KR20130134046A - 하이브리드 협업적 여과 방법을 이용한 코사인 유사도 기반 전문가 추천 장치 및 방법 - Google Patents

하이브리드 협업적 여과 방법을 이용한 코사인 유사도 기반 전문가 추천 장치 및 방법 Download PDF

Info

Publication number
KR20130134046A
KR20130134046A KR1020120057282A KR20120057282A KR20130134046A KR 20130134046 A KR20130134046 A KR 20130134046A KR 1020120057282 A KR1020120057282 A KR 1020120057282A KR 20120057282 A KR20120057282 A KR 20120057282A KR 20130134046 A KR20130134046 A KR 20130134046A
Authority
KR
South Korea
Prior art keywords
similarity
expert
recommendation
user
value
Prior art date
Application number
KR1020120057282A
Other languages
English (en)
Other versions
KR101363171B1 (ko
Inventor
신영성
오병석
오영만
김형일
박여삼
장재우
Original Assignee
전북대학교산학협력단
(주)유엠텍
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 전북대학교산학협력단, (주)유엠텍 filed Critical 전북대학교산학협력단
Priority to KR1020120057282A priority Critical patent/KR101363171B1/ko
Publication of KR20130134046A publication Critical patent/KR20130134046A/ko
Application granted granted Critical
Publication of KR101363171B1 publication Critical patent/KR101363171B1/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
    • G06Q50/01—Social networking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations

Landscapes

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

Abstract

전문가의 속성(전문분야, 관심분야)과 전문가 간의 유사도를 계산한 후, 사용자와 관련된 전문가를 추천해 주는 하이브리드 협업적 여과 방법을 이용한 코사인 유사도 기반 전문가 추천 방법을 개시한다.
일 실시예로서, 피부마커와 체내 특징점을 이용한 고정확도 영상정합 장치 및 방법은, 전문가 데이터베이스에 저장되어 있는 데이터가 적을 경우에 점수 예측 기법을 통하여 전문가 추천을 수행할 수 있고, 전문가의 전문성을 판단하기 위하여 전문가의 활동(논문, 경력 등)을 활용하여 가중치를 적용해서 추천의 질을 높일 수 있고, SNS 사용자는 자신의 관심분야에 대한 전문가를 추천받아 자신의 관심분야에 대한 커뮤니케이션 및 협업을 수행할 수 있다.

