KR20150112089A - 추천 상품 제공 서비스 방법 및 이를 위한 장치 - Google Patents

추천 상품 제공 서비스 방법 및 이를 위한 장치 Download PDF

Info

Publication number
KR20150112089A
KR20150112089A KR1020140035246A KR20140035246A KR20150112089A KR 20150112089 A KR20150112089 A KR 20150112089A KR 1020140035246 A KR1020140035246 A KR 1020140035246A KR 20140035246 A KR20140035246 A KR 20140035246A KR 20150112089 A KR20150112089 A KR 20150112089A
Authority
KR
South Korea
Prior art keywords
recommendation
information
recommended
algorithm
preference
Prior art date
Application number
KR1020140035246A
Other languages
English (en)
Inventor
김민성
Original Assignee
에스케이플래닛 주식회사
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 에스케이플래닛 주식회사 filed Critical 에스케이플래닛 주식회사
Priority to KR1020140035246A priority Critical patent/KR20150112089A/ko
Publication of KR20150112089A publication Critical patent/KR20150112089A/ko

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06QDATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00Commerce, e.g. shopping or e-commerce
    • G06Q30/02Marketing, e.g. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards; Price estimation or determination
    • G06Q30/0282Business establishment or product rating or recommendation

Abstract

추천 상품 제공 서비스 방법 및 이를 위한 장치가 개시된다. 복수의 추천 알고리즘을 사용하여 추천 후보 상품을 포함하는 추천 후보 정보를 하나 이상 생성하고, 기추천된 추천 상품 정보의 사용 이력 정보를 수집하고, 상기 사용 이력 정보에 기반하여 추천 알고리즘 각각에 대해서 선호도를 산출하고, 상기 복수의 추천 알고리즘의 선호도에 기반하여 추천 후보 정보 중 적어도 일부를 추천 상품 정보로 추출한다.

