KR20160049411A - 사용자 행동 기반의 장소 추천 시스템 및 방법 - Google Patents

사용자 행동 기반의 장소 추천 시스템 및 방법 Download PDF

Info

Publication number
KR20160049411A
KR20160049411A KR1020140146478A KR20140146478A KR20160049411A KR 20160049411 A KR20160049411 A KR 20160049411A KR 1020140146478 A KR1020140146478 A KR 1020140146478A KR 20140146478 A KR20140146478 A KR 20140146478A KR 20160049411 A KR20160049411 A KR 20160049411A
Authority
KR
South Korea
Prior art keywords
place
users
user
check
location
Prior art date
Application number
KR1020140146478A
Other languages
English (en)
Inventor
강한훈
양재영
박제현
강슬기
윤수인
Original Assignee
삼성에스디에스 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 삼성에스디에스 주식회사 filed Critical 삼성에스디에스 주식회사
Priority to KR1020140146478A priority Critical patent/KR20160049411A/ko
Publication of KR20160049411A publication Critical patent/KR20160049411A/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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information

Abstract

사용자 행동 기반의 장소 추천 시스템 및 방법이 개시된다. 본 발명의 일 실시예에 따른 사용자 행동 기반의 장소 추천 시스템은, 하나 이상의 사용자 단말로부터 특정 장소에 대한 사용자들의 온라인 상에서의 행동 정보를 수집하는 행동 정보 수집부; 상기 사용자 단말의 현재 위치 정보를 수집하는 위치 정보 수집부; 및 상기 위치 정보에 포함된 상기 사용자 단말의 현재 위치로부터 기 설정된 반경 이내에 위치하는 장소들을 상기 행동 정보에 따라 수치화하여 각 장소별 순위를 계산하고, 상기 순위에 따라 하나 이상의 장소를 상기 사용자 단말로 추천하는 순위 계산부를 포함한다. 본 발명의 실시예들에 따르면, 온라인 상에서 사용자들의 관심 행동 정보 및 방문 행동 정보에 기반한 사용자들의 방문 빈도수, 최신성 등과 같은 객관적인 공통 속성, 및 방문의 균일성, 광고 연계 정도, 소비 금액 정도 등과 같은 주관적인 선택 속성을 기반으로 사용자 근방의 장소들에 대한 순위를 계산함으로써, 사용자들에게 특정 장소를 효율적으로 추천할 수 있다.