Description

하이브리드 협업적 여과 방법을 이용한 코사인 유사도 기반 전문가 추천 장치 및 방법{COSINE SIMILARITY BASED EXPERT RECOMMENDATION TECHNIQUE USING HYBRID COLLABORATIVE FILTERING}
본 발명의 실시예들은 전문분야와 관심분야를 포함하는 전문가의 속성과 전문가 간의 유사도를 계산한 후, 사용자에게 적합한 전문가를 추천해 주는 하이브리드 협업적 여과 방법을 이용한 코사인 유사도 기반 전문가 추천 장치 및 방법에 관한 것이다.
소셜 네트워크 서비스(SNS: Social Network Service)에서 다양한 종류의 소셜 서비스에 대한 요구가 증가하고 있다. 이 중 대표적인 서비스로는 추천 서비스를 들 수 있다. 추천 서비스는 SNS에서 사용자가 관심을 가지는 아이템을 추천해 주거나, 사용자와 가까운 다른 사용자를 추천해 주는 서비스이다.
전문가간의 협업을 위한 SNS의 필요성이 증대됨에 따라, 보다 원활한 협업을 지원할 수 있는 기술이 필요하게 되었다. 그 중 대표적인 기술로 화상회의, 전문가 추천이 존재한다. 전문가 추천은 SNS를 사용하고 있는 사용자 중 전문가의 사회적인 인지도, 전문 분야 근속 년수, 최종 학력 등 추천에 필요한 다양한 사용자 속성에 대한 분석이 필수이다. 하지만 기존에 존재하는 협업적 여과 기반 추천 기법은 사용자 속성에 대한 분석이 전혀 없이, 각 사용자들이 추천한 점수에 기반을 둔 데이터에만 의존하기 때문에 성능을 보장하지 못하는 문제점이 있다. 또한 기존의 기법은 전문가로 판단된 사용자와 유사한 전문가에 대한 정보를 파악하기 어려운 문제점이 존재한다. 이와 같은 기존 방법의 문제점을 해결하고, 전문가 간 협업을 원활하게 지원하는 전문가 추천 서비스를 제공하고자 한다.
본 발명의 일실시예는 전문분야와 관심분야를 포함하는 전문가의 속성과 전문가 간의 유사도를 계산한 후, 사용자에게 적합한 전문가를 추천해 주는 하이브리드 협업적 여과 방법을 이용한 코사인 유사도 기반 전문가 추천 장치 및 방법을 제공한다.
상기의 일실시예를 이루기 위한, 전문가 추천 장치는, 전문가 그룹에 속하는 전문가 단말 사이의 제1 유사도를 연산하는 제1 연산부; 상기 전문가 그룹과 쇼셜 네트워크 서비스(SNS)로 연결되는 사용자 그룹에 속하는 사용자 단말 사이의 제2 유사도를 연산하는 제2 연산부; EMDP(Effective Missing Data Prediction) 알고리즘에 의거하여, 상기 연산을 통해 상기 제1 유사도 및 상기 제2 유사도가 획득되는지에 따른 추천 점수를 계산하는 추천 계산부; 및 상기 계산된 추천 점수를 이용하여 전문가 단말을 추천하는 추천부를 포함한다.
또한, 상기 일실시예를 달성하기 위한 기술적 방법으로서, 전문가 추천 방법은, 전문가 그룹에 속하는 전문가 단말 사이의 제1 유사도를 연산하는 단계; 상기 전문가 그룹과 쇼셜 네트워크 서비스(SNS)로 연결되는 사용자 그룹에 속하는 사용자 단말 사이의 제2 유사도를 연산하는 단계; EMDP(Effective Missing Data Prediction) 알고리즘에 의거하여, 상기 연산을 통해 상기 제1 유사도 및 상기 제2 유사도가 획득되는지에 따른 추천 점수를 계산하는 단계; 및 상기 계산된 추천 점수를 이용하여 전문가 단말을 추천하는 단계를 포함한다.
본 발명의 일실시예에 따르면, 전문가 데이터베이스에 저장되어 있는 데이터가 적을 경우에 점수 예측 기법을 통하여 계산되는 추천 점수를 활용하여 전문가 추천을 수행할 수 있다.
또한, 본 발명의 일실시예에 따르면, 전문가의 전문성을 판단하기 위하여 전문가의 활동(논문, 경력 등)을 활용하여 가중치를 적용해서 전문가 추천의 질을 높일 수 있다.
또한, 본 발명의 일실시예에 따르면, SNS 사용자는 자신의 관심분야에 대한 전문가를 추천받아 자신의 관심분야에 대한 커뮤니케이션 및 협업을 수행할 수 있다.
도 1은 본 발명의 일실시예에 따른 전문가 추천 장치의 구성을 보인 블록도이다.
도 2는 본 발명의 일실시예에 따른 전문가 추천 방법의 동작 흐름도이다.
