KR20160108526A - 실제 지역들의 위치 기반 순위 - Google Patents

Abstract

온라인 예약 시스템은 사용자에게 상품이나 서비스의 항목들을 생성하고, 검색하고, 예약하는 것을 가능하게 한다. 사용자가 항목들을 검색할 때, 상기 항목들은 도시 관련성 부분 점수, 인접 관련성 부분 점수 및 거리 부분 점수 중 적어도 하나를 포함하는 위치 관련성 점수의 적어도 일부에 기초하여 순위가 정해진다. 일반적으로, 상기 도시 관련성 부분 점수는 검색 사용자가 검색 쿼리에 지정된 도시가 아닌 다른 도시 항목들을 찾기 위해 실제 의도한 확률을 정량화한다. 일반적으로, 상기 인접 관련성 부분 점수는 항목의 실제 위치 및 검색 쿼리로 지정된 장소 사이의 실제 거리를 결정하는 거리 부분 점수로 대체 또는 부가하므로써, 도시 내의 특정 인접 지역의 인기를 정량화한다.

Description

실제 지역들의 위치 기반 순위{Location Based Ranking of Real World Locations}

본 발명은 실제 지역들의 위치 기반 순위에 따른 예약 방법에 관한 것이다.

많은 온라인 컴퓨터 시스템들은 잠재 소비자에게 무형의 가치를 가진 실제 위치들 또는 이와 관련된 상품 및 서비스의 판매, 임대 및 레저베이션(간략하게, 일반적으로 "예약(booking)")을 위한 항목들을 제공한다. 예를 들어, 주어진 도시에서, 어떤 인접 지역 및 특정 거리는 다른 것들보다 더 가치가 있다. 소비자는 항목을 예약할지에 대한 그들의 결정에 위치를 요인으로 고려한다. 위치를 이용하는 예약 순위 항목들을 제공하는 현존하는 온라인 컴퓨터 시스템들은, 예를 들어, 순위의 한 고려 사항으로서, 주어진 항목과 관광지와 같은 도시의 지정된 중심 또는 기준점 사이의 반경 거리를 이용한다. 이러한 시스템들에 의해 사용되는 정확한 순위 메커니즘은 다양하지만, 그러나, 고정된 기준점으로부터 반경 거리에 엄격히 기초하는 위치를 순위 시스템에 결합시키는 방식은, 순위에서 모든 다른 요인에 비해 예약할 위치를 과하게 고려하거나 부족하게 고려할 위험을 가지고 있다.

온라인 숙박시설 및 예약 시스템들은 적절한 예를 제공한다. 보통, 항목과 사용자의 위치 사이의 거리가 항목들의 순위를 결정하는 요인이고, 이러한 시스템들은 일반적으로 사용자로부터 가장 가까운 것부터 가장 먼 것까지 항목을 정리한다. 예를 들어, 사용자는 레스토랑 예약을 위해 4마일은 여행하기에 적당한 거리지만, 50마일은 비합리적이라고 판단할 수 있다. 그러나, 두 개의 항목들이 단지 1마일 차이에 불과하다면, 거리는 잠재적인 사용자가 다른 것보다 하나의 항목을 예약할지 여부에 휠씬 덜 고려될 수 있다. 도시들은 종종 몇 마일의 차이가 나는 경우, 종종 단순한 거리는 항목들의 순위에서 유용한 구별 요인이 아니다.

이에, 본 발명의 기술적 과제는 이러한 점에서 착안된 것으로 본 발명의 목적은 실제 지역들의 위치 기반 순위에 따른 예약 방법을 제공하는 것이다.

온라인 예약 시스템은 사용자들이 상품 및 서비스의 항목들을 생성하고, 다른 사용자들에 의해 생성된 항목들을 검색하고, 그들이 관심 있는 항목들을 예약할 수 있게 한다. 상기 온라인 예약 시스템은 검색 쿼리에 응답하는 검색 기능을 포함하고, 위치 관련성 점수들에 적어도 일부에 기초하여 항목들의 순위를 정한다. 항목의 상기 위치 관련성 점수는 항목의 위치 및 검색 쿼리에 지정된 위치를 기초로 한다. 다양한 실시예들에서, 상기 위치 관련성 점수는 도시 관련성 부분 점수, 인접 관련성 부분 점수 및 거리 부분 점수 중 적어도 하나를 포함한다. 일반적으로, 상기 도시 관련성 부분 점수는 검색 사용자가 검색 쿼리에 지정된 도시가 아닌 다른 도시 항목들을 찾기 위해 실제 의도한 확률을 정량화한다. 일반적으로, 상기 인접 관련성 부분 점수는 검색 사용자가 항목의 인접 지역에 예약할 확률을 결정하기 위해 도시 내의 특정 인접 지역들의 인기를 정량화한다. 일반적으로, 거리 관련성 부분 점수는 항목의 위치 및 검색 쿼리에 지정된 위치 간의 거리를 결정한다.

이에 따라, 실제 위치 및 사용자의 과거 예약을 참고하여 사용자에게 정확한 예약 항목을 제공하여 편리한 온라인 예약 서비스를 제공할 수 있다.

본 발명의 첨부 도면을 참조한 이하의 발명의 상세한 설명 및 첨부된 청구항으로부터 더욱 용이하게 명백해지는 다른 장점들 및 특징들을 갖는다.
도 1은 일 실시예에 따른 위치 관련성 점수를 사용하여 상품 또는 서비스의 항목들의 순위를 정하는 온라인 예약 시스템의 컴퓨팅 환경의 블록도이다.
도 2는 일 실시예에 따른 위치 관련성 점수를 사용하여 상품 또는 서비스의 항목들의 순위를 정하는 온라인 예약 시스템의 블록도이다.
도 3은 일 실시예에 따른 위치 관련성 점수를 사용하여 상품 또는 서비스의 항목들의 순위를 정하는 흐름도이다.

시스템 개요

도 1은 일 실시예에 따른 위치 관련성 점수를 사용하여 상품 또는 서비스의 항목들의 순위를 정하는 온라인 예약 시스템의 컴퓨팅 환경의 블록도이다. 도 1및 다른 도면들은 동일한 요소를 식별하기 위해 동일한 참조 번호를 사용한다. "113A"와 같이, 참조 번호 뒤에 문자는 텍스트가 특정 참조 번호를 갖는 요소를 특히 의미하는 것을 나타낸다. "113"과 같이, 텍스트에서 따르는 문자가 없는 참조 번호는 그 참조 번호를 가진 도면들에서 구성들 중 일부 또는 전부를 지칭한다(예를 들어, 텍스트에서 "113"은 도면에서 참조 번호들 "113A" 및/또는 "113B"를 지칭한다).

네트워크 (105)는 사용자들(103) (예를 들어, 소비자)과 상기 온라인 예약 시스템(111) 사이의 통신 경로들을 나타낸다. 일 실시예에서, 상기 네트워크는 인터넷이다. 상기 네트워크는 반드시 인터넷의 일부가 아닌 전용 또는 개인 통신 링크들(예를 들어, WAN, MAN, 또는 LAN)을 이용할 수도 있다. 상기 네트워크는 표준 통신 기술들 및/또는 프로토콜들을 사용한다.

상기 클라이언트 장지들(101)은 상기 온라인 예약 시스템(111)의 인터랙션을 위해 사용자들(103)에 의해 사용된다. 상기 클라이언트 장지(101)는 개인 컴퓨터(PC), 데스크탑 컴퓨터, 랩탑 컴퓨터, 노트북, 스마트폰 등과 같은, 컴퓨터이거나 컴퓨터에 통합되는 장치일 수 있다. 컴퓨터는 일반적인 또는 특정 목적의 프로세서, 메모리, 스토리지 및 네트워킹 구성 요소들(유선 또는 무선) 중 하나 또는 그 이상을 갖는 장치이다. 상기 장치는 예를 들어, 마이크로소프트 윈도우 호환 운영 체제(OS), 애플 OS X 또는 iOS, 리눅스 분포 또는 구글의 안드로이드 OS의 운영 체제를 실행한다. 일부 실시예에서, 상기 클라이언트 장치(101)는 상기 온라인 예약 시스템(111)과 상호 작용하는 인터페이스로서, 마이크로소프트 인터넷 익스플로러, 모질라 파이어폭스, 구글 크롬, 애플 사파리 및/또는 오페라 등의 웹 브라우저(113)를 사용할 수 있다. 다른 실시예에서, 상기 클라이언트 장치(101)는 상기 온라인 예약 시스템(111)에 액세스하기 위한 전용 애플리케이션을 실행할 수 있다.