Description

사용자 행동 기반의 장소 추천 시스템 및 방법 {SYSTEM AND METHOD FOR RECOMMENDING LOCATION BASED ON USER BEHAVIOR}
본 발명의 실시예들은 특정 위치에 있는 사용자에게 주변의 장소를 추천해주기 위한 기술과 관련된다.
정보통신 기술이 발달함에 따라, 블로그, SNS 등의 웹 페이지를 통해 음식점, 관광지 등의 명소를 소개하거나 이들에 대한 리뷰를 작성하면서 사용자들 간에 의견을 교환하는 일이 보편화되고 있다. 그러나, 사용자들은 웹 페이지를 검색하는 과정에서 특정 장소에 대한 리뷰, 이미지 등을 확인할 수 있을 뿐, 자신의 근방 명소들에 관한 정보들을 획득하기 위해서는 이들을 별도로 검색하여야 하는 번거로움이 있었다. 특히, 사용자들이 낯선 지역에 위치하는 경우, 해당 지역 근방의 명소를 효율적으로 검색하기 쉽지 않다.
대한민국 공개특허공보 제10-2006-0117851호 (2006.11.17)
본 발명의 실시예들은 특정 장소에 대한 사용자들의 온라인 상의 행동 정보를 토대로 장소 추천을 요청한 사용자 근방의 장소들을 추천하기 위한 수단을 제공하기 위한 것이다.
본 발명의 예시적인 실시예에 따르면, 하나 이상의 사용자 단말로부터 특정 장소에 대한 사용자들의 온라인 상에서의 행동 정보를 수집하는 행동 정보 수집부; 상기 사용자 단말의 현재 위치 정보를 수집하는 위치 정보 수집부; 및 상기 위치 정보에 포함된 상기 사용자 단말의 현재 위치로부터 기 설정된 반경 이내에 위치하는 장소들을 상기 행동 정보에 따라 수치화하여 각 장소별 순위를 계산하고, 상기 순위에 따라 하나 이상의 장소를 상기 사용자 단말로 추천하는 순위 계산부를 포함하는, 사용자 행동 기반의 장소 추천 시스템이 제공된다.
상기 행동 정보는, 해당 장소를 방문하지 않은 사용자들의 관심 행동 정보, 및 해당 장소를 방문한 사용자들의 방문 행동 정보 중 하나 이상을 포함할 수 있다.
상기 관심 행동 정보는, 해당 장소를 방문하지 않은 사용자들의 온라인 상에서의 리뷰 댓글 수, 관심 장소 선택 수, 및 즐겨찾기 추가 수 중 하나 이상을 포함할 수 있다.
상기 방문 행동 정보는, 해당 장소를 방문한 사용자들의 온라인 상에서의 체크인 수, 리뷰 등록 수, 및 사진 업로드 수 중 하나 이상을 포함할 수 있다.
상기 순위 계산부는, 상기 행동 정보를 통해 해당 장소에 대한 전체 사용자들의 방문 비율(SF(l)) 및 기 설정된 최근 시간(D) 동안 해당 장소에 대한 전체 사용자들의 방문 비율(SR(l, D))을 계산하고, 상기 SF(l) 및 상기 SR(l, D)을 합산함으로써 상기 사용자 단말의 현재 위치로부터 기 설정된 반경 이내에 위치하는 장소들을 수치화할 수 있다.
상기 순위 계산부는, 다음의 수학식을 통해 상기 SF(l)을 계산할 수 있다.
Figure pat00001
(여기서, CC(l)은 장소 l에 대한 사용자들의 온라인 상의 체크인 수,
Figure pat00002
은 모든 장소 l에 대한 사용자들의 온라인 상의 체크인 수의 총합, RC(l)은 장소 l에 대한 사용자들의 온라인 상의 리뷰 수,
Figure pat00003
은 모든 장소 l에 대한 사용자들의 온라인 상의 리뷰 수의 총합임)
상기 순위 계산부는, 다음의 수학식을 통해 상기 SR(l, D)을 계산할 수 있다.
Figure pat00004
(여기서, CC(l,D)는 장소 l에 대한 최근 시간(D) 동안의 사용자들의 온라인 상의 체크인 수,
Figure pat00005
는 최근 시간(D) 동안의 사용자들의 온라인 상의 체크인 수의 총합, RC(l,D)는 장소 l에 대한 최근 시간(D) 동안의 사용자들의 온라인 상의 리뷰 수,
Figure pat00006
는 최근 시간(D) 동안의 사용자들의 온라인 상의 리뷰 수의 총합임)
상기 순위 계산부는, 상기 SF(l) 및 상기 SR(l, D)을 합산한 값에, 최근 시간(D) 동안 해당 장소에 대한 전체 사용자들의 방문 수를 판단하는 데 사용되는 인자들 간의 균일한 정도(SP(l, D))를 추가적으로 합산하여 상기 사용자 단말의 현재 위치로부터 기 설정된 반경 이내에 위치하는 장소들을 수치화할 수 있다.
상기 순위 계산부는, 다음의 수학식들을 통해 상기 SP(l, D)을 계산할 수 있다.
Figure pat00007
Figure pat00008
Figure pat00009
(여기서, α는 기 설정된 시간대별 장소 l의 온라인 상의 체크인 수(단, 체크인 수가 0인 경우는 제외)들 간의 차이(절대치)를 합산한 후, 장소 l 에 있어서 (체크인이 이루어진 시간대의 존재 횟수-1)로 나눈 값, β1은 장소 l에서 연속적으로 체크인이 이루어지지 않은 시간대들의 존재 개수 중 최대값, β2는 장소 l에서 체크인이 이루어지지 않은 시간대들의 개수, γl은 장소 l 에 있어서 (체크인이 이루어진 시간대의 존재 횟수-1)임. 또한, α'는 기 설정된 시간대별 장소 l에 대한 온라인 상의 리뷰 수(단, 리뷰 수가 0인 경우는 제외)들 간의 차이(절대치)를 합산한 후, 장소 l 에 있어서 (리뷰가 작성된 시간대의 존재 횟수-1)로 나눈 값, β1'은 장소 l에 대한 리뷰가 연속적으로 작성되지 않은 시간대들의 존재 개수 중 최대값, β2'는 장소 l에 대한 리뷰가 작성되지 않은 시간대들의 개수, γl'은 장소 l 에 있어서 (리뷰가 작성된 시간대의 존재 횟수-1)임)
상기 순위 계산부는, 해당 사용자의 해당 장소에 대한 관심도를 계산하고, 상기 각 장소별 순위를 계산하는 과정에서 상기 관심도를 가중치로서 부여할 수 있다.
상기 관심도는, 해당 사용자의 온라인 상에서의 해당 장소에 대한 체크인 수를 해당 사용자의 온라인 상에서의 전체 체크인 수로 나눈 값, 또는 해당 사용자의 온라인 상에서의 해당 장소에 대한 리뷰 수를 해당 사용자의 온라인 상에서의 전체 리뷰 수로 나눈 값일 수 있다.
본 발명의 다른 예시적인 실시예에 따르면, 하나 이상의 사용자 단말로부터 특정 장소에 대한 사용자들의 온라인 상에서의 행동 정보를 수집하는 단계; 상기 사용자 단말의 현재 위치 정보를 수집하는 단계; 상기 위치 정보에 포함된 상기 사용자 단말의 현재 위치로부터 기 설정된 반경 이내에 위치하는 장소들을 상기 행동 정보에 따라 수치화하여 각 장소별 순위를 계산하는 단계; 및 상기 순위에 따라 하나 이상의 장소를 상기 사용자 단말로 추천하는 단계를 포함하는, 사용자 행동 기반의 장소 추천 방법이 제공된다.
상기 행동 정보는, 해당 장소를 방문하지 않은 사용자들의 관심 행동 정보, 및 해당 장소를 방문한 사용자들의 방문 행동 정보 중 하나 이상을 포함할 수 있다.
상기 관심 행동 정보는, 해당 장소를 방문하지 않은 사용자들의 온라인 상에서의 리뷰 댓글 수, 관심 장소 선택 수, 및 즐겨찾기 추가 수 중 하나 이상을 포함할 수 있다.
상기 방문 행동 정보는, 해당 장소를 방문한 사용자들의 온라인 상에서의 체크인 수, 리뷰 등록 수, 및 사진 업로드 수 중 하나 이상을 포함할 수 있다.
상기 각 장소별 순위를 계산하는 단계는, 상기 행동 정보를 통해 해당 장소에 대한 전체 사용자들의 방문 비율(SF(l)) 및 기 설정된 최근 시간(D) 동안 해당 장소에 대한 전체 사용자들의 방문 비율(SR(l, D))을 계산하고, 상기 SF(l) 및 상기 SR(l, D)을 합산함으로써 상기 사용자 단말의 현재 위치로부터 기 설정된 반경 이내에 위치하는 장소들을 수치화할 수 있다.
Figure pat00010
(여기서, RSB는 장소 l의 수치화 값, SF(l) 및 SR(l, D)은 RSB 계산시 필수적으로 사용되는 공통 속성으로서, SF(l)은 장소 l에 대한 전체 사용자들의 방문 비율, SR(l, D)은 최근 시간(D) 동안 장소 l에 대한 전체 사용자들의 방문 비율임,
Figure pat00011
는 RSB 계산시 선택적으로 사용되는 선택 속성으로서 최근 시간(D) 동안 장소 l에 대한 전체 사용자들의 방문 수를 판단하는 데 사용되는 인자들 간의 균일한 정도, 장소 l과 광고와의 연계 정도, 장소 l에서 사용자들의 소비 금액 정도 중 하나 이상을 포함하며, 선택 속성의 경우 생략 가능함. w1, w2는 가중치 계수임)
상기 SF(l)은, 다음의 수학식을 통해 계산될 수 있다.
Figure pat00012
(여기서, CC(l)은 장소 l에 대한 사용자들의 온라인 상의 체크인 수,
Figure pat00013
은 모든 장소 l에 대한 사용자들의 온라인 상의 체크인 수의 총합, RC(l)은 장소 l에 대한 사용자들의 온라인 상의 리뷰 수,
Figure pat00014
은 모든 장소 l에 대한 사용자들의 온라인 상의 리뷰 수의 총합임)
상기 SR(l, D)은, 다음의 수학식을 통해 계산될 수 있다.
Figure pat00015
(여기서, CC(l,D)는 장소 l에 대한 최근 시간(D) 동안의 사용자들의 온라인 상의 체크인 수,
Figure pat00016
는 최근 시간(D) 동안의 사용자들의 온라인 상의 체크인 수의 총합, RC(l,D)는 장소 l에 대한 최근 시간(D) 동안의 사용자들의 온라인 상의 리뷰 수,
Figure pat00017
는 최근 시간(D) 동안의 사용자들의 온라인 상의 리뷰 수의 총합임)
상기 각 장소별 순위를 계산하는 단계는, 상기 SF(l)과 상기 SR(l, D)을 합산한 값에, 최근 시간(D) 동안 해당 장소에 대한 전체 사용자들의 방문 수를 판단하는 데 사용되는 인자들 간의 균일한 정도(SP(l, D))를 추가적으로 합산하여 상기 사용자 단말의 현재 위치로부터 기 설정된 반경 이내에 위치하는 장소들을 수치화할 수 있다.
상기 SP(l, D)는, 다음의 수학식들을 통해 계산될 수 있다.
Figure pat00018
Figure pat00019
Figure pat00020
(여기서, α는 기 설정된 시간대별 장소 l의 온라인 상의 체크인 수(단, 체크인 수가 0인 경우는 제외)들 간의 차이(절대치)를 합산한 후, 장소 l 에 있어서 (체크인이 이루어진 시간대의 존재 횟수-1)로 나눈 값, β1은 장소 l에서 연속적으로 체크인이 이루어지지 않은 시간대들의 존재 개수 중 최대값, β2는 장소 l에서 체크인이 이루어지지 않은 시간대들의 개수, γl은 장소 l 에 있어서 (체크인이 이루어진 시간대의 존재 횟수-1)임. 또한, α'는 기 설정된 시간대별 장소 l에 대한 온라인 상의 리뷰 수(단, 리뷰 수가 0인 경우는 제외)들 간의 차이(절대치)를 합산한 후, 장소 l 에 있어서 (리뷰가 작성된 시간대의 존재 횟수-1)로 나눈 값, β1'은 장소 l에 대한 리뷰가 연속적으로 작성되지 않은 시간대들의 존재 개수 중 최대값, β2'는 장소 l에 대한 리뷰가 작성되지 않은 시간대들의 개수, γl'은 장소 l 에 있어서 (리뷰가 작성된 시간대의 존재 횟수-1)임)
상기 각 장소별 순위를 계산하는 단계는, 해당 사용자의 해당 장소에 대한 관심도를 계산하고, 상기 각 장소별 순위를 계산하는 과정에서 상기 관심도를 가중치로서 부여할 수 있다.
상기 관심도는, 해당 사용자의 온라인 상에서의 해당 장소에 대한 체크인 수를 해당 사용자의 온라인 상에서의 전체 체크인 수로 나눈 값, 또는 해당 사용자의 온라인 상에서의 해당 장소에 대한 리뷰 수를 해당 사용자의 온라인 상에서의 전체 리뷰 수로 나눈 값일 수 있다.
본 발명의 다른 예시적인 실시예에 따르면, 하드웨어와 결합되어 하나 이상의 사용자 단말로부터 특정 장소에 대한 사용자들의 온라인 상에서의 행동 정보 및 상기 사용자 단말의 현재 위치 정보를 수집하는 단계; 상기 위치 정보에 포함된 상기 사용자 단말의 현재 위치로부터 기 설정된 반경 이내에 위치하는 장소들을 상기 행동 정보에 따라 수치화하여 각 장소별 순위를 계산하는 단계; 및 상기 순위에 따라 하나 이상의 장소를 상기 사용자 단말로 추천하는 단계를 실행시키기 위하여 기록매체에 저장된 컴퓨터 프로그램이 제공된다.
본 발명의 실시예들에 따르면, 온라인 상에서의 사용자들의 관심 행동 정보 및 방문 행동 정보에 기반한 사용자들의 방문 빈도수, 최신성 등과 같은 객관적인 공통 속성, 및 방문의 균일성, 광고 연계 정도, 소비 금액 정도 등과 같은 주관적인 선택 속성을 기반으로 사용자 근방의 장소들에 대한 순위를 계산함으로써, 사용자들에게 특정 장소를 효율적으로 추천할 수 있다.
또한, 본 발명의 실시예들에 따르면, 사용자에게 장소 추천시 해당 사용자의 관심도를 반영함으로써, 사용자의 만족도를 더욱 높일 수 있다.