이하에서, 본 발명에 따른 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나, 본 발명이 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
도 1은 본 발명의 일실시예에 따른 전문가 추천 장치의 구성을 보인 블록도이다.
본 발명은 기존 방법의 단점인 수학식 1의 γ 파라미터 값 설정이 어려우며, 공통으로 점수가 매겨진 부분에 비해 해당 부분을 제외한 영역이 클 경우 신빙성이 떨어지는 문제점을 해결하기 위해, 코사인 유사도를 기반으로 한 사용자 단말간 유사도를 계산한다. 또한, 본 발명은 신뢰도 높은 전문가 단말 추천을 수행하기 위해, 전문가 단말 판단을 위한 사용자 속성을 제시한다.
Figure pat00001
본 발명에서 제안된 방법에서는 각 사용자 단말의 프로필 정보 중 유사도를 판단할 수 있는 기준이 되는 속성들을 선정하여 코사인 유사도를 적용한 내용 기반 유사도 측정 방법을 제시한다. 또한, 본 발명은 각 사용자 단말들이 전문가 단말에게 추천 점수를 준 데이터를 분석하여 코사인 유사도를 적용한 협업적 여과 기반 유사도 측정 방법을 제시한다. 두 가지 방법은 사용자 기반 측정 데이터(ub)와 전문가(전문가 추천 점수, 전문가 속성 유사도) 기반 측정 데이터(ib)로 분류되며, 사용자 기반 측정 데이터와 전문가 기반 측정 데이터에 대해 α, (1-α)와 같이 대칭되는 반영치를 적용하여, 결과 데이터에 대한 신뢰성을 확보하는 EMDP 과정을 통해 최종 점수 예측 테이블을 생성한다. 마지막으로 본 발명은 서비스 사용자에게 추천 점수 랭킹을 통한 전문가 추천 기능을 제공하며, 추천 데이터에 대한 검증을 통해 전문가 추천 신뢰성을 높인다.
도 1을 참조하면, 전문가 추천 장치는 제1 연산부(110), 제2 연산부(120), 추천 계산부(130), 추천부(140)를 포함한다.
제1 연산부(110)는 전문가 그룹에 속하는 전문가 단말 사이의 제1 유사도를 연산한다.
제1 연산부(110)는 전문분야, 관심분야, 출신지역, 종사지역, 직장, 또는 나이 중 적어도 하나에 관한 속성에 근거하여, 전문가 단말 간의 내용기반 유사도값을 산출한다. 제1 연산부(110)는 속성별 가중치와 복수 전문가 단말 사이의 임의 속성에 대한 유사도값을 곱하고 합산하여 내용기반 유사도값을 산출한다.
제1 연산부(110)는 임의 사용자 단말에 의해 평가되었던 전문가 단말 간의 협업기반 유사도값을 산출한다. 제1 연산부(110)는 임의 사용자 단말이 전문가 단말에 부여한 평가점수를 평균한 값을 분산 값으로 나누어 협업기반 유사도값을 산출한다.
제1 연산부(110)는 내용기반 유사도값과 헙업기반 유사도값 각각으로 서로 대칭되는 제2 반영치를 곱셈 적용하여 제1 유사도를 연산한다.
제2 연산부(120)는 전문가 그룹과 쇼셜 네트워크 서비스(SNS)로 연결되는 사용자 그룹에 속하는 사용자 단말 사이의 제2 유사도를 연산한다.
제2 연산부(120)는 사용자 유사도값을 산출하고, 직접 경로로 연결되는 사용자 단말 간에 사용자 유사도값으로 산출된 로컬 사용자 유사도값과, 간접 경로로 연결되는 사용자 단말 간에 사용자 유사도값으로 산출된 글로벌 사용자 유사도값 중 큰 값을, 제2 유사도로서 연산한다. 여기서, 제2 연산부(120)는 사용자 유사도값의 외적값을 내적값으로 나누고, 사용자 단말 사이의 피어슨 상관 계수를 곱하여 사용자 유사도값을 산출한다.
추천 계산부(130)는 EMDP(Effective Missing Data Prediction) 알고리즘에 의거하여, 연산을 통해 제1 유사도 및 제2 유사도가 획득되는지에 따른 추천 점수를 계산한다.
추천 계산부(130)는 제1 유사도와 제2 유사도를 모두 획득하는 경우, 제1 유사도와 제2 유사도 각각으로 서로 대칭되는 제1 반영치를 곱셈 적용하여 추천 점수를 계산한다.
추천 계산부(130)는 제1 유사도와 제2 유사도를 모두 획득하지 않는 경우, 전문가 단말에 기부여된 전문가 점수에 대한 전문가 평균값을 연산하고, 사용자 단말에 기부여된 사용자 점수에 대한 사용자 평균값을 연산하고, 전문가 평균값과 사용자 평균값 각각으로 서로 대칭되는 제1 반영치를 곱셈 적용하여 추천 점수를 계산한다.
추천 계산부(130)는 제1, 2 유사도 중 어느 하나의 유사도를 획득하는 경우, 획득된 유사도를 추천 점수로서 계산한다.