상기 온라인 예약 시스템(111)은 사용자들(103)과 기본 인터페이스를 형성하는 웹 페이지 또는 다른 웹 콘텐츠를 제공하는 웹 서버(109)를 포함한다. 사용자들(103)은 하나 또는 그 이상의 웹 페이지들에 액세스하고, 상기 온라인 예약 시스템(111)에 데이터를 제공하기 위해 각자의 클라이언트 장치들(101)을 사용한다.

상기 온라인 예약 시스템(111)은 예를 들면 숙박시설 예약 시스템, 식당 예약 시스템, 합승 예약 시스템, 유통 시스템 등일 수 있다. 보다 일반적으로, 상기 온라인 예약 시스템(111)은 사용자에게 소비자가 사용할 수 있는 자원(예를 들어, 상품과 서비스)의 재고(inventory)에 대한 액세스를 제공한다. 현실 세계에서, 상기 자원의 물리적 위치는 소비자의 결정에 따라 자원을 소비(예를 들어, 구입, 임대 또는 기타 취득)하는 무형 요인으로 간주된다. 일반적으로, 일부 지역에서 사용 가능한 자원은 다른 위치에서 사용할 수 있는 다른 동일한 자원보다 더 가치가 있다. 자원은 숙박시설; 레스토랑; 차량; 관광 명소(예를 들어, 쇼, 이벤트, 관광지); 쇼핑 센터; 등을 포함할 수 있다. 예를 들어, 숙박시설을 제공하는 온라인 예약 시스템(111)에서 유명 인접 지역들의 숙박시설들은 어떤 인접 지역에 있는 다른 동일한 숙박시설에 비해 더 또는 덜 바람직할 수 있다. 주어진 인접 지역은 더 재미있고, 더 권위 있고, 더 안전하고 또는 소비자가 숙박시설을 선택할 때 중요한 것으로 간주하는 어떤 다른 특징이 고려될 수 있다,

일부 실시예에서, 상기 온라인 예약 시스템(111)은 사용자들(103) 사이의 거래들을 가능하게 한다. 예를 들어, 숙박시설 예약 시스템은 사용자들(103)이 상기 숙박시설 예약 시스템의 다른 사용자들에 의해 제공되는 숙박시설들을 예약할 수 있게 한다. 합승 예약 시스템은 사용자들(103)이 한 위치에서 다른 위치로 승차를 예약 할 수 있게 한다. 온라인 마켓 플레이스 시스템은 사용자들(103)이 다른 사용자들과 대면하여 상품이나 서비스를 구매 및/또는 판매를 할 수 있게 한다. 상기 온라인 예약 시스템(111)은 후술되는 추가 컴포넌트들 및 모듈들을 포함한다.

온라인 예약 시스템 개요

도 2는 일 실시예에 따른 위치 관련성 점수를 사용하여 상품 또는 서비스의 항목들의 순위를 정하는 온라인 예약 시스템의 블록도이다. 온라인 예약 시스템(111)은 데이터베이스(201), 항목 모듈(203), 검색 모듈(205), 예약 모듈(207), 평가 모듈(209), 및 순위 모듈(211)을 포함한다.

당업자는 상기 온라인 예약 시스템(111)이 그 기능(예를 들면, 소셜 네트워킹, 금융, 상거래 등)에 적합한 다른 모듈을 포함할 것으로 인식할 수 있으나 그들이 본 발명의 직접적인 내용은 아니므로, 여기서는 기재하지 않는다. 추가로, 방화벽, 인증 및 암호화 시스템, 네트워크 관리 도구, 부하 분산 장치와 같은 종래의 구성 요소들은 본 발명의 주요 내용이 아니므로 도시되지 않는다. 상기 온라인 예약 시스템(111)은 클라우드 기반 컴퓨터 구현들을 포함하는 단일 컴퓨터 또는 컴퓨터의 네트워크를 이용하여 구현될 수 있다. 컴퓨터는 바람직하게는 하나 이상의 고성능 컴퓨터 프로세서와 메인 메모리를 포함하고, 리눅스 또는 이의 변이체와 같은 운영 체제를 실행하는 서버급 컴퓨터이다. 본원에 기재된 바와 같은 시스템(111)의 동작들은, 하드웨어를 통해 또는 본 명세서에 기재된 기능들을 수행하도록 프로세서에 의해 비-일시적 컴퓨터 스토리지에 설치되어 실행되는 컴퓨터 프로그램을 통해 제어될 수 있다. 상기 데이터베이스(201)는 비-일시적 컴퓨터 판독 가능한 저장 장치들 및 데이터 액세스 및 검색에 적합한 데이터베이스 관리 시스템들을 사용하여 구현된다. 상기 데이터베이스(201)는 관계형 데이터베이스(예를 들어, MySQL)와 같은, 데이터베이스 관리 시스템에서 구현된다. 상기 온라인 예약 시스템(111)은 네트워크 인터페이스 및 프로토콜, 데이터 입력을 위한 입력 장치, 디스플레이, 프린팅, 또는 데이터의 다른 프리젠테이션을 위한 출력 장치를 포함하는 여기에 설명된 동작들에 필요한 기타 하드웨어 구성요소들을 포함한다. 아래에서 명백해질 바와 같이, 상기 온라인 예약 시스템(111)의 동작 및 기능은 컴퓨터 시스템에 구현을 요구할 만큼 충분히 복잡하고 인간의 정신에서 현실적인 문제로 수행될 수 없다.

상기 항목 모듈(203)은 다른 사용자에게 구매 또는 렌트한 상품 또는 서비스의 항목을 열거하기 위해 사용자 인터페이스 및 로직 처리를 제공하고, 그렇게 하기 위한 하나의 수단이다. 예를 들어, 상기 온라인 예약 시스템(111)이 숙박시설 예약 시스템이라면, 상기 항목 모듈(203)은 주택, 아파트, 콘도, 객실, 트리하우스(treehouses), 성, 텐트, 카우치 및 수면 공간과 같은 숙박시설을 나열하기에 적합한 사용자 인터페이스를 제공한다. 상기 온라인 예약 시스템(111)이 식당 예약 시스템이라면, 상기 항목 모듈(203)은 음식점, 유흥, 리조트 등의 가능한 예약을 나열하기 위한 사용자 인터페이스를 제공한다. 상기 온라인 예약 시스템(111)이 합승 예약 시스템이라면, 상기 항목 모듈(203)은 사용 가능한 승차들을 나열하기 위한 사용자 인터페이스를 제공한다.

상기 항목 모듈(203)은 제공되는 상품이나 서비스, 그 것의 이용 가능성, 가격, 위치의 시간 프레임 및 다른 관련 요인들을 설명하는 사용자로부터 항목을 수신하도록 구성된다. 예를 들어, 숙박시설 예약 시스템에서, 항목은 숙박시설의 유형(예를 들어, 집, 아파트, 방, 수면 공간, 기타), 숙박시설의 크기의 표현(예를 들어, 평방 피트, 또는 룸의 갯수), 상품 또는 서비스의 사용 가능한 날짜들, 및 대여료(예를 들어, 박, 주, 월 등)를 포함한다. 상기 항목 모듈(203)은 사용자가 사진과 다른 매체를 포함하는 상품 또는 서비스에 대한 추가 정보를 포함하도록 할 수 있다. 항목의 상기 위치 정보는 물리적 위치 또는 실제 영역의 특정한 참조를 제공하고, 국가, 주, 도시 및 상기 항목의 인접 지역, 지리 좌표, 우편 주소, 또는 다른 적절한 위치 지정 정보를 포함할 수 있다. 상기 항목 모듈(203)은 외부의 사용 가능한 지리적 지도 정보를 이용하여 일 유형의 위치 정보(예를 들어, 우편 주소)를 다른 유형의 위치 정보(예를 들어, 국가, 주, 도시, 인접 지역)로 변환할 수도 있다. 사용자 인터페이스 항목을 사용하여 생성된 항목은 상기 온라인 예약 시스템(111)에 의해 처리하고, 상기 데이터베이스(201)에 저장된다.