도 1은 본 발명의 일 실시예에 따른 사용자 행동 기반의 장소 추천 시스템을 설명하기 위한 블록도
도 2는 본 발명의 일 실시예에 따른 장소 테이블의 예시를 나타낸 도면
도 3은 본 발명의 일 실시예에 따른 체크인 테이블의 예시를 나타낸 도면
도 4는 본 발명의 일 실시예에 따른 리뷰 테이블의 예시를 나타낸 도면
도 5는 본 발명의 일 실시예에 따른 체크인에 관한 사용자의 관심도 테이블의 예시를 나타낸 도면
도 6은 본 발명의 일 실시예에 따른 리뷰에 관한 사용자의 관심도 테이블의 예시를 나타낸 도면
도 7은 본 발명의 일 실시예에 따른 사용자 행동 기반의 장소 추천 방법을 설명하기 위한 흐름도
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 이를 상세한 설명을 통해 상세히 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
본 발명을 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
본 발명의 기술적 사상은 청구범위에 의해 결정되며, 이하 실시예는 진보적인 본 발명의 기술적 사상을 본 발명이 속하는 기술분야에서 통상의 지식을 가진자에게 효율적으로 설명하기 위한 일 수단일 뿐이다.
이하, 도면을 참조하여 본 발명의 구체적인 실시예를 설명하기로 한다. 그러나 이는 예시적 실시예에 불과하며 본 발명은 이에 한정되지 않는다.
도 1은 본 발명의 일 실시예에 따른 사용자 행동 기반의 장소 추천 시스템(100)을 설명하기 위한 블록도이며, 도 2는 본 발명의 일 실시예에 따른 장소 테이블의 예시를 나타낸 도면이다. 도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 사용자 행동 기반의 장소 추천 시스템(100)은 행동 정보 수집부(102-1), 위치 정보 수집부(102-2), 관심 행동 정보 데이터베이스(104), 방문 행동 정보 데이터베이스(106), 순위 계산부(108), 및 사용자 관심도 데이터베이스(110)를 포함한다.
행동 정보 수집부(102-1)는 하나 이상의 사용자 단말(150)로부터 특정 장소에 대한 사용자들의 온라인 상에서의 행동 정보를 수집한다. 여기서, 사용자 단말(150)은 네트워크(미도시)를 통해 사용자 행동 기반의 장소 추천 시스템(100)과 데이터를 송수신하기 위한 장치로서, 데스크탑 컴퓨터, 노트북, 태블릿 컴퓨터, PDA, 휴대폰 등의 디지털 기기를 의미한다. 사용자 단말(150)은 근거리 통신을 위한 수단, 예를 들어 RFID 모듈, 안테나 등을 내장할 수 있다. 또한, 사용자 단말(150)은 자신의 위치 정보 획득을 위한 수단, 예를 들어 GPS 모듈, 칩 등을 내장할 수 있다.
사용자의 행동 정보는 관심 행동 정보 및 방문 행동 정보 중 하나 이상을 포함할 수 있으며, 사용자 단말(150)을 통해 행동 정보 수집부(102-1)로 송신될 수 있다.
먼저, 관심 행동 정보는 해당 장소를 방문하지 않은 사용자들의 온라인 상에서의 행동 정보로서, 예를 들어 블로그, SNS, 포털 사이트 등의 웹 페이지에서의 해당 장소에 대한 리뷰 댓글 수, 관심 장소 선택 수, 및 즐겨찾기 추가 수 중 하나 이상을 포함할 수 있다. 사용자들은 해당 장소를 방문하지 않고도 블로그, SNS, 포털 사이트 등의 웹 페이지를 통해 해당 장소에 대한 리뷰, 사진 등을 열람할 수 있다. 이에 따라, 사용자들은 해당 장소에 대한 리뷰에 댓글을 달거나, 해당 장소를 관심 장소로 선택하거나, 또는 해당 장소에 대한 웹 페이지를 즐겨찾기로 추가할 수 있다. 행동 정보 수집부(102-1)는 각 장소별 사용자들의 관심 행동 정보를 수집하여 관심 행동 데이터베이스(104)에 저장할 수 있다.
다음으로, 방문 행동 정보는 해당 장소를 방문한 사용자들의 온라인 상에서의 행동 정보로서, 예를 들어 블로그, SNS, 포털 사이트 등의 웹 페이지에서의 해당 장소에 대한 체크인 수, 리뷰 등록 수, 및 사진 업로드 수 중 하나 이상을 포함할 수 있다. 사용자들은 해당 장소를 방문하는 과정에서 블로그, SNS 등의 웹 페이지를 통해 해당 장소에 대한 온라인 상의 체크인을 수행하거나, 해당 장소에 대한 리뷰를 등록하거나, 또는 해당 장소에 대한 사진을 업로드할 수 있다.
여기서, 체크인이란 사용자 단말(150)을 통해 특정 웹 페이지에 접속하거나, 특정 애플리케이션을 실행시키거나, 또는 사용자 단말(150)에 내장된 근거리 통신 수단을 통해 해당 장소에 부착된 센서(예를 들어, RFID 센서)에 무선 신호를 전송함으로써 특정 장소에 방문하였음을 온라인 상으로 기록하는 행위를 의미한다. 예를 들어, 사용자는 사용자 단말(150)을 통해 특정 SNS 에 접속하여 장소 l1에 방문하였음을 온라인 상으로 기록(또는 등록)할 수 있다.
또한, 리뷰란 사용자 단말(150)을 통해 특정 웹 페이지에 접속하거나 또는 특정 애플리케이션을 실행시켜 특정 장소에 대한 후기, 평가, 소개 등을 작성하는 행위를 의미한다. 예를 들어, 사용자는 사용자 단말(150)을 통해 특정 웹 페이지에 접속하여 음식점 l2에 대한 음식 평가 글을 작성할 수 있다.
행동 정보 수집부(102-1)는 각 장소별 사용자들의 방문 행동 정보를 수집하여 방문 행동 데이터베이스(106)에 저장할 수 있다. 행동 정보 수집부(102-1)는 예를 들어, 각 장소의 이름을 키워드로 하여 온라인 상의 체크인 수, 리뷰 수 등의 행동 정보를 수집할 수 있으나, 행동 정보 수집부(102-1)의 정보 수집 수단이 이에 한정되는 것은 아니다.
위치 정보 수집부(102-2)는 사용자 단말(150)로부터 해당 사용자 단말(150)의 현재 위치 정보를 수집할 수 있다. 후술할 바와 같이, 순위 계산부(108)는 사용자 단말(150) 근방의 장소들을 수치화하여 순위를 계산한 후, 상기 순위에 따른 하나 이상의 장소(예를 들어, 순위가 가장 높은 장소, 1~3순위의 장소 등)를 사용자 단말(150)로 추천할 수 있다. 이를 위해, 사용자 단말(150)은 자신의 현재 위치에 대응되는 위도, 경도, 주소, 건물 이름 등의 위치 정보를 위치 정보 수집부(102-2)로 송신할 수 있다. 도 2를 참조하면, 위치 정보 수집부(102-2)는 서로 다른 장소(l1, l2, l3, l4)에 위치하는 사용자 단말(150)들로부터 해당 사용자들의 현재 위치 정보를 각각 수집할 수 있다. 예를 들어, 사용자 단말(150)이 장소 l1에 위치하는 경우, 사용자 단말(150)은 위도 “37.50394”, 경도 “127.053258”, 주소 “서울”, 건물 이름 “본가 선릉점” 등과 같은 자신의 위치 정보를 위치 정보 수집부(102-2)로 송신할 수 있다. 상술한 바와 같이, 사용자 단말(150)은 내부에 GPS 모듈(미도시)을 탑재하고 있을 수 있으며, 탑재된 GPS 모듈을 통해 자신의 위치 정보를 획득할 수 있다. 다만, 사용자 단말(150)의 위치 정보 획득 방식이 이에 한정되는 것은 아니며, 사용자 단말(150)은 별도의 위치 서버(미도시)와 통신함으로써 자신의 위치 정보를 획득하는 등 다양한 방식으로 자신의 위치 정보를 획득할 수 있다.
관심 행동 데이터베이스(104)는 행동 정보 수집부(102-1)가 사용자 단말(150)로부터 수집한 관심 행동 정보를 저장 및 관리한다. 또한, 행동 정보 수집부(102-1)는 후술할 순위 계산부(108)의 장소 추천을 위해 관심 행동 정보 데이터베이스(104)로부터 사용자 단말(150) 근방의 장소들에 대한 관심 행동 정보를 추출하여 순위 계산부(108)로 제공할 수 있다.
방문 행동 데이터베이스(106)는 행동 정보 수집부(102-1)가 사용자 단말(150)로부터 수집한 방문 행동 정보를 저장 및 관리한다. 또한, 행동 정보 수집부(102-1)는 후술할 순위 계산부(108)의 장소 추천을 위해 방문 행동 정보 데이터베이스(106)로부터 사용자 단말(150) 근방의 장소들에 대한 방문 행동 정보를 추출하여 순위 계산부(108)로 제공할 수 있다.
순위 계산부(108)는 사용자 단말(150)의 현재 위치로부터 기 설정된 반경(예를 들어, 3km) 이내에 위치하는 장소들을 상술한 행동 정보에 따라 수치화하여 각 장소별 순위를 계산하고, 해당 순위에 따라 하나 이상의 장소를 사용자 단말(150)로 추천한다.
예를 들어, 순위 계산부(108)는 행동 정보 수집부(102-1)가 수집한 관심 행동 정보 및 방문 행동 정보를 이용하여 해당 장소에 대한 사용자들의 방문 비율(빈도수), 기 설정된 최근 시간 동안 해당 장소에 대한 사용자들의 방문 비율(최신성) 등과 같은 “공통 속성”을 계산하고, 해당 장소에 대한 사용자들의 방문 수를 판단하는 데 사용되는 인자들 간의 균일한 정도(균일성), 해당 장소와 광고와의 연계 정도, 해당 장소에서 사용자들의 소비 금액 정도 등과 같은 “선택 속성”을 계산하여 사용자 단말(150) 근방의 장소들을 수치화하고, 각 장소별 순위를 계산할 수 있다. 이때, 실시예에 따라 순위 계산부(108)는 선택 속성을 생략한 채 공통 속성만을 이용하여 해당 장소들을 수치화할 수 있다. 공통 속성은 해당 장소들을 수치화하는 데 필수적으로 계산되는 속성이며, 선택 속성은 해당 장소들을 수치화하는 데 선택적으로 계산되는 속성을 의미한다.
다른 실시예에서, 순위 계산부(108)는 기존 사용자(본 발명의 실시예들에 따른 사용자 행동 기반의 장소 추천 시스템(100)을 이용한 적이 있는 사용자)의 해당 장소에 대한 관심도(프로파일)를 추가적으로 적용하여 해당 장소들을 수치화할 수도 있다. 해당 장소에 대한 관심도는 각 사용자별 각 장소에 대한 체크인 수, 리뷰 수 등을 토대로 계산된 각 사용자별 각 장소에 대한 가중치를 의미한다. 구체적으로, 관심도는 해당 사용자의 온라인 상에서의 해당 장소에 대한 체크인 수를 해당 사용자의 온라인 상에서의 전체 체크인 수로 나눈 값, 또는 해당 사용자의 온라인 상에서의 해당 장소에 대한 리뷰 수를 해당 사용자의 온라인 상에서의 전체 리뷰 수로 나눈 값일 수 있다. 예를 들어, 제 1 사용자가 장소 l1 및 l2를 각각 1회 체크인한 경우, 체크인에 관한 제 1 사용자의 장소 l1 및 l2에 대한 관심도는 각각 0.5로 계산될 수 있다. 또한, 제 2 사용자가 장소 l1, l2, l3를 각각 1회 체크인한 경우, 체크인에 관한 제 2 사용자의 장소 l1, l2, l3에 대한 관심도는 각각 0.333으로 계산될 수 있다. 이 경우, 순위 계산부(108)는 해당 사용자의 해당 장소에 대한 관심도를 계산하고, 해당 장소들을 수치화하는 과정에서 해당 사용자의 해당 장소에 대한 관심도를 가중치로서 부여할 수 있다.
이러한 사용자의 관심도는 사용자 관심도 데이터베이스(110)에 저장될 수 있다. 순위 계산부(108)는 사용자 관심도 데이터베이스(110)로부터 해당 사용자에 대한 괌심도 정보를 획득할 수 있다..
순위 계산부(108)가 해당 장소의 순위를 계산하는 방법은 크게 사용자 관심도 데이터베이스(110)에 해당 사용자의 관심도 정보가 없는 경우 해당 장소에 대한 순위를 계산하는 방법과, 사용자 관심도 데이터베이스(110)에 해당 사용자의 관심도 정보가 있는 경우 해당 장소에 대한 순위를 계산하는 방법으로 나누어질 수 있으며, 이하에서는 도 3 내지 6을 참조하여 이들을 구체적으로 설명하기로 한다.
(1) 사용자의 관심도(프로파일) 정보가 없는 경우
먼저, 사용자 관심도 데이터베이스(110)에 사용자의 관심도(프로파일) 정보가 없는 경우, 순위 계산부(108)는 행동 정보를 통해 해당 장소에 대한 전체 사용자들의 방문 비율(SF(l)) 및 기 설정된 최근 시간(D) 동안 해당 장소에 대한 전체 사용자들의 방문 비율(SR(l, D))을 계산하고, SF(l) 및 상기 SR(l, D)을 합산함으로써 사용자 단말(150)의 현재 위치로부터 기 설정된 반경(예를 들어, 3km) 이내에 위치하는 장소들을 수치화할 수 있다. 이를 수식으로 표현하면 다음의 수학식 1과 같다.
[수학식 1]
Figure pat00021
(여기서, RSB는 장소 l의 수치화 값, SF(l) 및 SR(l, D)은 RSB 계산시 필수적으로 사용되는 공통 속성으로서, SF(l)은 장소 l에 대한 전체 사용자들의 방문 비율, SR(l, D)은 최근 시간(D) 동안 장소 l에 대한 전체 사용자들의 방문 비율임,
Figure pat00022
