호아 정보 관측 시퀀스 생성부(41)로 상기 상황 정보열을 입력받아 시스템에서 필요로 하는 시퀀스, 즉 비터비 알고리즘을 수행하기 위한 순서 및 포맷으로 변환한 상황 관측 시퀀스를 생성하여 출력한다(S415).

상기 상황 관측 시퀀스가 생성과 동시에 HMM 선택부(43)는 상기 사용자의 상황정보 및 상기 사용자의 아이템들 중 결측 선호도 아이템과 관련된 복수의 타 사용자별 아이템-상황인식 모델 매핑 테이블을 데이터 처리부(30)로부터 로딩하여 상기 HMM 매트릭스 저장부에 저장하고, 상기 HMM 매트릭스 저장부(42)에 저장된 타 사용자별 각 아이템의 상황인식모델을 선택하여 출력한다(S417).

상기 상황 관측 시퀀스가 생성되고, 상기 사용자별 각 아이템의 상황인식모델 맵핑 테이블이 저장되면, 아이템 추천 엔진(40)은 비터비 검색부(44)에서 상기 상황정보 관측 시퀀스를 상기 HMM 선택부로부터 출력되는 아이템의 상황인식모델을 통해 모델링하고 비터비 알고리즘을 수행하여 계산된 확률값을 출력한다(S419).

상기와 같이 사용자별 아이템에 대한 확률값이 계산되면 아이템 추천 엔진(40)은 베스트 모델 선택부(45)에서 상기 사용자별로 각 아이템의 상황인식모델을 상기 확률값에 의해 순위화하고, 상기 순위에 따라 임의의 복수의 타 사용자의 베스트 아이템의 상황인식모델들을 선택하여 상기 결측 선호도 아이템의 선호도를 계산하여 저장한(S421) 후, 상기 사용자의 아이템별 선호도를 결정한다(S423).

아이템 추천 엔진(40)은 상기 사용자 아이템 선호도가 결정되면, 개인화 아이템 추천부(46)에서 상기 선호도를 가지는 상기 사용자의 아이템들 중 선호도에 따라 상위의 아이템들을 개인화 서비스 제공부(50)로 제공한다(S425).

한편, 본 발명은 전술한 전형적인 바람직한 실시 예에만 한정되는 것이 아니라 본 발명의 요지를 벗어나지 않는 범위 내에서 여러 가지로 개량, 변경, 대체 또는 부가하여 실시할 수 있는 것임은 당해 기술분야에서 통상의 지식을 가진 자라면 용이하게 이해할 수 있을 것이다. 이러한 개량, 변경, 대체 또는 부가에 의한 실시가 이하의 첨부된 특허청구범위의 범주에 속하는 것이라면 그 기술사상 역시 본 발명에 속하는 것으로 보아야 한다.

10: 개방 서비스 게이트웨이부 20: 상황 관리부
21: 데이터 공급부 22: 온톨로지 DB
23: 상황 정보 관리기 24: 상황정보 검색부
25: 상황 추론 규칙 DB 26: 상황 추론부
30: 데이터 처리부 40: 아이템 추천부
41: 상황정보 관측 시퀀스 생성부 42: HMM 매트릭스 DB
43: HMM 선택부 44: 비터비 검색부
45: 베스트 모델 선택부 46: 개인화 아이템 추천부
47: 훈련부 50: 개인화 서비스 제공부