일부 온라인 예약 시스템들(111)에서, 일부 항목들은 일시적이고, 지정된 시간에만 예약이 가능하고, 및/또는 사용자 항목에서 삭제될 수 있다. 상기 항목 모듈(203)은 데이터베이스(201)에 이들 과거의, 예약 불가능한 항목들을 저장한다. 상기 온라인 예약 시스템들(111)은 항목들의 생성, 검색, 순위, 및 예약에서 사용자의 행동들을 분석하기 위해 이러한 과거의 항목들을 사용한다. 과거의 항목들은 암호화하거나 그렇지 않으면 항목 시스템의 운영자가 아닌 다른 사람이 사용할 수 없도록 보호될 수 있다.

상기 예약 모듈(207)은 다른 사용자들에 의해 생성된 항목들을 열람하고 예약할 수 있도록 사용자들에게 사용자 인터페이스 및 로직 처리를 제공한다. 상기 예약 모듈(207)은 예약 사용자들로부터 지불 정보를 수신하고, 항목 사용자들에게 결제를 안전하게 송신한다. 처리된 구입의 일부로서 전송된 모든 사용자 정보는 사용자의 개인 정보 보호를 위해 암호화된다. 예약이 완료되면, 상기 예약은 암호화되고, 데이터베이스(201)에 과거의 예약 정보로서 저장된다.

상기 리뷰 모듈(209)은 항목에 대한 평가, 피드백, 및 다른 의견을 제공하는 다른 사용자들에 의해 제공되는 항목들의 리뷰를 수신하기 위한 사용자 인터페이스 및 로직 처리를 제공하고, 그렇게 하기 위한 하나의 수단이다. 완성된 리뷰는 항목의 예약에 관심이 있는 미래의 사용자들이 항목을 평가하는 것을 상기하도록 항목들과 함께 표시되거나 항목들 내에 포함될 수 있다. 상기 항목을 더 이상 사용할 수 없게 된 후에, 과거의 항목들과 마찬가지로, 과거 항목들의 리뷰를 데이터베이스(201)에 계속 저장할 수 있다.

상기 검색 모듈(205)은 검색 쿼리에 응답하여 항목들의 데이터베이스를 검색하기 위한 사용자 인터페이스 및 로직 처리를 제공하고, 그렇게 하기 위한 하나의 수단이다. 상기 검색 모듈(205)의 사용자 인터페이스는 유형, 위치, 가격 등의 원하는 상품이나 서비스의 여러가지 속성들을 지정하는 검색 쿼리를 수신하도록 구성된다. 상기 검색 모듈은, 클라이언트 장치의 사용자가 편리한 방법으로 상기 항목들에 액세스할 수 있도록, 상기 검색 쿼리의 속성들을 상기 데이터베이스(201) 내의 항목들과 일치시키고, 상기 순위 모듈(211)을 이용하여 상기 항목들의 순위를 정하고, 클라이언트 장치로 순위가 매겨진 항목들 세트를 제공한다. 상기 검색 모듈(205)의 사용자 인터페이스는 순위 순서에 따라 순위가 매겨진 항목들 세트를 표시할 수 있다.

구현에 따라, 검색 쿼리를 수신하기 위한 상기 사용자 인터페이스는 검색 쿼리로 입력하는 단일의 텍스트 문자열만큼만 허용하여 간략히 할 수도 있고, 검색 쿼리로 입력하는 소정의 및/또는 동적 입력 옵션들의 여러 종류를 허용할 수도 있다. 상기 사용자 인터페이스는 상기 검색 쿼리에 포함하는 위치의 지정을 제공한다. 상기 위치는 사용자가 검색을 수행하는데 사용하는 상기 클라이언트 장치(101A)의 현재 위치가 자동으로 입력될 수 있다. 대안으로, 사용자가 수동으로 상기 검색 쿼리에 위치를 입력 할 수 있다. 상기 위치는 국가, 주(또는 지방, 지역, 영역, 영토, 부서, 군, 구역, 또는 현 등 이에 상당하는 지역), 도시, 인접 지역의 사양 또는 지리적 좌표(예를 들어, 경도, 위도 등), 주소 및 우편 번호와 같은 다른 지정을 포함할 수 있다.

상기 순위 모듈(211)은 상기 검색 쿼리의 적어도 일부와 일치하는 항목들의 순위를 평가하기 위하여 로직 처리를 제공하고, 그렇게 하기 위한 하나의 수단이다. 상기 순위 모듈(211)은 상기 검색 모듈(205)로부터의 상기 검색 쿼리에 응답하여 항목들 세트를 수신하고, 항목들의 순위를 정하고, 디스플레이 하기 위해 상기 검색 모듈(205)에 순위가 매겨진 항목들 세트를 다시 제공한다. 상기 순위 모듈(211)은 점수에 따라 수신된 항목들의 순위를 정한다. 상기 점수는, 상기 온라인 예약 시스템(111)의 상이한 구현들 사이에서 변화할 수 있는 다른 요인요인들의 수에 기초할 수 있다. 예를 들어, 숙박시설 예약 시스템에서 사용되는 상기 요인들은 예를 들어, 합승 시스템에서 사용되는 요인들과 다를 수 있다. 사용된 특정 스코어링 함수는 상기 전체 시스템(111)의 특성에 의존하고, 이에 따라 따라서 달라진다. 적절한 스코어링 함수는 성분 계수들(예를 들어, 선형 조합)들의 조합으로부터 구성될 수 있는 스코어링 함수이고, 나아가 각 성분 계수는 개별적으로 정규화 및/또는 표준화 될 수 있다. 상기 순위에서 하나의 요인은 순위가 정해진 항목의 실제 위치와 수신한 검색 쿼리에 지정된 실제 위치에 기초하는 위치 관련성 점수이다. 상기 위치 관련성 점수의 결정은 아래에서 더 설명되는 위치 관련 모듈(213)에 의해 수행된다. 다른 가능한 요인들은, 예를 들어, 항목의 가격, 다른 사용자들에 의해 제공된 항목의 리뷰의 개수와 품질, 항목에서 사진들 품질, 이전 예약들의 성공 및 실패 수, 응답 속도, 검색 사용자 행동 신호(검색으로부터 보기 항목 또는 예약 보기 항목까지의 클릭단계 등), 항목이 소셜 네트워킹 시스템 소셜 그래프를 통해 탐색기에 연결되어 있는지 여부를 포함한다.

상기 순위 모듈 (211)은 항목들의 순위를 평가하기 위해 상기 저장된 과거의 검색, 예약 및 항목 정보를 사용한다. 이 작업을 용이하게 하기 위해, 상기 검색 모듈(205)과 상기 예약 모듈(207)은 데이터베이스(201)에 검색, 항목 브라우징 및 예약 정보를 저장한다. 이러한 과거 정보는 사용자 마다, 웹 브라우징 세션 단위 마다 저장되어, 상기 온라인 예약 시스템(111)에서 사용자의 상호작용들은, 입력되는 검색 쿼리들, 보여진 항목들 및 작성된 예약들을 포함하여 함께 저장된다. 검색 쿼리들과 후속하는 예약들을 함께 저장하는 것은 특히 상기 온라인 예약 시스템(111)에서 많은 다른 사용자들에 걸쳐 유용한 통계를 집계할 수 있다. 저장된 과거의 예약들 및 과거의 검색 쿼리들을 기초로 하는 예로, 상기 온라인 예약 시스템(111)은 검색 쿼리를 입력한 사용자에 의해 어떤 예약이 이루어졌는지, 주어진 검색 쿼리(또는 그것의 일부)에 대한 결정할 수 있다. 마찬가지로, 상기 온라인 예약 시스템은 주어진 예약을 위해 사용자들에 의해 무슨 검색 쿼리들이 만들어지는지 반대로 결정할 수도 있다.