는 RSB 계산시 선택적으로 사용되는 선택 속성으로서 최근 시간(D) 동안 장소 l에 대한 전체 사용자들의 방문 수를 판단하는 데 사용되는 인자들 간의 균일한 정도, 장소 l과 광고와의 연계 정도, 장소 l에서 사용자들의 소비 금액 정도 중 하나 이상을 포함하며, 선택 속성의 경우 생략 가능함. w1, w2는 가중치 계수임)
이때, SF(l)은 다음의 수학식 2를 통해 계산될 수 있다.
[수학식 2]
Figure pat00023
(여기서, CC(l)은 장소 l에 대한 사용자들의 온라인 상의 체크인 수,
Figure pat00024
은 모든 장소 l에 대한 사용자들의 온라인 상의 체크인 수의 총합, RC(l)은 장소 l에 대한 사용자들의 온라인 상의 리뷰 수,
Figure pat00025
은 모든 장소 l에 대한 사용자들의 온라인 상의 리뷰 수의 총합임)
예를 들어, 장소가 l1이라 가정하였을 때 도 3을 참조하면, CC(l1)은 장소 l1에 대한 사용자들의 온라인 상의 체크인 수로서 8회가 되며,
Figure pat00026
은 모든 장소 l에 대한 사용자들의 온라인 상의 체크인 수의 총합으로서 20회가 된다. 또한, 도 4를 참조하면, RC(l1)은 장소 l1에 대한 사용자들의 온라인 상의 리뷰 수로서 3회가 되며,
Figure pat00027
은 모든 장소 l에 대한 사용자들의 온라인 상의 리뷰 수의 총합으로서 6회가 된다. 이를 통해, 장소 l1에 대한 전체 사용자들의 방문 비율은 다음과 같이 계산될 수 있다.
SF(l1) = (8/20) + (3/6) = 0.9
즉, SF(l)의 경우 다수의 사용자가 장소 l을 방문할 때 높은 점수가 나오게 된다.
다음으로, SR(l, D)은 다음의 수학식 3을 통해 계산될 수 있다.
[수학식 3]
Figure pat00028
(여기서, CC(l,D)는 장소 l에 대한 최근 시간(D) 동안의 사용자들의 온라인 상의 체크인 수,
Figure pat00029
는 최근 시간(D) 동안의 사용자들의 온라인 상의 체크인 수의 총합, RC(l,D)는 장소 l에 대한 최근 시간(D) 동안의 사용자들의 온라인 상의 리뷰 수,
Figure pat00030
는 장소 l의 최근 시간(D) 동안의 사용자들의 온라인 상의 리뷰 수의 총합임)
예를 들어, 장소가 l2이고 최근 시간 D = t5, t6, t7 이라 가정하였을 때 도 3을 참조하면, CC(l2, {t5, t6, t7})는 장소 l2에 대한 최근 시간(t5, t6, t7) 동안의 사용자들의 온라인 상의 체크인 수로서 2회가 되며,
Figure pat00031
(단, 시간 D = t5, t6, t7)는 최근 시간(t5, t6, t7) 동안의 사용자들의 온라인 상의 체크인 수의 총합으로서 9회가 된다. 또한, 도 4를 참조하면, RC(l2, {t5, t6, t7})는 장소 l2에 대한 최근 시간(t5, t6, t7) 동안의 사용자들의 온라인 상의 리뷰 수로서 1회가 되며,
Figure pat00032
Figure pat00033
(단, 시간 D = t5, t6, t7)는 최근 시간(t5, t6, t7) 동안의 사용자들의 온라인 상의 리뷰 수의 총합으로서 6회가 된다. 이를 통해, 최근 시간(t5, t6, t7) 동안 장소 l2에 대한 전체 사용자들의 방문 비율은 다음과 같이 계산될 수 있다.
SR(l2, {t5, t6, t7}) = (2/9) + (1/6) = 0.389
즉, SR(l)의 경우 최근(t5, t6, t7) 다수의 사용자가 장소 l을 방문할 때 높은 점수가 나오게 된다.
다음으로,
Figure pat00034
는 RSB 계산시 선택적으로 사용되는 선택 속성으로서 최근 시간(D) 동안 장소 l에 대한 전체 사용자들의 방문 수를 판단하는 데 사용되는 인자들 간의 균일한 정도, 장소 l과 광고와의 연계 정도, 장소 l에서 사용자들의 소비 금액 정도 중 하나 이상을 포함할 수 있다. 여기서는, 설명의 편의상
Figure pat00035
가 최근 시간(D) 동안 장소 l에 대한 전체 사용자들의 방문 수를 판단하는 데 사용되는 인자들 간의 균일한 정도, 즉, SP(l, D) w3 (여기서, w3는 가중치 계수임)인 것으로 가정하여 설명하기로 한다.
이때, SP(l, D)은 다음의 수학식 4 내지 6을 통해 계산될 수 있다.
[수학식 4]
Figure pat00036
[수학식 5]
Figure pat00037
[수학식 6]
Figure pat00038
CP(l,D)와 RP(l,D)는 도 3의 체크인 테이블을 이용하느냐 또는 도 4의 리뷰 테이블을 이용하냐의 차이일 뿐 기본적인 계산 방법은 동일하다. 따라서, 이하에서는 설명의 편의상 CP(l,D)를 계산하는 방법에 대해서만 설명하기로 한다.
먼저, 도 3의 체크인 테이블을 참조하여, 시간대(t)별 해당 장소(l)에 대한 사용자의 온라인 상의 체크인 횟수를 나타내면 아래 표 1과 같다.
t1 t2 t3 t4 t5 t6 t7
l1 2 2 0 0 2 0 2
l2 0 1 3 1 0 2 0
l3 0 0 0 1 1 0 1
l4 1 0 0 0 0 1 0
다음으로, 순위 계산부(108)는 표 1을 기반으로 CP(l,D)를 계산하기 위한 기초 데이터를 아래 표 2와 같이 생성한다.
α β1 β2 γ
l1 0 2 3 3
l2 1.67 1 3 3
l3 0 3 4 2
l4 0 4 5 1
여기서, α는 기 설정된 시간대별 장소 l의 온라인 상의 체크인 수(단, 체크인 수가 0인 경우는 제외)들 간의 차이(절대치)를 합산한 후, 장소 l 에 있어서 (체크인이 이루어진 시간대의 존재 횟수-1)로 나눈 값으로 다음의 수학식 7과 같다.
[수학식 7]
Figure pat00039
(단, fi는 표 1의 데이터 값(시간대(t)별 장소 l의 온라인 상의 체크인 수)(단, fi≥1)이며, N은 해당 장소(l)에서 fi 의 개수를 의미함)
예를 들어, 장소 l2에 대한 α 는 다음과 같이 계산될 수 있다.
(|3-1| + |1-3| +|2-1|)/3 = 1.67
또한, β1은 장소 l에서 연속적으로 체크인이 이루어지지 않은 시간대들의 존재 개수 중 최대값으로서, 표 1에서 각 장소별 0이 연속적으로 나타나는 횟수의 최대값을 의미한다. 예를 들어, 표 1에서 장소 l1의 경우 0이 연속적으로 2회 나타나므로 β1은 2이며, l2의 경우 0이 연속적으로 1회 나타나므로 β1은 1이다.
또한, β2는 장소 l에서 체크인이 이루어지지 않은 시간대들의 개수로서, 표 1에서 각 장소별 0의 개수를 의미한다. 예를 들어, 표 1에서 장소 l1의 경우 0이 3회 나타나므로 β2는 3이며, 장소 l2의 경우 0이 2회 나타나므로 β2는 2이다.
또한, γ는 N-1이다. 상술한 바와 같이, N은 장소 l에서 체크인이 이루어진 시간대의 존재 횟수로서, 표 1에서 각 장소별 0이 아닌 데이터의 존재 개수를 의미한다. 예를 들어, 표 1에서 장소 l1의 경우 0이 아닌 데이터가 4회 나타나므로 N은 4이며, 장소 l3의 경우 0이 아닌 데이터가 3회 나타나므로 N은 3이다.
순위 계산부(108)는 이와 같은 과정을 통해 α, β1, β2, γ 값을 계산함으로써 표 2를 구성하고, 위 수학식 5를 통해 CP(l,D)를 계산할 수 있다. 상술한 바와 같이, RP(l,D)는 CP(l,D)와 동일한 계산 방법을 사용하되, 도 4의 리뷰 테이블을 이용함으로써 계산될 수 있다. (여기서, α'는 기 설정된 시간대별 장소 l에 대한 온라인 상의 리뷰 수(단, 리뷰 수가 0인 경우는 제외)들 간의 차이(절대치)를 합산한 후, 장소 l 에 있어서 (리뷰가 작성된 시간대의 존재 횟수-1)로 나눈 값, β1'은 장소 l에 대한 리뷰가 연속적으로 작성되지 않은 시간대들의 존재 개수 중 최대값, β2'는 장소 l에 대한 리뷰가 작성되지 않은 시간대들의 개수, γl'은 장소 l 에 있어서 (리뷰가 작성된 시간대의 존재 횟수-1)임)
표 2의 데이터를 이용하여 장소 l1, l2, l3, l4에 대한 CP(l,D)을 계산하면 아래 표 3과 같다. 여기서, D는 모든 시간대별을 의미하는 것으로 가정한다.
l CP
l1 0
l2 1.420
l2 0.133
l3 0
표 3에서 볼 수 있는 바와 같이, l2의 CP(l,D) 값이 가장 높은 것으로 나타났다. 이는, l2의 경우 사람들의 방문이나 관심이 지속적으로 있었다는 것을 의미한다. 표 3에 따르면, l2의 최종 순위가 높게 나타날 확률이 높아지게 된다.
이상과 같이, 순위 계산부(108)는 SF(l), SR(l, D) 및 SP(l, D)를 합산함으로써 해당 장소에 대한 수치화 값을 계산할 수 있으며, 이를 식으로 나타내면 아래 수학식 8과 같다.
[수학식 8]
Figure pat00040
여기서, w1, w2, w3는 각각 가중치 계수로서, 여기서는 w1, w2, w3을 각각 1/3로 가정한다. 각 장소에 대한 수치화 값을 계산한 결과를 나타낸 예시는 아래 표 4와 같다.
SF SR SP
l1 1.54 0.72 0.85
l2 1.82 1.67 0.82
l3 0.72 0.43 0.92
l4 1.23 1.45 0.89
순위 계산부(108)는 위 수치화 값을 토대로 각 장소별 순위를 계산할 수 있으며, 각 장소별 순위의 예시는 아래 표 5와 같다.
RSB 순위
l1 {1.54*(1/3)}+{0.72*(1/3)}+{0.85*(1/3)}=1.04 4
l2 {1.82*(1/3)}+{1.67*(1/3)}+{0.82*(1/3)}=1.43 1
l3 {0.72*(1/3)}+{0.43*(1/3)}+{0.92*(1/3))=0.69 3
l4 {1.23*(1/3)}+{1.45*(1/3)}+{0.89+(1/3)}=1.19 2
즉, 본 발명의 실시예들에 따르면, 온라인 상에서의 사용자들의 관심 행동 정보 및 방문 행동 정보에 기반한 사용자들의 방문 빈도수, 최신성 등과 같은 객관적인 공통 속성, 및 방문의 균일성, 광고 연계 정도, 소비 금액 정도 등과 같은 주관적인 선택 속성을 기반으로 사용자 근방의 장소들에 대한 순위를 계산함으로써, 사용자들에게 특정 장소를 효율적으로 추천할 수 있다.
(2) 사용자의 관심도(프로파일) 정보가 있는 경우
다음으로, 사용자 관심도 데이터베이스(110)에 사용자의 관심도(프로파일) 정보가 있는 경우, 순위 계산부(108)는 상술한 수학식 1 내지 8 계산시 기 설정된 각 사용자별 각 장소에 대한 관심도 중 해당 사용자의 해당 장소에 대한 관심도를 가중치로서 부여할 수 있다. 이하에서는, 설명의 편의상 앞서 설명한 부분과 중복되는 부분을 생략하고 새롭게 추가되는 내용에 대해서만 설명하기로 한다.
먼저, 순위 계산부(108)는 다음의 수학식 9를 계산할 수 있다.
[수학식 9]
Figure pat00041
(여기서, RSP는 장소 l의 수치화 값, SFW(l, u) 및 SRW(l, D, u)은 RSP 계산시 필수적으로 사용되는 공통 속성으로서, SFW(l, u)은 사용자 u의 관심도를 반영한 장소 l에 대한 전체 사용자들의 방문 비율, SRW(l, D, u)은 사용자 u의 관심도를 반영한 최근 시간(D) 동안 장소 l에 대한 전체 사용자들의 방문 비율임,
Figure pat00042
는 RSP 계산시 선택적으로 사용되는 선택 속성으로서 사용자 u의 관심도를 반영한 최근 시간(D) 동안 장소 l에 대한 전체 사용자들의 방문 수를 판단하는 데 사용되는 인자들 간의 균일한 정도, 장소 l과 광고와의 연계 정도, 장소 l에서 사용자들의 소비 금액 정도 중 하나 이상을 포함하며, 선택 속성의 경우 생략 가능함. w1, w2는 가중치 계수임)
이때, SFW(l, u)은 다음의 수학식 10을 통해 계산될 수 있다.
[수학식 10]
Figure pat00043
여기서, wc(l, u)는 장소 l에 대한 사용자 u의 체크인 관심도로서, 도 3의 체크인 테이블로부터 얻을 수 있다. 예를 들어, 제 1 사용자가 장소 l1 및 l2를 각각 1회 체크인한 경우, 체크인에 관한 제 1 사용자의 장소 l1 및 l2에 대한 관심도는 각각 0.5로 계산될 수 있다. 또한, 제 2 사용자가 장소 l1, l2, l3를 각각 1회 체크인한 경우, 체크인에 관한 제 2 사용자의 장소 l1, l2, l3에 대한 관심도는 각각 0.333으로 계산될 수 있다. 도 3의 체크인 테이블에 기초한 체크인 관심도 테이블의 예시가 도 5에 도시되어 있다. 이때, |C|는 도 3의 체크인 테이블에서 모든 장소 l에 대한 사용자들의 체크인 수의 총합, 즉 20이 된다.
Figure pat00044
은 사용자 관심도의 가중치가 0이 되어 전체 식에 영향을 주는 것을 방지하기 위한 최소값으로서, 상수 0.5는 하나의 예시값이며 다른 값으로 치환 가능하다.