Description

추천 상품 제공 서비스 방법 및 이를 위한 장치 {METHOD FOR SERVICING RECOMMENDED GOODS AND APPARATUS FOR THE SAME}
본 발명은 인터넷 쇼핑몰의 사용자에게 추천 상품을 제시하는 서비스를 제공하는 추천 상품 제공 서비스 방법 및 이를 위한 장치에 관한 것으로, 특히 복수의 추천 알고리즘을 사용해 추천 후보 정보를 생성하고, 추천 후보 정보 중에서 추천 상품 정보를 추출하여 제시하는 서비스를 제공할 수 있는 추천 상품 제공 서비스 방법 및 이를 위한 장치에 관한 것이다.
일반적으로 인터넷 쇼핑몰에서 사용자에게 상품의 추천을 수행하는 경우에 사용자의 취향을 추출한다. 이 때, 사용자의 취향은 주로 구매 이력이나 서비스 이용 이력에 기반하여 추출한다. 즉, 특정 카테고리의 상품을 많이 구매하거나, 특정 메타 정보를 포함하는 상품을 많이 구매하는 경우에 해당 상품에 대해 선호가 있다고 판단하고 이에 기반하여 추천한다.
그러나 특정 사용자의 선호는 다양하여, 이러한 다양한 선호도에서 비롯되는 추천 결과를 단일 알고리즘으로 생성하기는 어려우며, 복수의 알고리즘을 사용하는 경우 각 사용자들의 선호에 적합한 결과를 생성 가능하지만 노출 공간의 제약이나 사용자의 인지 한계를 고려할 때 이렇게 복수의 알고리즘으로 생성된 전체 추천 정보를 다 제공하기는 어렵다.
즉, 복수의 알고리즘으로 추천 결과를 생성하되, 노출 공간 및 사용자의 인지 한계에 따라 필요한 수만큼 추출하여 사용자에게 제시할 수 있다면, 더욱 정교한 추천 서비스를 제공할 수 있다.
따라서, 복수의 추천 알고리즘으로 추천 후보 정보를 생성하고, 추천 알고리즘의 선호도에 기반하여 추천 후보 중에서 적어도 일부의 추천 상품 정보를 추출하여 사용자에게 제시하고, 추천 상품 정보의 사용 이력 정보에 기반하여 추천 알고리즘의 선호도를 산출하는 새로운 추천 상품 제공 서비스 기술의 필요성이 절실하게 대두된다.
한국 공개 특허 제10-2013-0141069A호, 2013년 12월 26일 공개 (명칭: 다양한 추천 알고리즘을 이용하여 추천 서비스를 제공하는 시스템 및 방법)
본 발명의 목적은, 복수의 추천 알고리즘을 이용하여 추천 후보 정보를 생성하고, 추천 알고리즘의 선호도에 기반하여 추천 후보 정보 중 추천 상품 정보를 추출하는 것이다.
또한, 본 발명의 목적은 추천 상품 정보의 사용 이력 정보에 기반하여 추천 알고리즘의 선호도를 산출하는 것이다.
또한, 본 발명의 목적은 사용자 별 추천 알고리즘 선호도의 유사성에 기반한 메타 협업 필터링 알고리즘을 사용하여 추천 후보 정보를 생성하는 것이다.
상기한 목적을 달성하기 위한 본 발명에 따른 추천 상품 제공 서비스 장치는, 복수의 추천 알고리즘을 사용하여 추천 후보 상품을 포함하는 추천 후보 정보를 하나 이상 생성하는 후보 생성부; 기추천된 추천 상품 정보의 사용 이력 정보를 수집하고, 상기 사용 이력 정보에 기반하여 추천 알고리즘 각각에 대해서 선호도를 산출하는 선호도 산출부; 및 상기 복수의 추천 알고리즘의 선호도에 기반하여 추천 후보 정보 중 적어도 일부를 추천 상품 정보로 추출하는 추천 상품 추출부를 포함한다.
이 때, 사용 이력 정보는 클릭 정보 및 구매 정보 중 어느 하나 이상을 포함할 수 있다.
이 때, 선호도 산출부는 상기 사용 이력 정보 중 상기 클릭 정보를 이용하여, 클릭된 추천 상품 정보를 판별하고, 상기 클릭된 추천 상품 정보를 추출하는데 이용된 추천 알고리즘의 선호도를 제1 기준 단위만큼 증가시켜 산출할 수 있다.
이 때, 선호도 산출부는 상기 사용 이력 정보 중 상기 구매 정보를 이용하여, 구매된 추천 상품 정보를 판별하고, 상기 구매된 추천 상품 정보를 추출하는데 이용된 추천 알고리즘의 선호도를 상기 제1 기준 단위보다 제2 기준 단위만큼 증가시켜 산출할 수 있다.
이 때, 제2 기준 단위는 상기 구매된 추천 상품 정보를 추출하는데 이용된 추천 알고리즘의 선호도에 기반하여 결정될 수 있다.
이 때, 추천 상품 추출부는 추천 후보 정보를 상기 추천 후보 정보를 생성한 추천 알고리즘의 선호도 순으로 정렬하고, 상위의 추천 후보 정보를 기설정된 수만큼 추천 상품 정보로 추출할 수 있다.
이 때, 추천 상품 추출부는 상기 복수의 추천 알고리즘의 선호도를 정규화하는 정규화부; 및 정규화된 선호도에 기반하여 각 추천 알고리즘에 대해 추천 비율을 산출하는 비율 산출부를 포함하고, 각 추천 알고리즘 별로 상기 추천 비율을 이용하여 추천 상품 정보를 추출할 수 있다.
이 때, 추천 상품 추출부는 어느 하나의 추천 알고리즘에 의해 생성된 추천 상품 후보의 수가 상기 추천 알고리즘의 추천 비율에 상응하는 수보다 작은 경우, 상기 추천 알고리즘보다 차순위의 선호도를 가지는 추천 알고리즘에 의해 생성된 추천 후보 정보 중에서 추천 상품 정보를 더 추출할 수 있다.
이 때, 추천 상품 추출부는 어느 하나의 추천 알고리즘에 의해 생성된 추천 상품 후보의 수가 상기 추천 알고리즘의 추천 비율에 상응하는 수보다 작은 경우 상기 추천 알고리즘에 의해 생성된 추천 후보 정보를 전부 추천 상품 정보로 추출하고, 상기 추천 알고리즘을 제외한 다른 추천 알고리즘 별로 추천 비율을 이용하여 추천 상품 정보를 추출할 수 있다.
이 때, 복수의 추천 알고리즘은 협업 필터링(Collaborative Filtering) 알고리즘, 전체 사용자의 인기도에 기반한 알고리즘, 성별 인기도에 기반한 알고리즘, 연령별 인기도에 기반한 알고리즘 및 연관성 분석(Association Rule Mining) 기반 추천 알고리즘 중 어느 둘 이상을 포함할 수 있다.
이 때, 복수의 추천 알고리즘은 사용자 별 추천 알고리즘 선호도의 유사성에 기반한 메타 협업 필터링 알고리즘을 더 포함할 수 있다.
또한, 본 발명에 따른 추천 상품 제공 서비스 방법은, 복수의 추천 알고리즘을 사용하여 추천 후보 상품을 포함하는 추천 후보 정보를 하나 이상 생성하는 단계; 기추천된 추천 상품 정보의 사용 이력 정보를 수집하는 단계; 상기 사용 이력 정보에 기반하여 추천 알고리즘 각각에 대해서 선호도를 산출하는 단계; 및 상기 복수의 추천 알고리즘의 선호도에 기반하여 추천 후보 정보 중 적어도 일부를 추천 상품 정보로 추출하는 단계를 포함한다.
이 때, 선호도를 산출하는 단계는 상기 사용 이력 정보 중 상기 클릭 정보를 이용하여, 클릭된 추천 상품 정보를 판별하고, 상기 클릭된 추천 상품 정보를 추출하는데 이용된 추천 알고리즘의 선호도를 제1 기준 단위만큼 증가시켜 산출할 수 있다.
이 때, 선호도를 산출하는 단계는 상기 사용 이력 정보 중 상기 구매 정보를 이용하여, 구매된 추천 상품 정보를 판별하고, 상기 구매된 추천 상품 정보를 추출하는데 이용된 추천 알고리즘의 선호도를 상기 제1 기준 단위보다 제2 기준 단위만큼 증가시켜 산출할 수 있다.
이 때, 추천 상품 정보로 추출하는 단계는 추천 후보 정보를 상기 추천 후보 정보를 생성한 추천 알고리즘의 선호도 순으로 정렬하고, 상위의 추천 후보 정보를 기설정된 수만큼 추천 상품 정보로 추출할 수 있다.
이 때, 추천 상품 정보로 추출하는 단계는 상기 복수의 추천 알고리즘의 선호도를 정규화하는 단계; 및 정규화된 선호도에 기반하여 각 추천 알고리즘에 대해 추천 비율을 산출하는 단계를 포함하고, 각 추천 알고리즘 별로 상기 알고리즘 별 추천 비율을 이용하여 추천 상품 정보를 추출할 수 있다.
본 발명에 따르면, 복수의 추천 알고리즘을 이용하여 추천 후보 정보를 생성하고, 추천 알고리즘의 선호도에 기반하여 추천 후보 정보 중 추천 상품 정보를 추출할 수 있다.
또한, 본 발명은 추천 상품 정보의 사용 이력 정보에 기반하여 추천 알고리즘의 선호도를 산출할 수 있다.
또한, 본 발명은 사용자 별 추천 알고리즘 선호도의 유사성에 기반한 메타 협업 필터링 알고리즘을 사용하여 추천 후보 정보를 생성할 수 있다.
도 1은 본 발명의 일실시예에 따른 추천 상품 제공 서비스 시스템을 나타낸 블록도이다.
도 2는 도 1에 도시된 추천 상품 제공 서비스 장치의 일 예를 나타낸 블록도이다.
도 3은 도 2에 도시된 추천 상품 추출부의 일 예를 나타낸 블록도이다.
도 4는 본 발명의 일실시예에 따른 추천 알고리즘의 선호도의 일 예를 나타낸 도면이다.
도 5는 본 발명의 일실시예에 따른 추천 상품 정보의 일 예를 나타낸 도면이다.
도 6은 본 발명의 일실시예에 따른 추천 상품 제공 서비스 방법의 일 예를 나타낸 동작 흐름도이다.
도 7은 도 6에 도시된 추천 상품 정보를 추출하는 단계의 일 예를 나타낸 동작 흐름도이다.
이하 본 발명의 바람직한 실시예를 첨부한 도면을 참조하여 상세히 설명한다. 다만, 하기의 설명 및 첨부된 도면에서 본 발명의 요지를 흐릴 수 있는 공지 기능 또는 구성에 대한 상세한 설명은 생략한다. 또한, 도면 전체에 걸쳐 동일한 구성 요소들은 가능한 한 동일한 도면 부호로 나타내고 있음에 유의하여야 한다.