항목들의 순위를 정하기 위해 과거의 검색, 예약 및 항목 정보를 사용함에 있어, 상기 순위 모듈(211)은 어떤 과거의 기간을 사용할 수 있다. 예를 들어, 상기 순위 모듈(211)은 지난 달, 지난 3 개월간, 지난 6 개월간, 지난 해, 모든 시간 또는 어떤 기간 사이에 발생한 항목들, 예약들 및 검색들을 사용할 수 있다. 대안으로, 상기 순위 모듈(211)은 특정 기간들(예를 들어, 겨울 같은 특정 시즌 동안 발생, 또는 추수 감사절 주말에 발생 등)의 항목들, 예약들 및 검색들을 사용할 수 있다.

여기서 논의되는 시스템들은 사용자들에 대한 개인 정보를 수집하거나, 개인 정보를 이용할 수도 있는 상황에서, 상기 사용자들은 프로그램이나 특성이 사용자 정보(예를 들어, 과거의 항목들, 과거의 검색 쿼리들 및 과거의 예약들을 유지할지 말지)를 수집 또는 저장할지, 사용자에게 더 관련이 있을 수 있는 상기 온라인 예약 시스템(111)으로부터 컨텐츠를 수신할지 및/또는 어떻게 수신할지에 대해 제어할 수 있는 기회를 제공받을 수 있다. 또한, 어떤 데이터는 저장 또는 사용하기 전에 하나 또는 그 이상의 방법으로 처리될 수 있고, 이에 따라 개인 식별 정보를 제거할 수 있다. 예를 들어, 되도록 개인 식별 정보는 상기 사용자에 대해 판별할 수 있도록 사용자의 ID가 처리될 수 있거나, 사용자의 위치 정보는 위치 정보가 획득(예를 들면, 어드레스, 도시 또는 인접 지역)되는 경우 일반화 되어, 사용자의 특정 위치를 결정할 수 없다. 따라서, 사용자는 사용자에 대해 정보가 수집되는 방식 및 상기 온라인 예약 시스템(111)에 의해 사용되는 방식을 제어 할 수 있다.

위치 관련성

상기 위치 관련 모듈(213)은 상기 순위 모듈(211)에 의해 순위가 정해진 다수 항목들의 각각에 대해 위치 관련성 점수를 계산한다. 주어진 항목(i)의 상기 위치 관련성 점수는 도시 관련성 부분 점수(R_{C i} ), 인접 관련성 부분 점수(R_{N i} ) 및 거리 관련성 부분 점수(D _i ) 중 적어도 하나에 기초하여 결정된다. 상기 위치 관련성 점수(R _i )의 결정을 위한 예시적인 공식은 상기 위치 관련성 점수(R _i )에 기여할 수 있는 부분 점수들 및 R_{C i} , R_{N i} , D _i 의 결정은 별도의 설명으로 아래에 기술된다.

이러한 각 부분 점수들을 결정하기 위해, 상기 위치 관련 모듈(213)은 검색 쿼리로부터 위치 정보를 지오코딩(geocoding)한다. 지오코딩은 상기 위치 정보와 관련된 지리 좌표를 식별하는 프로세스이다. 지오코딩은 상기 위치 정보로부터 쿼리 국가(Q_I*), 쿼리 도시(Q_{C *}) 및 어떤 경우에는 쿼리 주(Q_{S *})(또는, 이에 상당하는 지역)를 생성한다. 여기서, 별표(*)는 상기 위치 관련 모듈(213)이 상기 위치 관련성 점수(R _i )의 값을 결정하는 중인 현재의 검색 쿼리를 나타낸다. 이는 도시(R_{C i} ) 및 인접 관련성 부분 점수(R_{N i} )를 결정하는데 사용되는 데이터베이스(201)에 저장된 과거의 검색 쿼리들과 예약들의 쿼리 국가(Q_I), 쿼리 주(Q_S) 및 쿼리 도시(Q_C)에 비교하여 구별된다.

도시 관련성

도시 관련성 부분 점수(R_{C i} )는 쿼리 도시(Q_{C *}), 쿼리 국가(Q_{I *}), 및 (경우에 따라) 쿼리 주(Q_{S *})를 포함하는 검색 쿼리를 입력하는 사용자에게 도시(C _i )의 관련성을 나타낸다. 사용자가 쿼리 도시(Qc*)를 입력한 경우 분명 보일 수도 있지만, 반드시 특별히 그 쿼리 도시에 관심이 있어야 한다는 것은 아니다. 종종 사용자들은 대도시들의 이름만을 알고 있고, 큰 도시들의 근처에 위치한 작은 도시 도시들을 알지 못한다. 예를 들어, 상기 쿼리 도시(Qc*)가 "산타크루즈"인 경우, 사용자는 산타크루즈에 있는 항목들을 찾으려는 것이 필연적인 것은 아니다. 예를 들어, 사용자는 "산타크루즈"만을 알고 있을 뿐, 유명한 리조트 타운인 앱토스(Aptos) 및 캐피톨라(Capitola)와 같은, 다른 근처의 도시들을 알지 못할 수 있다. 이는 매우 일반적인 문제이며, 사용자들은 사실상 흔히 방문하는, 보통 맨하튼, 로스앤젤레스, 샌프란시스코 등과 같은 대도시들의 이름만을 알고 있으므로, 근처의 타운 및 도시들의 이름을 알지 못한다. 이러한 도시 관련성 부분 점수는, 특정 검색 쿼리들에 의해 사용자들이 실제 예약한 도시들에 대한 과거의 정보를 이용하여 근처 도시에 대한 사용자의 정보 부족을 조절한다. 매우 넓은 의미에서, 도시 B를 검색할 때 사용자들이 주어진 도시 A를 더 자주 예약할수록 도시 A는 도시 B의 검색 쿼리와 더욱 관련 있게 된다. 도시 관련성 부분 점수(R_{C i} )는 이러한 관련 관계를 정확하게 정량화한다.

상기 위치 관련 모듈(213)은 하나 또는 그 이상의 도시들(_*)에 대한 도시 관련성 부분 점수(R_{C i} )를 결정한다. 도시 항목(C _i )에서 주어진 항목(i)을 위해, 상기 모듈(213)은 도시(C _i )에 대한 상기 도시 관련성 부분 점수(R_{C i} )를 항목(i)에 어싸인한다. 상기 도시 관련성 부분 점수(R_{C i} )를 결정하기 위해, 상기 위치 관련 모듈(213)은 쿼리 도시(Q_{C *})를 고유하게 식별하기 위해, 동일한 이름을 공유하는 세계의 다른 도시들과 구별하도록 쿼리 국가(Q_{I *}), 및 (해당하는 경우) 쿼리 주(Q_{S *})를 사용한다. 예를 들어, 스프링필드 미주리와 일리노이의 스프링필드는 스프링필드라는 동일한 도시 이름을 공유하지만 다른 지역에 위치한다. 지오코딩된 쿼리 국가(Q_{I *}) 및 어떤 경우에는 쿼리 주(Q_{S *})의 사용은 쿼리 도시(Q_{C *})의 고유 식별을 가능하게 한다.

상기 위치 관련 모듈(213)은 상기 쿼리 도시(Qc*)로부터 임계 거리 내(예를 들어, 몇 키로미터 내)에서 사용할 수 있는 항목들(L) 세트를 식별한다. 이는 상기 쿼리 도시(Qc*) 내 항목들을 포함하고, 또한 이웃 주와 국가에 있을 수 인근 다른 도시들의 항목들을 포함할 수 있다. 이것은 현재 이용 가능한 항목들만을 포함할 수 있고, 또한 더 이상 사용할 수 없는 과거의 항목들을 포함 할 수도 있다. 이하의 설명에서, 문맥으로부터 명백한 바와 같이, L은 이 세트 내에 항목들의 총 수를 지칭한다. 항목들(L)은 데이터베이스(201)로부터 얻을 수 있다.