추천부(140)는 계산된 추천 점수를 이용하여 전문가 단말을 추천한다. 추천부(140)는 전문가 단말에 대한 활동성 값에 따른 가중치를 고려하여 추천 점수를 갱신하고, 갱신된 추천 점수에 의해 부여된 랭킹 순으로 전문가 단말을 추천한다.
도 2는 본 발명의 일실시예에 따른 전문가 추천 방법의 동작 흐름도이다.
전문가 간 내용기반 유사도 계산(210)
도 2를 참조하여, 전문가 추천 장치는 전문가 단말 간 내용기반 유사도 계산에서 전문가 단말의 각 속성 간 거리 계산에서 도출된 내용 기반 값을 기준으로 하여, 전문가 간 내용기반 유사도 계산을 통해 비슷한 속성 값을 갖는 전문가 단말을 추출한다. 내용 기반 값을 판단하는 기준은 표 1의 각 전문가 단말의 속성에서 전문분야, 관심분야, 출신지역, 종사지역, 직장명, 나이 등이 존재한다. 전문가 추천 장치는 전문분야, 관심분야, 출신지역, 종사지역, 직장, 또는 나이 중 적어도 하나에 관한 속성에 근거하여, 전문가 단말 간의 내용기반 유사도값을 산출한다. 각 속성의 유사도를 계산하는 식은 수학식 2와 같다. 전문가 추천 장치는 속성별 가중치와 복수 전문가 단말 사이의 임의 속성에 대한 유사도값을 곱하고 합산하여 내용기반 유사도값을 산출한다.
Figure pat00002
여기서, ContentSim(Ei, Ej)는 두 전문가 단말 Ei와 Ej간의 내용 기반 유사도를 의미하며, wn은 전문가 판단을 위한 사용자 속성 별 가중치 값을 의미하고, f(Ani, Anj)는 두 전문가 단말사이의 한 속성(An)에 대한 유사도를 계산하는 함수로써, 표 1의 거리 측정과 같다. SPSS의 회귀분석을 활용하여 도출된 전문가 속성 별 가중치 값은 표 2와 같다.
Figure pat00003
Figure pat00004
내용 기반 유사도가 높은 전문가 단말들은 추천이 필요한 전문가 그룹에 대해서 비슷한 그룹으로 분류될 가능성이 높다. 따라서 전문가 추천 장치는 내용 기반 유사도가 높은 전문가에 대해서 다음 요소 기술인 협업적 여과 기법을 통한 유사도 계산을 추가적으로 수행하여 전문가 간 유사도를 최종적으로 계산한다.
전문가 간 협업적 여과 기법을 통한 유사도 계산(220)
도 2를 참조하여, 전문가 추천 장치는 전문가 단말 간 협업적 여과 기법을 통한 유사도 계산에서 전문가 단말 간 협업적 여과 기법을 통한 유사도 계산을 수행한다. 협업적 여과 기법은 표 3의 추천 점수 예제 테이블에서 사용자 A가 추천 점수를 준 전문가 A와 B의 유사도, 사용자 B가 추천 점수를 준 전문가 B와 C의 유사도, 사용자 C가 추천 점수를 준 전문가 A와 C의 유사도를 구하는 방법이다.
Figure pat00005
전문가 간 협업적 여과 기법을 통한 유사도 계산식은 수학식 3과 같다.
Figure pat00006
여기서, Ru , Ei와 Ru , Ej는 각각 사용자 단말 u가 전문가 단말 Ei와 Ej에 부여한 점수를 의미하고,
Figure pat00007
및
Figure pat00008
는 각각 전문가 단말 Ei와 Ej에 대한 사용자 단말들의 평균 점수를 의미한다. 수학식 3을 통해 제안하는 본 발명은 전문가 단말 간의 추천 점수에 기반한 유사성을 계산한다.
전문가 추천 장치는 임의 사용자 단말에 의해 평가되었던 전문가 단말 간의 협업 기반 유사도값을 산출한다. 전문가 추천 장치는 임의 사용자 단말이 전문가 단말에 부여한 평가점수를 평균한 값을 분산 값으로 나누어 협업기반 유사도값을 산출한다.
전문가 간 유사도 계산(230)
위에서 계산된 전문가 단말 간 내용 기반 유사도 값과 협업적 여과 방법을 통한 유사도 값을 모두 종합하는 수학식은 다음과 같다. 수학식 4는 β의 값을 통하여 전문가 단말 간 내용기반 유사도값과 협업적 여과 기법을 통한 유사도값을 반영한다.
Figure pat00009
여기서, OverAllItemSim은 전문가 단말 간 유사도 값을 의미하고, 이는 전문가(전문가 추천 점수, 전문가 속성 유사도) 기반 측정 데이터(ib)로 분류된다. 계산된 전문가 단말 간 유사도는 최종 결과값을 추출하기 위한 EMDP 알고리즘에서 전문가 유사도로 사용한다.