이하에서 설명되는 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위한 용어의 개념으로 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 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. 또한 제 1, 제 2 등의 용어는 다양한 구성요소들을 설명하기 위해 사용하는 것으로, 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용될 뿐, 상기 구성요소들을 한정하기 위해 사용되지 않는다.
도 1은 본 발명의 일실시예에 따른 추천 상품 제공 서비스 시스템을 나타낸 블록도이다.
도 1을 참조하면, 본 발명의 일실시예에 따른 추천 상품 제공 서비스 시스템은 추천 상품 제공 서비스 장치(110), 단말 장치(120) 및 네트워크(130)를 포함한다.
추천 상품 제공 서비스 장치(110)는 복수의 추천 알고리즘을 사용하여 추천 후보 정보를 생성하고, 기추천된 추천 상품 정보의 사용 이력 정보를 수집하여 추천 알고리즘 각각에 대해서 선호도를 산출한다. 또한, 선호도에 기반하여 추천 후보 정보 중 추천 상품 정보를 추출한다.
이 때, 사용 이력 정보는 클릭 정보 및 구매 정보 중 어느 하나 이상을 포함할 수 있다.
이 때, 추천 상품 제공 서비스 장치(110)는 사용 이력 정보 중 클릭 정보를 이용하여 클릭된 추천 상품 정보를 판별하고, 클릭된 추천 상품 정보를 추출하는데 이용된 추천 알고리즘의 선호도를 제1 기준 단위만큼 증가시켜 산출할 수 있다.
이 때, 추천 상품 제공 서비스 장치(110)는 사용 이력 정보 중 구매 정보를 이용하여 구매된 추천 상품 정보를 판별하고, 구매된 추천 상품 정보를 추출하는데 이용된 추천 알고리즘의 선호도를 상기 제1 기준 단위보다 큰 제2 기준 단위만큼 증가시켜 산출할 수 있다.
이 때, 추천 상품 제공 서비스 장치(110)는 추천 알고리즘의 선호도에 기반하여 결정되는 가중치를 더 고려하여 선호도를 증가시켜 산출할 수 있다.
이 때, 추천 상품 제공 서비스 장치(110)는 추천 후보 정보를 상기 추천 후보 정보를 생성한 추천 알고리즘의 선호도 순으로 정렬하고, 상기 정렬 결과를 이용하여 추천 후보 정보를 기설정된 수만큼 추천 상품 정보로 추출할 수 있다.
이 때, 추천 상품 제공 서비스 장치(110)는 복수의 추천 알고리즘의 선호도를 정규화하여 추천 비율을 산출하고, 각 추천 알고리즘 별로 추천 비율을 이용하여 추천 상품 정보를 추출할 수 있다.
이 때, 추천 상품 제공 서비스 장치(110)는 어느 하나의 추천 알고리즘에 의해 생성된 추천 상품 후보의 수가 추천 비율에 의해 계산되는 수보다 작을 경우, 상기 추천 알고리즘보다 차순위의 선호도를 가지는 추천 알고리즘에 의해 생성된 추천 후보 정보 중에서 추천 상품 정보를 더 추출하여 보충할 수 있다.
이 때, 추천 상품 제공 서비스 장치(110)는 어느 하나의 추천 알고리즘에 의해 생성된 추천 상품 후보의 수가 추천 비율에 의해 계산되는 수보다 작을 경우, 상기 추천 알고리즘을 이용하여 추출되는 추천 상품 정보의 수는 상기 추천 상품 후보의 수일 수 있다.
이 때, 복수의 추천 알고리즘은 협업 필터링(Collaborative Filtering) 알고리즘, 전체 사용자의 인기도에 기반한 알고리즘, 성별 인기도에 기반한 알고리즘, 연령별 인기도에 기반한 알고리즘 및 연관성 분석(Association Rule Mining) 기반 추천 알고리즘 중 어느 둘 이상을 포함할 수 있다.
이 때, 복수의 추천 알고리즘은 사용자 별 추천 알고리즘 선호도의 유사성에 기반한 메타 협업 필터링 알고리즘을 더 포함할 수 있다.
단말 장치(120)는 추천 상품 정보를 수신하여 표시한다.
이 때, 단말 장치(120)에 표시된 추천 상품 정보를 클릭하여 확인할 수 있다. 이 경우, 추천 상품 정보를 추출하는데 이용된 추천 알고리즘의 선호도가 제1 기준 단위만큼 증가할 수 있다.
이 때, 단말 장치(120)에 표시된 추천 상품 정보를 통하여 상품을 구매할 수 있다. 이 경우, 추천 상품 정보를 추출하는데 이용된 추천 알고리즘의 선호도가 제2 기준 단위만큼 증가할 수 있다.
이 때, 단말 장치(120)는 통신망에 연결되어 인터넷 쇼핑몰의 컨텐츠를 업로드 또는 다운로드 하여 상품을 확인하고 구매할 수 있는 이동통신단말기의 예를 들어 설명하지만, 단말 장치(120)는 이동통신단말기에 한정된 것이 아니고, 모든 정보통신기기, 멀티미디어 단말기, 유선 단말기, 고정형 단말기 및 IP(Internet Protocol) 단말기 등의 다양한 단말기에 적용될 수 있다. 또한, 단말 장치(120)는 휴대폰, PMP(Portable Multimedia Player), MID(Mobile Internet Device), 스마트폰(Smart Phone), 데스크톱(Desktop), 태블릿컴퓨터(Tablet PC), 노트북(Note book), 넷북(Net book), 개인휴대용 정보단말기(Personal Digital Assistant; PDA), 스마트 TV 및 정보통신 기기 등과 같은 다양한 이동통신 사양을 갖는 모바일(Mobile) 단말기일 때 유리하게 활용될 수 있다.
네트워크(130)는 추천 상품 제공 서비스 장치(110), 단말 장치(120) 사이에 데이터를 전달하는 통로를 제공하는 것으로서, 기존에 이용되는 네트워크 및 향후 개발 가능한 네트워크를 모두 포괄하는 개념이다. 예를 들면, 네트워크(130)는 한정된 지역 내에서 각종 정보장치들의 통신을 제공하는 유무선근거리통신망, 이동체 상호 간 및 이동체와 이동체 외부와의 통신을 제공하는 이동통신망, 위성을 이용해 지구국과 지구국간 통신을 제공하는 위성통신망이거나 유무선 통신망 중에서 어느 하나이거나, 둘 이상의 결합으로 이루어질 수 있다. 한편, 네트워크(130)의 전송 방식 표준은, 기존의 전송 방식 표준에 한정되는 것은 아니며, 향후 개발될 모든 전송 방식 표준을 포함할 수 있다.
도 2는 도 1에 도시된 추천 상품 제공 서비스 장치의 일 예를 나타낸 블록도이다.
도 2를 참조하면, 도 1에 도시된 추천 상품 제공 서비스 장치는 후보 생성부(210), 선호도 산출부(220) 및 추천 상품 추출부(230)를 포함한다.
후보 생성부(210)는 복수의 추천 알고리즘을 사용하여 추천 후보 상품을 포함하는 추천 후보 정보를 하나 이상 생성한다.
실시예에 따라, 복수의 추천 알고리즘은 협업 필터링(Collaborative Filtering) 알고리즘, 전체 사용자의 인기도에 기반한 알고리즘, 성별 인기도에 기반한 알고리즘, 연령별 인기도에 기반한 알고리즘 및 연관성 분석(Association Rule Mining) 기반 추천 알고리즘 중 어느 둘 이상을 포함할 수 있다.
이 때, 협업 필터링 알고리즘은 사용자 별 구매 이력의 유사성에 기반하여 추천 후보 정보를 생성하는 알고리즘일 수 있다.
실시예에 따라, 복수의 추천 알고리즘은 사용자 별 추천 알고리즘 선호도의 유사성에 기반한 메타 협업 필터링 알고리즘을 더 포함할 수 있다.
이 때, 메타 협업 필터링 알고리즘은 추천 알고리즘의 선호도가 유사한 사용자를 선택하고, 선호도가 유사한 사용자가 구매한 상품 중 추천 대상 사용자가 구매하지 않은 상품들을 추천 후보 정보로 생성하는 알고리즘일 수 있다.
이 때, 사용자 별 추천 알고리즘 선호도의 유사도의 계산은 코사인(Cosine) 유사도를 이용할 수 있다.
Figure pat00001
이 때, 상기 수학식 1의 Cos(A, B)는 사용자 A와 사용자 B의 유사도를 의미한다. 또한, A(pi)는 사용자 A의 추천 알고리즘 i에 대한 선호 벡터를, B(pi)는 사용자 B의 추천 알고리즘 i에 대한 선호 벡터를 의미한다.
이 때, 사용자 별 추천 알고리즘 선호도의 유사도의 계산은 알려진 다양한 유사도 계산 방법을 사용할 수 있다.
이 때, 추천 후보 정보는 상기 추천 후보 정보를 생성한 추천 알고리즘에 대한 정보를 포함할 수 있다. 따라서, 추천 상품 정보의 추출에 상기 추천 알고리즘의 선호도를 이용할 수 있다.
이 때, 상이한 추천 알고리즘에 의하여 동일한 상품이 추천 후보 정보로 생성될 수 있다. 이 경우, 추천 상품 정보의 추출을 위하여 상기 상품이 어떠한 추천 알고리즘에 의하여 추천 후보 정보로 생성된 것인지 특정이 필요하므로, 가장 높은 선호도를 가지는 추천 알고리즘에 의하여 생성된 것으로 볼 수 있다.
선호도 산출부(220)는 기추천된 추천 상품 정보의 사용 이력 정보를 수집하고, 상기 사용 이력 정보에 기반하여 추천 알고리즘 각각에 대해서 선호도를 산출한다.
실시예에 따라, 사용 이력 정보는 클릭 정보 및 구매 정보 중 어느 하나 이상을 포함할 수 있다.
실시예에 따라, 선호도 산출부(220)는 상기 사용 이력 정보 중 클릭 정보를 이용하여, 클릭된 추천 상품 정보를 판별하고, 상기 클릭된 추천 상품 정보를 추출하는데 이용된 추천 알고리즘의 선호도를 제1 기준 단위만큼 증가시켜 산출할 수 있다.
이 때, 추천 상품 정보를 클릭하여 확인했다는 것은, 추천된 상품에 흥미를 가졌다는 뜻이고, 사용자가 흥미를 느낄 만한 상품을 추천한 추천 알고리즘은 사용자의 기호에 맞는 추천 방법인 것으로 판단하여, 추천 알고리즘의 선호도를 증가시켜 산출할 수 있다.
이 때, 제1 기준 단위는 작은 값일 수 있다. 단순히 추천 상품을 확인한 것에 지나지 아니하므로, 선호도가 증가할 수 있는 가장 작은 값일 수 있다.