상기 위치 관련 모듈(213)은 항목들(L) 세트를 서브 세트들로 세분화한다. 각 도시에 대한 하나의 항목 서브 세트(L_C)는 상기 세트(L)에 나열된다. 다음 설명에서, 문맥으로부터 명백한 바와 같이, L_C는 각 도시에서 항목들의 총 수를 지칭할 수 있다. 상기 쿼리 도시(Qc*)에 대한 항목들의 서비 세트는 L_C*이다. 각 도시(L_C) 및 세트(L)에서 항목들의 총 수는 상기 도시 관련성 부분 점수(R_{C i} )가 대도시나 소도시로 갈수록 과도하게 왜곡되는 것을 피하기 위해, 상기 도시 관련성 부분 점수를 정규화(normalizing)하는데 유용하다.

상기 위치 관련 모듈(213)은 동일한 Q_I, Q_S, 및 Q_C 를 공유하는 데이터베이스(201)로부터 과거의 검색 쿼리들을 식별하기 위해 쿼리 국가(Q_{I *}), 쿼리 주(Q_{S *}) 및 쿼리 도시(Q_C*)를 더 사용한다. 상기 과거의 검색 쿼리들의 상당수는, 동일한 웹 브라우징 세션 동안, 사용자에 의해 검색 쿼리가 입력된 것에 후속으로 발생하는 과거의 예약들의 결과를 야기하게 된다. 그러나, 상기와 같이 반드시 그 이전에 사용자들이 과거의 검색 쿼리들의 쿼리 도시들(Qc)과 같은 도시에서 항목들을 예약하는 것으로 종료하는 것은 아니다. 예를 들어, 자신의 쿼리 도시로 "산타크루즈"를 검색하는 많은 사용자들이 근처의 앱토스에 예약을 끝낼 수 있다.

데이터베이스(201)에 과거의 예약을 사용하여, 상기 모듈(213)이 사용자가 쿼리 도시(Qc*), 쿼리 국가(Q_{I *}), 및 쿼리 주(Q_{S *})(해당되는 경우)를 이용한 검색 후에 항목의 예약을 완료한 경우, 각 도시 항목(C _i )에서 예약들(B_Q(C _i ))의 총 수를 식별한다. 이러한 도시들의 예약들은 주어진 쿼리 도시(Qc*), 쿼리 국가(Q_{I *}), 및 쿼리 주(Q_S*)(역시 해당되는 경우)에서 과거의 예약들(B_QT)의 총 수를 결정하기 위해 역시 집계된다. 예를 들어, "산타크루즈”의 검색은 산타크루즈, 앱토스, 캐피톨라 및 소퀄(Soquel)에서의 예약을 포함할 수 있다.

상기 위치 관련 모듈(213)은 추가 수량을 유도하기 위해 상기 식별된 수량을 사용한다. 상기 모듈(213)은 사용자가 쿼리 도시(Qc*), 쿼리 국가(Q_{I *}), 및 쿼리 주(Q_S*)(해당되는 경우)를 포함하는 검색 쿼리를 입력할 때 주어진 항목(i)의 도시(C _i )에 항목을 예약할 확률(P(B_Q(C _i ) | B_QT))을 식별한다. 이러한 수량은 사용자들이 도시 B를 검색한 후에 도시 A를 예약하는 것이 일반적으로 발생할 수 있으므로, 과거에 측정된 행동을 반영한다. 이러한 확률은 백분율/비(B_Q(C _i ) | B_QT)와 같이 계산될 수도 있다. 이러한 양은 상기 쿼리 도시(Q_C*)가 도시 항목(C _i )에 일치하는 것으로 대부분의 항목들에서 높게 예측된다. 그러나, 이는 또한 상기 쿼리 도시(Q_C*)와 일치하지 않는 다른 많은 도시 항목(C _i )에 대해 0이 아닌(non-zero) 것으로도 예측된다.

상기 위치 관련 모듈(213)은 역시 사용자가 도시(C _i )에서 발생하는 과거의 예약들(B(C _i ))의 총 수와 비례하여, 항목(i)의 도시(C _i )에 예약할 확률(P(B_Q(C _i ) | B_QT))을 식별한다. 이러한 확률은 역시 백분율/비(B_Q(C _i ) | B_QT)와 같이 계산 될 수 있다. 유사하게, 이러한 양은 상기 쿼리 도시(Q_C*)가 도시 항목(C _i )에 일치하는 것이 대부분의 항목들에서 높게 예측되나, 이는 또한 상기 쿼리 도시(Q_C*)와 일치하지 않는 다른 많은 도시 항목(C _i )에 대해 0이 아닌(non-zero) 것으로도 예측된다.

도시 관련성 부분 점수(R_Ci)를 결정하기 위해, 제2 확률(P(Bq(C _i )|B(C _i )))이 상기 이전 단락의 제1 확률(P(B_Q(C _i ) | B_QT)과의 균형을 위해 사용될 수 있다. 예를 들어, 상기 제1 확률(P(B_Q(C _i ) | B_QT)은 사람들이 한 도시(예를 들어, 산타크루즈, 뉴욕)를 검색하지만, 다른 도시(앱토즈, 뉴어크)를 예약할 확률을 정량화한다. 도시들(예를 들어, 앱토즈는 뉴어크보다 작고 사용자에게 덜 알려짐)의 차이점에도 불구하고, 이러한 확률은 어떤 경우에는, 앱토즈와 뉴어크 모두 비교될 수 있다. 상기 제2 확률(P(Bq(C _i )|B(C _i )))은 그러나, 도시들의 이러한 유형을 구분할 수 있다. 예를 들어, 앱토즈는 산타크루즈 주변의 몇 개 작은 위성 도시들 중 하나이므로, 상기 제2 확률(P(Bq(C _i )|B(C _i )))은 산타크루즈를 검색한 앱토스 예약 자들의 의미있는 숫자를 나타낸다. 좀 더 구체적으로, 이는 앱토즈 예약을 위해 산타크루즈에 대한 의존성을 나타낸다. 반대로, 상기 제2 확률(P(Bq(C _i )|B(C _i )))은 뉴욕을 검색(상기 제 1 확률(P(B_Q(C _i ) | B_QT))에 주어진 바와 같이)하긴 하였으나 뉴어크를 예약하는 사람들을 나타낼 수 있다. 즉, 뉴욕(상기 제2 확률(P(Bq(C _i )|B(C _i ))에 주어진 바와 같이)의 검색으로 시작해 뉴어크를 예약하는 비교적 적지 않은 사람들의 예약의 총 수를 나타낼 수 있다. 서로 다른 두 도시 사이의 최초의 확률은(여기에, 앱토스와 뉴어크) 비교할 수 있지만 두 번째 확률은 가능하지 않다. 따라서, 상기 도시 관련성 부분 점수(R_Ci)에 모든 확률을 통합하여 사용자의 지식, 검색 및 동작을 예약의 더 정확한 평가를 제공한다.

상기 위치 관련 모듈(213)은 P(B_Q(C _i ) | B_QT)), P(Bq(C _i )|B(C _i )), L_{C i} , 및 L_{C i} / L 중 적어도 하나를 이용하여 도시(C _i )에 있는 주어진 항목(i)에 대한 상기 도시 관련성 부분 점수(R_Ci)를 결정한다. 하나의 일반적인 실시 예에서, 상기 쿼리 도시(Q_C*)가 항목의 도시(C _i )와 동일한 경우(Qc* = C _i , L_{C i} = L_C*), 상기 도시 관련성 부분 점수(R_Ci)는 P(B_Q(C _i ) | B_QT)) 및 L_{C i} 에 기초하고, 반면 상기 쿼리 도시(Q_C*)가 항목의 도시(C _i )와 동일하지 않은 경우(Qc* ≠ C _i , L_{C i} ≠ L_C*), 상기 도시 관련성 부분 점수는 상기 4가지 값들 모두에 기초한다.