또한, wr(l, u)는 장소 l에 대한 사용자 u의 리뷰 관심도로서, 도 4의 리뷰 테이블로부터 얻을 수 있다. 예를 들어, 제 1 사용자는 장소 l1에 대한 리뷰를 작성하지 않았으므로 제 1 사용자의 장소 l1에 대한 리뷰 관심도는 0으로 계산될 수 있다. 또한, 제 2 사용자는 장소 l1에 대한 리뷰만을 1회 작성하였으므로 제 1 사용자의 장소 l2에 대한 리뷰 관심도는 1이 될 수 있다. 이때, |R|은 도 4의 리뷰 테이블에서 모든 장소 l에 대한 사용자들의 리뷰 수의 총합, 즉 6이 된다.
Figure pat00045
은 사용자 관심도의 가중치가 0이 되어 전체 식에 영향을 주는 것을 방지하기 위한 최소값으로서, 상수 0.5는 하나의 예시값이며 다른 값으로 치환 가능하다.
일 예시로서, 장소가 l1이고 사용자가 u1이라 했을 때, 위 수학식 10을 계산하면 다음과 같다.
SFW(l1, u1) = {(8/20)*(0.5+(1/20*0.5))}+{(3/6)*(0+(1/6*0.5))} = 0.25
즉, 수학식 10은 특정 사용자(예를 들어, u1)의 과거 이력을 바탕으로 특정 장소(l1)에 대한 수치화 값을 계산하는 식으로, 특정 장소(l1)를 많은 사람들이 방문하고 특정 사용자(u1)도 다른 장소보다 특정 장소(l1)를 많이 방문하였다면 SFW 값은 높게 나타난다. 그러나, 특정 장소(l1)를 많은 사람들이 방문했지만 특정 사용자(u1)가 특정 장소(l1)를 적게 방문하는 경우나, 특정 장소(l1)를 적은 사람들이 방문하는 경우는 SFW 값이 낮게 나타난다.
다음으로, SRW(l, D, u)는 다음의 수학식 11을 통해 계산될 수있다.
[수학식 11]
Figure pat00046
여기서, wc(l, D, u)는 장소 l에 대한 최근 시간(D) 동안의 사용자 u의 체크인 관심도로서 도 3의 체크인 테이블 및 도 5의 체크인 관심도 테이블로부터 얻을 수 있으며, wr(l, D, u)는 장소 l에 대한 최근 시간(D) 동안의 사용자 u의 리뷰 관심도로서, 도 4의 리뷰 테이블 및 도 6의 리뷰 관심도 테이블로부터 얻을 수 있다. 예를 들어, 사용자 u2, 장소 l2, D = {t5, t6, t7}인 경우 수학식 11을 계산하면 다음과 같다.
SRW(l2, {t5, t6, t7}, u2)
= ((2/9)*(0.333+(1/20*0.5)))+((1/6)*(0+(1/6*0.5))) = 0.093
즉, 수학식 11은 앞선 수학식 3에 장소 l에 대한 최근 시간(D) 동안의 사용자 u의 체크인 관심도 및 리뷰 관심도가 각각 가중치로서 부여됨으로써 계산될 수 있다.
다음으로,
Figure pat00047
는 RSP 계산시 선택적으로 사용되는 선택 속성으로서 최근 시간(D) 동안 장소 l에 대한 전체 사용자들의 방문 수를 판단하는 데 사용되는 인자들 간의 균일한 정도, 장소 l과 광고와의 연계 정도, 장소 l에서 사용자들의 소비 금액 정도 중 하나 이상을 포함하되, 기 설정된 각 사용자별 각 장소에 대한 관심도 중 해당 사용자의 해당 장소에 대한 관심도가 가중치로서 부여될 수 있다. 여기서는, 설명의 편의상
Figure pat00048
가 사용자의 관심도가 부여된, 최근 시간(D) 동안 장소 l에 대한 전체 사용자들의 방문 수를 판단하는 데 사용되는 인자들 간의 균일한 정도, 즉, SPW(l, D, u) w3 (여기서, w3는 가중치 계수임)인 것으로 가정하여 설명하기로 한다.
이때, SPW(l, D, u)는 다음의 수학식 12를 통해 계산될 수 있다.
[수학식 12]
Figure pat00049
수학식 12의 경우, 앞서 설명한 수학식 4에 장소 l에 대한 최근 시간(D) 동안의 사용자 u의 체크인 관심도 및 리뷰 관심도가 각각 가중치로서 부여됨으로써 계산된다. 예를 들어, 사용자 u2, 장소 l2, D = 모든 시간인 경우 위 수학식 12를 계산하면 다음과 같다. 여기서는, 설명의 편의상 RP(l, D)는 0으로 가정한다.
SPW(l2, u2, D) = (1.420/1.420)*(0.333+(1/20*0.5)) = 0.358
이상과 같이, 순위 계산부(108)는 SFW(l, u), SRW(l, D, u) 및 SPW(l, u, D)를 합산함으로써 해당 장소에 대한 수치화 값을 계산할 수 있으며, 이를 식으로 나타내면 아래 수학식 13과 같다.
[수학식 13]
Figure pat00050
여기서, w1, w2, w3는 각각 가중치 계수로서, 여기서는 w1, w2, w3을 각각 1/3로 가정한다. 각 장소에 대한 수치화 값을 계산한 결과를 나타낸 예시는 아래 표 6과 같다.
SFW , u1 SRW , u1 SPW , u1
l1 1.04 1.12 0.94
l2 1.74 1.28 1.37
l3 0.21 0.54 0.48
l4 0.32 0.41 0.59
순위 계산부(108)는 위 수치화 값을 토대로 각 장소별 순위를 매길 수 있으며, 각 장소별 순위의 예시는 아래 표 7과 같다.
RSP 순위
l1 {1.04*(1/3)}+{1.12*(1/3)}+{0.94*(1/3)}=1.03 2
l2 {1.74*(1/3)}+{1.28*(1/3)}+{1.37*(1/3)}=1.46 1
l3 {0.21*(1/3)}+{0.54*(1/3)}+{0.48*(1/3))=0.41 4
l4 {0.32*(1/3)}+{0.41*(1/3)}+{0.59+(1/3)}=0.44 3
즉, 본 발명의 실시예들에 따르면, 사용자에게 장소 추천시 해당 사용자의 관심도를 반영함으로써, 사용자의 만족도를 더욱 높일 수 있다. 특히, 관심 행동 정보, 방문 행동 정보 등에 관한 사용자의 관심도가 존재하는 경우 해당 사용자의 관심도를 기반으로 장소의 순위를 계산할 수 있으며, 사용자의 관심도가 없는 경우에는 타인의 행동 정보를 기반으로 장소의 순위를 계산할 수 있다. 즉, 기존 사용자의 경우 본인의 관심 행동 정보나 방문 행동 정보에 가중치를 두어 장소의 순위를 계산할 수 있으며, 초기 사용자의 경우 타인의 관심 행동 정보나 방문 행동 정보에 기초하여 장소의 순위를 계산할 수 있다.
도 7은 본 발명의 일 실시예에 따른 사용자 행동 기반의 장소 추천 방법을 설명하기 위한 흐름도이다.
먼저, 행동 정보 수집부(102-1)는 하나 이상의 사용자 단말(150)로부터 특정 장소에 대한 사용자들의 온라인 상에서의 행동 정보를 수집한다(S702). 상술한 바와 같이, 행동 정보는 해당 장소를 방문하지 않은 사용자들의 관심 행동 정보, 및 해당 장소를 방문한 사용자들의 방문 행동 정보 중 하나 이상을 포함할 수 있다. 관심 행동 정보는 해당 장소를 방문하지 않은 사용자들의 온라인 상에서의 행동 정보로서, 예를 들어 블로그, SNS, 포털 사이트 등의 웹 페이지에서의 해당 장소에 대한 리뷰 댓글 수, 관심 장소 선택 수, 및 즐겨찾기 추가 수 중 하나 이상을 포함할 수 있다. 또한, 방문 행동 정보는 해당 장소를 방문한 사용자들의 온라인 상에서의 행동 정보로서, 예를 들어 블로그, SNS, 포털 사이트 등의 웹 페이지에서의 해당 장소에 대한 체크인 수, 리뷰 등록 수, 및 사진 업로드 수 중 하나 이상을 포함할 수 있다. 행동 정보 수집부(102-1)는 각 장소별 사용자들의 관심 행동 정보 및 방문 행동 정보를 수집하여 관심 행동 데이터베이스(104) 및 방문 행동 데이터베이스(106)에 각각 저장할 수 있다.
다음으로, 위치 정보 수집부(102-2)는 사용자 단말(150)의 현재 위치 정보를 수집한다(S704). 여기서, 사용자 단말(150)의 현재 위치 정보는 자신의 현재 위치에 대응되는 위도, 경도, 주소, 건물 이름 등을 포함할 수 있다. 한편, 여기서는 행동 정보 수집부(102-1)가 사용자 단말(150)로부터 특정 장소에 대한 사용자들의 온라인 상에서의 행동 정보를 수집한 이후 위치 정보 수집부(102-2)가 사용자 단말(150)의 현재 위치 정보를 수집하는 것으로 기재하였으나, 행동 정보의 수집과 위치 정보의 수집 순서가 이에 한정되는 것은 아니다. 위치 정보 수집부(102-2)가 사용자 단말(150)의 현재 위치 정보를 수집한 이후 행동 정보 수집부(102-1)가 사용자 단말(150)로부터 특정 장소에 대한 사용자들의 온라인 상에서의 행동 정보를 수집하여도 무방하며, 행동 정보 수집과 위치 정보의 수집이 동시에 이루어질 수도 있다.
다음으로, 순위 계산부(108)는 위치 정보 수집부(102-2)가 수집한 위치 정보에 포함된 사용자 단말(150)의 현재 위치로부터 기 설정된 반경 이내에 위치하는 장소들을 상술한 행동 정보에 따라 수치화하여 각 장소별 순위를 계산한다(S706). 상술한 바와 같이, 순위 계산부(108)는 행동 정보 수집부(102-1)가 수집한 관심 행동 정보 및 방문 행동 정보를 이용하여 사용자들의 방문 비율(빈도수), 기 설정된 최근 시간 동안 사용자들의 방문 비율(최신성) 등과 같은 “공통 속성”을 계산하고, 해당 장소에 대한 사용자들의 방문 수를 판단하는 데 사용되는 인자들 간의 균일한 정도(균일성), 해당 장소와 광고와의 연계 정도, 해당 장소에서 사용자들의 소비 금액 정도 등과 같은 “선택 속성”을 계산하여 사용자 단말(150)의 현재 위치로부터 기 설정된 반경 이내의 장소들을 수치화하여 각 장소별 순위를 계산한다. 이때, 순위 계산부(108)는 선택 속성을 생략한 채 공통 속성만을 이용하여 해당 장소들을 수치화할 수 있다. 아울러, 순위 계산부(108)는 기존 사용자의 해당 장소에 대한 관심도(프로파일)를 추가적으로 적용하여 해당 장소들을 수치화할 수도 있다.
순위 계산부(108)는 앞서 설명한 수학식 1 내지 13을 이용하여 사용자 단말(150) 근방의 장소들을 수치화할 수 있으며, 이렇게 수치화한 값을 토대로 각 장소별 순위를 계산할 수 있다. 순위 계산부(108)는 각 장소를 수치화한 값이 높은 순서대로 각 장소별 순위를 계산할 수 있다. 순위 계산부(108)가 수학식 1 내지 13을 이용하여 사용자 단말(150) 근방의 장소들을 수치화하는 방법 및 각 장소별 순위를 계산하는 방법은 앞에서 자세히 설명하였는바, 여기서는 그 설명을 생략하도록 한다.
마지막으로, 순위 계산부(108)는 계산된 순위에 따라 하나 이상의 장소를 사용자 단말(150)로 추천한다(S708). 순위 계산부(108)는 사용자 단말(150)로부터 장소 추천의 요청을 수신할 수 있으며, 사용자 단말(150)의 요청에 따라 하나 이상의 장소를 사용자 단말(150)로 추천할 수 있다. 예를 들어, 순위 계산부(108)는 순위가 가장 높은 장소를 사용자 단말(150)로 추천하거나, 또는 상위 3개 순위의 장소를 사용자 단말(150)로 추천할 수도 있다. 또한, 순위 계산부(108)는 추천하고자 하는 장소의 이름과 함께 해당 장소의 주소, 이미지, 사용자 단말(150)의 현재 위치로부터 추천 장소로 가는 경로 등을 사용자 단말(150)로 제공할 수 있다.
한편, 본 발명의 실시예는 본 명세서에서 기술한 방법들을 컴퓨터상에서 수행하기 위한 프로그램을 포함하는 컴퓨터 판독 가능 기록매체를 포함할 수 있다. 상기 컴퓨터 판독 가능 기록매체는 프로그램 명령, 로컬 데이터 파일, 로컬 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야에서 통상의 지식을 가진 자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광 기록 매체, 플로피 디스크와 같은 자기-광 매체, 및 롬, 램, 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 포함할 수 있다.
이상에서 대표적인 실시예를 통하여 본 발명에 대하여 상세하게 설명하였으나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 상술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다. 그러므로 본 발명의 권리범위는 설명된 실시예에 국한되어 정해져서는 안 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.
100 : 사용자 행동 기반의 장소 추천 시스템
102-1 : 행동 정보 수집부
102-2 : 위치 정보 수집부
104 : 관심 행동 정보 데이터베이스
106 : 방문 행동 정보 데이터베이스
108 : 순위 계산부
110 : 사용자 관심도 데이터베이스
150 : 사용자 단말