실시예에 따라, 선호도 산출부(220)는 상기 사용 이력 정보 중 구매 정보를 이용하여, 구매된 추천 상품 정보를 판별하고, 상기 구매된 추천 상품 정보를 추출하는데 이용된 추천 알고리즘의 선호도를 상기 제1 기준 단위보다 큰 제2 기준 단위만큼 증가시켜 산출할 수 있다.
이 때, 추천 상품 정보를 통하여 구매했다는 것은, 추천된 상품에 흥미를 가졌다는 뜻이고, 사용자가 흥미를 느낄 만한 상품을 추천한 추천 알고리즘은 사용자의 기호에 맞는 추천 방법인 것으로 판단하여, 추천 알고리즘의 선호도를 증가시켜 산출할 수 있다. 이 때, 단순히 클릭하여 확인만 한 경우보다 구매까지 이루어진 경우는 사용자가 더 큰 흥미를 가졌다는 것이므로, 추천 상품이 클릭된 경우보다 더 크게 선호도를 증가시켜 산출할 수 있다.
실시예에 따라, 선호도 산출부(220)는 추천 알고리즘의 선호도에 기반하여 결정되는 가중치를 더 고려하여 선호도를 증가시켜 산출할 수 있다.
이 때, 선호도가 이미 매우 높은 추천 알고리즘에 대하여는 증가 속도를 감소시키고, 매우 낮은 선호도를 가진 추천 알고리즘에 대해서는 증가 속도를 증가시키기 위하여, 기산출된 선호도에 기반하여 가중치를 결정할 수 있다. 또한, 선호도가 높은 추천 알고리즘에 대하여 선호도가 더 증가하고, 선호도가 낮은 추천 알고리즘에 대하여는 선호도가 조금만 증가하도록 가중치를 결정할 수도 있다.
추천 상품 추출부(230)는 상기 복수의 추천 알고리즘의 선호도에 기반하여 추천 후보 정보 중 적어도 일부를 추천 상품 정보로 추출한다.
실시예에 따라, 추천 상품 추출부(230)는 추천 후보 정보를 상기 추천 후보 정보를 생성한 추천 알고리즘의 선호도 순으로 정렬하고, 상기 정렬 결과를 이용하여 추천 후보 정보를 기설정된 수만큼 추천 상품 정보로 추출할 수 있다.
예를 들어, 20개의 추천 상품 정보를 추출할 때, 추천 알고리즘의 선호도에 기반하여 선호도가 가장 높은 추천 알고리즘 1에서 생성된 모든 추천 후보 정보, 즉 10개의 추천 상품 정보를 추출하고, 차순위의 선호도를 가지는 추천 알고리즘 2에서 생성된 모든 추천 후보 정보, 즉 7개의 추천 상품 정보를 추출하고, 나머지 3개의 추천 상품 정보를 차차순위의 선호도를 가지는 추천 알고리즘 3에서 추출하는 방법으로 추천 상품 정보를 추출할 수 있다.
실시예에 따라, 추천 상품 추출부(230)는 상기 복수의 추천 알고리즘의 선호도를 정규화하여 각 추천 알고리즘에 대해 추천 비율을 산출하고, 각 추천 알고리즘 별로 상기 추천 비율을 이용하여 추천 상품 정보를 추출할 수 있다.
실시예에 따라, 추천 상품 추출부(230)는 어느 하나의 추천 알고리즘에 의해 생성된 추천 상품 후보의 수가 상기 추천 알고리즘의 추천 비율에 의해 계산되는 수보다 작은 경우, 상기 추천 알고리즘보다 차순위의 선호도를 가지는 추천 알고리즘에 의해 생성된 추천 후보 정보 중에서 추천 상품 정보를 더 추출하여 보충할 수 있다.
실시예에 따라, 추천 상품 추출부(230)는 어느 하나의 추천 알고리즘에 의해 생성된 추천 상품 후보의 수가 상기 추천 알고리즘의 추천 비율에 의해 계산되는 수보다 작은, 상기 추천 알고리즘을 이용하여 추출되는 추천 상품 정보의 수는 상기 추천 상품 후보의 수일 수 있다.
이 때, 추천 상품 정보는 상기 추천 상품 정보를 추출할 때 이용된 추천 알고리즘에 대한 정보를 포함할 수 있다. 따라서, 상기 추천 알고리즘의 선호도를 산출할 때 추천 상품 정보에 대한 사용 이력 정보를 이용할 수 있다.
이 때, 선호도 값이 0인 추천 알고리즘이 생성한 추천 후보 정보는 제외하고 추천 상품 정보를 추출할 수 있다.
도 3은 도 2에 도시된 추천 상품 추출부의 일 예를 나타낸 블록도이다.
도 3을 참조하면, 도 2에 도시된 추천 상품 추출부는 정규화부(310) 및 비율 산출부(320)를 포함한다.
정규화부(310)는 복수의 추천 알고리즘의 선호도를 정규화한다.
이 때, 정규화는 모든 추천 알고리즘의 선호도의 총합이 1이 되도록 각 선호도 값을 치환하는 것일 수 있다.
예를 들면, 추천 알고리즘이 3개 있고, 추천 알고리즘 1의 선호도가 0.2, 추천 알고리즘 2의 선호도가 0.4, 추천 알고리즘 3의 선호도가 0.2인 경우, 각각 0.25, 0.5, 0.25로 치환될 수 있다.
비율 산출부(320)는 정규화된 선호도에 기반하여 각 추천 알고리즘에 대해 추천 비율을 산출한다.
예를 들어, 추천 요청 상품수가 50개인 경우, 추천 알고리즘 1에 의하여 생성된 추천 후보 정보에서는 13개, 추천 알고리즘 2에 의하여 생성된 추천 후보 정보에서는 25개, 추천 알고리즘 3에 의하여 생성된 추천 후보 정보에서는 13개의 추천 상품 정보를 각각 추출할 수 있다. 이 때, 반올림에 의하여 총 합이 50개를 초과하므로, 가장 선호도가 낮은 추천 알고리즘인 추천 알고리즘 1 또는 추천 알고리즘 3에 의하여 생성된 추천 후보 정보에서 1개를 덜 추출할 수 있다.
실시예에 따라, 추천 상품 추출부는 각 추천 알고리즘 별로 상기 추천 비율을 이용하여 추천 상품 정보를 추출할 수 있다.
실시예에 따라, 추천 상품 추출부는 어느 하나의 추천 알고리즘에 의해 생성된 추천 상품 후보의 수가 상기 추천 알고리즘의 추천 비율에 의해 계산되는 수보다 작은 경우, 상기 추천 알고리즘보다 차순위의 선호도를 가지는 추천 알고리즘에 의해 생성된 추천 후보 정보 중에서 추천 상품 정보를 더 추출하여 보충할 수 있다.
예를 들어, 추천 알고리즘 2에 의하여 생성된 추천 후보 정보 중 추천 상품 정보를 25개 추출해야 하는데, 추천 알고리즘 2에 의하여 생성된 추천 후보 정보는 23개인 경우, 추천 알고리즘 2보다 차순위의 선호도를 가지는 추천 알고리즘인 추천 알고리즘 1 또는 추천 알고리즘 3에 의하여 생성된 추천 후보 정보에서 2개의 추천 상품 정보를 더 추출할 수 있다. 또는, 동순위인 추천 알고리즘 1 및 추천 알고리즘 3에 의하여 생성된 추천 후보 정보에서 각각 1개씩 추천 상품 정보를 더 추출할 수 있다.
또는, 추천 상품 추출부는 어느 하나의 추천 알고리즘에 의해 생성된 추천 상품 후보의 수가 상기 추천 알고리즘의 추천 비율에 의해 계산되는 수보다 작은 경우, 상기 추천 알고리즘을 이용하여 추출되는 추천 상품 정보의 수는 상기 추천 상품 후보의 수일 수 있다. 즉, 추천 상품 후보의 수가 부족하더라도 다른 추천 알고리즘에 의하여 보충되지 아니할 수 있다.
예를 들어, 서비스의 특성에 따라 추천 요청 상품수는 최대한의 상품수일뿐이고, 그보다 적은 상품이 추천되어도 무방한 경우에는 추천 후보 정보가 부족하더라도 그대로 추출할 수 있다.
도 4는 본 발명의 일실시예에 따른 추천 알고리즘의 선호도의 일 예를 나타낸 도면이다.
도 4를 참조하면, 본 발명의 일실시예에 따른 추천 알고리즘의 선호도는 사용자(410) 별, 추천 알고리즘(420) 별로 산출된다.
이 때, 추천 상품 정보의 사용 이력 정보에 기반하여 추천 알고리즘(420) 각각에 대해서 선호도(430)를 산출한다.
실시예에 따라, 사용 이력 정보는 클릭 정보 및 구매 정보 중 어느 하나 이상을 포함할 수 있다.
실시예에 따라, 사용 이력 정보 중 클릭 정보를 이용하여, 클릭된 추천 상품 정보를 판별하고, 상기 클릭된 추천 상품 정보를 추출하는데 이용된 추천 알고리즘(420)의 선호도(430)를 제1 기준 단위만큼 증가시켜 산출할 수 있다.
이 때, 추천 상품 정보를 클릭하여 확인했다는 것은, 추천된 상품에 흥미를 가졌다는 뜻이고, 사용자(410)가 흥미를 느낄 만한 상품을 추천한 추천 알고리즘(420)은 사용자(410)의 기호에 맞는 추천 방법인 것으로 판단하여, 추천 알고리즘(420)의 선호도(430)를 증가시켜 산출할 수 있다.
이 때, 제1 기준 단위는 작은 값일 수 있다. 단순히 추천 상품을 확인한 것에 지나지 아니하므로, 선호도가 증가할 수 있는 가장 작은 값일 수 있다.
실시예에 따라, 사용 이력 정보 중 구매 정보를 이용하여, 구매된 추천 상품 정보를 판별하고, 상기 구매된 추천 상품 정보를 추출하는데 이용된 추천 알고리즘(420)의 선호도(430)를 상기 제1 기준 단위보다 큰 제2 기준 단위만큼 증가시켜 산출할 수 있다.
이 때, 추천 상품 정보를 통하여 구매했다는 것은, 추천된 상품에 흥미를 가졌다는 뜻이고, 사용자(410)가 흥미를 느낄 만한 상품을 추천한 추천 알고리즘(420)은 사용자(410)의 기호에 맞는 추천 방법인 것으로 판단하여, 추천 알고리즘(420)의 선호도(430)를 증가시켜 산출할 수 있다. 이 때, 단순히 클릭하여 확인만 한 경우보다 구매까지 이루어진 경우는 사용자가 더 큰 흥미를 가졌다는 것이므로, 추천 상품이 클릭된 경우보다 더 크게 선호도(430)를 증가시켜 산출할 수 있다.
실시예에 따라, 선호도(430)는 추천 알고리즘(420)의 선호도(430)에 기반하여 결정되는 가중치를 더 고려하여 증가되어 산출될 수 있다.
이 때, 선호도(430)가 이미 매우 높은 추천 알고리즘(420)에 대하여는 증가 속도를 감소시키고, 매우 낮은 선호도를 가진 추천 알고리즘(420)에 대해서는 증가 속도를 증가시키기 위하여, 기산출된 선호도(430)에 기반하여 가중치를 결정할 수 있다. 또한, 선호도가 높은 추천 알고리즘에 대하여 선호도가 더 증가하고, 선호도가 낮은 추천 알고리즘에 대하여는 선호도가 조금만 증가하도록 가중치를 결정할 수도 있다.