하나의 특정 실시예에서, 상기 도시 관련성 부분 점수(R_{C i} )는 아래식에 따라 결정된다:

여기서, N _i 는 아래와 같이 주어지고,

여기서, f는 1(예를 들어, f = 2, 1/f는 제곱근 연산) 보다 큰 절대값이고, M은

로 정규화된 점수이고, W_i는 아래와 같이 주어진 추가 가중 계수다.

일반적으로, 상술한 실시예들은 상기 쿼리 도시(Q_{C *})가 상기 항목의 도시(C _i )와 일치하는지 여부에 따라 달라지는 상이한 값들(R_{C i} )을 반환한다. 그들이 일치하는 경우, 상기 항목은 R_{C i} 가 N _i 의 값을 가질 것이다. 그들이 일치하지 않는 경우, 추가 가중 계수는 R_{C i} 값이 N _i 로부터 변경된 결과가 도출된다.

일반적으로, 이 추가 가중 계수( W )는 다른 상황들에서 서로 다른 영향을 미칠 것이다. 상기 가중 계수는 일반적으로 쿼리 도시를 사용하는 검색에 후속하여(예를 들어, 동일 브라우징 세션 동안) 자주 예약되는 항목들에서, 다른 더 크고, 더 잘 알려진 도시들에 비해 작은 도시들에 대해 더 크다. 위에 소개된 예를 이용하여, 사용자가 산타크루즈를 검색한 후에 자주 예약된 것으로 간주되는 항목들에 앱토즈가 포함되는 경우, 앱토즈 항목들에 대한 상기 가중 계수는 상대적으로 높아지고, 궁극적으로 R_{C i} 를 높게 하고, 그렇게 함으로써 다른 곳보다 산타크루즈의 검색 결과에서 앱토즈 항목들이 더 높은 순위에 오르게 된다.

한편, 상기 가중 계수는 일반적으로, 다른 쿼리 도시를 사용하는 검색 쿼리에 후속하여 자주 예약되지 않는 더 넓은 도시들에 대해 더 작아진다. 예를 들어, 사용자들이 뉴욕을 검색한다면, 그들이 단지 허드슨 강을 건너면 있는 뉴저지에 있는 도시들을 예약하는 것은 잦지 않으므로, 뉴저지 항목들에 대한 가중 계수는 상대적으로 낮아지고, 이는 R_{C i} 를 낮게 하고, 이에 따라 뉴저지 항목들은 뉴욕의 항목들과 비교하여 높은 순위에 오르지 않게 된다.

인접 관련성

사용자들은 종종 예약하고자 하는 장소의 유형(예를 들어, 일반적인 장소)의 단지 하나의 예약된 장소가 있는 예약 항목들을 찾습니다. 예를 들어, 도시의 흥미로운 부분에 위치한 레스토랑은 고속도로에서 멀리 떨어져 격리된 레스토랑보다 더 바람직할 수 있다. 상기 인접 관련성 부분 점수(R_{N i} )는 사용자와 하나의 항목 사이의 거리가 불충분 한 경우, 그렇지 않은 유사한 항목들을 구별하는 무형의 가치를 정량화하는 방법 중 하나이다. 상기 인접 관련성 부분 점수(R_{N i} )는 사용자들이 실제로 예약한 인접 지역들에 대한 과거의 정보 및/또는 인접 지역 항목들이 위치했던/위치한 과거의 정보를 이용하여 이러한 무형의 가치를 정량화한다. 매우 넓은 의미에서, 사용자들이 다른 인접 지역들에 비해 주어진 인접 지역을 더 자주 예약하는 경우, 해당 인접 지역에 대한 상기 인접 관련성 부분 점수(R_{N i} )는 더 높아진다. 더욱이, 주어진 인접 지역에서 항목들의 수는, 다른 인접 지역들에서 항목들의 수를 카운트하거나 다른 인접 지역 항목들의 수에 비하여, 인접 지역들을 향해 또는 인접 지역들에 상반되게 더 크거나 작게 편향되는 것을 피하기 위해 인접 지역에 대한 상기 인접 관련성 부분 점수(R_{N i} )를 정규화하는 요인으로 사용될 수 있다.

상기 위치 관련 모듈(213)은 쿼리 도시(Q_{C *})를 하나 또는 그 이상의 이웃의 인접 지역들에 대한 인접 관련성 부분 점수(R_{N i} )를 결정한다. 인접 지역 항목(N _i )에 주어진 항목(i)에 대해, 상기 모듈(213)은 인접 지역(N _i )에 대한 상기 인접 관련성 부분 점수(R_{N i} )를 항목(i)에 할당한다.

상기 인접 관련성 부분 점수(R_{N i} )를 결정하기 위해, 상기 위치 관련 모듈(213)은 항목(i)에 포함된 도시(L_C*)에서 작성 가능한 항목들 세트를 식별하기 위해 쿼리 국가(Q_I*), 쿼리 주(Q_{S *}) 및 쿼리 도시(Q_{C *})를 사용한다. 이는 현재 작성 가능한 항목들뿐 아니라, 더 이상 작성이 불가능한 과거의 항목들을 포함한다. 이하의 설명에서, 문맥으로부터 명백한 바와 같이, L_C는 역시 이 세트에서 항목의 총 수를 지칭한다. 상기 항목들(L_C)은 데이터베이스(201)로부터 획득한다. 상기 위치 관련 모듈(213)은 상기 항목들(L_C)의 세트를 서브세트들로 세분하고, 여기서 쿼리 도시(Q_{C *})의 각 인접 지역에 대한 항목들(L_N)은 하나의 서브세트를 구성한다. 이하의 설명에서, 문맥으로부터 명백한 바와 같이, L_N은 각 인접 지역의 항목들의 총 수를 지칭한다. 상기 위치 관련 모듈(213)은 각 항목이 위치하는 인접 지역을 식별하기 위해 데이터베이스(201)의 항목들에 액세스하여 인접 지역에서 항목들(L_N)의 총 수를 결정한다. 이 정보는 항목 사용자에 의해 제공되어 있을 수 있다. 대안적으로, 인접 지역 정보는 외부 소스에 의해 액세스되거나 제공될 수 있다. 예를 들어, 외부에 생성된 데이터베이스는 위치와 인접 지역 사이의 상관 관계를 제공할 수 있다.

상기 위치 관련 모듈(213)은 인접 지역(N _i ) 내 항목들(L_N)의 수, 상기 도시(C _i ) 내에 예약들(B_C)의 총 수 대비 인접 지역(N _i ) 내 항목(B_N)을 예약할 확률(P(B_N (N _i )| B_C)) 및 상기 도시(C _i ) 내에 항목들(L_C)의 총 수 대비 상기 인접 지역(N _i )(L_N(N _i )에 의해 주어진) 내 항목(i)에 해당할 확률(P(L_N(N _i ) | L_C(C _i ))) 중 적어도 하나에 기초하여 상기 인접 관련성 부분 점수(R_{N i} )를 결정한다.

상기 위치 관련 모듈(213)은 데이터베이스(201)로부터 과거의 예약들에 액세스하여 확률(P(B_N(N _i ) | B_C(C _i )))을 결정한다. 상기 모듈(213)은 포함되는 모든 인접 지역들에 걸쳐 상기 도시(B_C) 내의 항목들의 과거 예약들의 총 수뿐만 아니라, 도시 내의 각 인접 지역과 분리된 각 인접 지역(B_N) 내의 항목들의 과거 예약들의 총 수도 확인한다. 상기 확률(P(B_N(N _i ) | B_C))은 마찬가지로 백분율/비(B_N(N _i )/B_C(C _i ))와 같이 계산될 수 있다.

상기 위치 관련 모듈(213)은 데이터베이스(201)로부터 현재 예약 가능한 및/또는 과거의 항목들에 액세스하여 확률(P(B_N(N _i ) | B_C(C _i )))을 결정한다. 상기 모듈(213)은 포함되는 모든 인접 지역들에 걸쳐 상기 도시(L_C) 내의 항목들의 총 수뿐만 아니라, 도시 내의 각 인접 지역(L_N) 내의 항목들의 총 수도 확인한다. 상기 확률(P(L_N(N _i ) | L_C(C _i )))은 마찬가지로 백분율/비(L_N(N _i ) / L_C(C _i ))와 같이 계산될 수 있다.