Claims (23)

  1. 하나 이상의 사용자 단말로부터 특정 장소에 대한 사용자들의 온라인 상에서의 행동 정보를 수집하는 행동 정보 수집부;
    상기 사용자 단말의 현재 위치 정보를 수집하는 위치 정보 수집부; 및
    상기 위치 정보에 포함된 상기 사용자 단말의 현재 위치로부터 기 설정된 반경 이내에 위치하는 장소들을 상기 행동 정보에 따라 수치화하여 각 장소별 순위를 계산하고, 상기 순위에 따라 하나 이상의 장소를 상기 사용자 단말로 추천하는 순위 계산부를 포함하는, 사용자 행동 기반의 장소 추천 시스템.
  2. 청구항 1에 있어서,
    상기 행동 정보는, 해당 장소를 방문하지 않은 사용자들의 관심 행동 정보, 및 해당 장소를 방문한 사용자들의 방문 행동 정보 중 하나 이상을 포함하는, 사용자 행동 기반의 장소 추천 시스템.
  3. 청구항 2에 있어서,
    상기 관심 행동 정보는, 해당 장소를 방문하지 않은 사용자들의 온라인 상에서의 리뷰 댓글 수, 관심 장소 선택 수, 및 즐겨찾기 추가 수 중 하나 이상을 포함하는, 사용자 행동 기반의 장소 추천 시스템.
  4. 청구항 2에 있어서,
    상기 방문 행동 정보는, 해당 장소를 방문한 사용자들의 온라인 상에서의 체크인 수, 리뷰 등록 수, 및 사진 업로드 수 중 하나 이상을 포함하는, 사용자 행동 기반의 장소 추천 시스템.
  5. 청구항 1에 있어서,
    상기 순위 계산부는, 상기 행동 정보를 통해 해당 장소에 대한 전체 사용자들의 방문 비율(SF(l)) 및 기 설정된 최근 시간(D) 동안 해당 장소에 대한 전체 사용자들의 방문 비율(SR(l, D))을 계산하고, 상기 SF(l) 및 상기 SR(l, D)을 합산함으로써 상기 사용자 단말의 현재 위치로부터 기 설정된 반경 이내에 위치하는 장소들을 수치화하는, 사용자 행동 기반의 장소 추천 시스템.
  6. 청구항 5에 있어서,
    상기 순위 계산부는, 다음의 수학식을 통해 상기 SF(l)을 계산하는, 사용자 행동 기반의 장소 추천 시스템.
    Figure pat00051