또한, 선호도(430)는 메타 협업 필터링 알고리즘에 사용될 수 있다.
이 때, 메타 협업 필터링 알고리즘은 추천 알고리즘의 선호도(430)가 유사한 사용자(410)를 선택하고, 선호도(430)가 유사한 사용자가 구매한 상품 중 추천 대상 사용자가 구매하지 않은 상품들을 추천 후보 정보로 생성하는 알고리즘일 수 있다.
이 때, 사용자 별 추천 알고리즘 선호도(430)의 유사도의 계산은 코사인 유사도를 사용할 수도 있고, 알려진 다양한 유사도 계산 방법을 사용할 수도 있다.
또한, 추천 알고리즘(420)의 선호도(430)에 기반하여 추천 후보 정보 중 적어도 일부가 추천 상품 정보로 추출된다.
실시예에 따라, 추천 후보 정보를 상기 추천 후보 정보를 생성한 추천 알고리즘(420)의 선호도(430) 순으로 정렬하고, 상기 정렬 결과를 이용하여 추천 후보 정보를 기설정된 수만큼 추천 상품 정보로 추출할 수 있다.
예를 들어, 20개의 추천 상품 정보를 추출할 때, 추천 알고리즘(420)의 선호도(430)에 기반하여 선호도(430)가 가장 높은 추천 알고리즘 1에서 생성된 모든 추천 후보 정보, 즉 10개의 추천 상품 정보를 추출하고, 차순위의 선호도(430)를 가지는 추천 알고리즘 2에서 생성된 모든 추천 후보 정보, 즉 7개의 추천 상품 정보를 추출하고, 나머지 3개의 추천 상품 정보를 차차순위의 선호도(430)를 가지는 추천 알고리즘 3에서 추출하는 방법으로 추천 상품 정보를 추출할 수 있다.
실시예에 따라, 복수의 추천 알고리즘(420)의 선호도(430)를 정규화하여 각 추천 알고리즘(420)에 대해 추천 비율을 산출하고, 각 추천 알고리즘(420) 별로 상기 추천 비율을 이용하여 추천 상품 정보를 추출할 수 있다.
이 때, 정규화는 모든 추천 알고리즘의 선호도의 총합이 1이 되도록 각 선호도 값을 치환하는 것일 수 있다.
예를 들면, 추천 알고리즘이 3개 있고, 추천 알고리즘 1의 선호도가 0.2, 추천 알고리즘 2의 선호도가 0.1, 추천 알고리즘 3의 선호도가 0.4인 경우, 각각 0.29, 0.14, 0.57로 치환될 수 있다.
예를 들어, 추천 요청 상품수가 35개인 경우, 추천 알고리즘 1에 의하여 생성된 추천 후보 정보에서는 10개, 추천 알고리즘 2에 의하여 생성된 추천 후보 정보에서는 5개, 추천 알고리즘 3에 의하여 생성된 추천 후보 정보에서는 20개의 추천 상품 정보를 각각 추출할 수 있다.
실시예에 따라, 어느 하나의 추천 알고리즘(420)에 의해 생성된 추천 상품 후보의 수가 상기 추천 알고리즘(420)의 추천 비율에 의해 계산되는 수보다 작은 경우, 상기 추천 알고리즘(420)보다 차순위의 선호도(430)를 가지는 추천 알고리즘(420)에 의해 생성된 추천 후보 정보 중에서 추천 상품 정보를 더 추출하여 보충할 수 있다.
예를 들어, 추천 알고리즘 3에 의하여 생성된 추천 후보 정보 중 추천 상품 정보를 10개 추출해야 하는데, 추천 알고리즘 2에 의하여 생성된 추천 후보 정보는 8개인 경우, 추천 알고리즘 3보다 차순위의 선호도를 가지는 추천 알고리즘인 추천 알고리즘 1에 의하여 생성된 추천 후보 정보에서 2개의 추천 상품 정보를 더 추출할 수 있다.
또는, 어느 하나의 추천 알고리즘(420)에 의해 생성된 추천 상품 후보의 수가 상기 추천 알고리즘(420)의 추천 비율에 의해 계산되는 수보다 작은 경우, 상기 추천 알고리즘을 이용하여 추출되는 추천 상품 정보의 수는 상기 추천 상품 후보의 수일 수 있다. 즉, 추천 후보 정보의 수가 부족하더라도 다른 추천 알고리즘에 의하여 보충되지 아니할 수 있다.
예를 들어, 서비스의 특성에 따라 추천 요청 상품수는 최대한의 상품수일뿐이고, 그보다 적은 상품이 추천되어도 무방한 경우에는 추천 후보 정보가 부족하더라도 그대로 추출할 수 있다.
이 때, 선호도(430) 값이 0인 추천 알고리즘(420)이 생성한 추천 후보 정보는 제외하고 추천 상품 정보를 추출할 수 있다.
도 5는 본 발명의 일실시예에 따른 추천 상품 정보의 일 예를 나타낸 도면이다.
도 5를 참조하면, 본 발명의 일실시예에 따른 추천 상품 정보는 사용자(510), 추천 상품(520), 추천 알고리즘(530) 및 날짜(540)를 포함한다.
사용자(510)는 추천 상품 정보를 제공 받는, 즉 상품의 추천을 받는 사용자의 정보이다.
추천 상품(520)은 실제로 추천되는 상품의 정보이다.
추천 알고리즘(530)는 추천 상품 정보가 추출되는데 사용된 추천 알고리즘의 정보이다. 즉, 추천 상품 정보에 상응하는 추천 후보 정보를 생성한 추천 알고리즘의 정보이다.
이 때, 추천 상품 정보의 사용 이력 정보를 수집하고, 상기 사용 이력 정보에 기반하여 추천 알고리즘 각각에 대해서 선호도를 산출한다.
실시예에 따라, 사용 이력 정보는 클릭 정보 및 구매 정보 중 어느 하나 이상을 포함할 수 있다.
실시예에 따라, 사용 이력 정보 중 클릭 정보를 이용하여, 클릭된 추천 상품 정보를 판별하고, 상기 클릭된 추천 상품 정보를 추출하는데 이용된 추천 알고리즘의 선호도를 제1 기준 단위만큼 증가시켜 산출할 수 있다.
이 때, 제1 기준 단위는 작은 값일 수 있다. 단순히 추천 상품을 확인한 것에 지나지 아니하므로, 선호도가 증가할 수 있는 가장 작은 값일 수 있다.
실시예에 따라, 사용 이력 정보 중 구매 정보를 이용하여, 구매된 추천 상품 정보를 판별하고, 상기 구매된 추천 상품 정보를 추출하는데 이용된 추천 알고리즘의 선호도를 상기 제1 기준 단위보다 큰 제2 기준 단위만큼 증가시켜 산출할 수 있다.
이 때, 추천 상품 정보에 포함되어 있는 추천 알고리즘(530) 정보로 추천 상품 정보를 추출하는데 이용된 추천 알고리즘을 판별하고, 선호도를 산출할 수 있다.
도 5에는 도시되지 아니하였으나, 본 발명의 일실시예에 따른 추천 후보 정보도 동일한 정보를 포함할 수 있다.
이 때, 추천 후보 정보에 포함되어 있는 추천 알고리즘 정보로 추천 후보 정보를 생성한 추천 알고리즘을 판별하고, 추천 알고리즘의 선호도에 기반하여 추천 상품 정보를 추출할 수 있다.
날짜(540)는 추천 상품 정보가 생성되어 사용자에게 제공된 날짜이다.
도 6은 본 발명의 일실시예에 따른 추천 상품 제공 서비스 방법의 일 예를 나타낸 동작 흐름도이다.
도 6을 참조하면, 본 발명의 일실시예에 따른 추천 상품 제공 서비스 방법은 복수의 추천 알고리즘을 사용하여 추천 후보 상품을 포함하는 추천 후보 정보를 하나 이상 생성한다(S610).
실시예에 따라, 복수의 추천 알고리즘은 협업 필터링(Collaborative Filtering) 알고리즘, 전체 사용자의 인기도에 기반한 알고리즘, 성별 인기도에 기반한 알고리즘, 연령별 인기도에 기반한 알고리즘 및 연관성 분석(Association Rule Mining) 기반 추천 알고리즘 중 어느 둘 이상을 포함할 수 있다.
이 때, 협업 필터링 알고리즘은 사용자 별 구매 이력의 유사성에 기반하여 추천 후보 정보를 생성하는 알고리즘일 수 있다.
실시예에 따라, 복수의 추천 알고리즘은 사용자 별 추천 알고리즘 선호도의 유사성에 기반한 메타 협업 필터링 알고리즘을 더 포함할 수 있다.
이 때, 메타 협업 필터링 알고리즘은 추천 알고리즘의 선호도가 유사한 사용자를 선택하고, 선호도가 유사한 사용자가 구매한 상품 중 추천 대상 사용자가 구매하지 않은 상품들을 추천 후보 정보로 생성하는 알고리즘일 수 있다.
이 때, 사용자 별 추천 알고리즘 선호도의 유사도의 계산은 코사인(Cosine) 유사도를 이용할 수도 있고, 알려진 다양한 유사도 계산 방법을 사용할 수도 있다.
이 때, 추천 후보 정보는 상기 추천 후보 정보를 생성한 추천 알고리즘에 대한 정보를 포함할 수 있다. 따라서, 추천 상품 정보의 추출에 상기 추천 알고리즘의 선호도를 이용할 수 있다.
이 때, 상이한 추천 알고리즘에 의하여 동일한 상품이 추천 후보 정보로 생성될 수 있다. 이 경우, 추천 상품 정보의 추출을 위하여 상기 상품이 어떠한 추천 알고리즘에 의하여 추천 후보 정보로 생성된 것인지 특정이 필요하므로, 가장 높은 선호도를 가지는 추천 알고리즘에 의하여 생성된 것으로 볼 수 있다.
또한, 본 발명의 일실시예에 따른 추천 상품 제공 서비스 방법은 기추천된 추천 상품 정보의 사용 이력 정보를 수집한다(S620).
실시예에 따라, 사용 이력 정보는 클릭 정보 및 구매 정보 중 어느 하나 이상을 포함할 수 있다.
또한, 본 발명의 일실시예에 따른 추천 상품 제공 서비스 방법은 상기 사용 이력 정보에 기반하여 추천 알고리즘 각각에 대해서 선호도를 산출한다(S630).
실시예에 따라, 선호도를 산출하는 단계는 상기 사용 이력 정보 중 클릭 정보를 이용하여, 클릭된 추천 상품 정보를 판별하고, 상기 클릭된 추천 상품 정보를 추출하는데 이용된 추천 알고리즘의 선호도를 제1 기준 단위만큼 증가시켜 산출할 수 있다.