전문가 추천 장치는 내용기반 유사도값과 협업기반 유사도값 각각에 서로 대칭되는 제2 반영치를 곱셈 적용하여 제1 유사도를 연산한다.
로컬, 글로벌 유사도 계산(240)
전문가 추천 장치는 전문가 그룹과 쇼셜 네트워크 서비스로 연결되는 사용자 그룹에 속하는 사용자 단말 사이의 제2 유사도를 연산한다. 전문가 추천 장치는 사용자 유사도값을 산출하고, 직접 경로로 연결되는 사용자 단말 간에 사용자 유사도값으로 산출된 로컬 사용자 유사도값과, 간접 경로로 연결되는 사용자 단말 간에 사용자 유사도값으로 산출된 글로벌 사용자 유사도값 중 큰 값을, 제2 유사도로서 연산한다. 여기서, 전문가 추천 장치는 사용자 유사도값의 외적값을 내적값으로 나누고, 사용자 단말 사이의 피어슨 상관 계수를 곱하여 사용자 유사도값을 산출한다.
로컬 사용자 유사도는 사용자 단말들 간의 직접적인 유사도 관계를 나타내는 것으로, 종래 추천 방법의 문제점을 해결하기 위한 본 발명에 따른 방법에서 로컬 사용자 유사도는 수학식 5를 통해 계산한다.
Figure pat00010
여기서, CollabSim(a,u)는 사용자 단말 Ua와 Uu의 로컬 사용자 유사도를, sim(a,u)는 사용자 단말 Ua와 Uu사이이 피어슨 상관 계수(Peason's Correlation Coefficient)를 의미한다. 사용자 단말들간의 로컬 사용자 유사도가 측정되면, 사용자 단말들간의 간접 경로를 통해 사용자 단말 Ua, Uu에 대한 글로벌 사용자 유사도를 계산한다. 만약, Ua에서 Uu로 이어지는 어느 경로상의 각 사용자 Uk간의 유사도 값이 Ua와 Uu간의 로컬 사용자 유사도 값보다 높으면, 해당 값을 Ua와 Uu의 글로벌 유사도로 결정한다.
최종 추천 점수 값 도출(250)
전문가 추천 장치는 계산된 전문가 단말 간 및 사용자 단말 간 유사도를 바탕으로 EMDP(Effective Missing Data Prediction) 알고리즘을 통한 실제 점수 예측을 수행한다. EMDP 알고리즘은 제1 유사도, 제2 유사도의 유무에 따라 총 네 가지 결과를 통해 결측 정보에 대한 점수 데이터를 예측 및 반영하고, 이를 바탕으로 추천 점수를 계산한다. EDMP의 세부 과정은 다음과 같다. 첫째, 제1 유사도(ub) 및 제2 유사도(ib)가 모두 존재할 경우, λ*ub(u,i) + (1-λ)*ib(u,i)를 통해 추천 점수를 계산한다. 둘째, 제1 유사도만이 존재할 경우, 이를 추천 점수(ub(u,i))로 설정한다. 셋째, 제2 유사도만이 존재할 경우, 이를 추천 점수(ib(u,i))로 설정한다. 마지막으로 제1 유사도 및 제2 유사도가 모두 존재하지 않을 경우, λ*avg(u) + (1-λ)*avg(i)와 같이 사용자 단말 및 전문가 단말의 평균 점수를 기반으로 추천 점수를 계산한다. EMDP를 통해 추천 점수가 계산되면, 수학식 6에서 계산된 가중치 weight를 수학식 7과 같이 추천 점수에 반영하여 최종 추천 점수를 계산하고, 이를 통해 구축된 최종 추천 점수 예측 테이블을 통해 전문성이 높게 분류된 전문가를 추천한다.
Figure pat00011
표 1의 논문 수, 게시 글/답변 글 수, 인맥 수, 경력은 해당 사용자의 활동성 및 전문성을 판단하기 위해 사용되며, 전체 결과 셋에 곱할 가중치(weight)로 계산된다. 가중치는 수학식 6을 통해 계산되며, 가중치의 값은 [w1,w2]의 범위를 가진다. 이때, 수학식 6은 전문가 단말을 추천하고자 하는 분야의 최대 논문 수, 최대 게시 글 수 등 활동성이 높은 전문가 단말을 기준으로 하여, 비교하고자 하는 전문가 단말의 활동성 값을 평균으로 계산한다. 따라서 활동성이 높은 전문가 단말일수록 w2에 가깝고, 활동성이 낮은 전문가 단말일수록 w1에 가까워진다.
Figure pat00012
전문가 추천 장치는 추천 점수를 이용하여 전문가 단말을 추천한다. 전문가 추천 장치는 전문가 단말에 대한 활동성 값에 따른 가중치를 고려하여 추천 점수를 갱신하고, 갱신된 추천 점수에 의해 부여된 랭킹 순으로 전문가 단말을 추천한다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
110 : 제1 연산부
120 : 제2 연산부
130 : 추천 계산부
140 : 추천부