일 실시예에서, 상기 위치 관련 모듈(213)은 상기 인접 관련성 부분 점수(R_{N i} )를 아래의 식에 따라 결정한다.

일반적으로, 이 인접 관련성 부분 점수(R_{N i} )의 계산은, 동일한 도시에 다른 인접 지역보다 더 자주 예약되는 인접 지역에 위치한 항목들과 더 자주 관련성을 갖는 항목들이 더 높은 값을 가지는 결과가 될 것이다. 다른 지역들에 비해 주어진 인접 지역의 항목과 예약의 빈도가 증가하는 것은 소비자들에게 그 인접 지역의 무형 가치가 더 높은 수준이라는 것을 시사한다.

거리 관련성

일반적으로, 상기 거리 관련성 부분 점수(D_i)는 거리의 비선형 함수를 이용하여 더 먼 곳의 순위가 낮게 되도록, 상기 검색 쿼리의 위치와 항목의 위치 사이의 거리를 정량화한다. 비선형 함수를 사용하는 이유는, 먼 거리가 사용자에게 불편함과 비용을 증가시킨다는 간단한 선형을 도입하기 때문이다. 다시 말해, 원하는 위치로부터 10마일 떨어진다면 5마일보다 간단히 2배의 불편함이 있다. 일 실시예에서, 이러한 상기 거리(d)는 지리적 범위 또는 인구 밀도에 의해 결정되는 것으로, 쿼리 도시 또는 인접 지역의 중심으로부터 결정된다. 다른 실시예로서, 외부 데이터 소스가 거리(d)로 결정된 지리적 위치를 제공할 수 있다. 다른 실시예로서, 상기 거리(d)는 상기 항목(i)과 사용자의 현재 위치, 예를 들어 클라이언트 장치(101)(예를 들어, 스마트 폰)에 의해 제공되는, 사이의 거리를 기초로 측정된다.

상기 거리 관련성 부분 점수(D_i)는 S자형(sigmoidal), 지수형, 계단형, 구분적(piecewise) 선형, 또는 그밖에 다른 형태의 함수일 수 있다. 일 실시예로서, D _i 는 아래와 같이 결정된다.

여기서, d는 쿼리에 지정된 위치와의 거리이고, b, c 및 d는 변경 가능한 상수이다.

위치 관련 예

일 실시예에서, 상기 위치 관련 모듈(213)은 항목(i)에 대한 상기 위치 관련성 점수(R _i )를 아래와 같이 결정한다.

여기서, 도시 관련성 부분 점수(R_{C i} ), 인접 관련성 부분 점수(R_{N i} ) 및 거리 관련성 부분 점수(D _i )는 상기 기재된 바와 같이 결정된다. 대안적인 실시예로서, 여기서 언급되지 않은 데이터의 다른 형태들은 위치 관련성 점수(R _i )를 결정하는데 추가로 사용되거나 여기에 기술된 부분 점수들을 대체할 수 있다.

이 함수에 따르는 상기 위치 관련성 점수(R _i )의 결정은 상기 위치 관련성 점수(R _i )가 상기 검색 쿼리 및 상기 온라인 예약 시스템(111)에서 사용 가능한 데이터에 따라 변화하게 할 수 있다. 상기 검색 쿼리에 의존하여, 과거 항목, 예약 및/또는 상기 검색 쿼리에 의해 지정된 국가, 주, 도시 및/또는 인접지역에 대한 쿼리 정보는 상기 위치 관련 모듈(213)에서 사용 불가능할 수 있다. 상기 R _i 의 공식화는 정보의 다양한 등급들에 적응한 R _i 의 계산을 허용할 수 있다.

사용 가능한 도시 또는 인접 지역 데이터가 없는 경우, 상기 위치 관련성 점수(R _i )는 상기 거리 관련성 부분 점수(D _i )를 사용하여 결정된다. 이러한 상황의 이유는, 상기 쿼리한 도시, 주 및/또는 도시의 사용 가능한 도시 또는 인접 지역 데이터가 없는 경우, 거리는 상기 위치 관련성 점수(R _i )를 결정하기 위해 사용 가능한 유일한 데이터 유형이 되기 때문이다.

도시 데이터가 사용 가능하나 인접 지역 데이터를 사용할 수 없고, 상기 쿼리 도시(Q_{C *})가 도시 항목(C _i )과 일치하지 않는 경우, 상기 위치 관련성 점수(R _i )는 상기 거리 관련성 부분 점수(D _i )가 아닌, 상기 도시 관련성 부분 점수(R_{C i} )를 사용하여 결정된다. 이러한 상황의 이유는, 항목이 상기 쿼리 도시(Q_{C *}) 외부(즉, 동일하지 않은)에 있는 경우, 상기 도시 관련성 부분 점수(R_{C i} )는 거리 관련성 부분 점수보다 사용자의 상기 항목 예약의 확률이 더욱 정확한 표현을 제공하기 때문이다. 이러한 상황은, 상기 쿼리 도시(Q_{C *})로부터의 거리에 따라 상기 순위 모듈(211)에 의해 순위가 높게 정해지지 않은 항목들이 낮은 순위에 랭크 되도록 하지 않도록 하는데 도움이 된다.

도시 데이터가 사용 가능하나 인접 지역 데이터를 사용할 수 없고, 상기 쿼리 도시(Q_{C *})가 도시 항목(C _i )과 일치하는 경우, 상기 위치 관련성 점수(R _i )는 상기 도시 관련성 부분 점수(R_{C i} ) 및 상기 거리 관련성 부분 점수(D _i )를 사용하여 결정된다. 이러한 상황의 이유는, 상기 항목이 상기 쿼리 도시 내에 있는 경우, 다른 도시들에 위치한 항목들 대비 상기 쿼리 도시의 위치와 상기 항목의 위치 사이의 거리가 줄어들수록 다른 도시들에 위치한 항목들 대비 사용자의 이 항목 예약 가능성이 증가하는 결과가 된다고 추정할 수 있다는 것이다. 상기 위치 관련성 점수(R _i )의 이 공식화 디자인에 의해, 순위가 정해진 항목들 세트에 나타난 상기 쿼리 도시의 외부로부터 항상 제외되지 않을 것이며, 단지 상기 쿼리 도시에 위치한 항목들을 지원할 것이다.

도시 데이터와 인접 지역 데이터를 사용 가능하고, 상기 쿼리 도시(Q_{C *})가 상기 도시 항목(C _i )과 일치하는 경우, 상기 위치 관련성 점수(R _i )는 상기 도시 관련성 부분 점수(R_{C i} ) 및 상기 인접 관련성 부분 점수(R_{N i} )를 이용하여 결정된다. 이러한 상황의 이유는, 상기 인접 지역 정보가 거리 데이터보다 특정 항목이 예약될지 여부에 대해 좀 더 정확한 평가를 제공할 수 있다고 추정할 수 있다는 것이다. 이를 위해, 관련 점수의 이 공식화는 상기 거리 관련성 부분 점수(D _i )를 상기 인접 관련성 부분 점수(R_{N i} )로 대체한다. 대안적인 실시예로서, 이러한 상황에서 상기 위치 관련성 점수(R _i )는 세가지 부분 점수들(R_{C i} , R_{N i} , 및 D _i )을 모두 사용하여 결정될 수 있다.