이 때, 추천 상품 정보를 클릭하여 확인했다는 것은, 추천된 상품에 흥미를 가졌다는 뜻이고, 사용자가 흥미를 느낄 만한 상품을 추천한 추천 알고리즘은 사용자의 기호에 맞는 추천 방법인 것으로 판단하여, 추천 알고리즘의 선호도를 증가시켜 산출할 수 있다.
이 때, 제1 기준 단위는 작은 값일 수 있다. 단순히 추천 상품을 확인한 것에 지나지 아니하므로, 선호도가 증가할 수 있는 가장 작은 값일 수 있다.
실시예에 따라, 선호도를 산출하는 단계는 상기 사용 이력 정보 중 구매 정보를 이용하여, 구매된 추천 상품 정보를 판별하고, 상기 구매된 추천 상품 정보를 추출하는데 이용된 추천 알고리즘의 선호도를 상기 제1 기준 단위보다 큰 제2 기준 단위만큼 증가시켜 산출할 수 있다.
이 때, 추천 상품 정보를 통하여 구매했다는 것은, 추천된 상품에 흥미를 가졌다는 뜻이고, 사용자가 흥미를 느낄 만한 상품을 추천한 추천 알고리즘은 사용자의 기호에 맞는 추천 방법인 것으로 판단하여, 추천 알고리즘의 선호도를 증가시켜 산출할 수 있다. 이 때, 단순히 클릭하여 확인만 한 경우보다 구매까지 이루어진 경우는 사용자가 더 큰 흥미를 가졌다는 것이므로, 추천 상품이 클릭된 경우보다 더 크게 선호도를 증가시켜 산출할 수 있다.
실시예에 따라, 선호도를 산출하는 단계는 추천 알고리즘의 선호도에 기반하여 결정되는 가중치를 더 고려하여 선호도를 증가시켜 산출할 수 있다.
이 때, 선호도가 이미 매우 높은 추천 알고리즘에 대하여는 증가 속도를 감소시키고, 매우 낮은 선호도를 가진 추천 알고리즘에 대해서는 증가 속도를 증가시키기 위하여, 기산출된 선호도에 기반하여 제2 기준 단위를 결정할 수 있다. 또한, 선호도가 높은 추천 알고리즘에 대하여 선호도가 더 증가하고, 선호도가 낮은 추천 알고리즘에 대하여는 선호도가 조금만 증가하도록 가중치를 결정할 수도 있다.
또한, 본 발명의 일실시예에 따른 추천 상품 제공 서비스 방법은 상기 복수의 추천 알고리즘의 선호도에 기반하여 추천 후보 정보 중 적어도 일부를 추천 상품 정보로 추출한다(S640).
실시예에 따라, 추천 상품 정보를 추출하는 단계는 추천 후보 정보를 상기 추천 후보 정보를 생성한 추천 알고리즘의 선호도 순으로 정렬하고, 상기 정렬 결과를 이용하여 추천 후보 정보를 기설정된 수만큼 추천 상품 정보로 추출할 수 있다.
예를 들어, 20개의 추천 상품 정보를 추출할 때, 추천 알고리즘의 선호도에 기반하여 선호도가 가장 높은 추천 알고리즘 1에서 생성된 모든 추천 후보 정보, 즉 10개의 추천 상품 정보를 추출하고, 차순위의 선호도를 가지는 추천 알고리즘 2에서 생성된 모든 추천 후보 정보, 즉 7개의 추천 상품 정보를 추출하고, 나머지 3개의 추천 상품 정보를 차차순위의 선호도를 가지는 추천 알고리즘 3에서 추출하는 방법으로 추천 상품 정보를 추출할 수 있다.
실시예에 따라, 추천 상품 정보를 추출하는 단계는 상기 복수의 추천 알고리즘의 선호도를 정규화하여 각 추천 알고리즘에 대해 추천 비율을 산출하고, 각 추천 알고리즘 별로 상기 추천 비율을 이용하여 추천 상품 정보를 추출할 수 있다.
실시예에 따라, 추천 상품 정보를 추출하는 단계는 어느 하나의 추천 알고리즘에 의해 생성된 추천 상품 후보의 수가 상기 추천 알고리즘의 추천 비율에 의해 계산되는 수보다 작은 경우, 상기 추천 알고리즘보다 차순위의 선호도를 가지는 추천 알고리즘에 의해 생성된 추천 후보 정보 중에서 추천 상품 정보를 더 추출하여 보충할 수 있다.
실시예에 따라, 추천 상품 정보를 추출하는 단계는 어느 하나의 추천 알고리즘에 의해 생성된 추천 상품 후보의 수가 상기 추천 알고리즘의 추천 비율에 의해 계산되는 수보다 작은 경우, 상기 추천 알고리즘을 이용하여 추출되는 추천 상품 정보의 수는 상기 추천 상품 후보의 수일 수 있다. 즉, 다른 추천 알고리즘에 의해 보충되지 아니할 수 있다.
이 때, 추천 상품 정보는 상기 추천 상품 정보를 추출할 때 이용된 추천 알고리즘에 대한 정보를 포함할 수 있다. 따라서, 상기 추천 알고리즘의 선호도를 산출할 때 추천 상품 정보에 대한 사용 이력 정보를 이용할 수 있다.
이 때, 선호도 값이 0인 추천 알고리즘이 생성한 추천 후보 정보는 제외하고 추천 상품 정보를 추출할 수 있다.
도 7은 도 6에 도시된 추천 상품 정보를 추출하는 단계의 일 예를 나타낸 동작 흐름도이다.
도 7을 참조하면, 도 6에 도시된 추천 상품 정보를 추출하는 단계는 복수의 추천 알고리즘의 선호도를 정규화한다(S710).
이 때, 정규화는 모든 추천 알고리즘의 선호도의 총합이 1이 되도록 각 선호도 값을 치환하는 것일 수 있다.
예를 들면, 추천 알고리즘이 3개 있고, 추천 알고리즘 1의 선호도가 0.2, 추천 알고리즘 2의 선호도가 0.4, 추천 알고리즘 3의 선호도가 0.2인 경우, 각각 0.25, 0.5, 0.25로 치환될 수 있다.
또한, 도 6에 도시된 추천 상품 정보를 추출하는 단계는 정규화된 선호도에 기반하여 각 추천 알고리즘에 대해 추천 비율을 산출한다(S720).
예를 들어, 추천 요청 상품수가 50개인 경우, 추천 알고리즘 1에 의하여 생성된 추천 후보 정보에서는 13개, 추천 알고리즘 2에 의하여 생성된 추천 후보 정보에서는 25개, 추천 알고리즘 3에 의하여 생성된 추천 후보 정보에서는 13개의 추천 상품 정보를 각각 추출할 수 있다. 이 때, 반올림에 의하여 총 합이 50개를 초과하므로, 가장 선호도가 낮은 추천 알고리즘인 추천 알고리즘 1 또는 추천 알고리즘 3에 의하여 생성된 추천 후보 정보에서 1개를 덜 추출할 수 있다.
또한, 도 6에 도시된 추천 상품 정보를 추출하는 단계는 각 추천 알고리즘 별로 상기 추천 비율을 이용하여 추천 상품 정보를 추출한다(S730).
실시예에 따라, 추천 상품 정보를 추출하는 단계는 어느 하나의 추천 알고리즘에 의해 생성된 추천 상품 후보의 수가 상기 추천 알고리즘의 추천 비율에 의해 계산되는 수보다 작은 경우, 상기 추천 알고리즘보다 차순위의 선호도를 가지는 추천 알고리즘에 의해 생성된 추천 후보 정보 중에서 추천 상품 정보를 더 추출하여 보충할 수 있다.
예를 들어, 추천 알고리즘 2에 의하여 생성된 추천 후보 정보 중 추천 상품 정보를 25개 추출해야 하는데, 추천 알고리즘 2에 의하여 생성된 추천 후보 정보는 23개인 경우, 추천 알고리즘 2보다 차순위의 선호도를 가지는 추천 알고리즘인 추천 알고리즘 1 또는 추천 알고리즘 3에 의하여 생성된 추천 후보 정보에서 2개의 추천 상품 정보를 더 추출할 수 있다. 또는, 동순위인 추천 알고리즘 1 및 추천 알고리즘 3에 의하여 생성된 추천 후보 정보에서 각각 1개씩 추천 상품 정보를 더 추출할 수 있다.
또는, 추천 상품 정보를 추출하는 단계는 어느 하나의 추천 알고리즘에 의해 생성된 추천 상품 후보의 수가 상기 추천 알고리즘의 추천 비율에 의해 계산되는 수보다 작은 경우, 상기 추천 알고리즘을 이용하여 추출되는 추천 상품 정보의 수는 상기 추천 상품 후보의 수일 수 있다. 즉, 다른 추천 알고리즘에 의하여 보충되지 아니할 수 있다.
예를 들어, 서비스의 특성에 따라 추천 요청 상품수는 최대한의 상품수일뿐이고, 그보다 적은 상품이 추천되어도 무방한 경우에는 추천 후보 정보가 부족하더라도 그대로 추출할 수 있다.
도 6 및 도 7에 도시된 각 단계는 도 6 및 도 7에 도시된 순서, 그 역순 또는 동시에 수행될 수 있다.
본 발명에 따른 추천 상품 제공 서비스 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 또는 스마트폰 앱으로 구현될 수 있다. 이 때, 프로그램 또는 스마트폰 앱은 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 본 발명을 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 모든 형태의 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 포함할 수 있다. 이러한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상에서와 같이 본 발명에 따른 추천 상품 제공 서비스 시스템, 추천 상품 제공 서비스 방법 및 이를 위한 장치는 상기한 바와 같이 설명된 실시예들의 구성과 방법이 한정되게 적용될 수 있는 것이 아니라, 상기 실시예들은 다양한 변형이 이루어질 수 있도록 각 실시예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.
본 발명에 의하면 다양한 추천 알고리즘을 이용하여 생성된 추천 후보 정보 중에서 추천 알고리즘의 선호도에 기반하여 추천 상품 정보를 추출하여 사용자에게 제시하고, 추천 상품 정보의 사용 이력 정보에 기반하여 추천 알고리즘의 선호도를 산출할 수 있다. 나아가, 사용자 별 추천 알고리즘의 선호도의 유사도에 기반하여 메타 협업 필터링 알고리즘에 의하여 추천 후보 정보를 생성할 수 있다. 따라서, 사용자의 선호도를 정확하게 파악하고, 보다 정교하게 상품을 추천하는 것이 가능하므로 산업 발전에 기여할 수 있다.
110: 추천 상품 제공 서비스 장치 120: 단말 장치
130: 네트워크 210: 후보 생성부
220: 선호도 산출부 230: 추천 상품 추출부
310: 정규화부 320: 비율 산출부