Claims (20)

  1. 전문가 그룹에 속하는 전문가 단말 사이의 제1 유사도를 연산하는 제1 연산부;
    상기 전문가 그룹과 쇼셜 네트워크 서비스(SNS)로 연결되는 사용자 그룹에 속하는 사용자 단말 사이의 제2 유사도를 연산하는 제2 연산부;
    EMDP(Effective Missing Data Prediction) 알고리즘에 의거하여, 상기 연산을 통해 상기 제1 유사도 및 상기 제2 유사도가 획득되는지에 따른 추천 점수를 계산하는 추천 계산부; 및
    상기 계산된 추천 점수를 이용하여 전문가 단말을 추천하는 추천부
    를 포함하는 전문가 추천 장치.
  2. 제1항에 있어서,
    상기 추천 계산부는,
    상기 제1 유사도와 상기 제2 유사도를 모두 획득하는 경우,
    상기 제1 유사도와 상기 제2 유사도 각각으로 서로 대칭되는 제1 반영치를 곱셈 적용하여 상기 추천 점수를 계산하는 전문가 추천 장치.
  3. 제1항에 있어서,
    상기 추천 계산부는,
    상기 제1 유사도와 상기 제2 유사도를 모두 획득하지 않는 경우,
    상기 전문가 단말에 기부여된 전문가 점수에 대한 전문가 평균값을 연산하고, 상기 사용자 단말에 기부여된 사용자 점수에 대한 사용자 평균값을 연산하고, 상기 전문가 평균값과 상기 사용자 평균값 각각으로 서로 대칭되는 제1 반영치를 곱셈 적용하여 상기 추천 점수를 계산하는 전문가 추천 장치.
  4. 제1항에 있어서,
    상기 추천 계산부는,
    상기 제1, 2 유사도 중 어느 하나의 유사도를 획득하는 경우, 획득된 유사도를 상기 추천 점수로서 계산하는 전문가 추천 장치.
  5. 제1항에 있어서,
    상기 제1 연산부는,
    전문분야, 관심분야, 출신지역, 종사지역, 직장, 또는 나이 중 적어도 하나에 관한 속성에 근거하여, 상기 전문가 단말 간의 내용기반 유사도값을 산출하고, 임의 사용자 단말에 의해 평가되었던 전문가 단말 간의 협업기반 유사도값을 산출하고, 상기 내용기반 유사도값과 상기 헙업기반 유사도값 각각으로 서로 대칭되는 제2 반영치를 곱셈 적용하여 상기 제1 유사도를 연산하는 전문가 추천 장치.
  6. 제5항에 있어서,
    상기 제1 연산부는,
    상기 속성별 가중치와 복수 전문가 단말 사이의 임의 속성에 대한 유사도값을 곱하고 합산하여 상기 내용기반 유사도값을 산출하는 전문가 추천 장치.
  7. 제5항에 있어서,
    상기 제1 연산부는,
    상기 임의 사용자 단말이 상기 전문가 단말에 부여한 평가점수를 평균한 값을 분산 값으로 나누어 상기 협업기반 유사도값을 산출하는 전문가 추천 장치.
  8. 제1항에 있어서,
    상기 제2 연산부는,
    사용자 유사도값을 산출하고, 직접 경로로 연결되는 사용자 단말 간에 상기 사용자 유사도값으로 산출된 로컬 사용자 유사도값과, 간접 경로로 연결되는 사용자 단말 간에 상기 사용자 유사도값으로 산출된 글로벌 사용자 유사도값 중 큰 값을, 상기 제2 유사도로서 연산하는 전문가 추천 장치.
  9. 제8항에 있어서,
    상기 제2 연산부는,
    상기 사용자 유사도값의 외적값을 내적값으로 나누고, 상기 사용자 단말 사이의 피어슨 상관 계수를 곱하여 상기 사용자 유사도값을 산출하는 전문가 추천 장치.
  10. 제1항에 있어서,
    상기 추천부는,
    상기 전문가 단말에 대한 활동성 값에 따른 가중치를 고려하여 상기 추천 점수를 갱신하고, 상기 갱신된 추천 점수에 의해 부여된 랭킹 순으로 상기 전문가 단말을 추천하는 전문가 추천 장치.
  11. 전문가 그룹에 속하는 전문가 단말 사이의 제1 유사도를 연산하는 단계;
    상기 전문가 그룹과 쇼셜 네트워크 서비스(SNS)로 연결되는 사용자 그룹에 속하는 사용자 단말 사이의 제2 유사도를 연산하는 단계;
    EMDP(Effective Missing Data Prediction) 알고리즘에 의거하여, 상기 연산을 통해 상기 제1 유사도 및 상기 제2 유사도가 획득되는지에 따른 추천 점수를 계산하는 단계; 및
    상기 계산된 추천 점수를 이용하여 전문가 단말을 추천하는 단계
    를 포함하는 전문가 추천 방법.
  12. 제11항에 있어서,
    상기 추천 점수를 계산하는 단계는,
    상기 제1 유사도와 상기 제2 유사도를 모두 획득하는 경우,
    상기 제1 유사도와 상기 제2 유사도 각각으로 서로 대칭되는 제1 반영치를 곱셈 적용하는 수식 1을 통해 상기 추천 점수를 계산하는 단계
    를 포함하고,
    상기 수식 1은,
    'λ*제2 유사도 + (1-λ)*제1 유사도'를 만족하고,
    상기 서로 대칭되는 제1 반영치 λ와 1-λ는, 합산하면 1이 되는 변수인 전문가 추천 방법.
  13. 제11항에 있어서,
    상기 추천 점수를 계산하는 단계는,
    상기 제1 유사도와 상기 제2 유사도를 모두 획득하지 않는 경우,
    상기 전문가 단말에 기부여된 전문가 점수에 대한 전문가 평균값을 연산하는 단계;