    (여기서, CC(l)은 장소 l에 대한 사용자들의 온라인 상의 체크인 수,
    Figure pat00052
    은 모든 장소 l에 대한 사용자들의 온라인 상의 체크인 수의 총합, RC(l)은 장소 l에 대한 사용자들의 온라인 상의 리뷰 수,
    Figure pat00053
    은 모든 장소 l에 대한 사용자들의 온라인 상의 리뷰 수의 총합임)
  7. 청구항 5에 있어서,
    상기 순위 계산부는, 다음의 수학식을 통해 상기 SR(l, D)을 계산하는, 사용자 행동 기반의 장소 추천 시스템.
    Figure pat00054

    (여기서, CC(l,D)는 장소 l에 대한 최근 시간(D) 동안의 사용자들의 온라인 상의 체크인 수,
    Figure pat00055
    는 최근 시간(D) 동안의 사용자들의 온라인 상의 체크인 수의 총합, RC(l,D)는 장소 l에 대한 최근 시간(D) 동안의 사용자들의 온라인 상의 리뷰 수,
    Figure pat00056
    는 최근 시간(D) 동안의 사용자들의 온라인 상의 리뷰 수의 총합임)
  8. 청구항 5에 있어서,
    상기 순위 계산부는, 상기 SF(l) 및 상기 SR(l, D)을 합산한 값에, 최근 시간(D) 동안 해당 장소에 대한 전체 사용자들의 방문 수를 판단하는 데 사용되는 인자들 간의 균일한 정도(SP(l, D))를 추가적으로 합산하여 상기 사용자 단말의 현재 위치로부터 기 설정된 반경 이내에 위치하는 장소들을 수치화하는, 사용자 행동 기반의 장소 추천 시스템.
  9. 청구항 8에 있어서,
    상기 순위 계산부는, 다음의 수학식들을 통해 상기 SP(l, D)을 계산하는, 사용자 행동 기반의 장소 추천 시스템.
    Figure pat00057

    Figure pat00058

    Figure pat00059

    (여기서, α는 기 설정된 시간대별 장소 l의 온라인 상의 체크인 수(단, 체크인 수가 0인 경우는 제외)들 간의 차이(절대치)를 합산한 후, 장소 l 에 있어서 (체크인이 이루어진 시간대의 존재 횟수-1)로 나눈 값, β1은 장소 l에서 연속적으로 체크인이 이루어지지 않은 시간대들의 존재 개수 중 최대값, β2는 장소 l에서 체크인이 이루어지지 않은 시간대들의 개수, γl은 장소 l 에 있어서 (체크인이 이루어진 시간대의 존재 횟수-1)임.
    또한, α'는 기 설정된 시간대별 장소 l에 대한 온라인 상의 리뷰 수(단, 리뷰 수가 0인 경우는 제외)들 간의 차이(절대치)를 합산한 후, 장소 l 에 있어서 (리뷰가 작성된 시간대의 존재 횟수-1)로 나눈 값, β1'은 장소 l에 대한 리뷰가 연속적으로 작성되지 않은 시간대들의 존재 개수 중 최대값, β2'는 장소 l에 대한 리뷰가 작성되지 않은 시간대들의 개수, γl'은 장소 l 에 있어서 (리뷰가 작성된 시간대의 존재 횟수-1)임)
  10. 청구항 5에 있어서,
    상기 순위 계산부는, 해당 사용자의 해당 장소에 대한 관심도를 계산하고, 상기 각 장소별 순위를 계산하는 과정에서 상기 관심도를 가중치로서 부여하는, 사용자 행동 기반의 장소 추천 시스템.
  11. 청구항 10에 있어서,
    상기 관심도는, 해당 사용자의 온라인 상에서의 해당 장소에 대한 체크인 수를 해당 사용자의 온라인 상에서의 전체 체크인 수로 나눈 값, 또는 해당 사용자의 온라인 상에서의 해당 장소에 대한 리뷰 수를 해당 사용자의 온라인 상에서의 전체 리뷰 수로 나눈 값인, 사용자 행동 기반의 장소 추천 시스템.
  12. 하나 이상의 사용자 단말로부터 특정 장소에 대한 사용자들의 온라인 상에서의 행동 정보를 수집하는 단계;
    상기 사용자 단말의 현재 위치 정보를 수집하는 단계;
    상기 위치 정보에 포함된 상기 사용자 단말의 현재 위치로부터 기 설정된 반경 이내에 위치하는 장소들을 상기 행동 정보에 따라 수치화하여 각 장소별 순위를 계산하는 단계; 및
    상기 순위에 따라 하나 이상의 장소를 상기 사용자 단말로 추천하는 단계를 포함하는, 사용자 행동 기반의 장소 추천 방법.
  13. 청구항 12에 있어서,
    상기 행동 정보는, 해당 장소를 방문하지 않은 사용자들의 관심 행동 정보, 및 해당 장소를 방문한 사용자들의 방문 행동 정보 중 하나 이상을 포함하는, 사용자 행동 기반의 장소 추천 방법.
  14. 청구항 13에 있어서,
    상기 관심 행동 정보는, 해당 장소를 방문하지 않은 사용자들의 온라인 상에서의 리뷰 댓글 수, 관심 장소 선택 수, 및 즐겨찾기 추가 수 중 하나 이상을 포함하는, 사용자 행동 기반의 장소 추천 방법.
  15. 청구항 13에 있어서,
    상기 방문 행동 정보는, 해당 장소를 방문한 사용자들의 온라인 상에서의 체크인 수, 리뷰 등록 수, 및 사진 업로드 수 중 하나 이상을 포함하는, 사용자 행동 기반의 장소 추천 방법.
  16. 청구항 12에 있어서,
    상기 각 장소별 순위를 계산하는 단계는, 상기 행동 정보를 통해 해당 장소에 대한 전체 사용자들의 방문 비율(SF(l)) 및 기 설정된 최근 시간(D) 동안 해당 장소에 대한 전체 사용자들의 방문 비율(SR(l, D))을 계산하고, 상기 SF(l) 및 상기 SR(l, D)을 합산함으로써 상기 사용자 단말의 현재 위치로부터 기 설정된 반경 이내에 위치하는 장소들을 수치화하는, 사용자 행동 기반의 장소 추천 방법.
  17. 청구항 16에 있어서,
    상기 SF(l)은, 다음의 수학식을 통해 계산되는, 사용자 행동 기반의 장소 추천 방법.
    Figure pat00060