Claims (20)

  1. 복수의 추천 알고리즘을 사용하여 추천 후보 상품을 포함하는 추천 후보 정보를 하나 이상 생성하는 후보 생성부;
    기추천된 추천 상품 정보의 사용 이력 정보를 수집하고, 상기 사용 이력 정보에 기반하여 추천 알고리즘 각각에 대해서 선호도를 산출하는 선호도 산출부; 및
    상기 복수의 추천 알고리즘의 선호도에 기반하여 추천 후보 정보 중 적어도 일부를 추천 상품 정보로 추출하는 추천 상품 추출부
    를 포함하는 것을 특징으로 하는 추천 상품 제공 서비스 장치.
  2. 청구항 1에 있어서,
    상기 사용 이력 정보는
    클릭 정보 및 구매 정보 중 어느 하나 이상을 포함하는 것을 특징으로 하는 추천 상품 제공 서비스 장치.
  3. 청구항 2에 있어서,
    상기 선호도 산출부는
    상기 사용 이력 정보 중 클릭 정보를 이용하여, 클릭된 추천 상품 정보를 판별하고, 상기 클릭된 추천 상품 정보를 추출하는데 이용된 추천 알고리즘의 선호도를 제1 기준 단위만큼 증가시켜 산출하는 것을 특징으로 하는 추천 상품 제공 서비스 장치.
  4. 청구항 3에 있어서,
    상기 선호도 산출부는
    상기 사용 이력 정보 중 구매 정보를 이용하여, 구매된 추천 상품 정보를 판별하고, 상기 구매된 추천 상품 정보를 추출하는데 이용된 추천 알고리즘의 선호도를 상기 제1 기준 단위보다 큰 제2 기준 단위만큼 증가시켜 산출하는 것을 특징으로 하는 추천 상품 제공 서비스 장치.
  5. 청구항 4에 있어서,
    상기 선호도 산출부는
    추천 알고리즘의 선호도에 기반하여 결정되는 가중치를 더 고려하여 선호도를 증가시켜 산출하는 것을 특징으로 하는 추천 상품 제공 서비스 장치.
  6. 청구항 1에 있어서,
    상기 추천 상품 추출부는
    추천 후보 정보를 상기 추천 후보 정보를 생성한 추천 알고리즘의 선호도 순으로 정렬하고, 상기 정렬 결과를 이용하여 추천 후보 정보를 기설정된 수만큼 추천 상품 정보로 추출하는 것을 특징으로 하는 추천 상품 제공 서비스 장치.
  7. 청구항 1에 있어서,
    상기 추천 상품 추출부는
    상기 복수의 추천 알고리즘의 선호도를 정규화하는 정규화부; 및
    정규화된 선호도에 기반하여 각 추천 알고리즘에 대해 추천 비율을 산출하는 비율 산출부
    를 포함하고, 각 추천 알고리즘 별로 상기 추천 비율을 이용하여 추천 상품 정보를 추출하는 것을 특징으로 하는 추천 상품 제공 서비스 장치.
  8. 청구항 7에 있어서,
    상기 추천 상품 추출부는
    어느 하나의 추천 알고리즘에 의해 생성된 추천 상품 후보의 수가 상기 추천 알고리즘의 추천 비율에 의해 계산되는 수보다 작은 경우, 상기 추천 알고리즘보다 차순위의 선호도를 가지는 추천 알고리즘에 의해 생성된 추천 후보 정보 중에서 추천 상품 정보를 더 추출하여 보충하는 것을 특징으로 하는 추천 상품 제공 서비스 장치.
  9. 청구항 7에 있어서,
    상기 추천 상품 추출부는
    어느 하나의 추천 알고리즘에 의해 생성된 추천 상품 후보의 수가 상기 추천 알고리즘의 추천 비율에 의해 계산되는 수보다 작은 경우, 상기 추천 알고리즘을 이용하여 추출되는 추천 상품 정보의 수는 상기 추천 상품 후보의 수인 것을 특징으로 하는 추천 상품 제공 서비스 장치.
  10. 청구항 1에 있어서,
    상기 복수의 추천 알고리즘은
    협업 필터링(Collaborative Filtering) 알고리즘, 전체 사용자의 인기도에 기반한 알고리즘, 성별 인기도에 기반한 알고리즘, 연령별 인기도에 기반한 알고리즘 및 연관성 분석(Association Rule Mining) 기반 추천 알고리즘 중 어느 둘 이상을 포함하는 것을 특징으로 하는 추천 상품 제공 서비스 장치.
  11. 청구항 10에 있어서,
    상기 복수의 추천 알고리즘은
    사용자 별 추천 알고리즘 선호도의 유사성에 기반한 메타 협업 필터링 알고리즘을 더 포함하는 것을 특징으로 하는 추천 상품 제공 서비스 장치.
  12. 복수의 추천 알고리즘을 사용하여 추천 후보 상품을 포함하는 추천 후보 정보를 하나 이상 생성하는 단계;
    기추천된 추천 상품 정보의 사용 이력 정보를 수집하는 단계;
    상기 사용 이력 정보에 기반하여 추천 알고리즘 각각에 대해서 선호도를 산출하는 단계; 및
    상기 복수의 추천 알고리즘의 선호도에 기반하여 추천 후보 정보 중 적어도 일부를 추천 상품 정보로 추출하는 단계
    를 포함하는 것을 특징으로 하는 추천 상품 제공 서비스 방법.
  13. 청구항 12에 있어서,
    상기 사용 이력 정보는
    클릭 정보 및 구매 정보 중 어느 하나 이상을 포함하는 것을 특징으로 하는 추천 상품 제공 서비스 방법.
  14. 청구항 13에 있어서,
    상기 선호도를 산출하는 단계는
    상기 사용 이력 정보 중 클릭 정보를 이용하여, 클릭된 추천 상품 정보를 판별하고, 상기 클릭된 추천 상품 정보를 추출하는데 이용된 추천 알고리즘의 선호도를 제1 기준 단위만큼 증가시켜 산출하는 것을 특징으로 하는 추천 상품 제공 서비스 방법.
  15. 청구항 14에 있어서,
    상기 선호도를 산출하는 단계는
    상기 사용 이력 정보 중 구매 정보를 이용하여, 구매된 추천 상품 정보를 판별하고, 상기 구매된 추천 상품 정보를 추출하는데 이용된 추천 알고리즘의 선호도를 상기 제1 기준 단위보다 큰 제2 기준 단위만큼 증가시켜 산출하는 것을 특징으로 하는 추천 상품 제공 서비스 방법.
  16. 청구항 12에 있어서,
    상기 추천 상품 정보로 추출하는 단계는
    추천 후보 정보를 상기 추천 후보 정보를 생성한 추천 알고리즘의 선호도 순으로 정렬하고, 상기 정렬 결과를 이용하여 추천 후보 정보를 기설정된 수만큼 추천 상품 정보로 추출하는 것을 특징으로 하는 추천 상품 제공 서비스 방법.
  17. 청구항 12에 있어서,
    상기 추천 상품 정보로 추출하는 단계는
    상기 복수의 추천 알고리즘의 선호도를 정규화하는 단계; 및
    정규화된 선호도에 기반하여 각 추천 알고리즘에 대해 추천 비율을 산출하는 단계
    를 포함하고, 각 추천 알고리즘 별로 상기 알고리즘 별 추천 비율을 이용하여 추천 상품 정보를 추출하는 것을 특징으로 하는 추천 상품 제공 서비스 방법.
  18. 청구항 12에 있어서,
    상기 복수의 추천 알고리즘은
    협업 필터링(Collaborative Filtering) 알고리즘, 전체 사용자의 인기도에 기반한 알고리즘, 성별 인기도에 기반한 알고리즘, 연령별 인기도에 기반한 알고리즘 및 연관성 분석(Association Rule Mining) 기반 추천 알고리즘 중 어느 둘 이상을 포함하는 것을 특징으로 하는 추천 상품 제공 서비스 방법.
  19. 청구항 18에 있어서,
    상기 복수의 추천 알고리즘은
    사용자 별 추천 알고리즘 선호도의 유사성에 기반한 메타 협업 필터링 알고리즘을 더 포함하는 것을 특징으로 하는 추천 상품 제공 서비스 방법.
  20. 청구항 12 내지 19 중 어느 한 항의 방법을 실행하기 위한 프로그램이 기록된 컴퓨터에서 판독 가능한 기록매체.
KR1020140035246A 2014-03-26 2014-03-26 추천 상품 제공 서비스 방법 및 이를 위한 장치 KR20150112089A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020140035246A KR20150112089A (ko) 2014-03-26 2014-03-26 추천 상품 제공 서비스 방법 및 이를 위한 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140035246A KR20150112089A (ko) 2014-03-26 2014-03-26 추천 상품 제공 서비스 방법 및 이를 위한 장치