    상기 사용자 단말에 기부여된 사용자 점수에 대한 사용자 평균값을 연산하는 단계;
    상기 전문가 평균값과 상기 사용자 평균값 각각으로 서로 대칭되는 제1 반영치를 곱셈 적용하는 수식 2을 통해 상기 추천 점수를 계산하는 단계
    를 포함하고,
    상기 수식 2는,
    'λ*사용자 평균값 + (1-λ)*전문가 평균값'를 만족하고,
    상기 서로 대칭되는 제1 반영치 λ와 1-λ는, 합산하면 1이 되는 변수인 전문가 추천 방법.
  14. 제11항에 있어서,
    상기 추천 점수를 계산하는 단계는,
    상기 제1, 2 유사도 중 어느 하나의 유사도를 획득하는 경우, 획득된 유사도를 상기 추천 점수로서 계산하는 단계
    를 포함하는 전문가 추천 방법.
  15. 제11항에 있어서,
    상기 제1 유사도를 연산하는 단계는,
    전문분야, 관심분야, 출신지역, 종사지역, 직장, 또는 나이 중 적어도 하나에 관한 속성에 근거하여, 상기 전문가 단말 간의 내용기반 유사도값을 산출하는 단계;
    임의 사용자 단말에 의해 평가되었던 전문가 단말 간의 협업기반 유사도값을 산출하는 단계; 및
    상기 내용기반 유사도값과 상기 헙업기반 유사도값 각각으로 서로 대칭되는 제2 반영치를 곱셈 적용하는 수식 3을 통해 상기 제1 유사도를 연산하는 단계
    를 포함하고,
    상기 수식 3은,
    'β*내용기반 유사도값 + (1-β)*협업기반 유사도값'를 만족하고,
    상기 서로 대칭되는 제2 반영치 β와 1-β는, 합산하면 1이 되는 변수인 전문가 추천 방법.
  16. 제15항에 있어서,
    상기 내용기반 유사도값을 산출하는 단계는,
    Figure pat00013
    를 만족하여 상기 내용기반 유사도값을 산출하는 단계
    - 상기
    Figure pat00014
    는 상기 속성별 가중치를 의미하고, 상기
    Figure pat00015
    는 복수 전문가 단말 사이의 임의 속성(An)에 대한 유사도값 의미함 -
    를 포함하는 전문가 추천 방법.
  17. 제15항에 있어서,
    상기 협업기반 유사도값을 산출하는 단계는,
    Figure pat00016
    를 만족하여 상기 협업기반 유사도값을 산출하는 단계
    - 상기
    Figure pat00017
    와
    Figure pat00018
    는 상기 임의 사용자 단말이 상기 전문가 단말에 부여한 평가점수를 의미하고,
    Figure pat00019
    및
    Figure pat00020
    은 상기 전문가 단말에 대한 사용자 단말의 평균 평가점수를 의미함 -
    를 포함하는 전문가 추천 방법.
  18. 제11항에 있어서,
    상기 제2 유사도를 연산하는 단계는,
    사용자 유사도값을 산출하는 단계; 및
    직접 경로로 연결되는 사용자 단말 간에 상기 사용자 유사도값으로 산출된 로컬 사용자 유사도값과, 간접 경로로 연결되는 사용자 단말 간에 상기 사용자 유사도값으로 산출된 글로벌 사용자 유사도값 중 큰 값을, 상기 제2 유사도로서 연산하는 단계
    를 포함하는 전문가 추천 방법.
  19. 제18항에 있어서,
    상기 사용자 유사도값을 산출하는 단계;
    Figure pat00021
    를 만족하여 상기 사용자 유사도값을 산출하는 단계
    - 상기 sim(a,u)는 상기 사용자 단말 사이의 피어슨 상관 계수를 의미함 -
    를 포함하는 전문가 추천 방법.
  20. 제11항에 있어서,
    상기 전문가 단말을 추천하는 단계는,
    상기 전문가 단말에 대한 활동성 값에 따른 가중치를 고려하여 상기 추천 점수를 갱신하고, 상기 갱신된 추천 점수에 의해 부여된 랭킹 순으로 상기 전문가 단말을 추천하는 단계
    를 포함하는 전문가 추천 방법.
KR1020120057282A 2012-05-30 2012-05-30 하이브리드 협업적 여과 방법을 이용한 코사인 유사도 기반 전문가 추천 장치 및 방법 KR101363171B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020120057282A KR101363171B1 (ko) 2012-05-30 2012-05-30 하이브리드 협업적 여과 방법을 이용한 코사인 유사도 기반 전문가 추천 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020120057282A KR101363171B1 (ko) 2012-05-30 2012-05-30 하이브리드 협업적 여과 방법을 이용한 코사인 유사도 기반 전문가 추천 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20130134046A true KR20130134046A (ko) 2013-12-10
KR101363171B1 KR101363171B1 (ko) 2014-02-14