    (여기서, CC(l)은 장소 l에 대한 사용자들의 온라인 상의 체크인 수,
    Figure pat00061
    은 모든 장소 l에 대한 사용자들의 온라인 상의 체크인 수의 총합, RC(l)은 장소 l에 대한 사용자들의 온라인 상의 리뷰 수,
    Figure pat00062
    은 모든 장소 l에 대한 사용자들의 온라인 상의 리뷰 수의 총합임)
  18. 청구항 16에 있어서,
    상기 SR(l, D)은, 다음의 수학식을 통해 계산되는, 사용자 행동 기반의 장소 추천 방법.
    Figure pat00063

    (여기서, CC(l,D)는 장소 l에 대한 최근 시간(D) 동안의 사용자들의 온라인 상의 체크인 수,
    Figure pat00064
    는 최근 시간(D) 동안의 사용자들의 온라인 상의 체크인 수의 총합, RC(l,D)는 장소 l에 대한 최근 시간(D) 동안의 사용자들의 온라인 상의 리뷰 수,
    Figure pat00065
    는 최근 시간(D) 동안의 사용자들의 온라인 상의 리뷰 수의 총합임)
  19. 청구항 16에 있어서,
    상기 각 장소별 순위를 계산하는 단계는, 상기 SF(l)과 상기 SR(l, D)을 합산하여 획득한 값에, 최근 시간(D) 동안 해당 장소에 대한 전체 사용자들의 방문 수를 판단하는 데 사용되는 인자들 간의 균일한 정도(SP(l, D))를 추가적으로 합산하여 상기 사용자 단말의 현재 위치로부터 기 설정된 반경 이내에 위치하는 장소들을 수치화하는, 사용자 행동 기반의 장소 추천 방법.
  20. 청구항 19에 있어서,
    상기 SP(l, D)는, 다음의 수학식들을 통해 계산되는, 사용자 행동 기반의 장소 추천 방법.
    Figure pat00066

    Figure pat00067

    Figure pat00068

    (여기서, α는 기 설정된 시간대별 장소 l의 온라인 상의 체크인 수(단, 체크인 수가 0인 경우는 제외)들 간의 차이(절대치)를 합산한 후, 장소 l 에 있어서 (체크인이 이루어진 시간대의 존재 횟수-1)로 나눈 값, β1은 장소 l에서 연속적으로 체크인이 이루어지지 않은 시간대들의 존재 개수 중 최대값, β2는 장소 l에서 체크인이 이루어지지 않은 시간대들의 개수, γl은 장소 l 에 있어서 (체크인이 이루어진 시간대의 존재 횟수-1)임.
    또한, α'는 기 설정된 시간대별 장소 l에 대한 온라인 상의 리뷰 수(단, 리뷰 수가 0인 경우는 제외)들 간의 차이(절대치)를 합산한 후, 장소 l 에 있어서 (리뷰가 작성된 시간대의 존재 횟수-1)로 나눈 값, β1'은 장소 l에 대한 리뷰가 연속적으로 작성되지 않은 시간대들의 존재 개수 중 최대값, β2'는 장소 l에 대한 리뷰가 작성되지 않은 시간대들의 개수, γl'은 장소 l 에 있어서 (리뷰가 작성된 시간대의 존재 횟수-1)임)
  21. 청구항 16에 있어서,
    상기 각 장소별 순위를 계산하는 단계는, 해당 사용자의 해당 장소에 대한 관심도를 계산하고, 상기 각 장소별 순위를 계산하는 과정에서 상기 관심도를 가중치로서 부여하는, 사용자 행동 기반의 장소 추천 방법.
  22. 청구항 21에 있어서,
    상기 관심도는, 해당 사용자의 온라인 상에서의 해당 장소에 대한 체크인 수를 해당 사용자의 온라인 상에서의 전체 체크인 수로 나눈 값, 또는 해당 사용자의 온라인 상에서의 해당 장소에 대한 리뷰 수를 해당 사용자의 온라인 상에서의 전체 리뷰 수로 나눈 값인, 사용자 행동 기반의 장소 추천 방법.
  23. 하드웨어와 결합되어
    하나 이상의 사용자 단말로부터 특정 장소에 대한 사용자들의 온라인 상에서의 행동 정보 및 상기 사용자 단말의 현재 위치 정보를 수집하는 단계;
    상기 위치 정보에 포함된 상기 사용자 단말의 현재 위치로부터 기 설정된 반경 이내에 위치하는 장소들을 상기 행동 정보에 따라 수치화하여 각 장소별 순위를 계산하는 단계; 및
    상기 순위에 따라 하나 이상의 장소를 상기 사용자 단말로 추천하는 단계를 실행시키기 위하여 기록매체에 저장된 컴퓨터 프로그램.
KR1020140146478A 2014-10-27 2014-10-27 사용자 행동 기반의 장소 추천 시스템 및 방법 KR20160049411A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020140146478A KR20160049411A (ko) 2014-10-27 2014-10-27 사용자 행동 기반의 장소 추천 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140146478A KR20160049411A (ko) 2014-10-27 2014-10-27 사용자 행동 기반의 장소 추천 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR20160049411A true KR20160049411A (ko) 2016-05-09

Family

ID=56020429

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140146478A KR20160049411A (ko) 2014-10-27 2014-10-27 사용자 행동 기반의 장소 추천 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR20160049411A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022108310A1 (ko) * 2020-11-19 2022-05-27 삼성전자 주식회사 이미지의 메타 정보를 정정하는 전자 장치 및 이의 동작 방법
US11694441B2 (en) 2020-11-19 2023-07-04 Samsung Electronics Co., Ltd. Electronic device correcting meta information of image and operating method thereof

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022108310A1 (ko) * 2020-11-19 2022-05-27 삼성전자 주식회사 이미지의 메타 정보를 정정하는 전자 장치 및 이의 동작 방법
US11694441B2 (en) 2020-11-19 2023-07-04 Samsung Electronics Co., Ltd. Electronic device correcting meta information of image and operating method thereof

Similar Documents

Publication Publication Date Title
US11468019B2 (en) Apparatus, systems, and methods for analyzing characteristics of entities of interest
US9703804B2 (en) Systems and methods for ranking points of interest
Önder et al. Tracing tourists by their digital footprints: The case of Austria
US9959321B2 (en) Ranking search results by social relevancy
US8793248B2 (en) Method and system for recommending Geo-tagged items
US8909771B2 (en) System and method for using global location information, 2D and 3D mapping, social media, and user behavior and information for a consumer feedback social media analytics platform for providing analytic measurements data of online consumer feedback for global brand products or services of past, present or future customers, users, and/or target markets
JP5770851B2 (ja) ソーシャルグラフ情報を用いるロケーションランキング
US20110238730A1 (en) Correlated Information Recommendation
US11526773B1 (en) Predicting accuracy of submitted data
CN112088390A (zh) 对于地点的个性化匹配得分
US20110010364A1 (en) Geographical item identification
US11403681B1 (en) SMS-based review requests
US20140006414A1 (en) Method and System of Location-Based Content Organization and Content Suggestions
US9489692B1 (en) Location-based bid modifiers
KR102116519B1 (ko) 실제 지역들의 위치 기반 순위
US8782034B1 (en) Utilizing information about user-visited places to recommend novel spaces to explore
KR20160049411A (ko) 사용자 행동 기반의 장소 추천 시스템 및 방법
Vavpotič et al. Using a market basket analysis in tourism studies
CN104123281A (zh) 使用位置信息提供建议的方法和系统
KR20140104626A (ko) 추천 서비스 시스템 및 그 방법, 그리고 이에 적용되는 장치
Hongbo et al. Place recommendation from check-in spots on location-based online social networks
KR102655723B1 (ko) 장소 추천 방법 및 시스템
US20140365508A1 (en) Systems and methods for scoring geographic locations and for providing related searching tools
Darapisut et al. N-Most Interesting Location-based Recommender System
TWI667932B (zh) Self-adapted travel planning recommendation method

Legal Events

Date Code Title Description
WITN Application deemed withdrawn, e.g. because no request for examination was filed or no examination fee was paid