Claims

유무선으로 사용자의 상황정보를 입력받거나 다수의 측정장치를 통해 사용자의 상황을 측정하여 상황데이터를 수집할 수 있도록 유비쿼터스망을 형성하는 개방 서비스 게이트웨이부와,
사용자별 각 아이템의 선호도, 사용자별 아이템 선호도 매핑 테이블, 사용자별 아이템 상황인식모델 매핑 테이블을 저장하는 데이터베이스들을 포함하는 데이터 처리부와,
아이템 추천 이벤트 발생 시 상기 개방 서비스 게이트웨이부를 통해 임의의 사용자에 대한 상황데이터를 수집하고 상기 추천 요청된 아이템에 대응하도록 상기 상황데이터를 상황정보열로 가공하는 상황 관리부와,
상기 상황 관리부로부터 상황정보열을 입력받아 상기 사용자에 대응하는 아이템 중 선호도가 없는 결측 선호도 아이템에 대해 상황인식모델(C-HMM)을 적용한 협력적 필터링을 수행하여 상기 결측 선호도 아이템에 대한 상기 사용자의 선호도를 생성한 후, 상기 사용자의 아이템들 중 적어도 하나를 선택하여 제공하는 아이템 추천 엔진부와,
상기 선택된 적어도 하나 이상의 아이템을 상기 개방 서비스 게이트웨이부를 통해 해당 사용자에게 제공하는 개인화 서비스 제공부를 포함하는 것을 특징으로 하는 개인화 서비스를 위한 아이템 추천 시스템.
제1항에 있어서,
상기 상황 관리부는,
상기 개방 서비스 게이트웨이부를 통해 상황 데이터를 수집하여 공급하는 데이터 공급부와,
아이템을 추천하기 위한 적어도 하나 이상의 서비스에 대한 상황들 및 상황을 확장할 수 있는 지식정보들을 저장하고 있는 온톨로지 DB와,
상황 추론 규칙들을 저장하는 상황 추론 규칙 DB와,
상기 데이터 공급부를 통해 입력되는 상황 데이터들을 온톨로지 DB의 상황 지식 정보들을 참조하여 상기 수집된 상황 데이터들을 확장 및 변경하여 출력하는 상황 정보 관리기와,
상기 상황 추론 규칙 DB의 상황 추론 규칙들을 참조하여 상기 확장 및 변경된 상황 데이터들을 아이템 추천에 필요한 상황 정보열로 만들어 출력하는 상황 추론부를 포함하는 것을 특징으로 하는 개인화 서비스를 위한 아이템 추천 시스템.
제1항에 있어서,
상기 아이템 추천 엔진은,
상기 상황 정보열을 입력받아 관측 시퀀스로 변환하여 출력하는 상황정보 관측 시퀀스 생성부와,
상기 데이터 처리부로부터 상기 상황 정보열에 대응하는 다수의 사용자-아이템 상황인식모델 매핑 테이블을 저장하는 HMM 매트릭스 저장부와,
상기 사용자의 상황정보 및 상기 사용자의 아이템들 중 결측 선호도 아이템과 관련된 복수의 타 사용자별 아이템-상황인식 모델 매핑 테이블을 데이터 처리부로부터 로딩하여 상기 HMM 매트릭스 저장부에 저장하고, 상기 HMM 매트릭스 저장부에 저장된 타 사용자별 각 아이템의 상황인식모델을 선택하여 출력하는 HMM 선택부와,
상기 상황정보 관측 시퀀스를 상기 HMM 선택부로부터 출력되는 아이템의 상황인식모델을 통해 모델링하고 비터비 알고리즘을 수행하여 계산된 확률값을 출력하는 비터비 검색부와,
상기 사용자별로 각 아이템의 상황인식모델을 상기 확률값에 의해 순위화하고, 상기 순위에 따라 임의의 복수의 타 사용자의 베스트 아이템의 상황인식모델들을 선택하여 상기 결측 선호도 아이템의 선호도를 계산하여 저장한 후 상기 사용자의 아이템별 선호도를 출력하는 상기 베스트 모델 선택부와,
상기 각각의 선호도를 가지는 사용자의 아이템들 중 선호도에 따라 추천할 임의의 개수의 아이템을 개인화 서비스 제공부로 제공하는 개인화 아이템 추천부를 포함하는 것을 특징으로 하는 개인화 서비스를 위한 아이템 추천 시스템.
제3항에 있어서,
상기 베스트 모델 선택부는,
상기 순위화된 상황인식모델들 중 오름차순으로 정렬하고 중간순위보다 높은 아이템의 상황인식모델들을 선택하고, 선택된 아이템들의 상황인식모델들의 선호도들의 평균값으로 상기 결측 선호도 아이템의 선호도를 결정하는 것을 특징으로 하는 개인화 서비스를 위한 아이템 추천 시스템.
제3항에 있어서,
HMM 선택부는,
구하고자 하는 결측치에 해당하는 다른 사용자들의 상기 순위화된 상황인식모델들 중 상기 결측 선호도 아이템에 대응하는 타 사용자들의 아이템들 중 특정 상황에 대한 최고의 상황인식모델이 되는 사용자들을 선택하고, 상기 사용자들에 대한 아이템-상황인식모델 테이블을 HMM 매트릭스 저장부에 저장하는 것을 특징으로 하는 개인화 서비스를 위한 아이템 추천 시스템
제3항에 있어서,
상기 베스트 모델 선택부는,