Family

ID=49981734

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020120057282A KR101363171B1 (ko) 2012-05-30 2012-05-30 하이브리드 협업적 여과 방법을 이용한 코사인 유사도 기반 전문가 추천 장치 및 방법

Country Status (1)

Country Link
KR (1) KR101363171B1 (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108269172A (zh) * 2018-01-18 2018-07-10 四川大学 基于综合相似度迁移的协同过滤算法
CN108985370A (zh) * 2018-07-10 2018-12-11 中国人民解放军国防科技大学 图像标注语句自动生成方法
CN111857660A (zh) * 2020-07-06 2020-10-30 南京航空航天大学 一种基于查询语句的情境感知api推荐方法及终端
KR20210142484A (ko) * 2020-05-18 2021-11-25 주식회사 엘지유플러스 유사 컨텐츠 추천 방법 및 장치
KR20210150103A (ko) * 2020-06-03 2021-12-10 위인터랙트(주) 사용자 정보 기반 협업 파트너 추천 시스템 및 그 방법
KR102600307B1 (ko) * 2022-10-11 2023-11-09 주식회사 커피챗 사용자별 대표 활동 로그 추출 방법과 머신러닝 모델의 병합을 적용한 사용자 및 대화 파트너 매칭 제공 최적화 시스템 및 그 동작 방법

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103886747B (zh) * 2014-03-14 2016-03-09 浙江大学 路段交通运行相似度度量方法
KR102147540B1 (ko) * 2020-03-11 2020-08-24 주식회사 다리소프트 차량의 위치 정보와 주행 상태 정보를 기초로 도로 상태 정보의 공유를 가능하게 하는 정보 공유 서버 및 그 동작 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10584584B2 (en) 2009-02-20 2020-03-10 Estrellasat Bv Apparatus, method, and platform for real-time mobile broadband communication data

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108269172A (zh) * 2018-01-18 2018-07-10 四川大学 基于综合相似度迁移的协同过滤算法
CN108269172B (zh) * 2018-01-18 2020-02-18 四川大学 基于综合相似度迁移的协同过滤方法
CN108985370A (zh) * 2018-07-10 2018-12-11 中国人民解放军国防科技大学 图像标注语句自动生成方法
CN108985370B (zh) * 2018-07-10 2021-04-16 中国人民解放军国防科技大学 图像标注语句自动生成方法
KR20210142484A (ko) * 2020-05-18 2021-11-25 주식회사 엘지유플러스 유사 컨텐츠 추천 방법 및 장치
KR20210150103A (ko) * 2020-06-03 2021-12-10 위인터랙트(주) 사용자 정보 기반 협업 파트너 추천 시스템 및 그 방법
CN111857660A (zh) * 2020-07-06 2020-10-30 南京航空航天大学 一种基于查询语句的情境感知api推荐方法及终端
KR102600307B1 (ko) * 2022-10-11 2023-11-09 주식회사 커피챗 사용자별 대표 활동 로그 추출 방법과 머신러닝 모델의 병합을 적용한 사용자 및 대화 파트너 매칭 제공 최적화 시스템 및 그 동작 방법

Also Published As

Publication number Publication date
KR101363171B1 (ko) 2014-02-14

Similar Documents

Publication Publication Date Title
KR101363171B1 (ko) 하이브리드 협업적 여과 방법을 이용한 코사인 유사도 기반 전문가 추천 장치 및 방법
CN109241415B (zh) 项目推荐方法、装置、计算机设备及存储介质
US10430727B1 (en) Systems and methods for privacy-preserving generation of models for estimating consumer behavior
He et al. Diversified third-party library prediction for mobile app development
Lu Recommendations based on purchase patterns
US20180357669A1 (en) System and method for information processing
CN108805598B (zh) 相似度信息确定方法、服务器及计算机可读存储介质
US20200320548A1 (en) Systems and Methods for Estimating Future Behavior of a Consumer
CN107391692A (zh) 一种推荐效果的评估方法及装置
US20160042428A1 (en) Personalized product recommendation based on brand personality scale
WO2020238502A1 (zh) 物品推荐方法及装置、电子设备及存储介质
US20170169463A1 (en) Method, apparatus, and computer-readable medium for determining effectiveness of a targeting model
US10432738B2 (en) Dynamic rule allocation for visitor identification
US20200160386A1 (en) Control of advertisement delivery based on user sentiment
CN108062692B (zh) 一种录音推荐方法、装置、设备及计算机可读存储介质
US20220101358A1 (en) Segments of contacts
KR20150113644A (ko) 협업필터링 기반의 상품 추천 시스템에서 추천 기법을 선택하는 방법
US10163116B2 (en) Determining brand exclusiveness of users
KR101840163B1 (ko) 감정 정보를 이용하여 사용자 그룹에 대해 아이템을 추천하는 장치 및 방법
US11842299B2 (en) System and method using deep learning machine vision to conduct product positioning analyses
Guan et al. Enhanced SVD for collaborative filtering
US11102161B2 (en) Social networking service content sharing
Das et al. Iterative use of weighted voronoi diagrams to improve scalability in recommender systems
KR101958555B1 (ko) 검색 결과 제공 장치 및 방법
CN110020118B (zh) 一种计算用户之间相似度的方法及装置

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20170208

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20180207

Year of fee payment: 5

LAPS Lapse due to unpaid annual fee