Publications (1)

Publication Number Publication Date
KR20150112089A true KR20150112089A (ko) 2015-10-07

Family

ID=54343408

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140035246A KR20150112089A (ko) 2014-03-26 2014-03-26 추천 상품 제공 서비스 방법 및 이를 위한 장치

Country Status (1)

Country Link
KR (1) KR20150112089A (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180005453A (ko) * 2016-07-06 2018-01-16 주식회사 인카코커뮤니케이션즈 R 연관규칙과 협업필터링을 이용한 데이터 분석 장치 및 그 방법
KR20190083561A (ko) * 2018-01-04 2019-07-12 국민대학교산학협력단 하이브리드 추천 장치 및 방법, 이를 기록한 기록매체
KR20200048183A (ko) * 2018-10-29 2020-05-08 채대성 상품의 신뢰도를 고려한 온라인 상품 추천 방법 및 장치
KR20210061739A (ko) * 2019-11-20 2021-05-28 연세대학교 산학협력단 사용자 맞춤형 추천정보 제공장치 및 제공방법, 이를 실행시키기 위한 프로그램을 기록한 컴퓨터 해독 가능한 기록 매체
KR102298585B1 (ko) * 2021-01-22 2021-09-07 주식회사 문토 빅데이터를 활용한 모임 추천 시스템 및 그 방법

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180005453A (ko) * 2016-07-06 2018-01-16 주식회사 인카코커뮤니케이션즈 R 연관규칙과 협업필터링을 이용한 데이터 분석 장치 및 그 방법
KR20190083561A (ko) * 2018-01-04 2019-07-12 국민대학교산학협력단 하이브리드 추천 장치 및 방법, 이를 기록한 기록매체
KR20200048183A (ko) * 2018-10-29 2020-05-08 채대성 상품의 신뢰도를 고려한 온라인 상품 추천 방법 및 장치
KR20210061739A (ko) * 2019-11-20 2021-05-28 연세대학교 산학협력단 사용자 맞춤형 추천정보 제공장치 및 제공방법, 이를 실행시키기 위한 프로그램을 기록한 컴퓨터 해독 가능한 기록 매체
KR102298585B1 (ko) * 2021-01-22 2021-09-07 주식회사 문토 빅데이터를 활용한 모임 추천 시스템 및 그 방법

Similar Documents

Publication Publication Date Title
KR20150112089A (ko) 추천 상품 제공 서비스 방법 및 이를 위한 장치
Liu et al. Point-of-interest recommendation in location based social networks with topic and location awareness
Gedikli et al. Improving recommendation accuracy based on item-specific tag preferences
WO2018192491A1 (zh) 信息推送方法和装置
CN102934113B (zh) 信息提供系统、信息提供方法、信息提供设备
KR20180120571A (ko) 인플루언서를 활용한 소셜 네트워크 서비스 마케팅 시스템
CN103810184A (zh) 确定网站页面地址流转率的方法、优化方法及其装置
Rosli et al. Alleviating the cold-start problem by incorporating movies facebook pages
US20150120634A1 (en) Information processing device, information processing method, and program
CN108335177A (zh) 购物推荐方法、用户端、服务端、设备和存储介质
US20190278819A1 (en) Systems and methods of providing recommendations of content items
KR20150020390A (ko) 컨텐츠 추천 방법과 이를 제공하는 장치 및 시스템
Prando et al. Content-based Recommender System using Social Networks for Cold-start Users.
CN109299994B (zh) 推荐方法、装置、设备及可读存储介质
Wang et al. A novel clustering based collaborative filtering recommendation system algorithm
KR20130129460A (ko) 유사성의 식별
KR102131791B1 (ko) 추천 컨텐츠 및 연관 컨텐츠 제공 방법
Erić et al. Rating decision analysis based on iOS App Store data
JP2015170244A (ja) コメント文章に基づいて投稿者の心理遷移を分析する装置、プログラム及び方法
JP2015521769A (ja) ユーザのデモグラフィックスを難読化する方法および装置
JP2013205875A (ja) 批評者に批評すべきアイテムを検出するレコメンドアイテム検出プログラム、装置及び方法
CN107483595A (zh) 信息推送方法和装置
Yepes et al. Listen to This: Music Recommendation Based on One-Class Support Vector Machine
KR101578606B1 (ko) Sns 기반 선물 추천 장치 및 방법
Xu et al. Product function need recognition via semi-supervised attention network

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E601 Decision to refuse application