다른 사용자의 상기 확률값들 중 가장 높은 확률값을 가지는 상황인식모델이 구하고자 하는 결측치에 해당할 경우 이 상황인식 모델과 대응하는 아이템의 선호도를 상기 결측 선호도 아이템의 선호도로 결정하는 것을 특징으로 하는 개인화 서비스를 위한 아이템 추천 시스템.
제3항에 있어서,
상기 새로운 선호도가 결정된 아이템에 대해 상기 아이템에 대응하는 상황인식모델로 재훈련을 시켜 상기 데이터 처리부에 저장하는 훈련부를 더 포함하는 것을 특징으로 하는 개인화 서비스를 위한 아이템 추천 시스템.
제1항에 있어서,
상기 아이템 추천 엔진부는 상기 사용자의 아이템들 중 선호도가 높은 일정 개수의 아이템을 선택하여 상기 개인화 서비스 제공부로 제공하는 것을 특징으로 하는 아이템 추천 시스템.
상황 관리부가, 아이템 추천 이벤트 발생 시 개방 서비스 게이트웨이부를 통해 상황 데이터를 수집하고, 상기 수집된 상황 데이터를 추천 요청된 아이템에 대응하도록 상황 정보열로 가공하는 상황 정보열 생성 과정과,
아이템 추천 엔진이, 상기 상황 정보열을 상기 사용자에 대응하는 아이템 중 선호도가 없는 결측 선호도 아이템에 대해 상황인식모델을 적용한 협력적 필터링의 수행에 의해 상기 결측 선호도 아이템의 선호도를 결정한 후, 선호도들을 가지는 사용자의 아이템들 중 적어도 하나를 선택하여 제공하는 아이템 추천 과정과,
개인화 서비스 제공부가, 상기 제공된 아이템을 상기 개방 서비스 게이트웨이부를 통해 해당 사용자에게 제공하는 개인화 서비스 제공 과정을 포함하는 것을 특징으로 하는 개인화 서비스를 위한 아이템 추천 방법.
제9항에 있어서,
상기 상황 정보열 생성 과정은,
데이터 공급부가 상기 개방 서비스 게이트웨이부를 통해 상황 데이터를 수집하여 공급하는 데이터 수집 단계와,
상황 정보 관리기가, 상기 데이터 공급부를 통해 입력되는 상황 데이터들을 온톨로지 DB의 상황 지식 정보들을 참조하여 상기 수집된 상황 데이터들을 확장 및 변경하여 출력하는 상황 데이터 확장 단계와,
상기 아이템 추론부가, 상기 상황 추론 규칙 DB의 상황 추론 규칙들을 참조하여 상기 확장 및 변경된 상황 데이터들을 아이템 추천에 필요한 상황 정보열로 만들어 출력하는 상황 추론 단계를 포함하는 것을 특징으로 하는 개인화 서비스를 위한 아이템 추천 단계를 포함하는 것을 특징으로 하는 개인화 서비스를 위한 아이템 추천 방법.
제9항에 있어서,
상기 아이템 추천 과정은,
상기 상황 정보열을 입력받아 관측 시퀀스로 변환하여 출력하는 관측 시퀀스 생성 단계와,
상기 사용자의 상황정보 및 상기 사용자의 아이템들 중 상기 결측 선호도 아이템과 관련된 복수의 타 사용자별 아이템-상황인식 모델 매핑 테이블을 데이터 처리부로부터 로딩하여 상기 HMM 매트릭스 저장부에 저장하고, 상기 HMM 매트릭스 저장부에 저장된 타 사용자별 각 아이템의 상황인식모델을 선택하여 출력하는 HMM 선택 단계와,
상기 상황정보 관측 시퀀스를 상기 HMM 선택부로부터 출력되는 아이템의 상황인식모델을 통해 모델링하고 비터비 알고리즘을 수행하여 계산된 확률값을 출력하는 비터비 알고리즘 수행 단계와,
상기 사용자별로 각 아이템의 상황인식모델을 상기 확률값에 의해 순위화하고, 상기 순위에 따라 임의의 복수의 타 사용자의 아이템의 상황인식모델들을 선택하여 상기 사용자의 결측 선호도 아이템의 선호도를 계산하여 저장한 후 상기 사용자의 아이템별 선호도를 출력하는 베스트 모델 선택 단계와,
상기 각각의 선호도를 가지는 사용자의 아이템들 중 선호도에 따라 추천할 임의의 개수의 아이템을 개인화 서비스 제공부로 제공하는 아이템 추천 단계를 포함하는 것을 특징으로 하는 개인화 서비스를 위한 아이템 추천 방법.
제11항에 있어서,
상기 베스트 모델 선택 과정은,
구하고자 하는 결측치에 해당하는 다른 사용자들의 상기 순위화된 상황인식모델들 중 오름차순으로 정렬하고 중간순위보다 높은 아이템의 상황인식모델들을 선택하고, 선택된 아이템들의 상황인식모델들의 선호도들의 평균값으로 상기 결측 선호도 아이템의 선호도를 결정하는 것을 특징으로 하는 개인화 서비스를 위한 아이템 추천 방법.
제11항에 있어서,
상기 베스트 모델 선택 과정은,
다른 사용자의 상기 확률값들 중 가장 높은 확률값을 가지는 상황인식모델이 구하고자 하는 결측치에 해당할 경우 이 상황인식 모델과 대응하는 아이템의 선호도를 상기 결측 선호도 아이템의 선호도로 결정하는 것을 특징으로 하는 개인화 서비스를 위한 아이템 추천 방법.