예시적 방법

도 3은 일 실시예에 따른 위치 관련성 점수를 사용하여 상품 또는 서비스의 항목들의 순위를 정하는 흐름도이다. 단계 301에서, 상기 온라인 예약 시스템(111)은 클라이언트 장치로부터 검색 쿼리를 수신하고, 상기 검색 쿼리는 적어도 쿼리 도시, 뿐만 아니라 해당하는 경우 쿼리 주 및 쿼리 국가를 포함한다. 단계 303에서, 상기 온라인 예약 시스템(111)은, 과거의 검색 쿼리들 및 상기 검색 쿼리들에 후속하여 발생하는 과거의 예약들뿐만 아니라, 상품과 서비스의 저장된 항목의 수를 액세스한다. 단계 305에서, 상기 온라인 예약 시스템(111)은 각 액세스된 항목에 대한 위치 관련성 점수를 결정한다. 상기 항목에 대한 위치 관련성 점수는 도시 관련성 부분 점수, 인접 관련성 부분 점수 및 거리 부분 점수 중 적어도 하나에 기초한다. 단계 307에서 상기 온라인 예약 시스템(111)은, 위치 관련성 점수의 적어도 일부에 기초하여 항목들의 순위를 정한다. 상기 순위는, 예를 들어, 항목에 대해 사용자들에 의해 제공된 리뷰의 수, 항목의 예약의 수, 항목의 가격 등의 다른 요인들을 기초로 할 수도 있다. 단계 309에서, 상기 온라인 예약 시스템(111)은, 정해진 순위를 상기 클라이언트 장치에 제공한다.

Claims (16)

1. 컴퓨터로 구현되는 방법으로서,
   사용자와 관련된 클라이언트 장치로부터 쿼리 도시를 포함하는 검색 쿼리(search query)를 수신하는 단계;
   사용자들에 의해 예약 가능한 복수의 항목들에 액세스하는 단계로서, 상기 항목들 각각은 복수의 도시 항목들 중 하나에 위치하고, 상기 도시 항목들 중 적어도 하나는 상기 쿼리 도시와 다른, 사용자들에 의해 예약 가능한 복수의 항목들에 액세스하는 단계;
   상기 쿼리 도시를 포함하는 복수의 과거의 검색 쿼리들 및 상기 복수의 도시 항목들에서 복수의 과거의 예약들에 액세스하는 단계;
   컴퓨터 프로세서에 의해, 도시 관련성 부분 점수에 기초하는 상기 항목들 각각에 대한 위치 관련성 점수를 결정하는 단계로서, 항목의 상기 도시 관련성 부분 점수는 상기 쿼리 도시, 상기 도시 항목, 상기 과거의 검색 쿼리들 및 상기 과거의 예약들에 기초하는, 상기 도시 관련성 부분 점수에 기초하는 상기 항목들 각각에 대한 위치 관련성 점수를 결정하는 단계;
   상기 도시 관련성 부분 점수의 적어도 일부에 기초하여 상기 항목들의 순위를 정하는 단계;
   순위가 정해진 순서로 상기 항목들을 상기 사용자와 관련된 클라이언트 장치로 제공하는 단계를 포함하는, 컴퓨터로 구현되는 방법.
   
2. 제1항에 있어서,
   상기 과거의 예약들은 상기 쿼리 도시와 다른 상기 도시 항목들 중 하나에 위치하는 적어도 하나의 예약인, 컴퓨터로 구현되는 방법.
   
3. 제1항에 있어서,
   상기 쿼리 도시가 상기 도시 항목과 동일한 경우, 항목의 상기 도시 관련성 부분 점수는 제1 함수에 기초하고,
   상기 쿼리 도시가 상기 도시 항목과 다른 경우, 상기 도시 관련성 부분 점수는 상기 제1 함수 및 추가 가중 계수에 기초하는, 컴퓨터로 구현되는 방법.
   
4. 제1항에 있어서,
   상기 항목의 상기 도시 관련성 부분 점수는 상기 쿼리 도시를 포함하는 과거의 검색 쿼리들과 동일한 웹 브라우징 세션 동안 발생한 상기 도시 항목의 과거의 예약들의 수를 기초로 하는, 컴퓨터로 구현되는 방법.
   
5. 제4항에 있어서,
   상기 항목의 상기 도시 관련성 부분 점수는 상기 쿼리 도시를 포함하는 과거의 검색 쿼리들과 동일한 웹 브라우징 세션 동안 발생한 과거의 예약들의 총 수를 더 기초로 하는, 컴퓨터로 구현되는 방법.
   
6. 제1항에 있어서,
   상기 항목의 상기 도시 관련성 부분 점수는 상기 쿼리 도시를 포함하는 과거의 검색 쿼리들과 동일한 웹 브라우징 세션 동안 발생한 상기 도시 항목의 과거의 예약들의 수를 기초로 하는, 컴퓨터로 구현되는 방법.
   
7. 제6항에 있어서,
   상기 항목의 상기 도시 관련성 부분 점수는 상기 도시 항목의 과거의 예약들의 총 수를 더 기초로 하는, 컴퓨터로 구현되는 방법.
   
8. 제1항에 있어서,
   상기 항목의 상기 도시 관련성 부분 점수는 상기 도시 항목의 항목들의 수를 기초로 하는, 컴퓨터로 구현되는 방법.
   
9. 제1항에 있어서,
   상기 항목의 상기 도시 관련성 부분 점수는 상기 도시 항목의 항목들의 수 및 상기 복수의 항목들의 항목들의 총 수를 기초로 하는, 컴퓨터로 구현되는 방법.
   
10. 컴퓨터로 구현되는 방법으로서,
    사용자와 관련된 클라이언트 장치로부터 쿼리 도시를 포함하는 검색 쿼리(search query)를 수신하는 단계;
    사용자들에 의해 예약 가능한 복수의 항목들에 액세스하는 단계로서, 상기 항목들 각각은 상기 쿼리 도시의 복수의 인접 지역 항목들 중 하나에 위치하는, 사용자들에 의해 예약 가능한 복수의 항목들에 액세스하는 단계;
    상기 쿼리 도시의 복수의 과거의 예약들에 액세스하는 단계;
    컴퓨터 프로세서에 의해, 인접 관련성 부분 점수에 기초하는 상기 항목들 각각에 대한 위치 관련성 점수를 결정하는 단계로서, 상기 항목들 중 하나에 대한 상기 인접 관련성 부분 점수는 상기 쿼리 도시, 상기 과거의 예약들 및 다른 액세스된 항목들에 기초하는, 상기 인접 관련성 부분 점수에 기초하는 상기 항목들 각각에 대한 위치 관련성 점수를 결정하는 단계;
    상기 인접 관련성 부분 점수의 적어도 일부에 기초하여 상기 항목들의 순위를 정하는 단계;
    순위가 정해진 상기 항목들을 상기 사용자와 관련된 클라이언트 장치로 제공하는 단계를 포함하는, 컴퓨터로 구현되는 방법.
    
11. 제10항에 있어서,
    상기 과거의 예약들은 상기 쿼리 도시의 복수의 인접 지역 항목들로부터 작성되는, 컴퓨터로 구현되는 방법.
    
12. 제10항에 있어서,
    상기 항목의 상기 인접 관련성 부분 점수는 상기 인접 지역 항목의 과거의 예약들의 수를 기초로 하는, 컴퓨터로 구현되는 방법.
    
13. 제12항에 있어서,
    상기 항목의 상기 인접 관련성 부분 점수는 상기 인접 지역 항목의 도시 항목에서 과거의 항목들의 총 수를 더 기초로 하는, 컴퓨터로 구현되는 방법.
    
14. 제10항에 있어서,
    항목의 상기 인접 관련성 부분 점수는 상기 인접 지역 항목에서 작성 가능한 항목들의 수를 기초로 하는, 컴퓨터로 구현되는 방법.
    
15. 제14항에 있어서,
    항목의 상기 인접 관련성 부분 점수는 상기 인접 지역 항목의 도시 항목에서 작성 가능한 항목들의 총 수를 기초로 하는, 컴퓨터로 구현되는 방법.
    
16. 제10항에 있어서,
    사용자들에 의해 더 이상 예약이 불가능한 복수의 과거의 항목들에 액세스하는 단계를 더 포함하고, 상기 과거의 항목들 각각은 상기 쿼리 도시의 인접 지역 항목들 중 하나에 위치하고,
    상기 항목들 중 하나에 대한 상기 인접 관련성 부분 점수는 상기 과거의 항목들을 더 기초로 하는, 컴퓨터로 구현되는 방법.

Images